CN117170821B - 一种业务处理方法、装置、电子设备及计算机可读介质 - Google Patents
一种业务处理方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN117170821B CN117170821B CN202311438541.8A CN202311438541A CN117170821B CN 117170821 B CN117170821 B CN 117170821B CN 202311438541 A CN202311438541 A CN 202311438541A CN 117170821 B CN117170821 B CN 117170821B
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- network model
- change curve
- request
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 114
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 230000008602 contraction Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了业务处理方法、装置、电子设备及计算机可读介质,涉及云计算技术领域,一具体实施方式包括响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;根据第一变化曲线和第二变化曲线,生成抽样数组;基于抽样数组,构建神经网络模型;实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;基于请求量变化数据,确定目标操作,执行目标操作。可以及时应对业务流量突然增长来不及响应处理的问题,提高业务处理效率和准确性。
Description
技术领域
本申请涉及云计算技术领域,尤其涉及一种业务处理方法、装置、电子设备及计算机可读介质。
背景技术
目前,在传统的弹性伸缩方案中,触发弹性伸缩的规则是基于CPU的使用阈值、内存的使用阈值等指标来进行的。由于完成整套流程需要时间,会出现由于整套弹性伸缩的流程并未结束,虚拟机实例还未创建出来的情况。在这种情况下,当流量出现快速增长时,会导致现存的虚拟机实例数量不足而负荷快速上升,无法及时响应业务处理请求。
发明内容
有鉴于此,本申请实施例提供一种业务处理方法、装置、电子设备及计算机可读介质,能够解决现有的当流量出现快速增长时,会导致现存的虚拟机实例数量不足而负荷快速上升,无法及时响应业务处理请求的问题。
为实现上述目的,根据本申请实施例的一个方面,提供了一种业务处理方法,包括:
响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;
根据第一变化曲线和第二变化曲线,生成抽样数组;
基于抽样数组,构建神经网络模型;
实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;
基于请求量变化数据,确定目标操作,执行目标操作。
可选地,根据第一变化曲线和第二变化曲线,生成抽样数组,包括:
提取第一变化曲线对应的请求量、时间的第一对应关系数据并提取第二变化曲线对应的注册用户数量、时间的第二对应关系数据;
根据第一对应关系数据和第二对应关系数据,生成以时间为基准的抽样数组。
可选地,构建神经网络模型,包括:
以抽样数组中的时间和注册用户数量作为初始神经网络模型的输入,将抽样数组中的对应的历史事件请求量作为初始神经网络模型的期望输出,对初始神经网络模型进行训练,以得到最终的神经网络模型。
可选地,基于请求量变化数据,确定目标操作,包括:
获取当前内存使用率,根据当前内存使用率、请求量变化数据和预设阈值,确定目标操作。
可选地,根据当前内存使用率、请求量变化数据和预设阈值,确定目标操作,包括:
根据请求量变化数据确定当前请求量和未来预设时间点的请求量;
根据当前请求量、未来预设时间点的请求量、当前内存使用率和预设阈值,确定目标操作。
可选地,根据当前请求量、未来预设时间点的请求量、当前内存使用率和预设阈值,确定目标操作,包括:
计算未来预设时间点的请求量与当前请求量的比值;
计算比值与当前内存使用率的乘积,响应于乘积大于预设阈值,确定目标操作为扩容操作,响应于乘积小于预设阈值,确定目标操作为缩容操作。
可选地,执行目标操作,包括:
基于目标操作和目标服务器,生成异步执行任务;
调用线程池以执行异步执行任务,以对目标服务器中的虚拟机实例的数量进行相应调整。
另外,本申请还提供了一种业务处理装置,包括:
获取单元,被配置成响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;
抽样数组生成单元,被配置成根据第一变化曲线和第二变化曲线,生成抽样数组;
神经网络模型构建单元,被配置成基于抽样数组,构建神经网络模型;
预测单元,被配置成实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;
执行单元,被配置成基于请求量变化数据,确定目标操作,执行目标操作。
可选地,抽样数组生成单元进一步被配置成:
提取第一变化曲线对应的请求量、时间的第一对应关系数据并提取第二变化曲线对应的注册用户数量、时间的第二对应关系数据;
根据第一对应关系数据和第二对应关系数据,生成以时间为基准的抽样数组。
可选地,神经网络模型构建单元进一步被配置成:
以抽样数组中的时间和注册用户数量作为初始神经网络模型的输入,将抽样数组中的对应的历史事件请求量作为初始神经网络模型的期望输出,对初始神经网络模型进行训练,以得到最终的神经网络模型。
