CN112148460B - 关键路径的确定方法及装置、电子设备、计算机存储介质 - Google Patents
关键路径的确定方法及装置、电子设备、计算机存储介质 Download PDFInfo
- Publication number
- CN112148460B CN112148460B CN202011084794.6A CN202011084794A CN112148460B CN 112148460 B CN112148460 B CN 112148460B CN 202011084794 A CN202011084794 A CN 202011084794A CN 112148460 B CN112148460 B CN 112148460B
- Authority
- CN
- China
- Prior art keywords
- nodes
- batch
- node
- key
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012706 support-vector machine Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种关键路径的确定方法及装置、电子设备、计算机存储介质,方法包括:分别获取系统中的每个批量结点的运行时间;将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇;基于每个批量结点的结点特征,利用预先训练好的支持向量机,分别将每个结点簇中的各个批量结点划分为关键结点以及非关键结点;其中,支持向量机预先利用多个样本结点簇中的各个批量结点的结点特征训练得到;针对每个结点簇,构建结点簇中的关键结点组成的边活动网络;利用边活动网关键路径算法,分别计算出每个边活动网络的关键路径。从而通过支持向量机,筛选掉大量的非关键结点,进而提高了确定关键路径的效率。
Description
技术领域
本申请涉及关键路径计算技术领域,特别涉及一种关键路径的确定方法及装置、电子设备、计算机存储介质。
背景技术
业务系统通常在夜间等相对空闲时间,需要对业务数据进行批量处理。业务系统中通常包括多个批量,每个批量用于完成一类业务数据处理。一个批量由多个批量结点组成,由于,一个批量结点需要处理的数据是另一个批量的处理后的数据,所以批量结点之间具有前后序关系,因此批量最终的执行时间的长短,由批量中耗时最长的路径,即为批量的关键路径决定。因此,关键路径的确定,对于批量执行时间的优化,以及业务系统的优化和规划等具有重要意义。
现有的方式确定关键路径的方式就是,基于各个批量结点的执行时间以及前后序关系,构建批量对应的边活动网(activityonedgenetwork,AOE)。然后,按照反序算出AOE网络中每条边上的活动的最早发生时间和最晚方式时间。其中,若最早发生时间和最晚方式时间相等则该活动为关键活动,并且每个活动对应一个批量结点,而所以关键活动构成的路径,即为关键路径。
但是,现有的公司的业务系统的数量众多,并且批量的数量和批量中的批量结点也相当庞大,因此通过现有的方式确定关键路径,相对困难并且去效率较低。
发明内容
基于上述现有技术的不足,本申请提供了一种关键路径的确定方法及装置、电子设备、计算机存储介质,以解决现有确定关键路径的方式效率较低的问题。
为了实现上述目的,本申请提供了以下技术方案:
本申请第一方面提供了一种关键路径的确定方法,包括:
分别获取系统中的每个批量结点的运行时间;
将具有直接前后序关系或具有间接前后续关系的各个所述批量结点,聚合为同一个结点簇;
基于每个所述批量结点的结点特征,利用预先训练好的支持向量机,分别将每个所述结点簇中的各个所述批量结点划分为关键结点以及非关键结点;其中,每个所述批量结点设置有对应的标识;一个所述批量结点的结点特征至少包括所述批量结点的运行时间以及所述批量结点的前序结点和后序结点对应的标识;所述支持向量机预先利用多个样本结点簇中的各个批量结点的结点特征训练得到;
针对每个所述结点簇,构建所述结点簇中的所述关键结点组成的边活动网络;
利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径。
可选地,在上述的关键路径的确定方法中,所述分别获取系统中的每个批量结点的运行时间,包括:
采集系统中的每个批量结点的运行开始时间点、运行结束时间点、人工干预时间;
分别计算每个所述批量结点的所述运行结束时间点与所述运行开始时间点的差值,并将所述差值减去所述人工干预时间,得到每个所述批量结点的运行时间。
可选地,在上述的关键路径的确定方法中,所述将具有直接前后序关系或具有间接前后续关系的各个所述批量结点,聚合为同一个结点簇之后,还包括:
