CN115983834A - 运维策略推荐方法、装置、电子设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种批量作业的运维策略推荐方法，可用于人工智能技术领域。批量作业的运维策略推荐方法包括：获取m个批量作业的历史数据，其中，m为大于1的整数；计算每个所述历史数据与其它m‑1个所述历史数据中的每个历史数据之间的推荐相似度；以及当任一所述批量作业发生异常时，按照推荐策略从其它m‑1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。本公开还包括批量作业的运维策略推荐装置、电子设备、介质和计算机程序产品。本公开实现了由人工分析向智能分析的过渡，提升了批量作业的运维效率，使得批量作业的运维变得简单。

Description

运维策略推荐方法、装置、电子设备、介质和程序产品

技术领域

本公开涉及人工智能技术领域，更具体地，涉及一种批量作业的运维策略推荐方法、装置、电子设备、介质和计算机程序产品。

背景技术

在银行系统中，很多业务的批量作业在运行异常之后主要基于运维人员的经验进行人工处理，运维人员需要查看大量的数据，并与项目组人员进行深入沟通才能找到相应的策略，因此，目前的批量作业运维效率低、难度大。

发明内容

有鉴于此，本公开提供了一种简单且运维效率高的批量作业的运维策略推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

本公开的一个方面提供了一种批量作业的运维策略推荐方法，包括：获取m个批量作业的历史数据，其中，m为大于1的整数；计算每个所述历史数据与其它m-1个所述历史数据中的每个历史数据之间的推荐相似度；以及当任一所述批量作业发生异常时，按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，其中，所述按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：按照所述推荐相似度的排名从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略；或者根据每个所述推荐相似度，结合协同过滤算法，从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

根据本公开实施例的批量作业的运维策略推荐方法，通过计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度，根据推荐相似度的排名，或者根据协同过滤算法即可在任一批量作业发生异常时，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。由此可以弥补批量作业运行管理中运维策略智能推荐的空白，本公开实现了由人工分析向智能分析的过渡，提升了批量作业的运维效率，使得批量作业的运维变得简单。

在一些实施例中，每个所述批量作业的历史数据包括历史配置数据、历史运行时长数据、历史运行特征数据、历史运行性能数据和历史运维策略，所述计算每个所述历史数据与其它m-1个所述历史数据中的每个历史数据之间的推荐相似度，包括：计算每个所述历史数据的历史配置数据与其它m-1个所述历史数据中的每个历史数据的历史配置数据之间的第一相似度；计算每个所述历史数据的历史运行时长数据与其它m-1个所述历史数据中的每个历史数据的历史运行时长数据之间的第二相似度；计算每个所述历史数据的历史运行特征数据与其它m-1个所述历史数据中的每个历史数据的历史运行特征数据之间的第三相似度；计算每个所述历史数据的历史运行性能数据与其它m-1个所述历史数据中的每个历史数据的历史运行性能数据之间的第四相似度；计算每个所述历史数据的历史运维策略与其它m-1个所述历史数据中的每个历史数据的历史运维策略之间的第五相似度；以及根据所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度计算所述推荐相似度。

在一些实施例中，所述计算每个所述历史数据的历史配置数据与其它m-1个所述历史数据中的每个历史数据的历史配置数据之间的第一相似度，包括：利用Spearman等级相关系数法计算每个所述历史数据的历史配置数据与其它m-1个所述历史数据中的每个历史数据的历史配置数据之间的相似性，得到第一相似度。

在一些实施例中，所述计算每个所述历史数据的历史运行时长数据与其它m-1个所述历史数据中的每个历史数据的历史运行时长数据之间的第二相似度，包括：利用pearson相关系数法计算每个所述历史数据的历史运行时长数据与其它m-1个所述历史数据中的每个历史数据的历史运行时长数据之间的相似性，得到第二相似度。

在一些实施例中，所述计算每个所述历史数据的历史运行特征数据与其它m-1个所述历史数据中的每个历史数据的历史运行特征数据之间的第三相似度，包括：利用DTW算法计算每个所述历史数据的历史运行特征数据与其它m-1个所述历史数据中的每个历史数据的历史运行特征数据之间的相似性，得到第三相似度。

