CN117391813A - 订单结果推送方法、系统、装置、设备和介质 - Google Patents
订单结果推送方法、系统、装置、设备和介质 Download PDFInfo
- Publication number
- CN117391813A CN117391813A CN202311465253.1A CN202311465253A CN117391813A CN 117391813 A CN117391813 A CN 117391813A CN 202311465253 A CN202311465253 A CN 202311465253A CN 117391813 A CN117391813 A CN 117391813A
- Authority
- CN
- China
- Prior art keywords
- order
- priority
- pushing
- orders
- stage
- 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 60
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 230000002147 killing effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer And Data Communications (AREA)
Abstract
本公开提供了一种订单结果推送方法,涉及人工智能领域和大数据领域。该方法包括:将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级;根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述预推送阶段包括订单结果推送前的等待阶段;基于每个所述订单的第二优先级执行订单结果推送,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,不同的优先级类别指示了订单结果的不同推送顺序。本公开还提供了订单结果推送方法、系统、装置、设备和介质。
Description
技术领域
本公开涉及人工智能领域和大数据领域,更具体地,涉及一种订单结果推送方法、系统、装置、设备和介质。
背景技术
在抢购或秒杀活动等高并发场景下,有大量订单在短时间内生成并提交支付,如果银行没有将订单结果及时推送给商户和用户,就会发生订单结果更新不及时或订单结果通知失败等问题,进而导致用户重复支付或抢购失败等情况。同时该场景下大量订单结果数据的发送也会对服务器造成较大的压力,影响服务器性能,导致后面的订单数据无法成功推送。
发明内容
鉴于上述问题,本公开提供了订单结果推送方法、系统、装置、设备和介质。
本公开实施例的一个方面,提供了一种订单结果推送方法,包括:将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级,N为大于或等于2的整数;根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述预推送阶段包括订单结果推送前的等待阶段;基于每个所述订单的第二优先级执行订单结果推送,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,不同的优先级类别指示了订单结果的不同推送顺序。
根据本公开的实施例,预先部署有形成网络拓扑结构的S个可编程交换机,S为大于或等于1的整数;基于每个所述订单的第二优先级执行订单结果推送包括:使至少一个所述可编程交换机基于每个所述订单的第二优先级执行订单结果推送。
根据本公开的实施例,将N个订单中各订单的第一属性集合输入至机器学习模型包括:获得每个所述订单的订单结果推送状态、订单类别、订单等待时间、网络链路耗时和订单反馈耗时中至少之一,作为所述第一属性集合;以及将每个所述订单的第一属性集合输入至所述机器学习模型。
根据本公开的实施例,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级包括:获得处于预推送阶段下每个所述订单的查询请求和/或第一属性集合中至少一个变化后的属性,作为第二属性集合;基于预设规则处理所述第二属性集合,得到预推送阶段下每个所述订单的第二优先级,所述预设规则包括对应各优先级类别的匹配条件。
根据本公开的实施例,预先部署有控制服务器和M个前置服务器,所述机器学习模型设置在所述控制服务器中,M个所述前置服务器与M个优先级类别具有一一对应关系,M为大于或等于1的整数;将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级包括:在所述控制服务器中运行所述机器学习模型处理每个所述订单的所述第一属性集合,得到每个所述订单的第一优先级;其中,所述方法还包括:使所述控制服务器将每个所述订单发送至负责对应优先级类别的前置服务器以进入预推送阶段。
