一种基于设备联动的多线程同步创建方法和系统

技术领域

本发明涉及线程同步技术领域，尤其涉及一种基于设备联动的多线程同步创建方法和系统。

背景技术

设备联动是指不同设备之间通过网络、协议或其他方式连接在一起，可以进行数据交换、协作或协调工作，随着信息化社会的建成，设备联动在越来越多的领域发挥了作用，而设备联动的过程中需要利用多线程的同步创建的方式执行多设备的联合任务。

现有的多线程同步创建方法多为基于任务需求梳理的线程同步方法，即根据任务需求确定出每个设备需要的线程，并根据线程之间的同步机制确定每个设备的各个线程的创建顺序和创建时间，实际应用中，基于任务需求梳理的线程同步方法可能需要人员进行大量逻辑分析和线程调试，可能会导致进行多线程同步时的效率较低。

发明内容

本发明提供一种基于设备联动的多线程同步创建方法和系统，其主要目的在于解决进行多线程同步时的效率较低的问题。

为实现上述目的，本发明提供的一种基于设备联动的多线程同步创建方法，包括：

对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集；

分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集，其中，所述根据所述联动设备组集和所述联动线程组集生成联动线程特征集，包括：逐个选取所述联动设备组集中的联动设备组作为目标联动设备组，从所述联动线程组集中选取出所述目标联动设备组对应的联动线程组作为目标联动线程组；依次对所述目标联动设备组进行文本向量化和特征联合映射操作，得到目标设备特征；利用特征聚合的方法分别从所述目标联动线程组中提取出线程名称特征、线程资源特征及线程通信特征；利用如下的共享权重算法计算出所述线程名称特征、所述线程资源特征及所述线程通信特征对应的共享线程特征：

利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预预测设备线程状态集将所述线程时序模型训练成线程分析模型；

获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态；

从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建。

可选地，所述对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，包括：

按照预设的联动周期将所述历史设备联动数据拆分成周期联动数据集；

从所述周期联动数据集中提取出联动名称数据集，对所述联动名称数据集进行乱码检测，得到乱码名称数据集；

根据所述乱码名称数据集对所述周期联动数据集进行数据除噪，得到除噪联动数据集；

从所述联动名称数据集中筛除所述乱码名称数据集，得到除噪名称数据集，将所述除噪名称数据集哈希化成哈希名称数据集；

利用所述哈希名称数据集对所述除噪联动数据集进行数据去重，得到历史联动数据集。

可选地，所述对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集，包括：

逐个选取所述历史联动数据集中的历史联动数据作为目标联动数据，从所述目标联动数据中提取出目标设备名称组；

根据所述目标设备名称组将所述目标联动数据拆分成目标设备数据组；

从所述目标设备数据组中提取出目标线程状态组；

对所述目标线程状态组中的各个线程状态进行时序排序，得到目标联动线程状态组，将所有的目标联动线程状态组汇集成联动线程状态组集。

可选地，所述分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，包括：

逐个选取所述联动线程状态组集中的联动线程状态组作为目标联动线程状态组，对所述目标联动线程状态组进行设备名称检索，得到联动设备组；

对所述目标联动线程状态组进行线程检索，得到联动线程组；

利用所述联动设备组对所述联动线程组进行设备标注，得到初级设备线程；

利用所述联动线程状态组集对所述设备线程标注进行时间戳标注，得到次级设备线程；

按照时序对所述次级设备线程中的线程进行排序，得到设备线程状态；

将所有的联动设备组汇集成联动设备组集，将所有的联动线程组汇集成联动线程组集，将所有的设备线程状态汇集成设备线程状态集。

可选地，所述利用特征聚合的方法分别从所述目标联动线程组中提取出线程名称特征、线程资源特征及线程通信特征，包括：

分别从所述目标联动线程组中提取出线程名称组、线程资源组以及线程通信组；

依次对所述线程名称组进行文本向量化和特征联合映射操作，得到初级线程名称特征；

将所述线程资源组向量化成资源名称特征组，对所述资源名称特征组进行特征聚合，得到聚合资源特征类组；

利用所述聚合资源特征类组的聚类中心对所述资源名称特征组进行特征映射操作，得到标准资源特征组，将所述标准资源特征组联合映射成初级线程资源特征；

将所述线程通信组向量化成通信名称特征组，对所述通信名称特征组进行特征聚合，得到聚合通信特征类组；

利用所述聚合通信特征类组的聚类中心对所述通信名称特征组进行特征映射操作，得到标准通信特征组，将所述标准通信特征组联合映射成初级线程通信特征；

将所述初级线程名称特征全局降维成线程名称特征，将所述初级线程资源特征全局降维成线程资源特征，将所述初级线程通信特征全局降维成线程通信特征。

可选地，所述利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，包括：

逐个选取所述联动线程特征集中的联动线程特征作为目标联动线程特征，利用预设的线程时序模型分别从所述目标联动线程特征中提取出线程长期特征和线程短期特征；

利用如下的长短融合公式对所述线程长期特征和所述线程短期特征进行特征融合，得到线程时序特征：

对所述线程时序特征进行特征解码，得到预测设备线程状态，将所有的预测设备线程状态汇集成预测设备线程状态集。

可选地，所述利用预设的线程时序模型分别从所述目标联动线程特征中提取出线程长期特征和线程短期特征，包括：

利用预设的线程时序模型对所述目标联动线程特征进行频域变换，得到目标线程频域特征；

对所述目标线程频域特征进行峰值周期分析，得到线程周期特征；

利用所述线程时序模型的跳转层和所述线程周期特征对所述目标联动线程特征进行跳转特征提取，得到线程长期特征；

利用所述线程时序模型的递归层对所述目标联动线程特征进行递归特征提取，得到线程短期特征。

可选地，所述利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型，包括：

利用所述线程时序模型的全局池化层将所述设备线程状态集降维成线程状态特征集以及将所述预测设备线程状态集降维成预测状态特征集；

利用如下的状态损失函数根据所述线程状态特征集和所述预测状态特征集计算出所述线程时序模型的状态损失值：

判断所述状态损失值是否大于预设的状态损失阈值；

若否，则根据所述状态损失值对所述线程时序模型的模型参数进行迭代更新，并返回所述利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集的步骤；

若是，则将更新后的所述线程时序模型作为线程分析模型。

可选地，所述根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，包括：

依次从所述线程同步机制中提取出互斥锁和条件变量；

根据所述互斥锁和所述条件变量从所述实时设备线程状态中提取出同步点；

根据所述同步点对所述实时设备线程状态进行初级调序，得到实时初级线程状态；

对所述实时初级线程状态进行死锁调序，得到实时标准线程状态。

为了解决上述问题，本发明还提供一种基于设备联动的多线程同步创建系统，所述系统包括：

同步梳理模块，用于对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集；

特征融合模块，用于分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集，其中，所述根据所述联动设备组集和所述联动线程组集生成联动线程特征集，包括：逐个选取所述联动设备组集中的联动设备组作为目标联动设备组，从所述联动线程组集中选取出所述目标联动设备组对应的联动线程组作为目标联动线程组；依次对所述目标联动设备组进行文本向量化和特征联合映射操作，得到目标设备特征；利用特征聚合的方法分别从所述目标联动线程组中提取出线程名称特征、线程资源特征及线程通信特征；利用如下的共享权重算法计算出所述线程名称特征、所述线程资源特征及所述线程通信特征对应的共享线程特征：

模型训练模块，用于利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型；

模型分析模块，用于获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态；

同步匹配模块，用于从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建。

本发明通过对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，可以实现数据分组，方便后续的模型训练，同时从数据中筛除错误和重复的数据，提高模型训练的准确性，通过对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集，可以按照时序对线程状态进行格式化处理，进而方便后续的特征提取，通过分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集，可以将设备联动时设备和线程的自变量规范化，减少特征数量，进而提高后续模型训练的效率，通过利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型，可以利用线程分析模型表征出线程、设备以及线程同步创建状态之间的关系，从而方便后续线程同步的控制。

通过获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态，可以利用线程分析模型中线程、设备以及线程同步创建状态提取出实时设备联动数据对应的实时设备线程状态，从而方便后续的多线程同步创建，提高多线程同步的效率，通过从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建，可以根据实时多设备联动时的线程名和设备名确定出设备联动时多线程同步创建的顺序和时间，并避免了死锁和线程逻辑错误，进而提高了多线程同步创建的效率。因此本发明提出的基于设备联动的多线程同步创建方法和系统，可以解决进行多线程同步时的效率较低的问题。

附图说明

图1为本发明一实施例提供的基于设备联动的多线程同步创建方法的流程示意图；

图2为本发明一实施例提供的提取联动线程状态组集的流程示意图；

图3为本发明一实施例提供的提取线程长期特征和线程短期特征的流程示意图；

图4为本发明一实施例提供的基于设备联动的多线程同步创建系统的功能模块图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于设备联动的多线程同步创建方法。所述基于设备联动的多线程同步创建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于设备联动的多线程同步创建方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于设备联动的多线程同步创建方法的流程示意图。在本实施例中，所述基于设备联动的多线程同步创建方法包括：

S1、对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集。

本发明实施例中，所述历史设备联动数据是指过去时间段内在多设备进行设备联动过程中各个设备的各个线程创建的时间戳、执行调用等数据，所述历史联动数据集中的每个历史联动数据包含过去依次设备联动中多个设备的各个线程创建的时间戳以及线程执行调用等数据。

详细地，所述设备联动 (Device Interconnectivity)是指不同设备之间通过网络、协议或其他方式连接在一起，进行数据交换、协作或协调工作，例如，智能家居中的设备可以通过互联网连接，相互交换信息和指令。

本发明实施例中，所述对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，包括：

按照预设的联动周期将所述历史设备联动数据拆分成周期联动数据集；

从所述周期联动数据集中提取出联动名称数据集，对所述联动名称数据集进行乱码检测，得到乱码名称数据集；

根据所述乱码名称数据集对所述周期联动数据集进行数据除噪，得到除噪联动数据集；

从所述联动名称数据集中筛除所述乱码名称数据集，得到除噪名称数据集，将所述除噪名称数据集哈希化成哈希名称数据集；

利用所述哈希名称数据集对所述除噪联动数据集进行数据去重，得到历史联动数据集。

详细地，所述联动周期是指每次多个设备之间进行协调和协作的时间周期，即从开始进行设备联动到设备联动结束之间的时间周期，所述周期联动数据集中的每个周期联动数据包含一个联动周期时间段内一次多设备之间的设备联动中线程同步创建的相关记录。

具体地，所述联动名称数据集是由所述周期联动数据集中每个周期联动数据包含的设备名称、线程名称以及对应的起止时间戳组成的数据集，可以利用正则表达式或关键字匹配等方式从所述周期联动数据集中提取出联动名称数据集，所述对所述联动名称数据集进行乱码检测，得到乱码名称数据集是指从所述联动名称数据集中检测出字符乱码、数据类型异常的数据汇集成乱码名称数据集，其中，额可以利用Python中的chardet库或Z-score、IQR等检测工具对所述联动名称数据集进行乱码检测，得到乱码名称数据集。

详细地，所述根据所述乱码名称数据集对所述周期联动数据集进行数据除噪，得到除噪联动数据集是指将所述周期联动数据集中所述乱码名称数据集对应的数据作为乱码联动数据集，从所述周期联动数据集中筛除所述乱码联动数据集，得到除噪联动数据集。

具体地，可以利用MD5算法、SHA-1算法或BLAKE2算法将所述除噪名称数据集哈希化成哈希名称数据集，所述利用所述哈希名称数据集对所述除噪联动数据集进行数据去重，得到历史联动数据集是指将所述哈希名称数据集中哈希名称数据重复的数据作为重复名称数据集，将所述除噪联动数据集中所述重复名称数据集对应的联动数据作为重复联动数据集，将所述除噪联动数据集中的所述重复联动数据集筛除，得到历史联动数据集。

详细地，参照图2所示，所述对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集，包括：

S21、逐个选取所述历史联动数据集中的历史联动数据作为目标联动数据，从所述目标联动数据中提取出目标设备名称组；

S22、根据所述目标设备名称组将所述目标联动数据拆分成目标设备数据组；

S23、从所述目标设备数据组中提取出目标线程状态组；

S24、对所述目标线程状态组中的各个线程状态进行时序排序，得到目标联动线程状态组，将所有的目标联动线程状态组汇集成联动线程状态组集。

具体地，所述目标设备名称组是所述目标联动数据中各个设备的设备名称组成的数据组，可以利用正则表达式或关键字匹配等方式从所述目标联动数据中提取出目标设备名称组。

详细的，所述根据所述目标设备名称组将所述目标联动数据拆分成目标设备数据组是指将所述目标联动数据中每个设备名称对应的数据作为设备数据，将所有的设备数据汇集成设备数据组。

具体地，所述从所述目标设备数据组中提取出目标线程状态组是指将所述目标设备数据组中每个目标设备数据中的线程状态汇集成目标线程状态组，其中，所述线程状态是指一个目标设备数据在一个联动周期内创建的每个线程以及对应的时间戳等数据，所述对所述目标线程状态组中的各个线程状态进行时序排序，得到目标联动线程状态组是指按照所述线程的创建时间戳的时序对所述目标线程状态组中的每个线程状态中的各个线程进行排序，得到联动线程状态，将所述目标线程状态组对应的所有的联动线程状态汇集成联动线程状态组，将所有的联动线程状态组汇集成联动线程状态组集。

本发明实施例中，通过对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，可以实现数据分组，方便后续的模型训练，同时从数据中筛除错误和重复的数据，提高模型训练的准确性，通过对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集，可以按照时序对线程状态进行格式化处理，进而方便后续的特征提取。

S2、分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集。

本发明实施例中，所述联动设备组集是由多个联动设备组构成的集合，且每个联动设备组包含所述联动线程状态组集中对应的联动线程状态组中所有联动线程状态所在的设备名称，所述联动线程组集中的每个联动线程组包含所述联动线程状态组集中对应的联动线程状态组的所有的联动线程的线程，所述设备线程状态集中的每个设备线程状态对应所述联动线程状态组集中每个联动线程状态组中时序排列的各个设备的各个线程的状态。

本发明实施例中，所述分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，包括：

逐个选取所述联动线程状态组集中的联动线程状态组作为目标联动线程状态组，对所述目标联动线程状态组进行设备名称检索，得到联动设备组；

对所述目标联动线程状态组进行线程检索，得到联动线程组；

利用所述联动设备组对所述联动线程组进行设备标注，得到初级设备线程；

利用所述联动线程状态组集对所述设备线程标注进行时间戳标注，得到次级设备线程；

按照时序对所述次级设备线程中的线程进行排序，得到设备线程状态；

将所有的联动设备组汇集成联动设备组集，将所有的联动线程组汇集成联动线程组集，将所有的设备线程状态汇集成设备线程状态集。

详细地，所述设备名称例如打印机 (Printer)、显示器 (Monitor)或鼠标(Mouse)等，所述线程名称例如explorer.exe、winword.exe、mysql.exe或python.exe等，可以利用正则表达式或关键字匹配等算法对所述目标联动线程状态组进行设备检索，得到联动设备组以及对所述目标联动线程状态组进行线程名称检索，得到联动线程组。

详细地，所述利用所述联动设备组对所述联动线程组进行设备标注，得到初级设备线程是指利用所述联动设备组中每个联动设备对应的设备名称对所述联动线程组中的每个线程进行设备名称的标注，所述利用所述联动线程状态组集对所述设备线程标注进行时间戳标注，得到次级设备线程是指利用所述联动线程状态组集中每个线程的时间戳对所述设备线程标注中的各个线程进行时间戳标注，得到次级设备线程。

详细的，所述根据所述联动设备组集和所述联动线程组集生成联动线程特征集，包括：

逐个选取所述联动设备组集中的联动设备组作为目标联动设备组，从所述联动线程组集中选取出所述目标联动设备组对应的联动线程组作为目标联动线程组；

依次对所述目标联动设备组进行文本向量化和特征联合映射操作，得到目标设备特征；

利用特征聚合的方法分别从所述目标联动线程组中提取出线程名称特征、线程资源特征及线程通信特征；

利用如下的共享权重算法计算出所述线程名称特征、所述线程资源特征及所述线程通信特征对应的共享线程特征：

对所述共享线程特征和所述目标设备特征进行全连接操作，得到联动线程特征，将所有的联动线程特征汇集成联动线程特征集。

具体地，通过利用所述共享权重算法计算出所述线程名称特征、所述线程资源特征及所述线程通信特征对应的共享线程特征，可以更好地适应复杂模式的数据分布，从而达到更好地特征融合的效果，提升模型训练的效率。

详细地，所述依次对所述目标联动设备组进行文本向量化和特征联合映射操作，得到目标设备特征是指将所述目标联动设备组中的各个设备名称按照固定顺序排列后进行文本向量化操作，得到设备名称特征组，将所述设备名称特征组进行特征映射操作，得到目标设备特征，其中，可以利用Word2Vec或Doc2Vec算法对所述目标联动设备组进行文本向量化。

具体地，所述利用特征聚合的方法分别从所述目标联动线程组中提取出线程名称特征、线程资源特征及线程通信特征，包括：

分别从所述目标联动线程组中提取出线程名称组、线程资源组以及线程通信组；

依次对所述线程名称组进行文本向量化和特征联合映射操作，得到初级线程名称特征；

将所述线程资源组向量化成资源名称特征组，对所述资源名称特征组进行特征聚合，得到聚合资源特征类组；

利用所述聚合资源特征类组的聚类中心对所述资源名称特征组进行特征映射操作，得到标准资源特征组，将所述标准资源特征组联合映射成初级线程资源特征；

将所述线程通信组向量化成通信名称特征组，对所述通信名称特征组进行特征聚合，得到聚合通信特征类组；

利用所述聚合通信特征类组的聚类中心对所述通信名称特征组进行特征映射操作，得到标准通信特征组，将所述标准通信特征组联合映射成初级线程通信特征；

将所述初级线程名称特征全局降维成线程名称特征，将所述初级线程资源特征全局降维成线程资源特征，将所述初级线程通信特征全局降维成线程通信特征。

详细地，所述线程名称组中的每个线程名称对应所述目标联动线程组中各个联动线程中的线程的线程名，所述线程资源组中的每个线程资源对应所述目标联动线程组中各个联动线程中的线程的资源名称，其中，所述资源名称可以是栈空间、局部存储等资源的名称，所述线程通信组中的每个线程通信对应所述目标联动线程组中各个联动线程中的线程的通信名称，其中，所述通信名称可以是信号量、互斥锁以及消息传递的名称。

具体地，所述依次对所述线程名称组进行文本向量化和特征联合映射操作，得到初级线程名称特征的方法与上述步骤S2中的所述依次对所述目标联动设备组进行文本向量化和特征联合映射操作，得到目标设备特征的方法一致，这里不再赘述。

详细地，可以利用k-means聚类算法、层次聚类算法或DBSCAN聚类算法对所述资源名称特征组进行特征聚合，得到聚合资源特征类组，可以利用全连接层将所述初级线程名称特征全局降维成线程名称特征，将所述初级线程资源特征全局降维成线程资源特征，将所述初级线程通信特征全局降维成线程通信特征。

本发明实施例中，通过分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集，可以将设备联动时设备和线程的自变量规范化，减少特征数量，进而提高后续模型训练的效率。

S3、利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预测预测设备线程状态集将所述线程时序模型训练成线程分析模型。

本发明实施例中，所述线程时序模型可以是循环神经网络 (Recurrent NeuralNetwork,简称RNN)、长短时记忆网络 (Long Short-Term Memory, 简称LSTM)或变换器(Transformer)等模型。

本发明实施例中，所述利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，包括：

逐个选取所述联动线程特征集中的联动线程特征作为目标联动线程特征，利用预设的线程时序模型分别从所述目标联动线程特征中提取出线程长期特征和线程短期特征；

利用如下的长短融合公式对所述线程长期特征和所述线程短期特征进行特征融合，得到线程时序特征：

对所述线程时序特征进行特征解码，得到预测设备线程状态，将所有的预测设备线程状态汇集成预测设备线程状态集。

具体地，通过利用所述长短融合公式对所述线程长期特征和所述线程短期特征进行特征融合，得到线程时序特征，可以使模型能够考虑更多的时间尺度和特征，从而更好地捕捉时序数据中的复杂模式。

具体地，参照图3所示，所述利用预设的线程时序模型分别从所述目标联动线程特征中提取出线程长期特征和线程短期特征，包括：

S31、利用预设的线程时序模型对所述目标联动线程特征进行频域变换，得到目标线程频域特征；

S32、对所述目标线程频域特征进行峰值周期分析，得到线程周期特征；

S33、利用所述线程时序模型的跳转层和所述线程周期特征对所述目标联动线程特征进行跳转特征提取，得到线程长期特征；

S34、利用所述线程时序模型的递归层对所述目标联动线程特征进行递归特征提取，得到线程短期特征。

详细地，可以利用预设的线程时序模型中的快速傅里叶变换公式或小波变换公式对所述目标联动线程特征进行频域变换，得到目标线程频域特征，所述对所述目标线程频域特征进行峰值周期分析，得到线程周期特征是指观察多数目标线程频域特征中具有周期性的峰值频域，并将对应的时序周期作为线程周期特征。

具体地，所述跳转层和所述递归层是由长短时记忆网络 (Long Short-TermMemory, 简称LSTM)中的输入门、遗忘门以及输出门组成的网络层，可以利用Transformer模型的解码器（Decoder）对所述线程时序特征进行特征解码，得到预测设备线程状态。

详细地，所述利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型，包括：

利用所述线程时序模型的全局池化层将所述设备线程状态集降维成线程状态特征集以及将所述预测设备线程状态集降维成预测状态特征集；

利用如下的状态损失函数根据所述线程状态特征集和所述预测状态特征集计算出所述线程时序模型的状态损失值：

判断所述状态损失值是否大于预设的状态损失阈值；

若否，则根据所述状态损失值对所述线程时序模型的模型参数进行迭代更新，并返回所述利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集的步骤；

若是，则将更新后的所述线程时序模型作为线程分析模型。

详细地，通过利用所述的状态损失函数根据所述线程状态特征集和所述预测状态特征集计算出所述线程时序模型的状态损失值，可以根据向量之间的相似性度量、协方差矩阵的相似度度量以及欧几里德距离更全面地衡量数据之间的差异，可以利用快速梯度下降算法或随机梯度下降算法根据所述状态损失值对所述线程时序模型的模型参数进行迭代更新。

本发明实施例中，通过利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型，可以利用线程分析模型表征出线程、设备以及线程同步创建状态之间的关系，从而方便后续线程同步的控制。

S4、获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态。

本发明实施例中，所述实时设备联动数据是指实时获取的在多设备进行设备联动过程中各个设备和各个设备对应的线程信息，所述从所述实时设备联动数据中提取出实时联动线程特征的方法与上述步骤S2中的所述根据所述联动设备组集和所述联动线程组集生成联动线程特征集的方法一致，这里不再赘述。

详细地，所述利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态的方法与上述步骤S3中的所述利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集的方法一致，这里不再赘述。

本发明实施例中，通过获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态，可以利用线程分析模型中线程、设备以及线程同步创建状态提取出实时设备联动数据对应的实时设备线程状态，从而方便后续的多线程同步创建，提高多线程同步的效率。

S5、从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建。

本发明实施例中，所述线程同步机制是指一种用于控制多个线程并发执行时访问共享资源的方式，以避免竞争条件和数据不一致的问题，在多线程环境中，多个线程可能同时访问共享的内存区域或资源，而线程同步机制可以确保这些线程按照特定的顺序或规则访问共享资源，从而保证程序的正确性。

本发明实施例中，所述根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，包括：

依次从所述线程同步机制中提取出互斥锁和条件变量；

根据所述互斥锁和所述条件变量从所述实时设备线程状态中提取出同步点；

根据所述同步点对所述实时设备线程状态进行初级调序，得到实时初级线程状态；

对所述实时初级线程状态进行死锁调序，得到实时标准线程状态。

具体地，所述互斥锁（Mutex Lock）是一种同步机制，用于保护临界区，防止多个线程同时访问共享资源，从而避免竞争条件的发生，所述条件变量（Condition Variable）是一种同步机制，用于在线程之间传递信号以实现线程的等待和唤醒，所述同步点是多线程或并发程序中的一个特定位置，其中线程需要等待或同步，以确保特定的条件得到满足，然后继续执行。

详细地，所述根据所述互斥锁和所述条件变量从所述实时设备线程状态中提取出同步点是指从所述条件变量中提取出等待条件，设置所述互斥锁，等待所述等待条件，直至条件满足，释放所述互斥锁，确定所述同步点。

具体地，所述根据所述同步点对所述实时设备线程状态进行初级调序，得到实时初级线程状态是指根据所述同步点所需的线程条件对所述实时设备线程状态中的线程进行调序，所述对所述实时初级线程状态进行死锁调序，得到实时标准线程状态是指对所述实时初级线程状态进行死锁检测，根据检测结果进行调序。

本发明实施例中，通过从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建，可以根据实时多设备联动时的线程名和设备名确定出设备联动时多线程同步创建的顺序和时间，并避免了死锁和线程逻辑错误，进而提高了多线程同步创建的效率。

本发明通过对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，可以实现数据分组，方便后续的模型训练，同时从数据中筛除错误和重复的数据，提高模型训练的准确性，通过对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集，可以按照时序对线程状态进行格式化处理，进而方便后续的特征提取，通过分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集，可以将设备联动时设备和线程的自变量规范化，减少特征数量，进而提高后续模型训练的效率，通过利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型，可以利用线程分析模型表征出线程、设备以及线程同步创建状态之间的关系，从而方便后续线程同步的控制。

通过获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态，可以利用线程分析模型中线程、设备以及线程同步创建状态提取出实时设备联动数据对应的实时设备线程状态，从而方便后续的多线程同步创建，提高多线程同步的效率，通过从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建，可以根据实时多设备联动时的线程名和设备名确定出设备联动时多线程同步创建的顺序和时间，并避免了死锁和线程逻辑错误，进而提高了多线程同步创建的效率。因此本发明提出的基于设备联动的多线程同步创建方法，可以解决进行多线程同步时的效率较低的问题。

如图4所示，是本发明一实施例提供的基于设备联动的多线程同步创建系统的功能模块图。

本发明所述基于设备联动的多线程同步创建系统100可以安装于电子设备中。根据实现的功能，所述基于设备联动的多线程同步创建系统100可以包括同步梳理模块101、特征融合模块102、模型训练模块103、模型分析模块104及同步匹配模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述同步梳理模块101，用于对预先获取的历史设备联动数据进行拆分清洗，得到历史联动数据集，对所述历史联动数据集进行线程同步梳理，得到联动线程状态组集；

所述特征融合模块102，用于分别从所述联动线程状态组集中提取出联动设备组集、联动线程组集以及设备线程状态集，根据所述联动设备组集和所述联动线程组集生成联动线程特征集，其中，所述根据所述联动设备组集和所述联动线程组集生成联动线程特征集，包括：逐个选取所述联动设备组集中的联动设备组作为目标联动设备组，从所述联动线程组集中选取出所述目标联动设备组对应的联动线程组作为目标联动线程组；依次对所述目标联动设备组进行文本向量化和特征联合映射操作，得到目标设备特征；利用特征聚合的方法分别从所述目标联动线程组中提取出线程名称特征、线程资源特征及线程通信特征；利用如下的共享权重算法计算出所述线程名称特征、所述线程资源特征及所述线程通信特征对应的共享线程特征：

所述模型训练模块103，用于利用预设的线程时序模型分析出所述联动线程特征集对应的预测设备线程状态集，利用所述设备线程状态集和所述预测设备线程状态集将所述线程时序模型训练成线程分析模型；

所述模型分析模块104，用于获取实时设备联动数据，从所述实时设备联动数据中提取出实时联动线程特征，利用所述线程分析模型分析出所述实时联动线程特征对应的实时设备线程状态；

所述同步匹配模块105，用于从所述实时设备联动数据中提取出线程同步机制，根据所述线程同步机制对所述实时设备线程状态进行同步匹配，得到实时标准线程状态，根据所述实时标准线程状态进行多线程同步创建。

详细地，本发明实施例中所述基于设备联动的多线程同步创建系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于设备联动的多线程同步创建方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。