优雅停机超时时长的确定方法及装置

技术领域

本公开涉及云计算技术领域，具体涉及微服务技术领域，更具体地涉及一种优雅停机超时时长的确定方法、装置、设备、存储介质和程序产品。

背景技术

随着单体应用向微服务转化，以微服务+容器为核心的互联网技术成为主要趋势，大量企业开始落地微服务架构。服务提供方节点的优雅停机可以有效降低业务在服务器中执行时突然中断可能造成的影响。目前Dubbo微服务框架优雅停机的实现机制主要包括注册中心注销逻辑和协议的注销逻辑，首先删除掉注册中心中本节点对应的服务提供方地址，并由注册中心通知服务消费方取消订阅该节点地址；之后服务提供方发送readonly事件报文通知服务消费方，并等待在途请求在配置的超时时长内处理完毕。

相关技术中，配置的超时时长通常是个经验值，设置过短造成在途请求未处理完毕被迫中断从而影响业务的连续性，设置过长也会导致停机时长延长带来不必要的等待。因此，如何准确的确定超时时长成为亟需解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

鉴于上述问题，本公开提供了一种优雅停机超时时长的确定方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种优雅停机超时时长的确定方法，所述方法包括：

响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长，其中，所述超时时长预测模型为根据历史服务调用信息预先训练得到的；

根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程。

根据本公开的实施例，根据历史服务调用信息预先训练所述超时时长预测模型包括：

按照预设频率定时收集服务调用信息；

根据所述服务调用信息计算目标超时时长，其中，所述目标超时时长为收集周期内任意时刻触发优雅停机所需的超时时长；

将每个收集周期的中间时刻的时间戳作为解释变量，所述每个收集周期对应的目标超时时长作为被解释变量构建数据样本集；

将所述数据样本集输入超时时长预测模型进行训练和测试。

根据本公开的实施例，所述服务调用信息包括服务调用成功次数、调用失败次数、总响应时长、平均每秒事务处理量、最大响应时长和最大每秒事务处理量。

根据本公开的实施例，所述根据所述服务调用信息计算目标超时时长包括：

根据所述服务调用信息计算每个收集周期内单个服务的调用数量、单个服务的总响应时长和单个服务的平均每秒事务处理量；

根据所述单个服务调用数量、所述单个服务的总响应时长和所述单个服务的平均每秒事务处理量确定单个服务的加权平均响应时长；

根据所述加权平均响应时长和服务调用总数量确定目标超时时长。

根据本公开的实施例，所述使用超时时长预测模型预测目标停机超时时长包括：

获取发起服务停机指令的时间信息；

将所述时间信息输入超时时长预测模型；以及

输出目标停机超时时长。

根据本公开的实施例，还包括：

定时更新数据样本集；

将更新后的数据样本集输入所述训练超时时长预测模型，以更新模型。

本公开的第二方面提供了一种优雅停机超时时长的确定装置，所述装置包括：

预测模块，用于响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长，其中，所述超时时长预测模型为根据历史服务调用信息预先训练得到的；

超时时长配置模块，用于根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程；以及

超时时长预测模型训练模块，用于根据历史服务调用信息预先训练所述超时时长预测模型。

根据本公开的实施例，还包括：

超时时长预测模型更新模块，用于定时更新数据样本集，将更新后的数据样本集输入所述训练超时时长预测模型，以更新模型。

根据本公开的实施例，超时时长预测模型训练模块包括：数据收集子模块、确定子模块、数据样本集构建子模块和训练子模块。

数据收集子模块，用于按照预设频率定时收集服务调用信息；

确定子模块，用于根据所述服务调用信息计算目标超时时长，其中，所述目标超时时长为收集周期内任意时刻触发优雅停机所需的超时时长；

数据样本集构建子模块，用于将每个收集周期的中间时刻的时间戳作为解释变量，所述每个收集周期对应的目标超时时长作为被解释变量构建数据样本集；

训练子模块，用于将所述数据样本集输入超时时长预测模型进行训练和测试。

根据本公开的实施例，确定子模块包括第一确定单元、第二确定单元和第三确定单元。

第一确定单元，用于根据所述服务调用信息计算每个收集周期内单个服务的调用数量、单个服务的总响应时长和单个服务的平均每秒事务处理量；

第二确定单元，用于根据所述单个服务调用数量、所述单个服务的总响应时长和所述单个服务的平均每秒事务处理量确定单个服务的加权平均响应时长；

第三确定单元，用于根据所述加权平均响应时长和服务调用总数量确定目标超时时长。

根据本公开的实施例，预测模块包括获取子模块、输入子模块和输出子模块。

获取子模块，用于获取发起服务停机指令的时间信息；

输入子模块，用于将所述时间信息输入超时时长预测模型预测；以及

输出子模块，用于输出目标停机超时时长。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述优雅停机超时时长的确定方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述优雅停机超时时长的确定方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述优雅停机超时时长的确定方法。

通过本公开的实施例提供的一种优雅停机超时时长的确定方法，响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长，其中，所述超时时长预测模型为根据历史服务调用信息预先训练得到的；根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程。相比于相关技术，本公开实施例提供的方法通过使用预先训练的超时时长预测模型预测目标停机超时时长，得到的停机超时时长更加精确，从而降低优雅停机过程中对服务的影响，提高用户的体验。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的优雅停机超时时长的确定方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例提供的一种优雅停机超时时长的确定方法的流程图；

图3示意性示出了根据本公开实施例提供的超时时长预测模型训练方法的流程图；

图4示意性示出了根据本公开实施例提供的根据服务调用信息计算目标超时时长的方法的流程图；

图5示意性示出了根据本公开实施例提供的使用超时时长预测模型预测目标停机超时时长的流程图；

图6示意性示出了根据本公开实施例提供的超时时长预测模型的更新方法的流程图；

图7示意性示出了根据本公开实施例的一种优雅停机超时时长的确定装置的结构框图；以及

图8示意性示出了根据本公开实施例的适于实现优雅停机超时时长的确定方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

首先对本公开实施例中出现的术语进行解释：

优雅停机：指对业务应用发出停机指令后，业务应用停止接收新请求，继续处理已接受的请求，但达到超时时长后，应用程序将立即终止。

超时时长：当服务提供方节点需要停机时，为了降低业务在服务器中执行时突然中断造成的影响，往往会延时一段时间使得正在运行的业务或服务处理完毕，该端时间即为超时时长。

基于上述技术问题，本公开的实施例提供了一种优雅停机超时时长的确定方法，所述方法包括：响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长，其中，所述超时时长预测模型为根据历史服务调用信息预先训练得到的；根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程。

图1示意性示出了根据本公开实施例的优雅停机超时时长的确定方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括优雅停机场景。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是为优雅停机超时时长动态配置服务器，该服务器中部署有超时时长预测模型，当接收到停机指令时，将当前时间信息输入超时时长预测模型，预测当前停机所需的超长时长，并进行配置。

需要说明的是，本公开实施例所提供的优雅停机超时时长的确定方法一般可以由服务器105执行。相应地，本公开实施例所提供的优雅停机超时时长的确定装置一般可以设置于服务器105中。本公开实施例所提供的优雅停机超时时长的确定方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的优雅停机超时时长的确定装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

需要说明的是，本公开实施例确定的优雅停机超时时长的确定方法和装置可用于云计算技术领域，也可用于金融技术领域，还可用于除金融领域之外的任意领域，本公开实施例确定的优雅停机超时时长的确定方法和装置的应用领域不做限定。

以下将基于图1描述的场景，通过图2～图6本公开实施例的优雅停机超时时长的确定方法进行详细描述。

图2示意性示出了根据本公开实施例提供的一种优雅停机超时时长的确定方法的流程图。如图2所示，该实施例的优雅停机超时时长的确定方法包括操作S210和操作S220，该方法可以由服务器或其他计算设备执行。

在操作S210，响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长。

在操作S220，根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程。

根据本公开的实施例，所述超时时长预测模型为根据历史服务调用信息预先训练得到的。

一个示例中，超时时长与当前运行的服务数量相关，而一段时间内的服务运行数量存在一定的周期性规律，例如可以是以天为单位，每小时内的服务运行数量存在一定的规律，凌晨时段调用的服务较少，白天时段调用的服务较多；例如可以是以周为单位，周中调用的服务数量少于周末调用的服务数量等等。本公开实施例通过机器学习的模型算法将历史服务调用信息中的超时时长和时间进行拟合，建立超时时长与当前时刻的关系，从而建立超时时长预测模型，实现对超时时长的精准预测。

为了更好的理解本方案，下面简要介绍优雅停机的运行机制，ShutdownHook是Java语言提供的一种机制，当JVM接收到系统关闭的通知后，调用ShutdownHook内的方法，用以完成清理操作，从而平滑退出应用。当Spring执行停机流程时，会发布ContextClosedEvent事件，Dubbo中ShutdownHookListener监听到ContextClosedEvent从而触发Dubbo优雅停机，然后再关闭Spring应用。本公开实施例中，将超时时长的预测委托给Spring管理，监听Spring发布的ContextClosedEvent事件，并将超时时长预测并动态配置的处理逻辑调整为最高优先级，确保其在Dubbo优雅停机前完成。

