一种请求的处理时长的预测方法及装置制造方法及图纸

本申请实施例提供了一种请求的处理时长的预测方法及装置。对处理请求处理的过程中所需的时长除了与需要执行的处理操作的种类以及数量有关之外，往往还与处理请求涉及的多个处理操作之间的依赖关系有关，在处理请求涉及的处理操作之间的依赖关系不同时，则处理系统处理该处理请求的过程所需的时长往往不同。因此，本申请结合处理请求涉及的多个处理操作之间的依赖关系可以更加准确确定出处理该处理请求的过程所需的时长。另外，本申请还可以应用于分布式系统，相对于现有技术，能够更加精准地预测出在分布式系统中对处理请求处理的过程中所需的时长。过程中所需的时长。过程中所需的时长。

【技术实现步骤摘要】
一种请求的处理时长的预测方法及装置


[0001]本申请涉及计算机
，特别是涉及一种请求的处理时长的预测方法及装置。

技术介绍

[0002]当前，各个企业的数据的数据量呈现爆炸式增长，逐渐地，各个企业使用数据库来存储数据，并使用数据库系统来管理数据库，之后，当企业员工或者外部客户需要查询数据时，可以向数据库系统提交查询请求，以使数据库系统可以根据查询请求为其查询数据。
[0003]然而，有时候在短时间段内数据库系统可能会同时接收到大量的查询请求，通常情况下，数据库系统需要在尽可能短的时长内处理完毕更多的查询请求。
[0004]其中，数据库系统处理每一个查询请求的过程所需的时长往往不尽相同，这就导致每一个查询请求所需占用的数据库系统分别为其分配的计算资源的时长是不尽相同的。
[0005]为了能够在尽可能短的时长内处理完毕更多的查询请求，可以为处理过程所需的时长较短的处理请求优先分配且分配更多的计算资源，为处理过程所需的时长较长的处理请求靠后分配且分配更少的计算资源。但这一前提是需要预测出处理查询请求的过程所需的时长。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种请求的处理时长的预测方法，其特征在于，包括：接收处理请求；确定所述处理请求涉及的多个处理操作之间的依赖关系，以及，确定所述处理请求涉及的系统环境；至少根据所述依赖关系和所述系统环境预测处理所述处理请求的过程所需的时长。2.根据权利要求1所述的方法，其特征在于，所述至少根据所述依赖关系和所述系统环境预测处理所述处理请求的过程所需的时长，包括：获取所述处理请求的接收时刻；根据所述接收时刻、所述依赖关系和所述系统环境预测所述时长。3.根据权利要求1所述的方法，其特征在于，所述至少根据所述依赖关系和所述系统环境预测处理所述处理请求的过程所需的时长，包括：将所述依赖关系和所述系统环境输入至预测模型中，得到所述预测模型输出的所述时长。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取多个样本数据集合，每一个样本数据集合包括样本处理请求涉及的多个样本处理操作之间的样本依赖关系、样本处理请求涉及的样本系统环境以及所述处理所述样本处理请求的过程所需的标注时长；使用所述多个样本数据集合对模型训练，得到所述预测模型。5.根据权利要求3或4所述的方法，其特征在于，所述预测模型中包括循环神经网络、前馈神经网络和全连接层；所述循环神经网络用于对所述依赖关系进行处理，得到一个时间影响因素；所述前馈神经网络用于对所述系统环境进行处理，得到另一个时间影响因素；所述全连接层用于对所述一个时间影响因素和所述另一个时间影响因素同时处理，得到处理所述处理请求的过程所需的时长。6.根据权利要求5所述的方法，其特征在于，所述循环神经网络包括双向的循环神经网络；所述循环神经网络包括长短期记忆网络LSTM。7.根据权利要求6所述的方法，其特征在于，所述双向的循环神经网络中包括前向LSTM网络和后向LSTM网络；前向LSTM网络包括顺序连接的多个LSTM模型，后向LSTM网络包括顺序连接的多个LSTM模型，所述前向LSTM网络包括的多个LSTM模型之间的连接顺序与所述后向LSTM网络包括的多个LSTM模型之间的连接顺序相反；将每一个处理操作分别输入至其在所述前向LSTM网络对应的LSTM模型中以及其在所述后向LSTM网络对应的LSTM模型中，然后将前向LSTM网络中的最后一个LSTM模型的输出向量与后向LSTM网络中的最后一个LSTM模型的输出向量进行连接，得到所述双向的循环神经网络的输出向量。8.根据权利要求7所述的方法，其特征在于，对于任意一个处理操作，确定所述处理操作在所述...

【专利技术属性】
技术研发人员：曾凯，徐冬，侯震宇，关涛，郑凯，倪靖雄，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：