CN115545805B

CN115545805B - 一种服务伸缩方法、装置、电子设备及存储介质

Info

Publication number: CN115545805B
Application number: CN202211503094.5A
Authority: CN
Inventors: 潘建东; 徐政钧; 刘逸雄; 王浩洋
Original assignee: China Securities Co Ltd
Current assignee: China Securities Co Ltd
Priority date: 2022-11-29
Filing date: 2022-11-29
Publication date: 2023-04-07
Anticipated expiration: 2042-11-29
Also published as: CN115545805A

Abstract

本发明实施例提供了一种服务伸缩方法、装置、电子设备及存储介质，涉及数据处理技术领域。服务伸缩方法包括：获得各历史时间段的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量；根据所获得的信息及历史流量，预测当前时间段各个服务的流量；获得各历史时间段内各服务对各预设类型的资源的占用率；针对每一服务，获得反映该服务的流量与资源的占用率之间的相关关系；根据所获得的相关关系以及预测流量，确定当前时间段所有服务分别对各预设类型的资源的预测占用率；根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点。应用本发明实施例提供的方案能够准确地对服务节点数量进行调整。

Description

一种服务伸缩方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，特别是涉及一种服务伸缩方法、装置、电子设备及存储介质。

背景技术

各种金融交易机构为便于交易者进行金融交易，一般通过其交易平台向交易者提供各种服务。这些服务基于交易平台的后台服务节点提供的各种资源实现。处于服务状态的服务节点越多，可用的资源则越多，相应的交易平台所提供的服务规模越大；反之处于服务状态的服务节点越少，可用的资源则越少，相应的交易平台所提供的服务规模越小。

现有技术中，一般预先设定各个时间段与处于服务状态的服务节点的数量之间的对应关系，然后按照上述对应关系，在不同的时间段内由不同数量的服务节点为交易者提供服务。然而，在实际应用场景中，受各种因素的影响，各时间段内接入交易平台的交易者数量并不固定，各时间段内请求不同服务的交易者数量也不固定，因此，按照上述对应关系调整处于服务状态的服务节点数量，进而实现服务伸缩时，易出现交易平台所提供服务的规模与实际应用场景中对服务的需求不吻合的情况，进而易出现资源浪费或者资源不足的情况。

发明内容

本发明实施例的目的在于提供一种服务伸缩方法、装置、电子设备及存储介质，以实现通过准确地预测服务流量来完成服务节点伸缩。具体技术方案如下：

根据本发明实施例的第一方面，提供了一种服务伸缩方法，所述方法包括：

获得各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量；

根据所获得的交易行情信息、金融资讯信息、时间信息以及历史流量，获得当前时间段各个服务的预测流量；

获得各历史时间段内各服务对各预设类型的资源的占用率；

针对每一服务，根据该服务在各历史时间段的历史流量和在各历史时间段内对各预设类型的资源的占用率，获得反映该服务的流量与各预设类型的资源的占用率之间的相关关系；

根据所获得的相关关系以及预测流量，确定当前时间段所有服务分别对各预设类型的资源的预测占用率；

根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点。

根据本发明实施例的第二方面，提供了一种服务伸缩装置，所述装置包括：

信息获得模块，用于获得各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量；

预测流量获得模块，用于模块根据所获得的交易行情信息、金融资讯信息、时间信息以及历史流量，获得当前时间段各个服务的预测流量；

占用率获得模块，用于获得各历史时间段内各服务对各预设类型的资源的占用率；

关系获得模块，用于针对每一服务，根据该服务在各历史时间段的历史流量和在各历史时间段内对各预设类型的资源的占用率，获得反映该服务的流量与各预设类型的资源的占用率之间相关关系；

预测占用率确定模块，用于根据所获得的相关关系以及预测流量，确定当前时间段所有服务分别对各预设类型的资源的预测占用率；

服务节点调整模块，用于根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点。

根据本发明实施例的第三方面，提供了一种电子设备，包括：

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的服务伸缩方法。

根据本发明实施例的第四方面，提供了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内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的服务伸缩方法。

本发明实施例有益效果：

本发明实施例提供的服务伸缩方案中，可以根据多个历史时间段的多种信息得到各服务的预测流量；根据各历史时间段内各服务的流量与各预设类型的资源的占用率，确定各服务的流量与各预设类型的资源的占用率之间的关系；根据上述关系与各服务的预测流量，得到各预设类型的资源的预测占用率；根据预测占用率与实际占用率来调整处于服务状态的服务节点。由于预测流量是基于多个历史时间段的多种信息得到的，各服务的流量与各预设类型的资源的占用率之间的关系是基于各历史时间段内各服务的流量与各预设类型的资源的占用率，这样，能够准确地得到的预测流量和相关关系，从而根据预测流量和上述相关关系能够准确地得到预测占用率，从而根据预测占用率与实际占用率来调整服务节点。由于得到的预测占用率准确，从而对服务节点的调整也准确。因此，应用本发明实施例提供的服务伸缩方案能够准确地对服务节点数量进行调整。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1为本发明实施例提供的第一种服务伸缩方法的流程示意图；

图2为本发明实施例提供的第二种服务伸缩方法的流程示意图；

图3为本发明实施例提供的一种流量预测方法的流程示意图；

图4为本发明实施例提供的一种流量预测模型的结构示意图；

图5为本发明实施例提供的一种流量预测模型进行特征提取的流程框图；

图6为本发明实施例提供的一种训练模型的结构示意图；

图7为本发明实施例提供的一种服务伸缩装置的结构示意图；

图8为本发明实施例提供的一种电子设备的结构示意图。

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基于本发明所获得的所有其他实施例，都属于本发明保护的范围。

在金融交易中，金融交易机构为交易者提供了多种服务。这些服务基于交易平台的后台服务节点提供的各种资源实现。处于服务状态的服务节点越多，可用的资源则越多，相应的交易平台所提供的服务规模越大；反之处于服务状态的服务节点越少，可用的资源则越少，相应的交易平台所提供的服务规模越小。

由于在不同时间段，使用交易平台中各个服务的交易者数量并不固定，并且这个数量会受到多种因素影响。当交易平台的处于服务状态的服务节点数量相对于使用交易平台提供的服务的交易者的数量过多时，易导致资源浪费的情况；当交易平台的处于服务状态的服务节点相对于使用交易平台提供的服务的交易者的数量过少时，易导致资源不足的情况。

