资源使用量的获取方法、装置、设备以及存储介质与流程

1.本技术涉及计算机技术，尤其涉及一种资源使用量的获取方法、装置、设备以及存储介质。


背景技术：

2.在开发数据分析程序时，需要编写大量的sql指令，也需要评估每个sql指令所占用资源量。
3.通常由评估模型对sql指令所使用资源进行评估。在获取评估模型的训练数据时，发现数仓中sql指令的所占用资源量呈现出幂律分布，绝大多数sql指令使用较少的资源，而极少数sql指令使用较多的资源，也就是sql指令作为模型的训练样本时会呈现不极度平衡现象。
4.然而，训练样本数据极度不平衡不利于获得更优的模型参数和模型结构，导致无法准确估算sql指令的资源使用量。


技术实现要素：

5.本技术提供一种资源使用量的获取方法、装置、设备以及存储介质，旨在提供一种更加准确获得数据库操作指令的资源使用量的方案。
6.第一方面，本技术提供一种资源使用量的获取方法，包括：
7.获取已标记指令样本和未标记指令样本，其中，已标记指令样本是对指令样本的资源使用量进行标记的样本，且资源使用量小的已标记指令样本的数量比资源使用量大的已标记指令样本的数量大至少一个数量级；
8.使用已标记指令样本和未标记指令样本对第一评估模型进行联合训练，获得已训练的第一评估模型，其中，已训练的第一评估模型用于对数据库操作指令进行评估获得数据库操作指令的资源使用量。
9.可选地，使用已标记指令样本和未标记指令样本对第一评估模型进行联合训练，获得已训练的第一评估模型，具体包括：
10.使用已标记指令样本对第二评估模型进行训练，并计算第二评估模型的第一损失值；
11.使用未标记指令样本对第三评估模型进行训练，并计算第三评估模型的第二损失值；
12.将第一损失值和第二损失值同时反向传播至第二评估模型，将第一损失值和第二损失值同时反向传播至第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型；
13.其中，已训练的第二评估模型和已训练的第三评估模型中任意一个作为所述已训练的第一评估模型。
14.可选地，使用未标记指令样本对第三评估模型进行训练，并计算第三评估模型的
第二损失值，具体包括：
15.使用已标记指令样本对第四评估模型进行训练，获得已训练的第四评估模型；
16.使用已训练的第四评估模型对未标记指令样本进行处理，获得未标记指令样本的资源使用量；
17.使用未标记指令样本和未标记指令样本的资源使用量对第三评估模型进行训练，并计算第三评估模型的第二损失值。
18.在上述实施例中，先对未标记指令样本使用模型进行标记，再使用标记过的未标记指令样本训练第三评估模型，使用已标记指令样本训练第二评估模型，在计算将两个模型的联合损失值，使用联合损失值优化第二评估模型和第三评估模型，实现将未标记指令样本引入模型训练，扩充资源使用量大的指令样本数量，以准确确定模型分类边界，获得准确度更高的评估模型。
19.可选地，使用未标记指令样本和未标记指令样本的资源使用量对第三评估模型进行训练，并计算第三评估模型的第二损失值，具体包括：
20.使用未标记指令样本对预训练模型进行预训练，并提取经过预训练的预训练模型的词向量；
21.使用词向量对第三评估模型进行初始化，并使用未标记指令样本和未标记指令样本的资源使用量对经过初始化的第三评估模型进行训练，并计算第三评估模型的第二损失值。
22.可选地，使用已标记指令样本对第二评估模型进行训练，并计算第二评估模型的第一损失值，具体包括：
23.使用未标记指令样本对预训练模型进行预训练，并提取经过预训练的预训练模型的词向量；
24.使用词向量对第二评估模型进行初始化，并使用已标记指令样本对经过初始化的第二评估模型进行训练，并计算第二评估模型的第一损失值。
25.在上述实施例中，使用未标记指令样本进行预训练，使第二评估模型和第三评估模型有一个很好的初始值，进而可以基于该初始值进行不断迭代优化，准确确定模型分类边界，获得准确度更高的评估模型。
26.可选地，将第一损失值和第二损失值同时反向传播至第二评估模型，将第一损失值和第二损失值同时反向传播至第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型，具体包括：
