CN114841456A - 交易系统的性能调节方法及装置、存储介质、电子设备 - Google Patents
交易系统的性能调节方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN114841456A CN114841456A CN202210550751.5A CN202210550751A CN114841456A CN 114841456 A CN114841456 A CN 114841456A CN 202210550751 A CN202210550751 A CN 202210550751A CN 114841456 A CN114841456 A CN 114841456A
- Authority
- CN
- China
- Prior art keywords
- transaction
- target
- trading
- data
- network model
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种交易系统的性能调节方法及装置、存储介质、电子设备。涉及金融科技领域,其中,该方法包括:选取目标交易系统的系统特征;获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数;根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值;根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。本发明解决了相关技术中交易系统的性能固定,无法动态适应突发的交易量改变的情况,造成系统资源利用率低的技术问题。
Description
技术领域
本发明涉及金融科技领域,具体而言,涉及一种交易系统的性能调节方法及装置、存储介质、电子设备。
背景技术
随着科学技术的飞速发展,越来越多的人使用互联网来获取信息、购物和娱乐,网络数据量和用户请求数出现了爆发式的增长,对服务器计算和处理能力提出了更高的要求。遇到节假日或者极值出现处理时间段,更是考验系统的性能,这就需要提前预估交易量,对系统性能做好充足的准备;同时,为了应对突发的交易量猛增情况,还需要系统对性能进行自适应调节。
在相关技术中,交易系统的性能都是固定的,即服务器数量、规格是提前设置好的,遇到激增的交易量或者极值数据,系统无法应对突增交易量对其冲击。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种交易系统的性能调节方法及装置、存储介质、电子设备,以至少解决相关技术中交易系统的性能固定,无法动态适应突发的交易量改变的情况,造成系统资源利用率低的技术问题。
根据本发明实施例的一个方面,提供了一种交易系统的性能调节方法,包括:选取目标交易系统的系统特征;获取历史预设时间段内每个所述系统特征的历史数据,其中,所述历史数据用于训练得到所述目标交易系统的神经网络模型,所述神经网络模型用于预估所述目标交易系统在下一时间段内的交易参数;根据所述神经网络模型输出的所述交易参数,计算所述目标交易系统的性能评价期望值;根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略,以调整所述目标交易系统在处理业务交易时的系统性能指标。
可选地,在获取历史预设时间段内每个所述系统特征的历史数据之后,还包括:对所述历史数据进行预处理,并将预处理后的所述历史数据划分为训练集和验证集;构建初始网络模型;将所述训练集输入至所述初始网络模型,以训练所述初始网络模型,确定所述初始网络模型的模型参数;将所述验证集输入至训练后的所述初始网络模型中,得到所述初始网络模型输出的交易预估参数;在所述交易预估参数达到预设参数范围的情况下,确定所述初始网络模型为所述目标交易系统的神经网络模型。
可选地,对所述历史数据进行预处理,并将预处理后的所述历史数据划分为训练集和验证集的步骤,包括:获取所述历史数据中出现缺失部分的第一数据集合和出现重复部分的第二数据集合;计算出现所述第一数据集合所属的时间段内的平均数据值或者数据极值,并采用所述平均数据值或者数据极值填充所述出现缺失部分的数据;删除出现重复部分的所述第二数据集合;获取所述历史数据中的异常数据和无效数据;删除所述异常数据和所述无效数据;对所述历史数据进行归一化处理,完成对所述历史数据进行预处理工作。
可选地,根据所述神经网络模型输出的所述交易参数,计算所述目标交易系统的性能评价期望值的步骤,包括:获取所述目标交易系统的系统负载系数;基于所述系统负载系数和所述交易参数,计算所述目标交易系统的并发参数;基于所述并发参数和预先配置的响应时长,计算所述目标交易系统的事务处理参数;基于所述并发参数和每个系统容器的交易处理参数,计算所述目标交易系统所需的系统容器数量;基于所述并发参数、所述事务处理参数和所述目标交易系统所需的系统容器数量,计算所述目标交易系统的性能评价期望值。
可选地,在根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略之后,还包括:在运行所述目标交易系统后,根据预设巡检策略对所述目标交易系统进行健康检测,得到健康检测值;在所述健康检测值位于健康阈值范围内的情况下,控制所述目标交易系统继续运行;在所述健康检测值不在健康阈值范围内的情况下,采用所述神经网络模型重新预估交易参数,并更新所述目标交易系统的性能评价期望值,以调整系统机制。
可选地,根据预设巡检策略对所述目标交易系统进行健康检测,得到健康检测值的步骤,包括:根据预设巡检策略,采集所述目标交易系统的交易响应时长、内存使用率、CPU使用率;基于所述目标交易系统的交易响应时长、内存使用率、CPU使用率,确定所述健康检测值。
可选地,在所述神经网络模型为长短期记忆人工神经网络LSTM模型的情况下,所述LSTM模型包括多层记忆单元结构,每层所述记忆单元结构包括:输入门、遗忘门、输出门和细胞状态,其中,所述输入门:用于确定需要在细胞状态中保存的交易历史数据;所述遗忘门:用于选择符合预设要求的交易历史数据,并删除不符合预设要求的交易历史数据;所述输出门:用于确定神经元的输出数据,确定下一个神经元的输入数据;所述细胞状态:对上一个细胞的更新,丢弃不需保留的交易历史数据。
根据本发明实施例的另一方面,还提供了一种交易系统的性能调节装置,包括:选取单元,用于选取目标交易系统的系统特征;获取单元,用于获取历史预设时间段内每个所述系统特征的历史数据,其中,所述历史数据用于训练得到所述目标交易系统的神经网络模型,所述神经网络模型用于预估所述目标交易系统在下一时间段内的交易参数;计算单元,用于根据所述神经网络模型输出的所述交易参数,计算所述目标交易系统的性能评价期望值;调整单元,根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略,以调整所述目标交易系统在处理业务交易时的系统性能指标。
可选地,交易系统的性能调节装置还包括:第一处理模块,用于获取历史预设时间段内每个所述系统特征的历史数据之后,对所述历史数据进行预处理,并将预处理后的所述历史数据划分为训练集和验证集;模型构建模块,用于构建初始网络模型;模型训练模块,用于将所述训练集输入至所述初始网络模型,以训练所述初始网络模型,确定所述初始网络模型的模型参数;将所述验证集输入至训练后的所述初始网络模型中,得到所述初始网络模型输出的交易预估参数;模型确定模块,在所述交易预估参数达到预设参数范围的情况下,确定所述初始网络模型为所述目标交易系统的神经网络模型。
可选地,第一处理模块包括:第一获取子模块,用于获取所述历史数据中出现缺失部分的第一数据集合和出现重复部分的第二数据集合;数据填充子模块,用于计算出现所述第一数据集合所属的时间段内的平均数据值或者数据极值,并采用所述平均数据值或者数据极值填充所述出现缺失部分的数据;第一数据处理子模块,用于删除出现重复部分的所述第二数据集合;获取子模块,用于获取所述历史数据中的异常数据和无效数据;三处子模块,用于删除所述异常数据和所述无效数据;第二数据处理子模块,用于对所述历史数据进行归一化处理,完成对所述历史数据进行预处理工作。
可选地,计算单元包括:获取模块,用于获取所述目标交易系统的系统负载系数;第一计算模块,基于所述系统负载系数和所述交易参数,计算所述目标交易系统的并发参数;第二计算模块,基于所述并发参数和预先配置的响应时长,计算所述目标交易系统的事务处理参数;第三计算模块,基于所述并发参数和每个系统容器的交易处理参数,计算所述目标交易系统所需的系统容器数量;第四计算模块,基于所述并发参数、所述事务处理参数和所述目标交易系统所需的系统容器数量,计算所述目标交易系统的性能评价期望值。
可选地,交易系统的性能调节装置还包括:检测单元,在根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略之后,在运行所述目标交易系统后,根据预设巡检策略对所述目标交易系统进行健康检测,得到健康检测值;控制单元,在所述健康检测值位于健康阈值范围内的情况下,控制所述目标交易系统继续运行;更新单元,在所述健康检测值不在健康阈值范围内的情况下,采用所述神经网络模型重新预估交易参数,并更新所述目标交易系统的性能评价期望值,以调整系统机制。
可选地,检测单元包括:采集模块,根据预设巡检策略,采集所述目标交易系统的交易响应时长、内存使用率、CPU使用率;确定模块,基于所述目标交易系统的交易响应时长、内存使用率、CPU使用率,确定所述健康检测值。
可选地,交易系统的性能调节装置还包括,结构模块,在所述神经网络模型为长短期记忆人工神经网络LSTM模型的情况下,所述LSTM模型包括多层记忆单元结构,每层所述记忆单元结构包括:输入门、遗忘门、输出门和细胞状态,其中,所述输入门:用于确定需要在细胞状态中保存的交易历史数据;所述遗忘门:用于选择符合预设要求的交易历史数据,并删除不符合预设要求的交易历史数据;所述输出门:用于确定神经元的输出数据,确定下一个神经元的输入数据;所述细胞状态:对上一个细胞的更新,丢弃不需保留的交易历史数据。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的交易系统的性能调节方法。
根据本发明实施例的另一方面,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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的交易系统的性能调节方法。
在本发明实施例中,采用以下步骤,先选取目标交易系统的系统特征;然后获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数,从而根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值,进而根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。在本发明中,通过神经网络模型预估交易系统的交易参数,根据交易参数对目标交易系统的性能进行评价,选取适当的系统交易策略,达到了自适应调节系统性能的目的,从而实现了提高系统资源利用率的技术效果,进而解决相关技术中交易系统的性能固定,无法动态适应突发的交易量改变的情况,造成系统资源利用率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的交易系统的性能调节方法的示意图;
图2是根据本发明实施例的一种可选的基于LSTM的系统性能自适应调节方法的流程图;
图3是根据本发明实施例的一种可选的交易系统的性能调节装置的示意图;
图4是根据本发明实施例的一种交易系统的性能调节方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于本领域技术人员理解本发明,下面对各实施例中出现的部分术语或者名词做出解释:
长短期记忆网络,Long Short-Term Memory,简称LSTM,是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。本申请,可选取LSTM模型作为构建的神经网络模型的一种,以评估交易系统的交易参数。
需要说明的是,本公开中的交易系统的性能调节方法及其装置可用于金融科技领域在处理系统中交易参数预估和系统性能调节的情况下,也可用于除金融科技领域之外的任意领域在处理系统中交易参数预估和系统性能调节的情况下,本公开中对交易系统的性能调节方法及其装置的应用领域不做限定。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
本发明可以应用于各金融机构的各种软件产品、控制系统、服务器,以服务器为例进行示意说明,能够实现交易系统的交易参数预估和系统性能动态调节。其中,交易参数包括多种金融机构的业务内容(包括但不限于:转账、理财、基金、缴费、查账、广告、推荐等业务功能)的参数预估。
在本发明中,当系统检测到系统性能较低(例如,响应时间持续延迟,内存和CPU(中央处理器)使用率持续增高)时,系统可以自我动态调节,立即扩容以应对突变的交易情况或者交易极值数据出现的状态。而当系统性能提高时,尤其是当交易量较少时,内存和CPU使用率持续降低,系统可以自动缩容,节约资源。
在本发明中,可以让交易系统学会自适应调节,首先提前预测交易参数(包括但不限于某一指定时间段/某一指定时间点的交易量),准备好相应的容器数量、规格以满足要求,然后在系统运行过程中,不断对系统性能进行巡检,一旦发现系统出现过载或冗余的情况,就使用最新交易特征值重新预测交易参数,重新选择合适的系统机制,满足突变的交易参数对系统性能的要求。由于需要满足动态的扩缩容,故本发明可以基于容器的系统进行自适应调节。
下面结合各实施例来详细说明本发明。
实施例一
根据本发明实施例,提供了一种交易系统的性能调节方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
下面结合优选的实施步骤对本发明进行说明,图1是根据本发明实施例的一种可选的交易系统的性能调节方法的示意图,如图1所示,该方法包括如下步骤:
步骤S101,选取目标交易系统的系统特征;
步骤S102,获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数;。
步骤S103,根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值;
步骤S104,根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。
通过上述步骤,先选取目标交易系统的系统特征,然后获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数,之后根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值,根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。在该实施例中,通过神经网络模型预估目标交易系统的交易参数,根据交易参数对目标交易系统的性能进行评价,选取适当的系统交易策略,达到了自适应调节系统性能的目的,从而实现了提高系统资源利用率的技术效果,进而解决了交易系统性能固定,无法动态适应突发的交易量改变的情况,造成系统资源利用率低的技术问题。
下面结合上述各实施步骤来详细说明本实施例的内容。
步骤S101,选取目标交易系统的系统特征。
上述交易系统的系统特征可以包括但不限于:相应时间、CPU利用率、内存利用率、交易系统的交易量、交易峰值等。上述系统特征可以用于评价交易系统的性能,针对不同的交易系统,可以选择不同的系统特征,对交易系统进行性能评价。
步骤S102,获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数。
由于各交易系统的特性,选取的特征并不唯一,比如对历史数据可以为时序,总交易量,交易峰值。
在不同的交易系统可以选择不同的系统特征的情况下,各个交易系统的系统特征不唯一,所以可以通过历史数据针对神经网络模型的不同交易系统进行训练。通过将上述历史预设时间段内的每个系统特征的历史数据作为训练样本数据,进行模型训练得到上述神经网络模型,利用神经网络模型对交易系统进行交易量进行预测,可以提高对交易系统的性能分析的准确度。
一种可选的实施方式,本发明可以在获取历史预设时间段内每个系统特征的历史数据之后,对历史数据进行预处理,并将预处理后的历史数据划分为训练集和验证集;构建初始网络模型;将训练集输入至初始网络模型,以训练初始网络模型,确定初始网络模型的模型参数;将验证集输入至训练后的初始网络模型中,得到初始网络模型输出的交易预估参数;在交易预估参数达到预设参数范围的情况下,确定初始网络模型为目标交易系统的神经网络模型。
在通过历史数据对上述初始神经网络模型进行训练的之前,为保证历史数据的可靠性,提高对初始网络模型的训练效率,可以对历史数据进行预处理,例如:对历史数据中的对缺失值、异常值、重复值以及无效值进行清洗处理以及归一化。
将预处理后的历史数据划分为训练集和验证集,通过训练集可以对初始网络模型进行训练,得到初始网络模型的模型参数,还可以通过验证集判断初始网络模型是否收敛,也即是判断初始网络模型输出的交易预估参数是否达到预设参数范围,在交易预估参数达到预设参数范围的情况下,可以确定初始网络模型为目标交易系统的神经网络模型。
通过上述验证集对初始网络模型进行验证,判断初始网络模型是否达到预设的标准,实现了提高神经网络模型的预测准确性的技术效果。
可选的,对历史数据进行预处理,并将预处理后的历史数据划分为训练集和验证集的步骤,包括:获取历史数据中出现缺失部分的第一数据集合和出现重复部分的第二数据集合;计算出现第一数据集合所属的时间段内的平均数据值或者数据极值,并采用平均数据值或者数据极值填充出现缺失部分的数据;删除出现重复部分的第二数据集合;获取历史数据中的异常数据和无效数据;删除异常数据和无效数据;对历史数据进行归一化处理,完成对历史数据进行预处理工作。
具体的,对数据进行预处理,可以对缺失数据与重复数据采用平均值、最大值最小值计算方法代替缺失值或删除重复值,还可以将异常数据和无效数据采用统计方法计算出异常值和无效值进行删除或替代,对处理好的数据进行数据归一化处理:利用公式对数据进行归一化处理,其中,xi是历史数据实际值,xmax是历史数据最大值,xmin是历史数据最小值,xi*是归一化后的数据。
通过对历史数据中的重复数据、缺失数据、异常数据进行处理,提高了训练集和验证集中数据的可靠性及准确性,对上述历史数据进行归一化处理,可以提高通过训练集和验证集进行模型训练的训练效率。
步骤S103,根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值。
下面对本发明实施例中关于根据神经网络模型输出的交易参数,如何计算交易系统的性能评价期望值的过程进行详细说明。
作为本实施例可选的实施方式,根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值的步骤,包括:获取目标交易系统的系统负载系数;基于系统负载系数和交易参数,计算目标交易系统的并发参数;基于并发参数和预先配置的响应时长,计算目标交易系统的事务处理参数;基于并发参数和每个系统容器的交易处理参数,计算目标交易系统所需的系统容器数量;基于并发参数、事务处理参数和目标交易系统所需的系统容器数量,计算目标交易系统的性能评价期望值。
本实施例中,需要计算交易系统的性能评价期望值,其中,交易系统性能评价期望值u可以包括:并发数r(对应上述的交易系统的并发参数),每秒处理的事务数TPS(对应上述的交易系统的事务处理参数),容器数量n(对应上述系统所需的系统容器数量)。
可选的,可设定负载系数k(对应上述的交易系统的系统负载系数),响应时间t,每个容器每秒处理的交易笔数m,预测交易参数y(也即是上述神经网络模型输出的交易参数),在计算并发数时,可采用公式:r(并发数)=预测交易量*负载系数=y*k,即每秒并发数为预测交易量的百分比;注:例如k=80%,则并发数r=y*k=y*80%;在计算事务数时,以秒为参照时间单位,采用公式为:TPS(每秒处理的事务数)=并发数/响应时间=r/t=y*k/t,在计算系统所需容器数量时,也可采用秒为计数单位,采用计算公式为:n(所需容器数量)=并发数/每个容器每秒处理的交易笔数=r/m=y*k/m;其中,响应时间t,每个容器每秒处理的交易笔数m,这两个参数是根据容器的性能,系统程序的设计得出的常量。
根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值,达到了对交易系统进行性能评价的目的,可以实现提高交易系统的性能评价的准确率的技术效果。
下面对本发明实施例中如何动态调整系统机制进行详细说明。
一种可选的实施方式,在根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略之后,还包括:在运行目标交易系统后,根据预设巡检策略对目标交易系统进行健康检测,得到健康检测值;在健康检测值位于健康阈值范围内的情况下,控制目标交易系统继续运行;在健康检测值不在健康阈值范围内的情况下,采用神经网络模型重新预估交易参数,并更新目标交易系统的性能评价期望值,以调整系统机制。
根据上述预设巡检策略对目标交易系统进行健康检测,根据健康检测值是否位于健康阈值范围,判断目标交易系统是否继续运行,在健康检测值不再健康阈值范围内的情况下,也即是目标交易系统的性能负载情况,不能满足目标交易系统的交易量对性能的需求时,可以采用神经网络模型重新预估交易参数,根据重新预估的交易参数,可以更新目标交易系统的性能评价期望值,以调整系统机制,实现系统对性能的自适应调节。
可选的,根据预设巡检策略对目标交易系统进行健康检测,得到健康检测值的步骤,包括:根据预设巡检策略,采集目标交易系统的交易响应时长、内存使用率、CPU使用率;基于目标交易系统的交易响应时长、内存使用率、CPU使用率,确定健康检测值。
为适应交易系统性能负载的随机变化情况,达到实时对交易系统性能负载情况进行动态自适应调节,还可以通过上述预设巡检策略对目标交易系统进行健康监测,可以通过采集目标交易系统的交易响应时长,内存使用率、CPU使用率等可以反映系统当前性能负载情况的特征值,确定上述目标交易系统的健康检测值,可以根据上述健康检测值,确定上述目标交易系统健康状态以及是否通过神经网络模型,更新目标交易系统的性能评价期望值。
例如,对交易系统进行健康检测,判断是否更新目标交易系统的性能评价值,健康巡检指对当前系统的交易响应时间,容器内存使用率、CPU使用率进行检查。
下面通过表1示意说明根据系统健康巡检情况判定是否触发预测模型,具体预测模型的触发策略如表1所示:
表1
情况一:若当前系统的交易响应时间小于ts,内存使用率小于bs的容器个数没有超过总体容器个数的三分之一,CPU使用率小于fs的容器个数没有超过总体容器个数的三分之一,则不触发模型使用最新的交易特征值重新预测交易量;情况二:若当前系统的交易响应时间小于ts,内存使用率小于bs的容器个数超过总体容器个数的三分之一,CPU使用率小于fs的容器个数没有超过总体容器个数的三分之一,则不触发模型使用最新的交易特征值重新预测交易量;情况三:若当前系统的交易响应时间小于ts,内存使用率小于bs的容器个数超过总体容器个数的三分之一,CPU使用率小于fs的容器个数超过总体容器个数的三分之一,则触发模型使用最新的交易特征值重新预测交易量,重新选择系统机制;情况四:若当前系统的交易响应时间大于ts,则触发模型使用最新的交易特征值重新预测交易量,重新选择系统机制。
需要说明的是:由于新的交易已经进入系统运行一段时间,故使用最新的交易特征值重新预测交易量,从而更新对系统性能的判定。
步骤S104,根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。
下面举例说明,根据计算出的交易系统性能评价期望值u(可采用TPS、并发数r和容器数量n来计算期望值,该期望值可以是指一个比例值或者累加值),与给出的系统机制进行判断,可以选择合适的系统机制,上述的合适系统机制示意如下:
系统机制a:容器数量n1,并发数r1,TPS1,内存P1,CPU1;
系统机制b:容器数量n2,并发数r2,TPS2,内存P2,CPU2;
系统机制c:容器数量n3,并发数r3,TPS3,内存P3,CPU3;
...
系统机制d:容器数量n4,并发数r4,TPS4,内存P4,CPU4;
以上系统机制可根据实际情况调整。
一种可选的实施方式,在神经网络模型为长短期记忆人工神经网络LSTM模型的情况下,LSTM模型包括多层记忆单元结构,每层记忆单元结构包括:输入门、遗忘门、输出门和细胞状态,其中,输入门:用于确定需要在细胞状态中保存的交易历史数据;遗忘门:用于选择符合预设要求的交易历史数据,并删除不符合预设要求的交易历史数据;输出门:用于确定神经元的输出数据,确定下一个神经元的输入数据;细胞状态:对上一个细胞的更新,丢弃不需保留的交易历史数据。
在本发明实施例中,可以利用容器技术,提供弹性可扩展的交易系统,根据预测交易参数,提前准备所需系统机制,同时对交易系统进行健康状态巡检,一旦发现系统过载或冗余,可以重新预测交易参数,重新选择合适的系统机制,实现系统的自适应调节。
下面结合另一种可选的具体实施例来说明本发明。
实施例二
本发明可以通过如下几个步骤,基于LSTM模型实现系统性能自适应调节的处理,具体步骤如下:
(1)获取交易系统特征值的历史数据;
(2)通过训练历史数据得到针对每种交易系统的LSTM模型;
(3)根据LSTM模型预测的交易量计算出交易系统性能评价期望值,根据计算出的交易系统性能评价期望值,选择合适的系统机制。同时对当前系统进行健康巡检,若健康巡检值不在设定的健康阈值范围内,则使用最新的交易特征值触发模型重新预测交易量并更新系统性能评价期望值。根据更新的系统性能评价期望值重新选择合适的系统机制,使得系统闭环,从而实现系统性能达到自适应调节的功能。
图2是根据本发明实施例的一种可选的基于LSTM的系统性能自适应调节方法的流程图,基于LSTM的系统性能自适应调节方法的流程图,如图2所示,包括如下步骤:
S201,获取交易系统特征值的历史数据。在具体实施过程中,可通过选取交易系统的特征值,获取特征值的历史数据,由于各交易系统的特性,选取的特征值并不唯一,比如历史数据可以为时序,总交易量,交易峰值。
S202,通过对历史数据进行训练得到针对每种交易系统的LSTM模型。
(1)对历史数据进行预处理,其中,预处理包括对缺失值、异常值、重复值以及无效值进行处理以及归一化;
(2)将历史数据分为训练集和验证集;
(3)构建多层长短时记忆LSTM模型,作为交易系统交易量的预测模型;
(4)将预处理及归一化后的训练集输入构建的交易量预测模型进行训练,确定模型参数;
(5)将预处理及归一化后的验证集输入训练完成的LSTM模型中,进行交易量预测,判定该模型的预测效果,得到最终预测模型。
S203,将需要预测的交易量的特征值输入至LSTM预测模型,得到预测交易量。
S204,根据LSTM预测模型预测的交易量计算出交易系统性能评价期望值。
S205,根据计算出的交易系统性能评价期望值,选择合适的系统机制(包括但不限于:容器数量、TPS、并发数、内存、CPU)。
S206,判断对当前系统进行健康巡检,是否满足健康阈值;若是,执行步骤S207,若否,使用最新的交易特征值重新预测交易量,并回到步骤S203。
在系统运行的同时,定时对当前系统进行健康巡检。若健康巡检值不在设定的健康阈值范围内,则触发模型重新预测交易量并更新系统性能评价期望值从而重新选择合适的系统机制;若健康巡检值满足健康阈值,则系统继续运行。
S207,系统继续运行。
本实施例中,交易系统可以实现自适应调节,通过LSTM模型预估交易量,从而确定系统运行机制,准备好相应的容器数量、规格以满足要求,然后在系统运行过程中,不断对系统性能进行巡检,一旦发现系统出现过载或冗余的情况,就使用最新交易特征值重新预测交易量,重新选择合适的系统机制,满足突变的交易量对系统性能的要求。由于需要满足动态的扩缩容,故本设计是基于容器的系统自适应调节。
下面结合另一种可选的实施例来说明本发明。
实施例三
本实施例提供了一种交易系统的性能调节装置,该性能调节装置所包含的各个实施单元对应于上述实施例一中的各个实施步骤。
本实施例提供的一种交易系统的性能调节装置,需要说明的是,本发明实施例的交易系统的性能调节装置可以用于执行本发明实施所提供的交易系统的性能调节方法、以下对本发明实施例提供的交易系统的性能调节装置进行介绍。
图3是根据本发明实施例的另一种可选的交易系统的性能调节装置的示意图,如图3所示,包括:选取单元31、获取单元32、计算单元33、调整单元34,其中,
选取单元31,用于选取目标交易系统的系统特征;
获取单元32,用于获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数;
计算单元33,用于根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值;
调整单元34,用于根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。
上述交易系统的性能调节装置,可以通过选取单元31选取目标交易系统的系统特征,通过获取单元32获取历史预设时间段内每个系统特征的历史数据,其中,历史数据用于训练得到目标交易系统的神经网络模型,神经网络模型用于预估目标交易系统在下一时间段内的交易参数,通过计算单元33根据神经网络模型输出的交易参数,计算目标交易系统的性能评价期望值,通过调整单元34根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略,以调整目标交易系统在处理业务交易时的系统性能指标。在该实施例中,通过神经网络模型预估目标交易系统的交易量参数,根据交易量参数对目标交易系统的性能进行评价,选取适当的系统交易策略,达到了自适应调节系统性能的目的,从而实现了提高系统资源利用率的技术效果,进而解决了交易系统性能固定,无法动态适应突发的交易量改变的情况,造成系统资源利用率低的技术问题。
可选的,交易系统的性能调节装置还包括:第一处理模块,用于获取历史预设时间段内每个系统特征的历史数据之后,对历史数据进行预处理,并将预处理后的历史数据划分为训练集和验证集;模型构建模块,用于构建初始网络模型;模型训练模块,用于将训练集输入至初始网络模型,以训练初始网络模型,确定初始网络模型的模型参数;将验证集输入至训练后的初始网络模型中,得到初始网络模型输出的交易预估参数;模型确定模块,在交易预估参数达到预设参数范围的情况下,确定初始网络模型为目标交易系统的神经网络模型。
可选的,交易系统的性能调节装置还包括:第一处理模块,用于获取历史预设时间段内每个系统特征的历史数据之后,对历史数据进行预处理,并将预处理后的历史数据划分为训练集和验证集;模型构建模块,用于构建初始网络模型;模型训练模块,用于将训练集输入至初始网络模型,以训练初始网络模型,确定初始网络模型的模型参数;将验证集输入至训练后的初始网络模型中,得到初始网络模型输出的交易预估参数;模型确定模块,在交易预估参数达到预设参数范围的情况下,确定初始网络模型为目标交易系统的神经网络模型。
可选的,第一处理模块包括:第一获取子模块,用于获取历史数据中出现缺失部分的第一数据集合和出现重复部分的第二数据集合;数据填充子模块,用于计算出现第一数据集合所属的时间段内的平均数据值或者数据极值,并采用平均数据值或者数据极值填充出现缺失部分的数据;第一数据处理子模块,用于删除出现重复部分的第二数据集合;获取子模块,用于获取历史数据中的异常数据和无效数据;三处子模块,用于删除异常数据和无效数据;第二数据处理子模块,用于对历史数据进行归一化处理,完成对历史数据进行预处理工作。
可选的,计算单元包括:获取模块,用于获取目标交易系统的系统负载系数;第一计算模块,基于系统负载系数和交易参数,计算目标交易系统的并发参数;第二计算模块,基于并发参数和预先配置的响应时长,计算目标交易系统的事务处理参数;第三计算模块,基于并发参数和每个系统容器的交易处理参数,计算目标交易系统所需的系统容器数量;第四计算模块,基于并发参数、事务处理参数和目标交易系统所需的系统容器数量,计算目标交易系统的性能评价期望值。
可选的,交易系统的性能调节装置还包括:检测单元,在根据目标交易系统的性能评价期望值,选取与性能评价期望值对应的系统交易策略之后,在运行目标交易系统后,根据预设巡检策略对目标交易系统进行健康检测,得到健康检测值;控制单元,在健康检测值位于健康阈值范围内的情况下,控制目标交易系统继续运行;更新单元,在健康检测值不在健康阈值范围内的情况下,采用神经网络模型重新预估交易参数,并更新目标交易系统的性能评价期望值,以调整系统机制。
可选的,检测单元包括:采集模块,根据预设巡检策略,采集目标交易系统的交易响应时长、内存使用率、CPU使用率;确定模块,基于目标交易系统的交易响应时长、内存使用率、CPU使用率,确定健康检测值。
可选的,交易系统的性能调节装置还包括,结构模块,在神经网络模型为长短期记忆人工神经网络LSTM模型的情况下,LSTM模型包括多层记忆单元结构,每层记忆单元结构包括:输入门、遗忘门、输出门和细胞状态,其中,输入门:用于确定需要在细胞状态中保存的交易历史数据;遗忘门:用于选择符合预设要求的交易历史数据,并删除不符合预设要求的交易历史数据;输出门:用于确定神经元的输出数据,确定下一个神经元的输入数据;细胞状态:对上一个细胞的更新,丢弃不需保留的交易历史数据。
上述的交易系统的性能调节装置还可以包括处理器和存储器,上述选取单元31、计算单元33、调整单元34,等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中交易系统的性能固定,无法动态适应突发的交易量改变的情况,造成系统资源利用率低的技术问题。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述任意一项的交易系统的性能调节方法。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的交易系统的性能调节方法。
图4是根据本发明实施例的一种交易系统的性能调节方法的电子设备(或移动设备)的硬件结构框图。如图4所示,电子设备可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,电子设备还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种交易系统的性能调节方法,其特征在于,包括:
选取目标交易系统的系统特征;
获取历史预设时间段内每个所述系统特征的历史数据,其中,所述历史数据用于训练得到所述目标交易系统的神经网络模型,所述神经网络模型用于预估所述目标交易系统在下一时间段内的交易参数;
根据所述神经网络模型输出的所述交易参数,计算所述目标交易系统的性能评价期望值;
根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略,以调整所述目标交易系统在处理业务交易时的系统性能指标。
2.根据权利要求1所述的性能调节方法,其特征在于,在获取历史预设时间段内每个所述系统特征的历史数据之后,还包括:
对所述历史数据进行预处理,并将预处理后的所述历史数据划分为训练集和验证集;
构建初始网络模型;
将所述训练集输入至所述初始网络模型,以训练所述初始网络模型,确定所述初始网络模型的模型参数;
将所述验证集输入至训练后的所述初始网络模型中,得到所述初始网络模型输出的交易预估参数;
在所述交易预估参数达到预设参数范围的情况下,确定所述初始网络模型为所述目标交易系统的神经网络模型。
3.根据权利要求2所述的性能调节方法,其特征在于,对所述历史数据进行预处理,并将预处理后的所述历史数据划分为训练集和验证集的步骤,包括:
获取所述历史数据中出现缺失部分的第一数据集合和出现重复部分的第二数据集合;
计算出现所述第一数据集合所属的时间段内的平均数据值或者数据极值,并采用所述平均数据值或者数据极值填充所述出现缺失部分的数据;
删除出现重复部分的所述第二数据集合;
获取所述历史数据中的异常数据和无效数据;
删除所述异常数据和所述无效数据;
对所述历史数据进行归一化处理,完成对所述历史数据进行预处理工作。
4.根据权利要求1所述的性能调节方法,其特征在于,根据所述神经网络模型输出的所述交易参数,计算所述目标交易系统的性能评价期望值的步骤,包括:
获取所述目标交易系统的系统负载系数;
基于所述系统负载系数和所述交易参数,计算所述目标交易系统的并发参数;
基于所述并发参数和预先配置的响应时长,计算所述目标交易系统的事务处理参数;
基于所述并发参数和每个系统容器的交易处理参数,计算所述目标交易系统所需的系统容器数量;
基于所述并发参数、所述事务处理参数和所述目标交易系统所需的系统容器数量,计算所述目标交易系统的性能评价期望值。
5.根据权利要求1所述的性能调节方法,其特征在于,在根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略之后,还包括:
在运行所述目标交易系统后,根据预设巡检策略对所述目标交易系统进行健康检测,得到健康检测值;
在所述健康检测值位于健康阈值范围内的情况下,控制所述目标交易系统继续运行;
在所述健康检测值不在健康阈值范围内的情况下,采用所述神经网络模型重新预估交易参数,并更新所述目标交易系统的性能评价期望值,以调整系统机制。
6.根据权利要求5所述的性能调节方法,其特征在于,根据预设巡检策略对所述目标交易系统进行健康检测,得到健康检测值的步骤,包括:
根据预设巡检策略,采集所述目标交易系统的交易响应时长、内存使用率、CPU使用率;
基于所述目标交易系统的交易响应时长、内存使用率、CPU使用率,确定所述健康检测值。
7.根据权利要求1所述的性能调节方法,其特征在于,在所述神经网络模型为长短期记忆人工神经网络LSTM模型的情况下,所述LSTM模型包括多层记忆单元结构,每层所述记忆单元结构包括:输入门、遗忘门、输出门和细胞状态,其中,
所述输入门:用于确定需要在细胞状态中保存的交易历史数据;
所述遗忘门:用于选择符合预设要求的交易历史数据,并删除不符合预设要求的交易历史数据;
所述输出门:用于确定神经元的输出数据,确定下一个神经元的输入数据;
所述细胞状态:对上一个细胞的更新,丢弃不需保留的交易历史数据。
8.一种交易系统的性能调节装置,其特征在于,包括:
选取单元,用于选取目标交易系统的系统特征;
获取单元,用于获取历史预设时间段内每个所述系统特征的历史数据,其中,所述历史数据用于训练得到所述目标交易系统的神经网络模型,所述神经网络模型用于预估所述目标交易系统在下一时间段内的交易参数;
计算单元,用于根据所述神经网络模型输出的所述交易参数,计算所述目标交易系统的性能评价期望值;
调整单元,用于根据所述目标交易系统的性能评价期望值,选取与所述性能评价期望值对应的系统交易策略,以调整所述目标交易系统在处理业务交易时的系统性能指标。
9.一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用于存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的交易系统的性能调节方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述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,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的交易系统的性能调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550751.5A CN114841456A (zh) | 2022-05-20 | 2022-05-20 | 交易系统的性能调节方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550751.5A CN114841456A (zh) | 2022-05-20 | 2022-05-20 | 交易系统的性能调节方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841456A true CN114841456A (zh) | 2022-08-02 |
Family
ID=82570783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210550751.5A Pending CN114841456A (zh) | 2022-05-20 | 2022-05-20 | 交易系统的性能调节方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841456A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115473804A (zh) * | 2022-09-06 | 2022-12-13 | 中国建设银行股份有限公司 | 一种基于交易量负载进行弹性伸缩的方法及装置 |
-
2022
- 2022-05-20 CN CN202210550751.5A patent/CN114841456A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115473804A (zh) * | 2022-09-06 | 2022-12-13 | 中国建设银行股份有限公司 | 一种基于交易量负载进行弹性伸缩的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019237523A1 (zh) | 安全风险评估方法、装置、计算机设备和存储介质 | |
CN113545026B (zh) | 用于漏洞评估和补救措施识别的系统和方法 | |
CN109345374B (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN108364195B (zh) | 用户留存概率预测方法、装置、预测服务器及存储介质 | |
CN109413175B (zh) | 一种信息处理方法、装置及电子设备 | |
US10489202B2 (en) | System and methods for implementing control of use of shared resource in a multi-tenant system | |
KR102410777B1 (ko) | 상품 추천 방식 개선 방법 및 장치 | |
CN110287250B (zh) | 用户等级量化方法和装置 | |
CN113989561A (zh) | 基于异步联邦学习的参数聚合更新方法、设备及系统 | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
CN114841456A (zh) | 交易系统的性能调节方法及装置、存储介质、电子设备 | |
CN110321240A (zh) | 一种基于时序预测的业务影响评估方法和装置 | |
CN114626744B (zh) | 一种基于科技创新能力的评估方法、系统和可读存储介质 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
CN107358105B (zh) | 异构功能等价体相异性测量方法,分配方法、装置及设备 | |
CA3117168A1 (en) | System and method for neural time series preprocessing | |
CN110266770B (zh) | 基于博弈论的闲置云资源调度方法和装置 | |
US20200162567A1 (en) | Methods, apparatus, and systems for sending information | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN113536131B (zh) | 一种数据处理方法和装置,存储介质和电子设备 | |
CN112669091B (zh) | 数据处理方法、装置及存储介质 | |
CN108471362B (zh) | 资源分配预测方法和装置 | |
CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN110704614A (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112989183B (zh) | 一种基于生命周期的产品信息推荐方法、装置及相关设备 |
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 |