CN113254153A - 流程任务处理方法、装置、计算机设备和存储介质 - Google Patents

流程任务处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113254153A
CN113254153A CN202110551669.XA CN202110551669A CN113254153A CN 113254153 A CN113254153 A CN 113254153A CN 202110551669 A CN202110551669 A CN 202110551669A CN 113254153 A CN113254153 A CN 113254153A
Authority
CN
China
Prior art keywords
robot
operation step
target operation
waiting time
flow
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
Application number
CN202110551669.XA
Other languages
English (en)
Other versions
CN113254153B (zh
Inventor
李伟彬
林琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Kingdee Tianyanyun Computing Co ltd
Original Assignee
Shenzhen Kingdee Tianyanyun Computing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Kingdee Tianyanyun Computing Co ltd filed Critical Shenzhen Kingdee Tianyanyun Computing Co ltd
Priority to CN202110551669.XA priority Critical patent/CN113254153B/zh
Publication of CN113254153A publication Critical patent/CN113254153A/zh
Application granted granted Critical
Publication of CN113254153B publication Critical patent/CN113254153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
    • G06F9/45508—Runtime interpretation or emulation, e g. emulator loops, bytecode interpretation
    • G06F9/45512—Command shells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
    • G06F11/3423—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time where the assessed time is active or idle time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
    • G06F9/45516—Runtime code conversion or optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/865—Monitoring of software

Abstract

本申请涉及一种流程任务处理方法、装置、计算机设备和存储介质。所述方法包括：获取机器人执行流程脚本中的目标操作步骤的历史性能数据；根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。采用本方法能够提高流程脚本的执行效率。

Description

流程任务处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种流程任务处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，通过机器人按流程自动执行流程中的操作步骤的生产方式，为各个行业所用。目前的方法，是针对流程中的每一个操作步骤分别设置好一个对应的固定等待时长，满足对应的固定等待时长，机器人则开始执行对应的流程中的操作步骤。
然而，固定等待时长，不能随系统实际性能情况变化，若实际性能较好，系统响应操作步骤比较快，机器人则浪费不必要的时间等待，即系统欠压。若实际性能较差，系统响应比较慢，即上一个操作步骤无法按时执行完，但机器人会在满足固定等待时长就提前执行下一个操作步骤，从而导致系统无法响应多个操作步骤而崩溃，即系统过压。由此，按照固定等待时长来执行对应流程中的操作步骤，容易造成系统欠压或者过压，从而影响机器人执行流程脚本的效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高效率的流程任务处理方法、装置、计算机设备和存储介质。