根据本公开的实施例,在每个所述前置服务器将该服务器下每个所述订单的第一优先级更新为第二优先级之后,所述方法还包括:对于任一个所述订单,若其第二优先级与第一优先级不同,使当前前置服务器将该订单发送至负责其第二优先级的前置服务器。
根据本公开的实施例,使至少一个所述可编程交换机基于每个所述订单的第二优先级执行订单结果推送包括:使M个所述前置服务器将各自服务器下的每个所述订单发送至一一对应的M个所述可编程交换机执行订单结果推送,S大于或等于M。
根据本公开的实施例,S个所述可编程交换机为所述网络拓扑结构中的S个网络节点,所述方法还包括:使每个所述可编程交换机将其网络节点信息发送至所述控制服务器;使所述控制服务器基于S个所述网络节点信息获得网络实时状态,所述网络实时状态用于提供第一属性集合中至少一个属性。
根据本公开的实施例,所述方法还包括:使所述控制服务器将所述网络实时状态发送至每个所述可编程交换机;使每个所述可编程交换机基于每个所述订单的第二优先级及所述网络实时状态确定网络链路,所述网络链路包括实现订单结果推送的通信路径。
本公开实施例的另一方面提供了一种订单结果推送系统,包括:控制服务器,用于将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级,N为大于或等于2的整数;M个前置服务器,用于根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,所述预推送阶段包括订单结果推送前的等待阶段;S个可编程交换机,用于基于每个所述订单的第二优先级执行订单结果推送,其中,不同的优先级类别指示了订单结果的不同推送顺序,S为大于或等于1的整数。
本公开实施例的另一方面提供了一种订单结果推送装置,包括:输入模块,用于将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级,N为大于或等于2的整数;更新模块,用于根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,所述预推送阶段包括订单结果推送前的等待阶段;推送模块,用于基于每个所述订单的第二优先级执行订单结果推送,其中,不同的优先级类别指示了订单结果的不同推送顺序。
本公开实施例的另一方面提供了一种电子设备,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,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行如上所述的方法。
本公开实施例的另一方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行如上所述的方法。
本公开实施例的另一方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上所述的方法。
上述一个或多个实施例具有如下有益效果:先利用机器学习模型输出各个订单的第一优先级,再在预推送阶段对各个订单的优先级进行动态更新,以将第一优先级更新为第二优先级,最终基于每个订单的第二优先级执行订单结果推送。从而不仅通过第一优先级确定各个订单的订单结果推送顺序,还能够动态更新优先级以调整推送顺序来适应各个订单可能变化的推送时间要求。因此通过对各个订单分优先级确定推送顺序,可以将订单结果快速推送到目标,以便及时通知到用户订单结果,避免用户在商户页面重复提交而造成大量无效数据,减轻服务器造成的压力。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的订单结果推送方法的应用场景图;
图2示意性示出了根据本公开实施例的订单结果推送方法的流程图;
图3示意性示出了根据本公开实施例的输入第一属性集合的流程图;
图4示意性示出了根据本公开实施例的更新优先级的流程图;
图5示意性示出了根据本公开实施例的得到网络实时状态的流程图;
图6示意性示出了根据本公开实施例的确定网络链路的流程图;
图7示意性示出了根据本公开实施例的订单结果推送装置的结构框图;以及
图8示意性示出了根据本公开实施例的适于实现订单结果推送方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户订单信息、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
图1示意性示出了根据本公开实施例的订单结果推送方法的应用场景图。需要注意的是,图1所示仅为可以应用本公开实施例的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的应用场景100可以包括订单结果推送系统System、网络140和终端设备151、152、153。网络140用以在终端设备151、152、153和订单结果推送系统System之间提供通信链路的介质。网络140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。
订单结果推送系统System可以包括M个前置服务器(如111、112、113……)、S个可编程交换机(如121、122、123……)和控制服务器130。
在一些实施例中,用户可以使用终端设备151、152、153通过网络140访问商户提供的抢购页面,并提交抢购请求并支付,商户生成一笔订单将支付请求发送到银行,银行通过订单结果推送系统System来将支付结果通知给商户,以便及时展示给用户。
如图1所示,终端设备151、152、153可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
如图1所示,M个前置服务器和控制服务器130中任一个可以是提供各种服务的服务器,例如对接收到的订单结果推送指令等数据进行分析执行等处理,具体而言,可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或分布式系统,还可以是提供云服务、云计算、网络服务、中间件服务等基础云计算服务的云服务器。
以下将基于图1描述的场景,通过图2~图6对本公开实施例的订单结果推送方法进行详细描述。
图2示意性示出了根据本公开实施例的订单结果推送方法的流程图。其中,在一些实施例中,可以由控制服务器执行操作S210,由M个前置服务器执行操作S220,由S个可编程交换机执行操作S230。在另一些实施例中,可以由一个服务器或服务器集群执行操作S210~操作S230。
如图2所示,该实施例包括:
在操作S210,将N个订单中各订单的第一属性集合输入至机器学习模型,得到各订单的第一优先级,N为大于或等于2的整数;
第一属性集合包括订单的一个或多个属性,订单的属性包括其自身的特性或与订单关联的参数(如网络链路参数)。
机器学习模型可以预先基于机器学习算法结合样本数据训练得到,机器学习算法例如包括支持向量机、随机森林、决策树、贝叶斯或神经网络等算法。样本数据包括历史订单的第一属性集合及历史订单的优先级标签。基于机器学习模型提取的历史订单的属性特征和标签计算损失函数值,基于损失函数进行梯度下降求导,并运行反向传播算法更新模型参数,直至达到结束条件,得到操作S210中的机器学习模型。其中,可以采用交叉熵、均方误差或平方和等损失函数计算损失函数值。
在操作S220,根据处于预推送阶段下每个订单的第二属性集合,将处于预推送阶段下每个订单的第一优先级更新为第二优先级,其中,第二优先级的所属类别与第一优先级的所属类别相同或不同,预推送阶段包括订单结果推送前的等待阶段;
在机器学习模型预测出每个订单的第一优先级后,所有订单并非是同步推送,而是根据当前计算机性能分批推送,预推送阶段包括订单等待其结果被推送的时间,即为等待阶段。例如有些订单在得到其第一优先级后可能直接进行订单结果推送,而有些订单会进入预推送阶段,可以定时或实时监测预推送阶段下每个订单的第二属性集合。预推送阶段下的订单包括N个订单中的部分或全部订单。
对一些订单而言,得到第一优先级与其结果被推送之间存在一个时间差称之为预推送阶段,在该阶段中可能订单的属性会发生改变或者接收到外界的新请求,因此可以在该阶段中动态更新优先级。
在操作S230,基于每个订单的第二优先级执行订单结果推送,其中,不同的优先级类别指示了订单结果的不同推送顺序。例如订单结果包括每笔订单的支付结果。
需要说明的是,本公开涉及的第一优先级和第二优先级是横向表征操作S210中机器学习模型预测阶段和操作S220中动态更新阶段的优先级结果,而纵向是指高、中、低的优先级类别。例如,第一优先级所属类别可以包括高、中、低的优先级类别,而第二优先级所属类别也可以包括高、中、低的优先级类别。其中高、中、低的优先级类别则指示不同的推送顺序,优先级越高则推送顺序越靠前。
根据本公开的实施例,不仅通过第一优先级确定各个订单的订单结果推送顺序,还能够动态更新优先级以调整推送顺序来适应各个订单可能变化的推送时间要求。因此通过对各个订单分优先级确定推送顺序,可以将订单结果快速推送到目标,以便及时通知到用户订单结果,避免用户在商户页面重复提交而造成大量无效数据,减轻服务器造成的压力。
在一些实施例中,参照图1,预先部署有形成网络拓扑结构的S个可编程交换机,S为大于或等于1的整数;基于每个订单的第二优先级执行订单结果推送包括:使至少一个可编程交换机基于每个订单的第二优先级执行订单结果推送。
可编程交换机作为网络数据转发的平面设施,能够将可编程性赋能ASIC(Application Specific Integrated Circuit,专用集成电路)芯片。故可编程交换机具有可编程性,其可以被写入自定义的推送逻辑。例如,可编程交换机预先配置有不同优先级类别的推送规则,各推送规则规定了优先级类别与推送顺序、网络链路等的映射关系。其中,该可编程交换机预先配置的推送规则例如可以是与可编程交换机通信连接的任意设备下发的规则,也可以为通过可编程交换机提供的可编程接口获取的规则,本公开对此不做限定。
根据本公开的实施例,提供可编程交换机实现订单结果推送能够减小服务器的压力,并保证与优先级类别对应的推送顺序,具有更高的灵活性。
图3示意性示出了根据本公开实施例的输入第一属性集合的流程图。
如图3所示,该实施例是操作S210的其中一个实施例,包括:
在操作S310,获得每个订单的订单结果推送状态、订单类别、订单等待时间、网络链路耗时和订单反馈耗时中至少之一,作为第一属性集合;
在操作S320,将每个订单的第一属性集合输入至机器学习模型;
订单结果推送状态包括已推送状态、待推送状态和推送失败状态等。订单类别包括秒杀类别(对应秒杀场景)、普通类别(对应日常支付的非秒杀场景)等。订单等待时间是指从用户提交支付请求起的时间长度。网络链路耗时是根据网络链路长短、网络链路拥堵情况、网络链路流量等计算的推送总时长。订单反馈耗时是指商户侧反馈接收到订单结果的消息反馈时间。
例如机器学习模型包括神经网络模型,其可以根据每个订单的订单结果推送状态、订单类别、订单等待时间、网络链路耗时和订单反馈耗时中至少之一预测优先级类别而得到第一优先级。
根据本公开的实施例,采用机器学习模型的方式得到订单的第一优先级,能够考虑一个或多个订单属性挖掘出每个订单潜在的推送时间需求,并输出准确的优先级结果。
图4示意性示出了根据本公开实施例的更新优先级的流程图。
如图4所示,该实施例是操作S210的其中一个实施例,包括:
在操作S410,获得处于预推送阶段下每个订单的查询请求和/或第一属性集合中至少一个变化后的属性,作为第二属性集合;
例如第一属性集合中订单等待时间、网络链路耗时发生变化,或者接收到商户的查询请求,则相应生成新的属性值作为第二属性集合。
在操作S420,基于预设规则处理第二属性集合,得到预推送阶段下每个订单的第二优先级,预设规则包括对应各优先级类别的匹配条件。
例如高优先级类别的预设规则包括订单等待时间超过1分钟,网络链路耗时小于30秒,收到商户的查询请求中至少一个匹配条件,若订单的第二属性集合中符合该至少一个匹配条件,则更新为高优先级类别而得到第二优先级。
在另一些实施例中,若订单没有匹配到任一预设规则,还可以调用机器学习模型处理第二属性集合以预测优先级类别而得到第二优先级。
根据本公开的实施例,通过实时监测预推送阶段下每个订单的属性变化情况,以及接收到查询请求的事件,能够动态调整优先级,从而实现更高效、灵活的订单结果推送效果。
在一些实施例中,参照图1,预先部署有控制服务器和M个前置服务器,机器学习模型设置在控制服务器中,M个前置服务器与M个优先级类别具有一一对应关系,M为大于或等于1的整数。例如高、中、低的优先级类别各自对应有前置服务器。通过设置对应不同优先级类别的各个前置服务器减小服务器压力,并针对性处理各优先级类别下的待推送数据。
在一些实施例中,使控制服务器执行操作S210,将N个订单中各订单的第一属性集合输入至机器学习模型,得到各订单的第一优先级包括:在控制服务器中运行机器学习模型处理每个订单的第一属性集合,得到每个订单的第一优先级;
示例性地,在银行的抢购秒杀活动中,用户在商户页面参与活动,第三方商户将用户订单提交给银行侧进行买单支付。在用户成功支付后,银行侧需要及时将订单支付结果推送给对应商户,以便商户及时更新订单状态,反馈给用户最终结果。同时在抢购秒杀活动进行中,银行侧也存在非秒杀活动的订单。
因此订单根据发送状态可以分为待推送、已推送、推送失败等状态;根据急迫程度可以分为抢购秒杀订单(即秒杀类别)、普通订单(即普通类别);根据以往商户侧接收消息反馈的时间长短,以订单反馈耗时为指标可以分为发送时间较长和时间较短的订单。控制服务器根据订单类别、订单等待时间、发送链路长短等因素运行神经网络模型预测订单的第一优先级,并将不同优先级的订单发送至对应的前置服务器。
在一些实施例中,还包括:使控制服务器将每个订单发送至负责对应优先级类别的前置服务器以进入预推送阶段。
例如由负责处理不同优先级类别的前置服务器动态调整每个订单的优先级,具体地,控制服务器将不同优先级类别的订单发送至对应前置服务器,前置服务器根据订单等待时间和订单重要等级(如接收到查询请求则调高等级)等动态调整订单优先级。
在一些实施例中,在每个前置服务器将该服务器下每个订单的第一优先级更新为第二优先级之后,还包括:对于任一个订单,若其第二优先级与第一优先级不同,使当前前置服务器将该订单发送至负责其第二优先级的前置服务器。
例如订单由于等待时间过长或者遇到商户查询请求时,每个前置服务器可以调整订单优先级,将该笔订单发送至对应优先级的其他前置服务器进行处理,具有较高的灵活性。
在一些实施例中,使至少一个可编程交换机基于每个订单的第二优先级执行订单结果推送包括:使M个前置服务器将各自服务器下的每个订单发送至一一对应的M个可编程交换机执行订单结果推送,S大于或等于M。
例如网络拓扑结构中设置有M个可编程交换机专门与M个前置服务器对接,这样能够实现M个优先级类别与M个可编程交换机的对应关系。在一些实施例中,对于高优先级类别可以设置处理性能较强的可编程交换机来执行订单结果推送,对于低优先级类别可以设置处理性能较低的可编程交换机来执行订单结果推送。在另一些实施例中,M个可编程交换机性能相同,而可以设置高优先级类别对应的可编程交换机具有推送优先权,比如优先使用耗时短的网络链路。
在M个可编程交换机各自接收到订单(包括订单结果)后,将该订单结果按照网络拓扑结构中的网络链路发送至下一可编程交换机,最终推送至商户侧。
根据本公开的实施例,设置不同可编程交换机来处理具有不同优先级类别的订单,能够进一步实现分级处理,降低高并发场景下的订单结果推送压力。
图5示意性示出了根据本公开实施例的得到网络实时状态的流程图。
S个可编程交换机为网络拓扑结构中的S个网络节点,如图5所示,该实施例包括:
在操作S510,使每个可编程交换机将其网络节点信息发送至控制服务器;
例如使得每个可编程交换机以数据包的形式执行订单结果推送,数据包包括订单结果及网络节点信息;
在操作S520,使控制服务器基于S个网络节点信息获得网络实时状态,网络实时状态用于提供第一属性集合中至少一个属性。
示例性地,使用可编程交换机对订单数据进行转发,根据订单优先级和网络链路实时情况动态调整订单数据转发链路。在可编程数据平面中,可以自定义数据包转发格式,使数据包实现带状态转发,数据包到达目的网络节点后可以将打印在包头的信息传回控制服务器,控制服务器可以收到细粒度更高的网络节点信息,如网络拓扑结构、链路和流量情况等,得到整体的网络实时状态。还可以将收集到的网络节点信息进行可视化处理,从而实现网络的自动化控制管理。
图6示意性示出了根据本公开实施例的确定网络链路的流程图。
如图6所示,该实施例包括:
在操作S610,使控制服务器将网络实时状态发送至每个可编程交换机;
在操作S620,使每个可编程交换机基于每个订单的第二优先级及网络实时状态确定网络链路,网络链路包括实现订单结果推送的通信路径。
由于各可编程交换机预先配置有不同优先级类别的推送规则,该推送规则规定了要推送的订单结果的优先级类别与推送顺序、网络链路等的映射关系。各可编程交换机节点可以根据控制服务器下传的网络实时状态,根据订单数据包的优先级类别转发订单通知数据,并在转发过程中实现网络链路的动态调整。例如对于高优先级类别优先调整为使用网络链路短、网速快、流量低的链路。
可以理解,S个可编程交换机之间直接或间接通信连接,作为网络拓扑结果的S个网络节点,在若干个网络节点之间的数据包传输通信路径形成网络链路。
根据本公开的实施例,控制服务器与各可编程交换机形成了功能上彼此支持的数据闭环,具体而言,控制服务器通过各可编程交换机反馈的网络节点信息以得到整体的网络实时状态,有利于后续订单的第一属性集合获取,如网络链路耗时,进而提高预测后续订单第一优先级的效率和准确性。
而各可编程交换机又能够获取到网络实时状态,从而动态调整进行订单结果推送的网络链路,提高了推送速度,并能优化分优先级类别处理的推送能力,将重要的订单数据及时地推送,且订单状态及时更新。
在一些实施例中,结合图1~图6,在用户秒杀的高并发场景中,订单推送系统执行订单推送方法包括以下步骤,
首先会对特定时段内收到订单数据进行分类,根据订单等待时间、发送链路长短、以往的商户订单发送时长等,利用机器学习模型预测订单的第一优先级,控制服务器将不同优先级类别的订单发送给对应的前置服务器。
然后前置服务器根据订单等待时间和订单重要等级动态调整订单优先级,如订单等待时间过长或遇到商户主动请求订单结果通知时,前置服务器可以提高该笔订单的优先级并将该笔订单数据推送给高优先级的前置服务器进行处理。
接着,在数据转发过程中,该系统中通过可编程交换机构成的数据平面可以获取到整个数据转发网络的拓扑图以及网络链路拥堵情况,各可编程交换机可以根据网络实时情况动态调整数据转发路径,保障订单支付结果能及时地推送给商户。解决了高并发场景中订单结果推送不及时,从而导致订单重复支付或抢购失败等问题。
基于上述订单结果推送方法,本公开还提供了一种订单结果推送装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的订单结果推送装置的结构框图。
如图7所示,该实施例的订单结果推送装置700包括输入模块710、更新模块720和推送模块730。
输入模块710可以执行操作S210,用于将N个订单中各订单的第一属性集合输入至机器学习模型,得到各订单的第一优先级,N为大于或等于2的整数;
更新模块720可以执行操作S220,用于根据处于预推送阶段下每个订单的第二属性集合,将处于预推送阶段下每个订单的第一优先级更新为第二优先级,其中,第二优先级的所属类别与第一优先级的所属类别相同或不同,预推送阶段包括订单结果推送前的等待阶段;
推送模块730可以执行操作S230,用于基于每个订单的第二优先级执行订单结果推送,其中,不同的优先级类别指示了订单结果的不同推送顺序。
订单结果推送装置700包括分别用于执行如上图2~图6描述的任意一个实施例的各个步骤的模块。
订单结果推送装置700在高并发场景下可以使商户侧及时获取到订单支付结果,更新支付状态,提高客户在抢购活动中的使用体验感。使用机器学习模型对订单设置第一优先级,根据订单等待时间和订单重要等级动态调整订单为第二优先级,通过可编程交换机转发订单结果数据,根据订单优先级和网络链路情况动态调整订单数据发送链路,将重要的订单数据及时地推送给商户和客户,避免订单更新不及时造成的重复支付或抢购失败等问题。
需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
根据本公开的实施例,输入模块710、更新模块720和推送模块730中的任意多个模块可以在一个或多个服务器中部署。输入模块710、更新模块720和推送模块730中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。
根据本公开的实施例,输入模块710、更新模块720和推送模块730中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,输入模块710、更新模块720和推送模块730中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现订单结果推送方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分809被下载和安装,和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种订单结果推送方法,包括:
将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级,N为大于或等于2的整数;
根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述预推送阶段包括订单结果推送前的等待阶段;
基于每个所述订单的第二优先级执行订单结果推送,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,不同的优先级类别指示了订单结果的不同推送顺序。
2.根据权利要求1所述的方法,其中,
预先部署有形成网络拓扑结构的S个可编程交换机,S为大于或等于1的整数;
基于每个所述订单的第二优先级执行订单结果推送包括:
使至少一个所述可编程交换机基于每个所述订单的第二优先级执行订单结果推送。
3.根据权利要求1或2所述的方法,其中,将N个订单中各订单的第一属性集合输入至机器学习模型包括:
获得每个所述订单的订单结果推送状态、订单类别、订单等待时间、网络链路耗时和订单反馈耗时中至少之一,作为所述第一属性集合;以及
将每个所述订单的第一属性集合输入至所述机器学习模型。
4.根据权利要求1或2所述的方法,其中,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级包括:
获得处于预推送阶段下每个所述订单的查询请求和/或第一属性集合中至少一个变化后的属性,作为第二属性集合;
基于预设规则处理所述第二属性集合,得到预推送阶段下每个所述订单的第二优先级,所述预设规则包括对应各优先级类别的匹配条件。
5.根据权利要求2所述的方法,其中,
预先部署有控制服务器和M个前置服务器,所述机器学习模型设置在所述控制服务器中,M个所述前置服务器与M个优先级类别具有一一对应关系,M为大于或等于1的整数;
将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级包括:
在所述控制服务器中运行所述机器学习模型处理每个所述订单的所述第一属性集合,得到每个所述订单的第一优先级;
其中,所述方法还包括:
使所述控制服务器将每个所述订单发送至负责对应优先级类别的前置服务器以进入预推送阶段。
6.根据权利要求5所述的方法,其中,在每个所述前置服务器将该服务器下每个所述订单的第一优先级更新为第二优先级之后,所述方法还包括:
对于任一个所述订单,若其第二优先级与第一优先级不同,使当前前置服务器将该订单发送至负责其第二优先级的前置服务器。
7.根据权利要求5或6所述的方法,其中,使至少一个所述可编程交换机基于每个所述订单的第二优先级执行订单结果推送包括:
使M个所述前置服务器将各自服务器下的每个所述订单发送至一一对应的M个所述可编程交换机执行订单结果推送,S大于或等于M。
8.根据权利要求5所述的方法,其中,S个所述可编程交换机为所述网络拓扑结构中的S个网络节点,所述方法还包括:
使每个所述可编程交换机将其网络节点信息发送至所述控制服务器;
使所述控制服务器基于S个所述网络节点信息获得网络实时状态,所述网络实时状态用于提供第一属性集合中至少一个属性。
9.根据权利要求8所述的方法,其中,所述方法还包括:
使所述控制服务器将所述网络实时状态发送至每个所述可编程交换机;
使每个所述可编程交换机基于每个所述订单的第二优先级及所述网络实时状态确定网络链路,所述网络链路包括实现订单结果推送的通信路径。
10.一种订单结果推送系统,包括:
控制服务器,用于将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级,N为大于或等于2的整数;
M个前置服务器,用于根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,所述预推送阶段包括订单结果推送前的等待阶段;
S个可编程交换机,用于基于每个所述订单的第二优先级执行订单结果推送,其中,不同的优先级类别指示了订单结果的不同推送顺序,S为大于或等于1的整数。
11.一种订单结果推送装置,包括:
输入模块,用于将N个订单中各订单的第一属性集合输入至机器学习模型,得到各所述订单的第一优先级,N为大于或等于2的整数;
更新模块,用于根据处于预推送阶段下每个所述订单的第二属性集合,将处于预推送阶段下每个所述订单的第一优先级更新为第二优先级,其中,所述第二优先级的所属类别与所述第一优先级的所属类别相同或不同,所述预推送阶段包括订单结果推送前的等待阶段;
推送模块,用于基于每个所述订单的第二优先级执行订单结果推送,其中,不同的优先级类别指示了订单结果的不同推送顺序。
12.一种电子设备,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~9中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465253.1A CN117391813A (zh) | 2023-11-06 | 2023-11-06 | 订单结果推送方法、系统、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465253.1A CN117391813A (zh) | 2023-11-06 | 2023-11-06 | 订单结果推送方法、系统、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391813A true CN117391813A (zh) | 2024-01-12 |
Family
ID=89439065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311465253.1A Pending CN117391813A (zh) | 2023-11-06 | 2023-11-06 | 订单结果推送方法、系统、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391813A (zh) |
-
2023
- 2023-11-06 CN CN202311465253.1A patent/CN117391813A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089921A (zh) | 用于云端大数据运算架构的服务器及其运算资源最佳化方法 | |
US20210341299A1 (en) | E-hailing service | |
EP3745264A1 (en) | Automated scaling of resources based on long short-term memory recurrent neural networks and attention mechanisms | |
US20200136923A1 (en) | Systems and methods for prediction of anomalies | |
CN111181770B (zh) | 一种资源分配方法、系统、电子设备和存储介质 | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN107944000B (zh) | 航班运价更新方法、装置、电子设备、存储介质 | |
CN110516984B (zh) | 用于生成配送路径信息的方法和装置 | |
CN109117252A (zh) | 基于容器的任务处理的方法、系统及容器集群管理系统 | |
CN113793139A (zh) | 支付异常的处理方法、处理装置、存储介质及电子设备 | |
CN115170321A (zh) | 批量交易数据的处理方法和装置 | |
CN110223179A (zh) | 资金的数据处理方法、装置、系统、介质 | |
CN114140252A (zh) | 一种目标对象的资源分配方法及相关装置 | |
CN115801764A (zh) | 文件传输方法、装置、设备及存储介质 | |
CN109413212B (zh) | 用于处理请求的方法和装置 | |
CN117391813A (zh) | 订单结果推送方法、系统、装置、设备和介质 | |
CN115718806A (zh) | 系统投产问题管理方法、装置、设备、介质和程序产品 | |
CN115760013A (zh) | 运维模型的构建方法、装置、电子设备及存储介质 | |
CN112182400B (zh) | 消息处理方法、消息处理装置、电子设备及存储介质 | |
CN104685853A (zh) | 用于网络中的负荷分布的系统和方法 | |
CN113391988A (zh) | 流失用户留存的方法、装置、电子设备及存储介质 | |
CN113743425A (zh) | 一种生成分类模型的方法和装置 | |
CN112785323A (zh) | 资源分配方法、装置与电子设备 | |
CN112887219B (zh) | 报文组包间隔调整方法及装置 | |
US20240004711A1 (en) | Dynamically adjusting resource allocation |
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 |