基于区块链和大数据的信息预测方法及人工智能服务中心与流程

1.本申请涉及信息预测技术领域，具体而言，涉及一种基于区块链和大数据的信息预测方法及人工智能服务中心。


背景技术：

2.互联网、社交网络技术的发展给人们的生活带了很多方便，例如网上聊天、网上购物、视频和社交等成了日常生活的新常态。大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
3.相关技术中，通过收集海量的大数据进行人工智能的需求预测，可以获得每个用户的偏好习惯，从而便于进行针对性的信息推送和挖掘。然而，随着云计算技术的发展，人工智能模型通常是结合到具体的软件程序中，并装入相应的业务处理容器后进行运行，当前的方案无法充分利用业务处理容器的容器配置信息，导致人工智能模型在业务处理容器内的业务处理利用率较低，存在很多业务需求预测的遗漏，从而也导致业务处理准确性有所降低。


技术实现要素：

4.为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于区块链和大数据的信息预测方法及人工智能服务中心，基于预置的网络分配策略，利用指定人工智能模型中包含的待调用的多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定多个业务需求预测网络在业务处理容器内的第一业务处理流程信息，按照第一业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测。如此，基于预设的网络分配策略在业务处理容器内布局指定人工智能模型中待调用的多个业务需求预测网络，能够充分利用业务处理容器的容器配置信息，有效实现人工智能模型在业务处理容器内的业务处理利用率，提高业务处理准确性。
5.第一方面，本申请提供一种基于区块链和大数据的信息预测方法，应用于人工智能服务中心，所述人工智能服务中心与多个信息服务终端通信连接，所述人工智能服务中心基于云计算平台实现，所述方法包括：基于区块链系统收集关键业务路径所需的关键业务大数据，响应于人工智能模型调用请求，确定所述关键业务路径所指定的人工智能模型中包含的待调用的多个业务需求预测网络及所述多个业务需求预测网络之间的业务逻辑关系；基于预置的网络分配策略，利用所述多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定所述多个业务需求预测网络在所述业务处理容器内的第一业务处理流程信息；按照所述第一业务处理流程信息在所述业务处理容器内按照所述多个业务需求
预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
6.在第一方面的一种可能的设计示例中，所述网络分配策略为贪心算法网络分配策略，则所述基于预置的网络分配策略，利用所述多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定所述多个业务需求预测网络在所述业务处理容器内的第一业务处理流程信息的步骤，包括：确定所述业务处理容器的全局业务标签的标签信息及单元业务标签的标签信息；基于预置的贪心布局算法、所述全局业务标签的标签信息及单元业务标签的标签信息，从所述业务逻辑关系中的全局业务需求预测网络开始，依次计算所述多个业务需求预测网络的第一业务处理流程信息。
7.在第一方面的一种可能的设计示例中，所述多个业务需求预测网络包含一个全局业务需求预测网络及所述全局业务需求预测网络的基础子业务需求预测网络；所述按照所述第一业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果的步骤之前，所述方法还包括：若所述全局业务需求预测网络的基础子业务需求预测网络的数量大于预设阈值，则基于预置的执行分布分配的网络分配策略得到所述基础子业务需求预测网络的第二业务处理流程信息；所述按照所述第一业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果的步骤，包括：按照所述全局业务需求预测网络的第一业务处理流程信息及所述基础子业务需求预测网络的第二业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
8.在第一方面的一种可能的设计示例中，所述基于预置的执行分布分配的网络分配策略得到所述基础子业务需求预测网络的第二业务处理流程信息的步骤，包括：基于所述基础子业务需求预测网络的数量及预置的每个分布的业务需求预测网络的数量，确定所述基础子业务需求预测网络的分布数量及各分布的实际业务需求预测网络数量；基于均匀分布原则，利用所述分布数量及所述各分布的实际业务需求预测网络数量，确定所述基础子业务需求预测网络中各个业务需求预测网络所属的分布数量；基于所述基础子业务需求预测网络中各个业务需求预测网络所属的分布数量对所述基础子业务需求预测网络的第一业务处理流程信息进行分布分配处理，得到所述基础子业务需求预测网络的第二业务处理流程信息。
9.在第一方面的一种可能的设计示例中，所述基于所述基础子业务需求预测网络中各个业务需求预测网络所属的分布数量对所述基础子业务需求预测网络的第一业务处理流程信息进行分布分配处理，得到所述基础子业务需求预测网络的第二业务处理流程信息的步骤之后，所述方法还包括：
基于所述基础子业务需求预测网络的第二业务处理流程信息进行业务重复检测，得到所述基础子业务需求预测网络的第三业务处理流程信息；则所述按照所述全局业务需求预测网络的第一业务处理流程信息及所述基础子业务需求预测网络的第二业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果的步骤，包括：按照所述全局业务需求预测网络的第一业务处理流程信息及所述基础子业务需求预测网络的第三业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
10.在第一方面的一种可能的设计示例中，所述基于所述基础子业务需求预测网络的第二业务处理流程信息进行业务重复检测，得到所述基础子业务需求预测网络的第三业务处理流程信息的步骤，包括：基于预设的循环解析规则确定所述基础子业务需求预测网络的循环解析次序，并按照所述循环解析次序进行循环解析；计算循环解析到的第一基础子业务需求预测网络与下一个待循环解析的第二基础子业务需求预测网络之间的业务层级；若所述业务层级不满足预设条件，则基于预设的流程更新参数对所述第二基础子业务需求预测网络的第二层级标签进行更新，并返回执行所述计算循环解析到的第一基础子业务需求预测网络与下一个待循环解析的第二基础子业务需求预测网络之间的业务层级的步骤；其中，所述预设条件为业务层级大于或等于所述第一基础子业务需求预测网络的业务重复层级，所述业务重复层级为所述第一基础子业务需求预测网络的业务层级范围、所述第二基础子业务需求预测网络的业务层级范围及预设范围的交集；若所述业务层级满足预设条件，则循环解析至下一个基础子业务需求预测网络，返回执行计算循环解析到的第一基础子业务需求预测网络与下一个待循环解析的第二基础子业务需求预测网络之间的业务层级的步骤，直至所述基础子业务需求预测网络均满足所述预设条件，且将满足所述预设条件时的业务处理流程信息作为所述第三业务处理流程信息。
11.在第一方面的一种可能的设计示例中，所述方法还包括：响应于扩展调用请求，若所述扩展调用请求由业务主动扩展操作触发，则基于所述业务主动扩展操作确定所述业务主动扩展操作的业务主动扩展业务迁移对象；在多个基础子业务需求预测网络指向全局业务需求预测网络所形成的业务迁移对象中，选择与所述业务主动扩展业务迁移对象最匹配的业务迁移对象对应的基础子业务需求预测网络作为目标基础子业务需求预测网络；以所述目标基础子业务需求预测网络的层级标签迁移到所述业务迁移对象内为目的，整体迁移所述多个业务需求预测网络，得到所述多个业务需求预测网络的第四业务处理流程信息；基于主向量网络分配策略，确定所述目标基础子业务需求预测网络待扩展展示的增添子业务需求预测网络的第四业务处理流程信息；
按照所述多个业务需求预测网络及所述增添子业务需求预测网络的第四业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
