CN114268661A - 一种业务方案部署方法、装置、系统及设备 - Google Patents
一种业务方案部署方法、装置、系统及设备 Download PDFInfo
- Publication number
- CN114268661A CN114268661A CN202111399582.1A CN202111399582A CN114268661A CN 114268661 A CN114268661 A CN 114268661A CN 202111399582 A CN202111399582 A CN 202111399582A CN 114268661 A CN114268661 A CN 114268661A
- Authority
- CN
- China
- Prior art keywords
- service
- processing
- request
- target
- updating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 335
- 230000008569 process Effects 0.000 claims abstract description 251
- 238000012545 processing Methods 0.000 claims abstract description 237
- 230000006870 function Effects 0.000 claims abstract description 204
- 230000015654 memory Effects 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 88
- 238000012544 monitoring process Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 16
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000012827 research and development Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000008451 emotion Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Landscapes
- Stored Programmes (AREA)
Abstract
本申请公开了一种业务方案部署方法、装置及设备，该方法包括：首先获取待部署的业务方案对应的目标业务请求，然后通过自动重新启动程序启动多进程处理服务，利用更新进程和操作类进程，分别处理该业务请求中的目标更新请求和目标操作类请求；接着通过预设的通信协议服务，根据目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；并根据目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过操作类功能实现处理进程调用目标操作类请求所需的业务处理模型；进而再利用业务处理模型，将目标业务请求对应的业务方案部署到对应的服务器中。从而实现了业务方案从研发到部署的整个过程在性能上达到高并发和内存利用率高。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种业务方案部署方法、装置、系统及设备。
背景技术
随着人工智能技术的快速发展，越来越多的人工智能技术应用在工业环境的实际生产过程中，为人们的生活带来了极大的便利。
但是在实际的工业生产过程中，将基于机器学习方案或者深度学习模型方案部署于现场生产环境的过程中时，往往不能直接将研究人员的算法实验方案部署到工业场景下，而是需要在算法研究人员基于python语言进行方案设计和验证之后，再由开发人员利用更加贴合生产性能需求的开发语言(如Java、C++等)进行方案的推理和重写，使其更加符合工业环境下对性能和效率的指标要求，才能实现更理性的方案部署。这种跨语言以及部署环境的约束，往往会造成整个解决方案落地的周期很长，增加了开发人员的人力投入，并且可能在一定程度上影响了方案部署后的最终效果。
发明内容
本申请实施例的主要目的在于提供一种业务方案部署方法、装置及设备，能够实现工业环境中业务方案的快速、合理性部署，且能够满足工业环境下对于性能和效率的指标要求，节省开发人员的人力投入。
本申请实施例提供了一种业务方案部署方法，包括：
获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；
通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求，并利用操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过所述操作类功能实现处理进程调用所述目标操作类请求所需的业务处理模型；
利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
一种可能的实现方式中，所述在所述通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求之后，所述方法还包括：
利用所述更新进程向所述操作类进程发送更新指令，以便所述操作类进程根据所述更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
一种可能的实现方式中，所述业务处理模型是根据预先建立的通用模型训练框架Tensorflow和Pytorch训练而成的；所述业务处理模型为处理业务的深度学习模型。
一种可能的实现方式中，所述业务处理模型的构建方式如下：
通过所述Tensorflow的训练工具和Pytorch的训练工具，调用构建所述业务处理模型所需的基类函数，并直接继承所述基类函数，进而在传入参数后，调用对应的功能，以训练得到所述业务处理模型；
其中，所述基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
一种可能的实现方式中，所述方法还包括：
对部署到所述服务器中的所述业务方案进行测试，得到测试结果。
一种可能的实现方式中，所述方法还包括：
对所述服务器中CPU和内存的占用情况进行实时监控，得到监控结果；
根据所述监控结果，实时调节所述更新进程、所述操作类进程、所述更新类功能实现处理进程以及所述操作类功能实现处理进程的进程数量。
一种可能的实现方式中，所述预设的通信协议服务为超文本传输协议HTTP服务。
本申请实施例还提供了一种业务方案部署装置，所述装置包括：
获取单元，用于获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；
处理单元，用于通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求，并利用操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
调用单元，用于通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以通过所述操作类功能实现处理进程调用所述目标操作类请求所需的业务处理模型；
部署单元，用于利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
一种可能的实现方式中，所述装置还包括：
发送单元，用于利用所述更新进程向所述操作类进程发送更新指令，以便所述操作类进程根据所述更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
