CN115269555A - 一种关系型数据库管理系统 - Google Patents
一种关系型数据库管理系统 Download PDFInfo
- Publication number
- CN115269555A CN115269555A CN202210948126.6A CN202210948126A CN115269555A CN 115269555 A CN115269555 A CN 115269555A CN 202210948126 A CN202210948126 A CN 202210948126A CN 115269555 A CN115269555 A CN 115269555A
- Authority
- CN
- China
- Prior art keywords
- processing
- historical
- module
- preset
- server
- 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
- 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
- G06F16/21—Design, administration or maintenance of databases
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域，公开了一种关系型数据库管理系统，包括：任务获取模块、任务量计算模块、服务器统计模块、任务分派模块，为避免大量的服务请求对目标工作服务器产生较高的负载，影响系统的稳定性和扩展性，本发明任务获取模块接收用户的服务请求后，通过任务量计算模块对该服务请求进行工作量计算，同时通过服务器统计模块统计目标工作服务器的历史处理速度，最后再根据预设分派规则将该服务请求分配至合适的工作服务器处进行数据处理，抛弃只使用固定的几个工作服务器的数据处理方式，提升工作服务器的平均使用寿命。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种关系型数据库管理系统。
背景技术
关系型数据库，是指采用了关系模型来组织数据的数据库，其以行和列的形式存储数据，以便于用户理解，关系型数据库这一系列的行和列被称为表，一组表组成了数据库。用户通过查询来检索数据库中的数据，而查询是一个用于限定数据库中某些区域的执行代码。关系模型可以简单理解为二维表格模型，而一个关系型数据库就是由二维表及其之间的关系组成的一个数据组织
但是随着互联网的发展，单一、传统的关系型数据库已经无法满足互联网用户对大量数据存储的需求。海量的数据存储导致数据库的检索速度变慢，进而导致系统响应速度降低，严重影响了用户的日常使用和体验。针对互联网的关系型数据库系统的瓶颈，对关系型数据库进行了大量的改进。
目前采用的技术方案是提供一种数据库分布式系统及其实现方法，包括有数据代理装置、多个应用系统和多个数据库，应用系统将数据库操作指令发送到数据代理装置，数据代理装置从操作指令中提取操作的数据库表，然后根据数据库表与数据库之前的映射关系和分发权重系统，挑选出一个数据库来执行相应的操作。
但是，现有的改善关系型数据库系统的方案需要用户自己对数据库系统进行维护，以保证系统的正常运行，但是如此，用户需要自行掌握关于数据库的相关知识，实时起来存在诸多难点，因此如何能够从终端结果出发，解决关系型数据库所应用的服务器的使用分配问题，同时达到提升处理效率，延长服务器使用寿命的效果，需要解决。
发明内容
本发明的目的在于提供一种关系型数据库管理系统，解决以下技术问题：
如何提供一种能够灵活对工作服务器进行分配使用，提升使用寿命和处理效率的关系型数据库管理系统。
本发明的目的可以通过以下技术方案实现：
一种关系型数据库管理系统，包括：
任务获取模块，用于接收用户的服务请求；
任务量计算模块，用于根据所述服务请求计算对应的工作量；
服务器统计模块，用于统计获取目标工作服务器在预设历史时段内的历史处理速度；
任务分派模块，用于根据预设分派规则将所述服务请求分配至对应工作服务器处进行处理。
通过上述技术方案，为避免大量的服务请求对目标工作服务器产生较高的负载，影响系统的稳定性和扩展性，本发明任务获取模块接收用户的服务请求后，通过任务量计算模块对该服务请求进行工作量计算，同时通过服务器统计模块统计目标工作服务器的历史处理速度，最后再根据预设分派规则将该服务请求分配至合适的工作服务器处进行数据处理，抛弃只使用固定的几个工作服务器的数据处理方式，提升工作服务器的平均使用寿命。