12.在第一方面的一种可能的设计示例中，所述按照所述多个业务需求预测网络及所述增添子业务需求预测网络的第四业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果的步骤之前，所述方法还包括：基于预设的循环解析规则确定包括所述多个业务需求预测网络中的基础子业务需求预测网络及所述增添子业务需求预测网络的业务需求预测网络集合中业务需求预测网络的循环解析次序，并按照所述循环解析次序进行循环解析；计算循环解析到的第一业务需求预测网络与下一个待循环解析的第二业务需求预测网络之间的业务层级；若所述业务层级不满足预设条件，则基于预设的流程更新参数对所述第二业务需求预测网络的第四业务处理流程信息进行更新，并返回执行所述计算循环解析到的第一业务需求预测网络与下一个待循环解析的第二业务需求预测网络之间的业务层级的步骤；所述预设条件为业务层级大于或等于所述第一业务需求预测网络的业务重复层级，所述业务重复层级为所述第一业务需求预测网络的业务层级范围、所述第二业务需求预测网络的业务层级范围及预设范围的交集；若所述业务层级满足预设条件，则循环解析至下一个业务需求预测网络，返回执行所述计算循环解析到的第一业务需求预测网络与下一个待循环解析的第二业务需求预测网络之间的业务层级的步骤，直至所述业务需求预测网络集合中的业务需求预测网络均满足所述预设条件，且将满足所述预设条件时的业务处理流程信息作为第五业务处理流程信息；所述按照所述多个业务需求预测网络及所述增添子业务需求预测网络的第四业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果的步骤，包括：按照所述多个业务需求预测网络及所述增添子业务需求预测网络的第五业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
13.在第一方面的一种可能的设计示例中，所述基于区块链系统收集所述关键业务路径所需的关键业务大数据的步骤，包括：当获取到所述信息服务终端对应的针对大数据采集来源的关键业务路径跟踪指令时，获取与所述关键业务路径跟踪指令相匹配的跟踪配置参数，其中，所述关键业务路径跟踪指令包括所述大数据采集来源的大数据采集来源标签和服务订阅对象标签，所述跟踪配置参数包括第一跟踪配置数据和第二跟踪配置数据，所述第一跟踪配置数据用于表示所述大数据采集来源标签所对应大数据采集来源中所述信息服务终端对应的服务订阅对象的对象配置数据，所述第二跟踪配置数据用于表示所述信息服务终端对应的所述服务订阅对象标签所对应的服务配置数据；确定与所述大数据采集来源有关的可跟踪路径列表；
获取该可跟踪路径列表中每个可跟踪业务路径所对应的路径跟踪配置数据；根据每个可跟踪业务路径的路径跟踪配置数据、所述第一跟踪配置数据和所述第二跟踪配置数据，从所述可跟踪路径列表中确定待跟踪的所述大数据采集来源的关键业务路径，并基于区块链系统收集所述关键业务路径所需的大数据进行人工智能需求预测。
14.第二方面，本申请实施例还提供一种基于区块链和大数据的信息预测装置，应用于人工智能服务中心，所述人工智能服务中心与多个信息服务终端通信连接，所述人工智能服务中心基于云计算平台实现，所述装置包括：第一确定模块，用于基于区块链系统收集关键业务路径所需的关键业务大数据，响应于人工智能模型调用请求，确定所述关键业务路径所指定的人工智能模型中包含的待调用的多个业务需求预测网络及所述多个业务需求预测网络之间的业务逻辑关系；第二确定模块，用于基于预置的网络分配策略，利用所述多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定所述多个业务需求预测网络在所述业务处理容器内的第一业务处理流程信息；预测模块，用于按照所述第一业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
15.第三方面，本申请实施例还提供一种基于区块链和大数据的信息预测系统，所述基于区块链和大数据的信息预测系统包括人工智能服务中心以及与所述人工智能服务中心通信连接的多个信息服务终端；所述人工智能服务中心，用于：基于区块链系统收集关键业务路径所需的关键业务大数据，响应于人工智能模型调用请求，确定所述关键业务路径所指定的人工智能模型中包含的待调用的多个业务需求预测网络及所述多个业务需求预测网络之间的业务逻辑关系；基于预置的网络分配策略，利用所述多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定所述多个业务需求预测网络在所述业务处理容器内的第一业务处理流程信息；按照所述第一业务处理流程信息在所述业务处理容器内按照所述多个业务需求预测网络之间的业务逻辑关系对所述关键业务大数据进行业务需求预测，得到业务需求预测结果。
16.状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘。
17.第四方面，本申请实施例还提供一种人工智能服务中心，所述人工智能服务中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个信息服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计示例中的基于区块链和大数据的信息预测方法。
18.第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计示例中的基于区块链和大数据的信息预测方法。
19.基于上述任意一个方面，本申请基于预置的网络分配策略，利用指定人工智能模型中包含的待调用的多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定多个业务需求预测网络在业务处理容器内的第一业务处理流程信息，按照第一业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测。如此，基于预设的网络分配策略在业务处理容器内布局指定人工智能模型中待调用的多个业务需求预测网络，能够充分利用业务处理容器的容器配置信息，有效实现人工智能模型在业务处理容器内的业务处理利用率，提高业务处理准确性。
附图说明
20.为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
21.图1为本申请实施例提供的基于区块链和大数据的信息预测系统的应用场景示意图；图2为本申请实施例提供的基于区块链和大数据的信息预测方法的流程示意图；图3为本申请实施例提供的基于区块链和大数据的信息预测装置的功能模块示意图；图4为本申请实施例提供的用于实现上述的基于区块链和大数据的信息预测方法的人工智能服务中心的结构组件示意框图。
具体实施方式
22.下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
23.图1是本申请一种实施例提供的基于区块链和大数据的信息预测系统10的交互示意图。基于区块链和大数据的信息预测系统10可以包括人工智能服务中心100以及与人工智能服务中心100通信连接的信息服务终端200。图1所示的基于区块链和大数据的信息预测系统10仅为一种可行的示例，在其它可行的实施例中，该基于区块链和大数据的信息预测系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
24.基于本申请提供的技术方案的发明构思出发，本申请提供的人工智能服务中心100可以应用在例如智慧医疗、智慧城市管理、智慧工业互联网、通用业务监控管理等可以应用大数据技术或者是云计算技术等的场景中，再比如，还可以应用在包括但不限于新能源汽车系统管理、智能云办公、云平台数据处理、云游戏数据处理、云直播处理、云汽车管理平台、区块链金融微服务链路平台等，但不限于此。
25.本实施例中，基于区块链和大数据的信息预测系统10中的人工智能服务中心100和信息服务终端200可以通过配合执行以下方法实施例所描述的基于区块链和大数据的信息预测方法，具体人工智能服务中心100和信息服务终端200的执行步骤部分可以参照以下
方法实施例的详细描述。
