一种业务处理方法、装置、电子设备及计算机可读介质与流程

本技术涉及计算机，尤其涉及一种业务处理方法、装置、电子设备及计算机可读介质。

背景技术：

1、目前，在现代应用程序开发中，数据缓存是提高应用程序性能和吞吐量的关键技术之一。spring boot的缓存技术是一种通过将数据存储在内存中来提高应用程序性能和吞吐量的技术，spring boot的缓存技术使用了不同类型的缓存策略，包括本地缓存、分布式缓存和注解缓存，然而，开发人员必须手动配置缓存大小、缓存时间等参数，而这些参数的优化通常需要经验和专业知识，缓存调优效率和准确率低。

技术实现思路

1、有鉴于此，本技术实施例提供一种业务处理方法、装置、电子设备及计算机可读介质，能够解决现有的缓存调优效率和准确率低的问题。

2、为实现上述目的，根据本技术实施例的一个方面，提供了一种业务处理方法，包括：

3、实时获取缓存性能数据和访问数据，进而更新至历史数据；

4、基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；

5、响应于触发预设条件，基于预测访问数据加载对应的缓存数据；

6、基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。

7、可选地，基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据，包括：

8、将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；

9、将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。

10、可选地，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。

11、可选地，基于目标缓存参数自动调整应用程序的缓存参数，包括：

12、将目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。

13、可选地，在将历史数据输入至缓存性能预测模型之前，方法还包括：

14、获取历史缓存性能数据，进而从历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；

15、确定特征对目标变量的相关性得分，进而生成对应的数组；

16、将特征作为初始预测模型的输入，将对应的数组作为初始预测模型的期望输出，以训练初始预测模型得到缓存性能预测模型。

17、可选地，在将历史数据输入至时间序列预测模型之前，方法还包括：

18、获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；

19、分析历史访问数据以得到对应的自相关性和偏相关性，进而基于自相关性和偏相关性确定初始预测模型参数；

20、采用网格搜索或贝叶斯优化调整初始预测模型参数以得到目标模型参数；

21、将第一组历史访问数据和第一样本时间点作为初始预测模型的输入，将第二组历史访问数据和第二样本时间点作为初始预测模型的期望输出，并基于目标模型参数对初始预测模型进行训练以得到时间序列预测模型。

22、可选地，在执行自愈进程之前，方法还包括：

23、获取运行应用程序时的性能指标数据，调用异常检测模型，以将性能指标数据输入至异常检测模型，响应于异常检测模型的输出结果为非空，确定运行异常。

24、另外，本技术还提供了一种业务处理装置，包括：

25、获取单元，被配置成实时获取缓存性能数据和访问数据，进而更新至历史数据；

26、预测单元，被配置成基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；

27、数据加载单元，被配置成响应于触发预设条件，基于预测访问数据加载对应的缓存数据；

28、调整单元，被配置成基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。

29、可选地，预测单元进一步被配置成：

30、将历史数据输入至缓存性能预测模型，以输出对应的目标缓存参数；

31、将历史数据输入至时间序列预测模型，以输出对应的在未来预设时间点的预测访问数据。

32、可选地，目标缓存参数包括与目标变量相关的特征以及特征对应的相关性得分。

33、可选地，调整单元进一步被配置成：

34、将目标缓存参数中低于预设阈值的相关性得分对应的特征剔除，以得到调整后的应用程序对应的特征。

35、可选地，装置还包括模型训练单元，被配置成：

36、获取历史缓存性能数据，进而从历史缓存性能数据中选取与目标变量相关性大于预设阈值的特征；

37、确定特征对目标变量的相关性得分，进而生成对应的数组；

38、将特征作为初始预测模型的输入，将对应的数组作为初始预测模型的期望输出，以训练初始预测模型得到缓存性能预测模型。

39、可选地，装置还包括模型训练单元，被配置成：

40、获取历史访问数据和对应的样本时间点，进而执行分组进程，以得到第一组历史访问数据和第一样本时间点、第二组历史访问数据和第二样本时间点；

41、分析历史访问数据以得到对应的自相关性和偏相关性，进而基于自相关性和偏相关性确定初始预测模型参数；

42、采用网格搜索或贝叶斯优化调整初始预测模型参数以得到目标模型参数；

43、将第一组历史访问数据和第一样本时间点作为初始预测模型的输入，将第二组历史访问数据和第二样本时间点作为初始预测模型的期望输出，并基于目标模型参数对初始预测模型进行训练以得到时间序列预测模型。

44、可选地，业务处理装置还包括异常检测单元，被配置成：

45、获取运行应用程序时的性能指标数据，调用异常检测模型，以将性能指标数据输入至异常检测模型，响应于异常检测模型的输出结果为非空，确定运行异常。

46、另外，本技术还提供了一种业务处理电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的业务处理方法。

47、另外，本技术还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的业务处理方法。

48、为实现上述目的，根据本技术实施例的又一个方面，提供了一种计算机程序产品。

49、本技术实施例的一种计算机程序产品，包括计算机程序，程序被处理器执行时实现本技术实施例提供的业务处理方法。

50、上述发明中的一个实施例具有如下优点或有益效果：本技术通过实时获取缓存性能数据和访问数据，进而更新至历史数据；基于历史数据和预测模型，得到未来预设时间点的目标缓存参数和预测访问数据；响应于触发预设条件，基于预测访问数据加载对应的缓存数据；基于目标缓存参数自动调整应用程序的缓存参数，进而基于缓存数据运行应用程序，响应于运行异常，执行自愈进程以调整应用程序运行正常。充分利用大数据处理和机器学习算法的优势，能够智能化和自动化地优化缓存，从而提高应用程序的性能、效率和可维护性，减少开发人员成本和时间成本，提高开发人员的工作效率，提高缓存调优效率和准确率。

51、上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。