CN117370058A - 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
- CN117370058A CN117370058A CN202311334866.1A CN202311334866A CN117370058A CN 117370058 A CN117370058 A CN 117370058A CN 202311334866 A CN202311334866 A CN 202311334866A CN 117370058 A CN117370058 A CN 117370058A
- Authority
- CN
- China
- Prior art keywords
- data
- cache
- historical
- parameters
- prediction model
- 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
- 238000003672 processing method Methods 0.000 title abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 13
- 238000007637 random forest analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage 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
- 238000011161 development Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000012464 large buffer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0715—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a system implementing multitasking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Memory System Of A Hierarchy Structure (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，涉及计算机技术领域，一具体实施方式包括实时获取缓存性能数据和访问数据，进而更新至历史数据；基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；响应于触发预设条件，基于预测访问数据加载对应的缓存数据；基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能、效率和可维护性，减少开发人员成本和时间成本，提高开发人员的工作效率，提高缓存调优效率和准确率。
Description
技术领域
本申请涉及计算机技术领域，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，在现代应用程序开发中，数据缓存是提高应用程序性能和吞吐量的关键技术之一。Spring Boot的缓存技术是一种通过将数据存储在内存中来提高应用程序性能和吞吐量的技术，Spring Boot的缓存技术使用了不同类型的缓存策略，包括本地缓存、分布式缓存和注解缓存，然而，开发人员必须手动配置缓存大小、缓存时间等参数，而这些参数的优化通常需要经验和专业知识，缓存调优效率和准确率低。
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，能够解决现有的缓存调优效率和准确率低的问题。
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：
实时获取缓存性能数据和访问数据，进而更新至历史数据；
基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；
响应于触发预设条件，基于预测访问数据加载对应的缓存数据；
基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
可选地，基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据，包括：
将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；
将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
可选地，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。
可选地，基于目标缓存参数自动调整应用程序的缓存参数，包括：
将目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。
可选地，在将历史数据输入至缓存性能预测模型之前，方法还包括：
获取历史缓存性能数据，进而从历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；
确定特征对目标变量的相关性得分，进而生成对应的数组；
将特征作为初始预测模型的输入，将对应的数组作为初始预测模型的期望输出，以训练初始预测模型得到缓存性能预测模型。
可选地，在将历史数据输入至时间序列预测模型之前，方法还包括：
获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；