一种流程任务处理方法，所述方法包括：
获取机器人执行流程脚本中的目标操作步骤的历史性能数据；
根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；
将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；
在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。
在一个实施例中，所述历史性能数据，包括历史响应耗时；
所述获取机器人执行流程脚本中的目标操作步骤的历史性能数据，包括：
获取机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，得到历史响应耗时序列；
所述根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长，包括：
根据所述历史响应耗时序列，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长。
在一个实施例中，所述根据所述历史响应耗时序列，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长，包括：
将所述历史响应耗时序列输入至预先训练的时长预测模型进行预测处理，输出所述机器人本次执行所述目标操作步骤后所需要的预测等待时长。
在一个实施例中，所述时长预测模型，是通过模型训练步骤训练得到的，所述模型训练步骤包括：
获取样本数据；所述样本数据包括分别执行样本流程脚本中各样本操作步骤的样本历史响应耗时序列、以及执行各样本操作步骤后需要的样本等待时长；
将所述样本历史响应耗时序列输入至待训练的时长预测模型，预测得到执行相应样本操作步骤后需要的等待时长；
基于预测的等待时长和相应样本等待时长之间的误差，调整所述时长预测模型的参数，使得所述误差朝预期差异范围收敛，并继续训练，直至满足训练停止条件，获得经过训练的时长预测模型。
在一个实施例中，所述方法还包括：
针对当前使用的目标系统，从规则库中确定与目标系统相应的处理规则；
通过所述处理规则对预测等待时长进行处理，得到与所述目标系统的系统性能相匹配的预测等待时长。
在一个实施例中，所述方法还包括：
对更新了所述预测等待时长的流程脚本进行仿真执行，得到仿真执行结果；
若所述仿真执行结果无误，则将更新了预测等待时长的流程脚本更新至流程脚本库中。
在一个实施例中，所述方法还包括：
读取流程执行日志中的状态关联字段；所述状态关联字段，是与所述机器人的流程执行状态相关联的字段；
根据所述状态关联字段，识别所述机器人的流程脚本执行状态；
若流程脚本执行状态为异常状态，则发出告警信息。
一种流程任务处理装置，所述装置包括：
获取模块，用于获取机器人执行流程脚本中的目标操作步骤的历史性能数据；
预测模块，用于根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；
更新模块，用于将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；
触发模块，用于在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取机器人执行流程脚本中的目标操作步骤的历史性能数据；
根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；
将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；
在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取机器人执行流程脚本中的目标操作步骤的历史性能数据；
根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；
将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；
在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。
上述流程任务处理方法、装置、计算机设备和存储介质，通过机器人执行流程脚本中的目标操作步骤的历史性能数据，预测机器人本次执行所述目标操作步骤后所需要的预测等待时长。以预测等待时长代替固定的时长，作为流程脚本中与所述目标操作步骤对应的等待时长，可以使得流程脚本中与所述目标操作步骤对应的等待时长与实际的系统响应时长更相近。在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤，可以有效避免系统过压或者欠压的问题，从而提高了机器人执行流程脚本的效率。
附图说明
图1为一个实施例中流程任务处理方法的应用环境图；
图2为一个实施例中流程任务处理方法的流程示意图；
图3为另一个实施例中流程任务处理方法的流程示意图；
图4为另一个实施例中流程任务处理方法的架构图；
图5为一个实施例中流程任务处理装置的结构框图；
图6为另一个实施例中流程任务处理装置的结构框图；
图7为一个实施例中计算机设备的内部结构图；
图8为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的流程任务处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。机器人，是运行在终端102上的应用程序。机器人在接收到服务器的流程脚本调度指令、并根据流程脚本调度指令调取到流程脚本后，可以自动执行流程脚本，以协助用户去处理大量基于规则的、重复的工作流程任务，实现流程自动化。服务器104获取机器人执行流程脚本中的目标操作步骤的历史性能数据；服务器104根据历史性能数据，预测机器人本次执行目标操作步骤后所需要的预测等待时长；服务器104将流程脚本中与目标操作步骤对应的等待时长，更新为预测等待时长；在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，服务器104触发机器人执行流程脚本中目标操作步骤的下一操作步骤。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种流程任务处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取机器人执行流程脚本中的目标操作步骤的历史性能数据。
其中，流程脚本，是按照目标任务处理流程编辑的代码。目标操作步骤，是指完成目标任务所需要操作的步骤。历史性能数据，是在机器人历史执行流程脚本中的目标操作步骤后的系统性能数据。可以理解的是，历史性能数据可以包括系统的响应耗时、CPU的占比、以及运行内存使用情况等中的至少一种，此处不做限定。
具体地，在机器人执行流程脚本中的操作步骤后，系统会产生对应于不同的操作步骤的历史性能数据。服务器可以获取机器人在以往执行流程脚本中的目标操作步骤的历史性能数据。
在一个实施例中，服务器获取机器人多次执行流程脚本中的目标操作步骤的历史性能数据，可以得到一个历史性能数据序列，比如获取机器人多次执行流程脚本中的目标操作步骤的系统的响应耗时，可以得到一个历史响应耗时序列。
在一个实施例中，服务器可以按时间点获取到机器人多次执行流程脚本中的目标操作步骤的历史性能数据，以得到一个历史性能数据序列，其中，历史性能数据序列的元素和所获取的时间点相关。
在一个实施例中，服务器可以通过服务器的性能探针获取机器人执行流程脚本中的目标操作步骤的历史性能数据。其中，性能探针，是一种获取系统的性能数据的程序。
在一个实施例中，流程脚本的一个操作步骤可以是获取到目标网页。机器人可以发送请求给服务器，服务器根据请求返回目标网页给机器人。服务器根据机器人的请求进行响应，并向机器人返回目标网页，在此过程中，产生的系统的响应耗时、CPU的占比、以及运行内存使用情况等，即为服务器的历史性能数据。在机器人获取到的目标网页后，服务器可以通过服务器的性能探针获取机器人获取网页的历史性能数据。其中，目标网页，是机器人所需要获取的网页。
步骤204，根据历史性能数据，预测机器人本次执行目标操作步骤后所需要的预测等待时长。
其中，预测等待时长，是预测出的操作步骤所需要等待的时间长度。
具体地，在获取到机器人执行流程脚本中的目标操作步骤的历史性能数据后，服务器可以对获取到的历史性能数据进行预测，得到机器人本次执行目标操作步骤后所需要的预测等待时长。
在一个实施例中，机器人本次执行流程脚本的目标操作步骤可以是获取到服务器返回的目标网页并检测到目标网页存在有目标元素。机器人可以对获取到服务器根据请求返回的目标网页进行检测，若存在有目标元素，则触发执行下一个操作步骤。机器人对获取到目标网页并检测出目标元素所需要的时长，即为下一个操作步骤的所需要等待的时长。服务器可以根据历史性能数据，预测出机器人执行下一个操作步骤的预测等待时长，机器人只需要在达到预测时长时，就执行下一个操作步骤。
步骤206，将流程脚本中与目标操作步骤对应的等待时长，更新为预测等待时长。
具体地，服务器根据历史性能数据预测出预测等待时长后，可以将流程脚本中与目标操作步骤对应的等待时长，更新为预测等待时长。
在一个实施例中，服务器根据历史性能数据预测出预测等待时长后，可以将预测等待时长更新至流程脚本中与目标操作步骤对应的等待时长存储单元中。
在一个实施例中，服务器根据历史性能数据预测出预测等待时长后，可以将预测等待时长更新至流程脚本中与目标操作步骤对应的等待时长的函数参数中。
在一个实施例中，服务器根据历史性能数据预测出预测等待时长后，可以将预测出预测等待时长与流程脚本中与目标操作步骤对应的等待时长进行误差计算，得到误差值，若误差值超出预先设置的误差值范围，则将流程脚本中与目标操作步骤对应的等待时长，更新为预测等待时长。
步骤208，在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，触发机器人执行流程脚本中目标操作步骤的下一操作步骤。
其中，下一操作步骤，是目标操作步骤的下一个操作步骤。
具体地，在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，服务器可以通过发送指令触发机器人执行流程脚本中目标操作步骤的下一操作步骤。
在一个实施例中，在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，机器人也可以触发机器人执行流程脚本中目标操作步骤的下一操作步骤。
上述流程任务处理方法中，通过机器人执行流程脚本中的目标操作步骤的历史性能数据，预测机器人本次执行目标操作步骤后所需要的预测等待时长。以预测等待时长代替固定的时长，作为流程脚本中与目标操作步骤对应的等待时长，可以使得流程脚本中与目标操作步骤对应的等待时长与实际的系统响应时长更相近。在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，触发机器人执行流程脚本中目标操作步骤的下一操作步骤，可以有效避免系统过压或者欠压的问题，从而提高了机器人执行流程脚本的效率。
在一个实施例中，历史性能数据，包括历史响应耗时；获取机器人执行流程脚本中的目标操作步骤的历史性能数据，包括：获取机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，得到历史响应耗时序列；根据历史性能数据，预测机器人本次执行目标操作步骤后所需要的预测等待时长，包括：根据历史响应耗时序列，预测机器人本次执行目标操作步骤后所需要的预测等待时长。
其中，历史响应耗时，是对应于目标操作步骤的历史系统的响应耗费时长。历史响应耗时序列，是多个历史系统的响应耗费时长的序列。
具体地，机器人多次执行流程脚本中的目标操作步骤，系统则产生多个历史响应耗时。服务器可以获取到机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，得到历史响应耗时序列。
在一个实施例中，服务器获取机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，可以获取连续的多次执行流程脚本中的目标操作步骤的历史响应耗时，也可以获取非连续的多次执行流程脚本中的目标操作步骤的历史响应耗时。
图3为一个实施例中流程任务处理方法的流程示意图。如图3所示，服务器可以在机器人开始执行流程脚本中的操作步骤Sn-1后、且经过了预测等待时长t'，则开始触发机器人执行流程脚本中的操作步骤Sn。其中，预测等待时长t'与操作步骤Sn的等待时长对应。服务器可以将操作步骤Sn的等待时长重置为预测等待时长t'。服务器将操作步骤Sn的等待时长重置为预测等待时长t'的具体步骤为：服务器获取历史响应耗时序列Tn-1(1,2,3,...,K)，并基于历史响应耗时序列Tn-1(1,2,3,...,K)进行预测、计算或者指定得到预测等待时长t'后，将操作步骤Sn的等待时长重置为预测等待时长t'。可以理解的是预测等待时长t'可以在机器人开始执行流程脚本之前已经预测好，也可以是在机器人执行到流程脚本中的操作步骤Sn之前的任一时间预测好。
本实施例中，通过历史响应耗时序列，预测出机器人本次执行目标操作步骤后所需要的预测等待时长，可以使机器人等待本次目标操作的时长更符合历史响应耗时，从而避免等待的时长过长或者过短，由此提高机器人执行流程脚本的效率。
在一个实施例中，根据历史响应耗时序列，预测机器人本次执行目标操作步骤后所需要的预测等待时长，包括：将历史响应耗时序列输入至预先训练的时长预测模型进行预测处理，输出机器人本次执行目标操作步骤后所需要的预测等待时长。
其中，时长预测模型，是预测等待时长的机器学习算法。
具体地，在机器人执行流程脚本中的目标操作步骤的下一个操作步骤前，服务器可以将历史响应耗时序列输入至预先训练的时长预测模型进行预测处理，输出机器人本次执行目标操作步骤后所需要的预测等待时长，使得机器人可以在达到预测等待时长时，执行流程脚本中的目标操作步骤的下一个操作步骤。
在一个实施例中，可以基于ARIMA模型修改并训练后得到时长预测模型，以用于获取预测等待时长。其中ARIMA(Autoregressive Integrated Moving Average model)模型，是差分整合移动平均自回归模型，用于对时间有关的序列进行预测。
本实施例中，通过将历史响应耗时序列输入至预先训练的时长预测模型，可以获得机器人本次执行目标操作步骤后所需要的与实际较相近的预测等待时长。
在一个实施例中，时长预测模型，是通过模型训练步骤训练得到的，模型训练步骤包括：获取样本数据；样本数据包括分别执行样本流程脚本中各样本操作步骤的样本历史响应耗时序列、以及执行各样本操作步骤后需要的样本等待时长；将样本历史响应耗时序列输入至待训练的时长预测模型，预测得到执行相应样本操作步骤后需要的等待时长；基于预测的等待时长和相应样本等待时长之间的误差，调整时长预测模型的参数，使得误差朝预期差异范围收敛，并继续训练，直至满足训练停止条件，获得经过训练的时长预测模型。
其中，样本流程脚本，是作为样本的流程脚本。样本操作步骤，是样本流程脚本中的操作步骤。样本数据，是训练时长预测模型时使用的数据。样本历史响应耗时序列，是作为样本使用的历史响应耗时序列。样本等待时长，是作为样本使用的等待时长。预期差异范围，是所希望达到的差异范围。训练停止条件，是时长预测模型停止训练的条件。可以理解的是训练停止条件，可以是训练的迭代次数达到预设值，也可以是预测的等待时长和样本等待时长的差值达到预期范围，还可以是预测的等待时长和样本等待时长的差值达到预期范围、且训练的迭代次数达到预设值。
具体地，在获取到样本数据后，服务器可以将样本历史响应耗时序列输入至待训练的时长预测模型，通过待训练的时长预测模型预测得到执行相应样本操作步骤后需要的等待时长。服务器可以基于预测的等待时长和相应样本等待时长之间的误差，调整时长预测模型的参数，使得误差朝预期差异范围收敛，并继续训练，直至满足训练停止条件，获得经过训练的时长预测模型。
本实施例中，通过训练得到时长预测模型，可以使得时长预测模型预测出与实际系统响应时长更相近的预测等待时长，避免了过长时间等待上一个操作步骤的执行，导致系统欠压，也避免了上一个操作步骤的执行尚未结束，导致系统过压，从而确保了机器人执行流程脚本的稳定性。
在一个实施例中，方法还包括：针对当前使用的目标系统，从规则库中确定与目标系统相应的处理规则；通过处理规则对预测等待时长进行处理，得到与目标系统的系统性能相匹配的预测等待时长。
其中，目标系统，是所使用的系统。规则库，是存放与多种系统相应的处理规则的数据库。
具体地，在通过时长预测模型预测出预测等待时长后，服务器可以针对当前使用的目标系统，从规则库中确定与目标系统相应的处理规则，并对预测等待时长进行处理，得到与目标系统的系统性能相匹配的预测等待时长。
在一个实施例中，不同的目标系统可以包括不同的CPU、运行内存、以及不同的存储器等组成部分。不组成部分使得不同的目标系统之间的系统性能不同。
在一个实施例中，服务器可以针对当前使用的目标系统的CPU的处理数据的速率，从规则库中确定与目标系统的CPU的处理数据的速率相应的处理规则，并对预测等待时长进行处理，得到与目标系统的系统性能相匹配的预测等待时长。
在一个实施例中，服务器可以针对当前使用的目标系统的运行内存的大小，从规则库中确定与目标系统的运行内存的大小相应的处理规则，并对预测等待时长进行处理，得到与目标系统的系统性能相匹配的预测等待时长。
本实施例中，针对使用的目标系统优化预测等待时长，可以使得预测等待时长适应于不同的系统，跟随系统压力反馈进行调整，提高了预测等待时长的适应性。
在一个实施例中，方法还包括：对更新了预测等待时长的流程脚本进行仿真执行，得到仿真执行结果；若仿真执行结果无误，则将更新了预测等待时长的流程脚本更新至流程脚本库中。
其中，仿真执行结果，是仿真执行流程脚本后的结果。
具体地，服务器可以通过仿真工具执行预测等待时长的流程脚本，若得到的仿真执行结果没有报告错误，则将更新了预测等待时长的流程脚本更新至流程脚本库中。
在一个实施例中，服务器可以通过仿真工具执行预测等待时长的流程脚本，若得到的仿真执行结果报告错误，可以在用户根据报告的错误重新编辑流程脚本后，再次通过仿真工具执行预测等待时长的流程脚本，直至得到的仿真执行结果没有报告错误。
在一个实施例中，若得到的仿真执行结果报告错误是与预测等待时长有关的错误，用户可以根据报告的与预测等待时长有关的错误，对时长预测模型进行调整。通过调整后的时长预测模型预测出的预测等待时长更新流程脚本并仿真，直至仿真执行结果没有报告错误。
在一个实施例中，若得到的仿真执行结果报告错误是与预测等待时长有关的错误，用户可以对通过调整后的时长预测模型预测出的预测等待时长、并通过与目标系统相应的处理规则进行处理后，更新至流程脚本并仿真，直至仿真执行结果没有报告错误。
在一个实施例中，在满足预设条件时，服务器通过仿真工具对流程脚本进行仿真。其中，预设条件，是预先设置的条件。可以理解的是，预设条件，可以是系统的性能随系统硬件组成部分或者系统软件组成部分发生改变而改变，也可以是到达预先设置的时间间隔，还可以是到达预先设置的时间周期。比如隔一个月，服务器可以通过仿真工具对流程脚本进行仿真。
本实施例中，先对流程脚本进行仿真，可以避免机器人执行到有错误的流程脚本，而影响了机器人执行流程脚本的效率。
在一个实施例中，方法还包括：读取流程执行日志中的状态关联字段；状态关联字段，是与机器人的流程执行状态相关联的字段；根据状态关联字段，识别机器人的流程脚本执行状态；若流程脚本执行状态为异常状态，则发出告警信息。
其中，流程执行日志，是机器人执行流程脚本的日志。流程脚本执行状态，是机器人执行流程脚本的状态。可以理解的是，机器人执行流程脚本的状态，具体可以是超时未执行完流程脚本，也可以是提前执行完流程脚本，还可以的是超时未启动执行流程脚本。
具体地，服务器可以是通过读取流程执行日志中与机器人的流程执行状态相关联的字段，识别机器人的流程脚本执行状态是否为异常状态。若流程脚本执行状态为异常状态，服务器可以发出告警信息，以通知用户解除机器人执行流程脚本的异常状态。
在一个实施例中，若机器人超时未执行完流程脚本，服务器可以发出与机器人超时未执行完流程脚本的告警信息，以通知用户解除机器人超时未执行完流程脚本的异常状态。
在一个实施例中，若机器人超时未启动执行流程脚本，服务器可以发出与机器人超时未启动执行流程脚本的告警信息，以通知用户解除机器人超时未启动执行流程脚本的异常状态。
在一个实施例中，服务器可以鉴别用户的身份，若鉴别到用户的身份为允许登录系统的身份，则通过用户的登录请求。用户登录服务器的系统后，可以通过查看告警信息定位导致机器人的流程脚本执行状态为异常状态的问题。
本实施例中，通过读取流程执行日志中的状态关联字段对机器人的流程脚本执行状态进行监控，可以确保机器人执行流程脚本的效率。
图4为一个实施例中流程任务处理方法的架构图。如图4所示，流程任务处理方法的架构包括服务器和运行于终端上的机器人。服务器上设置有机器人流程自动化工具(即RPA工具)、系统性能探针、时间序列数据库、规则库、以及流程调度单元等部分。其中，RPA是Robotic Process Automation的缩写。
其中，机器人(即RPA机器人)，是运行在终端的上的应用，用于接收服务器通过流程调度单元发送的流程脚本调度指令，根据流程脚本调度指令，从服务器的机器人流程自动化工具的流程脚本库中调取流程脚本并执行。