鉴于此，本发明实施例提供了一种服务伸缩方案，以准确地对处于服务状态的服务节点数量进行调整，从而可以减少资源浪费或者资源不足的情况出现。

下面对本发明实施例的执行主体进行说明。

本发明实施例的执行主体可以为任意一台具有数据处理功能的电子设备。例如，可以是服务节点系统中的管理节点，也可以是服务节点之外的任意一台设备。

下面通过具体实施例对本发明实施例提供的服务伸缩方法进行说明。

参见图1，提供了第一种服务伸缩方法的流程示意图，该方法包括以下步骤S101-步骤S106。

步骤S101：获得各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量。

其中，交易平台的各服务可以包括：金融行情信息查询服务、金融行情指标查询服务、金融交易服务等。

下面对上述交易行情信息、金融资讯信息、时间信息分别进行说明。

上述交易行情信息是用于表征金融市场中与交易平台提供的服务相关的金融产品的涨跌情况的信息。例如，当交易平台提供股票市场行情查询服务时，交易行情信息可以为股票交易行情信息。一种实现方式中，某历史时间段的交易行情信息可以为该时间段的沪深指数300的行情信息。

上述金融资讯信息是由外界提供的、与交易平台提供的服务相关的资讯信息，可以包括新闻资讯信息、公司公告信息等信息。

时间信息是用于表征对应的历史时间段的时间特征的信息，具体的，时间信息可以用于表征对应的历史时间段是否处于周末，以及该历史时间段为一天中的第几个小时等。

当电子设备获得上述交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量时，存在以下两种情况。

第一种情况下，电子设备可以直接获得交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量。

第二种情况下，电子设备所获得的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量可以为经过量化处理后的信息。

这种情况下，电子设备可以通过以下方式获得上述经过量化处理后的信息。

一种实现方式中，上述电子设备可以直接获得各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量，并对获得信息进行量化处理。

另一种实现方式中，可以由不同于上述电子设备的信息获得设备获得各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量，由该信息获得设备对获得信息进行量化处理后，再将量化处理后的信息发送至上述电子设备。

上述信息量化处理的方式将在后文具体说明，此处暂不详述。

步骤S102：根据所获得的交易行情信息、金融资讯信息、时间信息以及历史流量，获得当前时间段各个服务的预测流量。

本步骤中，获得的交易行情信息、金融资讯信息、时间信息以及历史流量是多个历史时间段的交易行情信息、金融资讯信息、时间信息以及历史流量。

如步骤S101中的说明提到的，一种情况下，电子设备获得的交易行情信息、金融资讯信息、时间信息以及历史流量可能是未经量化处理的信息。该情况下，电子设备将在本步骤中对上述信息进行量化处理。

针对某一时间段的交易平台的各服务的流量，该流量既会受到之前连续时间段的相关信息与历史流量影响，又会在时间上呈现出一定的周期特点。因此，电子设备可以通过以下方式获得当前时间段各个服务的预测流量。

一种实现方式中，电子设备可以使用当前时间段之前连续的历史时间段的交易行情信息、金融资讯信息、时间信息以及历史流量进行预测。例如，假设当前时间段为下午17点-18点，那么，可以根据14点-15点、15点-16点、16点-17点这三个时间段的交易行情信息、金融资讯信息、时间信息以及历史流量，获得下午17点-18点时间段的预测流量。

另一种实现方式中，电子设备可以使用不连续、但与当前时间段之间满足预设时间周期关系的时间段的交易行情信息、金融资讯信息、时间信息与历史流量对当前时间段各服务的流量进行预测。该预设时间周期可以为1天，也可以为1周等。

例如，假设当前时间段为周五下午17点-18点，预设时间周期为1天，那么，可以根据周四下午17点-18点、周三下午17点-18点、周二下午17点-18点这三个时间段的交易行情信息、金融资讯信息、时间信息以及历史流量，获得周五下午下午17点-18点时间段的预测流量；假设当前时间段为周五下午17点-18点，预设时间周期为1周，可以根据本周之前的三周的下午17点-18点三个时间段的交易行情信息、金融资讯信息、时间信息以及历史流量，获得本周五下午下午17点-18点时间段的预测流量。

下面对获得当前时间段各个服务的预测流量的方式进行说明。

如前文所述，某一时间段的交易平台的各服务的流量会受到之前连续时间段的相关信息与历史流量影响，而该时间段的交易平台的各服务的流量也会影响之后时间段的交易平台的各服务的流量。

因此，一种实现方式中，电子设备可以根据获得的交易行情信息、金融资讯信息、时间信息以及历史流量，分别按时间正序与时间倒序获得各历史时间段对应的时序特征，其中，按时间正序获得的时序特征为前向特征，按时间倒序获得的时序特征为后向特征，再根据所获得的前向特征与后向特征，获得当前时间段各个服务的预测流量。

具体的，上述预测方式将在后文进一步说明。

另一种实现方式中，上述预测方式可以由训练完成的流量预测模型完成。

上述流量预测模型也将在后文具体说明，此处暂不详述。

步骤S103：获得各历史时间段内各服务对各预设类型的资源的占用率。

其中，各预设类型的资源可以包括以下类型的资源中至少一种：CPU（CentralProcessing Unit，中央处理器）、GPU（Graphics Processing Unit，图像处理器）、内存、硬盘、网络带宽。

在步骤S101中，电子设备获得了各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量。

在本步骤中获得的各历史时间段内各服务对各预设类型的资源的占用率，可以为上述交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量对应的每一历史时间段内各服务对各预设类型的资源的占用率，也可以为上述交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量对应的部分历史时间段内各服务对各预设类型的资源的占用率。本发明对此并不进行限定。

例如，假设每一历史时间段的长度为1小时，在步骤S101中，电子设备获得了早上8:00-下午17:00共9个历史时间段的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量。而在本步骤中，一种情况下，电子设备可以获得早上8:00-下午17:00共9个历史时间段内各服务对各预设类型的资源的占用率；另一种情况下，电子设备可以获得下午12:00-下午17:00共5个历史时间段内各服务对各预设类型的资源的占用率。

步骤S104：针对每一服务，根据该服务在各历史时间段的历史流量和在各历史时间段内对各预设类型的资源的占用率，获得反映该服务的流量与各预设类型的资源的占用率之间的相关关系。

