CN117439995A - 信息发布方法、装置、设备及存储介质 - Google Patents

信息发布方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117439995A
CN117439995A CN202311746052.9A CN202311746052A CN117439995A CN 117439995 A CN117439995 A CN 117439995A CN 202311746052 A CN202311746052 A CN 202311746052A CN 117439995 A CN117439995 A CN 117439995A
Authority
CN
China
Prior art keywords
information
information release
target
distribution
release
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.)
Granted
Application number
CN202311746052.9A
Other languages
English (en)
Other versions
CN117439995B (zh
Inventor
李秀民
宋亮青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Bosi Information Technology Co ltd
Original Assignee
Guangdong Bosi Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Bosi Information Technology Co ltd filed Critical Guangdong Bosi Information Technology Co ltd
Priority to CN202311746052.9A priority Critical patent/CN117439995B/zh
Publication of CN117439995A publication Critical patent/CN117439995A/zh
Application granted granted Critical
Publication of CN117439995B publication Critical patent/CN117439995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/10Protocols in which an application is distributed across nodes in the network
    • H04L67/1001Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004Server selection for load balancing
    • H04L67/1014Server selection for load balancing based on the content of a request
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • G06N3/0442Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/086Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/10Protocols in which an application is distributed across nodes in the network
    • H04L67/1001Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004Server selection for load balancing
    • H04L67/1008Server selection for load balancing based on parameters of servers, e.g. available memory or workload

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请涉及信息处理技术领域,公开了一种信息发布方法、装置、设备及存储介质。所述方法包括:获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据并构建第一信息发布梯度网络;进行信息发布排序,生成目标信息发布队列;进行发布状态监控,得到发布时间分布数据并计算第一信息发布性能评价指标;进行比较,得到目标比较结果;通过策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略并进行梯度网络动态优化,生成第二信息发布梯度网络;进行信息发布处理,并实时计算第二信息发布梯度网络的第二信息发布性能评价指标,以及根据第二信息发布性能评价指标生成目标动态策略列表,本申请提高了信息发布的效率。

Description

信息发布方法、装置、设备及存储介质
技术领域
本申请涉及信息处理技术领域,尤其涉及一种信息发布方法、装置、设备及存储介质。
背景技术
在信息时代,信息发布中心扮演着至关重要的角色,它们负责将信息传达给广大受众。然而,随着信息量的爆炸性增长和用户需求的多样化,信息发布变得更加复杂和具有挑战性。当前的信息发布中心面临着延迟问题和拥挤度问题,即如何在不同情境下合理安排信息发布的时间和顺序,以满足用户的时效性需求和信息传递效率,这成为了亟待解决的重要问题。
尽管信息发布中心的重要性不可忽视,但现有的研究在信息发布优化方面仍然存在着一些关键问题。首先,如何准确获取并分析信息发布延迟数据和拥挤度数据,以及如何构建有效的信息发布策略,这是当前研究中的瓶颈。其次,信息发布性能的评价和优化仍然缺乏系统性方法,难以应对复杂的信息发布环境和多样化的用户需求。最后,当前的信息发布策略通常是静态的,无法应对实时变化的情况,因此需要更具动态性和适应性的方法来提高信息发布的时效性和效率。解决这些问题将有助于提高信息发布中心的性能,提供更好的信息服务。
发明内容
本申请提供了一种信息发布方法、装置、设备及存储介质,进而提高了信息发布的效率。
第一方面,本申请提供了一种信息发布方法,所述信息发布方法包括:
获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建所述信息发布中心的第一信息发布梯度网络;
通过所述第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列;
对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据所述发布时间分布数据计算所述第一信息发布梯度网络的第一信息发布性能评价指标;