一个示例中，当接收到停机指令时，通过预先训练好的超时时长预测模型确定本次停机的超时时长，并完成动态配置。相比于现有技术中根据经验值固定配置的超时时长，本实施例中的超时时长是动态变化的，当运行服务数量较少时，所需的超时时长较少；当运行服务数量较多时，所需超时时长较多。因此，预测得到的超时时长更准确，对业务的影响更小。使用超时时长预测模型预测目标停机超时时长的具体过程可参见图5所示的操作S211～操作S213。

通过本公开的实施例提供的一种优雅停机超时时长的确定方法，响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长，其中，所述超时时长预测模型为根据历史服务调用信息预先训练得到的；根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程。相比于相关技术，本公开实施例提供的方法通过使用预先训练的超时时长预测模型预测目标停机超时时长，得到的停机超时时长更加精确，从而降低优雅停机过程中对服务的影响，提高用户的体验。

下面将结合图3和图4介绍本公开实施例中超时时长预测模型训练过程。图3示意性示出了根据本公开实施例提供的超时时长预测模型训练方法的流程图。图4示意性示出了根据本公开实施例提供的根据服务调用信息计算目标超时时长的方法的流程图。如图3所示，包括操作S310～操作S340。

在操作S310，按照预设频率定时收集服务调用信息。

根据本公开的实施例，所述服务调用信息包括服务调用成功次数、调用失败次数、总响应时长、平均每秒事务处理量、最大响应时长和最大每秒事务处理量。

在操作S320，根据所述服务调用信息计算目标超时时长。

根据本公开的实施例，所述目标超时时长为收集周期内任意时刻触发优雅停机所需的超时时长。

一个示例中，本公开实施例是基于Dubbo监控中心的数据进行分析处理得到预测模型的训练样本，即目标超时时长，该目标超时时长为收集周期内任意时刻触发优雅停机所需的超时时长。Dubbo监控的实现是在Dubbo服务调用时收集服务调用TPS(TransactionsPer Second，TPS每秒事务处理量)、服务响应时间等数据，并以一定频率向监控中心汇报统计数据。并且，监控中心宕机并不会影响服务提供方和服务消费方的交易，只是丢失对应异常时间段内的采样数据。例如可以配置服务提供方向监控中心上报服务调用信息的频率为30s，服务调用信息包括调用成功的次数、调用失败的次数、总响应时长、一次收集周期平均TPS、最大响应时长、最大TPS等。

如图4所示，操作S320具体包括操作S321～操作S323。

在操作S321，根据所述服务调用信息计算每个收集周期内单个服务的调用数量、单个服务的总响应时长和单个服务的平均每秒事务处理量。

在操作S322，根据所述单个服务调用数量、所述单个服务的总响应时长和所述单个服务的平均每秒事务处理量确定单个服务的加权平均响应时长。

一个示例中，采集近一个月内的数据，拆分每个服务每次上送的累加数据至单个收集周期，根据公式(1)计算每个收集周期内单个服务调用数量、总响应时长和平均TPS，推导出每个收集周期内服务调用的总数量和加权平均响应时长。其中，加权平均响应时长以单个服务的平均TPS的倒数为权重(假定单个服务平均TPS越大，响应时间越短)

其中

在操作S323，根据所述加权平均响应时长和服务调用总数量确定目标超时时长。

一个示例中，将总数量平均到收集周期得到每秒服务调用量，乘以加权平均响应时长作为该收集周期内任意时刻触发优雅停机所需的超时时长。如公式(2)所示，

其中，T表示单个收集周期，收集周期可以是分钟、小时、天、周、月等等。

在操作S330，将每个收集周期的中间时刻的时间戳作为解释变量，所述每个收集周期对应的目标超时时长作为被解释变量构建数据样本集。

在操作S340，将所述数据样本集输入超时时长预测模型进行训练和测试。

一个示例中，以每个收集周期的中间时刻的时间戳作为解释变量，计算得到的优雅停机超时时长作为被解释变量，以近30天的数据构建数据集，并以7：3的比例划分训练集和测试集分别进行模型训练和测试。以机器学习中的XGBoost算法建立模型为例，首先进行数据预处理，对数据集进行查重、查缺和清洗等，将训练集数据输入XGBoost模型进行训练，这一过程可以通过调节模型的参数和交叉验证来提高模型在测试集的准确率，并降低过拟合，得到最终建立的模型。

图5示意性示出了根据本公开实施例提供的使用超时时长预测模型预测目标停机超时时长的流程图。如图5所示，包括操作S211～操作S213。

在操作S211，获取发起服务停机指令的时间信息。

在操作S212，将所述时间信息输入超时时长预测模型。

在操作S213，输出目标停机超时时长。

一个示例中，当接收到服务停机指令时，获取当前时间日期，例如可以是日期，也可以是具体时间戳。将该时间信息输入训练好的超时时长预测模型，即可输出目标停机超时时长。

图6示意性示出了根据本公开实施例提供的超时时长预测模型的更新方法的流程图。包括操作S410和操作S420。

在操作S410，定时更新数据样本集。

在操作S420，将更新后的数据样本集输入所述训练超时时长预测模型，以更新模型。

一个示例中，配置Dubbo监听，配置服务提供方向监控中心上报服务调用信息的频率为30s。定时更新数据样本集，为了尽可能减小对业务的影响，例如可以是凌晨2：00，分析并处理采集的最新24h服务调用信息，保留最新30日数据，更新数据样本集，结合新旧数据更新模型。

基于上述优雅停机超时时长的确定方法，本公开还提供了一种优雅停机超时时长的确定装置。以下将结合图7对该装置进行详细描述。

图7示意性示出了根据本公开实施例的一种优雅停机超时时长的确定装置的结构框图。

如图7所示，该实施例的优雅停机超时时长的确定装置700包括预测模块710、超时时长配置模块720和超时时长预测模型训练模块730。

预测模块710用于响应于服务停机指令，使用超时时长预测模型预测目标停机超时时长，其中，所述超时时长预测模型为根据历史服务调用信息预先训练得到的。在一实施例中，预测模块710可以用于执行前文描述的操作S210，在此不再赘述。

超时时长配置模块720用于根据所述目标停机超时时长动态配置超时时长，以执行服务停机流程。在一实施例中，超时时长配置模块720可以用于执行前文描述的操作S220，在此不再赘述。

超时时长预测模型训练模块730用于根据历史服务调用信息预先训练所述超时时长预测模型。在一实施例中，超时时长预测模型训练模块可以用于执行前文描述的操作S340，在此不再赘述。

根据本公开的实施例，还包括：超时时长预测模型更新模块。

超时时长预测模型更新模块用于定时更新数据样本集，将更新后的数据样本集输入所述训练超时时长预测模型，以更新模型。在一实施例中，超时时长预测模型更新模块可以用于执行前文描述的操作S410和操作S420，在此不再赘述。

根据本公开的实施例，超时时长预测模型训练模块包括：数据收集子模块、确定子模块、数据样本集构建子模块和训练子模块。

数据收集子模块用于按照预设频率定时收集服务调用信息。在一实施例中，数据收集子模块可以用于执行前文描述的操作S310，在此不再赘述。

确定子模块用于根据所述服务调用信息计算目标超时时长，其中，所述目标超时时长为收集周期内任意时刻触发优雅停机所需的超时时长。在一实施例中，确定子模块可以用于执行前文描述的操作S320，在此不再赘述。

数据样本集构建子模块用于将每个收集周期的中间时刻的时间戳作为解释变量，所述每个收集周期对应的目标超时时长作为被解释变量构建数据样本集。在一实施例中，数据样本集构建子模块可以用于执行前文描述的操作S330，在此不再赘述。

训练子模块用于将所述数据样本集输入超时时长预测模型进行训练和测试。在一实施例中，训练子模块可以用于执行前文描述的操作S340，在此不再赘述。

根据本公开的实施例，确定子模块包括第一确定单元、第二确定单元和第三确定单元。

第一确定单元用于根据所述服务调用信息计算每个收集周期内单个服务的调用数量、单个服务的总响应时长和单个服务的平均每秒事务处理量。在一实施例中，第一确定单元可以用于执行前文描述的操作S321，在此不再赘述。

第二确定单元用于根据所述单个服务调用数量、所述单个服务的总响应时长和所述单个服务的平均每秒事务处理量确定单个服务的加权平均响应时长。在一实施例中，第二确定单元可以用于执行前文描述的操作S322，在此不再赘述。

第三确定单元用于根据所述加权平均响应时长和服务调用总数量确定目标超时时长。在一实施例中，第三确定单元可以用于执行前文描述的操作S323，在此不再赘述。

根据本公开的实施例，预测模块710包括获取子模块、输入子模块和输出子模块。

获取子模块用于获取发起服务停机指令的时间信息。在一实施例中，获取子模块可以用于执行前文描述的操作S211，在此不再赘述。

输入子模块用于将所述时间信息输入超时时长预测模型预测。在一实施例中，输入子模块可以用于执行前文描述的操作S212，在此不再赘述。

输出子模块用于输出目标停机超时时长。在一实施例中，第三确定单元可以用于执行前文描述的操作S213，在此不再赘述。

根据本公开的实施例，预测模块710、超时时长配置模块720和超时时长预测模型训练模块730中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，预测模块710、超时时长配置模块720和超时时长预测模型训练模块730中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，预测模块710、超时时长配置模块720和超时时长预测模型训练模块730中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于实现优雅停机超时时长的确定方法的电子设备的方框图。

如图8所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的优雅停机超时时长的确定方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的优雅停机超时时长的确定方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。