CN117215785A - 一种行情回放系统微服务资源调度方法 - Google Patents
一种行情回放系统微服务资源调度方法 Download PDFInfo
- Publication number
- CN117215785A CN117215785A CN202311171169.9A CN202311171169A CN117215785A CN 117215785 A CN117215785 A CN 117215785A CN 202311171169 A CN202311171169 A CN 202311171169A CN 117215785 A CN117215785 A CN 117215785A
- Authority
- CN
- China
- Prior art keywords
- micro
- service access
- resource
- scheduling
- resources
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种行情回放系统微服务资源调度方法，包括如下步骤：获取微服务访问请求及其请求时间；响应于微服务访问请求的请求时间大于预设的时间阈值，则将微服务访问请求直接接入数据检索引擎资源，进行数据检索引擎资源调度；响应于微服务访问请求的请求时间不大于预设的时间阈值，则根据基于微服务访问请求，基于第一深度学习回放模型进行集群资源调度，得到集群调度结果后，基于第二深度学习回放模型进行资源扩展，得到扩展数据检索引擎资源和微服务访问请求接入数据检索引擎资源，进行数据检索引擎资源调度。实现了微服务访问请求的有序处理，减少了微服务访问的随机性以及由此引起的资源不合理利用，增强了微服务访问资源的可预期性。
Description
技术领域
本发明涉及一种行情回放系统微服务资源调度方法，属于微服务资源调度技术领域。
背景技术
行情回放系统的分析计算服务是行情回放系统规划设计人员确定经济合理、技术可行的规划设计方案的重要工具；是运行调度人员确定系统运行方式、分析系统事故、寻求反事故措施的有效手段；是以计算机技术为基础的现代行情回放系统调度自动化系统的核心内容。
传统开发方式，开发人员会将所有功能打包，几乎没有外部依赖，随着系统功能的不断扩展，代码维护变得更加困难，扩展性也不高。微服务目的就是将开发的功能业务有效的拆分，将多个独立的服务组合成一个完整的系统，独立开发，独立维护，实现敏捷开发。
在现有技术的中，微服务访问资源时会对该资源加锁，此时其他微服务无法访问该资源，等访问结束后，微服务就会对该资源解锁，其他微服务就能够访问此资源。
当一个微服务访问资源时，其他微服务想要访问同一资源都会因为该资源被加锁而遭到拒绝。然而，等微服务对该资源访问完毕并解锁该资源后，如果哪个微服务此时正好要访问该资源，它就可以锁住该资源，而之前被拒绝的微服务仍无法访问该资源。
现有技术的缺陷在于，在前访问的微服务解锁资源后，在后访问的微服务按照随机的顺序访问该资源，即按照资源被解锁后谁在先凑巧第一个访问该资源的顺序而不是对该资源需求的先后顺序进行访问，进而造成最先访问该资源的微服务需等很久才能访问的情况，导致微服务访问的随机性强，微服务访问资源的可预期性低。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种行情回放系统微服务资源调度方法，首先综合考虑微服务访问请求的请求时间，其次基于第一深度学习回放模型和第二深度学习回放模型的配合，使得微服务访问请求的处理更加有序，减少了微服务访问的随机性以及由此引起的资源不合理利用，增强了微服务访问资源的可预期性。
为达到上述目的，本发明是采用下述技术方案实现的：
本发明公开了一种行情回放系统微服务资源调度方法，包括如下步骤：
获取微服务访问请求及其请求时间；
响应于所述微服务访问请求的请求时间大于预设的时间阈值，则将所述微服务访问请求直接接入数据检索引擎资源，进行数据检索引擎资源调度，得到调度结果；
响应于所述微服务访问请求的请求时间不大于预设的时间阈值，则根据所述基于微服务访问请求，基于第一深度学习回放模型进行集群资源调度，得到集群调度结果；根据所述集群调度结果，基于第二深度学习回放模型进行资源扩展，得到扩展数据检索引擎资源；将所述扩展数据检索引擎资源和微服务访问请求接入数据检索引擎资源，进行数据检索引擎资源调度，得到调度结果。
进一步的，所述得到集群调度结果，包括：
根据所述微服务访问请求，设定资源调度目标参数；
