CN116149865A - 一种变频执行任务的方法、装置、设备及可读存储介质 - Google Patents
一种变频执行任务的方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116149865A CN116149865A CN202310397090.1A CN202310397090A CN116149865A CN 116149865 A CN116149865 A CN 116149865A CN 202310397090 A CN202310397090 A CN 202310397090A CN 116149865 A CN116149865 A CN 116149865A
- Authority
- CN
- China
- Prior art keywords
- period
- parameter
- data
- data quantity
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 169
- 230000001932 seasonal effect Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 133
- 230000008569 process Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种变频执行任务的方法、装置、设备及可读存储介质,基于多个历史周期的实际数据量,得到优化后的各周期参数对应的数据量预测函数,根据优化后的该周期参数对应的数据量预测函数,确定目标周期的第一预测数据量,进而确定目标周期的第二预测数据量。结合第二预测数据量和服务器的负载程度,调整目标周期的数据处理时长。可见,通过将对应于不同周期长度的各周期参数对应的数据量预测函数确定的第二预测数据量,与服务器的负载程度结合得到调整后的目标周期的方式,使得服务器在执行数据处理任务时考虑不同的周期长度内数据量的季节性趋势值,达到平稳并高效的使用服务器资源的目的,提升任务执行的效率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种变频执行任务的方法、装置、设备及可读存储介质。
背景技术
在医疗计算领域,可以通过医院的信息处理系统定时对患者的数据进行处理。由于医院每天都会接受大量患者,对于可以采用执行定时任务的方式对患者的数据进行处理,而无需实时处理。
目前,通常采用固定频率执行定时任务的方式,每间隔固定的时间执行一次患者数据的处理任务。
但是,医院的就诊量存在周期性变化的特点,在不同的时间周期内,服务器所需要处理的患者数据的数据量不同。以固定频率进行数据处理的方式难以合理、充分地利用计算资源去处理数据,造成计算资源的紧张或浪费。
发明内容
本说明书提供一种变频执行任务的方法、装置、设备及可读存储介质,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种变频执行任务的方法,服务器在周期内执行若干数据量的数据处理任务,包括:
获取多个历史周期的实际数据量;
确定各周期参数,并构建所述各周期参数对应的数据量预测函数,其中,所述各周期参数分别对应于不同的周期长度,所述各周期参数对应的数据量预测函数分别包含所述各周期参数对应于的周期长度内数据量的季节性趋势值;
针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数;
将当前周期的实际数据量代入优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的所述当前周期之后的目标周期的第一预测数据量;
根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量;
分别确定所述服务器中各数据处理单元在所述当前周期内处理的数据量;
根据所述各数据处理单元在所述当前周期内处理的数据量,以及所述各数据处理单元的参考负载,确定所述服务器在所述当前周期内处理数据时的负载程度;
根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,以使所述服务器根据调整后的目标周期执行任务。
可选地,针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数,具体包括:
针对每个周期参数,根据各历史周期内的实际数据量以及该周期参数,确定该周期参数对应的参考周期的数据量的水平平滑值、所述参考周期的数据量的趋势平滑值和该周期参数对应于的周期长度内的季节性趋势值;
初始化该周期参数对应的数据量预测函数中所述水平平滑值对应的第一参数、所述趋势平滑值对应的第二参数,以及所述季节性趋势值的对应的第三参数;
根据初始化的所述第一参数、所述第二参数和所述第三参数,对该周期对应的数据量预测函数中的所述水平平滑值、所述趋势平滑值和所述季节性趋势值进行加权求和,得到当前周期的预测数据量;
确定所述预测数据量和所述各历史周期中所述当前周期的实际数据量之间的差异,并以所述差异的最小化为优化目标,优化所述第一参数、所述第二参数和所述第三参数;
将优化后的第一参数、第二参数和第三参数代入该周期参数对应的数据量预测函数,得到优化后的该周期参数对应的数据量预测函数。
可选地,以所述差异的最小化为优化目标,优化初始化的所述第一参数、所述第二参数和所述第三参数,具体包括:
根据所述第一参数、所述第二参数和所述第三参数的初始值,确定调整步长;
根据所述调整步长和预设的参数范围,分别确定所述第一参数、所述第二参数和所述第三参数的各候选值;
将所述第一参数、所述第二参数和所述第三参数分别对应的各候选值进行组合,得到各候选参数组;
将所述各候选参数组分别代入该周期参数对应的数据量预测函数,基于所述各历史周期的数据量,确定所述各候选参数组对应的差异;
将所述各候选参数组对应的差异中差异最小的候选参数组作为目标参数组,并确定所述目标参数组包含的优化后的所述第一参数、所述第二参数和所述第三参数。
可选地,将当前周期的实际数据量代入优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的所述当前周期之后的目标周期的第一预测数据量,具体包括:
将当前周期的实际数据量代入该周期参数对应的数据量预测函数,得到该周期参数对应的所述当前周期之后的目标周期对应的预测数据分量;
确定该周期参数对应的所述目标周期内的预测误差分量;
根据所述预测数据分量和所述预测误差分量,确定该周期参数对应的所述目标周期的第一预测数据量。
可选地,确定该周期参数对应的所述目标周期内的预测误差分量,具体包括:
将所述各历史周期中所述当前周期之前的参考周期的实际数据量,代入优化后的该周期参数对应的数据量预测函数,得到所述当前周期对应的预测数据量;
根据所述当前周期的实际数据量和所述当前周期对应的预测数据量之间的差异,以及所述差异的权重,确定预测误差分量。
可选地,根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量,具体包括:
分别确定所述各周期参数的权重;
根据所述各周期参数的权重,对所述各周期参数对应的所述目标周期内的第一预测数据量加权求和,确定目标周期的第二预测数据量。
可选地,分别确定所述各周期参数的权重,具体包括:
根据所述各历史周期的实际数据量,和基于所述各周期参数对应的数据量预测函数得到的在所述各历史周期内处理的预测数据量之间的对应关系,分别确定所述各周期参数的权重。
可选地,根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,具体包括:
根据所述服务器执行的数据处理任务的类型,确定周期调节参数;
根据所述负载程度和所述周期调节参数的比值,确定第一调整参数;