在机器人执行流程脚本中的目标操作步骤时，服务器可以通过系统性能探针获取到机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，得到历史响应耗时序列并存储在时间序列数据库中。
服务器可以通过动态等待时间处理单元从时间序列数据库中获取历史响应耗时序列预测出目标操作步骤的预测等待时间。在得到预测等待时间后，服务器可以针对当前使用的目标系统从规则库中调用处理规则对预测等待时长进行处理，得到与目标系统的系统性能相匹配的预测等待时长，并将预测等待时长作为流程脚本库中的流程脚本中目标操作步骤对应的等待时长，以更新流程脚本。
在得到更新的流程脚本后，服务器可以通过机器人流程自动化工具(即，RPA工具)对流程脚本进行仿真执行，若仿真执行结果有误，则在用户重新编辑好流程脚本后，再重新进行仿真执行，直至仿真执行结果无误，则将更新了预测等待时长的流程脚本更新至流程脚本库中。
在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，服务器可以通过流程调度单元发送调度指令触发机器人执行流程脚本中目标操作步骤的下一操作步骤。
应该理解的是，虽然上述各个实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各个实施例的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种流程任务处理装置500，包括：获取模块502、预测模块504、更新模块506和触发模块508，其中：
获取模块502，用于获取机器人执行流程脚本中的目标操作步骤的历史性能数据。
预测模块504，用于根据历史性能数据，预测机器人本次执行目标操作步骤后所需要的预测等待时长。
更新模块506，用于将流程脚本中与目标操作步骤对应的等待时长，更新为预测等待时长。
触发模块508，用于在机器人本次执行流程脚本中的目标操作步骤后、且满足预测等待时长时，触发机器人执行流程脚本中目标操作步骤的下一操作步骤。
在一个实施例中，历史性能数据，包括历史响应耗时；获取模块502，还用于获取机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，得到历史响应耗时序列；预测模块504，还用于根据历史响应耗时序列，预测机器人本次执行目标操作步骤后所需要的预测等待时长。
在一个实施例中，预测模块504，还用于将历史响应耗时序列输入至预先训练的时长预测模型进行预测处理，输出机器人本次执行目标操作步骤后所需要的预测等待时长。
在一个实施例中，装置还包括，训练模块510，用于获取样本数据；样本数据包括分别执行样本流程脚本中各样本操作步骤的样本历史响应耗时序列、以及执行各样本操作步骤后需要的样本等待时长；将样本历史响应耗时序列输入至待训练的时长预测模型，预测得到执行相应样本操作步骤后需要的等待时长；基于预测的等待时长和相应样本等待时长之间的误差，调整时长预测模型的参数，使得误差朝预期差异范围收敛，并继续训练，直至满足训练停止条件，获得经过训练的时长预测模型。
在一个实施例中，装置还包括，处理模块512，用于针对当前使用的目标系统，从规则库中确定与目标系统相应的处理规则；通过处理规则对预测等待时长进行处理，得到与目标系统的系统性能相匹配的预测等待时长。
在一个实施例中，装置还包括，仿真模块514，用于对更新了预测等待时长的流程脚本进行仿真执行，得到仿真执行结果；若仿真执行结果无误，则将更新了预测等待时长的流程脚本更新至流程脚本库中。
在一个实施例中，如图6所示，装置还包括，训练模块510、处理模块512、仿真模块514以及告警模块516；
告警模块516，用于读取流程执行日志中的状态关联字段；状态关联字段，是与机器人的流程执行状态相关联的字段；根据状态关联字段，识别机器人的流程脚本执行状态；若流程脚本执行状态为异常状态，则发出告警信息。
关于流程任务处理装置的具体限定可以参见上文中对于流程任务处理方法的限定，在此不再赘述。上述流程任务处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储流程任务处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种流程任务处理方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种流程任务处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7-8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种流程任务处理方法，其特征在于，所述方法包括：
获取机器人执行流程脚本中的目标操作步骤的历史性能数据；
根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；
将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；
在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。
2.根据权利要求1所述的方法，其特征在于，所述历史性能数据，包括历史响应耗时；