根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,并对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果;
将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络;
通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标,以及根据所述第二信息发布性能评价指标生成目标动态策略列表。
第二方面,本申请提供了一种信息发布装置,所述信息发布装置包括:
获取模块,用于获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建所述信息发布中心的第一信息发布梯度网络;
排序模块,用于通过所述第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列;
计算模块,用于对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据所述发布时间分布数据计算所述第一信息发布梯度网络的第一信息发布性能评价指标;
比较模块,用于根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,并对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果;
优化模块,用于将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络;
生成模块,用于通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标,以及根据所述第二信息发布性能评价指标生成目标动态策略列表。
本申请第三方面提供了一种信息发布设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述信息发布设备执行上述的信息发布方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的信息发布方法。
本申请提供的技术方案中,通过实时监控信息发布队列和计算信息发布性能指标,该方法能够及时响应信息发布中心的变化情况,优化信息发布的时效性,确保信息能够及时传达给目标受众。利用第一信息发布梯度网络和第二信息发布梯度网络,可以自动调整信息发布策略,以适应不同的情境和需求。这种自动化的性能优化可以提高信息发布中心的效率和性能。通过数据收集、分析和模型构建,能够基于实际数据做出决策,而不是依赖静态规则。这有助于更好地理解信息发布中心的性能状况,从而制定更智能的决策。能够综合考虑信息发布延迟、拥挤度等多个性能指标,以更全面的方式评估信息发布质量。这有助于信息发布中心更好地理解其性能表现。通过使用预置的策略分析模型,方法可以根据不同情况和需求预测并优化信息发布策略。这种智能分析可以提高信息发布中心的决策质量。通过动态更新策略列表,可以根据实际情况调整信息发布策略。这有助于信息发布中心适应不断变化的需求和环境。通过生成第一信息发布性能评价指标和第二信息发布性能评价指标,方法提供了多级性能评价,有助于更精确地了解信息发布质量。能够根据信息发布拥挤度数据确定信息发布节点数量,以最大程度地利用资源,提高信息发布效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中信息发布方法的示意图;
图2为本申请实施例中信息发布装置的示意图。
具体实施方式
本申请实施例提供了一种信息发布方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中信息发布方法的一个实施例包括:
步骤S101、获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建信息发布中心的第一信息发布梯度网络;
可以理解的是,本申请的执行主体可以为信息发布装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,首先,获取信息发布中心的初始信息发布性能数据,包括响应时间、处理量、用户反馈等多种维度。接着,对这些初始数据进行数据清洗,例如,去除噪声、纠正错误、标准化数据格式等多个环节,以确保后续分析的准确性和有效性。接下来,根据预置的延迟标签和拥挤度标签信息,确定相应的延迟聚类中心和拥挤度聚类中心。采用聚类算法,如K-means或DBSCAN,来识别数据中的模式和趋势。然后,通过预置的第一聚类模型,根据延迟聚类中心对目标信息发布性能数据进行聚类分析,从而得到信息发布延迟数据。同样地,利用第二聚类模型,根据拥挤度聚类中心对数据进行聚类分析,以获取信息发布拥挤度数据。随后,基于所得到的信息发布延迟数据和拥挤度数据,确定信息发布中心的第一信息发布节点数量阈值和第二信息发布节点数量阈值。这些阈值是基于服务器性能和需求来设定的,以确保信息发布过程既高效且稳定。然后,根据这两个阈值确定信息发布中心的最优信息发布节点数量。这个数量可以通过算法模型计算出来,旨在平衡服务器的负载和响应能力。最后,根据确定的最优信息发布节点数量,确定相应的多个目标信息发布节点,并对这些节点进行网络拓扑分析。这一步涉及到网络结构的设计和优化,包括节点之间的连接方式、信息传输路径的选择等,目的是构建一个既高效又可靠的第一信息发布梯度网络。这个梯度网络不仅反映了信息发布的优先级和紧急程度,还能适应各种环境变化,确保信息快速、准确地传达到目标接收者。
步骤S102、通过第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列;
具体的,首先,获取第一信息发布梯度网络的全局负载数据,这些数据涵盖整个网络的运行状态,包括各节点的处理能力、当前处理任务的数量和类型等。全局负载数据的获取提供了整个网络运行状况的宏观视图,是制定有效信息发布策略的基础。接着,获取每个目标信息发布节点的节点负载数据,这些数据更具体、更细化,反映了每个节点的实际运行情况,包括节点的处理速度、任务队列长度、历史响应时间等。这样的详细数据收集有利于更准确地理解和优化每个节点的性能,确保信息发布过程的高效和平衡。接下来,对全局负载数据进行信息发布排序准则分析。利用算法和模型,比如基于优先级、紧急程度、预期影响等多种因素的综合考虑。通过这种分析,可以得到第一信息发布排序准则,这个准则是对整个网络而言的,目的是从宏观角度确保信息发布的合理性和有效性。随后,分别对每个目标信息发布节点的负载数据进行类似的排序准则分析,得到每个节点的第二信息发布排序准则。根据每个节点的具体情况调整和优化排序规则,使其既能满足全局要求,又能充分利用节点的特定优势。接着,获取预置信息发布数据库中的多个目标待发布信息。这些信息是排序和发布的对象,它们涵盖广泛的内容和格式,如文本、图片、视频等。这些信息的获取不仅要考虑完整性和准确性,还要考虑它们的实时性和相关性。最后,根据第一信息发布排序准则以及每个节点的第二信息发布排序准则,对这些目标待发布信息进行排序,生成目标信息发布队列。综合考虑全局负载和节点负载数据,以及不同信息的特性和紧急程度,确保信息按照优先级和效率高效发布,从而优化整个信息发布过程的性能和响应速度。
步骤S103、对目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据发布时间分布数据计算第一信息发布梯度网络的第一信息发布性能评价指标;
具体的,首先,对目标信息发布队列的发布状态进行监控,获取每个目标待发布信息的发布时间分布数据,这些数据反映了信息在队列中的等待时间和处理时间等关键信息。通过监控这些数据,可以深入了解信息发布过程中的时间效率和潜在瓶颈。接着,对每个目标待发布信息的发布时间分布数据进行特征提取,识别出影响发布时间的关键因素,如峰值时间、低谷时间、波动频率等。接下来,对提取出的初始分布特征数据进行线性变换,得到每个目标待发布信息的线性分布特征集合。线性变换可以简化数据结构,使其更适合于进一步的分析和处理。然后,根据线性分布特征集合构建每个目标待发布信息的协方差矩阵,并根据协方差矩阵对线性分布特征集合进行特征相关性计算。协方差矩阵是一种描述变量间关系的统计工具,通过它可以理解不同特征之间的关联程度。接下来,根据分布特征相关性计算线性分布特征集合对应的主成分分布特征权重,并根据这些权重对发布时间分布数据进行特征融合,得到每个目标待发布信息的目标时间分布数据。主成分分析是一种常用的降维技术,它可以识别出数据中最重要的特征,从而简化分析过程。随后,分别对目标时间分布数据进行方差计算和分布特性计算,得到每个目标待发布信息的方差数据和分布特性数据。这些计算可以帮助理解信息发布时间的波动性和一致性,有助于评估信息发布效率。最后,根据方差数据和分布特性数据,分别计算每个目标待发布信息的时效性评分数据,并对这些评分数据进行归一化处理,从而得到第一信息发布性能评价指标。时效性评分是评价信息发布效率的关键指标,归一化处理则确保了评价结果的一致性和可比性。通过这一系列的步骤,不仅可以全面而精确地评估信息发布的性能,还能为进一步优化信息发布策略提供可靠的数据支持。
步骤S104、根据信息发布拥挤度数据设置两个信息发布性能指标阈值,并对第一信息发布性能评价指标与两个信息发布性能指标阈值进行比较,得到目标比较结果;
具体的,首先,基于信息发布拥挤度数据设置两个信息发布性能指标阈值,即第一信息发布性能指标阈值和第二信息发布性能指标阈值。这些阈值的设定反映了对服务器性能的预期和要求。第一信息发布性能指标阈值被设定为较低的值,表示服务器性能的基本接受标准,而第二信息发布性能指标阈值则被设定为更高的值,代表着服务器性能的理想状态。这两个阈值之间的差距体现了服务器从基本可接受到理想性能状态的转变范围,为服务器性能的评估和优化提供了基准。接下来,对第一信息发布性能评价指标与这两个阈值进行比较,判断当前服务器性能的状态。这一比较过程涉及到多种的结果,每种结果都对应着服务器当前的性能状况。当第一信息发布性能评价指标低于第一信息发布性能指标阈值时,这表明信息发布服务器的性能未能达到基本的可接受标准,服务器面临着严重的拥挤问题或其他性能瓶颈,这种情况下需要采取紧急措施以提升服务器性能。如果第一信息发布性能评价指标处于两个阈值之间,即大于第一信息发布性能指标阈值但小于第二信息发布性能指标阈值,这表明服务器的性能虽然已经超过了基本的可接受标准,但还未达到理想状态。在这种情况下,服务器需要一些优化措施来进一步提升性能,以更接近或达到第二信息发布性能指标阈值。最后,如果第一信息发布性能评价指标超过了第二信息发布性能指标阈值,这则是一个理想的结果,表示信息发布服务器的性能已经非常优秀,超过了预定的最高标准。在这种情况下,服务器不需要立即的性能优化措施,但仍需持续监控以确保性能保持在高水平。
步骤S105、将目标比较结果和第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据目标梯度网络更新策略对第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络;
具体的,首先,将目标比较结果和第一信息发布性能评价指标输入预置的策略分析模型。策略分析模型包括多个策略决策网络,每个网络都是专门设计来处理不同类型的信息并作出相应的策略决策。通过这些策略决策网络,可以分析和预测最合适的梯度网络更新策略,以应对当前的服务器性能和需求。接着,根据目标比较结果确定多个策略决策网络对应的目标权重数据集。目标权重数据集是基于服务器当前的性能状态来设定的,不同的性能状态对应不同的权重数据集,这样的设计旨在确保梯度网络更新策略能够最大程度地适应服务器当前的需求和挑战。例如,如果服务器性能低于第一信息发布性能指标阈值,那么选用的将是第一权重数据集,反映出对服务器性能提升的紧迫需求;如果服务器性能处于两个阈值之间,将采用第二权重数据集,表示需要进一步优化;而如果服务器性能超过第二阈值,第三权重数据集将被采用,这表明服务器性能已经非常优秀,需要的是维持或微调。接下来,通过多个策略决策网络对第一信息发布性能评价指标进行策略决策分析。这些网络的设计包括两层单向门限循环单元(GRU单元)以及两层全连接层,分别采用ReLU函数和sigmoid函数。这种网络结构能够有效地处理时间序列数据,捕捉信息发布过程中的动态特征,并预测最佳的梯度网络更新策略。随后,根据目标权重数据集对每个策略决策网络的梯度网络更新策略预测值进行加权融合,以得到梯度网络更新策略融合值。通过综合考虑各个策略决策网络的输出,确保了最终得到的更新策略既全面又可靠。之后,根据梯度网络更新策略融合值对预置的初始动态策略列表中的多个第一候选梯度网络更新策略进行查询匹配,得到目标梯度网络更新策略。这一步骤涉及到从一系列预设的潜在策略中挑选出最适合当前情况的策略。最后,根据所得到的目标梯度网络更新策略对第一信息发布梯度网络进行动态优化,生成第二信息发布梯度网络。将策略分析模型的输出应用到实际的网络结构中,通过调整网络参数、优化连接方式等手段,使得网络更加高效和适应当前的信息发布需求。
步骤S106、通过第二信息发布梯度网络对目标信息发布队列进行信息发布处理,并实时计算第二信息发布梯度网络的第二信息发布性能评价指标,以及根据第二信息发布性能评价指标生成目标动态策略列表。
具体的,首先,通过优化的第二信息发布梯度网络处理目标信息发布队列。应用经过第一轮优化的梯度网络,以更高效、更准确地处理和发布信息。第二信息发布梯度网络的设计和优化旨在应对之前在第一网络中识别出的性能瓶颈和挑战,从而提高整体的发布效率和准确性。接下来,实时计算第二信息发布梯度网络的第二信息发布性能评价指标,持续监控和评估网络的性能。这些性能评价指标包括信息处理速度、发布准确率、服务器响应时间等关键参数。实时计算这些指标有助于确保网络持续运行在最佳状态,可以即时揭示任何性能下降或潜在的问题,从而允许快速响应和调整。接着,根据第二信息发布性能评价指标,通过预置的遗传算法对初始动态策略列表中的多个第一候选梯度网络更新策略进行策略优化。遗传算法是一种高效的优化算法,模拟生物进化过程中的遗传和自然选择机制。通过应用遗传算法,可以在多个候选策略中找到最优或近似最优的解决方案,从而得到多个第二候选梯度网络更新策略。这个过程涉及到选择、交叉和变异等操作,旨在不断改进和优化梯度网络的更新策略,以适应不断变化的信息发布需求和环境。最后,根据这些第二候选梯度网络更新策略,对初始动态策略列表进行列表动态更新,从而生成目标动态策略列表。通过遗传算法优化得到的策略应用于实际的服务器操作中,确保信息发布服务器能够持续自我优化和适应环境变化。动态更新策略列表的过程不仅基于当前的服务器性能评价,还考虑了未来的潜在需求和的性能挑战。
