本發(fā)明涉及大數(shù)據(jù)與機(jī)器學(xué)習(xí)，尤其涉及一種會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在現(xiàn)代金融服務(wù)行業(yè)中，隨著數(shù)字化轉(zhuǎn)型的深入，金融機(jī)構(gòu)依賴于大規(guī)模的在線交易系統(tǒng)來處理海量的客戶請(qǐng)求和交易數(shù)據(jù)。這些系統(tǒng)通常需要支持高并發(fā)、多用戶訪問的場(chǎng)景，如在線銀行業(yè)務(wù)、移動(dòng)支付、金融交易平臺(tái)等。在這樣的環(huán)境下，如何有效管理和優(yōu)化系統(tǒng)的會(huì)話處理能力，確保系統(tǒng)在高負(fù)載下仍能保持穩(wěn)定和高效的運(yùn)行，是一個(gè)至關(guān)重要的技術(shù)挑戰(zhàn)。

2、傳統(tǒng)的金融系統(tǒng)會(huì)話管理方法通常依賴于預(yù)設(shè)的固定閾值，這些閾值往往基于歷史經(jīng)驗(yàn)或靜態(tài)配置。然而，隨著金融業(yè)務(wù)的復(fù)雜性和動(dòng)態(tài)性增加，固定閾值已無法滿足實(shí)時(shí)調(diào)節(jié)的需求。例如，在市場(chǎng)波動(dòng)或突發(fā)事件期間，用戶請(qǐng)求量可能會(huì)劇增，導(dǎo)致系統(tǒng)超負(fù)荷運(yùn)行，從而引發(fā)性能瓶頸甚至系統(tǒng)崩潰。反之，在業(yè)務(wù)低谷期，系統(tǒng)資源可能未能得到充分利用，導(dǎo)致資源浪費(fèi)和運(yùn)行成本增加。

3、為了應(yīng)對(duì)上述挑戰(zhàn)，金融領(lǐng)域亟需一種智能化的會(huì)話管理和調(diào)節(jié)方法，能夠基于實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)調(diào)整系統(tǒng)的會(huì)話數(shù)閾值，確保系統(tǒng)在不同負(fù)載條件下均能保持最佳性能。這不僅可以提升系統(tǒng)的處理效率和用戶體驗(yàn)，還能夠有效降低運(yùn)維成本和資源浪費(fèi)。

4、隨著大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，金融機(jī)構(gòu)開始嘗試將這些技術(shù)應(yīng)用于會(huì)話管理中。通過對(duì)歷史會(huì)話數(shù)據(jù)的深入分析，結(jié)合系統(tǒng)負(fù)載、資源利用率等關(guān)鍵性能指標(biāo)，建立預(yù)測(cè)模型，實(shí)時(shí)調(diào)整會(huì)話數(shù)閾值，可以更精確地響應(yīng)業(yè)務(wù)需求的變化。這種基于數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)調(diào)節(jié)方法，有望解決傳統(tǒng)方法的局限性，為金融系統(tǒng)的穩(wěn)定運(yùn)行提供更為智能和高效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，旨在解決現(xiàn)有技術(shù)依賴固定閾值進(jìn)行會(huì)話管理，無法動(dòng)態(tài)調(diào)節(jié)會(huì)話數(shù)閾值，導(dǎo)致性能瓶頸或資源浪費(fèi)的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)方法，包括：

3、收集歷史會(huì)話性能指標(biāo)數(shù)據(jù)，會(huì)話性能指標(biāo)包括數(shù)據(jù)庫性能指標(biāo)、服務(wù)器硬件配置指標(biāo)、系統(tǒng)負(fù)載指標(biāo)和業(yè)務(wù)流量指標(biāo)；

4、將所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)分為正樣本和負(fù)樣本，根據(jù)特征分析方法從所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中選擇與會(huì)話性能相關(guān)的關(guān)鍵特征變量；

5、基于所述關(guān)鍵特征變量、正樣本和負(fù)樣本，使用機(jī)器學(xué)習(xí)算法對(duì)初始模型進(jìn)行訓(xùn)練，得到會(huì)話閾值預(yù)測(cè)模型；

6、實(shí)時(shí)監(jiān)控當(dāng)前的會(huì)話性能指標(biāo)數(shù)據(jù)，基于所述關(guān)鍵特征變量和所述會(huì)話閾值預(yù)測(cè)模型，自適應(yīng)生成并動(dòng)態(tài)調(diào)整會(huì)話數(shù)閾值。

7、在一個(gè)實(shí)施例中，基于所述關(guān)鍵特征變量、正樣本和負(fù)樣本，使用機(jī)器學(xué)習(xí)算法對(duì)初始模型進(jìn)行訓(xùn)練，得到會(huì)話閾值預(yù)測(cè)模型，包括：

8、基于所述關(guān)鍵特征變量、正樣本和負(fù)樣本，使用隨機(jī)森林算法對(duì)所述初始模型進(jìn)行訓(xùn)練；

9、在訓(xùn)練過程中，通過網(wǎng)格搜索或隨機(jī)搜索方法對(duì)所述初始模型的超參數(shù)進(jìn)行優(yōu)化；

10、在訓(xùn)練完成后，得到驗(yàn)證模型，對(duì)所述驗(yàn)證模型的準(zhǔn)確率進(jìn)行評(píng)估；

11、若所述準(zhǔn)確率不大于第一預(yù)設(shè)閾值，則確定所述驗(yàn)證模型不滿足會(huì)話閾值預(yù)測(cè)條件，重新選擇與會(huì)話性能相關(guān)的關(guān)鍵特征變量，再次進(jìn)行模型訓(xùn)練；

12、若所述準(zhǔn)確率大于第一預(yù)設(shè)閾值，則評(píng)估所述驗(yàn)證模型的召回率，若所述召回率大于第二預(yù)設(shè)閾值，將所述驗(yàn)證模型作為所述會(huì)話閾值預(yù)測(cè)模型。

13、在一個(gè)實(shí)施例中，將所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)分為正樣本和負(fù)樣本，包括：

14、定義響應(yīng)時(shí)間閾值、資源利用閾值范圍和錯(cuò)誤率閾值；

15、將所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中響應(yīng)時(shí)間小于或等于響應(yīng)時(shí)間閾值且資源利用率在所述資源利用閾值范圍內(nèi)并且錯(cuò)誤率小于或者等于錯(cuò)誤率閾值的數(shù)據(jù)作為所述正樣本；

16、將所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中除所述正樣本以外的數(shù)據(jù)作為所述負(fù)樣本。

17、在一個(gè)實(shí)施例中，根據(jù)特征分析方法從所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中選擇與會(huì)話性能相關(guān)的關(guān)鍵特征變量，包括：

18、評(píng)估所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中的每個(gè)特征與目標(biāo)會(huì)話性能指標(biāo)之間的pearson相關(guān)系數(shù)，選擇pearson相關(guān)系數(shù)的絕對(duì)值大于第一閾值的特征，作為第一候選關(guān)鍵特征變量；

19、對(duì)所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中的每個(gè)特征進(jìn)行線性回歸分析，以目標(biāo)會(huì)話性能指標(biāo)為因變量，每個(gè)特征為自變量，計(jì)算回歸系數(shù)，選擇回歸系數(shù)大于第二閾值的特征，作為第二候選關(guān)鍵特征變量；

20、對(duì)所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中的每個(gè)特征應(yīng)用主成分分析方法，提取主成分，計(jì)算每個(gè)主成分的特征值，選擇特征大于第三閾值的主成分，將對(duì)應(yīng)的特征作為第三候選關(guān)鍵特征變量；

21、基于第一候選關(guān)鍵特征變量、第二候選關(guān)鍵特征變量和第三候選關(guān)鍵特征變量確定最終的關(guān)鍵特征變量。

22、在一個(gè)實(shí)施例中，實(shí)時(shí)監(jiān)控當(dāng)前的會(huì)話性能指標(biāo)數(shù)據(jù)，基于所述關(guān)鍵特征變量和所述會(huì)話閾值預(yù)測(cè)模型，自適應(yīng)生成并動(dòng)態(tài)調(diào)整會(huì)話數(shù)閾值，包括：

23、實(shí)時(shí)監(jiān)控當(dāng)前的會(huì)話性能指標(biāo)數(shù)據(jù)，將監(jiān)控的數(shù)據(jù)輸入所述會(huì)話閾值預(yù)測(cè)模型，基于所述關(guān)鍵特征變量利用會(huì)話閾值預(yù)測(cè)模型生成初始會(huì)話數(shù)閾值；

24、監(jiān)控系統(tǒng)負(fù)載和資源利用率，基于監(jiān)控的結(jié)果確定閾值調(diào)整模式，所述閾值調(diào)整模式包括保守模式、激進(jìn)模式和自適應(yīng)模式；

25、根據(jù)所述初始會(huì)話數(shù)閾值和所述閾值調(diào)整模式生成最終的會(huì)話數(shù)閾值；

26、當(dāng)監(jiān)測(cè)到會(huì)話性能指標(biāo)數(shù)據(jù)變化時(shí)，動(dòng)態(tài)調(diào)整所述會(huì)話數(shù)閾值。

27、在一個(gè)實(shí)施例中，根據(jù)所述初始會(huì)話數(shù)閾值和所述閾值調(diào)整模式生成最終的會(huì)話數(shù)閾值，包括：

28、基于所述初始會(huì)話數(shù)閾值和所述閾值調(diào)整模式，為不同類型的操作根據(jù)重要性和資源消耗情況設(shè)定最低閾值、最高閾值和警戒線閾值；

29、監(jiān)控當(dāng)前的系統(tǒng)負(fù)載，基于監(jiān)控結(jié)果動(dòng)態(tài)調(diào)整所述最低閾值、最高閾值和警戒線閾值；

30、若當(dāng)前會(huì)話數(shù)低于最低閾值，增加資源分配，將會(huì)話數(shù)提升至所述最低閾值；

31、若會(huì)話數(shù)高于最高閾值，觸發(fā)限流機(jī)制，限制新的會(huì)話請(qǐng)求，將會(huì)話數(shù)限制在最高閾值以內(nèi)；

32、若會(huì)話數(shù)達(dá)到警戒線閾值，優(yōu)先分配資源給關(guān)鍵操作，降低對(duì)非關(guān)鍵操作的資源分配比例。

33、在一個(gè)實(shí)施例中，基于所述初始會(huì)話數(shù)閾值和所述閾值調(diào)整模式，為不同類型的操作根據(jù)重要性和資源消耗情況設(shè)定最低閾值、最高閾值和警戒線閾值之后，還包括：

34、每間隔預(yù)設(shè)時(shí)間段，采集并分析當(dāng)前會(huì)話數(shù)和系統(tǒng)資源利用率；

35、當(dāng)所述當(dāng)前會(huì)話數(shù)大于所述最大閾值的預(yù)設(shè)比例時(shí)，觸發(fā)應(yīng)急響應(yīng)；

36、當(dāng)所述系統(tǒng)資源利用率超過預(yù)設(shè)臨界值時(shí)，啟用備用資源來分擔(dān)當(dāng)前的系統(tǒng)負(fù)載。

37、進(jìn)一步地，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)裝置，包括：

38、數(shù)據(jù)收集模塊，收集歷史會(huì)話性能指標(biāo)數(shù)據(jù)，會(huì)話性能指標(biāo)包括數(shù)據(jù)庫性能指標(biāo)、服務(wù)器硬件配置指標(biāo)、系統(tǒng)負(fù)載指標(biāo)和業(yè)務(wù)流量指標(biāo)；

39、特征選擇模塊，將所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)分為正樣本和負(fù)樣本，根據(jù)特征分析方法從所述歷史會(huì)話性能指標(biāo)數(shù)據(jù)中選擇與會(huì)話性能相關(guān)的關(guān)鍵特征變量；

40、模型訓(xùn)練模塊，基于所述關(guān)鍵特征變量、正樣本和負(fù)樣本，使用機(jī)器學(xué)習(xí)算法對(duì)初始模型進(jìn)行訓(xùn)練，得到會(huì)話閾值預(yù)測(cè)模型；

41、閾值調(diào)節(jié)模塊，實(shí)時(shí)監(jiān)控當(dāng)前的會(huì)話性能指標(biāo)數(shù)據(jù)，基于所述關(guān)鍵特征變量和所述會(huì)話閾值預(yù)測(cè)模型，自適應(yīng)生成并動(dòng)態(tài)調(diào)整會(huì)話數(shù)閾值。

42、進(jìn)一步地，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)設(shè)備，所述會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)設(shè)備包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)程序，所述會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述所述的會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)方法的步驟。

43、進(jìn)一步地，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)程序，所述會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)方法的步驟。

44、有益效果：本發(fā)明涉及一種會(huì)話數(shù)閾值自適應(yīng)調(diào)節(jié)方法，通過收集歷史會(huì)話性能指標(biāo)數(shù)據(jù)，這些指標(biāo)涵蓋了數(shù)據(jù)庫性能、服務(wù)器硬件配置、系統(tǒng)負(fù)載和業(yè)務(wù)流量等方面；將收集到的數(shù)據(jù)分為正樣本和負(fù)樣本，并采用特征分析方法從中提取與會(huì)話性能相關(guān)的關(guān)鍵特征變量；基于這些關(guān)鍵特征變量和樣本數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法對(duì)初始模型進(jìn)行訓(xùn)練，得到會(huì)話閾值預(yù)測(cè)模型。實(shí)時(shí)監(jiān)控當(dāng)前的會(huì)話性能數(shù)據(jù)，并使用之前確定的關(guān)鍵特征和預(yù)測(cè)模型，自動(dòng)生成合適的會(huì)話數(shù)閾值，并根據(jù)實(shí)時(shí)數(shù)據(jù)的變化，隨時(shí)調(diào)整這個(gè)閾值。本發(fā)明能夠在高負(fù)載下防止性能瓶頸，同時(shí)在低負(fù)載時(shí)提高資源利用率，確保系統(tǒng)在不同工作條件下的最佳性能和穩(wěn)定運(yùn)行，特別適用于金融領(lǐng)域的高并發(fā)場(chǎng)景。