分析历史访问数据以得到对应的自相关性和偏相关性，进而基于自相关性和偏相关性确定初始预测模型参数；
采用网格搜索或贝叶斯优化调整初始预测模型参数以得到目标模型参数；
将第一组历史访问数据和第一样本时间点作为初始预测模型的输入，将第二组历史访问数据和第二样本时间点作为初始预测模型的期望输出，并基于目标模型参数对初始预测模型进行训练以得到时间序列预测模型。
可选地，在执行自愈进程之前，方法还包括：
获取运行应用程序时的性能指标数据，调用异常检测模型，以将性能指标数据输入至异常检测模型，响应于异常检测模型的输出结果为非空，确定运行异常。
另外，本申请还提供了一种业务处理装置，包括：
获取单元，被配置成实时获取缓存性能数据和访问数据，进而更新至历史数据；
预测单元，被配置成基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；
数据加载单元，被配置成响应于触发预设条件，基于预测访问数据加载对应的缓存数据；
调整单元，被配置成基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
可选地，预测单元进一步被配置成：
将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；
将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
可选地，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。
可选地，调整单元进一步被配置成：
将目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。
可选地，装置还包括模型训练单元，被配置成：
获取历史缓存性能数据，进而从历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；
确定特征对目标变量的相关性得分，进而生成对应的数组；
将特征作为初始预测模型的输入，将对应的数组作为初始预测模型的期望输出，以训练初始预测模型得到缓存性能预测模型。
可选地，装置还包括模型训练单元，被配置成：
获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；
分析历史访问数据以得到对应的自相关性和偏相关性，进而基于自相关性和偏相关性确定初始预测模型参数；
采用网格搜索或贝叶斯优化调整初始预测模型参数以得到目标模型参数；
将第一组历史访问数据和第一样本时间点作为初始预测模型的输入，将第二组历史访问数据和第二样本时间点作为初始预测模型的期望输出，并基于目标模型参数对初始预测模型进行训练以得到时间序列预测模型。
可选地，业务处理装置还包括异常检测单元，被配置成：
获取运行应用程序时的性能指标数据，调用异常检测模型，以将性能指标数据输入至异常检测模型，响应于异常检测模型的输出结果为非空，确定运行异常。
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：本申请通过实时获取缓存性能数据和访问数据，进而更新至历史数据；基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；响应于触发预设条件，基于预测访问数据加载对应的缓存数据；基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能、效率和可维护性，减少开发人员成本和时间成本，提高开发人员的工作效率，提高缓存调优效率和准确率。
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，实时获取缓存性能数据和访问数据，进而更新至历史数据。
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，获取缓存性能数据和访问数据。其中，缓存性能数据可以包括请求时间或响应时间、请求URL、请求参数、请求方式、吞吐率、CPU使用率、内存开销、磁盘I/O、网络I/O、缓存命中次数、缓存未命中次数、缓存命中率、缓存大小、缓存使用率、缓存对象大小、平均驻留时间、缓存驱逐次数等。具体地，请求时间/响应时间：也被称为延迟(latency)，代表从发送请求到收到响应所需的时间。通常以毫秒(ms)为单位。较低的请求时间表示系统响应速度较快，用户体验更好。
请求URI：即接口调用的请求地址。
请求参数：请求携带的参数内容。
请求方式：post/get/put/delete等。
吞吐率(Throughput)：指服务器在单位时间内处理请求的数量，通常以"请求/秒"为单位。高吞吐率意味着服务器能处理更多的并行请求。
CPU使用率：在处理请求期间，CPU资源的使用情况，以百分比表示。如果CPU使用率持续过高，可能说明系统负载过重，需要扩展硬件资源或优化代码。
内存开销(Memory Overhead)：评估了系统对内存资源的使用情况。如果内存利用率过高，可能会导致系统节奏减慢，甚至出现内存不足Out of Memory错误。
磁盘I/O：衡量数据在被写入或读取时与硬盘交换的频率。如果磁盘I/O过高，一方面该硬盘的生命周期可能会减少，另一方面可能会成为性能瓶颈。
网络I/O：衡量数据在被写入或读取时与网络交换的频率。高网络I/O可能会造成网络堵塞，减慢响应速度。
缓存命中次数(Cache Hits)：表示请求的数据在缓存中找到的次数。数据在缓存中被成功找到，说明缓存发挥了它的作用，帮助避免了不必要的数据库查询。这个指标提供了缓存效率的信息。
缓存未命中次数(Cache Misses)：表示请求的数据没有在缓存中被找到的次数，需要向后端数据库或硬盘进行查询。过高的未命中次数可能意味着当前的缓存策略存在问题。