26.为了更好的理解本申请实施例中的技术方案，在本申请实施例中，人工智能模型至少包含全局业务需求预测网络、全局业务需求预测网络的基础子业务需求预测网络及全局业务需求预测网络的次基础子业务需求预测网络，人工智能模型中的业务需求预测网络之间的关系也可以看成是业务逻辑关系。在人工智能模型中，除了全局业务需求预测网络以外，每一个业务需求预测网络都有其父业务需求预测网络。本申请实施例中技术方案即是若在业务处理容器上直接执行人工智能模型时，布局人工智能模型中的待调用的业务需求预测网络，以便能够充分利用业务处理容器。
27.为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于区块链和大数据的信息预测方法的流程示意图，本实施例提供的基于区块链和大数据的信息预测方法可以由图1中所示的人工智能服务中心100执行，下面对该基于区块链和大数据的信息预测方法进行详细介绍。
28.步骤s110，基于区块链系统收集关键业务路径所需的关键业务大数据，响应于人工智能模型调用请求，确定关键业务路径所指定的人工智能模型中包含的待调用的多个业务需求预测网络及多个业务需求预测网络之间的业务逻辑关系。
29.在本申请实施例中，上述的人工智能模型的执行方式由人工智能模型的应用程序实现，可以为程序模块，可以由处理器调用存储介质中存储的程序模块实现。
30.其中，用户在使用过程中，若需要执行指定内容的人工智能模型，例如，能够反映视频流中的人物关系的人工智能模型、能够反映数据包的业务标签的人工智能模型、能够反映视频流中动作姿态的人工智能模型等等，通过响应人工智能模型调用请求，可以确定关键业务路径所指定人工智能模型中包含的待调用的多个业务需求预测网络及多个业务需求预测网络之间的业务逻辑关系。
31.其中，上述的待调用的多个业务需求预测网络包含一个全局业务需求预测网络及该全局业务需求预测网络的若干个基础子业务需求预测网络，且该若干个基础子业务需求预测网络的数量小于或等于预先设置的业务处理容器可显示业务需求预测网络的最大数量。例如，若在上述指定人工智能模型中，全局业务需求预测网络具有一百个基础子业务需求预测网络，在这种情况下，如果将该一百个基础子业务需求预测网络都添加在业务处理容器内，则将造成子业务需求预测网络处理占比过小、子业务需求预测网络存在部分业务重复等等业务处理效果不佳的问题，为了避免该问题，将从该一百个基础子业务需求预测网络中选择业务需求预测网络权重排在前n的n个基础子业务需求预测网络作为待调用的基础子业务需求预测网络，其中，n为上述预先设置的最大数量。
32.其中，业务逻辑关系是指该多个业务需求预测网络之间的业务关联关系（如业务需求预测网络c的输入是业务需求预测网络a和业务需求预测网络b的输出的业务关联关系），在展示该多个业务需求预测网络时，实际上是展示的该多个业务需求预测网络之间的业务逻辑关系，即该多个业务需求预测网络构成的人工智能模型。
33.步骤s120，基于预置的网络分配策略，利用多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定多个业务需求预测网络在业务处理容器内的第一业务处理流程信息。
34.在本申请实施例中，上述的网络分配策略可以为贪心算法网络分配策略等等。
35.本实施例中，考虑到众多业务处理容器的容器配置信息不一样，且业务处理容器通常为固定服务的容器（如阿里云的云计算容器），因此在本申请实施例中优选贪心算法网络分配策略，基于该贪心算法网络分配策略实施的布局更加适合业务处理容器的特性，能够充分利用业务处理容器，并且布局更多的业务需求预测网络。其中，贪心算法网络分配策略是通过采用贪心算法进行分配的策略，贪心算法（又称贪婪算法）是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，算法得到的是在某种意义上的局部最优解。换言之，通过贪心算法会作出当前看来最合适的分配方式作为网络分配结果。
36.其中，将基于预置的网络分配策略，利用多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定该多个业务需求预测网络子在业务处理容器内的第一业务处理流程信息。
37.其中，业务处理容器的容器配置信息是预先设置的或已知的，且业务处理流程信息用于表示业务需求预测网络在业务处理容器中进行处理时的业务先后顺序（如顺序位置节点）及业务处理持续时间。
38.步骤s130，按照第一业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。
39.在本申请实施例中，对于多个业务需求预测网络，每个业务需求预测网络都有其对应的第一业务处理流程信息，则将按照业务需求预测网络的第一业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。其中，该多个业务需求预测网络之间的业务逻辑关系，即为该多个业务需求预测网络构成的人工智能模型。
40.本实施例中，不同的业务需求预测网络的业务需求的预测逻辑不同，具体可以依据该业务需求预测网络的训练方式确定。如业务需求预测网络的业务需求的预测逻辑为对图像中的动物进行分类，那么该业务需求预测网络的训练方式则可以通过收集大量动物图像样本和对应的标注标签进行训练获得，其余业务需求预测网络可以一并参照以上方式，具体预测过程不是本申请实施例的发明点，在此不作赘述。
41.基于上述步骤，本实施例基于预置的网络分配策略，利用指定人工智能模型中包含的待调用的多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定多个业务需求预测网络在业务处理容器内的第一业务处理流程信息，按照第一业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测。如此，基于预设的网络分配策略在业务处理容器内布局指定人工智能模型中待调用的多个业务需求预测网络，能够充分利用业务处理容器的容器配置信息，有效实现人工智能模型在业务处理容器内的业务处理利用率，提高业务处理准确性。
42.在一种可能的设计示例中，以上的网络分配策略为贪心算法网络分配策略，则在步骤s120中，在基于预置的网络分配策略，利用多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定多个业务需求预测网络在业务处理容器内的第一业务处理流程信息的流程中，可以通过以下示例性的子步骤来实现。
43.子步骤s121，确定业务处理容器的全局业务标签的标签信息及单元业务标签的标
签信息。
44.子步骤s122，基于预置的贪心布局算法、全局业务标签的标签信息及单元业务标签的标签信息，从业务逻辑关系中的全局业务需求预测网络开始，依次计算多个业务需求预测网络的第一业务处理流程信息。
45.本实施例中，全局业务标签可以是指该业务处理容器整体的任务的标签（如处理视频流），单元业务标签可以是指该业务处理容器分散的任务，的标签（如处理视频流中每一帧的图像的a对象、b对象、c对象的标签）。这样，可以基于预置的贪心布局算法、全局业务标签的标签信息从业务逻辑关系中的全局业务需求预测网络的业务处理流程开始，依次获得每个单元业务标签的标签信息的业务处理流程，并进行拼接后获得多个业务需求预测网络的第一业务处理流程信息。
46.在一种可能的设计示例中，以上的多个业务需求预测网络包含一个全局业务需求预测网络及全局业务需求预测网络的基础子业务需求预测网络。其中，全局业务需求预测网络可以与全局业务标签（如处理视频流）对应，基础子业务需求预测网络可以与单元业务标签（如处理视频流中每一帧的图像的a对象、b对象、c对象的标签）对应。
47.那么，在步骤s130之前，若全局业务需求预测网络的基础子业务需求预测网络的数量大于预设阈值，则基于预置的执行分布分配的网络分配策略得到基础子业务需求预测网络的第二业务处理流程信息。
48.如此，针对步骤s130，可以按照全局业务需求预测网络的第一业务处理流程信息及基础子业务需求预测网络的第二业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。
49.在一种可能的设计示例中，基于预置的执行分布分配的网络分配策略得到基础子业务需求预测网络的第二业务处理流程信息，可以通过以下示例性的子步骤实现。
50.子步骤s131，基于基础子业务需求预测网络的数量及预置的每个分布的业务需求预测网络的数量，确定基础子业务需求预测网络的分布数量及各分布的实际业务需求预测网络数量。
51.子步骤s132，基于均匀分布原则，利用分布数量及各分布的实际业务需求预测网络数量，确定基础子业务需求预测网络中各个业务需求预测网络所属的分布数量。
