CN114637809A - 同步延迟时间动态配置方法、装置、电子设备及介质 - Google Patents
同步延迟时间动态配置方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114637809A CN114637809A CN202210352783.4A CN202210352783A CN114637809A CN 114637809 A CN114637809 A CN 114637809A CN 202210352783 A CN202210352783 A CN 202210352783A CN 114637809 A CN114637809 A CN 114637809A
- Authority
- CN
- China
- Prior art keywords
- transaction
- historical
- preset
- delay time
- sub
- 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
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种同步延迟时间动态配置方法,涉及云计算技术领域。该方法用于对分布式集群中的各个节点的交易信息进行同步,对于分布式集群中的任意一个节点,该方法包括:获取该节点在当前时间段内的待延迟交易数据;使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对待延迟交易数据对应的可允许延迟时间进行预测;以及按照预测出的可允许延迟时间对待延迟交易数据进行同步。本公开还提供了一种同步延迟时间动态配置装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及云计算技术领域,具体涉及数据同步技术领域,更具体地涉及一种同步延迟时间动态配置方法、装置、电子设备及介质。
背景技术
由集中式架构到分布式架构的技术转型潮流中,解决主机数据与平台数据的差异是数据处理常见的问题之一,利用中间件将主机数据同步到平台数据库是常见的处理方法,但是主机数据同步到平台数据可能出现延迟,导致平台数据同步不及时,查找相关数据时数据不存在等问题。
目前,kafka流处理平台技术可以实现数据的同步,然后通过判断kafka消费的时间与当前时间之差大于设定的某一阈值即判断为同步异常,从而查询主机数据或者交易失败等,该阈值通常是由经验得到的固定值或者是通过各阶段时间获取的平均值。
但是,通过设置固定的阈值来判断数据同步的延迟时间存在经验的主观判断,并且数据同步的延迟时间也与网络、CPU负载、数据量等因素有关,同时固定阈值无法体现数据同步是否存在问题。
发明内容
鉴于上述技术问题,本公开提供了一种同步延迟时间动态配置方法、装置、电子设备及介质。
根据本公开的第一个方面,提供了一种同步延迟时间动态配置方法,用于对分布式集群中的各个节点的交易信息进行同步,对于分布式集群中的任意一个节点,方法包括:获取该节点在当前时间段内的待延迟交易数据;使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对待延迟交易数据对应的可允许延迟时间进行预测;以及按照预测出的可允许延迟时间对待延迟交易数据进行同步。
根据本公开的实施例,高峰交易预测模型根据以下方式预先构建:获取该节点的历史交易样本集,其中,历史交易样本集包括已延迟交易的多个历史交易样本,每个历史交易样本包括至少一项历史延迟交易属性;采用改进的密度峰值聚类算法,将历史交易样本集划分为初始聚类中心点集;以及采用预设目标函数对初始聚类中心点集进行循环迭代,得到目标聚类中心点集,得出构建好的高峰交易预测模型。
根据本公开的实施例,采用改进的密度峰值聚类算法,将历史交易样本集划分为初始聚类中心点集,具体包括:使用K近邻算法和高斯核函数,计算每个历史交易样本的局部密度;根据局部密度,计算每个历史交易样本的聚类中心距离;以及根据局部密度和聚类中心距离来构建决策图,选取局部密度和聚类中心距离均较大的前c个历史交易样本作为初始聚类中心点集,c≥2。
根据本公开的实施例,每个历史交易样本的局部密度根据以下公式计算得出:
其中,KNNi表示第i个历史交易样本的k近邻数据点集;n表示历史交易样本集的样本个数;表示第i个历史交易样本与其k近邻数据点集之间的平均距离;μk指所有历史交易样本的之和的平均距离;dij表示第i个历史交易样本与第j个历史交易样本之间的欧氏距离;ρi表示第i个历史交易样本的局部密度。
根据本公开的实施例,根据局部密度,计算每个历史交易样本的聚类中心距离,具体包括:计算每个聚类簇的所有数据点到聚类中心的平均距离;根据预设合并规则合并相似的聚类簇,计算任意两个聚类簇的所有边界点;根据平均距离和所有边界点,计算每个聚类簇边界点的局部密度;以及计算每个聚类簇的第i个数据点与比第i个数据点的局部密度更高的数据点之间的欧式距离,得到每个历史交易样本的聚类中心距离。
