CN115269356A - 数据处理方法及装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

本公开提供了一种数据处理方法及装置、电子设备和计算机可读存储介质，可以应用于计算机技术领域和金融领域。该数据处理方法包括：响应于接收到预测请求，根据预测请求，获取预设时段内与待预测数据类型相关联的历史数据，其中，预测请求包括待预测时段和待预测数据类型，历史数据包括与待预测数据类型相关联的当前配置数据，预设时段与待预测时段相关联；利用预测模型对历史数据进行处理，得到预测数据；以及在预测数据大于或等于预设阈值的情况下，对当前配置数据进行调整，其中，预设阈值与待预测数据类型相关联。

Description

数据处理方法及装置、电子设备和计算机可读存储介质

技术领域

本公开涉及计算机技术领域和金融领域，更具体地，涉及一种数据处理方法及装置、电子设备、计算机可读存储介质和一种计算机程序产品。

背景技术

随着计算机技术的发展，企业通常会设置服务平台来为用户提供服务，而服务平台则需要由运维人员进行运维，以实现对服务平台运行情况的监控和管理。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：由于相关技术采用事中监控，因而无法较好地进行故障预测。

发明内容

有鉴于此，本公开提供了一种数据处理方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一个方面，提供了一种数据处理方法，包括：

响应于接收到预测请求，根据上述预测请求，获取预设时段内与待预测数据类型相关联的历史数据，其中，上述预测请求包括待预测时段和上述待预测数据类型，上述历史数据包括与上述待预测数据类型相关联的当前配置数据，上述预设时段与上述待预测时段相关联；

利用预测模型对上述历史数据进行处理，得到预测数据；以及

在上述预测数据大于或等于预设阈值的情况下，对上述当前配置数据进行调整，其中，上述预设阈值与上述待预测数据类型相关联。

根据本公开的实施例，上述待预测数据类型包括以下之中至少之一：磁盘使用率、中央处理器使用率、内存使用率、磁盘繁忙率和网络流量，上述当前配置数据包括以下之中至少之一：磁盘数量、中央处理器数量、内存容量和流量指标参数。

根据本公开的实施例，上述利用预测模型对上述历史数据进行处理，得到预测数据包括：

根据上述待预测数据类型，将与上述待预测数据类型对应的上述预测模型确定为目标预测模型；以及

利用上述目标预测模型对上述历史数据进行处理，得到上述预测数据。

根据本公开的实施例，上述预测请求还包括应用类型，上述应用类型至少包括第一应用类型和第二应用类型，上述预设阈值是通过以下方式确定的：

根据上述第一应用类型，确定与上述待预测数据类型分别对应的上述第一预设阈值；以及

根据上述第二应用类型，确定与上述待预测数据类型分别对应的上述第二预设阈值。

根据本公开的实施例，上述在上述预测数据大于或等于预设阈值的情况下，对上述当前配置数据进行调整包括：

根据上述预测数据和上述预设阈值之间的差值，确定与上述待预测数据类型对应的待调整配置数据；以及

根据上述待调整配置数据，对与上述待预测数据类型对应的上述当前配置数据进行调整。

根据本公开的实施例，在上述在上述预测数据大于或等于预设阈值的情况下，上述方法还包括：

利用视图模板对上述预测数据进行处理，得到预警信息；以及

将上述预警信息进行展示；

其中，上述视图模板是通过以下方式构建的：根据预设颜色信息、预设样式信息和预设区域信息，生成上述视图模板。

根据本公开的实施例，上述预测请求还包括地址信息。

根据本公开的实施例，上述将上述预警信息进行展示包括：

根据上述地址信息，确定目标展示区域；以及

在上述目标展示区域展示上述预警信息。

根据本公开的实施例，上述预测模型是通过以下方式得到的：

获取历史样本数据，其中，上述历史样本数据为预设样本时段内与待预测数据类型相关联的数据；

利用多个候选预测模型中的每个候选预测模型分别对上述历史样本数据进行处理，得到与上述每个候选预测模型分别对应的预测样本数据；

根据上述预测样本数据和真实样本数据，得到损失函数值，其中，上述预测样本数据、上述损失函数值和上述候选预测模型一一对应；

根据上述损失函数值调整上述候选预测模型的模型参数，直至满足预定结束条件，得到多个待测试的预测模型；以及

从上述多个待测试的预测模型中确定上述预测模型。

根据本公开的实施例，上述从上述多个待测试的预测模型中确定上述预测模型包括：

利用测试样本数据对上述多个待测试的预测模型中的每个待测试的预测模型分别进行训练，得到与上述每个待测试的预测模型分别对应的测试结果，其中，上述测试结果用于表征对应的待测试的预测模型的预测准确度；以及