由于交易平台提供的服务有多种，每种服务对不同类型的资源的需求不同，因此，每种服务的流量与各预设类型的资源的占用率之间的相关关系也不同。鉴于此，存在以下情况。

一种情况下，针对每一服务，电子设备可以获得反映该服务的流量与各预设类型的资源的占用率之间的非线性相关关系。

另一种情况下，针对每一服务，电子设备可以获得反映该服务的流量与各预设类型的资源的占用率之间的线性相关关系。

具体的，电子设备可以通过以下实现方式在获得上述线性相关关系

第一种实现方式中，针对每一服务，可以在电子设备中预设该服务的流量与各预设类型的资源的占用率之间的线性相关关系。

第二种实现方式中，电子设备可以需要先确定各服务的流量与各预设类型的资源的占用率之间是否存在线性相关关系；之后，对于存在线性相关关系的某一服务的流量与某预设类型的资源的占用率，获得该服务的流量与该预设类型的资源的占用率之间的具体的线性相关关系。

本实现方式将在后文进一步说明。

步骤S105：根据所获得的相关关系以及预测流量，确定当前时间段所有服务分别对各预设类型的资源的预测占用率。

针对每一预设类型的资源，可以根据所获得的相关关系以及预测流量，计算各服务对该预设类型的资源的局部占用率。将对应该预设类型的资源的所有的局部占用率求和，得到所有服务对该预设类型的资源的预测占用率。

其中，上述局部占用率是单个服务对单个预设类型的资源的预测占用率。

确定预测占用率的具体方式将在后文具体说明，此处暂不详述。

步骤S106：根据各预设类型的资源的预测占用率和实际占用率，调整交易平台处于服务状态的服务节点。

其中，各预设类型的资源的实际占用率反映了当前时间段的资源消耗情况，各预设类型的资源的预测占用率反映了在交易平台处于服务状态的服务节点的数量不变的情况下，即将到来的时间段的资源消耗情况。

因此，根据各预设类型的资源的预测占用率和实际占用率，能够看出在即将到来的时间段上，交易平台处于服务状态的服务节点的数量是否能够满足对资源的需求，从而决定是否以及如何调整交易平台处于服务状态的服务节点的数量。

具体的，可以通过以下方式调整交易平台处于服务状态的服务节点。

一种实现方式中，可以根据各预设类型的资源的预测占用率和实际占用率的差值调整交易平台处于服务状态的服务节点。

当各预设类型的资源的预测占用率与实际占用率的差值过大时，说明即将到来的时间段内出现资源不足的情况，需要增加交易平台处于服务状态的服务节点的数量；当各预设类型的资源的预测占用率与实际占用率的差值过小时，说明即将到来的时间段内出现资源过剩的情况，需要减少交易平台处于服务状态的服务节点的数量。

具体的，当各预设类型的资源的预测占用率与实际占用率的差值大于第一阈值时，将交易平台处于服务状态的服务节点的数量增加增加步长的数量；当各预设类型的资源的预测占用率与实际占用率的差值小于第二阈值时，将交易平台处于服务状态的服务节点的数量减小减小步长的数量。

由于上述各预设类型的资源不止一种，因此得到的各预设类型的资源的预测占用率与实际占用率的差值也不止一个。由于得到的差值的绝对值越大，说明对服务节点的数量的调整越大。此外，调整服务节点的数量是基于可以为用户提供良好的服务基础上进行的。因此，在调整时，需要根据最大的预设类型的资源的预测占用率与实际占用率的差值与第一阈值、第二阈值的比较结果，决定调大还是调小处于服务状态的服务节点的数量。

其中，上述第一阈值、第二阈值、增加步长、减小步长可以根据实际情况进行设置。第一阈值可以是10%、20%、25%等，增大步长可以是2、3、4等；第二阈值可以是-10%、-20%、-25%等，减小步长也可以是2、3、4等。

例如，当最大的差值大于20%时，将处于服务状态的服务节点的数量增加增加步长3；当最大的差值小于-10%时，将处于服务状态的服务节点减小减小步长2。

另一种实现方式中，可以根据各预设类型的资源的预测占用率和实际占用率的比值来对交易平台处于服务状态的服务节点进行调整。

与上述根据各预设类型的资源的预测占用率与实际占用率的差值对服务节点进行调整的实现方式相类似，当各预设类型的资源的预测占用率与实际占用率的比值过大时，说明即将到来的时间段内出现资源不足的情况，需要增加交易平台处于服务状态的服务节点的数量；当各预设类型的资源的预测占用率与实际占用率的比值过小时，说明即将到来的时间段内出现资源过剩的情况，需要减少交易平台处于服务状态的服务节点的数量。

具体的，上述根据各预设类型的资源的预测占用率和实际占用率的比值来对进行调整的方式将在后文进一步说明，此处暂不详述。

由以上可见，本发明实施例提供的服务伸缩方案中，可以根据各历史时间段内各服务的流量与各预设类型的资源的占用率，确定各服务的流量与各预设类型的资源的占用率之间的关系，这样，能够准确地获得各服务的流量与各预设类型的资源的占用率之间的相关关系；根据上述关系与各服务的预测流量，可以得到各预设类型的资源的预测占用率，由于上述获得的相关关系准确，而各服务的预测流量是根据多个历史时间段的多种信息进行预测得到的，从而能够准确地获得预测流量，这样，能够根据获得的预测流量与相关关系准确地获得预测占用率；根据预测占用率与实际占用率来调整服务节点，由于获得的预测占用率准确，从而能够准确地调整服务节点。因此，应用本发明实施例提供的服务伸缩方案能够准确地对服务节点数量进行调整。

下面对上述图1所示实施例中涉及的各个步骤的具体实现方式分别进行说明。

一、针对步骤S104的说明

本发明的一个实施例中，参见图2，提供了第二种服务伸缩方法的流程示意图。本实施例中，上述步骤S104可以通过以下步骤S104A-步骤S104B来针对每一服务，获得该服务的流量与各预设类型的资源的占用率之间的相关关系。

步骤S104A：根据预先获得的表征各服务的流量与该预设类型的资源的占用率之间相关关系的第一系数，确定流量与该预设类型的资源的占用率存在线性关系的相关关系。

其中，第一系数表征了各服务的流量与该预设类型的资源的占用率之间是否存在线性相关关系。

具体的，可以根据第一系数的数值大小确定流量与该预设类型的资源的占用率存在线性关系的相关关系。

当某服务的流量与某预设类型的资源的占用率之间相关关系的第一系数不小于预设临界值时，电子设备确定该服务的流量与该预设类型的资源的占用率之间存在显著的线性相关关系；当某服务的流量与某预设类型的资源的占用率之间相关关系的第一系数小于预设临界值时，电子设备确定该服务的流量与该预设类型的资源的占用率之间不存在显著的线性相关关系。

