CN115731047B - 批量订单处理方法、设备及介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，提供一种批量订单处理方法、设备及介质，能够构建流水线模型集合，并利用任务标识从流水线模型集合中自动识别并获取到对应的流水线模型，同时为每笔子委托配置独立线程，进而结合并行线程及流水线模型实现对批量委托订单的快速处理，提高了对委托订单处理的并发量，进而提升了处理批量委托订单的性能和***吞吐量。

Description

批量订单处理方法、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种批量订单处理方法、设备及介质。

背景技术

在金融领域内，投资者为了做到尽可能低延时地将委托订单快速报送至交易所，通常要求交易柜台快速响应并处理委托订单，以提升报送至交易所的效率。投资者会把几个甚至上百个委托订单打包成一批(简称为批量委托)发送到交易柜台。

现有技术中，针对批量委托，交易柜台处理完一笔委托订单之后才能处理下一笔，因此，批量委托情况下会导致***受到巨大冲击，相当于在某一瞬间接收到大量委托订单，如果***无法及时处理完所有委托，将导致投资者错失投资机会。

发明内容

鉴于以上内容，有必要提供一种批量订单处理方法、设备及介质，旨在解决对于批量委托订单处理效率低的问题。

一种批量订单处理方法，所述批量订单处理方法包括：

获取预先配置的流水线模型集合；其中，所述流水线模型集合中的每个流水线模型具有对应的任务标识，所述任务标识对应于不同的任务类型；

当在预设时长内接收到多笔委托订单时，触发拆分任务；

获取所述拆分任务对应的第一任务标识，并利用所述第一任务标识在所述流水线模型集合中进行查询，得到第一流水线模型；

利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托；

为每笔子委托配置独立线程，并利用每笔子委托对应的独立线程对每笔子委托进行并行处理；

在处理每笔子委托的过程中，依次启动构造任务、合法性校验任务、风险性校验任务、消息生成任务；

获取所述构造任务对应的第二任务标识，并利用所述第二任务标识在所述流水线模型集合中进行查询，得到第二流水线模型；

获取所述合法性校验任务对应的第三任务标识，并利用所述第三任务标识在所述流水线模型集合中进行查询，得到第三流水线模型；

获取所述风险性校验任务对应的第四任务标识，并利用所述第四任务标识在所述流水线模型集合中进行查询，得到第四流水线模型；

获取所述消息生成任务对应的第五任务标识，并利用所述第五任务标识在所述流水线模型集合中进行查询，得到第五流水线模型；

利用所述第二流水线模型将每笔子委托的网络包构造为消息对象；

利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验；

利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验；

利用所述第五流水线模型根据每笔子委托的消息对象生成***报盘服务组件消息，并将所述***报盘服务组件消息发送至***报盘服务组件。

根据本发明优选实施例，所述方法还包括：

在接收所述多笔委托订单的过程中，当接收到任意委托订单后，经过大于或者等于配置时长没有接收到下一笔委托订单时，每隔预设时间间隔利用时间片消息模拟委托；

在接收到每笔模拟委托时，从内存中读取配置数据，并将所述配置数据增量保存至CPU缓存中。

根据本发明优选实施例，所述方法还包括：

在处理每笔子委托的过程中，每笔子委托对应的第二流水线模型、第三流水线模型、第四流水线及第五流水线模型依次执行。

根据本发明优选实施例，所述利用所述第二流水线模型将每笔子委托的网络包构造为消息对象包括：

利用所述第二流水线模型对每笔子委托的网络包进行解码，得到每笔子委托对应的可读字段；

获取所述***报盘服务组件对应的数据结构；

根据所述数据结构将每笔子委托对应的可读字段构造为对应的消息对象。

根据本发明优选实施例，所述利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验包括：

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否存在乱码；及/或

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否包含冗余字段；及/或

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否包含空字段。

根据本发明优选实施例，所述利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验包括：

利用每笔子委托对应的第四流水线模型获取每笔子委托对应的业务类型；

根据每笔子委托对应的业务类型从预先建立的风险性校验策略中选择每笔子委托对应的目标策略；

根据每笔子委托对应的目标策略对每笔子委托的消息对象进行风险性校验。

根据本发明优选实施例，所述根据每笔子委托对应的目标策略对每笔子委托的消息对象进行风险性校验包括：

根据所述目标策略获取每笔子委托的消息对象的配置字段；

获取每笔子委托对应的投资者姓名；

根据每笔子委托的消息对象的配置字段及每笔子委托对应的投资者姓名进行哈希运算，得到每笔子委托对应的投资者身份预测标识；

获取每笔子委托对应的投资者身份实际标识；

对比每笔子委托对应的投资者身份预测标识与每笔子委托对应的投资者身份实际标识，得到对比结果；

根据所述对比结果对每笔子委托的消息对象进行风险性校验。

根据本发明优选实施例，在所述利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验前，所述方法还包括：

获取历史业务数据；

识别所述历史业务数据中包含的每种业务类型；

确定所述历史业务数据中每种业务类型对应的风险性校验方法；

根据每种业务类型对应的风险性校验方法建立所述风险性校验策略。

一种批量订单处理装置，所述批量订单处理装置包括：

获取单元，用于获取预先配置的流水线模型集合；其中，所述流水线模型集合中的每个流水线模型具有对应的任务标识，所述任务标识对应于不同的任务类型；

触发单元，用于当在预设时长内接收到多笔委托订单时，触发拆分任务；

查询单元，用于获取所述拆分任务对应的第一任务标识，并利用所述第一任务标识在所述流水线模型集合中进行查询，得到第一流水线模型；

拆分单元，用于利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托；

处理单元，用于为每笔子委托配置独立线程，并利用每笔子委托对应的独立线程对每笔子委托进行并行处理；

启动单元，用于在处理每笔子委托的过程中，依次启动构造任务、合法性校验任务、风险性校验任务、消息生成任务；

所述查询单元，还用于获取所述构造任务对应的第二任务标识，并利用所述第二任务标识在所述流水线模型集合中进行查询，得到第二流水线模型；

所述查询单元，还用于获取所述合法性校验任务对应的第三任务标识，并利用所述第三任务标识在所述流水线模型集合中进行查询，得到第三流水线模型；

所述查询单元，还用于获取所述风险性校验任务对应的第四任务标识，并利用所述第四任务标识在所述流水线模型集合中进行查询，得到第四流水线模型；

所述查询单元，还用于获取所述消息生成任务对应的第五任务标识，并利用所述第五任务标识在所述流水线模型集合中进行查询，得到第五流水线模型；

构造单元，用于利用所述第二流水线模型将每笔子委托的网络包构造为消息对象；

校验单元，用于利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验；

所述校验单元，还用于利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验；

生成单元，用于利用所述第五流水线模型根据每笔子委托的消息对象生成***报盘服务组件消息，并将所述***报盘服务组件消息发送至***报盘服务组件。

一种计算机设备，所述计算机设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现所述批量订单处理方法。

一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述批量订单处理方法。

由以上技术方案可以看出，本发明能够结合并行线程及流水线模型实现对批量委托订单的快速处理，提高了对委托订单处理的并发量，进而提升了处理批量委托订单的性能和***吞吐量。

附图说明

图1是本发明批量订单处理方法的较佳实施例的流程图。

图2是本发明批量订单处理装置的较佳实施例的功能模块图。

图3是本发明实现批量订单处理方法的较佳实施例的计算机设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，是本发明批量订单处理方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

所述批量订单处理方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。

所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。

所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。

所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

S10，获取预先配置的流水线模型集合；其中，所述流水线模型集合中的每个流水线模型具有对应的任务标识，所述任务标识对应于不同的任务类型。

在本实施例中，每个任务标识能够唯一标记一个流水线模型。

S11，当在预设时长内接收到多笔委托订单时，触发拆分任务。

在本实施例中，所述预设时长可以进行自定义配置，如30秒。

例如：当在30秒内接到了100笔委托订单时，说明接收到了订单的批量委托。

S12，获取所述拆分任务对应的第一任务标识，并利用所述第一任务标识在所述流水线模型集合中进行查询，得到第一流水线模型。

在本实施例中，所述第一流水线模型的作用相当于一个独立的线程。

S13，利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托。

在本实施例中，利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托，以便后续对每笔子委托分别进行处理。

在本实施例中，所述方法还包括：

在接收所述多笔委托订单的过程中，当接收到任意委托订单后，经过大于或者等于配置时长没有接收到下一笔委托订单时，每隔预设时间间隔利用时间片消息模拟委托；

在接收到每笔模拟委托时，从内存中读取配置数据，并将所述配置数据增量保存至CPU(Central Processing Unit，中央处理器)缓存中。

其中，所述配置时长可以进行自定义配置，如1秒。

其中，所述预设时间间隔也可以进行自定义配置，如10毫秒。

其中，所述配置数据可以根据实际的业务需求进行配置。

例如：所述配置数据可以包括，但不限于：证券信息、权限、股份、资金、费率等。

可以理解的是，当接收到一笔委托订单后，如果配置时长内没有接收到下一笔委托订单，则说明***不忙，批量订单的委托也较为稀疏。那么，由于***作***的其他数据填充，或者应用非交易数据填充等原因，***中各流水线模型的缓存数据会在CPU的cache里面失效，这种情况将导致处理委托时一些关键数据的查找会返回cache miss，即缓存中数据丢失，使处理时延增大。

针对上述情况，为了让***数据保持热的状态，即处理委托的关键数据常驻在CPU的cache里面，本实施例在批量订单的委托较为稀疏的情况下，利用时间片消息模拟委托以触发***加热(即不断接收时间片，频率可以为每隔预设时间间隔10毫秒利用1个时间片消息模拟一次委托)，收到时间片消息则触发一次读取委托处理的关键数据，将关键数据增量加载到CPU cache，以保持***数据时刻处于热状态，这样，在后续进行数据读取时，则不会由于缺失数据而导致订单处理异常。

并且，通过增量保存，也避免了CPU缓存中数据的冗余，同时降低了对存储空间的无效占用。

而在***忙碌，即接收到任意委托订单后，在所述配置时长接收到下一笔委托订单时，由于***一种处于读取数据的状态，因此无需利用时间片消息模拟委托。

S14，为每笔子委托配置独立线程，并利用每笔子委托对应的独立线程对每笔子委托进行并行处理。

目前，当有批量委托订单时，通常需要处理完一笔委托订单后，才能处理下一笔，整个处理过程耗时较长，且很容易出现订单阻塞的情况，给***造成冲击。并且，如果***无法及时处理完所有委托订单，将导致投资者错失投资机会。

本实施例通过为每笔子委托配置独立线程，能够实现对每笔子委托的并行处理，避免由于对子委托的逐笔处理造成时间成本的浪费。

S15，在处理每笔子委托的过程中，依次启动构造任务、合法性校验任务、风险性校验任务、消息生成任务。

S16，获取所述构造任务对应的第二任务标识，并利用所述第二任务标识在所述流水线模型集合中进行查询，得到第二流水线模型。

S17，获取所述合法性校验任务对应的第三任务标识，并利用所述第三任务标识在所述流水线模型集合中进行查询，得到第三流水线模型。

S18，获取所述风险性校验任务对应的第四任务标识，并利用所述第四任务标识在所述流水线模型集合中进行查询，得到第四流水线模型。

S19，获取所述消息生成任务对应的第五任务标识，并利用所述第五任务标识在所述流水线模型集合中进行查询，得到第五流水线模型。

S20，利用所述第二流水线模型将每笔子委托的网络包构造为消息对象。

在本实施例中，所述利用所述第二流水线模型将每笔子委托的网络包构造为消息对象包括：

利用所述第二流水线模型对每笔子委托的网络包进行解码，得到每笔子委托对应的可读字段；

获取所述***报盘服务组件(Order Routing Service，ORS)对应的数据结构；

根据所述数据结构将每笔子委托对应的可读字段构造为对应的消息对象。

可以理解的是，每笔子委托最初的数据类型为二进制格式，因此，将每笔子委托解码为可读字段，以便***能够识别。

进一步地，将每笔子委托对应的可读字段赋值给所述***报盘服务组件对应的数据结构，得到每笔子委托对应的消息对象。

S21，利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验。

在本实施例中，所述利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验包括：

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否存在乱码；及/或

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否包含冗余字段；及/或

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否包含空字段。

通过上述实施例，能够利用流水线对每笔子委托的字段值进行合法性校验，避免出现字段错误。

S22，利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验。

在本实施例中，在所述利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验前，所述方法还包括：

获取历史业务数据；

识别所述历史业务数据中包含的每种业务类型；

确定所述历史业务数据中每种业务类型对应的风险性校验方法；

根据每种业务类型对应的风险性校验方法建立所述风险性校验策略。

其中，所述历史业务数据可以包括每种业务类型及对应的风险性校验方法。

本实施例根据不同的业务类型建立风险性校验策略，以便于后续直接利用建立的风险性校验策略进行风险性校验，提升了校验效率。

在本实施例中，所述利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验包括：

利用每笔子委托对应的第四流水线模型获取每笔子委托对应的业务类型；

根据每笔子委托对应的业务类型从预先建立的风险性校验策略中选择每笔子委托对应的目标策略；

根据每笔子委托对应的目标策略对每笔子委托的消息对象进行风险性校验。

例如：所述风险性校验可以包括，但不限于：投资者权限校验、验资验券等。

本实施例利用流水线模型对每笔子委托自动执行风险性校验，进一步提升了委托订单的处理效率。

S23，利用第五流水线模型根据每笔子委托的消息对象生成***报盘服务组件消息，并将所述***报盘服务组件消息发送至***报盘服务组件。

在将所述***报盘服务组件消息发送至***报盘服务组件后，即可完成向交易所的申报。

在本实施例中，所述方法还包括：

在处理每笔子委托的过程中，每笔子委托对应的第二流水线模型、第三流水线模型、第四流水线及第五流水线模型依次执行。

在上述实施例中，通过独立线程的配置，能够使每笔委托订单并行处理，提升了批量委托订单整体的处理效率，同时，在每笔委托订单的处理过程中，进一步采用流水线模型分别处理每笔订单的一部分内容，提升了***的整体性能及吞吐量。

由以上技术方案可以看出，本发明能够结合并行线程及流水线模型实现对批量委托订单的快速处理，提高了对委托订单处理的并发量，进而提升了处理批量委托订单的性能和***吞吐量。

如图2所示，是本发明批量订单处理装置的较佳实施例的功能模块图。所述批量订单处理装置11包括获取单元110、触发单元111、查询单元112、拆分单元113、处理单元114、启动单元115、构造单元116、校验单元117、生成单元118。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

所述获取单元110，用于获取预先配置的流水线模型集合；其中，所述流水线模型集合中的每个流水线模型具有对应的任务标识，所述任务标识对应于不同的任务类型；

所述触发单元111，用于当在预设时长内接收到多笔委托订单时，触发拆分任务；

所述查询单元112，用于获取所述拆分任务对应的第一任务标识，并利用所述第一任务标识在所述流水线模型集合中进行查询，得到第一流水线模型；

所述拆分单元113，用于利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托；

所述处理单元114，用于为每笔子委托配置独立线程，并利用每笔子委托对应的独立线程对每笔子委托进行并行处理；

所述启动单元115，用于在处理每笔子委托的过程中，依次启动构造任务、合法性校验任务、风险性校验任务、消息生成任务；

所述查询单元112，还用于获取所述构造任务对应的第二任务标识，并利用所述第二任务标识在所述流水线模型集合中进行查询，得到第二流水线模型；

所述查询单元112，还用于获取所述合法性校验任务对应的第三任务标识，并利用所述第三任务标识在所述流水线模型集合中进行查询，得到第三流水线模型；

所述查询单元112，还用于获取所述风险性校验任务对应的第四任务标识，并利用所述第四任务标识在所述流水线模型集合中进行查询，得到第四流水线模型；

所述查询单元112，还用于获取所述消息生成任务对应的第五任务标识，并利用所述第五任务标识在所述流水线模型集合中进行查询，得到第五流水线模型；

所述构造单元116，用于利用所述第二流水线模型将每笔子委托的网络包构造为消息对象；

所述校验单元117，用于利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验；

所述校验单元117，还用于利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验；

所述生成单元118，用于利用所述第五流水线模型根据每笔子委托的消息对象生成***报盘服务组件消息，并将所述***报盘服务组件消息发送至***报盘服务组件。

由以上技术方案可以看出，本发明能够结合并行线程及流水线模型实现对批量委托订单的快速处理，提高了对委托订单处理的并发量，进而提升了处理批量委托订单的性能和***吞吐量。

如图3所示，是本发明实现批量订单处理方法的较佳实施例的计算机设备的结构示意图。

所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如批量订单处理程序。

本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。

需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如批量订单处理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行批量订单处理程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。

所述处理器13执行所述计算机设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个批量订单处理方法实施例中的步骤，例如图1所示的步骤。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、触发单元111、查询单元112、拆分单元113、处理单元114、启动单元115、构造单元116、校验单元117、生成单元118。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述批量订单处理方法的部分。

所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。

进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。

尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。

可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种批量订单处理方法，所述处理器13可执行所述多个指令从而实现：

获取预先配置的流水线模型集合；其中，所述流水线模型集合中的每个流水线模型具有对应的任务标识，所述任务标识对应于不同的任务类型；

当在预设时长内接收到多笔委托订单时，触发拆分任务；

获取所述拆分任务对应的第一任务标识，并利用所述第一任务标识在所述流水线模型集合中进行查询，得到第一流水线模型；

利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托；

为每笔子委托配置独立线程，并利用每笔子委托对应的独立线程对每笔子委托进行并行处理；

在处理每笔子委托的过程中，依次启动构造任务、合法性校验任务、风险性校验任务、消息生成任务；

获取所述构造任务对应的第二任务标识，并利用所述第二任务标识在所述流水线模型集合中进行查询，得到第二流水线模型；

获取所述合法性校验任务对应的第三任务标识，并利用所述第三任务标识在所述流水线模型集合中进行查询，得到第三流水线模型；

获取所述风险性校验任务对应的第四任务标识，并利用所述第四任务标识在所述流水线模型集合中进行查询，得到第四流水线模型；

获取所述消息生成任务对应的第五任务标识，并利用所述第五任务标识在所述流水线模型集合中进行查询，得到第五流水线模型；

利用所述第二流水线模型将每笔子委托的网络包构造为消息对象；

利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验；

利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验；

利用所述第五流水线模型根据每笔子委托的消息对象生成***报盘服务组件消息，并将所述***报盘服务组件消息发送至***报盘服务组件。

具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

需要说明的是，本案中所涉及到的数据均为合法取得。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

本发明可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本发明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。一般地，程序模块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。也可以在分布式计算环境中实践本发明，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种批量订单处理方法，其特征在于，所述批量订单处理方法包括：

获取预先配置的流水线模型集合；其中，所述流水线模型集合中的每个流水线模型具有对应的任务标识，所述任务标识对应于不同的任务类型；

当在预设时长内接收到多笔委托订单时，触发拆分任务；

获取所述拆分任务对应的第一任务标识，并利用所述第一任务标识在所述流水线模型集合中进行查询，得到第一流水线模型；

利用所述第一流水线模型对所述多笔委托订单进行拆分，得到每笔子委托；

为每笔子委托配置独立线程，并利用每笔子委托对应的独立线程对每笔子委托进行并行处理；

在处理每笔子委托的过程中，依次启动构造任务、合法性校验任务、风险性校验任务、消息生成任务；

获取所述构造任务对应的第二任务标识，并利用所述第二任务标识在所述流水线模型集合中进行查询，得到第二流水线模型；

获取所述合法性校验任务对应的第三任务标识，并利用所述第三任务标识在所述流水线模型集合中进行查询，得到第三流水线模型；

获取所述风险性校验任务对应的第四任务标识，并利用所述第四任务标识在所述流水线模型集合中进行查询，得到第四流水线模型；

获取所述消息生成任务对应的第五任务标识，并利用所述第五任务标识在所述流水线模型集合中进行查询，得到第五流水线模型；

利用所述第二流水线模型将每笔子委托的网络包构造为消息对象；

利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验；

利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验；

利用所述第五流水线模型根据每笔子委托的消息对象生成***报盘服务组件消息，并将所述***报盘服务组件消息发送至***报盘服务组件。

2.如权利要求1所述的批量订单处理方法，其特征在于，所述方法还包括：

在接收所述多笔委托订单的过程中，当接收到任意委托订单后，经过大于或者等于配置时长没有接收到下一笔委托订单时，每隔预设时间间隔利用时间片消息模拟委托；

在接收到每笔模拟委托时，从内存中读取配置数据，并将所述配置数据增量保存至CPU缓存中。

3.如权利要求1所述的批量订单处理方法，其特征在于，所述方法还包括：

在处理每笔子委托的过程中，每笔子委托对应的第二流水线模型、第三流水线模型、第四流水线及第五流水线模型依次执行。

4.如权利要求1所述的批量订单处理方法，其特征在于，所述利用所述第二流水线模型将每笔子委托的网络包构造为消息对象包括：

利用所述第二流水线模型对每笔子委托的网络包进行解码，得到每笔子委托对应的可读字段；

获取所述***报盘服务组件对应的数据结构；

根据所述数据结构将每笔子委托对应的可读字段构造为对应的消息对象。

5.如权利要求1所述的批量订单处理方法，其特征在于，所述利用所述第三流水线模型对每笔子委托的消息对象进行合法性校验包括：

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否存在乱码；及/或

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否包含冗余字段；及/或

利用每笔子委托对应的第三流水线模型检测每笔子委托中是否包含空字段。

6.如权利要求1所述的批量订单处理方法，其特征在于，所述利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验包括：

利用每笔子委托对应的第四流水线模型获取每笔子委托对应的业务类型；

根据每笔子委托对应的业务类型从预先建立的风险性校验策略中选择每笔子委托对应的目标策略；

根据每笔子委托对应的目标策略对每笔子委托的消息对象进行风险性校验。

7.如权利要求6所述的批量订单处理方法，其特征在于，所述根据每笔子委托对应的目标策略对每笔子委托的消息对象进行风险性校验包括：

根据所述目标策略获取每笔子委托的消息对象的配置字段；

获取每笔子委托对应的投资者姓名；

根据每笔子委托的消息对象的配置字段及每笔子委托对应的投资者姓名进行哈希运算，得到每笔子委托对应的投资者身份预测标识；

获取每笔子委托对应的投资者身份实际标识；

对比每笔子委托对应的投资者身份预测标识与每笔子委托对应的投资者身份实际标识，得到对比结果；

根据所述对比结果对每笔子委托的消息对象进行风险性校验。

8.如权利要求1所述的批量订单处理方法，其特征在于，在所述利用所述第四流水线模型对每笔子委托的消息对象进行风险性校验前，所述方法还包括：

获取历史业务数据；

识别所述历史业务数据中包含的每种业务类型；

确定所述历史业务数据中每种业务类型对应的风险性校验方法；

根据每种业务类型对应的风险性校验方法建立所述风险性校验策略。

9.一种计算机设备，其特征在于，所述计算机设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现如权利要求1至8中任意一项所述的批量订单处理方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至8中任意一项所述的批量订单处理方法。

Images