CN114968395A - 一种基于Spring框架的启动优化方法、装置和计算机设备 - Google Patents
一种基于Spring框架的启动优化方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114968395A CN114968395A CN202210507912.2A CN202210507912A CN114968395A CN 114968395 A CN114968395 A CN 114968395A CN 202210507912 A CN202210507912 A CN 202210507912A CN 114968395 A CN114968395 A CN 114968395A
- Authority
- CN
- China
- Prior art keywords
- optimization
- node
- nodes
- layers
- sequence
- 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
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于Spring框架的启动优化方法、装置和计算机设备。该方法包括:获取启动过程的依赖数据;基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序;将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。本发明能够有效避免因依赖导致的启动时期栈溢出问题。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种基于Spring框架的启动优化方法、装置和计算机设备。
背景技术
Spring是一个开源框架,是为了解决企业应用程序开发复杂性。框架的主要优势之一就是其分层架构,允许使用者选择使用哪一个组件,同时为J2EE应用程序开发提供集成的框架,因此企业信息系统中大量使用到Spring框架。
基于Spring的应用经过长时间的迭代,整体依赖情况会呈现网状,导致在启动时由于启动顺序不同,其栈深度会有很大的差异,假如可能的栈深度正好包括当前栈的大小,则会出现偶尔能启动起来,偶尔启动起不来的情况,因此,会存在例如栈溢出等的启动问题。
随着企业应用服务的复杂度不断提高,部署服务节点大量增加,部署参数配置的复杂度、工作量大大增加。现有Spring基于本地XML配置参数支持直接固化值或是调用部署包中的.propertie文件读取参数,在开发、测试、生产环境涉及多台应用服务时需要大量进行配置文件的修改工作,很容易导致服务应用异常,甚至出现系统宕机。
此外,现有处理方法包括调整-Xss参数扩大栈大小、系统拆分等的方式处理。但是,通过-Xss参数扩大栈大小,该方法本身思路是主线程中栈的内存空间不足以加载启动过程中getBean的递归深度,则对栈的内存空间进行扩容到足够的大小,但是由于java虚拟机栈是线程私有的,调整-Xss参数后所有线程的虚拟机栈都给到这么大,因此上述方法存在多占用的内存空间的问题,还会影响到系统运行,甚至会造成系统的OOMkiller将应用停掉,即出现系统宕机。此外,现有处理方法还存在处理周期长、成本大等问题。
因此,有必要提供一种改进了的启动优化方法。
发明内容
为了解决如下问题:在启动时因启动顺序不同以及因依赖关系复杂而导致的栈溢出问题,如何避免因扩容造成的内动容量资源浪费等问题。
本发明的第一方面提供了一种基于Spring框架的启动优化方法,包括:获取启动过程的依赖数据;基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序;将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。
根据本发明的可选实施方式,基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序,具体包括:根据所述依赖数据确定目标优化层数;其中,该依赖数据包括网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;将所有所述节点映射到数值空间,按随机启动顺序对所述节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序;根据执行所述访问顺序的访问结果,判断是否符合所述目标优化层数;如果符合所述目标优化层数,则根据所述访问结果输出所述节点启动时的指定顺序,重新计算所述网状节点图的层数。
根据本发明的可选实施方式,所述判断是否符合所述目标优化层数,还包括:如果不符合所述目标优化层数,则在不改变节点数和边数时,确定第一优化策略;如果不符合所述目标优化层数,则在需增加虚拟节点时,确定第二优化策略。
根据本发明的可选实施方式,所述确定第一优化策略包括:确定当前迭代后的所述网状节点图中各个所述节点参与的环的长度,从多个所述环中选择长度最长的环,以及确定所述最长的环中的关键节点;根据所述关键节点,确定最先执行的节点,破坏所述最长的环中的出边或入边,以缩短启动过程所依赖的整体层数。
根据本发明的可选实施方式,还包括:如果不符合所述目标优化层数,则返回报告当前迭代后所述网状节点图的最大层数;根据所述第一优化策略或所述第二优化策略继续对当前迭代后的所述网状节点图进行图层数优化处理;对继续迭代后的所述网状节点图及其节点和边进行优化评分,以根据所述优化评分调整所述节点和所述边的顺序,确定是否停止迭代进行下一次图层数优化处理。
根据本发明的可选实施方式,还包括:根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序。
根据本发明的可选实施方式,所述确定第二优化策略包括:查找当前迭代后的所述网状节点图中指定第一数量的所述节点所指向的指定第二数量的边,确定间接依赖数据;按照所述间接依赖数据,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以缩短启动过程所依赖的整体层数。
根据本发明的可选实施方式,所述确定第二优化策略,还包括:当通过所述查找未确定有间接依赖数据时,将所有查找的第二数量的边中的入边同步到增加的虚拟节点中,检查最大深度的影响,以缩短启动过程所依赖的整体层数。
根据本发明的可选实施方式,所述基于所述依赖数据,迭代进行图层数优化处理还包括:在启动阶段接收到栈溢出监测信息时,获取所述依赖数据进行图层数优化处理。
根据本发明的可选实施方式,还包括:停止所述迭代进行图层数优化处理的条件包括符合如下任一项或多项条件:迭代一次的图层数优化处理后输出的图层数小于等于所述目标优化层数、已经达到指定的迭代次数;以及优化评分大于指定值。