缓存命中率：在所有缓存查询中，返回了有效结果的查询所占百分比。缓存大小：表示当前缓存使用了多少存储空间。一个过大的缓存可能导致负载过高，对其他服务造成影响；过小的缓存则可能导致命中率降低，效率下降。
缓存使用率(Cache Utilization)：告诉我们当前缓存相对于其总容量使用了多少。这对设定缓存大小有实际参考作用。
缓存对象大小(Cache Object Sizes)：表示每个缓存对象占用的存储大小。这可以帮助我们理解彼此之间的差异并优化缓存策略。
平均驻留时间(Average residence time)：缓存对象从创建到失效的平均时间。此信息有助于了解缓存项的生命周期，影响缓存置换策略。
缓存驱逐次数(Cache Evictions)：当缓存满载并需要存储新的数据时，旧数据将被移除。如果这个数量过大，则可能意味着当前缓存容量太小。
可以理解的是，缓存性能数据包括但不限于上述指标，缓存性能数据共同构一个全面的性能评估体系，通过对各项指标的监控和分析，可以较为准确地评估出Spring Boot服务的运行状态及其瓶颈所在。
具体地，访问数据可以包括访问模式数据和访问频率数据。可以理解的是，当前实时获取的缓存性能数据和访问数据可以作为未来预设时间点(下一秒或者下一分钟，本申请实施例对未来预设时间点不做具体限定)的历史数据，并更新至当前时间之前的历史数据中，以得到针对于下一时间点的历史数据。
步骤S102，基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据。
具体地，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。示例的，目标变量，例如可以是缓存性能数据中的缓存命中率或者缓存使用率等，本申请实施例对目标变量不做具体限定。
执行主体通过将历史数据输入至预测模型以输出在未来预设时间点的目标缓存参数和预测访问数据。其中，预测模型用于表征输入的数据与目标缓存参数的对应关系，也可以用于表征输入的数据与访问数据的对应关系。
步骤S103，响应于触发预设条件，基于预测访问数据加载对应的缓存数据。
预设条件，例如可以是系统启动，当执行主体检测到系统启动时，可以根据预测的访问数据加载对应的缓存数据，也即通过加载适当的缓存数据，可以提高系统的响应速度和性能。
步骤S104，基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。通过目标缓存参数中的相关性得分对与目标变量相关的特征进行筛选，以得到与目标变量相关性较高(例如相关性大于预设阈值，示例的，该预设阈值例如可以是0.1)的特征，并根据与目标变量相关性较高的特征自动调整应用程序的缓存参数中的特征，以实现应用程序最优的性能表现。
在应用程序运行过程中，执行主体可以实时收集并存储应用程序运行时的性能指标数据和行为数据，性能指标数据具体可以为CPU利用率、内存使用率等指标，以及行为数据具体可以为响应延迟时间、数据加载时间等。当实时收集到的应用程序运行时的性能指标数据和行为数据不在预设范围内，则可以确定应用程序运行异常，并在运行异常时出发执行自愈进程，以拉取匹配的自愈程序对异常进行补救，并最终使得应用程序的运行正常。
本实施例通过实时获取缓存性能数据和访问数据，进而更新至历史数据；基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；响应于触发预设条件，基于预测访问数据加载对应的缓存数据；基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能、效率和可维护性，减少开发人员成本和时间成本，提高开发人员的工作效率，提高缓存调优效率和准确率。
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，实时获取缓存性能数据和访问数据，进而更新至历史数据。
步骤S202，将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数。
缓存性能预测模型用于表征输入的数据与目标缓存参数的对应关系。其中，目标缓存参数可以包括与目标变量相关的特征以及该相关的特征对应的相关性得分。
步骤S203，将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
时间序列预测模型用于表征输入的数据与未来预设时间点的访问数据的对应关系。未来预设时间点例如可以是后一秒或者后一分钟，本申请实施例对未来预设时间点不做具体限定。
步骤S204，响应于触发预设条件，基于预测访问数据加载对应的缓存数据。
预设条件例如可以是系统启动或者可以是系统转换，本申请实施例对预设条件不做具体限定。
作为一种实现方式，预测访问数据可以是未来某个时间段内的预测访问数据，可以对应于未来某个时间段内的各个时间点。执行主体可以根据触发的预设条件确定要加载的缓存数据对应的时间点或者时间段，从而根据要加载的缓存数据对应的时间点或者时间段加载对应的预测访问数据。
步骤S205，基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
执行主体通过基于目标缓存参数自动调整应用程序的缓存参数，具体可以调整可以达到最优的性能表现。
在本申请实施例中，执行主体响应于发现运行异常，系统自动采取相应的自愈措施，例如可以重新加载缓存数据、调整缓存策略等，以保证系统的稳定性和可靠性。
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，如图3所示，业务处理方法包括：
步骤S301，实时获取缓存性能数据和访问数据，进而更新至历史数据。