分别将每个所述结点簇中的每两个具有直接前后序关系的所述批量结点记为一条结点边,并将前序的所述批量结点的运行时间作为所述结点边的权重。
可选地,在上述的关键路径的确定方法中,所述支持向量机的训练方法,包括:
获取多个样本结点簇中的各个批量结点的运行数据以及对应的标识;其中,所述运行数据至少包括运行时间;
基于所述批量结点的前后序关系以及运行数据,构建每个所述结点簇对应的边活动网络;
利用边活动网关键路径算法,分别计算出每个所述边活动网络中的关键活动;
将所述关键活动对应的所述批量结点作为关键结点,并将其余的所述批量结点作为非关键结点;
分别利用所述关键结点以及所述非关键结点的结点特征,对构建的支持向量机进行迭代计算,并根据计算结果对所述支持向量机进行优化,直至所述支持向量机的计算结果满足预设要求。
可选地,在上述的关键路径的确定方法中,所述利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径之后,还包括:
展示处在所述关键路径上的各个所述批量结点及其对应的权重和耗时占比,并且展示每条所述关键路径的流向。
本申请第二方面提供了一种关键路径的确定装置,包括:
第一获取单元,用于分别获取系统中的每个批量结点的运行时间;
聚类单元,用于将具有直接前后序关系或具有间接前后续关系的各个所述批量结点,聚合为同一个结点簇;
划分单元,用于基于每个所述批量结点的结点特征,利用预先训练好的支持向量机,分别将每个所述结点簇中的各个所述批量结点划分为关键结点以及非关键结点;其中,每个所述批量结点设置有对应的标识;一个所述批量结点的结点特征至少包括所述批量结点的运行时间以及所述批量结点的前序结点和后序结点对应的标识;所述支持向量机预先利用多个样本结点簇中的各个批量结点的结点特征训练得到;
第一构建单元,用于针对每个所述结点簇,构建所述结点簇中的所述关键结点组成的边活动网络;
第一计算单元,用于利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径。
可选地,在上述的关键路径的确定装置中,所述第一获取单元,包括:
采集单元,用于采集系统中的每个批量结点的运行开始时间点、运行结束时间点、人工干预时间;
第二计算单元,用于分别计算每个所述批量结点的所述运行结束时间点与所述运行开始时间点的差值,并将所述差值减去所述人工干预时间,得到每个所述批量结点的运行时间。
可选地,在上述的关键路径的确定装置中,还包括:
预处理单元,用于分别将每个所述结点簇中的每两个具有直接前后序关系的所述批量结点记为一条结点边,并将前序的所述批量结点的运行时间作为所述结点边的权重。
可选地,在上述的关键路径的确定装置中,还包括训练单元,其中:所述训练单元,包括:
第二获取单元,用于获取多个样本结点簇中的各个批量结点的运行数据以及对应的标识;其中,所述运行数据至少包括运行时间;
第二构建单元,用于基于所述批量结点的前后序关系以及运行数据,构建每个所述结点簇对应的边活动网络;
第三计算单元,用于利用边活动网关键路径算法,分别计算出每个所述边活动网络中的关键活动;
确定单元,用于将所述关键活动对应的所述批量结点作为关键结点,并将其余的所述批量结点作为非关键结点;
训练子单元,用于分别利用所述关键结点以及所述非关键结点的结点特征,对构建的支持向量机进行迭代计算,并根据计算结果对所述支持向量机进行优化,直至所述支持向量机的计算结果满足预设要求。
可选地,在上述的关键路径的确定装置中,还包括:
展示单元,用于展示处在所述关键路径上的各个所述批量结点及其对应的权重和耗时占比,并且展示每条所述关键路径的流向。
本申请第三方面提供了一种电子设备,包括:
存储器和处理器;
其中,所述存储器用于存储程序;
所述处理器用于执行所述程序,所述程序被执行时,具体用于实现如上述任意一项所述的关键路径的确定方法。
本申请第四方面提供了一种计算机存储介质,用于存储计算机程序,所述计算机程序被执行时,用于实现如上述任意一项所述的关键路径的确定方法。
本申请提供的一种关键路径的确定方法,通过分别获取系统中的每个批量结点的运行时间,并将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇。然后,基于每个批量结点的结点特征,利用预先训练好的支持向量机,分别将每个结点簇中的各个批量结点划分为关键结点以及非关键结点,并针对每个结点簇,构建结点簇中的关键结点组成的AOE网络,从而极大地减少了构建AOE网络的批量结点的数量,所以最终利用AOE网关键路径算法,分别计算出每个AOE网络的关键路径时,可以更加地快速,从而不仅使得关键路径的确定更加简易,而且有效地提高了确定关键路径的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种关键路径的确定方法的流程示意图;