此外,本发明的第二方面提供了一种基于Spring框架的启动优化装置,包括:数据获取模块,用于获取启动过程的依赖数据;确定处理模块,基于所述依赖数据,迭代进行图层数优化,以输出启动时的指定顺序;启动模块,用于将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。
根据本发明的可选实施方式,还包括优化模块,所述优化模块根据所述依赖数据确定目标优化层数;其中,该依赖数据包括网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;将所有所述节点映射到数值空间,按随机启动顺序对所述节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序;根据执行所述访问顺序的访问结果,判断是否符合所述目标优化层数;如果符合所述目标优化层数,则输出所述节点启动时的指定顺序,重新计算所述网状节点图的层数,其中,该依赖数据是指网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;将所有节点映射到数值空间,按随机启动顺序进行深度优先遍历,构建各节点层数和访问顺序,执行该访问顺序;根据执行该访问顺序的访问结果,判断是否满足所述目标优化层数。
根据本发明的可选实施方式,所述判断是否符合所述目标优化层数,还包括:如果不符合所述目标优化层数,则在不改变节点数和边数时,确定第一优化策略;如果不符合所述目标优化层数,则在需增加虚拟节点时,确定第二优化策略。
此外,本发明的第三方面提供了一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行如本发明所述的基于Spring框架的启动优化方法。
此外,本发明的第四方面提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如本发明所述的基于Spring框架的启动优化方法。
有益效果
与现有技术相比,本发明通过获取启动过程的依赖数据,并将所述依赖数据转换成图数据,再对该图数据进行优化,并将优化后的访问顺序或指定顺序转换成启动顺序,使得启动时堆栈深度稳定,能够有效避免因依赖导致的启动时期栈溢出问题;无需调整栈内存大小,进而能够有效避免因扩容造成的内动容量资源浪费等问题。
进一步地,根据所述网状图的节点结构特征,进行判断以确定第一优化策略或第二优化策略,能够更有效且更快速地进行图层数优化处理;根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序,能够更合理地确定是否停止迭代进行下一次图层数优化处理,并能够输出更准确的指定顺序。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的基于Spring框架的启动优化方法的一示例的流程图。
图2是示出了本发明的基于Spring框架的启动优化方法的一应用示例中包含环状依赖关系的网状节点示意图。
图3是示出了图2的示例中按随机启动顺序启动所构建的节点层数的示意图。
图4是示出了图2的示例通过优化图层数优化处理后的启动层数的示意图。
图5是本发明的实施例1的基于Spring框架的启动优化方法中图层数优化处理(即步骤S102的子步骤)的一示例的流程图。
图6是本发明的实施例1的基于Spring框架的启动优化方法中图层数优化处理的增加虚拟节点的一示例的示意图。
图7是本发明的实施例1的基于Spring框架的启动优化方法中图层数优化处理的增加虚拟节点的另一示例的示意图。
图8是本发明的实施例2的基于Spring框架的启动优化装置的一示例的结构框图。
图9是本发明的实施例2的基于Spring框架的启动优化装置的另一示例的结构框图。
图10是根据本发明的计算机设备的示例性实施例的结构框图。
图11是根据本发明的计算机可读存储介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
鉴于上述问题,本发明通过将基于Spring框架的启动时加载bean的过程所涉及的依赖数据或者启动所依赖的数据,转换成图数据(包括节点和边的图),再对该图数据进行优化,并将优化后的访问顺序或指定顺序转换成启动顺序,使得启动时堆栈深度稳定,能够有效避免因依赖导致的启动时期栈溢出问题。
需要说明的是,本发明中,本发明的创新之处在于将基于Spring框架的启动时加载bean的过程所涉及的依赖数据或者启动所依赖的数据,转换成图数据(包括节点和边的图),再对该图数据进行优化,将依赖问题转化成图层数优化处理问题(即图深度遍历优化问题),不仅优化了图深度,还有效解决了因依赖导致的启动时期栈溢出问题。为了方便起见,本发明中以互联网服务为例说明新接入用户设备鉴别的实施,但是不能理解成对本发明的限制。以下将详细描述新接入用户设备鉴别方法的具体过程。
实施例1
下面,将参照图1至图7描述本发明的基于Spring框架的启动优化方法的实施例。
图1为本发明的基于Spring框架的启动优化方法的一示例的流程图。如图1所示,该方法包括如下步骤。
步骤S101,获取启动过程的依赖数据。
步骤S102,基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序。
步骤S103,将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。
需要说明的是,本发明的方法主要适用于在由依赖导致的启动时期/阶段栈溢出问题,特别适用于在栈溢出问题刚发生时期进行启动优化处理、检查依赖深度进行预警等。本发明应用广泛,特别适用基于Spring框架的应用系统。下面将结合具体应用示例说明本发明方法的具体过程。
首先,在步骤S101中,获取启动过程的依赖数据。
具体地,在基于Spring框架的应用系统的启动过程中,获取该启动过程的bean依赖数据,例如通过导出的方式,从启动数据中导出等。具体地,通过导出bean和bean的依赖转化为包含节点和边的图数据(例如网状节点图,下文中也简称为网状图),然后对图最大层数进行优化。
在一实施方式中,在Spring框架的应用启动时,在监测到例如StackOverflowError等监测信息时,或者相关业务人员接收到例如StackOverflowError等监测信息时,同步输出例如有Spring依赖链路的依赖数据。
更具体地,该依赖数据包括网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边,从父级节点指向子级节点的边为出边,从子级节点指向父级节点的边为入边。
需要说明的是,父级节点(例如为x)或子级节点(例如为y)均是一个class,每条边x->y,表示x引用了y作为成员变量。