步骤S302，将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数。
具体地，在将历史数据输入至缓存性能预测模型之前，方法还包括：获取历史缓存性能数据，进而从历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征(例如A、B、C、D)；确定特征对目标变量的相关性得分(例如0.8、0.6、0.4、0.2)，进而生成对应的数组，例如[(B,0.8),(A,0.6),(D,0.4),(C,0.2)]；将特征作为初始预测模型的输入，将对应的数组作为初始预测模型的期望输出，以训练初始预测模型得到缓存性能预测模型。
此外，在收集到性能指标数据后，需要对其中的噪声、异常值和缺失值进行处理，之后才可以安全地使用这些数据训练和测试机器学习模型。示例的，清理噪声：数据中可能存在由各种原因产生的随机误差或变异，如系统的临时卡顿或瞬间的高负载等。可以采用滑动窗口(Moving Average)法进行；首先，选择一个窗口大小n，例如5，即每5个连续点的平均值被计算出来作为新的数据点。开始时，让窗口覆盖数据的前5个点，计算这些点的平均值，然后将滑动窗口向前移动一位，重复上述操作。处理异常值：离群点检测(OutlierDetection)是确定异常值的一个常见技术。可以使用基于z-score策略来识别并处理异常值。以下以请求时间/响应时间为例：计算所有请求时间的平均值和标准差。对每个请求时间，通过公式z＝(X-μ)/σ得到它的z-score(其中X是单个数据点的值，μ是平均值，σ是标准差)。如果任何请求时间的z-score绝对值超过阈值(假定为3)，则将其标记为异常值，把它替换为平均值。填充缺失值：在有些情况下，可能会遇到数据集中某些值的缺失，这可能由系统的短暂中断或其他因素引起。对于缺失的数据，可以选择填充平均数、中位数或用前一时刻的数据进行填充等方法。找到存在空值的条目，检查所有空值条目的前一条和后一条记录，如果有任何一条不存在，则直接删除此条记录，如果上述两条记录都存在，则将此处的空值填充为前后数据的平均值((previous_data+next_data)/2)。归一化：机器学习模型在处理各种范围的数据时可能会出现偏见，例如，一个特征的取值范围是0-1，而另一个特征的范围是1-100。因此，使用归一化(将数据转化到[0，1]之间)能使得不同尺度的数据之间方便比较，以及帮助训练算法更好地收敛。以下以请求时间/响应时间为例：整理所有的响应时间数据。计算所有数据的均值mean和标准差std。使用下面的公式对每个响应时间进行归一化：normalized_x＝(x-mean)/std。
在本申请实施例中，在缓存性能单变量统计分析中，可以以缓存命中率作为目标变量，分别计算平均驻留时间、缓存大小、CPU使用率、内存开销等特征与目标变量的相关性，分别以A、B、C、D指代。
针对每个特征A、B、C、D分别计算与缓存命中率的相关性得分，并对得到的相关性得分进行降序排序，以确定每个特征与缓存命中率的相关性强弱。由此可以得出一个特征列表，按照与缓存命中率的相关性从高到低排序，例如，排序后的结果可以如下所示：
sorted_correlations＝[(B,0.8),(A,0.6),(D,0.4),(C,0.2)]
从这个排序结果可以看出，特征B与缓存命中率的相关性最高(得分为0.8)，其次是特征A(得分为0.6)，然后是特征D(得分为0.4)，最后是特征C(得分为0.2)。去除掉得分低于0.1的特征，就可以基于相关性得分来选择与目标变量缓存命中率相关性较高的特征进行后续的模型建立。
以选择平均驻留时间、缓存大小、CPU使用率、内存开销这几个特征为例，以变量缓存命为目标变量，储存在一个DataFrame对象raw_data中。DataFrame是一个表格型的数据结构，含有一组有序的列,每列可以是不同的值类型，raw_data：原始数据。导入相关的Python库包：sklearn：一个提供大量机器学习算法的Python库，执行主体可以从中导入用于数据集划分和随机森林模型的函数。提取已选定的特征和目标变量，这是缓存性能预测模型所需要用到的数据。features：这个列表储存了特征变量的名称，将利用这些特征来预测目标变量。target：这是目标变量(也被称作响应变量)，是要预测的对象。创建并训练随机森林模型模型：例如RandomForestRegressor，一个回归类型的随机森林模型，用于处理连续型的目标变量。对每个模型参数进行调整都可能影响最终模型的预测性能。model.feature_importances：在一个已经被训练过的随机森林模型中，这个属性会返回一个数组，其中包含了每个特征对预测目标变量的相关性得分。特征的相关性是根据该特征在构成随机森林的各决策树中进行划分的情况来衡量的：一个特征在更多的树分支被用做决策条件，则它的相关性更高。迭代特征消除(Recursive Feature Elimination，RFE)是一种灵活的特征选择方法，它适合用于找出最佳特征子集，可以配合任何模型进行使用。RFE通过反复创建模型并选择表现最好或者最差的特性，最终将排序结果进行联合评估，去掉通过重要性较低的特征。具体地，sklearn库，包括RFECV(featured with cross-validatedRecursive Feature Elimination)和随机森林分类器。根据其他变量预测缓存命中率；使用RFECV来运行RFE，使用随机森林模型(feature estimator)、RFECV进行交叉验证。在这个步骤中，把模型和数据传入RFECV函数里。step参数表示每次迭代时要移除的特征数量，cv是交叉验证的折数(数据划分为训练集和验证集的折数)。打印出优化后选择的特性数量以及特性排名。ranking_属性给出了每个特征的重要性排序。最终得到的结果集中，将重要性排名最末10％的交集选择剔除，得到最后的特征结果集。
通过这个流程，可以评估不同的输入特征在预测目标变量时的相对重要性，即与目标变量的相关性。这有助于理解哪些特征对预测结果影响最大，进而优化特征选择和系统性能。
对模型的训练，使用机器学习算法对训练数据进行训练，建立一个缓存性能预测模型。机器学习算法可根据情况选择决策树、随机森林、神经网络。模型评估，使用测试数据对训练好的模型进行评估，检查模型的准确度和泛化能力等指标。如果模型的效果不理想，可以重新训练或者选择其他算法。优化应用程序，根据训练好的模型，自动调整应用程序的缓存参数，以达到最优的性能表现。应用程序的特征参数可以根据预测的缓存性能进行自适应调整，从而实现较优的缓存性能。
具体地，在将历史数据输入至时间序列预测模型之前，方法还包括：获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；分析历史访问数据以得到对应的自相关性和偏相关性，进而基于自相关性和偏相关性确定初始预测模型参数；采用网格搜索或贝叶斯优化调整初始预测模型参数以得到目标模型参数；将第一组历史访问数据和第一样本时间点作为初始预测模型的输入，将第二组历史访问数据和第二样本时间点作为初始预测模型的期望输出，并基于目标模型参数对初始预测模型进行训练以得到时间序列预测模型。
具体地，历史访问数据可以包括历史访问数据和历史访问频率数据。通过将历史访问数据进行分组，得到第一组历史访问数据和第一样本时间点，从而可以作为模型的输入数据，将得到的第二组历史访问数据和第二样本时间点可以作为期望的输出数据，从而实现对模型的预测训练。
示例的，执行主体可以收集历史的数据访问模式和访问频率数据，并进行预处理和特征工程。根据预处理的数据训练时间序列预测模型，使用初始预测模型，例如ARIMA模型进行训练。ARIMA模型为自回归差分移动平均模型，由自回归模型、差分过程和移动平均模型三部分构成。ARIMA模型的参数根据历史数据的自相关性和偏相关性进行设定。调整ARIMA模型的参数，例如采用网格搜索或贝叶斯优化来选择最佳的模型参数，即目标模型参数。根据时间序列预测模型的结果，预测未来数据的访问模式和访问频率，具体的，使用预测值的均值和标准差来确定数据的访问模式和频率。在系统启动时，根据预测结果加载适当的缓存数据，以提高系统的响应速度和性能。
具体地，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。
步骤S303，将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
步骤S304，响应于触发预设条件，基于预测访问数据加载对应的缓存数据。
步骤S305，将目标缓存参数中低于预设阈值(例如0.1)的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
具体地，在执行自愈进程之前，还包括：获取运行应用程序时的性能指标数据，调用异常检测模型，以将性能指标数据输入至异常检测模型，响应于异常检测模型的输出结果为非空，确定运行异常。
示例的，执行主体可以收集并存储系统运行时的性能指标和异常行为数据，包括但不限于系统的CPU利用率、内存使用率等指标。对收集到的数据进行预处理和特征工程，进行数据归一化、去除噪声操作。根据预处理后的数据训练异常检测模型，使用孤立森林(Isolation Forest)算法进行训练。模型的训练基于正常数据和异常数据之间的差异，以判断当前数据是否异常。调整异常检测模型的参数，例如采用交叉验证来选择最佳的参数。在系统运行时，使用训练好的异常检测模型监测系统的性能和异常行为。一旦发现异常，系统自动采取相应的自愈措施，重新加载缓存数据、调整缓存策略等，以保证系统的稳定性和可靠性。
本申请实施例中，机器学习算法包括决策树、随机森林、神经网络等。选择的有用特征包括缓存操作频率、缓存数据类型、缓存命中率、历史的数据访问模式、访问频率、CPU利用率、内存使用率等。本申请实施例的业务处理方法收集Spring Boot应用程序的缓存性能数据，包括缓存命中率、缓存使用频率、缓存大小、缓存时间等等。收集历史的数据访问模式和访问频率数据，并进行预处理和特征工程。收集并存储系统运行时的性能指标和异常行为数据，包括但不限于系统的CPU利用率、内存使用率等指标。对收集到的数据进行清洗和处理。选择有用的特征来训练模型。使用机器学习算法对训练数据进行训练。根据训练好的模型，在系统启动时，根据预测结果加载适当的缓存数据，以提高系统的响应速度和性能，在运行时自动调整应用程序的缓存参数，在检测发现异常时，自动采取自愈措施。缓存优化的方法有很多，除了上述基于数据科学和机器学习技术的方法外，还有以下几种替代方案：预热缓存：在系统启动或者请求较少的时候，提前将热门的数据加载到缓存中，减少后续的查询请求响应时间。自适应缓存：根据系统的负载情况和请求的频率，动态调整缓存的大小和数据存储策略，以提高缓存的效率和命中率。分布式缓存：将缓存数据分布到多台服务器上，以提高系统的可用性和容错性。基于Redis等高性能缓存服务的方案：Redis等高性能缓存服务提供了多种缓存策略，如LRU、LFU、TTL等，可以根据需求灵活选择。需要根据具体场景和需求选择合适的缓存优化方案，以实现系统性能的最优化。
本申请实施例的业务处理方法能够根据实际需要实现预测性缓存和异常检测与自愈能力。通过预测性缓存，提高了系统的响应速度和性能。通过异常检测与自愈能力，保证了系统的稳定性和可靠性。通过机器学习算法的应用，提高了缓存调优方法的效果和性能。将数据科学和机器学习技术应用于Spring Boot缓存优化领域，充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能和效率，减少开发人员成本和时间成本，提高开发人员的工作效率，提高应用程序的性能和可维护性；此外，通过不断地更新和优化模型，本发明可以适应应用程序不断变化的数据访问模式和业务需求，帮助应用程序保持稳定和高效。