将所述资源调度目标参数输入至预构建的多层自编码神经网络进行预训练，通过调整多层自编码神经网络的神经网络权值完成深度置信网络训练，得到第一深度学习回放模型；
将所述微服务访问请求输入至第一深度学习回放模型中，得到集群调度结果。
进一步的，所述资源调度目标参数包括最大加载时间，自加载任务数，最大完成时间，最大任务系数，CPU最大占用比，CPU平均占用比。
进一步的，所述深度置信网络训练采用受限玻尔兹曼机网络结构，通过迭代计算受限玻尔兹曼机网络结构的隐藏层神经元的开启概率，完成权重更新，进而实现深度置信网络的参数优化。
进一步的，所述得到扩展数据检索引擎资源，包括：
根据所述集群调度结果，设定回放偏好目标参数；
将所述回放偏好目标参数输入至预构建的多层自编码神经网络进行预训练，通过调整多层自编码神经网络的神经网络权值完成深度置信网络训练，得到第二深度学习回放模型；
将所述集群调度结果输入至第二深度学习回放模型中，得到扩展数据检索引擎资源。
进一步的，所述回放偏好目标参数包括行情时间跨度、行情服务器地址、行情内容类型。
进一步的，所述数据检索引擎资源调度包括如下步骤：
计算所述微服务访问请求的优先级分数；
优先选择优先级分数小的微服务访问请求传递到资源队列，锁定资源队列中与所述优先级分数小的微服务访问请求对应的资源，直至访问结束后解锁所述优先级分数小的微服务访问请求对应的资源。
进一步的，所述优先级分数的表达式如下：
其中，C(k)表示微服务访问请求的优先级分数；A表示第一优先级系数；B表示第二优先级系数；Q表示微服务访问请求的字节数；k表示微服务访问请求的请求时间；N表示预设的时间阈值。
进一步的，所述资源队列的资源包括硬件资源、软件资源、电子数据资源以及外设资源。
与现有技术相比，本发明所达到的有益效果：
本发明的行情回放系统微服务资源调度方法，
本发明的行情回放系统微服务资源调度方法，首先综合考虑微服务访问请求的请求时间，其次基于第一深度学习回放模型和第二深度学习回放模型的配合，使得微服务访问请求的处理更加有序，减少了微服务访问的随机性以及由此引起的资源不合理利用，增强了微服务访问资源的可预期性。
附图说明
图1是一种行情回放系统微服务资源调度方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本实施例提供了一种行情回放系统微服务资源调度方法，如图1所示，包括如下步骤：
获取微服务访问请求及其请求时间；
响应于微服务访问请求的请求时间大于预设的时间阈值，则将微服务访问请求直接接入数据检索引擎资源，进行数据检索引擎资源调度，得到调度结果；
响应于微服务访问请求的请求时间不大于预设的时间阈值，则根据基于微服务访问请求，基于第一深度学习回放模型进行集群资源调度，得到集群调度结果；根据集群调度结果，基于第二深度学习回放模型进行资源扩展，得到扩展数据检索引擎资源；将扩展数据检索引擎资源和微服务访问请求接入数据检索引擎资源，进行数据检索引擎资源调度，得到调度结果。
本发明的技术构思为：首先综合考虑微服务访问请求的请求时间，其次基于第一深度学习回放模型和第二深度学习回放模型的配合，使得微服务访问请求的处理更加有序，减少了微服务访问的随机性以及由此引起的资源不合理利用，增强了微服务访问资源的可预期性。
具体步骤如下：
步骤1：获取微服务访问请求及其请求时间。
响应于微服务访问请求的请求时间大于预设的时间阈值，则将微服务访问请求直接接入数据检索引擎资源，转到步骤3进行数据检索引擎资源调度。
响应于微服务访问请求的请求时间不大于预设的时间阈值，则转到步骤2。
本实施例中预设的时间阈值为5天。
步骤2：集群微服务调度和数据检索引擎资源扩展。
步骤2.1：根据请求时间不大于预设的时间阈值的微服务访问请求，进行集群微服务资源调度。
根据请求时间不大于预设的时间阈值的微服务访问请求，设定资源调度目标参数；其中，资源调度目标参数包括最大加载时间，自加载任务数，最大完成时间，最大任务系数，CPU最大占用比，CPU平均占用比。
将资源调度目标参数输入至预构建的多层自编码神经网络进行预训练，通过调整多层自编码神经网络的神经网络权值完成深度置信网络训练，得到第一深度学习回放模型；
将微服务访问请求输入至第一深度学习回放模型中，得到集群调度结果。
具体来说，资源调度目标参数集合包含，最大加载时间范围0到1分钟，加载任务数1到10，最大完成时间0到10分钟，最大任务系数10，CPU最大占比100％，CPU平均占比0到100％。将资源调度目标参数集合作为目标函数加入多层自编码神经网络进行预训练，预训练自底向上识别权值与偏置的过程，此过程将输入数据经过网络的每一层提取特征后获得激励响应，将其添加至输出层。通过调整神经网络权值完成深度置信网络(DBN)训练，实现微服务资源调度优化的第一深度学习回放模型。