上述预设临界值可以为0.75、0.8、0.85等。

下面对上述获得第一系数的方式进行具体说明。

一种实现方式中，可以预设表征各服务的流量与该预设类型的资源的占用率之间相关关系的第一系数。

另一种实现方式中，可以按照以下关系式获得上述第一系数。

其中，

是表征服务X的流量与Y类型的资源的占用率之间相关关系的第一系数，n表示存在n个历史时间段，

是服务X在第i个历史时间段的历史流量，

是服务X在各历史时间段的平均历史流量，

是与服务X在第i个历史时间段的历史流量相对应的Y类型的资源的占用率，

是与服务X在各历史时间段的平均历史流量相对应的Y类型的资源的平均占用率。

根据前文中对步骤S103的说明，上述Y类型的资源可以是CPU、GPU、内存、硬盘、网络带宽五种预设类型的资源中任意一种。

具体的，仍以服务X为例，可以通过下述关系式获得服务X的流量分别与CPU、GPU、内存、硬盘、网络带宽五种预设类型的资源的占用率之间相关关系的第一系数。

其中，

、

、

、

、

是表征服务X的流量分别与CPU、GPU、内存、硬盘、网络带宽五种类型的资源的占用率之间相关关系的第一系数；n表示存在n个历史时间段；

是服务X在第i个历史时间段的历史流量；

是服务X在各历史时间段的平均历史流量；

、

、

、

、

为服务X在第i个历史时间段的历史流量分别对应的CPU、GPU、内存、硬盘、网络带宽五种类型的资源的占用率；

、

、

、

、

为与服务X在各历史时间段的平均历史流量分别对应的CPU、GPU、内存、硬盘、网络带宽五种类型的资源的平均占用率。

应用上述关系式，可以准确地确定各服务的流量与各预设类型的资源的占用率之间相关关系的第一系数，从而准确地确定各服务的流量与各预设类型的资源的占用率之间是否存在显著的线性相关关系。

一种实现方式中，为了保证上述第一系数的可靠性，可以对上述第一系数进行显著性检验。

具体的，可以按照以下关系式对上述第一系数进行显著性检验。

其中，t为检验特征值；

为预设的自由度。在一种实现方式中，

可以为n-2，n为样本数，即处于服务状态的服务节点数。

具体的，可以设定显著性水平α，通过查表得到

的临界值。

当计算得到的

时，可以认为此时得到的

是可靠的。

步骤S104B：针对每一相关服务，根据该相关服务在各历史时间段的历史流量和在各历史时间段内对该预设类型的资源的占用率，获得反映该相关服务的流量与该预设类型的资源的占用率之间的相关关系的第二系数。

仍以服务X与Y类型资源为例。当服务X的流量与Y类型资源的占用率存在显著的线性关系时，服务X为Y类型资源的相关服务。此时可以通过线性回归的方式，根据获得的服务X在各历史时段的历史流量和在各历史时间段内对Y类型的资源的占用率计算服务X的流量与Y类型资源的占用率之间的经验关系式，经验关系式中的系数即为第二系数。

由于只存在服务X的流量与Y类型资源的占用率两个变量，因此，服务X的流量与Y类型资源的占用率之间的经验关系式为以下形式。

其中，

为服务X的流量，

为根据服务X的流量，按照上述关系式计算得到的Y类型资源的占用率，

、

即为所需要的第二系数。

一种实现方式中，可以通过最小二乘法的方式获得上述第二系数。

另一种实现方式中，可以通过最大或然法的方式获得上述第二系数。

通过以上方式，根据各历史时间段内各服务的流量与各预设类型的资源的占用率，确定各服务的流量与各预设类型的资源的占用率之间存在的相关关系，这样，可以准确地确定各服务的流量与各预设类型的资源的占用率之间是否存在线性相关关系，以及具体存在何种线性相关关系。

二、针对步骤S105的说明

在前文对步骤S104的说明中，获得了存在显著线性关系的服务的流量与预设类型资源的占用率的第二系数，也就是说，可以根据相关服务的流量，以及第二系数确定的经验关系式，计算对应预设类型资源的占用率。

因此，针对每一预设类型的资源，可以按照步骤A-步骤B的方式确定当前时间段所有服务对该预设类型的资源的预测占用率。

步骤A：针对该预设类型的资源对应的每一相关服务，根据该相关服务的流量与该预设类型的资源的占用率之间相关关系和该相关服务的预测流量，确定当前时间段该相关服务对该预设类型的资源的局部占用率。

如前文对步骤S104B的说明中，假设存在Y类型资源与相关服务X，那么，服务X的流量与Y类型资源的占用率之间存在如下所示的经验关系式。

根据步骤S102中得到的预测流量以及上述关系式，即可计算确定当前时间段服务X对Y类型资源的局部占用率。

步骤B：计算各相关服务对该预设类型的资源的局部占用率的和值，得到当前时间段所有服务对该预设类型的资源的预测占用率。

一种实现方式中，仍以Y类型资源为例，假设存在服务A、服务B……服务X等服务，可以通过以下关系式计算Y类型资源的预测占用率。

其中，

为计算确定的Y类型资源的预测占用率；

为第i个服务对应的Y类型资源的局部占用率，

用于表征第i个服务的流量是否与Y类型资源的占用率之间存在相关关系。

当i个服务的流量与Y类型资源的占用率之间存在相关关系时，

；当i个服务的流量与Y类型资源的占用率之间不存在相关关系时，

。

这样，在确定预测占用率时，由于

，因此

，可以只计算相关服务对应的局部占用率，无需计算非相关服务对应的局部占用率。

具体的，假设存在服务A、服务B……服务X等服务，可以通过以下关系式计算CPU、GPU、内存、硬盘、网络带宽五种预设类型的资源的预测占用率。

其中，

、

、

、

、

分表表示CPU、GPU、内存、硬盘、网络带宽五种预设类型的资源的预测占用率，

、

、

、

、

分别表示第i个服务对应的CPU、GPU、内存、硬盘或网络带宽的局部占用率，

、

、

、

、

分别用于表征第i个服务的流量是否与CPU、GPU、内存、硬盘或网络带宽的占用率之间存在相关关系。

应用本实施例提供的方法，可以根据所获得的相关关系与预测流量，获得各预设类型资源的预测占用率。由于所获得的相关关系准确，而根据多种信息进行预测获得的预测流量也准确，因此，应用上述方法可以准确地得到各预设类型的资源的预测占用率。