图2为本申请实施例提供的一种获取批量结点的运行时间的方法的流程示意图;
图3为本申请实施例提供的一种支持向量机的训练方法的流程示意图;
图4为本申请实施例提供的一个示例的AOE网络的示意图;
图5为AOE网络关键路径算法的计算关键路径的方法的流程示意图;
图6为本申请实施例提供的展示的关键路径以及批量结点耗时占比的示意图;
图7为本申请另一实施例提供的一种关键路径的确定装置的结构示意图;
图8为本申请另一实施例提供的一种第一获取单元的结构示意图;
图9为本申请另一实施例提供的一种训练单元的结构示意图;
图10为本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种关键路径的确定方法,如图1所示,具体包括以下步骤:
S101、分别获取系统中的每个批量结点的运行时间。
需要说明的是,系统中包括有多个批量,每个批量由多个批量结点组成。其中,批量指的是对系统业务数据进行批量处理的操作,每类批量用于处理不同的业务。批量结点是组成批量的单位,每个批量结点处理批量中的一个步骤,并且批量结点间具有前后序关系,即在前序的各个批量结点处理完数据后,后序的批量结点才能开始处理数据。因为,后序的批量结点处理的数据是前序结点的处理结果,或者后序批量结点处理数据时,需要用到前序结点的处理结果。
其中,批量结点的运行时间,指的批量结点处理相应的步骤所消耗的时间长度。
具体的,可以针对每个批量,在最后一个批量结点执行完后,获取各个批量结点最新的运行时间,从而得到每个批量结点的运行时间。
可选地,如图2所示,示出了一种步骤S101的具体实施方式。如图2所示,具体包括以下步骤:
S201、采集系统中的每个批量结点的运行开始时间点、运行结束时间点、人工干预时间。
具体的,可以对每个批量结点进行监控,从而可以采集到每个批量结点的运行开始时间点、运行结束时间点、以及人工干预时间的长度。其中,人工干预时间指的在运行开始时间点至运行结束时间点这一时间段内,人工干预的总的时间。具体可以是,检测每次人工干预的开始时间点和结束干预的时间点,然后将两者相减,得到每次人工干预的时间长度,然后将每次人工关于的时间长度进行求和,得到批量街道的人工干预时间。
S202、分别计算每个批量结点的运行结束时间点与运行开始时间点的差值,并将差值减去人工干预时间,得到每个批量结点的运行时间。
具体的,由于人工干预时间不属于批量结点的运行时间,因此批量结点的运行时间的计算方式为:将批量结点的运行结束时间点减去运行开始时间点,得到的差值,再减去人工干预时间。
S102、将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇。
需要说明的是,两个相邻的批量结点的关系为直接前后序关系,即两个批量结点中的前一个批量结点之后,则必然到后一个批量结点执行。间接前后序关系,则是两个批量结点之间间隔则多个批量结点。可见,步骤S102,将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇,实质为将属于同一批量的批量结点聚合为一个结点簇。
可选地,本申请另一实施例中,在将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇,得到多个结点簇后,还可以进一步执行:分别将每个结点簇中的每两个具有直接前后序关系的批量结点记为一条结点边,并将前序的批量结点的运行时间作为结点边的权重。并且,进一步存储到数据库中,从而以便于后续构建边活动网(activityonedge network,AOE)。
S103、基于每个批量结点的结点特征,利用预先训练好的支持向量机,分别将每个结点簇中的各个批量结点划分为关键结点以及非关键结点,支持向量机预先利用多个样本结点簇中的各个批量结点的结点特征训练得到。
其中,每个批量结点设置有对应的标识,同一批量中的批量结点对应的标识必须是唯一的。一个批量结点的结点特征至少包括批量结点的运行时间以及批量结点的前序结点和后序结点对应的标识。当然,结点特征还可以包括批量结点的运行开始时间、运行结束时间、子结点数、运行频率等关于批量结点的特征参数。
需要说明的是,属于关键路径上的各个批量结点为关键结点,不属于关键路径上的批量结点则为非关键结点。还需要说明的是,支持向量机将每个结点簇中的各个批量结点划分为关键结点以及非关键结点,仅是一种初步的划分,划分出的关键结点不一定百分之百是关键路径上的关键结点,即划分的关键结点中可能会包含有非关键结点。具体包含的非关键结点的数量,取决于所训练的支持向量机的精度。
