CN117407124B - 一种基于构建出的数据编排策略生成模型的业务执行方法 - Google Patents
一种基于构建出的数据编排策略生成模型的业务执行方法 Download PDFInfo
- Publication number
- CN117407124B CN117407124B CN202311712642.XA CN202311712642A CN117407124B CN 117407124 B CN117407124 B CN 117407124B CN 202311712642 A CN202311712642 A CN 202311712642A CN 117407124 B CN117407124 B CN 117407124B
- Authority
- CN
- China
- Prior art keywords
- data
- access
- storage
- user
- storage device
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 claims abstract description 216
- 238000012546 transfer Methods 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 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
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 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
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种基于构建出的数据编排策略生成模型的业务执行方法，通过获取各存储设备对应的设备参数以及各存储设备中存储的各数据的访问信息，而后将获取到的信息输入到预先构建出的数据编排策略生成模型，得到针对各数据的数据编排策略。通过得到的针对各数据的数据编排策略，确定出各数据的转移情况以及需要被转移的数据需要转移到的存储设备，进而对各数据进行转移，以通过转移后的各数据，执行目标业务。通过预先构建出的数据编排策略生成模型生成的数据编排策略对各存储设备上存储的数据进行整理，通过更合理的空间分配，增加了对各存储设备的性能的利用率，提高了用户对云存储集群上数据的访问效率。
Description
技术领域
本说明书涉及云服务技术领域，尤其涉及一种基于构建出的数据编排策略生成模型的业务执行方法。
背景技术
随着数据存储需求的不断增长，云存储技术被广泛使用。用户可在业务服务器处获取数据目录，而后根据数据目录访问各云存储集群上的数据。
但由于不同云存储集群在诸如容量、数据传输带宽等性能上存在不同，数据在被存储到不同性能的云存储集群时，可能会出现存储不合理的情况，例如，被高频访问的数据存储在低性能的云存储集群，而访问频率极低的数据反而又存储在性能较高的云存储集群上，这将导致用户对云存储集群上数据的访问效率较低。
因此，如何有效的提高用户对云存储集群上数据的访问效率，是一个亟待解决的问题。
发明内容
本说明书提供一种基于构建出的数据编排策略生成模型的业务执行方法，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基于构建出的数据编排策略生成模型的业务执行方法，包括：
获取各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数，针对每个数据，该数据对应的访问信息包括该数据的访问频率；
将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略；
针对每个数据，根据所述数据编排策略，确定该数据需要转移到的存储设备；
根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中；
通过转移后的各数据，执行目标业务。
可选地，在将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略之前，所述方法还包括：
获取各存储设备中存储的各数据对应的属性信息，针对每个数据，该数据对应的属性信息包括：该数据在存储设备中存储时的数据类型、该数据的数据重要级别；
将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略，具体包括：
将所述各数据对应的访问信息、每个数据对应的属性信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略。
可选地，预先训练所述数据编排策略生成模型，具体包括：
