[发明专利]预测主机的批量运行时长的方法、系统、装置及存储介质

说明书

本发明公开了一种预测主机的批量运行时长的方法、系统、装置及存储介质，其中，所述方法包括：通过性能数据库获取主机批量运行时的性能数据集合，通过历史数据库获取历史批量运行时长；根据预设的筛选规则筛选性能数据集合中的元素，获取关联性能数据集合；将关联性能数据集合和历史批量运行时长投入预设的学习模型中进行训练，获取时长预测模型；根据时长预测模型对主机的批量运行时长进行预测。采用本发明不仅能处理线性关系的预测还能处理非线性关系的预测，且支持具有多种复杂变量的环境，适用性广泛的同时可以使预测结果更加精准。此外，本发明采用损失函数使时长预测模型可以不断的自动调整，使得预测本身具有机器学习的特点。

技术领域

本发明涉及计算机应用技术领域，更为具体而言，涉及一种预测主机的批量运行时长的方法、系统、装置及存储介质。

背景技术

目前，各大银行核心业务主要建立在以主机为核心的架构之上，各类核心业务除了白天联机交易的处理外，还有大量的夜间批量交易处理。随着近期金融业的迅猛发展，夜间批量承载的业务处理量远超白天，夜间批量处理的时长逐渐成为数据中心重点关注的指标，但目前主机平台上缺少有效的分析和预测手段。

对于主机批量时长的预测，传统的方式是基于历史数据的对比性预测，依赖于历史批量时间建立的样本空间，然后利用简单的一元回归，是一种经验数据的推导过程，准确率较低，缺少对于主机各相关信息与主机批量时长的关联性分析和科学的数据建模理论基础。同时，随着银行业务的迅猛发展以及跨领域业务的扩张，现有的批量运行平台已经由主机扩展到了开放平台，业务系统也从原来单一的主机平台拓展到了x86，这些巨大的变化导致影响批量运行时长的变量也日异繁多，仅仅依据历史运行时长的估算方式已经不能适用于现有银行批量运行时长的实际估算场景。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种预测主机的批量运行时长的方法、系统、服务器及存储介质，支持在多种复杂变量的环境下实现对主机批量运行时长的预测。

根据本发明的实施方式，提供了一种预测主机的批量运行时长的方法，所述方法包括：通过性能数据库获取所述主机批量运行时的性能数据集合，通过历史数据库获取历史批量运行时长；根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合；将所述关联性能数据集合和所述历史批量运行时长投入预设的学习模型中进行训练，获取时长预测模型；根据所述时长预测模型对主机的批量运行时长进行预测。

在本发明的一些实施方式中，所述根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合包括：对于所述性能数据集合中的元素，分别执行以下操作：将所述元素作为自变量，所述历史批量运行时长作为因变量，计算皮尔逊相关系数；若所述皮尔逊相关系数大于预设的阈值，则确定所述元素为关联元素；将筛选出的所有关联元素的集合作为所述关联性能数据集合。

在本发明的一些实施方式中，所述根据预设的筛选规则筛选所述性能数据集合中的元素，获取关联性能数据集合包括：对于所述性能数据集合中的元素，分别执行以下操作：将所述元素作为自变量，所述历史批量运行时长作为因变量，计算皮尔逊相关系数；若所述皮尔逊相关系数大于预设的阈值，则获取所述皮尔逊相关系数的统计量；根据所述统计量获取对应的概率值；判断所述概率值是否小于预设值，若小于，则确定所述元素为关联元素；将筛选出的所有关联元素的集合作为所述关联性能数据集合。

在本发明的一些实施方式中，所述预设的学习模型为梯度提升树回归模型，模型公式如下：

F_M(X)＝y₁h₁(X)+y₂h₂(X)+…+y_ih_i(X)+…+y_Mh_M(X)；

F_M(X)＝F_M-1(X)+y_Mh_M(X)；