根据本公开的实施例,采用预设目标函数对初始聚类中心点集进行循环迭代,得到目标聚类中心点集,具体包括:初始化迭代次数;根据初始聚类中心点集,计算迭代前后的预设目标函数的输出值之间的误差;判断误差是否小于预设误差阈值,如果是,则停止迭代并输出目标聚类中心点集;否则,按照预设步长更新当前迭代次数,继续使用计算迭代前后的预设目标函数的输出值之间的误差的步骤,直至误差小于预设差异阈值。
根据本公开的实施例,同步时延预测模型根据以下方式预先构建:获取分布式集群中的各个节点的历史交易样本集和多项预设资源指标,其中,历史交易样本集包括已延迟交易的多个历史交易样本,预设资源指标表征各个节点的当前资源使用状态,每项预设资源指标包括至少一个子项指标;对每项预设资源指标的各个子项指标赋予权重初始值,对各个子项指标以及对应的权重初始值进行加权求和,初始化权重矩阵;根据各个节点的历史交易样本集,采用固定变量法依次对各个子项指标的权重初始值进行循环迭代,得出每个子项指标的权重目标值;根据所有子项指标的权重目标值,更新权重矩阵,得出构建好的同步时延预测模型。
根据本公开的实施例,历史交易样本包括历史配置可允许延迟时间,采用固定变量法依次对各个子项指标的权重初始值进行循环迭代,得出每个子项指标的权重目标值,包括:对多项预设资源指标中的任意一个子项指标,根据预设损失函数计算根据当前的权重矩阵来确定的可允许延迟时间预测值与历史配置可允许延迟时间之间的差异;判断差异是否小于预设差异阈值,如果是,则停止迭代并确定出该子项指标的当前权重即为权重目标值;否则,对该子项指标的当前权重按照预设步长进行迭代,并固定其他子项指标的当前权重,继续采用上述差异计算的步骤,直至差异小于预设差异阈值;继续采用该子项指标的权重目标值的确定步骤,依次计算多项预设资源指标中的其他子项指标的权重目标值。
根据本公开的实施例,方法还包括:使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果否,则按照预设延迟时间阈值对待延迟交易数据进行同步。
本公开的第二方面提供了一种同步延迟时间动态配置装置,用于对分布式集群中的各个节点的交易信息进行同步,对于分布式集群中的任意一个节点,装置包括:交易数据获取模块,用于获取该节点在当前时间段内的待延迟交易数据;延迟时间预测模块,用于使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对待延迟交易数据对应的可允许延迟时间进行预测;以及延迟同步模块,用于按照预测出的可允许延迟时间对待延迟交易数据进行同步。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述同步延迟时间动态配置方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述同步延迟时间动态配置方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述同步延迟时间动态配置方法。
与现有技术相比,本公开提供的同步延迟时间动态配置方法及装置,至少具有以下有益效果:
(1)本公开利用算法预测得到可允许延迟时间替代固定的阈值,减少个人经验带来的误差,有针对性的通过系统指标数据进行预测,得到的可允许延迟时间更具有可靠性;
(2)本公开利用聚类算法提前对应用交易进行预判,有针对性的对高峰期交易进行可允许延迟时间进行预测,降低算法对差异数据的敏感度,进一步保证算法的准确度;
(3)本公开采用改进的聚类算法,合并相似类识别应用是否为高峰交易类型,提高算法的识别准确率。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的同步延迟时间动态配置方法及装置的分布式集群系统架构;
图2示意性示出了根据本公开实施例的同步延迟时间动态配置方法的流程图;
图3示意性示出了根据本公开实施例的高峰交易预测模型的构建流程图;
图4示意性示出了根据本公开实施例的初始聚类中心点集确定的流程图;
图5示意性示出了根据本公开实施例的样本数据归一化处理的流程图;
图6示意性示出了根据本公开实施例的聚类中心距离计算的流程图;
图7示意性示出了根据本公开实施例的目标聚类中心点集确定的流程图;
图8示意性示出了根据本公开实施例的对初始聚类中心点集进行循环迭代的操作流程图;
图9示意性示出了根据本公开实施例的同步时延预测模型的构建流程图;
图10示意性示出了根据本公开实施例的权重目标值计算的流程图;
图11示意性示出了根据本公开实施例的对各个子项指标的权重初始值进行循环迭代的操作流程图;
图12示意性示出了根据本公开另一实施例的固定阈值延迟同步的流程图;
图13示意性示出了根据本公开实施例的同步延迟时间动态配置装置的结构框图;以及
图14示意性示出了根据本公开实施例的适于实现同步延迟时间动态配置方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
本公开的实施例提供一种同步延迟时间动态配置方法、装置、设备、存储介质和程序产品,涉及云计算技术领域。该方法用于对分布式集群中的各个节点的交易信息进行同步,对于分布式集群中的任意一个节点,方法包括:获取该节点在当前时间段内的待延迟交易数据;使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对待延迟交易数据对应的可允许延迟时间进行预测;以及按照预测出的可允许延迟时间对待延迟交易数据进行同步。