获取各存储设备对应的设备参数以及所述各存储设备中存储的各数据在预设历史时段内的访问信息，作为历史访问信息；
将所述历史访问信息以及所述各存储设备对应的设备参数输入到所述数据编排策略生成模型，以通过所述数据编排策略生成模型根据所述各存储设备对应的设备参数以及所述历史访问信息，得到针对各数据的预测数据编排策略；
以最小化所述预测数据编排策略与预设的标准数据编排策略之间的偏差为优化目标，对所述数据编排策略生成模型进行训练。
可选地，根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中，具体包括：
根据确定出的每个数据需要转移到的存储设备的设备参数，确定每个需要转移的数据的转移顺序；
根据所述转移顺序，生成转移任务列表；
通过所述转移任务列表，对所述各数据进行转移，以将所述各数据按照所述转移顺序存储至转移到的存储设备中。
可选地，通过转移后的各数据，执行目标业务，具体包括：
针对每个转移的数据，生成该数据对应的数据链接信息；
根据所述数据链接信息，更新原始的数据目录；
将所述更新后的数据目录展示给用户，以在响应于所述用户针对所述更新后的数据目录所执行的业务操作，执行目标业务。
本说明书提供了一种基于构建出的数据编排策略生成模型的业务执行装置，包括：
第一获取模块，用于获取各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数；
输入模块，用于将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略；
确定模块，用于针对每个数据，根据所述数据编排策略，确定该数据需要转移到的存储设备；
转移模块，用于根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中；
执行模块，用于通过转移后的各数据，执行目标业务。
可选地，所述装置还包括：
第二获取模块，用于所述输入模块在将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略之前，获取各存储设备中存储的各数据对应的属性信息；
所述输入模块，用于将所述各数据对应的访问信息、每个数据对应的属性信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略。
可选地，所述输入模块具体用于，
获取各存储设备对应的设备参数以及所述各存储设备中存储的各数据在预设历史时段内的访问信息，作为历史访问信息；将所述历史访问信息以及所述各存储设备对应的设备参数输入到所述数据编排策略生成模型，以通过所述数据编排策略生成模型根据所述各存储设备对应的设备参数以及所述历史访问信息，得到针对各数据的预测数据编排策略；以最小化所述预测数据编排策略与预设的标准数据编排策略之间的偏差为优化目标，对所述数据编排策略生成模型进行训练。
可选地，所述转移模块具体用于，
根据确定出的每个数据需要转移到的存储设备的设备参数，确定每个需要转移的数据的转移顺序；根据所述转移顺序，生成转移任务列表；通过所述转移任务列表，对所述各数据进行转移，以将所述各数据按照所述转移顺序存储至转移到的存储设备中。
可选地，所述执行模块具体用于，
针对每个转移的数据，生成该数据对应的数据链接信息；根据所述数据链接信息，更新原始的数据目录；将所述更新后的数据目录展示给用户，以在响应于所述用户针对所述更新后的数据目录所执行的业务操作，执行目标业务。
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基于构建出的数据编排策略生成模型的业务执行方法。
本说明书提供了一种电子设备，包括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基于构建出的数据编排策略生成模型的业务执行方法。
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：
在本说明书提供的基于构建出的数据编排策略生成模型的业务执行方法中，先获取各存储设备对应的设备参数以及各存储设备中存储的各数据的访问信息，而后将获取到的各存储设备对应的设备参数以及各存储设备中存储的各数据的访问信息输入到预先构建出的数据编排策略生成模型中，即可得到针对各数据的数据编排策略。而后即可根据得到的针对各数据的数据编排策略确定出各数据的转移情况以及需要被转移的数据需要转移到的存储设备，进而对各数据进行转移，以通过转移后的各数据，执行目标业务。
从上述方法可以看出，通过预先构建出的数据编排策略生成模型即可获取数据编排策略，从而对数据进行编排，通过对各数据进行转移，更合理的将各数据分配到各存储设备中，提高了用户对云存储集群上数据的访问效率以及保证了各存储设备中存储资源的合理分配。
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为本说明书提供的一种基于构建出的数据编排策略生成模型的业务执行方法流程示意图；
图2为本说明书提供的一种基于构建出的数据编排策略生成模型的业务执行装置的结构示意图；
图3为本说明书中提供的一种对应于图1的电子设备的结构示意图。
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。
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基于构建出的数据编排策略生成模型的业务执行方法的流程示意图，包括：
S101：获取各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数，针对每个数据，该数据对应的访问信息包括该数据的访问频率。
本说明书提供的一种基于构建出的数据编排策略生成模型的业务执行方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备，也可以是安装在终端设备中的客户端，抑或是服务器，而为了便于描述，下面仅以执行主体是服务器为例，对本说明书提供的一种基于构建出的数据编排策略生成模型的业务执行方法进行说明。
在现有的云服务技术领域，服务器使用的云服务提供商所提供的多个云存储集群中的多个存储设备之间往往存在着诸如带宽、存储容量等性能上的差距，而对于数据，并没有一个合理的规则将各数据存储在各存储设备上，多数采用随机存储或统一存储的方式。
上述存储方式会导致一些访问量高的数据存储在性能较差的存储设备中，访问量低的数据反而占用了性能较好的存储设备的存储空间。在用户使用服务器所提供的业务时，不合理的存储方式会降低用户对各存储设备上各数据的访问效率。
如上所述，现有的服务器将数据存储在各存储设备上的存储方式存在着的较大的缺陷，从而导致数据的存储情况不合理，进而出现用户对数据的访问效率较低的问题，而在云服务技术领域，用户对数据的访问需要较高的效率。
基于此，本说明书提供了一种基于构建出的数据编排策略生成模型的业务执行方法，服务器通过将获取到的各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对各数据的数据编排策略，进而通过得到的针对各数据的数据编排策略实现对各数据的转移，从而通过转移后的各数据，在为用户提供业务服务时提高用户对数据的访问效率。
服务器对各存储设备中存储的各数据进行转移的主要依据就是各存储设备的设备参数，设备参数包括存储容量、性能带宽、协议类型等影响数据访问效率的参数，并且还需要获取各存储设备中存储的各数据对应的访问信息，即各数据的访问频率。通过各存储设备的设备参数以及各数据的访问信息即可通过预先训练出的数据编排策略生成模型生成针对各数据的数据编排策略，进而通过数据编排策略实现各存储设备中各数据的转移，更合理的将各数据存储在各存储设备中，从而提高各存储设备的性能利用率，进而提高用户对各数据的访问效率。
需要说明的是，通过将各存储设备的设备参数以及各数据的访问频率作为输入到数据编排策略生成模型的数据，从而根据得到的数据编排策略进行数据转移，对数据进行重分配以将各数据更合理的分配到各存储设备中。除此以外，还可以获取各存储设备中存储的各数据对应的属性信息作为输入到数据编排策略生成模型的数据中的一项，数据对应的属性信息包括：该数据在存储设备中存储时的数据类型、该数据的数据重要级别。数据的数据类型会影响数据的存储方式，原因在于不同的存储设备对不同数据类型的访问效率不同，而数据的数据重要级别是根据文件的重要性确定出的，例如，作为云计算结果的数据往往最为重要，而作为计算中间数据的数据重要级别通常为最低级。而后将所述各数据对应的访问信息、每个数据对应的属性信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略，根据此数据编排策略进行数据转移可更进一步的提高数据转移后用户对各数据的访问效率，原因在于这种方式可以使转移后的各数据对各存储设备的例如协议类型的参数更加适配。
此外，还可以将各用户对各数据的访问速度作为输入到模型中数据的一项，各用户对各数据的访问速度可根据各用户的访问设备的与各数据所在的各存储设备之间的网络传输距离、各存储设备的设备参数以及用户的访问设备的设备参数确定出，用于表示各用户对各存储设备中各数据的预测访问延迟。通过将各用户对各数据的访问速度作为输入到模型中数据的一项，可根据得到的数据编排策略更合理的分配各存储设备的存储空间以提高用户对各数据的访问效率。
S102：将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略。
服务器在获取各数据对应的访问信息以及各存储设备对应的设备参数后，即可将各数据对应的访问信息以及各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对各数据的数据编排策略。
其中，数据编排策略生成模型在使用之前，需要通过深度学习技术预先训练得到。
具体的，服务器先获取各存储设备对应的设备参数以及各存储设备中存储的各数据在预设历史时段内的访问信息，作为历史访问信息，其中，历史访问信息即包括各数据的访问频率。
而后将历史访问信息以及各存储设备对应的设备参数输入到数据编排策略生成模型，以通过数据编排策略生成模型根据各存储设备对应的设备参数以及历史访问信息得到针对各数据的预测数据编排策略。在获取针对各数据的预测数据编排策略后，需要将预测数据编排策略与预设的标准数据编排策略进行对比。其中，预设的标准数据编排策略可通过预设历史时段之后的多个历史时段中的各数据所对应的访问信息确定出。以最小化预测数据编排策略与预设的标准数据编排策略之间的偏差为优化目标，对数据编排策略生成模型进行训练。
在训练出数据编排策略生成模型后，即可在数据编排策略生成过程中，将各数据对应的访问信息以及各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对各数据的数据编排策略。
需要说明的是，关于步骤S101中的内容，明确说明了除了各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数可作为输入到预先训练出的数据编排策略生成模型中的数据以外，各存储设备中存储的各数据对应的属性信息以及各用户对各数据的访问速度也可以作为输入到预先训练出的数据编排策略生成模型中的数据。而要想以这种方法得到数据编排策略，需要在预先训练数据编排策略生成模型时，一并将各存储设备中存储的各数据对应的属性信息以及各用户对各数据的访问速度作为输入数据中输入到数据编排策略模型。以各存储设备中存储的各数据的属性信息为例，需要额外获取各存储设备中存储的各数据的属性信息，而后在将各数据对应的访问信息以及各存储设备对应的设备参数输入到数据编排策略生成模型时，额外的输入获取到的各存储设备中存储的各数据的属性信息以得到针对各数据的预测数据编排策略，从而对数据编排策略生成模型进行训练。
服务器在获取数据编排策略后，即可通过数据编排策略确定出各数据需要转移到的存储设备，进而实现对各数据的转移。
S103：针对每个数据，根据所述数据编排策略，确定该数据需要转移到的存储设备。
服务器获取的数据编排策略中，包含需要各数据需要转移到的存储设备，对于需要转移到的存储设备与当前存储的存储设备相同的数据，即视为不作转移。当然，也可以对获取的数据编排策略先进行简易筛选，以确定出需要被转移的各数据以及需要被转移的各数据要转移到的存储设备。
服务器在确定出每个需要被转移的数据以及每个需要被转移的数据需要转移到的存储设备后，即可转移各需要被转移的数据。存储设备根据访问性能分为高性能存储设备与低性能存储设备，其中高性能存储设备对应的高速缓存集群包括该服务器中少量存储空间与高速缓存集群，其中该服务器中存储空间的性能最好。
服务器根据数据编排策略，即可将低性能存储设备中存储的访问量较高的数据转移到该服务器中的存储空间或高速缓存集群中，而对于高性能存储设备中存储的访问量较低的数据，则将其转移到低性能存储设备中。
S104：根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中。
服务器在确定出每个数据需要转移到的存储设备，以得到每个需要被转移的数据以及每个需要被转移的数据需要转移到的存储设备后，需要对各需要被转移的数据进行转移。
在转移之前，需要根据每个需要被转移的数据需要转移到的存储设备的设备参数，确定出每个需要被转移的数据的转移顺序。具体的，对于转移到的存储设备的性能较好的数据，需要优先转移，原因在于转移到的存储设备的性能较好的数据的访问频率往往较高，需要尽快的进行转移。
服务器在确定出转移顺序后，即可生成转移任务列表。而后根据转移任务列表对各数据进行数据转移，以将各数据按照确定出的转移顺序存储至转移到的存储设备中。其中，对于数据访问频率较高的部分数据，可通过数据缓存线程池可将这部分数据缓存到数据访问速度较高的高速缓存集群，对于数据量较小的高访问率数据，可选择将其缓存到该服务器中。通过这种方式将高频率访问数据缓存至该服务器或高速缓存集群中，实现更合理的存储空间分配，使高速缓存集群与该服务器中高频率访问数据的占比更高，从而提高用户对高频率访问数据的访问效率。
需要说明的是，对于缓存至高速缓存集群以及该服务器的数据，可能存在数据丢失的情况，因此，可以根据转移任务列表，对被缓存至高速缓存集群以及该服务器的数据进行备份，以保证数据安全性。
在通过生成的转移任务列表对各数据进行数据转移后，即可通过转移后的各数据为用户提供服务。
S105：通过所述转移后的各数据，执行目标业务。
服务器在对各数据进行转移后，针对每个转移的数据，需要生成该数据对应的数据链接信息，该数据链接信息包含着该数据的当前存储位置，而后根据该数据对应的数据链接信息，对原始的数据目录进行更新。其中，对于用户而言，用户所查询到的目录，即原始数据目录的路径并未作改变，但其中的数据所对应的实际存储位置已经改变了。原因在于，数据编排依赖于各数据的访问频率，而在不同时刻下各数据的被访问频率存在明显差别，因此，往往需要进行多次的数据编排，但多次的数据编排会导致数据的多次转移，即，数据的实际存储位置多次变化，如果每次数据编排都把数据的位置反馈到用户查询到的目录，不利于用户的实际体验。
因此，用户查看到的数据目录的内容是不变的，变化则是数据目录中每个数据所对应的数据链接信息（即类似超链接所链接到的访问地址，这种信息对于用户来说并不可见），所以，从用户的视觉感官上，不会出现数据目录的内容时常变化的情况，但由于每个数据对应的数据链接信息需要根据各数据的实际转移情况而发生变化，所以，可以保证用户对于高频访问的数据进行快速的访问。
在更新原始的数据目录后，即可将更新后的数据目录展示给用户，以在响应于用户针对更新后的数据目录所执行的业务操作，执行目标业务。
例如，用户可通过服务器执行云计算服务，服务器即可通过对转移后的各数据进行计算实现用户提出的云计算服务需求，相对于未转移的各数据，通过提高了对云计算所需数据的数据访问效率，加快了云计算服务的服务速度，通过提高数据访问效率的方式增强了用户的业务体验。
服务器在构建出数据编排策略生成模型后，即可通过将获取到的各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数输入到数据编排策略生成模型，而后通过数据编排策略生成模型输出的数据编排策略实现数据的转移，通过提高对各存储设备性能的利用率，提高用户对数据的访问效率。
以上为本说明书的一个或多个基于构建出的数据编排策略生成模型的业务执行方法基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
图2为本说明书实施例提供的一种基于构建出的数据编排策略生成模型的业务执行方法装置的结构示意图，所述装置包括：
第一获取模块201，用于获取各存储设备中存储的各数据所对应的访问信息，以及各存储设备对应的设备参数；
输入模块202，用于将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略；
确定模块203，用于针对每个数据，根据所述数据编排策略，确定该数据需要转移到的存储设备；
转移模块204，用于根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中；
执行模块205，用于通过转移后的各数据，执行目标业务。
可选地，所述装置还包括：
第二获取模块206，用于所述输入模块在将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略之前，获取各存储设备中存储的各数据对应的属性信息；
所述输入模块202，用于将所述各数据对应的访问信息、每个数据对应的属性信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略。
可选地，所述输入模块202具体用于，
获取各存储设备对应的设备参数以及所述各存储设备中存储的各数据在预设历史时段内的访问信息，作为历史访问信息；将所述历史访问信息以及所述各存储设备对应的设备参数输入到所述数据编排策略生成模型，以通过所述数据编排策略生成模型根据所述各存储设备对应的设备参数以及所述历史访问信息，得到针对各数据的预测数据编排策略；以最小化所述预测数据编排策略与预设的标准数据编排策略之间的偏差为优化目标，对所述数据编排策略生成模型进行训练。
可选地，所述转移模块204具体用于，
根据确定出的每个数据需要转移到的存储设备的设备参数，确定每个需要转移的数据的转移顺序；根据所述转移顺序，生成转移任务列表；通过所述转移任务列表，对所述各数据进行转移，以将所述各数据按照所述转移顺序存储至转移到的存储设备中。
可选地，所述执行模块205具体用于，
针对每个转移的数据，生成该数据对应的数据链接信息；根据所述数据链接信息，更新原始的数据目录；将所述更新后的数据目录展示给用户，以在响应于所述用户针对所述更新后的数据目录所执行的业务操作，执行目标业务。
本说明书还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可用于执行上述图1提供的基于构建出的数据编排策略生成模型的业务执行方法。
基于图1所示的一种基于构建出的数据编排策略生成模型的业务执行方法，本说明书实施例还提供了图3所示的电子设备的结构示意图。如图3，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所述的一种基于构建出的数据编排策略生成模型的业务执行方法。
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 (10)
1.一种基于构建出的数据编排策略生成模型的业务执行方法，其特征在于，包括：
获取各存储设备中存储的各数据所对应的访问信息、各用户对各数据的访问速度、以及各存储设备对应的设备参数，其中，针对每个数据，该数据对应的访问信息包括该数据的访问频率，所述各用户对各数据的访问速度用于表示所述各用户对各存储设备中各数据的预测访问延迟，所述各用户对各数据的访问速度是根据所述各用户的访问设备与所述各数据所在的各存储设备之间的网络传输距离、各存储设备的设备参数以及用户的访问设备的设备参数确定出的；
将所述各数据对应的访问信息、所述各用户对各数据的访问速度、以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略；
针对每个数据，根据所述数据编排策略，确定该数据需要转移到的存储设备；
根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中；
通过转移后的各数据，执行目标业务。
2.如权利要求1所述的方法，其特征在于，在将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型之前，所述方法还包括：
获取各存储设备中存储的各数据对应的属性信息，针对每个数据，该数据对应的属性信息包括：该数据在存储设备中存储时的数据类型、该数据的数据重要级别；
将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，具体包括：
将所述各数据对应的访问信息、每个数据对应的属性信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略。
3.如权利要求1所述的方法，其特征在于，预先训练所述数据编排策略生成模型，具体包括：
获取各存储设备对应的设备参数、各用户对各数据的访问速度、以及所述各存储设备中存储的各数据在预设历史时段内的访问信息，作为历史访问信息；
将所述历史访问信息、各用户对各数据的访问速度、以及所述各存储设备对应的设备参数输入到所述数据编排策略生成模型，以通过所述数据编排策略生成模型根据所述各存储设备对应的设备参数、各用户对各数据的访问速度、以及所述历史访问信息，得到针对各数据的预测数据编排策略；
以最小化所述预测数据编排策略与预设的标准数据编排策略之间的偏差为优化目标，对所述数据编排策略生成模型进行训练。
4.如权利要求1所述的方法，其特征在于，根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中，具体包括：
根据确定出的每个数据需要转移到的存储设备的设备参数，确定每个需要转移的数据的转移顺序；
根据所述转移顺序，生成转移任务列表；
通过所述转移任务列表，对所述各数据进行转移，以将所述各数据按照所述转移顺序存储至转移到的存储设备中。
5.如权利要求1所述的方法，其特征在于，通过所述转移后的各数据，执行目标业务，具体包括：
针对每个转移的数据，生成该数据对应的数据链接信息；
根据所述数据链接信息，更新原始的数据目录；
将所述更新后的数据目录展示给用户，以在响应于所述用户针对所述更新后的数据目录所执行的业务操作，执行目标业务。
6.一种基于构建出的数据编排策略生成模型的业务执行装置，其特征在于，包括：
第一获取模块，用于获取各存储设备中存储的各数据所对应的访问信息、各用户对各数据的访问速度、以及各存储设备对应的设备参数，其中，针对每个数据，该数据对应的访问信息包括该数据的访问频率，所述各用户对各数据的访问速度用于表示所述各用户对各存储设备中各数据的预测访问延迟，所述各用户对各数据的访问速度是根据所述各用户的访问设备与所述各数据所在的各存储设备之间的网络传输距离、各存储设备的设备参数以及用户的访问设备的设备参数确定出的；
输入模块，用于将所述各数据对应的访问信息、所述各用户对各数据的访问速度、以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略；
确定模块，用于针对每个数据，根据所述数据编排策略，确定该数据需要转移到的存储设备；
转移模块，用于根据确定出的每个数据需要转移到的存储设备，对所述各数据进行转移，并将所述各数据存储至转移到的存储设备中；
执行模块，用于通过转移后的各数据，执行目标业务。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于所述输入模块在将所述各数据对应的访问信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略之前，获取各存储设备中存储的各数据对应的属性信息；
所述输入模块，用于将所述各数据对应的访问信息、每个数据对应的属性信息以及所述各存储设备对应的设备参数输入到预先训练的数据编排策略生成模型，得到针对所述各数据的数据编排策略。
8.如权利要求6所述的装置，其特征在于，所述输入模块具体用于，
获取各存储设备对应的设备参数、各用户对各数据的访问速度、以及所述各存储设备中存储的各数据在预设历史时段内的访问信息，作为历史访问信息；将所述历史访问信息、各用户对各数据的访问速度、以及所述各存储设备对应的设备参数输入到所述数据编排策略生成模型，以通过所述数据编排策略生成模型根据所述各存储设备对应的设备参数、各用户对各数据的访问速度、以及所述历史访问信息，得到针对各数据的预测数据编排策略；以最小化所述预测数据编排策略与预设的标准数据编排策略之间的偏差为优化目标，对所述数据编排策略生成模型进行训练。
9.一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1~5任一项所述的方法。
10.一种电子设备，包括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1~5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311712642.XA CN117407124B (zh) | 2023-12-13 | 2023-12-13 | 一种基于构建出的数据编排策略生成模型的业务执行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311712642.XA CN117407124B (zh) | 2023-12-13 | 2023-12-13 | 一种基于构建出的数据编排策略生成模型的业务执行方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407124A CN117407124A (zh) | 2024-01-16 |
| CN117407124B true CN117407124B (zh) | 2024-03-12 |
Family
ID=89496600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311712642.XA Active CN117407124B (zh) | 2023-12-13 | 2023-12-13 | 一种基于构建出的数据编排策略生成模型的业务执行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407124B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102291450A (zh) * | 2011-08-08 | 2011-12-21 | 浪潮电子信息产业股份有限公司 | 一种集群存储系统内部的数据在线分级存储方法 |
| CN107728952A (zh) * | 2017-10-31 | 2018-02-23 | 郑州云海信息技术有限公司 | 一种预测式数据迁移方法及系统 |
| CN112783423A (zh) * | 2019-11-08 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 数据对象的存放方法、装置、电子设备及计算机可读介质 |
| CN116361290A (zh) * | 2023-03-23 | 2023-06-30 | 平安科技（深圳）有限公司 | 冷热数据处理方法、装置、电子设备及存储介质 |
| CN116382573A (zh) * | 2023-02-28 | 2023-07-04 | 深圳华为云计算技术有限公司 | 一种数据存储方法、计算设备和数据存储系统 |
| CN116567077A (zh) * | 2023-06-08 | 2023-08-08 | 曙光信息产业股份有限公司 | 裸金属指令发送方法、装置、设备及存储介质 |
| CN116684491A (zh) * | 2023-06-27 | 2023-09-01 | 浙江极氪智能科技有限公司 | 一种基于深度学习的动态缓存方法、装置、设备和介质 |
| CN117195997A (zh) * | 2023-11-06 | 2023-12-08 | 之江实验室 | 一种模型训练方法、装置、存储介质及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373722A1 (en) * | 2017-06-26 | 2018-12-27 | Acronis International Gmbh | System and method for data classification using machine learning during archiving |
-
2023
- 2023-12-13 CN CN202311712642.XA patent/CN117407124B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102291450A (zh) * | 2011-08-08 | 2011-12-21 | 浪潮电子信息产业股份有限公司 | 一种集群存储系统内部的数据在线分级存储方法 |
| CN107728952A (zh) * | 2017-10-31 | 2018-02-23 | 郑州云海信息技术有限公司 | 一种预测式数据迁移方法及系统 |
| CN112783423A (zh) * | 2019-11-08 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 数据对象的存放方法、装置、电子设备及计算机可读介质 |
| CN116382573A (zh) * | 2023-02-28 | 2023-07-04 | 深圳华为云计算技术有限公司 | 一种数据存储方法、计算设备和数据存储系统 |
| CN116361290A (zh) * | 2023-03-23 | 2023-06-30 | 平安科技（深圳）有限公司 | 冷热数据处理方法、装置、电子设备及存储介质 |
| CN116567077A (zh) * | 2023-06-08 | 2023-08-08 | 曙光信息产业股份有限公司 | 裸金属指令发送方法、装置、设备及存储介质 |
| CN116684491A (zh) * | 2023-06-27 | 2023-09-01 | 浙江极氪智能科技有限公司 | 一种基于深度学习的动态缓存方法、装置、设备和介质 |
| CN117195997A (zh) * | 2023-11-06 | 2023-12-08 | 之江实验室 | 一种模型训练方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 海量遥感数据的存储迁移策略研究;赵泽亚;杨迪;梁小虎;王荣;金雪;;信息工程大学学报;20200215(01);121-125 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117407124A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107391526B (zh) | 一种基于区块链的数据处理方法及设备 | |
| CN111756550B (zh) | 一种区块链共识方法及装置 | |
| CN111930486B (zh) | 任务选取数据处理方法、装置、设备及存储介质 | |
| CN108848244B (zh) | 一种分页显示的方法及装置 | |
| CN109344348B (zh) | 一种资源更新方法及装置 | |
| JP2020514866A (ja) | ブロックチェーンベースのデータ処理方法および装置 | |
| CN108549562A (zh) | 一种图像加载的方法及装置 | |
| CN107291720B (zh) | 一种实现批量数据处理的方法、系统和计算机集群 | |
| CN109002357B (zh) | 资源分配方法、装置及物联网系统 | |
| CN108845876B (zh) | 一种业务分配的方法及装置 | |
| CN110263050B (zh) | 数据处理方法、装置、设备及存储介质 | |
| TW202008763A (zh) | 資料處理方法和裝置、用戶端 | |
| CN117312394B (zh) | 一种数据访问方法、装置、存储介质及电子设备 | |
| CN115617799A (zh) | 一种数据存储的方法、装置、设备及存储介质 | |
| CN110825943B (zh) | 一种生成用户访问路径树数据的方法、系统及设备 | |
| CN117407124B (zh) | 一种基于构建出的数据编排策略生成模型的业务执行方法 | |
| WO2023231342A1 (zh) | 基于变量状态自动执行合约的方法和装置 | |
| CN110874322B (zh) | 一种用于应用程序的测试方法及测试服务器 | |
| CN116304212A (zh) | 一种数据处理系统、方法、设备及存储介质 | |
| CN116089046A (zh) | 基于软件定义算力网络的调度方法、装置、设备及介质 | |
| CN112181979B (zh) | 一种数据更新方法、装置、存储介质及电子设备 | |
| CN110032433B (zh) | 一种任务执行方法、装置、设备及介质 | |
| CN111880922A (zh) | 并发任务的处理方法、装置及设备 | |
| CN107645541B (zh) | 数据存储方法、装置及服务器 | |
| CN117348999B (zh) | 一种业务执行系统及业务执行方法 |
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 |