作为本发明进一步的方案：处理时间验证模块，用于获取所述目标工作服务器完成所述服务请求所需要的实际处理时间，若预估处理时间与实际处理时间的差值绝对值大于预设值，重新获取所述目标工作服务器的历史处理速度，所述预估处理时间为所述工作量与所述历史处理速度的比值。
通过上述技术方案，在目标工作服务器进行数据处理的过程中，有可能会产生处理速度上的波动，采用处理时间验证模块可以对当前处理状态下滑或者上升的目标工作服务器的历史处理速度进行更新，又利于提升服务请求分配的准确度。
作为本发明进一步的方案：还包括图片生成模块和效率评价模块；
所述图片生成模块，用于根据所述历史处理速度生成所述目标工作服务器的速度趋势变化图片；
效率评价模块，用于根据所述速度趋势变化图片输出相应的处理效率评分；所述效率评价模块为经过训练的神经网络模型；
所述预设分派规则包括：
对所述服务请求按照重要程度进行降序排列，将重要程度高的所述服务请求发送至所述处理效率评分高的所述目标工作服务器进行处理。
通过上述技术方案，可将目标工作服务器的历史处理速度可视化为图片形式的、能够表示历史处理速度变化情况的速度趋势变化图片，再由训练后的效率评价模块根据速度趋势变化图片输出相应的处理效率评分，一般来说，处理效率评分越高，代表该目标工作服务器对服务请求的处理速度越快，状态也就越好，因此可将重要程度较高的服务请求发送至处理效率评分较高的目标工作服务器处进行处理，可大大提升服务请求处理的效率和可靠程度。
作为本发明进一步的方案：所述服务器统计模块包括：
历史时间设定模块，用于设定所述预设历史时段的时长；其中，所述预设历史时段通过Tc表示，其中，c为统一标识，相同时长长度的预设历史时段的统一标识相同，否则不同；
处理数据量统计模块，用于获取所述预设历史时段内所述目标工作服务器的处理量Pc；
通过上述技术方案，由于服务请求对应工作量的不同，会在一定程度上影响同一目标工作处理器在相同性能状态下的处理速度，引入统一标识，对可以对不同时长下的预设历史时段所对应的历史处理速度进行区分，方便后续的数据处理。
作为本发明进一步的方案：所述速度趋势变化图片包括：
直角坐标系和多个按照所述直角坐标系的横轴排列的矩形图块；
其中，所述直角坐标系的横轴单位为时间，纵轴单位为历史处理速度的值，所述矩形图块在纵轴方向上的长度与所述历史处理速度的值正相关。
通过上述技术方案，历史处理速度越高则矩形图块在纵轴方向上的长度越长，如此可通过在目标工作服务器的工作时段获得多个矩形图块，然后按照时间顺序在横轴进行排列放置，将由此可以直观的看到历史处理速度的速度变化情况，因此也能够由效率评价模块进行评分，如此可以批量且实时的对目标工作服务器的效率进行监控，而且也避免了大量的数据比对运算，同时也能够方便人工进行直观监视判断，方便纠错，容错率较高。
作为本发明进一步的方案：所述矩形图块在横轴方向上的宽度与所述预设历史时段的值正相关。
通过上述技术方案，如此设计，使得矩形图块的面积可用来代表预设历史时段内的工作量，预设历史时段的时间与矩形图块的宽度正相关，另外所考虑的是，如果预设历史时段包含了对至少两个服务请求的处理，则可能影响历史处理速度计算的准确度，因为服务请求的切换和启动处理需要占用目标工作服务器更多处理时间，所以可将每个服务请求的处理时间作为该矩形图块对应的预设历史时段，矩形图块的面积越大、宽度越窄代表目标工作服务器的处理效率越高。
作为本发明进一步的方案：相邻所述矩形图块的颜色不同。
通过上述技术方案，如此可以增加矩形图块的区分度，有利于提升效率评价模块的评价精准度，而且也有利于人工纠错以及对效率评价模块的训练标注。
作为本发明进一步的方案：所述重要程度包括数据量影响因子和时效影响因子。
本发明的有益效果：
(1)为避免大量的服务请求对目标工作服务器产生较高的负载，影响系统的稳定性和扩展性，本发明任务获取模块接收用户的服务请求后，通过任务量计算模块对该服务请求进行工作量计算，同时通过服务器统计模块统计目标工作服务器的历史处理速度，最后再根据预设分派规则将该服务请求分配至合适的工作服务器处进行数据处理，抛弃只使用固定的几个工作服务器的数据处理方式，提升工作服务器的平均使用寿命；
(2)在目标工作服务器进行数据处理的过程中，有可能会产生处理速度上的波动，采用处理时间验证模块可以对当前处理状态下滑或者上升的目标工作服务器的历史处理速度进行更新，又利于提升服务请求分配的准确度；
(3)可将目标工作服务器的历史处理速度可视化为图片形式的、能够表示历史处理速度变化情况的速度趋势变化图片，再由训练后的效率评价模块根据速度趋势变化图片输出相应的处理效率评分，一般来说，处理效率评分越高，代表该目标工作服务器对服务请求的处理速度越快，状态也就越好，因此可将重要程度较高的服务请求发送至处理效率评分较高的目标工作服务器处进行处理，可大大提升服务请求处理的效率和可靠程度；
(4)由于服务请求对应工作量的不同，会在一定程度上影响同一目标工作处理器在相同性能状态下的处理速度，引入统一标识，对可以对不同时长下的预设历史时段所对应的历史处理速度进行区分，方便后续的数据处理；
(5)历史处理速度越高则矩形图块在纵轴方向上的长度越长，如此可通过在目标工作服务器的工作时段获得多个矩形图块，然后按照时间顺序在横轴进行排列放置，将由此可以直观的看到历史处理速度的速度变化情况，因此也能够由效率评价模块进行评分，如此可以批量且实时的对目标工作服务器的效率进行监控，而且也避免了大量的数据比对运算，同时也能够方便人工进行直观监视判断，方便纠错，容错率较高；
(6)如此设计，使得矩形图块的面积可用来代表预设历史时段内的工作量，预设历史时段的时间与矩形图块的宽度正相关，另外所考虑的是，如果预设历史时段包含了对至少两个服务请求的处理，则可能影响历史处理速度计算的准确度，因为服务请求的切换和启动处理需要占用目标工作服务器更多处理时间，所以可将每个服务请求的处理时间作为该矩形图块对应的预设历史时段，矩形图块的面积越大、宽度越窄代表目标工作服务器的处理效率越高；相邻矩形图块的颜色不同可以增加矩形图块的区分度，有利于提升效率评价模块的评价精准度，而且也有利于人工纠错以及对效率评价模块的训练标注。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中系型数据库管理系统的模块连接图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种关系型数据库管理系统，包括：
任务获取模块，用于接收用户的服务请求；
任务量计算模块，用于根据所述服务请求计算对应的工作量；
服务器统计模块，用于统计获取目标工作服务器在预设历史时段内的历史处理速度；
任务分派模块，用于根据预设分派规则将所述服务请求分配至对应工作服务器处进行处理。
通过上述技术方案，为避免大量的服务请求对目标工作服务器产生较高的负载，影响系统的稳定性和扩展性，本发明任务获取模块接收用户的服务请求后，通过任务量计算模块对该服务请求进行工作量计算，同时通过服务器统计模块统计目标工作服务器的历史处理速度，最后再根据预设分派规则将该服务请求分配至合适的工作服务器处进行数据处理，抛弃只使用固定的几个工作服务器的数据处理方式，提升工作服务器的平均使用寿命。
作为本发明进一步的方案：处理时间验证模块，用于获取所述目标工作服务器完成所述服务请求所需要的实际处理时间，若预估处理时间与实际处理时间的差值绝对值大于预设值，重新获取所述目标工作服务器的历史处理速度，所述预估处理时间为所述工作量与所述历史处理速度的比值。
通过上述技术方案，在目标工作服务器进行数据处理的过程中，有可能会产生处理速度上的波动，采用处理时间验证模块可以对当前处理状态下滑或者上升的目标工作服务器的历史处理速度进行更新，又利于提升服务请求分配的准确度。
作为本发明进一步的方案：还包括图片生成模块和效率评价模块；
所述图片生成模块，用于根据所述历史处理速度生成所述目标工作服务器的速度趋势变化图片；
效率评价模块，用于根据所述速度趋势变化图片输出相应的处理效率评分；所述效率评价模块为经过训练的神经网络模型；
所述预设分派规则包括：
对所述服务请求按照重要程度进行降序排列，将重要程度高的所述服务请求发送至所述处理效率评分高的所述目标工作服务器进行处理。
通过上述技术方案，可将目标工作服务器的历史处理速度可视化为图片形式的、能够表示历史处理速度变化情况的速度趋势变化图片，再由训练后的效率评价模块根据速度趋势变化图片输出相应的处理效率评分，一般来说，处理效率评分越高，代表该目标工作服务器对服务请求的处理速度越快，状态也就越好，因此可将重要程度较高的服务请求发送至处理效率评分较高的目标工作服务器处进行处理，可大大提升服务请求处理的效率和可靠程度。
本发明中所采用的神经网络模型可采用卷积神经网络(CNN)，卷积神经网络是用于图像分类问题的最流行的神经网络模型，其训练样本与速度趋势变化图片的获取方式应当是相同的，区别在于，训练样本相较于速度趋势变化图片多出一个人工标注的步骤。
其中，卷积神经网络是包括输入层和隐含层，卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组。由于卷积神经网络在计算机视觉领域应用较广，因此许多研究在介绍其结构时预先假设了三维输入数据，即平面上的二维像素点和RGB通道。
与其它神经网络算法类似，由于卷积神经网络使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化，若输入数据为像素，也可将分布于的原始像素值归一化至0-255区间，输入特征的标准化有利于提升卷积神经网络的学习效率和表现。卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在一些更为现代的算法中可能有Inception模块、残差块(residual block)等复杂构筑。在常见构筑中，卷积层和池化层为卷积神经网络特有。卷积层中的卷积核包含权重系数，而池化层不包含权重系数，因此在文献中，池化层可能不被认为是独立的层。以LeNet-5为例，3类常见构筑在隐含层中的顺序通常为：输入-卷积层-池化层-全连接层-输出。
作为本发明进一步的方案：所述服务器统计模块包括：
历史时间设定模块，用于设定所述预设历史时段的时长；其中，所述预设历史时段通过Tc表示，其中，c为统一标识，相同时长长度的预设历史时段的统一标识相同，否则不同；
处理数据量统计模块，用于获取所述预设历史时段内所述目标工作服务器的处理量Pc；
通过上述技术方案，由于服务请求对应工作量的不同，会在一定程度上影响同一目标工作处理器在相同性能状态下的处理速度，引入统一标识，对可以对不同时长下的预设历史时段所对应的历史处理速度进行区分，方便后续的数据处理。
作为本发明进一步的方案：所述速度趋势变化图片包括：
直角坐标系和多个按照所述直角坐标系的横轴排列的矩形图块；
其中，所述直角坐标系的横轴单位为时间，纵轴单位为历史处理速度的值，所述矩形图块在纵轴方向上的长度与所述历史处理速度的值正相关。
通过上述技术方案，历史处理速度越高则矩形图块在纵轴方向上的长度越长，如此可通过在目标工作服务器的工作时段获得多个矩形图块，然后按照时间顺序在横轴进行排列放置，将由此可以直观的看到历史处理速度的速度变化情况，因此也能够由效率评价模块进行评分，如此可以批量且实时的对目标工作服务器的效率进行监控，而且也避免了大量的数据比对运算，同时也能够方便人工进行直观监视判断，方便纠错，容错率较高。
作为本发明进一步的方案：所述矩形图块在横轴方向上的宽度与所述预设历史时段的值正相关。
通过上述技术方案，如此设计，使得矩形图块的面积可用来代表预设历史时段内的工作量，预设历史时段的时间与矩形图块的宽度正相关，另外所考虑的是，如果预设历史时段包含了对至少两个服务请求的处理，则可能影响历史处理速度计算的准确度，因为服务请求的切换和启动处理需要占用目标工作服务器更多处理时间，所以可将每个服务请求的处理时间作为该矩形图块对应的预设历史时段，矩形图块的面积越大、宽度越窄代表目标工作服务器的处理效率越高。
作为本发明进一步的方案：相邻所述矩形图块的颜色不同。
通过上述技术方案，如此可以增加矩形图块的区分度，有利于提升效率评价模块的评价精准度，而且也有利于人工纠错以及对效率评价模块的训练标注。
作为本发明进一步的方案：所述重要程度包括数据量影响因子和时效影响因子。
本发明在使用时：为避免大量的服务请求对目标工作服务器产生较高的负载，影响系统的稳定性和扩展性，本发明任务获取模块接收用户的服务请求后，通过任务量计算模块对该服务请求进行工作量计算，同时通过服务器统计模块统计目标工作服务器的历史处理速度，最后再根据预设分派规则将该服务请求分配至合适的工作服务器处进行数据处理，抛弃只使用固定的几个工作服务器的数据处理方式，提升工作服务器的平均使用寿命；在目标工作服务器进行数据处理的过程中，有可能会产生处理速度上的波动，采用处理时间验证模块可以对当前处理状态下滑或者上升的目标工作服务器的历史处理速度进行更新，又利于提升服务请求分配的准确度；可将目标工作服务器的历史处理速度可视化为图片形式的、能够表示历史处理速度变化情况的速度趋势变化图片，再由训练后的效率评价模块根据速度趋势变化图片输出相应的处理效率评分，一般来说，处理效率评分越高，代表该目标工作服务器对服务请求的处理速度越快，状态也就越好，因此可将重要程度较高的服务请求发送至处理效率评分较高的目标工作服务器处进行处理，可大大提升服务请求处理的效率和可靠程度。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种关系型数据库管理系统，其特征在于，包括：
任务获取模块，用于接收用户的服务请求；
任务量计算模块，用于根据所述服务请求计算对应的工作量；
服务器统计模块，用于统计获取目标工作服务器在预设历史时段内的历史处理速度；
任务分派模块，用于根据预设分派规则将所述服务请求分配至对应工作服务器处进行处理。
2.根据权利要求1所述的关系型数据库管理系统，其特征在于，处理时间验证模块，用于获取所述目标工作服务器完成所述服务请求所需要的实际处理时间，若预估处理时间与实际处理时间的差值绝对值大于预设值，重新获取所述目标工作服务器的历史处理速度，所述预估处理时间为所述工作量与所述历史处理速度的比值。
3.根据权利要求1所述的关系型数据库管理系统，其特征在于，还包括图片生成模块和效率评价模块；
所述图片生成模块，用于根据所述历史处理速度生成所述目标工作服务器的速度趋势变化图片；
效率评价模块，用于根据所述速度趋势变化图片输出相应的处理效率评分；所述效率评价模块为经过训练的神经网络模型；
所述预设分派规则包括：
对所述服务请求按照重要程度进行降序排列，将重要程度高的所述服务请求发送至所述处理效率评分高的所述目标工作服务器进行处理。
4.根据权利要求1所述的关系型数据库管理系统，其特征在于，所述服务器统计模块包括：
历史时间设定模块，用于设定所述预设历史时段的时长；其中，所述预设历史时段通过Tc表示，其中，c为统一标识，相同时长长度的预设历史时段的统一标识相同，否则不同；
处理数据量统计模块，用于获取所述预设历史时段内所述目标工作服务器的处理量Pc；
5.根据权利要求4所述的关系型数据库管理系统，其特征在于，所述速度趋势变化图片包括：
直角坐标系和多个按照所述直角坐标系的横轴排列的矩形图块；
其中，所述直角坐标系的横轴单位为时间，纵轴单位为历史处理速度的值，所述矩形图块在纵轴方向上的长度与所述历史处理速度的值正相关。
6.根据权利要求5所述的关系型数据库管理系统，其特征在于，所述矩形图块在横轴方向上的宽度与所述预设历史时段的值正相关。
7.根据权利要求5所述的关系型数据库管理系统，其特征在于，相邻所述矩形图块的颜色不同。
8.根据权利要求1所述的关系型数据库管理系统，其特征在于，所述重要程度包括数据量影响因子和时效影响因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210948126.6A CN115269555B (zh) | 2022-08-09 | 2022-08-09 | 一种关系型数据库管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210948126.6A CN115269555B (zh) | 2022-08-09 | 2022-08-09 | 一种关系型数据库管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115269555A true CN115269555A (zh) | 2022-11-01 |
| CN115269555B CN115269555B (zh) | 2023-08-04 |
Family
ID=83748568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210948126.6A Active CN115269555B (zh) | 2022-08-09 | 2022-08-09 | 一种关系型数据库管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115269555B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160378557A1 (en) * | 2013-07-03 | 2016-12-29 | Nec Corporation | Task allocation determination apparatus, control method, and program |
| CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技（深圳）有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
| CN109840677A (zh) * | 2018-12-14 | 2019-06-04 | 中国平安财产保险股份有限公司 | 一种智能分案方法、装置、存储介质和服务器 |
| CN112131206A (zh) * | 2020-09-24 | 2020-12-25 | 北京计算机技术及应用研究所 | 一种多模型数据库OrientDB参数配置自动调优方法 |
| CN113630329A (zh) * | 2021-07-20 | 2021-11-09 | 湖北美和易思教育科技有限公司 | 基于用户访问量的负载均衡方法、系统及可读存储介质 |
| CN114490160A (zh) * | 2022-01-29 | 2022-05-13 | 中国农业银行股份有限公司 | 一种数据倾斜优化因子自动调整方法、装置、设备和介质 |
-
2022
- 2022-08-09 CN CN202210948126.6A patent/CN115269555B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160378557A1 (en) * | 2013-07-03 | 2016-12-29 | Nec Corporation | Task allocation determination apparatus, control method, and program |
| CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技（深圳）有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
| CN109840677A (zh) * | 2018-12-14 | 2019-06-04 | 中国平安财产保险股份有限公司 | 一种智能分案方法、装置、存储介质和服务器 |
| CN112131206A (zh) * | 2020-09-24 | 2020-12-25 | 北京计算机技术及应用研究所 | 一种多模型数据库OrientDB参数配置自动调优方法 |
| CN113630329A (zh) * | 2021-07-20 | 2021-11-09 | 湖北美和易思教育科技有限公司 | 基于用户访问量的负载均衡方法、系统及可读存储介质 |
| CN114490160A (zh) * | 2022-01-29 | 2022-05-13 | 中国农业银行股份有限公司 | 一种数据倾斜优化因子自动调整方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115269555B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7970772B2 (en) | Methods and apparatus for data stream clustering for abnormality monitoring | |
| CN103678431B (zh) | 一种基于标准标签和项目评分的推荐方法 | |
| CN108897789B (zh) | 一种跨平台的社交网络用户身份识别方法 | |
| CN106095842B (zh) | 在线课程搜索方法和装置 | |
| CN108280051B (zh) | 一种文本数据中错误字符的检测方法、装置和设备 | |
| US20130311642A1 (en) | Automated discovery of template patterns based on received server requests | |
| CN106570165A (zh) | 一种基于内容的视频检索方法及装置 | |
| CN109739903B (zh) | 一种排行榜数据的生成方法及相关装置 | |
| CN110472016B (zh) | 文章推荐方法、装置、电子设备及存储介质 | |
| CN114841374A (zh) | 一种基于随机贪心算法的横向联邦梯度提升树优化方法 | |
| CN111325204A (zh) | 目标检测方法、装置、电子设备以及存储介质 | |
| CN110852436A (zh) | 一种电子扑克游戏的数据处理方法、装置及存储介质 | |
| CN116450982A (zh) | 一种基于云服务推送的大数据分析方法及系统 | |
| CN104991741B (zh) | 一种基于键值模型的情境适配电网大数据存储方法 | |
| CN110458094B (zh) | 基于指纹相似度的设备分类方法 | |
| CN114357085A (zh) | 基于区块链的财务数据存储方法、装置及存储介质 | |
| CN115269555B (zh) | 一种关系型数据库管理系统 | |
| CN113254882B (zh) | 实验结果的确定方法、装置、设备及存储介质 | |
| CN111310918A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
| CN117576823A (zh) | 一种排队叫号系统终端 | |
| CN108810577A (zh) | 一种用户画像的构建方法、装置及电子设备 | |
| CN110851414B (zh) | 一种以聚类法进行边界数据分析的方法及其系统 | |
| CN110580265B (zh) | Etl任务的处理方法、装置、设备及存储介质 | |
| CN112883380A (zh) | 智慧教育平台的大数据组件安全风险分析方法及系统 | |
| CN116610821A (zh) | 一种基于知识图谱的企业风险分析方法、系统和存储介质 |
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 |