在一些实施例中，所述计算每个所述历史数据的历史运行性能数据与其它m-1个所述历史数据中的每个历史数据的历史运行性能数据之间的第四相似度，包括：利用DTW算法计算每个所述历史数据的历史运行性能数据与其它m-1个所述历史数据中的每个历史数据的历史运行性能数据之间的相似性，得到第四相似度。

在一些实施例中，所述计算每个所述历史数据的历史运维策略与其它m-1个所述历史数据中的每个历史数据的历史运维策略之间的第五相似度，包括：利用Jaccard相似系数法计算每个所述历史数据的历史运维策略与其它m-1个所述历史数据中的每个历史数据的历史运维策略之间的相似性，得到第五相似度。

在一些实施例中，根据所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度计算所述推荐相似度，包括：给所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度分别设定权重值；以及将所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度与各自的权重值乘积后，加和得到所述推荐相似度。

在一些实施例中，所述根据每个所述推荐相似度，结合协同过滤算法，从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：根据所述推荐相似度的排名，选择前n个发生过同样异常的历史数据，作为推荐数据，其中，n为大于等于1的整数；获取每个所述推荐数据的历史运维策略的评分值；根据每个所述推荐数据的所述推荐相似度和所述评分值，计算推荐值；以及当所述推荐值满足推荐阈值时，将所述推荐值对应的所述推荐数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

本公开的另一个方面提供了一种批量作业的运维策略推荐装置，包括：获取模块，所述获取模块用于执行获取m个批量作业的历史数据，其中，m为大于1的整数；计算模块，所述计算模块用于执行计算每个所述历史数据与其它m-1个所述历史数据中的每个历史数据之间的推荐相似度；以及确定模块，所述确定模块用于执行当任一所述批量作业发生异常时，按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，其中，所述按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：按照所述推荐相似度的排名从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略；或者根据每个所述推荐相似度，结合协同过滤算法，从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及一个或多个存储器，其中，所述存储器用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

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运维策略推荐方法、装置的示例性系统架构；

图2示意性示出了根据本公开实施例的批量作业的运维策略推荐方法的流程图；

图3示意性示出了根据本公开实施例的获取m个批量作业的历史数据的流程图；

图4示意性示出了根据本公开实施例的计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度的流程图；

图5示意性示出了根据本公开实施例的根据第一相似度、第二相似度、第三相似度、第四相似度和第五相似度计算推荐相似度的流程图；

图6示意性示出了根据本公开实施例的批量作业的运维策略推荐装置的结构框图；

图7示意性示出了根据本公开实施例的电子设备的方框图。

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，对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理，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)。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。

在银行系统中，很多业务的批量作业在运行异常之后主要基于运维人员的经验进行人工处理，运维人员需要查看大量的数据，并与项目组人员进行深入沟通才能找到相应的策略，因此，目前的批量作业运维效率低、难度大。

本公开的实施例提供了一种批量作业的运维策略推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。批量作业的运维策略推荐方法包括：获取m个批量作业的历史数据，其中，m为大于1的整数；计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度；以及当任一批量作业发生异常时，按照推荐策略从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，其中，按照推荐策略从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：按照推荐相似度的排名从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略；或者根据每个推荐相似度，结合协同过滤算法，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

需要说明的是，本公开的批量作业的运维策略推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，例如金融领域，这里对本公开的领域不做限定。

图1示意性示出了根据本公开实施例的可以应用批量作业的运维策略推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品的示例性系统架构100。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、无线通信链路或者光纤电缆等等。

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、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批量作业的运维策略推荐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批量作业的运维策略推荐装置一般可以设置于服务器105中。本公开实施例所提供的批量作业的运维策略推荐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批量作业的运维策略推荐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。

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。

以下将基于图1描述的场景，通过图2～图5对本公开实施例的批量作业的运维策略推荐方法进行详细描述。

图2示意性示出了根据本公开实施例的批量作业的运维策略推荐方法的流程图。

如图2所示，该实施例的批量作业的运维策略推荐方法包括操作S210～操作S230。这里，批量作业可以为一个定期任务，例la定期总账汇总和/或定期计算利息等等，定期总账汇总和/或定期计算利息仅为举例说明，并不能理解为对本公开的限制。

