CN114610488A - 基于负载均衡的数据采集方法、系统和电子设备 - Google Patents
基于负载均衡的数据采集方法、系统和电子设备 Download PDFInfo
- Publication number
- CN114610488A CN114610488A CN202210235792.5A CN202210235792A CN114610488A CN 114610488 A CN114610488 A CN 114610488A CN 202210235792 A CN202210235792 A CN 202210235792A CN 114610488 A CN114610488 A CN 114610488A
- Authority
- CN
- China
- Prior art keywords
- matrix
- load
- adjacency matrix
- feature
- adjacency
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000001186 cumulative effect Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 326
- 239000013598 vector Substances 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000013480 data collection Methods 0.000 claims description 25
- 230000001788 irregular Effects 0.000 claims description 25
- 238000009825 accumulation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 239000013604 expression vector Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F9/50—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
- G06F9/505—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 load
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及数据采集的领域，其具体地公开了一种基于负载均衡的数据采集方法、系统和电子设备，其通过基于上下文的编码器模型来提取出全局性的负载关联信息，进一步构造存在关联的合取邻接矩阵和析取邻接矩阵，以表示所述各个应用程序之间存在的关联逻辑关系，并使用卷积神经网络模型来提取出所述各个应用程序的负载特征表达，之后，接着使用图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，从而提高后续分类的准确性。这样，可以提高对于预设累计阈值合理性判断的准确性。
Description
技术领域
本发明涉及数据采集的领域，且更为具体地，涉及一种基于负载均衡的数据采集方法、系统和电子设备。
背景技术
在以往的配电网系统中，配网系统接入终端数量非常多，通信报文及数据量巨大，如何保证数据采集实时可靠的前提下，尽量完整的保存终端通信报文一直是个难题。
我国专利(公开号：CN105160013A；公开日：2015-12-16)公开了一种通信报文的采集方法，其包括：使用至少一个报文采集装置采集报文，并将采集的报文发送；构建内存缓冲区，采用内存缓冲技术，将接收的报文存放置于内存缓冲区进行累积，并设置有累积阈值；当报文累积数量超过所述累积阈值时，启用CPU负载检测，当该检测值低于预设的下限检测阈值时，则将报文压缩；当报文压缩完成后，同时启用CPU负载检测和I/O负载检测，当该检测值均低于预设的下限检测阈值时，将压缩报文以文件形式存储至磁盘中；文件在存储至磁盘时，采用全局唯一性生成方法，以文件属性信息的组合信息作为文件命名标准，用于快速查找和提取报文；在整个采集系统的通信报文的采集和保存过程中，均使用多线程技术进行并行处理，用于降低报文在采集过程中的丢包率，还用在文件的存储时，保证文件的完整性。
目前，在计算的实际运行过程中，累计阈值的设定与CPU的负载情况有关，但是，在考虑CPU负载情况时不仅仅要考虑CPU的当前复杂情况，还需要考虑CPU当前在运行的应用程序，因此对于CPU的负载情况的判断准确性较低，这就使得对于累计阈值的合理性判断的准确性较低。
因此，为了提高对于预设累计阈值合理性判断的准确性，期望一种基于负载均衡的数据采集方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于负载均衡的数据采集方法、系统和电子设备，其通过基于上下文的编码器模型来提取出全局性的负载关联信息，进一步构造存在关联的合取邻接矩阵和析取邻接矩阵，以表示所述各个应用程序之间存在的关联逻辑关系，并使用卷积神经网络模型来提取出所述各个应用程序的负载特征表达，之后，接着使用图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，从而提高后续分类的准确性。这样，可以提高对于预设累计阈值合理性判断的准确性。
根据本申请的一个方面，提供了一种基于负载均衡的数据采集方法，其包括：
获得CPU当前正在运行的各个应用程序的当前负载数值；
将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；
将各个所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；
基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；
将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；
计算所述第一邻接矩阵和所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；
将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及
将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
根据本申请的另一方面，提供了一种基于负载均衡的数据采集系统，其包括：
负载值获取单元，用于获得CPU当前正在运行的各个应用程序的当前负载数值；
编码单元，用于将所述负载值获取单元获得的所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；
二维拼接单元，用于将各个所述编码单元获得的所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；
