CN112465321A - 一种任务分析方法、装置、设备及存储介质 - Google Patents
一种任务分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112465321A CN112465321A CN202011297905.1A CN202011297905A CN112465321A CN 112465321 A CN112465321 A CN 112465321A CN 202011297905 A CN202011297905 A CN 202011297905A CN 112465321 A CN112465321 A CN 112465321A
- Authority
- CN
- China
- Prior art keywords
- task
- nodes
- node
- determining
- task node
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Abstract
本申请公开了一种任务分析方法、装置、设备及存储介质,所述方法包括获取目标批量任务中多个任务节点的配置数据和运行数据;根据多个任务节点的运行数据计算多个关联指标的权重;基于多个关联指标的权重和每个任务节点的运行数据确定每个任务节点的重要度;基于多个任务节点的配置数据确定任务关联关系;根据任务关联关系和多个任务节点的重要度确定每个任务节点的信息量;基于多个任务节点的信息量和预设关键任务分析规则,从多个任务节点中确定至少一个任务节点作为目标批量任务中的关键任务节点。利用本申请提供的技术方案能够准确高效地确定批量任务中的关键任务,提升任务分析的可靠性和效率,进而有利于提升系统的任务调度能力。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种任务分析方法、装置、设备及存储介质。
背景技术
目前,随着银行各类应用业务的迅速增长,数据规模也变得越来越庞大,银行的各类批量任务处理也随之变得日益复杂(例如各类批量作业,作业可以是一个应用程序的运行,比如一个每周都需执行的职工工资册的程序。通常作业是以批的模式运行的),银行系统每天需要处理的批量任务成千上万,这对于银行系统的批量任务分析处理能力和任务调度能力提出了较高的要求。
在实际应用中,一个批量任务通常包含几千条甚至上万条任务,任务处理顺序错综复杂,现有技术主要通过人工进行分析并编写配置文件(例如选取关键任务或编排任务执行顺序),并根据该配置文件进行相应的任务处理,但这种方式具有较强的主观性,不够准确,且需要消耗大量时间和人力资源,因此,需要提供更加可靠高效的方案。
发明内容
为了解决现有技术的问题,本申请提供了一种任务分析方法、装置、设备及存储介质。所述技术方案如下:
本申请一方面提供了一种任务分析方法,所述方法包括:
获取目标批量任务中多个任务节点的配置数据和运行数据;
根据所述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重;
基于所述多个关联指标的权重和所述每个任务节点的运行数据确定所述每个任务节点的重要度;
基于所述多个任务节点的配置数据确定任务关联关系;
根据所述任务关联关系和所述多个任务节点的重要度确定所述每个任务节点的信息量;
基于所述多个任务节点的信息量和预设关键任务分析规则,从所述多个任务节点中确定至少一个任务节点作为所述目标批量任务中的关键任务节点。
本申请另一方面提供了一种任务分析装置,所述装置包括:
数据获取模块,用于获取目标批量任务中多个任务节点的配置数据和运行数据;
权重计算模块,用于根据所述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重;
重要度确定模块,用于基于所述多个关联指标的权重和所述每个任务节点的运行数据确定所述每个任务节点的重要度;
关联关系确定模块,用于基于所述多个任务节点的配置数据确定任务关联关系;
信息量确定模块,用于根据所述任务关联关系和所述多个任务节点的重要度确定所述每个任务节点的信息量;
关键任务节点确定模块,用于基于所述多个任务节点的信息量和预设关键任务分析规则,从所述多个任务节点中确定至少一个任务节点作为所述目标批量任务中的关键任务节点。
本申请另一方面提供了一种任务分析设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由上述处理器加载并执行以实现如上述的任务分析方法。
本申请另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的任务分析方法。
本申请提供的任务分析方法、装置、设备及存储介质,具有如下技术效果:
本申请通过获取目标批量任务中多个任务节点的配置数据和运行数据;然后,根据上述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重,利用丰富的实时数据进行指标权重计算,有利于提升任务分析的可靠性;接着,基于上述多个关联指标的权重和上述每个任务节点的运行数据确定上述每个任务节点的重要度;基于上述多个任务节点的配置数据确定任务关联关系;根据上述任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量;最后,基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为上述目标批量任务中的关键任务节点。利用本说明书实施例提供的技术方案能够准确高效地确定批量任务中的关键任务,提升任务分析的可靠性和效率,进而有利于提升系统的任务调度能力。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
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和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种任务分析方法的示意图;
