CN117539648A - 一种电子政务云平台的服务质量管理方法及装置 - Google Patents
一种电子政务云平台的服务质量管理方法及装置 Download PDFInfo
- Publication number
- CN117539648A CN117539648A CN202410031579.1A CN202410031579A CN117539648A CN 117539648 A CN117539648 A CN 117539648A CN 202410031579 A CN202410031579 A CN 202410031579A CN 117539648 A CN117539648 A CN 117539648A
- Authority
- CN
- China
- Prior art keywords
- service
- government
- historical
- service data
- cloud platform
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000009471 action Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- 230000005012 migration Effects 0.000 claims description 20
- 238000013508 migration Methods 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 19
- 230000002787 reinforcement Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 6
- 238000013468 resource allocation Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis 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
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F9/50—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种电子政务云平台的服务质量管理方法及装置,涉及云平台管理技术领域。该方法包括:获取历史政务服务数据集;历史政务服务数据集包含多个历史政务服务数据,每一历史政务服务数据分别具有相应的政务服务类型;历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳;针对各个政务服务类型,基于历史政务服务数据集中与政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量;基于各个潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置。由此,通过对历史政务服务数据的监测分析,预测各类服务的服务需求并合理配置系统资源,保障了电子政务云平台稳定的服务质量。
Description
技术领域
本申请涉及云平台管理技术领域,尤其涉及一种电子政务云平台的服务质量管理方法及装置。
背景技术
随着信息技术的飞速发展,电子政务系统作为政府信息化的核心组成部分,通过互联网为公众提供便捷的政府服务,推动了政府机构服务的现代化转型。然而,尽管电子政务云平台在推动政府现代化和提升公共服务水平方面取得了显著成果,但其面临的技术挑战和服务质量问题亦日益凸显。
随着互联网的快速普及,电子政务云平台的用户规模不断扩大,业务复杂度也日益增加,导致平台在面对高并发访问时容易出现性能瓶颈,表现为系统响应延迟、页面加载缓慢等问题,不仅降低了用户体验,也影响了政府部门高效运作的能力。此外,用户对政府服务的期望越来越高,对电子政务云平台的可用性提出了更高要求。然而,目前电子政务平台无法对平台服务的质量和可用性进行可靠监测和管理,而往往是在平台发生大面积的服务故障之后再进行补救,导致影响范围广且恢复时间长,降低了公众对电子政务服务的评价。
针对上述问题,目前业界暂未提出较佳的技术解决方案。
发明内容
本申请实施例提供了一种电子政务云平台的服务质量管理方法及装置,用于至少解决现有技术中电子政务云平台无法对平台服务质量进行监测和管理的问题。
第一方面,本申请实施例提供一种电子政务云平台的服务质量管理方法,包括:获取历史政务服务数据集;所述历史政务服务数据集包含多个历史政务服务数据,每一所述历史政务服务数据分别具有相应的政务服务类型;所述历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳;针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量;基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置;所述资源管理配置包含针对以下中的至少一者的配置:服务计算实例数量、服务容器容量和服务分配带宽。
可选地,所述用户历史行为参数包含以下中的至少一者:用户会话信息、用户交互内容和用户操作序列;所述用户操作序列包含操作类型和操作对象标识,所述用户会话信息包含会话ID、开始时间、结束时间和活跃持续时间,所述用户交互内容包含访问服务名称、填写表单字段和查询参数类型。