52.子步骤s133，基于基础子业务需求预测网络中各个业务需求预测网络所属的分布数量对基础子业务需求预测网络的第一业务处理流程信息进行分布分配处理，得到基础子业务需求预测网络的第二业务处理流程信息。
53.在本申请实施例中，可以预先设置每个分布的业务需求预测网络的数量，例如，设置第一层业务逻辑的基础子业务需求预测网络的数量最多为8个，设置第二层业务逻辑基础子业务需求预测网络的数量最多为8个。
54.例如，通常第一层业务逻辑的基础子业务需求预测网络的数量等于上述的的预设阈值，即在全局业务需求预测网络的基础子业务需求预测网络的数量小于或等于预置阈值时，表明只需要通过一层业务逻辑即可完成基础子业务需求预测网络的布局，而在全局业务需求预测网络的基础子业务需求预测网络的数量大于上述预置阈值时，则表明需要至少一层业务逻辑的布局，此时则需要将全局业务需求预测网络的基础子业务需求预测网络按
照上述的执行分布分配的网络分配策略进行分布分配。
55.进一步的，将基于全局业务需求预测网络的基础子业务需求预测网络的数量及预置的每个分布的业务需求预测网络的数量，确定基础子业务需求预测网络的分布数量及各分布的实际业务需求预测网络数量，例如，在第一层业务逻辑的基础子业务需求预测网络的数量最多为8个，第二层基础子业务需求预测网络的数量最多为8个时，若全局业务需求预测网络的基础子业务需求预测网络的数量为12个，则可以确定分为两层，且第一层为8个基础子业务需求预测网络，第二层为4个基础子业务需求预测网络，或者，若全局业务需求预测网络的基础子业务需求预测网络数量为14个，则可以确定分为两层，且第一层及第二层均为7个基础子业务需求预测网络。
56.其中，在确定分布数量及各分布的实际业务需求预测网络数量之后，将基于均匀分布原则，利用该分布数量及各分布的实际数量，确定全局业务需求预测网络的基础子业务需求预测网络中哪些属于第一层哪些属于第二层。例如，在全局业务需求预测网络的基础子业务需求预测网络的数量为14个，且第一层及第二层均为7个基础子业务需求预测网络，则可以确定将第一层业务逻辑的基础子业务需求预测网络与第二层业务逻辑的基础子业务需求预测网络可间隔分布，则从上述14个基础子业务需求预测网络中，随机选择一个基础子业务需求预测网络为第一层，然后反向确定，确定第二个为属于第二层，第三个属于第一层，第四个属于第二层，并依次类推，则可得到哪些基础子业务需求预测网络属于第一层，哪些属于第二层。
57.为了更好的理解分布分配的效果，可以假设a全局业务需求预测网络，b1至b6为第一层基础子业务需求预测网络，c1至c6为第二层基础子业务需求预测网络。那么b1至b6位于第一层，c1至c6位于第二层，a位于最上层。
58.其中，在确定基础子业务需求预测网络中各业务需求预测网络所属的分布数量之后，将对基础子业务需求预测网络的第一业务处理流程信息分布分配处理，得到基础子业务需求预测网络的第二业务处理流程信息。具体的，先对属于第一层业务逻辑的基础子业务需求预测网络的第一业务处理流程信息进行处理，其中业务需求预测网络所占的单位容器配置信息不变，将第一层业务逻辑的基础子业务需求预测网络的横向业务层级及纵向业务层级均向全局业务需求预测网络靠近，以减少第一层业务逻辑的基础子业务需求预测网络相对于全局业务需求预测网络的业务路径节点数量。可以理解的是，若分布数量为两层，在对第一层业务逻辑的基础子业务需求预测网络的第一业务处理流程信息进行处理之后，可以选择继续对第二层业务逻辑的基础子业务需求预测网络的第一业务处理流程信息进行处理。例如，减少第二层业务逻辑的基础子业务需求预测网络相对于全局业务需求预测网络的业务路径节点数量，以向全局业务需求预测网络靠近，或者增加第二层业务逻辑的基础子业务需求预测网络相对于全局业务需求预测网络的业务路径节点数量，以远离全局业务需求预测网络。
59.此外，还可以选择不对第二层业务逻辑的基础子业务需求预测网络的第一业务处理流程信息进行处理，保留初始的第一业务处理流程信息。需要说明的是，为了防止层与层之间的业务需求预测网络的业务重复，一层中的一个基础子业务需求预测网络与相邻层中相邻的基础子业务需求预测网络之间的业务层级大于该两个业务需求预测网络的业务层级范围的相加参数。
60.可以理解的是，在经过上述处理之后，将得到分布分配布局后基础子业务需求预测网络的第二业务处理流程信息。
61.在一种可能的设计示例中，发明人考虑到对基础子业务需求预测网络进行分布分配是因为基础子业务需求预测网络的数量超过了单层分布的最大参数，因此，在分布分配之后，仍然可能因为基础子业务需求预测网络的数量比较多的原因导致分布分配后的基础子业务需求预测网络会发生业务重复，业务重复是指两个或多个基础子业务需求预测网络在业务处理容器的业务处理容器出现业务重合。
62.基于此，在子步骤s133之后，还可以包括以下步骤。
63.步骤s134，基于基础子业务需求预测网络的第二业务处理流程信息进行业务重复检测，得到基础子业务需求预测网络的第三业务处理流程信息。
64.则在步骤s130中，按照全局业务需求预测网络的第一业务处理流程信息及基础子业务需求预测网络的第二业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果的具体实现方式，可以是：按照全局业务需求预测网络的第一业务处理流程信息及基础子业务需求预测网络的第三业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。
65.在一种可能的设计示例中，步骤s134可以通过以下示例性的实施方式实现。
66.（1）基于预设的循环解析规则确定基础子业务需求预测网络的循环解析次序，并按照循环解析次序进行循环解析。
67.（2）计算循环解析到的第一基础子业务需求预测网络与下一个待循环解析的第二基础子业务需求预测网络之间的业务层级。
68.（3）若业务层级不满足预设条件，则基于预设的流程更新参数对第二基础子业务需求预测网络的第二层级标签进行更新，并返回执行计算循环解析到的第一基础子业务需求预测网络与下一个待循环解析的第二基础子业务需求预测网络之间的业务层级的步骤。其中，预设条件为业务层级大于或等于第一基础子业务需求预测网络的业务重复层级，业务重复层级为第一基础子业务需求预测网络的业务层级范围、第二基础子业务需求预测网络的业务层级范围及预设范围的交集。
69.（4）若业务层级满足预设条件，则循环解析至下一个基础子业务需求预测网络，返回执行计算循环解析到的第一基础子业务需求预测网络与下一个待循环解析的第二基础子业务需求预测网络之间的业务层级的步骤，直至基础子业务需求预测网络均满足预设条件，且将满足预设条件时的业务处理流程信息作为第三业务处理流程信息。
70.在本申请实施例中，将预先设置对全局业务需求预测网络的基础子业务需求预测网络的循环解析规则，例如，该循环解析规则可以是从里至外及逆向业务迁移对象循环解析。例如，对于已分为n层业务逻辑的基础子业务需求预测网络，将依次确定每一层业务逻辑的循环解析子顺序，以第一层业务逻辑的循环解析子顺序的确定为例，可以从第一层业务逻辑的基础子业务需求预测网络中随机选择一个基础子业务需求预测网络作为起始循环解析的业务需求预测网络，并按照逆向业务迁移对象将第一层业务逻辑的基础子业务需求预测网络的排列顺序作为循环解析子顺序。
71.其中，仍旧以前述示例为例，假设该循环解析子顺序是一个闭环，若选择从业务需求预测网络b1开始循环解析，则循环解析子顺序为b1
‑
b2
‑
b3
‑
b4
‑
b5
‑
b6，且在循环解析完b6之后，将继续循环解析b1，且继续循环循环解析。其中，在确定每一层业务逻辑的循环解析子顺序之后，将确定整个基础子业务需求预测网络的循环解析次序，可以是从第一层往外循环解析，如在完成第一层业务逻辑的循环解析之后，继续循环解析第二层，例如，在有多层业务逻辑的情况下的循环解析次序，可以先从b1开始，循环解析第一层中b1
‑
b2
‑
b3
‑
b4
‑
b5
‑
b6
‑
b1构成的闭环圈，且在完成第一层业务逻辑的循环解析之后，将从c1开始开始，循环解析第二层中c1
‑
c2
‑
c3
‑
c4
‑
c5
‑
c6
‑
c1构成的闭环圈。其中，各分布的循环解析子顺序构成基础子业务需求预测网络的循环解析次序。