可选地,执行单元进一步被配置成:
获取当前内存使用率,根据当前内存使用率、请求量变化数据和预设阈值,确定目标操作。
可选地,执行单元进一步被配置成:
根据请求量变化数据确定当前请求量和未来预设时间点的请求量;
根据当前请求量、未来预设时间点的请求量、当前内存使用率和预设阈值,确定目标操作。
可选地,执行单元进一步被配置成:
计算未来预设时间点的请求量与当前请求量的比值;
计算比值与当前内存使用率的乘积,响应于乘积大于预设阈值,确定目标操作为扩容操作,响应于乘积小于预设阈值,确定目标操作为缩容操作。
可选地,执行单元进一步被配置成:
基于目标操作和目标服务器,生成异步执行任务;
调用线程池以执行异步执行任务,以对目标服务器中的虚拟机实例的数量进行相应调整。
另外,本申请还提供了一种业务处理电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述的业务处理方法。
另外,本申请还提供了一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现如上述的业务处理方法。
为实现上述目的,根据本申请实施例的又一个方面,提供了一种计算机程序产品。
本申请实施例的一种计算机程序产品,包括计算机程序,程序被处理器执行时实现本申请实施例提供的业务处理方法。
上述发明中的一个实施例具有如下优点或有益效果:本申请通过响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;根据第一变化曲线和第二变化曲线,生成抽样数组;基于抽样数组,构建神经网络模型;实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;基于请求量变化数据,确定目标操作,执行目标操作。可以及时应对业务流量突然增长来不及响应处理的问题,提高业务处理效率和准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本申请,不构成对本申请的不当限定。其中:
图1是根据本申请一个实施例的业务处理方法的主要流程的示意图;
图2是根据本申请一个实施例的业务处理方法的主要流程的示意图;
图3是根据本申请一个实施例的业务处理方法的主要流程示意图;
图4是根据本申请实施例的业务处理装置的主要单元的示意图;
图5是本申请实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,本申请的技术方案中,所涉及的用户个人信息的采集、分析、使用、传输、存储等方面,均符合相关法律法规的规定,被用于合法且合理的用途,不在这些合法使用等方面之外共享、泄露或出售,并且接受监管部门的监督管理。应当对用户个人信息采取必要措施,以防止对此类个人信息数据的非法访问,确保有权访问个人信息数据的人员遵守相关法律法规的规定,确保用户个人信息安全。一旦不再需要这些用户个人信息数据,应当通过限制甚至禁止数据收集和/或删除数据的方式将风险降至最低。
当使用时,包括在某些相关应用程序中,通过对数据去标识来保护用户隐私,例如在使用时通过移除特定标识符、控制所存储数据的量或特异性、控制数据如何被存储、和/或其他方法去标识。
图1是根据本申请一个实施例的业务处理方法的主要流程的示意图,如图1所示,业务处理方法包括:
步骤S101,响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线。
本实施例中,业务处理方法的执行主体(例如,可以是服务器)可以通过有线连接或无线连接的方式,接收业务处理请求。在执行主体接收到业务处理请求后,可以获取该请求中携带的业务标识,具体地,该业务标识例如可以是所需要处理的业务的编号或者名称等,本申请实施例对业务标识不做具体限定。执行主体在获取业务标识后,可以获取该业务标识对应的历史时间请求量随时间的第一变化曲线和注册用户数量随时间的第二变化曲线。具体地,第一变化曲线和第二变化曲线可以是折线或者平滑曲线,本申请实施例对第一变化曲线和第二变化曲线的类型不做具体限定。
第一变化曲线和第二变化曲线可以由不断更新的历史数据分析生成,也可以从历史数据分析库中直接获取。
步骤S102,根据第一变化曲线和第二变化曲线,生成抽样数组。
第一变化曲线反映的是历史事件请求量与时间的对应关系,第二变化曲线反映的是注册用户数量与时间的对应关系。
根据第一变化曲线和第二变化曲线可以得到历史事件请求量、时间、注册用户数量三者之间的对应关系,进而得到由历史事件请求量、时间、注册用户数量组成的抽样数组。
步骤S103,基于抽样数组,构建神经网络模型。
具体地,构建神经网络模型,包括:以抽样数组中的时间和注册用户数量作为初始神经网络模型的输入,将抽样数组中的对应的历史事件请求量作为初始神经网络模型的期望输出,对初始神经网络模型进行训练,以得到最终的神经网络模型。
步骤S104,实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据。
当得到训练后的神经网络模型时,执行主体可以基于实时更新的当前事件请求量更新历史事件请求量,以作为训练后的神经网络模型的一个输入,将当前实时的注册用户数量作为训练后的神经网络模型的另一个输入,得到训练后的神经网络模型的对应于未来各个预设时间点的请求量,从而得到由未来各个预设时间点组成的未来预设时间段的请求量变化数据。
步骤S105,基于请求量变化数据,确定目标操作,执行目标操作。
具体地,基于请求量变化数据,确定目标操作,包括:获取当前内存使用率,例如U,根据当前内存使用率、请求量变化数据和预设阈值,确定目标操作。
具体可以根据请求量变化数据确定未来某一个时间点或者某一个时间段的请求量,从而可以根据当前内存使用率和预设阈值推算在未来某一个时间点或者某一个时间段内存是否足够,以便于及时调整内存扩容或者缩容。