根据所述第二预测数据量和所述当前周期的实际数据量的比值,确定第二调整参数;
根据所述第一调整参数和所述第二调整参数,确定调整后的所述目标周期的数据处理时长。
可选地,所述方法还包括:
确定所述调整后的目标周期以及所述当前周期之间的周期比值,并对所述周期比值向上取整,得到目标周期比值;
根据所述目标周期比值确定需要进行实际数据量平滑处理的待处理周期,并将所述待处理周期划分为若干子周期;
根据所述目标周期的实际数据量,以及所述目标周期比值,确定所述待处理周期内各子周期对应的所述服务器处理的实际数据量,并存储在数据库中。
本说明书提供了一种变频执行任务的装置,服务器在周期内执行若干数据量的数据处理任务,所述装置包括:
实际数据量获取模块,用于获取多个历史周期的实际数据量;
函数构建模块,用于确定各周期参数,并构建所述各周期参数对应的数据量预测函数,其中,所述各周期参数分别对应于不同的周期长度,所述各周期参数对应的数据量预测函数分别包含所述各周期参数对应于的周期长度内数据量的季节性趋势值;
优化模块,用于针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数;
第一预测数据量确定模块,用于根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的当前周期之后的目标周期的第一预测数据量;
第二预测数据量确定模块,用于根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量;
负载确定模块,用于分别确定所述服务器中各数据处理单元在所述当前周期内处理的数据量;
负载程度确定模块,用于根据所述各数据处理单元在所述当前周期内处理的数据量,以及所述各数据处理单元的参考负载,确定所述服务器在所述当前周期内处理数据时的负载程度;
调整模块,用于根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,以使所述服务器根据调整后的目标周期执行任务。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述变频执行任务的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述变频执行任务的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本说明书提供的变频执行任务的方法中,基于多个历史周期的实际数据量,得到优化后的各周期参数对应的数据量预测函数,将当前周期的实际数据量分别代入各周期参数对应的数据量预测函数,确定目标周期的第一预测数据量,进而确定目标周期的第二预测数据量。结合第二预测数据量和服务器的负载程度,调整目标周期的数据处理时长。可见,通过将对应于不同周期长度的各周期参数对应的数据量预测函数确定的第二预测数据量,与服务器的负载程度结合得到调整后的目标周期的方式,使得服务器在执行数据处理任务时考虑不同的周期长度内数据量的季节性趋势值,达到平稳并高效的使用服务器资源的目的,提升任务执行的效率,辅助管理者进行资源分配、任务规划等决策,为合理分配服务器执行数据处理任务提供依据。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种变频执行任务的方法的流程示意图;
图2为本说明书中一种变频执行任务的方法的流程示意图;
图3为本说明书提供的一种变频执行任务的装置的示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
另外,需要说明的是,本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
随着计算机技术的不断发展,采用服务器定时执行数据处理任务的方案广泛应用在各种工业领域中。例如,在能源技术领域中,可以定时监测工厂能耗数据以便为工厂合理规划能源供给;在存储技术领域中,可以通过周期性监测存储资源占用数据,解决用户存储资源紧张的问题;又如在半导体技术领域中,基于半导体器件的尺寸和使用场景等数据判断器件使用寿命以估算其可靠性。又或者在医疗计算服务领域,可以定时处理患者的门诊数据,为患者和医生提供数据存储和查询等服务。
以医疗计算服务领域为例,在医疗领域中,尤其涉及病患每日的就诊访问量等,并不是单独的随机事件,其具有一定的季节性以及周期性的特点。但目前,通常是以定时任务捞取一定的数据量进行处理等,也即,每间隔固定的数据处理时长,服务器才会执行一次数据处理任务。由于上述方案没有充分地考虑病患数据量的潜在特征,以及不能充分地考虑服务器计算资源的性能等问题,可能会造成某个时刻服务器执行的数据处理任务的数据量突发性骤增或骤减的情况。如果仍以不匹配的任务执行频率进行数据处理任务,可能会出现服务器计算资源紧张无法满足数据处理任务的情况,或者在空闲时间段不停地进行空轮询捞取数据造成服务器计算资源浪费的情况。
基于此,本说明书提供一种变频执行任务的方法,通过将对应于不同周期长度的各周期参数对应的数据量预测函数确定的第二预测数据量,与服务器的负载程度结合得到调整后的目标周期的方式,使得服务器在执行数据处理任务时考虑不同的周期长度内数据量的季节性趋势值,达到平稳并高效的使用服务器资源的目的,提升任务执行的效率,辅助管理者进行资源分配、任务规划等决策,为合理分配服务器执行数据处理任务提供依据。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种变频执行任务的方法的流程示意图。
S100:获取多个历史周期的实际数据量。
本说明书实施例中提供一种变频执行任务的方法,其中涉及到数据量预测函数的优化过程、目标周期的数据处理时长的调整过程,以及可选地用户数据处理过程。上述三个过程可分别由服务器等电子设备执行,且执行上述三个过程的电子设备可以相同、部分相同,或者互不相同,本说明书对此不做限定。
在本说明书实施例中,并不限制本说明书提供的变频执行任务的方法所涉及到的数据的类型以及数据处理的领域,本说明书提供的变频执行任务的方法可以应用于能源数据处理领域、存储资源数据处理领域、半导体器件数据处理领域,或者医疗计算数据处理领域等,为了便于陈述,本说明书以变频执行任务的方法应用在医疗计算数据处理领域为例,对具体的技术方案进行详细阐述。
以医疗计算服务领域为例,由于病患数据信息等在不同的季节、不同月份以及同一天不同的时间段等不同时间段内服务器处理的医疗信息的数据量不同,同时,不同时刻服务器的负载程度也不相同。每间隔固定的数据处理时长,服务器才会执行一次数据处理任务的方案,没有充分地考虑病患数据量的潜在特征,也没有充分地考虑服务器计算性能等问题,无法高效应对医疗信息数据量骤增或骤减的实际情况,造成服务器计算资源的紧张或浪费。
由此,在本说明书实施例中,将对应于不同周期长度的各周期参数对应的数据量预测函数确定的第二预测数据量,与服务器的负载程度相结合的方式,既考虑不同的季节、不同月份或者同一天不同的时间段的医疗信息数据量的变化趋势,也考虑服务器性能条件,对执行数据处理任务的时长进行伸缩,以达到充分、高效地执行数据处理任务的目的,提高计算服务的质量。
在此步骤中,获取的多个历史周期的实际数据量指的是:在多个历史周期中的每个周期内,服务器执行数据处理任务时实际处理的数据量。历史周期的实际数据量可以通过查询服务器执行数据处理任务时的历史记录等现有的任一数量获取方式得到,本说明书对此不做限定。
在本说明书实施例中,历史周期指的是:在时间序列上排列在需要进行数据处理时长调整的目标周期之前的周期。例如,需要对1月2日13时至14时这一目标周期的数据处理时长进行调整时,所获取的多个历史周期对应的时间可以是1月2日13时之前,如1月2日10时至11时、11时至12时和12时至13时。另外,多个历史周期内的每个历史周期的长度可以相同、也可以不同,本说明书对此不做限定,但为了便于阐述,本说明书以各历史周期的时长相同为例,对具体的技术方案进行说明。