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、预测单元402、数据加载单元403和调整单元404。
获取单元401，被配置成实时获取缓存性能数据和访问数据，进而更新至历史数据。
预测单元402，被配置成基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据。
数据加载单元403，被配置成响应于触发预设条件，基于预测访问数据加载对应的缓存数据。
调整单元404，被配置成基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
在一些实施例中，预测单元402进一步被配置成：将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
在一些实施例中，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。
在一些实施例中，调整单元404进一步被配置成：将目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。
在一些实施例中，业务处理装置还包括图4中未示出的模型训练单元，被配置成：获取历史缓存性能数据，进而从历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；确定特征对目标变量的相关性得分，进而生成对应的数组；将特征作为初始预测模型的输入，将对应的数组作为初始预测模型的期望输出，以训练初始预测模型得到缓存性能预测模型。
在一些实施例中，业务处理装置还包括图4中未示出的模型训练单元，被配置成：获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；分析历史访问数据以得到对应的自相关性和偏相关性，进而基于自相关性和偏相关性确定初始预测模型参数；采用网格搜索或贝叶斯优化调整初始预测模型参数以得到目标模型参数；将第一组历史访问数据和第一样本时间点作为初始预测模型的输入，将第二组历史访问数据和第二样本时间点作为初始预测模型的期望输出，并基于目标模型参数对初始预测模型进行训练以得到时间序列预测模型。
在一些实施例中，业务处理装置还包括图4中未示出的异常检测单元，被配置成：获取运行应用程序时的性能指标数据，调用异常检测模型，以将性能指标数据输入至异常检测模型，响应于异常检测模型的输出结果为非空，确定运行异常。
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所实时获取缓存性能数据和访问数据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实时获取缓存性能数据和访问数据，进而更新至历史数据；基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；响应于触发预设条件，基于预测访问数据加载对应的缓存数据；基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能、效率和可维护性，减少开发人员成本和时间成本，提高开发人员的工作效率，提高缓存调优效率和准确率。
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、预测单元、数据加载单元和调整单元。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，使得该设备实时获取缓存性能数据和访问数据，进而更新至历史数据；基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；响应于触发预设条件，基于预测访问数据加载对应的缓存数据；基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。
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，可以充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能、效率和可维护性，减少开发人员成本和时间成本，提高开发人员的工作效率，提高缓存调优效率和准确率。
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 (16)
1.一种业务处理方法，其特征在于，包括：
实时获取缓存性能数据和访问数据，进而更新至历史数据；
基于所述历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；
响应于触发预设条件，基于所述预测访问数据加载对应的缓存数据；
基于所述目标缓存参数自动调整应用程序的缓存参数，进而基于所述缓存数据运行所述应用程序，响应于运行异常，执行自愈进程以调整所述应用程序运行正常。
2.根据权利要求1所述的方法，其特征在于，所述基于所述历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据，包括：
将所述历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；
将所述历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
