数据分片调度方法、装置、设备及存储介质

摘要

本说明书实施例提供数据分片调度方法、装置、设备及存储介质，其中数据分片调度方法包括：获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度。通过获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度，从而实现到硬件资源节省与查询效率提升。

权利要求

1.一种数据分片调度方法，其特征在于，包括：获取数据请求，根据所述数据请求确定初始查询数据；

对所述初始查询数据进行数据处理，确定目标查询数据；

将所述目标查询数据输入深度学习模型，确定分片信息；

基于所述分片信息，确定目标数据，并对所述目标数据进行分片调度；

所述基于所述分片信息，确定目标数据，包括：根据所述分片信息确定目标对应关系；其中，所述目标对应关系包括所述目标数据和目标数据库的对应关系，以及所述目标数据与初始数据库的对应关系；

从所述初始数据库确定所述目标数据；其中，所述初始数据库为所述目标数据所在的数据库，所述目标数据库为所述目标数据被调度到的数据库；

所述对所述目标数据进行分片调度，包括：对所述初始数据库的所述目标数据对应的数据分片进行缩容处理，基于所述目标数据对所述目标数据库进行扩容处理。

2.根据权利要求1所述的方法，其特征在于，所述获取数据请求，根据所述数据请求确定初始查询数据，包括：获取数据请求，根据所述数据请求确定数据查询语句；

基于所述数据查询语句，确定用户信息和资源使用信息；

根据所述用户信息和所述资源使用信息确定初始查询数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述初始查询数据进行数据处理，确定目标查询数据，包括：确定数据处理规则，基于所述数据处理规则对所述初始查询数据进行数据清洗、数据转换和数据过滤，确定目标查询数据。

4.根据权利要求1所述的方法，其特征在于，所述将所述目标查询数据输入深度学习模型，确定分片信息，包括：将所述目标查询数据进行数值化处理，得到数值化数据；

将所述数值化数据转化为数据矩阵，并对所述数据矩阵进行归一化处理，确定目标数据集；

基于所述目标数据集进行模型训练确定所述深度学习模型；

基于所述深度学习模型确定所述分片信息。

5.根据权利要求4所述的方法，其特征在于，所述基于所述目标数据集进行模型训练确定所述深度学习模型，包括：将所述目标数据集划分为训练数据集和验证数据集；

基于所述训练数据集、所述验证数据集和交叉熵损失函数确定所述深度学习模型的模型参数，得到训练后的深度学习模型。

6.一种数据分片调度装置，其特征在于，包括：数据获取模块，被配置为获取数据请求，根据所述数据请求确定初始查询数据；

数据处理模块，被配置为对所述初始查询数据进行数据处理，确定目标查询数据；

分片确定模块，被配置为将所述目标查询数据输入深度学习模型，确定分片信息；

分片调度模块，被配置为基于所述分片信息，确定目标数据，并对所述目标数据进行分片调度；

所述基于所述分片信息，确定目标数据，包括：根据所述分片信息确定目标对应关系；其中，所述目标对应关系包括所述目标数据和目标数据库的对应关系，以及所述目标数据与初始数据库的对应关系；

从所述初始数据库确定所述目标数据；其中，所述初始数据库为所述目标数据所在的数据库，所述目标数据库为所述目标数据被调度到的数据库；

所述对所述目标数据进行分片调度，包括：对所述初始数据库的所述目标数据对应的数据分片进行缩容处理，基于所述目标数据对所述目标数据库进行扩容处理。

7.一种计算设备，其特征在于，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至5任意一项所述数据分片调度方法的步骤。

8.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至5任意一项所述数据分片调度方法的步骤。

说明书

数据分片调度方法、装置、设备及存储介质

技术领域

[0001] 本说明书实施例涉及数据处理技术领域，特别涉及数据分片调度方法。

背景技术

[0002] 当前在在处理用户数据请求时，为了应对突发的用户流量增高，一般数据处理系统都是按照用户流量的峰值进行硬件资源的申请与部署，另外为了加快数据处理效率一般都会将同一份数据部署在多个系统中，同时在多个硬件中并行处理数据请求，达到减少用户排队和提高数据处理效率的目的，在这种使用场景下硬件资源及数据分片都只会进行单调递增，或者手工进行分片及硬件资源的增加或减少，这种公共方式一般都是根据操作人的经验，缺乏数据支持和调整依据，也不会根据数据请求对象（比如用户数据、商品数据、库存数据）以及当前数据处理系统的负载以及数据处理时段进行灵活的数据分片以及硬件资源增加或减少。

[0003] 现有的数据分片一般根据操作人的经验进行数据分片以及硬件资源的增加或减少，缺少数据支持及数据验证的依据，既不灵活也不科学，如果操作是一味增加资源，则造成资源浪费，而减少资源则可能引发无法支撑用户数据请求的情况，造成系统不稳定进而降低用户体验。

发明内容

[0004] 有鉴于此，本说明书实施例提供了数据分片调度方法。本说明书一个或者多个实施例同时涉及数据分片调度装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

[0005] 根据本说明书实施例的第一方面，提供了一种数据分片调度方法，包括：

[0006] 获取数据请求，根据数据请求确定初始查询数据；

[0007] 对初始查询数据进行数据处理，确定目标查询数据；

[0008] 将目标查询数据输入深度学习模型，确定分片信息；

[0009] 基于分片信息，确定目标数据，并对目标数据进行分片调度。

[0010] 在一种可能的实现方式中，获取数据请求，根据数据请求确定初始查询数据，包括：

[0011] 获取数据请求，根据数据请求确定数据查询语句；

[0012] 基于数据查询语句，确定用户信息和资源使用信息；

[0013] 根据用户信息和资源使用信息确定初始查询数据。

[0014] 在一种可能的实现方式中，对初始查询数据进行数据处理，确定目标查询数据，包括：

[0015] 确定数据处理规则，基于数据处理规则对初始查询数据进行数据清洗、数据转换和数据过滤，确定目标查询数据。

[0016] 在一种可能的实现方式中，将目标查询数据输入深度学习模型，确定分片信息，包括：

[0017] 将目标查询数据进行数值化处理，得到数值化数据；

[0018] 将数值化数据转化为数据矩阵，并对数据矩阵尽进行归一化处理，确定目标数据集；

[0019] 基于目标数据集进行模型训练确定深度学习模型；

[0020] 基于深度学习模型确定分片信息。

[0021] 在一种可能的实现方式中，基于目标数据集进行模型训练确定深度学习模型，包括：

[0022] 将目标数据集划分为训练数据集和验证数据集；

[0023] 基于训练数据集、验证数据集和交叉熵损失函数确定深度学习模型的模型参数，得到训练后的深度学习模型。

[0024] 在一种可能的实现方式中，基于分片信息，确定目标数据，包括：

[0025] 根据分片信息确定目标对应关系；其中，目标对应关系包括目标数据和目标数据库的对应关系，以及目标数据与初始数据库的对应关系；

[0026] 从初始数据库确定目标数据。

[0027] 在一种可能的实现方式中，对目标数据进行分片调度，包括：

[0028] 对初始数据库的目标数据对应的数据分片进行缩容处理；

[0029] 基于目标数据对目标数据库进行扩容处理。

[0030] 根据本说明书实施例的第二方面，提供了一种数据分片调度装置，包括：

[0031] 数据获取模块，被配置为获取数据请求，根据数据请求确定初始查询数据；

[0032] 数据处理模块，被配置为对初始查询数据进行数据处理，确定目标查询数据；

[0033] 分片确定模块，被配置为将目标查询数据输入深度学习模型，确定分片信息；

[0034] 分片调度模块，被配置为基于分片信息，确定目标数据，并对目标数据进行分片调度。

[0035] 根据本说明书实施例的第三方面，提供了一种计算设备，包括：

[0036] 存储器和处理器；

[0037] 所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述数据分片调度方法的步骤。

[0038] 根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述数据分片调度方法的步骤。

[0039] 根据本说明书实施例的第五方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述数据分片调度方法的步骤。

[0040] 本说明书实施例提供数据分片调度方法、装置、设备及存储介质，其中数据分片调度方法包括：获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度。通过获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度，从而实现到硬件资源节省与查询效率提升。

附图说明

[0041] 图1是本说明书一个实施例提供的一种数据分片调度方法的场景示意图；

[0042] 图2是本说明书一个实施例提供的一种数据分片调度方法的流程图；

[0043] 图3是本说明书一个实施例提供的一种数据分片调度方法的处理过程示意图；

[0044] 图4是本说明书一个实施例提供的一种数据分片调度装置的结构示意图；

[0045] 图5是本说明书一个实施例提供的一种计算设备的结构框图。

具体实施方式

[0046] 在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。

[0047] 在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

[0048] 应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

[0049] 在本说明书中，提供了数据分片调度方法，本说明书同时涉及数据分片调度装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。

[0050] 参见图1，图1示出了根据本说明书一个实施例提供的一种数据分片调度方法的场景示意图。

[0051] 在图1的应用场景中，计算设备101可以获取数据请求102，根据数据请求确定初始查询数据103，计算设备101可以对初始查询数据103进行数据处理，确定目标查询数据104，计算设备101可以将目标查询数据104输入深度学习模型105，确定分片信息106，计算设备101可以基于分片信息106，确定目标数据107，并对目标数据107进行分片调度。

[0052] 需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备101为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备101体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

[0053] 参见图2，图2示出了根据本说明书一个实施例提供的一种数据分片调度方法的流程图，具体包括以下步骤。

[0054] 步骤201：获取数据请求，根据数据请求确定初始查询数据。

[0055] 在一种可能的实现方式中，获取数据请求，根据数据请求确定初始查询数据，包括：获取数据请求，根据数据请求确定数据查询语句；基于数据查询语句，确定用户信息和资源使用信息；根据用户信息和资源使用信息确定初始查询数据。

[0056] 在实际应用中，用户查询在用户终端（s100）（包括不限于PC&APP&H5&各类小程序）中提交数据请求，通过样本采集系统（s101） 上报本次查询所涉及的查询语句（SQL）及用户信息（包括用户ID，用户权限、用户所处位置脱敏信息），本次查询设计到的上报信息以JSON方式进行组织，对本次查询内容和上报时间生成全局唯一ID（queryId）；数据处理系统（s104）将本次用户数据请求的全局唯一ID（queryId），以及本次查询所消耗的CPU、磁盘IO、网络延时，分片以及本机硬件信息，其他计算资源情况（包含使用的线程数量，线程等待时间，本次数据查询内存使用情况，系统负载信息）等信息通过资源上报模块上报到样本收集系统中（s101），s101以及s104上报的具体数据格式见附图中用户终端上报信息及数据处理系统上报信息。

[0057] 步骤202：对初始查询数据进行数据处理，确定目标查询数据。

[0058] 在一种可能的实现方式中，对初始查询数据进行数据处理，确定目标查询数据，包括：确定数据处理规则，基于数据处理规则对初始查询数据进行数据清洗、数据转换和数据过滤，确定目标查询数据。

[0059] 在实际应用中，样本收集系统（s101）同时采集用户侧（s101）和数据处理侧（s104）中的信息，通过数据清洗、转换以及过滤，将初步处理过的信息经过以queryId及时间维度经过样本收集系统（s101）中的数据整合模块整合形成数据样本的数据集进行数据存储，并在T+1时间后将采集的数据集上报到深度学习系统（s102）。

[0060] 步骤203：将目标查询数据输入深度学习模型，确定分片信息。

[0061] 在一种可能的实现方式中，将目标查询数据输入深度学习模型，确定分片信息，包括：将目标查询数据进行数值化处理，得到数值化数据；将数值化数据转化为数据矩阵，并对数据矩阵尽进行归一化处理，确定目标数据集；基于目标数据集进行模型训练确定深度学习模型；基于深度学习模型确定分片信息。

[0062] 在实际应用中，深度学习系统（s102）根据样本收集系统（s101）上报的T+1增量数据进行样本的数值化处理，

[0063] 将增量数据以queryId为行维度转化为数据矩阵（见附图：数据归一化处理），因为数据矩阵中各个数值的差异较大，为方便后续的模型矩阵计算，需要将数据进行归一化处理，归一化处理公式如下：

[0064]

[0065] 其中mean函数表示对矩阵求均值，std函数表示对矩阵求方差。

[0066] 在一种可能的实现方式中，基于目标数据集进行模型训练确定深度学习模型，包括：将目标数据集划分为训练数据集和验证数据集；基于训练数据集、验证数据集和交叉熵损失函数确定深度学习模型的模型参数，得到训练后的深度学习模型。

[0067] 在实际应用中，将归一化数据集分为训练数据集（80%）及验证数据集（20%），对数据集进行深度学习训练，并产出模型数据特征提取和模型训练，对于得到的模型训练的预测结果和真实数据利用交叉熵损失函数进行比较，评估是否需要调整训练模型参数进行学习率调整与重新训练，以及用重新训练得到的数据模型使用验证结果集来进行效果评估，如果结果偏差较大则继续重复此步骤，直到评估效果达到预期阈值，产出可用的数据模型。

[0068] 学习率公式：

[0069] =

[0070] 其中， 为第i个结点在第k次迭代时的学习速率，δ为第i个结点的常数， 为第i个结点的自适应学习效率梯度值；

[0071] 模型结果举例如下：

[0072] 其中数字序号与表名预建立的映射关系；

[0073] 1:t_order

[0074] 2:t_user

[0075] 3:t_account

[0076] 4:t_msg

[0077] 各个库表的分片数据如下：

[0078] [[1,3],[2,1],[3,1],[4,1]]

[0079] 其中1，3中1代表t_order表，分片为3。

[0080] 在一种可能的实现方式中，基于分片信息，确定目标数据，包括：根据分片信息确定目标对应关系；其中，目标对应关系包括目标数据和目标数据库的对应关系，以及目标数据与初始数据库的对应关系；从初始数据库确定目标数据。

[0081] 在实际应用中，根据模型训练系统中得到的结果集通过分片调度系统（s103）进行部署。分片调度系统（s103）将数据模型结果集相关数据分片信息通过分片调度模块分发到数据处理系统（s104）中，等待数据分片调度执行。

[0082] 在一种可能的实现方式中，对目标数据进行分片调度，包括：对初始数据库的目标数据对应的数据分片进行缩容处理；基于目标数据对目标数据库进行扩容处理。

[0083] 在实际应用中，数据处理系统（s104）中各个机器根据分片调度系统（s103）中的分片调度信息，对数据分片进行扩容或缩容处理，同时上报分片调度结果及本机资源等信息上报给样本收集系统（s101）及分片调度系统（s103）中，以备后续样本数据处理及分片调度处理。步骤204：基于分片信息，确定目标数据，并对目标数据进行分片调度。

[0084] 本说明书实施例提供数据分片调度方法、装置、设备及存储介质，其中数据分片调度方法包括：获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度。通过获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度，从而实现到硬件资源节省与查询效率提升。

[0085] 与上述方法实施例相对应，本说明书还提供了数据分片调度装置实施例，图4示出了本说明书一个实施例提供的一种数据分片调度装置的结构示意图。如图4所示，该装置包括：

[0086] 根据本说明书实施例的第二方面，提供了一种数据分片调度装置，包括：

[0087] 数据获取模块401，被配置为获取数据请求，根据数据请求确定初始查询数据；

[0088] 数据处理模块402，被配置为对初始查询数据进行数据处理，确定目标查询数据；

[0089] 分片确定模块403，被配置为将目标查询数据输入深度学习模型，确定分片信息；

[0090] 分片调度模块404，被配置为基于分片信息，确定目标数据，并对目标数据进行分片调度。

[0091] 在一种可能的实现方式中，数据获取模块401，还被配置为：

[0092] 获取数据请求，根据数据请求确定数据查询语句；

[0093] 基于数据查询语句，确定用户信息和资源使用信息；

[0094] 根据用户信息和资源使用信息确定初始查询数据。

[0095] 在一种可能的实现方式中，数据处理模块402，还被配置为：

[0096] 确定数据处理规则，基于数据处理规则对初始查询数据进行数据清洗、数据转换和数据过滤，确定目标查询数据。

[0097] 在一种可能的实现方式中，分片确定模块403，还被配置为：

[0098] 将目标查询数据进行数值化处理，得到数值化数据；

[0099] 将数值化数据转化为数据矩阵，并对数据矩阵尽进行归一化处理，确定目标数据集；

[0100] 基于目标数据集进行模型训练确定深度学习模型；

[0101] 基于深度学习模型确定分片信息。

[0102] 在一种可能的实现方式中，分片确定模块403，还被配置为：

[0103] 将目标数据集划分为训练数据集和验证数据集；

[0104] 基于训练数据集、验证数据集和交叉熵损失函数确定深度学习模型的模型参数，得到训练后的深度学习模型。

[0105] 在一种可能的实现方式中，分片调度模块404，还被配置为：

[0106] 根据分片信息确定目标对应关系；其中，目标对应关系包括目标数据和目标数据库的对应关系，以及目标数据与初始数据库的对应关系；

[0107] 从初始数据库确定目标数据。

[0108] 在一种可能的实现方式中，分片调度模块404，还被配置为：

[0109] 对初始数据库的目标数据对应的数据分片进行缩容处理；

[0110] 基于目标数据对目标数据库进行扩容处理。

[0111] 本说明书实施例提供数据分片调度方法、装置、设备及存储介质，其中数据分片调度装置包括：获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度。通过获取数据请求，根据数据请求确定初始查询数据，对初始查询数据进行数据处理，确定目标查询数据，将目标查询数据输入深度学习模型，确定分片信息，基于分片信息，确定目标数据，并对目标数据进行分片调度，从而实现到硬件资源节省与查询效率提升。

[0112] 上述为本实施例的一种数据分片调度装置的示意性方案。需要说明的是，该数据分片调度装置的技术方案与上述的数据分片调度方法的技术方案属于同一构思，数据分片调度装置的技术方案未详细描述的细节内容，均可以参见上述数据分片调度方法的技术方案的描述。

[0113] 图5示出了根据本说明书一个实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。

[0114] 计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网（PSTN，Public Switched Telephone Network）、局域网（LAN，Local Area Network）、广域网（WAN，Wide Area Network）、个域网（PAN，Personal Area Network）或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口（例如，网络接口卡（NIC，network interface controller））中的一个或多个，诸如IEEE802.11无线局域网（WLAN，Wireless Local  Area  Network）无线接口、全球微波互联接入（Wi‑MAX，Worldwide Interoperability for Microwave Access）接口、以太网接口、通用串行总线（USB，Universal Serial Bus）接口、蜂窝网络接口、蓝牙接口、近场通信（NFC，Near Field Communication）。

[0115] 在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

[0116] 计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备（例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等）、移动电话（例如，智能手机）、可佩戴的计算设备（例如，智能手表、智能眼镜等）或其他类型的移动设备，或者诸如台式计算机或个人计算机（PC，Personal Computer）的静止计算设备。计算设备500还可以是移动式或静止式的服务器。

[0117] 其中，处理器520用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述数据分片调度方法的步骤。上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的数据分片调度方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述数据分片调度方法的技术方案的描述。

[0118] 本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述数据分片调度方法的步骤。

[0119] 上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的数据分片调度方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述数据分片调度方法的技术方案的描述。

[0120] 本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述数据分片调度方法的步骤。

[0121] 上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的数据分片调度方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述数据分片调度方法的技术方案的描述。

[0122] 上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0123] 所述计算机指令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（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

[0124] 需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。

[0125] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

[0126] 以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。