CN112866130B - 报文组包间隔调整方法及装置 - Google Patents
报文组包间隔调整方法及装置 Download PDFInfo
- Publication number
- CN112866130B CN112866130B CN202110351861.4A CN202110351861A CN112866130B CN 112866130 B CN112866130 B CN 112866130B CN 202110351861 A CN202110351861 A CN 202110351861A CN 112866130 B CN112866130 B CN 112866130B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- packet
- time
- determining
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种报文组包间隔调整方法及装置,涉及人工智能技术领域,方法包括:获取报文的组包时间;根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;根据确定的各时段的预测业务量对报文的组包间隔进行调整通过对历史上各时段的业务量进行学习,确定预测业务量。根据业务量调整作为组包间隔的参考依据,不断提高组包间隔的灵活性与合理性实现了系统的优化业务量高时系统组包效率提高同时业务量低时合理的节约带宽提高系统的资源利用率。
Description
技术领域
本发明涉及数据处理技术,具体的讲是一种报文组包间隔调整方法及装置。
背景技术
随着清算业务在银行系统业务量的比重越来越高,尤其是清算系统与国家支付交易系统直联,进行报文传递以及交互的性能要求越来越高,所以系统对报文的高效处理与传递就显得非常重要。
现有技术中,在各个商业银行内系统内与国家支付交易系统的报文交互都是通过将同类报文组包发送的方式,以小额报文为例,发送支付交易系统的小额报文的组包间隔都是固定的时间间隔,在节假日前夕等业务量高峰期间,由于业务量的剧增但组包间隔固定,这样容易导致组包效率较低的情况,如在空闲时间端,业务量较少,组包时间间隔还是按照原有的正常情况下处理,导致组包个数过多,进而占用了多余的网络带宽,影响系统的正常资源分配,从而浪费了系统资源。
发明内容
为提高组包效率,本发明提供了一种报文组包间隔调整方法,所述的方法包括:
获取报文的组包时间;
根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。
本发明实施例中,所述的方法还包括:预先确定业务量预测曲线;其包括:
获取历史业务量数据;
利用所述历史业务量数据构造并训练LSTM神经网络模型;
根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据;
根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。
本发明实施例中,所述的利用所述历史业务量数据构造并训练LSTM神经网络模型包括:
按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集;
根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。
本发明实施例中,所述的根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据包括:
根据训练后的LSTM神经网络模型,将最后输出层的上一层的隐含层的输出数据作为所述的历史业务量数据的潜在特征数据。
本发明实施例中,所述的根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线包括:
根据确定的潜在特征数据,将各时段的特征向量数据作为输入数据,其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型;
根据所述的潜在特征数据利用训练后的SVR模型生成预测数据;
对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。
同时,本发明还提供一种报文组包间隔调整装置,包括:
时间获取模块,用于获取报文的组包时间;
预测业务量确定模块,用于根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
间隔调整模块,用于根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。
本发明实施例中,所述的装置还包括:预测曲线确定模块,用于预先确定业务量预测曲线;其包括:
数据获取单元,用于获取历史业务量数据;
LSTM模型训练单元,用于利用所述历史业务量数据构造并训练LSTM神经网络模型;
潜在特征数据确定单元,用于根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据;
预测曲线确定单元,用于根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。
本发明实施例中,所述的LSTM模型训练单元包括:
分类单元,用于按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集;
训练单元,用于根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。
本发明实施例中,所述的预测曲线确定单元包括:
SVR模型训练单元,用于根据确定的潜在特征数据,将各时段的特征向量数据作为输入数据,其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型;
预测数据确定单元,用于根据所述的潜在特征数据利用训练后的SVR模型生成预测数据;