72.其中，在确定循环解析次序之后，将开始循环解析过程，且对于每一个循环解析到的基础子业务需求预测网络，都将按照如下的方式进行处理：以循环解析到的基础子业务需求预测网络为b1为例，该基础子业务需求预测网络b1的下一个待循环解析的基础子业务需求预测网络为b2，计算基础子业务需求预测网络b1与基础子业务需求预测网络b2之间的业务层级，其中，业务层级可以使用业务层级公式进行计算，具体不作限定。
73.进一步，判断该基础子业务需求预测网络b1与基础子业务需求预测网络b2之间的业务层级是否满足预设条件，其中，该预设条件具体可以为业务层级大于或等于基础子业务需求预测网络b1的业务重复层级，基础子业务需求预测网络b1的业务重复层级等于基础子业务需求预测网络b1的业务层级范围、基础子业务需求预测网络b2的业务层级范围及预设范围的交集。
74.其中，若上述计算得到的业务层级不满足预设条件，即该业务层级小于基础子业务需求预测网络b1的业务重复层级，此时表明基础子业务需求预测网络b1与基础子业务需求预测网络b2之间发生了业务重复，此时，将基于预设的流程更新参数对基础子业务需求预测网络b2的第二业务处理流程信息进行更新，例如，在基础子业务需求预测网络b2的第二业务处理流程信息的基础上增加一个流程更新参数，以改变横向业务层级和纵向业务层级，且在改变之后，为了进一步确定基础子业务需求预测网络b1与基础子业务需求预测网络b2是否仍然存在业务重复，则将返回上述的步骤b2，继续计算该基础子业务需求预测网络b1与业务处理流程信息改变后的基础子业务需求预测网络b2之间的业务层级，并重复上述步骤。
75.其中，若上述计算得到的业务层级满足预设条件，即该业务层级大于或等于基础子业务需求预测网络b1的业务重复层级，此时表明基础子业务需求预测网络b1与基础子业务需求预测网络b2之间并没有业务重复，此时，将保留基础子业务需求预测网络b2当前的业务处理流程信息，并不做修改。且继续循环解析至下一个基础子业务需求预测网络b2，检测基础子业务需求预测网络b2是否与基础子业务需求预测网络b3发生业务重复，并以此循环，直至第一层业务逻辑的所有基础子业务需求预测网络与下一个基础子业务需求预测网络的业务层级均大于或等于相应的基础子业务需求预测网络的业务重复层级，满足预设条件。
76.可以理解的是，在完成第一层业务逻辑的业务重复检测之后，将基于相似的方式继续对第二层业务逻辑的基础子业务需求预测网络进行业务重复检测，直至所有的基础子
业务需求预测网络均满足预设条件，且在所有的基础子业务需求预测网络均满足预设条件之后，将满足条件时的业务处理流程信息作为第三业务处理流程信息，以完成对基础子业务需求预测网络的业务处理流程信息的进一步优化，避免存在业务重复的情况。
77.可以理解的是，若基于基础子业务需求预测网络的第二业务处理流程信息进行了业务重复检测，则将得到业务重复检测后的第三业务处理流程信息，则上述步骤s130具体可以为：按照全局业务需求预测网络的第一业务处理流程信息及基础子业务需求预测网络的第三业务处理流程信息，在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。
78.在本申请实施例中，通过对全局业务需求预测网络的基础子业务需求预测网络采用分布分配布局的方式，使得能够进一步更有效的利用业务处理容器的容器配置信息，相对于现有技术中的减少业务需求预测网络容器配置信息的方式及扩大业务路径节点数量导致超过业务处理容器的方式，存在明显的优点，不仅不需要减少业务需求预测网络的容器配置信息就可以完成基础子业务需求预测网络的运行，且不会带来超出业务处理容器的问题，给用户更好的使用体验。且进一步的，为了避免业务需求预测网络之间的业务重复，通过对基础子业务需求预测网络进行业务重复检测，能够更优化基础子业务需求预测网络的运行分配，给用户更好的使用体验。
79.在一种可能的设计示例中，在以上描述的基础上，还可以进一步通过以下示例性的步骤实现。
80.步骤s140，响应于扩展调用请求，若扩展调用请求由业务主动扩展操作触发，则基于业务主动扩展操作确定业务主动扩展操作的业务主动扩展业务迁移对象。
81.步骤s150，在多个基础子业务需求预测网络指向全局业务需求预测网络所形成的业务迁移对象中，选择与业务主动扩展业务迁移对象最匹配的业务迁移对象对应的基础子业务需求预测网络作为目标基础子业务需求预测网络。
82.步骤s160，以目标基础子业务需求预测网络的层级标签迁移到业务迁移对象内为目的，整体迁移多个业务需求预测网络，得到多个业务需求预测网络的第四业务处理流程信息。
83.步骤s170，基于主向量网络分配策略，确定目标基础子业务需求预测网络待扩展展示的增添子业务需求预测网络的第四业务处理流程信息。
84.步骤s180，按照多个业务需求预测网络及增添子业务需求预测网络的第四业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。
85.在一种可能的设计示例中，在步骤s180之前，本实施例还可以基于预设的循环解析规则确定包括多个业务需求预测网络中的基础子业务需求预测网络及增添子业务需求预测网络的业务需求预测网络集合中业务需求预测网络的循环解析次序，并按照循环解析次序进行循环解析，计算循环解析到的第一业务需求预测网络与下一个待循环解析的第二业务需求预测网络之间的业务层级。若业务层级不满足预设条件，则基于预设的流程更新参数对第二业务需求预测网络的第四业务处理流程信息进行更新，并返回执行计算循环解析到的第一业务需求预测网络与下一个待循环解析的第二业务需求预测网络之间的业务层级的步骤。其中，预设条件为业务层级大于或等于第一业务需求预测网络的业务重复层
级，业务重复层级为第一业务需求预测网络的业务层级范围、第二业务需求预测网络的业务层级范围及预设范围的交集。
86.若业务层级满足预设条件，则循环解析至下一个业务需求预测网络，返回执行计算循环解析到的第一业务需求预测网络与下一个待循环解析的第二业务需求预测网络之间的业务层级的步骤，直至业务需求预测网络集合中的业务需求预测网络均满足预设条件，且将满足预设条件时的业务处理流程信息作为第五业务处理流程信息。
87.在此基础上，针对步骤s180，可以按照多个业务需求预测网络及增添子业务需求预测网络的第五业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。
88.在本申请实施例中，的预设的循环解析规则与前述实施例中提到的循环解析规则相似，在前述的循环解析规则的基础上，需要将目标基础子业务需求预测网络的次基础子业务需求预测网络添加至该目标基础子业务需求预测网络所在的层业务逻辑的循环解析子顺序中。为了更好的理解，进一步假设业务需求预测网络a为全局业务需求预测网络，业务需求预测网络b、d、f、h、j、l、n、p均为基础子业务需求预测网络，业务需求预测网络f为目标基础子业务需求预测网络，且业务需求预测网络f1、f2及f3为目标基础子业务需求预测网络f的次基础子业务需求预测网络。其中，虚线箭头业务迁移对象构成循环解析的顺序。
89.对于所有待循环解析的业务需求预测网络，以循环解析到业务需求预测网络f为例，计算循环解析到的第一业务需求预测网络f与下一个待循环解析的第二业务需求预测网络f1之间的业务层级。
90.进一步判断该第一业务需求预测网络f与第二业务需求预测网络f1之间的业务层级是否满足预设条件，其中，该预设条件具体可以为业务层级大于或等于第一业务需求预测网络f的业务重复层级，其中，第一业务需求预测网络f的业务重复层级等于第一业务需求预测网络f的业务层级范围、第二业务需求预测网络f1的业务层级范围及预设的范围的交集。
91.其中，若上述计算得到的业务层级不满足预设条件，即该业务层级小于第一业务需求预测网络的f的业务重复层级，此时表明第一业务需求预测网络f与第二业务需求预测网络f1之间发生了业务重复，此时，将基于预设的流程更新参数对第二业务需求预测网络f1的第四业务处理流程信息进行更新，例如，在第二业务需求预测网络f1的第四业务处理流程信息的基础上增加一个流程更新参数，以改变横向业务层级和纵向业务层级，且在改变之后，为了进一步确定该第一业务需求预测网络f与第二业务需求预测网络f1是否仍然存在业务重复，则将返回上述的步骤，继续计算该第一业务需求预测网络f与业务处理流程信息改变后的第二业务需求预测网络f1之间的业务层级，并重复上述步骤。