可选地,所述针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量,包括:根据所述历史政务服务数据集,确定相应的用户上下文向量;所述用户上下文向量用于表征用户属性信息和时间描述信息,所述用户属性信息包含以下中的至少一者:用户位置、历史使用模式、设备类型,以及所述时间描述信息用于描述当前日期所对应的工作时间段信息;针对各个所述政务服务类型,基于所述用户上下文向量以及与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量。
可选地,所述基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量,包括:将所述历史政务服务数据集输入至访问量预测模型,以针对各个所述政务服务类型分别输出相应的潜在服务访问量;所述访问量预测模型采用基于注意力机制的长短期记忆模型。
可选地,所述访问量预测模型用于执行包括以下的操作以输出潜在服务访问量:针对对应当前时间步t的政务服务数据,通过注意力机制与各个历史时间步所对应的隐藏状态/>进行注意力权重计算,以生成当前时间步t所对应的上下文向量/>;
针对政务服务数据在当前时间步t的注意力权重/>的计算公式为:
其中,用于衡量最新的历史时间步所对应的/>和每个其他历史时间步所对应的/>的兼容性;
所述上下文向量是通过以下方式而计算的:
基于和/>来更新所述访问量预测模型的当前时间步t的隐藏状态/>:
其中,表示当前时间步t的实时服务访问量;
根据经更新的各个隐藏状态预测在下一时间步t+1的潜在服务访问量所对应的特征表示:
其中,和/>是模型层学习参数,以及/>表示Sigmoid函数。
可选地,所述基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置,包括:根据预设的访问量决策表对各个所述潜在服务访问量进行匹配,以相应确定针对各个政务服务类型所对应的资源管理配置;所述访问量决策表记录了多个访问量区间和相匹配的资源管理配置。
可选地,所述基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置,包括:获取电子政务云平台的资源消耗状态和服务运行指标;所述资源消耗状态包含计算资源消耗状态、存储资源消耗状态和带宽资源消耗状态;以及所述服务运行指标包含服务响应时间、服务报错率和服务并发请求量;将所述资源消耗状态、所述服务运行指标和所述各个潜在服务访问量输入至决策匹配模型,以确定针对各个政务服务类型所对应的资源管理配置;所述决策匹配模型采用强化学习模型,所述强化学习模型的状态是由资源消耗状态、服务运行指标和各个潜在服务访问量定义的,所述强化学习模型的状态迁移动作是由资源管理配置定义的,以及所述强化学习模型的迁移奖励是根据平台服务实时评分的浮动信息而定义的。
可选地,所述获取电子政务云平台的资源消耗状态和服务运行指标,包括:根据所述电子政务云平台的处理资源利用率、内存使用量和进程数量,确定计算资源消耗状态;根据所述电子政务云平台的I/O操作频率、吞吐量和剩余存储空间,确定存储资源消耗状态;根据所述电子政务云平台的带宽使用率、延迟时间和数据包传输速率,确定带宽资源消耗状态。
可选地,所述决策匹配模型采用深度确定性策略梯度强化学习模型,该模型包含用于表示策略函数的actor网络和用于表示动作价值函数的critic网络;其中,所述电子政务云平台的状态空间为/>,行动空间为/>,则在当前时间步/>观测到状态/>所对应的状态迁移动作/>,并从环境中接收到下一个时间步t+1的状态/>和迁移奖励/>;/>表示策略函数参数向量,以及/>表示动作价值函数参数向量;
通过所述actor网络输出多种状态迁移动作,以及通过所述critic网络对各个所述状态迁移动作进行评估;
target通过以下方式进行训练:
其中,和/>是用于稳定训练过程的目标网络,以及/>是折扣因子;
所述critic网络通过最小化如下的损失函数而进行更新:
其中,N表示大于1的自然数;
所述actor网络根据策略梯度而进行更新:
。
第二方面,本申请实施例提供一种电子政务云平台的服务质量管理装置,包括:数据集获取单元,用于获取历史政务服务数据集;所述历史政务服务数据集包含多个历史政务服务数据,每一所述历史政务服务数据分别具有相应的政务服务类型;所述历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳;访问量预测单元,用于针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量;资源管理单元,用于基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置;所述资源管理配置包含针对以下中的至少一者的配置:服务计算实例数量、服务容器容量和服务分配带宽。
第三方面,本申请实施例提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述方法的步骤。
第四方面,本申请实施例提供一种存储介质,所述存储介质中存储有一个或多个包括执行指令的程序,所述执行指令能够被电子设备(包括但不限于计算机,服务器,或者网络设备等)读取并执行,以用于执行本申请上述方法的步骤。
第五方面,本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法的步骤。
上述技术方案,与现有技术相比至少具有如下有益效果:
在本申请实施例中,通过对历史政务服务数据的监测分析,可以实现对未来预设时间段的潜在服务访问量的预测,进而动态调整电子政务云平台的资源管理配置。由此,根据预期的各类服务的服务需求合理配置系统资源,避免某项服务的资源分配过剩或某项服务的资源分配不足的情况,有效解决了因服务请求量突然增加所导致的服务质量下降的缺陷,从而提高电子政务云平台的资源利用率和服务质量,使用户能够更好地享受电子政务云平台提供的各项服务。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出了根据本申请实施例的电子政务云平台的服务质量管理方法的一示例的流程图;