三、针对步骤S106的说明

如前文所述，可以根据各预设类型的资源的预测占用率和实际占用率的比值调整交易平台处于服务状态的服务节点。

分别计算各预设类型的资源的预测占用和实际占用率之间的比值，并将所得比值与预设的扩容条件或收缩条件进行比较，根据比较结果进行相应调整。

在实际调整中，需要根据所获得的比值中的最大值调整交易平台处于服务状态的服务节点。

下面对为何需要根据所获得的比值中的最大值调整交易平台处于服务状态的服务节点进行说明。

与前文中根据各预设类型的资源的预测占用和实际占用率之间的差值对服务节点进行调整相类似，调整服务节点的数量需要保证可以为用户提供良好的服务。由于上述各预设类型的资源不止一种，因此得到的各预设类型的资源的预测占用率与实际占用率的比值也不止一个。

当比值中的最大值满足扩容条件时，说明对应预设类型的资源存在资源不足的情况，需要扩容。满足扩容条件时，比值越大，说明需要增加的服务节点数量越多，因此，根据比值中的最大值对服务节点数量进行扩容，可以满足其他预设类型的资源对服务节点的需求。

当比值中的最大值满足收缩条件时，说明对应预设类型的资源存在资源过剩的情况，此时其他比值对应的预设类型的资源也存在资源过剩的情况。满足收缩条件时，比值越小，说明需要减少的服务节点数量越少。如果不根据比值中的最大值进行收缩，易导致减少的服务节点数量过多，调整后比值中的最大值对应的预设类型的资源出现资源不足的情况，需要进行扩容，不能准确地对服务节点数量进行调整。

因此，需要根据所获得的比值中的最大值调整交易平台处于服务状态的服务节点。也就是说，后文调整服务节点的说明中涉及到的所获得的比值，均为所获得的比值中的最大值。

下面对服务节点扩容调整进行说明。

若计算所得比值满足预设的扩容条件，根据第一调整步长、所得比值和服务节点的当前数量，确定服务节点的第一目标数量，根据第一目标数量，调整交易平台处于服务状态的服务节点。

其中，上述第一调整步长可以根据实际情况设置，例如，可以为2、3、4等。上述扩容条件可以为计算所得比值大于第三阈值。

一种情况下，第三阈值可以为1。

另一种情况下，第三阈值可以为1加预设的第一容忍度，其中，第一容忍度是表征资源的占用率的容忍范围的值。例如，第一容忍度可以为0.1、0.2等。

下面对服务节点的第一目标数量的确定方式进行说明。

一种实现方式中，可以预设所得比值中的最大值与服务节点的当前数量对应的中间目标数量，将中间目标数量与第一调整步长求和，确定服务节点的第一目标数量。

例如，可以预设中间目标数量与所得比值中的最大值a与服务节点的当前数量之间的关系满足下述表1。

表1

这样，可以通过查表的方式得到中间目标数量，从而根据中间目标数量与第一调整步长的和值，确定服务节点的第一目标数量。

另一种实现方式中，服务节点的第一目标数量可以通过以下步骤C-步骤E确定。

步骤C：计算所得比值中的最大值与服务节点的当前数量的乘积，得到中间值。

其中，所得比值中的最大值与服务节点的当前数量的乘积即为得到的中间值。

步骤D：计算所得中间值与第一调整步长的和值。

步骤E：根据所得和值确定服务节点的第一目标数量。

由于上述比值可能是非整数，因此，计算得到的和值可能是非整数。因此，本实现方式中确定的第一目标数量为计算所得的和值向上取整的结果。

具体的，上述步骤C-步骤E可以表示为以下关系式。

其中，

为服务节点的第一目标数量，

为服务节点的当前数量，

为预设类型的资源的预测占用率，

为预设类型的资源的当前占用率，

为第一调整步长，

表示向上取整的计算过程。

这样，根据预测占用率与实际占用率的比值，对服务节点的数量进行扩容调整，可以准确的确定服务节点的第一目标数量，从而快速地调整服务节点的数量。因此，应用本实施例提供的方案可以准确高效地调整服务节点数量。

一种实现方式中，在完成上述扩容步骤后，电子设备可以记录扩容时间，在预设时间间隔内不对服务节点数量进行调整。这样，可以防止短时间多次调整处于服务状态的服务节点数量导致服务不稳定。

下面对服务节点收缩调整进行说明。

若计算所得比值满足预设的收缩条件，根据第二调整步长和服务节点的当前数量，确定服务节点的第二目标数量，根据第二目标数量，调整交易平台处于服务状态的服务节点。

其中，上述收缩条件为所得比值中的最大值小于第四阈值。

一种情况下，上述第四阈值可以为1。

另一种情况下，上述第四阈值可以为1减预设的第二容忍度。其中，第二容忍度可以为0.1、0.2等。

下面对服务节点的第二目标数量的确定方式进行说明。

当所得比值中的最大值满足上述收缩条件时，将服务节点的当前数量减去第二调整步长，作为服务节点的第二目标数量。

一种实现方式中，当当前服务节点数量不大于预设最小服务节点数量时，不对服务节点数量进行收缩调整。其中，预设最小服务节点数量可以为2、3等。

此外，同上述扩容调整中的实现方式相类似，一种实现方式中，为了防止短时间多次调整处于服务状态的服务节点数量导致服务不稳定，电子设备记录收缩时间，在预设时间间隔内不对服务节点数量进行调整。

由以上可见，根据预测占用率与实际占用率的比值，以及比值与扩容条件、收缩条件之间的关系，对处于服务状态的服务节点数量进行调整；由于获得的预测占用率准确，因此可以准确地调整服务节点的数量，使之吻合对资源的需求，不易导致资源不足或资源浪费的情况出现，提升了用户的使用体验。

此外，上述扩容条件中的第三阈值与收缩条件中的第四阈值可以为不同的值，且第三阈值大于等于第四阈值。这样，当所得比值中的最大值大于等于第四阈值、小于等于第三阈值时，不对服务节点数量进行调整，从而可以防止短时间多次调整处于服务状态的服务节点数量导致服务不稳定。

四、针对步骤S101的说明

如前文所述，电子设备需要获得交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量。

下面对电子设备获得各信息的方式进行说明。

一种实现方式中，可以由信息获得设备获得上述交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量后，发送至电子设备。

