CN113179334B - 服务器选择方法、装置及计算机可读介质 - Google Patents
服务器选择方法、装置及计算机可读介质 Download PDFInfo
- Publication number
- CN113179334B CN113179334B CN202110730791.3A CN202110730791A CN113179334B CN 113179334 B CN113179334 B CN 113179334B CN 202110730791 A CN202110730791 A CN 202110730791A CN 113179334 B CN113179334 B CN 113179334B
- Authority
- CN
- China
- Prior art keywords
- server
- score
- index
- determining
- alternative
- 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
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及服务器选择方法、装置及计算机可读介质。确定至少一个备选服务器;获取预设的至少一种服务器指标以及对应不同服务器指标的权重;确定每个备选服务器的每个服务器指标的得分;根据预设的每个服务器指标的得分最低值,排除任一服务器指标的得分低于该服务器指标的得分最低值的备选服务器;对剩余的备选服务器,均执行:根据权重和每个服务器指标的得分分别计算各服务器指标的加权分数;将各服务器指标的加权分数相加,获得各备选服务器的指标总分;选择指标总分最高的备选服务器作为目标服务器。本发明提供的方案能够克服了目前金融行业选择服务器时未结合自身的业务发展方向和具体的模式的不足。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及服务器选择方法、装置及计算机可读介质。
背景技术
随着金融市场的快速发展,金融产品日益丰富,近年来,金融行业拥有客户流量大,数据保密性要求高,极易遭受黑客攻击等特点。因此,金融行业在服务器的选择上也提出了很高的要求。
目前,金融行业对于服务器的选择并未结合实际业务需求,由于金融行业包括的上述特点,金融行业对服务器的需求无法与其他行业等量齐观。因此,金融行业在选择服务器时,如何结合自身的业务发展方向和具体的模式合理地选择适合的服务器成为亟待解决的问题。
发明内容
本发明要解决的技术问题在于,针对现有技术金融行业选择服务器时未结合自身的业务发展方向和具体的模式,提供服务器选择方法、装置及计算机可读介质。
第一方面,本发明实施例提供了服务器选择方法,包括:
确定至少一个备选服务器;
获取预设的至少一种服务器指标以及对应不同服务器指标的权重,其中,每种服务器指标表征一种服务器对金融业务产生影响的因素,所述服务器指标包括:交易性能、硬件性能、部署地点和稳定性中的一种或多种;
确定每个备选服务器的每个服务器指标的得分;
根据预设的每个服务器指标的得分最低值,排除任一服务器指标的得分低于该服务器指标的得分最低值的备选服务器;
对剩余的备选服务器,均执行:
根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数;
将各服务器指标的加权分数相加,获得各备选服务器的指标总分;
选择指标总分最高的备选服务器作为目标服务器。
优选地,
当所述服务器指标包括交易性能时,所述确定每个备选服务器的每个服务器指标的得分,包括:
发送N条性能测试交易至当前备选服务器,其中N为大于0的正整数;
接收当前备选服务器返回的监测报告,所述监测报告为当前备选服务器处理所述N条性能测试交易的过程数据;
根据所述监测报告判断当前备选服务器在处理所述N条性能测试 交易的过程中出现异常的数量;
根据预设的交易性能得分规则,确定当前备选服务器交易性能指标的得分,其中,所述交易性能得分规则中包括交易性能指标的总分及每出现一异常交易的扣分值。
优选地,
当所述服务器指标包括部署地点时,所述确定每个备选服务器的每个服务器指标的得分,包括:
确定所述金融业务的M个业务地区,M为大于0的正整数;
确定业务地区的中心经纬度坐标;
确定当前备选服务器的经纬度坐标;
确定所述中心经纬度坐标与当前备选服务器的经纬度坐标的目标距离值;
根据预设的距离值区间与得分值的对应关系,确定所述目标距离值所属的距离值区间对应的得分值,将该得分值作为部署地点指标的得分;
其中,所述确定M个业务地区的中心经纬度坐标包括:
当M为1时,确定业务地区的中心点的经纬度坐标作为所述中心经纬度坐标;
当M为2时,确定各业务地区的中心点连线的中点的经纬度坐标作为所述中心经纬度坐标;
当M大于2时,确定各业务地区的中心点连线构成图形的重心的经纬度坐标作为所述中心经纬度坐标。
优选地,
当所述服务器指标包括硬件性能时,所述确定每个备选服务器的每个服务器指标的得分,包括:
获取当前备选服务器在当前时刻之前的至少两个历史时刻的硬件数据;所述硬件数据包括:CPU使用率,内存使用率,带宽和硬盘数据的一种或多种;
基于所述至少两个历史时刻的硬件数据,计算每个硬件数据基于所述至少两个历史时刻的平均变化率;
基于预设的权重分配策略确定每种硬件数据的权重系数;
基于所述每个硬件数据的权重系数和所述每种硬件数据的平均变化率,确定当前备选服务器的硬件性能指标的得分。
优选地,
当所述服务器指标包括稳定性时,所述确定每个备选服务器的每个服务器指标的得分,包括:
将当前备选服务器的当前时刻之前的预设时间段内的至少一条运行数据输入预先训练的分类器中;该分类器通过作为输入的运行数据与作为输出的样本分类结果,训练得到;
记录分类结果为异常的运行数据,根据预设的稳定性得分规则,确定当前备选服务器稳定性指标的得分,其中,所述稳定性得分规则中包括稳定性指标的总分及每出现一条运行数据的扣分值;
所述分类器通过如下方式训练:
获取正常运行数据样本集和异常运行数据样本集;其中,所述样本正常运行数据样本集中包括正常运行对应的至少一个特征数据,所述异常运行数据样本集中包括异常运行时对应的至少一个特征数据;
利用正常运行数据样本集和异常运行数据样本集对所述分类器进行训练;其中,在将所述正常运行数据样本集作为所述分类器的输入时,将正常运行分类结果作为所述分类器的输出;在将所述异常运行数据样本集作为所述分类器的输入时,将异常运行分类结果作为所述分类器的输出。
优选地,
所述根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数,包括:
确定每一个服务器指标对应的权重;
计算所述权重和每个服务器指标的得分的乘积,得到各服务器指标的加权分数。
第二方面,本发明实施例提供了服务器选择装置,包括:
确定模块,用于确定至少一个备选服务器;
获取模块,用于获取预设的至少一种服务器指标以及对应不同服务器指标的权重,其中,每种服务器指标表征一种服务器对金融业务产生影响的因素,所述服务器指标包括:交易性能、硬件性能、部署地点和稳定性中的一种或多种;
处理模块,用于确定每个备选服务器的每个服务器指标的得分;
根据预设的每个服务器指标的得分最低值,排除任一服务器指标的得分低于该服务器指标的得分最低值的备选服务器;
对剩余的备选服务器,均执行:
根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数;
将各服务器指标的加权分数相加,获得各备选服务器的指标总分;
选择指标总分最高的备选服务器作为目标服务器。
第三方面,本发明实施例提供了服务器选择装置,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行上述第一方面中任一所述的方法。
第四方面,本发明实施例提供了计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行上述第一方面中任一所述的方法。
本发明实施例提供了服务器选择方法、装置及计算机可读介质。首先确定作为至少一个待评估的备选服务器,由于金融业务的服务器与其他行业不同,需要结合自身实际的业务需求来进行选择,在选择服务器时,需要考虑多方面的因素,因此,预先根据多种对金融业务会产生影响的因素设置多种服务器指标,并根据各个指标分别对金融业务的影响力来设置其对应的权重。确定每个备选服务器的每个服务器指标的得分,一旦出现某一服务器指标的得分过低,则说明该服务器某一方面的短板严重,由于金融业务对服务器的要求是多样的,因此缺点过于突出的服务器不能够被选择。在进行第一次筛选后,根据预设的各服务器指标的权重,计算剩余的备选服务器各指标的加权分数,并相加起来得到每个备选服务器的指标总分,总分最高的目标服务器为最适合的,选择该服务器进行金融业务的处理。由此可见,本发明实施例中通过设置多种会对金融业务产生影响的服务器指标,并设置每一服务器指标的权重,通过筛选掉不合格的服务器并根据权重计算待选服务器的得分来选择最适合的服务器,从而克服了目前金融行业选择服务器时未结合自身的业务发展方向和具体的模式的不足。
附图说明
图1是本发明一实施例提供的服务器选择方法的流程图;
图2是本发明一实施例提供的服务器选择装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
近年来,金融行业拥有客户流量大,数据保密性要求高,极易遭受黑客攻击等特点。同时,不像其它行业服务器的访问有闲有忙,金融行业面对的是全球化的业务,并且访问需求可能是24小时的,因此对服务器能否处于长时间高访问状态、部署地点和响应时间提出了要求。目前,金融行业对于服务器的选择并未结合实际业务需求,由于金融行业包括的上述特点,金融行业对服务器的需求无法与其他行业等量齐观。因此,金融行业在选择服务器时,如何结合自身的业务发展方向和具体的模式合理的选择适合的服务器成为亟待解决的问题。
