前端资源动态加载方法、设备以及存储介质与流程

摘要: 本技术涉及前端性能优化,尤其涉及一种前端资源动态加载方法、设备以及存储介质。背景技术:1、随着互联网技术的快速发展,前端应用承载的业务逻辑日益复杂,资源体量不断...
前端资源动态加载方法、设备以及存储介质与流程

本技术涉及前端性能优化,尤其涉及一种前端资源动态加载方法、设备以及存储介质。

背景技术:

1、随着互联网技术的快速发展,前端应用承载的业务逻辑日益复杂,资源体量不断增大,前端性能优化已成为提升用户体验的核心环节。为加快资源加载速度,现有技术中已出现多种缓存方案,如通过http缓存头设定统一的过期时间,或在service worker中为特定路径配置固定的缓存模式,然而,上述缓存与加载策略虽可以在一定程度上减少重复请求,但均为被动响应式的,即只有在用户实际触发页面访问或点击操作后,系统才开始执行对应资源的缓存查询、网络请求和资源加载流程。

2、具体的,http缓存头所设定的缓存有效期是静态固定的,若用户首次访问某一资源,或该资源已过期,系统仍需等待网络请求完成后才能呈现内容,该过程不可避免地引入了网络往返延迟和服务器响应延迟。service worker缓存虽然可拦截请求并返回预缓存的资源,但其预缓存机制通常依赖于页面构建时的静态清单(如precache-manifest),仅能缓存固定列表中的资源,无法根据用户当前的操作行为和浏览轨迹动态预测其下一步可能访问的资源并提前加载。

3、由于上述被动响应式的资源加载机制,当用户访问一个尚未被缓存的新资源时,无论该资源的网络传输体积大小、服务器响应速度如何,用户均需承受完整的网络加载延迟。特别是在移动网络环境不稳定或服务器负载较高的情况下,该延迟会被进一步放大,直接影响页面的首屏渲染速度、交互响应速度和整体用户体验。

技术实现思路

1、本技术的主要目的在于提供一种前端资源动态加载方法、设备以及存储介质,旨在解决现有前端资源加载时机与缓存层级静态固定、无法动态适配用户行为与资源属性的技术问题。

2、为实现上述目的,本技术提出一种前端资源动态加载方法,所述前端资源动态加载方法包括:

3、采集用户在前端页面的交互行为数据,并对所述交互行为数据进行特征提取,构建用户特征向量;

4、将所述用户特征向量输入行为预测模型,通过所述行为预测模型进行资源访问预测,得到资源访问预测结果,所述资源访问预测结果包括所述用户待访问的目标资源和所述目标资源的访问概率值;

5、基于所述资源访问预测结果与所述目标资源的综合权重进行融合,并结合环境状态信息,生成包含所述目标资源的目标缓存层级和触发时机的资源加载调度指令,其中,所述综合权重为通过对所述目标资源的多个维度属性数据进行加权计算得到;

6、根据所述资源加载调度指令,按照从高速缓存到低速缓存的顺序逐级在分层缓存架构中查询所述目标资源并加载所述目标资源,其中,响应于所述触发时机时,将所述目标资源写入所述目标缓存层级。

7、在一实施例中,所述对所述交互行为数据进行特征提取,构建用户特征向量的步骤包括:

8、将所述行为数据按用户会话进行聚合,形成有序行为序列;

9、对所述有序行为序列进行时间特征编码,提取访问时间点,访问间隔和在所述前端页面的停留时间,得到时间特征子向量;

10、将所述有序行为序列通过嵌入层进行映射,得到行为序列子向量;

11、统计所述用户在所述有序行为序列中访问各资源类别的频率分布,确定用户偏好特征,并对所述用户偏好特征进行特征嵌入,生成偏好特征子向量;

12、将所述时间特征子向量、所述行为序列子向量和所述偏好特征子向量进行拼接,得到所述用户特征向量。

13、在一实施例中,所述行为预测模型包括长短期记忆网络、自注意力编码网络和协同过滤模型,所述将所述用户特征向量输入行为预测模型,通过所述行为预测模型进行资源访问预测,得到资源访问预测结果的步骤包括:

14、将所述用户特征向量中的行为序列子向量输入长短期记忆网络,通过所述长短期记忆网络提取行为序列的短期时序依赖关系,得到第一隐状态向量;

15、将所述用户特征向量输入自注意力编码网络,通过所述自注意力编码网络的多头自注意力机制捕获全局特征交互关系,得到第二隐状态向量;

16、将所述用户特征向量输入协同过滤模型,通过所述协同过滤模型计算所述用户对各候选资源的隐含偏好分数,得到第三隐状态向量;

17、将所述第一隐状态向量、所述第二隐状态向量和所述第三隐状态向量进行拼接,经全连接层加权融合并通过激活函数映射,得到各候选资源的访问概率值、预测访问时间、预测停留时长;

18、按所述访问概率值降序排列,选取前预设数量的候选资源作为所述目标资源。

19、在一实施例中,所述基于所述资源访问预测结果与所述目标资源的综合权重进行融合的步骤之前,还包括:

20、获取在预设统计周期内所述目标资源被全部用户访问的总次数,对所述总次数进行归一化,得到访问频率因子;

21、获取所述目标资源最近一次被访问的历史时间戳,计算当前时间戳与所述历史时间戳的时间差,对所述时间差施加指数衰减函数,得到时间衰减因子;

22、获取所述目标资源的文件大小,对所述文件大小进行归一化,得到大小因子;

23、获取在所述预设统计周期内所述目标资源的更新频率,对所述更新频率进行归一化,得到更新频率因子;

24、将所述访问频率因子、所述时间衰减因子、所述大小因子和所述更新频率因子分别乘以对应的预设系数后求和,得到所述目标资源的所述综合权重,其中所述访问频率因子对应的预设系数大于其他因子的预设系数;

25、其中,所述多个维度属性数据包括所述总次数、所述历史时间戳、所述更新频率和所述文件大小。

26、在一实施例中,所述基于所述资源访问预测结果与所述目标资源的综合权重进行融合,并结合环境状态信息,生成包含所述目标资源的目标缓存层级和触发时机的资源加载调度指令的步骤包括:

27、根据所述综合权重和预先设置的综合权重与各级缓存层级之间映射关系,确定所述目标资源的初始目标缓存层级,所述各级缓存层级包括内存缓存层、服务工作线程缓存层和磁盘缓存层;

28、判断所述环境状态信息中的当前可用内存容量是否低于内存阈值且所述目标资源的所述初始目标缓存层级为所述内存缓存层;

29、若是,将所述服务工作线程缓存层作为所述目标资源的所述目标缓存层级;

30、若否,将所述初始目标缓存层级作为所述目标资源的所述目标缓存层级;

31、获取第一融合系数和第二融合系数,基于所述第一融合系数和所述第二融合系数对所述预测概率和所述综合权重进行加权融合,得到所述目标资源的所述融合评分;

32、根据所述融合评分对所述目标资源进行排序,按照所述融合评分从高到低的顺序确定各所述目标资源的加载顺序;

33、根据所述资源访问预测结果,确定所述目标资源的触发时机,所述资源访问预测结果包括所述目标资源的访问概率值和预测访问时间,所述触发时机包括立即触发预加载和用户请求预加载;

34、将所述目标资源的所述加载顺序、所述目标缓存层级和所述触发时机组装为所述资源加载调度指令。

35、在一实施例中,所述根据所述资源访问预测结果,确定所述目标资源的触发时机的步骤包括:

36、确定所述目标资源的所述预测访问时间与当前时间之间的第二时间差;

37、若所述目标资源的所述访问概率值大于或等于第一预设阈值,或者所述第二时间差小于或等于预设时间差,将所述立即触发预加载作为所述目标资源的所述触发时机;

38、若所述目标资源的所述访问概率值小于所述第一预设阈值,且所述第二时间差大于预设时间差,将所述用户请求预加载作为所述目标资源的所述触发时机。

39、在一实施例中,所述根据所述资源加载调度指令,按照从高速缓存到低速缓存的顺序逐级在分层缓存架构中查询所述目标资源并加载所述目标资源的步骤包括:

40、获取所述资源加载调度指令,从所述资源加载调度指令中提取所述目标资源的资源标识、目标缓存层级和触发时机;

41、响应于到达所述触发时机,以所述目标资源的资源标识和版本指纹的组合作为索引,生成所述目标资源对应的唯一缓存键值;

42、使用所述唯一缓存键值在所述分层缓存架构的内存缓存层中进行查询;

43、若在所述内存缓存层中命中所述目标资源,读取所述目标资源并加载至前端页面;

44、若在所述内存缓存层中未命中所述目标资源,使用所述唯一缓存键值在所述分层缓存架构的服务工作线程缓存层中进行查询;

45、若在所述服务工作线程缓存层中命中所述目标资源,读取所述目标资源并加载至前端页面,以及将所述目标资源写入所述目标缓存层级;

46、若在所述服务工作线程缓存层中未命中所述目标资源,使用所述唯一缓存键值在所述分层缓存架构的磁盘缓存层中进行查询;

47、若在所述磁盘缓存层中命中所述目标资源,读取所述目标资源并加载至前端页面,以及将所述目标资源写入所述目标缓存层级;

48、若在所述磁盘缓存层中未命中所述目标资源,从内容分发网络或源站获取所述目标资源,并将所述目标资源写入所述目标缓存层级,以及将所述目标资源加载至前端页面。

49、在一实施例中,接收用户发起的资源请求,从所述资源请求中提取第二目标资源的资源标识;

50、以所述第二目标资源的资源标识和版本指纹的组合作为索引,生成所述第二目标资源对应的目标缓存键值;

51、使用所述目标缓存键值在所述分层缓存架构的内存缓存层中进行查询;

52、若在所述内存缓存层中命中所述第二目标资源,读取所述第二目标资源并加载至前端页面;

53、若在所述内存缓存层中未命中所述第二目标资源,使用所述目标缓存键值在所述分层缓存架构的服务工作线程缓存层中进行查询;

54、若在所述服务工作线程缓存层中命中所述第二目标资源,读取所述目标资源并加载至前端页面,以及将所述目标资源异步回填至所述内存缓存层;

55、若在所述服务工作线程缓存层中未命中所述第二目标资源,使用所述目标缓存键值在所述分层缓存架构的磁盘缓存层中进行查询;

56、若在所述磁盘缓存层中命中所述第二目标资源,读取所述第二目标资源并加载至前端页面,以及将所述目标资源异步回填至所述服务工作线程缓存层和所述内存缓存层;

57、若在所述磁盘缓存层中未命中所述第二目标资源,从内容分发网络或源站获取所述第二目标资源,并将获取到的所述第二目标资源逐级回填至所述磁盘缓存层、所述服务工作线程缓存层和所述内存缓存层中,以及将所述第二目标资源加载至前端页面。

58、此外,为实现上述目的,本技术还提出一种前端资源动态加载装置,所述前端资源动态加载装置包括:

59、特征处理模块,用于采集用户在前端页面的交互行为数据,并对所述交互行为数据进行特征提取,构建用户特征向量;

60、行为预测模块,用于将所述用户特征向量输入行为预测模型,通过所述行为预测模型进行资源访问预测,得到资源访问预测结果,所述资源访问预测结果包括所述用户待访问的目标资源和所述目标资源的访问概率值;

61、调度决策模块,用于基于所述资源访问预测结果与所述目标资源的综合权重进行融合,并结合环境状态信息,生成包含所述目标资源的目标缓存层级和触发时机的资源加载调度指令,其中,所述综合权重为通过对所述目标资源的多个维度属性数据进行加权计算得到;

62、加载执行模块,用于根据所述资源加载调度指令,按照从高速缓存到低速缓存的顺序逐级在分层缓存架构中查询所述目标资源并加载所述目标资源,其中,响应于所述触发时机时,将所述目标资源写入所述目标缓存层级。

63、此外,为实现上述目的,本技术还提出一种前端资源动态加载设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的前端资源动态加载方法的步骤。

64、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的前端资源动态加载方法的步骤。

65、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上文所述的前端资源动态加载方法的步骤。

66、本技术提出的一个或多个技术方案,至少具有以下技术效果:采集用户在前端页面的交互行为数据,并对交互行为数据进行特征提取,构建用户特征向量,将用户行为转化成模型能够识别、运算的用户特征向量,完成原始行为数据向模型输入格式的转换。将用户特征向量输入行为预测模型,通过行为预测模型进行资源访问预测,得到资源访问预测结果,资源访问预测结果包括用户待访问的目标资源和目标资源的访问概率值,量化预判用户访问意图。基于资源访问预测结果与目标资源的综合权重进行融合,并结合环境状态信息,生成包含目标资源的目标缓存层级和触发时机的资源加载调度指令,其中,综合权重为通过对目标资源的多个维度属性数据进行加权计算得到。根据资源加载调度指令,按照从高速缓存到低速缓存的顺序逐级在分层缓存架构中查询目标资源并加载目标资源,其中,响应于触发时机时,将目标资源写入目标缓存层级,解决现有前端资源加载时机与缓存层级静态固定、无法动态适配用户行为与资源属性的技术问题,完成资源预加载与缓存写入,实现依据用户真实行为、资源自身属性、前端运行环境动态确定资源加载触发时机与缓存存储层级,摆脱传统预加载方案加载时机、缓存存储位置人工静态写死的模式,从而在合适时机把预测得到的目标资源放置到适配的缓存层级,减少无效预加载浪费带宽缓存,并提升用户实际访问时的资源读取速度。