图2示出了根据本申请实施例的电子政务云平台的服务质量管理方法的一示例的流程图;
图3示出了根据本申请实施例的针对各个评分模型的模型权重的确定过程的一示例的流程图;
图4示出了根据本申请实施例的强化学习模型的一示例的变量迁移示意图;
图5示出了根据本申请实施例的电子政务云平台的服务质量管理装置的一示例的结构框图;
图6为本申请的电子设备的一实施例的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例的附图,对本申请实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于所描述的本申请的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另外定义,本申请使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
需要说明的是,本申请中使用的“上”、“下”、“左”、“右”“前”“后”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
图1示出了根据本申请实施例的电子政务云平台的服务质量管理方法的一示例的流程图。
关于本申请实施例方法的执行主体,其可以是任意具有计算或处理能力的控制器或处理器,以实现自动对接入电子政务系统上运行的各类服务进行监测及管理,提高电子政务云平台的资源利用率和服务质量。在一些示例中,其可以是通过软件、硬件或软硬件结合的方式被集成配置在电子政务系统服务端中,并且电子政务系统服务端的类型可以是多样化的,例如手机、平板电脑或台式机等等。
如图1所示,在步骤S110中,获取历史政务服务数据集。
这里,历史政务服务数据集包含多个历史政务服务数据,每一历史政务服务数据分别具有相应的政务服务类型,历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳。
在一些实施方式中,通过实时监测电子政务云平台的服务日志,以实时获取或更新历史政务服务数据集。这里,用户历史行为参数的类型可以是多样化的,并可以根据服务管理资源的不同而进行调整。示例性地,用户历史行为参数包含以下中的至少一者:用户会话信息、用户交互内容和用户操作序列。用户操作序列包含操作类型和操作对象标识,用户会话信息包含会话ID、开始时间、结束时间和活跃持续时间,用户交互内容包含访问服务名称、填写表单字段和查询参数类型。
在步骤S120中,针对各个政务服务类型,基于历史政务服务数据集中与政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量。
在一些实施方式中,基于收集的历史政务服务数据,应用预测算法比如时间序列分析、机器学习模型等来预测不同类型的政务服务在未来一段时间的潜在访问量。
在步骤S130中,基于各个潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置。
这里,资源管理配置包含针对以下中的至少一者的配置:服务计算实例数量、服务容器容量和服务分配带宽。具体地,根据预测得到的潜在服务访问量进行资源管理配置,例如各个服务应该分配多少计算实例、容器的大小和带宽等。由此,通过动态调整资源,比如自动扩展或收缩服务实例,以确保每项服务都有足够的资源来应对预测到来的访问量。
通过本申请实施例,电子政务云平台能够实现灵活的资源管理,根据实际不同类型的业务服务的需求而动态调整资源分配,提高了处理资源的使用效率,在保证服务质量的同时,降低了不必要的运营成本,尤其能够缓解因集中访问某项服务所导致的系统响应延迟甚至宕机的情况。由此,电子政务云平台将具备智能自适应能力,不仅能实现服务质量的持续监控,还能根据实际需求动态优化资源配置,最终提供一个更加可靠、高效和用户友好的政务云服务体验。
在本申请实施例的一些示例中,融合了“自学习性能基线建立与异常检测技术”、“用户行为模式智能分析技术”和“自适应资源调节与调度机制”。在自学习性能基线建立与异常检测技术中,利用机器学习算法,对电子政务云平台的历史性能数据进行学习,建立各种服务的性能基线。系统不仅能实时监测当前性能指标,还能通过已学习的基线模型,准确预测并快速识别偏离正常运行模式的潜在问题,提前发出预警,并对可能的故障原因进行初步分析。在用户行为模式智能分析技术中,结合大数据分析工具和用户行为追踪,对用户的访问模式、页面交互行为进行深入分析,并通过预测算法预测高峰使用期或特殊事件造成的流量波动,为资源调整提供数据支持。在自适应资源调节与调度机制技术中,将弹性伸缩的能力与机器学习相结合,创建智能的资源管理系统。根据实时性能数据、历史趋势以及用户行为预测,系统能自动调节云平台资源配置,包括自动启动或关闭实例、调整负载均衡策略等,优化资源利用率,保障服务质量。
图2示出了根据本申请实施例的电子政务云平台的服务质量管理方法的一示例的流程图。
如图2所示,在步骤S210中,获取历史政务服务数据集。
在步骤S220中,根据历史政务服务数据集,确定相应的用户上下文向量。
这里,用户上下文向量用于表征用户属性信息和时间描述信息,用户属性信息包含以下中的至少一者:用户位置、历史使用模式、设备类型,以及所述时间描述信息用于描述当前日期所对应的工作时间段信息。示例性地,通过时间描述信息指示当前日期是周几,操作时间是工作时间或非工作时间,以及是否属于特殊日期(例如节假日等),通过用户位置能够反映不同地域的用户对电子政务系统的访问情况。
在步骤S230中,针对各个政务服务类型,基于用户上下文向量以及与政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量。