图1示意性示出了根据本公开实施例的同步延迟时间动态配置方法及装置的分布式集群系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的分布式集群系统架构100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例),例如可以是云服务器。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的同步延迟时间动态配置方法一般可以由服务器105执行。相应地,本公开实施例所提供的同步延迟时间动态配置装置一般可以设置于服务器105中。本公开实施例所提供的同步延迟时间动态配置方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的同步延迟时间动态配置装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的同步延迟时间动态配置方法也可以由终端设备101、102或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的同步延迟时间动态配置装置也可以设置于终端设备101、102或103中,或设置于不同于终端设备101、102或103的其他终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的分布式集群系统架构,通过图2~图12对本公开实施例的同步延迟时间动态配置方法进行详细描述。
图2示意性示出了根据本公开实施例的同步延迟时间动态配置方法的流程图。
如图2所示,该实施例的同步延迟时间动态配置方法用于对分布式集群中的各个节点的交易信息进行同步,对于分布式集群中的任意一个节点,方法可以包括操作S210~操作S230。
在操作S210,获取该节点在当前时间段内的待延迟交易数据。
本公开实施例中,待延迟交易数据包括采集交易量、交易成功率和活动时间属性中的至少一种,活动时间属性表征待延迟交易数据是否处于活动时间。
在操作S220,使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对待延迟交易数据对应的可允许延迟时间进行预测。
其中,高峰交易预测模型用于判断交易数据所在时间段是否为交易高峰期,同步时延预测模型用于对交易数据对应的可允许延迟时间进行动态预测,两个模型均是预先构建好的。
在操作S230,按照预测出的可允许延迟时间对待延迟交易数据进行同步。
由此可见,本公开实施例通过对实时待延迟交易数据的采集,使用预先构建的高峰交易预测模型判断该待延迟交易数据所在时间段是否为交易高峰期,如果是交易高峰期则通过同步时延预测模型对该待延迟交易数据的可允许的同步延迟时间进行动态预测,可以得到实时待延迟交易数据对应的可允许延迟时间的配置策略,提高分布式集群中的各个节点的可允许同步时延的实时性和准确性。
图3示意性示出了根据本公开实施例的高峰交易预测模型的构建流程图。
如图3所示,该实施例的高峰交易预测模型可以通过以下操作S310~操作S330来预先构建。
在操作S310,获取该节点的历史交易样本集,其中,历史交易样本集包括已延迟交易的多个历史交易样本,每个历史交易样本包括至少一项历史延迟交易属性。
本公开实施例中,历史交易样本主要通过分布式集群内的该节点的应用的渠道日志表来获取。该历史交易样本包括历史配置可允许延迟时间和已同步交易数据,其中,已同步交易数据包括历史交易时间段t、交易量z、交易成功率rs和活动时间属性a中的至少一种,活动时间属性a表征已同步交易数据是否处于活动时间。
为了便于理解,该历史交易样本集D例如表示为n个m维的矩阵,具体可以表示成如下形式:
D={xi|i=1,2,……,n}
xi={xi1,xi2,……xim}
其中,n为历史交易样本集的样本个数;m为每个历史交易样本包括的历史延迟交易属性的个数。
在操作S320,采用改进的密度峰值聚类算法,将历史交易样本集划分为初始聚类中心点集。
密度峰值聚类(Density Peaks Clustering,DPC)算法的典型代表是快速搜索和查找样本密度峰值。DPC算法的基本思想为:聚类簇中心点的局部密度大于属于该聚类簇所有样本点的局部密度,并且与其他聚类簇中心店距离较远。
在操作S330,采用预设目标函数对初始聚类中心点集进行循环迭代,得到目标聚类中心点集,得出构建好的高峰交易预测模型。
通过本公开的实施例,采用改进的密度峰值聚类算法,计算出初始聚类中心ci (0)。在此基础上,采用预设目标函数对该初始聚类中心进行循环迭代,以优化为目标聚类中心点集ci,从而获得更好的聚类效果。
图4示意性示出了根据本公开实施例的初始聚类中心点集确定的流程图。
如图4所示,上述操作S320中的采用改进的密度峰值聚类算法,将历史交易样本集划分为初始聚类中心点集,具体可以包括操作S3201~操作S3203。
在操作S3201,使用K近邻算法和高斯核函数,计算每个历史交易样本的局部密度。
在操作S3202,根据局部密度,计算每个历史交易样本的聚类中心距离。
在操作S3203,根据局部密度和聚类中心距离来构建决策图,选取局部密度和聚类中心距离均较大的前c个历史交易样本作为初始聚类中心点集,c≥2。
由此,利用改进的密度峰值聚类算法,可以适应于不同大小的历史交易样本集。
图5示意性示出了根据本公开实施例的样本数据归一化处理的流程图。
如图5所示,上述操作S3201中的使用K近邻算法和高斯核函数,计算每个历史交易样本的局部密度的步骤之前,还可以包括操作S3200。
在操作S3200,对历史交易样本集进行归一化处理。
归一化处理可以将采集的多个历史交易样本被限定在一定的范围内,例如[0,1],从而消除奇异样本数据导致的不良影响,以解决不同的历史交易样本之间的数据可比性。
然后,计算历史交易样本集中的任意两个历史交易样本之间的欧氏距离。根据上述历史交易样本集D的表达形式,第i个历史交易样本与第j个历史交易样本之间的欧式距离dij计算公式如下:
为减少人为干预带来的误差,各个历史交易样本可以得到更好的聚类效果,改进的密度峰值聚类算法使用K近邻算法和高斯核函数,将每个历史交易样本的局部密度按照以下公式计算得出:
其中,KNNi表示第i个历史交易样本的k近邻数据点集;n表示历史交易样本集的样本个数;表示第i个历史交易样本与其k近邻数据点集之间的平均距离;μk指所有历史交易样本的之和的平均距离;dij表示第i个历史交易样本与第j个历史交易样本之间的欧氏距离;ρi表示第i个历史交易样本的局部密度。
图6示意性示出了根据本公开实施例的聚类中心距离计算的流程图。
如图6所示,上述操作S3202中的根据局部密度,计算每个历史交易样本的聚类中心距离,具体可以包括操作S32021~操作S32024。
在操作S32021,计算每个聚类簇的所有数据点到聚类中心的平均距离。
一个聚类簇的所有数据点到聚类中心的平均距离,可以按照以下公式计算得出:
式中,ηk表示第k个聚类簇的所有数据点到聚类中心的平均距离;|Ck|表示第k个聚类簇中数据点的个数;Ck-c表示第k个聚类簇的聚类中心。
在操作S32022,根据预设合并规则合并相似的聚类簇,计算任意两个聚类簇的所有边界点。
该预设合并规则设置为:若两个聚类簇之间,存在一对数据点的距离小于两个聚类簇中任意一个聚类簇的所有数据点到聚类中心的平均距离,则将这对数据点成对保存到一个集合中。于是,任意两个聚类簇的所有边界点可以按照以下公式计算得出:
在操作S32023,根据平均距离和所有边界点,计算每个聚类簇边界点的局部密度。
在操作S32024,计算每个聚类簇的第i个数据点与比第i个数据点的局部密度更高的数据点之间的欧式距离,得到每个历史交易样本的聚类中心距离。
每个历史交易样本的聚类中心距离δi可以按照以下公式计算得出:
并且,若i=j,则δi=maxj(dij)。
接着,根据局部密度ρi和聚类中心距离δi来构建决策图,选取决策图中的局部密度和聚类中心距离均较大的前c个历史交易样本作为初始聚类中心点集ci (0),由此将历史交易样本集D划分为初始聚类中心点集ci (0)。
图7示意性示出了根据本公开实施例的目标聚类中心点集确定的流程图。图8示意性示出了根据本公开实施例的对初始聚类中心点集进行循环迭代的操作流程图。
如图7所示,上述操作S330中的采用预设目标函数对初始聚类中心点集进行循环迭代,得到目标聚类中心点集,具体可以包括操作S3301~操作S3303。
在操作S3301,初始化迭代次数。
参阅图8,初始化迭代的次数q,令q=0。
在操作S3302,根据初始聚类中心点集,计算迭代前后的预设目标函数的输出值之间的误差。
其中,可以利用误差平方和作为衡量聚类质量的预设目标函数SSE,SSE表示了各个聚类簇内的样本数据点之间的紧密程度,SSE越小,簇内样本数据点的相似性越高,反之越低。
具体地,该预设目标函数SSE可以表示为:
式中,x表示样本数据点;p为数据对象的特征属性;dist(x,ai)表示表示聚类簇中的样本数据点x与聚类中心αi的欧式距离;ni表示第i个聚类簇的样本数据点的个数。
请参阅图8,根据上述预设目标函数SSE的计算公式,计算迭代前后的预设目标函数的输出值之间的误差,也即SEE(q+1)-SEE(q)。
在操作S3303,判断误差是否小于预设误差阈值,如果是,则停止迭代并输出目标聚类中心点集;否则,按照预设步长更新当前迭代次数,继续使用计算迭代前后的预设目标函数的输出值之间的误差的步骤,直至误差小于预设差异阈值。
预设误差阈值可以表示为ε,判断SEE(q+1)-SEE(q)<ε是否成立,如果成立,则停止迭代,得到目标聚类中心点集,否则继续迭代。该预设步长例如可以设置为1,也即下一次迭代的迭代次数q=q+1。
由此,通过预先创建的高峰交易预测模型,可以判断实时交易数据所在时间段是否为交易高峰期。
图9示意性示出了根据本公开实施例的同步时延预测模型的构建流程图。
如图9所示,该实施例的同步时延预测模型可以通过以下操作S910~操作S930来预先构建。
在操作S910,获取分布式集群中的各个节点的历史交易样本集和多项预设资源指标,其中,历史交易样本集包括已延迟交易的多个历史交易样本,预设资源指标表征各个节点的当前资源使用状态,每项预设资源指标包括至少一个子项指标。
预设资源指标是可能影响到可允许同步延迟时间的时延预测模型的实时资源使用指标。本公开实施例中,预设资源指标是实时采集的资源使用指标,该预设资源指标包括终端设备资源使用属性Utarg et、负载状态属性W和服务器资源使用属性Uorigin。
其中,终端设备资源使用属性Utarg et可以包括CPU利用率Ucpu、内存使用率UMem、存储空间使用率Ustorage、缓存非命中率1-Rcache和网络带宽使用量Utweb;负载状态属性W包括读/写请求大小Srw、读/写请求比率Rrw和磁盘I/O使用率Uio;服务器资源使用属性Uorigin包括网络带宽使用量Uoweb。
本公开实施例中,历史交易样本包括历史配置可允许延迟时间和已同步交易数据,已同步交易数据包括历史交易时间段、交易量、交易成功率和活动时间属性中的至少一种,活动时间属性表征已同步交易数据是否处于活动时间。
在操作S920,对每项预设资源指标的各个子项指标赋予权重初始值,对各个子项指标以及对应的权重初始值进行加权求和,初始化权重矩阵。
根据上述已搭建元素,可以建立同步时延预测模型,例如可以表示为f(Utarg et,Uorigin,W),该函数代表主机数据同步到平台的消耗时间。
Uorigin=w21Uoweb
在操作S930,根据各个节点的历史交易样本集,采用固定变量法依次对各个子项指标的权重初始值进行循环迭代,得出每个子项指标的权重目标值。
在操作S940,根据所有子项指标的权重目标值,更新权重矩阵,得出构建好的同步时延预测模型。
由此,本公开实施例通过预先创建的同步时延预测模型,利用逻辑回归的思想,计算出对于不同时间段系统性能的情况各指标参数的权重分布,能够准确获取当前时间段数据同步的时延参数。
图10示意性示出了根据本公开实施例的权重目标值计算的流程图。图11示意性示出了根据本公开实施例的对各个子项指标的权重初始值进行循环迭代的操作流程图。
如图10所示,上述操作S930中的采用固定变量法依次对各个子项指标的权重初始值进行循环迭代,得出每个子项指标的权重目标值,具体可以包括操作S9301~操作S9303。
在操作S9301,对多项预设资源指标中的任意一个子项指标,根据预设损失函数计算根据当前的权重矩阵来确定的可允许延迟时间预测值与历史交易样本集中的历史配置可允许延迟时间之间的差异。
本公开实施例中,预设损失函数根据以下公式来计算:
其中,y表示历史交易样本集中的数据同步时间与交易发生时间的差值;f(x)表示根据当前的权重矩阵来确定的可允许延迟时间预测值;N表示历史交易样本集的样本个数;L(y,f(x))表示差异值。
参阅图11,对第m个权重参数进行迭代,m初始值为1,剩余九个权重参数作为固定常数,根据预设损失函数计算根据当前的权重矩阵来确定的可允许延迟时间预测值f(x)与历史交易样本集中的历史配置可允许延迟时间y之间的差异L(y,f(x))。
在操作S9302,判断差异是否小于预设差异阈值,如果是,则停止迭代并确定出该子项指标的当前权重即为权重目标值;否则,对该子项指标的当前权重按照预设步长进行迭代,并固定其他子项指标的当前权重,继续采用上述差异计算的步骤,直至差异小于预设差异阈值。
在操作S9303,继续采用该子项指标的权重目标值的确定步骤,依次计算多项预设资源指标中的其他子项指标的权重目标值。
预设差异阈值例如可以设置为0.01,接着判断上述差异L(y,f(x))<0.01是否成立,若成立,则迭代停止,得到该子项指标的权重目标值,同时将该权重目标值加入权重矩阵Arr中,然后针对该子项指标的下一项子项指标,也即m=m+1,继续采用上述操作S9301~操作S9302,确定下一项子项指标的权重目标值,以此类推得到其他子项指标的权重目标值。最终,经过循环迭代,获得经过迭代优化的所有的权重目标值,从而得到最终的同步时延预测模型。
由此可见,本公开实施例通过对实时待延迟交易数据的采集,利用预先已建立的预测模型判断该待延迟交易数据所在时间段是否为交易高峰期,若为高峰交易,则再利用系统的各实时指标数据,利用建立的时延参数预测模型得到可允许的同步延迟时间,实时对应用的参数进行配置发布生效。
图12示意性示出了根据本公开另一实施例的固定阈值延迟同步的流程图。
本公开另一实施例中,上述操作S220具体还可以包括操作S2201。
在操作S2201,使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果否,则按照预设延迟时间阈值对待延迟交易数据进行同步。
由此可见,本公开另一实施例通过对实时待延迟交易数据的采集,利用预先已建立的预测模型判断该待延迟交易数据所在时间段是否为交易高峰期,如果不是交易高峰期,则采用固定阈值对该实时待延迟交易数据进行延迟同步,可以进一步提高分布式集群中的各个节点的可允许同步时延的实时性和准确性。
基于上述同步延迟时间动态配置方法,本公开还提供了一种同步延迟时间动态配置装置,以下将结合图13对该装置进行详细描述。
图13示意性示出了根据本公开实施例的同步延迟时间动态配置装置的结构框图。
如图13所示,该实施例的同步延迟时间动态配置装置1300用于对分布式集群中的各个节点的交易信息进行同步,对于分布式集群中的任意一个节点,同步延迟时间动态配置装置1300包括交易数据获取模块1310、延迟时间预测模块1320和延迟同步模块1330。
交易数据获取模块1310,用于获取该节点在当前时间段内的待延迟交易数据。在一实施例中,交易数据获取模块1310可以用于执行前文描述的操作S210,在此不再赘述。
延迟时间预测模块1320,用于使用预先构建的高峰交易预测模型判断当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对待延迟交易数据对应的可允许延迟时间进行预测。在一实施例中,延迟时间预测模块1320可以用于执行前文描述的操作S220,在此不再赘述。
延迟同步模块1330,用于按照预测出的可允许延迟时间对待延迟交易数据进行同步。在一实施例中,延迟同步模块1330可以用于执行前文描述的操作S230,在此不再赘述。
通过本公开的实施例,通过对实时待延迟交易数据的采集,使用预先构建的高峰交易预测模型判断该待延迟交易数据所在时间段是否为交易高峰期,如果是交易高峰期则通过同步时延预测模型对该待延迟交易数据的可允许的同步延迟时间进行动态预测,可以得到实时待延迟交易数据对应的可允许延迟时间的配置策略,提高分布式集群中的各个节点的可允许同步时延的实时性和准确性。
根据本公开的实施例,交易数据获取模块1310、延迟时间预测模块1320和延迟同步模块1330中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,交易数据获取模块1310、延迟时间预测模块1320和延迟同步模块1330中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,交易数据获取模块1310、延迟时间预测模块1320和延迟同步模块1330中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图14示意性示出了根据本公开实施例的适于实现同步延迟时间动态配置方法的电子设备的方框图。
如图14所示,根据本公开实施例的电子设备1400包括处理器1401,其可以根据存储在只读存储器(ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。处理器1401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1401还可以包括用于缓存用途的板载存储器。处理器1401可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM1403中,存储有电子设备1400操作所需的各种程序和数据。处理器1401、ROM1402以及RAM 1403通过总线1404彼此相连。处理器1401通过执行ROM 1402和/或RAM 1403中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1402和RAM 1403以外的一个或多个存储器中。处理器1401也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1400还可以包括输入/输出(I/O)接口1405,输入/输出(I/O)接口1405也连接至总线1404。电子设备1400还可以包括连接至I/O接口1405的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1407;包括硬盘等的存储部分1408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1410上,以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的同步延迟时间动态配置方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1402和/或RAM 1403和/或ROM 1402和RAM 1403以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的同步延迟时间动态配置方法。
在该计算机程序被处理器1401执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1409被下载和安装,和/或从可拆卸介质1411被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。在该计算机程序被处理器1401执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,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公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种同步延迟时间动态配置方法,用于对分布式集群中的各个节点的交易信息进行同步,其特征在于,对于分布式集群中的任意一个节点,方法包括:
获取该节点在当前时间段内的待延迟交易数据;