一种可能的实现方式中，所述业务处理模型是根据预先建立的通用模型训练框架Tensorflow和Pytorch训练而成的；所述业务处理模型为处理业务的深度学习模型。
一种可能的实现方式中，所述装置还包括：
构建单元，用于通过所述Tensorflow的训练工具和Pytorch的训练工具，调用构建所述业务处理模型所需的基类函数，并直接继承所述基类函数，进而在传入参数后，调用对应的功能，以训练得到所述业务处理模型；
其中，所述基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
一种可能的实现方式中，所述装置还包括：
测试单元，用于对部署到所述服务器中的所述业务方案进行测试，得到测试结果。
一种可能的实现方式中，所述装置还包括：
监控单元，用于对所述服务器中CPU和内存的占用情况进行实时监控，得到监控结果；
调节单元，用于根据所述监控结果，实时调节所述更新进程、所述操作类进程、所述更新类功能实现处理进程以及所述操作类功能实现处理进程的进程数量。
一种可能的实现方式中，所述预设的通信协议服务为超文本传输协议HTTP服务。
本申请实施例还提供了一种业务方案部署系统，所述系统包括：管理模块、功能实现模块、模型存储模块；
所述管理模块与所述功能实现模块通过预设的通信协议服务进行数据传输；所述管理模块包括更新进程和操作类进程；所述功能实现模块包括更新类功能实现处理进程和操作类功能实现处理进程；
所述管理模块，用于获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；并通过自动重新启动程序启动多进程处理服务，利用所述更新进程处理所述目标更新请求，并利用所述操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
所述管理模块，还用于通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用所述功能实现模块中的更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用所述功能实现模块中的操作类功能实现处理进程进行响应；
所述功能实现模块，用于利用所述更新类功能实现处理进程处理所述目标更新请求的处理结果；以及利用所述操作类功能实现处理进程处理所述目标操作类请求的处理结果，调用所述模型存储模块中处理所述目标操作类请求所需的业务处理模型；
所述模型存储模块，用于存储各个业务类型对应的业务处理模型。
所述管理模块，还用于利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
一种可能的实现方式中，所述管理模块还用于：
在所述通过自动重新启动程序启动多进程处理服务，利用所述更新进程处理所述目标更新请求之后，利用所述更新进程向所述操作类进程发送更新指令，以便所述操作类进程根据所述更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
一种可能的实现方式中，所述系统还包括：模型构建模块；
所述模型构建模块，用于通过Tensorflow训练工具和Pytorch训练工具，调用构建所述业务处理模型所需的基类函数，并直接继承所述基类函数，进而在传入参数后，调用对应的功能，以训练得到所述业务处理模型；
其中，所述基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
一种可能的实现方式中，所述系统还包括：测试模块；
所述测试模块，用于对部署到所述服务器中的所述业务方案进行测试，得到测试结果。
一种可能的实现方式中，所述系统还包括：监控模块；
所述监控模块，用于对所述服务器中CPU和内存的占用情况进行实时监控，得到监控结果；并根据所述监控结果，实时调节所述更新进程、所述操作类进程、所述更新类功能实现处理进程和所述操作类功能实现处理进程的进程数量。
一种可能的实现方式中，所述预设的通信协议服务为超文本传输协议HTTP服务。
本申请实施例还提供了一种业务方案部署设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述业务方案部署方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述业务方案部署方法中的任意一种实现方式。
本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述业务方案部署方法中的任意一种实现方式。
本申请提供的业务方案部署方法中，首先获取待部署的所述业务方案对应的目标业务请求；其中，目标业务请求包括目标更新请求和目标操作类请求，然后再通过自动重新启动程序启动多进程处理服务，利用更新进程处理目标更新请求，并利用操作类进程处理目标操作类请求，以实现对目标业务请求的高并发响应；接着，通过预设的通信协议服务，根据目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过操作类功能实现处理进程调用目标操作类请求所需的业务处理模型；进而可以利用业务处理模型，将业务方案部署到对应的服务器中。可见，由于本申请实施例是通过自动重新启动程序(如Gunicorn)启动多进程处理服务，实现了目标业务请求对应的业务方案从研发到部署的整个过程在性能上达到高并发和内存利用率高，不再受跨语言以及部署环境的约束，满足了工业环境下对于性能和效率的指标要求，也节省开发人员的人力投入。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种业务方案部署方法的流程示意图；
图2为本申请实施例提供的一种业务方案部署系统的结构框图；
图3为本申请实施例提供的模型构建模块的结构框图；
图4为本申请实施例提供的一种业务方案部署装置的组成示意图。
具体实施方式
随着人工智能技术在各类垂直领域(如教育、医疗等)产生了深远的影响，越来越多的人工智能技术应用在工业实际生产过程中，为人们的生活带来了极大的便利。
但目前在实际的工业生产过程中，将基于机器学习方案或者深度学习模型方案部署于现场生产环境的过程中时，倘若直接将研究人员的算法实验方案应用在工业场景下，则无法实现工业场景下对性能和效率的指标需求，即使是目前学术界针对性能优化提出的“模型蒸馏”等相关的模型压缩方案、以及针对工业环境业务方案部署提出的PyTorchLighting、Tensorflow Serving等工具包，这些都仅仅是针对提高模型推理效率而提出的方案，与工业上对整个解决方案的引擎的效率和性能需求相差甚远。
因此，目前在工业环境中采用的业务方案部署方式往往是需要在算法研究人员基于python语言进行方案设计和验证之后，再由开发人员利用更加贴合生产性能需求的开发语言(如Java、C++等)进行方案的推理和重写，使其更加符合工业环境下对性能和效率的指标要求。这种跨语言以及部署环境的约束，往往会造成整个解决方案落地的周期很长，增加了开发人员的人力投入，并且可能在一定程度上影响了方案的最终效果。
为解决上述缺陷，本申请提供了一种业务方案部署方法，首先获取待部署的目标业务请求；其中，目标业务请求包括目标更新请求和目标操作类请求，然后再通过自动重新启动程序启动多进程处理服务，利用更新进程处理目标更新请求，并利用操作类进程处理目标操作类请求，以实现对目标业务请求的高并发响应；接着，通过预设的通信协议服务，根据目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过操作类功能实现处理进程调用目标操作类请求所需的业务处理模型；进而可以利用业务处理模型，将目标业务请求对应的业务方案部署到对应的服务器中。可见，由于本申请实施例是通过自动重新启动程序(如Gunicorn)启动多进程处理服务，实现了目标业务请求对应的业务方案从研发到部署的整个过程在性能上达到高并发和内存利用率高，不再受跨语言以及部署环境的约束，满足了工业环境下对于性能和效率的指标要求，也节省开发人员的人力投入。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
第一实施例
参见图1，为本实施例提供的一种业务方案部署方法的流程示意图，该方法包括以下步骤：
S101：获取待部署的业务方案对应的目标业务请求；其中，目标业务请求包括目标更新请求和目标操作类请求。
在本实施例中，将采用本实施例实现业务方案部署的任一用户通过客户端提出的业务请求定义为待部署的业务方案对应的目标业务请求，并且本申请实施例不限制目标业务请求的内容、类型以及所属领域等，比如，目标业务请求可以是情感分类请求、语义分析请求、意图识别请求等。
举例说明：以自然语言处理领域为例，假设用户A需要对某一段文字所表达的情感意图进行识别，则其可以通过手机APP提出对这一段文字所表达的情感意图进行识别的业务请求，作为目标业务请求，并通过网络连接发送至用于业务方案部署的服务器，以便通过后续步骤S102-S104，将对文字所表达的情感意图进行识别的业务方案部署到服务器中，进而可以通过该方案对用户A提出的目标业务请求进行响应，即实现对对应段落文字所表达的情感意图进行的识别。
其中，一种可选的实现方式是，目标业务请求可以包括目标更新请求和/或目标操作类请求。目标更新请求指的是更新操作的请求，这类请求一般出现的频率较低，并且请求的时间较长。目标操作类请求指的是高频类/高并发类的请求，如情感分析请求等。
S102：通过Gunicorn启动多进程处理服务，利用更新进程处理目标更新请求，并利用操作类进程处理目标操作类请求，以实现对目标业务请求的高并发响应。
在本实施例中，为了能够实现将目标业务请求对应的业务方案快速、合理性部署到工业环境的服务器中，以满足工业环境下对于性能和效率的指标要求。在通过步骤S101获取到包括目标更新请求和目标操作类请求的目标业务请求后，进一步可以通过Gunicorn启动多进程处理服务，并利用预先设置的更新进程来处理目标更新请求，以及利用预先设置的操作类进程来处理目标操作类请求，以实现对目标业务请求的高并发响应，用以执行后续步骤S103。
其中，通过Gunicorn启动多进程处理服务是为了保证部署程序在启动之后如果中途出现故障时，可以自动重新启动部署程序，防止部署无法持续进行的情况产生。
并且，需要说明的是，本申请实施例中的更新进程和操作类进程都是预先按照多进程机制进行单独设置的，且二者各自的数量是可配置的，也可以根据实际情况进行适时调整。
在此基础上，一种可选的实现方式是，在通过Gunicorn启动多进程处理服务，并利用更新进程处理目标更新请求之后，进一步可以利用更新进程向操作类进程发送更新指令，以便操作类进程根据更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
具体来讲，当用户通过客户端发送目标更新请求和目标操作类请求(如配置更新请求和资源调整请求等)时，可以先只利用预先设置的更新进程进行目标更新请求响应，并将更新后的数据和状态存入数据库或知识库(不依赖数据的独立数据集合)中。在更新进程完成更新后，再分别向各个操作类进程发送更新命令，这样，各个操作进程只需要去读取数据库或知识库中的最新数据和状态并进行同步处理，即可实现自身资源和状态的同步。其中，所有的预先设置的更新进程和操作类进程均可由Gunicorn启动并进行管理，并由Nginx实现反向代理。
S103：通过预设的通信协议服务，根据目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过操作类功能实现处理进程调用目标操作类请求所需的业务处理模型。
在本实施例中，通过步骤S102利用更新进程处理目标更新请求，并利用操作类进程处理所述目标操作类请求，以实现对目标业务请求的高并发响应后，进一步可以通过预设的通信协议服务，将目标更新请求的处理结果，传输给预先设置的更新类功能实现处理进程，以便其进行对应数据和状态的更新，并在在完成更新后，再分别通知其他各个操作类功能实现处理进程去读取数据库或知识库中的最新数据和状态并进行同步处理，从而实现自身资源和状态的同步。
其中，目标更新请求通常出现的频率较低，并且请求的时间较长，比如，目标更新请求可以更新服务器的端口号，在利用更新进程处理该目标更新请求后得到的更新结果可能是将服务器的端口号由6003端口更新为6004端口，或者目标更新请求也可以是对接收并处理操作类请求的操作类进程进行调整设置，比如，假设原来图2的功能模块201中负责接收语义分析请求这一操作类请求的操作类进程是01、02，则目标更新请求可以是将图2功能模块201中负责接收语义分析请求的操作类进程调整为01、02和03，并保持三者处理进程一致，并将其他编号(如04、05)的进程随机用于接收其他操作类请求(如情感分析等)。同时，更新进程处理在处理了目标更新请求后，可以将处理结果存入数据库中，以便其他操作类进程从数据库中读取更新后的数据和状态，比如可以读取服务器的端口号由6003端口更新为6004端口的更结果，以及需要保持01、02和03对语义分析请求的处理进程一致等等。
同时，还可以通过预设的通信协议服务，将目标更新请求的处理结果，传输给预先设置的操作类功能实现处理进程，以便其调用所述目标操作类请求所需的业务处理模型来实现目标操作类请求对应的功能。
其中，一种可选的实现方式是，预设的通信协议服务可以为超文本传输协议(Hyper Text Transfer Protocol，简称HTTP)服务，从而使得不同功能的更新类功能实现处理进程和操作类功能实现处理进程可以灵活的与更新进程和操作类进程进行关联，快速实现功能的添加或删除等操作。
需要说明的是，本申请实施例中的更新类功能实现处理进程和操作类功能实现处理进程也都是预先按照多进程机制进行单独设置的，且二者各自的数量是可配置的，也可以根据实际情况进行适时调整。并且，二者的配置方式与上文提及的更新进程和操作类进程是相对应的，均可根据实际工业生产环境中各类业务功能的请求量，调整到合理的数量。从而能够平衡内存空间占有量与高并发数下的响应效率。
在本申请实施例的一种可能的实现方式中，业务处理模型是根据预先建立的通用模型训练框架Tensorflow和Pytorch训练而成的；且业务处理模型指的是处理业务的深度学习模型。以自然语言领域为例，业务处理模型可以包括翻译模型、情感分类模型、意图识别模型、实体抽取模型，关系抽取模型等等。
一种可选的实现方式是，业务处理模型的构建方式可以为：通过Tensorflow的训练工具和Pytorch的训练工具，调用构建业务处理模型所需的基类函数，并直接继承该基类函数，进而在传入参数后，调用对应的功能，以训练得到对应的业务处理模型；
其中，基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
需要说明的是，对于业务处理模型的具体构建过程请参见后续第二实施例中有关模型构建模块的详细介绍。
S104：利用业务处理模型，将目标业务请求对应的业务方案部署到对应的服务器中。
在本实施例中，通过步骤S103调用到目标操作类请求所需的业务处理模型(如分类模型)后，进一步可以利用该业务处理模型，实现目标业务请求对应的业务功能(如情感分类功能)，并将利用该业务处理模型实现的业务方案部署到对应的服务器中，即，实现了将目标业务请求对应的业务方案部署到对应的服务器中的目的，也不再受跨语言以及部署环境的约束，即满足了工业环境下对于性能和效率的指标要求，也节省开发人员的人力投入。
进一步的，一种可选的实现方式是，在将目标业务请求对应的业务方案部署到对应的服务器中后，为了提高业务方案的实现效果，还可以对部署到服务器中的目标业务请求对应的业务方案进行测试，如通过程序自检的方式，验证服务器是否可以正常启动，以得到测试结果。