下面结合附图来对本发明各个实施例提供的服务器选择方法、装置及计算机可读介质作详细说明:
如图1所示,本发明一实施例提供了服务器选择方法,该方法包括以下步骤:
步骤101:确定至少一个备选服务器;
步骤102:获取预设的至少一种服务器指标以及对应不同服务器指标的权重,其中,每种服务器指标表征一种服务器对金融业务产生影响的因素,服务器指标包括:交易性能、硬件性能、部署地点和稳定性中的一种或多种;
步骤103:确定每个备选服务器的每个服务器指标的得分;
步骤104:根据预设的每个服务器指标的得分最低值,排除任一服务器指标的得分低于该服务器指标的得分最低值的备选服务器;
步骤105:根据权重和每个服务器指标的得分分别计算各服务器指标的加权分数;将各服务器指标的加权分数相加,获得各备选服务器的指标总分;
步骤106:选择指标总分最高的备选服务器作为目标服务器。
在本发明实施例中,首先确定作为至少一个待评估的备选服务器,由于金融业务的服务器与其他行业不同,需要结合自身实际的业务需求来进行选择,在选择服务器时,需要考虑多方面的因素,因此,预先根据多种对金融业务会产生影响的因素设置多种服务器指标,并根据各个指标分别对金融业务的影响力来设置其对应的权重。确定每个备选服务器的每个服务器指标的得分,一旦出现某一服务器指标的得分过低,则说明该服务器某一方面的短板严重,由于金融业务对服务器的要求是多样的,因此缺点过于突出的服务器不能够被选择。在进行第一次筛选后,根据预设的各服务器指标的权重,计算剩余的备选服务器各指标的加权分数,并相加起来得到每个备选服务器的指标总分,总分最高的目标服务器为最适合的,选择该服务器进行金融业务的处理。由此可见,本发明实施例中通过设置多种会对金融业务产生影响的服务器指标,并设置每一服务器指标的权重,通过筛选掉不合格的服务器并根据权重计算待选服务器的得分来选择最适合的服务器,从而克服了目前金融行业选择服务器时未结合自身的业务发展方向和具体的模式的不足。
在本发明一实施例中,当所述服务器指标包括交易性能时,所述确定每个备选服务器的每个服务器指标的得分,包括:
发送N条性能测试交易至当前备选服务器,其中N为大于0的正整数;
接收当前备选服务器返回的监测报告,所述监测报告为当前备选服务器处理所述N条性能测试交易的过程数据;
根据所述监测报告判断当前备选服务器在处理所述N条性能测试 交易的过程中出现异常的数量;
根据预设的交易性能得分规则,确定当前备选服务器交易性能指标的得分,其中,所述交易性能得分规则中包括交易性能指标的总分及每出现一异常交易的扣分值。
具体地,如前文所述,由于金融服务器会持续不断的进行交易的处理,因此交易性能为金融服务器一个较为重要的指标。在实际业务处理中,同一时刻可能会同时收到多条交易,因此,发送N条性能测试交易至每个备选服务器,并监测这些交易是否出现异常。接收备选服务器在处理N条性能测试交易后产生的监测报告,根据监测报告判断当前备选服务器在处理所述N条性能测试交易的过程中出现异常的数量,根据预设的交易性能得分规则,确定备选服务器交易性能指标的得分,每出现一条性能测试交易异常,则扣除一定的分数,比如,交易性能指标的总分为100,性能测试交易的数量为10,每出现一条性能测试交易异常,则扣除10分,结合前一实施例中,可以针对扣分设置一个上限,若出现了3条以上性能测试交易异常,即得分低于70分,该备选服务器不合格,被排除出备选。
在本发明一实施例中,当所述服务器指标包括部署地点时,所述确定每个备选服务器的每个服务器指标的得分,包括:
确定所述金融业务的M个业务地区,M为大于0的正整数;
确定M个业务地区的中心经纬度坐标;
确定当前备选服务器的经纬度坐标;
确定所述中心经纬度坐标与当前备选服务器的经纬度坐标的目标距离值;
根据预设的距离值区间与得分值的对应关系,确定所述目标距离值所属的距离值区间对应的得分值,将该得分值作为部署地点指标的得分。
其中,所述确定M个业务地区的中心经纬度坐标包括:
当M为1时,确定业务地区的中心点的经纬度坐标作为所述中心经纬度坐标;
当M大于2时,确定各业务地区的中心点连线的中点的经纬度坐标作为所述中心经纬度坐标;
当M大于2时,确定各业务地区的中心点连线构成图形的重心的经纬度坐标作为所述中心经纬度坐标。
具体地,用户访问服务器都是通过线路和信号,这些数据的传播都是需要时间的,所以用户的位置距离服务器的地理位置越近,传播的时间就会自然缩短,访问的速度无形之中就加快了很多。比如同一个网站打开的快慢,服务器距离用户越近,打开的速度相对越快,距离远的话延迟就越大,因此在选择服务器的时候,要尽量选择与业务相关地区的距离较近的服务器。当需要服务的金融业务针对的地区仅为1个地区时,以该地区地理位置的中心点代表该地区,确定中心点的经纬度坐标作为前述中心经纬度坐标,根据备选服务器的经纬度坐标与该中心经纬度坐标的目标距离值,进行打分,比如,满分为100,目标距离值每达到100km,扣除5分。当金融业务涉及的业务地区为两个时,首先确定两个业务地区的中心点,再将这两个中心点连接,以该连线的中点的经纬度坐标作为前述中心经纬度坐标,再计算目标距离值获得部署地点指标的得分。