可选地,如图3所示,示出了一种支持向量机的训练方法。具体如图3所示,该训练方法包括以下步骤:
S301、获取多个样本结点簇中的各个批量结点的运行数据以及对应的标识。
其中,运行数据至少包括运行时间。当然,还可以包括有批量结点的运行开始时间、运行结束时间、子结点数、运行频率等关于批量结点的特征参数。
可选地,在采集到上述的样本数据后还可以进一步对采集到的样本数据进行清洗等预先处理。
S302、基于批量结点的前后序关系以及运行数据,构建每个结点簇对应的AOE网络。
需要说明的是,一个结点簇中包括的各个批量结点实际就是一个批量的批量结点。具体的,将批量中的每个批量结点抽象为AOE网络中的一个事件,将前后序批量结点之间的连接,抽象为AOE网络中的活动,而每条边上的权值为前序批量结点的运行时间,从而构建出每个结点簇对应的AOE网络。例如,如图4所示,一个结点簇包括14个批量结点,则抽象为AOE网络后,为事件V0-V13,每条边标识一个活动,总共具有17个活动,分别为E1-E17。而每条边的权值则为前序批量结点的运行时间。
S303、利用AOE网络关键路径算法,分别计算出每个AOE网络中的关键活动。
具体的,AOE网络关键路径算法的具体的计算步骤,如图5所示,包括以下步骤:
S501、对AOE网络中的每个顶点进行拓扑排序,并在排序过程中确定每个顶点的最早开始时间。
需要说明的是,同样以图4示出的AOE网络为例,对于,在前面的活动执行完成后,立即执行V1和V2的时间点则为他们对应的最早开始时间,即V1最早开始时间为10,V2最早开始时间为11。
S502、按照反序算出每个顶点最晚开始时间。
具体的,顶点的最晚开始时间为在延误后序顶点开始的时间的前提下,该顶点可以最晚开始运行的时间。所以,需要通过反序的方式算出。例如,同样以以图4示出的AOE网络为例,可见V4需要在V1以及V2运行结束后才能执行。由4可见,V0至V1然后再至V4的时间,短于V0至V2然后再至V4,所以V1在前序活动后,若立即执行则还是需要等待V2执行结束,才能执行V4,所以V1可以选择晚点执行,依旧不会影响V4的执行开始的时间。由于V0至V2然后再至V4共耗时26,而V0至V1耗时为10,而V1至V4仅耗时仅为1,所以V1最晚开始时间为25,此时加上后续至V4的时间1,刚好为26,并不会延误V4的开始时间,而V2的最晚开始时间只能是11,若晚于11则V4的开始时间必然被延误。
S503、计算每条边上的活动的最早开始时间。
其中,每条边上的活动的最早开始时间与顶点的最早开始时间的确定方式一样,所以具体可以参加步骤S501,此处不再赘述。
S504、计算出每条边上的活动的最晚发生时间。
需要说明的是,每条边上的活动的最晚开始时间与顶点的最晚开始时间的确定方式一样,所以具体可以参加步骤S502,此处不再赘述。
S505、将最早开始时间和最晚开始时间相等的活动确定为关键活动,并将各个关键活动组成的路径确定为关键路径。
S304、将关键活动对应的批量结点作为关键结点,并将其余的批量结点作为非关键结点。
S305、分别利用关键结点以及非关键结点的结点特征,对构建的支持向量机进行迭代计算,并根据计算结果对支持向量机进行优化,直至支持向量机的计算结果满足预设要求。
具体的,分别将关键结点以及非关键结点的结点特征输入支持向量机中,输出计算结果。对比输出结果与步骤S304划分的关键结点与非关键结点,计算输出结果的正确率,并在正确率未满足要求时,对支持向量机的参数进行优化,然后再次将将关键结点以及非关键结点的结点特征输入支持向量机中,从而不断进行迭代运行,直至输出结果的正确率满足要求。
S104、针对每个结点簇,构建结点簇中的关键结点组成的AOE网络。
具体的,仅利用支持向量机划分出的关键结点构建AOE网络。需要说明的是,具体构建AOE网络的步骤,可以相应地上述步骤S302的具体实施方式,此处不再赘述。
S105、利用AOE网关键路径算法,分别计算出每个AOE网络的关键路径。
需要说明的是,由于支持向量机划分的关键结点中可能包含少量的非关键结点,所以需要利用AOE网关键路径算法,对各个AOE网络进行计算,才能确定出的最准确的关键路径。具体的计算过程可相应地参考图5示出的AOE网络关键路径算法的计算方法,此处不再赘述。
还需要说明的是,支持向量机划分的关键结点中可能包含少量的非关键结点,但是能筛除大量的非关键结点,从而简化了AOE忘了,进而可以提高计算AOE网络的关键路径的时间。并且,支持向量机划分的关键结点中可能不包含的非关键结点,即支持向量机准确识别出了所有的关键结点。所以若所构建的某个AOE网络仅包含一条路径,则可以不需要再对其进行计算,该条路径即为该AOE网络的关键路径。
可选地,在利用AOE网关键路径算法,分别计算出每个所述AOE网络的关键路径之后,还可以进一步包括:展示处在关键路径上的各个批量结点及其对应的权重和耗时占比,并且展示每条关键路径的流向。
例如,同样基于图4所出的AOE网络,展示的关键路径则及其流向、权重,如图6的上图所示。而展示的耗时占比,如图6的下图所示。需要说明的是,由于V0为开始顶点,耗时占比为0所以可以展示。
本申请实施例提供关键路径的确定方法,通过分别获取系统中的每个批量结点的运行时间,并将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇。然后,基于每个批量结点的结点特征,利用预先训练好的支持向量机,分别将每个结点簇中的各个批量结点划分为关键结点以及非关键结点,并针对每个结点簇,构建结点簇中的关键结点组成的AOE网络,从而极大地减少了构建AOE网络的批量结点的数量,所以最终利用AOE网关键路径算法,分别计算出每个AOE网络的关键路径时,可以更加地快速,从而不仅使得关键路径的确定更加简易,而且有效地提高了确定关键路径的效率。
本申请第二方面提供了一种关键路径的确定装置,如图7所示,包括以下单元:
第一获取单元701,用于分别获取系统中的每个批量结点的运行时间。
聚类单元702,用于将具有直接前后序关系或具有间接前后续关系的各个批量结点,聚合为同一个结点簇。
划分单元703,用于基于每个批量结点的结点特征,利用预先训练好的支持向量机,分别将每个结点簇中的各个批量结点划分为关键结点以及非关键结点。
其中,每个批量结点设置有对应的标识。一个批量结点的结点特征至少包括批量结点的运行时间以及批量结点的前序结点和后序结点对应的标识。支持向量机预先利用多个样本结点簇中的各个批量结点的结点特征训练得到。
第一构建单元704,用于针对每个结点簇,构建结点簇中的关键结点组成的边活动网络。
第一计算单元705,用于利用边活动网关键路径算法,分别计算出每个边活动网络的关键路径。
可选地,在本申请另一实施例提供的关键路径的确定装置中,第一获取单元,如图8所示,包括以下单元:
采集单元801,用于采集系统中的每个批量结点的运行开始时间点、运行结束时间点、人工干预时间。
第二计算单元802,用于分别计算每个批量结点的运行结束时间点与运行开始时间点的差值,并将差值减去人工干预时间,得到每个批量结点的运行时间。
可选地,在本申请另一实施例提供的关键路径的确定装置中,还可以进一步包括:
预处理单元,用于分别将每个结点簇中的每两个具有直接前后序关系的批量结点记为一条结点边,并将前序的批量结点的运行时间作为结点边的权重。
可选地,在本申请另一实施例提供的关键路径的确定装置中,还可以包括训练单元。其中,训练单元如图9所示,包括以下单元:
第二获取单元901,用于获取多个样本结点簇中的各个批量结点的运行数据以及对应的标识。
其中,运行数据至少包括运行时间。
第二构建单元902,用于基于批量结点的前后序关系以及运行数据,构建每个结点簇对应的边活动网络。
第三计算单元903,用于利用边活动网关键路径算法,分别计算出每个边活动网络中的关键活动。
确定单元904,用于将关键活动对应的批量结点作为关键结点,并将其余的批量结点作为非关键结点。
训练子单元905,用于分别利用关键结点以及非关键结点的结点特征,对构建的支持向量机进行迭代计算,并根据计算结果对支持向量机进行优化,直至支持向量机的计算结果满足预设要求。
可选地,在本申请另一实施例提供的关键路径的确定装置中,还包括:
展示单元,用于展示处在关键路径上的各个批量结点及其对应的权重和耗时占比,并且展示每条关键路径的流向。
需要说明的是,上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤,此处不再赘述。
本申请另一实施例提供了一种电子设备,如图10所示,包括:
存储器1001和处理器1002。
其中,存储器1001用于存储程序;处理器1002用于执行存储器1001存储的程序,该程序被执行时,具体用于实现如上述任意一个实施例提供的关键路径的确定方法。
本申请另一实施例提供了一种计算机存储介质,用于存储计算机程序,计算机程序被执行时,用于实现如上述任意一项的关键路径的确定方法。
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种关键路径的确定方法,其特征在于,包括:
分别获取系统中的每个批量结点的运行时间;
将具有直接前后序关系或具有间接前后续关系的各个所述批量结点,聚合为同一个结点簇;
基于每个所述批量结点的结点特征,利用预先训练好的支持向量机,分别将每个所述结点簇中的各个所述批量结点划分为关键结点以及非关键结点;其中,每个所述批量结点设置有对应的标识;所述支持向量机预先利用多个样本结点簇中的各个批量结点的结点特征训练得到;一个所述批量结点的结点特征至少包括所述批量结点的运行时间以及所述批量结点的前序结点和后序结点对应的标识;