使用预先构建的高峰交易预测模型判断所述当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对所述待延迟交易数据对应的可允许延迟时间进行预测;以及
按照预测出的可允许延迟时间对所述待延迟交易数据进行同步。
2.根据权利要求1所述的方法,其特征在于,所述高峰交易预测模型根据以下方式预先构建:
获取该节点的历史交易样本集,其中,所述历史交易样本集包括已延迟交易的多个历史交易样本,每个历史交易样本包括至少一项历史延迟交易属性;
采用改进的密度峰值聚类算法,将所述历史交易样本集划分为初始聚类中心点集;以及
采用预设目标函数对所述初始聚类中心点集进行循环迭代,得到目标聚类中心点集,得出构建好的高峰交易预测模型。
3.根据权利要求2所述的方法,其特征在于,所述采用改进的密度峰值聚类算法,将所述历史交易样本集划分为初始聚类中心点集,具体包括:
使用K近邻算法和高斯核函数,计算每个历史交易样本的局部密度;
根据所述局部密度,计算每个历史交易样本的聚类中心距离;以及
根据所述局部密度和所述聚类中心距离来构建决策图,选取局部密度和聚类中心距离均较大的前c个历史交易样本作为初始聚类中心点集,c≥2。
5.根据权利要求3所述的方法,其特征在于,所述根据所述局部密度,计算每个历史交易样本的聚类中心距离,具体包括:
计算每个聚类簇的所有数据点到聚类中心的平均距离;
根据预设合并规则合并相似的聚类簇,计算任意两个聚类簇的所有边界点;
根据所述平均距离和所述所有边界点,计算每个聚类簇边界点的局部密度;以及
计算每个聚类簇的第i个数据点与比所述第i个数据点的局部密度更高的数据点之间的欧式距离,得到每个历史交易样本的聚类中心距离。
6.根据权利要求2所述的方法,其特征在于,所述采用预设目标函数对所述初始聚类中心点集进行循环迭代,得到目标聚类中心点集,具体包括:
初始化迭代次数;
根据所述初始聚类中心点集,计算迭代前后的预设目标函数的输出值之间的误差;
判断所述误差是否小于预设误差阈值,如果是,则停止迭代并输出目标聚类中心点集;否则,按照预设步长更新当前迭代次数,继续使用计算迭代前后的预设目标函数的输出值之间的误差的步骤,直至所述误差小于预设差异阈值。
7.根据权利要求1所述的方法,其特征在于,所述同步时延预测模型根据以下方式预先构建:
获取所述分布式集群中的各个节点的历史交易样本集和多项预设资源指标,其中,所述历史交易样本集包括已延迟交易的多个历史交易样本,所述预设资源指标表征所述各个节点的当前资源使用状态,每项所述预设资源指标包括至少一个子项指标;
对每项所述预设资源指标的各个子项指标赋予权重初始值,对各个子项指标以及对应的权重初始值进行加权求和,初始化权重矩阵;
根据所述各个节点的历史交易样本集,采用固定变量法依次对各个子项指标的权重初始值进行循环迭代,得出每个子项指标的权重目标值;
根据所有子项指标的权重目标值,更新所述权重矩阵,得出构建好的同步时延预测模型。
8.根据权利要求7所述的方法,其特征在于,所述历史交易样本包括历史配置可允许延迟时间,所述采用固定变量法依次对各个子项指标的权重初始值进行循环迭代,得出每个子项指标的权重目标值,包括:
对所述多项预设资源指标中的任意一个子项指标,根据预设损失函数计算根据当前的权重矩阵来确定的可允许延迟时间预测值与所述历史配置可允许延迟时间之间的差异;
判断所述差异是否小于预设差异阈值,如果是,则停止迭代并确定出该子项指标的当前权重即为权重目标值;否则,对该子项指标的当前权重按照预设步长进行迭代,并固定其他子项指标的当前权重,继续采用上述差异计算的步骤,直至所述差异小于预设差异阈值;
继续采用该子项指标的权重目标值的确定步骤,依次计算所述多项预设资源指标中的其他子项指标的权重目标值。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
使用预先构建的高峰交易预测模型判断所述当前时间段是否为交易高峰期,如果否,则按照预设延迟时间阈值对所述待延迟交易数据进行同步。
10.一种同步延迟时间动态配置装置,用于对分布式集群中的各个节点的交易信息进行同步,其特征在于,对于分布式集群中的任意一个节点,装置包括:
交易数据获取模块,用于获取该节点在当前时间段内的待延迟交易数据;
延迟时间预测模块,用于使用预先构建的高峰交易预测模型判断所述当前时间段是否为交易高峰期,如果是,则使用预先构建的同步时延预测模型对所述待延迟交易数据对应的可允许延迟时间进行预测;以及
延迟同步模块,用于按照预测出的可允许延迟时间对所述待延迟交易数据进行同步。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~9中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~9中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352783.4A CN114637809A (zh) | 2022-03-31 | 2022-03-31 | 同步延迟时间动态配置方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352783.4A CN114637809A (zh) | 2022-03-31 | 2022-03-31 | 同步延迟时间动态配置方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114637809A true CN114637809A (zh) | 2022-06-17 |
Family
ID=81951541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352783.4A Pending CN114637809A (zh) | 2022-03-31 | 2022-03-31 | 同步延迟时间动态配置方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277499A (zh) * | 2022-07-20 | 2022-11-01 | 科东(广州)软件科技有限公司 | Mac设备的延迟参数确定方法、装置、硬件平台及介质 |
-
2022
- 2022-03-31 CN CN202210352783.4A patent/CN114637809A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277499A (zh) * | 2022-07-20 | 2022-11-01 | 科东(广州)软件科技有限公司 | Mac设备的延迟参数确定方法、装置、硬件平台及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11582130B2 (en) | Performance monitoring in a distributed storage system | |
US20190163666A1 (en) | Assessment of machine learning performance with limited test data | |
CN114416512A (zh) | 测试方法、装置、电子设备和计算机存储介质 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN111427971A (zh) | 用于计算机系统的业务建模方法、装置、系统和介质 | |
US12111804B2 (en) | Tuning external invocations utilizing weight-based parameter resampling | |
CN110766185A (zh) | 用户量的确定方法和系统、计算机系统 | |
CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
CN110866031B (zh) | 数据库访问路径的优化方法、装置、计算设备以及介质 | |
CN115237804A (zh) | 性能瓶颈的评估方法、装置、电子设备、介质和程序产品 | |
US20230168992A1 (en) | Computing environment software application testing | |
CN114637809A (zh) | 同步延迟时间动态配置方法、装置、电子设备及介质 | |
CN116628049B (zh) | 一种基于大数据的信息系统维护管理系统及方法 | |
CN113076224A (zh) | 数据备份方法、数据备份系统、电子设备及可读存储介质 | |
CN109308243B (zh) | 数据处理方法、装置、计算机设备和介质 | |
CN115981970A (zh) | 运维数据分析方法、装置、设备和介质 | |
US20230236871A1 (en) | Computing environment predictive provisioning | |
US20230229735A1 (en) | Training and implementing machine-learning models utilizing model container workflows | |
CN115408297A (zh) | 测试方法、装置、设备及介质 | |
CN113760675A (zh) | 负载预测方法和装置、电子设备以及计算机可读存储介质 | |
US20240143414A1 (en) | Load testing and performance benchmarking for large language models using a cloud computing platform | |
CN115658749B (zh) | 基于有向无环图的基金产品排序方法、装置和电子设备 | |
CN115567406A (zh) | 一种管理网络节点的方法、装置和系统 | |
CN118312423A (zh) | 调用接口的检测方法、装置、设备、介质和程序产品 | |
CN115757417A (zh) | HBase表的运维方法、装置、设备、存储介质和程序产品 |
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 |