CN117519951A - 基于消息中台的实时数据处理方法及系统 - Google Patents
基于消息中台的实时数据处理方法及系统 Download PDFInfo
- Publication number
- CN117519951A CN117519951A CN202410012358.XA CN202410012358A CN117519951A CN 117519951 A CN117519951 A CN 117519951A CN 202410012358 A CN202410012358 A CN 202410012358A CN 117519951 A CN117519951 A CN 117519951A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- node
- state detection
- nth
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 212
- 238000001514 detection method Methods 0.000 claims abstract description 166
- 238000012795 verification Methods 0.000 claims abstract description 97
- 238000013468 resource allocation Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000004913 activation Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 40
- 230000005284 excitation Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/5072—Grid computing
-
- 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
Abstract
本公开提供了一种基于消息中台的实时数据处理方法及系统，涉及数据处理技术领域，方法包括：进行任务处理资源配置，获得多个任务配置资源链；提取第n待处理任务以及第n任务配置资源链；基于资源节点状态检测通道，结合资源链状态验证器进行状态验证，获得第n资源链状态验证算子；当为资源链状态合格时，获得第n任务激活指令；根据第n任务配置资源链执行第n待处理任务。能够解决传统的基于消息中台的数据处理方法存在数据处理资源匹配精准度较低，导致任务执行效率较低和质量较差的技术问题，可以提高数据处理资源匹配的准确性和可靠性，提高消息中台的任务处理质量和效率，保障消息中台任务处理的可靠性。
Description
技术领域
本公开涉及数据处理技术领域，并且更具体地，涉及一种基于消息中台的实时数据处理方法及系统。
背景技术
消息中台是一种支持消息分发和管理的平台，通过整合各类数据处理资源，可以提供统一的数据处理、集成和管理分析能力，从而为企业提供高效、稳定的数据处理能力。
传统的基于消息中台的数据处理方法在进行数据处理资源分配时，由于资源匹配评估准确性和时效性较低，导致数据处理资源匹配精准度较低，从而造成待处理任务不能及时有效地进行处理，影响了消息中台任务执行的效率和质量。
现有的数据处理方法存在的不足之处在于：由于数据处理资源匹配精准度较低，导致消息中台的任务执行效率较低和执行质量较差。
发明内容
因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：
基于消息中台的实时数据处理方法，包括以下步骤：接收消息中台的多个待处理任务；获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点；基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；根据所述多个待处理任务和所述多个任务配置资源链，提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。
基于消息中台的实时数据处理系统，包括：待处理任务接收模块，所述待处理任务接收模块用于接收消息中台的多个待处理任务；任务处理资源集获得模块，所述任务处理资源集获得模块用于获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点；任务处理资源配置模块，所述任务处理资源配置模块用于基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；待处理任务提取模块，所述待处理任务提取模块用于根据所述多个待处理任务和所述多个任务配置资源链，提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；状态检测通道构建模块，所述状态检测通道构建模块用于基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；资源链状态验证模块，所述资源链状态验证模块用于基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；任务激活指令获得模块，所述任务激活指令获得模块用于当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；待处理任务执行模块，所述待处理任务执行模块用于基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。
由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：
可以解决传统的基于消息中台的数据处理方法存在数据处理资源匹配精准度较低，导致消息中台的任务执行效率较低和执行质量较差的技术问题。首先，接收消息中台的多个待处理任务；并获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点，其中任务处理资源节点为进行任务处理时的软硬件设备；根据所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；然后在所述多个待处理任务中提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；进一步基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；对所述第n资源链状态验证算子进行判断，当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；最后基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。通过上述方法可以提高数据处理资源匹配的准确性和可靠性，从而提高消息中台的任务处理质量和效率，保障消息中台任务处理的可靠性。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种基于消息中台的实时数据处理方法的流程示意图；
图2为本申请提供了一种基于消息中台的实时数据处理方法中获得多个待处理任务对应的多个任务配置资源链的流程示意图；
图3为本申请提供了一种基于消息中台的实时数据处理系统的结构示意图。
附图标记说明：待处理任务接收模块01、任务处理资源集获得模块02、任务处理资源配置模块03、待处理任务提取模块04、状态检测通道构建模块05、资源链状态验证模块06、任务激活指令获得模块07、待处理任务执行模块08。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
基于上述描述，如图1所示，本公开提供了一种基于消息中台的实时数据处理方法，包括：
在数据处理过程中，资源分配是一个关键环节，如何提高数据处理资源分配的准确性，对于提高任务处理效率和任务处理质量非常重要。本申请提供的方法用于对基于消息中台进行数据处理的方法进行优化，来达到提高数据处理资源匹配准确性和可靠性的目的，从而进一步提高消息中台的任务处理质量和效率，保障消息中台任务处理的可靠性，所述方法具体实施于一种基于消息中台的实时数据处理系统。
接收消息中台的多个待处理任务；
在本申请实施例中，首先，接收消息中台中的多个待处理任务，其中消息中台为数据处理过程中进行任务分发和管理的平台，所述待处理任务为数据处理任务，本领域技术人员可根据实际情况进行设置，例如：数据分析、图像处理等任务，所述待处理任务包括任务处理所需的资源，例如：算力资源、存储资源、网络资源、数据库资源、操作系统资源等。通过获得多个待处理任务，为下一步进行待处理任务的数据处理资源配置分析提供了支持。
获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点；
在本申请实施例中，首先，对所述消息中台进行任务处理资源分析，得到任务处理资源集，其中所述任务处理资源集包括多个任务处理资源节点，其中所述任务处理资源节点是指所述消息中台中用于进行任务处理的软硬件设备组件，可根据实际软硬件配置进行设置，其中硬件设备组件包括服务器、路由器、交换机、存储设备等；软件设备组件包括操作系统、数据库管理系统、服务器等。通过获得任务处理资源集，为下一步进行任务处理资源的配置分析提供了支持。
基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；
在本申请实施例中，首先，根据所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，并根据任务处理资源配置结果获得所述多个待处理任务对应的多个任务配置资源链，其中所述任务配置资源链包括多个匹配的任务处理资源节点，且所述任务配置资源链与所述待处理任务一一对应。
如图2所示，在一个实施例中，所述方法还包括：
读取所述多个待处理任务的任务属性、任务容量和任务等级，获得多个任务特征信息；
读取所述多个任务处理资源节点的基础信息和未完成任务信息，获得多个节点特征数据；
基于任务处理资源配置记录库，训练满足资源配置精度约束的任务处理资源配置通道；
基于所述任务处理资源配置通道，根据所述多个任务特征信息和所述多个节点特征数据执行所述多个待处理任务的任务处理资源配置，得到多个匹配任务配置资源链；
在本申请实施例中，首先，对所述多个待处理任务进行任务特征读取，其中所述任务特征包括任务属性、任务容量和任务等级，所述任务属性是指待处理任务的任务类型，例如：数据存储、图像处理等任务；所述任务容量是指待处理任务执行时所需的多个处理资源的容量大小，其中包括多种类型的数据处理资源，例如：软件处理资源、硬件处理资源；所述任务等级可根据任务的重要性和时效性进行设置，其中待处理任务的重要程度越高，时效性越短，则任务等级越高；得到所述多个待处理任务的多个任务特征信息，所述任务特征信息包括任务属性、任务容量和任务等级。
读取所述多个任务处理资源节点的基础信息和未完成任务信息，其中所述基础信息包括任务处理资源节点的资源类型和资源容量；所述未完成任务信息是指任务处理资源节点中正在执行或等待执行的任务特征信息，然后将所述基础信息和所述未完成任务信息作为任务处理资源节点的节点特征数据，得到多个节点特征数据。
基于BP神经网络构建任务处理资源配置通道的网络架构，其中所述任务处理资源配置通道为机器学习中可以进行迭代优化的神经网络模型，通过训练数据集进行监督训练获得。其中所述任务处理资源配置通道包括输入层、资源配置层和输出层，所述输入层的输入数据为多个任务特征信息和多个节点特征数据，所述输出层的输出数据为多个任务配置资源链。
调用任务处理资源配置记录库，其中所述任务处理资源配置记录库为用于储存任务处理资源历史配置记录的数据库，其中包括多条任务处理资源历史配置记录，且每条任务处理资源历史配置记录均包括多个历史任务特征信息、多个历史节点特征数据以及多个历史任务配置资源链。然后对任务处理资源历史配置记录中的多个历史任务配置资源链进行任务处理结果评价，其中任务处理效率和任务处理质量越高，则评价结果越高。并提取所述多条任务处理资源历史配置记录中评价结果大于预设评价阈值的任务处理资源历史配置记录构建样本训练数据集，所述预设评价阈值本领域技术人员可根据实际数据量和配置需求进行设置，其中资源配置质量需求越高，则预设评价阈值越大。
按照预设数据划分比例将所述样本训练数据集划分为样本训练集和样本验证集，其中所述预设数据划分比例本领域技术人员可根据实际数据量进行设置，通常设置样本训练集占比为85%，样本验证集占比为15%。然后通过所述样本训练集对所述任务处理资源配置通道进行监督训练，首先，在所述样本训练集中随机选取一样本训练数据作为第一组样本训练数据，其中所述第一组样本训练数据包括第一组多个历史任务特征信息、第一组多个历史节点特征数据以及第一组多个历史任务配置资源链；然后通过所述第一组样本训练数据对所述任务处理资源配置通道进行监督训练，得到第一输出结果；将所述第一输出结果与所述第一组多个历史任务配置资源链进行比对，当比对结果一致时，则进行下一组样本训练数据的监督训练；当比对结果不一致，则计算两者之间的偏差，并根据偏差计算结果对所述任务处理资源配置通道的权重参数进行优化调整，然后进行下一组样本训练数据的监督训练；通过所述样本训练集不断进行迭代训练，直到所述任务处理资源配置通道趋于收敛状态时，然后通过所述样本验证集对所述任务处理资源配置通道进行验证训练，当所述任务处理资源配置通道的输出结果满足所述资源配置精度约束时，则获得训练完成的任务处理资源配置通道，其中所述资源配置精度约束为所述任务处理资源配置通道的输出准确率指标，本领域技术人员可根据实际需求进行设置，其中需求精度越高，则输出准确率指标越大，例如：可设置输出准确率指标为96%。通过基于BP神经网络构建任务处理资源配置通道，可以提高待处理任务的任务处理资源配置的准确率和效率，从而可以间接提高任务执行的效率和质量。
将所述多个任务特征信息和所述多个节点特征数据输入训练完成的任务处理资源配置通道进行任务处理资源配置分析，获得多个匹配任务配置资源链，其中每个匹配任务配置资源链包括每个待处理任务对应匹配的多个任务处理资源节点。
对所述多个匹配任务配置资源链进行任务配置均衡验证，获得任务配置均衡验证结果；
在本申请实施例中，首先，对所述多个匹配任务配置资源链进行任务配置均衡验证，其中任务配置均衡验证是指判断当前任务配置资源链的配置均衡度是否满足预设配置均衡度，并根据判断结果获得任务配置均衡验证结果。
在一个实施例中，所述方法还包括：
根据所述多个匹配任务配置资源链，读取多个匹配资源节点的多个节点任务信息；
基于所述多个节点任务信息进行同类节点的任务聚类，获得多个同类节点任务聚类结果；
遍历所述多个同类节点任务聚类结果进行任务均衡识别，获得多个同类节点任务均衡度；
在本申请实施例中，首先，获取所述多个匹配任务配置资源链中的多个匹配资源节点的多个节点任务信息，然后按照节点类型对所述多个节点任务信息进行聚类，即将相同类型节点下的节点任务信息进行相加融合并聚为一类，根据聚类结果得到多个同类节点任务聚类结果。然后对所述多个同类节点任务聚类结果依次进行任务均衡度识别，其中可通过对同类节点任务聚类结果进行节点任务配置资源占比的方差计算，根据方差计算结果进行任务均衡度识别，其中方差计算结果越小，则同类节点任务聚类结果的任务均衡度越高；方差计算结果越大，则同类节点任务聚类结果的任务均衡度越低；得到多个同类节点任务均衡度。
判断所述多个同类节点任务均衡度是否小于预设均衡度；
在本申请实施例中，首先，获取预设均衡度，所述预设均衡度本领域技术人员可根据实际资源匹配需求进行设置，其中资源匹配质量需求越高，则预设均衡度越大。然后根据所述预设均衡度对所述多个同类节点任务均衡度依次进行判断。
在一个实施例中，所述方法还包括：
若所述多个同类节点任务均衡度中的任意一个同类节点任务均衡度小于所述预设均衡度，获得所述任务配置均衡验证结果为不通过；
当所述任务配置均衡验证结果为不通过时，生成任务配置预警指令；
基于所述任务配置预警指令对所述多个同类节点任务聚类结果进行异常定位，获得异常节点任务聚类结果；
基于所述异常节点任务聚类结果对所述多个匹配任务配置资源链进行异常匹配资源节点的优化任务配置，生成所述多个任务配置资源链。
在本申请实施例中，当所述多个同类节点任务均衡度中的任意一个同类节点任务均衡度小于所述预设均衡度时，则将所述任务配置均衡验证结果设置为不通过。当所述任务配置均衡验证结果为不通过时，则生成任务配置预警指令。然后根据所述任务配置预警指令对所述多个同类节点任务聚类结果进行异常定位，其中所述异常定位是指对任务均衡度小于所述预设均衡度的同类节点进行定位并进行异常标识，得到异常节点任务聚类结果。最后根据所述异常节点任务聚类结果对所述多个匹配任务配置资源链中的异常匹配资源节点进行优化任务配置，其中优化任务配置是指将任务配置资源占比较大节点的任务匹配至任务配置资源占比较小的同类节点，本领域技术人员可根据实际资源配置偏差选择适合的优化任务配置方法，最后根据优化任务配置结果生成多个任务配置资源链。
若所述多个同类节点任务均衡度均大于/等于所述预设均衡度，获得所述任务配置均衡验证结果为通过。
在本申请实施例中，当所述多个同类节点任务均衡度均大于等于所述预设均衡度时，则将任务配置均衡验证结果设置为通过。
通过对同类节点任务聚类结果的任务均衡度进行判断，并对小于预设均衡度的同类节点进行优化任务配置，可以提高任务处理资源配置的均衡性，从而提高任务处理的可靠性。
当所述任务配置均衡验证结果为通过时，将所述多个匹配任务配置资源链输出为所述多个任务配置资源链。
在本申请实施例中，当所述任务配置均衡验证结果为通过时，则将匹配任务配置资源链设定为任务配置资源链，并输出多个任务配置资源链。通过获得多个任务配置资源链为进行待处理任务的任务处理提供了依据。
根据所述多个待处理任务和所述多个任务配置资源链，提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；
在本申请实施例中，首先，根据所述多个待处理任务和所述多个任务配置资源链，在所述多个待处理任务中随机选取一待处理任务作为第n待处理任务，并获得所述第n待处理任务对应的第n任务配置资源链，其中n为正整数，且n属于N，N为所述多个待处理任务的总数量。
基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；
在本申请实施例中，首先，根据所述多个任务处理资源节点构建多个节点状态检测域，其中每个任务处理资源节点对应一个节点状态检测域，然后根据所述多个节点状态检测域组建资源节点状态检测通道，获得资源节点状态检测通道。
在一个实施例中，所述方法还包括：
遍历所述多个任务处理资源节点，获得第一任务处理资源节点；
调取所述第一任务处理资源节点的节点状态检测记录集；
根据多个预设学习算子，分别对所述节点状态检测记录集进行训练，获得满足预设节点状态检测精度约束的多个第一节点状态检测器；
获得所述多个第一节点状态检测器对应的多个第一节点状态检测精度；
根据所述多个第一节点状态检测精度进行占比计算，获得多个第一节点反馈激励系数，并将所述多个第一节点反馈激励系数添加至第一节点反馈激励器；
连接所述多个第一节点状态检测器和所述第一节点反馈激励器，生成第一节点状态检测域，并将所述第一节点状态检测域添加至所述资源节点状态检测通道。
在本申请实施例中，首先，在所述多个任务处理资源节点中随机选取一任务处理资源节点作为第一任务处理资源节点。然后调取所述第一任务处理资源节点的节点状态检测记录集，其中所述节点状态检测记录集包括多条所述第一任务处理资源节点的历史节点状态检测记录，所述历史节点状态检测记录包括历史节点状态信息和节点状态检测结果，其中所述节点状态检测结果通过状态检测系数表示，节点状态越稳定，则状态检测系数越大。
获取多个预设学习算子，其中所述预设学习算子为模型训练方式，本领域技术人员可根据实际情况选择适合的模型训练方式，其中至少包括BP神经网络、决策树、支持向量机这三种训练方式。然后根据所述多个预设学习算子构建多个第一节点状态检测器，其中所述第一节点状态检测器的输入数据为节点状态信息，输出数据为状态检测系数，例如：基于BP神经网络构建第一节点状态检测器。然后将所述节点状态检测记录集作为所述多个第一节点状态检测器的训练数据集，并基于所述训练数据集对第一节点状态检测器进行训练，其中第一节点状态检测器的训练方法与上述任务处理资源配置通道的训练方法相同，在此不进行展开说明。获得满足预设节点状态检测精度约束的多个第一节点状态检测器，其中所述预设节点状态检测精度约束本领域技术人员可根据实际需求进行设置，例如：设置预设节点状态检测精度约束为第一节点状态检测器的输出结果准确率90%。
获得所述多个第一节点状态检测器对应的多个第一节点状态检测精度，其中第一节点状态检测精度是指第一节点状态检测器的输出结果准确率，其中输出结果准确率越大，则对应的节点状态检测精度越大。然后根据所述多个第一节点状态检测精度进行占比计算，其中占比计算结果为第一节点状态检测精度与多个第一节点状态检测精度之和的比值，并根据占比计算结果设置多个第一节点反馈激励系数，其中占比计算结果越大，则第一节点反馈激励系数越大，其中所述第一节点反馈激励系数与所述第一节点状态检测器一一对应。并将多个第一节点反馈激励系数添加至第一节点反馈激励器，获得第一节点反馈激励器。
最后连接所述多个第一节点状态检测器和所述第一节点反馈激励器，组建第一节点状态检测域，并将所述第一节点状态检测域添加至资源节点状态检测通道，完成资源节点状态检测通道构建。
通过基于多种训练方式构建多个节点状态检测器，并根据节点状态检测器的节点状态检测精度设置节点反馈激励系数，并基于节点状态检测器和节点反馈激励系数的对应关系组建资源节点状态检测通道，可以进一步提高任务配置资源链状态验证的准确性，从而提高任务处理资源配置的可靠性。
基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；
在本申请实施例中，构建资源链状态验证器，通过所述资源节点状态检测通道和所述资源链状态验证器对所述第n任务配置资源链进行状态验证，根据状态验证结果得到第n资源链状态验证算子。
在一个实施例中，所述方法还包括：
根据所述第n任务配置资源链，提取多个配置资源节点；
调取所述多个配置资源节点的多个节点实时状态信息；
将所述多个节点实时状态信息输入所述资源节点状态检测通道，获得多个节点状态检测系数；
在本申请实施例中，首先，提取所述第n任务配置资源链中的多个配置资源节点，并获取所述多个配置资源节点的多个节点实时状态信息。然后将所述多个节点实时状态信息输入所述资源节点状态检测通道进行状态检测，得到多个节点状态检测系数。
在一个实施例中，所述方法还包括：
根据所述多个节点实时状态信息，读取第一节点实时状态信息；
基于所述第一节点实时状态信息定位所述资源节点状态检测通道，获得匹配节点状态检测域，其中，所述匹配节点状态检测域包括多个匹配节点状态检测器和匹配节点反馈激励器；
将所述第一节点实时状态信息输入所述多个匹配节点状态检测器，获得多个匹配状态检测系数；
将所述多个匹配状态检测系数输入所述匹配节点反馈激励器，根据所述匹配节点反馈激励器内的多个匹配节点反馈激励系数对所述多个匹配状态检测系数进行加权计算，生成第一节点状态检测系数，并将所述第一节点状态检测系数添加至所述多个节点状态检测系数。
在本申请实施例中，首先，在所述多个节点实时状态信息中随机提取一节点实时状态信息作为第一节点实时状态信息，然后将所述第一节点实时状态信息输入所述资源节点状态检测通道进行节点匹配，得到匹配节点状态检测域，其中述匹配节点状态检测域包括多个匹配节点状态检测器和匹配节点反馈激励器。
将所述第一节点实时状态信息输入所述多个匹配节点状态检测器进行节点状态检测，输出多个匹配状态检测系数。然后将所述多个匹配状态检测系数输入所述匹配节点反馈激励器，根据所述匹配节点反馈激励器获取所述多个匹配状态检测系数对应的多个匹配节点反馈激励系数，然后将所述多个匹配节点反馈激励系数作为权重，对所述多个匹配状态检测系数进行加权求和，并将加权求和结果作为第一节点状态检测系数，获得第一节点状态检测系数，并将所述第一节点状态检测系数添加至所述多个节点状态检测系数，得到多个节点状态检测系数。
获得所述多个配置资源节点对应的多个节点状态约束区间；
将所述多个节点状态检测系数和所述多个节点状态约束区间输入所述资源链状态验证器，获得所述第n资源链状态验证算子；
其中，所述资源链状态验证器包括资源链状态验证约束算子，所述资源链状态验证约束算子包括当所述多个节点状态检测系数均满足所述多个节点状态约束区间时，获得的所述第n资源链状态验证算子为资源链状态合格，当所述多个节点状态检测系数中的任意一个节点状态检测系数不满足对应的节点状态约束区间时，获得的所述第n资源链状态验证算子为资源链状态不合格，并生成资源链状态预警信号。
在本申请实施例中，首先，获取所述多个配置资源节点对应的多个节点状态约束区间，所述节点状态约束区间为节点正常运行的状态参数范围，本领域技术人员可根据实际节点类型等数据进行设置。
构建资源链状态验证器，其中所述资源链状态验证器包括资源链状态验证约束算子，其中所述资源链状态验证约束算子包括资源链状态合格和资源链状态不合格，当所述多个节点状态检测系数均满足对应的所述多个节点状态约束区间时，则资源链状态验证算子为资源链状态合格；当所述多个节点状态检测系数中的任意一个节点状态检测系数不满足对应的节点状态约束区间时，则源链状态验证算子为资源链状态不合格，当资源链状态不合格时，则生成资源链状态预警信号。然后将所述多个节点状态检测系数和所述多个节点状态约束区间输入所述资源链状态验证器，输出第n资源链状态验证算子。
当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；
在本申请实施例中，当所述第n资源链状态验证算子为资源链状态合格时，则表征此时资源链状态符合预设状态要求，则获得第n任务激活指令。
基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。
在本申请实施例中，最后基于所述第n任务激活指令执行所述第n待处理任务，并根据所述第n任务配置资源链进行所述第n待处理任务的任务处理资源配置。通过上述方法可以解决传统的基于消息中台的数据处理方法存在数据处理资源匹配精准度较低，导致消息中台的任务执行效率较低和执行质量较差的技术问题，通过对任务处理资源进行均衡性验证和对资源节点进行执行状态验证，可以提高数据处理资源匹配的准确性和可靠性，从而提高消息中台的任务处理质量和效率，保障消息中台任务处理的可靠性。
在一个实施例中，如图3所示提供了一种基于消息中台的实时数据处理系统，包括：待处理任务接收模块01、任务处理资源集获得模块02、任务处理资源配置模块03、待处理任务提取模块04、状态检测通道构建模块05、资源链状态验证模块06、任务激活指令获得模块07、待处理任务执行模块08，其中：
待处理任务接收模块01，所述待处理任务接收模块01用于接收消息中台的多个待处理任务；
任务处理资源集获得模块02，所述任务处理资源集获得模块02用于获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点；
任务处理资源配置模块03，所述任务处理资源配置模块03用于基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；
待处理任务提取模块04，所述待处理任务提取模块04用于根据所述多个待处理任务和所述多个任务配置资源链，提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；
状态检测通道构建模块05，所述状态检测通道构建模块05用于基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；
资源链状态验证模块06，所述资源链状态验证模块06用于基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；
任务激活指令获得模块07，所述任务激活指令获得模块07用于当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；
待处理任务执行模块08，所述待处理任务执行模块08用于基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。
在一个实施例中，所述系统还包括：
任务特征信息获得模块，所述任务特征信息获得模块用于读取所述多个待处理任务的任务属性、任务容量和任务等级，获得多个任务特征信息；
节点特征数据获得模块，所述节点特征数据获得模块用于读取所述多个任务处理资源节点的基础信息和未完成任务信息，获得多个节点特征数据；
任务处理资源配置通道训练模块，所述任务处理资源配置通道训练模块用于基于任务处理资源配置记录库，训练满足资源配置精度约束的任务处理资源配置通道；
任务处理资源配置模块，所述任务处理资源配置模块用于基于所述任务处理资源配置通道，根据所述多个任务特征信息和所述多个节点特征数据执行所述多个待处理任务的任务处理资源配置，得到多个匹配任务配置资源链；
任务配置均衡验证模块，所述任务配置均衡验证模块用于对所述多个匹配任务配置资源链进行任务配置均衡验证，获得任务配置均衡验证结果；
匹配任务配置资源链输出模块，所述匹配任务配置资源链输出模块用于当所述任务配置均衡验证结果为通过时，将所述多个匹配任务配置资源链输出为所述多个任务配置资源链。
在一个实施例中，所述系统还包括：
节点任务信息读取模块，所述节点任务信息读取模块用于根据所述多个匹配任务配置资源链，读取多个匹配资源节点的多个节点任务信息；
任务聚类模块，所述任务聚类模块用于基于所述多个节点任务信息进行同类节点的任务聚类，获得多个同类节点任务聚类结果；
任务均衡识别模块，所述任务均衡识别模块用于遍历所述多个同类节点任务聚类结果进行任务均衡识别，获得多个同类节点任务均衡度；
同类节点任务均衡度判断模块，所述同类节点任务均衡度判断模块用于判断所述多个同类节点任务均衡度是否小于预设均衡度；
验证通过模块，所述验证通过模块是指若所述多个同类节点任务均衡度均大于/等于所述预设均衡度，获得所述任务配置均衡验证结果为通过。
在一个实施例中，所述系统还包括：
验证不通过模块，所述验证不通过模块是指若所述多个同类节点任务均衡度中的任意一个同类节点任务均衡度小于所述预设均衡度，获得所述任务配置均衡验证结果为不通过；
任务配置预警指令生成模块，所述任务配置预警指令生成模块用于当所述任务配置均衡验证结果为不通过时，生成任务配置预警指令；
异常定位模块，所述异常定位模块用于基于所述任务配置预警指令对所述多个同类节点任务聚类结果进行异常定位，获得异常节点任务聚类结果；
优化任务配置模块，所述优化任务配置模块用于基于所述异常节点任务聚类结果对所述多个匹配任务配置资源链进行异常匹配资源节点的优化任务配置，生成所述多个任务配置资源链。
在一个实施例中，所述系统还包括：
第一任务处理资源节点获得模块，所述第一任务处理资源节点获得模块用于遍历所述多个任务处理资源节点，获得第一任务处理资源节点；
节点状态检测记录集调取模块，所述节点状态检测记录集调取模块用于调取所述第一任务处理资源节点的节点状态检测记录集；
第一节点状态检测器获得模块，所述第一节点状态检测器获得模块用于根据多个预设学习算子，分别对所述节点状态检测记录集进行训练，获得满足预设节点状态检测精度约束的多个第一节点状态检测器；
第一节点状态检测精度获得模块，所述第一节点状态检测精度获得模块用于获得所述多个第一节点状态检测器对应的多个第一节点状态检测精度；
第一节点反馈激励系数获得模块，所述第一节点反馈激励系数获得模块用于根据所述多个第一节点状态检测精度进行占比计算，获得多个第一节点反馈激励系数，并将所述多个第一节点反馈激励系数添加至第一节点反馈激励器；
第一节点状态检测域生成模块，所述第一节点状态检测域生成模块用于连接所述多个第一节点状态检测器和所述第一节点反馈激励器，生成第一节点状态检测域，并将所述第一节点状态检测域添加至所述资源节点状态检测通道。
在一个实施例中，所述系统还包括：
配置资源节点提取模块，所述配置资源节点提取模块用于根据所述第n任务配置资源链，提取多个配置资源节点；
节点实时状态信息调取模块，所述节点实时状态信息调取模块用于调取所述多个配置资源节点的多个节点实时状态信息；
节点状态检测系数获得模块，所述节点状态检测系数获得模块用于将所述多个节点实时状态信息输入所述资源节点状态检测通道，获得多个节点状态检测系数；
节点状态约束区间获得模块，所述节点状态约束区间获得模块用于获得所述多个配置资源节点对应的多个节点状态约束区间；
资源链状态验证算子获得模块，所述资源链状态验证算子获得模块用于将所述多个节点状态检测系数和所述多个节点状态约束区间输入所述资源链状态验证器，获得所述第n资源链状态验证算子；
资源链状态验证器模块，所述资源链状态验证器模块是指其中，所述资源链状态验证器包括资源链状态验证约束算子，所述资源链状态验证约束算子包括当所述多个节点状态检测系数均满足所述多个节点状态约束区间时，获得的所述第n资源链状态验证算子为资源链状态合格，当所述多个节点状态检测系数中的任意一个节点状态检测系数不满足对应的节点状态约束区间时，获得的所述第n资源链状态验证算子为资源链状态不合格，并生成资源链状态预警信号。
在一个实施例中，所述系统还包括：
第一节点实时状态信息读取模块，所述第一节点实时状态信息读取模块用于根据所述多个节点实时状态信息，读取第一节点实时状态信息；
匹配节点状态检测域获得模块，所述匹配节点状态检测域获得模块用于基于所述第一节点实时状态信息定位所述资源节点状态检测通道，获得匹配节点状态检测域，其中，所述匹配节点状态检测域包括多个匹配节点状态检测器和匹配节点反馈激励器；
匹配状态检测系数获得模块，所述匹配状态检测系数获得模块用于将所述第一节点实时状态信息输入所述多个匹配节点状态检测器，获得多个匹配状态检测系数；
第一节点状态检测系数生成模块，所述第一节点状态检测系数生成模块用于将所述多个匹配状态检测系数输入所述匹配节点反馈激励器，根据所述匹配节点反馈激励器内的多个匹配节点反馈激励系数对所述多个匹配状态检测系数进行加权计算，生成第一节点状态检测系数，并将所述第一节点状态检测系数添加至所述多个节点状态检测系数。
综上所述，与现有技术相比，本公开的实施例具有以下技术效果：
（1）通过对任务处理资源进行均衡性验证和对资源节点进行执行状态验证，可以提高数据处理资源匹配的准确性和可靠性，从而提高消息中台的任务处理质量和效率，保障消息中台任务处理的可靠性。
（2）通过基于BP神经网络构建任务处理资源配置通道，可以提高待处理任务的任务处理资源配置的准确率和效率，从而可以间接提高任务执行的效率和质量。
（3）通过对同类节点任务聚类结果的任务均衡度进行判断，并对小于预设均衡度的同类节点进行优化任务配置，可以提高任务处理资源配置的均衡性，从而提高任务处理的可靠性。
（4）通过基于节点状态检测器和节点反馈激励系数的对应关系组建资源节点状态检测通道，并通过资源节点状态检测通道进行任务配置资源链的状态验证，可以进一步提高任务配置资源链状态验证的准确性，从而提高任务处理资源配置的可靠性。
以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.基于消息中台的实时数据处理方法，其特征在于，所述方法包括：
接收消息中台的多个待处理任务；
获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点；
基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；
根据所述多个待处理任务和所述多个任务配置资源链，提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；
基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；
基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；
当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；
基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。
2.如权利要求1所述的方法，其特征在于，基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链，包括：
读取所述多个待处理任务的任务属性、任务容量和任务等级，获得多个任务特征信息；
读取所述多个任务处理资源节点的基础信息和未完成任务信息，获得多个节点特征数据；
基于任务处理资源配置记录库，训练满足资源配置精度约束的任务处理资源配置通道；
基于所述任务处理资源配置通道，根据所述多个任务特征信息和所述多个节点特征数据执行所述多个待处理任务的任务处理资源配置，得到多个匹配任务配置资源链；
对所述多个匹配任务配置资源链进行任务配置均衡验证，获得任务配置均衡验证结果；
当所述任务配置均衡验证结果为通过时，将所述多个匹配任务配置资源链输出为所述多个任务配置资源链。
3.如权利要求2所述的方法，其特征在于，对所述多个匹配任务配置资源链进行任务配置均衡验证，获得任务配置均衡验证结果，包括：
根据所述多个匹配任务配置资源链，读取多个匹配资源节点的多个节点任务信息；
基于所述多个节点任务信息进行同类节点的任务聚类，获得多个同类节点任务聚类结果；
遍历所述多个同类节点任务聚类结果进行任务均衡识别，获得多个同类节点任务均衡度；
判断所述多个同类节点任务均衡度是否小于预设均衡度；
若所述多个同类节点任务均衡度均大于/等于所述预设均衡度，获得所述任务配置均衡验证结果为通过。
4.如权利要求3所述的方法，其特征在于，判断所述多个同类节点任务均衡度是否小于预设均衡度，包括：
若所述多个同类节点任务均衡度中的任意一个同类节点任务均衡度小于所述预设均衡度，获得所述任务配置均衡验证结果为不通过；
当所述任务配置均衡验证结果为不通过时，生成任务配置预警指令；
基于所述任务配置预警指令对所述多个同类节点任务聚类结果进行异常定位，获得异常节点任务聚类结果；
基于所述异常节点任务聚类结果对所述多个匹配任务配置资源链进行异常匹配资源节点的优化任务配置，生成所述多个任务配置资源链。
5.如权利要求1所述的方法，其特征在于，基于所述多个任务处理资源节点，构建资源节点状态检测通道，包括：
遍历所述多个任务处理资源节点，获得第一任务处理资源节点；
调取所述第一任务处理资源节点的节点状态检测记录集；
根据多个预设学习算子，分别对所述节点状态检测记录集进行训练，获得满足预设节点状态检测精度约束的多个第一节点状态检测器；
获得所述多个第一节点状态检测器对应的多个第一节点状态检测精度；
根据所述多个第一节点状态检测精度进行占比计算，获得多个第一节点反馈激励系数，并将所述多个第一节点反馈激励系数添加至第一节点反馈激励器；
连接所述多个第一节点状态检测器和所述第一节点反馈激励器，生成第一节点状态检测域，并将所述第一节点状态检测域添加至所述资源节点状态检测通道。
6.如权利要求1所述的方法，其特征在于，基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子，包括：
根据所述第n任务配置资源链，提取多个配置资源节点；
调取所述多个配置资源节点的多个节点实时状态信息；
将所述多个节点实时状态信息输入所述资源节点状态检测通道，获得多个节点状态检测系数；
获得所述多个配置资源节点对应的多个节点状态约束区间；
将所述多个节点状态检测系数和所述多个节点状态约束区间输入所述资源链状态验证器，获得所述第n资源链状态验证算子；
其中，所述资源链状态验证器包括资源链状态验证约束算子，所述资源链状态验证约束算子包括当所述多个节点状态检测系数均满足所述多个节点状态约束区间时，获得的所述第n资源链状态验证算子为资源链状态合格，当所述多个节点状态检测系数中的任意一个节点状态检测系数不满足对应的节点状态约束区间时，获得的所述第n资源链状态验证算子为资源链状态不合格，并生成资源链状态预警信号。
7.如权利要求6所述的方法，其特征在于，将所述多个节点实时状态信息输入所述资源节点状态检测通道，获得多个节点状态检测系数，包括：
根据所述多个节点实时状态信息，读取第一节点实时状态信息；
基于所述第一节点实时状态信息定位所述资源节点状态检测通道，获得匹配节点状态检测域，其中，所述匹配节点状态检测域包括多个匹配节点状态检测器和匹配节点反馈激励器；
将所述第一节点实时状态信息输入所述多个匹配节点状态检测器，获得多个匹配状态检测系数；
将所述多个匹配状态检测系数输入所述匹配节点反馈激励器，根据所述匹配节点反馈激励器内的多个匹配节点反馈激励系数对所述多个匹配状态检测系数进行加权计算，生成第一节点状态检测系数，并将所述第一节点状态检测系数添加至所述多个节点状态检测系数。
8.基于消息中台的实时数据处理系统，其特征在于，用于执行权利要求1-7中所述的基于消息中台的实时数据处理方法中任意一项方法的步骤，所述系统包括：
待处理任务接收模块，所述待处理任务接收模块用于接收消息中台的多个待处理任务；
任务处理资源集获得模块，所述任务处理资源集获得模块用于获得所述消息中台的任务处理资源集，其中，所述任务处理资源集包括多个任务处理资源节点；
任务处理资源配置模块，所述任务处理资源配置模块用于基于所述任务处理资源集对所述多个待处理任务进行任务处理资源配置，获得所述多个待处理任务对应的多个任务配置资源链；
待处理任务提取模块，所述待处理任务提取模块用于根据所述多个待处理任务和所述多个任务配置资源链，提取第n待处理任务，以及所述第n待处理任务对应的第n任务配置资源链，其中，n为正整数，且，n属于N，N为所述多个待处理任务的总数量；
状态检测通道构建模块，所述状态检测通道构建模块用于基于所述多个任务处理资源节点，构建资源节点状态检测通道，其中，所述资源节点状态检测通道包括所述多个任务处理资源节点对应的多个节点状态检测域；
资源链状态验证模块，所述资源链状态验证模块用于基于所述资源节点状态检测通道，结合资源链状态验证器对所述第n任务配置资源链进行状态验证，获得第n资源链状态验证算子；
任务激活指令获得模块，所述任务激活指令获得模块用于当所述第n资源链状态验证算子为资源链状态合格时，获得第n任务激活指令；
待处理任务执行模块，所述待处理任务执行模块用于基于所述第n任务激活指令，根据所述第n任务配置资源链执行所述第n待处理任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012358.XA CN117519951B (zh) | 2024-01-04 | 基于消息中台的实时数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012358.XA CN117519951B (zh) | 2024-01-04 | 基于消息中台的实时数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117519951A true CN117519951A (zh) | 2024-02-06 |
| CN117519951B CN117519951B (zh) | 2024-05-03 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190108069A1 (en) * | 2016-09-30 | 2019-04-11 | Tencent Technology (Shenzhen) Company Limited | Distributed resource allocation method, allocation node, and access node |
| CN111858458A (zh) * | 2020-06-19 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种互联通道的调整方法、装置、系统、设备和介质 |
| WO2021185206A1 (zh) * | 2020-03-16 | 2021-09-23 | 第四范式（北京）技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
| CN115208900A (zh) * | 2022-07-15 | 2022-10-18 | 柏域信息科技（上海）有限公司 | 基于区块链与博弈模型的多云架构云服务资源调度方法 |
| CN115934303A (zh) * | 2021-08-06 | 2023-04-07 | 上海擎感智能科技有限公司 | 共享式运算方法及共享式运算装置 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190108069A1 (en) * | 2016-09-30 | 2019-04-11 | Tencent Technology (Shenzhen) Company Limited | Distributed resource allocation method, allocation node, and access node |
| WO2021185206A1 (zh) * | 2020-03-16 | 2021-09-23 | 第四范式（北京）技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
| CN111858458A (zh) * | 2020-06-19 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种互联通道的调整方法、装置、系统、设备和介质 |
| CN115934303A (zh) * | 2021-08-06 | 2023-04-07 | 上海擎感智能科技有限公司 | 共享式运算方法及共享式运算装置 |
| CN115208900A (zh) * | 2022-07-15 | 2022-10-18 | 柏域信息科技（上海）有限公司 | 基于区块链与博弈模型的多云架构云服务资源调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李莹 等: "定向通信网络资源分配算法设计及仿真", 《中国新通信》, no. 03, 5 February 2016 (2016-02-05), pages 18 - 21 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN111400198B (zh) | 一种自适应的软件测试系统 | |
| CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
| CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN105471647B (zh) | 一种电力通信网故障定位方法 | |
| Beielstein et al. | Threshold selection, hypothesis tests, and DOE methods | |
| CN111859047A (zh) | 一种故障解决方法及装置 | |
| Lugaresi et al. | Generation and tuning of discrete event simulation models for manufacturing applications | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN115237804A (zh) | 性能瓶颈的评估方法、装置、电子设备、介质和程序产品 | |
| CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
| CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
| CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
| CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN117519951B (zh) | 基于消息中台的实时数据处理方法及系统 | |
| KR20220041600A (ko) | 스마트공장 데이터 품질평가 방법 | |
| US20230156043A1 (en) | System and method of supporting decision-making for security management | |
| CN117519951A (zh) | 基于消息中台的实时数据处理方法及系统 | |
| CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
| CN110175113A (zh) | 业务场景确定方法和装置 | |
| Loseva et al. | Ensembles of neural networks with application of multi-objective self-configurable genetic programming | |
| CN113656323A (zh) | 一种自动化测试、定位及修复故障的方法及存储介质 | |
| CN112948469A (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
| Gissrau et al. | A detailed model for a high-mix low-volume ASIC fab |
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 |