报文组包间隔调整方法及装置制造方法及图纸

本发明专利技术提供了一种报文组包间隔调整方法及装置，涉及人工智能技术领域，方法包括：获取报文的组包时间；根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；根据确定的各时段的预测业务量对报文的组包间隔进行调整通过对历史上各时段的业务量进行学习，确定预测业务量。根据业务量调整作为组包间隔的参考依据，不断提高组包间隔的灵活性与合理性实现了系统的优化业务量高时系统组包效率提高同时业务量低时合理的节约带宽提高系统的资源利用率。

【技术实现步骤摘要】
报文组包间隔调整方法及装置
本专利技术涉及数据处理技术，具体的讲是一种报文组包间隔调整方法及装置。
技术介绍
随着清算业务在银行系统业务量的比重越来越高，尤其是清算系统与国家支付交易系统直联，进行报文传递以及交互的性能要求越来越高，所以系统对报文的高效处理与传递就显得非常重要。现有技术中，在各个商业银行内系统内与国家支付交易系统的报文交互都是通过将同类报文组包发送的方式，以小额报文为例，发送支付交易系统的小额报文的组包间隔都是固定的时间间隔，在节假日前夕等业务量高峰期间，由于业务量的剧增但组包间隔固定，这样容易导致组包效率较低的情况，如在空闲时间端，业务量较少，组包时间间隔还是按照原有的正常情况下处理，导致组包个数过多，进而占用了多余的网络带宽，影响系统的正常资源分配，从而浪费了系统资源。
技术实现思路
为提高组包效率，本专利技术提供了一种报文组包间隔调整方法，所述的方法包括：获取报文的组包时间；根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。本专利技术实施例中，所述的方法还包括：预先确定业务量预测曲线；其包括：获取历史业务量数据；利用所述历史业务量数据构造并训练LSTM神经网络模型；根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据；根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。本专利技术实施例中，所述的利用所述历史业务量数据构造并训练LSTM神经网络模型包括：按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集；根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。本专利技术实施例中，所述的根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据包括：根据训练后的LSTM神经网络模型，将最后输出层的上一层的隐含层的输出数据作为所述的历史业务量数据的潜在特征数据。本专利技术实施例中，所述的根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线包括：根据确定的潜在特征数据，将各时段的特征向量数据作为输入数据，其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型；根据所述的潜在特征数据利用训练后的SVR模型生成预测数据；对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。同时，本专利技术还提供一种报文组包间隔调整装置，包括：时间获取模块，用于获取报文的组包时间；预测业务量确定模块，用于根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；间隔调整模块，用于根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。本专利技术实施例中，所述的装置还包括：预测曲线确定模块，用于预先确定业务量预测曲线；其包括：数据获取单元，用于获取历史业务量数据；LSTM模型训练单元，用于利用所述历史业务量数据构造并训练LSTM神经网络模型；潜在特征数据确定单元，用于根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据；预测曲线确定单元，用于根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。本专利技术实施例中，所述的LSTM模型训练单元包括：分类单元，用于按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集；训练单元，用于根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。本专利技术实施例中，所述的预测曲线确定单元包括：SVR模型训练单元，用于根据确定的潜在特征数据，将各时段的特征向量数据作为输入数据，其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型；预测数据确定单元，用于根据所述的潜在特征数据利用训练后的SVR模型生成预测数据；曲线生成单元，用于对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。同时，本专利技术还提供一种计算机设备，包括存储器、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，处理器执行计算机程序时实现上述方法。同时，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。本专利技术提供的报文组包间隔调整方法及装置，根据报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量，根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。通过对历史上各时段的业务量进行学习，确定预测业务量。根据业务量调整作为组包间隔的参考依据，不断提高组包间隔的灵活性与合理性实现了系统的优化业务量高时系统组包效率提高同时业务量低时合理的节约带宽提高系统的资源利用率。为让本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，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为本专利技术提供的报文组包间隔调整方法的流程图；图2为本专利技术实施例中的框图；图3为本专利技术实施例中的流程图；图4为本专利技术实施例中的流程图；图5为本专利技术提供的报文组包间隔调整装置的框图；图6为本专利技术提供的报文组包间隔调整装置的框图；图7为本专利技术实施例提供的电子设备实施例的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。机器学习在各个领域的应用以及十分广泛，通过对大量的历史数据进行建模和算法处理，可以实现对结果的计算和预测。通过合理的对数据进行建模与训练，通过自我学习与认知，得出相应的规律和预测结果，从而解决问题。为了解决资源浪费以及提高系统处理效率的问题，本专利技术通过人工智能学习算法，根据历史上各个时段的业务量数据进行分析后建立模型，对相应时间的业务量进行预测，并根据预测值调节系统的组包间隔，提供组包间隔的灵活性与合理性从而提高系统的性能和资源利用率。如图1所示，为本专利技术提供的报文组包间隔调整方法的流程图，其包括：步骤S101，获取报文的组包时间；步骤S102，根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；步骤S103，根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。本文档来自技高网...

【技术保护点】
1.一种报文组包间隔调整方法，其特征在于，所述的方法包括：/n获取报文的组包时间；/n根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；/n根据确定的各时段的预测业务量对报文的组包间隔进行调整。/n

【技术特征摘要】
1.一种报文组包间隔调整方法，其特征在于，所述的方法包括：
获取报文的组包时间；
根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；
根据确定的各时段的预测业务量对报文的组包间隔进行调整。


2.如权利要求1所述的报文组包间隔调整方法，其特征在于，所述的方法还包括：预先确定业务量预测曲线；其包括：
获取历史业务量数据；
利用所述历史业务量数据构造并训练LSTM神经网络模型；
根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据；
根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。


3.如权利要求2所述的报文组包间隔调整方法，其特征在于，所述的利用所述历史业务量数据构造并训练LSTM神经网络模型包括：
按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集；
根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。


4.如权利要求2所述的报文组包间隔调整方法，其特征在于，所述的根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据包括：
根据训练后的LSTM神经网络模型，将最后输出层的上一层的隐含层的输出数据作为所述的历史业务量数据的潜在特征数据。


5.如权利要求2所述的报文组包间隔调整方法，其特征在于，所述的根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线包括：
根据确定的潜在特征数据，将各时段的特征向量数据作为输入数据，其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型；
根据所述的潜在特征数据利用训练后的SVR模型生成预测数据；
对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。


6.一种报文组包间隔调整装置，其特征在于，所述的装置包括：
时间获取模块，用于获取报文的组包时间；

【专利技术属性】
技术研发人员：陈芳军，庄齐朋，梁小奇，李远东，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11