曲线生成单元,用于对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
本发明提供的报文组包间隔调整方法及装置,根据报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量,根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。通过对历史上各时段的业务量进行学习,确定预测业务量。根据业务量调整作为组包间隔的参考依据,不断提高组包间隔的灵活性与合理性实现了系统的优化业务量高时系统组包效率提高同时业务量低时合理的节约带宽提高系统的资源利用率。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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他的附图。
图1为本发明提供的报文组包间隔调整方法的流程图;
图2为本发明实施例中的框图;
图3为本发明实施例中的流程图;
图4为本发明实施例中的流程图;
图5为本发明提供的报文组包间隔调整装置的框图;
图6为本发明提供的报文组包间隔调整装置的框图;
图7为本发明实施例提供的电子设备实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
机器学习在各个领域的应用以及十分广泛,通过对大量的历史数据进行建模和算法处理,可以实现对结果的计算和预测。通过合理的对数据进行建模与训练,通过自我学习与认知,得出相应的规律和预测结果,从而解决问题。
为了解决资源浪费以及提高系统处理效率的问题,本发明通过人工智能学习算法,根据历史上各个时段的业务量数据进行分析后建立模型,对相应时间的业务量进行预测,并根据预测值调节系统的组包间隔,提供组包间隔的灵活性与合理性从而提高系统的性能和资源利用率。
如图1所示,为本发明提供的报文组包间隔调整方法的流程图,其包括:
步骤S101,获取报文的组包时间;
步骤S102,根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
步骤S103,根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。
本报文组包间隔调整方法,根据报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量,根据确定的确定组包时间内各时段的预测业务量对报文的组包间隔进行调整,克服了现有技术中,由于业务量的剧增但组包间隔固定,导致组包效率较低,浪费系统资源的问题。
具体的,本发明实施例中,该方法还包括:预先确定业务量预测曲线;其包括:
获取历史业务量数据;
利用所述历史业务量数据构造并训练LSTM神经网络模型;
根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据;
根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。
本发明实施例通过人工智能学习算法,根据历史上各个时段的业务量数据进行分析后建立模型,训练LSTM神经网络模型,根据训练后的LSTM神经网络模型确定历史业务量数据的潜在特征数据,根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线对相应时间的业务量进行预测,并根据业务量预测值调节组包间隔,提供组包间隔的灵活性与合理性从而提高系统的性能和资源利用率。
图2所示,为本发明一实施例中利用本发明提供的组包间隔调整方法进行跨行清算的系统的总体架构,包括:国家支付交易系统,跨行清算系统及人工智能平台组成。其中,
国家支付交易系统,用于接收跨行清算系统发送的业务报文对其进行相应的业务处理。
跨行清算系统,用于对各类业务报文进行分类组包并将组好的报文包发送给国家支付交易系统进行处理。
人工智能平台,用于对跨行清算系统的历史时期的业务量等数据进行采集分析并建立数据的样本空间,确定调整相应组包间隔实现自动优化处理。
如图2所示,国家支付交易系统、跨行清算系统及人工智能平台相互连接,人工智能平台对跨行清算系统的历史时期的业务量等数据进行采集分析并建立数据的样本空间,通过相应的算法对历史时期业务量数据进行分析进而得到对应时间段的业务量预测,并通知跨行清算系统调整相应组包间隔实现自动优化处理。
国家支付交易系统同时记录下此时跨行系统的资源利用情况,获取此时的资源利用率,同时反馈给人工智能系统,人工智能系统根据跨行系统收集到跨行系统的资源情况数据进行统一汇总,并将结果发送至国家支付交易系统,国家支付交易系统根据各系统的实际运行情况,及时调整带宽等资源的合理分配,使资源得到高效的应用,这样就让国家支付交易系统,跨行清算系统,人工智能系统相互配合调节使得整个链路系统相互调节,达到提高效率和合理资源分配的效果。
同时,人工智能系统根据跨行系统收集到跨行系统的资源和运行情况,将运行情况数据发送至国家支付交易系统,国家支付交易系统根据各系统的实际运行情况,及时调整带宽等资源的合理分配。
本发明实施例针对现有技术中的跨行清算系统与国家支付交易系统交互时在赋有带宽一定的情况下,组包间隔固定,导致业务量低的时候资源浪费以及业务量高时系统处理效率低的问题,通过人工智能学习算法,根据历史上各个时段的业务量数据进行分析后建立模型,对相应时间的业务量进行预测,并根据预测值调节系统的组包间隔,提供组包间隔的灵活性与合理性从而提高系统的性能和资源利用率。
本实施例的系统,人工智能系统获取报文的组包时间,根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;跨行清算系统根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。