根据上述测试结果，从上述多个待测试的预测模型中确定上述预测模型。

根据本公开的另一个方面，提供了一种数据处理装置，包括：

第一获取模块，用于响应于接收到预测请求，根据上述预测请求，获取预设时段内与待预测数据类型相关联的历史数据，其中，上述预测请求包括待预测时段和上述待预测数据类型，上述历史数据包括与上述待预测数据类型相关联的当前配置数据，上述预设时段与上述待预测时段相关联；

第一处理模块，用于利用预测模型对上述历史数据进行处理，得到预测数据；以及

第一调整模块，用于在上述预测数据大于或等于预设阈值的情况下，对上述当前配置数据进行调整，其中，上述预设阈值与上述待预测数据类型相关联。

根据本公开的另一个方面，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指令，

其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如本公开所述的方法。

根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，上述可执行指令被处理器执行时使处理器实现如本公开所述的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述计算机可执行指令在被执行时用于实现如本公开所述的方法。

根据本公开的实施例，通过在接收到预测请求之后，获取历史数据，并利用预测模型对历史数据进行处理，得到预测数据。由于该历史数据是预设时段内与待预测数据类型相关联的数据，因而能够较为准确进行预测。此外，通过在预测数据大于或等于预设阈值的情况下，对历史数据中的当前配置数据进行调整，使得运维人员能够根据预测数据进行针对性的改进和优化，由此至少部分地克服了相关技术中由于采用事中监控无法较好地进行故障预测的技术问题，从而保障了故障预测的实时性和准确性。

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可以应用数据处理方法的系统架构；

图2示意性示出了根据本公开实施例的数据处理方法的流程图；

图3示意性示出了根据本公开实施例的数据处理过程的示例示意图；

图4示意性示出了根据本公开实施例的预测模型的训练过程的示例示意图；

图5示意性示出了根据本公开实施例的预测模型的训练过程的示例示意图；

图6示意性示出了根据本公开的实施例的数据处理装置的框图；以及

图7示意性示出了根据本公开实施例的适于实现数据处理方法的电子设备的框图。

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)。在使用类似于“A、B或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或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获取，存储和应用等，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。

运维人员可以通过设置达标范围，来对服务平台的运行情况进行监控和管理，在大于或等于达标范围的临界值的情况下，服务平台可以通过报警完成对于应用的事中监控。但是，事中监控无法提前预知服务平台的故障或问题，因而无法保障服务平台的稳定性。

为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种数据处理方法及装置、电子设备和计算机可读存储介质，可以应用于计算机技术领域和金融领域。该数据处理方法包括：响应于接收到预测请求，根据预测请求，获取预设时段内与待预测数据类型相关联的历史数据，其中，预测请求包括待预测时段和待预测数据类型，历史数据包括与待预测数据类型相关联的当前配置数据，预设时段与待预测时段相关联；利用预测模型对历史数据进行处理，得到预测数据；以及在预测数据大于或等于预设阈值的情况下，对当前配置数据进行调整，其中，预设阈值与待预测数据类型相关联。

需要说明的是，本公开实施例提供的数据处理方法和装置可用于计算机技术领域和金融领域，例如应用于数据处理。本公开实施例提供的数据处理方法和装置也可用于除计算机技术领域和金融领域之外的任意领域，例如应用于故障预警。本公开实施例提供的数据处理方法和装置的应用领域不做限定。

图1示意性示出了根据本公开实施例的可以应用数据处理方法的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，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，例如有线和/或无线通信链路等等。