举例来说,若一服务器需要服务的区域为京津地区,首先通过外部的地理服务器确定北京市和天津市各自的中心点的经纬度坐标,再取两个中心点的连线的中点,该点坐标的经纬度即为中心经纬度坐标。当金融业务涉及的业务地区数量M大于2时,表示业务地区数量较多,可以确定各中心点连线构成图形的重心的经纬度坐标作为中心经纬度坐标。例如当需要服务的金融业务的业务区域为北京、天津和上海时,首先通过外部的地理服务器分别获取北京市、天津市和上海市各自的中心点的经纬度坐标,将上述三个中心点连接,得到三角形,再获取该三角形的重心的经纬度坐标作为前述中心经纬度坐标。若地区数量超过4时,同样可以确定各地区中心点连线形成的封闭图形的重心来确定,该重心的经纬度坐标即为中心经纬度坐标。如前文中所述,目标距离值越大,备选服务器的得分就越低。此外,服务器的租用地域也要考虑到地域平稳的地方。服务器机房一般都是建设在中原地区或者是自然灾害偏少的地区,这样避开了一些不可避免的因素,像台风、地震、泥石流、洪水等等,而且越是平稳的地域电力的供应,网络信号的供应越是充足,足以给机房内的服务器提供稳定可靠的保障。
在本发明一实施例中,
当所述服务器指标包括硬件性能时,所述确定每个备选服务器的每个服务器指标的得分,包括:
获取当前备选服务器在当前时刻之前的至少两个历史时刻的硬件数据;所述硬件数据包括:CPU使用率,内存使用率,带宽和硬盘数据的一种或多种;
基于所述至少两个历史时刻的硬件数据,计算每个硬件数据基于所述至少两个历史时刻的平均变化率;
基于预设的权重分配策略确定每种硬件数据的权重系数;
基于所述每个硬件数据的权重系数和所述每种硬件数据的平均变化率,确定当前备选服务器的硬件性能指标的得分。
举例来说,采集备选服务器的当前时刻(例如10:00)之前的3个历史时刻(例如9:58:56、9:58:58、10:00:00)的硬件数据,其中,所采集的硬件数据包括CPU使用率、内存使用率、带宽和硬盘数据等。预设权重分配策略可以是将变化最明显的一个硬件数据(例如CPU使用率)赋予较高的权重系数,例如权重系数为85%,其他各个硬件数据赋予较低的权重系数。基于每个硬件数据的权重系数和每个硬件数据的平均变化率,计算备选服务器的硬件数据总变化率;基于硬件数据总变化率,确定备选服务器的硬件性能指标的得分。
在本发明一实施例中,当所述服务器指标包括稳定性时,所述确定每个备选服务器的每个服务器指标的得分,包括:
将当前备选服务器的当前时刻之前的预设时间段内的至少一条运行数据输入预先训练的分类器中;该分类器通过作为输入的运行数据与作为输出的样本分类结果,训练得到;
记录分类结果为异常的运行数据,根据预设的稳定性得分规则,确定当前备选服务器稳定性指标的得分,其中,所述稳定性得分规则中包括稳定性指标的总分及每出现一条运行数据的扣分值;
所述分类器通过如下方式训练:
获取正常运行数据样本集和异常运行数据样本集;其中,所述样本正常运行数据样本集中包括正常运行对应的至少一个特征数据,所述异常运行数据样本集中包括异常运行时对应的至少一个特征数据;
利用正常运行数据样本集和异常运行数据样本集对所述分类器进行训练;其中,在将所述正常运行数据样本集作为所述分类器的输入时,将正常运行分类结果作为所述分类器的输出;在将所述异常运行数据样本集作为所述分类器的输入时,将异常运行分类结果作为所述分类器的输出。
具体地,分类器是通过将正常运行数据样本集和异常运行数据样本集通过机器学习的方法进行训练,其目的是生成一个具有识别目标能力的分类器;本发明实施例中采用的是CART分类树算法对数据集进行训练;以CART(Classification And Regression Tree)决策树作为机器学习方法,即误差函数为基尼系数的决策树算法为例,应当理解本发明实施例还可以应用深度神经网络(Deep Neural Networks,DNN)、支持向量机(SupportVector Machine,SVM)等其他机器学习算法。
CART分类树算法的流程包括:
采集大量特征数据样本集,对每个特征向量标记其类别,例如,正常运行数据标记为1,异常运行数据标记为-1;将标记好类别的特征数据随机划分为验证集和训练集。
本实施例中,令训练集占90%,验证集占10%;
对应的训练方法对训练集进行训练。
本实施例中,采用CART决策树生成算法对训练集进行训练,生成CART 决策树。
根据验证集采用决策树后剪枝算法决策树进行后剪枝,得到分类器。
具体的,对生成的CART决策树进行后剪枝(Postpruning)处理,提高其泛化(Generalization)能力,所得到的剪枝后的决策树即为分类器。
应当理解的是,本实施例中采用了CART决策树及后剪枝处理作为分类器的训练方法,前述步骤中需要预留一定比例的验证集。在其他实施例中,如采用深度神经网络(DeepNeural Networks,DNN)、支持向量机(Support Vector Machine,SVM)等其他机器学习算法,可能将验证集在训练过程中用作其他处理来降低泛化误差或不需要留验证集。