进一步地,所述依赖数据还包括栈可容纳的最大层数、是否包含环状依赖关系、环状依赖关系的数量等。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。对于获取依赖数据的方式,在其他实施方式中,还可通过ASM,源代码解析等方式输出依赖数据。
由于Spring框架的应用系统中的应用为单体应用,由于单体应用比较大,依赖关系复杂呈现网状节点图,这种网状节点图的依赖关系会导致1个bean的初始化需要带动几百个甚至更多个bean一起启动层数的最大深度例如约40层,存在因上述这种依赖关系复杂(网状节点图)而导致的启动时期栈溢出问题。
为了解决这种因依赖关系复杂(网状节点图)而导致的启动时期栈溢出问题,即为了有效解决因启动时因启动顺序不同以及因依赖关系复杂而导致的启动时期栈溢出问题,本发明对这种依赖关系复杂的网状节点图进行图层数优化处理,以优化启动时的依赖关系进而解决上述问题。下面将具体说明所述图层数优化处理过程。
在步骤S102中,基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序。
具体地,在启动时期发生栈溢出而接收到监测信息时,通过导出的依赖数据,进行图层数优化处理。
可选地,根据当前栈可容纳的最大层数、出现栈溢出的问题层数、是否包含环状依赖关系以及环状依赖关系的数量等的依赖数据,确定目标优化层数。
图2是示出了本发明的基于Spring框架的启动优化方法的一应用示例中包含环状依赖关系的网状节点示意图。图3是示出了图2的示例中按随机启动顺序启动所构建的节点层数的示意图。而图4是示出了图2的示例通过优化图层数优化处理后的启动层数的示意图。
下面将结合图2的示例具体说明所述图层数优化处理过程。
在图2所示的示例中,当前栈只能容纳6层,但是按照随机启动顺序启动时,会存在整体层数为7层的情况(具体参见图3),在整体层数为7层的情况下,就会出现栈溢出的启动问题。
在该实施方式中,根据当前栈可容纳的最大层数6层、出现栈溢出的问题层数7层、包含环状依赖关系6个,确定目标优化层数为3层,即通过图层数优化处理将7层变成3层,具体参见图4。
在所述图层数优化处理中,重复判断是否符合所述目标优化层数,具体根据执行所述访问顺序的访问结果,来判断是否符合所述目标优化层数(例如3层)。
具体地,如图5所示,步骤102包括如下子步骤:
步骤S1021,将所有所述节点映射到数值空间。
步骤S1022,按随机启动顺序对待处理的网状图中的所有节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序。
步骤S1023,根据执行所述访问顺序的访问结果,判断是否符合所述目标优化层数,判断是否符合所述目标优化层数。
在步骤S1021中,将图2所示的示例中左侧部分图中的所有所述节点映射到数值空间,例如为“1 2 3 3-1 2 1”。
在步骤S1022中,按随机启动顺序对待处理的网状图(例如图2中的网状图)中的所有节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序。
具体地,执行访问顺序,输出相应的节点访问值。优选地,对于已访问过的节点给予负值,每个节点访问结束返回父级节点时再重新输出一次访问顺序,即输出访问顺序列表。例如,“33 1 2-3-1 2 1”。
更具体地,每个节点的正值将输出2个,可将这2个正值当作括号,若括号内的所有访问节点都属于括号内的正值节点,则表明该组节点是不依赖外部节点的节点。例如,(33)(1 2-3-1 2 1),其中使用3表示的节点是不依赖外部节点的节点。如果当前图层数符合目标优化层数,则将括号内的节点(即使用3表示的节点)提到启动顺序的前列,重新计算原图层数,例如这三个节点1、节点2和节点3的层数重新计算后为两层,具体参见图4。
接着,在步骤S1023中,在执行步骤S1022中的访问顺序后,判断是否符合所述目标优化层数。
具体地,所述判断是否符合所述目标优化层数包括:如果符合所述目标优化层数,比如当前迭代后的图层数小于等于该目标优化层数等,则输出所述节点启动时的指定顺序,重新计算所述网状节点图的层数。而如果不符合所述目标优化层数,则可以根据当前迭代后的图层数考虑是否要进一步迭代处理,如果还要继续迭代处理,则确定第一优化策略或第二优化策略,即根据两个优化策略继续图层数优化处理。
具体如:对于包括一个环或者没有环的树状图(例如图2中的节点1、节点2和节点3的树状图),在执行完步骤S1023之后,如果符合所述目标优化层数,则输出节点启动时的指定顺序即可(即,符合所述目标优化层数,输出节点启动时的指定顺序的情况)。由此,完成了所述图层数优化处理。
而对于包括多个环(其中包括多个节点的环)、树状图等的网状图(例如图2中的节点4~13对应的网状图或者节点1~13对应的整体网状图)。在执行完步骤S1023之后,如果不符合所述目标优化层数,则返回报告当前迭代后所述网状节点图的最大层数,并确定第一优化策略或第二优化策略,即需要继续图层数优化处理。即,在另一实施方式中,所述步骤102还包括在执行完步骤S1023之后的步骤S1024。在步骤S1024中,确定第一优化策略或第二优化策略。
例如,图2所示的示例中的节点4~13对应的网状图,该网状图包括多个环(例如,节点4和节点6组成的第一环,节点4、节点6和节点7组成的第二环,节点6、节点8、节点9和节点7组成的第三环),其中各节点参与多环状态(例如节点6参与了第一环、第二环和第三环,节点4参与了第一环、第二环)。
具体地,根据所述网状图的节点结构特征(环所包括的节点数、边数),进行判断以确定(或选择)第一优化策略或第二优化策略。
更具体地,在不改变节点数和边数时,确定第一优化策略。
进一步地,所述确定第一优化策略包括:确定当前迭代后的所述网状节点图中各个所述节点参与的环的长度,从多个所述环中选择长度最长的环,以及确定所述最长的环中的关键节点。
更进一步地,根据所述关键节点,确定最先执行的节点,破坏所述最长的环中的出边或入边,以缩短启动过程所依赖的整体层数。
作为一具体实施方式,例如,图2所示的示例中,从第一环(即节点4和节点6组成的环)、第二环(节点4、节点6和节点7组成的环)和第三环中选择第三环(即长度最长的环,节点6、节点8、节点9和节点7组成的环),确定所述最长的环中节点6和节点7为关键节点。
进一步地,根据节点6、节点7,确定最先执行的节点6,例如通过先处理第二环(节点4、节点6和节点7组成的环)来破环第三环(即长度最长的环,节点6、节点8、节点9和节点7组成的环)。由此,得到如图4所示的三层节点图,即完成了图层数优化处理。
在另一实施方式中,如果不符合所述目标优化层数,则在需增加虚拟节点时,确定第二优化策略。
具体地,所述确定第二优化策略包括:查找当前迭代后的所述网状节点图中指定第一数量(例如为m)的所述节点的指定第二数量(例如为n)的边,确定间接依赖数据。
进一步地,当通过上述查找未确定有间接依赖数据时,将所有查找的第二数量的边中的入边同步到增加的虚拟节点中,检查最大深度的影响,以缩短启动过程所依赖的整体层数。
进一步地,按照所述间接依赖数据,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以缩短启动过程所依赖的整体层数。
需要说明的是,在本发明中,通过增加虚拟节点(即新节点)取代原有节点的部分功能,使得虚拟节点(即新节点)+原节点'=原节点。业务上允许对小部分业务调整来处理该问题的情况,可以通过查找指定m个节点的n条边(m和n由具体可调整范围决定,比如某个包的service层允许调整,则该包下面的service层class构成m,可以调整多少个依赖构成n),按照间接依赖数据通过虚拟节点将相关入边和出边从原有节点上剥离开,假如没有间接依赖数据(比如子级节点被具体哪些父级节点调用)可将所有入边同步到增加的虚拟节点中,检查最大深度的影响。其中,上述优化策略主要依赖出边可减少的成环数量和构建虚拟节点后的最大深度为主要评分依据。
在一实施方式中,例如通过对图2中节点4~13对应的网状图,增加虚拟节点(即图6中的节点14')取代原有节点的部分功能,具体参见图6。由此,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以将原整体层数7层缩短到3层,6、4,6、14、7,6、8、9。
例如,如果有9->7->12且没有9->7->6的数据,则构建虚拟节点14,去掉9->7的数据,由此节点6、节点8、节点9和节点7组成的环就没有了,节点8、节点9、节点14、节点12和节点13的单向引用,这一块就是单层的;虚拟14节点,承接了节点6、节点4和节点7这一段,由此,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以将原整体层数7层缩短到3层。
在另一实施方式中,例如通过对图2中节点4~13对应的网状图,增加虚拟节点(即图7中的节点4'、6'和6”)取代原有节点的部分功能,具体参见图7。由此,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以原整体层数7层缩短到3层。
因此,根据所述网状图的节点结构特征,进行判断以确定第一优化策略或第二优化策略,能够更有效且更快速地进行图层数优化处理。
进一步地,确定是否停止迭代进行下一次图层数优化处理。
具体地,对继续迭代后的所述网状节点图及其节点和边进行优化评分,以确定是否停止迭代进行下一次图层数优化处理。
优选地,根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序。
进一步地,停止所述迭代进行图层数优化处理的条件包括符合如下任一项或多项条件:迭代一次的图层数优化处理后输出的图层数小于等于所述目标优化层数、已经达到指定的迭代次数以及优化评分大于指定值。
对于优化评分的确定,例如使用节点所参与的环的数量,参与环的长度差值,可能减少的最大层数等参数作为节点评分。但是不限于此,在其他实施方式中,还可以使用当前边是多少个环的公共边等其他参数,或者上述参数中的至少两个参数作为各节点的节点评分。上述仅作为优选示例进行说明,不能理解成对本发明的限制。
接着,将输出所述图层数优化处理后的指定顺序,即最终确定的访问顺序。
因此,根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序,能够更合理地确定是否停止迭代进行下一次图层数优化处理,并能够输出更准确的指定顺序。
接下来,在步骤S103中,将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。
具体地,将步骤S102所输出的指定顺序转换成bean启动顺序。例如,将图4中的访问顺序(对应的指定顺序)转换成bean启动顺序(或者加载顺序)。
进一步地,根据所转换的bean启动顺序,执行访问过程。由此,能够优化启动顺序,能够有效避免在启动时因启动顺序不同以及因依赖关系复杂而导致的栈溢出问题;无需调整栈内存大小,进而能够有效避免因扩容造成的内动容量资源浪费等问题。此外,由于本发明是在栈溢出问题刚发生时期进行启动优化处理,所以还能够更及时检查依赖情况,并能够即即时解决依赖问题或进行即时预警等。进而,通过本发明的上述实施例的启动、加载顺序的优化,改进了计算机系统加载、启动阶段的效率、提升了计算机系统处理性能。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
上述方法的过程仅用于对本发明的说明,其中,步骤的顺序和数量没有特别的限制。此外,上述方法中的步骤还可以拆分成两个、三个,或者有些步骤也可以合并成一个步骤,根据实际示例进行调整。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
与现有技术相比,本发明通过获取启动过程的依赖数据,并将所述依赖数据转换成图数据,再对该图数据进行优化,并将优化后的访问顺序或指定顺序转换成启动顺序,使得启动时堆栈深度稳定,能够有效避免因依赖导致的启动时期栈溢出问题;无需调整栈内存大小,进而能够有效避免因扩容造成的内动容量资源浪费等问题。
进一步地,根据所述网状图的节点结构特征,进行判断以确定第一优化策略或第二优化策略,能够更有效且更快速地进行图层数优化处理;根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序,能够更合理地确定是否停止迭代进行下一次图层数优化处理,并能够输出更准确的指定顺序。
实施例2
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
参照图2~4、图6、图8和图9,将描述本发明的基于Spring框架的启动优化装置。
具体地,如图8所示,所述启动优化装置400包括:数据获取模块401,用于获取启动过程的依赖数据,具体处理功能的实现方式可以参见步骤S101;确定处理模块402,基于所述依赖数据,迭代进行图层数优化,以输出启动时的指定顺序,具体处理功能的实现方式可以参见步骤S102;启动模块403,用于将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动,具体处理功能的实现方式可以参见步骤S103。
在另一实施方式中,如图9所示,所述启动优化装置400还包括优化模块501,即将图8中的确定处理模块402拆分成优化模块501和确定处理模块502,所述优化模块501根据所述依赖数据确定目标优化层数.
具体地,该依赖数据包括网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;将所有所述节点映射到数值空间,按随机启动顺序对所述节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序。
进一步地,根据执行所述访问顺序的访问结果,判断是否符合所述目标优化层数。如果符合所述目标优化层数,则输出所述节点启动时的指定顺序,重新计算所述网状节点图的层数。
更具体地,该依赖数据是指网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边。
为了解决这种因依赖关系复杂(网状节点图)而导致的启动时期栈溢出问题,即为了有效解决因启动时因启动顺序不同以及因依赖关系复杂而导致的启动时期栈溢出问题,本发明对这种依赖关系复杂的网状节点图进行图层数优化处理,以优化启动时的依赖关系进而解决上述问题。下面将具体说明所述图层数优化处理过程。
确定处理模块402中,基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序。
可选地,根据当前栈可容纳的最大层数、出现栈溢出的问题层数、是否包含环状依赖关系以及环状依赖关系的数量等的依赖数据,确定目标优化层数。
图2是示出了本发明的基于Spring框架的启动优化方法的一应用示例中包含环状依赖关系的网状节点示意图。图3是示出了图2的示例中按随机启动顺序启动所构建的节点层数的示意图。而图4是示出了图2的示例通过优化图层数优化处理后的启动层数的示意图。
下面将结合图2的示例具体说明所述图层数优化处理过程。
在图2所示的示例中,当前栈只能容纳6层,但是按照随机启动顺序启动时,会存在整体层数为7层的情况(具体参见图3),在整体层数为7层的情况下,就会出现栈溢出的启动问题。
在该实施方式中,根据当前栈可容纳的最大层数6层、出现栈溢出的问题层数7层、包含环状依赖关系以及6个环状依赖关系,确定目标优化层数为3层,即通过图层数优化处理将7层变成3层,具体参见图4。
在所述图层数优化处理中,重复判断是否符合所述目标优化层数,具体根据执行所述访问顺序的访问结果,来判断是否符合所述目标优化层数(例如3层)。
具体地,通过图层数优化处理包括:将所有所述节点映射到数值空间;按随机启动顺序对待处理的网状图中的所有节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序;根据执行(步骤S1022中)所述访问顺序的访问结果,判断是否符合所述目标优化层数,判断是否符合所述目标优化层数。
首先,将图2所示的示例中左侧部分图中的所有所述节点映射到数值空间,例如为“1233-121”。
接着,按随机启动顺序对待处理的网状图(例如图2中的网状图)中的所有节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序。
具体地,对于已访问过的节点给予负值,每个节点访问结束返回父级节点时再重新输出一次访问顺序,即输出访问顺序列表。例如,“3 3 1 2-3-12 1”。
更具体地,每个节点的正值将输出2个,可将这2个正值当作括号,若括号内的所有访问节点都属于括号内的正值节点,则表明该组节点是不依赖外部节点的节点。例如,(33)(1 2-3-1 2 1),其中使用3表示的节点是不依赖外部节点的节点。如果当前图层数符合目标优化层数,则将括号内的节点(即使用3表示的节点)提到启动顺序的前列,重新计算原图层数,例如这三个节点1、节点2和节点3的层数重新计算后为两层,具体参见图4。
接着,在执行上述访问顺序后,判断是否符合所述目标优化层数。
具体地,所述判断是否符合所述目标优化层数包括:如果符合所述目标优化层数,则输出所述节点启动时的指定顺序,重新计算所述网状节点图的层数。而如果不符合所述目标优化层数,则确定第一优化策略或第二优化策略,即需要继续图层数优化处理。
对于包括一个环或者没有环的树状图(例如图2中的节点1、节点2和节点3的树状图),在按照上述执行顺序执行完访问之后,如果符合所述目标优化层数,则输出节点启动时的指定顺序即可(即,符合所述目标优化层数,输出节点启动时的指定顺序的情况)。由此,完成了所述图层数优化处理。
而对于包括多个环(其中包括多个节点的环)、树状图等的网状图(例如图2中的节点4~13对应的网状图或者节点1~13对应的整体网状图)。在执行完上述访问之后,如果不符合所述目标优化层数,则确定第一优化策略或第二优化策略,即需要继续图层数优化处理。即,在另一实施方式中,还包括确定第一优化策略或第二优化策略。
例如,图2所示的示例中的节点4~13对应的网状图,该网状图包括多个环(例如,节点4和节点6组成的第一环,节点4、节点6和节点7组成的第二环,节点6、节点8、节点9和节点7组成的第三环),其中各节点参与多环状态(例如节点6参与了第一环、第二环和第三环,节点4参与了第一环、第二环)。
具体地,根据所述网状图的节点结构特征(环所包括的节点数、边数),进行判断以确定(或选择)第一优化策略或第二优化策略。
更具体地,在不改变节点数和边数时,确定第一优化策略。
进一步地,所述确定第一优化策略包括:确定当前迭代后的所述网状节点图中各个所述节点参与的环的长度,从多个所述环中选择长度最长的环,以及确定所述最长的环中的关键节点。
更进一步地,根据所述关键节点,确定最先执行的节点,破坏所述最长的环中的出边或入边,以缩短启动过程所依赖的整体层数。
作为一具体实施方式,例如,图2所示的示例中,从第一环(即节点4和节点6组成的环)、第二环(节点4、节点6和节点7组成的环)和第三环中选择第三环(即长度最长的环,节点6、节点8、节点9和节点7组成的环),确定所述最长的环中节点6和节点7为关键节点。
进一步地,根据节点6、节点7,确定最先执行的节点6,例如通过先处理第二环(节点4、节点6和节点7组成的环)来破环第三环(即长度最长的环,节点6、节点8、节点9和节点7组成的环)。由此,得到如图4所示的三层节点图,即完成了图层数优化处理。
在另一实施方式中,如果不符合所述目标优迭代后化层数,则在需增加虚拟节点时,确定第二优化策略。
具体地,所述确定第二优化策略包括:查找的所述网状节点图中指定第一数量(例如为m)的所述节点所指向的指定第二数量(例如为n)的边,确定间接依赖数据。
进一步地,当通过上述查找未确定有间接依赖数据时,将所有查找的第二数量的边中的入边同步到增加的虚拟节点中,检查最大深度的影响,以缩短启动过程所依赖的整体层数。
进一步地,按照所述间接依赖数据,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以缩短启动过程所依赖的整体层数。
需要说明的是,在本发明中,通过增加虚拟节点(即新节点)取代原有节点的部分功能,使得虚拟节点(即新节点)+原节点'=原节点。业务上允许对小部分业务调整来处理该问题的情况,可以通过查找指定m个节点的n条边(m和n由具体可调整范围决定,比如某个包的service层允许调整,则该包下面的service层class构成m,可以调整多少个依赖构成n),按照间接依赖数据通过虚拟节点将相关入边和出边从原有节点上剥离开,假如没有间接依赖数据(比如子级节点被具体哪些父级节点调用)可将所有入边同步到增加的虚拟节点中,检查最大深度的影响。其中,上述优化策略主要依赖出边可减少的成环数量和构建虚拟节点后的最大深度为主要评分依据。
在一实施方式中,例如通过对图2中节点4~13对应的网状图,增加虚拟节点(即图6中的节点14')取代原有节点的部分功能,具体参见图6。由此,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以将原整体层数7层缩短到3层,6、4,6、14、7,6、8、9。
例如,如果有9->7->12且没有9->7->6的数据,则构建虚拟节点14,去掉9->7的数据,由此节点6、节点8、节点9和节点7组成的环就没有了,节点8、节点9、节点14、节点12和节点13的单向引用,这一块就是单层的了;虚拟14节点,承接了节点6、节点4和节点7这一段,由此,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以将原整体层数7层缩短到3层。
因此,根据所述网状图的节点结构特征,进行判断以确定第一优化策略或第二优化策略,能够更有效且更快速地进行图层数优化处理。
进一步地,确定是否停止迭代进行下一次图层数优化处理。
具体地,对继续迭代后的所述网状节点图及其节点和边进行优化评分,以确定是否停止迭代进行下一次图层数优化处理。
优选地,根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序。
进一步地,停止所述迭代进行图层数优化处理的条件包括符合如下任一项或多项条件:迭代一次的图层数优化处理后输出的图层数小于等于所述目标优化层数、已经达到指定的迭代次数以及优化评分大于指定值。
对于优化评分的确定,例如使用节点所参与的环的数量,参与环的长度差值,可能减少的最大层数等参数作为节点评分。但是不限于此,在其他实施方式中,还可以使用当前边是多少个环的公共边等其他参数,或者上述参数中的至少两个参数作为各节点的节点评分。上述仅作为优选示例进行说明,不能理解成对本发明的限制。
接着,将输出所述图层数优化处理后的指定顺序,即最终确定的访问顺序。
因此,根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序,能够更合理地确定是否停止迭代进行下一次图层数优化处理,并能够输出更准确的指定顺序。
需要说明的是,在实施例2中,省略了与实施例1相同的部分的说明。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
与现有技术相比,本发明通过获取启动过程的依赖数据,并将所述依赖数据转换成图数据,再对该图数据进行优化,并将优化后的访问顺序或指定顺序转换成启动顺序,使得启动时堆栈深度稳定,能够有效避免因依赖导致的启动时期栈溢出问题;无需调整栈内存大小,进而能够有效避免因扩容造成的内动容量资源浪费等问题。
进一步地,根据所述网状图的节点结构特征,进行判断以确定第一优化策略或第二优化策略,能够更有效且更快速地进行图层数优化处理;根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序,能够更合理地确定是否停止迭代进行下一次图层数优化处理,并能够输出更准确的指定顺序。
本申请实施例,能够在系统内或系统间出现依赖问题时快快速定位问题所在位置并提供对应方案明确全局情况,不依赖于高级别管理人员,问题处理人的级别可以下降到开发成员,让高级别人员能更专注于系统规划和更好的掌握系统情况;对于现成的大型单体应用,可以通过本方案在不使用更多资源的情况下延长其生命周期,并解决代码依赖相关的历史包袱,辅助规划系统领域。可应用于代码评审和代码规范当中,当新写代码导致现有应用形成新的依赖环时,可重新规划当前代码分层定位,确保整体结构清晰,当业务承载量达到一定级别整体拆分进行独立运营时也非常方便。当依赖不在于单体应用,而出现在微服务之间时,同样可以通过该方案解决,通过该方案数据对现有存在依赖问题的微服务进行拆分合并使得系统依赖清晰有序,提升整体架构的稳定性和可维护性。
实施例3
下面描述本发明的计算机设备实施例,该计算机设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明计算机设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图10是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图10来描述根据本发明该实施例的的计算机设备200。图10显示的计算机设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该计算机设备200交互的设备通信,和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,计算机设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与计算机设备200的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读存储介质能够实现本发明的上述方法。
图11是根据本发明的计算机可读存储介质的示例性实施例的结构框图。
如图11所示,所述计算机程序可以存储于一个或多个计算机可读存储介质上。计算机可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机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。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的程序代码,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。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)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机可读存储介质)。这样的实现本发明的程序可以存储在计算机可读存储介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者计算机设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种基于Spring框架的启动优化方法,其特征在于,包括:
获取启动过程的依赖数据;
基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序;
将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。
2.根据权利要求1所述的方法,其特征在于,基于所述依赖数据,迭代进行图层数优化处理,以输出启动时的指定顺序,具体包括:
根据所述依赖数据确定目标优化层数;其中,该依赖数据包括网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;
将所有所述节点映射到数值空间,按随机启动顺序对所述节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序;
根据执行所述访问顺序的访问结果,判断是否符合所述目标优化层数;
如果符合所述目标优化层数,则根据所述访问结果输出所述节点启动时的指定顺序,并重新计算所述网状节点图的层数。
3.根据权利要求2所述的方法,其特征在于,所述判断是否符合所述目标优化层数,还包括:
如果不符合所述目标优化层数,则在不改变节点数和边数时,确定第一优化策略;
如果不符合所述目标优化层数,则在需增加虚拟节点时,确定第二优化策略。
4.根据权利要求3所述的方法,其特征在于,所述确定第一优化策略包括:
确定当前迭代后的所述网状节点图中各个所述节点参与的环的长度,从多个所述环中选择长度最长的环,以及确定所述最长的环中的关键节点;
根据所述关键节点,确定最先执行的节点,破坏所述最长的环中的出边或入边,以缩短启动过程所依赖的整体层数。
5.根据权利要求3所述的方法,其特征在于,还包括:
如果不符合所述目标优化层数,则返回报告当前迭代后所述网状节点图的最大层数;
根据所述第一优化策略或所述第二优化策略继续对当前迭代后的所述网状节点图进行图层数优化处理;
对继续迭代后的所述网状节点图及其节点和边进行优化评分,以根据所述优化评分调整所述节点和所述边的顺序,确定是否停止迭代进行下一次图层数优化处理。
6.根据权利要求5所述的方法,其特征在于,还包括:
根据所述优化评分调整继续迭代后的所述网状节点图的各个节点和边的顺序。
7.根据权利要求2所述的方法,其特征在于,所述确定第二优化策略包括:
查找当前迭代后的所述网状节点图中指定第一数量的所述节点所指向的指定第二数量的边,确定间接依赖数据;
按照所述间接依赖数据,通过增加虚拟节点断开所述间接依赖数据中父级节点到其所有子级节点的出边,以缩短启动过程所依赖的整体层数。
8.根据权利要求7所述的方法,其特征在于,所述确定第二优化策略,还包括:当通过查找未确定有间接依赖数据时,将所有查找的第二数量的边中的入边同步到增加的虚拟节点中,检查最大深度的影响,以缩短启动过程所依赖的整体层数。
9.根据权利要求1所述的方法,其特征在于,所述基于所述依赖数据,迭代进行图层数优化处理还包括:
在启动阶段接收到栈溢出监测信息时,获取所述依赖数据进行图层数优化处理。
10.根据权利要求1至9任一项所述的方法,其特征在于,还包括:
停止所述迭代进行图层数优化处理的条件包括符合如下任一项或多项条件:迭代一次的图层数优化处理后输出的图层数小于等于所述目标优化层数、已经达到指定的迭代次数以及优化评分大于指定值。
11.一种基于Spring框架的启动优化装置,其特征在于,包括:
数据获取模块,用于获取启动过程的依赖数据;
确定处理模块,基于所述依赖数据,迭代进行图层数优化,以输出启动时的指定顺序;
启动模块,用于将所述指定顺序转换成bean启动顺序,并根据所述bean启动顺序进行启动。
12.根据权利要求11所述的装置,其特征在于,还包括优化模块,所述优化模块根据所述依赖数据确定目标优化层数;其中,
该依赖数据包括网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;将所有所述节点映射到数值空间,按随机启动顺序对所述节点进行深度优先遍历,构建各个所述节点层数和访问顺序,以及执行所述访问顺序;
根据执行所述访问顺序的访问结果,判断是否符合所述目标优化层数;
如果符合所述目标优化层数,则根据所述访问结果输出所述节点启动时的指定顺序,重新计算所述网状节点图的层数,其中,
该依赖数据是指网状节点图中的问题层数、节点之间的依赖关系数据,所述网状节点图包括父级节点、子级节点、出边和入边;
将所有节点映射到数值空间,按随机启动顺序进行深度优先遍历,构建各节点层数和访问顺序,执行该访问顺序;
根据执行该访问顺序的访问结果,判断是否满足所述目标优化层数。
13.根据权利要求12所述的装置,其特征在于,所述判断是否符合所述目标优化层数,还包括:
如果不符合所述目标优化层数,则在不改变节点数和边数时,确定第一优化策略;
如果不符合所述目标优化层数,则在需增加虚拟节点时,确定第二优化策略。
14.一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行如权利要求1至10中任一项所述的基于Spring框架的启动优化方法。
15.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如权利要求1至10中任一项所述的基于Spring框架的启动优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210507912.2A CN114968395B (zh) | 2022-05-10 | 2022-05-10 | 一种基于Spring框架的启动优化方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210507912.2A CN114968395B (zh) | 2022-05-10 | 2022-05-10 | 一种基于Spring框架的启动优化方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114968395A true CN114968395A (zh) | 2022-08-30 |
CN114968395B CN114968395B (zh) | 2023-09-26 |
Family
ID=82980579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210507912.2A Active CN114968395B (zh) | 2022-05-10 | 2022-05-10 | 一种基于Spring框架的启动优化方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114968395B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160156732A1 (en) * | 2014-11-27 | 2016-06-02 | International Business Machines Corporation | Web Page Pre-loading Optimization |
CN109783158A (zh) * | 2019-01-14 | 2019-05-21 | 深圳市脸萌科技有限公司 | 应用启动任务处理方法及装置 |
CN110221820A (zh) * | 2019-04-23 | 2019-09-10 | 平安科技(深圳)有限公司 | spring框架泛型依赖注入方法、装置及计算机设备、存储介质 |
CN110378413A (zh) * | 2019-07-17 | 2019-10-25 | Oppo广东移动通信有限公司 | 神经网络模型处理方法、装置以及电子设备 |
CN110442396A (zh) * | 2019-07-31 | 2019-11-12 | 网易(杭州)网络有限公司 | 应用程序启动方法及装置、存储介质及电子设备 |
CN111258740A (zh) * | 2020-02-03 | 2020-06-09 | 北京无限光场科技有限公司 | 一种用于启动应用程序的方法、装置和电子设备 |
-
2022
- 2022-05-10 CN CN202210507912.2A patent/CN114968395B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160156732A1 (en) * | 2014-11-27 | 2016-06-02 | International Business Machines Corporation | Web Page Pre-loading Optimization |
CN109783158A (zh) * | 2019-01-14 | 2019-05-21 | 深圳市脸萌科技有限公司 | 应用启动任务处理方法及装置 |
CN110221820A (zh) * | 2019-04-23 | 2019-09-10 | 平安科技(深圳)有限公司 | spring框架泛型依赖注入方法、装置及计算机设备、存储介质 |
CN110378413A (zh) * | 2019-07-17 | 2019-10-25 | Oppo广东移动通信有限公司 | 神经网络模型处理方法、装置以及电子设备 |
CN110442396A (zh) * | 2019-07-31 | 2019-11-12 | 网易(杭州)网络有限公司 | 应用程序启动方法及装置、存储介质及电子设备 |
CN111258740A (zh) * | 2020-02-03 | 2020-06-09 | 北京无限光场科技有限公司 | 一种用于启动应用程序的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114968395B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106576054B (zh) | 用于动态网络设备配置的系统和方法 | |
EP3182280B1 (en) | Machine for development of analytical models | |
US10579638B2 (en) | Automating extract, transform, and load job testing | |
US8429645B2 (en) | Method for optimizing migration of software applications to address needs | |
EP3709227A1 (en) | System and method for interoperable communication of an automation system component with multiple information sources | |
US10073876B2 (en) | Bloom filter index for device discovery | |
US9888065B2 (en) | Defragmenting clusters with reserved resources | |
Zhang et al. | Improving Hadoop service provisioning in a geographically distributed cloud | |
WO2009083827A1 (en) | Methods and systems for generating availability management framework (amf) configurations | |
Mennes et al. | GRECO: A distributed genetic algorithm for reliable application placement in hybrid clouds | |
US8577848B2 (en) | Converting two-tier resource mapping to one-tier resource mapping | |
CN107526639B (zh) | 资源编排的方法、介质、装置和计算设备 | |
CN113052696B (zh) | 金融业务任务处理方法、装置、计算机设备和存储介质 | |
US20160292581A1 (en) | Minimized processing of streaming changes into a semantic reasoner | |
CN105446952A (zh) | 用于处理语义片段的方法和系统 | |
CN113568604B (zh) | 风控策略的更新方法、装置及计算机可读存储介质 | |
CN111767217A (zh) | Js单元测试案例生成方法及装置 | |
US9330372B2 (en) | Generating an improved development infrastructure | |
CN113326305A (zh) | 一种处理数据的方法和装置 | |
CN117149295A (zh) | 算力接入方法、装置、电子设备及存储介质 | |
CN114968395B (zh) | 一种基于Spring框架的启动优化方法、装置和计算机设备 | |
CN111352664A (zh) | 分布式机器学习任务启动方法、系统、设备及存储介质 | |
US20210311942A1 (en) | Dynamically altering a query access plan | |
WO2023272567A1 (en) | Method and system for providing context-sensitive, non-intrusive data processing optimization framework | |
US10684781B1 (en) | Big data read-write reduction |
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 |