所述获取机器人执行流程脚本中的目标操作步骤的历史性能数据，包括：
获取机器人多次执行流程脚本中的目标操作步骤的历史响应耗时，得到历史响应耗时序列；
所述根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长，包括：
根据所述历史响应耗时序列，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史响应耗时序列，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长，包括：
将所述历史响应耗时序列输入至预先训练的时长预测模型进行预测处理，输出所述机器人本次执行所述目标操作步骤后所需要的预测等待时长。
4.根据权利要求3所述的方法，其特征在于，所述时长预测模型，是通过模型训练步骤训练得到的，所述模型训练步骤包括：
获取样本数据；所述样本数据包括分别执行样本流程脚本中各样本操作步骤的样本历史响应耗时序列、以及执行各样本操作步骤后需要的样本等待时长；
将所述样本历史响应耗时序列输入至待训练的时长预测模型，预测得到执行相应样本操作步骤后需要的等待时长；
基于预测的等待时长和相应样本等待时长之间的误差，调整所述时长预测模型的参数，使得所述误差朝预期差异范围收敛，并继续训练，直至满足训练停止条件，获得经过训练的时长预测模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对当前使用的目标系统，从规则库中确定与目标系统相应的处理规则；
通过所述处理规则对预测等待时长进行处理，得到与所述目标系统的系统性能相匹配的预测等待时长。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对更新了所述预测等待时长的流程脚本进行仿真执行，得到仿真执行结果；
若所述仿真执行结果无误，则将更新了预测等待时长的流程脚本更新至流程脚本库中。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述方法还包括：
读取流程执行日志中的状态关联字段；所述状态关联字段，是与所述机器人的流程执行状态相关联的字段；
根据所述状态关联字段，识别所述机器人的流程脚本执行状态；
若流程脚本执行状态为异常状态，则发出告警信息。
8.一种流程任务处理装置，其特征在于，所述装置包括：
获取模块，用于获取机器人执行流程脚本中的目标操作步骤的历史性能数据；
预测模块，用于根据所述历史性能数据，预测所述机器人本次执行所述目标操作步骤后所需要的预测等待时长；
更新模块，用于将所述流程脚本中与所述目标操作步骤对应的等待时长，更新为所述预测等待时长；
触发模块，用于在所述机器人本次执行所述流程脚本中的所述目标操作步骤后、且满足所述预测等待时长时，触发所述机器人执行所述流程脚本中所述目标操作步骤的下一操作步骤。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110551669.XA 2021-05-20 2021-05-20 流程任务处理方法、装置、计算机设备和存储介质 Active CN113254153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110551669.XA CN113254153B (zh) 2021-05-20 2021-05-20 流程任务处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110551669.XA CN113254153B (zh) 2021-05-20 2021-05-20 流程任务处理方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113254153A true CN113254153A (zh) 2021-08-13
CN113254153B CN113254153B (zh) 2023-10-13

Family

ID=77183050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110551669.XA Active CN113254153B (zh) 2021-05-20 2021-05-20 流程任务处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113254153B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114006770A (zh) * 2021-12-28 2022-02-01 国网瑞嘉(天津)智能机器人有限公司 机器人操作平台的数据处理方法、装置、设备及存储介质
CN116244159A (zh) * 2023-05-08 2023-06-09 浪潮电子信息产业股份有限公司 一种训练时长预测方法、装置、多元异构计算设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059858A (zh) * 2019-03-15 2019-07-26 深圳壹账通智能科技有限公司 服务器资源预测方法、装置、计算机设备及存储介质
JP2019159713A (ja) * 2018-03-12 2019-09-19 Ｎｅｃプラットフォームズ株式会社 演算処理装置、入出力処理装置、情報処理装置及び入出力処理方法。
CN111752849A (zh) * 2020-07-06 2020-10-09 中国工商银行股份有限公司 针对应用程序的验证方法和装置
CN111984385A (zh) * 2020-08-25 2020-11-24 广联达科技股份有限公司 基于装饰bim模型的任务调度方法和任务调度装置
CN112465466A (zh) * 2020-12-10 2021-03-09 金蝶软件（中国）有限公司 流程任务执行方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649067B (zh) * 2016-12-28 2019-07-02 深圳先进技术研究院 一种性能和能耗预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019159713A (ja) * 2018-03-12 2019-09-19 Ｎｅｃプラットフォームズ株式会社 演算処理装置、入出力処理装置、情報処理装置及び入出力処理方法。
CN110059858A (zh) * 2019-03-15 2019-07-26 深圳壹账通智能科技有限公司 服务器资源预测方法、装置、计算机设备及存储介质
CN111752849A (zh) * 2020-07-06 2020-10-09 中国工商银行股份有限公司 针对应用程序的验证方法和装置
CN111984385A (zh) * 2020-08-25 2020-11-24 广联达科技股份有限公司 基于装饰bim模型的任务调度方法和任务调度装置
CN112465466A (zh) * 2020-12-10 2021-03-09 金蝶软件（中国）有限公司 流程任务执行方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114006770A (zh) * 2021-12-28 2022-02-01 国网瑞嘉(天津)智能机器人有限公司 机器人操作平台的数据处理方法、装置、设备及存储介质
CN116244159A (zh) * 2023-05-08 2023-06-09 浪潮电子信息产业股份有限公司 一种训练时长预测方法、装置、多元异构计算设备及介质
CN116244159B (zh) * 2023-05-08 2023-08-11 浪潮电子信息产业股份有限公司 一种训练时长预测方法、装置、多元异构计算设备及介质

Also Published As

Publication number Publication date
CN113254153B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN108399124B (zh) 应用测试方法、装置、计算机设备和存储介质
CN107329894B (zh) 应用程序系统测试方法、装置及电子设备
CN109901881B (zh) 应用程序的插件加载方法、装置、计算机设备及存储介质
CN109992473B (zh) 应用系统的监控方法、装置、设备及存储介质
CN113254153B (zh) 流程任务处理方法、装置、计算机设备和存储介质
CN112465466B (zh) 流程任务执行方法、装置、计算机设备和存储介质
CN106155806A (zh) 一种多任务调度方法及服务器
CN110647471A (zh) 接口测试用例生成方法、电子装置及存储介质
CN113268335B (zh) 模型训练和执行时长预估方法、装置、设备和存储介质
CN112051771B (zh) 多云数据采集方法、装置、计算机设备和存储介质
CN111311014B (zh) 业务数据处理方法、装置、计算机设备和存储介质
CN113419950A (zh) Ui自动化脚本的生成方法、装置、计算机设备及存储介质
CN111476349A (zh) 一种模型测试方法及服务器
US11755310B2 (en) Prioritized ranking for memory device preparation
CN116431731A (zh) 数据异步导出方法、装置、设备及其存储介质
CN115098326A (zh) 一种系统异常检测方法及装置、存储介质及电子设备
CN115169155A (zh) 发动机故障预测方法、装置、计算机设备和存储介质
CN115202946A (zh) 自动化测试方法、装置、设备、存储介质及程序产品
CN111796571A (zh) 设备故障检测方法、装置、计算机设备和存储介质
CN113094052A (zh) 应用构建方法、装置、计算机设备和存储介质
CN112764957A (zh) 应用故障定界方法及装置
CN112303811A (zh) 空调运行数据的处理方法、装置、系统、空调和存储介质
CN113158177A (zh) 一种动态度量方法、装置、设备及存储介质
CN111325278B (zh) 一种图像处理方法、装置及存储介质
CN109388539B (zh) 应用性能监测方法、装置、计算机设备和存储介质

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