一般的,可以将各历史周期的实际数据量按照任务执行的时间排列成序列。
可选地,假设未调整的数据处理时长均为,即历史周期的长度为,可得服务器执行数据处理任务的原有执行频率为1/。假设x表征各历史周期内服务器执行数据处理任务时处理的实际数据量,则xi为第i个历史周期的实际数据量。假设历史周期的数量为n,则将n视为一个窗口时间段。
S102:确定各周期参数,并构建所述各周期参数对应的数据量预测函数,其中,所述各周期参数分别对应于不同的周期长度,所述各周期参数对应的数据量预测函数分别包含所述各周期参数对应于的周期长度内数据量的季节性趋势值。
具体的,可以通过预测目标周期内服务器需要处理的数据量,再结合服务器的负载状况的方式,动态调整目标周期的数据处理时长。因此,需要预测得到准确率较高的目标周期内服务器需要处理的数据量。为此,本说明书实施例中采用包含季节变化趋势的数据量预测函数,对服务器在目标周期内需要处理的数据量进行预测。
在本说明书实施例中,为了充分考虑不同周期长度(不同的季节、不同月份、不同星期或者同一天不同的时间段)的数据量的变化趋势,确定多个对应于不同周期长度的周期参数。并针对每个周期参数,构建该周期参数对应的数据量预测函数。其中,该周期参数对应的数据量预测函数中包含该周期参数对应的周期长度内数据量的季节性趋势值,也就是说,需要通过该周期参数对应的周期长度内数据量的季节性趋势值,预测该周期参数对应的服务器在目标周期内执行数据处理任务所需处理的任务量。
例如,假设周期参数对应的周期长度为一小时,则对于一个小时所对应的周期参数khour来说,khour对应的数据量预测函数中包含了从当前时刻之前的一个小时,到当前时刻这一时段内服务器执行数据处理任务所处理的数据量的变化趋势值。
在此步骤中,周期参数的数量、周期参数具体对应的周期长度均可以根据具体的应用场景确定。在本说明书实施例中,采用khour、kday、kweek、kmouth这四个周期参数,这四个周期参数分别对应的周期长度依次为一个小时、一天、一个星期和一个月。
此处需要说明的是,周期参数的取值并不一定与周期参数对应的周期长度相同,周期参数的取值需要根据周期参数对应的周期长度与上述步骤S100获取的实际数据量对应的历史周期的长度确定。例如,假设周期参数对应的周期长度为1小时,而历史周期对应的数据处理时长为10分钟,则,周期参数khour的取值可以为1小时和10分钟的比值,即,khour为6。
S104:针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数。
在预测目标周期内服务器需要处理的数据量之前,需要对各时间周期对应的数据量预测函数进行参数优化。其中,数据量预测函数可以表征目标周期内服务器需要处理的数据量与数据量的平稳性、数据量的当前趋势变化、数据量的季节性变化或周期性变化这三个方面的衡量值之间的关系。
在本说明书一个或多个实施例中,采用霍尔特-温特预测模型构建数据量预测函数。当然,还可以是现有的任一可以包含数据的线性趋势变化和周期波动的预测函数,本说明书对此不做限定。
可选地,以数据量预测函数为霍尔特-温特预测模型的三次指数平滑预测函数为例,对具体的技术方案进行阐述。其中,具有数据量预测函数的具体公式如下:
是水平平滑参数、是趋势平滑参数、是季节变化平滑参数,上述三个参数的取值范围均为[0,1]。xi是多个历史周期中第i个周期内服务器处理数据的实际数据量,si为第i个周期进行平滑的值,ti表示第i个周期进行平滑后的趋势值,pi是指数据量的周期性规律部分,k为周期参数对应的周期长度,不同的周期参数对应的数据量预测函数所对应的k的取值不同。
目标周期内服务器处理的数据量的预测公式如下:
其中,以当前周期为按照时间排序的各历史周期内的最后一个历史周期,h用于表征目标周期与当前周期之间的时间差异,当h取1时,表征目标周期为当前周期的下一个周期,根据具体的应用场景确定h的取值,本说明书对此不做限定。
根据各历史周期内服务器处理的实际数据量,分别对各周期参数对应的数据量预测函数进行参数优化,实际上是为了使得预测得到的目标周期内服务器需要处理的数据量能够考虑到不同周期长度对应的时间段内数据量的变化趋势。
在此步骤中,通过将各历史周期的实际数据量代入数据量预测函数,预测出各历史周期对应的预测数据量,并以预测数据量以及实际数据量之间的差异,确定参数优化的方向,使得经过参数优化的数据量预测函数能够较为精准的预测出各历史周期内服务器处理的数据量。
S106:根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的所述当前周期之后的目标周期的第一预测数据量。
为了充分考虑到不同周期长度内数据量的变化趋势,可以根据优化后的各周期参数对应的数据量预测函数,先预测出各周期参数对应的目标周期内服务器需要处理的第一预测数据量,然后根据各第一预测数据量,综合得到第二预测数据量。
S108:根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量。
进一步的,在通过各周期参数对应的数据量预测函数得到各第一预测数据量之后,可以基于线性求和公式,得到目标周期内服务器需要处理的第二预测数据量。其中,线性求和公式可以是现有的任意线性求和方式,本说明书对此不做限定。
可选地,可以确定各周期参数对应的权重,以确定出的各权重分别对目标周期的第一预测数据量进行加权求和,得到目标周期内服务器需要处理的第二预测数据量。
可选的,第二预测数据量可以采用下述公式得到:
通过上述步骤S100至S106得到的目标周期内服务器需要处理的第二预测数据量可认为是使用季节性变差模型通过在固定大小的窗口时间段(n)内通过多个不同长度的周期结合的方式来进行未来数据处理量的预测方案。
S110:分别确定所述服务器中各数据处理单元在所述当前周期内处理的数据量。
进一步的,在前述步骤中基于不同周期参数对应的数据量预测函数确定的第二预测数据量,之后就需要考虑服务器的负载程度,以便后续将二者结合调整目标周期的数据处理时长。
具体的,用于进行数据处理的服务器可以包含若干个数据处理单元,在数据处理的过程中可以为各数据处理单元分配数据处理任务,也即,为数据处理单元分配在一个周期内需要处理的数据量。各数据处理单元在当前周期内处理的数据量可以指示服务器中各数据处理单元为了处理该数据量的数据所消耗的计算资源,因此可以根据各数据处理单元在当前周期内处理的数据量确定服务器的负载值。
S112:根据所述各数据处理单元在所述当前周期内处理的数据量,以及所述各数据处理单元的参考负载,确定所述服务器在所述当前周期内处理数据时的负载程度。
进而,根据用于确定服务器负载值的所述各数据处理单元在所述当前周期内处理的数据量,以及各数据处理单元的参考负载,确定在当前周期内服务器处理数据的负载程度。
具体的,负载程度可以用所述各数据处理单元在所述当前周期内处理的数据量确定出服务器在当前周期内的负载值,进而根据服务器在当前周期内的负载值和参考负载之间的比值,确定服务器在当前周期内的负载程度。
一般的,当负载程度大于1时,可以认为服务器在当前周期内执行数据处理任务的负载较大,计算资源较为紧张;反之,当负载程度不大于1时,可以认为服务器在当前周期内执行数据处理任务的负载不大,计算资源较为宽裕。
S114:根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,以使所述服务器根据调整后的目标周期执行任务。
根据目标周期内服务器需要处理的第二预测数据量以及当前周期内服务器的负载程度确定出调整后的目标周期的数据处理时长,实现了通过将不同周期参数对应的数据量预测函数确定的第二预测数据量与服务器的负载程度相结合的方式,既考虑不同的季节、不同月份或者同一天不同的时间段的医疗信息数据量的特点,也考虑服务器性能条件的目的,提高了服务器执行数据处理任务的效率,同时,合理利用了服务器的计算资源。
