[发明专利]报文组包间隔调整方法及装置

说明书

本发明提供了一种报文组包间隔调整方法及装置，涉及人工智能技术领域，方法包括：获取报文的组包时间；根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；根据确定的各时段的预测业务量对报文的组包间隔进行调整通过对历史上各时段的业务量进行学习，确定预测业务量。根据业务量调整作为组包间隔的参考依据，不断提高组包间隔的灵活性与合理性实现了系统的优化业务量高时系统组包效率提高同时业务量低时合理的节约带宽提高系统的资源利用率。

技术领域

本发明涉及数据处理技术，具体的讲是一种报文组包间隔调整方法及装置。

背景技术

随着清算业务在银行系统业务量的比重越来越高，尤其是清算系统与国家支付交易系统直联，进行报文传递以及交互的性能要求越来越高，所以系统对报文的高效处理与传递就显得非常重要。

现有技术中，在各个商业银行内系统内与国家支付交易系统的报文交互都是通过将同类报文组包发送的方式，以小额报文为例，发送支付交易系统的小额报文的组包间隔都是固定的时间间隔，在节假日前夕等业务量高峰期间，由于业务量的剧增但组包间隔固定，这样容易导致组包效率较低的情况，如在空闲时间端，业务量较少，组包时间间隔还是按照原有的正常情况下处理，导致组包个数过多，进而占用了多余的网络带宽，影响系统的正常资源分配，从而浪费了系统资源。

发明内容

为提高组包效率，本发明提供了一种报文组包间隔调整方法，所述的方法包括：

获取报文的组包时间；

根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；

根据确定的组包时间内各时段的预测业务量对报文的组包间隔进行调整。

本发明实施例中，所述的方法还包括：预先确定业务量预测曲线；其包括：

获取历史业务量数据；

利用所述历史业务量数据构造并训练LSTM神经网络模型；

根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据；

根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线。

本发明实施例中，所述的利用所述历史业务量数据构造并训练LSTM神经网络模型包括：

按预设时段对所述历史业务量数据进行分类确定样本数据集和监督数据集；

根据确定的样本数据集和监督数据集对LSTM神经网络模型进行训练。

本发明实施例中，所述的根据训练后的LSTM神经网络模型确定所述历史业务量数据的潜在特征数据包括：

根据训练后的LSTM神经网络模型，将最后输出层的上一层的隐含层的输出数据作为所述的历史业务量数据的潜在特征数据。

本发明实施例中，所述的根据确定的潜在特征数据利用SVR模型进行业务量预测确定业务量预测曲线包括：

根据确定的潜在特征数据，将各时段的特征向量数据作为输入数据，其下一时段的特征向量数据作为监督数据进行模型训练确定训练后的SVR模型；

根据所述的潜在特征数据利用训练后的SVR模型生成预测数据；

对所述的预测数据进行支持向量机归一化拟合处理生成业务量预测曲线。

同时，本发明还提供一种报文组包间隔调整装置，包括：

时间获取模块，用于获取报文的组包时间；

预测业务量确定模块，用于根据所述报文的组包时间和预先确定的业务量预测曲线确定组包时间内各时段的预测业务量；