具体地,根据当前内存使用率、请求量变化数据和预设阈值,确定目标操作,包括:根据请求量变化数据确定当前请求量和未来预设时间点的请求量;根据当前请求量、未来预设时间点的请求量、当前内存使用率和预设阈值,确定目标操作。
请求量变化数据包括了未来某个时间点或者某个时间段的请求量,从而可以确定当前时间点的请求量Q,以及未来预设时间点的请求量Q’。并基于当前内存使用率U和预设阈值M,确定目标操作。
具体地,根据当前请求量、未来预设时间点的请求量、当前内存使用率和预设阈值,确定目标操作,包括:计算未来预设时间点的请求量与当前请求量的比值,例如Q’/Q;计算比值与当前内存使用率的乘积,例如Q’/Q*U,响应于乘积大于预设阈值M,确定目标操作为扩容操作,响应于乘积小于预设阈值M,确定目标操作为缩容操作。目标操作包括扩容操作和缩容操作。
示例的,若Q’/Q*U>M,则执行扩容操作,若Q’/Q*U<M,则执行缩容操作。
本实施例通过响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;根据第一变化曲线和第二变化曲线,生成抽样数组;基于抽样数组,构建神经网络模型;实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;基于请求量变化数据,确定目标操作,执行目标操作。可以及时应对业务流量突然增长来不及响应处理的问题,提高业务处理效率和准确性。
图2是根据本申请一个实施例的业务处理方法的主要流程示意图,如图2所示,业务处理方法包括:
步骤S201,响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线。
步骤S202,提取第一变化曲线对应的请求量、时间的第一对应关系数据并提取第二变化曲线对应的注册用户数量、时间的第二对应关系数据。
在提取第一对应关系数据和第二对应关系数据之后,执行主体还可以将第一对应关系数据中的时间的单位与第二对应关系数据中的时间的单位调整为一致。
步骤S203,根据第一对应关系数据和第二对应关系数据,生成以时间为基准的抽样数组。
将时间的单位调整为一致的第一对应关系数据中的请求量、时间数据与第二对应关系数据中的注册用户数量、时间数据基于时间进行融合,以得到抽样数组。
步骤S204,基于抽样数组,构建神经网络模型。
将抽样数组中的注册用户数量、时间输入神经网络模型,将抽样数组中的请求量作为神经网络模型的期望输出对损失函数的权重进行调整,以实现对神经网络模型的训练,从而得到最终训练好的神经网络模型。最终训练好的神经网络模型可以基于输入的注册用户数量、时间准确地输出对应的请求量。
步骤S205,实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据。
步骤S206,基于请求量变化数据,确定目标操作,执行目标操作。
具体地,执行目标操作,包括:基于目标操作和目标服务器,生成异步执行任务;调用线程池以执行异步执行任务,以对目标服务器中的虚拟机实例的数量进行相应调整。
通过异步执行任务的方式可以提高业务处理系统的响应速度,提高业务处理效率。
图3是根据本申请一个实施例的业务处理方法的主要流程示意图。本申请实施例的业务处理方法,应用于基于神经网络算法进行前置弹性伸缩的场景。如图3所示,示例的,获取历史时间请求量Q随时间T的变化曲线,如去年一整年该系统请求量随时间的变化曲线,抽样得到多组数据(Q1,T1),(Q2,T2),(Q3,T3),(Q4,T4)等。获取注册用户数N随时间T的变化曲线,抽样得到多组数据(N1,T1),(N2,T2),(N3,T3),(N4,T4)等。把以上抽样数据以时间T为基准组合成[Q,N,T]的抽样数组,构建神经网络模型。把以上抽样数据用数组的形式输入到神经网络模型中,作为神经网络模型的训练集。训练拟合成一个请求量随时间以及注册用户数变化的神经网络模型。用该神经网络模型预测未来一定时间t’以后,用户请求量Q’的变化情况。结合当前CPU、内存使用率U和当前请求数Q的数值进行判断。若Q’/Q*U大于设定的阈值,则执行扩容操作。若Q’/Q*U小于设定的阈值,则执行缩容操作。可以对未来一段时间t’以后的系统访问量进行预测。据预测的结果提前进行虚拟机的弹性伸缩,避免当流量出现快速增长时,出现因创建虚机需要时间导致现存的ECS虚机实例数量不足而无法响应的情况。
图4是根据本申请实施例的业务处理装置的主要单元的示意图。如图4所示,业务处理装置400包括获取单元401、抽样数组生成单元402、神经网络模型构建单元403、预测单元404和执行单元405。
获取单元401,被配置成响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线。
抽样数组生成单元402,被配置成根据第一变化曲线和第二变化曲线,生成抽样数组。
神经网络模型构建单元403,被配置成基于抽样数组,构建神经网络模型。
预测单元404,被配置成实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据。
执行单元405,被配置成基于请求量变化数据,确定目标操作,执行目标操作。
在一些实施例中,抽样数组生成单元402进一步被配置成:提取第一变化曲线对应的请求量、时间的第一对应关系数据并提取第二变化曲线对应的注册用户数量、时间的第二对应关系数据;根据第一对应关系数据和第二对应关系数据,生成以时间为基准的抽样数组。
在一些实施例中,神经网络模型构建单元403进一步被配置成:以抽样数组中的时间和注册用户数量作为初始神经网络模型的输入,将抽样数组中的对应的历史事件请求量作为初始神经网络模型的期望输出,对初始神经网络模型进行训练,以得到最终的神经网络模型。