92.其中，若上述计算得到的业务层级满足预设条件，即该业务层级大于或等于第一业务需求预测网络f的业务重复层级，此时表明第一业务需求预测网络f与第二业务需求预测网络f1之间并没有业务重复，此时，保留第二业务需求预测网络f1当前的业务处理流程信息，并不做修改。且继续循环解析至下一个业务需求预测网络，即业务需求预测网络f1将作为循环解析到的业务需求预测网络，重复上述步骤的内容，以此循环，直至所有的业务需求预测网络均满足预设条件。
93.在一种可能的设计示例中，针对步骤s110，可以通过进一步通过以下示例性的子
步骤实现，详细描述如下。
94.步骤s111，当获取到所述信息服务终端对应的针对大数据采集来源(例如为一个或者多个大数据采集来源)的关键业务路径跟踪指令(例如某个业务app所发送的指令)时，获取与关键业务路径跟踪指令相匹配的跟踪配置参数。
95.本实施例中，关键业务路径跟踪指令包括大数据采集来源标签和服务订阅对象标签。这里，大数据采集来源标签例如可以是统一资源定位符(uniform resource locator，url)，也可以其它唯一标识大数据采集来源的数字id，本申请实施例对此不作限制。
96.本实施例中，服务订阅对象标签例如为可以用户登录应用的账号标识(例如app的绑定手机号码、绑定其它应用的账号等等)，也可以是与用户对应的终端硬件识别码等等。其中，跟踪配置参数包括第一跟踪配置数据和第二跟踪配置数据。第一跟踪配置数据可以用于表示大数据采集来源标签所对应大数据采集来源的服务订阅对象的配置数据。第二跟踪配置数据可以用于表示服务订阅对象标签所对应的服务配置数据。
97.步骤s112，确定与大数据采集来源有关的可跟踪路径列表。
98.本实施例中，可以根据要跟踪大数据采集来源的数据源业务分布，确定与该数据源业务分布对应的可跟踪业务路径，并将其作为可跟踪路径列表。这里，数据源业务可以是指向关键业务路径所对应的应用服务器所提供的业务服务。数据源业务的范围例如可以包括新闻资讯、电商直播等数据源业务等。换言之，不同类型的数据源业务所对应的可跟踪业务路径可以是不同的。这里，不同的数据源业务可以被认为是对应于关键业务路径的不同渠道。在一个实施例中，数据源业务可以包括与关键业务路径跟踪有关的软件功能组件。数据源业务可以通过该软件功能组件发出上述关键业务路径跟踪指令。例如，数据源业务可以在用户请求某个大数据采集来源时，调用软件功能组件执行某个具体的软件业务。另外说明的是，上述实施例仅仅是示例性说明，本申请的实施例还可以采用其它可实施的方式确定可跟踪路径列表。
99.步骤s113，获取该可跟踪路径列表中每个可跟踪业务路径所对应的路径跟踪配置数据。
100.本实施例中，可以通过查询方式获取第一跟踪配置数据和第二跟踪配置数据，从而可以通过查询方式获取每个可跟踪业务路径所对应的路径跟踪配置数据。换言之，在此之前可以预先存储有第一跟踪配置数据、第二跟踪配置数据和每个可跟踪特征内容所对应的路径跟踪配置数据。或者，也可以与存储上述第一、第二和路径跟踪配置数据的存储集群(例如为分布式文件系统集群)通信。下面将对第一跟踪配置数据、第二跟踪配置数据和每个可跟踪业务路径对应的路径跟踪配置数据的生成过程进行说明。
101.本实施例中，首先可以获取大数据采集来源标签所对应大数据采集来源的大数据采集来源的业务分布数据(即该大数据采集来源的服务订阅对象，而可以不包括关键业务路径)，并对大数据采集来源的业务分布数据进行数据解析操作，以确定第一跟踪配置数据。
102.应当理解，上述过程中可以对大数据采集来源集合(包含大数据采集来源标签所对应的大数据采集来源)进行数据解析操作，以生成每个大数据采集来源的第一跟踪配置数据。其中，大数据采集来源集合是指应用程序(可以从相关的应用软件服务器获取关键业务路径的应用)可以跟踪的大数据采集来源。大数据采集来源集合例如可以被存储在
hadoop分布式文件系统(hdfs)集群中，但不限于此。从内容角度而言，大数据采集来源集合中每个大数据采集来源例如可以是社会新闻、军事、体育或者财经等内容的文章。这样，可以从大数据采集来源集合对应的第一跟踪配置数据中查询与关键业务路径跟踪指令中大数据采集来源标签对应的第一跟踪配置数据。
103.更具体而言，根据本申请一个实施例，对于一个待提取特征的大数据采集来源而言，可以基于预定业务聚类策略，对大数据采集来源的业务分布数据进行业务聚类操作，以获取相应的业务聚类对象序列。
104.这里，预定业务聚类策略例如可以是k
‑
means业务聚类，也可以是其它适于进行业务聚类的业务聚类策略。具体而言，在对大数据采集来源的业务分布数据进行业务聚类操作后，可以对剩余的业务聚类对象进行业务分析，例如对业务聚类对象进行业务扩展、重要性分析(即确认业务聚类对象在该大数据采集来源中权重)和标注(即确定业务聚类对象的类型)等。其中，业务聚类对象重要性的分析方式例如为频繁访问模式项的方式，但不限于此。另外说明的是，基于业务聚类对象序列可以由向量编码进行表示，例如，业务聚类对象序列可以被生成为一个业务向量编码。该业务向量编码中每个维度对应一个业务聚类对象，每个维度的对象数据包括所对应业务聚类对象在大数据采集来源中业务影响参数。
105.本实施例中，基于预定的微服务链路解析策略确定业务向量对应的微服务链路序列。该微服务链路序列中每个微服务链路的链路数据包括该微服务链路在大数据采集来源中业务影响参数。微服务链路可以是指大量微服务节点构成的链路，例如由微服务节点a、微服务节点b、......、微服务节点n构成的链路，链路中可以标识有微服务节点a、微服务节点b、......、微服务节点n（如订单沟通微服务、电商打赏微服务）之间的服务逻辑关系（如决策关系、因果关系等）。这里，预定的微服务链路解析策略例如为隐藏狄氏分配的链路挖掘算法，还可以是其它实现微服务链路挖掘的方式。隐藏狄氏分配的链路挖掘算法是一种微服务链路生成模型，也称为一个三层贝叶斯概率模型，包含业务、微服务链路和逻辑关系三层结构。
106.本实施例中，接下来可以基于预定的服务会话匹配方式对微服务链路序列中每个微服务链路进行服务会话匹配，以确定相应的服务互动功能，从而获取微服务链路序列对应的服务互动功能序列。该服务互动功能序列中每个服务互动功能包括一个或多个微服务链路，每个服务互动功能的功能数据包括该服务互动功能在大数据采集来源中业务影响参数。这里，预定服务会话匹配方式例如为k最近邻服务会话匹配。如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个服务互动功能，则该样本也属于这个服务互动功能（如电商礼物服务功能）。这样，所选择的邻居都是已经正确服务会话匹配的对象。该方式在服务会话匹配决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。综上，可以对大数据采集来源进行跟踪配置，以确定第一跟踪配置数据。第一跟踪配置数据可以包括大数据采集来源对应的业务聚类对象序列、微服务链路序列和服务互动功能序列。
107.本实施例中，获取服务订阅对象标签对应的服务订阅对象的行为数据，并对该服务订阅对象的行为数据进行数据解析操作，以确定第二跟踪配置数据。服务订阅对象的行为数据包括用户的大数据采集来源的更新历史数据的集合和会话数据的集合中至少一数据序列。需要说明的是，实际上可以获取多个服务订阅对象标签(包含前述的服务订阅对象
标签)中每个服务订阅对象标签所对应的服务订阅对象的行为数据，并对每个服务订阅对象的行为数据进行数据解析操作，以确定每个服务订阅对象标签对应的第二跟踪配置数据。这样，可以从多个服务订阅对象标签所对应的第二跟踪配置数据中，查询关键业务路径跟踪指令中服务订阅对象标签所对应的第二跟踪配置数据。
108.在此基础上，可以获取服务订阅对象标签所对应的用户大数据采集来源的更新历史数据。这里，可以按照预定规则选取一部分大数据采集来源的更新历史数据。例如，可以选择大数据采集来源的更新历史数据中最新的预定数量的记录。基于每条的更新历史数据，可以获取该的更新历史数据对应的大数据采集来源。对于每条的更新历史数据对应的大数据采集来源。进一步地，可以对该大数据采集来源进行数据解析操作，以确定该大数据采集来源对应的业务聚类对象序列、微服务链路序列和服务互动功能序列。其中，该大数据采集来源对应的业务聚类对象序列中每个业务聚类对象的对象数据包括在该大数据采集来源中业务影响参数。该大数据采集来源对应的微服务链路序列中每个微服务链路的链路数据包括该微服务链路在该大数据采集来源中业务影响参数。该大数据采集来源对应的服务互动功能序列中每个服务互动功能包括一个或多个微服务链路，每个服务互动功能的功能数据包括该服务互动功能在所述大数据采集来源中业务影响参数。这里的更具体实施方式与上述实施例类似，这里不再赘述。综上，第二跟踪配置数据包括服务订阅对象标签所对应每个大数据采集来源所对应的业务聚类对象序列、微服务链路序列和服务互动功能序列。