在操作S210，获取m个批量作业的历史数据，其中，m为大于1的整数。

作为一种可能实施的方式，如图3所示，操作S210获取m个批量作业的历史数据，包括操作S211～操作S213。

在操作S211，采集m个批量作业中的每个批量作业的历史配置数据、历史运行数据和作业异常时的历史运维策略。

在操作S212，从历史运行数据中提取历史运行时长数据、历史运行特征数据和历史运行性能数据。

在操作S213，将历史配置数据、历史运行时长数据、历史运行特征数据、历史运行性能数据和历史运维策略作为每个批量作业的历史数据。

例如历史配置数据可以为批量作业的优先级和/或节假日是否运行等；例如根据批量作业的开始时间和结束时间可以计算得到历史运行时长数据；历史运行特征数据可以为批量作业运行的关联特征，例如批量作业的重跑次数和/或是否延时等；历史运行性能数据可以为批量作业运行的机器的性能数据，例如资源充足率和/或CPU使用率等等；历史运维策略可以为针对作业异常时采取的相关干预操作，例如翻牌、重新实例化或者强制停止等等。

通过操作S211～操作S213可以便于实现获取m个批量作业的历史数据。

在操作S220，计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度。

作为一种可实现的方式，每个批量作业的历史数据可以包括历史配置数据、历史运行时长数据、历史运行特征数据、历史运行性能数据和历史运维策略。

如图4所示，操作S220计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度，包括操作S221～操作S226。

在操作S221，计算每个历史数据的历史配置数据与其它m-1个历史数据中的每个历史数据的历史配置数据之间的第一相似度。

在一些具体的示例中，操作S221计算每个历史数据的历史配置数据与其它m-1个历史数据中的每个历史数据的历史配置数据之间的第一相似度，包括操作S2211。

在操作S2211，利用Spearman等级相关系数法计算每个历史数据的历史配置数据与其它m-1个历史数据中的每个历史数据的历史配置数据之间的相似性，得到第一相似度。可以理解的是，假设需要求批量作业A和批量作业B的相似度，例如，批量作业A可以为每天的国内存款业务的总账汇总，批量作业B可以为每天的国外存款业务的总账汇总，批量作业A的历史配置数据对应的样本集为x，x＝{x₁，x₂，x₃，......，x_i，......x_n}，批量作业B的历史配置数据对应的样本集为y，y＝{y₁，y₂，y₃，......，y_i，......y_n}，其中，第一相似度可以用Sim1表示，第一相似度可以通过公式(1)求得。

其中，d_i＝x_i-y_i  (1)

其中，x_i为批量作业A的第i个样本，y_i为批量作业B的第i个样本，n为样本集中的样本数量。由此，通过操作S2211可以便于实现计算每个历史数据的历史配置数据与其它m-1个历史数据中的每个历史数据的历史配置数据之间的第一相似度。

在操作S222，计算每个历史数据的历史运行时长数据与其它m-1个历史数据中的每个历史数据的历史运行时长数据之间的第二相似度。

在一些具体的示例中，操作S222计算每个历史数据的历史运行时长数据与其它m-1个历史数据中的每个历史数据的历史运行时长数据之间的第二相似度，包括操作S2221。

在操作S2221，利用pearson相关系数法计算每个历史数据的历史运行时长数据与其它m-1个历史数据中的每个历史数据的历史运行时长数据之间的相似性，得到第二相似度。继续用批量作业A和批量作业B举例说明，批量作业A的历史运行时长数据对应的样本集为x，x＝{x₁，x₂，x₃，......，x_i，......x_n}，批量作业B的历史运行时长数据对应的样本集为y，y＝{y₁，y₂，y₃，......，y_i，......y_n}，其中，第二相似度可以用Sim2表示，第二相似度可以通过公式(2)求得。

其中，x_i为批量作业A的第i个样本，y_i为批量作业B的第i个样本，

为样本集x中n个样本的平均值，也即为批量作业A的历史运行时长数据的平均值，

为样本集y中n个样本的平均值，也即为批量作业B的历史运行时长数据的平均值。由此，通过操作S2221可以便于实现计算每个历史数据的历史运行时长数据与其它m-1个历史数据中的每个历史数据的历史运行时长数据之间的第二相似度。

在操作S223，计算每个历史数据的历史运行特征数据与其它m-1个历史数据中的每个历史数据的历史运行特征数据之间的第三相似度。

在一些具体的示例中，操作S223计算每个历史数据的历史运行特征数据与其它m-1个历史数据中的每个历史数据的历史运行特征数据之间的第三相似度，包括操作S2231。

在操作S2231，利用DTW算法计算每个历史数据的历史运行特征数据与其它m-1个历史数据中的每个历史数据的历史运行特征数据之间的相似性，得到第三相似度。继续用批量作业A和批量作业B举例说明，批量作业A的历史运行特征数据对应的样本集为x，x＝{x₁，x₂，x₃，......，x_i，......x_n}，批量作业B的历史运行特征数据对应的样本集为y，y＝{y₁，y₂，y₃，......，y_i，......y_n}，其中，第三相似度可以用Sim3表示，第三相似度可以通过公式(3)求得。

其中，d(x_i，y_i)＝|x_i-y_i|  (3)

其中，x_i为批量作业A的第i个样本，y_i为批量作业B的第i个样本，由此，通过操作S2231可以便于实现计算每个历史数据的历史运行特征数据与其它m-1个历史数据中的每个历史数据的历史运行特征数据之间的第三相似度。

在操作S224，计算每个历史数据的历史运行性能数据与其它m-1个历史数据中的每个历史数据的历史运行性能数据之间的第四相似度。

在一些具体的示例中，操作S224计算每个历史数据的历史运行性能数据与其它m-1个历史数据中的每个历史数据的历史运行性能数据之间的第四相似度，包括操作S2241。

在操作S2241，利用DTW算法计算每个历史数据的历史运行性能数据与其它m-1个历史数据中的每个历史数据的历史运行性能数据之间的相似性，得到第四相似度。继续用批量作业A和批量作业B举例说明，批量作A的历史运行性能数据对应的样本集为x，x＝{x₁，x₂，x₃，......，x_i，......x_n}，批量作业B的历史运行性能数据对应的样本集为y，y＝{y₁，y₂，y₃，......，y_i，......y_n}，其中，第四相似度可以用Sim4表示，第四相似度可以通过公式(4)求得。

其中，d(x_i，y_i)＝|x_i-y_i|  (4)

其中，x_i为批量作业A的第i个样本，y_i为批量作业B的第i个样本，由此，通过操作S2241可以便于实现计算每个历史数据的历史运行性能数据与其它m-1个历史数据中的每个历史数据的历史运行性能数据之间的第四相似度。

在操作S225，计算每个历史数据的历史运维策略与其它m-1个历史数据中的每个历史数据的历史运维策略之间的第五相似度。

在一些具体的示例中，操作S225计算每个历史数据的历史运维策略与其它m-1个历史数据中的每个历史数据的历史运维策略之间的第五相似度，包括操作S2251。

在操作S2251，利用Jaccard相似系数法计算每个历史数据的历史运维策略与其它m-1个历史数据中的每个历史数据的历史运维策略之间的相似性，得到第五相似度。继续用批量作业A和批量作业B举例说明，批量作业A的历史运维策略对应的样本集为x，x＝{x₁，x₂，x₃，......，x_i，......x_n}，批量作业B的历史运维策略对应的样本集为y，y＝{y₁，y₂，y₃，......，y_i，......y_n}，其中，第五相似度可以用Sim5表示，第五相似度可以通过公式(5)求得。

其中，样本集x中的每个样本表示应对批量作业A中异常的一个运维策略，样本集y中的每个样本表示应对批量作业B中异常的一个运维策略。由此，通过操作S2251可以便于实现计算每个历史数据的历史运维策略与其它m-1个历史数据中的每个历史数据的历史运维策略之间的第五相似度。