另外,可以理解的是,本说明书实施例中所涉及到的数据处理时长可以指的是服务器在该数据处理时长对应的时段内执行若干数据处理任务,或者是服务器在间隔该数据处理时候后开始执行数据处理任务,这个可以根据具体的应用场景确定,本说明书对此不做限定。
在本说明书提供的变频执行任务的方法中,基于多个历史周期的实际数据量,得到优化后的各周期参数对应的数据量预测函数,将当前周期的实际数据量分别代入各周期参数对应的数据量预测函数,确定目标周期的第一预测数据量,进而确定目标周期的第二预测数据量。结合第二预测数据量和服务器的负载程度,调整目标周期的数据处理时长。可见,通过将对应于不同周期长度的各周期参数对应的数据量预测函数确定的第二预测数据量,与服务器的负载程度结合得到调整后的目标周期的方式,使得服务器在执行数据处理任务时考虑不同的周期长度内数据量的季节性趋势值,达到平稳并高效的使用服务器资源的目的,提升任务执行的效率,辅助管理者进行资源分配、任务规划等决策,为合理分配服务器执行数据处理任务提供依据。
在本说明书一个或多个实施例中,在如图1步骤S102所示针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数中,其中,所述数据量预测函数表征当前周期内服务器处理的数据量,与当前周期之前的历史周期内所述服务器处理的数据量的水平平滑值、当前周期之前的历史周期内所述服务器处理的数据量的趋势平滑值以及周期参数对应于的周期长度内的季节性趋势值之间的关联关系,基于此,各周期参数对应的数据量预测函数的优化过程具体如下,如图2所示:
S200:针对每个周期参数,根据各历史周期内的实际数据量以及该周期参数,确定该周期参数对应的参考周期的数据量的水平平滑值、所述参考周期的数据量的趋势平滑值和该周期参数对应于的周期长度内的季节性趋势值。
以上述如图1步骤S104所示的一种可选的数据量预测函数的形式为例,由于数据量预测函数表征了下一周期的预测数据量(Fi+1)与前一周期的数据量的水平平滑值(si)、前一周期的数据量的趋势平滑值(ti),以及周期长度内数据量的季节性趋势值(pi-k)之间的关系,若要预测当前周期内服务器处理的数据量,则需要根据当前周期之前的参考周期对应的数据量的水平平滑值、趋势平滑值,以及周期参数对应于的周期长度内的季节性趋势值。
由于当前周期是多个历史周期在时间序列上的最后一个周期,则当前周期之前的参考周期也是在多个历史周期的序列中,因此,上述参考周期对应的数据量的水平平滑值、趋势平滑值,以及该周期参数对应的周期长度内的数据量的季节性趋势值可以根据获取到的多个历史周期的实际数据量确定。
S202:初始化该周期参数对应的数据量预测函数中所述水平平滑值对应的第一参数、所述趋势平滑值对应的第二参数,以及所述季节性趋势值的对应的第三参数。
初始化的方式可以是现有的任意初始化的方式,第一参数、第二参数和第三参数的初始值可以相同也可以不同,本说明书对初始化的方式和初始值的具体数值不做限定。
可选地,在本说明书实施例中,可以设置所述第一参数、所述第二参数和所述第三参数的初始值分别为0.1、0.1和0.1。
S204:根据初始化的所述第一参数、所述第二参数和所述第三参数,对该周期对应的数据量预测函数中的所述水平平滑值、所述趋势平滑值和所述季节性趋势值进行加权求和,得到当前周期的预测数据量。
S206:确定所述预测数据量和所述各历史周期中所述当前周期的实际数据量之间的差异,并以所述差异的最小化为优化目标,优化所述第一参数、所述第二参数和所述第三参数。
事实上,当前周期可以是获取实际数据量的多个历史周期在时间序列上的最后一个周期,因此,从获取到的多个历史周期的实际数据量中是可以查找到当前周期的实际数据量的,由此,可以根据多个历史周期中当前周期内服务器处理的实际数据量,以及上述步骤S202确定出的预测数据量,优化该周期参数对应的数据量预测函数中的第一参数、第二参数和第三参数。
具体的,可以以预测数据量和当前周期的实际数据量之间的差异的最小化为优化目标,调整该周期参数对应的数据量预测函数中的第一参数、第二参数和第三参数。
可选地,预测数据量和当前周期内所述服务器处理的实际数据量之间的差异可以通过平均绝对误差(Mean Absolute Deviation,MAD)、均方误差(Mean-Square Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)、平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)等现有的任一差异确定方式得到,本说明书对此不做限限定。
以上述差异的最小化为优化目标,调整第一参数、第二参数和第三参数时,可以迭代多次,直到迭代次数达到预设的次数阈值或者预测数据量和实际数据量之间的差异小于预设的差异阈值,本说明书对此不做限定。
S208:将优化后的第一参数、第二参数和第三参数代入该周期参数对应的数据量预测函数,得到优化后的该周期参数对应的数据量预测函数。
在本说明书一个或多个实施例中,在如图2步骤S206所示以所述差异的最小化为优化目标,优化所述第一参数、所述第二参数和所述第三参数中,可以通过确定不同的参数组的方式,优化第一参数、第二参数和第三参数,具体通过以下方案实现:
第一步:根据所述第一参数、所述第二参数和所述第三参数的初始值,确定调整步长。
在本说明书实施例中,调整该周期参数对应的数据量预测函数中的第一参数、所述第二参数和所述第三参数的取值时,可以分别计算在不同第一参数、所述第二参数和所述第三参数的取值的组合的情况下,预测数据量和当前周期内所述服务器处理的实际数据量之间的差异。
具体的,可以以第一参数、第二参数和第三参数的初始值为调整步长,并获取预设的参数范围。即,根据第一参数第二参数和第三参数的初始值和调整步长,确定在参数调整范围内,不同参数取值的组合。其中,上述第一参数、第二参数和第三参数分别对应的调整步长可以相同,也可以不同;同理,第一参数、第二参数和第三参数分别对应的参数范围可以相同,也可以不同,本说明书对三个参数的调整步长以及参数范围不做具体限定。
可选地,在本说明书实施例中,以第一参数、第二参数和第三参数的初始值均为0.1,各参数的调整步长均为0.1,调整范围均为[0.05,0.2]为例。
第二步:根据所述调整步长和预设的参数范围,分别确定所述第一参数、所述第二参数和所述第三参数的各候选值。
具体的,根据第一参数、第二参数和第三参数的初始值以调整步长,可以确定第一参数、第二参数和第三参数的候选值。由于获取了第一参数、第二参数和第三参数的初始值的参数范围,只要第一参数、第二参数和第三参数的候选值只要不超过参数范围即可。
例如,第一参数、第二参数和第三参数的初始值分别为0.1、0.1和0.1,调整步长为0.1,参数范围为[0.05,0.2],那么,0.2、0.2、0.2可分别作为第一参数、第二参数和第三参数的一个候选值。
第三步:将所述第一参数、所述第二参数和所述第三参数分别对应的各候选值进行组合,得到各候选参数组。
将第一参数、第二参数和第三参数的不同的候选值分别进行组合,得到多个候选参数组。以第一参数、第二参数和第三参数的初始值相同,均为σ为例,将、和的组合记为候选参数组(,,),其表示、、取不同候选值时的第j组参数组合,其中,j的取值范围为[0,]。
第四步:将所述各候选参数组分别代入该周期参数对应的数据量预测函数,基于所述各历史周期的数据量,确定所述各候选参数组对应的差异。
将各候选参数组中的参数分别代入到该周期参数对应的数据量预测函数模型,根据多个历史周期内服务器处理数据的实际数据量,得到不同参数组合下的该周期参数对应的数据量预测函数预测出的多个历史周期内的预测数据量,然后基于多个历史周期内服务器处理数据的实际数据量,确定不同参数组合下,预测数据量和实际数据量之间的差异。
进一步的,在确定预测数据量和实际数据量之间的差异时,同理,上述步骤S204中确定的差异只能表征目标周期内预测数据量和实际数据量之间的差异,而在本步骤中,确定出的差异可以表征各历史周期内预测数据量和实际数据量之间的总差异。
以差异的确定方式是MAPE为例,公式可以如下所示:
在上述公式中,以该周期参数为小时类型的时间段为例,xk为该周期参数中第k个历史周期内服务器处理数据的实际数据量,为以第j组第一参数、所述第二参数和所述第三参数确定的数据量预测函数预测得到的该周期参数中第k各历史周期内服务器需要处理的预测数据量。
第五步:将所述各候选参数组对应的差异中差异最小的候选参数组作为目标参数组,并确定所述目标参数组包含的优化后的所述第一参数、所述第二参数和所述第三参数。
根据上述方法得到的目标参数组,将其中包含的优化后的所述第一参数、所述第二参数和所述第三参数代入数据量预测函数中,即可得到优化后的该周期参数对应的数据量预测函数。
进一步的,在本说明书一个或多个实施例中,如图1步骤S106所示根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的所述当前周期之后的目标周期的第一预测数据量中,还可以结合当前周期内的预测误差分量对第一预测数据量进行校正,具体通过以下步骤确定:
首先,将当前周期的实际数据量代入该周期参数对应的数据量预测函数,得到该周期参数对应的所述当前周期之后的目标周期对应的预测数据分量。
考虑到通过该周期参数对应的数据量预测函数预测得到多个历史周期中某一个历史周期内的预测数据量还是会与实际数据量之间存在差距,为了进一步提高第一预测数据量的准确定,在本说明书实施例中,还可以通过在第一预测数据量的确定过程中增加预测误差分量的方式,通过考虑到在各历史周期对应的数据处理量在时序规律上存在的短暂惯性,提高第一预测数据量的预测准确度。
具体的,所谓数据处理量在时序规律上存在的短暂惯性指的是,在预测得到不同历史周期内预测数据量时,下一周期的预测值会受到上一个周期的影响,因此需要通过增加预测误差分量的方式考虑这一影响。
当然,预测误差分量是作为预测数据量的校正分量,第一预测数据量仍然是需要通过该周期参数对应的数据量预测函数确定的。
其次,确定该周期参数对应的所述目标周期内的预测误差分量。
由于在预测得到不同历史周期内预测数据量时,下一周期的预测值会受到上一个周期的影响,因此,要确定目标周期内对应的预测误差分量,需要确定目标周期之前当前周期的数据预测量。
具体的,将当前周期之前的参考周期的实际数据量代入到优化后的该周期参数对应的数据量预测函数,得到当前周期内服务器需要处理的预测数据量作为指定数据量。
当前周期内服务器需要处理的指定数据量(预测值)和服务器处理的实际数据量之间的差异以ek表示,则确定公式如下:
考虑到基于该周期参数对应的数据量预测函数预测得到的预测数据量,在多个历史周期的时序规律上存在短暂的惯性,即时序预测的下一周期的预测值会受到上一个周期的影响。因此,设定误差项为,并且,本说明书可选地采用误差项的一阶自回归进行目标周期的误差值的预测,因此可得关系:
其中,差异的权重的取值范围为[-1,1],其为一阶自回归系数,是均值为0的独立同分布随机变量,表示一阶正自相关,表示一阶负自相关。由于服务器需要处理的指定数据量(预测值)和服务器处理的实际数据量之间的差异ek可以作为随机误差项的估计,因此如果误差项存在序列相关性,那么则可以通过差异ek表现出来,因此可利用差异ek的相关性来判断随机误项序列的相关性。
由于存在以下关系:
因此可得:
然后,根据所述预测数据分量和所述预测误差分量,确定该周期参数对应的所述目标周期的第一预测数据量。
预测数据分量和预测误差分量的加和,即为第一预测数据量,公式如下:
可选地,还可以分别确定预测数据分量和预测误差分量的权重,并根据权重分别对预测数据分量和预测误差分量进行加权求和,得到第一预测数据量。
在本说明书一个或多个实施例中,如图1步骤S108所示根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量中,各周期参数对应的数据量预测函数得到的第一预测数据量对确定第二预测数据量的比重不同,因此,可以根据各周期参数的权重,以预测第二预测数据量,具体通过以下方案实施:
第一步:分别确定所述各周期参数的权重。
在实际应用中,在确定第二预测数据量时,不同的周期参数对应数据量预测函数输出的第一预测数据量对确定第二预测数据量所产生的影响可能相同也可能不同,可以为各周期参数对应数据量预测函数输出的第一预测数据量赋予权重,达到上述效果,以便提高第二预测数据量的准确度各周期参数的权重可以是根据具体的应用场景预先设置的,本说明书对此不做限定。例如,如果假设各周期参数对应数据量预测函数输出的第一预测数据量对确定第二预测数据量所产生的影响相同,则可以分别为各周期参数对应数据量预测函数输出的第一预测数据量赋予相同的权重,如存在四个周期参数,则每个周期参数对应数据量预测函数输出的第一预测数据量的权重为0.25。
可选地,各周期参数的权重可以根据各历史周期内所述服务器处理的实际数据量,和所述各周期参数中各历史周期内所述服务器的第一预测数据量之间的对应关系确定。具体的,假设服务器在某一周期内的处理数据的实际数据量xk与各周期参数中这一周期内预测数据量、、以及之间存在关系,那么可以通过下述关系式表征:
对于多个历史周期中的每个历史周期来说,由于各周期参数对应的该历史周期的预测数据量可以通过各周期参数对应的数据量预测函数确定,服务器在该历史周期内的处理数据的实际数据量可以通过从历史数据中获得,因此,在已知各周期参数对应的该历史周期的预测数据量和服务器在该历史周期内的处理数据的实际数据量的前提下,可以得到(i=0,1,2,3,4)。可选地,可以利用最小二乘法的方式,公式如下:
进一步对上式求导可得:
进而有:
于是可得:
第二步:根据所述各周期参数的权重,对所述各周期参数对应的所述目标周期内的第一预测数据量加权求和,确定目标周期的第二预测数据量。
进一步的沿用上述公式符号,目标周期对应的第二预测数据量可以表示为:
进一步的,在本说明书一个或多个实施例中,如图1步骤S114所示根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长中,具体通过以下方式确定:
首先,根据所述服务器执行的数据处理任务的类型,确定周期调节参数。
周期调节参数根据所服务器处理数据所执行任务的不同类型进行取值,例如,对于IO密集型业务取1,CPU密集型业务取2。在本说明书实施例中,以周期调节参数的值在0.2至10内有意义。当然,周期调节参数还可以有其他取值,可以根据具体的应用场景和具体执行任务的类型确定,本说明书对此不做限定。
其次,根据所述负载程度和所述周期调节参数的比值,确定第一调整参数。
具体的,由于负载程度表征了在当前周期内服务器中各数据处理单元执行任务所占用的计算资源与参考负载之间的比值,因此,根据周期调节参数和所述负载程度的比值确定出的第一调整参数可以表征负载程度、周期调节参数与调整后的目标周期的数据处理时长之间的相关关系:当前周期内服务器的负载程度越高,可以通过延长目标周期的数据处理时长,缓解服务器计算资源紧张的问题,反之同理,如果当前周期内服务器的负载程度较低,可以通过缩减目标周期的数据处理时长,充分利用服务器空闲的计算资源。即,负载程度与调整后的目标周期的数据处理时长呈正比关系。周期调节参数与调整后的目标周期的数据处理时长呈反比关系。
然后,根据所述第二预测数据量和所述当前周期的实际数据量的比值,确定第二调整参数。
在本说明书实施例中,以当前周期内服务器处理数据的目标速率和目标周期内服务器处理数据的指定速率为中间参量,确定目标周期的数据处理时长的调整方案,具体公式如下:
由于存在以下关系:
最后,根据所述第一调整参数和所述第二调整参数,确定调整后的所述目标周期的数据处理时长。
根据上述公式可以确定调整后的目标周期的数据处理时长,服务器可以以此确定调整后的目标周期,而不必以固定的数据处理时长出处理数据。