另一种实现方式中，电子设备可以通过自身获得上述各个信息。

具体的，对于交易行情信息，电子设备可以通过交易所获得需要的交易行情信息，如通过上交所、深交所等获得需要的交易行情信息。

对于金融资讯信息，电子设备可以预先配置相应的关键词库，通过访问互联网查询资讯信息，将查询得到的信息与配置的关键词库进行匹配，从而获得需要的金融资讯信息。

对于时间信息，一种情况下，电子设备可以通过内置时钟获得时间信息，另一种情况下，电子设备可以通过访问互联网确定时间信息。

对于各服务的历史流量，服务节点可以记录每一历史时间段各服务的历史流量，并将记录发送至电子设备，这样，电子设备可以通过获得服务节点的记录获得各服务的历史流量。

电子设备可以通过滑动窗口获得上述信息，具体的，可以预设一个历史时间段数，以预设历史时间段数为6为例，假设当前时间段为t时间段，电子设备会获取t-6至t-1这6个时间段的对应信息；当当前时间段由t时间段变为t+1时间段时，电子设备会获取t-5至t这6个时间段的对应信息。

如前文所述，电子设备需要获得量化处理后的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量。下面对上述信息量化处理的方式进行具体说明。

对上述信息的量化处理主要包括以下三部分。

1.编码处理

上述交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量中，交易行情信息与交易平台的各服务的历史流量为数据化信息，而金融资讯信息与时间信息为非数据化信息。因此，需要对金融资讯信息与时间信息进行编码处理，将其转化为数据化信息。这样，可以将得到的数据化信息作为预测时使用的特征值。

一种实现方式中，可以使用独热编码或序号编码对上述信息进行编码处理。

其中，对于包含类型比较少的特征，可以使用独热编码的方式进行编码处理；对于包含类型比较多的特征，可以使用序号编码的方式进行编码处理，这样，不使用独热编码的方式对包含类型比较多的特征进行编码处理，可以避免维数过多难以处理的情况出现。

下面对金融资讯信息的编码过程进行说明。

对于金融资讯信息来说，可以在前文所述电子设备预先配置的关键词库中，配置关键词对应的情感属性与情感程度。其中，关键词的情感属性包括积极或消极，关键词的情感程度用于表征积极或消极的程度。由于情感属性包含类型只有两类，而情感程度可以包含比较多的类型，因此，使用独热编码的方式对情感属性进行编码处理，使用序号编码的方式对情感程度进行编码处理。

具体的，可以将积极的情感属性设置为1，将消极的情感属性设置为0，将关键词的情感程度按从轻到重设置为从0开始的连续自然数，如0、1、2……等。

这样，根据金融资讯信息与关键词库的匹配结果，可以将金融资讯信息转化为包括情感属性和情感程度两个特征值的数据化信息。

一个历史时间段内，可以有多条金融资讯信息，需要得到整体金融资讯信息的情感属性和情感程度。下面对得到整体金融资讯信息的情感属性和情感程度的方式进行说明。

一种实现方式中，对于查询得到的每一金融资讯信息，根据与关键词库的匹配结果，得到对应的情感属性与情感程度。将积极的金融资讯信息的情感程度设置为正值，将消极的金融资讯信息的情感程度设置为负值，计算所有金融资讯信息的情感程度的和值。当和值为正时，整体金融资讯信息的情感属性为积极；当和值为负时，整体金融资讯信息的情感属性为消极；和值的绝对值为对应的情感程度。

另一种实现方式中，可以选取查询得到的金融资讯信息中出现最多的情感属性与对应的情感程度为金融资讯信息整体的情感属性与情感程度。

下面对时间信息的编码过程进行说明。

由前文描述可知，时间信息可以包括对应时间段是否处于周末以及一天中的第几个小时。因此，可以设置时间信息包括周末标记与当日序号两个特征值。其中，周末标记至包含处于周末与不处于周末两个类型，而当日序号由于反映了对应历史时间段处于一天中的第几个小时，包含类型较多。因此，可以使用独热编码的方式对周末标记进行编码处理，使用序号编码的方式对当日序号进行编码处理。

具体的，当该时间段处于周末时，可以将周末标记设置为0；当该时间段不处于周末时，可以将周末标记设置为1。将当日序号可以按从0点开始至24点分别对应从0开始到23的连续自然数进行设置。

2.缺失处理

在获得步骤S101中提及的信息时，可能出现不存在对应信息的情况，从而导致缺少对应的特征值。例如，在某一时间段没有公布的金融资讯信息。此时，需要对缺少的特征值进行插补处理。

一种实现方式中，可以将缺少的特征值设置为上一时间段对应的特征值。

另一种实现方式中，可以设置缺少的信息对应的特征值为0。这样，可以减少主观因素对流量预测的影响。

3.归一化处理

由于上述获得各个的特征值的大小范围各不相同，为了平衡各特征值的可比性，需要进行归一化处理。

一种实现方式中，可以根据下述关系式对其进行归一化处理。

其中，Z表示进行归一化处理后的特征值，x表示未进行归一化处理的特征值，

表示所有未进行归一化处理的特征值的平均值，

表示未进行归一化处理的特征值的标准差。

另一种实现方式中，可以使用线性函数归一化的方式对各特征值进行归一化处理。

五、针对步骤S102的说明

本发明的一个实施例中，参见图3，提供了一种流量预测方法的流程示意图，本实施例中，上述步骤S102可以由以下步骤S102A-步骤S102C完成。

步骤S102A：对所获得的交易行情信息、金融资讯信息、时间信息以及历史流量进行前向流量预测，得到表征每一历史时间段各个服务的流量的前向特征。

由于当前时间段使用交易平台提供的服务的交易者数量可能受当前时间段的交易行情信息、金融资讯信息、时间信息也可能受之前时间段的交易行情信息、金融资讯信息、时间信息的影响。因此，本步骤中提取了各个时间段中用于表征该时间段流量按时序从前到后的变化的前向特征。

具体的，电子设备获得了多个时间段的交易行情信息、金融资讯信息、时间信息以及历史流量。对应每一服务，在进行前向流量预测时，针对每一时间段的信息，电子设备根据该时间段的信息以及该时间段前一时间段对应的前向特征，得到该时间段的前向特征。

步骤S102B：对所获得的交易行情信息、金融资讯信息、时间信息以及历史流量进行后向流量预测，得到表征每一历史时间段各个服务的流量的后向特征。

与步骤S102A类似，由于当前时间段的交易行情信息、金融资讯信息、时间信息不仅可能影响了当前时间段使用交易平台提供的服务的交易者数量，也可能影响了之后时间段使用交易平台提供的服务的交易者数量。因此，本步骤中提取了各个时间段中用于表征该时间段流量按时序从后到前的变化的后向特征。