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、邮箱客户端和/或社交平台软件等(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)。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数据处理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数据处理装置一般可以设置于服务器105中。本公开实施例所提供的数据处理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数据处理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。

备选地，本公开实施例所提供的数据处理方法一般也可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的数据处理装置也可以设置于终端设备101、102、或103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。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的数据处理方法的流程图。

如图2所示，该数据处理方法200包括操作S210～S230。

在操作S210，响应于接收到预测请求，根据预测请求，获取预设时段内与待预测数据类型相关联的历史数据。预测请求包括待预测时段和待预测数据类型，历史数据包括与待预测数据类型相关联的当前配置数据，预设时段与待预测时段相关联。

在操作S220，利用预测模型对历史数据进行处理，得到预测数据。

在操作S230，在预测数据大于或等于预设阈值的情况下，对当前配置数据进行调整。预设阈值与待预测数据类型相关联。

根据本公开的实施例，可以将生成预测请求的代码预先写入脚本中，在需要进行数据预测的情况下，用户可以通过终端设备运行该脚本，以生成预测请求报文，并将预测请求报文发送至服务器，以便于服务器根据该预测请求报文进行数据预测和处理操作。

根据本公开的实施例，在接收到预测请求之后，可以根据预测请求中的待预测时段和待预测数据类型，获取预设时段内的历史数据。历史数据可以包括与待预测数据类型相关联的当前配置数据。预设时段可以根据待预测时段确定。

根据本公开的实施例，待预测数据类型可以包括以下之中至少之一：磁盘使用率、中央处理器使用率、内存使用率、磁盘繁忙率和网络流量。当前配置数据可以包括以下之中至少之一：磁盘数量、中央处理器数量、内存容量和流量指标参数。

根据本公开的实施例，历史数据的获取来源可以包括ORACLE数据库、MYSQL数据库、TIDB数据库和HIVE数据仓库等。历史数据可以包括历史磁盘使用率、历史中央处理器使用率、历史内存使用率、历史磁盘繁忙率和历史网络流量。

根据本公开的实施例，预测模型可以包括以下之中至少之一：灰色系统理论模型(Grey system theory Model，GM)、BP神经网络(Back Propagation Neural Network，BPNN)、长短期记忆网络(Long Short-Term Memory，LSTM)、循环神经网络(RecurrentNeural Network，RNN)和逻辑回归模型(Logistic Regression，LR)等。

根据本公开的实施例，在获取到预设时段内与待预测数据类型相关联的历史数据之后，可以利用预测模型对该历史数据进行处理，得到预测数据。在得到预测数据之后，可以将预测数据与预设阈值进行比较，以便于在预测数据大于或等于预设阈值的情况下，对当前配置数据进行调整。预设阈值可以由本领域技术人员根据实际需求进行设置，例如，预设阈值可以根据待预测数据类型和应用类型进行设置。

根据本公开的实施例，历史数据还可以包括历史预警日期。可以利用预测模型对历史预警日期进行处理，得到预测预警日期，以便在实时预测的过程中，对可能发生的故障进行预警。

根据本公开的实施例，通过在接收到预测请求之后，获取历史数据，并利用预测模型对历史数据进行处理，得到预测数据，由于该历史数据是预设时段内与待预测数据类型相关联的数据，因而能够较为准确进行预测。此外，通过在预测数据大于或等于预设阈值的情况下，对历史数据中的当前配置数据进行调整，使得运维人员能够根据预测数据进行针对性的改进和优化，至少部分地克服了相关技术中由于采用事中监控无法较好地进行故障预测的技术问题，从而保障了故障预测的实时性和准确性。

下面参考图3～图5，对根据本发明实施例的数据处理方法200做进一步说明。

根据本公开的实施例，待预测数据类型包括以下之中至少之一：磁盘使用率、中央处理器使用率、内存使用率、磁盘繁忙率和网络流量，当前配置数据包括以下之中至少之一：磁盘数量、中央处理器数量、内存容量和流量指标参数。