在本说明书一个可选地实施例中,在如图1步骤S112确定调整后的目标周期的数据处理时长后,还可以进一步确定服务器在调整后的目标周期内每时刻需要处理的目标数据量,以进一步辅助管理者进行资源分配、任务规划等决策,为合理分配服务器执行数据处理任务提供依据,具体方案如下:
步骤一:确定所述调整后的目标周期以及所述当前周期之间的周期比值,并对所述周期比值向上取整,得到目标周期比值。
在实际应用中,通过上述方案调整得到的目标周期能够指导服务器按照调整后的目标周期的数据处理时长执行数据处理任务。然而,在服务器以为目标周期处理数据后,在根据服务器在该目标周期内处理数据的实际数据量生成数据处理记录时,仅能记录目标周期的数据处理时长内一共处理了实际数据量,而无法记录目标周期的数据处理时长在内的若干时刻内服务器处理了多少数据。之所以需要记录服务器在内的若干时刻内处理了多少数据,是由于在后续的数据处理时长调整过程中,可能需要目标周期内服务器处理的实际数据量作为历史数据,如果仅记录数据处理时长内一共处理了实际数据量这一种历史数据,在确定多个不同时间段的历史数据时,可能出现无法将该目标周期内的实际数据量进行拆分的问题。为了方便后续确定服务器数据处理时长的调整方案,在确定了服务器目标周期的数据处理时长内处理的实际数据量后,可以对服务器实际处理的实际数据量的取值进行平滑处理。
步骤二:根据所述目标周期比值确定需要进行实际数据量平滑处理的待处理周期,并将所述待处理周期划分为若干子周期。
根据目标周期比值的不同取值,可以确定需要进行数据处理量平滑处理的待处理周期。具体的,当目标周期比值大于1时,调整后的目标周期的数据处理时长比目标周期的数据处理时长长,此时,可以确定需要进行实际数据量平滑处理的待处理周期为目标周期,平滑处理的具体方式就是确定目标周期内若干子周期内服务器处理的数据量平滑值,而将目标周期划分为若干子周期的方式可以是每间隔时刻即作为一个子周期;
当目标周期比值小于1时,调整后的目标周期的数据处理时长比目标周期的数据处理时长短,因此,可以确定需要进行实际数据量平滑处理的待处理周期为目标周期,将目标周期划分为若干子周期的方式可以是以为子周期的时长进行划分。
步骤三:根据所述目标周期的实际数据量,以及所述目标周期比值,确定所述待处理周期内各子周期对应的所述服务器处理的实际数据量,并存储在数据库中。
针对每个目标周期内服务器处理的实际数据量进行平滑处理,得到不同子周期内服务器处理的数据量并存储在数据库中,形成实际数据处理量观测值的记录,便于为后续调整数据处理时长提供历史数据的参考。
图3为本说明书提供的一种数据处理装置示意图,具体包括:
实际数据量获取模块300,用于获取多个历史周期的实际数据量;
函数构建模块302,用于确定各周期参数,并构建所述各周期参数对应的数据量预测函数,其中,所述各周期参数分别对应于不同的周期长度,所述各周期参数对应的数据量预测函数分别包含所述各周期参数对应于的周期长度内数据量的季节性趋势值;
优化模块304,用于针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数;
第一预测数据量确定模块306,用于根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的当前周期之后的目标周期的第一预测数据量;
第二预测数据量确定模块308,用于根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量;
负载确定模块310,用于分别确定所述服务器中各数据处理单元在所述当前周期内处理的数据量;
负载程度确定模块312,用于根据所述各数据处理单元在所述当前周期内处理的数据量,以及所述各数据处理单元的参考负载,确定所述服务器在所述当前周期内处理数据时的负载程度;
调整模块314,用于根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,以使所述服务器根据调整后的目标周期执行任务。
可选地,所述优化模块304具体用于,针对每个周期参数,根据各历史周期内的实际数据量以及该周期参数,确定该周期参数对应的参考周期的数据量的水平平滑值、所述参考周期的数据量的趋势平滑值和该周期参数对应于的周期长度内的季节性趋势值;初始化该周期参数对应的数据量预测函数中所述水平平滑值对应的第一参数、所述趋势平滑值对应的第二参数,以及所述季节性趋势值的对应的第三参数;根据初始化的所述第一参数、所述第二参数和所述第三参数,对该周期对应的数据量预测函数中的所述水平平滑值、所述趋势平滑值和所述季节性趋势值进行加权求和,得到当前周期的预测数据量;确定所述预测数据量和所述各历史周期中所述当前周期的实际数据量之间的差异,并以所述差异的最小化为优化目标,优化所述第一参数、所述第二参数和所述第三参数;将优化后的第一参数、第二参数和第三参数代入该周期参数对应的数据量预测函数,得到优化后的该周期参数对应的数据量预测函数。
可选地,所述优化模块304具体用于,根据所述第一参数、所述第二参数和所述第三参数的初始值,确定调整步长;根据所述调整步长和预设的参数范围,分别确定所述第一参数、所述第二参数和所述第三参数的各候选值;将所述第一参数、所述第二参数和所述第三参数分别对应的各候选值进行组合,得到各候选参数组;将所述各候选参数组分别代入该周期参数对应的数据量预测函数,基于所述各历史周期的数据量,确定所述各候选参数组对应的差异;将所述各候选参数组对应的差异中差异最小的候选参数组作为目标参数组,并确定所述目标参数组包含的优化后的所述第一参数、所述第二参数和所述第三参数。
可选地,第一预测数据量确定模块306具体用于,将当前周期的实际数据量代入该周期参数对应的数据量预测函数,得到该周期参数对应的所述当前周期之后的目标周期对应的预测数据分量;确定该周期参数对应的所述目标周期内的预测误差分量;根据所述预测数据分量和所述预测误差分量,确定该周期参数对应的所述目标周期的第一预测数据量。
可选地,第一预测数据量确定模块306具体用于,将所述各历史周期中所述当前周期之前的参考周期的实际数据量,代入优化后的该周期参数对应的数据量预测函数,得到所述当前周期对应的预测数据量;根据所述当前周期的实际数据量和所述当前周期对应的预测数据量之间的差异,以及所述差异的权重,确定预测误差分量。
可选地,第二预测数据量确定模块308具体用于,分别确定所述各周期参数的权重;根据所述各周期参数的权重,对所述各周期参数对应的所述目标周期内的第一预测数据量加权求和,确定目标周期的第二预测数据量。
可选地,第二预测数据量确定模块308具体用于,根据所述各历史周期的实际数据量,和基于所述各周期参数对应的数据量预测函数得到的在所述各历史周期内处理的预测数据量之间的对应关系,分别确定所述各周期参数的权重。
可选地,所述调整模块314具体用于,根据所述服务器执行的数据处理任务的类型,确定周期调节参数;根据所述负载程度和所述周期调节参数的比值,确定第一调整参数;根据所述第二预测数据量和所述当前周期的实际数据量的比值,确定第二调整参数;根据所述第一调整参数和所述第二调整参数,确定调整后的所述目标周期的数据处理时长。
可选地,所述装置还包括:
子周期平滑处理模块316,具体用于确定所述调整后的目标周期以及所述当前周期之间的周期比值,并对所述周期比值向上取整,得到目标周期比值;根据所述目标周期比值确定需要进行实际数据量平滑处理的待处理周期,并将所述待处理周期划分为若干子周期;根据所述目标周期的实际数据量,以及所述目标周期比值,确定所述待处理周期内各子周期对应的所述服务器处理的实际数据量,并存储在数据库中。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1所示的变频执行任务的方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的变频执行任务的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种变频执行任务的方法,其特征在于,服务器在周期内执行若干数据量的数据处理任务,所述方法包括:
获取多个历史周期的实际数据量;
确定各周期参数,并构建所述各周期参数对应的数据量预测函数,其中,所述各周期参数分别对应于不同的周期长度,所述各周期参数对应的数据量预测函数分别包含所述各周期参数对应于的周期长度内数据量的季节性趋势值;
针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数;
根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的当前周期之后的目标周期的第一预测数据量;
根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量;
分别确定所述服务器中各数据处理单元在所述当前周期内处理的数据量;
根据所述各数据处理单元在所述当前周期内处理的数据量,以及所述各数据处理单元的参考负载,确定所述服务器在所述当前周期内处理数据时的负载程度;
根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,以使所述服务器根据调整后的目标周期执行任务。
2.如权利要求1所述的方法,其特征在于,针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数,具体包括:
针对每个周期参数,根据各历史周期内的实际数据量以及该周期参数,确定该周期参数对应的参考周期的数据量的水平平滑值、所述参考周期的数据量的趋势平滑值和该周期参数对应于的周期长度内的季节性趋势值;
初始化该周期参数对应的数据量预测函数中所述水平平滑值对应的第一参数、所述趋势平滑值对应的第二参数,以及所述季节性趋势值的对应的第三参数;
根据初始化的所述第一参数、所述第二参数和所述第三参数,对该周期对应的数据量预测函数中的所述水平平滑值、所述趋势平滑值和所述季节性趋势值进行加权求和,得到当前周期的预测数据量;
确定所述预测数据量和所述各历史周期中所述当前周期的实际数据量之间的差异,并以所述差异的最小化为优化目标,优化所述第一参数、所述第二参数和所述第三参数;
将优化后的第一参数、第二参数和第三参数代入该周期参数对应的数据量预测函数,得到优化后的该周期参数对应的数据量预测函数。
3.如权利要求2所述的方法,其特征在于,以所述差异的最小化为优化目标,优化所述第一参数、所述第二参数和所述第三参数,具体包括:
根据所述第一参数、所述第二参数和所述第三参数的初始值,确定调整步长;
根据所述调整步长和预设的参数范围,分别确定所述第一参数、所述第二参数和所述第三参数的各候选值;
将所述第一参数、所述第二参数和所述第三参数分别对应的各候选值进行组合,得到各候选参数组;
将所述各候选参数组分别代入该周期参数对应的数据量预测函数,基于所述各历史周期的数据量,确定所述各候选参数组对应的差异;
将所述各候选参数组对应的差异中差异最小的候选参数组作为目标参数组,并确定所述目标参数组包含的优化后的所述第一参数、所述第二参数和所述第三参数。
4.如权利要求1所述的方法,其特征在于,根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的当前周期之后的目标周期的第一预测数据量,具体包括:
将当前周期的实际数据量代入该周期参数对应的数据量预测函数,得到该周期参数对应的所述当前周期之后的目标周期对应的预测数据分量;
确定该周期参数对应的所述目标周期内的预测误差分量;
根据所述预测数据分量和所述预测误差分量,确定该周期参数对应的所述目标周期的第一预测数据量。
5.如权利要求4所述的方法,其特征在于,确定该周期参数对应的所述目标周期内的预测误差分量,具体包括:
将所述各历史周期中所述当前周期之前的参考周期的实际数据量,代入优化后的该周期参数对应的数据量预测函数,得到所述当前周期对应的预测数据量;
根据所述当前周期的实际数据量和所述当前周期对应的预测数据量之间的差异,以及所述差异的权重,确定预测误差分量。
6.如权利要求1所述的方法,其特征在于,根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量,具体包括:
分别确定所述各周期参数的权重;
根据所述各周期参数的权重,对所述各周期参数对应的所述目标周期内的第一预测数据量加权求和,确定目标周期的第二预测数据量。
7.如权利要求6所述的方法,其特征在于,分别确定所述各周期参数的权重,具体包括:
根据所述各历史周期的实际数据量,和基于所述各周期参数对应的数据量预测函数得到的在所述各历史周期内处理的预测数据量之间的对应关系,分别确定所述各周期参数的权重。
8.如权利要求1所述的方法,其特征在于,根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,具体包括:
根据所述服务器执行的数据处理任务的类型,确定周期调节参数;
根据所述负载程度和所述周期调节参数的比值,确定第一调整参数;
根据所述第二预测数据量和所述当前周期的实际数据量的比值,确定第二调整参数;
根据所述第一调整参数和所述第二调整参数,确定调整后的所述目标周期的数据处理时长。
9.如权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述调整后的目标周期以及所述当前周期之间的周期比值,并对所述周期比值向上取整,得到目标周期比值;
根据所述目标周期比值确定需要进行实际数据量平滑处理的待处理周期,并将所述待处理周期划分为若干子周期;
根据所述目标周期的实际数据量,以及所述目标周期比值,确定所述待处理周期内各子周期对应的所述服务器处理的实际数据量,并存储在数据库中。
10.一种变频执行任务的装置,其特征在于,服务器在周期内执行若干数据量的数据处理任务,所述装置包括:
实际数据量获取模块,用于获取多个历史周期的实际数据量;
函数构建模块,用于确定各周期参数,并构建所述各周期参数对应的数据量预测函数,其中,所述各周期参数分别对应于不同的周期长度,所述各周期参数对应的数据量预测函数分别包含所述各周期参数对应于的周期长度内数据量的季节性趋势值;
优化模块,用于针对每个周期参数,根据各历史周期内的实际数据量,对该周期参数对应的数据量预测函数进行参数优化,得到优化后的该周期参数对应的数据量预测函数;
第一预测数据量确定模块,用于根据优化后的该周期参数对应的数据量预测函数,预测得到该周期参数对应的当前周期之后的目标周期的第一预测数据量;
第二预测数据量确定模块,用于根据所述各周期参数对应的所述目标周期内的第一预测数据量,确定所述目标周期的第二预测数据量;
负载确定模块,用于分别确定所述服务器中各数据处理单元在所述当前周期内处理的数据量;
负载程度确定模块,用于根据所述各数据处理单元在所述当前周期内处理的数据量,以及所述各数据处理单元的参考负载,确定所述服务器在所述当前周期内处理数据时的负载程度;
调整模块,用于根据所述第二预测数据量以及所述负载程度,调整所述目标周期的数据处理时长,以使所述服务器根据调整后的目标周期执行任务。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310397090.1A CN116149865B (zh) | 2023-04-10 | 2023-04-10 | 一种变频执行任务的方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310397090.1A CN116149865B (zh) | 2023-04-10 | 2023-04-10 | 一种变频执行任务的方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116149865A true CN116149865A (zh) | 2023-05-23 |
CN116149865B CN116149865B (zh) | 2023-07-21 |
Family
ID=86340981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310397090.1A Active CN116149865B (zh) | 2023-04-10 | 2023-04-10 | 一种变频执行任务的方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116149865B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317826A1 (en) * | 2018-04-12 | 2019-10-17 | Vmware, Inc. | Methods and systems for estimating time remaining and right sizing usable capacities of resources of a distributed computing system |
CN110875838A (zh) * | 2018-09-03 | 2020-03-10 | 中移(杭州)信息技术有限公司 | 一种资源部署方法、装置和存储介质 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
CN113139643A (zh) * | 2021-03-09 | 2021-07-20 | 卓望数码技术(深圳)有限公司 | 网卡流量模型构建方法、流量预测方法、设备及存储介质 |
CN114095806A (zh) * | 2020-07-31 | 2022-02-25 | 中兴通讯股份有限公司 | 用于聚合链路的流量分配方法、装置、光线路终端及介质 |
CN114897061A (zh) * | 2022-04-26 | 2022-08-12 | 中国电信股份有限公司 | 预测模型的训练方法、母线温度预警方法及相关设备 |
CN115756812A (zh) * | 2021-09-02 | 2023-03-07 | 中移(苏州)软件技术有限公司 | 一种资源调整方法及装置、存储介质 |
-
2023
- 2023-04-10 CN CN202310397090.1A patent/CN116149865B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317826A1 (en) * | 2018-04-12 | 2019-10-17 | Vmware, Inc. | Methods and systems for estimating time remaining and right sizing usable capacities of resources of a distributed computing system |
CN110875838A (zh) * | 2018-09-03 | 2020-03-10 | 中移(杭州)信息技术有限公司 | 一种资源部署方法、装置和存储介质 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
CN114095806A (zh) * | 2020-07-31 | 2022-02-25 | 中兴通讯股份有限公司 | 用于聚合链路的流量分配方法、装置、光线路终端及介质 |
CN113139643A (zh) * | 2021-03-09 | 2021-07-20 | 卓望数码技术(深圳)有限公司 | 网卡流量模型构建方法、流量预测方法、设备及存储介质 |
CN115756812A (zh) * | 2021-09-02 | 2023-03-07 | 中移(苏州)软件技术有限公司 | 一种资源调整方法及装置、存储介质 |
CN114897061A (zh) * | 2022-04-26 | 2022-08-12 | 中国电信股份有限公司 | 预测模型的训练方法、母线温度预警方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
KAZUKI YOSHIDA: "Estimating load positions of wearable devices based on difference in pulse wave arrival time", ISWC \'19: PROCEEDINGS OF THE 2019 ACM INTERNATIONAL SYMPOSIUM ON WEARABLE COMPUTERS, pages 234 - 243 * |
杨桂芹: "SDN动态流表优化算法", 万方学位论文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116149865B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109714395B (zh) | 云平台资源使用预测方法及终端设备 | |
CN106161525B (zh) | 一种多集群管理方法与设备 | |
CN110096489A (zh) | 一种数据查询方法、系统、装置及电子设备 | |
CN116432778B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN115829017B (zh) | 一种基于芯粒的数据处理的方法、装置、介质及设备 | |
CN110955695A (zh) | 一种数据处理方法及装置 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116882767B (zh) | 一种基于不完善异构关系网络图的风险预测方法及装置 | |
CN116149865B (zh) | 一种变频执行任务的方法、装置、设备及可读存储介质 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN116565833B (zh) | 基于典型日网供负荷曲线的预测方法、装置和存储介质 | |
CN112308337A (zh) | 电力系统概率性短期负荷的预测方法、预测装置与处理器 | |
CN116304212A (zh) | 一种数据处理系统、方法、设备及存储介质 | |
CN116403097A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN112306677B (zh) | 一种资源调度方法及装置 | |
CN110557339A (zh) | 一种流量规划方法、装置、计算机设备、存储介质 | |
CN116909744B (zh) | 一种线程池参数调节方法、装置、存储介质及电子设备 | |
CN117744731B (zh) | 一种基于阻变存储器的模型训练方法、装置、介质及设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN110020935B (zh) | 一种数据处理、计算方法、装置、设备及介质 | |
CN116719631B (zh) | 一种分布式任务调度方法、装置、存储介质及电子设备 | |
CN117294715A (zh) | 端边云调度优化方法、系统和装置 | |
CN118194928A (zh) | 一种基于隐私推理的神经网络模型确定方法和装置 | |
CN116091101A (zh) | 一种信息推荐的方法、装置、存储介质及电子设备 | |
CN117908773A (zh) | 一种云端冷热数据随机性在线分层存储方法及系统 |
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 |