在进行后向流量预测时，针对每一时间段的信息，电子设备根据该时间段的信息以及该时间段后一时间段对应的后向特征，得到该时间段的后向特征。

步骤S102C：根据每一历史时间段每一服务对应的前向特征和后向特征，获得当前时间段各个服务的预测流量。

具体的，对于每一历史时间段，将每一服务的前向特征和后向特征进行综合，得到每一历史时间段每一服务的综合特征。根据每一历史时间段的综合特征，获得当前时间段各个服务的预测流量。

由以上可见，由于每一时间段的各服务的流量，既受该时间段的交易行情信息、金融资讯信息、时间信息的影响，也受之前时间段的交易行情信息、金融资讯信息、时间信息；每一时间段的交易行情信息、金融资讯信息、时间信息，既影响当前时间段的各服务的流量，也影响之后时间段的各服务的流量。因此，按时间正序和时间倒叙，分别提取每一历史时间段的前向特征与后向特征，根据每一历史时间段对应的前向特征与后向特征获得当前时间对各个服务的预测流量进行预测，可以准确地获得预测流量。

一种情况下，上述流量预测可以通过流量预测神经网络模型完成。参见图4，提供了一种流量预测模型的结构示意图。该模型包括输入层、特征提取层与输出层，特征提取层包括前向特征提取层、后向特征提取层与特征综合层。

其中，电子设备将获得的信息通过输入层输入模型，输入层将输入的信息分别发送至特征提取层中的前向特征提取层与后向特征提取层。

前向特征提取层可以用于完成前述步骤S102A，即根据输入的信息，获得每一历史时间段各个服务的流量的前向特征，并将提取到的前向特征发送至特征综合层。

后向特征提取层可以用于完成前述步骤S102B，即根据输入的信息，获得每一历史时间段各个服务的流量的后向特征，并将提取到的后向特征发送至特征综合层。

特征综合层可以将接收到的前向特征与后向特征进行综合，得到每一历史时间段每一服务的综合特征，并将得到的综合特征发送至输出层。

输出层可以根据接收到的每一历史时间段每一服务的综合特征，获得当前时间段各个服务的预测流量。

一种实现方式中，上述流量预测模型可以是BiLSTM（Bi-directional LongShort-Term Memory，双向长短期记忆神经网络）模型。

下面对流量预测模型中特征提取层的具体处理过程进行说明。

参见图5，提供了一种流量预测模型进行特征提取的流程框图。

其中，

为

时刻输入端输入的数据，

、

和

为流量预测模型中的模型参数，

为特征综合层得到的综合特征，

、

分别为t-1、t时刻的前向特征，

、

分别为t、t+1时刻的后向特征。

可以看出，以t时刻为例，前向特征提取层根据输入端输入的

与上一时刻的前向特征

，获得当前时刻的前向特征；后向特征提取层根据输入端输入的

与下一时刻的后向特征

，获得当前时刻的后向特征。

综合特征层根据上述前向特征与后向特征，获得综合特征，并将综合特征发送至流量预测模型中的输出层。

为了获得上述的流量预测模型，需要对神经网络模型进行训练。下面对模型训练方法进行说明。

需要说明的是，下述模型训练方法中涉及的概念与步骤前述流量预测模型中涉及的概念与步骤相类似，因此，这里采用了简述的方式撰写。

参见图6，提供了一种训练模型的结构示意图。

其中，电子设备将获得的样本信息通过输入层输入模型，输入层将输入的样本信息分别发送至特征提取层中的前向特征提取层与后向特征提取层。

前向特征提取层根据输入的样本信息，获得每一历史时间段各个服务的流量的样本前向特征，并将获得的样本前向特征发送至特征综合层。

后向特征提取层根据输入的样本信息，获得每一历史时间段各个服务的流量的样本后向特征，并将获得的样本后向特征发送至特征综合层。

特征综合层可以将接收到的样本前向特征与样本后向特征进行综合，得到每一历史时间段每一服务的样本综合特征，并将得到的样本综合特征发送至非线性层。

非线性层可以根据设置，对得到的样本综合特征进行优化处理，以避免过拟合，并将优化后的样本综合特征发送至输出层。

具体的，非线性层可以使用非线性激活函数ReLU（Rectified Linear Unit，线性整流函数）和正则化方法随机失活（Dropout）技术来进行优化处理。

输出层可以根据接收到的优化后的样本综合特征，获得当前时间段各个服务的样本预测流量。

电子设备对比当前时间段各个服务的实际流量与样本预测流量的训练损失，调整模型参数，得到流量预测模型。

一种实现方式中，电子设备可以基于时间反向传播算法调整模型参数。

与上述服务伸缩方法相对应，本发明实施例还提供了一种服务伸缩装置。

参见图7，提供了一种服务伸缩装置的结构示意图，所述装置包括：

信息获得模块701，用于获得各历史时间段对应的交易行情信息、金融资讯信息、时间信息以及交易平台的各服务的历史流量；

预测流量获得模块702，用于模块根据所获得的交易行情信息、金融资讯信息、时间信息以及历史流量，获得当前时间段各个服务的预测流量；

占用率获得模块703，用于获得各历史时间段内各服务对各预设类型的资源的占用率；

关系获得模块704，用于针对每一服务，根据该服务在各历史时间段的历史流量和在各历史时间段内对各预设类型的资源的占用率，获得反映该服务的流量与各预设类型的资源的占用率之间相关关系；

预测占用率确定模块705，用于根据所获得的相关关系以及预测流量，确定当前时间段所有服务分别对各预设类型的资源的预测占用率；

服务节点调整模块706，用于根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点。

本发明的一个实施例中，所述关系获得模块704，包括：

相关服务确定单元，用于针对每一预设类型的资源，根据预先获得的表征各服务的流量与该预设类型的资源的占用率之间相关关系的第一系数，确定流量与该预设类型的资源的占用率存在线性关系的相关服务；

第二系数确定单元，用于针对每一相关服务，根据该相关服务在各历史时间段的历史流量和在各历史时间段内对该预设类型的资源的占用率，获得反映该相关服务的流量与该预设类型的资源的占用率之间的相关关系的第二系数。

本发明的一个实施例中，所述相关服务确定单元，按照以下关系式，获得所述第一系数：

，其中，n表示存在n个历史时间段，

是表征服务X的流量与Y类型的资源的占用率之间相关关系的第一系数，

是服务X在第i个历史时间段的历史流量，

是服务X在各历史时间段的平均历史流量，

本发明的一个实施例中，所述预测占用率确定模块705，包括：

局部占用率确定单元，用于针对每一预设类型的资源，针对该预设类型的资源对应的每一相关服务，根据该相关服务的流量与该预设类型的资源的占用率之间相关关系和该相关服务的预测流量，确定当前时间段该相关服务对该预设类型的资源的局部占用率；