根据本公开的实施例，操作S220可以包括以下操作。

根据待预测数据类型，将与待预测数据类型对应的预测模型确定为目标预测模型。利用目标预测模型对历史数据进行处理，得到预测数据。

根据本公开的实施例，不同待预测数据类型可以对应有不同的预测模型，因此可以将与待预测数据类型对应的预测模型确定为目标预测模型。

根据本公开的实施例，预测请求还包括应用类型，应用类型至少包括第一应用类型和第二应用类型，预设阈值可以通过以下方式确定。

根据第一应用类型，确定与待预测数据类型分别对应的第一预设阈值。根据第二应用类型，确定与待预测数据类型分别对应的第二预设阈值。

根据本公开的实施例，可以根据应用程序的重要程度和是否与用户相关联确定应用类型，并可以为不同应用类型下的待预测数据类型分别配置预设阈值。

根据本公开的实施例，应用类型可以至少包括第一应用类型和第二应用类型。可以将第一应用类型下与磁盘使用率对应的第一预设阈值设置为A1、将第一应用类型下与中央处理器使用率对应的第一预设阈值设置为B1。可以将第而应用类型下与磁盘使用率对应的第二预设阈值设置为A2、将第二应用类型下与中央处理器使用率对应的第二预设阈值设置为B2。例如，A1可以为60％，B1可以为65％；A2可以为70％，B2可以为75％。

根据本公开的实施例，操作S230可以包括以下操作。

根据预测数据和预设阈值之间的差值，确定与待预测数据类型对应的待调整配置数据。根据待调整配置数据，对与待预测数据类型对应的当前配置数据进行调整。

根据本公开的实施例，可以确定相同应用类型下针对同一待预测数据类型的预测数据和预设阈值之间的差值。

例如，第一应用类型下与磁盘使用率对应的第一预设阈值设置为A1，与磁盘使用率对应的预测数据为A3，与磁盘使用率对应的当前配置数据即磁盘数量为M。

在此情况下，可以计算A1-A3的差值。在该差值为负值，即预测数据大于第一预设阈值的情况下，可以确定与待预测数据类型对应的待调整配置数据M’，以便于后续根据待调整配置数据M’，对当前配置数据M进行调整。例如，M可以为3个，M’可以为2个，在对当前配置数据M进行调整时，可以将当前配置数据调整为5个。通过增加磁盘数量，可以使磁盘使用率自动维持在第一预设阈值之内。

根据本公开的实施例，通过根据预测数据和预设阈值之间的差值，确定与待预测数据类型对应的待调整配置数据，并可以根据待调整配置数据，对与待预测数据类型对应的当前配置数据进行调整。由于预测数据是由与待预测数据类型对应的目标预测模型处理得到的，而预设阈值是根据应用类型和待预测数据类型预先设置的，因此在预测数据大于或等于预设阈值的情况下，通过对当前配置数据进行调整，可以避免资源浪费，提高了资源利用率。

根据本公开的实施例，数据处理方法200还可以包括以下操作。

利用视图模板对预测数据进行处理，得到预警信息。将预警信息进行展示。视图模板是通过以下方式构建的：根据预设颜色信息、预设样式信息和预设区域信息，生成视图模板。

根据本公开的实施例，预测请求还包括地址信息。

根据本公开的实施例，将预警信息进行展示可以包括以下操作。

根据地址信息，确定目标展示区域。在目标展示区域展示预警信息。

根据本公开的实施例，可以将标准的图表、地图和输入框等组件压缩后导入数据库。可以在数据库中获取对应的展示模板，并选择预设颜色信息、预设样式信息和预设区域信息，生成视图模板。可以利用视图模板对预测数据进行处理，得到预警信息，并将预警信息进行展示。

根据本公开的实施例，预警信息可以用于对与待预测数据类型相关联的当前配置数据的异常进行标记和提醒。在预测数据大于或等于预设阈值的情况下，可以生成预警信息，以提醒工作人员对数据进行处理。

根据本公开的实施例，可以根据应用类型和待预测数据类型对预测数据进行不同纬度的下钻展示。可以从地区纬度、应用类型纬度和预测数据大于预设阈值的程度等。

根据本公开的实施例，例如，第一应用类型下与磁盘使用率对应的第一预设阈值为80％，而第一应用类型下与磁盘使用率对应的预测数据为89％，可以根据预测请求中的地址信息，确定与该预测数据相关的区域为X国Y省Z部门。在此情况下，在目标展示区域展示预警信息的过程可以为首先将X国的地图区域转换为红色，然后自动跳转到X国的地图区域，将Y省的地图区域转换为红色，再自动跳转到Y省的地图区域，并可以在Z部门的地图区域展示预警信息，预警信息可以为“磁盘使用率较高”。