同时记录下此时跨行系统的资源利用情况,获取此时的资源利用率,同时反馈给人工智能系统,人工智能系统根据跨行系统收集到跨行系统的资源情况数据进行统一汇总,与国家支付交易系统相互作用调节,达到提高效率和合理资源分配的效果
本发明提供的报文组包间隔调整方法,其预先确定业务量预测曲线,根据获取的历史业务量数据构造并训练LSTM神经网络模型,具体的,利用历史业务量数据构造并训练LSTM神经网络模型包括:
按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集;
根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。
本发明一实施例中,通过对历史数据进行建模最终达到最终的预测基线,从而实现对其业务量的预测,过程如下:
首先,对历史上各日期时间对应的业务量进行统计分析,对其历年的数据根据时段进行分类,建立样本空间G2,本实施例中,选择预设最近的时间段的数据构建样本空间G1作为监督数据集。本发明实施例中,通过设置其更新样本库的时间,保证数据的有效性和代表性。
如图3所示,为本发明实施例中提供是构建样本空间G1和G2的流程图。其包括:
设置实验样本空间的时间段及历史周期时间段,根据样本时间段建立样本空间G1;
根据历史周期取得相应时间的数据建立样本空间G2。
其次,建立样本数据集后进行建模算法处理,相对其他神经网络算法而言,LSTM模型具有方便序列建模,具备长时记忆能力,因此本发明实施例选择采用LSTM模型,按预设时段对历史业务量数据进行分类确定样本数据集和监督数据集,根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练,其过程如下:
对于G2数据集,设xti为ti时间段的业务量,对于历年的日期所对应的业务量为序列为:xt1,xt2,..xt(k+1),...xtn,未来某一时间段的业务量一般与对应的历史时期数据具有相关性,对输入的业务量序列进行建模构造LSTM神经网络模型。
本实施例中,以G1数据集作为监督数据集,设置历史时间序列窗口大小设置为k,对应的滑动步长设置为1,对于每一个节点,输入数据为xti,xt(i+1),..xt(i+k-1),标签数据为xt(i+k)。则,对应输入数据有矩阵:
对应输出矩阵为:
其中,m为训练后的LSTM模型的节点数目。
本发明实施例中,在训练过程中损失函数设定为均方差函数,优化器为随机梯度下降(sgd),从而得到训练完毕的LSTM网络模型。
对于以上得到的训练网络模型,取最后输出层上一层的隐含层的输出作为业务量的数据的潜在特征;
对于每一条输入数据样本,通过模型均产生一条特征向量,对于隐含层的神经元节点数目为m的LSTM模型,则整个输出特征维度为(n-k)×m,输出向量矩阵为:
则为输入数据的潜在特征。通过LSTM模型的作用是确定输入数据的潜在特征,本实施例中,将潜在特征数据作为业务量预测模型的输入数据,采用支持向量机进行回归分析得到输入与输出的依赖关系。
另外,本发明实施例中,根据LSTM模型确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线包括:
根据确定的潜在特征数据,将各时段的特征向量数据作为输入数据,其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型;
根据所述的潜在特征数据利用训练后的SVR模型生成预测数据;
对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。
如图4所示,为本实施例中提供的确定预测值的流程图。其包括:
获取个历史时刻的业务量样本;
建立LSTM网络模型;
输入样本数据对LSTM模型进行训练;
得到特征输出向量,作为SVR模型的输入数据;
归一化处理得到预测值。
具体的,本发明实施例中,获得到输入数据的特征后,对于数据的预测本实施例中通常采用支持向量机对样本数据进行预测处理从而得到预测回归函数,其原理如下:
1、假定x是输入的样本数据,y是与输入样本数据对应的输出值,则回归分析的实质就是得出正确表征输入向量x与输出向量y之间依赖关系的函数关系f(x),根据支持向量模型有:
其中,K(xi,x)是核函数,xi是输入的第i个样本,a为拉格朗日乘子,b为偏移m为LSTM模型的节点数目。
本实施例中,依赖关系函数的作用就是通过输入来训练得到对应的输出值,对其进行多次训练得到结果最终取均值进行归一化拟合得到预测曲线。依赖函数关系即为后面的svr模型,此处是单个序列,svr模型是多个序列。
2、则对于业务量预测序列X=(xt1,xt2,...xtk,xt(k+1),...xm),经过模型训练完后得出特征输出为H=Φ(X),其中,Φ表征LSTM模型。
3、将得到的输出特征向量H=Φ(X)作为SVR模型的输入,以下一时间段的业务量进行监督训练,得到预测模型即xtn+t=f(H),f为表征SVR模型。
本实施例中,利用SVR模型建立模型确立依赖关系,得到预测值,对预测值进行归一化处理拟合得到预测曲线。最后将预测数据进行归一化处理得到实际预测值拟合得到预测曲线,将模型训练得到的特征输出作为输入,进行支持向量机归一化拟合后得到预测曲线。
另外,由于每年的农历节假日的日期会有变化,所以为了减小误差,本发明实施例中,业务量预测曲线包括:节假日业务量预测曲线和非节假日预测曲线,即利用与上同样的预测曲线确定方法对农历节假日、非节假日数据分别进行建模处理,分别得到节假日业务量预测曲线Y2和非节假日预测曲线Y1,将节假日业务量预测曲线Y2作为非节假日预测曲线Y1的补偿。
则对未来某时间的预测,首先判断组包时间是否是农历节假日,如果不是则根据Y1曲线预测,如果是则根据Y2预测。
得到样本估计后系统再根据每个时间段业务量的多少来调节组包间隔与每个包的组包笔数,当业务量大时结合系统资源利用率减小组包间隔和加大组包笔数,当业务量小时增大组包间隔,减小组包笔数,从而根据业务量的多少实现自动调节系统组包间隔和组包笔数实现系统的灵活性与合理化。根据组包时间的时段和业务曲线确定预测各时段的业务量,得到了业务量预测值,就可以根据每个时间段的业务量的多少,从而来调节组包间隔。