27.计算第一损失值和第二损失值的加权平均值，将加权平均值分别反向传播至第二评估模型和第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型。
28.可选地，未标记指令样本的数量比已标记指令样本的数量大至少一个数量级。
29.在上述实施例中，通过引入大量未标记指令样本，扩充资源使用量大的指令样本数量，使资源使用量大的指令样本数量和资源使用量小的指令样本数量平衡，有利于训练获得准确的模型分类边界。
30.可选地，获取方法还包括：
31.使用已训练的第一评估模型对数据库操作指令进行处理，获得数据库操作指令的资源使用量。
32.第二方面，本技术提供一种资源使用量获取装置，包括：
33.获取模块，用于获取已标记指令样本和未标记指令样本，其中，已标记指令样本是对指令样本的资源使用量进行标记的样本，且资源使用量小的已标记指令样本的数量比资源使用量大的已标记指令样本的数量大至少一个数量级；
34.处理模块，用于使用已标记指令样本和未标记指令样本对第一评估模型进行联合训练，获得已训练的第一评估模型，其中，已训练的第一评估模型用于对数据库操作指令进行评估获得数据库操作指令的资源使用量。
35.第三方面，本技术提供一种电子设备，包括：存储器，处理器；
36.存储器；用于存储处理器可执行指令的存储器；
37.其中，处理器被配置为实现第一方面及可选方案所涉及的资源使用量的获取方法。
38.第四方面，本技术一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面及可选方案所涉及的资源使用量的获取方法。
39.第五方面，本技术一种计算机程序产品，包括指令，其特征在于，指令被处理器执行时实现第一方面及可选方案所涉及的资源使用量的获取方法。
40.本技术提供的资源使用量的获取方法、装置、设备以及存储介质，获取已标记指令样本和未标记指令样本，并使用已标记指令样本和未标记指令样本对评估模型进行训练。由于已标记指令样本极度不均衡，也就是，资源使用量大的已标记指令样本的数量远小于资源使用量小的已标记指令样本的数量，若直接使用已标记指令样本进行模型训练，无法准确确定评估模型的资源使用量的分类界限。通过引入未标记指令样本，扩充资源使用量大的已标记指令样本的数量，进而可以准确确定评估模型的资源使用量的分类界限，可以更加准确地根据训练后的评估模型确定各个数据库操作系统的资源使用量。
附图说明
41.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
42.图1为本技术一实施例提供的应用场景的示意图；
43.图2为本技术另一实施例提供的资源使用量的获取方法的流程示意图；
44.图3为本技术另一实施例提供的资源使用量的获取方法的流程示意图；
45.图4为本技术另一实施例提供的资源使用量的获取方法的流程示意图；
46.图5为本技术另一实施例提供的资源使用量的获取装置的结构示意图；
47.图6为本技术另一实施例提供的电子设备的结构示意图。
48.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
49.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
50.在进行数据分析过程中，例如：基于基础数据计算用户画像标签，常常需要编写大量的sql指令。在编写sql指令时，可以基于基础数据编写，进而基于基础数据进行数据分析。也可以基于中间聚合表编写，进而基于中间聚合表进行数据分析。但具体使用哪种编写方式，需要评估每种类型sql指令执行时所使用资源。
51.通常是通过训练评估模型后，由评估模型对sql指令所使用资源进行评估。然而，通过统计发现数仓中sql指令的所占用资源量呈现出幂律分布，大多数sql指令使用较少的资源，而极少数sql指令使用较多的资源，也就是sql指令作为模型的训练数据时会呈现不平衡现象。而训练数据不平衡不利于获得更优的模型参数和模型结构。