根据本公开的实施例，针对不同的待预测数据类型，工作人员可以选择不同的预设颜色信息和预设样式信息来生成视图模板以进行展示。预设样式信息可以包括趋势图、柱形图或折线图等。例如，对于磁盘使用率，可以使用趋势图进行展示。

根据本公开的实施例，通过在预测数据大于或等于预设阈值的情况下，利用视图模板对预测数据进行处理，得到预警信息，由于可以按照实际需求选择视图模板以处理不同类型的预测数据，提高了数据预测的适应性。此外，由于可以根据地址信息，在确定的目标展示区域展示预警信息，提高了故障预警的准确性。

图3示意性示出了根据本公开实施例的数据处理过程的示例示意图。

如图3所示，响应于接收到预测请求301，预测请求301可以包括应用类型301_1、待预测数据类型301_2和待预测时段301_3。可以根据预测请求301，获取预设时段内与待预测数据类型301_2相关联的历史数据302，历史数据302可以包括与待预测数据类型301_2相关联的当前配置数据302_1。

可以根据待预测数据类型301_2，将与待预测数据类型301_2对应的预测模型确定为目标预测模型303。可以利用目标预测模型303对历史数据302进行处理，得到预测数据304。

可以根据应用类型301_1和待预测数据类型301_2确定预设阈值305。可以确定预测数据304与预设阈值305之间的差值306。根据预测数据304和预设阈值305之间的差值306，可以确定与待预测数据类型301_2对应的待调整配置数据307。可以根据待调整配置数据307，对与待预测数据类型301_2对应的当前配置数据302_1进行调整。

图4示意性示出了根据本公开实施例的预测模型的训练过程的示例示意图。

如图4所示，该预测模型的训练方法400包括操作S410～S450。

在操作S410，获取历史样本数据。历史样本数据为预设样本时段内与待预测数据类型相关联的数据。

在操作S420，利用多个候选预测模型中的每个候选预测模型分别对历史样本数据进行处理，得到与每个候选预测模型分别对应的预测样本数据。

在操作S430，根据预测样本数据和真实样本数据，得到损失函数值。预测样本数据、损失函数值和候选预测模型一一对应。

在操作S440，根据损失函数值调整候选预测模型的模型参数，直至满足预定结束条件，得到多个待测试的预测模型。

在操作S450，从多个待测试的预测模型中确定预测模型。

根据本公开的实施例，可以获取预设样本时段内的历史样本数据。历史样本数据可以包括与待预测数据类型相关联的数据。待预测数据类型可以包括以下之中至少之一：磁盘使用率、中央处理器使用率、内存使用率、磁盘繁忙率和网络流量。

根据本公开的实施例，可以利用Python或Java等程序开发候选预测模型后导入系统。候选预测模型可以包括以下之中至少之一：灰色系统理论模型、BP神经网络、长短期记忆网络、循环神经网络和逻辑回归模型等。候选预测模型的具体形式可以由本领域技术人员根据实际需求进行设置，在此不作限定。

根据本公开的实施例，在利用多个候选预测模型中的每个候选预测模型分别对历史样本数据进行处理，得到与每个候选预测模型分别对应的预测样本数据之后，可以将预测样本数据和真实样本数据输入损失函数，得到损失函数值，再根据损失函数值，调整候选预测模型的模型参数，直至满足预定结束条件。可以利用梯度下降算法处理损失函数，得到梯度向量，根据梯度向量，调整候选预测模型的模型参数。梯度下降算法可以包括随机梯度下降算法。在根据梯度向量调整候选预测模型的模型参数的过程中，可以基于梯度向量，利用反向传播法来调整候选预测模型的模型参数。

根据本公开的实施例，预定结束条件可以用于作为确定候选预测模型是否训练完成的条件。预定结束条件可以包括训练次数大于或等于预设阈值。或者，预定结束条件可以包括对比损失函数的输出值收敛。

根据本公开的实施例，操作S450可以包括如下操作。

利用测试样本数据对多个待测试的预测模型中的每个待测试的预测模型分别进行训练，得到与每个待测试的预测模型分别对应的测试结果。测试结果用于表征对应的待测试的预测模型的预测准确度。根据测试结果，从多个待测试的预测模型中确定预测模型。

根据本公开的实施例，可以利用十折交叉验证对待测试的预测模型进行测试，将测试结果进行展示，并可以将待测试的预测模型存储至模型数据库中。

根据本公开的实施例，可以根据测试结果和真实样本数据的标准差或方差，确定待测试的预测模型的预测准确度。测试结果和真实样本数据的标准差越小或方差越小，则表示预测准确度越高。

根据本公开的实施例，通过利用测试样本数据对多个待测试的预测模型中的每个待测试的预测模型分别进行训练，可以得到与每个待测试的预测模型分别对应的测试结果，从而可以实现根据测试结果，从多个待测试的预测模型中确定预测模型，以便提高数据预测的准确率。

图5示意性示出了根据本公开实施例的预测模型的训练过程的示例示意图。

如图5所示，多个候选预测模型可以包括候选预测模型502_1、候选预测模型502_2、...、候选预测模型502_n、...、候选预测模型502_N，N可以是大于1的整数，n∈{1，2，……，(N-1)，N}。

可以获取历史样本数据501，利用候选预测模型502_1对历史样本数据501进行处理，得到预测样本数据503_1。可以将预测样本数据503_1和真实样本数据504输入损失函数，得到损失函数值505_1。可以根据损失函数值505_1调整候选预测模型502_1的模型参数，直至满足预定结束条件，得到待测试的预测模型。

可以获取历史样本数据501，利用候选预测模型502_2对历史样本数据501进行处理，得到预测样本数据503_2。可以将预测样本数据503_2和真实样本数据504输入损失函数，得到损失函数值505_2。可以根据损失函数值505_2调整候选预测模型502_2的模型参数，直至满足预定结束条件，得到待测试的预测模型。

可以获取历史样本数据501，利用候选预测模型502_n对历史样本数据501进行处理，得到预测样本数据503_n。可以将预测样本数据503_n和真实样本数据504输入损失函数，得到损失函数值505_n。可以根据损失函数值505_n调整候选预测模型502_n的模型参数，直至满足预定结束条件，得到待测试的预测模型。

可以获取历史样本数据501，利用候选预测模型502_N对历史样本数据501进行处理，得到预测样本数据503_N。可以将预测样本数据503_N和真实样本数据504输入损失函数，得到损失函数值505_N。可以根据损失函数值505_N调整候选预测模型502_N的模型参数，直至满足预定结束条件，得到待测试的预测模型。

可以利用测试样本数据对多个待测试的预测模型中的每个待测试的预测模型分别进行训练，得到与每个待测试的预测模型分别对应的测试结果。根据测试结果，从多个待测试的预测模型中确定预测模型。

以上仅是示例性实施例，但不限于此，还可以包括本领域已知的其他数据处理方法，只要能够实现数据处理即可。

图6示意性示出了根据本公开的实施例的数据处理装置的框图。

如图6所示，数据处理装置600可以包括第一获取模块601、第一处理模块602和第一调整模块603。

第一获取模块601，用于响应于接收到预测请求，根据预测请求，获取预设时段内与待预测数据类型相关联的历史数据。预测请求包括待预测时段和待预测数据类型，历史数据包括与待预测数据类型相关联的当前配置数据，预设时段与待预测时段相关联。

第一处理模块602，用于利用预测模型对历史数据进行处理，得到预测数据。

第一调整模块603，用于在预测数据大于或等于预设阈值的情况下，对当前配置数据进行调整。预设阈值与待预测数据类型相关联。

根据本公开的实施例，待预测数据类型包括以下之中至少之一：磁盘使用率、中央处理器使用率、内存使用率、磁盘繁忙率和网络流量，当前配置数据包括以下之中至少之一：磁盘数量、中央处理器数量、内存容量和流量指标参数。