由此,在对未来不同政务服务类型的访问量进行预测时,能够综合考虑当前日期及当前用户的上下文情景,能更有助于实现对未来预设时间段的潜在服务访问量的精确预测结果。
在一些实施方式中,将历史政务服务数据集输入至访问量预测模型,以针对各个政务服务类型分别输出相应的潜在服务访问量,访问量预测模型采用基于注意力机制的LSTM模型。
具体地,利用LSTM模型处理和预测时间序列数据中的长期依赖问题,对于用户操作序列进行预测,实现根据已有的行为历史来预测后续的用户行为,从而提前对可能的服务高峰做出响应。此外,LSTM模型引入带注意力机制,能够更好地识别与当前预测最相关的历史信息,为重要历史信息添加更多权重,有助于提高预测结果的精确度。
在步骤S240中,根据预设的访问量决策表对各个潜在服务访问量进行匹配,以相应确定针对各个政务服务类型所对应的资源管理配置。
这里,访问量决策表记录了多个访问量区间和相匹配的资源管理配置。示例性地,针对低访问量区间匹配具有更少系统资源的第一资源管理配置,而针对高访问量区间匹配具有更多资源的第二资源管理配置。在一些实施方式中,访问量决策表可以是由运维人员根据业务需求而自行进行定义和设置的。
通过上述方案,可以提高资源利用率,减少资源浪费,同时均衡各类型服务的用户体验,同时也能更好地满足用户需求,提高服务质量。此外,能够针对高并发服务进行提前预测并部署相匹配的系统资源,能减少系统故障和崩溃的可能性,从而提高了系统的整体性能和可靠性。
图3示出了根据本申请实施例的电子政务云平台的服务质量管理方法的一示例的流程图。
如图3所示,在步骤S310中,获取历史政务服务数据集。
在步骤S320中,根据历史政务服务数据集,确定相应的用户上下文向量。
在步骤S330中,将历史政务服务数据集输入至访问量预测模型,以针对各个政务服务类型分别输出相应的潜在服务访问量,访问量预测模型采用基于注意力机制的LSTM模型。
在一些实施方式中,访问量预测模型用于执行包括以下的操作以输出潜在服务访问量:
针对对应当前时间步t的政务服务数据,通过注意力机制与各个历史时间步所对应的隐藏状态/>进行注意力权重计算,以生成当前时间步t所对应的上下文向量/>;
针对政务服务数据在当前时间步t的注意力权重/>的计算公式为:
其中,表示用于衡量最新的历史时间步所对应的/>和每个其他历史时间步所对应的/>的兼容性,例如通过卷积函数进行计算;
上下文向量是通过以下方式而计算的:
基于和/>来更新访问量预测模型的当前时间步t的隐藏状态/>:
根据经更新的各个隐藏状态预测在下一时间步t+1的潜在服务访问量所对应的特征表示:
其中,和/>是模型层学习参数(即,层权重和偏置),以及/>表示Sigmoid函数。由此,通过注意力机制的增强型模型设计,使得模型能够在预测下一个时间步的用户行为时聚焦于最为相关的历史信息,构建智能行为感知引擎(IBAE)。
结合业务应用场景来说,普通的工作日中午,有许多市民访问电子政务云平台,进行税务申报、社保查询等业务操作。电子政务云平台的IBAE监测到,每个月的前五个工作日的午间,税务服务的使用量激增。该引擎通过分析用户的交互日志和访问频率,利用基于注意力机制的LSTM模型从过去的行为数据学习,并预测未来的访问模式。进一步地,在预测到即将到来的高峰时刻,IBAE自动提前调整了计算资源分配,增加处理此类请求的后端服务器负载能力,确保计算资源服务的运行质量。另一方面,对于存储资源,基于注意力机制的LSTM模型的输出帮助预先规划数据库扩容和缓存策略调整,以适应用户查询导致的数据访问量增加,从而优化存储资源服务运行质量。
在步骤S340中,获取电子政务云平台的资源消耗状态和服务运行指标。
这里,资源消耗状态包含计算资源消耗状态、存储资源消耗状态和带宽资源消耗状态,以及服务运行指标包含服务响应时间、服务报错率和服务并发请求量。在一些实施方式中,根据电子政务云平台的处理资源利用率、内存使用量和进程数量,确定计算资源消耗状态。另外,根据电子政务云平台的I/O操作频率、吞吐量和剩余存储空间,确定存储资源消耗状态。此外,根据电子政务云平台的带宽使用率、延迟时间和数据包传输速率,确定带宽资源消耗状态。
在步骤S350中,将资源消耗状态、服务运行指标和各个潜在服务访问量输入至决策匹配模型,以确定针对各个政务服务类型所对应的资源管理配置,决策匹配模型采用强化学习模型。
图4示出了根据本申请实施例的强化学习模型的一示例的变量迁移示意图。
如图4所示,该变量迁移示意图中涉及由多个变量~/>所组成的基础变量集,在不同状态变量之间可能会发生变量迁移,例如/>表示从/>到/>的变量迁移动作,/>表示从到/>的变量迁移动作,/>表示从/>到/>的变量迁移动作,等等。这里,可以基于变量迁移策略来发生对应的变量迁移,并且每一变量迁移策略分别用于指示不同的变量迁移。
此外,每一变量转移具有对应的变量转移奖赏,且各个变量转移奖赏可以是基于预设置的变量转移奖赏函数而确定。通常情况下,若变量转移奖赏越大,则可认为该变量转移动作越有价值,例如相应综合评分的上涨幅度越大。
结合本申请实施例的示例,强化学习模型的状态是由资源消耗状态、服务运行指标和各个潜在服务访问量定义的,强化学习模型的状态迁移动作是由资源管理配置定义的,以及强化学习模型的迁移奖励是根据平台服务实时评分的浮动信息而定义的。
由此,采用强化学习算法来不断优化资源管理配置的决策,实现最佳资源利用效率与服务响应速度的动态平衡,构建了情境感知动态资源优化系统(CADROS)。
结合业务应用场景来说,在电子政务平台进行年度大型数据更新时,需要大量网络和存储资源。为了对此情境的资源调配,CADROS收集网络带宽使用、存储I/O操作等指标,并运行强化学习模型来动态调整资源,例如优化I/O调度,临时扩展存储服务的可用带宽。进一步地,通过实时监测网络吞吐量,在数据更新期间CADROS自动优化了路由策略,减少了网络延迟,提升了网络资源服务的运行质量。另外,CADROS还可以在监测到备份数据库的使用率低于阈值,进而减少备份库的资源,为主数据库提供更多的存储资源。