在一些实施例中,执行单元405进一步被配置成:获取当前内存使用率,根据当前内存使用率、请求量变化数据和预设阈值,确定目标操作。
在一些实施例中,执行单元405进一步被配置成:根据请求量变化数据确定当前请求量和未来预设时间点的请求量;根据当前请求量、未来预设时间点的请求量、当前内存使用率和预设阈值,确定目标操作。
在一些实施例中,执行单元405进一步被配置成:计算未来预设时间点的请求量与当前请求量的比值;计算比值与当前内存使用率的乘积,响应于乘积大于预设阈值,确定目标操作为扩容操作,响应于乘积小于预设阈值,确定目标操作为缩容操作。
在一些实施例中,执行单元405进一步被配置成:基于目标操作和目标服务器,生成异步执行任务;调用线程池以执行异步执行任务,以对目标服务器中的虚拟机实例的数量进行相应调整。
需要说明的是,本申请的业务处理方法和业务处理装置在具体实施内容上具有相应关系,故重复内容不再说明。
图5示出了可以应用本申请实施例的业务处理方法或业务处理装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503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501、502、503可以是具有业务处理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505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所提交的业务处理请求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响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;根据第一变化曲线和第二变化曲线,生成抽样数组;基于抽样数组,构建神经网络模型;实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;基于请求量变化数据,确定目标操作,执行目标操作。可以及时应对业务流量突然增长来不及响应处理的问题,提高业务处理效率和准确性。
需要说明的是,本申请实施例所提供的业务处理方法一般由服务器505执行,相应地,业务处理装置一般设置于服务器505中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本申请公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、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)、光纤、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。在本申请中,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。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、抽样数组生成单元、神经网络模型构建单元、预测单元和执行单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读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一个该设备执行时,使得该设备响应于业务处理请求,获取对应的业务标识,基于业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;根据第一变化曲线和第二变化曲线,生成抽样数组;基于抽样数组,构建神经网络模型;实时更新历史事件请求量和注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及神经网络模型,预测得到未来预设时间段的请求量变化数据;基于请求量变化数据,确定目标操作,执行目标操作。
本申请的计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本申请实施例中的业务处理方法。
根据本申请实施例的技术方案,可以及时应对业务流量突然增长来不及响应处理的问题,提高业务处理效率和准确性。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (9)
1.一种业务处理方法,其特征在于,包括:
响应于业务处理请求,获取对应的业务标识,基于所述业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;
根据所述第一变化曲线和所述第二变化曲线,生成抽样数组;
基于所述抽样数组,构建神经网络模型;
实时更新所述历史事件请求量和所述注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及所述神经网络模型,预测得到未来预设时间段的请求量变化数据;
获取当前内存使用率,根据所述请求量变化数据确定当前请求量和未来预设时间点的请求量,计算所述未来预设时间点的请求量与所述当前请求量的比值,计算所述比值与所述当前内存使用率的乘积,响应于所述乘积大于预设阈值,确定目标操作为扩容操作,响应于所述乘积小于预设阈值,确定目标操作为缩容操作,执行所述目标操作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一变化曲线和所述第二变化曲线,生成抽样数组,包括:
提取所述第一变化曲线对应的请求量、时间的第一对应关系数据并提取所述第二变化曲线对应的注册用户数量、时间的第二对应关系数据;
根据所述第一对应关系数据和所述第二对应关系数据,生成以时间为基准的抽样数组。
3.根据权利要求1所述的方法,其特征在于,所述构建神经网络模型,包括:
以所述抽样数组中的时间和注册用户数量作为初始神经网络模型的输入,将所述抽样数组中的对应的历史事件请求量作为所述初始神经网络模型的期望输出,对所述初始神经网络模型进行训练,以得到最终的神经网络模型。
4.根据权利要求1所述的方法,其特征在于,所述执行所述目标操作,包括:
基于所述目标操作和目标服务器,生成异步执行任务;
调用线程池以执行所述异步执行任务,以对所述目标服务器中的虚拟机实例的数量进行相应调整。
5.一种业务处理装置,其特征在于,包括:
获取单元,被配置成响应于业务处理请求,获取对应的业务标识,基于所述业务标识获取历史事件请求量随时间的第一变化曲线并获取注册用户数量随时间的第二变化曲线;
抽样数组生成单元,被配置成根据所述第一变化曲线和所述第二变化曲线,生成抽样数组;
神经网络模型构建单元,被配置成基于所述抽样数组,构建神经网络模型;
预测单元,被配置成实时更新所述历史事件请求量和所述注册用户数量,进而基于实时更新的历史事件请求量、实时更新的注册用户数量以及所述神经网络模型,预测得到未来预设时间段的请求量变化数据;
执行单元,被配置成获取当前内存使用率,根据所述请求量变化数据确定当前请求量和未来预设时间点的请求量,计算所述未来预设时间点的请求量与所述当前请求量的比值,计算所述比值与所述当前内存使用率的乘积,响应于所述乘积大于预设阈值,确定目标操作为扩容操作,响应于所述乘积小于预设阈值,确定目标操作为缩容操作,执行所述目标操作。
6.根据权利要求5所述的装置,其特征在于,所述抽样数组生成单元进一步被配置成:
提取所述第一变化曲线对应的请求量、时间的第一对应关系数据并提取所述第二变化曲线对应的注册用户数量、时间的第二对应关系数据;
根据所述第一对应关系数据和所述第二对应关系数据,生成以时间为基准的抽样数组。
7.根据权利要求5所述的装置,其特征在于,所述神经网络模型构建单元进一步被配置成:
以所述抽样数组中的时间和注册用户数量作为初始神经网络模型的输入,将所述抽样数组中的对应的历史事件请求量作为所述初始神经网络模型的期望输出,对所述初始神经网络模型进行训练,以得到最终的神经网络模型。
8.一种业务处理电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一项所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438541.8A CN117170821B (zh) | 2023-11-01 | 2023-11-01 | 一种业务处理方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438541.8A CN117170821B (zh) | 2023-11-01 | 2023-11-01 | 一种业务处理方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170821A CN117170821A (zh) | 2023-12-05 |
CN117170821B true CN117170821B (zh) | 2024-02-09 |
Family
ID=88943473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438541.8A Active CN117170821B (zh) | 2023-11-01 | 2023-11-01 | 一种业务处理方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170821B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013242931A (ja) * | 2013-09-12 | 2013-12-05 | Hitachi Ltd | 計算機システム、計算機リソースの管理方法及びプログラム |
CN111638949A (zh) * | 2020-04-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 时间序列数据分段构建方法、装置及计算机设备 |
CN113722098A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的服务器容量预测方法、装置、设备及介质 |
CN113904940A (zh) * | 2021-09-03 | 2022-01-07 | 深圳市雷鸟网络传媒有限公司 | 资源调整方法、装置、电子设备和计算机可读存储介质 |
CN114218036A (zh) * | 2021-11-10 | 2022-03-22 | 新浪网技术(中国)有限公司 | 一种资源分配方法和装置 |
CN115167980A (zh) * | 2022-06-30 | 2022-10-11 | 中国电信股份有限公司 | 一种容器资源调整方法、装置、电子设备及存储介质 |
CN116185568A (zh) * | 2023-02-01 | 2023-05-30 | 杭州朝厚信息科技有限公司 | 一种容器扩容方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977677B2 (en) * | 2010-12-01 | 2015-03-10 | Microsoft Technology Licensing, Llc | Throttling usage of resources |
CN107093096B (zh) * | 2016-12-15 | 2022-03-25 | 口碑(上海)信息技术有限公司 | 一种业务量预测方法及装置 |
US20180270305A1 (en) * | 2017-03-17 | 2018-09-20 | Google Inc. | Systems and methods for throttling incoming network traffic requests |
US11093843B2 (en) * | 2017-11-29 | 2021-08-17 | Adobe Inc. | Self-trained content management system for automatically classifying execution modes for user requests |
CN113230658A (zh) * | 2021-05-31 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 资源分配方法、装置、计算机可读介质及电子设备 |
-
2023
- 2023-11-01 CN CN202311438541.8A patent/CN117170821B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013242931A (ja) * | 2013-09-12 | 2013-12-05 | Hitachi Ltd | 計算機システム、計算機リソースの管理方法及びプログラム |
CN111638949A (zh) * | 2020-04-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 时间序列数据分段构建方法、装置及计算机设备 |
CN113722098A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的服务器容量预测方法、装置、设备及介质 |
CN113904940A (zh) * | 2021-09-03 | 2022-01-07 | 深圳市雷鸟网络传媒有限公司 | 资源调整方法、装置、电子设备和计算机可读存储介质 |
CN114218036A (zh) * | 2021-11-10 | 2022-03-22 | 新浪网技术(中国)有限公司 | 一种资源分配方法和装置 |
CN115167980A (zh) * | 2022-06-30 | 2022-10-11 | 中国电信股份有限公司 | 一种容器资源调整方法、装置、电子设备及存储介质 |
CN116185568A (zh) * | 2023-02-01 | 2023-05-30 | 杭州朝厚信息科技有限公司 | 一种容器扩容方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117170821A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113656179B (zh) | 云计算资源的调度方法及装置、电子设备和存储介质 | |
CN107729570B (zh) | 用于服务器的数据迁移方法和装置 | |
CN108810047B (zh) | 用于确定信息推送准确率的方法、装置及服务器 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN111062572B (zh) | 任务分配的方法和装置 | |
CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
Xu et al. | Joint foundation model caching and inference of generative AI services for edge intelligence | |
CN113312553A (zh) | 一种用户标签的确定方法和装置 | |
CN117170821B (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN113254191A (zh) | 用于运行应用的方法、电子设备和计算机程序产品 | |
CN113590447B (zh) | 埋点处理方法和装置 | |
CN116861397A (zh) | 一种请求处理方法、装置、电子设备及计算机可读介质 | |
CN114612212A (zh) | 一种基于风险控制的业务处理方法、装置和系统 | |
CN114138758A (zh) | 一种基于多源系统的数据清洗合并方法、装置及可读介质 | |
CN113904940A (zh) | 资源调整方法、装置、电子设备和计算机可读存储介质 | |
CN109213815B (zh) | 控制执行次数的方法、装置、服务器终端以及可读介质 | |
CN113568936B (zh) | 实时流数据存储方法、装置、终端设备 | |
CN106408199B (zh) | 信息处理方法和装置 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN112749204A (zh) | 一种读取数据的方法和装置 | |
CN116820539B (zh) | 一种基于互联网的系统软件运行维护系统及方法 | |
CN113329011B (zh) | 一种安全访问控制方法和装置 | |
CN115981910B (zh) | 处理异常请求的方法、装置、电子设备和计算机可读介质 | |
CN113778909B (zh) | 一种缓存数据的方法和装置 |
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 |