109.可选地，服务订阅对象标签对应的服务订阅对象的行为数据还可以包括用户的会话数据。相应地，接下来可以获取用户的会话数据的集合。与类似，可以按照预定规则确定会话数据的集合。例如，按照会话数据的搜索时间，获取预定数量的最新记录并将其作为会话数据的集合。这里，每条会话数据主要包括用户所输入的会话业务(或者会话进程)。
110.接下来，对会话数据的集合中每条会话数据，进行数据解析操作，以确定该条会话数据对应的一个业务聚类对象序列、微服务链路序列和服务互动功能序列。其中，该条会话数据对应的业务聚类对象序列中每个业务聚类对象的对象数据包括骑在会话数据中业务影响参数。该条会话数据对应的微服务链路序列中每个微服务链路的链路数据包括该微服务链路在该条会话数据中业务影响参数。该条会话数据对应的服务互动功能序列中每个服务互动功能包括一个或多个微服务链路。每个服务互动功能的功能数据包括该服务互动功能在该条会话数据中业务影响参数。这里，更具体的实施方式与上述描述累似，这里不再赘述。
111.综上，第二跟踪配置数据还可以包括会话数据所对应的业务聚类对象序列、微服务链路序列和服务互动功能序列。另外说明的是，上述中仅仅对一个服务订阅对象标签对应的服务订阅对象的行为数据的配置数据提取进行了示例性说明。实际上，本申请可以对多个服务订阅对象标签对应的服务订阅对象的行为数据进行数据解析。这样，可以从多个服务订阅对象标签对应的第二跟踪配置数据中查询一个服务订阅对象标签对应的第二跟踪配置数据。
112.接下来，对可跟踪路径列表中每个可跟踪业务路径，进行数据解析操作，以确定该可跟踪业务路径所对应的路径跟踪配置数据。实际上，本实施例可以对适于跟踪至多种应用的关键业务路径集合(包括但不限于上述可跟踪路径列表)进行数据解析操作，以确定每
个关键业务路径对应的路径跟踪配置数据。这样，可以从关键业务路径集合对应的路径跟踪配置数据中，查询每个可跟踪业务路径对应的路径跟踪配置数据。
113.下面以一条可跟踪业务路径的配置数据提取过程为例，对上述实施例进一步说明。
114.对于一条可跟踪业务路径，本实施例可以基于预定业务聚类策略，对该可跟踪业务路径进行业务聚类操作，以确定相应的业务聚类对象序列。根据业务聚类对象序列，本实施例可以生成可跟踪路径对应的一个业务聚类对象序列。该业务聚类对象序列可以被表示为一个业务向量。该业务向量中每个维度对应一个业务聚类对象，每个维度的对象数据包括所对应业务聚类对象在大数据采集来源中业务影响参数。基于预定的微服务链路解析策略，本实施例可以确定业务向量对应的微服务链路序列。该微服务链路序列中每个微服务链路的链路数据包括该微服务链路在相应的可跟踪业务路径中业务影响参数。基于预定的服务会话匹配方式，本实施例可以确定微服务链路序列中每个微服务链路的类别，以获取相应的服务互动功能集合。该服务互动功能序列中每个服务互动功能包括一个或多个微服务链路。每个服务互动功能的功能数据包括该服务互动功能在可跟踪业务路径中业务影响参数。综上，可跟踪业务路径的路径跟踪配置数据包括：该可跟踪业务路径对应的业务聚类对象序列、微服务链路序列和服务互动功能序列。这里，本实施例更具体的实施方式与上述实施例类似，这里不再赘述。
115.步骤s114，根据每个可跟踪业务路径的路径跟踪配置数据、第一跟踪配置数据和第二跟踪配置数据，从可跟踪路径列表中确定待跟踪的大数据采集来源的关键业务路径，并基于区块链系统收集关键业务路径所需的大数据进行人工智能需求预测。
116.在一种可能的设计示例中，可以分为初步次序整理阶段和二次次序整理阶段。以下将结合具体的实施例进行描述。
117.在初步次序整理阶段，可以根据每个可跟踪业务路径的路径跟踪配置数据的至少部分数据，计算第一关联参数和第二关联参数。其中，第一关联参数用于表示路径跟踪配置数据的至少部分数据与第一跟踪配置数据中相应部分数据之间的关联程度情况。第二关联参数用于表示所述路径跟踪配置数据的至少部分数据与第二跟踪配置数据中相应部分数据之间的关联程度情况。这里，路径跟踪配置数据的至少部分数据可以是：分别从业务聚类对象序列(或者其对应的业务向量)、微服务链路序列和服务互动功能序列中所获取的预定维度的配置数据值。在此基础上，可以根据每个可跟踪业务路径对应的第一关联参数和第二关联参数，对可跟踪路径列表中各可跟踪业务路径进行次序整理，并根据次序整理结果从可跟踪路径列表中提取一个可跟踪路径子列表。这里，可跟踪路径子列表例如包括排名靠前的预定数量的可跟踪业务路径。在一个实施例中，第一和第二关联参数的计算过程为：计算第一业务对象关联参数、第一微服务链路关联参数、第一服务功能关联参数、第二业务对象关联参数、第二微服务链路关联参数和第二服务功能关联参数。其中，第一业务对象关联参数表示可跟踪业务路径所对应的业务聚类对象序列中的至少部分业务聚类对象与第一跟踪配置数据的业务聚类对象序列中的至少部分业务聚类对象的关联参数。第一微服务链路关联参数表示第一跟踪配置数据的微服务链路序列中部分微服务链路与可跟踪业务路径所对应微服务链路序列中部分微服务链路的关联参数。第一服务功能关联参数表示第一跟踪配置数据的服务互动功能序列中部服务会话匹配别与可跟踪业务路径所对应服务
互动功能序列中部服务会话匹配别的关联参数。第二业务对象关联参数表示在分别计算第二跟踪配置数据中每条的更新历史数据对应的业务聚类对象序列中部分业务聚类对象与可跟踪业务路径所对应业务聚类对象序列中的至少部分业务聚类对象的关联参数时所得到的最大参数。第二微服务链路关联参数表示在分别计算第二跟踪配置数据中每条的更新历史数据对应的微服务链路序列中部分微服务链路与所述可跟踪业务路径所对应微服务链路序列中部分微服务链路的关联参数时所得到的最大参数。第二服务功能关联参数表示在分别计算第二跟踪配置数据中每条的更新历史数据对应的服务互动功能序列中部服务会话匹配别与可跟踪业务路径所对应服务互动功能序列中部服务会话匹配别的关联参数时所得到的最大参数。这里，计算关联参数的方式例如为余弦关联参数，但不限于此。第一关联参数包括：第一业务对象关联参数、第一微服务链路关联参数和第一服务功能关联参数。第二关联参数包括：第二业务对象关联参数、第二微服务链路关联参数和第二服务功能关联参数。另外说明的是，在第二跟踪配置数据包括每条会话数据对应的业务聚类对象序列、微服务链路序列和服务互动功能序列时，第二业务对象关联参数为的更新历史数据对应的关联参数最大参数与会话数据对应的关联参数最大参数的维度参数汇总值。其中，的更新历史数据对应的关联参数最大参数与会话数据的关联参数最大参数计算方式相同。类似地，第二微服务链路关联参数和第二服务功能关联参数均为维度参数汇总值，这里不再赘述。在此基础上，可以计算第一业务对象关联参数与第二业务对象关联参数的相加参数、第一微服务链路关联参数与第二微服务链路关联参数的相加参数、以及第一服务功能关联参数与所述第二服务功能关联参数的相加参数的维度参数汇总值。这样，可以根据该维度参数汇总值对可跟踪路径列表进行次序整理，并根据次序整理结果提取排名靠前的一部分可跟踪路径作为所述可跟踪路径子列表。
118.在二次次序整理阶段，对于可跟踪路径子列表中每个可跟踪业务路径，可以计算与其对应的第三关联参数和第四关联参数。其中，第三关联参数用于表示可跟踪业务路径的路径跟踪配置数据与第一跟踪配置数据之间的关联程度情况。第四关联参数用于表示可跟踪业务路径的路径跟踪配置数据与第二跟踪配置数据之间的关联程度情况。这样，可以根据可跟踪路径子列表中每个可跟踪业务路径对应的第三关联程度情况信息和第四关联程度情况信息，对该可跟踪路径子列表进行次序整理，并确定待跟踪的大数据采集来源的关键业务路径。这里，第三关联参数计算方式与第一关联参数计算方式类似，第四关联参数的计算方式与第二关联参数类似。需要说明的是，对于一个可跟踪业务路径而言，计算第一和第二关联参数的效率高于计算第三和第四关联参数的效率。