在操作S226，根据第一相似度、第二相似度、第三相似度、第四相似度和第五相似度计算推荐相似度。

在一些具体的示例中，如图5所示，操作S226根据第一相似度、第二相似度、第三相似度、第四相似度和第五相似度计算推荐相似度，包括操作S2261和操作S2262。

在操作S2261，给第一相似度、第二相似度、第三相似度、第四相似度和第五相似度分别设定权重值。例如给第一相似度设定权重值为W1，给第二相似度设定权重值为W2，给第三相似度设定权重值为W3，给第四相似度设定权重值为W4，给第五相似度设定权重值为W5。

在操作S2262，将第一相似度、第二相似度、第三相似度、第四相似度和第五相似度与各自的权重值乘积后，加和得到推荐相似度。其中，推荐相似度可以用Sim表示，推荐相似度可以通过公式(6)求得。

Sim＝Sim1×W1+Sim2×W2+Sim3×W3+Sim4×W4+Sim5×W5  (6)

由此，通过操作S2261和操作S2262可以便于实现根据第一相似度、第二相似度、第三相似度、第四相似度和第五相似度计算推荐相似度。通过操作S221～操作S226可以便于计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度，而且借助历史数据的挖掘分析，整体考虑批量作业的多维度影响因素，采用特定的相似性计算方法，计算出批量作业各个维度之间的相似性，大大提高了相似性计算的准确度。

在操作S230，当任一批量作业发生异常时，按照推荐策略从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

其中，操作S230按照推荐策略从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括操作S231或者操作S232。

在操作S231，按照推荐相似度的排名从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。这里，用m为4举例，假设4个批量作业分别为A、B、C和D，计算A与B的推荐相似度为S1，A与C的推荐相似度为S2，A与D的推荐相似度为S3，推荐相似度的排名为S2＞S1＞S3。

若假设批量作业B和D历史上均出现过与批量作业A当前的异常同样的异常，由于S1＞S3，则选择将批量作业B的历史数据的历史运维策略，作为批量作业A当前异常的推荐运维策略。

若假设批量作业B、C和D历史上均出现过与批量作业A当前的异常同样的异常，由于S2＞S1＞S3，则选择将批量作业C的历史数据的历史运维策略，作为批量作业A当前异常的推荐运维策略。

在操作S232，根据每个推荐相似度，结合协同过滤算法，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

作为一种可能实施的方式，操作S232根据每个推荐相似度，结合协同过滤算法，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括操作S2321～操作S2324。

在操作S2321，根据推荐相似度的排名，选择前n个发生过同样异常的历史数据，作为推荐数据，其中，n为大于等于1的整数。

在操作S2322，获取每个推荐数据的历史运维策略的评分值。可以理解的是，每个历史数据在应用历史运维策略后会给该次历史运维策略打分，评分值可以理解为历史运维策略在最后一次应用的打分值，也可以理解为多次应用的打分的平均值。另外，发生过同样异常的多个历史数据的历史运维策略可以均不相同；也可以部分不同，部分相同；还可以均相同。

在操作S2323，根据每个推荐数据的推荐相似度和评分值，计算推荐值。需要说明的是，这里计算的推荐值为每一类历史运维策略的推荐值。例如在操作S2321中得到推荐数据分别为批量作业A、B、C和D，而批量作业A和B的历史运维策略相同，且与批量作业C和D的历史运维策略均不相同，批量作业C和D的历史运维策略不同。因此可以得到三类历史运维策略，分别为：批量作业A和B的历史运维策略，定义为运维策略a；批量作业C的历史运维策略，定义为运维策略b；批量作业D的历史运维策略，定义为运维策略c。这里需要分别计算运维策略a、运维策略b和运维策略c的推荐值。

例如，推荐值可以用R_u，p表示，R_u，p可以通过公式(7)求得。

其中，w_u，s表示批量作业u与批量作业s之间的推荐相似度；R_s，p表示批量作业s对历史运维策略p的评分值；S表示共同拥有历史运维策略p的批量作业的集合。

以求运维策略a的推荐值为例，假设当前异常的批量作业为u。

其中，s表示批量作业A和批量作业B；S表示批量作业A和批量作业B的集合；w_u，s表示批量作业u与批量作业s之间的推荐相似度，当s表示批量作业A时，w_u，s表示批量作业u与批量作业A之间的推荐相似度，当s表示批量作业B时，w_u，s表示批量作业u与批量作业B之间的推荐相似度；R_s，a表示批量作业s对历史运维策略a的评分值。求运维策略b和c的推荐值与求运维策略a的推荐值同理，这里不再赘述。

在操作S2324，当推荐值满足推荐阈值时，将推荐值对应的推荐数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。通过操作S2321～操作S2324可以便于实现根据每个推荐相似度，结合协同过滤算法，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

根据本公开实施例的批量作业的运维策略推荐方法，通过计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度，根据推荐相似度的排名，或者根据协同过滤算法即可在任一批量作业发生异常时，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。由此可以弥补批量作业运行管理中运维策略智能推荐的空白，本公开实现了由人工分析向智能分析的过渡，提升了批量作业的运维效率，使得批量作业的运维变得简单。

根据本公开的一些实施例，计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度后，可以对TopK推荐相似度进行排序。根据相似得分从高到低进行排序，设置两个维度，组件内和跨组件。组件内是针对各个组件内部进行排序，跨组件是针对所有组件一起进行排序。其中K值表示取相似度最高的K个作业数量，一般取3。特别地，如果某个权重值为0，说明此维度不在相似性考虑范围之内。

基于上述批量作业的运维策略推荐方法，本公开还提供了一种批量作业的运维策略推荐装置10。以下将结合图6对批量作业的运维策略推荐装置10进行详细描述。

图6示意性示出了根据本公开实施例的批量作业的运维策略推荐装置10的结构框图。

批量作业的运维策略推荐装置10包括获取模块1、计算模块2和确定模块3。

获取模块1，获取模块1用于执行操作S210：获取m个批量作业的历史数据，其中，m为大于1的整数。

计算模块2，计算模块2用于执行操作S220：计算每个历史数据与其它m-1个历史数据中的每个历史数据之间的推荐相似度。

确定模块3，确定模块3用于执行操作S230：当任一批量作业发生异常时，按照推荐策略从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，其中，按照推荐策略从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：按照推荐相似度的排名从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略；或者根据每个推荐相似度，结合协同过滤算法，从其它m-1个历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

由于上述批量作业的运维策略推荐装置10是基于批量作业的运维策略推荐方法设置的，因此上述批量作业的运维策略推荐装置10的有益效果与批量作业的运维策略推荐方法的相同，这里不再赘述。

另外，根据本公开的实施例，获取模块1、计算模块2和确定模块3中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，获取模块1、计算模块2和确定模块3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，获取模块1、计算模块2和确定模块3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。

图7示意性示出了根据本公开实施例的适于实现上述方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901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901还可以包括用于缓存用途的板载存储器。处理器901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 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903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ROM 902和RAM 903以外的一个或多个存储器中。处理器901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900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；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907；包括硬盘等的存储部分908；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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出(I/O)接口905。可拆卸介质911，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910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908。

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 902和/或RAM 903和/或ROM 902和RAM 903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流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例的方法。

在该计算机程序被处理器901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909被下载和安装，和/或从可拆卸介质911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。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901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。

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 (13)