本申请实施例中,通过实时监控信息发布队列和计算信息发布性能指标,该方法能够及时响应信息发布中心的变化情况,优化信息发布的时效性,确保信息能够及时传达给目标受众。利用第一信息发布梯度网络和第二信息发布梯度网络,可以自动调整信息发布策略,以适应不同的情境和需求。这种自动化的性能优化可以提高信息发布中心的效率和性能。通过数据收集、分析和模型构建,能够基于实际数据做出决策,而不是依赖静态规则。这有助于更好地理解信息发布中心的性能状况,从而制定更智能的决策。能够综合考虑信息发布延迟、拥挤度等多个性能指标,以更全面的方式评估信息发布质量。这有助于信息发布中心更好地理解其性能表现。通过使用预置的策略分析模型,方法可以根据不同情况和需求预测并优化信息发布策略。这种智能分析可以提高信息发布中心的决策质量。通过动态更新策略列表,可以根据实际情况调整信息发布策略。这有助于信息发布中心适应不断变化的需求和环境。通过生成第一信息发布性能评价指标和第二信息发布性能评价指标,方法提供了多级性能评价,有助于更精确地了解信息发布质量。能够根据信息发布拥挤度数据确定信息发布节点数量,以最大程度地利用资源,提高信息发布效率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取信息发布中心的初始信息发布性能数据,并对初始信息发布性能数据进行数据清洗,得到目标信息发布性能数据;
(2)根据预置的延迟标签信息和拥挤度标签信息,确定对应的延迟聚类中心以及拥挤度聚类中心;
(3)通过预置的第一聚类模型,根据延迟聚类中心对目标信息发布性能数据进行聚类分析,得到信息发布延迟数据;
(4)通过预置的第二聚类模型,根据拥挤度聚类中心对目标信息发布性能数据进行聚类分析,得到信息发布拥挤度数据;
(5)根据信息发布延迟数据确定信息发布中心的第一信息发布节点数量阈值,并根据信息发布拥挤度数据确定信息发布中心的第二信息发布节点数量阈值;
(6)根据第一信息发布节点数量阈值和第二信息发布节点数量阈值,确定信息发布中心的最优信息发布节点数量;
(7)根据最优信息发布节点数量确定对应的多个目标信息发布节点,并对多个目标信息发布节点进行网络拓扑分析,得到第一信息发布梯度网络。
具体的,首先,获取信息发布中心的初始信息发布性能数据。这些数据通常包括关于信息发布速度、处理能力、用户响应时间等多个方面的信息。在收集这些数据后,进行数据清洗,通过去除不准确、不完整或无关的数据来提高数据质量。数据清洗包括识别并修正错误值、填补缺失数据、去除重复记录等多种操作。接下来,根据预置的延迟标签信息和拥挤度标签信息来确定相应的延迟聚类中心和拥挤度聚类中心。延迟标签基于响应时间、处理延迟等参数,而拥挤度标签则基于服务器负载、请求量等因素。通过这些标签,可以识别出聚类中心,即那些在数据集中表现出相似特性的数据点集合。这些聚类中心有助于服务器更好地理解数据的分布和结构。然后,利用预置的第一聚类模型,根据延迟聚类中心对目标信息发布性能数据进行聚类分析,从而得到信息发布延迟数据。聚类模型包括K-means、DBSCAN等,这些模型能够根据数据特性将数据点分组,以识别出具有相似延迟特性的数据集。同样地,使用第二聚类模型,根据拥挤度聚类中心对数据进行聚类分析,从而得到信息发布拥挤度数据。这一步骤帮助服务器理解在不同拥挤度条件下的信息发布性能。接着,根据信息发布延迟数据和拥挤度数据,分别确定信息发布中心的第一和第二信息发布节点数量阈值。这些阈值代表了在不同情况下,为了保持信息发布效率和质量,服务器所能承受的最大节点数量。例如,如果延迟数据显示在高负载情况下延迟显著增加,那么第一信息发布节点数量阈值被设定得较低,以避免过载。接下来,结合这两个阈值,服务器确定信息发布中心的最优信息发布节点数量。这个数量是基于服务器性能和需求的综合考虑,旨在找到最佳的平衡点,即在保证高效信息处理的同时,避免因过度负载而导致的性能下降。最后,根据确定的最优信息发布节点数量,选定对应的多个目标信息发布节点,并对这些节点进行网络拓扑分析。网络拓扑分析涉及到节点之间的连接方式、信息传输路径的选择等,这有助于构建高效、可靠的信息发布网络。通过这种分析,服务器得到第一信息发布梯度网络,它不仅反映了信息发布的优先级和紧急程度,还能适应各种环境变化,确保信息快速、准确地传达到目标接收者。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)获取第一信息发布梯度网络的全局负载数据,并获取每个目标信息发布节点的节点负载数据;
(2)对全局负载数据进行信息发布排序准则分析,得到第一信息发布排序准则;
(3)分别对节点负载数据进行信息发布排序准则分析,得到每个目标信息发布节点的第二信息发布排序准则;
(4)获取预置信息发布数据库中的多个目标待发布信息;
(5)根据第一信息发布排序准则以及第二信息发布排序准则,对多个目标待发布信息进行信息发布排序,生成目标信息发布队列。
具体的,首先,从第一信息发布梯度网络获取全局负载数据,这包括了整个网络的负载情况,如总的请求量、处理量、处理速度等。这些数据提供了网络整体性能的概览,帮助服务器理解网络在不同条件下的运行状况。同时,获取每个目标信息发布节点的节点负载数据,这些数据更为具体,反映了每个节点的个别性能,包括节点的处理速度、当前处理的任务数量、历史性能数据等。节点负载数据有助于理解每个节点的运行效率和稳定性。接下来,对全局负载数据进行信息发布排序准则分析,以得到第一信息发布排序准则。基于整个网络的负载状况制定一个优先级规则,决定哪些信息应该被优先处理。这个准则基于信息的紧急程度、受众大小、内容类型等因素。例如,紧急新闻会被赋予更高的优先级,而常规通知则排在较后的位置。同时,分别对每个节点的负载数据进行分析,以得到每个目标信息发布节点的第二信息发布排序准则。这一步骤考虑的是每个节点的具体能力和当前状态,确保每个节点都能在其最佳性能范围内工作,同时考虑到任务的优先级。接着,从预置信息发布数据库中获取多个目标待发布信息。这些信息涵盖了各种类型,如新闻稿件、社交媒体更新、紧急通知等。获取这些信息后,根据之前制定的第一信息发布排序准则以及每个节点的第二信息发布排序准则,对这些信息进行排序,生成目标信息发布队列。综合全局负载状况和节点个别性能,以最大化整个网络的信息处理效率和响应速度。例如,对于突发新闻事件,平台赋予更高的优先级,而对于常规新闻报道,则按照受众兴趣和相关性进行排序。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)对目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据;
(2)分别对每个目标待发布信息的发布时间分布数据进行特征提取,得到每个目标待发布信息的初始分布特征数据;