119.综上，可以在初步次序整理阶段过滤掉一部分可跟踪业务路径，并且在第二次次序整理阶段应用比初步次序整理更高维度的跟踪配置参数对可跟踪路径子列表进行次序整理(而不是对可跟踪路径列表中所有可跟踪业务路径信息进行精确次序整理)，从而可以提高确定关键业务路径信息的实时性。这里，初步次序整理和二次次序整理所应用算法是一致的，尽管特征维度不同。在一个实施例中，二次次序整理的过程如下所示。
120.首先，可以根据下述公式计算每个可跟踪业务路径对应的总次序整理值：pz＝oz+iz+rf其中：oz＝qf*jnm，rf＝s11*(a1*(f1+f2)+a2*(t1+t2)+a3*(s11+s2))，f2＝y1*d1+y2*d2，t2＝y3*d3+y4*d4，s2＝y5*d5+y6*d6，
qf表示对可跟踪业务路径的业务频次预测值(根据预定的业务频次模型确定)。jnm表示业务趋势权重。oz表示基础次序整理权重。iz表示可跟踪业务路径的业务重要性(即基于该可跟踪业务路径多项重要性参数而得到的业务重要性)。例如，iz＝s2*(1+c1)*(1+c2)*...*(1+cn)，其中，s2为一个预定常数，c1、c2...cn分别为一项重要性参数。
121.pz表示总次序整理值。f1代表第一跟踪配置数据中业务向量与一个可跟踪业务路径中业务聚类对象序列的关联参数。d1代表在分别计算第二跟踪配置数据中每条的更新历史数据对应的业务向量与可跟踪业务路径的路径跟踪配置数据中业务聚类对象序列的关联参数时所得到的最大关联参数值。d2代表在分别计算第二跟踪配置数据中每条会话数据对应的业务聚类对象序列与可跟踪业务路径的路径跟踪配置数据中业务向量的关联参数时所得到的最大关联参数值。f2代表第二跟踪配置数据中业务聚类对象序列与可跟踪业务路径的路径跟踪配置数据中业务向量的关联参数。t1代表第一跟踪配置数据中微服务链路序列与可跟踪业务路径的路径跟踪配置数据中微服务链路序列的关联参数。d3代表在分别计算第二跟踪配置数据中每条的更新历史数据对应的微服务链路序列与所述可跟踪业务路径的路径跟踪配置数据中微服务链路序列的关联参数时所得到的最大关联参数值。d4代表在分别计算第二跟踪配置数据中每条会话数据对应的微服务链路序列与所述可跟踪业务路径的路径跟踪配置数据中微服务链路序列的关联参数时所得到的最大关联参数值。t2代表第二跟踪配置数据的微服务链路序列与可跟踪业务路径的路径跟踪配置数据中微服务链路序列的关联参数时所得到的最大关联参数值。s11代表第一跟踪配置数据中服务互动功能序列与可跟踪业务路径的路径跟踪配置数据中服务互动功能序列的关联参数。d5代表在分别计算第二跟踪配置数据中每条的更新历史数据对应的服务互动功能序列与所述可跟踪业务路径的路径跟踪配置数据中服务互动功能序列的关联参数时所得到的最大关联参数值。d6代表在分别计算第二跟踪配置数据中每条会话数据对应的服务互动功能序列与可跟踪业务路径的路径跟踪配置数据中服务互动功能序列的关联参数时所得到的最大关联参数值。s2代表第二跟踪配置数据中服务互动功能序列与可跟踪业务路径的路径跟踪配置数据中服务互动功能序列的关联参数。这里，y1+y2＝1，y3+y4＝1，y5+y6＝1，a1+a2+a3＝1，其中，s11、y1、y2、y3、y4、y5、y6、a1、a2和a3分别为一个预定常数。
122.随后，可以根据每个可跟踪业务路径对应的总次序整理值，对该可跟踪路径子列表进行次序整理。最后，可以将次序整理靠前的至少一个可跟踪业务路径确定为待跟踪的大数据采集来源的关键业务路径。
123.基于上述步骤，本实施例在获取对一个大数据采集来源的关键业务路径跟踪指令时，获取大数据采集来源的对象配置数据、服务订阅对象标签所对应的服务配置数据和可跟踪业务路径的路径跟踪配置数据。在此基础上，对可跟踪路径列表进行筛选，从而确定待跟踪的大数据采集来源的关键业务路径。特别是，本申请在筛选关键业务路径时，充分考虑大数据采集来源的对象配置数据、服务订阅对象标签所对应的服务配置数据和可跟踪业务路径的路径跟踪配置数据之间的关联性，从而提高确定的关键业务路径与实际服务订阅对象之间的特征匹配度，便于确定后续信息跟踪的关键数据部分，从而提高后续信息跟踪的精度。
124.图3为本公开实施例提供的基于区块链和大数据的信息预测装置300的功能模块示意图，本实施例可以根据上述人工智能服务中心100执行的方法实施例对该基于区块链
和大数据的信息预测装置300进行功能模块的划分，也即该基于区块链和大数据的信息预测装置300所对应的以下各个功能模块可以用于执行上述人工智能服务中心100执行的各个方法实施例。其中，该基于区块链和大数据的信息预测装置300可以包括第一确定模块310、第二确定模块320和预测模块330，下面分别对该基于区块链和大数据的信息预测装置300的各个功能模块的功能进行详细阐述。
125.第一确定模块310，用于基于区块链系统收集关键业务路径所需的关键业务大数据，响应于人工智能模型调用请求，确定关键业务路径所指定的人工智能模型中包含的待调用的多个业务需求预测网络及多个业务需求预测网络之间的业务逻辑关系。其中，第一确定模块310可以用于执行上述的步骤s110，关于第一确定模块310的详细实现方式可以参照上述针对步骤s110的详细描述即可。
126.第二确定模块320，用于基于预置的网络分配策略，利用多个业务需求预测网络之间的业务逻辑关系及业务处理容器的容器配置信息，确定多个业务需求预测网络在业务处理容器内的第一业务处理流程信息。其中，第二确定模块320可以用于执行上述的步骤s120，关于第二确定模块320的详细实现方式可以参照上述针对步骤s120的详细描述即可预测模块330，用于按照第一业务处理流程信息在业务处理容器内按照多个业务需求预测网络之间的业务逻辑关系对关键业务大数据进行业务需求预测，得到业务需求预测结果。其中，预测模块330可以用于执行上述的步骤s130，关于预测模块330的详细实现方式可以参照上述针对步骤s130的详细描述即可。
127.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理业务状态对象上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，第一确定模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上第一确定模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
128.图4示出了本公开实施例提供的用于实现上述的基于区块链和大数据的信息预测方法的人工智能服务中心100的硬件结构示意图，如图4所示，人工智能服务中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
129.在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于区块链和大数据的信息预测装置300包括的第一确定模块310、第二确定模块320和预测模块330），使得处理器110可以执行如上方法实施例的基于区块链和大数据的信息预测方法，其特征在于，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的信息服务终端200进行数据收发。
130.处理器110的具体实现过程可参见上述人工智能服务中心100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
131.在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(英文：digital signal processor，dsp)、专用集成电路(英文：application specificintegrated circuit，asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
132.机器可读存储介质120可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器。
133.总线130可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
134.此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于区块链和大数据的信息预测方法。
135.最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。