具体的,本发明实施例中,业务量的大小,通过设置预设的阈值是根据具体情况来定的,一般结合正常时间段的业务量的均值作为对比。如业务量预测值大于预设的阈值,缩小组包间隔,业务量预测值小于预设的阈值,则延长组包间隔,减少组包个数,实现系统的正常资源分配,从而避免浪费系统资源。
本发明还提供一种报文组包间隔调整装置,如图5所示,包括:
时间获取模块501,用于获取报文的组包时间;
预测业务量确定模块502,用于根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
间隔调整模块503,用于根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。
本发明实施例中,如图6所示,报文组包间隔调整装置还包括:预测曲线确定模块504,用于预先确定业务量预测曲线;
具体的,预测曲线确定模块504包括:
数据获取单元,用于获取历史业务量数据;
LSTM模型训练单元,用于利用所述历史业务量数据构造并训练LSTM神经网络模型;
潜在特征数据确定单元,用于根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据;
预测曲线确定单元,用于根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。
LSTM模型训练单元包括:
分类单元,用于按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集;
训练单元,用于根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。
预测曲线确定单元包括:
SVR模型训练单元,用于根据确定的潜在特征数据,将各时段的特征向量数据作为输入数据,其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型;
预测数据确定单元,用于根据所述的潜在特征数据利用训练后的SVR模型生成预测数据;
曲线生成单元,用于对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。
对本领域技术人员而言,通过前述实施例的描述,可清楚获知本发明提供的报文组包间隔调整装置的实现方式,在此不再赘述,需要说明的是本发明涉及人工智能技术领域,本发明提供的报文组包间隔调整装置方法和装置可用于金融领域在报文组包间隔调整,也可用于除金融领域之外的任意领域报文组包间隔的调整,本公开报文组包间隔调整的方法和装置的应用领域不做限定。
本实施例还提供一种电子设备,该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照前述方法及装置的实施例,其内容被合并于此,重复之处不再赘述。
图7为本发明实施例的电子设备600的系统构成的示意框图。如图7所示,该电子设备600可以包括中央处理器100和存储器140;存储器140耦合到中央处理器100。值得注意的是,该图是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,报文组包间隔调整功能可以被集成到中央处理器100中。其中,中央处理器100可以被配置为进行如下控制:
获取报文的组包时间;
根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。
在另一个实施方式中,报文组包间隔调整装置可以与中央处理器100分开配置,例如可以将报文组包间隔调整装置配置为与中央处理器100连接的芯片,通过中央处理器的控制来实现报文组包间隔调整功能。
如图7所示,该电子设备600还可以包括:通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是,电子设备600也并不是必须要包括图7中所示的所有部件;此外,电子设备600还可以包括图7中没有示出的部件,可以参考现有技术。
如图7所示,中央处理器100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中,存储器140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序,以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142,该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143,该数据存储部143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132,以经由扬声器131提供音频输出,并接收来自麦克风132的音频输入,从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器130还耦合到中央处理器100,从而使得可以通过麦克风132能够在本机上录音,且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读程序,其中当在电子设备中执行所述程序时,所述程序使得计算机在所述电子设备中执行如上面实施例所述的报文组包间隔调整方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的报文组包间隔调整。
本发明根据报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量,根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。通过对历史上各时段的业务量进行学习,确定预测业务量。根据业务量调整作为组包间隔的参考依据,不断提高组包间隔的灵活性与合理性实现了系统的优化业务量高时系统组包效率提高同时业务量低时合理的节约带宽提高系统的资源利用率。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种报文组包间隔调整方法,其特征在于,所述的方法包括:
获取报文的组包时间;
预先确定业务量预测曲线;
根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
根据确定的各时段的预测业务量对报文的组包间隔进行调整;
所述预先确定业务量预测曲线,包括:
获取历史业务量数据;
利用所述历史业务量数据构造并训练LSTM神经网络模型;
根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据;
根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线;
所述的根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据包括:
根据训练后的LSTM神经网络模型,将最后输出层的上一层的隐含层的输出数据作为所述的历史业务量数据的潜在特征数据。
2.如权利要求1所述的报文组包间隔调整方法,其特征在于,所述的利用所述历史业务量数据构造并训练LSTM神经网络模型包括:
按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集;
根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。
3.如权利要求1所述的报文组包间隔调整方法,其特征在于,所述的根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线包括:
根据确定的潜在特征数据,将各时段的特征向量数据作为输入数据,其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型;
根据所述的潜在特征数据利用训练后的SVR模型生成预测数据;
对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。
4.一种报文组包间隔调整装置,其特征在于,所述的装置包括:
时间获取模块,用于获取报文的组包时间;
预测曲线确定模块,用于预先确定业务量预测曲线;
预测业务量确定模块,用于根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量;
间隔调整模块,用于根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整;
所述预测曲线确定模块,包括:
数据获取单元,用于获取历史业务量数据;
LSTM模型训练单元,用于利用所述历史业务量数据构造并训练LSTM神经网络模型;
潜在特征数据确定单元,用于根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据;
预测曲线确定单元,用于根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线;
所述的根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据包括:
根据训练后的LSTM神经网络模型,将最后输出层的上一层的隐含层的输出数据作为所述的历史业务量数据的潜在特征数据。
5.如权利要求4所述的报文组包间隔调整装置,其特征在于,所述的LSTM模型训练单元包括:
分类单元,用于按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集;
训练单元,用于根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。
6.如权利要求4所述的报文组包间隔调整装置,其特征在于,所述的预测曲线确定单元包括:
SVR模型训练单元,用于根据确定的潜在特征数据,将各时段的特征向量数据作为输入数据,其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型;
预测数据确定单元,用于根据所述的潜在特征数据利用训练后的SVR模型生成预测数据;
曲线生成单元,用于对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3任一项所述方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至3任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351861.4A CN112866130B (zh) | 2021-03-31 | 2021-03-31 | 报文组包间隔调整方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351861.4A CN112866130B (zh) | 2021-03-31 | 2021-03-31 | 报文组包间隔调整方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112866130A CN112866130A (zh) | 2021-05-28 |
CN112866130B true CN112866130B (zh) | 2023-03-21 |
Family
ID=75991984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110351861.4A Active CN112866130B (zh) | 2021-03-31 | 2021-03-31 | 报文组包间隔调整方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112866130B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656806A (zh) * | 2014-11-14 | 2016-06-08 | 中兴通讯股份有限公司 | 一种实现mac层接入的方法及传感器节点 |
CN108024287A (zh) * | 2016-11-01 | 2018-05-11 | 北京三星通信技术研究有限公司 | 拥塞控制的方法及设备 |
CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
CN112312411A (zh) * | 2019-07-29 | 2021-02-02 | 中国移动通信集团广东有限公司 | VoLTE业务的业务量预测方法和终端设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
UA94059C2 (uk) * | 2005-08-24 | 2011-04-11 | Квелкомм Инкорпорейтед | Змінні інтервали часу передачі для системи радіозв'язку |
US9438501B2 (en) * | 2006-08-21 | 2016-09-06 | Lenovo Enterprise Solutions (Singapore) Pte. Ltd. | Multi-scale network traffic generator |
CN101459933B (zh) * | 2009-01-04 | 2010-11-10 | 北京航空航天大学 | 拥塞控制方法 |
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN109002925A (zh) * | 2018-07-26 | 2018-12-14 | 北京京东金融科技控股有限公司 | 业务量预测方法和装置 |
CN110889545A (zh) * | 2019-11-20 | 2020-03-17 | 国网重庆市电力公司电力科学研究院 | 一种电力负荷预测方法、装置及可读存储介质 |
-
2021
- 2021-03-31 CN CN202110351861.4A patent/CN112866130B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656806A (zh) * | 2014-11-14 | 2016-06-08 | 中兴通讯股份有限公司 | 一种实现mac层接入的方法及传感器节点 |
CN108024287A (zh) * | 2016-11-01 | 2018-05-11 | 北京三星通信技术研究有限公司 | 拥塞控制的方法及设备 |
CN112312411A (zh) * | 2019-07-29 | 2021-02-02 | 中国移动通信集团广东有限公司 | VoLTE业务的业务量预测方法和终端设备 |
CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112866130A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110990138B (zh) | 资源调度方法、装置、服务器及存储介质 | |
CN108089921A (zh) | 用于云端大数据运算架构的服务器及其运算资源最佳化方法 | |
CN112667400A (zh) | 边缘自治中心管控的边云资源调度方法、装置及系统 | |
CN112817694A (zh) | 分布式系统的自动负载均衡方法及装置 | |
CN112966878A (zh) | 一种贷款逾期预测、学习方法及装置 | |
CN116541106A (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN113467525A (zh) | 接口调用流量控制方法及装置 | |
CN105045873B (zh) | 一种数据文件的推送方法、装置及系统 | |
CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
CN107483634B (zh) | 一种负载均衡方法以及系统 | |
CN114124962A (zh) | 多机房消息负载均衡处理方法及装置 | |
CN114020469A (zh) | 基于边缘节点的多任务学习方法、装置、介质与设备 | |
CN112866130B (zh) | 报文组包间隔调整方法及装置 | |
CN112734565A (zh) | 流动性覆盖率预测方法及装置 | |
CN112396511A (zh) | 分布式风控变量数据处理方法、装置及系统 | |
CN112035066A (zh) | 日志保留时长的计算方法及装置 | |
CN114073112A (zh) | 认知地控制数据传送 | |
CN111738761A (zh) | 营销信息处理方法及装置 | |
CN109960572B (zh) | 设备资源管理方法和装置以及智能终端 | |
CN112887219B (zh) | 报文组包间隔调整方法及装置 | |
CN103873388A (zh) | 一种网络内容控制方法和网络设备 | |
CN114936089A (zh) | 资源调度方法、系统、设备及存储介质 | |
CN113850390A (zh) | 联邦学习系统中共享数据的方法、装置、设备及介质 | |
CN113762972A (zh) | 数据存储控制方法及装置、电子设备、存储介质 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 |
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 |