CN113312409A - 任务监控方法、装置、电子设备及计算机可读存储介质 - Google Patents

任务监控方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113312409A
CN113312409A CN202110629224.9A CN202110629224A CN113312409A CN 113312409 A CN113312409 A CN 113312409A CN 202110629224 A CN202110629224 A CN 202110629224A CN 113312409 A CN113312409 A CN 113312409A
Authority
CN
China
Prior art keywords
task
data
standard
execution
flow template
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.)
Pending
Application number
CN202110629224.9A
Other languages
English (en)
Inventor
张建华
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.)
Ping An Securities Co Ltd
Original Assignee
Ping An Securities 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 Ping An Securities Co Ltd filed Critical Ping An Securities Co Ltd
Priority to CN202110629224.9A priority Critical patent/CN113312409A/zh
Publication of CN113312409A publication Critical patent/CN113312409A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及一种大数据技术，揭露一种任务监控方法，包括：对任务数据进行标准化处理，得到标准任务数据；利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。本发明还涉及区块链技术，所述特征提取模型训练所需的数据可以存储在区块链中。本发明还提出一种任务监控装置、电子设备以及一种计算机可读存储介质。本发明适用于金融科技领域，可以提高任务监控的效率。

Description

任务监控方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及大数据领域，尤其涉及一种任务监控的方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们需求的多样化，越来越多的公司为客户提供服务时都需要执行繁琐的步骤，例如基金公司或者证券公司的场外理财产品交易的特点是交易流程多，交易周期长，不同的理财产品、不同的交易方式都会产生不同的交易流程。由于任务均由计算机执行，而繁琐的任务执行步骤需要利用复杂的程序进行累加，若任何一个环节出错，均会造成计算机程序无法正常执行任务。
目前市场上多采用人工检查的方式分析出错的步骤，但该方法效率低下，因此，如何提高任务监控的效率，成为亟待解决的问题。
发明内容
本发明提供一种任务监控方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高任务监控的效率。
为实现上述目的，本发明提供的一种任务监控方法，包括：
获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据；
利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；
利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；
利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。
可选地，所述对所述任务数据进行标准化处理，得到标准任务数据，包括：
对所述任务数据进行异常值删除处理，得到第一数据；
对所述第一数据进行缺失值填充处理，得到所述标准任务数据。
可选地，所述对所述第一数据进行缺失值填充处理，得到所述标准任务数据，包括：
对所述第一数据进行筛选得到所述第一数据中每个缺失值的临近数据；
计算每个缺失值的临近数据的平均值，得到每个缺失值的预测数据，利用每个缺失值的预测数据填充对应的缺失值，得到所述标准任务数据。
可选地，在利用预构建的特征提取模型对所述标准任务数据进行特征提取前，所述方法还包括：
获取历史任务数据集合；
将所述历史任务数据集合作为训练集；
对所述历史任务数据集合进行任务特征码标记，得到标签集；
利用所述训练集及所述标签集对预构建的卷积神经网络进行训练得到所述特征提取模型。
可选地，所述任务流程模板包括任务开始时间变量，所述根据所述标准任务数据及所述任务流程模板得到标准任务执行数据，包括：
根据所述标准任务数据对所述任务流程模板中的任务开始时间变量进行赋值，得到所述标准任务执行数据。
可选地，所述利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，包括：
获取所述标准任务执行数据中的执行步骤的标准执行周期，及获取所述任务数据中对应的执行步骤的目标执行周期；
判断所述目标执行周期与所述标准执行周期是否一致，得到判断结果；
若所述判断结果显示所述目标执行周期与所述标准执行周期不一致，则确定所述判断结果不正常。
为了解决上述问题，本发明还提供一种任务监控装置，所述装置包括：
数据标准化模块，用于获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据；
特征提取模块，用于利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；
数据对比模块，用于利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。
可选地，所述数据标准化模块对所述任务数据进行标准化处理，得到标准任务数据，包括：
对所述任务数据进行异常值删除处理，得到第一数据；
对所述第一数据进行缺失值填充处理，得到所述标准任务数据。
可选地，所述数据标准化模块对所述第一数据进行缺失值填充处理，得到所述标准任务数据，包括：
对所述第一数据进行筛选得到所述第一数据中每个缺失值的临近数据；
计算每个缺失值的临近数据的平均值，得到每个缺失值的预测数据，利用每个缺失值的预测数据填充对应的缺失值，得到所述标准任务数据。
可选地，所述特征提取模块在利用预构建的特征提取模型对所述标准任务数据进行特征提取前，所述方法还包括：
获取历史任务数据集合；
将所述历史任务数据集合作为训练集；
对所述历史任务数据集合进行任务特征码标记，得到标签集；
利用所述训练集及所述标签集对预构建的卷积神经网络进行训练得到所述特征提取模型。
可选地，所述数据对比模块中任务流程模板包括任务开始时间变量，所述数据对比模块根据所述标准任务数据及所述任务流程模板得到标准任务执行数据，包括：
根据所述标准任务数据对所述任务流程模板中的任务开始时间变量进行赋值，得到所述标准任务执行数据。
可选地，所述数据对比模块利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，包括：
获取所述标准任务执行数据中的执行步骤的标准执行周期，及获取所述任务数据中对应的执行步骤的目标执行周期；
判断所述目标执行周期与所述标准执行周期是否一致，得到判断结果；
若所述判断结果显示所述目标执行周期与所述标准执行周期不一致，则确定所述判断结果不正常。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的任务监控方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的任务监控方法。
本发明实施例中，对所述任务数据进行标准化处理，可以剔除所述任务数据中异常数据的影响；利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码，提高了特征提取的准确率；利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据，提高了标准任务执行数据的生成速度，从而提高了任务监控的效率；利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，不需要人工进行比对，利用任务流程模板快捷生成标准任务执行数据，提高了任务监控的效率。
附图说明
图1为本发明一实施例提供的任务监控方法的流程示意图；
图2为本发明一实施例提供的任务监控装置的模块示意图；
图3为本发明一实施例提供的实现任务监控方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种任务监控方法。参照图1所示，为本发明一实施例提供的任务监控方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，任务监控方法包括：
S1、获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据；
本发明实施例中，所述任务数据为某公司在运营过程中产生的业务数据，例如，保险公司的保险业务，证券公司的证券交易业务等。所述任务数据可以从某公司的业务数据库中进行获取。
进一步地，本发明实施例中，所述任务数据中存在一些异常数据及缺失数据，为了使后续数据分析的结果更准确，对所述任务数据进行标准化处理。
详细地，所述标准化处理包括：。
S11、对所述任务数据进行异常值删除处理，得到第一数据；
本发明实施例中所述异常值是指所述任务数据中不合理的值。例如：每年的交易天数数据一般为[0,366]，若所述任务数据中每年的交易天数数据为390天，则该数据为不合理的值。
详细地，本发明可以采用下述方法删除所述任务数据中的异常值：计算所述任务数据中数据的标准差和平均值；删除所述任务数据中与所述平均值的距离超过所述标准差的预设倍数的数据，得到第一数据，较佳地，所述预设倍数的数据为3倍的数据。
S12、对所述第一数据进行缺失值填充处理，得到所述标准任务数据。
较佳地，本发明实施例中，所述缺失值填充处理包括：
S121、对所述第一数据进行筛选得到所述第一数据中每个缺失值的临近数据；
较佳地，本发明实施例中利用mice函数，以所述第一数据中每个缺失值在所述第一数据中的位置为中心点，设定长度阈值，选取该缺失值对应长度阈值内的数据为所述临近数据。
S122、计算每个缺失值的临近数据的平均值，得到每个缺失值的预测数据，利用每个缺失值的预测数据填充对应的缺失值，得到所述标准任务数据。
通过标准化处理，可以消除所述任务数据中异常数据及缺失数据的影响。
S2、利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；
本发明实施例中，不同类型的任务数据具有不同的任务特征码，为了确认所述标准任务数据的任务类型，因此，本发明实施例对所述标准任务数据进行特征提取，得到所述任务特征码。
进一步地，本发明实施例利用预构建的特征提取模型对所述标准任务数据进行特征提取。
较佳地，本发明实施例中，获取历史任务数据集合，其中，所述历史任务数据集合为已经完成的任务数据的集合，所述历史任务数据集合可以从某公司的业务数据库中进行获取。
进一步地，本发明实施例中，将所述历史任务数据集合作为训练集，对所述历史任务数据集合进行任务特征码标记，得到标签集，利用所述训练集及所述标签集对预构建的卷积神经网络进行训练得到所述特征提取模型。
详细地，本发明实施例中，利用所述训练集及所述标签集对预构建的卷积神经网络进行训练得到特征提取模型，包括：
步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作得到降维数据集；
步骤B：根据预设的反卷积次数，对所述降维数据集进行反卷积操作得到升维数据集；
步骤C：利用预设的激活函数对所述升维数据集进行计算得到预测值集，将所述预测值集和所述标签集作为预构建的损失函数的输入参数计算得到损失值。
步骤D：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回A；若所述损失值小于所述损失阈值，得到所述特征提取模型。
本发明的另一实施例中，所述特征提取模型训练所需的数据可以存储在区块链中，以防止数据被篡改。
S3、利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；
本发明实施例中，所述任务流程模板包括：执行步骤的执行周期及任务开始时间变量；
进一步地，本发明实施例中，不同的任务特征码代表不同的任务类型，每一种任务类型都有对应的任务流程模板，任务特征码与任务流程模板是一一对应的。所述任务流程模板集是标记有任务特征码的任务流程模板的集合。其中，所述任务流程模板包含：不同执行步骤的执行周期及任务开始时间变量。例如：所述任务流程模板中任务的开始时间变量为T，所述任务流程模板中共有甲、乙、丙共3个执行步骤，甲执行步骤的执行周期为T到(T+5)分钟，乙执行步骤的执行周期为(T+5)分钟到(T+10)分钟，丙执行步骤的执行周期为(T+10)分钟到(T+15)分钟。
进一步地，本发明实施例利用所述任务特征码在预设任务流程模板集中索引得到目标任务流程模板。
例如：所述任务流程模板集共有两个任务流程模板为A、B，任务流程模板A标记的任务特征码为001，任务流程模板B标记的任务特征码为002；所以提取的任务特征码为001时可以在所述任务流程模板集中索引得到目标任务流程模板为任务流程模板A，提取的任务特征码为002时可以在所述任务流程模板集中索引得到目标任务流程模板为任务流程模板B。
进一步地，本发明实施例中，根据所述标准任务数据对所述目标任务流程模板中的任务开始时间变量进行赋值，得到所述标准任务执行数据，其中，所述标准任务执行数据为任务计划执行的数据，包含计划执行的执行步骤的执行周期，例如：所述标准任务数据中任务开始时间为13:00，那么根据所述标准任务数据中的任务开始时间13:00为所述任务流程模板中任务的开始时间变量T赋值，得到T为13:00，所述任务流程模板中甲执行步骤的执行周期为T-T+5分钟，为所述任务流程模板中任务的开始时间变量T赋值后，甲执行步骤的执行周期为13:00-13:05。
通过上述任务流程模板可以利用所述标准任务数据快捷的生成所述标准任务执行数据，提升任务监控的效率。
S4、利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送给任务监控人员。
本发明实施例中，获取所述标准任务执行数据中的执行步骤的标准执行周期，及获取所述任务数据中对应的执行步骤的目标执行周期；判断所述目标执行周期与所述标准执行周期是否一致，得到判断结果；若不一致，则判断结果不正常，例如：所述标准任务执行数据中执行步骤A的执行周期为13:00-13:05；所述任务数据中执行步骤A的开始时间为13:00，结束时间为13:03，执行周期为13:00-13:03与13:00-13:05不一致，得到判断结果为执行步骤A的结束时间提前2分钟。
进一步地，本发明实例，将所述判断结果推送至指定终端设备，其中，所述指定终端设备为任务流程监控人员的流程监控设备，如：手机、电脑等。
本发明实施例中，对所述任务数据进行标准化处理，可以剔除所述任务数据中异常数据的影响；利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码，提高了特征提取的准确率；利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据，提高了标准任务执行数据的生成速度，从而提高了任务监控的效率；利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，不需要人工进行比对，利用任务流程模板快捷生成标准任务执行数据，提高了任务监控的效率。
如图2所示，是本发明任务监控装置的功能模块图。
本发明所述任务监控装置100可以安装于电子设备中。根据实现的功能，所述任务监控装置可以包括数据标准化模块101、特征提取模块102、数据对比模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据标准化模块101用于获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据。
本发明实施例中，所述任务数据为某公司在运营过程中产生的业务数据，例如，保险公司的保险业务，证券公司的证券交易业务等。所述任务数据可以从某公司的业务数据库中进行获取。
进一步地，本发明实施例中，所述任务数据中存在一些异常数据及缺失数据，为了使后续的数据分析的结果更准确，所述数据标准化模块101对所述任务数据进行标准化处理。
详细地，所述所述数据标准化模块101利用如下手段进行标准化处理：
对所述任务数据进行异常值删除处理，得到第一数据；
本发明实施例中所述异常值是指所述任务数据中不合理的值。例如：每年的交易天数数据一般为[0,366]，若所述任务数据中每年的交易天数数据为390天，则该数据为不合理的值。
详细地，本发明实施例中采用下述方法删除所述任务数据中的异常值：计算所述任务数据中数据的标准差和平均值；
删除所述任务数据中与所述平均值的距离超过所述标准差的预设倍数的数据，得到第一数据，较佳地，所述预设倍数的数据为3倍的数据。
对所述第一数据进行缺失值填充处理，得到所述标准任务数据。
较佳地，本发明实施例中，所述数据标准化模块101利用如下手段进行缺失值填充处理：
对所述第一数据进行筛选得到所述第一数据中每个缺失值的临近数据；
较佳地，本发明实施例中利用mice函数，以所述第一数据中每个缺失值在所述第一数据中的位置为中心点，设定长度阈值，选取该缺失值对应长度阈值内的数据为所述临近数据。
计算每个缺失值的临近数据的平均值，得到每个缺失值的预测数据，利用每个缺失值的预测数据填充对应的缺失值，得到所述标准任务数据。
通过上述标准化处理过程，可以消除所述任务数据中异常数据及缺失数据的影响。
所述特征提取模块102用于利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码。
本发明实施例中，不同类型的任务数据具有不同的任务特征码，为了确认所述标准任务数据的任务类型，因此，本发明实施例所述特征提取模块102对所述标准任务数据进行特征提取，得到所述任务特征码。
进一步地，本发明实施例所述特征提取模块102利用预构建的特征提取模型对所述标准任务数据进行特征提取。
较佳地，本发明实施例中，所述特征提取模块102获取历史任务数据集合，其中，所述历史任务数据集合为已经完成的任务数据的集合，所述历史任务数据集合可以从某公司的业务数据库中进行获取。
进一步地，本发明实施例中，所述特征提取模块102将所述历史任务数据集合作为训练集，对所述历史任务数据集合进行任务特征码标记，得到标签集，利用所述训练集及所述标签集对预构建的卷积神经网络进行训练得到所述特征提取模型。
详细地，本发明实施例中，所述特征提取模块102利用如下手段对预构建的卷积神经网络进行训练得到特征提取模型，包括：
步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作得到降维数据集；
步骤B：根据预设的反卷积次数，对所述降维数据集进行反卷积操作得到升维数据集；
步骤C：利用预设的激活函数对所述升维数据集进行计算得到预测值集，将所述预测值集和所述标签集作为预构建的损失函数的输入参数计算得到损失值。
步骤D：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回A；若所述损失值小于所述损失阈值，得到所述特征提取模型。
本发明的另一实施例中，所述特征提取模型训练所需的数据可以存储在区块链中，以防止数据被篡改。
所述数据对比模块103用于利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。
本发明实施例中，所述任务流程模板包括：执行步骤的执行周期及任务开始时间变量；
进一步地，本发明实施例中，不同的任务特征码代表不同的任务类型，每一种任务类型都有对应的任务流程模板，任务特征码与任务流程模板是一一对应的。所述任务流程模板集是标记有任务特征码的任务流程模板的集合。其中，所述任务流程模板包含：不同执行步骤的执行周期及任务开始时间变量。例如：所述任务流程模板中任务的开始时间变量为T，所述任务流程模板中共有甲、乙、丙共3个执行步骤，甲执行步骤的执行周期为T到(T+5)分钟，乙执行步骤的执行周期为(T+5)分钟到(T+10)分钟，丙执行步骤的执行周期为(T+10)分钟到(T+15)分钟。
进一步地，本发明实施例所述数据对比模块103利用所述任务特征码在预设任务流程模板集中索引得到目标任务流程模板。
例如：所述任务流程模板集共有两个任务流程模板为A、B，任务流程模板A标记的任务特征码为001，任务流程模板B标记的任务特征码为002；所以提取的任务特征码为001时可以在所述任务流程模板集中索引得到目标任务流程模板为任务流程模板A，提取的任务特征码为002时可以在所述任务流程模板集中索引得到目标任务流程模板为任务流程模板B。
进一步地，本发明实施例中，所述数据对比模块103根据所述标准任务数据对所述目标任务流程模板中的任务开始时间变量进行赋值，得到所述标准任务执行数据，其中，所述标准任务执行数据为任务计划执行的数据，包含计划执行的执行步骤的执行周期，例如：所述标准任务数据中任务开始时间为13:00，那么根据所述标准任务数据中的任务开始时间13:00为所述任务流程模板中任务的开始时间变量T赋值，得到T为13:00，所述任务流程模板中甲执行步骤的执行周期为T-T+5分钟，为所述任务流程模板中任务的开始时间变量T赋值后，甲执行步骤的执行周期为13:00-13:05。
通过上述任务流程模板可以利用所述标准任务数据快捷的生成所述标准任务执行数据，提升任务监控的效率。
本发明实施例中，所述数据对比模块103获取所述标准任务执行数据中的执行步骤的标准执行周期，及获取所述任务数据中对应的执行步骤的目标执行周期；所述数据对比模块103判断所述目标执行周期与所述标准执行周期是否一致，得到判断结果；若不一致，则判断结果不正常，例如：所述标准任务执行数据中执行步骤A的执行周期为13:00-13:05；所述任务数据中执行步骤A的开始时间为13:00，结束时间为13:03，执行周期为13:00-13:03与13:00-13:05不一致，得到判断结果为执行步骤A的结束时间提前2分钟。
进一步地，本发明实例，将所述判断结果推送至指定终端设备，其中，所述指定终端设备为任务流程监控人员的流程监控设备，如：手机、电脑等。
如图3所示，是本发明实现任务监控方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如任务监控程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如任务监控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如任务监控程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的任务监控程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据；
利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；
利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；
利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种任务监控方法，其特征在于，所述方法包括：
获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据；
利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；
利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；
利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。
2.如权利要求1所述的任务监控方法，其特征在于，所述对所述任务数据进行标准化处理，得到标准任务数据，包括：
对所述任务数据进行异常值删除处理，得到第一数据；
对所述第一数据进行缺失值填充处理，得到所述标准任务数据。
3.如权利要求2所述的任务监控方法，其特征在于，所述对所述第一数据进行缺失值填充处理，得到所述标准任务数据，包括：
对所述第一数据进行筛选得到所述第一数据中每个缺失值的临近数据；
计算每个缺失值的临近数据的平均值，得到每个缺失值的预测数据，利用每个缺失值的预测数据填充对应的缺失值，得到所述标准任务数据。
4.如权利要求1所述的任务监控方法，其特征在于，在利用预构建的特征提取模型对所述标准任务数据进行特征提取前，所述方法还包括：
获取历史任务数据集合；
将所述历史任务数据集合作为训练集；
对所述历史任务数据集合进行任务特征码标记，得到标签集；
利用所述训练集及所述标签集对预构建的卷积神经网络进行训练得到所述特征提取模型。
5.如权利要求1中所述的任务监控方法，其特征在于，所述任务流程模板包括任务开始时间变量，所述根据所述标准任务数据及所述任务流程模板得到标准任务执行数据，包括：
根据所述标准任务数据对所述任务流程模板中的任务开始时间变量进行赋值，得到所述标准任务执行数据。
6.如权利要求1中所述的任务监控方法，其特征在于，所述利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，包括：
获取所述标准任务执行数据中的执行步骤的标准执行周期，及获取所述任务数据中对应的执行步骤的目标执行周期；
判断所述目标执行周期与所述标准执行周期是否一致，得到判断结果；
若所述判断结果显示所述目标执行周期与所述标准执行周期不一致，则确定所述判断结果不正常。
7.一种任务监控装置，其特征在于，所述装置包括：
数据标准化模块，用于获取任务数据，对所述任务数据进行标准化处理，得到标准任务数据；
特征提取模块，用于利用预构建的特征提取模型对所述标准任务数据进行特征提取，得到任务特征码；
数据对比模块，用于利用所述任务特征码在预设任务流程模板集中索引得到任务流程模板，根据所述标准任务数据与所述任务流程模板得到标准任务执行数据；利用所述标准任务执行数据对所述任务数据进行对比判断，得到判断结果，当所述判断结果不正常时，将所述判断结果推送至指定终端设备。
8.如权利要求7所述的任务监控装置，其特征在于，所述数据标准化模块利用如下手段得到标准任务数据，包括：
对所述任务数据进行异常值删除处理，得到第一数据；
对所述第一数据进行缺失值填充处理，得到所述标准任务数据。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的任务监控方法。
10.一种计算机可读存储介质，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如权利要求1至6中任一所述的任务监控方法。
CN202110629224.9A 2021-06-07 2021-06-07 任务监控方法、装置、电子设备及计算机可读存储介质 Pending CN113312409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110629224.9A CN113312409A (zh) 2021-06-07 2021-06-07 任务监控方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629224.9A CN113312409A (zh) 2021-06-07 2021-06-07 任务监控方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113312409A true CN113312409A (zh) 2021-08-27

Family

ID=77377809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629224.9A Pending CN113312409A (zh) 2021-06-07 2021-06-07 任务监控方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113312409A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873957A (zh) * 2016-06-23 2017-06-20 阿里巴巴集团控股有限公司 一种业务流程的处理方法和设备
CN109087054A (zh) * 2018-06-01 2018-12-25 平安科技（深圳）有限公司 协同办公数据流处理方法、装置、计算机设备及存储介质
CN111401691A (zh) * 2020-02-21 2020-07-10 中国平安财产保险股份有限公司 业务进度监控方法、装置及计算机可读存储介质
CN111415064A (zh) * 2020-02-21 2020-07-14 神华和利时信息技术有限公司 预案流程获得方法、系统、存储介质及电子设备
CN111507636A (zh) * 2020-04-22 2020-08-07 时时同云科技(成都)有限责任公司 业务流程运行状态分析方法及系统
CN112181397A (zh) * 2020-09-30 2021-01-05 平安科技（深圳）有限公司 流程可视化监控方法、装置、计算机设备及存储介质
CN112348348A (zh) * 2020-11-02 2021-02-09 北京首钢自动化信息技术有限公司 一种任务数据处理方法及系统
CN112686580A (zh) * 2021-01-31 2021-04-20 重庆渝高科技产业(集团)股份有限公司 一种可自定义流程的工作流定义方法及系统
CN112700112A (zh) * 2020-12-28 2021-04-23 京北方信息技术股份有限公司 Rpa流程调整方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873957A (zh) * 2016-06-23 2017-06-20 阿里巴巴集团控股有限公司 一种业务流程的处理方法和设备
CN109087054A (zh) * 2018-06-01 2018-12-25 平安科技（深圳）有限公司 协同办公数据流处理方法、装置、计算机设备及存储介质
CN111401691A (zh) * 2020-02-21 2020-07-10 中国平安财产保险股份有限公司 业务进度监控方法、装置及计算机可读存储介质
CN111415064A (zh) * 2020-02-21 2020-07-14 神华和利时信息技术有限公司 预案流程获得方法、系统、存储介质及电子设备
CN111507636A (zh) * 2020-04-22 2020-08-07 时时同云科技(成都)有限责任公司 业务流程运行状态分析方法及系统
CN112181397A (zh) * 2020-09-30 2021-01-05 平安科技（深圳）有限公司 流程可视化监控方法、装置、计算机设备及存储介质
CN112348348A (zh) * 2020-11-02 2021-02-09 北京首钢自动化信息技术有限公司 一种任务数据处理方法及系统
CN112700112A (zh) * 2020-12-28 2021-04-23 京北方信息技术股份有限公司 Rpa流程调整方法、装置、电子设备及存储介质
CN112686580A (zh) * 2021-01-31 2021-04-20 重庆渝高科技产业(集团)股份有限公司 一种可自定义流程的工作流定义方法及系统

Similar Documents

Publication Publication Date Title
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN111652279A (zh) 基于时序数据的行为评价方法、装置及可读存储介质
CN113688923A (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN112115145A (zh) 数据采集方法、装置、电子设备及存储介质
CN112528616A (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN111694844A (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN114881616A (zh) 业务流程执行方法、装置、电子设备及存储介质
CN112463530A (zh) 微服务系统的异常检测方法、装置、电子设备及存储介质
CN112579621A (zh) 数据展示方法、装置、电子设备及计算机存储介质
CN113434674A (zh) 数据解析方法、装置、电子设备及可读存储介质
CN112016905A (zh) 基于审批流程的信息展示方法、装置、电子设备及介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN111984898A (zh) 基于大数据的标签推送方法、装置、电子设备及存储介质
CN113158634A (zh) 批量数据申报方法、装置、设备及计算机可读存储介质
CN111639857A (zh) 订单智能审核方法、装置、电子设备及存储介质
CN111401691A (zh) 业务进度监控方法、装置及计算机可读存储介质
CN112104662B (zh) 远端数据读写方法、装置、设备及计算机可读存储介质
CN113434542A (zh) 数据关系识别方法、装置、电子设备及存储介质
CN112541688A (zh) 业务数据校验方法、装置、电子设备及计算机存储介质
CN117193975A (zh) 任务调度方法、装置、设备及存储介质
CN111985194A (zh) 数据存储方法、装置、电子设备及存储介质
CN111651292A (zh) 数据校验方法、装置、电子设备及计算机可读存储介质
CN116562894A (zh) 车险理赔欺诈风险识别方法、装置、电子设备及存储介质
CN114662095A (zh) 基于操作数据的安全监测方法、装置、设备及存储介质
CN114996386A (zh) 业务角色识别方法、装置、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