[发明专利]建立同步时间预测模型的方法、数据同步方法及对应装置

说明书

本说明书实施例提供了一种建立同步时间预测模型的方法、数据同步方法及对应装置。根据该实施例的方法，利用同步时间预测模型包括的第一时间序列模型对目标站点在待预测同步周期的同步时间进行预测；然后在待预测同步周期按照预测得到的同步时间向目标站点发起数据同步请求；并将所述目标站点发送的同步数据存储至数据中心。其中第一时间序列模型是对目标站点的基线时间序列进行学习得到的，基线时间序列是从目标站点在预设历史时长内的同步时间数据中提取各同步周期所对应同步时间的基线时间而构成的。

技术领域

本说明书一个或多个实施例涉及计算机应用技术领域，尤其涉及建立同步时间预测模型的方法、数据同步方法及对应装置。

背景技术

在当前全球化背景下，同一业务往往存在多个站点，需要将不同站点的数据同步到同一个数据中心。但由于各站点数据准备的时间、流程处理和性能等方面的差异，往往同步时间不一致，因此如何确定合理的同步时间成为难点。

发明内容

本说明书一个或多个实施例描述了一种建立同步时间预测模型的方法、数据同步方法及对应装置，能够更为准确地进行站点数据的同步。

根据第一方面，提供了一种建立同步时间预测模型的方法，包括：

获取站点在预设历史时长内的同步时间数据；

从所述同步时间数据中提取各同步周期所对应同步时间的基线时间，构成基线时间序列；

利用第一时间序列模型对所述基线时间序列进行学习，得到包括所述第一时间序列模型的同步时间预测模型；

其中，训练得到的所述第一时间序列模型用以对所述站点在待预测同步周期的同步时间进行预测。

在一个实施例中，从所述同步时间数据中提取各同步周期所对应同步时间的基线时间包括：

获取所述各同步周期所对应同步时间的时间曲线；

确定所述时间曲线的下包络线；

确定各同步周期在所述下包络线上对应的时间分别作为各同步周期的基线时间。

在另一个实施例中，在所述利用第一时间序列模型对所述基线时间序列进行学习之前，还包括：对所述基线时间序列进行以下滤波处理中的至少一种：

中值滤波、均值滤波、卡尔曼滤波、高斯滤波和双边滤波。

在一个实施例中，所述利用第一时间序列模型对所述基线时间序列进行学习包括：

利用所述基线时间序列得到一个以上的训练样本，所述训练样本中包括连续T1+N1个同步周期的基线时间；

分别将训练样本中前T1个同步周期的基线时间作为所述第一时间序列模型的输入，将所述训练样本中后N1个同步周期的基线时间作为所述第一时间序列模型的目标输出，以训练所述第一时间序列模型；

其中，所述T1为大于1的正整数，所述N1为1以上的正整数。

在另一个实施例中，还包括：

分别确定各同步时间周期的同步时间与基线时间的时间差值，构成时间差值序列；

利用第二时间序列模型对所述时间差值序列进行学习；

所述同步时间预测模型进一步包括所述第二时间序列模型，训练得到的所述第二时间序列模型用以对所述站点在待预测同步周期的同步请求重试间隔进行预测。

在一个实施例中，在所述利用第二时间序列模型对所述时间差值序列进行学习之前，还包括：对所述时间差值序列进行以下滤波处理中的至少一种：

中值滤波、均值滤波、卡尔曼滤波、高斯滤波和双边滤波。