另外，一种可选的实现方式是，为了提高服务器的资源利用率和服务响应的效率，还可以对服务器中CPU和内存的占用情况进行实时监控，并根据得到的监控结果，实时调节更新进程、操作类进程、更新类功能实现处理进程以及操作类功能实现处理进程的进程数量，以适应实际的功能业务需求。
综上，在本实施例提供的一种业务方案部署方法中，首先获取待部署的所述业务方案对应的目标业务请求；其中，目标业务请求包括目标更新请求和目标操作类请求，然后再通过自动重新启动程序启动多进程处理服务，利用更新进程处理目标更新请求，并利用操作类进程处理目标操作类请求，以实现对目标业务请求的高并发响应；接着，通过预设的通信协议服务，根据目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过操作类功能实现处理进程调用目标操作类请求所需的业务处理模型；进而可以利用业务处理模型，将目标业务请求对应的业务方案部署到对应的服务器中。可见，由于本申请实施例是通过自动重新启动程序(如Gunicorn)启动多进程处理服务，实现了目标业务请求对应的业务方案从研发到部署的整个过程在性能上达到高并发和内存利用率高，不再受跨语言以及部署环境的约束，满足了工业环境下对于性能和效率的指标要求，也节省开发人员的人力投入。
第二实施例
为了实现本申请提供的业务方案部署方法，本申请还提供了一种业务方案部署系统，接下来本申请将结合附图和举例的方式，对本申请提供的业务方案部署系统进行进一步说明：
如图2所示，其示出了本申请实施例提供的一种业务方案部署系统的结构框图，该系统200包括：管理模块201、功能实现模块202、模型存储模块203；
其中，管理模块201与功能实现模块202是通过预设的通信协议服务(如HTTP服务)进行数据传输的；管理模块201包括更新进程和操作类进程；功能实现模块202包括更新类功能实现处理进程和操作类功能实现处理进程。
第一，管理模块201(Master Module)是整个工业环境的方案部署系统的统一对外的模块，负责管理所有的功能实现模块202(Client Module)的启动和资源配置。另外也负责接收外部请求(如第一实施例中提及的目标业务请求)并且将请求转发给指定的功能实现模块202。如图2所示，管理模块201(Master Module)通过Gunicorn多进程处理服务，并且根据实际并发需求实现可配置管理模块201(Master Module)的数量，也可以看作是对管理模块201(Master Module)开启多进程。一种优选的实现方式是，可以单独设置MasterModule多进程中的一个进程为指定的管理/更新类请求处理进程，并将其定义为更新进程，同时设置其他进程为操作类请求处理进程，并将其定义为操作类进程。
具体来讲，如图2所示，管理模块201(Master Module)内部可以由多个具备相同功能的部分(即进程)组成，该部分编号为00、01、02等，其中编号为00的进程即为更新进程，主要负责对接外部更新操作的请求，这类请求一般出现的频率较低，并且请求的时间较长，而其他编号为01～0x的进程表示的是配置的操作类进程，主要承担高频类/高并发类的请求，如情感分析请求等，该部分的数量取决于具体场景下的并发需求，其为可配置参数。
在此基础上，在实现工业环境的方案部署的过程中，管理模块201可以用于获取待部署的业务方案对应的目标业务请求；其中，目标业务请求包括目标更新请求和目标操作类请求；并通过自动重新启动程序(如Gunicorn)启动多进程处理服务，利用更新进程处理目标更新请求，之后，再利用更新进程向操作类进程发送更新指令，以便操作类进程根据更新指令，从数据库中读取更新后的数据和状态并进行同步处理。同时，还可以利用操作类进程处理目标操作类请求，以实现对目标业务请求的高并发响应。进一步的，管理模块201还可以用于通过预设的通信协议服务(如HTTP服务)，根据目标更新请求的处理结果，调用功能实现模块202(Client Module)中的更新类功能实现处理进程进行更新；以及，根据目标操作类请求的处理结果，调用功能实现模块202(Client Module)中的操作类功能实现处理进程进行响应，并在确定出业务处理模型后，将目标业务请求对应的业务方案部署到对应的服务器中，具体实现过程可参见第一实施例中步骤S101-S104的详细介绍，在此不再赘述。
这样，通过自动重新启动程序(如Gunicorn)启动模块多进程，实现高并发响应的结构，以及单独配置管理模块201(Master Module)的更新进程和操作类进程的方式，可以在最小化内存增长的同时，保持高并发过程中数据更新和配置更新的请求的实时性。
第二，功能实现模块202(Client Module)是整个工业环境的方案部署系统中的具体功能的实现模块，可以根据实际功能的需求，进行功能实现模块的添加和删除，也就是说，功能实现模块202(Client Module)的数量也是多个，每个功能实现模块对应实现一个业务功能，且每个功能实现模块中包含实现对应业务功能的多种实现方式。并且，通过管理模块201与功能实现模块202之间的预设的通信协议服务(如HTTP服务)连接，使得功能实现模块202(Client Module)的管理方式灵活性更高，并且可以接入外部其他功能模块，对实现语言也没有限制。同时该部分为了满足高并发请求，功能实现模块202(Client Module)也采用管理模块201(Master Module)中的多进程机制，配置编号00为功能实现模块202(Client Module)的更新类功能实现处理进程，其余01～0x为操作类功能实现处理进程。
具体来讲，如图2所示，功能实现模块202(Client Module)根据功能的多样性，可以存在多个。并且每一个Client Module内部也存在具备相同功能的多个部分，这些部分的编号也是00、01、02等，其数量也是可配置的。其中编号为00的进程，作为更新类功能实现处理进程，负责更新类操作请求，其他操作类功能实现处理进程则负责响应高频类请求。
在此基础上，在实现工业环境的方案部署的过程中，功能实现模块202(ClientModule)可以用于利用更新类功能实现处理进程处理目标更新请求的处理结果；以及利用操作类功能实现处理进程处理目标操作类请求的处理结果，并调用模型存储模块203中处理目标操作类请求所需的业务处理模型，具体实现过程可参见第一实施例中步骤S103的详细介绍，在此不再赘述。
这样，通过将功能实现模块202(Client Module)独立于管理模块201(MasterModule)，以及利用HTTP服务的方式进行关联，使得不同功能对应的功能实现模块(ClientModule)可以灵活的进行关联，另外管理模块201(Master Module)可以根据实际生成环境中对各类功能的请求量，合理的设置不同功能实现模块202(Client Module)的进程数，以平衡内存空间占有量与高并发数下的响应效率。
举例说明：在外呼场景下，输入一个query语句，需要快速的对该语句进行意图识别。并且实际场景下因为用户数量大，系统200需要同时对N(如100)路(个)语句进行意图识别，这个过程可看作为系统响应200用户的业务请求。即同时响应N(如100)路业务请求，并且每一路请求不间断。这种情景可称为100路并发。此时，系统200就需要快速的接收这些请求，所以管理模块201(Master Module)数量越大就可以同时接收的请求数越多，并且将这些请求转发给功能实现模块202(Client Module)，调用模型存储模块203中的意图识别模型去处理输入的query，判断该query的意图。
为了能同时处理更多的query，所需要的功能实现模块202(Client Module)也就越多。所以理论上管理模块201(Master Module)数量越多，同时接收的请求也就越多。功能实现模块202(Client Module)越多，同时处理的请求数量也越多。故请求排队等待的时间就越短，响应的时间就越快。但是，随着模块数量的增多，每个模块占据的内存空间，并且需要的CPU核数需求也就越大。实际场景下内存和CPU核数也是直接影响成本的重要因素。所以如何平衡好成本与响应效率就是合理配置管理模块201(Master Module)和功能实现模块202(Client Module)的数量。使得部署系统200在确定配置的机器上能够发挥出最大的响应效率。
其中，管理模块201(Master Module)的数量可以根据单个管理模块201进程和功能实现模块202的CPU占用率来确定，如果管理模块201进程的CPU占用率低于预设阈值(如80％)，则说明管理模块201的利用率低下，可以减小管理模块201的数量，如果在减小的过程中功能实现模块202进行的CPU占用率不低于预设阈值(如80％)，则说明管理模块201的数量较为合适。对于功能实现模块202的数量的调节则需要根据内存占用比进行配置，以便使得内存占比最好不高于预设阈值(如80％)。基于前述的设定思路，在8核、24G内存的服务器上，通常会设置管理模块201的数量为4，功能实现模块202的数量为6～8。在24核、48G内存的服务器上，通常会设置管理模块201的数量为8，功能实现模块202的数量为10～15。当然二者数量的设定因素还包括：处理算法复杂度、调用的数据量等。在实际应用中，功能实现模块202可以包括意图识别功能实现模块、要素抽取功能实现模块、情感识别功能实现模块、规则匹配功能实现模块等，功能的不同对应配置的模块数量通常也是也不同的。
第三，模型存储模块203(TF Serving)用于存储各个业务类型对应的业务处理模型，如图2所示的分类模型、抽取模型、生成模型等。该模块是由tensorflow官方发布的模型管理服务引擎，主要实现部分为C++语言，通过多线程方式既可以满足高并发响应也可以满足数据共享的需求，并且整个工具配置使用方便，支持多模型多版本管理。
此外，在本实施例的一种可能的实现方式中，本申请实施例提供的工业环境的方案部署系统200还包括模型构建模块。如图3所示，该模块用于通过Tensorflow训练工具和Pytorch训练工具，调用构建业务处理模型所需的基类函数，并直接继承基类函数，进而在传入参数后，调用对应的功能，以训练得到业务处理模型。
具体来讲，在本实现方式中，模型构建模块兼容了目前主流的深度学习框架Tensorflow和Pytorch，是按照代码复用和任务分离的方式采用工厂设计模式进行了该模块的代码构建。如图3所示，该模块包含启动脚本部分、任务模型以及共享工具部分。其中，启动脚本内提供了数据相关和运行模式相关的参数设置，支持运行该脚本时对具体任务模型中超参的修改，另外固定训练、验证和推理模式通过模式运行状态进行配置。共享工具中包括对各类数据的读写、转换等操作。共享工具用来管理不同的任务所对应的参数以及模型，另外训练工具需要调用深度学习框架的API接口函数，所以也分为Tensorflow训练工具和Pytorch训练工具，如图3所示，其主要提供构建不同业务处理模型所需要的基类，并统一设计了任务模型必要的函数以及接口协议。
需要说明的是，在构建业务处理模型时，首先需要进行获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化等操作。而这些操作流程是训练深度学习模型的基本流程步骤，所以均可以通过定义基类的方式，使其包含这些基本操作流程步骤。这样，即使在实际中，由于不同的人代码风格以及代码能力的差异，通常导致各自的基本流程很难通用，也可以通过定义好的基类构建统一的实现方式。从而能够在很大程度上解决了多人协作上的痛点。并且开发人员也不需要在训练流程上花费精力，就可以直接继承该基类，快速的进行模型的训练。
其中，根据上述训练过程中的基本操作流程步骤，预先定义的基类可以包含的函数为：creat_optimizer()、train_step()、data_reader()、write_train_log()、init_parameter()、save_model()，各个函数在传入参数时均可按照字典结构进行导入。基类为BaseTask。这样，针对具体的实现业务，在构建业务业务处理模型时，只需要继承该基类，就可以在传入参数后，调用对应的功能，以训练得到相应的业务处理模型。也就是说。用户在进行模型训练时，只需要根据具体的业务类型，在初始模型中创建模型文件并配置必要的业务超参，即可进行模型训练，得到对应的业务处理模型。
这样，通过预先建立的通用的模型训练框架，用户就可以快速的建立业务模型和完成业务处理模型的训练，无需耗费大量时间在构建模型训练中涉及的参数加载、模式切换、数据读取和保存以及各功能之间得逻辑操作和函数接口协议上。并且根据统一的接口协议(即数据结构格式，如Jason格式等)，也方便了多人协同开发，并降低了不同业务功能部署实现之间切换的难度。
另外，在本实施例的另一种可能的实现方式中，本申请实施例提供的工业环境的方案部署系统200还包括了测试模块。该模块用于对部署到服务器中的目标业务请求对应的业务方案进行测试，并根据得到的测试结果，进一步提高业务方案的实现效果。
在本实施例的又一种可能的实现方式中，本申请实施例提供的工业环境的方案部署系统200还包括了监控模块。该模块用于对服务器中CPU和内存的占用情况进行实时监控，并根据得到的监控结果，实时调节更新进程、操作类进程、更新类功能实现处理进程和操作类功能实现处理进程的进程数量，以提高服务器的资源利用率和服务响应的效率。
具体来讲，为了避免服务器超负荷，导致响应超时或者宕机等故障的发生，并提高服务器的资源利用率。本申请还提出利用监控模块对服务器中CPU和内存的占用情况进行实时监控，再根据监控到的结果确定出CPU的利用率，以便再根据CPU的利用率自动调整系统200中管理模块201(Master Module)和功能实现模块202(Client Module)的数量，比如，当功能实现模块202(Client Module)的CPU利用率满载时，如果内存有空余，则会开启新的功能实现模块202(Client Module)，增加其进程数量，分担功能实现模块202(ClientModule)中并发的压力。反之则会逐步关闭功能实现模块202(Client Module)，减少其进程数量，提升响应的效率。
这样，通过监控模块对服务器CPU和内存的占用情况的监控来实时调节管理模块201(Master Module)和功能实现模块202(Client Module)的进程数量。既可以提高服务器的资源利用率，又能够提高服务器的服务响应效率。
此外，对于本申请提供工业环境的方案部署系统200提供给产品侧调用时，也只需要保证管理模块201(Master Module)对外接口的服务是满足需求即可。即，只需要将系统中该处的源码开放即可。对功能实现模块202(Client Module)进行加密封装，这样，由于各功能实现模块202(Client Module)的接口均是单一功能接口，在性能和数据协议上基本上不需要改动。所以只需要根据业务端开发对接口服务和协议的需求进行调整即可。实际应用中，业务功能对管理模块201(Master Module)提供的对外接口经常会随着业务功能的变更而进行变更，所以对系统200本身而言只需要修改管理模块201(Master Module)部分即可，从而极大的保证了工业环境的方案部署系统200安全性和保密性。
综上，本实施例提供的一种业务方案部署系统，在应用上涵盖了从业务方案研发到方案部署中涉及的主要流程。并且在性能上支持高并发、内存利用率高等特点。在系统结构上具有可扩展、易操作、移植强等特点。不需要额外的开发人力针对研发的深度学习模型进行重新开发，研发人员即可直接在该系统实现模型训练和发布的流程闭环。从而大幅度缩短了深度学习解决方案的落地的周期、并且提供了满足中小工业规模环境中对系统性能的需求。整个方案部署流程中节省了开发人员的人力投入。
第三实施例
本实施例将对一种业务方案部署装置进行介绍，相关内容请参见上述方法实施例。
参见图4，为本实施例提供的一种业务方案部署装置的组成示意图，该装置400包括：
获取单元401，用于获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；
处理单元402，用于通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求，并利用操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
调用单元403，用于通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以通过所述操作类功能实现处理进程调用所述目标操作类请求所需的业务处理模型；
部署单元404，用于利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
在本实施例的一种实现方式中，所述装置还包括：
发送单元，用于利用所述更新进程向所述操作类进程发送更新指令，以便所述操作类进程根据所述更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
在本实施例的一种实现方式中，所述业务处理模型是根据预先建立的通用模型训练框架Tensorflow和Pytorch训练而成的；所述业务处理模型为处理业务的深度学习模型。
在本实施例的一种实现方式中，所述装置还包括：
构建单元，用于通过所述Tensorflow的训练工具和Pytorch的训练工具，调用构建所述业务处理模型所需的基类函数，并直接继承所述基类函数，进而在传入参数后，调用对应的功能，以训练得到所述业务处理模型；
其中，所述基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
在本实施例的一种实现方式中，所述装置还包括：
测试单元，用于对部署到所述服务器中的所述业务方案进行测试，得到测试结果。
在本实施例的一种实现方式中，所述装置还包括：
监控单元，用于对所述服务器中CPU和内存的占用情况进行实时监控，得到监控结果；
调节单元，用于根据所述监控结果，实时调节所述更新进程、所述操作类进程、所述更新类功能实现处理进程以及所述操作类功能实现处理进程的进程数量。
在本实施例的一种实现方式中，所述预设的通信协议服务为超文本传输协议HTTP服务。
进一步地，本申请实施例还提供了一种业务方案部署设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述业务方案部署方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述业务方案部署方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述业务方案部署方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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 (16)
1.一种业务方案部署方法，其特征在于，所述方法包括：
获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；
通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求，并利用操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以便通过所述操作类功能实现处理进程调用所述目标操作类请求所需的业务处理模型；
利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
2.根据权利要求1所述的方法，其特征在于，在所述通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求之后，所述方法还包括：
利用所述更新进程向所述操作类进程发送更新指令，以便所述操作类进程根据所述更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
3.根据权利要求1所述的方法，其特征在于，所述业务处理模型是根据预先建立的通用模型训练框架Tensorflow和Pytorch训练而成的；所述业务处理模型为处理业务的深度学习模型。
4.根据权利要求3所述的方法，其特征在于，所述业务处理模型的构建方式如下：
通过所述Tensorflow的训练工具和Pytorch的训练工具，调用构建所述业务处理模型所需的基类函数，并直接继承所述基类函数，进而在传入参数后，调用对应的功能，以训练得到所述业务处理模型；
其中，所述基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
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：
对部署到所述服务器中的所述业务方案进行测试，得到测试结果。
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：
对所述服务器中CPU和内存的占用情况进行实时监控，得到监控结果；
根据所述监控结果，实时调节所述更新进程、所述操作类进程、所述更新类功能实现处理进程以及所述操作类功能实现处理进程的进程数量。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述预设的通信协议服务为超文本传输协议HTTP服务。
8.一种业务方案部署装置，其特征在于，所述装置包括：
获取单元，用于获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；
处理单元，用于通过自动重新启动程序启动多进程处理服务，利用更新进程处理所述目标更新请求，并利用操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
调用单元，用于通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用操作类功能实现处理进程进行响应，以通过所述操作类功能实现处理进程调用所述目标操作类请求所需的业务处理模型；
部署单元，用于利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
9.一种业务方案部署系统，其特征在于，所述系统包括：管理模块、功能实现模块、模型存储模块；
所述管理模块与所述功能实现模块通过预设的通信协议服务进行数据传输；所述管理模块包括更新进程和操作类进程；所述功能实现模块包括更新类功能实现处理进程和操作类功能实现处理进程；
所述管理模块，用于获取待部署的所述业务方案对应的目标业务请求；所述目标业务请求包括目标更新请求和目标操作类请求；并通过自动重新启动程序启动多进程处理服务，利用所述更新进程处理所述目标更新请求，并利用所述操作类进程处理所述目标操作类请求，以实现对所述目标业务请求的高并发响应；
所述管理模块，还用于通过预设的通信协议服务，根据所述目标更新请求的处理结果，调用所述功能实现模块中的更新类功能实现处理进程进行更新；以及，根据所述目标操作类请求的处理结果，调用所述功能实现模块中的操作类功能实现处理进程进行响应；
所述功能实现模块，用于利用所述更新类功能实现处理进程处理所述目标更新请求的处理结果；以及利用所述操作类功能实现处理进程处理所述目标操作类请求的处理结果，调用所述模型存储模块中处理所述目标操作类请求所需的业务处理模型；
所述模型存储模块，用于存储各个业务类型对应的业务处理模型。
所述管理模块，还用于利用所述业务处理模型，将所述业务方案部署到对应的服务器中。
10.根据权利要求9所述的系统，其特征在于，所述管理模块还用于：
在所述通过自动重新启动程序启动多进程处理服务，利用所述更新进程处理所述目标更新请求之后，利用所述更新进程向所述操作类进程发送更新指令，以便所述操作类进程根据所述更新指令，从数据库中读取更新后的数据和状态并进行同步处理。
11.根据权利要求9所述的系统，其特征在于，所述系统还包括：模型构建模块；
所述模型构建模块，用于通过Tensorflow训练工具和Pytorch训练工具，调用构建所述业务处理模型所需的基类函数，并直接继承所述基类函数，进而在传入参数后，调用对应的功能，以训练得到所述业务处理模型；
其中，所述基类函数包括获取训练数据、配置训练优化器、配置训练过程迭代次数、初始化训练环境、配置训练过程中的日志记录以及训练过程中参数可视化功能各自对应的基类函数。
12.根据权利要求9所述的系统，其特征在于，所述系统还包括：测试模块；
所述测试模块，用于对部署到所述服务器中的所述业务方案进行测试，得到测试结果。
13.根据权利要求9所述的系统，其特征在于，所述系统还包括：监控模块；
所述监控模块，用于对所述服务器中CPU和内存的占用情况进行实时监控，得到监控结果；并根据所述监控结果，实时调节所述更新进程、所述操作类进程、所述更新类功能实现处理进程和所述操作类功能实现处理进程的进程数量。
14.根据权利要求9-13任一项所述的系统，其特征在于，所述预设的通信协议服务为超文本传输协议HTTP服务。
15.一种业务方案部署设备，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-7任一项所述的方法。
16.一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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399582.1A CN114268661B (zh) | 2021-11-19 | 2021-11-19 | 一种业务方案部署方法、装置、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399582.1A CN114268661B (zh) | 2021-11-19 | 2021-11-19 | 一种业务方案部署方法、装置、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114268661A true CN114268661A (zh) | 2022-04-01 |
| CN114268661B CN114268661B (zh) | 2024-04-30 |
Family
ID=80825413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111399582.1A Active CN114268661B (zh) | 2021-11-19 | 2021-11-19 | 一种业务方案部署方法、装置、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114268661B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7757214B1 (en) * | 2005-11-10 | 2010-07-13 | Symantec Operating Coporation | Automated concurrency configuration of multi-threaded programs |
| CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| CN109088934A (zh) * | 2018-08-22 | 2018-12-25 | 深圳市轱辘汽车维修技术有限公司 | 一种业务处理系统及业务处理方法 |
| CN109815025A (zh) * | 2018-12-17 | 2019-05-28 | 顺丰科技有限公司 | 业务模型调用方法、装置及存储介质 |
| CN110413294A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 服务发布系统、方法、装置和设备 |
| CN110457382A (zh) * | 2019-08-12 | 2019-11-15 | 中国联合网络通信集团有限公司 | 业务处理方法及设备 |
| CN111061511A (zh) * | 2019-11-22 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 一种服务处理方法、装置及存储介质和服务器 |
| CN111400000A (zh) * | 2020-03-09 | 2020-07-10 | 百度在线网络技术（北京）有限公司 | 网络请求处理方法、装置、设备和存储介质 |
| CN111432022A (zh) * | 2020-04-07 | 2020-07-17 | 深圳中兴网信科技有限公司 | 模型部署方法、服务器和计算机可读存储介质 |
| CN111880864A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于http的模型调用方法、系统、计算机设备和存储介质 |
| CN112529023A (zh) * | 2019-09-18 | 2021-03-19 | 上海钛空猫智能科技有限公司 | 一种配置化的人工智能场景应用研发方法和系统 |
| KR102284539B1 (ko) * | 2020-11-30 | 2021-08-02 | 주식회사 애자일소다 | 머신러닝 기반 인공지능 모델 학습, 개발, 배포 및 운영 시스템과 이를 이용한 서비스 방법 |
| CN113240088A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 文本意图识别模型的训练方法 |
| CN113434275A (zh) * | 2021-06-29 | 2021-09-24 | 成都云图睿视科技有限公司 | 一种用于人工智能算法模型远程批量部署系统及方法 |
-
2021
- 2021-11-19 CN CN202111399582.1A patent/CN114268661B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7757214B1 (en) * | 2005-11-10 | 2010-07-13 | Symantec Operating Coporation | Automated concurrency configuration of multi-threaded programs |
| CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| CN109088934A (zh) * | 2018-08-22 | 2018-12-25 | 深圳市轱辘汽车维修技术有限公司 | 一种业务处理系统及业务处理方法 |
| CN109815025A (zh) * | 2018-12-17 | 2019-05-28 | 顺丰科技有限公司 | 业务模型调用方法、装置及存储介质 |
| CN110413294A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 服务发布系统、方法、装置和设备 |
| CN110457382A (zh) * | 2019-08-12 | 2019-11-15 | 中国联合网络通信集团有限公司 | 业务处理方法及设备 |
| CN112529023A (zh) * | 2019-09-18 | 2021-03-19 | 上海钛空猫智能科技有限公司 | 一种配置化的人工智能场景应用研发方法和系统 |
| CN111061511A (zh) * | 2019-11-22 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 一种服务处理方法、装置及存储介质和服务器 |
| CN111400000A (zh) * | 2020-03-09 | 2020-07-10 | 百度在线网络技术（北京）有限公司 | 网络请求处理方法、装置、设备和存储介质 |
| CN111432022A (zh) * | 2020-04-07 | 2020-07-17 | 深圳中兴网信科技有限公司 | 模型部署方法、服务器和计算机可读存储介质 |
| CN111880864A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于http的模型调用方法、系统、计算机设备和存储介质 |
| KR102284539B1 (ko) * | 2020-11-30 | 2021-08-02 | 주식회사 애자일소다 | 머신러닝 기반 인공지능 모델 학습, 개발, 배포 및 운영 시스템과 이를 이용한 서비스 방법 |
| CN113240088A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 文本意图识别模型的训练方法 |
| CN113434275A (zh) * | 2021-06-29 | 2021-09-24 | 成都云图睿视科技有限公司 | 一种用于人工智能算法模型远程批量部署系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| ARPAN JAIN等: "Scaling TensorFlow, PyTorch, and MXNet using MVAPICH2 for High-Performance Deep Learning on Frontera", 2019 IEEE/ACM THIRD WORKSHOP ON DEEP LEARNING ON SUPERCOMPUTERS (DLS), 30 December 2019 (2019-12-30) * |
| 宋非洋;吴黎明;郑耿哲;何欣颖;: "基于MobileNetV3的结构性剪枝优化", 自动化与信息工程, no. 06, 15 December 2019 (2019-12-15) * |
| 张宇光;: "一种融合不同场景的高并发处理分层架构体系", no. 01 * |
| 赵一江;邵定宏;: "基于多代理的数据库并行事务处理模型", 计算机工程与设计, no. 01, 16 January 2011 (2011-01-16) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114268661B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11989117B2 (en) | Big data application lifecycle management | |
| US8612406B1 (en) | Sharing business data across networked applications | |
| CN110188573B (zh) | 分区授权方法、装置、设备及计算机可读存储介质 | |
| WO2018126964A1 (zh) | 任务执行方法、装置和服务器 | |
| EP3257272A1 (en) | System and method for the data management in the interaction between machines | |
| US10394805B2 (en) | Database management for mobile devices | |
| US20120089931A1 (en) | Lightweight operation automation based on gui | |
| US20230092752A1 (en) | System and method for development of gateway policies in an application programming interface environment | |
| US20200278845A1 (en) | Method and system for development of web software application | |
| CN112860343B (zh) | 配置变更方法、系统、装置、电子设备以及存储介质 | |
| CN112765166A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| US11556560B2 (en) | Intelligent management of a synchronization interval for data of an application or service | |
| US9665416B1 (en) | Asynchronous execution of computer operations | |
| CN105808354B (zh) | 利用WLAN网络组建临时Hadoop环境的方法 | |
| CN112379944A (zh) | 一种资源文件的加载方法、装置、存储介质及终端设备 | |
| EP4102361A2 (en) | Method and apparatus for managing functions of a query engine | |
| US9059992B2 (en) | Distributed mobile enterprise application platform | |
| CN114268661A (zh) | 一种业务方案部署方法、装置、系统及设备 | |
| CN114489674A (zh) | 动态数据模型的数据校验方法和装置 | |
| CN102902825B (zh) | 一种数据库优化方法及装置 | |
| CN117033748B (zh) | 业务查询信息的获取方法、业务数据查询方法以及装置 | |
| US20230281040A1 (en) | Pipeline-based machine learning method and apparatus, electronic device, and computer readable storage medium | |
| US20240143369A1 (en) | Using rule engine with push mechanism for configuration data of a containerized computing cluster | |
| CN117724741A (zh) | Mapper配置文件的更新方法、装置和存储介质 | |
| CN116303760A (zh) | 银行核心系统的数据同步方法、装置和电子设备 |
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 |