针对每个所述结点簇,构建所述结点簇中的所述关键结点组成的边活动网络;
利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径;
其中,所述利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径,包括:
对所述边活动网络中的每个顶点进行拓扑排序,并在排序过程中确定每个所述顶点的最早开始时间;
按照反序算出每个所述顶点最晚开始时间;
计算每条边上的活动的最早开始时间;
计算出每条边上的所述活动的最晚发生时间;
将最早开始时间和最晚开始时间相等的所述活动确定为关键活动,并将各个所述关键活动组成的路径确定为关键路径;
其中,所述支持向量机的训练方法,包括:
获取多个样本结点簇中的各个批量结点的运行数据以及对应的标识;其中,所述运行数据至少包括运行时间;
基于所述批量结点的前后序关系以及运行数据,构建每个所述结点簇对应的边活动网络;
利用边活动网关键路径算法,分别计算出每个所述边活动网络中的关键活动;
将所述关键活动对应的所述批量结点作为关键结点,并将其余的所述批量结点作为非关键结点;
分别利用所述关键结点以及所述非关键结点的结点特征,对构建的支持向量机进行迭代计算,并根据计算结果对所述支持向量机进行优化,直至所述支持向量机的计算结果满足预设要求。
2.根据权利要求1所述的方法,其特征在于,所述分别获取系统中的每个批量结点的运行时间,包括:
采集系统中的每个批量结点的运行开始时间点、运行结束时间点、人工干预时间;
分别计算每个所述批量结点的所述运行结束时间点与所述运行开始时间点的差值,并将所述差值减去所述人工干预时间,得到每个所述批量结点的运行时间。
3.根据权利要求1所述的方法,其特征在于,所述将具有直接前后序关系或具有间接前后续关系的各个所述批量结点,聚合为同一个结点簇之后,还包括:
分别将每个所述结点簇中的每两个具有直接前后序关系的所述批量结点记为一条结点边,并将前序的所述批量结点的运行时间作为所述结点边的权重。
4.根据权利要求1所述的方法,其特征在于,所述利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径之后,还包括:
展示处在所述关键路径上的各个所述批量结点及其对应的权重和耗时占比,并且展示每条所述关键路径的流向。
5.一种关键路径的确定装置,其特征在于,包括:
第一获取单元,用于分别获取系统中的每个批量结点的运行时间;
聚类单元,用于将具有直接前后序关系或具有间接前后续关系的各个所述批量结点,聚合为同一个结点簇;
划分单元,用于基于每个所述批量结点的结点特征,利用预先训练好的支持向量机,分别将每个所述结点簇中的各个所述批量结点划分为关键结点以及非关键结点;其中,每个所述批量结点设置有对应的标识;一个所述批量结点的结点特征至少包括所述批量结点的运行时间以及所述批量结点的前序结点和后序结点对应的标识;
第一构建单元,用于针对每个所述结点簇,构建所述结点簇中的所述关键结点组成的边活动网络;
第一计算单元,用于利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径;
训练单元,用于预先利用多个样本结点簇中的各个批量结点的结点特征训练得到所述支持向量机;
其中,所述训练单元,包括:
第二获取单元,用于获取多个样本结点簇中的各个批量结点的运行数据以及对应的标识;其中,所述运行数据至少包括运行时间;
第二构建单元,用于基于所述批量结点的前后序关系以及运行数据,构建每个所述结点簇对应的边活动网络;
第三计算单元,用于利用边活动网关键路径算法,分别计算出每个所述边活动网络中的关键活动;
确定单元,用于将所述关键活动对应的所述批量结点作为关键结点,并将其余的所述批量结点作为非关键结点;
训练子单元,用于分别利用所述关键结点以及所述非关键结点的结点特征,对构建的支持向量机进行迭代计算,并根据计算结果对所述支持向量机进行优化,直至所述支持向量机的计算结果满足预设要求;
所述第一计算单元执行所述利用边活动网关键路径算法,分别计算出每个所述边活动网络的关键路径时,用于:
对所述边活动网络中的每个顶点进行拓扑排序,并在排序过程中确定每个所述顶点的最早开始时间;
按照反序算出每个所述顶点最晚开始时间;
计算每条边上的活动的最早开始时间;
计算出每条边上的所述活动的最晚发生时间;
将最早开始时间和最晚开始时间相等的所述活动确定为关键活动,并将各个所述关键活动组成的路径确定为关键路径。
6.根据权利要求5所述的装置,其特征在于,所述第一获取单元,包括:
采集单元,用于采集系统中的每个批量结点的运行开始时间点、运行结束时间点、人工干预时间;
第二计算单元,用于分别计算每个所述批量结点的所述运行结束时间点与所述运行开始时间点的差值,并将所述差值减去所述人工干预时间,得到每个所述批量结点的运行时间。
7.根据权利要求5所述的装置,其特征在于,还包括:
预处理单元,用于分别将每个所述结点簇中的每两个具有直接前后序关系的所述批量结点记为一条结点边,并将前序的所述批量结点的运行时间作为所述结点边的权重。
8.一种电子设备,其特征在于,包括:
存储器和处理器;
其中,所述存储器用于存储程序;
所述处理器用于执行所述程序,所述程序被执行时,具体用于实现如权利要求1至4任意一项所述的关键路径的确定方法。
9.一种计算机存储介质,其特征在于,用于存储计算机程序,所述计算机程序被执行时,用于实现如权利要求1至4任意一项所述的关键路径的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011084794.6A CN112148460B (zh) | 2020-10-12 | 2020-10-12 | 关键路径的确定方法及装置、电子设备、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011084794.6A CN112148460B (zh) | 2020-10-12 | 2020-10-12 | 关键路径的确定方法及装置、电子设备、计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112148460A CN112148460A (zh) | 2020-12-29 |
CN112148460B true CN112148460B (zh) | 2023-11-03 |
Family
ID=73951452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011084794.6A Active CN112148460B (zh) | 2020-10-12 | 2020-10-12 | 关键路径的确定方法及装置、电子设备、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148460B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182499A (zh) * | 2014-08-16 | 2014-12-03 | 成都飞机工业(集团)有限责任公司 | Aoe网络到多叉树结构的异构转换方法 |
CN104361182A (zh) * | 2014-11-21 | 2015-02-18 | 中国人民解放军国防科学技术大学 | 基于Petri网的微处理器微体系结构参数优化方法 |
CN106227726A (zh) * | 2016-06-30 | 2016-12-14 | 北京航空航天大学 | 一种基于车辆轨迹数据的路径提取方法 |
CN106291324A (zh) * | 2016-08-18 | 2017-01-04 | 北京航空航天大学 | 一种适用于高速集成电路的片上差分时延测量系统及回收集成电路识别方法 |
CN107239335A (zh) * | 2017-06-09 | 2017-10-10 | 中国工商银行股份有限公司 | 分布式系统的作业调度系统及方法 |
CN110187965A (zh) * | 2019-05-08 | 2019-08-30 | 深圳大学 | 神经网络的运行优化及数据处理方法、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344453A1 (en) * | 2012-12-13 | 2014-11-20 | Level 3 Communications, Llc | Automated learning of peering policies for popularity driven replication in content delivery framework |
US10684876B2 (en) * | 2015-05-14 | 2020-06-16 | Netapp, Inc. | Migration of virtual machine data using native data paths |
-
2020