3.根据权利要求2所述的方法，其特征在于，所述目标缓存参数包括与目标变量相关的特征以及所述特征对应的相关性得分。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标缓存参数自动调整应用程序的缓存参数，包括：
将所述目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。
5.根据权利要求2所述的方法，其特征在于，在所述将所述历史数据输入至缓存性能预测模型之前，所述方法还包括：
获取历史缓存性能数据，进而从所述历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；
确定所述特征对所述目标变量的相关性得分，进而生成对应的数组；
将所述特征作为初始预测模型的输入，将所述对应的数组作为所述初始预测模型的期望输出，以训练所述初始预测模型得到缓存性能预测模型。
6.根据权利要求2所述的方法，其特征在于，在所述将所述历史数据输入至时间序列预测模型之前，所述方法还包括：
获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；
分析所述历史访问数据以得到对应的自相关性和偏相关性，进而基于所述自相关性和所述偏相关性确定初始预测模型参数；
采用网格搜索或贝叶斯优化调整所述初始预测模型参数以得到目标模型参数；
将所述第一组历史访问数据和所述第一样本时间点作为初始预测模型的输入，将所述第二组历史访问数据和所述第二样本时间点作为所述初始预测模型的期望输出，并基于所述目标模型参数对所述初始预测模型进行训练以得到时间序列预测模型。
7.根据权利要求1所述的方法，其特征在于，在所述执行自愈进程之前，所述方法还包括：
获取运行所述应用程序时的性能指标数据，调用异常检测模型，以将所述性能指标数据输入至所述异常检测模型，响应于所述异常检测模型的输出结果为非空，确定运行异常。
8.一种业务处理装置，其特征在于，包括：
获取单元，被配置成实时获取缓存性能数据和访问数据，进而更新至历史数据；
预测单元，被配置成基于所述历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；
数据加载单元，被配置成响应于触发预设条件，基于所述预测访问数据加载对应的缓存数据；
调整单元，被配置成基于所述目标缓存参数自动调整应用程序的缓存参数，进而基于所述缓存数据运行所述应用程序，响应于运行异常，执行自愈进程以调整所述应用程序运行正常。
9.根据权利要求8所述的装置，其特征在于，所述预测单元进一步被配置成：
将所述历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；
将所述历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。
10.根据权利要求9所述的装置，其特征在于，所述目标缓存参数包括与目标变量相关的特征以及所述特征对应的相关性得分。
11.根据权利要求10所述的装置，其特征在于，所述调整单元进一步被配置成：
将所述目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。
12.根据权利要求9所述的装置，其特征在于，所述装置还包括模型训练单元，被配置成：
获取历史缓存性能数据，进而从所述历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；
确定所述特征对所述目标变量的相关性得分，进而生成对应的数组；
将所述特征作为初始预测模型的输入，将所述对应的数组作为所述初始预测模型的期望输出，以训练所述初始预测模型得到缓存性能预测模型。
13.根据权利要求9所述的装置，其特征在于，所述装置还包括模型训练单元，被配置成：
获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；
分析所述历史访问数据以得到对应的自相关性和偏相关性，进而基于所述自相关性和所述偏相关性确定初始预测模型参数；
采用网格搜索或贝叶斯优化调整所述初始预测模型参数以得到目标模型参数；
将所述第一组历史访问数据和所述第一样本时间点作为初始预测模型的输入，将所述第二组历史访问数据和所述第二样本时间点作为所述初始预测模型的期望输出，并基于所述目标模型参数对所述初始预测模型进行训练以得到时间序列预测模型。
14.一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1-7中任一项所述的方法。
15.一种计算机可读介质，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1-7中任一项所述的方法。
16.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311334866.1A CN117370058A (zh) | 2023-10-16 | 2023-10-16 | 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 |
|---|---|---|---|
| CN202311334866.1A CN117370058A (zh) | 2023-10-16 | 2023-10-16 | 一种业务处理方法、装置、电子设备及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117370058A true CN117370058A (zh) | 2024-01-09 |
Family
ID=89403564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311334866.1A Pending CN117370058A (zh) | 2023-10-16 | 2023-10-16 | 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) | CN117370058A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555933A (zh) * | 2024-01-12 | 2024-02-13 | 深圳市智百威科技发展有限公司 | 一种解决高并发数据访问的方法及系统 |
-
2023
- 2023-10-16 CN CN202311334866.1A patent/CN117370058A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555933A (zh) * | 2024-01-12 | 2024-02-13 | 深圳市智百威科技发展有限公司 | 一种解决高并发数据访问的方法及系统 |
| CN117555933B (zh) * | 2024-01-12 | 2024-03-22 | 深圳市智百威科技发展有限公司 | 一种解决高并发数据访问的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10554738B1 (en) | Methods and apparatus for load balance optimization based on machine learning | |
| Li et al. | Metis: Robustly tuning tail latencies of cloud systems | |
| US9773011B2 (en) | On-demand caching in a WAN separated distributed file system or clustered file system cache | |
| CN112685170B (zh) | 备份策略的动态优化 | |
| US20210319306A1 (en) | Prefetching and/or computing resource allocation based on predicting classification labels with temporal data | |
| Yang et al. | Intermediate data caching optimization for multi-stage and parallel big data frameworks | |
| US11341097B2 (en) | Prefetching based on historical use and real-time signals | |
| CN109564569B (zh) | 减少用于长期计算的存储器使用 | |
| CN117370058A (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
| CN112561197B (zh) | 一种带有主动防御影响范围的电力数据预取与缓存方法 | |
| US10838870B2 (en) | Aggregated write and caching operations based on predicted patterns of data transfer operations | |
| CN114091704B (zh) | 一种告警压制方法和装置 | |
| CN109413694B (zh) | 一种基于内容流行度预测的小小区缓存方法及装置 | |
| CN110347706A (zh) | 用于处理查询的方法、数据库系统和计算机可读存储介质 | |
| US11449782B2 (en) | Distributed machine learning for cached data validity | |
| US20220067569A1 (en) | Data Management Forecasting from Distributed Tracing | |
| US20230281101A1 (en) | Auto insights into data changes | |
| CN110162272B (zh) | 一种内存计算缓存管理方法及装置 | |
| CN116684491A (zh) | 一种基于深度学习的动态缓存方法、装置、设备和介质 | |
| Nimishan et al. | An approach to improve the performance of web proxy cache replacement using machine learning techniques | |
| CN111050195B (zh) | 流媒体缓存方法、装置及计算机可读存储介质 | |
| Du et al. | A web cache replacement strategy for safety-critical systems | |
| CN115033457B (zh) | 一种可监控预警的多源数据实时采集方法及系统 | |
| US11966393B2 (en) | Adaptive data prefetch | |
| CN115858319B (zh) | 一种流数据处理方法及装置 |
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 |