[发明专利]同步延迟时间动态配置方法、装置、电子设备及介质

权利要求书

1.一种同步延迟时间动态配置方法，用于对分布式集群中的各个节点的交易信息进行同步，其特征在于，对于分布式集群中的任意一个节点，方法包括：

获取该节点在当前时间段内的待延迟交易数据；

使用预先构建的高峰交易预测模型判断所述当前时间段是否为交易高峰期，如果是，则使用预先构建的同步时延预测模型对所述待延迟交易数据对应的可允许延迟时间进行预测；以及

按照预测出的可允许延迟时间对所述待延迟交易数据进行同步。

2.根据权利要求1所述的方法，其特征在于，所述高峰交易预测模型根据以下方式预先构建：

获取该节点的历史交易样本集，其中，所述历史交易样本集包括已延迟交易的多个历史交易样本，每个历史交易样本包括至少一项历史延迟交易属性；

采用改进的密度峰值聚类算法，将所述历史交易样本集划分为初始聚类中心点集；以及

采用预设目标函数对所述初始聚类中心点集进行循环迭代，得到目标聚类中心点集，得出构建好的高峰交易预测模型。

3.根据权利要求2所述的方法，其特征在于，所述采用改进的密度峰值聚类算法，将所述历史交易样本集划分为初始聚类中心点集，具体包括：

使用K近邻算法和高斯核函数，计算每个历史交易样本的局部密度；

根据所述局部密度，计算每个历史交易样本的聚类中心距离；以及

根据所述局部密度和所述聚类中心距离来构建决策图，选取局部密度和聚类中心距离均较大的前c个历史交易样本作为初始聚类中心点集，c≥2。

4.根据权利要求3所述的方法，其特征在于，所述每个历史交易样本的局部密度根据以下公式计算得出：

其中，KNN_i表示第i个历史交易样本的k近邻数据点集；n表示历史交易样本集的样本个数；表示第i个历史交易样本与其k近邻数据点集之间的平均距离；μ^k指所有历史交易样本的之和的平均距离；d_ij表示第i个历史交易样本与第j个历史交易样本之间的欧氏距离；ρ_i表示第i个历史交易样本的局部密度。

5.根据权利要求3所述的方法，其特征在于，所述根据所述局部密度，计算每个历史交易样本的聚类中心距离，具体包括：

计算每个聚类簇的所有数据点到聚类中心的平均距离；

根据预设合并规则合并相似的聚类簇，计算任意两个聚类簇的所有边界点；

根据所述平均距离和所述所有边界点，计算每个聚类簇边界点的局部密度；以及

计算每个聚类簇的第i个数据点与比所述第i个数据点的局部密度更高的数据点之间的欧式距离，得到每个历史交易样本的聚类中心距离。

6.根据权利要求2所述的方法，其特征在于，所述采用预设目标函数对所述初始聚类中心点集进行循环迭代，得到目标聚类中心点集，具体包括：

初始化迭代次数；

根据所述初始聚类中心点集，计算迭代前后的预设目标函数的输出值之间的误差；

判断所述误差是否小于预设误差阈值，如果是，则停止迭代并输出目标聚类中心点集；否则，按照预设步长更新当前迭代次数，继续使用计算迭代前后的预设目标函数的输出值之间的误差的步骤，直至所述误差小于预设差异阈值。

7.根据权利要求1所述的方法，其特征在于，所述同步时延预测模型根据以下方式预先构建：

获取所述分布式集群中的各个节点的历史交易样本集和多项预设资源指标，其中，所述历史交易样本集包括已延迟交易的多个历史交易样本，所述预设资源指标表征所述各个节点的当前资源使用状态，每项所述预设资源指标包括至少一个子项指标；

对每项所述预设资源指标的各个子项指标赋予权重初始值，对各个子项指标以及对应的权重初始值进行加权求和，初始化权重矩阵；

根据所述各个节点的历史交易样本集，采用固定变量法依次对各个子项指标的权重初始值进行循环迭代，得出每个子项指标的权重目标值；

根据所有子项指标的权重目标值，更新所述权重矩阵，得出构建好的同步时延预测模型。