在一些实施方式中,决策匹配模型采用基于深度确定性策略梯度(DDPG,DeepDeterministic Policy Gradient)的深度强化学习模型,该模型包含用于表示策略函数的actor网络和用于表示动作价值函数的critic网络/>,以较佳地解决高维动作空间求解的问题。
这里,电子政务云平台的状态空间为,行动空间为/>,则在当前时间步/>观测到状态/>所对应的状态迁移动作/>,并从环境中接收到下一个时间步t+1的状态/>和迁移奖励/>,/>为参数向量,该向量通过对资源消耗状态、服务运行指标等特征参数数据集的训练进行优化;
通过actor网络输出多种状态迁移动作,以及通过critic网络对各个状态迁移动作进行评估,由此找到对应当前状态价值最大化的状态迁移动作,相应地确定各个政务服务类型所对应的最佳资源管理配置。
target通过以下方式进行训练:
其中,和/>是用于稳定训练过程的目标网络,以及/>是折扣因子;
critic网络通过最小化如下的损失函数而进行更新:
其中,N表示大于1的自然数,并定义了时间步总数,其可以是根据模型训练需求而预设置并根据测试结果而进行调整的;
actor网络根据策略梯度而进行更新:
。
由此,使用收集到的资源使用数据和监控数据喂养DDPG模型,使其输出资源调整决策和动作价值评估。进而,利用DDPG模型结合了深度学习和强化学习的优点,以实现对此类高维且连续的动作空间求解的问题。
在本申请实施例中,首先通过IBAE实时收集和分析用户行为数据,预测未来的访问模式和需求。结合CADROS,根据预测结果和实时的资源使用情况,动态调整资源分配,以优化云平台性能,并确保在高峰时期提供充足的服务资源,实现对服务的访问流量预测和资源动态分配管理,提升用户满意度和整体服务质量。
下面对本申请提供的电子政务云平台的服务质量管理装置进行描述,下文描述的电子政务云平台的服务质量管理装置与上文描述的电子政务云平台的服务质量管理方法可相互对应参照。
图5示出了根据本申请实施例的电子政务云平台的服务质量管理装置的一示例的结构框图。
如图5所示,电子政务云平台的服务质量管理装置500包括数据集获取单元510、访问量预测单元520和资源管理单元530。
数据集获取单元510用于获取历史政务服务数据集;所述历史政务服务数据集包含多个历史政务服务数据,每一所述历史政务服务数据分别具有相应的政务服务类型;所述历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳。
访问量预测单元520用于针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量。
资源管理单元530用于基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置;所述资源管理配置包含针对以下中的至少一者的配置:服务计算实例数量、服务容器容量和服务分配带宽。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作合并,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在一些实施例中,本申请实施例提供一种非易失性计算机可读存储介质,所述存储介质中存储有一个或多个包括执行指令的程序,所述执行指令能够被电子设备(包括但不限于计算机,服务器,或者网络设备等)读取并执行,以用于执行本申请上述的电子政务云平台的服务质量管理方法。
在一些实施例中,本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述的电子政务云平台的服务质量管理方法。
在一些实施例中,本申请实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行电子政务云平台的服务质量管理方法。
图6是本申请另一实施例提供的执行电子政务云平台的服务质量管理方法的电子设备的硬件结构示意图,如图6所示,该设备包括:
一个或多个处理器610以及存储器620,图6中以一个处理器610为例。
执行电子政务云平台的服务质量管理方法的设备还可以包括:输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器620作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的电子政务云平台的服务质量管理方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的电子政务云平台的服务质量管理方法。
存储器620可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器620可选包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的信号。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中,当被所述一个或者多个处理器610执行时,执行上述任意方法实施例中的电子政务云平台的服务质量管理方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的机载电子装置,例如安装上车辆上的车机装置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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)
1.一种电子政务云平台的服务质量管理方法,其特征在于,包括:
获取历史政务服务数据集;所述历史政务服务数据集包含多个历史政务服务数据,每一所述历史政务服务数据分别具有相应的政务服务类型;所述历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳;
针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量;
基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置;所述资源管理配置包含针对以下中的至少一者的配置:服务计算实例数量、服务容器容量和服务分配带宽。
2.根据权利要求1所述的方法,其特征在于,所述用户历史行为参数包含以下中的至少一者:用户会话信息、用户交互内容和用户操作序列;所述用户操作序列包含操作类型和操作对象标识,所述用户会话信息包含会话ID、开始时间、结束时间和活跃持续时间,所述用户交互内容包含访问服务名称、填写表单字段和查询参数类型。
3.根据权利要求2所述的方法,其特征在于,所述针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量,包括:
根据所述历史政务服务数据集,确定相应的用户上下文向量;所述用户上下文向量用于表征用户属性信息和时间描述信息,所述用户属性信息包含以下中的至少一者:用户位置、历史使用模式、设备类型,以及所述时间描述信息用于描述当前日期所对应的工作时间段信息;
针对各个所述政务服务类型,基于所述用户上下文向量以及与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量。
4.根据权利要求3所述的方法,其特征在于,所述基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量,包括:
将所述历史政务服务数据集输入至访问量预测模型,以针对各个所述政务服务类型分别输出相应的潜在服务访问量;所述访问量预测模型采用基于注意力机制的长短期记忆模型。
5.根据权利要求4所述的方法,其特征在于,所述访问量预测模型用于执行包括以下的操作以输出潜在服务访问量:
针对对应当前时间步t的政务服务数据,通过注意力机制与各个历史时间步所对应的隐藏状态/>进行注意力权重计算,以生成当前时间步t所对应的上下文向量;
针对政务服务数据在当前时间步t的注意力权重/>的计算公式为:
;
其中,用于衡量最新的历史时间步所对应的/>和每个其他历史时间步所对应的/>的兼容性;
上下文向量是通过以下方式而计算的:
;
基于和/>来更新所述访问量预测模型的当前时间步t的隐藏状态/>:
;
其中,表示当前时间步t的实时服务访问量;
根据经更新的各个隐藏状态预测在下一时间步t+1的潜在服务访问量所对应的特征表示:
;
其中,和/>是模型层学习参数,以及/>表示Sigmoid函数。
6.根据权利要求1或5所述的方法,其特征在于,所述基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置,包括:
根据预设的访问量决策表对各个所述潜在服务访问量进行匹配,以相应确定针对各个政务服务类型所对应的资源管理配置;所述访问量决策表记录了多个访问量区间和相匹配的资源管理配置。
7.根据权利要求1或5所述的方法,其特征在于,所述基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置,包括:
获取电子政务云平台的资源消耗状态和服务运行指标;所述资源消耗状态包含计算资源消耗状态、存储资源消耗状态和带宽资源消耗状态;以及所述服务运行指标包含服务响应时间、服务报错率和服务并发请求量;
将所述资源消耗状态、所述服务运行指标和所述各个潜在服务访问量输入至决策匹配模型,以确定针对各个政务服务类型所对应的资源管理配置;所述决策匹配模型采用强化学习模型,所述强化学习模型的状态是由资源消耗状态、服务运行指标和各个潜在服务访问量定义的,所述强化学习模型的状态迁移动作是由资源管理配置定义的,以及所述强化学习模型的迁移奖励是根据平台服务实时评分的浮动信息而定义的。
8.根据权利要求7所述的方法,其特征在于,所述获取电子政务云平台的资源消耗状态和服务运行指标,包括:
根据所述电子政务云平台的处理资源利用率、内存使用量和进程数量,确定计算资源消耗状态;
根据所述电子政务云平台的I/O操作频率、吞吐量和剩余存储空间,确定存储资源消耗状态;
根据所述电子政务云平台的带宽使用率、延迟时间和数据包传输速率,确定带宽资源消耗状态。
9.根据权利要求8所述的方法,其特征在于,所述决策匹配模型采用深度确定性策略梯度强化学习模型,该模型包含用于表示策略函数的actor网络和用于表示动作价值函数的critic网络/>;
其中,所述电子政务云平台的状态空间为,行动空间为/>,则在当前时间步/>观测到状态/>所对应的状态迁移动作/>,并从环境中接收到下一个时间步t+1的状态/>和迁移奖励/>;/>表示策略函数参数向量,以及/>表示动作价值函数参数向量;
通过所述actor网络输出多种状态迁移动作,以及通过所述critic网络对各个所述状态迁移动作进行评估;
target通过以下方式进行训练:
;
其中,和/>是用于稳定训练过程的目标网络,以及/>是折扣因子;
所述critic网络通过最小化如下的损失函数而进行更新:
;
其中,N表示大于1的自然数;
所述actor网络根据策略梯度而进行更新:
。
10.一种电子政务云平台的服务质量管理装置,其特征在于,包括:
数据集获取单元,用于获取历史政务服务数据集;所述历史政务服务数据集包含多个历史政务服务数据,每一所述历史政务服务数据分别具有相应的政务服务类型;所述历史政务服务数据包含多个用户历史行为参数和相应的操作时间戳;
访问量预测单元,用于针对各个所述政务服务类型,基于所述历史政务服务数据集中与所述政务服务类型相应的各个历史政务服务数据预测在未来的预设时间段的潜在服务访问量;
资源管理单元,用于基于各个所述潜在服务访问量,确定针对各个政务服务类型所对应的资源管理配置;所述资源管理配置包含针对以下中的至少一者的配置:服务计算实例数量、服务容器容量和服务分配带宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410031579.1A CN117539648A (zh) | 2024-01-09 | 2024-01-09 | 一种电子政务云平台的服务质量管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410031579.1A CN117539648A (zh) | 2024-01-09 | 2024-01-09 | 一种电子政务云平台的服务质量管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117539648A true CN117539648A (zh) | 2024-02-09 |
Family
ID=89790422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410031579.1A Pending CN117539648A (zh) | 2024-01-09 | 2024-01-09 | 一种电子政务云平台的服务质量管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117539648A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10202006372SA (en) * | 2020-07-01 | 2021-10-28 | Grabtaxi Holdings Pte Ltd | Communications apparatus and method for estimating potential demand for improved forecasting and resource management |
CN113570261A (zh) * | 2021-07-30 | 2021-10-29 | 谭世聪 | 基于云计算和智慧城市的政务管理系统 |
CN113627091A (zh) * | 2021-08-30 | 2021-11-09 | 宝鸡文理学院 | 一种用于预测能源负荷的装置及方法 |
CN114548898A (zh) * | 2022-01-10 | 2022-05-27 | 陈佳娜 | 一种基于云平台的政务大数据管理方法及系统 |
CN114579407A (zh) * | 2022-05-05 | 2022-06-03 | 北京航空航天大学 | 一种因果关系检验和微服务指标预测报警方法 |
CN114760308A (zh) * | 2022-04-01 | 2022-07-15 | 中国科学技术大学 | 边缘计算卸载方法及装置 |
WO2022193534A1 (zh) * | 2021-03-17 | 2022-09-22 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排系统和方法 |
CN115525230A (zh) * | 2022-10-08 | 2022-12-27 | 中国工商银行股份有限公司 | 存储资源的分配方法、装置、存储介质及电子设备 |
CN116383096A (zh) * | 2023-06-06 | 2023-07-04 | 安徽思高智能科技有限公司 | 基于多指标时序预测的微服务系统异常检测方法及装置 |
CN116797274A (zh) * | 2023-07-12 | 2023-09-22 | 长安大学 | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 |
WO2023184939A1 (zh) * | 2022-03-28 | 2023-10-05 | 福州大学 | 基于深度强化学习的云数据中心自适应高效资源分配方法 |
CN116956228A (zh) * | 2023-08-03 | 2023-10-27 | 重庆市科学技术研究院 | 一种技术交易平台的文本挖掘方法 |
CN117076882A (zh) * | 2023-08-11 | 2023-11-17 | 厦门快快网络科技有限公司 | 一种云服务资源动态预测管理方法 |
-
2024
- 2024-01-09 CN CN202410031579.1A patent/CN117539648A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10202006372SA (en) * | 2020-07-01 | 2021-10-28 | Grabtaxi Holdings Pte Ltd | Communications apparatus and method for estimating potential demand for improved forecasting and resource management |
WO2022193534A1 (zh) * | 2021-03-17 | 2022-09-22 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排系统和方法 |
CN113570261A (zh) * | 2021-07-30 | 2021-10-29 | 谭世聪 | 基于云计算和智慧城市的政务管理系统 |
CN113627091A (zh) * | 2021-08-30 | 2021-11-09 | 宝鸡文理学院 | 一种用于预测能源负荷的装置及方法 |