图2是本申请实施例提供的另一种任务分析方法的流程示意图;
图3是本申请实施例提供的另一种任务分析方法的流程示意图;
图4是本申请实施例提供的另一种任务分析方法的流程示意图;
图5是本申请实施例提供的一种有向加权图的示意图;
图6是本申请实施例提供的另一种任务分析方法的流程示意图;
图7是本申请实施例提供的另一种任务分析方法的流程示意图;
图8是本申请实施例提供的另一种任务分析方法的流程示意图;
图9是本申请实施例提供的一种任务分析装置示意图;
图10是本申请实施例提供的一种用于实现任务分析方法的服务器的硬件结构框图。
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的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。所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本申请实施例提供的一种任务分析方法的流程图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示,所述方法可以包括:
S101:获取目标批量任务中多个任务节点的配置数据和运行数据。
在本说明书实施例中,上述的目标批量任务可以表征目标系统中同步或异步执行的多个任务;例如,目标系统可以包括银行系统,目标批量任务可以包括银行系统中的一个批量作业,且批量作业中的每个作业可以为一个应用程序的运行,或是一种业务(例如开销分析、数据备份、报表生成及分析等);在一些实施例中,不同的任务节点之间可以具有前后置关联关系,例如,任务节点A是任务节点B的前置任务节点,则此时任务节点A的执行可以是任务节点B的前置依赖条件,任务节点A对任务节点B有影响,例如任务节点B可能需要利用任务节点A执行后得到的结果数据来执行,在一个具体的实施例中,此时的任务节点A可以为一个负责进行数据收集和整理的任务节点,任务节点B可以为一个负责进行数据分析的任务节点,任务节点B可以利用任务节点A收集整理的数据进行数据分析。
在本说明书实施例中,每个任务节点的配置数据可以包括该任务节点的节点依赖信息,在一个具体的实施例中,上述的节点依赖信息可以包括该任务节点的前置依赖情况(该任务节点有哪些前置任务节点)。
例如,批量任务1为目标批量任务,此时目标批量任务中共包括12个任务节点,则上述的多个任务节点的配置数据可以利用表1进行表示:
表1
每个任务节点的运行数据可以包括多个关联指标的指标值;在一个具体的实施例中,上述的多个关联指标可以包括但不限于数据量、文件大小、CPU时间、文件记录条数、文件分配次数和运行时间中的至少两种;其中,数据量可以表征该任务节点运算的数据量大小,文件大小可以表征该任务节点当前处理的文件的大小,CPU时间可以表征该任务节点进行相应的任务处理时占用CPU的时长,文件记录条数可以表征该任务节点当前处理的文件被数据库记录的次数,文件分配次数可以表征该任务节点当前处理的文件分配给各节点处理的次数,运行时间可以表征该任务节点进行一次任务处理的时长;在一些实施例中,上述的多个关联指标除了列举的6个关联指标之外还可以包括更多的关联指标,本申请并不以此为限。
例如,批量任务1为目标批量任务,此时目标批量任务中共包括12个任务节点(任务节点1~任务节点12),当上述的多个关联指标包括数据量、文件大小、CPU时间、文件记录条数、文件分配次数和运行时间这6个时,以批量任务1中的任务节点1和任务节点2的运行数据为例,任务节点1和任务节点2的运行数据可以利用表2进行描述,各项关联指标的具体的指标值未做展示:
表2
通过获取丰富的配置数据和运行数据,有利于后续利用丰富的数据进行进一步的任务分析,避免仅利用单个指标数据进行任务分析带来的局限性和片面性,综合各项指标进行任务分析,有利于提升任务分析的科学性和准确性。
在一些实施例中,请参照图2,上述获取目标批量任务中多个任务节点的配置数据和运行数据可以包括:
S201:获取该目标批量任务中多个任务节点的初始配置信息和初始运行信息;
S203:分别对上述初始配置信息和初始运行信息进行预处理,得到上述的配置数据和运行数据。
在本说明书实施例中,上述的分别对上述初始配置信息和初始运行信息进行预处理可以包括但不限于,分别对上述初始配置信息和初始运行信息进行数据筛选(例如选取有效数据或进行无效数据剔除),和/或,分别对上述初始配置信息和初始运行信息进行缺失值补充。在实际应用中,通过数据采集得到的初始数据有时会存在数据缺失,或出现部分无效数据的情况,通过对获取的初始配置信息和初始运行信息进行预处理,有利于得到更加可靠的数据,进而有利于提升任务分析的准确性。
在本说明书实施例中,获取目标批量任务中多个任务节点的配置数据和运行数据之后,还可以将上述多个任务节点的配置数据和运行数据作为历史数据进行分类存储,有利于进行数据回溯以及进一步的任务分析。
S103:根据上述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重。
在本说明书实施例中,上述每个任务节点的运行数据包括上述多个关联指标的指标值,请参照图3,上述的根据上述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重可以包括:
S301:遍历上述多个关联指标,在遍历到任一关联指标时,从上述多个任务节点的运行数据中提取当前遍历到的关联指标的指标值,得到上述当前遍历到的关联指标的指标值集合。
在上述的实施例中,当上述的多个关联指标包括数据量、文件大小、CPU时间、文件记录条数、文件分配次数和运行时间这6项时,例如,在遍历到数据量时,数据量即当前遍历到的关联指标,可以从上述多个任务节点的运行数据中提取数据量的值,得到数据量的值的集合,将上述数据量的值的集合作为上述的指标值集合;在遍历到运行时间时,运行时间即当前遍历到的关联指标,可以从上述多个任务节点的运行数据中提取运行时间的值,得到运行时间的值的集合,将上述运行时间的值的集合作为上述的指标值集合。
S303:根据该指标值集合计算上述当前遍历到的关联指标的变异系数。
在本说明书实施例中,上述的变异系数可以用于表征对应的关联指标在全部被评价对象上的指标值的变异程度,此时的全部被评价对象可以为上述目标批量任务中的全部任务节点;在目标批量任务中,一个关联指标的指标值的变异程度越大,说明这个关联指标能够更好地区分目标批量任务中不同的任务节点,相比于其他变异程度较小的关联指标而言,应该为这个变异程度较大关联指标赋予较大的权重。
在一个实施例中,请参照图4,上述根据该指标值集合计算上述当前遍历到的关联指标的变异系数可以包括:
S401:根据该指标值集合,计算上述当前遍历到的关联指标的均值。
在本说明书实施例中,当前遍历到的关联指标为关联指标共有p个关联指标(在上述实施例中,p可以等于6,即数据量、文件大小、CPU时间、文件记录条数、文件分配次数和运行时间这6项),且上述的目标批量任务共有n个任务节点时,上述当前遍历到的关联指标的均值可以结合下述公式确定:
S403:根据该指标值集合和上述当前遍历到的关联指标的均值,计算上述当前遍历到的关联指标的标准差。
在本说明书实施例中,当共有p个关联指标,且上述的目标批量任务共有n个任务节点时,上述当前遍历到的关联指标的标准差可以结合下述公式确定:
S405:根据上述均值和上述标准差,确定上述当前遍历到的关联指标的变异系数。
在本说明书实施例中,当共有p个关联指标,上述当前遍历到的关联指标的变异系数可以结合下述公式计算得到:
S305:对上述当前遍历到的关联指标的变异系数进行归一化处理,得到上述当前遍历到的关联指标的权重。
在本说明书实施例中,当共有p个关联指标,上述对上述当前遍历到的关联指标的变异系数进行归一化处理,得到上述当前遍历到的关联指标的权重可以结合下述公式计算得到:
通过结合目标批量任务中的大量数据计算各关联指标的变异系数,从而计算各关联指标的权重,有利于利用丰富的数据进行全面的数据分析,避免人工主观赋权对准确性带来的影响,提升关联指标权重计算的科学性和准确性,进而有利于提升任务分析的可靠性。
S105:基于上述多个关联指标的权重和上述每个任务节点的运行数据确定上述每个任务节点的重要度。
在本说明书实施例中,当共有p个关联指标,上述基于上述多个关联指标的权重和上述每个任务节点的运行数据确定上述每个任务节点的重要度可以结合下述公式计算得到:
Qi=Wj*Xij(j=1,2,…,p)
其中,当前遍历到的关联指标为关联指标j,Qi表示任务节点i的重要度,Wj表示关联指标j的权重,Xij表示任务节点i的关联指标j的指标值,符号*表示卷积计算,即利用各关联指标的权重乘对应的指标值后再求和,相当于:
根据上述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重,再基于上述多个关联指标的权重和上述每个任务节点的运行数据确定上述每个任务节点的重要度,结合大量数据,综合多个关联指标,有利于全面科学地进行各任务节点重要度的计算,进而有利于灵活准确地确定出目标批量任务中的关键任务节点,提升任务分析的科学性和可靠性。
S107:基于上述多个任务节点的配置数据确定任务关联关系。
在一个实施例中,上述多个任务节点的配置数据可以参照表1,通过对上述的多个任务节点的配置数据进行数据分析处理可以得到上述目标批量任务中各任务节点的关联关系,即上述的任务关联关系;在一个具体的实施例中,上述的任务关联关系可以利用有向加权图来表示,该有向加权图是一个有向且有权的网络拓扑示意图,请参照图5,图5是根据如表1所示的多个任务节点的配置数据生成的有向加权图,图5中的v1~v12分别对应表示任务节点1~任务节点12,任务节点间的有向箭头和上方的文字表示节点间的前后置关系(例如,e1,2表示节点v1是节点v2的前置任务节点,节点v1对节点v2有影响)。利用有向加权图能够清晰准确地表现目标批量任务中各任务节点间的关联关系,且能准确快速地得到各任务节点的前置任务节点和后置任务节点。
在一些实施例中,在基于上述多个任务节点的配置数据确定任务关联关系之后,还可以基于预设显示单元对上述的任务关联关系(例如上述的有向加权图)进行可视化显示,有利于直观地显示目标批量任务中各任务节点间的逻辑信息,以便根据实际应用需求灵活调整调度方案,提升任务分析的灵活性。
S109:根据该任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量。
在本说明书实施例中,信息量可以表征对应的任务节点的重要程度,信息量越大代表该任务节点所包含的信息越多,则该任务节点就越重要,请参照图6,上述根据该任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量可以包括:
S601:遍历上述多个任务节点,在遍历到任一任务节点时,根据该任务关联关系确定当前遍历到的任务节点的前置任务节点和后置任务节点。
在本说明书实施例中,任务节点A的前置任务节点可以表征对任务节点A有影响的任务节点,例如,任务节点A需要利用它的前置任务节点的执行结果数据来执行;任务节点A的后置任务节点可以表征被任务节点A所影响的任务节点,例如,任务节点B是任务节点A的后置任务节点,则任务节点B可能需要利用任务节点A的执行结果来执行;请参照图5,以任务节点5为例,任务节点5的前置任务节点为任务节点2和任务节点3,任务节点5的后置任务节点为任务节点8。
S603:从上述多个任务节点的重要度中提取上述当前遍历到的任务节点的重要度,以及上述前置任务节点的重要度。
S605:根据该任务关联关系,以及上述前置任务节点的重要度计算第一互信息。
在本说明书实施例中,上述的第一互信息可以包括该当前遍历到的任务节点的全部前置任务节点到该当前遍历到的任务节点的互信息之和。
在一个具体的实施例中,任务节点i到任务节点m的互信息可以通过如下步骤计算,用边(i,m)来表示任务节点i到任务节点m的有向边,该有向边可以表示该边的两个端节点以一定数据流量进行单向通信:
1)计算边(i,m)的出边概率。
在本说明书实施例中,对于任务节点i的全部出边(任务节点i指向其他任务节点的有向边)而言,边(i,m)所占的概率为边(i,m)的出边概率,边(i,m)的出边概率具体可以利用下述公式计算得到:
其中,Pi→m表示边(i,m)的出边概率,Qi表示任务节点i的重要度,Sout(i)表示从任务节点i到其他任务节点的路径总数(即任务节点i共有多少条出边)。
2)计算边(i,m)的入边概率。
在本说明书实施例中,对于任务节点i的全部入边(其他任务节点指向任务节点i的有向边)而言,边(i,m)所占的概率为边(i,m)的入边概率,边(i,m)的入边概率具体可以利用下述公式计算得到:
其中,Pm→i表示边(i,m)的入边概率,Qi表示任务节点i的重要度,Sin(i)表示从其他任务节点到任务节点i的路径总数(即任务节点i共有多少条入边)。
3)根据上述边(i,m)的出边概率和边(i,m)的入边概率计算任务节点i到任务节点m的互信息。
在本说明书实施例中,根据上述边(i,m)的出边概率和边(i,m)的入边概率计算任务节点i到任务节点m的互信息可以利用如下公式:
其中,I(i,m)表示任务节点i到任务节点m的互信息,Pi→m表示边(i,m)的出边概率,Pm→i表示边(i,m)的入边概率。
通过上述步骤1)~3),可计算出任务节点i到任务节点m的互信息I(i,m),在本说明书实施例中,上述的第一互信息可以包括上述当前遍历到的任务节点的全部前置任务节点到该当前遍历到的任务节点的互信息之和,若当前遍历到的任务节点为任务节点i,即上述的第一互信息可以利用公式计算得到,其中,Vin(i)表示任务节点i的前置任务节点集合(即指向任务节点i的节点集合)。
S607:根据该任务关联关系,以及上述当前遍历到的任务节点的重要度计算第二互信息。
请参照前述的实施例,通过上述步骤1)~3),可计算出任务节点i到任务节点m的互信息I(i,m),在本说明书实施例中,上述的第二互信息可以包括上述当前遍历到的任务节点到全部后置任务节点的互信息之和,若当前遍历到的任务节点为任务节点i,即上述的第二互信息可以利用公式计算得到,其中,Vout(i)表示任务节点i的后置任务节点集合(即任务节点i所指向的节点集合)。
S609:根据上述第一互信息和上述第二互信息确定上述当前遍历到的任务节点的信息量。
在本说明书实施例中,若当前遍历到的任务节点为任务节点i,根据上述第一互信息和上述第二互信息确定上述当前遍历到的任务节点的信息量可以利用如下公式进行计算:
通过根据该任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量,有利于综合大量数据科学准确地进行任务节点信息量的计算,进而能够快速准确地确定目标批量任务中的关键任务节点,提升任务分析的准确性。
S111:基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为该目标批量任务中的关键任务节点。
以上述的批量任务1为例,当上述的批量任务1为目标批量任务,且该目标批量任务中共包括12个任务节点(任务节点1~任务节点12),在一个实施例中,计算得到各任务节点的信息量如表3所示:
任务节点 | 信息量 |
1 | 1.1×10<sup>-4</sup> |
2 | 3.7×10<sup>-4</sup> |
3 | 6.71×10<sup>-4</sup> |
4 | 1.32×10<sup>-3</sup> |
5 | 6.54×10<sup>-2</sup> |
6 | 0.645 |
7 | 4.5×10<sup>-2</sup> |
8 | 2.03 |
9 | 1.95 |
10 | 1.37 |
11 | 1.54 |
12 | 0.998 |
表3
在本说明书实施例中,请参照图7,上述基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为该目标批量任务中的关键任务节点可以包括:
S701:基于上述多个任务节点的信息量,将上述多个任务节点按照信息量从大到小的顺序排序。
在上述实施例中,基于上述多个任务节点的信息量,将上述多个任务节点按照信息量从大到小的顺序排序后得到的任务节点队列为:8,9,11,10,12,6,5,7,4,3,2,1。
S703:按照预设关键任务分析规则,从上述多个任务节点中选取信息量大小排名为前预设个数的任务节点作为该目标批量任务中的关键任务节点。
在本说明书实施例中,上述预设关键任务分析规则可以结合实际任务分析需求进行设定,上述的前预设个数可以包括,例如,前5个,即将任务节点8,9,11,10,12作为该目标批量任务中的关键任务节点。
在另一个实施例中,上述基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为该目标批量任务中的关键任务节点可以包括:
按照预设关键任务分析规则,从上述多个任务节点中选取信息量大于预设阈值的任务节点作为该目标批量任务中的关键任务节点。
在本说明书实施例中,上述的预设阈值可以结合实际任务分析需求进行设定,例如,上述的预设阈值可以为1,则此时选取的信息量大于预设阈值的任务节点包括任务节点8,9,11,10,可以将任务节点8,9,11,10作为该目标批量任务中的关键任务节点。
通过基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为该目标批量任务中的关键任务节点,有利于结合实际应用需求灵活快速地确定目标批量任务中的关键任务节点,提升任务分析的灵活性和适应性。
在本说明书实施例中,请参照图8,上述方法还可以包括:
S801:根据该目标批量任务中的关键任务节点和预设任务调度规则,对该目标批量任务执行任务调度。
在本说明书实施例中,上述的预设任务调度规则可以结合实际任务调度需求进行设定,或结合历史任务调度测试结果进行设定;在一个实施例中,根据该目标批量任务中的关键任务节点和预设任务调度规则,对该目标批量任务执行任务调度可以包括:
根据该目标批量任务中的关键任务节点,将关键任务节点设置为优先执行的任务节点,并对该目标批量任务执行任务调度。
请参照图5所示的拓扑图,若当前确定出来的关键任务节点包括任务节点2,原本在任务节点1之后可以执行任务节点2或任务节点3,则此时优先执行任务节点2;若当前确定出来的关键任务节点包括任务节点5,原本在任务节点3之后可以执行任务节点5或任务节点6,则此时优先执行任务节点5;以此类推,相当于能够确定出优先执行的路径,提升任务调度能力;在一些实施例中,当同一个任务节点的多个后置任务节点均为关键任务节点时,还可以结合这些任务节点的信息量进一步确定优先执行的顺序,本申请并不以此为限。
通过根据该目标批量任务中的关键任务节点和预设任务调度规则,对该目标批量任务执行任务调度,有利于提升系统的任务调度能力,更加有序且科学合理地实现任务调度,使得批量任务的处理更加灵活可靠。
在本说明书实施例中,请参照图5所示的有向加权图,上述方法还可以包括:在根据该目标批量任务中的关键任务节点之后,在上述的有向加权图中进行关键任务节点标注;和/或;根据上述的关键任务节点确定该目标批量任务中的至少一个关键任务路径,并在上述的有向加权图中进行关键任务路径标注;之后还可以基于预设显示单元对上述标注后的有向加权图进行可视化显示,有利于直观展示批量任务中的关键任务节点和关键任务路径,以便根据实际应用需求灵活调整调度方案,提升任务分析的灵活性。
在本说明书实施例中,通过获取目标批量任务中多个任务节点的配置数据和运行数据;然后,根据上述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重,通过获取丰富的配置数据和运行数据,有利于后续利用丰富的数据进行进一步的任务分析,避免仅利用单个指标数据进行任务分析带来的局限性和片面性,综合各项指标进行任务分析,有利于提升任务分析的科学性和准确性。接着,基于上述多个关联指标的权重和上述每个任务节点的运行数据确定上述每个任务节点的重要度;基于上述多个任务节点的配置数据确定任务关联关系;根据上述任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量;最后,基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为上述目标批量任务中的关键任务节点,通过根据该任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量,有利于综合大量数据科学准确地进行任务节点信息量的计算,进而能够快速准确地确定目标批量任务中的关键任务节点,提升任务分析的准确性。通过基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为该目标批量任务中的关键任务节点,有利于结合实际应用需求灵活快速地确定目标批量任务中的关键任务节点,提升任务分析的灵活性和适应性。后续还可以根据该目标批量任务中的关键任务节点和预设任务调度规则,对该目标批量任务执行任务调度,有利于提升系统的任务调度能力,更加有序且科学合理地实现任务调度,使得批量任务的处理更加灵活可靠。
本申请实施例还提供了一种任务分析装置,如图9所示,上述装置可以包括:
数据获取模块910,用于获取目标批量任务中多个任务节点的配置数据和运行数据;
权重计算模块920,用于根据所述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重;
重要度确定模块930,用于基于所述多个关联指标的权重和所述每个任务节点的运行数据确定所述每个任务节点的重要度;
关联关系确定模块940,用于基于所述多个任务节点的配置数据确定任务关联关系;
信息量确定模块950,用于根据所述任务关联关系和所述多个任务节点的重要度确定所述每个任务节点的信息量;
关键任务节点确定模块960,用于基于所述多个任务节点的信息量和预设关键任务分析规则,从所述多个任务节点中确定至少一个任务节点作为所述目标批量任务中的关键任务节点。
在一些实施例中,所述每个任务节点的运行数据包括所述多个关联指标的指标值,上述的权重计算模块920可以包括:
指标值提取单元,用于遍历所述多个关联指标,在遍历到任一关联指标时,从所述多个任务节点的运行数据中提取当前遍历到的关联指标的指标值,得到所述当前遍历到的关联指标的指标值集合;
变异系数计算单元,用于根据所述指标值集合计算所述当前遍历到的关联指标的变异系数;
归一化单元,用于对所述当前遍历到的关联指标的变异系数进行归一化处理,得到所述当前遍历到的关联指标的权重。
在一个实施例中,上述的变异系数计算单元可以包括:
均值计算单元,用于根据所述指标值集合,计算所述当前遍历到的关联指标的均值;
标准差计算单元,用于根据所述指标值集合和所述当前遍历到的关联指标的均值,计算所述当前遍历到的关联指标的标准差;
变异系数确定单元,用于根据所述均值和所述标准差,确定所述当前遍历到的关联指标的变异系数。
在一个实施例中,上述的信息量确定模块950可以包括:
节点确定单元,用于遍历所述多个任务节点,在遍历到任一任务节点时,根据所述任务关联关系确定当前遍历到的任务节点的前置任务节点和后置任务节点;
重要度提取单元,用于从所述多个任务节点的重要度中提取所述当前遍历到的任务节点的重要度,以及所述前置任务节点的重要度;
第一互信息计算单元,用于根据所述任务关联关系,以及所述前置任务节点的重要度计算第一互信息;
第二互信息计算单元,用于根据所述任务关联关系,以及所述当前遍历到的任务节点的重要度计算第二互信息;
信息量计算单元,用于根据所述第一互信息和所述第二互信息确定所述当前遍历到的任务节点的信息量。
在一个实施例中,上述的数据获取模块910可以包括:
初始数据获取单元,用于获取目标批量任务中多个任务节点的初始配置信息和初始运行信息;
数据预处理单元,用于分别对所述初始配置信息和初始运行信息进行预处理,得到所述配置数据和运行数据。
在一个实施例中,上述的关键任务节点确定模块960可以包括:
排序单元,用于基于所述多个任务节点的信息量,将所述多个任务节点按照信息量从大到小的顺序排序;
关键任务节点确定单元,用于按照预设关键任务分析规则,从所述多个任务节点中选取信息量大小排名为前预设个数的任务节点作为所述目标批量任务中的关键任务节点。
在另一个实施例中,上述的关键任务节点确定模块960可以包括:
关键任务节点选取单元,用于按照预设关键任务分析规则,从所述多个任务节点中选取信息量大于预设阈值的任务节点作为所述目标批量任务中的关键任务节点。
在一个实施例中,上述装置还可以包括:
任务调度模块,用于根据所述目标批量任务中的关键任务节点和预设任务调度规则,对所述目标批量任务执行任务调度。
所述的装置实施例中的装置与方法实施例基于同样地申请构思。
本申请实施例提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的任务分析方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行,即上述计算机设备可以包括移动终端、计算机终端、服务器或者类似的运算装置。其中,上述的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统。以运行在服务器上为例,图10是本申请实施例提供的一种用于实现上述任务分析方法的服务器的硬件结构框图。如图10所示,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(CentralProcessing Units,CPU)1010(处理器1010可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1030,一个或一个以上存储应用程序1023或数据1022的存储介质1020(例如一个或一个以上海量存储设备)。其中,存储器1030和存储介质1020可以是短暂存储或持久存储。存储在存储介质1020的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1010可以设置为与存储介质1020通信,在服务器1000上执行存储介质1020中的一系列指令操作。服务器1000还可以包括一个或一个以上电源1060,一个或一个以上有线或无线网络接口1050,一个或一个以上输入输出接口1040,和/或,一个或一个以上操作系统1021,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
处理器1010可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
输入输出接口1040可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1000的通信供应商提供的无线网络。在一个实例中,输入输出接口1040包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口1040可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
操作系统1021可以包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。
本领域普通技术人员可以理解,图10所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器1000还可包括比图10中所示更多或者更少的组件,或者具有与图10所示不同的配置。
本申请的实施例还提供了一种计算机可读存储介质,所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种目标系统的扩容方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的任务分析方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的任务分析方法、装置、设备或存储介质的实施例可见,本申请中通过获取目标批量任务中多个任务节点的配置数据和运行数据;然后,根据上述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重,通过获取丰富的配置数据和运行数据,有利于后续利用丰富的数据进行进一步的任务分析,避免仅利用单个指标数据进行任务分析带来的局限性和片面性,综合各项指标进行任务分析,有利于提升任务分析的科学性和准确性。接着,基于上述多个关联指标的权重和上述每个任务节点的运行数据确定上述每个任务节点的重要度;基于上述多个任务节点的配置数据确定任务关联关系;根据上述任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量;最后,基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为上述目标批量任务中的关键任务节点,通过根据该任务关联关系和上述多个任务节点的重要度确定上述每个任务节点的信息量,有利于综合大量数据科学准确地进行任务节点信息量的计算,进而能够快速准确地确定目标批量任务中的关键任务节点,提升任务分析的准确性。通过基于上述多个任务节点的信息量和预设关键任务分析规则,从上述多个任务节点中确定至少一个任务节点作为该目标批量任务中的关键任务节点,有利于结合实际应用需求灵活快速地确定目标批量任务中的关键任务节点,提升任务分析的灵活性和适应性。后续还可以根据该目标批量任务中的关键任务节点和预设任务调度规则,对该目标批量任务执行任务调度,有利于提升系统的任务调度能力,更加有序且科学合理地实现任务调度,使得批量任务的处理更加灵活可靠。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种任务分析方法,其特征在于,所述方法包括:
获取目标批量任务中多个任务节点的配置数据和运行数据;
根据所述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重;
基于所述多个关联指标的权重和所述每个任务节点的运行数据确定所述每个任务节点的重要度;
基于所述多个任务节点的配置数据确定任务关联关系;
根据所述任务关联关系和所述多个任务节点的重要度确定所述每个任务节点的信息量;
基于所述多个任务节点的信息量和预设关键任务分析规则,从所述多个任务节点中确定至少一个任务节点作为所述目标批量任务中的关键任务节点。
2.根据权利要求1所述的方法,其特征在于,所述每个任务节点的运行数据包括所述多个关联指标的指标值,所述根据所述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重包括:
遍历所述多个关联指标,在遍历到任一关联指标时,从所述多个任务节点的运行数据中提取当前遍历到的关联指标的指标值,得到所述当前遍历到的关联指标的指标值集合;
根据所述指标值集合计算所述当前遍历到的关联指标的变异系数;
对所述当前遍历到的关联指标的变异系数进行归一化处理,得到所述当前遍历到的关联指标的权重。
3.根据权利要求2所述的方法,其特征在于,所述根据所述指标值集合计算所述当前遍历到的关联指标的变异系数包括:
根据所述指标值集合,计算所述当前遍历到的关联指标的均值;
根据所述指标值集合和所述当前遍历到的关联指标的均值,计算所述当前遍历到的关联指标的标准差;
根据所述均值和所述标准差,确定所述当前遍历到的关联指标的变异系数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述任务关联关系和所述多个任务节点的重要度确定所述每个任务节点的信息量包括:
遍历所述多个任务节点,在遍历到任一任务节点时,根据所述任务关联关系确定当前遍历到的任务节点的前置任务节点和后置任务节点;
从所述多个任务节点的重要度中提取所述当前遍历到的任务节点的重要度,以及所述前置任务节点的重要度;
根据所述任务关联关系,以及所述前置任务节点的重要度计算第一互信息;
根据所述任务关联关系,以及所述当前遍历到的任务节点的重要度计算第二互信息;
根据所述第一互信息和所述第二互信息确定所述当前遍历到的任务节点的信息量。
5.根据权利要求1所述的方法,其特征在于,所述获取目标批量任务中多个任务节点的配置数据和运行数据包括:
获取目标批量任务中多个任务节点的初始配置信息和初始运行信息;
分别对所述初始配置信息和初始运行信息进行预处理,得到所述配置数据和运行数据。
6.根据权利要求1所述的方法,其特征在于,所述基于所述多个任务节点的信息量和预设关键任务分析规则,从所述多个任务节点中确定至少一个任务节点作为所述目标批量任务中的关键任务节点包括:
基于所述多个任务节点的信息量,将所述多个任务节点按照信息量从大到小的顺序排序;
按照预设关键任务分析规则,从所述多个任务节点中选取信息量大小排名为前预设个数的任务节点作为所述目标批量任务中的关键任务节点;
或;
按照预设关键任务分析规则,从所述多个任务节点中选取信息量大于预设阈值的任务节点作为所述目标批量任务中的关键任务节点。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标批量任务中的关键任务节点和预设任务调度规则,对所述目标批量任务执行任务调度。
8.一种任务分析装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标批量任务中多个任务节点的配置数据和运行数据;
权重计算模块,用于根据所述多个任务节点的运行数据计算每个任务节点对应的多个关联指标的权重;
重要度确定模块,用于基于所述多个关联指标的权重和所述每个任务节点的运行数据确定所述每个任务节点的重要度;
关联关系确定模块,用于基于所述多个任务节点的配置数据确定任务关联关系;
信息量确定模块,用于根据所述任务关联关系和所述多个任务节点的重要度确定所述每个任务节点的信息量;
关键任务节点确定模块,用于基于所述多个任务节点的信息量和预设关键任务分析规则,从所述多个任务节点中确定至少一个任务节点作为所述目标批量任务中的关键任务节点。
9.一种任务分析设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一所述的任务分析方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的任务分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297905.1A CN112465321B (zh) | 2020-11-18 | 一种任务分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297905.1A CN112465321B (zh) | 2020-11-18 | 一种任务分析方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465321A true CN112465321A (zh) | 2021-03-09 |
CN112465321B CN112465321B (zh) | 2024-05-14 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298383A (zh) * | 2021-05-26 | 2021-08-24 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种资产评估方法、装置及电子设备 |
CN113489740A (zh) * | 2021-07-20 | 2021-10-08 | 山石网科通信技术股份有限公司 | 网络威胁情报信息的处理方法、装置、存储介质及处理器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819661A (zh) * | 2010-05-06 | 2010-09-01 | 中国人民解放军理工大学 | 复杂系统的决策支持能力评估分析方法 |
CN105933147A (zh) * | 2016-04-14 | 2016-09-07 | 北京空间飞行器总体设计部 | 一种卫星系统拓扑优化方法 |
US20180181446A1 (en) * | 2016-02-05 | 2018-06-28 | Sas Institute Inc. | Generation of directed acyclic graphs from task routines |
CN111061803A (zh) * | 2019-12-30 | 2020-04-24 | 北京三快在线科技有限公司 | 任务处理方法、装置、设备及存储介质 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819661A (zh) * | 2010-05-06 | 2010-09-01 | 中国人民解放军理工大学 | 复杂系统的决策支持能力评估分析方法 |
US20180181446A1 (en) * | 2016-02-05 | 2018-06-28 | Sas Institute Inc. | Generation of directed acyclic graphs from task routines |
CN105933147A (zh) * | 2016-04-14 | 2016-09-07 | 北京空间飞行器总体设计部 | 一种卫星系统拓扑优化方法 |
CN111061803A (zh) * | 2019-12-30 | 2020-04-24 | 北京三快在线科技有限公司 | 任务处理方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298383A (zh) * | 2021-05-26 | 2021-08-24 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种资产评估方法、装置及电子设备 |
CN113489740A (zh) * | 2021-07-20 | 2021-10-08 | 山石网科通信技术股份有限公司 | 网络威胁情报信息的处理方法、装置、存储介质及处理器 |
CN113489740B (zh) * | 2021-07-20 | 2023-10-27 | 山石网科通信技术股份有限公司 | 网络威胁情报信息的处理方法、装置、存储介质及处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11915104B2 (en) | Normalizing text attributes for machine learning models | |
CN108415845A (zh) | Ab测试系统指标置信区间的计算方法、装置和服务器 | |
CN112667376A (zh) | 任务调度处理方法、装置、计算机设备及存储介质 | |
CN104182278B (zh) | 一种判定计算机硬件资源繁忙程度的方法和装置 | |
CN106354616A (zh) | 监测应用执行性能的方法、装置及高性能计算系统 | |
JP3792879B2 (ja) | 並列実行システム | |
US20240036841A1 (en) | Method and Apparatus for Compatibility Detection, Device and Non-transitory computer-readable storage medium | |
CN110414569B (zh) | 聚类实现方法及装置 | |
CN110650170A (zh) | 用于推送信息的方法和装置 | |
CN113568759B (zh) | 一种基于云计算的大数据处理方法及其系统 | |
CN115080373A (zh) | 配电终端操作系统的性能检测方法、装置、设备及介质 | |
CN110751376A (zh) | 工单的分配调度方法、装置、计算机设备和存储介质 | |
CN116701001B (zh) | 目标任务分配方法、装置、电子设备及存储介质 | |
CN112465321B (zh) | 一种任务分析方法、装置、设备及存储介质 | |
CN112465321A (zh) | 一种任务分析方法、装置、设备及存储介质 | |
CN110362387B (zh) | 分布式任务的处理方法、装置、系统和存储介质 | |
CN115098238A (zh) | 一种应用程序任务调度方法及装置 | |
CN115169705A (zh) | 配送时长预测方法、装置、存储介质及计算机设备 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN113032225B (zh) | 数据中心的监控数据处理方法、装置、设备及存储介质 | |
CN112988122B (zh) | 基于功能特性与微服务关联度的单体应用分解工具及方法 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN114876731A (zh) | 风电场低效运行风电机组排查方法、系统、设备和介质 | |
CN114416583A (zh) | 一种自动化测试的工作量确定方法、装置、设备和存储介质 | |
CN114546652A (zh) | 一种参数预估方法、装置及电子设备 |
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 |