CN114064243A - 一种任务处理方法、装置及电子设备 - Google Patents
一种任务处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114064243A CN114064243A CN202111368047.XA CN202111368047A CN114064243A CN 114064243 A CN114064243 A CN 114064243A CN 202111368047 A CN202111368047 A CN 202111368047A CN 114064243 A CN114064243 A CN 114064243A
- Authority
- CN
- China
- Prior art keywords
- task
- processing time
- information
- application server
- processed
- 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
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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
- G06F9/4887—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues involving deadlines, e.g. rate based, periodic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种任务处理方法、装置及电子设备,可应用于云计算领域、大数据领域或金融领域。本发明中,生成所述应用服务器对应的至少一个处理时间计算模型,然后从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,使用目标处理时间计算模型计算得到处理时间,并将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。即本发明中,使用至少一个应用服务器对待处理任务进行处理,相比于单机处理的方式,能够提高任务处理效率。进一步,在进行任务分配时,将任务分配给对应的处理时间最小的应用服务器,能够进一步提高任务的处理效率。
Description
技术领域
本发明涉及数据处理领域,更具体的说,涉及一种任务处理方法、装置及电子设备。
背景技术
在实际应用中,应用服务器会根据用户需求处理较多的任务,在进行任务处理时,一般采用单机处理方式,即该应用服务器按照任务的处理顺序,依次处理任务。如银行的后台服务器接收高速不停车电子收费系统(简称ETC)每日上送的大量的扣款任务,并对扣款任务依次处理。
但是这种方式,处理效率较慢,无法满足用户的处理时间需求。
发明内容
有鉴于此,本发明提供一种任务处理方法、装置及电子设备,以解决应用服务器按照任务的处理顺序依次处理任务的方式,处理效率较慢,无法满足用户的处理时间需求的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种任务处理方法,包括:
获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息;
生成所述应用服务器对应的至少一个处理时间计算模型;不同的所述处理时间计算模型对应的处理时间计算规则不同;
对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数;
基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型;
调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间;
将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。
可选地,生成所述应用服务器对应的至少一个处理时间计算模型,包括:
获取所述应用服务器对应的任务样本,以及所述任务样本的标准任务信息,并确定所述标准任务信息对应的处理时长影响系数样本;所述标准任务信息包括任务信息样本和服务器信息样本;
构建所述标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本的立体散点图;
对所述立体散点图进行聚合操作,得到多个聚合簇,并构建所述聚合簇的回归分析方程;
使用所述任务样本中所述聚合簇对应的任务子样本,对所述聚合簇的回归分析方程进行训练,直至满足预设训练停止条件时停止;
将训练得到的每一所述回归分析方程作为一个处理时间计算模型。
可选地,确定所述标准任务信息对应的处理时长影响系数样本,包括:
构建包括所述标准任务信息以及所述标准任务信息对应的标准处理时间的集合;
按照预设决策树处理操作,对所述集合进行处理,得到标准任务信息对应的处理时长影响系数样本。
可选地,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,包括:
计算所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,与目标数据的方差值;所述目标数据为所述处理时间计算模型的中心点;
将所述应用服务器对应的至少一个处理时间计算模型中,对应的方差值小于预设阈值的处理时间计算模型作为目标处理时间计算模型。
可选地,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,包括:
使用所述目标处理时间计算模型中的回归分析方程,对所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间。
一种任务处理装置,包括:
信息获取模块,用于获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息;
模型生成模块,用于生成所述应用服务器对应的至少一个处理时间计算模型;不同的所述处理时间计算模型对应的处理时间计算规则不同;
系数确定模块,用于对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数;
模型筛选模块,用于基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型;
时间确定模块,用于调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间;
任务分配模块,用于将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。
可选地,所述模型生成模块包括:
数据获取子模块,用于获取所述应用服务器对应的任务样本,以及所述任务样本的标准任务信息,并确定所述标准任务信息对应的处理时长影响系数样本;所述标准任务信息包括任务信息样本和服务器信息样本;
图构建子模块,用于构建所述标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本的立体散点图;
聚类子模块,用于对所述立体散点图进行聚合操作,得到多个聚合簇,并构建所述聚合簇的回归分析方程;
训练子模块,用于使用所述任务样本中所述聚合簇对应的任务子样本,对所述聚合簇的回归分析方程进行训练,直至满足预设训练停止条件时停止;
模型确定子模块,用于将训练得到的每一所述回归分析方程作为一个处理时间计算模型。
可选地,所述数据获取子模块用于确定所述标准任务信息对应的处理时长影响系数样本时,具体用于:
构建包括所述标准任务信息以及所述标准任务信息对应的标准处理时间的集合,按照预设决策树处理操作,对所述集合进行处理,得到标准任务信息对应的处理时长影响系数样本。
可选地,所述模型筛选模块具体用于:
计算所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,与目标数据的方差值;所述目标数据为所述处理时间计算模型的中心点;
将所述应用服务器对应的至少一个处理时间计算模型中,对应的方差值小于预设阈值的处理时间计算模型作为目标处理时间计算模型。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于执行上述的任务处理方法。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种任务处理方法、装置及电子设备,本发明中,获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息,生成所述应用服务器对应的至少一个处理时间计算模型,对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。即本发明中,使用至少一个应用服务器对待处理任务进行处理,相比于单机处理的方式,能够提高任务处理效率。进一步,在进行任务分配时,将任务分配给对应的处理时间最小的应用服务器,能够进一步提高任务的处理效率。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种任务处理方法的方法流程图;
图2为本发明实施例提供的另一种任务处理方法的方法流程图;
图3为本发明实施例提供的一种任务处理装置的结构示意图。
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。
在实际应用中,应用服务器会根据用户需求处理较多的任务,在进行任务处理时,一般采用单机处理方式,即该应用服务器按照任务的处理顺序,依次处理任务。如银行的后台服务器接收高速不停车电子收费系统(简称ETC)每日上送的大量的扣款任务,并对扣款任务依次处理。但是这种方式,处理效率较慢,无法满足用户的处理时间需求。
为了解决处理效率较慢的问题,发明人经过研究发现,若是能够使用多机处理,则能够提高处理效率。
因此,本发明实施例提供了一种任务处理方法、装置及电子设备,本发明中,获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息,生成所述应用服务器对应的至少一个处理时间计算模型,对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。即本发明中,使用至少一个应用服务器对待处理任务进行处理,相比于单机处理的方式,能够提高任务处理效率。进一步,在进行任务分配时,将任务分配给对应的处理时间最小的应用服务器,能够进一步提高任务的处理效率。
需要说明的是,本发明提供的一种任务处理方法、装置及电子设备可用于云计算领域、大数据领域或金融领域。上述仅为示例,并不对本发明提供的一种任务处理方法、装置及电子设备的应用领域进行限定。
在上述内容的基础上,本发明实施例提供了一种任务处理方法,参照图1,可以包括:
S11、获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息。
本实施例中的待处理任务可以是数据计算、数据分析、数据操作等各种类型的任务,此外,至少一个待处理任务也可以是相同类型或不同类型的任务,本实施例也不做限定。如待处理任务可以是银行接收的高速不停车电子收费系统(简称ETC)每日发送的大量扣款任务,扣款任务对时效性要求较高,遇到高峰期可能要处理的文件会超过系统承受能力,且影响扣款时效,增加系统负担。因此,亟需增加处理效率。
本实施例中,待处理任务的数量可以为一个也可以为多个,一般来说,在实际场景中,待处理任务为多个的场景较多。
待处理任务的任务信息是指业务复杂度P、业务种类A以及业务大小B(如要处理的任务为文件,则可以为文件大小)。
其中,业务复杂度P由人工根据相同数量级业务在同一硬件条件下的处理速度和最大业务量来确定。
在业务为上述的扣款业务时,业务种类A以及业务大小B可以由高速不停车电子收费系统(简称ETC)的发行方上述的以商户号为标识的请款文件确定,上送的请款文件名包含商户号和批次号,通过查询商户号和批次号得到对应的业务种类A以及业务大小B。
本实施例中,设置至少一个应用服务器来处理上述的待处理任务,每一应用服务器可作为一个节点主机。设节点主机总共有K台,监控机制将监控K台主机的性能指标,包括CPU使用率,IO吞吐量。
本实施例中,由于待处理任务,如待处理的文件大小不一样,有些文件较大,程序处理时长较长,有些文件较小,处理时长较短,另外,不同的任务的业务种类因为复杂性不同,处理速度也会有区别,为了更大程度的提升文件处理速度,本实施例根据任务大小及业务种类及应用服务器性能指标为依据进行任务分发。
则设定本实施例中的应用服务器的服务器信息为1s钟内的CPU平均值C及IO消耗平均值D。
上述的P、A、B、C、D可以分别存储到相应的数据表中,如将P存储到业务种类表中,AB存储到已分配表中,CD存储到应用服务器的性能监控表中。
则对于每一待处理任务,其对应有相应的PAB三个数据,对于每一应用服务器,其对应有CD两个数据。
S12、生成所述应用服务器对应的至少一个处理时间计算模型。
具体的,根据应用服务器的数据分布情况,构建应用服务器对应的至少一个处理时间计算模型,不同的所述处理时间计算模型对应的处理时间计算规则不同。
参照图2,步骤S12可以包括:
S21、获取所述应用服务器对应的任务样本,以及所述任务样本的标准任务信息,并确定所述标准任务信息对应的处理时长影响系数样本。
为了确定上述的至少一个处理时间计算模型,本实施例中采用数据训练的方式得到。因此,需要准备较多的任务样本,任务样本可以是各个任务,如数据处理、采集、分析等。
每一任务样本对应有标准任务信息,所述标准任务信息包括任务信息样本和服务器信息样本。任务信息样本同上述的任务信息类似,服务器信息样本同上述的服务器信息类似。即标准任务信息也同样包括P,A,B,C,D这几个数据。此外,每一任务样本还设置有对应的任务处理时间L,任务处理时间L可以是实际任务处理时所需的时间。
然后,确定所述标准任务信息对应的处理时长影响系数样本,具体的,构建包括所述标准任务信息以及所述标准任务信息对应的标准处理时间的集合,按照预设决策树处理操作,对所述集合进行处理,得到标准任务信息对应的处理时长影响系数样本。
详细来说,本实施例中,采用随机森林算法确定处理时长影响系数样本。
首先,将上述得到的特征变量(P,A,B,C,D,Y)L个构成集合N,然后,有抽样放回的从N中选取M个样本作为每颗决策树的训练集,每棵树进行分裂的时候选取特征变量L0<L,从M个样本中随机选择特征变量为LO的m个子样本集中选择一个最优的特征来做左右子树划分。重复上述步骤多次,最终投票获取最优分类,即得到标准任务信息对应的处理时长影响系数样本,具体来说,即得到P,A,B,C,D分别对应的处理时长影响系数,分别为:P:a1,A:a2,B:a3,C:a4,D:a5。即P对应的处理时长影响系数为a1,A对应的处理时长影响系数为a2……,D对应的处理时长影响系数为a5。
S22、构建所述标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本的立体散点图。
具体的,在得到P:a1,A:a2,B:a3,C:a4,D:a5之后,对集合N做6维立体散点图。详细来说,建立6维坐标系,将集合N中的样本绘制在6维坐标中,自变量为P、A、B、C、D,因变量是Y,形成立体散点图。
S23、对所述立体散点图进行聚合操作,得到多个聚合簇,并构建所述聚合簇的回归分析方程。
具体的,将立体散点图中的数据,以散点图中离散点最密集的部分为中心点,以中心点到最近的次密集点形成每一个聚合簇Y1….Yn。每个聚合簇中构建回归分析方程,如:Y1=a*a1*a3*a2*P*A*B-b*a4*C-c*a5*D+d,a,b,c,d为参数,需要计算得到。
S24、使用所述任务样本中所述聚合簇对应的任务子样本,对所述聚合簇的回归分析方程进行训练,直至满足预设训练停止条件时停止。
具体的,将聚合簇Y1对应的任务子样本,即任务子样本的标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本,有随机放回的抽样形成训练集m0,和测试集m1,m0带入回归分析方程计算a,b,c,d各参数值,并用m1训练集对得到的结果进行验证,取最终的方差之和作为误差,若误差大于设定值T,则重复上述动作,将聚合簇y1中的任务子样本随机有放回的抽样形成训练集m0,和测试集m1,直到误差小于设定值T为止,得到该聚合簇的回归分析方程。
S25、将训练得到的每一所述回归分析方程作为一个处理时间计算模型。
在得到至少一个回归分析方程之后,将每一所述回归分析方程作为一个处理时间计算模型。
S13、对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数。
具体的,处理时长影响系数可以采用上述的a1-a5。
S14、基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型。
具体的,计算所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,与目标数据的方差值;所述目标数据为所述处理时间计算模型的中心点,将所述应用服务器对应的至少一个处理时间计算模型中,对应的方差值小于预设阈值的处理时间计算模型作为目标处理时间计算模型。
详细来说,将待处理任务对应的PABCD,以及a1-a5,与每个聚合簇的中心点做方差di=(x-xi)2+…+(y-yi)2,其中,x、y为聚合簇中心点自变量,xi和yi为聚合簇中除中心点之外的其他变量,此公式表征对不同聚合簇中心点自变量与他变量平方差之和。
取di最小或小于预设阈值的聚合簇,将该具体簇对应的处理时间计算模型作为目标处理时间计算模型。
若有2个或两个以上的di误差值<T1(设定的预设阈值,如误差值),则将di误差值<T1的处理时间计算模型作为目标处理时间计算模型。
S15、调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间。
使用所述目标处理时间计算模型中的回归分析方程,对所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间。
具体的,将待处理任务对应的PABCD,以及a1-a5带入目标处理时间计算模型中,即可计算得到处理时间。
其中,有几个目标处理时间计算模型,则会计算得到几个处理时间。
S16、将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。
将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,则在处理该待处理任务时,使得处理时间最短,进而提高了该待处理任务的处理效率。
本实施例中,获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息,生成所述应用服务器对应的至少一个处理时间计算模型,对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。即本发明中,使用至少一个应用服务器对待处理任务进行处理,相比于单机处理的方式,能够提高任务处理效率。进一步,在进行任务分配时,将任务分配给对应的处理时间最小的应用服务器,能够进一步提高任务的处理效率。
可选地,在上述任务处理方法的实施例的基础上,本发明的另一实施例提供了一种任务处理装置,参照图3,包括:
信息获取模块11,用于获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息;
模型生成模块12,用于生成所述应用服务器对应的至少一个处理时间计算模型;不同的所述处理时间计算模型对应的处理时间计算规则不同;
系数确定模块13,用于对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数;
模型筛选模块14,用于基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型;
时间确定模块15,用于调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间;
任务分配模块16,用于将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。
进一步,所述模型生成模块包括:
数据获取子模块,用于获取所述应用服务器对应的任务样本,以及所述任务样本的标准任务信息,并确定所述标准任务信息对应的处理时长影响系数样本;所述标准任务信息包括任务信息样本和服务器信息样本;
图构建子模块,用于构建所述标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本的立体散点图;
聚类子模块,用于对所述立体散点图进行聚合操作,得到多个聚合簇,并构建所述聚合簇的回归分析方程;
训练子模块,用于使用所述任务样本中所述聚合簇对应的任务子样本,对所述聚合簇的回归分析方程进行训练,直至满足预设训练停止条件时停止;
模型确定子模块,用于将训练得到的每一所述回归分析方程作为一个处理时间计算模型。
进一步,所述数据获取子模块用于确定所述标准任务信息对应的处理时长影响系数样本时,具体用于:
构建包括所述标准任务信息以及所述标准任务信息对应的标准处理时间的集合,按照预设决策树处理操作,对所述集合进行处理,得到标准任务信息对应的处理时长影响系数样本。
进一步,所述模型筛选模块具体用于:
计算所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,与目标数据的方差值;所述目标数据为所述处理时间计算模型的中心点;
将所述应用服务器对应的至少一个处理时间计算模型中,对应的方差值小于预设阈值的处理时间计算模型作为目标处理时间计算模型。
进一步,时间确定模块15具体用于:
使用所述目标处理时间计算模型中的回归分析方程,对所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间。
本实施例中,获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息,生成所述应用服务器对应的至少一个处理时间计算模型,对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。即本发明中,使用至少一个应用服务器对待处理任务进行处理,相比于单机处理的方式,能够提高任务处理效率。进一步,在进行任务分配时,将任务分配给对应的处理时间最小的应用服务器,能够进一步提高任务的处理效率。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选地,在上述任务处理方法及装置的实施例的基础上,本发明的另一实施例提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于执行上述的任务处理方法。
本实施例中,获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息,生成所述应用服务器对应的至少一个处理时间计算模型,对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。即本发明中,使用至少一个应用服务器对待处理任务进行处理,相比于单机处理的方式,能够提高任务处理效率。进一步,在进行任务分配时,将任务分配给对应的处理时间最小的应用服务器,能够进一步提高任务的处理效率。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种任务处理方法,其特征在于,包括:
获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息;
生成所述应用服务器对应的至少一个处理时间计算模型;不同的所述处理时间计算模型对应的处理时间计算规则不同;
对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数;
基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型;
调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间;
将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。
2.根据权利要求1所述的任务处理方法,其特征在于,生成所述应用服务器对应的至少一个处理时间计算模型,包括:
获取所述应用服务器对应的任务样本,以及所述任务样本的标准任务信息,并确定所述标准任务信息对应的处理时长影响系数样本;所述标准任务信息包括任务信息样本和服务器信息样本;
构建所述标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本的立体散点图;
对所述立体散点图进行聚合操作,得到多个聚合簇,并构建所述聚合簇的回归分析方程;
使用所述任务样本中所述聚合簇对应的任务子样本,对所述聚合簇的回归分析方程进行训练,直至满足预设训练停止条件时停止;
将训练得到的每一所述回归分析方程作为一个处理时间计算模型。
3.根据权利要求2所述的任务处理方法,其特征在于,确定所述标准任务信息对应的处理时长影响系数样本,包括:
构建包括所述标准任务信息以及所述标准任务信息对应的标准处理时间的集合;
按照预设决策树处理操作,对所述集合进行处理,得到标准任务信息对应的处理时长影响系数样本。
4.根据权利要求2所述的任务处理方法,其特征在于,基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型,包括:
计算所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,与目标数据的方差值;所述目标数据为所述处理时间计算模型的中心点;
将所述应用服务器对应的至少一个处理时间计算模型中,对应的方差值小于预设阈值的处理时间计算模型作为目标处理时间计算模型。
5.根据权利要求2所述的任务处理方法,其特征在于,调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间,包括:
使用所述目标处理时间计算模型中的回归分析方程,对所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间。
6.一种任务处理装置,其特征在于,包括:
信息获取模块,用于获取至少一个待处理任务的任务信息,以及获取至少一个应用服务器的服务器信息;
模型生成模块,用于生成所述应用服务器对应的至少一个处理时间计算模型;不同的所述处理时间计算模型对应的处理时间计算规则不同;
系数确定模块,用于对于每一所述待处理任务,确定所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数;
模型筛选模块,用于基于所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,从所述应用服务器对应的至少一个处理时间计算模型中筛选出目标处理时间计算模型;
时间确定模块,用于调用所述目标处理时间计算模型对所述待处理任务的任务信息、所述应用服务器的服务器信息、所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数进行处理,得到所述目标处理时间计算模型对应的处理时间;
任务分配模块,用于将对应的处理时间最小的应用服务器,作为处理所述待处理任务的目标服务器,以使所述目标服务器处理所述待处理任务。
7.根据权利要求6所述的任务处理装置,其特征在于,所述模型生成模块包括:
数据获取子模块,用于获取所述应用服务器对应的任务样本,以及所述任务样本的标准任务信息,并确定所述标准任务信息对应的处理时长影响系数样本;所述标准任务信息包括任务信息样本和服务器信息样本;
图构建子模块,用于构建所述标准任务信息,以及所述标准任务信息对应的处理时长影响系数样本的立体散点图;
聚类子模块,用于对所述立体散点图进行聚合操作,得到多个聚合簇,并构建所述聚合簇的回归分析方程;
训练子模块,用于使用所述任务样本中所述聚合簇对应的任务子样本,对所述聚合簇的回归分析方程进行训练,直至满足预设训练停止条件时停止;
模型确定子模块,用于将训练得到的每一所述回归分析方程作为一个处理时间计算模型。
8.根据权利要求7所述的任务处理装置,其特征在于,所述数据获取子模块用于确定所述标准任务信息对应的处理时长影响系数样本时,具体用于:
构建包括所述标准任务信息以及所述标准任务信息对应的标准处理时间的集合,按照预设决策树处理操作,对所述集合进行处理,得到标准任务信息对应的处理时长影响系数样本。
9.根据权利要求7所述的任务处理装置,其特征在于,所述模型筛选模块具体用于:
计算所述待处理任务的任务信息、所述应用服务器的服务器信息、以及所述待处理任务的任务信息以及所述应用服务器的服务器信息分别对应的处理时长影响系数,与目标数据的方差值;所述目标数据为所述处理时间计算模型的中心点;
将所述应用服务器对应的至少一个处理时间计算模型中,对应的方差值小于预设阈值的处理时间计算模型作为目标处理时间计算模型。
10.一种电子设备,其特征在于,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于执行如权利要求1-5任一项所述的任务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368047.XA CN114064243A (zh) | 2021-11-18 | 2021-11-18 | 一种任务处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368047.XA CN114064243A (zh) | 2021-11-18 | 2021-11-18 | 一种任务处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114064243A true CN114064243A (zh) | 2022-02-18 |
Family
ID=80277781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111368047.XA Pending CN114064243A (zh) | 2021-11-18 | 2021-11-18 | 一种任务处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114064243A (zh) |
-
2021
- 2021-11-18 CN CN202111368047.XA patent/CN114064243A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6657417B2 (ja) | サービス・パラメータ選択方法及び関連するデバイス | |
CN110347888B (zh) | 订单数据的处理方法、装置及存储介质 | |
CN111507479B (zh) | 特征分箱方法、装置、设备及计算机可读存储介质 | |
US20210233027A1 (en) | Method for conducting statistics on insurance type state information of policy, terminal device and storage medium | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN106909454B (zh) | 一种规则处理方法和设备 | |
CN107784195A (zh) | 数据处理方法及装置 | |
CN113592156A (zh) | 电厂煤量调度方法、装置、终端设备及存储介质 | |
CN114723481A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN110099061B (zh) | 一种云平台视频流服务选择方法及装置 | |
CN114064243A (zh) | 一种任务处理方法、装置及电子设备 | |
US20230017215A1 (en) | Modeling method and apparatus | |
CN108463813A (zh) | 一种进行数据处理的方法和装置 | |
CN111259045A (zh) | 一种数据处理方法、装置、服务器及介质 | |
CN104765776A (zh) | 一种数据样本的聚类方法和装置 | |
CN112598228B (zh) | 企业竞争力的分析方法、装置、设备及存储介质 | |
CN115022038A (zh) | 一种电网网络异常检测方法、装置、设备及存储介质 | |
CN113761082A (zh) | 一种数据可视化方法、装置和系统 | |
CN113822704A (zh) | 计算优惠费用的方法、装置、电子设备及可读存储介质 | |
CN112764935A (zh) | 大数据处理方法、装置、电子设备及存储介质 | |
CN113705625A (zh) | 异常生活保障申请家庭的识别方法、装置及电子设备 | |
CN113743493A (zh) | 群体分类方法及电子设备 | |
CN112529428A (zh) | 银行网点设备运营效能评估的方法及设备 | |
CN113238911A (zh) | 告警处理方法及装置 | |
CN109947803A (zh) | 一种数据处理方法、系统及存储介质 |
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 |