预测占用率确定单元，用于计算各相关服务对该预设类型的资源的局部占用率的和值，得到当前时间段所有服务对该预设类型的资源的预测占用率。

本发明的一个实施例中，所述服务节点调整模块706，包括：

比值计算单元，用于分别计算各预设类型的资源的预测占用和实际占用率之间的比值；

服务节点扩容单元，用于若计算所得比值满足预设的扩容条件，根据第一调整步长、所得比值和服务节点的当前数量，确定服务节点的第一目标数量，根据所述第一目标数量，调整所述交易平台处于服务状态的服务节点；

服务节点收缩单元，用于若计算所得比值满足预设的收缩条件，根据第二调整步长和服务节点的当前数量，确定服务节点的第二目标数量，根据所述第二目标数量，调整所述交易平台处于服务状态的服务节点。

由以上可见，根据预测占用率与实际占用率的比值，以及比值与扩容条件、收缩条件之间的关系，对处于服务状态的服务节点数量进行调整；由于获得的预测占用率准确，因此可以准确地调整服务节点的数量，使之吻合对资源的需求，不易导致资源不足或资源浪费的情况出现。

本发明的一个实施例中，所述服务节点扩容单元，通过以下方式确定服务节点的第一目标数量：

计算所得比值中的最大值与服务节点的当前数量的乘积，得到中间值；

计算所得中间值与所述第一调整步长的和值；

根据所得和值确定服务节点的第一目标数量。

本发明的一个实施例中，所述预测流量获得模块702，包括：

前向特征获得单元，用于对所获得的交易行情信息、金融资讯信息、时间信息以及历史流量进行前向流量预测，得到表征每一历史时间段各个服务的流量的前向特征；

后向特征获得单元，用于对所获得的交易行情信息、金融资讯信息、时间信息以及历史流量进行后向流量预测，得到表征每一历史时间段各个服务的流量的后向特征；

预测流量获得单元，用于根据每一历史时间段中每一服务对应的前向特征和后向特征，获得当前时间段各个服务的预测流量。

本发明实施例还提供了一种电子设备和计算机可读存储介质。

如图8所示，提供了一种电子设备的结构示意图，包括：

存储器801，用于存放计算机程序；

处理器802，用于执行存储器801上所存放的程序时，实现前述方法实施例所述的服务伸缩方法。

上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，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内存储有计算机程序，所述计算机程序被处理器执行时实现前述方法实施例所述的服务伸缩方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务节点或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务节点或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务节点、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备以及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims

1.一种服务伸缩方法，其特征在于，所述方法包括：

获得各历史时间段内各服务对各预设类型的资源的占用率；

根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点；

所述根据所获得的相关关系以及预测流量，确定当前时间段所有服务分别对各预设类型的资源的预测占用率，包括：

针对每一预设类型的资源，按照以下方式确定当前时间段所有服务对该预设类型的资源的预测占用率：

针对该预设类型的资源对应的每一相关服务，根据该相关服务的流量与该预设类型的资源的占用率之间相关关系和该相关服务的预测流量，确定当前时间段该相关服务对该预设类型的资源的局部占用率；

计算各相关服务对该预设类型的资源的局部占用率的和值，得到当前时间段所有服务对该预设类型的资源的预测占用率；

所述根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点，包括：

当各预设类型的资源的预测占用率与实际占用率的差异大于第一预设差异时，增加所述交易平台处于服务状态的服务节点的数量；

当各预设类型的资源的预测占用率与实际占用率的差异小于第二预设差异时，减少所述交易平台处于服务状态的服务节点的数量。

2.根据权利要求1所述的方法，其特征在于，所述针对每一服务，根据该服务在各历史时间段的历史流量和在各历史时间段内对各预设类型的资源的占用率，获得反映该服务的流量与各预设类型的资源的占用率之间的相关关系，包括：

针对每一预设类型的资源，按照以下方式，获得反映服务的流量与该预设类型的资源的占用率之间的相关关系：

根据预先获得的表征各服务的流量与该预设类型的资源的占用率之间相关关系的第一系数，确定流量与该预设类型的资源的占用率存在线性关系的相关服务；

针对每一相关服务，根据该相关服务在各历史时间段的历史流量和在各历史时间段内对该预设类型的资源的占用率，获得反映该相关服务的流量与该预设类型的资源的占用率之间的相关关系的第二系数。

3.根据权利要求2所述的方法，其特征在于，按照以下关系式，获得所述第一系数：

，其中，n表示存在n个历史时间段，

是服务X在第i个历史时间段的历史流量，

是服务X在各历史时间段的平均历史流量，

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点，包括：

分别计算各预设类型的资源的预测占用和实际占用率之间的比值；

若计算所得比值满足预设的扩容条件，根据第一调整步长、所得比值和服务节点的当前数量，确定服务节点的第一目标数量，根据所述第一目标数量，调整所述交易平台处于服务状态的服务节点；

若计算所得比值满足预设的收缩条件，根据第二调整步长和服务节点的当前数量，确定服务节点的第二目标数量，根据所述第二目标数量，调整所述交易平台处于服务状态的服务节点。

5.根据权利要求4所述的方法，其特征在于，所述根据第一调整步长、所得比值和服务节点的当前数量，确定服务节点的第一目标数量，包括：

计算所得中间值与所述第一调整步长的和值；

根据所得和值确定服务节点的第一目标数量。

6.根据权利要求1所述的方法，其特征在于，所述根据所获得的交易行情信息、金融资讯信息、时间信息以及历史流量，获得当前时间段各个服务的预测流量，包括：

对所获得的交易行情信息、金融资讯信息、时间信息以及历史流量进行前向流量预测，得到表征每一历史时间段各个服务的流量的前向特征；

对所获得的交易行情信息、金融资讯信息、时间信息以及历史流量进行后向流量预测，得到表征每一历史时间段各个服务的流量的后向特征；

根据每一历史时间段中每一服务对应的前向特征和后向特征，获得当前时间段各个服务的预测流量。

7.一种服务伸缩装置，其特征在于，所述装置包括：

服务节点调整模块，用于根据各预设类型的资源的预测占用率和实际占用率，调整所述交易平台处于服务状态的服务节点；

其中，所述预测占用率确定模块，包括：

预测占用率确定单元，用于计算各相关服务对该预设类型的资源的局部占用率的和值，得到当前时间段所有服务对该预设类型的资源的预测占用率；

所述服务节点调整模块，具体用于：

8.一种电子设备，其特征在于，包括：

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一项所述的方法步骤。

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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。