1.一种批量作业的运维策略推荐方法，其特征在于，包括：

获取m个批量作业的历史数据，其中，m为大于1的整数；

计算每个所述历史数据与其它m-1个所述历史数据中的每个历史数据之间的推荐相似度；以及

当任一所述批量作业发生异常时，按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，

其中，所述按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：

按照所述推荐相似度的排名从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略；或者

根据每个所述推荐相似度，结合协同过滤算法，从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

2.根据权利要求1所述的方法，其特征在于，每个所述批量作业的历史数据包括历史配置数据、历史运行时长数据、历史运行特征数据、历史运行性能数据和历史运维策略，

所述计算每个所述历史数据与其它m-1个所述历史数据中的每个历史数据之间的推荐相似度，包括：

计算每个所述历史数据的历史配置数据与其它m-1个所述历史数据中的每个历史数据的历史配置数据之间的第一相似度；

计算每个所述历史数据的历史运行时长数据与其它m-1个所述历史数据中的每个历史数据的历史运行时长数据之间的第二相似度；

计算每个所述历史数据的历史运行特征数据与其它m-1个所述历史数据中的每个历史数据的历史运行特征数据之间的第三相似度；

计算每个所述历史数据的历史运行性能数据与其它m-1个所述历史数据中的每个历史数据的历史运行性能数据之间的第四相似度；

计算每个所述历史数据的历史运维策略与其它m-1个所述历史数据中的每个历史数据的历史运维策略之间的第五相似度；以及

根据所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度计算所述推荐相似度。

3.根据权利要求2所述的方法，其特征在于，所述计算每个所述历史数据的历史配置数据与其它m-1个所述历史数据中的每个历史数据的历史配置数据之间的第一相似度，包括：

利用Spearman等级相关系数法计算每个所述历史数据的历史配置数据与其它m-1个所述历史数据中的每个历史数据的历史配置数据之间的相似性，得到第一相似度。

4.根据权利要求2所述的方法，其特征在于，所述计算每个所述历史数据的历史运行时长数据与其它m-1个所述历史数据中的每个历史数据的历史运行时长数据之间的第二相似度，包括：

利用pearson相关系数法计算每个所述历史数据的历史运行时长数据与其它m-1个所述历史数据中的每个历史数据的历史运行时长数据之间的相似性，得到第二相似度。

5.根据权利要求2所述的方法，其特征在于，所述计算每个所述历史数据的历史运行特征数据与其它m-1个所述历史数据中的每个历史数据的历史运行特征数据之间的第三相似度，包括：

利用DTW算法计算每个所述历史数据的历史运行特征数据与其它m-1个所述历史数据中的每个历史数据的历史运行特征数据之间的相似性，得到第三相似度。

6.根据权利要求2所述的方法，其特征在于，所述计算每个所述历史数据的历史运行性能数据与其它m-1个所述历史数据中的每个历史数据的历史运行性能数据之间的第四相似度，包括：

利用DTW算法计算每个所述历史数据的历史运行性能数据与其它m-1个所述历史数据中的每个历史数据的历史运行性能数据之间的相似性，得到第四相似度。

7.根据权利要求2所述的方法，其特征在于，所述计算每个所述历史数据的历史运维策略与其它m-1个所述历史数据中的每个历史数据的历史运维策略之间的第五相似度，包括：

利用Jaccard相似系数法计算每个所述历史数据的历史运维策略与其它m-1个所述历史数据中的每个历史数据的历史运维策略之间的相似性，得到第五相似度。

8.根据权利要求2所述的方法，其特征在于，根据所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度计算所述推荐相似度，包括：

给所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度分别设定权重值；以及

将所述第一相似度、所述第二相似度、所述第三相似度、所述第四相似度和所述第五相似度与各自的权重值乘积后，加和得到所述推荐相似度。

9.根据权利要求1所述的方法，其特征在于，所述根据每个所述推荐相似度，结合协同过滤算法，从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：

根据所述推荐相似度的排名，选择前n个发生过同样异常的历史数据，作为推荐数据，其中，n为大于等于1的整数；

获取每个所述推荐数据的历史运维策略的评分值；

根据每个所述推荐数据的所述推荐相似度和所述评分值，计算推荐值；以及

当所述推荐值满足推荐阈值时，将所述推荐值对应的所述推荐数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

10.一种批量作业的运维策略推荐装置，其特征在于，包括：

获取模块，所述获取模块用于执行获取m个批量作业的历史数据，其中，m为大于1的整数；

计算模块，所述计算模块用于执行计算每个所述历史数据与其它m-1个所述历史数据中的每个历史数据之间的推荐相似度；以及

确定模块，所述确定模块用于执行当任一所述批量作业发生异常时，按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，

其中，所述按照推荐策略从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略，包括：

按照所述推荐相似度的排名从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略；或者

根据每个所述推荐相似度，结合协同过滤算法，从其它m-1个所述历史数据中选择发生过同样异常的历史数据的历史运维策略，作为该批量作业当前异常的推荐运维策略。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

一个或多个存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现根据权利要求1～9中任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，所述存储介质上存储有可执行指令，该指令被处理器执行时实现根据权利要求1～9中任一项所述的方法。

13.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序包括一个或者多个可执行指令，所述可执行指令被处理器执行时实现根据权利要求1～9中任一项所述的方法。

Images