业务系统运行监测方法及装置与流程

本发明涉及一种运行监测方法，具体而言，涉及一种业务系统运行监测方法及装置。

背景技术：

银行的业务系统每天需要处理大量的数据，数据处理过程一般在数个小时，且大量的批处理数据通常在夜间进行。在这个过程当中如果出现异常情况，必须及时作出响应，排除异常。在处理结束后，也通常会编辑一份日报以供发布和查阅。

银行的业务系统包括很多业务节点，每个业务节点用于处理不同的业务数据，由于业务系统每天可能要处理的业务数据量会受到节假日、月份、商家促销日以及银行账户数据的增加等因素的影响，各业务节点每天处理的数据量以及运行时间可能也不相同。现有技术通过设置监测系统对业务系统的运行状态进行监测，现有的监测系统在业务系统处理数据时同步运行，对各业务节点的运行时间进行监测。并通过人工方式对每个业务节点简单地设置正常运行时间阈值。一旦业务节点的运行时间超过正常阈值，则判定为运行异常，之后进入警告或报警环节。由于随着时间的变化，业务系统每天需要处理的数据量也大不相同，现有的监测方法没有考虑到数据量的变化对各业务节点的运行时间的影响，导致监测不准确。

例如，在处理一批银行交易时，现有的监测系统可以监测是否处理完。并且当到达具体预设值时进行问题处置(如人工设定超过两个小时未处理完则报警)。而当某日交易量出现高峰时，数据量急剧增加，处理超过2小时，则该系统会错报警，然而此时并不是系统出现故障需要维护，而仅仅是数据量增大。这就出现了监测不准确的问题。

技术实现要素：

本发明为了解决上述问题的至少一个，提出了一种业务系统运行监测方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种业务系统运行监测方法，该方法包括：

根据各业务节点在历史数据中每天的数据处理量以及每天的处理时长计算每个业务节点的平均处理效率；

根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用数学拟合的方法确定各业务节点当前日期的第一数据处理量预测值；

根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量以及各业务节点在历史数据中每年的全年日均数据处理量计算当前日期各业务节点的日期影响因子；

根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值；

根据所述第二数据处理量预测值以及所述平均处理效率确定各业务节点当前日期的处理时长预测值，以根据各业务节点当前日期的处理时长预测值对当前日期的各业务节点的运行状态进行监测。

可选的，该方法还包括：

根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子；

所述根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值，具体包括：

根据所述日期影响因子、所述月度影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

可选的，该方法还包括：

根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子；

所述根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值，具体包括：

根据所述日期影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

可选的，该方法还包括：

根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子；

根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子；

所述根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值，具体包括：

根据所述日期影响因子、所述月度影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

可选的，所述根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用数学拟合的方法确定各业务节点当前日期的第一数据处理量预测值，具体包括：

根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量构建各业务节点对应的n次拟合函数，并根据构建的n次拟合函数确定各业务节点当前日期的第一数据处理量预测值，其中，n为正整数。

可选的，所述根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用数学拟合的方法确定各业务节点当前日期的第一数据处理量预测值，具体包括：

针对每个业务节点根据业务节点在历史数据中每年的与当前日期同一日期的数据处理量分别构建一次拟合函数至m次拟合函数，并分别计算每个拟合函数的方差，其中，m为大于1且小于等于5的正整数；

根据方差最小的拟合函数确定业务节点当前日期的第一数据处理量预测值。

可选的，该方法还包括：

若监测到某个业务节点当前日期的实际处理时长超过该业务节点对应的处理时长预测值，向用户发送警报信息。

为了实现上述目的，根据本发明的另一方面，提供了一种业务系统运行监测装置，该装置包括：

平均处理效率计算单元，用于根据各业务节点在历史数据中每天的数据处理量以及每天的处理时长计算每个业务节点的平均处理效率；

第一数据处理量预测值确定单元，用于根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用数学拟合的方法确定各业务节点当前日期的第一数据处理量预测值；

日期影响因子确定单元，用于根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量以及各业务节点在历史数据中每年的全年日均数据处理量计算当前日期各业务节点的日期影响因子；

第二数据处理量预测值确定单元，用于根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值；

节点运行状态监测单元，用于根据所述第二数据处理量预测值以及所述平均处理效率确定各业务节点当前日期的处理时长预测值，以根据各业务节点当前日期的处理时长预测值对当前日期的各业务节点的运行状态进行监测。

可选的，该装置还包括：

月度影响因子确定单元，用于根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子；

所述第二数据处理量预测值确定单元，具体用于根据所述日期影响因子、所述月度影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

可选的，该装置还包括：

周影响因子确定单元，用于根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子；

所述第二数据处理量预测值确定单元，具体用于根据所述日期影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

可选的，该装置还包括：

月度影响因子确定单元，用于根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子；

周影响因子确定单元，用于根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子；

所述第二数据处理量预测值确定单元，具体用于根据所述日期影响因子、所述月度影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

可选的，所述第一数据处理量预测值确定单元，具体用于根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量构建各业务节点对应的n次拟合函数，并根据构建的n次拟合函数确定各业务节点当前日期的第一数据处理量预测值，其中，n为正整数。

可选的，所述第一数据处理量预测值确定单元，包括：

数学拟合模块，用于针对每个业务节点根据业务节点在历史数据中每年的与当前日期同一日期的数据处理量分别构建一次拟合函数至m次拟合函数，并分别计算每个拟合函数的方差，其中，m为大于1且小于等于5的正整数；

预测模块，用于根据方差最小的拟合函数确定业务节点当前日期的第一数据处理量预测值。

可选的，该装置还包括：

警报单元，用于当监测到某个业务节点当前日期的实际处理时长超过该业务节点对应的处理时长预测值时，向用户发送警报信息。

为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述业务系统运行监测方法中的步骤。

为了实现上述目的，根据本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述业务系统运行监测方法中的步骤。

本发明的有益效果为：本发明实施例通过业务节点的历史数据准确的预测出当前时间业务节点的处理量预测值以及处理时长预测值，进而根据处理量预测值以及处理时长预测值对业务节点当前时间的工作状态进行监测，提高了节点工作状态监测的准确性。

附图说明

为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，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。在附图中：

图1是本发明实施例业务系统运行监测方法的流程图；

图2是本发明实施例确定各业务节点当前日期的第二数据处理量预测值的流程图；

图3是本发明实施例确定各业务节点当前日期的第一数据处理量预测值的流程图；

图4是本发明实施例业务系统运行监测装置的结构框图；

图5是本发明实施例第一数据处理量预测值确定单元的组成结构框图；

图6是本发明实施例计算机设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

图1是本发明实施例业务系统运行监测方法的流程图，如图1所示，本实施例的业务系统运行监测方法包括步骤s101至步骤s105。

步骤s101，根据各业务节点在历史数据中每天的数据处理量以及每天的处理时长计算每个业务节点的平均处理效率。

在本发明实施例中，本步骤先获取各业务节点的历史数据，该历史数据包括各业务节点一段时间以来每天的数据处理量以及处理时长。该历史数据可以为前n年的历史数据，优选的n大于等于5。

在本发明实施例中，本步骤将各业务节点在历史数据中每天的处理时长除以每天的数据处理量，得到各业务节点在历史数据中每天的处理效率，进而将各业务节点在历史数据中每天的处理效率求平均得到各业务节点对应的平均处理效率。

在本发明的另一可选实施例中，平均处理效率也可以为业务节点上一年每天的处理效率的平均值。

在本发明的另一可选实施例中，平均处理效率也可以为业务节点前n年各年的数据处理总时长与数据处理总量的商的平均值。

步骤s102，根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用数学拟合的方法确定各业务节点当前日期的第一数据处理量预测值。

在本发明实施例中，本步骤根据业务节点在历史数据中每年的与当前日期同一日期的数据处理量预测采用数学方法推测出当前日期该业务节点的数据处理量预测值。举例说明，推测a业务节点2019年11月11日的数据处理量，首先从历史数据中查找a业务节点在2018年、2017年、2016年、2015年…11月11日的数据处理量，进而根据这里历史数据采用数学方法推测出a业务节点2019年11月11日的数据处理量预测值。

在本发明的实施例中，可以根据历史数据采用现有技术的数学拟合的方法来计算数据处理量预测值。采用数学拟合的方法时可以根据需要采用一阶函数、二阶函数、三阶函数等来进行拟合。

在本发明的其他可选实施例中，本步骤也可以根据历史数据采用现有技术的插值法来计算数据处理量预测值。其中，插值法可以采用现有技术的拉格朗日插值法。

步骤s103，根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量以及各业务节点在历史数据中每年的全年日均数据处理量计算当前日期各业务节点的日期影响因子。

在本发明实施例中，业务节点当前日期的日期影响因子可以为该业务节点在历史数据中每年的与当前日期同一日期的数据处理量与对应年份的该业务节点的全年日均数据处理量的商的平均值。举例说明，计算a业务节点2019年11月11日的日期影响因子，假设历史数据为前3年的历史数据，a业务节点在2018年11月11日的数据处理量为28000，2017年11月11日的数据处理量为25000，2016年11月11日的数据处理量为20000，a业务节点在2018年的全年日均数据处理量为1050，a业务节点在2017年的全年日均数据处理量为1020，a业务节点在2016年的全年日均数据处理量为1000，则a业务节点2019年11月11日的日期影响因子ky11.为：

ky11.等于23.73表示，2019年11月11日a业务节点的当天处理量是日均处理量的23.73倍。

本发明的日期影响因子用于体现不同日期的数据处理量变化，通过经验总结每逢结息日、年终决算日、双十一等电商活动日数据处理量大幅增加，本发明的日期影响因子可以很好的体现出不同日期的数据处理量的变化，提高了数据处理量预测的准确性。

步骤s104，根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

在本发明实施例中，本步骤将业务节点当前日期的第一数据处理量预测值乘以业务节点当前日期的日期影响因子得到业务节点当前日期的第二数据处理量预测值。具体可以用以下公式表示：

n＝kyny

其中，n为业务节点当前日期的第二数据处理量预测值，ny为业务节点当前日期的第一数据处理量预测值，ky为业务节点当前日期的日期影响因子。

步骤s105，根据所述第二数据处理量预测值以及所述平均处理效率确定各业务节点当前日期的处理时长预测值，以根据各业务节点当前日期的处理时长预测值对当前日期的各业务节点的运行状态进行监测。

在本发明实施例中，本步骤将业务节点当前日期的第二数据处理量预测值乘以业务节点的平均处理效率得到业务节点当前日期的处理时长预测值。具体可以用以下公式表示：

t＝n×η

其中，t为业务节点当前日期的处理时长预测值，n为业务节点当前日期的第二数据处理量预测值，η为业务节点的平均处理效率。

在本发明可选实施例中，可以根据各业务节点当前日期的处理时长预测值对各业务节点当前工作状态进行监测并在异常时进行预警。具体为若监测到某个业务节点当前日期的实际处理时长超过该业务节点对应的处理时长预测值，向用户发送警报信息。

在本发明其他可选实施例中，可以根据各业务节点当前日期的处理时长预测值确定警告阈值以及报警阈值，若监测到某个业务节点当前日期的实际处理时长超过该业务节点对应的警告阈值或报警阈值时，发送警告信息或报警信息，警告(优先级低)发生时，向相关责任人发送电子邮件。报警(优先级高，需要及时排除)发生时，直接向值班人员处报警，以及向相关责任人发送手机短信。

在本发明可选实施例中，本发明的业务系统运行监测方法还在每日完成对各业务节点进行监测后，通过数据分析生成每日日报，并记录下本日业务节点的处理数据。

由以上描述可以看出，本发明实施例通过业务节点的历史数据准确的预测出当前时间业务节点的处理量预测值以及处理时长预测值，进而根据处理量预测值以及处理时长预测值对业务节点当前时间的工作状态进行监测，提高了节点工作状态监测的准确性。

图2是本发明实施例确定各业务节点当前日期的第二数据处理量预测值的流程图，如图2所示，在本发明的可选实施例中，确定各业务节点当前日期的第二数据处理量预测值的流程包括步骤s201至步骤s203。

步骤s201，根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子。

在本发明实施例中，由于同一产品还款交易一般为每月的固定某一天，本发明为了体现每月中某一天的数据处理量的变化，提出了月度影响因子。

在本发明实施例中，业务节点当前日期的月度影响因子可以为该业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量与业务节点在历史数据中每月的全月日均数据处理量的商的平均值。举例说明，计算a业务节点2019年11月1日的月度影响因子，11月1日为11月的第1天，那么我们从历史数据中获取每个月的第1天a业务节点的数据处理量，进而根据历史数据得到每个月的全月日均数据处理量，最后计算历史数据中每个月的第1天a业务节点的数据处理量与该月全月日均数据处理量的商的平均值，得到a业务节点2019年11月1日的月度影响因子。月度影响因子表示业务节点的当天处理量是本月日均处理量的倍数。

本发明的月度影响因子用于体现不同日期在当月的数据处理量变化，通过经验总结同一产品还款交易一般为每月的固定某一天，因此该天的数据处理量会较为明显的增加，本发明的月度影响因子可以很好的体现出不同日期的数据处理量的变化，提高了数据处理量预测的准确性。

步骤s202，根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子。

在本发明实施例中，由于对公账号周末与节假日某些业务停办导致交易量为0，而周一大量集中，对私账号周末交易量大幅增加，本发明为了体现一周中每天的数据处理量的变化，提出了周影响因子。

在本发明实施例中，业务节点当前日期的周影响因子可以为该业务节点在历史数据中每周的与当前日期的星期对应的天(星期几)的数据处理量以及该业务节点在历史数据中每周的全周日均数据处理量的商的平均值。举例说明，计算a业务节点2019年11月1日的周影响因子，2019年11月1日为周五，那么我们从历史数据中获取每周周五a业务节点的数据处理量，进而根据历史数据得到每周的全周日均数据处理量，最后计算历史数据中每周周五a业务节点的数据处理量与该周的全周日均数据处理量的商的平均值，得到a业务节点2019年11月1日的周影响因子。周影响因子表示业务节点的当天(即星期几)的处理量是本周日均处理量的倍数。

本发明的周影响因子用于体现每周不同天的数据处理量变化，通过经验总结对公账号周末与节假日某些业务停办导致交易量为0，而周一大量集中，对私账号周末交易量大幅增加。本发明的周影响因子可以很好的体现出每周不同天的数据处理量的变化，提高了数据处理量预测的准确性。

步骤s203，根据所述日期影响因子、所述月度影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

在本发明的优选实施例中，本发明根据所述日期影响因子、所述月度影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。具体可以用以下公式表示：

n＝ky×km×kw×ny

其中，n为业务节点当前日期的第二数据处理量预测值，ny为业务节点当前日期的第一数据处理量预测值，ky为业务节点当前日期的日期影响因子，km为业务节点当前日期的月度影响因子，kw为业务节点当前日期的周影响因子。

在本发明的其他可选实施例中，本发明可以根据上述步骤得到日期影响因子、月度影响因子依据周影响因子其三者中的至少一个及任意组合以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

图3是本发明实施例确定各业务节点当前日期的第一数据处理量预测值的流程图，如图3所示的实施例中，上述步骤s102的确定各业务节点当前日期的第一数据处理量预测值的流程具体可以包括步骤s301和步骤s302。

步骤s301，针对每个业务节点根据业务节点在历史数据中每年的与当前日期同一日期的数据处理量分别构建一次拟合函数至m次拟合函数，并分别计算每个拟合函数的方差，其中，m为大于1且小于等于5的正整数。

在本发明实施例中，本步骤根据业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用现有的一次拟合函数、二次拟合函数…分别建立拟合函数。在建立好拟合函数后分别计算各拟合函数的方差，拟合函数的方差可以表示拟合函数的拟合准确度。

在本发明的可选实施例中，一次拟合函数可以为：

其中，ny为业务节点当前日期的第一数据处理量预测值，n为历史数据中的总年份数，i为历史数据的年份序号，y1表示历史数据的第一年、y2表示历史数据的第二年…，为史数据的年份序号的平均值，ni(i＝1,2,3……n)为业务节点第i年的数据处理总量，为历史数据中各年业务节点数据处理总量的平均值。

一次拟合函数对应方差为：

其中，nn(n＝1,2,3……)为某一年的实际值，nyn(n＝1,2,3……)为通过一次拟合函数计算出来的当年理论值。

在本发明的可选实施例中，二次拟合函数可以为：

其中，ny为业务节点当前日期的第一数据处理量预测值，m为历史数据中的总年份数，i为历史数据的年份序号，y1表示历史数据的第一年、y2表示历史数据的第二年…，ni(i＝1,2,3……n)为业务节点第i年的数据处理总量。

二次拟合对应方差为：

其中，n为历史数据中的总年份数，nn(n＝1,2,3……)为某一年的实际值，nyn(n＝1,2,3……)为通过一次拟合函数计算出来的当年理论值。

在本发明的可选实施例中，二阶以上的函数也可以采用现有的函数，这里不再赘述。

步骤s302，根据方差最小的拟合函数确定业务节点当前日期的第一数据处理量预测值。

在本发明实施例中，拟合函数的方差越小说明拟合结果更准确，因此本发明选择方差最小的拟合函数作为最终的预测函数，提高了预测的准确性。本发明通过高精度的拟合曲线计算ny。

在本发明的其他可选实施例中，上述步骤s102的确定各业务节点当前日期的第一数据处理量预测值的方法可以为，根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量构建各业务节点对应的n次拟合函数，并根据构建的n次拟合函数确定各业务节点当前日期的第一数据处理量预测值，其中，n为根据经验预设的正整数。在本发明的优选实施例中n等于1或2，即采用一次拟合函数或二次拟合函数进行数据处理量预测。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

基于同一发明构思，本发明实施例还提供了一种业务系统运行监测装置，可以用于实现上述实施例所描述的业务系统运行监测方法，如下面的实施例所述。由于业务系统运行监测装置解决问题的原理与业务系统运行监测方法相似，因此业务系统运行监测装置的实施例可以参见业务系统运行监测方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是本发明实施例业务系统运行监测装置的第一结构框图，如图4所示，本发明实施例业务系统运行监测装置包括：平均处理效率计算单元1、第一数据处理量预测值确定单元2、日期影响因子确定单元3、第二数据处理量预测值确定单元4以及节点运行状态监测单元5。

平均处理效率计算单元1，用于根据各业务节点在历史数据中每天的数据处理量以及每天的处理时长计算每个业务节点的平均处理效率。

第一数据处理量预测值确定单元2，用于根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量采用数学拟合的方法确定各业务节点当前日期的第一数据处理量预测值。

日期影响因子确定单元3，用于根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量以及各业务节点在历史数据中每年的全年日均数据处理量计算当前日期各业务节点的日期影响因子。

第二数据处理量预测值确定单元4，用于根据所述日期影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

节点运行状态监测单元5，用于根据所述第二数据处理量预测值以及所述平均处理效率确定各业务节点当前日期的处理时长预测值，以根据各业务节点当前日期的处理时长预测值对当前日期的各业务节点的运行状态进行监测。

在本发明的一可选实施例中，该业务系统运行监测装置还包括：警报单元，用于当监测到某个业务节点当前日期的实际处理时长超过该业务节点对应的处理时长预测值时，向用户发送警报信息。

在本发明实施例中，该业务系统运行监测装置还包括：月度影响因子确定单元，用于根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子；所述第二数据处理量预测值确定单元4，具体用于根据所述日期影响因子、所述月度影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

在本发明实施例中，该业务系统运行监测装置还包括：周影响因子确定单元，用于根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子；所述第二数据处理量预测值确定单元4，具体用于根据所述日期影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

在本发明实施例中，该业务系统运行监测装置还包括：月度影响因子确定单元，用于根据各业务节点在历史数据中每月的与当前日期在当前月份中同一次序的日的数据处理量以及各业务节点在历史数据中每月的全月日均数据处理量计算当前日期各业务节点的月度影响因子；周影响因子确定单元，用于根据各业务节点在历史数据中每周的与当前日期的星期对应的天的数据处理量以及各业务节点在历史数据中每周的全周日均数据处理量计算当前日期各业务节点的周影响因子；所述第二数据处理量预测值确定单元4，具体用于根据所述日期影响因子、所述月度影响因子、所述周影响因子以及所述第一数据处理量预测值确定各业务节点当前日期的第二数据处理量预测值。

在本发明一可选实施例中，所述第一数据处理量预测值确定单元2，具体用于根据各业务节点在历史数据中每年的与当前日期同一日期的数据处理量构建各业务节点对应的n次拟合函数，并根据构建的n次拟合函数确定各业务节点当前日期的第一数据处理量预测值，其中，n为正整数。

图5是本发明实施例第一数据处理量预测值确定单元的组成结构框图，在本发明另一可选实施例中，所述第一数据处理量预测值确定单元2，包括：

数学拟合模块201，用于针对每个业务节点根据业务节点在历史数据中每年的与当前日期同一日期的数据处理量分别构建一次拟合函数至m次拟合函数，并分别计算每个拟合函数的方差，其中，m为大于1且小于等于5的正整数；

预测模块202，用于根据方差最小的拟合函数确定业务节点当前日期的第一数据处理量预测值。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图6所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。

处理器可以为中央处理器(centralprocessingunit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。

上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述业务系统运行监测方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。