- 2020-10-12 CN CN202011084794.6A patent/CN112148460B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182499A (zh) * | 2014-08-16 | 2014-12-03 | 成都飞机工业(集团)有限责任公司 | Aoe网络到多叉树结构的异构转换方法 |
CN104361182A (zh) * | 2014-11-21 | 2015-02-18 | 中国人民解放军国防科学技术大学 | 基于Petri网的微处理器微体系结构参数优化方法 |
CN106227726A (zh) * | 2016-06-30 | 2016-12-14 | 北京航空航天大学 | 一种基于车辆轨迹数据的路径提取方法 |
CN106291324A (zh) * | 2016-08-18 | 2017-01-04 | 北京航空航天大学 | 一种适用于高速集成电路的片上差分时延测量系统及回收集成电路识别方法 |
CN107239335A (zh) * | 2017-06-09 | 2017-10-10 | 中国工商银行股份有限公司 | 分布式系统的作业调度系统及方法 |
CN110187965A (zh) * | 2019-05-08 | 2019-08-30 | 深圳大学 | 神经网络的运行优化及数据处理方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112148460A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871190B (zh) | 一种业务指标监控方法及装置 | |
WO2017045472A1 (zh) | 资源预测方法、系统和容量管理装 | |
WO2011139393A1 (en) | Dynamic adaptive process discovery and compliance | |
CN113032157B (zh) | 一种服务器自动智能扩缩容方法及系统 | |
CN109062769B (zh) | It系统性能风险趋势预测的方法、装置和设备 | |
JPWO2020214587A5 (zh) | ||
CN112633542A (zh) | 系统性能指标预测方法、装置、服务器及存储介质 | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
CN111259922A (zh) | 基于客户退单预警的订单数据处理方法、装置 | |
WO2019085754A1 (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN111639060A (zh) | 一种火电厂时序数据处理方法、装置、设备及介质 | |
CN115169634A (zh) | 一种任务分配优化处理方法及装置 | |
CN112148460B (zh) | 关键路径的确定方法及装置、电子设备、计算机存储介质 | |
CN112052078A (zh) | 一种耗时的确定方法和装置 | |
CN111984677B (zh) | 资源数据核对方法、装置、计算机设备和存储介质 | |
RU105042U1 (ru) | Система мониторинга работы пользователей с информационными ресурсами корпоративной компьютерной сети на основе моделирования поведения пользователей с целью поиска аномалий и изменений в работе | |
CN109978172B (zh) | 一种基于极限学习机的资源池利用率预测方法及装置 | |
US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
CN115529219A (zh) | 告警分析方法、装置、计算机可读存储介质及电子设备 | |
CN114331688A (zh) | 一种银行柜面系统业务批量运行状态检测方法及装置 | |
CN109948800B (zh) | 风险控制方法及其系统 | |
CN112530505A (zh) | 硬盘延迟检测方法、装置及计算机可读存储介质 | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
CN112200461A (zh) | 关键路径的预测方法及装置、电子设备、计算机存储介质 | |
CN111061640B (zh) | 一种软件可靠性测试用例筛选方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |