[發明專利]基于深度學習的線程池自適應容量調整方法和裝置

在審

• 申請號: 202210311516.2
• 申請日: 2022-03-28
• 公開（公告）號: CN114741186A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 余丹;蘭雨晴;唐霆岳;邢智渙;王丹星;黃永琢
• 申請（專利權）人: 慧之安信息技術股份有限公司
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06N3/04;G06N3/08
• 代理公司: 北京廣技專利代理事務所(特殊普通合伙) 11842
• 代理人: 張國香

1.一種基于深度學習的線程池自適應容量調整方法，其特征在于，包括以下步驟：

獲取線程池的當前運行數據；

將所述線程池的當前運行數據輸入預先訓練的線程池容量配置模型，利用所述線程池容量配置模型對所述線程池的當前運行數據對應的線程配置量進行預測，得到線程池的當前線程配置量；

根據所述線程池的當前線程配置量調整所述線程池的當前線程數量。

2.根據權利要求1所述的基于深度學習的線程池自適應容量調整方法，其特征在于，通過以下步驟訓練線程池容量配置模型：

構建初始的線程池容量配置模型；

收集指定歷史時間內的線程池容量設置情況和線程池實際運行數據；

將指定歷史時間內的線程池容量設置情況和線程池實際運行數據輸入所述初始的線程池容量配置模型，對所述初始的線程池容量配置模型進行訓練，得到訓練的線程池容量配置模型。

3.根據權利要求1或2所述的基于深度學習的線程池自適應容量調整方法，其特征在于，所述線程池的當前運行數據包括線程池能夠處理的業務量、線程池的業務訪問量以及線程池的業務處理時長中的一種或多種。

4.根據權利要求1或2所述的基于深度學習的線程池自適應容量調整方法，其特征在于，根據所述線程池的當前線程配置量調整所述線程池的當前線程數量，包括：

計算所述線程池的當前線程配置量與當前時刻的線程池最大值的差值；

當所述差值大于預設閾值時，將所述線程池的當前線程配置量配置值所述線程池中。

5.根據權利要求1或2所述的基于深度學習的線程池自適應容量調整方法，其特征在于，根據所述線程池的當前線程配置量調整所述線程池的當前線程數量，包括：

獲取所述線程池的核心線程數和最大線程數；

根據所述線程池的當前線程配置量對所述線程池的核心線程數和最大線程數進行調整。

6.根據權利要求5所述的基于深度學習的線程池自適應容量調整方法，其特征在于，根據所述線程池的當前線程配置量對所述線程池的核心線程數和最大線程數進行調整，包括：

根據所述線程池的當前線程配置量對所述線程池的核心線程數和最大線程數進行調整時，對所述線程池的核心線程數和最大線程數同時進行調整，并保持所述線程池的核心線程數和最大線程數在調整時取值是相同的。

7.一種基于深度學習的線程池自適應容量調整裝置，其特征在于，包括：

獲取模塊，用于獲取線程池的當前運行數據；

預測模塊，用于將所述線程池的當前運行數據輸入預先訓練的線程池容量配置模型，利用所述線程池容量配置模型對所述線程池的當前運行數據對應的線程配置量進行預測，得到線程池的當前線程配置量；

調整模塊，用于根據所述線程池的當前線程配置量調整所述線程池的當前線程數量。

8.根據權利要求7所述的基于深度學習的線程池自適應容量調整裝置，其特征在于，還包括：

訓練模塊，用于構建初始的線程池容量配置模型；收集指定歷史時間內的線程池容量設置情況和線程池實際運行數據；將指定歷史時間內的線程池容量設置情況和線程池實際運行數據輸入所述初始的線程池容量配置模型，對所述初始的線程池容量配置模型進行訓練，得到訓練的線程池容量配置模型。

9.根據權利要求7或8所述的基于深度學習的線程池自適應容量調整裝置，其特征在于，所述線程池的當前運行數據包括線程池能夠處理的業務量、線程池的業務訪問量以及線程池的業務處理時長中的一種或多種。

10.根據權利要求7或8所述的基于深度學習的線程池自適應容量調整裝置，其特征在于，所述調整模塊還用于：

計算所述線程池的當前線程配置量與當前時刻的線程池最大值的差值；

當所述差值大于預設閾值時，將所述線程池的當前線程配置量配置值所述線程池中。