(3)分别对每个目标待发布信息的初始分布特征数据进行线性变换,得到每个目标待发布信息的线性分布特征集合;
(4)根据线性分布特征集合构建每个目标待发布信息的协方差矩阵,并根据协方差矩阵对线性分布特征集合进行特征相关性计算,得到每个目标待发布信息的分布特征相关性;
(5)根据分布特征相关性计算线性分布特征集合对应的主成分分布特征权重,并根据主成分分布特征权重分别对发布时间分布数据进行特征融合,得到每个目标待发布信息的目标时间分布数据;
(6)分别对目标时间分布数据进行方差计算,得到每个目标待发布信息的方差数据,并分别对目标时间分布数据进行分布特性计算,得到每个目标待发布信息的分布特性数据;
(7)根据方差数据和分布特性数据,分别计算每个目标待发布信息的时效性评分数据,并对时效性评分数据进行归一化处理,得到第一信息发布性能评价指标。
具体的,首先,对目标信息发布队列进行发布状态监控,以收集每个目标待发布信息的发布时间分布数据。这些数据反映了信息从进入队列到被发布的时间分布,能够帮助服务器理解在不同时间和条件下信息发布的效率。接下来,对每个目标待发布信息的发布时间分布数据进行特征提取,以得到初始分布特征数据。通过识别各种统计指标,如平均发布时间、最长和最短发布时间、发布时间的标准偏差等,获取有关每个信息发布效率的重要信息,例如,较长的平均发布时间表明该信息类型在发布过程中遇到了瓶颈。接着,对每个信息的初始分布特征数据进行线性变换,以得到线性分布特征集合。线性变换是一种数学处理方法,用于简化数据结构,使其更适合于后续的分析和处理。例如,可以通过标准化处理将不同的特征值转换到统一的尺度上,以便进行比较和进一步分析。之后,基于线性分布特征集合构建每个目标待发布信息的协方差矩阵,并根据这些协方差矩阵对特征集合进行相关性计算。协方差矩阵能够帮助服务器理解不同特征之间的关联程度。通过分析这些相关性,可以更深入地了解影响信息发布效率的各种因素。随后,根据分布特征的相关性计算线性分布特征集合对应的主成分分布特征权重。主成分分析是一种常用的数据降维技术,通过提取数据中最重要的特征来简化分析。然后,根据这些主成分分布特征权重对发布时间分布数据进行特征融合,得到每个目标待发布信息的目标时间分布数据。通过将不同特征的信息融合到一起,提供一个更全面的视角来理解信息发布的时间特性。接下来,分别对目标时间分布数据进行方差计算,得到每个目标待发布信息的方差数据,并对目标时间分布数据进行分布特性计算,得到每个目标待发布信息的分布特性数据。方差数据和分布特性数据能够反映信息发布时间的波动性和一致性。例如,较高的方差表明信息发布时间不稳定,而一致的分布特性则意味着发布时间可预测。最后,根据方差数据和分布特性数据,分别计算每个目标待发布信息的时效性评分数据,并对这些时效性评分数据进行归一化处理,以得到第一信息发布性能评价指标。这一评价指标为服务器提供了一个量化的方式来评估信息发布的整体效率和时效性。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)根据信息发布拥挤度数据设置两个信息发布性能指标阈值,其中,两个信息发布性能指标阈值包括第一信息发布性能指标阈值以及第二信息发布性能指标阈值,第一信息发布性能指标阈值<第二信息发布性能指标阈值;
(2)对第一信息发布性能评价指标与两个信息发布性能指标阈值进行比较,得到目标比较结果,其中,目标比较结果包括第一信息发布性能评价指标<第一信息发布性能指标阈值,第一信息发布性能指标阈值<第一信息发布性能评价指标<第二信息发布性能指标阈值,第二信息发布性能指标阈值<第一信息发布性能评价指标。
具体的,首先,根据信息发布拥挤度数据设定两个信息发布性能指标阈值。第一信息发布性能指标阈值和第二信息发布性能指标阈值分别代表了服务器性能的不同层次。第一阈值通常较低,代表基本的可接受性能水平,而第二阈值则更高,代表理想的性能状态。这两个阈值之间的差距为服务器提供了性能提升的空间。接下来,对第一信息发布性能评价指标与这两个阈值进行比较,实时监控服务器的性能状态。这一比较过程分为三种情况。如果第一信息发布性能评价指标低于第一信息发布性能指标阈值,这表明服务器的性能不达标,因为过高的拥挤度导致信息处理和发布缓慢。在这种情况下,服务器需要采取措施来提升性能,如增加资源分配、优化处理流程或采用更高效的技术;如果第一信息发布性能评价指标处于两个阈值之间,即大于第一阈值但小于第二阈值,这表示服务器的性能虽然达到了基本标准,但仍有提升空间。在这种情况下,服务器通过细微的调整和优化来进一步提高性能,以期达到第二阈值所代表的理想状态;最后,如果第一信息发布性能评价指标超过了第二信息发布性能指标阈值,这意味着服务器的性能非常出色,超出了最初设定的最高标准。这种情况下,服务器考虑维持当前状态,同时关注是否有新的挑战或需求出现,以确保持续的高性能和可靠性。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标比较结果和第一信息发布性能评价指标输入预置的策略分析模型,策略分析模型包括多个策略决策网络;
(2)根据目标比较结果确定多个策略决策网络对应的目标权重数据集,其中,若目标比较结果为第一信息发布性能评价指标<第一信息发布性能指标阈值,则确定目标权重数据集为第一权重数据集,若目标比较结果为第一信息发布性能指标阈值<第一信息发布性能评价指标<第二信息发布性能指标阈值,则确定目标权重数据集为第二权重数据集,若目标比较结果为第二信息发布性能指标阈值<第一信息发布性能评价指标,则确定目标权重数据集为第三权重数据集,其中,第一权重数据集<第二权重数据集<第三权重数据集;
(3)通过多个策略决策网络分别对第一信息发布性能评价指标进行策略决策分析,得到每个策略决策网络的梯度网络更新策略预测值,策略决策网络包括两层单向门限循环单元以及两层全连接层,每层单向门限循环单元包括16个GRU单元,两层全连接层包括:ReLU函数以及sigmoid函数;
(4)根据目标权重数据集对每个策略决策网络的梯度网络更新策略预测值进行加权融合,得到梯度网络更新策略融合值;
(5)根据梯度网络更新策略融合值对预置的初始动态策略列表中的多个第一候选梯度网络更新策略进行查询匹配,得到目标梯度网络更新策略;
(6)根据目标梯度网络更新策略对第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络。
具体的,首先,将目标比较结果和第一信息发布性能评价指标输入到预置的策略分析模型。这个模型包含多个策略决策网络,专门设计用于分析性能数据并提出优化策略的高级算法网络。每个策略决策网络的核心在于其能够处理复杂数据并输出具体的梯度网络更新策略预测值。策略决策网络通常包括两层单向门限循环单元(GRU单元)和两层全连接层。GRU单元擅长处理序列数据,能够捕捉时间上的动态变化,这有助于处理信息发布时间序列和性能变化。全连接层,包括ReLU函数和sigmoid函数,负责将GRU单元的输出转化为实用的策略预测。这种网络结构使得策略分析模型不仅能够理解和预测信息发布性能的变化,还能够提出具体的优化建议。接下来,根据目标比较结果确定多个策略决策网络对应的目标权重数据集。目标比较结果的不同情况对应不同的权重数据集,从而确保策略决策网络能够针对不同性能状态提出相应的策略。例如,如果目标比较结果显示第一信息发布性能评价指标低于第一信息发布性能指标阈值,服务器会选择第一权重数据集,这意味着需要采取紧急措施来提升性能。如果性能评价指标处于两个阈值之间或超过第二阈值,服务器则会选择第二或第三权重数据集,分别对应于渐进优化和维持当前优化状态的策略。随后,通过多个策略决策网络对第一信息发布性能评价指标进行策略决策分析,得到每个网络的梯度网络更新策略预测值。这一步骤利用了网络的复杂算法结构来处理输入数据,并生成具体的策略建议。接着,根据目标权重数据集对这些预测值进行加权融合,得到梯度网络更新策略的融合值。这种加权融合方法确保了策略的综合考虑,将不同网络的输出结合成一个全面的策略建议。接下来,根据梯度网络更新策略融合值对预置的初始动态策略列表中的多个第一候选梯度网络更新策略进行查询匹配,从而得到目标梯度网络更新策略。这个过程类似于在一个预定义的策略池中寻找最匹配的策略,以应对当前的性能状态。最后,根据所得到的目标梯度网络更新策略,对第一信息发布梯度网络进行动态优化,生成第二信息发布梯度网络。将预测的策略应用到实际的网络结构中,通过调整网络参数、优化连接方式等手段,使得网络更加高效和适应当前的信息发布需求。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)通过第二信息发布梯度网络对目标信息发布队列进行信息发布处理,并实时计算第二信息发布梯度网络的第二信息发布性能评价指标;
(2)根据第二信息发布性能评价指标,通过预置的遗传算法对初始动态策略列表中的多个第一候选梯度网络更新策略进行策略优化,得到多个第二候选梯度网络更新策略;
(3)根据多个第二候选梯度网络更新策略对初始动态策略列表进行列表动态更新,生成目标动态策略列表。
具体的,首先,通过第二信息发布梯度网络对目标信息发布队列进行信息发布处理。第二网络会实时监控并处理队列中的信息,确保每条信息都在最佳的时间被发布。为了评估这一过程的效果,服务器会实时计算第二信息发布梯度网络的第二信息发布性能评价指标,这些指标包括发布延迟时间、处理速度、信息覆盖率等关键参数,它们共同反映了网络在信息处理和发布方面的整体性能。接下来,根据这些性能评价指标,服务器利用预置的遗传算法对初始动态策略列表中的多个第一候选梯度网络更新策略进行策略优化。遗传算法是一种模仿生物进化过程中的自然选择和遗传机制的搜索算法,它通过迭代过程寻找最优或近似最优解。在这个场景中,遗传算法会评估各个第一候选梯度网络更新策略的表现,并通过选择(挑选最佳策略)、交叉(结合不同策略的特点)和变异(引入新的策略变体)等操作来生成一系列改进后的第二候选梯度网络更新策略。这些新策略预计会更加有效地应对当前的性能挑战。最后,服务器将根据这些第二候选梯度网络更新策略对初始动态策略列表进行动态更新,从而生成目标动态策略列表。这确保了服务器不仅能够基于当前的性能数据做出调整,而且能够预测并应对未来出现的挑战。这种动态更新机制使服务器保持灵活性和适应性,能够随着环境和需求的变化不断进化。
上面对本申请实施例中信息发布方法进行了描述,下面对本申请实施例中信息发布装置进行描述,请参阅图2,本申请实施例中信息发布装置一个实施例包括:
获取模块201,用于获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建所述信息发布中心的第一信息发布梯度网络;
排序模块202,用于通过所述第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列;
计算模块203,用于对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据所述发布时间分布数据计算所述第一信息发布梯度网络的第一信息发布性能评价指标;
比较模块204,用于根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,并对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果;
优化模块205,用于将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络;
生成模块206,用于通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标,以及根据所述第二信息发布性能评价指标生成目标动态策略列表。
通过上述各个组成部分的协同合作,通过实时监控信息发布队列和计算信息发布性能指标,该方法能够及时响应信息发布中心的变化情况,优化信息发布的时效性,确保信息能够及时传达给目标受众。利用第一信息发布梯度网络和第二信息发布梯度网络,可以自动调整信息发布策略,以适应不同的情境和需求。这种自动化的性能优化可以提高信息发布中心的效率和性能。通过数据收集、分析和模型构建,能够基于实际数据做出决策,而不是依赖静态规则。这有助于更好地理解信息发布中心的性能状况,从而制定更智能的决策。能够综合考虑信息发布延迟、拥挤度等多个性能指标,以更全面的方式评估信息发布质量。这有助于信息发布中心更好地理解其性能表现。通过使用预置的策略分析模型,方法可以根据不同情况和需求预测并优化信息发布策略。这种智能分析可以提高信息发布中心的决策质量。通过动态更新策略列表,可以根据实际情况调整信息发布策略。这有助于信息发布中心适应不断变化的需求和环境。通过生成第一信息发布性能评价指标和第二信息发布性能评价指标,方法提供了多级性能评价,有助于更精确地了解信息发布质量。能够根据信息发布拥挤度数据确定信息发布节点数量,以最大程度地利用资源,提高信息发布效率。
本申请还提供一种信息发布设备,所述信息发布设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述信息发布方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述信息发布方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种信息发布方法,其特征在于,所述信息发布方法包括:
获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建所述信息发布中心的第一信息发布梯度网络;
通过所述第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列;
对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据所述发布时间分布数据计算所述第一信息发布梯度网络的第一信息发布性能评价指标;
根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,并对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果;
将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络;
通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标,以及根据所述第二信息发布性能评价指标生成目标动态策略列表。
2.根据权利要求1所述的信息发布方法,其特征在于,所述获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建所述信息发布中心的第一信息发布梯度网络,包括:
获取信息发布中心的初始信息发布性能数据,并对所述初始信息发布性能数据进行数据清洗,得到目标信息发布性能数据;
根据预置的延迟标签信息和拥挤度标签信息,确定对应的延迟聚类中心以及拥挤度聚类中心;
通过预置的第一聚类模型,根据所述延迟聚类中心对所述目标信息发布性能数据进行聚类分析,得到信息发布延迟数据;
通过预置的第二聚类模型,根据所述拥挤度聚类中心对所述目标信息发布性能数据进行聚类分析,得到信息发布拥挤度数据;
根据所述信息发布延迟数据确定所述信息发布中心的第一信息发布节点数量阈值,并根据所述信息发布拥挤度数据确定所述信息发布中心的第二信息发布节点数量阈值;
根据所述第一信息发布节点数量阈值和所述第二信息发布节点数量阈值,确定所述信息发布中心的最优信息发布节点数量;
根据所述最优信息发布节点数量确定对应的多个目标信息发布节点,并对所述多个目标信息发布节点进行网络拓扑分析,得到第一信息发布梯度网络。
3.根据权利要求2所述的信息发布方法,其特征在于,所述通过所述第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列,包括:
获取所述第一信息发布梯度网络的全局负载数据,并获取每个目标信息发布节点的节点负载数据;
对所述全局负载数据进行信息发布排序准则分析,得到第一信息发布排序准则;
分别对所述节点负载数据进行信息发布排序准则分析,得到每个目标信息发布节点的第二信息发布排序准则;
获取预置信息发布数据库中的多个目标待发布信息;
根据所述第一信息发布排序准则以及所述第二信息发布排序准则,对所述多个目标待发布信息进行信息发布排序,生成目标信息发布队列。
4.根据权利要求1所述的信息发布方法,其特征在于,所述对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据所述发布时间分布数据计算所述第一信息发布梯度网络的第一信息发布性能评价指标,包括:
对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据;
分别对每个目标待发布信息的发布时间分布数据进行特征提取,得到每个目标待发布信息的初始分布特征数据;
分别对每个目标待发布信息的初始分布特征数据进行线性变换,得到每个目标待发布信息的线性分布特征集合;
根据所述线性分布特征集合构建每个目标待发布信息的协方差矩阵,并根据所述协方差矩阵对所述线性分布特征集合进行特征相关性计算,得到每个目标待发布信息的分布特征相关性;
根据所述分布特征相关性计算所述线性分布特征集合对应的主成分分布特征权重,并根据所述主成分分布特征权重分别对所述发布时间分布数据进行特征融合,得到每个目标待发布信息的目标时间分布数据;
分别对所述目标时间分布数据进行方差计算,得到每个目标待发布信息的方差数据,并分别对所述目标时间分布数据进行分布特性计算,得到每个目标待发布信息的分布特性数据;
根据所述方差数据和所述分布特性数据,分别计算每个目标待发布信息的时效性评分数据,并对所述时效性评分数据进行归一化处理,得到第一信息发布性能评价指标。
5.根据权利要求1所述的信息发布方法,其特征在于,所述根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,并对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果,包括:
根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,其中,两个信息发布性能指标阈值包括第一信息发布性能指标阈值以及第二信息发布性能指标阈值,第一信息发布性能指标阈值<第二信息发布性能指标阈值;
对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果,其中,所述目标比较结果包括第一信息发布性能评价指标<第一信息发布性能指标阈值,第一信息发布性能指标阈值<第一信息发布性能评价指标<第二信息发布性能指标阈值,第二信息发布性能指标阈值<第一信息发布性能评价指标。
6.根据权利要求5所述的信息发布方法,其特征在于,所述将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络,包括:
将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型,所述策略分析模型包括多个策略决策网络;
根据所述目标比较结果确定所述多个策略决策网络对应的目标权重数据集,其中,若所述目标比较结果为第一信息发布性能评价指标<第一信息发布性能指标阈值,则确定所述目标权重数据集为第一权重数据集,若所述目标比较结果为第一信息发布性能指标阈值<第一信息发布性能评价指标<第二信息发布性能指标阈值,则确定所述目标权重数据集为第二权重数据集,若所述目标比较结果为第二信息发布性能指标阈值<第一信息发布性能评价指标,则确定所述目标权重数据集为第三权重数据集,其中,第一权重数据集<第二权重数据集<第三权重数据集;
通过所述多个策略决策网络分别对所述第一信息发布性能评价指标进行策略决策分析,得到每个策略决策网络的梯度网络更新策略预测值,所述策略决策网络包括两层单向门限循环单元以及两层全连接层,每层单向门限循环单元包括16个GRU单元,两层全连接层包括:ReLU函数以及sigmoid函数;
根据所述目标权重数据集对每个策略决策网络的梯度网络更新策略预测值进行加权融合,得到梯度网络更新策略融合值;
根据所述梯度网络更新策略融合值对预置的初始动态策略列表中的多个第一候选梯度网络更新策略进行查询匹配,得到目标梯度网络更新策略;
根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络。
7.根据权利要求6所述的信息发布方法,其特征在于,所述通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标,以及根据所述第二信息发布性能评价指标生成目标动态策略列表,包括:
通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标;
根据所述第二信息发布性能评价指标,通过预置的遗传算法对所述初始动态策略列表中的多个第一候选梯度网络更新策略进行策略优化,得到多个第二候选梯度网络更新策略;
根据所述多个第二候选梯度网络更新策略对所述初始动态策略列表进行列表动态更新,生成目标动态策略列表。
8.一种信息发布装置,其特征在于,所述信息发布装置包括:
获取模块,用于获取信息发布中心的信息发布延迟数据和信息发布拥挤度数据,并构建所述信息发布中心的第一信息发布梯度网络;
排序模块,用于通过所述第一信息发布梯度网络对预置信息发布数据库中的多个目标待发布信息进行信息发布排序,生成目标信息发布队列;
计算模块,用于对所述目标信息发布队列进行发布状态监控,得到每个目标待发布信息的发布时间分布数据,并根据所述发布时间分布数据计算所述第一信息发布梯度网络的第一信息发布性能评价指标;
比较模块,用于根据所述信息发布拥挤度数据设置两个信息发布性能指标阈值,并对所述第一信息发布性能评价指标与所述两个信息发布性能指标阈值进行比较,得到目标比较结果;
优化模块,用于将所述目标比较结果和所述第一信息发布性能评价指标输入预置的策略分析模型进行梯度网络更新策略分析,得到目标梯度网络更新策略,并根据所述目标梯度网络更新策略对所述第一信息发布梯度网络进行梯度网络动态优化,生成第二信息发布梯度网络;
生成模块,用于通过所述第二信息发布梯度网络对所述目标信息发布队列进行信息发布处理,并实时计算所述第二信息发布梯度网络的第二信息发布性能评价指标,以及根据所述第二信息发布性能评价指标生成目标动态策略列表。
9.一种信息发布设备,其特征在于,所述信息发布设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述信息发布设备执行如权利要求1-7中任一项所述的信息发布方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的信息发布方法。
CN202311746052.9A 2023-12-19 2023-12-19 信息发布方法、装置、设备及存储介质 Active CN117439995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311746052.9A CN117439995B (zh) 2023-12-19 2023-12-19 信息发布方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311746052.9A CN117439995B (zh) 2023-12-19 2023-12-19 信息发布方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117439995A true CN117439995A (zh) 2024-01-23
CN117439995B CN117439995B (zh) 2024-03-15

Family

ID=89553774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311746052.9A Active CN117439995B (zh) 2023-12-19 2023-12-19 信息发布方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117439995B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN116518868A (zh) * 2023-07-05 2023-08-01 深圳市海塞姆科技有限公司 基于人工智能的变形测量方法、装置、设备及存储介质
CN116663938A (zh) * 2023-07-28 2023-08-29 珠海大横琴泛旅游发展有限公司 基于企业数据中台系统的信息化管理方法及其相关装置
CN117236656A (zh) * 2023-11-13 2023-12-15 深圳聚众云工程科技有限公司 工程项目的信息化管理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN116518868A (zh) * 2023-07-05 2023-08-01 深圳市海塞姆科技有限公司 基于人工智能的变形测量方法、装置、设备及存储介质
CN116663938A (zh) * 2023-07-28 2023-08-29 珠海大横琴泛旅游发展有限公司 基于企业数据中台系统的信息化管理方法及其相关装置
CN117236656A (zh) * 2023-11-13 2023-12-15 深圳聚众云工程科技有限公司 工程项目的信息化管理方法及系统

Also Published As

Publication number Publication date
CN117439995B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
CN109491850A (zh) 一种磁盘故障预测方法及装置
CN118363765B (zh) 一种云端资源自动调配系统
US11258659B2 (en) Management and control for IP and fixed networking
CN117527622B (zh) 网络交换机的数据处理方法及系统
CN116881744A (zh) 一种基于物联网的运维数据分发方法、装置、设备及介质
CN114756764A (zh) 基于企业的内容信息流推荐方法、装置、电子设备及存储介质
Bren et al. Data-driven percentile optimization for multiclass queueing systems with model ambiguity: Theory and application
CN107155215B (zh) 一种应用归属服务集群的分配方法和装置
CN117479049B (zh) 用于智慧燃气的数据传输管控方法、物联网系统及介质
CN114090393A (zh) 一种告警级别的确定方法、装置及设备
CN117675691A (zh) 路由器的远程故障监控方法、装置、设备及存储介质
CN117439995B (zh) 信息发布方法、装置、设备及存储介质
Lin et al. Using Computing Intelligence Techniques to Estimate Software Effort
CN116827951A (zh) 一种基于可用性预测的边缘云集群任务调度方法及装置
CN115576686A (zh) 一种基于混合模型的优化边缘云资源的分配方法及系统
KR20080087571A (ko) 상황 예측 시스템 및 그 방법
CN118467186B (zh) 多租户无服务器平台资源管理方法及系统
De Moraes et al. An evolutive hybrid approach to cloud computing provider selection
CN117539520B (zh) 固件自适应升级方法、系统以及设备
CN116975543A (zh) 数据处理方法、装置、电子设备和计算机可读存储介质
CN118013043A (zh) 档案数据的管理方法、装置、设备及存储介质
CN118134358B (zh) 一种智慧物流配送数据管理平台
CN118245234B (zh) 一种基于云计算的分布式负载均衡方法及系统
CN118708444A (zh) 一种自推荐操作的服务器运维管理方法及系统

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