52.为解决上述问题，通常使用重采样、重加权、迁移学习以及度量学习这四种方案。其中，重采样又包括对小样本量的样本进行过采样或者对大样本量的样本进行欠采样。过采样容易出现过拟合，无法学到更鲁棒且易泛化的特征，往往在非常不平衡数据上表现会更差。而欠采样则会造成大样本量的样本的信息损失，导致欠拟合发生。重加权的权重不好做选择，且加权效果不一定能有较大的提升。迁移学习和度量学习各自都有使用场景，都有一定的局限性，将学到的多类样本的信息迁移给少类别使用，迁移过程可能适应性不强等。
53.综上，现有技术中无法适用于样本极度不平衡的情况，无法获得准确的评估模型的参数，进而无法准确评估sql指令的资源使用量。
54.为解决上述技术问题，本技术提供一种资源使用量的获取方法、装置、设备以及存储介质，旨在提供一种更加准确获得数据库操作指令的资源使用量的方案。本技术的技术构思是，可以将评估模型视为一个分类模型，用于确定每个数据库操作指令的资源使用量在哪个类别。使用幂律分布的训练数据集在进行模型训练中，往往由于客观条件的限制，带有标记指令样本不是特别多，数据量的不足导致类别的边界模糊，可以引入未标记指令样本进行模型训练，来更清晰地对模型的分类类别边界进行模型训练。此外，在模型训练前，再使用未标记数据进行预训练，可以评估模型的初始值更优，进而可以基于该初始值获得更优的模型训练结果。
55.如图1所示，应用场景中包括数据库集群101、调度服务器102和评估服务器103。其中，数据库集群101中存储有海量数据。调度服务器102内运行数据库操作指令，用于基于数据库集群内数据进行数据分析，也就是接收数据库集群发送的基准数据，并对基础数据进行分析。调度服务器102还用于向评估服务器103提供数据库操作指令以及部分数据库操作指令的资源使用量，评估服务器103用于执行如下实施例所描述的资源使用量的获取方法。
56.如图2所示，本技术一实时例提供一种资源使用量的获取方法，该获取方法的执行主体为评估服务器，该获取包括具体包括如下步骤：
57.s201、获取已标记指令样本和未标记指令样本。
58.其中，已标记指令样本是对指令样本的资源使用量进行标记的样本，资源使用量是指对电子设备内资源使用量，例如：内存、cpu等资源。也就是已标记指令样本的资源使用量是已知的。
59.未标记指令样本是没有进行资源使用量标记的样本，也就是未标记指令样本的资
源使用量是未知的。
60.已标记指令样本的资源使用量和未标记指令样本的资源使用量是符合幂律分布的。如图3所示，针对已标记指令样本，资源使用量小的已标记指令样本的数量比资源使用量大的已标记指令样本的数量大至少一个数量级。例如：资源使用量采用百分比表示，也就是运行该指令样本所占用资源量与电子设备所拥有的全部资源的比值，资源使用量超过10％的样本数量为100个，资源使用量没有达到10％的样本数量为1000个。
61.同样的，针对未标记指令样本，资源使用量小的未标记指令样本的数量比资源使用量大的未标记指令样本的数量大至少一个数量级。
62.s203、使用已标记指令样本和未标记指令样本对第一评估模型进行联合训练，获得已训练的第一评估模型。
63.其中，同时使用已标记指令样本和未标记指令样本对第一评估模型的模型结构和模型参数进行训练，获得已训练的第一评估模型。已训练的第一评估模型用于对数据库操作指令进行评估获得数据库操作指令的资源使用量。
64.通常情况下，已标记指令样本相对未标记指令样本比较少，而已标记指令样本又符合幂律分布，也就是资源使用量小的已标记指令样本的数量比资源使用量大的已标记指令样本的数量大至少一个数量级。
65.从资源使用量角度来看，已标记指令分布极不平衡，资源使用量大的已标记指令样本的数量极少，若仅使用已标记指令样本训练第一评估模型，则无法准确获得指令样本的资源使用量大小的边界值，导致训练得到第一评估模型无法准确评估指令样本的资源使用量。
66.同时使用已标记指令样本和未标记指令样本对第一评估模型的模型结构和模型参数进行训练，可以用未标记样本中资源量大的样本进行样本扩充，获得更多数量的资源使用量大的指令样本，可以实现优化第一评估模型的结构和参数，获得更加准确的第一评估模型，进而可以根据第一评估模型更加准确获得数据库操作指令的资源使用量。
67.在上述实施例中，使用已经标记的指令样本和未标记的指令样本对第一评估模型进行训练，扩充资源使用量大的指令样本，优化第一评估模型的训练过程，可以获得更加准确的第一评估模型，进而可以准确评估数据库操作指令的资源使用量。
68.如图3所示，本技术一实时例提供一种资源使用量的获取方法，该获取方法的执行主体为评估服务器，该获取包括具体包括如下步骤：
69.s301、获取已标记指令样本和未标记指令样本。
70.其中，已标记指令样本、未标记指令样本以及两类样本内资源使用量的分布情况已经在上述实施例中详细说明，此处不再赘述。
71.还需要说明地是，未标记指令样本的数量比已标记指令样本的数量大至少一个数量级。也就是未标记指令样本的数量远大于已标记指令样本的数量。例如：已标记指令样本的数量为1000个，未标记指令样本的数量为10000个。
72.通过引入大量未标记指令样本，扩充资源使用量大的指令样本数量，使资源使用量大的指令样本数量和资源使用量小的指令样本数量平衡，有利于训练获得准确的模型分类边界。
73.s302、使用已标记指令样本对第二评估模型进行训练，并计算第二评估模型的第
一损失值。
74.其中，评估模型、第二评估模型、第三评估模型以及第四评估模型均用于计算指令的资源使用量。预训练模型用于预训练。在评估模型、第二评估模型、第四评估模型以及预训练模型没有进行训练前，可以使用相同的基础模型。
75.在训练第二评估模型时，将已标记指令样本作为第二评估模型的输入，获得已经标记指令样本的资源使用量的评估值。再根据资源使用量的评估值和已经标记样本的资源使用量的实际标记值计算获得第一损失值。其中，资源使用量的实际标记值是已知的。
76.在将已标记指令样本输入第二评估模型之前，可以对第二评估模型进行初始化，进而可以使第二评估模型基于该初始值进行迭代优化，以得到更优的评估模型的训练结果。
77.在进行初始化时，使用未标记指令样本对预训练模型进行预训练，并提取经过预训练的预训练模型的词向量，使用词向量对第二评估模型进行初始化。在完成初始化后，再使用已标记指令样本对经过初始化的第二评估模型进行训练，并计算第二评估模型的第一损失值。
78.s303、使用未标记指令样本对第三评估模型进行训练，并计算第三评估模型的第二损失值。
79.其中，在训练第三评估模型时，先使用模型标记未标记指令样本，再使用标记结果训练第三评估模型。更具体地，使用已标记指令样本对第四评估模型进行训练，获得已训练的第四评估模型。使用已训练的第四评估模型对未标记指令样本进行处理，获得未标记指令样本的资源使用量的模型标记值。
80.在使用标记结果训练第三评估模型时，将未标记指令样本作为第三评估模型的输入，获得为标记指令样本的资源使用量的评估值。再根据资源使用量的评估值和未标记指令样本的资源使用量的模型标记值计算第三评估模型的第二损失值。
81.在将已标记指令样本输入第三评估模型之前，可以对第三评估模型进行初始化，进而可以使第三评估模型基于该初始值进行迭代优化，以得到更优的评估模型的训练结果。
82.在进行初始化时，使用未标记指令样本对预训练模型进行预训练，并提取经过预训练的预训练模型的词向量，使用词向量对第三评估模型进行初始化。在完成初始化后，使用未标记指令样本和未标记指令样本的资源使用量对经过初始化的第三评估模型进行训练，并计算第三评估模型的第二损失值。
83.s304、将第一损失值和第二损失值同时反向传播至第二评估模型，将第一损失值和第二损失值同时反向传播至第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型。
84.其中，第一损失值和第二损失值同时用于优化第二评估模型的结构和参数，以获得已训练的第二评估模型。第一损失值和第二损失值也用于优化第三评估模型的结构参数，以获得已训练的第三评估模型。
85.已训练的第二评估模型和已训练的第三评估模型均用于对数据库操作指令进行评估获得数据库操作指令的资源使用量。可以选择其中任意一个进行资源使用量评估。
86.在另一实施例中，计算第一损失值和第二损失值的加权平均值，将加权平均值分
别反向传播至第二评估模型和第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型。
87.s305、使用已训练的评估模型对数据库操作指令进行处理，获得数据库操作指令的资源使用量。