根据本公开的实施例，处理模块602可以包括第一确定单元和第一处理单元。

第一确定单元，用于根据待预测数据类型，将与待预测数据类型对应的预测模型确定为目标预测模型。

第一处理单元，用于利用目标预测模型对历史数据进行处理，得到预测数据。

根据本公开的实施例，预测请求还包括应用类型，应用类型至少包括第一应用类型和第二应用类型，预设阈值可以通过以下方式确定。

根据第一应用类型，确定与待预测数据类型分别对应的第一预设阈值。根据第二应用类型，确定与待预测数据类型分别对应的第二预设阈值。

根据本公开的实施例，调整模块603可以包括第二确定单元和调整单元。

第二确定单元，用于根据预测数据和预设阈值之间的差值，确定与待预测数据类型对应的待调整配置数据。

调整单元，用于根据待调整配置数据，对与待预测数据类型对应的当前配置数据进行调整。

根据本公开的实施例，数据处理装置600还可以包括第二处理模块和展示模块。

第二处理模块，用于利用视图模板对预测数据进行处理，得到预警信息。

展示模块，用于将预警信息进行展示。视图模板是通过以下方式构建的：根据预设颜色信息、预设样式信息和预设区域信息，生成视图模板。

根据本公开的实施例，预测请求还包括地址信息。

根据本公开的实施例，展示模块可以包括第三确定单元和展示单元。

第三确定单元，用于根据地址信息，确定目标展示区域。

展示单元，用于在目标展示区域展示预警信息。

根据本公开的实施例，预测模型确定装置可以包括第二获取模块、第三处理模块、获得模块、第二调整模块和确定模块。

第二获取模块，用于获取历史样本数据。历史样本数据为预设样本时段内与待预测数据类型相关联的数据。

第三处理模块，用于利用多个候选预测模型中的每个候选预测模型分别对历史样本数据进行处理，得到与每个候选预测模型分别对应的预测样本数据。

获得模块，用于根据预测样本数据和真实样本数据，得到损失函数值。预测样本数据、损失函数值和候选预测模型一一对应。

第二调整模块，用于根据损失函数值调整候选预测模型的模型参数，直至满足预定结束条件，得到多个待测试的预测模型。

确定模块，用于从多个待测试的预测模型中确定预测模型。

根据本公开的实施例，确定模块可以包括训练单元和第四确定单元。

训练单元，用于利用测试样本数据对多个待测试的预测模型中的每个待测试的预测模型分别进行训练，得到与每个待测试的预测模型分别对应的测试结果。测试结果用于表征对应的待测试的预测模型的预测准确度。

第四确定单元，用于根据测试结果，从多个待测试的预测模型中确定预测模型。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多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的硬件或固件来实现，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，根据本公开实施例的模块、子模块、单元、子单元中的一个或多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。

例如，第一获取模块601、第一处理模块602和第一调整模块603中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块601、第一处理模块602和第一调整模块603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，第一获取模块601、第一处理模块602和第一调整模块603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。

需要说明的是，本公开的实施例中数据处理装置部分与本公开的实施例中数据处理方法部分是相对应的，数据处理装置部分的描述具体参考数据处理方法部分，在此不再赘述。

图7示意性示出了根据本公开实施例的适于实现数据处理方法的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，根据本公开实施例的计算机电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分709加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701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701还可以包括用于缓存用途的板载存储器。处理器701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RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703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ROM702和RAM 703以外的一个或多个存储器中。处理器701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700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，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。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701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。

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 702和/或RAM 703和/或ROM 702和RAM 703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本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的数据处理方法。

在该计算机程序被处理器701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709被下载和安装，和/或从可拆卸介质711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。

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和/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 (12)

1.一种数据处理方法，包括：

响应于接收到预测请求，根据所述预测请求，获取预设时段内与待预测数据类型相关联的历史数据，其中，所述预测请求包括待预测时段和所述待预测数据类型，所述历史数据包括与所述待预测数据类型相关联的当前配置数据，所述预设时段与所述待预测时段相关联；