在本发明一实施例中,所述根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数,包括:
确定每一个服务器指标对应的权重;
计算所述权重和每个服务器指标的得分的乘积,得到各服务器指标的加权分数。此后,再将各服务器指标的加权分数求和,计算出当前备选服务器的指标总分。
举例来说,服务器指标包括:交易性能、硬件性能、部署地点和稳定性,权重分别为0.3、0.3、0.2、0.2,当前备选服务器的得分分别为90、80、90、100,当前备选服务器的总指标得分即为89。
如图2所示,本发明一实施例提供了服务器选择装置,包括:
确定模块201,用于确定至少一个备选服务器;
获取模块202,用于获取预设的至少一种服务器指标以及对应不同服务器指标的权重,其中,每种服务器指标表征一种服务器对金融业务产生影响的因素,所述服务器指标包括:交易性能、硬件性能、部署地点和稳定性中的一种或多种;
处理模块203,用于确定每个备选服务器的每个服务器指标的得分;
根据预设的每个服务器指标的得分最低值,排除任一服务器指标的得分低于该服务器指标的得分最低值的备选服务器;
对剩余的备选服务器,均执行:
根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数;
将各服务器指标的加权分数相加,获得各备选服务器的指标总分;
选择指标总分最高的目标服务器。
可以理解的是,本发明实施例示意的结构并不构成对服务器选择装置的具体限定。在本发明的另一些实施例中,服务器选择装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述服务器选择装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明还提供了一种计算机可读介质,存储用于使一计算机执行如本文所述的服务器选择方法的指令。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元可以通过机械方式或电气方式实现。例如,一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基于上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (5)
1.服务器选择方法,其特征在于,包括:
确定至少一个备选服务器;
获取预设的至少一种服务器指标以及对应不同服务器指标的权重,其中,每种服务器指标表征一种服务器对金融业务产生影响的因素,所述服务器指标包括:交易性能、硬件性能、部署地点和稳定性中的一种或多种;
确定每个备选服务器的每个服务器指标的得分;
根据预设的每个服务器指标的得分最低值,排除任一服务器指标的得分低于该服务器指标的得分最低值的备选服务器;
对剩余的备选服务器,均执行:
根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数;
将各服务器指标的加权分数相加,获得各备选服务器的指标总分;
选择指标总分最高的备选服务器作为目标服务器;
当所述服务器指标包括交易性能时,所述确定每个备选服务器的每个服务器指标的得分,包括:
发送N条性能测试交易至当前备选服务器,其中N为大于0的正整数;
接收当前备选服务器返回的监测报告,所述监测报告为当前备选服务器处理所述N条性能测试交易的过程数据;
根据所述监测报告判断当前备选服务器在处理所述N条性能测试 交易的过程中出现异常的数量;
根据预设的交易性能得分规则,确定当前备选服务器交易性能指标的得分,其中,所述交易性能得分规则中包括交易性能指标的总分及每出现一异常交易的扣分值;
当所述服务器指标包括部署地点时,所述确定每个备选服务器的每个服务器指标的得分,包括:
确定所述金融业务的M个业务地区,M为大于0的正整数;
确定M个业务地区的中心经纬度坐标;
确定当前备选服务器的经纬度坐标;
确定所述中心经纬度坐标与当前备选服务器的经纬度坐标的目标距离值;
根据预设的距离值区间与得分值的对应关系,确定所述目标距离值所属的距离值区间对应的得分值,将该得分值作为部署地点指标的得分;
其中,所述确定M个业务地区的中心经纬度坐标包括:
当M为1时,确定业务地区的中心点的经纬度坐标作为所述中心经纬度坐标;
当M为2时,确定各业务地区的中心点连线的中点的经纬度坐标作为所述中心经纬度坐标;
当M大于2时,确定各业务地区的中心点连线构成图形的重心的经纬度坐标作为所述中心经纬度坐标;
当所述服务器指标包括稳定性时,所述确定每个备选服务器的每个服务器指标的得分,包括:
将当前备选服务器的当前时刻之前的预设时间段内的至少一条运行数据输入预先训练的分类器中;
记录分类结果为异常的运行数据,根据预设的稳定性得分规则,确定当前备选服务器稳定性指标的得分,其中,所述稳定性得分规则中包括稳定性指标的总分及每出现一条异常的运行数据的扣分值;
其中,所述分类器通过如下方式训练:
获取正常运行数据样本集和异常运行数据样本集;其中,所述正常运行数据样本集中包括正常运行对应的至少一个特征数据,所述异常运行数据样本集中包括异常运行时对应的至少一个特征数据;
利用正常运行数据样本集和异常运行数据样本集对所述分类器进行训练;其中,在将所述正常运行数据样本集作为所述分类器的输入时,将正常运行分类结果作为所述分类器的输出;在将所述异常运行数据样本集作为所述分类器的输入时,将异常运行分类结果作为所述分类器的输出。
2.根据权利要求1所述的方法,其特征在于,
当所述服务器指标包括硬件性能时,所述确定每个备选服务器的每个服务器指标的得分,包括:
获取当前备选服务器在当前时刻之前的至少两个历史时刻的硬件数据;所述硬件数据包括:CPU使用率,内存使用率,带宽和硬盘数据的一种或多种;
基于所述至少两个历史时刻的硬件数据,计算每个硬件数据基于所述至少两个历史时刻的平均变化率;
基于预设的权重分配策略确定每种硬件数据的权重系数;
基于所述每个硬件数据的权重系数和所述每种硬件数据的平均变化率,确定当前备选服务器的硬件性能指标的得分。
3.根据权利要求1所述的方法,其特征在于,
所述根据所述权重和每个服务器指标的得分分别计算各服务器指标的加权分数,包括:
确定每一个服务器指标对应的权重;
计算所述权重和每个服务器指标的得分的乘积,得到各服务器指标的加权分数。
4.服务器选择装置,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1至3中任一所述的方法。
5.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730791.3A CN113179334B (zh) | 2021-06-30 | 2021-06-30 | 服务器选择方法、装置及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730791.3A CN113179334B (zh) | 2021-06-30 | 2021-06-30 | 服务器选择方法、装置及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113179334A CN113179334A (zh) | 2021-07-27 |
CN113179334B true CN113179334B (zh) | 2021-09-24 |
Family
ID=76927999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110730791.3A Active CN113179334B (zh) | 2021-06-30 | 2021-06-30 | 服务器选择方法、装置及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113179334B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355522A (zh) * | 2008-09-18 | 2009-01-28 | 中兴通讯股份有限公司 | 一种媒体服务器的控制方法和系统 |
CN103595570A (zh) * | 2013-11-20 | 2014-02-19 | 中国农业银行股份有限公司广东省分行 | 一种多活架构前置系统、服务器与业务处理方法 |
CN105871983A (zh) * | 2015-12-10 | 2016-08-17 | 乐视云计算有限公司 | 一种选择服务器的方法及装置 |
CN109873732A (zh) * | 2017-12-05 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 用于代理服务器的测试方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10296973B2 (en) * | 2014-07-23 | 2019-05-21 | Fortinet, Inc. | Financial information exchange (FIX) protocol based load balancing |
US10187457B1 (en) * | 2015-12-23 | 2019-01-22 | Github, Inc. | Using read weight affinities to optimize the reading of block cache data |
-
2021
- 2021-06-30 CN CN202110730791.3A patent/CN113179334B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355522A (zh) * | 2008-09-18 | 2009-01-28 | 中兴通讯股份有限公司 | 一种媒体服务器的控制方法和系统 |
CN103595570A (zh) * | 2013-11-20 | 2014-02-19 | 中国农业银行股份有限公司广东省分行 | 一种多活架构前置系统、服务器与业务处理方法 |
CN105871983A (zh) * | 2015-12-10 | 2016-08-17 | 乐视云计算有限公司 | 一种选择服务器的方法及装置 |
CN109873732A (zh) * | 2017-12-05 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 用于代理服务器的测试方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113179334A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573355B (zh) | 模型更新后替换运行的方法、装置、及业务服务器 | |
US9418088B1 (en) | Identification of storage system elements causing performance degradation | |
CN111177222B (zh) | 模型测试方法、装置及计算设备、存储介质 | |
CN104239351A (zh) | 一种用户行为的机器学习模型的训练方法及装置 | |
CN109118119A (zh) | 风控模型生成方法及装置 | |
US20220156795A1 (en) | Segment content optimization delivery system and method | |
CN116611797B (zh) | 业务跟踪及监控方法、系统与存储介质 | |
KR102029455B1 (ko) | 투자 종목 선정능력 평가 방법 및 그를 위한 평가 시스템 | |
CN113597752A (zh) | 用于选择边缘服务器的系统、方法和装置 | |
CN112950119B (zh) | 即时物流订单拆分方法、装置、设备及存储介质 | |
CN116502166B (zh) | 一种对目标设备故障预测的方法、装置、设备和介质 | |
JPWO2019116418A1 (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN105160173A (zh) | 安全评估方法和装置 | |
CN110061918B (zh) | 一种自治域间路由安全性评估方法和装置 | |
WO2019194696A1 (ru) | Автоматизированная система разработки и управления моделями скоринга | |
CN113179334B (zh) | 服务器选择方法、装置及计算机可读介质 | |
CN113256405B (zh) | 欺诈用户集中区域的预测方法、装置、设备及存储介质 | |
CN111861733B (zh) | 基于地址模糊匹配的欺诈防控系统及方法 | |
CN109362092A (zh) | 网络参数调整方法、装置、设备及介质 | |
CN117499309A (zh) | 流量控制的方法、装置、电子设备和计算机可读介质 | |
JP7173273B2 (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN116047223A (zh) | 一种基于实时用电信息及大数据分析的窃电判别方法 | |
CN109039695B (zh) | 业务故障处理方法、装置及设备 | |
CN116029551A (zh) | 基于水库河流的旱涝预警方法及装置、设备 | |
CN112488743A (zh) | 一种满意度预测方法、网络设备及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221208 Address after: 807-3, floor 8, block F, No. 9, Shangdi Third Street, Haidian District, Beijing 100080 Patentee after: Zhongcheng Hualong Computer Technology Co.,Ltd. Address before: No.114, 14th floor, block B, building 1, No.38, Zhongguancun Street, Haidian District, Beijing 100082 Patentee before: Shenwei Super Computing (Beijing) Technology Co.,Ltd. |