88.其中，在获得已训练的评估模型后，将待评估的数据库操作指令输入已训练的评估模型，以获得数据库操作指令的资源使用量。进而可以根据每个数据库操作指令的资源使用量确定进行数据分析的数据库操作指令，以提高数据分析的计算效率。
89.在上述实施例中，使用未标记指令样本进行模型预训练，再根据预训练后的词向量初始第二评估模型和第三评估模型，使评估模型有一个比较好的初始值，另外，先对未标记指令样本使用模型进行标记，再使用标记过的未标记指令样本训练第三评估模型，使用已标记指令样本训练第二评估模型，在计算将两个模型的联合损失值，使用联合损失值优化第二评估模型和第三评估模型，实现将未标记指令样本引入模型训练，扩充资源使用量大的指令样本数量，以准确确定模型分类边界，获得准确度更高的评估模型。
90.如图4所示，本技术另一实施例提供一种资源使用量的获取方法，该获取方法的执行主体为评估服务器，该获取包括具体包括如下步骤：
91.s401、获取已标记指令样本和未标记指令样本。
92.其中，获取已标记指令样本和未标记指令样本具体如下三个步骤：
93.s4001、数据提取。
94.从数仓中提取sql指令，并从调度服务器上获取sql指令执行时的配置参数、队列等执行参数，还从调度服务器上获取sql指令的资源使用量。
95.s4002、数据预处理。
96.对所提取的sql指令作数据清洗，例如：去除停顿词，去除其他与sql指令无关的符号，例如：中文解释。
97.s4003、提取sql指令中关键词和函数，并将关键词和函数作为sql指令样本。
98.其中，关键词和函数是sql指令内关键组成元素。提取关键词和函数作为指令样本，可以准确指示该sql指令，也可以减少单个sql的数据量。
99.将能够得到资源使用量的sql指令样本作为已标记sql指令样本，将不能得到资源使用量的sql指令样本作为未标记sql指令样本。
100.s402、使用已标记指令样本对第二评估模型进行训练，并计算第二评估模型的第一损失值。
101.其中，未标记sql指令样本进行模型预训练，提取词向量(embedding)。并用提取的词向量对第二评估模型进行初始化。再使用已标记sql指令样本对初始化后的第二评估模型进行训练，并根据公式(1)计算第一损失值：
[0102][0103]
其中，j(θ)表示交叉熵损失函数，h
θ
表示假设函数，y
i
表示实际标记值，x
i
表示模型标记值。
[0104]
s403、使用未标记指令样本对第三评估模型进行训练，并计算第三评估模型的第二损失值。
[0105]
其中，使用已标记sql指令样本对第四评估模型进行训练，获得已训练的第四评估模型。再使用已训练的第四评估模型对未标记sql指令进行标记，获得模型标记结果。
[0106]
未标记sql指令样本进行模型预训练，提取词向量(embedding)。并用提取的词向量对第三评估模型进行初始化。再使用未标记sql指令样本和模型标记结果对初始化后的第三评估模型进行训练，并根据公式(1)计算第二损失值。
[0107]
s404、将第一损失值和第二损失值同时反向传播至第二评估模型，将第一损失值和第二损失值同时反向传播至第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型。
[0108]
根据公式(2)计算联合损失值：
[0109]
l＝j1(θ)
·
w1 j2(θ)
·
w2ꢀꢀ
(2)
[0110]
其中，j1(θ)表示第一损失值，j2(θ)表示第二损失值，w1和w2表示加权值，l表示联合损失值。
[0111]
在计算获得联合损失值之后，将联合损失值反向传播至第二评估模型和第三评估模型，优化第二评估模型的结构和参数，以及优化第三评估模型的结构和参数。
[0112]
s405、使用已训练的评估模型对数据库操作指令进行处理，获得数据库操作指令的资源使用量。
[0113]
在上述技术方案中，使用未标记指令样本进行模型预训练，再根据预训练后的词向量初始第二评估模型和第三评估模型，使评估模型有一个比较好的初始值，再使用已标记指令样本和未标记指令样本对评估模型进行训练，扩充资源使用量大的指令样本，优化评估模型的训练过程，可以获得更加准确的评估模型，进而可以准确评估数据库操作指令的资源使用量。
[0114]
如图5所示，本技术另一实施例提供一种资源使用量的获取装置500，该获取装置500包括：
[0115]
获取模块501，用于获取已标记指令样本和未标记指令样本，其中，已标记指令样本是对指令样本的资源使用量进行标记，且资源使用量小的已标记指令样本的数量比资源使用量大的已标记指令样本的数量大至少一个数量级；
[0116]
处理模块502，用于使用已标记指令样本和未标记指令样本对第一评估模型进行联合训练，获得已训练的第一评估模型，其中，已训练的评估模型用于对数据库操作指令进行评估获得数据库操作指令的资源使用量。
[0117]
可选地，处理模块502具体用于：
[0118]
使用已标记指令样本对第二评估模型进行训练，并计算第二评估模型的第一损失值；
[0119]
使用未标记指令样本对第三评估模型进行训练，并计算第三评估模型的第二损失值；
[0120]
将第一损失值和第二损失值同时反向传播至第二评估模型，将第一损失值和第二损失值同时反向传播至第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型；
[0121]
其中，已训练的第二评估模型和已训练的第三评估模型均用于对数据库操作指令进行评估获得数据库操作指令的资源使用量。
[0122]
可选地，处理模块502具体用于：
[0123]
使用已标记指令样本对第四评估模型进行训练，获得已训练的第四评估模型；
[0124]
使用已训练的第四评估模型对未标记指令样本进行处理，获得未标记指令样本的资源使用量；
[0125]
使用未标记指令样本和未标记指令样本的资源使用量对第三评估模型进行训练，并计算第三评估模型的第二损失值。
[0126]
可选地，处理模块502具体用于：
[0127]
使用未标记指令样本对预训练模型进行预训练，并提取经过预训练的预训练模型的词向量；
[0128]
使用词向量对第三评估模型进行初始化，并使用未标记指令样本和未标记指令样本的资源使用量对经过初始化的第三评估模型进行训练，并计算第三评估模型的第二损失值。
[0129]
可选地，处理模块502具体用于：
[0130]
使用未标记指令样本对预训练模型进行预训练，并提取经过预训练的预训练模型的词向量；
[0131]
使用词向量对第二评估模型进行初始化，并使用已标记指令样本对经过初始化的第二评估模型进行训练，并计算第二评估模型的第一损失值。
[0132]
可选地，处理模块502具体用于：
[0133]
计算第一损失值和第二损失值的加权平均值，将加权平均值分别反向传播至第二评估模型和第三评估模型，获得已训练的第二评估模型和已训练的第三评估模型。
[0134]
可选地，未标记指令样本的数量比已标记指令样本的数量大至少一个数量级。
[0135]
可选地，处理模块502还用于：
[0136]
使用已训练的第一评估模型对数据库操作指令进行处理，获得数据库操作指令的资源使用量。
[0137]
如图6所示，本技术另一实施例提供的测试服务器600包括：发送器601、接收器602、存储器603、及处理器604。
[0138]
其中，发送器601用于发送指令和数据，接收器602用于接收指令和数据，存储器603用于存储计算机执行指令，处理器604，用于执行存储器存储的计算机执行指令，以实现上述实施例中资源使用量的获取方法所执行的各个步骤。具体可以参见前述资源使用量的获取方法实施例中的相关描述。
[0139]
可选地，上述存储器603既可以是独立的，也可以跟处理器604集成在一起。当存储器603独立设置时，该处理设备还包括总线，用于连接存储器603和处理器604。
[0140]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上处理设备所执行的资源使用量的获取方法。
[0141]
本技术实施例还提供一种计算机程序产品，包括指令，指令被处理器执行时实现如上处理设备所执行的资源使用量的获取方法。
[0142]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或
者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0143]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。