利用预测模型对所述历史数据进行处理，得到预测数据；以及

在所述预测数据大于或等于预设阈值的情况下，对所述当前配置数据进行调整，其中，所述预设阈值与所述待预测数据类型相关联。

2.根据权利要求1所述的方法，其中，所述待预测数据类型包括以下之中至少之一：磁盘使用率、中央处理器使用率、内存使用率、磁盘繁忙率和网络流量，所述当前配置数据包括以下之中至少之一：磁盘数量、中央处理器数量、内存容量和流量指标参数；

所述利用预测模型对所述历史数据进行处理，得到预测数据包括：

根据所述待预测数据类型，将与所述待预测数据类型对应的所述预测模型确定为目标预测模型；以及

利用所述目标预测模型对所述历史数据进行处理，得到所述预测数据。

3.根据权利要求1或2所述的方法，其中，所述预测请求还包括应用类型，所述应用类型至少包括第一应用类型和第二应用类型，所述预设阈值是通过以下方式确定的：

根据所述第一应用类型，确定与所述待预测数据类型分别对应的所述第一预设阈值；以及

根据所述第二应用类型，确定与所述待预测数据类型分别对应的所述第二预设阈值。

4.根据权利要求2所述的方法，其中，所述在所述预测数据大于或等于预设阈值的情况下，对所述当前配置数据进行调整包括：

根据所述预测数据和所述预设阈值之间的差值，确定与所述待预测数据类型对应的待调整配置数据；以及

根据所述待调整配置数据，对与所述待预测数据类型对应的所述当前配置数据进行调整。

5.根据权利要求1所述的方法，还包括，在所述在所述预测数据大于或等于预设阈值的情况下，

利用视图模板对所述预测数据进行处理，得到预警信息；以及

将所述预警信息进行展示；

其中，所述视图模板是通过以下方式构建的：根据预设颜色信息、预设样式信息和预设区域信息，生成所述视图模板。

6.根据权利要求5所述的方法，其中，所述预测请求还包括地址信息；

所述将所述预警信息进行展示包括：

根据所述地址信息，确定目标展示区域；以及

在所述目标展示区域展示所述预警信息。

7.根据权利要求1所述的方法，其中，所述预测模型是通过以下方式得到的：

获取历史样本数据，其中，所述历史样本数据为预设样本时段内与待预测数据类型相关联的数据；

利用多个候选预测模型中的每个候选预测模型分别对所述历史样本数据进行处理，得到与所述每个候选预测模型分别对应的预测样本数据；

根据所述预测样本数据和真实样本数据，得到损失函数值，其中，所述预测样本数据、所述损失函数值和所述候选预测模型一一对应；

根据所述损失函数值调整所述候选预测模型的模型参数，直至满足预定结束条件，得到多个待测试的预测模型；以及

从所述多个待测试的预测模型中确定所述预测模型。

8.根据权利要求7所述的方法，其中，所述从所述多个待测试的预测模型中确定所述预测模型包括：

利用测试样本数据对所述多个待测试的预测模型中的每个待测试的预测模型分别进行训练，得到与所述每个待测试的预测模型分别对应的测试结果，其中，所述测试结果用于表征对应的待测试的预测模型的预测准确度；以及

根据所述测试结果，从所述多个待测试的预测模型中确定所述预测模型。

9.一种数据处理装置，包括：

第一获取模块，用于响应于接收到预测请求，根据所述预测请求，获取预设时段内与待预测数据类型相关联的历史数据，其中，所述预测请求包括待预测时段和所述待预测数据类型，所述历史数据包括与所述待预测数据类型相关联的当前配置数据，所述预设时段与所述待预测时段相关联；

第一处理模块，用于利用预测模型对所述历史数据进行处理，得到预测数据；以及

第一调整模块，用于在所述预测数据大于或等于预设阈值的情况下，对所述当前配置数据进行调整，其中，所述预设阈值与所述待预测数据类型相关联。

10.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当所述一个或多个指令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8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，所述可执行指令被处理器执行时使处理器实现权利要求1至8中任一项所述的方法。

12.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述计算机可执行指令在被执行时用于实现权利要求1至8中任一项所述的方法。

Images