CN104123214B

CN104123214B - 基于运行时数据的任务执行进度度量和展示的方法及***

Info

Publication number: CN104123214B
Application number: CN201310150738.1A
Authority: CN
Inventors: 冯照临; 刘中胜
Original assignee: Alibaba Group Holding Ltd
Current assignee: Advanced New Technologies Co Ltd
Priority date: 2013-04-26
Filing date: 2013-04-26
Publication date: 2017-07-14
Anticipated expiration: 2033-04-26
Also published as: CN104123214A; HK1201343A1

Abstract

本申请涉及一种基于运行时数据的任务执行进度度量和展示的方法及***，该方法包括：基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据度量本次任务及其各子任务的执行进度，控制展示本次任务的各子任务执行的实时进度和本次任务的各子任务执行完成进度所前进到的位置。利用大量运行时数据及自学习预测，不断更新运行时数据修正度量任务的进度条误差、精确执行进度和时间的拟合，提升***预测精度、实现准确的度量和展示。

Description

基于运行时数据的任务执行进度度量和展示的方法及***

技术领域

本发明专利申请涉及分布式领域的任务执行进度度量和展示及其优化的时间序列预测，尤其涉及基于运行时数据的任务执行进度度量和展示，以及任务执行进度度量中基于运行时数据的自学习时间序列预测。

背景技术

分布式***（distributed system）是建立在网络之上的软件***。正是因为其软件的特性，所以分布式***具有高度的内聚性和透明性。因此，网络和分布式***之间的区别更多的在于高层软件（特别是操作***），而不是硬件。

内聚性是指每一个数据库分布节点高度自治，有本地的数据库管理***。

透明性是指每一个数据库分布节点对用户的应用来说都是透明的，看不出是本地还是远程。

在分布式数据库***中，用户感觉不到数据是分布的，即用户不须知道关系是否分割、有无复本、数据存于哪个站点以及事务在哪个站点上执行等。分布式***中包括客户端、集中式服务器端组成的计算环境。随着整个业务数据规模的增长，用于***中某些运行时数据逐渐趋于一个恒定的值，例如：支付宝水电煤缴费。其中各个机构的业务量也在不断增加，其总量也在不断增长，各机构业务量在总量中所占的比重也在波动中趋于恒定，这一恒定值趋近于该机构的市场份额，而在某些应用场景下***需要通过大量的历史数据，可以对下一时间点该值做出预测，成为时间序列预测。

时间序列预测是一种统计预测方法（算法），根据***观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型，分析其随时间的变化趋势，对预测目标进行外推的定量预测方法。时间序列预测方法常用在比如国民经济宏观控制，企业经营管理，市场潜量预测，气象预报等方面。常用的时间序列预测方法包括：移动平均、指数平滑、线性趋势、二次趋势等。但在分布式***中，运用这种预测算法，其预测的精确性依赖于实测数据的收集，而实测数据的收集往往十分缓慢，且依赖于客户端的操作。

目前，传统的软件***通常使用的“时间序列预测”方法，一般是将历史数据作为入参通过常用的移动平均、指数平滑、线性趋势、二次趋势等算法预测某指标下一个时间点的预测值。但是对于在大量客户端不断产生运行时数据的分布式***中，其预测准确率还有待进一步提高。

运行时数据一般指软件在运行时产生的***或业务数据，如某任务运行所用时间、任务权值，某数据表单位时间内新增的记录条目，等等。

进一步，在软件和互联网程序的开发过程中，经常会遇到串行任务执行进度度量和展示的问题，通常用到的展示工具是“进度条”。

进度条，即计算机在处理任务时，实时的、以可视化形式显示处理任务的速度、完成比例，剩余未完成任务的大小和可能需要处理时间，一般以长方形条状显示。

各客户端看到的进度条的展示进度依赖于各子任务的权值。

任务权值，通常指计算机任务（如任务j₁、j₂…j_n）在串行处理过程中，单个任务实际执行时间T（j_i）（1≤i≤n）占全部任务执行完成时间的百分比，称为任务权值W_i=T（j_i）/(T（j₁）+T（j₂）+…+T（j_n）)*100%。

这些权值可能会随着业务的发展波动趋于恒定值，换言之恒定值代表着权值波动的趋势，如果对其预测的精度越高则对执行进度展示和时间的拟合精度也会越高。

目前，通常进度条是基于串行执行任务的完成比例(已完成任务数/总任务数*100%)，剩余时间的展示方案通常为：剩余时间=剩余任务量/即时速度，这种方式可以用来度量任务完成的比例，但是存在如下问题：

如果这些任务的大小不同，完成每个任务的时间也不同，而用户关心的执行进度是基于时间的，对于一组大小不均的任务的串行执行，进度条对其执行进度的展示一定是不准确的。

这种方法无法准确给出未执行任务的所需时间和总任务执行的时间，这就是很多软件的安装过程无法给出一个精确的“剩余时间”的原因。

剩余时间的计算对于依赖于外部环境（如网络环境）较强的任务来讲并不科学，因为外部环境的改变会直接影响到“即时速度”，经常会出现类似“剩余时间越来越长”的匪夷所思的现象。

在软件和互联网程序的开发过程中，经常会遇到串行任务执行进度度量和展示的问题，通常用到的展示工具是“进度条”，而站在用户的角度，我们也经常会发现，很多进度条展示的进度经常会有较大误差，如某些软件的安装过程的进度条，很快的达到了99%，但最后1%用了很长时间，用户体验非常差。如果可以对某些类型的进度条展示给出高度精确的执行进度和时间的拟合，将对用户体验、串行多任务执行时间估计和监控有很大的提升。

发明内容

针对以上现有技术的技术缺陷，本发明专利申请要解决的技术问题是提供一种基于运行时数据的任务执行进度度量和展示的***和方法，针对分布式***客户端分散产生运行时数据，服务器集中处理数据的特点，采用更优化的分布式***的自学习时间序列预测的方法，对某些类型的进度条展示给出高度精确的执行进度和事件的拟合，从而对用户体验、串行多任务执行时间估计和监控有很大提升，提高任务执行度量和现实的准确度，并提高***整体的预测精度。

本申请提供了一种基于运行时数据的任务执行进度度量和展示的***，包括：进度度量和控制展示装置，配置为：基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置。

本申请提供了一种基于运行时数据的任务执行进度度量和展示的***，包括：服务器端，收集多个客户端第k次任务中各子任务执行产生的运行时数据，基于历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据，并发送更新后的运行时数据到所述多个客户端；其中k≥2自然数。

本申请提供了一种基于运行时数据的任务执行进度度量和展示的方法，包括：基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置。

本申请提供了一种基于运行时数据的任务执行进度度量和展示的方法，包括：收集多个客户端第k次任务中各子任务执行产生的运行时数据，基于历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据，并发送更新后的运行时数据到所述多个客户端；其中k≥2自然数。

本发明专利申请的方案，利用客户端众多且都会产生运行时数据的特点，通过***的自学习过程，基于不断更新的历史数据库中的运行时数据进而对一个任务的子任务运行时的任务权值进行预测，对任务的运行进度条的误差进行修正，对任务进度条给出精确的执行进度和时间的拟合，实现对于整个***而言预测精度迅速提高的效果，从而对任务执行进度进行准确的度量和展示。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请具体实施方式的运行时权值的任务执行进度度量和展示方法的进度条示意图。

图2为本申请具体实施方式的运行时权值的任务执行进度度量和展示方法的任务第一次运行的流程图。

图3为本申请具体实施方式的运行时权值的任务执行进度度量和展示方法的第二次以后的各次运行中第一个子任务的流程图。

图4为本申请具体实施方式的运行时权值的任务执行进度度量和展示方法的第二次总任务执行流程图。

图5为本申请具体实施方式的一种基于客户端运行时数据的自学习时间序列预测***和方法的实现自学习的闭环结构图。

图6为本申请具体实施方式的一种基于客户端运行时数据的自学习时间序列预测***和方法的服务器端结构示意图。

图7为本申请具体实施方式的一种基于客户端运行时数据的自学习时间序列预测***和方法的整体工作机制。

图8为本申请具体实施方式的运行时权值的任务执行进度度量和展示***示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面，本发明专利申请具体实施方式将以支付宝账单业务出账平台为例，其为一个典型的分布式***如图7、8所示，来描述本申请的任务执行进度的度量和展示的***和方法。基于运行时数据的任务执行进度度量和展示的***包括服务器端以及一或多个客户端（至少一个客户端），并在该***实现相应的方法。其他分布式***下的下载、安装等任务执行进度度量和展示也类似。

在支付宝账单业务出账平台中，支付宝账单串行需要生成多家（多个）机构的请求文件，而生成每个机构的请求文件需要的时间与数据库中该机构的数据量成正比，且在串行生成各机构文件的时候，后台界面需要通过进度条展示文件生成进度，如图1所示进度条示意图。在图1中总任务包括6个子任务，在进度条对话框中要求显示各个子任务的完成状态，以及需要的剩余时间，进而估算出总任务的进度条以及总的剩余时间。基于运行时数据的估算也可以通过自学习的时间序列预测实现。

这里，在分布式***的客户端生成多个机构的请求文件，而生成每个机构的请求文件需要的时间与数据库中该机构的数据量成正比，随着整个业务数据规模的增长，***中的运行时数据逐渐趋于一个恒定的值。而在服务器端串行生成各机构文件的时候，通过自学习运行时间序列预测不断地调整各个子任务的权重值，客户端后台界面基于不断调整的子任务权重值通过进度条展示文件生成进度。在数据库中各机构的数据虽然会不断有新增、删除、修改，但是由于数据规模比较大，各机构数据量之间相对比例是十分恒定，并且随着业务的发展数据越来越多，该比例会越来越恒定，进而任务的权值会趋于恒定值。

下面将用具体例子来详细说明本申请的方法和***的实现。

本申请的基于运行时数据的任务执行进度度量和展示的方法，基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置（如进度度量和控制展示装置）；完成本次任务后，根据本次任务、本次任务之前的任务、以及其各次任务中的各子任务实际执行完成所生成的相应的运行时数据，进行预测以更新运行时数据基于所述更新的运行时数据度量下一次任务及其各子任务的执行进度并控制展示进度（如预测装置）。其还涉及到初始化（如初始化装置）、第二次任务运行以初始化的运行时数据为基础，以及之后的任务运行以之前的运行时数据为基础的自学习预测过程，从而以此度量任务和子任务执行进度并控制进度条的展示。相应的基于运行时数据的任务执行进度度量和展示的***，以服务器端和多个客户端构建的分布式***为例。服务器端，收集所述多个客户端第k次任务中各子任务执行产生的运行时数据，基于历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据，并发送更新后的运行时数据到所述多个客户端；其中k≥2自然数。该***的具体自学习预测和进度度量以及展示控制相应于上述方法。这都将在后面的例子中展开描述。

基于运行时数据的任务执行进度度量和展示的方法和***中所用到的约定标记如下：

设有串行的待执行任务包含n个子任务(1≤i≤n)第k次运行中，其执行进度通过进度条来展示，约定变量如下：

第i个子任务的实际执行时间：T_k(j_i)；

第i个子任务的预测执行时间：ET_k(j_i)；

第k次任务实际执行完成的总时间T_k总；

第k次任务估计执行完成的总时间ET_k总=T_k(j₁)/W_(k-1)1；

第k次任务中，第i个子任务的在总任务k中的子任务的任务权值估计：W_ki=T_k-1(j_i)/(T_k-1(j₁)+T_k-1(j₂)+…+T_k-1(j_n))*100%（k≥2）。这里，由于本次任务还未运行完成，该子任务运行时间未知，总时间也未知，因而可以用上一次的时间T_k-1作为估计值。这是一种较简单的估计方法，在本实施例中，还将提供一种基于运行时数据的优选算法，例如后面将具体描述的优选的自学习时间序列预测方法：“分布式***中基于运行时数据的自学习时间序列预测”算法。

预先设置的进度条总长度：L；

第k次任务中第i个子任务执行完进度条前进的长度（即该子任务在进度条上所占长度）：L_ki；

进度条当前显示行进到的长度：L_realtime

第k次任务中第i个子任务已经用时：UT_k(j_i)

第k次任务总任务已经用时间（监测到第k次任务实际已经执行了多长的时间）：UT_k总

第k次任务估计剩余时间：ET_k剩=ET_k总-UT_k总

本申请任务执行进度度量和展示，主要从三个阶段来描述：

1）第一次任务运行（初始化阶段可称）

软件在开发测试过程中，一定经过调试的过程，在此过程中就进行了任务的“第一次运行”，如图2所示（任务在测试环境或真实环境第一次运行的流程）。由于任务完全没有执行过时，是没有任何各个子任务相关的时间数据的，此时只能运用如前面所述的传统方法展示进度（通常，此初始过程不展示给用户，不够精确也不要紧），每个子任务完成进度条前进1/n，重要的是，此时需要记下每个子任务执行的实际执行时间T₁(j_i)，并计算出其在总时间中的权重W_1i。如最简单的一种计算方式W_1i=T₁(j_i)/T_1总*100%。

在图2中，软件运行或者调试过程中，在总任务开始执行后，如步骤S201，n个子任务开始执行。步骤S207中判断是否全部子任务（n个）执行完成，若“否”（N）则到步骤S203进度条前进1/n*100%，并且执行步骤S205记录该子任务执行时间T₁(j_i)，再回到步骤S201继续对下一个子任务执行。直到步骤S207判断为全部子任务执行完成，即判断为“是”（Y），则进入步骤S209进度条前进到100%。在步骤S211中计算各个子任务权值W_li=T₁(j_i)/T_1总，并在步骤S213存储各个子任务权值。

其中，步骤S205中，***开始记录每个子任务的执行时间T₁(j_i)，在此过程中，进度条按照通常的方法进行显示（不精确也不要紧，因为只有一次），即预设每个子任务占总任务的权重（权值）就为1/n（子任务的任务权值）。所以当一个子任务完成后，任务进度条将前进1/n*100%（这只是举例的初始化的一种方式，其他的进度方式也可以采用），得到各子任务的执行时间后，计算初始化（第一次任务）的第i个子任务的任务权值：

W_li=T₁(j_i)/T_1总。

例如：第一次初始化（调试阶段）的任务有3个子任务。第1个子任务执行，判断未执行完成（总共3个），进度条前进1/3*100%，记录第1个子任务实际执行T₁(j₁)=20s，然后依次执行第2个、第3个子任务，进度条相继前进1/3*100%，并将记录实际执行时间T₁(j₂)=35s、T₁(j₃)=45s，T_1总=100s。判断执行完3个子任务进度条前进到1（即100%），计算各个子任务的任务权值：W₁₁=T₁(j₁)/100=0.2、W₁₂=0.35、W₁₃=0.45，并存储。（s指单位：秒）。

这样，在执行一次任务的子任务时产生有运行时间T_k(j_i)，基于此生成任务权值W_ki，就能用于下一次任务的各子任务的时间序列预测，展示其进度条度量，即利用了运行时数据来对任务执行做度量和展示。

2)第二次以后运行的第一个子任务

在第一次任务运行过程完成任务权值的初始化计算以后，基于此，第二次及其以后所运行的任务都可以进行记录和预测。其中，预测方式优选地可以采用后面描述的自学习时间序列预测方法进行下次任务权值（运行时数据）的更精确的预测。

例如：如图3所示，第二次以后各次任务运行的第一个子任务的执行时间T_k(j₁)（k≥2）是衡量其他子任务执行时间的基础，估计运行时间ET_k(j₁)为第k-1次（即上一次）任务中运行的第一个子任务的实际时间T_k-1(j₁)，以此为估计值，展示本次第一个子任务执行进度，进而估计剩余时间，如图1所示提示子任务剩余时间估计T_k-1(j₁)-UT_k(j₁)。完成后记录该T_k(j₁)，且进度条前进W_(k-1)1*L。重要的是，由此计算并预测记录其余任务的总时间和各子任务执行时间，可以得出：

本次任务估计执行完成的总时间：ET_k总=T_k(j₁)/W_(k-1)1

第i个子任务（2≤i≤n）的预测执行时间：ET_k(j_i)=W_(k-1)i*ET_k总

第i个子任务在进度条上所占长度估计：L_ki=W_(k-1)i*L

计算出结果后，输出计算结果。这些结果用于例如：根据该预测的执行时间提示用户该子任务的执行剩余时间ET_k(j_i)-UT_k(j_i)；此后将以该子任务执行完成在进度条所占长度L_ki以及实际该子任务执行已用时间等，控制进度条展示时的前进速度如展示更准确的L_realtime，以实现比较精确的进度条的展示和任务执行进度的拟合。这里预测方式可以优选地采用后面描述的自学习预测方法。

完成该子任务后，进而进度条前进W_(k-1)1*100%。

图3的第二次以后第一个子任务执行详细流程：

步骤S301，第一个子任务执行完成并记录执行时间T_k(j₁)。

步骤S303，由于经过“1）第一次任务运行”的第一次任务执行后已经得到了各个子任务的权值W_li，以及第一个子任务实际执行完成并记录的执行时间T_k(j₁)，则能计算出（预测或估计）结果：

（1）本次任务估计执行完成的总时间ET_k总；

（2）本次任务的第i个子任务（2≤i≤n）的预测执行时间ET_k(j_i)；

（3）本次任务的第i个子任务在进度条上所占长度L_ki。

步骤S305输出计算出的结果。

步骤S307进度条前进W_(k-1)1*100%，进入下一个任务。

承上述1）中的例子：第二次任务的3个子任务，其第1个子任务执行，估计运行时间ET₂(j₁)=T₁(j₁)=20s，完成后进度条前进0.2L。并记录执行时间T₂(j₁)=25s。能计算出第二次任务的估计执行完成需要的总时间：ET_2总=T₂(j₁)/W_l1=25/0.2=125s。接着给出后面的第2～3个子任务的执行时间的预测ET₂(j₂)=W_l2*ET_2总=0.35*125=43.75s、ET₂(j₃)=56.25s。计算第1～3个子任务在进度条所占长度L₂₁=W_l1*L=0.2L、L₂₂=W_l2*L=0.35L、L₂₃=0.45L，即估计的各子任务的进度。此处优选可以采用下面描述的自学习预测方法。

这里，进度展示的时候，还可以更细腻地控制，例如：第1个子任务的预计执行20s，假定L为100mm，则第1个子任务估计占进度条长度20mm，控制其每一秒或更短时间前进一格的方式，则进度展示能更细腻，提升用户体验感受。其他子任务进度的控制也可以采用这种每隔一很短的时间，就前进一步的方式。

3）第二次以后运行的其他子任务

图4描述了第二次总任务执行流程图。第二次以后运行的其他子任务是指在第二次总任务的执行过程中，其第一个子任务以外的其他子任务。之后的各次总任务的执行将按照相同的步骤执行。在完成第一次总任务运行获得初始化的任务权重以及通过之后每次任务运行的第一个子任务后，基于预测到的该次任务总时间、第i个子任务（2≤i≤n）的预测执行时间和第i个子任务在进度条上所占长度；在该次运行中第i个子任务执行完后，进度条前进到L_realtime=(L_k1+L_k2+…+L_ki)；而在第i个子任务执行过程中进度条的实时展示位置为L_realtime=(L_k1+L_k2+…+L_ki-1)+（UT_k（j_i）/ET_k(j_i)）*L_ki。通过运行时数据（子任务运行时间、上次的子任务权值等）对子任务执行进度的度量，控制了进度条展示的速度，使得该L_realtime展示更准确。而采用下面描述的自学习预测方法对运行时数据进行预测将更有助于其度量的精确性。

在完成所有的第k次运行的全部子任务后，进度条显示完成，并根据此次运行重新计算本次各子任务权值并存储各子任务权值。之后的各次任务执行将基于自学***稳，***也趋于稳定。

步骤S401总任务执行开始。这里的总任务并非1)第一次任务或者说初始化任务。

步骤S403，第一个子任务执行并作相应处理：第一个子任务执行的流程如2)第二次以后运行的第一个子任务，参见图3的例子，完成后输出计算结果、估计的进度条前进的进度为W_(k-1)1*100%。

步骤S411判断是否全部子任务（n-1）个执行完成，若否（N）则进入步骤S405、步骤S407。

步骤S405中，第i个子任务执行过程中进度条实时前进到L_realtime=(L_k1+L_k2+…+L_ki-1)+（UT_k（j_i）/ET_k(j_i)）*L_ki。再进入步骤S407，第i个子任务执行完全前进到L_realtime=(L_k1+L_k2+…+L_ki)。基于运行时数据如子任务的任务权值、实际监测执行已用的时间、估计执行时间、估计执行完成时所占长度，度量着任务执行进度并控制着进度条的前进速度，以实现比较精确的进度条的展示和任务执行进度的拟合。这里，由于进度条的实时前进基于已有数据预测进行，是更准确的估算，而如果在第i个子任务执行完成后进度条能调整到相应位置再进行下一个子任务执行（如利用步骤S405、S407），那么又会更准确，后面的子任务度量也更方便，从而能起到纠正作用。

在步骤S409，记录该子任务执行时间T_k(j_i)。

直到步骤S411判断为此次运行的全部子任务执行完成，即判断为若是（Y），则进入步骤S413进度条前进到100%。

在步骤S415，计算本次各子任务权值W_k,i，在步骤S417存储各个子任务权值，再进入步骤S419权值重新计算。优选地，采用下文中提到的分布式***中运行时数据的自学习时间序列预测方法，基于新收集的运行时数据，对下一次任务所要使用的权重进行权值的重新计算。

其中，步骤S409中，每一个客户端的子任务全部完成后记录各个子任务执行时间T_k(j_i)，由于每个子任务执行完成便获得了新的数据T_k(j_i)，计算新的子任务的权值。优选地，基于这些执行时间、权值就是该客户端这一次（第k次）总任务的运行过程中产生的运行时数据，可用来丰富历史数据库，进而提高预测精度，且其他客户端在使用该软件的时候也会产生运行时数据，也进一步达到迅速丰富历史数据库进而提高预测精度的效果；且所有预测值如ET_k(j_i)、ET_k总、第i个子任务在进度条上所占长度L_ki，在此能重新计算（方式与前面描述类似）并进一步重计算权值（步骤S411）。这里提供一种改进的分布式***中基于运行时数据的自学习时间序列预测方法，作为优选的预测方式，将在后面进行描述。

承上述1）、2）中例子：第二次任务运行，其第1个子任务执行并完成第2）条的操作，判断未执行完所有任务，进入第2个子任务的执行，则计算第2个子任务执行过程中，进度条实时前进的位置L_realtime=L₂₁+（UT₂（j₂）/ET₂(j₂)）*L₂₂，这里假如监测到第2个子任务已经执行的时间UT₂（j₂）=10s，则此时控制着进度条前进速度，展示到达L_realtime=0.2L+（10/43.75）*0.35L=0.28L；第2个子任务执行完则前进到：

L_realtime=L₂₁+L₂₂=0.2L+0.35L=0.55L，且记录第2个子任务实际执行完用的时间T₂（j₂）=45s。

判断未完成全部子任务，继续第3个子任务执行，计算其实时前进位置L_realtime=0.55L+10/56.25*0.45L=0.63L，其执行完前进到L_realtime=L，且记录第3个子任务实际执行用的时间T₂（j₃）=40s。实际完成总时间是T_2总=25+45+40=110s。

判断完成全部子任务，进度条前进到最后100%。并计算第二次各个子任务的任务权值W₂₁=25/110=0.227，W₂₂=45/110=0.409，W₂₃=40/110=0.364，并存储。并可以根据W₁₁=0.2，W₁₂=0.35，W₁₃=0.45和W₂₁=0.227，W₂₂=0.409，W₂₃=0.364重新计算各子任务权值，例如用时间序列预测方式计算，或更优化地采用后面描述本申请改进的一种自学***均值方式预测，得到新的用于第三次任务的各子任务的任务权值：W₂₁=0.214，W₂₂=0.380，W₂₃=0.407。

这样，这些任务权值都是根据这次任务执行中，子任务的运行时数据（执行时间、任务权值等）来更新的（重计算），以便在下一次任务执行时能更准确地预测任务执行进度并展示度量的任务执行进度。

承上述例子：

若第三次任务执行，第1个子任务执行，估计运行时间ET₃(j₁)=T₂(j₁)=25s，并记录执行时间T₃(j₁)=20s。

计算出第二次任务的总时间ET_3总=T₃(j₁)/W₂₁=20/0.214=93s；

接着给出后面的第2～3个子任务的执行时间的预测ET₃(j₂)=W₂₂*T_3总=0.380*93=35.34s、ET₃(j₃)=37.85s；

计算预测的第1～3个子任务在进度条所占长度L₃₁=W₂₁*L=0.214L、L₃₂=W₂₂*L=0.380L、L₃₃=0.407L；

输出计算结果且对于第三次任务执行完第1个子任务，进度条前进1/3*100%。

判断未执行完所有任务，进入第2个子任务的执行，则计算第2个子任务执行过程中，进度条实时前进的位置L_realtime=0.214L+（10/35.34）*0.380L=0.322L；

第2个子任务执行完前进到L_realtime=0.214L+0.380L=0.594L，且记录第2个子任务实际执行完用的时间T₃（j₂）=35s。

判断未完成全部子任务，继续第3个子任务执行，计算其实时前进位置L_realtime=0.594L+10/37.85*0.407L=0.702L，其执行完前进到L_realtime=L，且记录第3个子任务实际执行用的时间T₃（j₃）=40s。

判断完成全部子任务，进度条前进到最后100%。并计算第三次各个子任务的任务权值W₃₁=20/（20+35+40）=0.211，W₃₂=35/95=0.368，W₃₃=40/95=0.421，并存储。并可以根据W₁₁=0.2，W₁₂=0.35，W₁₃=0.45和W₂₁=0.227，W₂₂=0.409，W₂₃=0.364和W₃₁=0.211，W₃₂=0.368，W₃₃=0.421重新计算各子任务权值，例如平均方式计算用于第四次任务的权值为：W₃₁=0.213，W₂₂=0.376，W₂₃=0.412。

如此，反复基于存储的运行时数据（如存储的历史任务权值）和新的运行时数据（如完成子任务根据执行时间计算的任务权值），重新计算出任务权值，在后面的第四次、第五次……任务的进度度量预测和展示中，将更趋于合理、准确和稳定，即权值越来越趋于稳定的值，越准确，用以估算任务执行进度和控制进度条展示也就越准确。

这里，子任务进度拟合具有可递归性，即如果某些子任务可以进一步划分成为更细粒度的二级子任务，那么在这些二级子任务上仍然可以运用该方案，以此类推，直到不能使用为止。这样可以更加精确地拟合各级子任务的精度。

下面，将具体描述本申请改进的一种更优的时间序列预测算法，基于自学习方法，进行权值重计算。

分布式运行时数据的自学***台）的***，对上面描述的任务执行进度度量和现实方法进行具体描述。通过自学习过程在运行中不断提高权值Wk,i的精确程度。图5的闭环描述了整个分布式***的自学习过程，本申请提供的解决方案就具备基于运行时数据的自学习能力。在每次的任务执行产生运行数据时进行重新计算，以达到随着运行次数的增加，进度条进度显示和真实进度的拟合程度越精确的目的。

首先，步骤S501***以最新权值指导客户端运行；步骤S503，随着客户端的子任务的运行不断产生运行时数据，如任务权值W_ki；然后，步骤S505，服务器端通过接收到的客户端运行时数据不断丰富历史数据库，如图6中的历史数据仓储模块603；步骤S507，***利用新的数据库计算精度更高的权值，实现自学习。

这样，利用分布式***多客户端，服务器集中的特点，采用分布式数据收集（如图7中的客户端1、3、4）、集中式数据处理和预测（如服务器端）。处理过程对于单个客户端（如图7中的客户端8）透明，单个客户端在无感知无运算的情况下迅速提高了预测精度。

客户端的运行时数据如任务权值的预测是在服务器端完成，请参见图6。在服务器端600的结构包括运行时数据接收模块601，历史数据仓储模块603，时间序列预测模块605以及预测结果发送模块607。

首先，服务器端600的运行时数据接受模块601接收客户端1、3、4运行时数据，然后将其存入历史数据存储模块603中，并通知时间序列预测模块605，时间序列预测模块605发现有新的历史数据进入历史数据仓储模块603中，开始调用历史数据仓储模块603中的数据进行任务权值预测（在下面将详细介绍服务器端600任务权值的预测），最后将结果（新的任务权值）通过预测结果发送模块607发送给客户端8，然后基于更新的任务权值进行对任务执行进度在进度条上进行度量和显示。需要说明的是历史数据仓储模块603需要根据运行时数据接收的时间，维护其时间序列进行统一的时间排序，以备时间序列预测模块605使用。

图7中描述了本申请的基于客户端运行时数据的自学习时间序列预测的整体工作机制。其运行的***包括服务器端600以及与其关联的多个客户端（如客户端1～8）。任务的执行是按照时间点t₀～t₆逐渐向后（如图7所示时间轴），现以其中一个客户端8的子任务为例，来说明本申请的实施方式。站在客户端8的角度：

在t₀时刻，客户端8第k次执行任务，进度条按照老的任务权值进行度量和展示（如[0]所示客户端按照老的权值进行度量和显示）；

在t₁时刻（如时间：t₁所示），将客户端8的各子任务的权值发送到服务器端600，并记录该时刻第i个子任务的实际执行时间T_k(j_i)且计算出相应的权值W_ki并存储到历史数据仓储模块603中。

在t₂～t₄时刻（如时间：t₂、t₃、t₄所示），客户端1、3、4，也运行完成了相同的任务，并且将各子任务相应的权值发送到服务器端600；

这时，服务器端600如运行时数据接收模块601采集到了更多的运行时数据（如[1]客户端发送实时运行数据所示，即实时地发送运行时数据给服务器端，并按照时间序列预测方法进行预测（如[2]实时计算各任务权值），并将新的预测权值发送给客户端8（如时间：t₅所示）；

在t₆时刻（如时间：t₆所示），客户端8第k+1次执行任务，进度条按照新的权值进行度量和展示，新的权值估计公式为W_k+1i=T_k(j_i)/(T_k(j₁)+T_k(j_i)+…+T_k(j_n))*100%（k≥2）。通过各个客户端多次任务的执行，服务器端600将根据运行时数据预测得到各个客户端的子任务的权值，即分布式***中的时间序列预测过程。如下面表1所示服务器端600得到的运行时数据（以子任务的任务权值W_ki为例）：

表1：

	W_k,1	Wk,2	W_k,3	W_k,4	……
						第1次运行	0.234	0.102	0.028	0.428
第2次运行	0.239	0.100	0.021	0.421
						第3次运行	0.134	0.095	0.031	0.431
第4次运行	0.230	0.097	0.029	0.429
						第5次运行	0.232	0.096	0.028	0.427
第6次运行	0.231	0.098	0.028	0.428
						……

表1中W_k,i表示第i个子任务在第k次运行时的运行时权值，这些运行时数据是预测的基础，当历史数据仓储中采集到k次数据时，时间序列预测的目的就是利用这些数据预测出第k+1次任务权值Wi的值。如表1中W₂通过第1次到第6次的一组权值，预测第7次的权值。时间序列预测模块可以采用常用的时间序列预测方法进行预测，这些方法包括移动平均、指数平滑、线性趋势、二次趋势等。

在得到各个子任务在第k次运行的权值估计之后，同样地可以用递进的方法对进度条的即时位置显示按照公式L_realtime=(L_k1+L_k2+…+L_ki-1)+（UT_k（j_i）/ET_k(j_i)）*L_ki。（如客户端8将按照新的权值进行度量和显示）。

那么，客户端8在第k次和第k+1次任务执行期间，并没有任何其他行为，但它在第k+1次得到的权值预测值却是更加精准的，因为新的权值是基于更新的且更多的权值。这样，一个客户端（如客户端8、1、3、4等）在执行任务的时候，可以不断获取自身产生的运行时数据，这些数据再次丰富了数据库，为预测提供更多的数据支持。而时间序列预测是基于历史数据库的因此能增加预测的准确度进而指导***运行。

通常，这类分布式***拥有大量客户端，这些客户端同时不断地产生运行时数据，如果将这些数据运用上，则可以迅速扩大历史数据库。而且对于单个客户端而言，每次任务执行循环进行数据预测，其相邻2次任务执行之间的预测精度可以迅速提升，见表1。

对此，进行改进得到的基于运行时数据的任务执行进度度量和展现方式，子任务拟合可递归性，以便高精度地拟合任务的执行进度以及进度的展示，高准确地预测每个任务执行时间和剩余时间、全部任务执行总时间。其尤其适用于各任务规模相对比例较稳定的一组任务。

本发明专利申请中改进的自学习时序预测***和方法，针对分布式***客户端分散产生运行时数据，服务器集中处理数据的特点，对传统方法进行改进，主要特点如下：

1、某一个客户端在执行任务的时候，可以不断获取自身产生的运行时数据（这些数据再次丰富了历史数据库，为预测提供更多的数据支持），而时间序列预测是基于历史数据库的，因此可以增加预测的准确度，进而指导***的运行。

2、分布式***通常拥有大量的客户端，这些客户端同时可能也在不断产生运行时数据，如果将这些数据放入历史数据仓储模块中也可以迅速扩大历史数据库。

3.所使用的自学习过程以及进度条度量和显示方法，无需知道任务总时间和各子任务时间，只需在第一次运行或测试期间获得各子任务的权值即可，通过高度准确的拟合，对于多层次的任务，可以对子任务进一步细分为下一级子***，通过子任务递归拟合，任务权值可通过自学习不断纠正，以不断增加预测准确度。

其带来的有益效果如：对于单个客户端而言，每次任务执行循环进行数据预测，其相邻2次任务执行之间的预测精度可以迅速提升，处理过程对于单个客户端而言是透明的，单个客户端在无感知无运算的情况下迅速提高了预测精度。

对应本申请的基于运行时数据的任务执行进度度量和展示的方法，还有其应用的基于运行时数据的任务执行进度度量和展示的***，包括服务器端和多个客户端其中，服务器端或在服务器端的内存中还包括：运行时数据接收模块，接收来自所述多个客户端的所述运行时数据；历史数据仓储模块，存储历史运行时数据以及接收所述客户端产生的新的所述运行时数据；时间序列预测模块，根据所述运行时数据接收模块接收的所述运行时数据以及历史数据仓储模块存储的历史运行时数据，通过所述自学习时间序列预测方法，预测下次任务运行时间，计算出所述新的运行时权值；预测结果发送模块，将时间序列预测模块的预测结果发送到所述多个客户端中的一个。

本说明书中的各个实施例一般采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块或单元。一般地，程序模块或单元可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。一般来说，程序模块或单元可以由软件、硬件或两者的结合来实现。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块或单元可以位于包括存储设备在内的本地和远程计算机存储介质中。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

最后，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其主要思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种基于运行时数据的任务执行进度度量和展示的方法，其特征在于，包括：

基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置，完成本次任务后，根据本次任务、本次任务之前的任务、以及其各次任务中的各子任务实际执行完成所生成的相应的运行时数据，进行时间序列预测以更新运行时数据，从而基于所述更新的运行时数据度量下一次任务及其各子任务的执行进度并控制展示进度。

2.如权利要求1所述的方法，其特征在于，包括：

第一次任务为初始化任务；

基于初始化任务中串行执行的子任务完成数占总的子任务数的比例，度量初始化任务及其各子任务的执行进度；

根据度量的初始化任务及其各子任务的执行进度，按每个子任务执行完成占总的子任务数的比例展示进度；

基于初始化任务中各子任务的执行，生成相应的运行时数据。

3.如权利要求2所述的方法，其特征在于，基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置，包括：

基于初始化任务中第一个子任务执行生成的相应的运行时数据，度量第二次任务中第一个子任务的执行进度并展示所述第二次任务中第一个子任务的执行进度；

第二次任务中第一个子任务的执行完成，记录执行时间；

基于记录执行时间以及初始化任务中各子任务的执行生成的相应的运行时数据，生成：第二次任务执行总时间、第二次任务中第i个子任务执行时间、第i个子任务所占进度长度；

输出生成的结果；

控制展示第二次任务中第一个子任务的执行完成后的进度前进到1/n；

其中，2≤i≤n，n表示子任务个数，n是自然数。

4.如权利要求1所述的方法，其特征在于，基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置，包括：

基于本次任务之前的任务中的各次任务的第一个子任务的执行所生成的相应的运行时数据进行预测所更新的运行时数据，度量本次任务中第一个子任务的执行进度并展示所述本次任务中第一个子任务的执行进度；

本次任务中第一个子任务执行完成，记录执行时间；

基于记录执行时间以及基于本次任务之前的任务中的各次任务的各个子任务的执行所生成的相应的运行时数据进行预测所更新的运行时数据，生成：本次任务执行总时间、本次任务中第i个子任务执行时间、第i个子任务所占进度长度；

输出生成结果；

控制展示本次任务中第一个子任务的执行完成后的进度前进到1/n；

其中，2≤i≤n，n表示子任务个数，n是自然数。

5.如权利要求3所述的方法，其特征在于，基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置，包括：

根据所述输出生成结果，控制展示本次任务中第i个子任务执行过程中的实时进度所前进到的位置变化；

当本次任务中第i个子任务执行完成，控制展示本次任务的第i个子任务执行完成后进度所前进到的位置；

记录本次任务中第i个子任务执行完成所用执行时间。

6.如权利要求4所述的方法，其特征在于，基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置，包括：

记录本次任务中第i个子任务执行完成所用执行时间。

7.如权利要求6所述的方法，其特征在于，根据本次任务、本次任务之前的任务、以及其各次任务中的各子任务实际执行完成所生成的相应的运行时数据，进行预测以更新运行时数据，基于所述更新的运行时数据度量下一次任务及其各子任务的执行进度并控制展示进度，包括：

本次任务中所有子任务执行完成，控制展示本次任务进度前进到最终位置；

根据记录的本次任务中各个子任务执行完成所用的各执行时间，生成相应的运行时数据，以与本次之前的任务以及其中各个子任务实际执行完成所生成的相应的运行时数据，进行预测以更新运行时数据，并基于所述更新的运行时数据度量下一次任务及其各子任务的执行进度。

8.如权利要求7所述的方法，其特征在于，根据本次任务、本次任务之前的任务、以及其各次任务中的各子任务实际执行完成所生成的相应的运行时数据，进行预测以更新运行时数据，包括：

基于生成的相应的运行时数据，进行时间序列预测，以更新运行时数据。

9.如权利要求8所述的方法，其特征在于，所述时间序列预测，是自学习时间序列预测；所述自学习时间序列预测包括：基于生成的相应的运行时数据、以及由执行任务时不断生成的运行时数据丰富存储的历史运行时数据，预测新的任务执行所需运行时数据从而更新度量下一次任务及其各子任务的执行进度的运行时数据。

10.如权利要求1所述的方法，其特征在于，所述运行时数据为各子任务的任务权值。

11.如权利要求1所述的方法，其特征在于，所述本次任务之前的任务为：本次任务的上一次任务或本次任务之前的多次任务。

12.一种基于运行时数据的任务执行进度度量和展示的***，其特征在于，包括：

进度度量和控制展示装置，配置为：基于本次任务之前的任务及其中的各个子任务的执行而生成的运行时数据，度量本次任务及其各子任务的执行进度，并控制展示本次任务的各子任务执行的实时进度、及控制展示本次任务的各子任务执行完成进度所前进到的位置，

预测装置，配置为：完成本次任务后，根据本次任务、本次任务之前的任务、以及其各次任务中的各子任务实际执行完成所生成的相应的运行时数据，进行时间序列预测以更新运行时数据基于所述更新的运行时数据度量下一次任务及其各子任务的执行进度并控制展示进度。

13.如权利要求12所述的***，其特征在于，进度度量和控制展示装置包括：

本次任务中第一个子任务执行完成，记录执行时间；

输出生成结果；

其中，2≤i≤n，n表示子任务个数，n是自然数。

14.如权利要求13所述的***，其特征在于，进度度量和控制展示装置包括：

记录本次任务中第i个子任务执行完成所用执行时间。

15.如权利要求14所述的***，其特征在于，预测装置包括：

本次任务中所有子任务执行完成，控制展示本次任务进度前进到最终位置；根据记录的本次任务中各个子任务执行完成所用的各执行时间，生成相应的运行时数据，以与本次之前的任务以及其中各个子任务实际执行完成所生成的相应的运行时数据，进行预测以更新运行时数据，并基于所述更新的运行时数据度量下一次任务及其各子任务的执行进度；

其中，基于生成的相应的运行时数据，进行时间序列预测，以更新运行时数据；所述时间序列预测，是自学习时间序列预测；所述自学习时间序列预测包括：基于生成的相应的运行时数据、以及由执行任务时不断生成的运行时数据丰富存储的历史运行时数据，预测新的任务执行所需运行时数据从而更新度量下一次任务及其各子任务的执行进度的运行时数据。

16.一种基于运行时数据的任务执行进度度量和展示的***，其特征在于，包括：

服务器端，收集多个客户端第k次任务中各子任务执行产生的历史运行时数据，基于历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据，并发送更新后的运行时数据到所述多个客户端；其中k≥2的自然数。

17.如权利要求16所述的***，其特征在于，包括：

所述多个客户端中的任一个在执行第k+1次任务时，利用所述更新后的运行时数据，度量第k+1次任务及其各子任务执行进度，并控制展示第k+1次任务的各子任务执行的实时的进度及执行完成后的进度。

18.如权利要求17所述的***，其特征在于，包括：

所述服务器端，进行所述时间序列预测，其是基于运行时数据的自学习时间序列预测；

所述自学习时间序列预测，由所述多个客户端执行任务时不断产生的运行时数据丰富存储的历史运行时数据，所述服务器端利用所述历史运行时数据和收集的所述运行时数据，预测新的任务执行所需运行时数据，并发送更新后的运行时数据到所述多个客户端，以利用所述更新后的运行时数据度量新的任务执行进度并控制其执行进度的展示。

19.如权利要求18所述的***，其特征在于，所述的服务器端还包括：

运行时数据接收模块，用于收集所述多个客户端第k次任务中各子任务执行产生的运行时数据；

历史数据仓储模块，存储历史运行时数据，并接收来自运行时数据接收模块的收集的所述运行时数据；

时间序列预测模块，基于历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据；

预测结果发送模块，发送更新后的运行时数据到所述多个客户端。

20.一种基于运行时数据的任务执行进度度量和展示的方法，其特征在于，包括：

收集多个客户端第k次任务中各子任务执行产生的历史运行时数据，基于历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据，并发送更新后的运行时数据到所述多个客户端；其中k≥2的自然数。

21.如权利要求20所述的方法，其特征在于，包括：

22.如权利要求21所述的方法，其特征在于，包括：

所述时间序列预测，其是基于运行时数据的自学习时间序列预测；

所述自学习时间序列预测，由所述多个客户端执行任务时不断产生的运行时数据丰富存储的历史运行时数据，利用所述历史运行时数据和收集的所述运行时数据，预测新的任务执行所需运行时数据，并发送更新后的运行时数据到所述多个客户端，以利用所述更新后的运行时数据度量新的任务执行进度并控制其执行进度的展示。

23.如权利要求22所述的方法，其特征在于，收集所述多个客户端第k次任务中各子任务执行产生的运行时数据；

存储历史运行时数据，并接收来收集的所述运行时数据；

基于所述存储的历史运行时数据和第k次任务中各子任务执行产生的运行时数据，进行时间序列预测，更新用于度量第k+1次任务及其各子任务执行进度的运行时数据；

发送更新后的运行时数据到所述多个客户端。