邻接矩阵构造单元，用于基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述编码单元获得的所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；
特征提取单元，用于将所述邻接矩阵构造单元获得的所述合取邻接矩阵和所述邻接矩阵构造单元获得的所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；
邻接特征矩阵生成单元，用于计算所述特征提取单元获得的所述第一邻接矩阵和所述特征提取单元获得的所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；
图神经网络单元，用于将所述二维拼接单元获得的所述负载特征矩阵和所述邻接特征矩阵生成单元获得的所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及
分类单元，用于将所述图神经网络单元获得的所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于负载均衡的数据采集方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于负载均衡的数据采集方法。
与现有技术相比，本申请提供的基于负载均衡的数据采集方法、系统和电子设备，其通过基于上下文的编码器模型来提取出全局性的负载关联信息，进一步构造存在关联的合取邻接矩阵和析取邻接矩阵，以表示所述各个应用程序之间存在的关联逻辑关系，并使用卷积神经网络模型来提取出所述各个应用程序的负载特征表达，之后，接着使用图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，从而提高后续分类的准确性。这样，可以提高对于预设累计阈值合理性判断的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于负载均衡的数据采集方法的应用场景图；
图2为根据本申请实施例的基于负载均衡的数据采集方法的流程图；
图3为根据本申请实施例的基于负载均衡的数据采集方法的系统架构示意图；
图4为根据本申请实施例的基于负载均衡的数据采集系统的框图；
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在以往的配电网系统中，配网系统接入终端数量非常多，通信报文及数据量巨大，如何保证数据采集实时可靠的前提下，尽量完整的保存终端通信报文一直是个难题。
我国专利(公开号：CN105160013A；公开日：2015-12-16)公开了一种通信报文的采集方法，其包括：使用至少一个报文采集装置采集报文，并将采集的报文发送；构建内存缓冲区，采用内存缓冲技术，将接收的报文存放置于内存缓冲区进行累积，并设置有累积阈值；当报文累积数量超过所述累积阈值时，启用CPU负载检测，当该检测值低于预设的下限检测阈值时，则将报文压缩；当报文压缩完成后，同时启用CPU负载检测和I/O负载检测，当该检测值均低于预设的下限检测阈值时，将压缩报文以文件形式存储至磁盘中；文件在存储至磁盘时，采用全局唯一性生成方法，以文件属性信息的组合信息作为文件命名标准，用于快速查找和提取报文；在整个采集系统的通信报文的采集和保存过程中，均使用多线程技术进行并行处理，用于降低报文在采集过程中的丢包率，还用在文件的存储时，保证文件的完整性。
目前，在计算的实际运行过程中，累计阈值的设定与CPU的负载情况有关，但是，在考虑CPU负载情况时不仅仅要考虑CPU的当前复杂情况，还需要考虑CPU当前在运行的应用程序，因此对于CPU的负载情况的判断准确性较低，这就使得对于累计阈值的合理性判断的准确性较低。因此，为了提高对于预设累计阈值合理性判断的准确性，期望一种基于负载均衡的数据采集方法。
具体地，在本申请的技术方案中，在考虑CPU的当前负载情况时，期望考虑CPU当前正在运行的各个应用程序的负载情况。如果将CPU当前正在运行的各个应用程序看作节点，则可以通过用于节点特征提取的技术来获得各个应用程序的负载特征表达。
具体地，首先获得各个应用程序的当前负载数值，并通过包含嵌入层的基于上下文的编码器模型，得到每个应用程序的负载特征向量，并将各个负载特征向量进行二维拼接以得到负载特征矩阵。然后，考虑各个应用程序之间是否存在关联的逻辑关系，分别构造存在关联的合取邻接矩阵和析取邻接矩阵。其中合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0。而析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0。
然后，将合取邻接矩阵和析取邻接矩阵分别通过卷积神经网络得到第一邻接特征矩阵和第二邻接特征矩阵，再计算第一邻接特征矩阵和第二邻接特征矩阵的加权点加以获得与作为节点的每个应用程序的特征表示对应的邻接特征矩阵。
之后，将负载特征矩阵和邻接特征矩阵通过图神经网络以得到程序特征矩阵，用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联信息。
然后，将程序特征矩阵输入以预设累积阈值作为标签的分类器，以获得该预设累积阈值是否合理的分类结果。
基于此，本申请提出了一种基于负载均衡的数据采集方法，其包括：获得CPU当前正在运行的各个应用程序的当前负载数值；将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；将各个所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；计算所述第一邻接矩阵和所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
图1图示了根据本申请实施例的基于负载均衡的数据采集方法的应用场景图。如图1所示，在该应用场景中，首先，从CPU(例如，如图1中所示意的P)当前正在运行的各个应用程序(例如，如图1中所示意的T)中获取其当前的负载数值。然后，将获得的所述当前负载数值输入至部署有基于负载均衡的数据采集算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以基于负载均衡的数据采集算法对所述当前负载数值进行处理，以生成用于表示该预设累计阈值是否合理的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了基于负载均衡的数据采集方法的流程图。如图2所示，根据本申请实施例的基于负载均衡的数据采集方法，包括：S110，获得CPU当前正在运行的各个应用程序的当前负载数值；S120，将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；S130，将各个所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；S140，基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；S150，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；S160，计算所述第一邻接矩阵和所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；S170，将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及，S180，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
图3图示了根据本申请实施例的基于负载均衡的数据采集方法的架构示意图。如图3所示，在所述基于负载均衡的数据采集方法的网络架构中，首先，将获取的所述各个应用程序的当前负载数值(例如，如图3中所示意的P1)通过包含嵌入层的基于上下文的编码器模型(例如，如图3中所示意的E)以获得每个所述应用程序的负载特征向量(例如，如图3中所示意的VF1)；接着，将各个所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵(例如，如图3中所示意的ML)；然后，基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵(例如，如图3中所示意的M1)和析取邻接矩阵(例如，如图3中所示意的M2)；接着，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络(例如，如图3中所示意的CNN)以获得第一邻接矩阵(例如，如图3中所示意的MF1)和第二邻接矩阵(例如，如图3中所示意的MF2)；然后，计算所述第一邻接矩阵和所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵(例如，如图3中所示意的MF)；接着，将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络(例如，如图3中所示意的GNN)以获得程序特征矩阵(例如，如图3中所示意的M)；以及，最后，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器(例如，如图3中所示意的分类器)以获得用于表示该预设累计阈值是否合理的分类结果。
在步骤S110和步骤S120中，获得CPU当前正在运行的各个应用程序的当前负载数值；并将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量。如前所述，应可以理解，在本申请的技术方案中，在考虑CPU的当前负载情况时，期望考虑所述CPU当前正在运行的各个应用程序的负载情况，如果将所述CPU当前正在运行的各个应用程序看作节点，则可以通过用于节点特征提取的技术来获得所述各个应用程序的负载特征表达。也就是，在本申请的技术方案中，首先，获取CPU当前正在运行的各个应用程序的当前负载数值，并进一步将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以获得每个所述应用程序的负载特征向量。
具体地，在本申请实施例中，将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量，包括：首先，使用所述编码器模型的嵌入层将所述各个应用程序的当前负载数值转化为负载向量以获得负载向量的序列，以便于后续对其进行编码处理；然后，将所述负载向量的序列通过所述编码器模型的转换器以获得每个所述应用程序的负载特征向量。应可以理解，基于转换器的编码器模型能够基于上下文对所述输入的负载向量进行编码，因此所获得的所述负载特征向量具有全局性的负载关联信息。
在步骤S130中，将各个所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵。也就是，在本申请的技术方案中，接着将各个所述负载特征向量进行二维拼接以得到负载特征矩阵，以将得到的全局性的负载关联信息进行融合，从而便于后续通过图神经网络对特征信息与不规则的拓扑结构信息进行关联信息的提取。
在步骤S140中，基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0。也就是，在本申请的技术方案中，考虑各个所述应用程序之间是否存在关联的逻辑关系，分别构造存在关联的合取邻接矩阵和析取邻接矩阵。这里，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，所述矩阵位置取1，而非合取范式时所述矩阵位置取0。而所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，所述矩阵位置取1，而非析取范式时所述矩阵位置取0。
具体地，在本申请实施例中，基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵的过程，包括：首先，基于各个所述应用程序之间的合取逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵；其中，所述公式为：
其中，
是合取邻接矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0。然后，基于各个所述应用程序之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的析取邻接矩阵；其中，所述公式为：
其中，
是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
在步骤S150和步骤S160中，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵，并计算所述第一邻接矩阵和所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵。也就是，在本申请的技术方案中，然后，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络中进行处理，以分别提取出所述合取邻接矩阵和所述析取邻接矩阵中各个位置的高维关联特征，从而得到第一邻接特征矩阵和第二邻接特征矩阵。相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述第一邻接矩阵和所述第二邻接矩阵。进一步再计算所述第一邻接特征矩阵和所述第二邻接特征矩阵的加权点加以获得与作为节点的每个应用程序的特征表示对应的邻接特征矩阵。
具体地，在本申请实施例中，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵的过程，包括：首先，所述卷积神经网络的除最后一层以外的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以生成第一特征图和第二特征图；然后，所述卷积神经网络的最后一层对所述特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以生成所述第一邻接矩阵和所述第二邻接矩阵。应可以理解，通过对所述特征图进行全局池化处理，可以减少参数的数量，以提高训练的速度，进而对整个网络在结构上做正规化防止过拟合。
在步骤S170中，将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征。也就是，进一步将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络中进行处理，以得到用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联信息的程序特征矩阵。这里，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵。应可以理解，所述图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的所述程序特征矩阵相比直接将拼接得到的矩阵能够提高后续分类的准确性。
在步骤S180中，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。也就是，在一个具体示例中，首先，使用所述分类器的全连接层对所述程序特征矩阵进行全连接编码以获得分类特征向量；然后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结果。
具体地，在本申请实施例中，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果的过程，包括：所述分类器以如下公式对所述程序特征矩阵进行处理以生成所述分类结果，其中，所述公式为：softmax{(WniBn)：…：(W1，B1）|Project(F)}，其中Project(F)表示将所述程序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，本申请实施例的基于负载均衡的数据采集方法被阐明，其通过基于上下文的编码器模型来提取出全局性的负载关联信息，进一步构造存在关联的合取邻接矩阵和析取邻接矩阵，以表示所述各个应用程序之间存在的关联逻辑关系，并使用卷积神经网络模型来提取出所述各个应用程序的负载特征表达，之后，接着使用图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵，从而提高后续分类的准确性。这样，可以提高对于预设累计阈值合理性判断的准确性。
示例性系统
图4图示了根据本申请实施例的基于负载均衡的数据采集系统的框图。如图4所示，根据本申请实施例的基于负载均衡的数据采集系统400，包括：负载值获取单元410，用于获得CPU当前正在运行的各个应用程序的当前负载数值；编码单元420，用于将所述负载值获取单元410获得的所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；二维拼接单元430，用于将各个所述编码单元420获得的所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；邻接矩阵构造单元440，用于基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述编码单元420获得的所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；特征提取单元450，用于将所述邻接矩阵构造单元440获得的所述合取邻接矩阵和所述邻接矩阵构造单元440获得的所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；邻接特征矩阵生成单元460，用于计算所述特征提取单元450获得的所述第一邻接矩阵和所述特征提取单元450获得的所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；图神经网络单元470，用于将所述二维拼接单元430获得的所述负载特征矩阵和所述邻接特征矩阵生成单元460获得的所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及，分类单元480，用于将所述图神经网络单元470获得的所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
在一个示例中，在上述基于负载均衡的数据采集系统400中，所述编码单元420，进一步用于：使用所述编码器模型的嵌入层将所述各个应用程序的当前负载数值转化为负载向量以获得负载向量的序列；以及，将所述负载向量的序列通过所述编码器模型的转换器以获得每个所述应用程序的负载特征向量。
在一个示例中，在上述基于负载均衡的数据采集系统400中，所述邻接矩阵构造单元440，进一步用于：基于各个所述应用程序之间的合取逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵；其中，所述公式为：
其中，
是合取邻接矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0；以及，基于各个所述应用程序之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的析取邻接矩阵；其中，所述公式为：
其中，
是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
在一个示例中，在上述基于负载均衡的数据采集系统400中，所述特征提取单元450，进一步用于：所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述第一邻接矩阵和所述第二邻接矩阵。
在一个示例中，在上述基于负载均衡的数据采集系统400中，所述特征提取单元450，包括：所述卷积神经网络的除最后一层以外的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以生成第一特征图和第二特征图；所述卷积神经网络的最后一层对所述特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以生成所述第一邻接矩阵和所述第二邻接矩阵。
在一个示例中，在上述基于负载均衡的数据采集系统400中，所述分类单元480，进一步用于：使用所述分类器的全连接层对所述程序特征矩阵进行全连接编码以获得分类特征向量；以及，将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结果。
在一个示例中，在上述基于负载均衡的数据采集系统400中，所述分类单元480，进一步用于：所述分类器以如下公式对所述程序特征矩阵进行处理以生成所述分类结果，其中，所述公式为：softmax{(Wn，Bn)：…：(W1，B1）|Project(F)}，其中Project(F)表示将所述程序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
这里，本领域技术人员可以理解，上述基于负载均衡的数据采集系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于负载均衡的数据采集方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于负载均衡的数据采集系统400可以实现在各种终端设备中，例如基于负载均衡的数据采集算法的服务器等。在一个示例中，根据本申请实施例的基于负载均衡的数据采集系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于负载均衡的数据采集系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于负载均衡的数据采集系统400同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于负载均衡的数据采集系统400与该终端设备也可以是分立的设备，并且该基于负载均衡的数据采集系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于负载均衡的数据采集方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如邻接特征矩阵、程序特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于负载均衡的数据采集方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于负载均衡的数据采集方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于负载均衡的数据采集方法，其特征在于，包括：
获得CPU当前正在运行的各个应用程序的当前负载数值；
将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；
将各个所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；
基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；
将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；
计算所述第一邻接矩阵和所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；
将所述负载特征矩阵和所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及
将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
2.根据权利要求1所述的基于负载均衡的数据采集方法，其中，将所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量，包括：
使用所述编码器模型的嵌入层将所述各个应用程序的当前负载数值转化为负载向量以获得负载向量的序列；以及
将所述负载向量的序列通过所述编码器模型的转换器以获得每个所述应用程序的负载特征向量。
3.根据权利要求2所述的基于负载均衡的数据采集方法，其中，基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，包括：
基于各个所述应用程序之间的合取逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵；
其中，所述公式为：
其中，
是合取邻接矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0；以及
基于各个所述应用程序之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的析取邻接矩阵；
其中，所述公式为：
其中，
是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
4.根据权利要求3所述的基于负载均衡的数据采集方法，其中，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵，包括：
所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以获得所述第一邻接矩阵和所述第二邻接矩阵。
5.根据权利要求3所述的基于负载均衡的数据采集方法，其中，将所述合取邻接矩阵和所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵，包括：
所述卷积神经网络的除最后一层以外的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以生成第一特征图和第二特征图；
所述卷积神经网络的最后一层对所述特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以生成所述第一邻接矩阵和所述第二邻接矩阵。
6.根据权利要求5所述的基于负载均衡的数据采集方法，其中，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果，包括：
使用所述分类器的全连接层对所述程序特征矩阵进行全连接编码以获得分类特征向量；以及
将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结果。
7.根据权利要求6所述的基于负载均衡的数据采集方法，其中，将所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果，包括：
所述分类器以如下公式对所述程序特征矩阵进行处理以生成所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述程序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
8.一种基于负载均衡的数据采集系统，其特征在于，包括：
负载值获取单元，用于获得CPU当前正在运行的各个应用程序的当前负载数值；
编码单元，用于将所述负载值获取单元获得的所述各个应用程序的当前负载数值通过包含嵌入层的基于上下文的编码器模型以获得每个所述应用程序的负载特征向量；
二维拼接单元，用于将各个所述编码单元获得的所述应用程序的负载特征向量进行二维拼接以获得负载特征矩阵；
邻接矩阵构造单元，用于基于各个所述应用程序之间是否存在关联的逻辑关系，构造各个所述编码单元获得的所述应用程序的负载特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取邻接矩阵用于表示相应的一对应用程序存在关联则构成合取范式，矩阵位置取1，而非合取范式时矩阵位置取0，所述析取邻接矩阵用于表示相应的一对应用程序不存在关联则构成析取范式，矩阵位置取1，而非析取范式时矩阵位置取0；
特征提取单元，用于将所述邻接矩阵构造单元获得的所述合取邻接矩阵和所述邻接矩阵构造单元获得的所述析取邻接矩阵分别通过卷积神经网络以获得第一邻接矩阵和第二邻接矩阵；
邻接特征矩阵生成单元，用于计算所述特征提取单元获得的所述第一邻接矩阵和所述特征提取单元获得的所述第二邻接矩阵的按位置加权点加以获得与作为节点的每个应用程序的负载特征向量对应的邻接特征矩阵；
图神经网络单元，用于将所述二维拼接单元获得的所述负载特征矩阵和所述邻接特征矩阵生成单元获得的所述邻接特征矩阵通过图神经网络以获得程序特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的表征矩阵；所述程序特征矩阵用于表示各个应用程序的本身的特征信息和由于其间的不规则的关联关系而导致的关联特征；以及
分类单元，用于将所述图神经网络单元获得的所述程序特征矩阵输入以预设累积阈值作为标签的分类器以获得用于表示该预设累计阈值是否合理的分类结果。
9.根据权利要求7所述的基于负载均衡的数据采集方法，其中，所述编码单元，进一步用于：
使用所述编码器模型的嵌入层将所述各个应用程序的当前负载数值转化为负载向量以获得负载向量的序列；以及，将所述负载向量的序列通过所述编码器模型的转换器以获得每个所述应用程序的负载特征向量。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的基于负载均衡的数据采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210235792.5A CN114610488A (zh) | 2022-03-11 | 2022-03-11 | 基于负载均衡的数据采集方法、系统和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210235792.5A CN114610488A (zh) | 2022-03-11 | 2022-03-11 | 基于负载均衡的数据采集方法、系统和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114610488A true CN114610488A (zh) | 2022-06-10 |
Family
ID=81862702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210235792.5A Withdrawn CN114610488A (zh) | 2022-03-11 | 2022-03-11 | 基于负载均衡的数据采集方法、系统和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114610488A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115396445A (zh) * | 2022-08-24 | 2022-11-25 | 杭州卓壹网络技术有限公司 | 用于云计算的数据存储的负载均衡方法及其系统 |
| CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
| WO2024036690A1 (zh) * | 2022-08-15 | 2024-02-22 | 福建天甫电子材料有限公司 | 用于剥膜液生产的自动配料系统及其配料方法 |
-
2022
- 2022-03-11 CN CN202210235792.5A patent/CN114610488A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024036690A1 (zh) * | 2022-08-15 | 2024-02-22 | 福建天甫电子材料有限公司 | 用于剥膜液生产的自动配料系统及其配料方法 |
| CN115396445A (zh) * | 2022-08-24 | 2022-11-25 | 杭州卓壹网络技术有限公司 | 用于云计算的数据存储的负载均衡方法及其系统 |
| CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
| CN115693918B (zh) * | 2022-09-07 | 2023-08-18 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
| CN109033068B (zh) | 基于注意力机制的用于阅读理解的方法、装置和电子设备 | |
| CN114610488A (zh) | 基于负载均衡的数据采集方法、系统和电子设备 | |
| CN110580292B (zh) | 一种文本标签生成方法、装置和计算机可读存储介质 | |
| WO2024113435A1 (zh) | 基于大数据的电梯故障模式识别系统 | |
| CN114647198B (zh) | 基于物联网的智能家居控制方法、系统和电子设备 | |
| CN115796173A (zh) | 针对监管报送需求的数据处理方法和系统 | |
| CN114782882B (zh) | 基于多模态特征融合的视频目标行为异常检测方法和系统 | |
| CN111414987A (zh) | 神经网络的训练方法、训练装置和电子设备 | |
| CN115512420A (zh) | 访客管理系统及其方法 | |
| CN112580328A (zh) | 事件信息的抽取方法及装置、存储介质、电子设备 | |
| CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| CN115373813A (zh) | 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备 | |
| CN113052090B (zh) | 用于生成字幕器以及输出字幕的方法和装置 | |
| JP2023535108A (ja) | ビデオタグ推薦モデルのトレーニング方法及びビデオタグの決定方法、それらの装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN114884772B (zh) | 裸机vxlan的部署方法、系统和电子设备 | |
| CN115759658A (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| CN114821169A (zh) | 微服务架构下的方法级无侵入调用链路追踪方法 | |
| CN115827257A (zh) | 用于处理器体系的cpu容量预测方法及其系统 | |
| CN116319599A (zh) | 一种承载voip业务的信道分配系统及其方法 | |
| CN115878319A (zh) | 负载均衡方法、系统和电子设备 | |
| CN115754107A (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
| CN116151604A (zh) | 一种web环境下办公系统流程分析系统及其方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220610 |
|
| WW01 | Invention patent application withdrawn after publication |