CN114548898A (zh) * | 2022-01-10 | 2022-05-27 | 陈佳娜 | 一种基于云平台的政务大数据管理方法及系统 |
WO2023184939A1 (zh) * | 2022-03-28 | 2023-10-05 | 福州大学 | 基于深度强化学习的云数据中心自适应高效资源分配方法 |
CN114760308A (zh) * | 2022-04-01 | 2022-07-15 | 中国科学技术大学 | 边缘计算卸载方法及装置 |
CN114579407A (zh) * | 2022-05-05 | 2022-06-03 | 北京航空航天大学 | 一种因果关系检验和微服务指标预测报警方法 |
CN115525230A (zh) * | 2022-10-08 | 2022-12-27 | 中国工商银行股份有限公司 | 存储资源的分配方法、装置、存储介质及电子设备 |
CN116383096A (zh) * | 2023-06-06 | 2023-07-04 | 安徽思高智能科技有限公司 | 基于多指标时序预测的微服务系统异常检测方法及装置 |
CN116797274A (zh) * | 2023-07-12 | 2023-09-22 | 长安大学 | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 |
CN116956228A (zh) * | 2023-08-03 | 2023-10-27 | 重庆市科学技术研究院 | 一种技术交易平台的文本挖掘方法 |
CN117076882A (zh) * | 2023-08-11 | 2023-11-17 | 厦门快快网络科技有限公司 | 一种云服务资源动态预测管理方法 |
Non-Patent Citations (2)
Title |
---|
王月等;: "基于长短期记忆网络的客流预测模型研究", 电信快报, no. 12, 10 December 2019 (2019-12-10) * |
闫茹玉;刘学亮;: "结合自底向上注意力机制和记忆网络的视觉问答模型", 中国图象图形学报, no. 05, 16 May 2020 (2020-05-16) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019151B (zh) | 数据库性能调整方法、装置、设备、系统及存储介质 | |
KR20200130523A (ko) | 미래 액션들을 위한 사용자 인터페이스 데이터 캐싱 최적화 | |
CN111447471B (zh) | 模型生成方法、播放控制方法、装置、设备及存储介质 | |
CN117203612A (zh) | 计算设备应用更新的估计的智能生成和管理 | |
CN113467944B (zh) | 面向复杂软件系统的资源部署装置及方法 | |
CN112771554A (zh) | 编程中的预测变量 | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN111881358B (zh) | 一种对象推荐系统、方法、装置、电子设备和存储介质 | |
CN111935025B (zh) | 一种tcp传输性能的控制方法、装置、设备和介质 | |
Zhang et al. | Optimizing video caching at the edge: A hybrid multi-point process approach | |
CN114090108A (zh) | 算力任务执行方法、装置、电子设备及存储介质 | |
EP3798931A1 (en) | Machine learning training resource management | |
CN116048817B (zh) | 数据处理控制方法、装置、计算机设备和存储介质 | |
CN111046156A (zh) | 奖励数据的确定方法、装置和服务器 | |
CN117539648A (zh) | 一种电子政务云平台的服务质量管理方法及装置 | |
Ben Slimane et al. | Mjolnir: A framework agnostic auto-tuning system with deep reinforcement learning | |
Sagaama et al. | Automatic parameter tuning for big data pipelines with deep reinforcement learning | |
He et al. | An SLA-driven cache optimization approach for multi-tenant application on PaaS | |
Chen et al. | Darwin: Flexible learning-based cdn caching | |
Zhang et al. | Adaptive device sampling and deadline determination for cloud-based heterogeneous federated learning | |
CN114385359B (zh) | 一种物联网云边端任务时序协同方法 | |
CN115190135B (zh) | 一种分布式存储系统及其副本选择方法 | |
CN113626720B (zh) | 基于动作剪枝的推荐方法、装置、电子设备与存储介质 | |
CN117350607B (zh) | 改进型knn算法模型的国际物流运输路径规划系统 | |
CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |