本發(fā)明涉及一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，尤其涉及一種用于數(shù)據(jù)流處理系統(tǒng)的多目標(biāo)優(yōu)化方法，屬于計(jì)算機(jī)應(yīng)用技術(shù)、實(shí)時(shí)大數(shù)據(jù)分析領(lǐng)域。

背景技術(shù)：

近年來(lái)涌現(xiàn)出大量實(shí)時(shí)性大數(shù)據(jù)分析應(yīng)用，比如社交網(wǎng)絡(luò)動(dòng)態(tài)分析、智能交通數(shù)據(jù)分析、大規(guī)模數(shù)據(jù)中心監(jiān)控、基因數(shù)據(jù)分析等。這類(lèi)應(yīng)用不但數(shù)據(jù)量大而且數(shù)據(jù)持續(xù)快速產(chǎn)生或更新，要求數(shù)據(jù)分析系統(tǒng)持續(xù)并實(shí)時(shí)的返回或更新分析結(jié)果，我們稱(chēng)之為實(shí)時(shí)大數(shù)據(jù)(Big&fast data)分析。此類(lèi)應(yīng)用對(duì)實(shí)時(shí)大數(shù)據(jù)分析系統(tǒng)具有迫切需求，需要系統(tǒng)對(duì)響應(yīng)延遲、吞吐率方面給出量化保證。

目前，實(shí)時(shí)大數(shù)據(jù)分析應(yīng)用中用戶(hù)對(duì)響應(yīng)延遲、吞吐率的要求，依賴(lài)于歷史經(jīng)驗(yàn)，由IT人員為數(shù)據(jù)流處理系統(tǒng)中的分析作業(yè)手工配置合適的執(zhí)行計(jì)劃，缺乏對(duì)實(shí)時(shí)大數(shù)據(jù)分析響應(yīng)延遲和吞吐率的量化保證；即使經(jīng)驗(yàn)豐富的IT人員也不能保證配置了較優(yōu)的執(zhí)行計(jì)劃，從而導(dǎo)致分析作業(yè)運(yùn)行效率低下，無(wú)法滿(mǎn)足上層應(yīng)用對(duì)實(shí)時(shí)性的要求。

本方法是基于實(shí)時(shí)大數(shù)據(jù)中兩個(gè)重要的指標(biāo)——響應(yīng)延遲和吞吐率，而設(shè)計(jì)的多目標(biāo)優(yōu)化方法?；诮o定的響應(yīng)延遲和吞吐率模型，構(gòu)建多目標(biāo)優(yōu)化模型，從理論上保證選取最優(yōu)的執(zhí)行計(jì)劃。實(shí)時(shí)大數(shù)據(jù)分析系統(tǒng)的多目標(biāo)優(yōu)化對(duì)于提供有服務(wù)質(zhì)量保障的實(shí)時(shí)大數(shù)據(jù)分析云服務(wù)、為國(guó)家關(guān)鍵行業(yè)及重要監(jiān)控應(yīng)用提供實(shí)時(shí)大數(shù)據(jù)分析平臺(tái)及優(yōu)化框架具有重要意義。

已有的基于權(quán)重加和的多目標(biāo)優(yōu)化方法雖然解決了在一定條件約束下凸目標(biāo)函數(shù)的響應(yīng)延遲和吞吐率的帕累托最優(yōu)問(wèn)題，但不能解決凹目標(biāo)函數(shù)情況的帕累托最優(yōu)問(wèn)題；另外基于權(quán)重加和的多目標(biāo)優(yōu)化方法返回給用戶(hù)的解密度不等、難以解釋且不具有代表性，用戶(hù)實(shí)際上需要在帕累托曲線上有代表性的一組解。因此，基于權(quán)重加和的多目標(biāo)優(yōu)化方法不能滿(mǎn)足IT人員交互場(chǎng)景下的多目標(biāo)優(yōu)化。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)已有的基于權(quán)重加和的多目標(biāo)優(yōu)化方法中沒(méi)有考慮用戶(hù)在部署使用時(shí)在響應(yīng)延遲和吞吐率上存在取舍的情況，而造成帕里托最優(yōu)解隨機(jī)的缺陷。本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，要解決的技術(shù)問(wèn)題是：針對(duì)數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化問(wèn)題，能夠避免帕累托最優(yōu)解隨機(jī)的缺陷，得到一組具有典型代表意義的帕累托最優(yōu)解，為用戶(hù)在響應(yīng)延遲和吞吐率上提供選擇空間。

本發(fā)明的目的是通過(guò)下述技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，根據(jù)用戶(hù)所指定的響應(yīng)延遲的上下界以及吞吐率的上下界，給出不確定區(qū)域面積；基于縮小不確定區(qū)域面積這一目標(biāo)，通過(guò)遞歸的二分探測(cè)法得到一組具有典型代表意義的帕累托最優(yōu)解，為用戶(hù)在響應(yīng)延遲和吞吐率上提供選擇空間。

本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，包括如下步驟：

步驟1：輸入當(dāng)前響應(yīng)延遲的上界，記為L(zhǎng)_upper；輸入當(dāng)前響應(yīng)延遲的下界，記為L(zhǎng)_lower；輸入不確定區(qū)域面積的閾值，記為UA。

步驟2：根據(jù)當(dāng)前響應(yīng)延遲的上界L_upper和下界L_lower，分別計(jì)算當(dāng)前吞吐率的上界和下界。

步驟2.1：根據(jù)當(dāng)前響應(yīng)延遲的上界L_upper，計(jì)算當(dāng)前吞吐率的上界，記為T(mén)_upper，計(jì)算公式如下：

其中，s.t.代表約束；c代表具體系統(tǒng)配置；λ代表實(shí)時(shí)的輸入數(shù)據(jù)率；Γ_(c,λ)代表具體系統(tǒng)的參數(shù)配置c和實(shí)時(shí)的輸入數(shù)據(jù)率λ條件下的吞吐率；ψ_(c,λ)代表具體系統(tǒng)的參數(shù)配置c和實(shí)時(shí)的輸入數(shù)據(jù)率λ條件下的響應(yīng)延遲；式(1)上式反映的是，給定輸入數(shù)據(jù)率λ，在滿(mǎn)足響應(yīng)延遲ψ_(c,λ)小于響應(yīng)延遲上界L_upper的一組具體系統(tǒng)的參數(shù)配置c中，尋求能使吞吐率Γ_(c,λ)最大化的具體系統(tǒng)配置c，并記錄最大吞吐率為T(mén)_upper；

步驟2.2：根據(jù)當(dāng)前響應(yīng)延遲的下界L_lower，計(jì)算當(dāng)前吞吐率的下界，記為T(mén)_lower，計(jì)算公式如下：

上式反映的是，給定輸入數(shù)據(jù)率λ，在滿(mǎn)足響應(yīng)延遲ψ_(c,λ)小于響應(yīng)延遲下界L_lower的一組具體系統(tǒng)的參數(shù)配置c中，尋求能使吞吐率Γ_(c,λ)最大化的具體系統(tǒng)配置c，并記錄最大吞吐率為T(mén)_lower。

步驟3：根據(jù)當(dāng)前響應(yīng)延遲的上界L_upper和下界L_lower，通過(guò)二分法計(jì)算當(dāng)前的探測(cè)響應(yīng)延遲、最大探測(cè)吞吐率以及最大探測(cè)吞吐率的具體系統(tǒng)配置。

步驟3.1：根據(jù)當(dāng)前響應(yīng)延遲的上界L_upper和下界L_lower，計(jì)算當(dāng)前探測(cè)響應(yīng)延遲，記為L(zhǎng)_middle，計(jì)算公式如下：

L_middle＝(L_lower+L_upper)/2； (3)

步驟3.2：根據(jù)當(dāng)前探測(cè)響應(yīng)延遲L_middle，計(jì)算當(dāng)前的最大探測(cè)吞吐率和最大探測(cè)吞吐率的具體系統(tǒng)配置，分別記為T(mén)_middle、c_middle，計(jì)算公式如下：

步驟4：根據(jù)當(dāng)前的響應(yīng)延遲的上界L_upper和下界L_lower、吞吐率的上界T_upper和下界T_lower、探測(cè)響應(yīng)延遲L_middle以及最大探測(cè)吞吐率T_middle，分別計(jì)算當(dāng)前左半部分和右半部分的不確定區(qū)域面積。

步驟4.1：根據(jù)當(dāng)前的響應(yīng)延遲的下界L_lower和探測(cè)響應(yīng)延遲L_middle以及當(dāng)前的吞吐率的下界T_lower和最大探測(cè)吞吐率T_middle，計(jì)算當(dāng)前左半部分的不確定區(qū)域面積，記為ua_left，計(jì)算公式如下：

ua_left＝(L_middle-L_lower)×(T_middle-T_lower)； (5)

步驟4.2：根據(jù)當(dāng)前的響應(yīng)延遲的上界L_upper和探測(cè)響應(yīng)延遲L_middle以及當(dāng)前的吞吐率的上界T_upper和最大探測(cè)吞吐率T_middle，計(jì)算當(dāng)前右半部分的不確定區(qū)域面積，記為ua_right，計(jì)算公式如下：

ua_right＝(L_upper-L_middle)×(T_upper-T_middle)； (6)

步驟5：判斷當(dāng)前左半部分和右半部分的不確定區(qū)域面積是否小于或等于不確定區(qū)域面積的閾值UA，決定是否進(jìn)行遞歸迭代探測(cè)。

步驟5.1：判斷左半部分的不確定區(qū)域面積ua_left是否小于或等于不確定區(qū)域面積的閾值UA，從而決定是否進(jìn)行遞歸迭代探測(cè)，具體過(guò)程如下：

步驟5.1.1：若左半部分的不確定區(qū)域面積ua_left小于或等于不確定區(qū)域面積的閾值UA，則左半部分探測(cè)結(jié)果組置為空集，轉(zhuǎn)步驟5.2；否則，轉(zhuǎn)步驟5.1.2；

其中，左半部分探測(cè)結(jié)果組，記為plan_left，計(jì)算公式如下：

步驟5.1.2：將當(dāng)前探測(cè)響應(yīng)延遲L_middle作為下次探測(cè)響應(yīng)延遲上界L_upper、當(dāng)前響應(yīng)延遲下界L_lower作為下次探測(cè)響應(yīng)延遲下界L_lower，遞歸迭代左半部分；最終，記錄左半部分探測(cè)結(jié)果組plan_left；

其中，左半部分探測(cè)結(jié)果組plan_left的計(jì)算公式如下：

plan_left＝prob(L_lower,L_middle)； (8)

其中，prob(L_lower,L_upper)代表遞歸迭代探測(cè)；

步驟5.2：判斷右半部分的不確定區(qū)域面積ua_right是否小于或等于不確定區(qū)域面積的閾值UA，從而決定是否進(jìn)行遞歸迭代探測(cè)，具體過(guò)程如下：

步驟5.2.1：若右半部分的不確定區(qū)域面積ua_right是否小于或等于不確定區(qū)域面積的閾值UA，則右半部分探測(cè)結(jié)果組置為空集，轉(zhuǎn)步驟6；否則，轉(zhuǎn)步驟5.2.2；

其中，右半部分探測(cè)結(jié)果組，記為plan_right，計(jì)算公式如下：

步驟5.2.2：將當(dāng)前探測(cè)響應(yīng)延遲L_middle作為下次探測(cè)響應(yīng)延遲下界L_lower，當(dāng)前響應(yīng)延遲上界L_upper作為下次探測(cè)響應(yīng)延遲上界L_upper，遞歸迭代右半部分；最終，記錄右半部分探測(cè)結(jié)果組plan_right；

其中，右半部分探測(cè)結(jié)果組plan_right的計(jì)算公式如下：

plan_right＝prob(L_middle,L_upper)； (10)

步驟6：計(jì)算當(dāng)前探測(cè)結(jié)果組，將當(dāng)前探測(cè)結(jié)果組與左半部分探測(cè)結(jié)果組plan_left和右半部分探測(cè)結(jié)果組plan_right合并，并返回最終探測(cè)結(jié)果組，即得到數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化的一組具有典型代表意義的帕累托最優(yōu)解。

步驟6.1：根據(jù)當(dāng)前的探測(cè)響應(yīng)延遲L_middle、最大探測(cè)吞吐量T_middle以及最大探測(cè)吞吐率的具體系統(tǒng)配置c_middle，計(jì)算當(dāng)前探測(cè)結(jié)果組，記為plan_middle，計(jì)算公式如下：

plan_middle＝{(L_middle,T_middle,c_middle)}； (11)

步驟6.2：將當(dāng)前探測(cè)結(jié)果組plan_middle與左半部分探測(cè)結(jié)果組plan_left和右半部分探測(cè)結(jié)果組plan_right合并，并返回最終探測(cè)結(jié)果組，記為plan，計(jì)算公式如下：

plan＝plan_left∪plan_middle∪plan_right； (12)

至此，所述的返回最終探測(cè)結(jié)果組plan，即為數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化的一組具有典型代表意義的帕累托最優(yōu)解。

有益效果：

1.本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，基于響應(yīng)延遲的上下界，基于帕累托最優(yōu)點(diǎn)與約束最優(yōu)化解的關(guān)系，使用不確定區(qū)域面積作為不確定度的度量，為探測(cè)深度的不確定性提供量化的測(cè)定標(biāo)準(zhǔn)。

2.本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，基于縮小不確定區(qū)域面積這一目標(biāo)，通過(guò)二分探測(cè)法提高探測(cè)具有典型代表意義帕累托最優(yōu)解的效率。

3.本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，能夠在用戶(hù)指定的響應(yīng)延遲或吞吐率范圍內(nèi)，返回一系列有意義且具有代表性的帕里托最優(yōu)解，確保用戶(hù)能在該范圍內(nèi)接受想要的最優(yōu)解；

4.本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，適用于不同的實(shí)時(shí)大數(shù)據(jù)分析系統(tǒng)多目標(biāo)優(yōu)化場(chǎng)景中，應(yīng)用范圍廣，實(shí)用性強(qiáng)，易于推廣。

5.本發(fā)明公開(kāi)的一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法，只針對(duì)數(shù)據(jù)本身進(jìn)行處理，能夠得到一組具有典型代表意義的帕累托最優(yōu)解，而不受限于數(shù)據(jù)的來(lái)源，適用于對(duì)所有的工程應(yīng)用中的數(shù)據(jù)的處理。

附圖說(shuō)明

圖1為本發(fā)明“一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法”中的本方法及實(shí)施例1中的流程示意圖；

圖2為本發(fā)明“一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法”實(shí)施例2中遞歸迭代探測(cè)的流程示意圖；

圖3為本發(fā)明“一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法”實(shí)施例1中的本方法與權(quán)重加和的實(shí)驗(yàn)對(duì)比圖。

具體實(shí)施方式

下面根據(jù)附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明，但本發(fā)明的具體實(shí)施形式并不局限于此。

實(shí)施例1：

本實(shí)施例闡述了將本發(fā)明“一種基于不確定度的數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化方法”應(yīng)用于具體的實(shí)時(shí)大數(shù)據(jù)分析系統(tǒng)Apache Spark Streaming場(chǎng)景下的流程。

圖1為本方法的算法流程圖以及本實(shí)施例的流程圖。從圖中可以看出，本方法包含如下步驟：

步驟1：當(dāng)前響應(yīng)延遲的上界L_upper被初始化為10.0，當(dāng)前響應(yīng)延遲的下界L_lower被初始化為0.5，不確定區(qū)域面積的閾值UA被初始化為10000。

步驟2：根據(jù)當(dāng)前響應(yīng)延遲的上界10.0和下界0.5，分別計(jì)算當(dāng)前吞吐率的上界和下界。

步驟2.1：根據(jù)當(dāng)前響應(yīng)延遲的上界10.0，計(jì)算當(dāng)前吞吐率的上界T_upper為1677367.1230139078，計(jì)算公式如下：

其中，s.t.代表約束；c代表具體系統(tǒng)配置；λ代表實(shí)時(shí)的輸入數(shù)據(jù)率；Γ_(c,λ)代表具體系統(tǒng)的參數(shù)配置c和實(shí)時(shí)的輸入數(shù)據(jù)率λ條件下的吞吐率；ψ_(c,λ)代表具體系統(tǒng)的參數(shù)配置c和實(shí)時(shí)的輸入數(shù)據(jù)率λ條件下的響應(yīng)延遲；上式反映的是，給定輸入數(shù)據(jù)率λ，在滿(mǎn)足響應(yīng)延遲ψ_(c,λ)小于響應(yīng)延遲上界L_upper的一組具體系統(tǒng)的參數(shù)配置c中，尋求能使吞吐率Γ_(c,λ)最大化的具體系統(tǒng)配置c，并記錄最大吞吐率為T(mén)_upper；

步驟2.2：根據(jù)當(dāng)前響應(yīng)延遲的下界0.5，計(jì)算當(dāng)前吞吐率的下界T_lower為1288034.188034188，計(jì)算公式如下：

上式反映的是，給定輸入數(shù)據(jù)率λ，在滿(mǎn)足響應(yīng)延遲ψ_(c,λ)小于響應(yīng)延遲下界L_lower的一組具體系統(tǒng)的參數(shù)配置c中，尋求能使吞吐率Γ_(c,λ)最大化的具體系統(tǒng)配置c，并記錄最大吞吐率為T(mén)_lower；

步驟3：根據(jù)當(dāng)前響應(yīng)延遲的上界10.0和下界0.5，通過(guò)二分法計(jì)算當(dāng)前的探測(cè)響應(yīng)延遲、最大探測(cè)吞吐率以及最大探測(cè)吞吐率的具體系統(tǒng)配置。

步驟3.1：根據(jù)當(dāng)前響應(yīng)延遲的上界10.0和下界0.5，計(jì)算當(dāng)前探測(cè)響應(yīng)延遲L_middle為5.25，計(jì)算公式如下：

L_middle＝(L_lower+L_upper)/2＝(10.0+0.5)/2＝5.25； (3)

步驟3.2：根據(jù)當(dāng)前探測(cè)響應(yīng)延遲5.25，計(jì)算當(dāng)前的最大探測(cè)吞吐率T_middle和最大探測(cè)吞吐率的具體系統(tǒng)配置c_middle，分別為1674561.0772396186、c₁，計(jì)算公式如下：

步驟4：根據(jù)當(dāng)前的響應(yīng)延遲的上界10.0和下界0.5、吞吐率的上界1677367.1230139078和下界1288034.188034188、探測(cè)響應(yīng)延遲5.25以及最大探測(cè)吞吐率1674561.0772396186，分別計(jì)算當(dāng)前左半部分和右半部分的不確定區(qū)域面積。

步驟4.1：根據(jù)當(dāng)前的響應(yīng)延遲的下界0.5和探測(cè)響應(yīng)延遲5.25以及當(dāng)前的吞吐率的下界1288034.188034188和最大探測(cè)吞吐率1674561.0772396186，計(jì)算當(dāng)前左半部分的不確定區(qū)域面積ua_left為183600.2723725793，計(jì)算公式如下：

步驟4.2：根據(jù)當(dāng)前的響應(yīng)延遲的上界10.0和探測(cè)響應(yīng)延遲5.25以及當(dāng)前的吞吐率的上界1677367.1230139078和最大探測(cè)吞吐率1674561.0772396186，計(jì)算當(dāng)前右半部分的不確定區(qū)域面積ua_right為13328.71742787275，計(jì)算公式如下：

步驟5：判斷當(dāng)前左半部分和右半部分的不確定區(qū)域面積是否小于或等于不確定區(qū)域面積的閾值10000，決定是否進(jìn)行遞歸迭代探測(cè)。

步驟6：計(jì)算當(dāng)前探測(cè)結(jié)果組，將當(dāng)前探測(cè)結(jié)果組與左半部分探測(cè)結(jié)果組plan_left和右半部分探測(cè)結(jié)果組plan_right合并，并返回最終探測(cè)結(jié)果組，即得到數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化的一組具有典型代表意義的帕累托最優(yōu)解。

步驟6.1：根據(jù)當(dāng)前的探測(cè)響應(yīng)延遲5.25、最大探測(cè)吞吐量1674561.0772396186以及最大探測(cè)吞吐率的具體系統(tǒng)配置c₁，計(jì)算當(dāng)前探測(cè)結(jié)果組plan_middle為{(5.25,1674561.0772396186,c₁)}，計(jì)算公式如下：

步驟6.2：將當(dāng)前探測(cè)結(jié)果組plan_middle與左半部分探測(cè)結(jié)果組plan_left和右半部分探測(cè)結(jié)果組plan_right合并，并返回最終探測(cè)結(jié)果組plan為plan_left∪{(5.25,1674561.0772396186,c₁)}∪plan_right，計(jì)算公式如下：

至此，所述的返回最終探測(cè)結(jié)果組plan，即為數(shù)據(jù)流處理系統(tǒng)多目標(biāo)優(yōu)化的一組具有典型代表意義的帕累托最優(yōu)解。

本方法與權(quán)重加和的實(shí)驗(yàn)對(duì)比圖如圖3所示。其中，橫坐標(biāo)代表響應(yīng)延遲(秒)，縱坐標(biāo)代表吞吐率(百萬(wàn)條/秒)，圖中的點(diǎn)代表某響應(yīng)延遲下所能取得的最大吞吐率，即帕累托最優(yōu)解。左圖表示，權(quán)重加和方法，右圖表示本方法。從圖3中可以看出，權(quán)重加和的帕累托最優(yōu)解集中于小部分的區(qū)域內(nèi)，不能表示響應(yīng)延遲與吞吐率在整個(gè)空間內(nèi)的分布情況，不能提供給用戶(hù)一組具有典型代表意義的帕累托最優(yōu)解；本方法的解集在整個(gè)空間內(nèi)分布均勻，能為用戶(hù)提供響應(yīng)延遲與吞吐率的多種最優(yōu)選擇，即能提供給用戶(hù)一組具有典型代表意義的帕累托最優(yōu)解。

實(shí)施例2：

本實(shí)施例具體闡述了本發(fā)明步驟5中敘述的遞歸迭代探測(cè)及實(shí)施例1中步驟5的遞歸迭代探測(cè)，算法流程如圖2所示。從圖2中可以看出，遞歸迭代探測(cè)的具體步驟為：

步驟5：判斷當(dāng)前左半部分和右半部分的不確定區(qū)域面積是否小于或等于不確定區(qū)域面積的閾值10000，決定是否進(jìn)行遞歸迭代探測(cè)。

步驟5.1：判斷左半部分的不確定區(qū)域面積183600.2723725793是否小于或等于不確定區(qū)域面積的閾值10000，從而決定是否進(jìn)行遞歸迭代探測(cè)，具體過(guò)程如下：

步驟5.1.1：若左半部分的不確定區(qū)域面積183600.2723725793小于或等于不確定區(qū)域面積的閾值10000，則左半部分探測(cè)結(jié)果組置為空集，轉(zhuǎn)步驟5.2；否則，轉(zhuǎn)步驟5.1.2；

其中，左半部分探測(cè)結(jié)果組plan_left的計(jì)算公式如下：

步驟5.1.2：將當(dāng)前探測(cè)響應(yīng)延遲5.25作為下次探測(cè)響應(yīng)延遲上界L_upper、當(dāng)前響應(yīng)延遲下界0.5作為下次探測(cè)響應(yīng)延遲下界L_lower，遞歸迭代左半部分；最終，記錄左半部分探測(cè)結(jié)果組plan_left；

其中，左半部分探測(cè)結(jié)果組plan_left的計(jì)算公式如下：

其中，prob(L_lower,L_upper)代表遞歸迭代探測(cè)；

步驟5.2：判斷右半部分的不確定區(qū)域面積13328.71742787275是否小于或等于不確定區(qū)域面積的閾值10000，從而決定是否進(jìn)行遞歸迭代探測(cè)，具體過(guò)程如下：

步驟5.2.1：若右半部分的不確定區(qū)域面積13328.71742787275是否小于或等于不確定區(qū)域面積的閾值10000，則右半部分探測(cè)結(jié)果組置為空集，轉(zhuǎn)步驟6；否則，轉(zhuǎn)步驟5.2.2；

其中，右半部分探測(cè)結(jié)果組plan_right的計(jì)算公式如下：

步驟5.2.2：將當(dāng)前探測(cè)響應(yīng)延遲5.25作為下次探測(cè)響應(yīng)延遲下界L_lower，當(dāng)前響應(yīng)延遲上界10.0作為下次探測(cè)響應(yīng)延遲上界L_upper，遞歸迭代右半部分；最終，記錄右半部分探測(cè)結(jié)果組plan_right；

其中，右半部分探測(cè)結(jié)果組plan_right的計(jì)算公式如下：

至此，從步驟5.1到步驟5.2，完成了實(shí)施例1中步驟5的遞歸迭代探測(cè)。

實(shí)施例3：

將實(shí)施例1中的具體的實(shí)時(shí)大數(shù)據(jù)分析系統(tǒng)Apache Spark Streaming改成其他實(shí)時(shí)大數(shù)據(jù)分析系統(tǒng)如Apache Storm、Google Dataflow等，即本發(fā)明所提出的多目標(biāo)優(yōu)化方法不受限于數(shù)據(jù)的來(lái)源，適用于對(duì)所有的工程應(yīng)用中的數(shù)據(jù)的處理。

上述實(shí)施方式中未述及的有關(guān)技術(shù)內(nèi)容采取或借鑒已有技術(shù)即可實(shí)現(xiàn)。

以上所述為本發(fā)明的較佳實(shí)施例而已，本發(fā)明不應(yīng)該局限于該實(shí)施例和附圖所公開(kāi)的內(nèi)容。凡是不脫離本發(fā)明所公開(kāi)的精神下完成的等效或修改，都落入本發(fā)明保護(hù)的范圍。