深度置信网络训练采用受限玻尔兹曼机RBM网络结构，通过迭代计算受限玻尔兹曼机网络结构的隐藏层神经元的开启概率，完成权重更新，进而实现深度置信网络的参数优化。
具体的，受限玻尔兹曼机RBM网络结构包含可视层v和隐藏层h，对每一组训练样本数据x，将x赋值给可视层v(0)，计算初始的隐藏层神经元的开启概率，表达式如下：
其中，表示初始的隐藏层神经元的开启概率；/>表示维度为j的向量为0的隐藏层；v(0)表示向量为0的可视层；σ表示标准差；Wj表示维度为j的权重系数；
然后，从计算的概率分布中抽取一个隐藏层样本h(0)，表达式如下：
h(0)～P(h(0)|v(0))
用隐藏层样本h(0)重构可视层，表达式如下：
然后，抽取一个新的可视层样本v(1)，表达式如下：
v(1)～P(v(1)|h(0))
再次计算新的隐藏层神经元的开启概率：
最后完成权重更新：
其中，Wnew表示更新后的权重系数；W表示原先的权重系数；λ是学习率参数，经过训练实现RBM参数优化，得到第一深度学习回放模型。
将微服务访问请求输入至参数优化的第一深度学习回放模型中，得到集群调度结果。
步骤2.2：根据集群调度结果，进行数据检索引擎资源扩展。
首先，根据集群调度结果，设定回放偏好目标参数；
其次，将回放偏好目标参数输入至预构建的多层自编码神经网络进行预训练，通过调整多层自编码神经网络的神经网络权值完成深度置信网络训练，得到第二深度学习回放模型；
最后，将集群调度结果输入至第二深度学习回放模型中，得到扩展数据检索引擎资源。
进一步的，回放偏好目标参数包括行情时间跨度、行情服务器地址、行情内容类型。
需要说明的是，第二深度学习回放模型的构建是基于针对不同请求数据类型，将历史回放数据模型进行偏好分类得到的。
步骤3：数据检索引擎资源调度，
首先，计算微服务访问请求的优先级分数；
优先选择优先级分数小的微服务访问请求传递到资源队列，锁定资源队列中与优先级分数小的微服务访问请求对应的资源，直至访问结束后解锁优先级分数小的微服务访问请求对应的资源。
需要说明的是，响应于请求时间不大于预设的时间阈值的微服务访问请求，其数据检索引擎资源调度会结合步骤2的扩展数据检索引擎资源进行资源调度。
优先级分数的表达式如下：
其中，C(k)表示微服务访问请求的优先级分数；A表示第一优先级系数，本实施例中数值为2；B表示第二优先级系数，本实施例中数值为1；Q表示微服务访问请求的字节数；k表示微服务访问请求的请求时间；N表示预设的时间阈值。
例如，任务一，请求昨天的1M大小的行情数据，C(1)的第一优先级系数取值2；任务二，请求上个月的1M大小的行情数据，C(30)的第二优先级系数取值1。将微服务访问请求按照时间优先级分类，优先级分数越小的越优先，确定访问请求的优先响应次序。
当多个微服务访问请求的微服务在相同的时间访问相同的资源时，根据微服务访问请求的优先级和访问提出时间以及两者权重考虑访问请求的优先响应次序。
微服务访问请求对应的资源队列的资源包括硬件资源、软件资源、电子数据资源以及外设资源。
综上，本发明减少了微服务访问资源不合理利用，有效提高了行情回放系统效率。本方法原理简单，设计方便，实时性好，适合工程实现。
具体实现中，本发明还能够为下游应用系统提供历史行情数据快速及指定倍速加载，各个应用系统所需的标的及行情数据类别各异，并且各自的SLA同样存在差异。行情数据的主要特征是数据模型规整，数据量巨大且峰谷差异十分大，通常数据量集中在开盘和闭市时间点附近。
因此行情回放系统需要满足下游应用系统获取历史行情数据的功能性基础上还需要保证系统负载可以支撑高并发调用成为难题。
本方法通过深度学习预测回放任务偏好计算得出热门标的列表及时间段等重要信息，针对回放任务区分层级提供服务，系统资源占用较高的回放任务通过预热缓存降低磁盘IO从而缩短回放任务执行耗时。行情数据作为证券市场最核心的数据之一，既是交易的产物同时又为投资者交易决策提供了重要的参考依据。
行情数据有几大特性：峰值流量高、整体数据量大、数据格式规整且有序。历史行情数据种类包括Tick行情快照、逐笔成交、逐笔委托、分钟K线、日K线等，其中逐笔类别的行情数据每日数据量根据当日成交委托活跃度波动，且不同标的逐笔类别数据量差异极大。历史行情数据量直接影响行情回放系统的负载，如何精准地预测行情数据量将成为解决系统负载难题的钥匙。
历史行情数据浩瀚如海，每年的数据量约为20TB，当前已接入2004年至今的沪深全量行情数据，因此本方法通过K线数据在不牺牲准确度的前提下大幅降低了学习数据量。
通过本方法，基于历史行情进行回放的系统可以有效提升系统的并发访问容量，针对不同权重的下游系统分层服务，通过深度学习实时地预测计算回放请求任务得分，真正做到系统容量可量化评估，便于后期进行相应水平扩展，支撑更大规模的历史行情回放服务请求的场景。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种行情回放系统微服务资源调度方法，其特征是，包括如下步骤：
获取微服务访问请求及其请求时间；
响应于所述微服务访问请求的请求时间大于预设的时间阈值，则将所述微服务访问请求直接接入数据检索引擎资源，进行数据检索引擎资源调度，得到调度结果；
响应于所述微服务访问请求的请求时间不大于预设的时间阈值，则根据所述基于微服务访问请求，基于第一深度学习回放模型进行集群资源调度，得到集群调度结果；根据所述集群调度结果，基于第二深度学习回放模型进行资源扩展，得到扩展数据检索引擎资源；将所述扩展数据检索引擎资源和微服务访问请求接入数据检索引擎资源，进行数据检索引擎资源调度，得到调度结果。
2.根据权利要求1所述的行情回放系统微服务资源调度方法，其特征是，所述得到集群调度结果，包括：
根据所述微服务访问请求，设定资源调度目标参数；
将所述资源调度目标参数输入至预构建的多层自编码神经网络进行预训练，通过调整多层自编码神经网络的神经网络权值完成深度置信网络训练，得到第一深度学习回放模型；
将所述微服务访问请求输入至第一深度学习回放模型中，得到集群调度结果。
3.根据权利要求2所述的行情回放系统微服务资源调度方法，其特征是，所述资源调度目标参数包括最大加载时间，自加载任务数，最大完成时间，最大任务系数，CPU最大占用比，CPU平均占用比。
4.根据权利要求2所述的行情回放系统微服务资源调度方法，其特征是，所述深度置信网络训练采用受限玻尔兹曼机网络结构，通过迭代计算受限玻尔兹曼机网络结构的隐藏层神经元的开启概率，完成权重更新，进而实现深度置信网络的参数优化。
5.根据权利要求1所述的行情回放系统微服务资源调度方法，其特征是，所述得到扩展数据检索引擎资源，包括：
根据所述集群调度结果，设定回放偏好目标参数；
将所述回放偏好目标参数输入至预构建的多层自编码神经网络进行预训练，通过调整多层自编码神经网络的神经网络权值完成深度置信网络训练，得到第二深度学习回放模型；
将所述集群调度结果输入至第二深度学习回放模型中，得到扩展数据检索引擎资源。
6.根据权利要求5所述的行情回放系统微服务资源调度方法，其特征是，所述回放偏好目标参数包括行情时间跨度、行情服务器地址、行情内容类型。
7.根据权利要求1所述的行情回放系统微服务资源调度方法，其特征是，所述数据检索引擎资源调度包括如下步骤：
计算所述微服务访问请求的优先级分数；
优先选择优先级分数小的微服务访问请求传递到资源队列，锁定资源队列中与所述优先级分数小的微服务访问请求对应的资源，直至访问结束后解锁所述优先级分数小的微服务访问请求对应的资源。
8.根据权利要求7所述的行情回放系统微服务资源调度方法，其特征是，所述优先级分数的表达式如下：
其中，C(k)表示微服务访问请求的优先级分数；A表示第一优先级系数；B表示第二优先级系数；Q表示微服务访问请求的字节数；k表示微服务访问请求的请求时间；N表示预设的时间阈值。
9.根据权利要求7所述的行情回放系统微服务资源调度方法，其特征是，所述资源队列的资源包括硬件资源、软件资源、电子数据资源以及外设资源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311171169.9A CN117215785A (zh) | 2023-09-12 | 2023-09-12 | 一种行情回放系统微服务资源调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311171169.9A CN117215785A (zh) | 2023-09-12 | 2023-09-12 | 一种行情回放系统微服务资源调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117215785A true CN117215785A (zh) | 2023-12-12 |
Family
ID=89047455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311171169.9A Pending CN117215785A (zh) | 2023-09-12 | 2023-09-12 | 一种行情回放系统微服务资源调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117215785A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117827740A (zh) * | 2024-03-05 | 2024-04-05 | 上海特高信息技术有限公司 | 一种基于fpga的模块化行情数据回放方法及回放系统 |
-
2023
- 2023-09-12 CN CN202311171169.9A patent/CN117215785A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117827740A (zh) * | 2024-03-05 | 2024-04-05 | 上海特高信息技术有限公司 | 一种基于fpga的模块化行情数据回放方法及回放系统 |
| CN117827740B (zh) * | 2024-03-05 | 2024-05-14 | 上海特高信息技术有限公司 | 一种基于fpga的模块化行情数据回放方法及回放系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021004198A1 (zh) | 一种板材性能的预测方法及装置 | |
| Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN110619419B (zh) | 城市轨道交通的客流预测方法 | |
| CN117215785A (zh) | 一种行情回放系统微服务资源调度方法 | |
| CN112288341B (zh) | 基于多智能体强化学习的信贷工厂订单调度方法及装置 | |
| Wang et al. | Egeria: Efficient dnn training with knowledge-guided layer freezing | |
| CN114662793B (zh) | 基于可解释分层模型的业务流程剩余时间预测方法与系统 | |
| CN109739646A (zh) | 一种数据处理方法及装置 | |
| CN118467186B (zh) | 多租户无服务器平台资源管理方法及系统 | |
| CN115941696A (zh) | 异构大数据分布式集群存储优化方法 | |
| Nemeth et al. | The comparison of machine-learning methods XGBoost and LightGBM to predict energy development | |
| Wang et al. | Efficient concurrent execution of smart contracts in blockchain sharding | |
| WO2024212614A1 (zh) | 基于多维资源预测的混合弹性伸缩方法 | |
| CN117687760A (zh) | 一种面向lvc仿真的容器云资源智能调度方法 | |
| CN117764617A (zh) | 一种基于大数据分析的物业运行成本预测方法和装置 | |
| CN111309982A (zh) | 机器学习数据索引结构的自适应结构调整方法及系统 | |
| CN115689201A (zh) | 面向企业资源供需调配的多准则智能决策优化方法及系统 | |
| CN116360921A (zh) | 一种面向电力物联网的云平台资源优化调度方法及系统 | |
| CN116266128A (zh) | 一种用于生态平台资源调度的方法及系统 | |
| Zhu et al. | Smart-mDAG: An intelligent scheduling method for multi-DAG jobs | |
| CN111523685B (zh) | 基于主动学习的降低性能建模开销的方法 | |
| Zhou et al. | Load prediction model based on LSTM and attention mechanism | |
| CN112541623A (zh) | 电力物联网双创园区科技成果转化值的获取方法 | |
| CN114154768A (zh) | 天然气需求预测方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |