CN120256103A 数据库级联操作智能解析执行方法及系统 （中国市政工程华北设计研究总院有限公司）

(19)国家知识产权局限公司谷大街288号深圳(哈尔滨)产业园A区4栋9层有限公司11952本发明提供一种数据库级联操作智能解析对执行序列进行节点分类并组织为批处理任务21.数据库级联操作智能解析执行方法，其特接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路；对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列；读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令，在所述分布式事务控制指令中植入事务同步点，所述事务同步点基于两阶段提交协议设置，通过一致性哈希算法将所述批处理任务组分配至执行线程池，所述执行线程池基于流水线并行处理机制执行所述批处理任务组，生成执行状态信息；监控所述执行线程池的运行过程，通过滑动窗口算法持续采集所述执行状态信息生成性能数据，将所述性能数据输入预训练的神经网络模型得到性能预测值，当所述性能预测值超出预设的性能阈值时，基于所述执行状态信息计算线程负载水平，根据所述线程负载水平对所述执行线程池进行资源调整，若所述执行状态信息中包含异常信号，则通过链路追踪定位算法定位得到异常事务链路，根据所述异常事务链路执行级联回滚，并根据所述级联操作执行序列重新构建事务执行路径，完成数据库级联操作。2.根据权利要求1所述的方法，其特征在于，接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路包括：将所述数据库级联操作请求通过预设的语法解析器转换为抽象语法树，基于所述抽象语法树提取操作指令集；基于所述操作指令集，采用广度优先搜索的递归查询算法，以所述操作指令集中的目标表为起点，通过外键约束信息和连接条件信息向关联表进行递归查询，在递归查询过程中，将所述目标表加入队列，依次取出队首节点进行扩展，对所述队首节点维护访问标记信息，记录所述关联表与所述目标表的关联字段信息及关联类型信息，将未访问的相邻节点加入队列尾部，生成包含目标表与关联表的关联图结构；对所述关联图结构中的每对关联表进行字段映射，提取每对关联表的字段映射关系，基于所述字段映射关系计算字段映射权重值，将所述字段映射权重值进行汇总，得到表级依赖权重值，构建依赖关系权重矩阵；对所述依赖关系权重矩阵执行第一次深度优先搜索遍历，将当前访问节点压入遍历栈，记录所述当前访问节点的入栈时间戳和完成时间戳，构建所述当前访问节点的时间戳对；基于所述遍历栈计算当前访问节点的可达节点集合，并将所述可达节点集合与所述时间戳对关联形成节点特征向量；将所述依赖关系权重矩阵进行转置，得到逆邻接矩阵，对所述逆邻接矩阵中的权重值进行归一化，生成标准化逆邻接矩阵；将所述节点特征向量映射到所述标准化逆邻接矩阵基于所述时间戳对中的完成时间戳的降序顺序，对所述节点依赖特征矩阵执行第二次3深度优先搜索遍历，根据所述节点依赖特征矩阵中对应的权重值和所述节点特征向量，计算遍历路径上相邻节点间的依赖强度值，基于预设的依赖阈值，筛选所述依赖强度值大于所述依赖阈值的节点关联关系；对所述节点关联关系进行连通性分析，在所述节点关联关系中识别具有双向依赖特征的节点子集，确定为循环依赖链路；根据节点在所述循环依赖链路中的入度权重和出度权重，结合所述节点依赖特征矩阵中的权重值计算各节点的依赖强度值，对所述依赖强度值进行归一化处理得到归一化依赖强度值；基于所述归一化依赖强度值的数值分布对所述循环依赖链路进行依赖程度分级，确定所述循环依赖链路的依赖程度。3.根据权利要求1所述的方法，其特征在于，对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列包括：统计循环依赖链路中每条边在历史执行数据中的依赖触发次数，将所述依赖触发次数作为边的依赖强度值，计算边的归一化依赖强度值，获取循环依赖链路中每条边所在的环路集合，根据环路中各边的权重值乘积计算每个环路的环路强度，将所述环路强度除以环路长度，得到环路单位强度，将边所在全部环路的环路单位强度累加，得到边的关键度指标，将边的关键度指标与边的归一化依赖强度值加权组合得到边的综合评估值；构建包含综合评估值的最小堆，从所述最小堆中依次取出综合评估值最小的当前边，判断所述当前边的删除是否导致图分裂，若不分裂则将所述当前边加入反馈边集并更新相邻边的综合评估值，重复执行，直至得到有向无环子图及对应的剩余边集合；在所述有向无环子图中，将入度为零的起始节点的深度值设置为零，将出度为零的终止节点的广度值设置为零，根据所述剩余边集合的连接关系，通过正向遍历将非起始节点的深度值设置为对应的全部前序节点的深度值最大值加一，通过反向遍历将非终止节点的广度值设置为对应的全部后序节点的广度值最大值加一；将每个节点的深度值、广度值、历史执行时间的归一化值及节点在所述反馈边集中的关联边数量进行加权组合计算得到节点优先级值；基于所述节点优先级值构建优先级队列，在每个时间窗口内根据节点的执行状态更新节点的优先级值并调整队列中节点的排序，从所述优先级队列中选择优先级值最高的多个满足并行条件的当前节点，将所述当前节点按选择顺序添加至级联操作执行序列。4.根据权利要求1所述的方法，其特征在于，读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组包括：读取所述级联操作执行序列，构建多层信息网络，其中第一层网络边的权重表示节点间的数据传输量，第二层网络边的权重表示节点间的资源竞争度，第三层网络边的权重表示节点间的操作相似度；基于所述多层信息网络，计算每个节点的度中心性、介数中心性及接近中心性，确定中心性指标，将所述中心性指标组合形成节点的网络结构特征向量；获取每个节点在所述级所述统计特征组合形成节点的时序特征向量；基于节点在所述级联操作执行序列中的输入数据规模、计算复杂度、内存占用，确定性能指标，基于所述性能指标构建节点的性能特征4向量；将所述网络结构特征向量、时序特征向量及性能特征向量组合构建节点的特征矩阵；计算所述特征矩阵中节点之间的马氏距离，基于所述马氏距离构建节点的相似性网络；在所述相似性网络中，通过迭代计算节点对之间的转移概率，获得节点的稳态分布；基于所述稳态分布，识别所述相似性网络中的密集连通子图，将属于同一密集连通子图的节点划分为同一类别；计算每个类别内节点之间的路径长度，对路径长度大于预设路径长度阈值的类别进行分割，得到优化节点分类结果；将具有相同类别的节点组织为批处理任务组。5.根据权利要求1所述的方法，其特征在于，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令包括：基于批处理任务组中各任务节点，通过任务节点在采样周期内相邻时间点的负载值差值绝对值累加与所述采样周期的比值，计算得到负载波动率；基于所述负载波动率差值与时间重叠度的加权组合，构建任务节点距离矩阵，根据所述任务节点距离矩阵对所述批处理任务组进行层次聚类得到任务分组信息；基于所述任务分组信息构建自适应权重计算模型，将所述任务节点的系统负载数据输入sigmoid函数得到归一化负载值，根据所述归一化负载值计算所述任务节点的时效调节系数与资源调节系数；根据时效调节系数、资源调节系数以及负载波动率，确定时效评估值、资源评估值和波动率评估值，加权计算所述任务节点的评估得分；将所述评估得分作为状态特征构建强化学习模型，基于状态特征构建动作空间与状态空间，根据所述评估得分、资源竞争度与并行度确定奖励函数；利用深度Q网络迭代更新动作价值函数，生成所述任务节点的选择策略；基于所述选择策略对所述批处理任务组进行路径搜索，在探索阶段随机选择执行节点构建候选路径，在利用阶段基于所述动作价值函数选择最优执行节点构建最优执行路径；根据所述最优执行路径构建分布式事务控制指令，所述分布式事务控制指令包括预提交指令与提交指令，其中收集所述最优执行路径上的任务节点状态信息确定所述预提交指通过比较相邻任务节点的时钟值递增更新维护任务节点的因果关系，记录任务节点的执行顺序，确定向量时钟指令，在所述分布式事务控制指令中嵌入所述向量时钟指令；将所述向量时钟指令的执行结果输入分布式共识模块，通过所述分布式共识模块协调任务节点的事务状态，生成分布式事务控制指令。6.根据权利要求1所述的方法，其特征在于，所述链路追踪定位算法包括：采集事务执行信息生成事务标识号，所述事务标识号通过时间戳字段、机器标识字段以及递增序列号字段进行编码，标记同一事务链路上的所有数据库操作；记录所述数据库结束时间以及操作状态信息；建立所述操作执行信息的调用关系树，将所述操作标识号作为树节点，将所述父操作标识号作为父子节点关联关系；基于所述调用关系树中各节点，通过计算操作异常基准分值、操作时延异常分值以及操作状态迁移异常分值的加权组合，确定异常评分，并根据节点所在树的层级深度计算异5常衰减系数，将所述异常衰减系数与所述异常评分相乘得到节点的最终异常分数；计算相邻数据库操作之间的时间重叠程度，将所述时间重叠程度作为操作关联强度，基于所述操作关联强度构建操作依赖网络；分析所述操作依赖网络中的操作执行顺序，计算相邻操作之间的条件概率值确定操作传播概率；筛选所述最终异常分数大于预设的第一异常阈值且所述操作传播概率大于预设的第二异常阈值的操作关联边，构建异常传播子图；计算所述异常传播子图中的最小权重生成树，获取异常传播的核心路径；统计所述核心路径中各节点的入度值，将入度值为零的节点加入待处理队列，持续取出队列中的节点并更新对应的相邻节点的入度值，按照节点出队顺序生成异常事务的传播链路。7.根据权利要求1所述的方法，其特征在于，所述级联回滚包构建多维事务依赖图，将事务操作按照时间戳分层存储，建立数据项读写版本链，记录数据项的读写时序信息及数据版本号，生成事务版本依赖关系；基于所述事务版本依赖关系构建冲突矩阵，计算相邻事务之间的数据访问重叠度，将所述数据访问重叠度作为冲突权重，识别所述冲突权重超过预设冲突阈值的高频冲突区根据所述冲突权重，通过累加事务节点对应的数据修改量、资源占用时长、所述冲突权重以及事务嵌套层数的加权值，计算事务节点的关键程度；基于所述关键程度对事务节点分级，按照预设的近似度阈值，将关键程度满足所述近似度阈值的事务节点合并为回滚批次，计算每个所述回滚批次的资源消耗值和影响范围，生成批次优先级；根据所述批次优先级生成回滚执行计划，将所述回滚批次按照批次优先级的顺序转换为并行执行任务，基于所述资源消耗值为每个并行执行任务分配回滚线程；启动回滚执行器，将所述并行执行任务提交至回滚线程池，记录每个回滚操作的开始时间戳，通过比对所述数据版本号并发控制；监控所述回滚执行器，当检测到回滚失败时，根据所述时间戳定位失败位置，构建补偿事务重试所述回滚操作，直至回滚成功；收集所述回滚执行器输出的操作日志，提取所述操作日志中的版本号序列，基于所述版本号序列重建事务执行路径，校验数据一致性。8.数据库级联操作智能解析执行系统，用于实现前述权利要求1-7中任一项所述的方第一单元，用于接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路；对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列；第二单元，用于读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制6指令，在所述分布式事务控制指令中植入事务同步点，所述事务同步点基于两阶段提交协议设置，通过一致性哈希算法将所述批处理任务组分配至执行线程池，所述执行线程池基于流水线并行处理机制执行所述批处理任务组，生成执行状态信息；第三单元，用于监控所述执行线程池的运行过程，通过滑动窗口算法持续采集所述执行状态信息生成性能数据，将所述性能数据输入预训练的神经网络模型得到性能预测值，当所述性能预测值超出预设的性能阈值时，基于所述执行状态信息计算线程负载水平，根据所述线程负载水平对所述执行线程池进行资源调整，若所述执行状态信息中包含异常信号，则通过链路追踪定位算法定位得到异常事务链路，根据所述异常事务链路执行级联回滚，并根据所述级联操作执行序列重新构建事务执行路径，完成数据库级联操作。处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。7数据库级联操作智能解析执行方法及系统技术领域[0001]本发明涉及技术领域，尤其涉及一种数据库级联操作智能解析执行方法及系统。背景技术[0002]数据库级联操作是基于表间关联关系执行的一系列连续数据库操作，广泛应用于分布式数据处理、业务流程自动化等场景。随着业务复杂度的提升，数据库表之间的关联关系日益复杂，各类参照完整性约束的设置使得单个数据库操作可能会触发一系列连锁反应。特别是在微服务架构下，跨服务的数据库操作会形成复杂的依赖网络，如何高效地解析和执行这些级联操作成为一个重要的技术挑战。涉及的技术领域包括数据库管理、分布式[0003]然而现有技术通常采用静态解析的方式处理数据库级联操作，主要存在以下问题：在解析过程中未充分考虑表间关联的动态特性，导致生成的执行计划缺乏灵活性，无法适应业务变化；采用固定的任务分配策略，未能根据实际负载情况动态调整资源分配，造成执行效率低下；缺乏有效的异常处理机制，当出现执行失败时难以准确定位问题源头并及时采取补救措施；现有的并行处理方案往往过于保守，无法充分利用硬件资源提升处理性能。这些问题在大规模数据处理场景下表现得尤为突出。[0004]综上所述，亟需一种数据库级联操作智能解析执行方法，通过构建依赖关系权重矩阵实现动态解析，采用多维特征分类和自适应路径优化实现智能任务调度，结合神经网络模型进行性能预测和资源动态调整，并通过链路追踪和级联回滚确保数据一致性。解决现有技术中存在的执行效率低、可靠性差、资源利用率不高等技术问题，提供一种高效可靠的数据库级联操作解决方案。本发明的技术方案能够解决现有技术中的问题。发明内容[0005]本发明实施例提供一种数据库级联操作智能解析执行方法及系统，能够解决现有技术中的问题。[0006]本发明实施例的第一方面，[0007]提供一种数据库级联操作智能解析执行方法，[0008]接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路；对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列；[0009]读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令，在所述分布式事务控制指令中植入事务同步点，所述事务同步点基于两阶段提交协议设置，通8过一致性哈希算法将所述批处理任务组分配至执行线程池，所述执行线程池基于流水线并行处理机制执行所述批处理任务组，生成执行状态信息；[0010]监控所述执行线程池的运行过程，通过滑动窗口算法持续采集所述执行状态信息生成性能数据，将所述性能数据输入预训练的神经网络模型得到性能预测值，当所述性能预测值超出预设的性能阈值时，基于所述执行状态信息计算线程负载水平，根据所述线程负载水平对所述执行线程池进行资源调整，若所述执行状态信息中包含异常信号，则通过链路追踪定位算法定位得到异常事务链路，根据所述异常事务链路执行级联回滚，并根据所述级联操作执行序列重新构建事务执行路径，完成数据库级联操作。[0012]接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路包括：[0013]将所述数据库级联操作请求通过预设的语法解析器转换为抽象语法树，基于所述抽象语法树提取操作指令集；基于所述操作指令集，采用广度优先搜索的递归查询算法，以所述操作指令集中的目标表为起点，通过外键约束信息和连接条件信息向关联表进行递归查询，在递归查询过程中，将所述目标表加入队列，依次取出队首节点进行扩展，对所述队首节点维护访问标记信息，记录所述关联表与所述目标表的关联字段信息及关联类型信息，将未访问的相邻节点加入队列尾部，生成包含目标表与关联表的关联图结构；[0014]对所述关联图结构中的每对关联表进行字段映射，提取每对关联表的字段映射关系，基于所述字段映射关系计算字段映射权重值，将所述字段映射权重值进行汇总，得到表级依赖权重值，构建依赖关系权重矩阵；[0015]对所述依赖关系权重矩阵执行第一次深度优先搜索遍历，将当前访问节点压入遍历栈，记录所述当前访问节点的入栈时间戳和完成时间戳，构建所述当前访问节点的时间戳对；基于所述遍历栈计算当前访问节点的可达节点集合，并将所述可达节点集合与所述时间戳对关联形成节点特征向量；[0016]将所述依赖关系权重矩阵进行转置，得到逆邻接矩阵，对所述逆邻接矩阵中的权重值进行归一化，生成标准化逆邻接矩阵；将所述节点特征向量映射到所述标准化逆邻接矩阵对应的行，构建节点依赖特征矩阵；[0017]基于所述时间戳对中的完成时间戳的降序顺序，对所述节点依赖特征矩阵执行第二次深度优先搜索遍历，根据所述节点依赖特征矩阵中对应的权重值和所述节点特征向量，计算遍历路径上相邻节点间的依赖强度值，[0018]基于预设的依赖阈值，筛选所述依赖强度值大于所述依赖阈值的节点关联关系；对所述节点关联关系进行连通性分析，在所述节点关联关系中识别具有双向依赖特征的节点子集，确定为循环依赖链路；根据节点在所述循环依赖链路中的入度权重和出度权重，结合所述节点依赖特征矩阵中的权重值计算各节点的依赖强度值，对所述依赖强度值进行归一化处理得到归一化依赖强度值；基于所述归一化依赖强度值的数值分布对所述循环依赖链路进行依赖程度分级，确定所述循环依赖链路的依赖程度。[0019]在一种可选的实施例中，[0020]对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节9点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列包括：[0021]统计循环依赖链路中每条边在历史执行数据中的依赖触发次数，将所述依赖触发次数作为边的依赖强度值，计算边的归一化依赖强度值，获取循环依赖链路中每条边所在的环路集合，根据环路中各边的权重值乘积计算每个环路的环路强度，将所述环路强度除以环路长度，得到环路单位强度，将边所在全部环路的环路单位强度累加，得到边的关键度指标，将边的关键度指标与边的归一化依赖强度值加权组合得到边的综合评估值；[0022]构建包含综合评估值的最小堆，从所述最小堆中依次取出综合评估值最小的当前边，判断所述当前边的删除是否导致图分裂，若不分裂则将所述当前边加入反馈边集并更新相邻边的综合评估值，重复执行，直至得到有向无环子图及对应的剩余边集合；[0023]在所述有向无环子图中，将入度为零的起始节点的深度值设置为零，将出度为零的终止节点的广度值设置为零，根据所述剩余边集合的连接关系，通过正向遍历将非起始节点的深度值设置为对应的全部前序节点的深度值最大值加一，通过反向遍历将非终止节点的广度值设置为对应的全部后序节点的广度值最大值加一；[0024]将每个节点的深度值、广度值、历史执行时间的归一化值及节点在所述反馈边集中的关联边数量进行加权组合计算得到节点优先级值；[0025]基于所述节点优先级值构建优先级队列，在每个时间窗口内根据节点的执行状态更新节点的优先级值并调整队列中节点的排序，从所述优先级队列中选择优先级值最高的多个满足并行条件的当前节点，将所述当前节点按选择顺序添加至级联操作执行序列。[0027]读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组包括：[0028]读取所述级联操作执行序列，构建多层信息网络，其中第一层网络边的权重表示节点间的数据传输量，第二层网络边的权重表示节点间的资源竞争度，第三层网络边的权重表示节点间的操作相似度；[0029]基于所述多层信息网络，计算每个节点的度中心性、介数中心性及接近中心性，确定中心性指标，将所述中心性指标组合形成节点的网络结构特征向量；获取每个节点在所述级联操作执行序列中的状态序列，提取状态序列的均值、方差、偏度、峰度，确定统计特征，将所述统计特征组合形成节点的时序特征向量；基于节点在所述级联操作执行序列中的输入数据规模、计算复杂度、内存占用，确定性能指标，基于所述性能指标构建节点的性能特征向量；将所述网络结构特征向量、时序特征向量及性能特征向量组合构建节点的特征矩阵；[0030]计算所述特征矩阵中节点之间的马氏距离，基于所述马氏距离构建节点的相似性网络；在所述相似性网络中，通过迭代计算节点对之间的转移概率，获得节点的稳态分布；基于所述稳态分布，识别所述相似性网络中的密集连通子图，将属于同一密集连通子图的节点划分为同一类别；[0031]计算每个类别内节点之间的路径长度，对路径长度大于预设路径长度阈值的类别进行分割，得到优化节点分类结果；将具有相同类别的节点组织为批处理任务组。[0033]通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令包括：[0034]基于批处理任务组中各任务节点，通过任务节点在采样周期内相邻时间点的负载值差值绝对值累加与所述采样周期的比值，计算得到负载波动率；[0035]基于所述负载波动率差值与时间重叠度的加权组合，构建任务节点距离矩阵，根据所述任务节点距离矩阵对所述批处理任务组进行层次聚类得到任务分组信息；[0036]基于所述任务分组信息构建自适应权重计算模型，将所述任务节点的系统负载数据输入sigmoid函数得到归一化负载值，根据所述归一化负载值计算所述任务节点的时效调节系数与资源调节系数；[0037]根据时效调节系数、资源调节系数以及负载波动率，确定时效评估值、资源评估值和波动率评估值，加权计算所述任务节点的评估得分；[0038]将所述评估得分作为状态特征构建强化学习模型，基于状态特征构建动作空间与状态空间，根据所述评估得分、资源竞争度与并行度确定奖励函数；[0039]利用深度Q网络迭代更新动作价值函数，生成所述任务节点的选择策略；[0040]基于所述选择策略对所述批处理任务组进行路径搜索，在探索阶段随机选择执行节点构建候选路径，在利用阶段基于所述动作价值函数选择最优执行节点构建最优执行路[0041]根据所述最优执行路径构建分布式事务控制指令，所述分布式事务控制指令包括预提交指令与提交指令，其中收集所述最优执行路径上的任务节点状态信息确定所述预提交指令；[0042]通过比较相邻任务节点的时钟值递增更新维护任务节点的因果关系，记录任务节点的执行顺序，确定向量时钟指令，在所述分布式事务控制指令中嵌入所述向量时钟指令；[0043]将所述向量时钟指令的执行结果输入分布式共识模块，通过所述分布式共识模块协调任务节点的事务状态，生成分布式事务控制指令。[0044]在一种可选的实施例中，[0045]所述链路追踪定位算法包括：[0046]采集事务执行信息生成事务标识号，所述事务标识号通过时间戳字段、机器标识字段以及递增序列号字段进行编码，标记同一事务链路上的所有数据库操作；记录所述数据库操作的操作执行信息，包括操作标识号、父操作标识号、操作类型信息、操操作结束时间以及操作状态信息；[0047]建立所述操作执行信息的调用关系树，将所述操作标识号作为树节点，将所述父操作标识号作为父子节点关联关系；[0048]基于所述调用关系树中各节点，通过计算操作异常基准分值、操作时延异常分值以及操作状态迁移异常分值的加权组合，确定异常评分，并根据节点所在树的层级深度计算异常衰减系数，将所述异常衰减系数与所述异常评分相乘得到节点的最终异常分数；[0049]计算相邻数据库操作之间的时间重叠程度，将所述时间重叠程度作为操作关联强度，基于所述操作关联强度构建操作依赖网络；分析所述操作依赖网络中的操作执行顺序，计算相邻操作之间的条件概率值确定操作传播概率；[0050]筛选所述最终异常分数大于预设的第一异常阈值且所述操作传播概率大于预设的第二异常阈值的操作关联边，构建异常传播子图；11[0051]计算所述异常传播子图中的最小权重生成树，获取异常传播的核心路径；[0052]统计所述核心路径中各节点的入度值，将入度值为零的节点加入待处理队列，持续取出队列中的节点并更新对应的相邻节点的入度值，按照节点出队顺序生成异常事务的传播链路。[0055]构建多维事务依赖图，将事务操作按照时间戳分层存储，建立数据项读写版本链，记录数据项的读写时序信息及数据版本号，生成事务版本依赖关系；[0056]基于所述事务版本依赖关系构建冲突矩阵，计算相邻事务之间的数据访问重叠度，将所述数据访问重叠度作为冲突权重，识别所述冲突权重超过预设冲突阈值的高频冲突区域；[0057]根据所述冲突权重，通过累加事务节点对应的数据修改量、资源占用时长、所述冲突权重以及事务嵌套层数的加权值，计算事务节点的关键程度；[0058]基于所述关键程度对事务节点分级，按照预设的近似度阈值，将关键程度满足所述近似度阈值的事务节点合并为回滚批次，计算每个所述回滚批次的资源消耗值和影响范[0059]根据所述批次优先级生成回滚执行计划，将所述回滚批次按照批次优先级的顺序转换为并行执行任务，基于所述资源消耗值为每个并行执行任务分配回滚线程；[0060]启动回滚执行器，将所述并行执行任务提交至回滚线程池，记录每个回滚操作的开始时间戳，通过比对所述数据版本号并发控制；[0061]监控所述回滚执行器，当检测到回滚失败时，根据所述时间戳定位失败位置，构建补偿事务重试所述回滚操作，直至回滚成功；[0062]收集所述回滚执行器输出的操作日志，提取所述操作日志中的版本号序列，基于所述版本号序列重建事务执行路径，校验数据一致性。[0063]本发明实施例的第二方面，[0064]提供一种数据库级联操作智能解析执行系统，[0065]第一单元，用于接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路；对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列；[0066]第二单元，用于读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令，在所述分布式事务控制指令中植入事务同步点，所述事务同步点基于两阶段提交协议设置，通过一致性哈希算法将所述批处理任务组分配至执行线程池，所述执行线程池基于流水线并行处理机制执行所述批处理任务组，生成执行状态信息；[0067]第三单元，用于监控所述执行线程池的运行过程，通过滑动窗口算法持续采集所述执行状态信息生成性能数据，将所述性能数据输入预训练的神经网络模型得到性能预测值，当所述性能预测值超出预设的性能阈值时，基于所述执行状态信息计算线程负载水平，根据所述线程负载水平对所述执行线程池进行资源调整，若所述执行状态信息中包含异常信号，则通过链路追踪定位算法定位得到异常事务链路，根据所述异常事务链路执行级联回滚，并根据所述级联操作执行序列重新构建事务执行路径，完成数据库级联操作。[0068]本发明实施例的第三方面，[0071]用于存储处理器可执行指令的存储器；[0072]其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。[0073]本发明实施例的第四方面，[0074]提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。[0075]在本发明实施例中，通过递归查询、字段映射分析、强连通分量识别等算法，智能解析数据库级联操作请求，并基于依赖关系和拓扑排序生成最优执行序列，避免循环依赖和性能瓶颈，提高执行效率；采用分布式事务控制机制和两阶段提交协议，保障数据一致性；基于一致性哈希算法将任务分配至执行线程池，并利用流水线并行处理机制，充分发挥多核处理器的优势，大幅提升级联操作的执行速度；实时监控执行过程，利用滑动窗口算法采集性能数据，并通过神经网络模型进行性能预测。根据预测结果和线程负载水平动态调整执行线程池资源，确保系统稳定运行；同时，具备异常事务链路追踪和级联回滚能力，有附图说明[0076]图1为本发明实施例数据库级联操作智能解析执行方法的流程示意图；[0077]图2为本发明实施例数据库级联操作智能解析执行系统的结构示意图。具体实施方式[0078]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0079]下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。[0080]图1为本发明实施例数据库级联操作智能解析执行方法的流程示意图，如图1所[0081]S101.接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算法，确定循环依赖链路；对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列；[0082]在本实施例中，通过递归查询算法提取目标表与关联表，并结合字段映射分析生成依赖关系权重矩阵，确保所有数据表的依赖关系被准确识别，为后续的级联操作提供精确的执行依据；采用强连通分量识别算法检测循环依赖，并通过分解得到有向无环子图，有效规避数据库操作中的循环依赖问题，确保事务执行顺畅，避免因死锁或冲突导致的操作失败；计算有向无环子图中各节点的深度值与广度值，结合拓扑排序算法生成最优级联操作执行序列，确保数据库操作按照最优路径执行，减少不必要的等待与回滚，提高整体操作效率；通过合理的级联操作顺序和依赖关系处理，确保事务的执行严格遵循数据库一致性约束，防止因操作顺序错误导致的数据不一致问题，提高数据库系统的稳定性和可靠性。[0083]S102.读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令，在所述分布式事务控制指令中植入事务同步点，所述事务同步点基于两阶段提交协议设置，通过一致性哈希算法将所述批处理任务组分配至执行线程池，所述执行线程池基于流水线并行处理机制执行所述批处理任务组，生成执行状态信息；[0084]在一种具体实施方式中，首先，系统读取前序步骤生成的级联操作执行序列，对序列中的每个操作节点提取特征信息。所提取的特征包括操作类型、数据表规模、关联表数量、预估执行时长等多个维度。基于这些特征信息，使用多维特征分类算法对操作节点进行聚类分析，将具有相似特征的节点划分到同一类别。根据分类结果，将相同类别的节点组织成批处理任务组，每个任务组包含了一组可以并行执行的操作节点。[0085]接着，针对每个批处理任务组，通过自适应路径优化算法计算最优执行路径。该算法首先构建任务依赖网络，分析任务组内各节点间的依赖关系，然后结合节点的执行代价和资源需求，通过迭代优化方式搜索得到总体执行代价最小的执行路径。优化过程中会考虑数据局部性、负载均衡等因素，确保生成的执行路径既能保证正确性，又能实现较高的执行效率。[0086]根据计算得到的最优执行路径，系统生成相应的分布式事务控制指令。在生成控制指令的过程中，系统会在关键执行节点处植入事务同步点。这些同步点基于两阶段提交协议设置，包括准备阶段和提交阶段。在准备阶段，系统检查所有参与节点的执行条件是否[0087]随后，系统使用一致性哈希算法将批处理任务组分配到执行线程池中的具体线程。该算法通过构建哈希环，将任务和线程映射到哈希环上的不同位置，确保任务能够均匀地分布到各个线程，并在线程数量发生变化时最小化任务重分配的影响。分配过程中会考虑每个线程的当前负载状况，避免出现负载不均衡的情况。[0088]最后，执行线程池采用流水线并行处理机制执行分配到的任务。在执行过程中，每个线程维护一个任务执行队列，按照流水线方式处理队列中的任务。流水线处理分为多个阶段，包括任务预处理、数据加载、执行操作、结果验证等。各个阶段之间通过异步方式协[0089]在本实施例中，通过多维特征分类算法对级联操作执行序列进行节点分类，并组织为批处理任务组，减少任务的执行冗余，提高整体执行效率；采用自适应路径优化算法计算批处理任务组的最优执行路径，确保任务在分布式环境中按最优方式执行，降低计算资源占用，提高系统吞吐量；在分布式事务控制指令中植入基于两阶段提交协议的事务同步点，确保跨节点事务操作的原子性，减少事务失败导致的数据不一致风险；结合一致性哈希算法将批处理任务组合理分配至执行线程池，并采用流水线并行处理机制高效执行任务，最大化系统并发能力，提升整体事务处理性能。[0090]S103.监控所述执行线程池的运行过程，通过滑动窗口算法持续采集所述执行状态信息生成性能数据，将所述性能数据输入预训练的神经网络模型得到性能预测值，当所述性能预测值超出预设的性能阈值时，基于所述执行状态信息计算线程负载水平，根据所述线程负载水平对所述执行线程池进行资源调整，若所述执行状态信息中包含异常信号，则通过链路追踪定位算法定位得到异常事务链路，根据所述异常事务链路执行级联回滚，并根据所述级联操作执行序列重新构建事务执行路径，完成数据库级联操作。[0091]在一种具体实施方式中，首先，系统启动专门的监控模块，对执行线程池的运行状态进行实时监控。监控范围包括各个线程的任务执行情况、资源占用情况、响应时间等关键指标。通过滑动窗口算法，系统在固定的时间窗口内持续采集这些执行状态信息。滑动窗口会随时间推移不断更新，保持最新的状态数据，同时通过数据聚合处理生成反映系统性能的各项指标，形成完整的性能数据集。[0092]接着，系统将采集到的性能数据输入到预先训练好的神经网络模型中。该模型通过学习历史执行数据的特征，能够预测未来一段时间内系统的性能表现。预测的指标包括资源使用率、任务处理延迟、吞吐量等多个维度。系统将预测得到的性能值与预设的性能阈值进行比较，当预测值超出阈值时，触发资[0093]在进行资源调整之前，系统首先基于当前的执行状态信息计算每个线程的负载水平。负载计算考虑了线程的任务队列长度、CPU使用率、内存占用等多个因素。的负载水平，系统判断是否需要增加或减少线程数量，或者调整任务分配策略。具体的调整措施包括动态创建新的处理线程、暂停负载过低的线程、重新分配任务等。[0094]同时，系统会持续检查执行状态信息中是否包含异常信号。异常信号可能来自任务执行超时、数据访问错误、资源耗尽等多个方面。一旦检测到异常信号，系统立即启动链路追踪定位算法，沿着事务执行路径反向追踪，确定异常发生的具体位置和影响范围。[0095]通过链路追踪确定异常事务链路后，系统启动级联回滚处理。回滚过程首先确定需要回滚的事务范围，然后按照依赖关系的逆序执行回滚操作。为确保回滚的可靠性，系统会为每个回滚操作建立检查点，验证回滚操作的执行结果。如果回滚过程中出现新的异常，系统会记录相关信息并进行重试。[0096]完成异常事务的回滚后，系统根据原有的级联操作执行序列重新构建事务执行路径。重建过程会避开已知的问题点，必要时调整执行策略，如调整并行度、修改资源分配方案等。重建后的执行路径需要确保数据的一致性和完整性。[0097]最后，系统将重建后的事务执行路径提交给执行线程池，重新执行数据库级联操作。在重新执行过程中，系统会特别关注之前出现问题的环节，加强监控力度，确保操作能够正常完成。同时，系统会将此次异常处理的经验数据记录下来，用于优化预训练模型和改进异常处理策略。[0098]在本实施例中，通过滑动窗口算法持续采集执行状态信息，并生成性能数据，实现对执行线程池的实时监控，及时发现性能波动，确保系统稳定运行；采用预训练神经网络模型对性能数据进行预测，当性能预测值超出阈值时，基于线程负载水平进行资源调整，优化计算资源利用率，防止过载导致的性能下降；通过链路追踪定位算法快速确定异常事务链路，缩短故障排查时间，避免异常事务影响整体数据库操作，提高事务处理的可靠性；在检测到异常后，根据异常事务链路执行级联回滚，并依据级联操作执行序列重新构建事务执行路径，确保数据库事务的一致性和完整性，减少数据损坏或丢失的风险。[0099]在一种可选的实施方式中，接收数据库级联操作请求，将所述数据库级联操作请求解析为操作指令集，通过递归查询算法从所述操作指令集中提取目标表与关联表，执行字段映射分析生成依赖关系权重矩阵，基于所述依赖关系权重矩阵通过强连通分量识别算[0100]将所述数据库级联操作请求通过预设的语法解析器转换为抽象语法树，基于所述抽象语法树提取操作指令集；基于所述操作指令集，采用广度优先搜索的递归查询算法，以所述操作指令集中的目标表为起点，通过外键约束信息和连接条件信息向关联表进行递归查询，在递归查询过程中，将所述目标表加入队列，依次取出队首节点进行扩展，对所述队首节点维护访问标记信息，记录所述关联表与所述目标表的关联字段信息及关联类型信息，将未访问的相邻节点加入队列尾部，生成包含目标表与关联表的关联图结构；[0101]对所述关联图结构中的每对关联表进行字段映射，提取每对关联表的字段映射关系，基于所述字段映射关系计算字段映射权重值，将所述字段映射权重值进行汇总，得到表级依赖权重值，构建依赖关系权重矩阵；[0102]对所述依赖关系权重矩阵执行第一次深度优先搜索遍历，将当前访问节点压入遍历栈，记录所述当前访问节点的入栈时间戳和完成时间戳，构建所述当前访问节点的时间戳对；基于所述遍历栈计算当前访问节点的可达节点集合，并将所述可达节点集合与所述时间戳对关联形成节点特征向量；[0103]将所述依赖关系权重矩阵进行转置，得到逆邻接矩阵，对所述逆邻接矩阵中的权重值进行归一化，生成标准化逆邻接矩阵；将所述节点特征向量映射到所述标准化逆邻接矩阵对应的行，构建节点依赖特征矩阵；[0104]基于所述时间戳对中的完成时间戳的降序顺序，对所述节点依赖特征矩阵执行第二次深度优先搜索遍历，根据所述节点依赖特征矩阵中对应的权重值和所述节点特征向量，计算遍历路径上相邻节点间的依赖强度值，[0105]基于预设的依赖阈值，筛选所述依赖强度值大于所述依赖阈值的节点关联关系；对所述节点关联关系进行连通性分析，在所述节点关联关系中识别具有双向依赖特征的节点子集，确定为循环依赖链路；根据节点在所述循环依赖链路中的入度权重和出度权重，结合所述节点依赖特征矩阵中的权重值计算各节点的依赖强度值，对所述依赖强度值进行归一化处理得到归一化依赖强度值；基于所述归一化依赖强度值的数值分布对所述循环依赖链路进行依赖程度分级，确定所述循环依赖链路的依赖程度。器将SQL语句转换为抽象语法树(AST)。例如，"UPDATEtablelSETcol1='valuel'WHEREid=1;DELETEFROMtable2WHEREid=2;"会被解析成包含更新和删除操作节点的树形结构。从该抽象语法树中提取操作指令集，其中包含每个操作的目标表名、操作类操作指令。[0107]接下来，基于提取的操作指令集，采用广度优先搜索的递归查询算法，提取目标表和关联表。以操作指令集中的目标表为起点，例如"tablel"。通过数据库的元数据信息，例如外键约束和连接条件，查询与"tablel"关联的表。假设"tablel"通过外键关联到”table2","table2"又关联到"table3"。将"tablel"加入队列。取出队首节点"tablel",查询其关联表"table2",并将"table2"加入队列尾部，同时记录"tablel"和"table2"之间的关联字段信息及关联类型(例如外键关联)。继续取出队首节点"table2",查询其关联表”table3",并将"table3"加入队列尾部，记录关联信息。最终生成包含目标表和所有关联表的关联图结构。[0108]然后，对关联图结构中的每对关联表进行字段映射分析。例如，"table1"和"取每对关联表的字段映射关系，例如("table1.id1","table2.id2")和("table2.id2","table3.id3")。基于字段映射关系计算字段映射权重值。例如，如果两个字段的数据类型相同且名称相似，则赋予较高的权重值，否则赋予较低的权重值。将字段映射权重值进行汇总，得到表级依赖权重值，例如，"tablel"对"table2"的依赖权重为0.8,"table2"对"table3"的依赖权重为0.6。构建依赖关系权重矩阵，该矩阵的行和列代表关联图中的所有表，矩阵元素的值代表表之间的依赖权重。[0109]对依赖关系权重矩阵执行深度优先搜索遍历。以任意节点为起始节点，例如"tablel"。将"tablel"压入遍历栈，记录其入栈时间戳和完成时间戳。假设"tablel"的入栈时间戳为1,完成时间戳为6。计算"tablel"的可达节点集合，例如{"table2","table3"}。将可达节点集合与时间戳对关联形成节点特征向量，例如(1,6,{"table2","table3"})。对所有节点重复此过程。[0110]将依赖关系权重矩阵进行转置，得到逆邻接矩阵。对逆邻接矩阵中的权重值进行归一化，例如，将所有权重值除以每行权重值的总和，生成标准化逆邻接矩阵。将节点特征向量映射到标准化逆邻接矩阵对应的行，构建节点依赖特征矩阵。[0111]基于完成时间戳的降序顺序，对节点依赖特征矩阵执行第二次深度优先搜索遍历。根据节点依赖特征矩阵中对应的权重值和节点特征向量，计算遍历路径上相邻节点间的依赖强度值。例如，计算"tablel"和"table2"之间的依赖强度值为0.9.基于预设的依赖阈值，例如0.7,筛选依赖强度值大于阈值的节点关联关系。对筛选后的节点关联关系进行连通性分析。识别具有双向依赖特征的节点子集，例如，"table2"和"table3"之间存在双向依赖关系，则确定{"table2","table3"}为循环依赖链路。根据节点在循环依赖链路中的入度权重和出度权重，结合节点依赖特征矩阵中的权重值计算各节点的依赖强度值。对依赖强度值进行归一化处理得到归一化依赖强度值。基于归一化依赖强度值的数值分布对循[0112]在本实施例中，通过识别循环依赖链路，可以提前发现潜在的数据一致性问题，避免级联操作导致的数据错误或丢失，从而提高数据库操作的安全性；通过识别循环依赖链路，可以优化数据库操作的执行顺序，减少不必要的计算和资源消耗，从而提高数据库性能；通过提供循环依赖链路的识别和分析工具，可以简化数据库管理员的工作，提高数据库管理效率。[0113]在一种可选的实施方式中，对所述循环依赖链路进行分解得到有向无环子图，根据所述有向无环子图计算节点深度值与节点广度值，并通过拓扑排序算法生成级联操作执行序列包括：[0114]统计循环依赖链路中每条边在历史执行数据中的依赖触发次数，将所述依赖触发次数作为边的依赖强度值，计算边的归一化依赖强度值，获取循环依赖链路中每条边所在的环路集合，根据环路中各边的权重值乘积计算每个环路的环路强度，将所述环路强度除以环路长度，得到环路单位强度，将边所在全部环路的环路单位强度累加，得到边的关键度指标，将边的关键度指标与边的归一化依赖强度值加权组合得到边的综合评估值；[0115]构建包含综合评估值的最小堆，从所述最小堆中依次取出综合评估值最小的当前边，判断所述当前边的删除是否导致图分裂，若不分裂则将所述当前边加入反馈边集并更新相邻边的综合评估值，重复执行，直至得到有向无环子图及对应的剩余边集合；[0116]在所述有向无环子图中，将入度为零的起始节点的深度值设置为零，将出度为零的终止节点的广度值设置为零，根据所述剩余边集合的连接关系，通过正向遍历将非起始节点的深度值设置为对应的全部前序节点的深度值最大值加一，通过反向遍历将非终止节点的广度值设置为对应的全部后序节点的广度值最大值加一；[0117]将每个节点的深度值、广度值、历史执行时间的归一化值及节点在所述反馈边集中的关联边数量进行加权组合计算得到节点优先级值；[0118]基于所述节点优先级值构建优先级队列，在每个时间窗口内根据节点的执行状态更新节点的优先级值并调整队列中节点的排序，从所述优先级队列中选择优先级值最高的多个满足并行条件的当前节点，将所述当前节点按选择顺序添加至级联操作执行序列。[0119]所述依赖触发次数具体是指循环依赖链路中某条边在历史执行数据中被触发(执行)的次数。该指标用于衡量该依赖关系在实际运行环境中的活跃度和重要性，触发次数越高，说明该依赖关系在数据库操作过程中被频繁使用，对事务执行的影响越大。[0120]所述环路强度具体是指衡量一个循环依赖路径整体依赖强度的指标，其计算方式是环路中所有边的权重值的乘积。环路强度越高，说明该循环依赖路径上的依赖关系越紧密，可能对事务执行产生更大的约束或影响。在依赖分析中，环路强度可用于区分关键依赖路径和低影响依赖路径，进而优化依赖消解策略。[0121]在一种具体实施方式中，首先，统计循环依赖链路中每条边的历史依赖触发次数。例如，边A→B的历史触发次数为100次，边B→C的触发次数为50次。将这些触发次数作为边的依赖强度值。之后，对每条边的依赖强度值进行归一化处理。假设总触发次数为边A→B的归一化依赖强度值为0.5,边B→C的归一化依赖强度值为0.25。强度通过环路中各边的归一化依赖强度值相乘得到。假设环路A→B→A的环路强度为0.5×0.4=0.2。将环路强度除以环路长度(边的数量),得到环路单位强度。例如，环路A→B→A的环路单位强度为0.2/2=0.1.将边所在所有环路的环路单位强度累加，得到边的关键度指标。假设边A→B的关键度指标为0.1+0.05=0.15。最后，将边的关键度指标与归一化依赖强度值进行加权组合，得到边的综合评估值。例如，假设权重分别为0.6和0.4,则边A→B的综合评估值为0.15×0.6+0.5×0.4=0.29。[0123]构建一个包含所有边的最小堆，其中边的综合评估值作为排序依据。从最小堆中依次取出综合评估值最小的边。判断删除该边后图是否分裂。如果删除后图不分裂，则将该边加入反馈边集，并更新相邻边的综合评估值。重复此过程，直到得到有向无环子图及对应[0124]在生成的有向无环子图中，将入度为零的起始节点的深度值设置为零。将出度为零的终止节点的广度值设置为零。根据剩余边集合的连接关系，通过正向遍历计算非起始节点的深度值。节点的深度值等于其所有前序节点的深度值的最大值加一。例如，如果节点B的前序节点A的深度值为0,则节点B的深度值为1。通过反向遍历计算非终止节点的广度值。节点的广度值等于其所有后序节点的广度值的最大值加一。例如，如果节点B的后序节点C的广度值为0,则节点B的广度值为1。[0125]将每个节点的深度值、广度值、历史执行时间的归一化值以及节点在反馈边集中的关联边数量进行加权组合，计算得到节点优先级值。例如，节点A的深度值为0,广度值为2,历史执行时间的归一化值为0.3,关联边数量为1,假设权重分别为0.2,0.3,0.4,0.1,则节点A的优先级值为0.2×0+0.3×2+0.4×0.3+0.1×1=0.82。[0126]基于节点优先级值构建优先级队列。在每个时间窗口内，根据节点的执行状态更新节点的优先级值，并调整队列中节点的排序。从优先级队列中选择优先级值最高的多个满足并行条件的节点。将选择的节点按选择顺序添加至级联操作执行序列。例如，假设节点A和节点C的优先级值最高且满足并行条件，则将它们添加到级联操作执行序列中。[0127]在本实施例中，通过分解循环依赖链路，并根据节点优先级生成执行序列，可以有效避免循环等待，减少资源竞争，从而提高系统整体执行效率；通过识别和处理循环依赖，可以避免潜在的死锁和错误，提高系统的稳定性和可靠性；通过优先级队列和并行执行，可[0128]在一种可选的实施方式中，读取所述级联操作执行序列，通过多维特征分类算法对所述级联操作执行序列进行节点分类处理，将分类后的节点组织为批处理任务组包括：[0129]读取所述级联操作执行序列，构建多层信息网络，其中第一层网络边的权重表示节点间的数据传输量，第二层网络边的权重表示节点间的资源竞争度，第三层网络边的权重表示节点间的操作相似度；[0130]基于所述多层信息网络，计算每个节点的度中心性、介数中心性及接近中心性，确定中心性指标，将所述中心性指标组合形成节点的网络结构特征向量；获取每个节点在所述级联操作执行序列中的状态序列，提取状态序列的均值、方差、偏度、峰度，确定统计特征，将所述统计特征组合形成节点的时序特征向量；基于节点在所述级联操作执行序列中的输入数据规模、计算复杂度、内存占用，确定性能指标，基于所述性能指标构建节点的性能特征向量；将所述网络结构特征向量、时序特征向量及性能特征向量组合构建节点的特征矩阵；[0131]计算所述特征矩阵中节点之间的马氏距离，基于所述马氏距离构建节点的相似性网络；在所述相似性网络中，通过迭代计算节点对之间的转移概率，获得节点的稳态分布；基于所述稳态分布，识别所述相似性网络中的密集连通子图，将属于同一密集连通子图的节点划分为同一类别；[0132]计算每个类别内节点之间的路径长度，对路径长度大于预设路径长度阈值的类别进行分割，得到优化节点分类结果；将具有相同类别的节点组织为批处理任务组。序列可以表示为一系列节点，每个节点代表一个操作，节点之间存在先后依赖关系。一个示例序列可以是A→B→C→D→E,表示操作A必须在B之前执行，B必须在C之前执行，以此类推。[0134]然后，构建多层信息网络。该网络包含三层，分别表示节点间的数据传输量、资源竞争度和操作相似度。以节点A、B、C为例，的边的权重为10.如果A和B竞争同一个CPU核心，竞争的权重为0.8.如果A和C都是数据库读操作，相似度为0.9,则第三层网络中A到C的边的权重为0.9。[0135]接下来，计算每个节点的网络结构特征向量。基于构建的多层信息网络，计算每个节点的度中心性、介数中心性和接近中心性。度中心性表示节点与其他节点直接连接的数量。介数中心性表示节点在其他节点之间最短路径上出现的次数。接近中心性表示节点到其他节点的平均距离的倒数。将这些中心性指标组合形成节点的网络结构特征向量。例如，节点A的度中心性为2,介数中心性为1,接近中心性为0.5,则其网络结构特征向量为[2,1,[0136]同时，获取每个节点在级联操作执行序列中的状态序列，提取状态序列的均值、方点A的状态序列为[1,2,3,4,5],其均值为3,方差为2,偏度为0,峰度为-1.2,则其时序特征向量为[3,2,0,-1.2]。[0137]此外，基于节点在级联操作执行序列中的输入数据规模、计算复杂度、内存占用，确定性能指标，并基于这些性能指标构建节点的性能特征向量。例如，节点A的输入数据规模为10MB,计算复杂度为1000次浮点运算，内存占用为2MB,则其性能特征向量为[10,1000,[0138]将网络结构特征向量、时序特征向量及性能特征向量组合构建节点的特征矩阵。例如，节点A的特征矩阵为[[2,1,0.5],[3,2,0,-1.2],[10,1000,2]]。[0139]然后，计算特征矩阵中节点之间的马氏距离，基于马氏距离构建节点的相似性网络。马氏距离考虑了不同特征之间的相关性。在相似性网络中，通过迭代计算节点对之间的转移概率，获得节点的稳态分布。稳态分布表示每个节点最终的概率分布。[0140]基于稳态分布，识别相似性网络中的密集连通子图，将属于同一密集连通子图的节点划分为同一类别。密集连通子图是指节点之间连接紧密的子图。[0141]计算每个类别内节点之间的路径长度，对路径长度大于预设路径长度阈值的类别进行分割，得到优化节点分类结果。路径长度是指类别内节点之间最短路径的长度。预设路径长度阈值根据实际情况设定。一类别，则将它们组织为一个批处理任务组。[0143]在本实施例中，通过将相似节点组织为批处理任务组，可以充分利用计算资源，减少任务调度开销，从而提高级联操作的执行效率；通过考虑节点之间的资源竞争度，可以避免资源冲突，优化资源利用率；通过考虑节点之间的相似度和状态序列特征，可以将具有相似行为的节点组织在一起，提高系统的稳定性和可预测性。[0144]在一种可选的实施方式中，通过自适应路径优化算法计算所述批处理任务组的最优执行路径，根据所述最优执行路径生成分布式事务控制指令包括：[0145]基于批处理任务组中各任务节点，通过任务节点在采样周期内相邻时间点的负载值差值绝对值累加与所述采样周期的比值，计算得到负载波动率；[0146]基于所述负载波动率差值与时间重叠度的加权组合，构建任务节点距离矩阵，根据所述任务节点距离矩阵对所述批处理任务组进行层次聚类得到任务分组信息；[0147]基于所述任务分组信息构建自适应权重计算模型，将所述任务节点的系统负载数据输入sigmoid函数得到归一化负载值，根据所述归一化负载值计算所述任务节点的时效调节系数与资源调节系数；[0148]根据时效调节系数、资源调节系数以及负载波动率，确定时效评估值、资源评估值和波动率评估值，加权计算所述任务节点的评估得分；[0149]将所述评估得分作为状态特征构建强化学习模型，基于状态特征构建动作空间与状态空间，根据所述评估得分、资源竞争度与并行度确定奖励函数；[0150]利用深度Q网络迭代更新动作价值函数，生成所述任务节点的选择策略；[0151]基于所述选择策略对所述批处理任务组进行路径搜索，在探索阶段随机选择执行节点构建候选路径，在利用阶段基于所述动作价值函数选择最优执行节点构建最优执行路[0152]根据所述最优执行路径构建分布式事务控制指令，所述分布式事务控制指令包括预提交指令与提交指令，其中收集所述最优执行路径上的任务节点状态信息确定所述预提交指令；[0153]通过比较相邻任务节点的时钟值递增更新维护任务节点的因果关系，记录任务节点的执行顺序，确定向量时钟指令，在所述分布式事务控制指令中嵌入所述向量时钟指令；[0154]将所述向量时钟指令的执行结果输入分布式共识模块，通过所述分布式共识模块协调任务节点的事务状态，生成分布式事务控制指令。[0155]所述时间重叠度是指在一定时间范围内，不同任务节点的执行时间段重叠的程度。通常在批处理任务或分布式系统中，任务节点的执行时段可能会有重叠，表示不同任务的执行可能互相影响。时间重叠度可以作为任务间关联性的一种衡量指标，用于调整任务[0156]所述向量时钟指令是指一种基于向量时钟的机制，用于追踪分布式系统中任务或事件的执行顺序。向量时钟是一种用于解决分布式系统中的时间顺序问题的技术，它通过为每个节点维护一个“时间戳”数组(向量),并在不同任务节点间传递时更新时间戳，从而保证各个节点的事件顺序一致性。向量时钟指令是这种机制的一部分，通常用于表示任务节点之间的因果关系或执行顺序，并确保任务在分布式系统中的同步执行。[0157]所述分布式共识模块是一种在分布式系统中确保各个节点之间就某一事务或操作达成一致决策的机制。它解决了在没有中心控制器的情况下，各个节点如何就某些问题达成一致。典型的共识算法包括Paxos、Raft等，常用于分布式数据库任务描述中，分布式共识模块用于协调各任务节点的事务状态，确保任务节点能够达成一致并正确执行分布式事务控制指令，从而保证系统的高可用性和一致性。[0158]在一种具体实施方式中，首先，计算任务节点的负载波动率。选取一个采样周期，例如1分钟，记录每个任务节点在该周期内不同时间点的负载值。例如，任务节点A在1分钟2,(6-7)的绝对值为1,(8-6)的绝对值为2.将这些差值的绝对值累加，得到5.将累加值与采样周期的比值作为负载波动率，例如，5/1=5,则任务节点A的负载波动率为5.对批处理任务组中的所有任务节点进行相同的计算，得到每个任务节点的负载波动率。[0159]接下来，构建任务节点距离矩阵。根据任务节点之间的负载波动率差值和时间重叠度，计算任务节点之间的距离。时间重叠度是指两个任务节点在时间上重叠执行的比例。例如，任务节点A的执行时间段是上午9点到10点，任务节点B的执行时间段是上午9点半到10点半，则A和B的时间重叠度为0.5.将负载波动率差值和时间重叠度进行加权组合，例如，将负载波动率差值乘以权重0.7,时间重叠度乘以权重0.3,然后将两者相加，得到任务节点之间的距离。将所有任务节点之间的距离构建成一个矩阵，即任务节点距离矩阵。[0160]然后，进行任务分组。基于任务节点距离矩阵，使用层次聚类算法对任务节点进行分组。层次聚类算法是一种迭代算法，它将距离最近的两个任务节点合并成一个组，然后重新计算组与组之间的距离，继续合并，直到所有任务节点都被合并成一个组。通过层次聚类，可以将批处理任务组划分成多个子组，每个子组内的任务节点之间距离较近，负载波动率和时间重叠度也比较接近。[0161]接下来，构建自适应权重计算模型。将任务节点的系统负载数据输入sigmoid函数，将负载值归一化到0到1之间。例如，如果任务节点A的负载值为10,sigmoid函数的输出值为0.9999,则归一化负载值为0.9999.根据归一化负载值，计算任务节点的时效调节系数和资源调节系数。时效调节系数用于调节任务的执行时间，资源调节系数用于调节任务所需的资源。[0162]然后，计算任务节点的评估得分。根据时效调节系数、资源调节系数和负载波动率，确定时效评估值、资源评估值和波动率评估值。例如，时效评估值等于时效调节系数乘以一个预设的权重，资源评估值等于资源调节系数乘以一个预设的权重，波动率评估值等于负载波动率乘以一个预设的权重。将时效评估值、资源评估值和波动率评估值加权求和，得到任务节点的评估得分。[0163]接下来，构建强化学习模型。将任务节点的评估得分作为状态特征，构建动作空间和状态空间。动作空间表示可以选择的执行节点，状态空间表示当前任务节点的状态。根据评估得分、资源竞争度和并行度，确定奖励函数。资源竞争度是指多个任务节点竞争同一资源的程度，并行度是指可以同时执行的任务节点数量。[0164]利用深度Q网络迭代更新动作价值函数，生成任务节点的选择策略。深度Q网络是一种深度学习算法，它可以学习最优的动作价值函数，从而指导任务节点的选择。[0165]然后，进行路径搜索。在探索阶段，随机选择执行节点，构建候选路径。在利用阶段，基于动作价值函数选择最优执行节点，构建最优执行路径。[0166]最后，生成分布式事务控制指令。根据最优执行路径，构建分布式事务控制指令，包括预提交指令和提交指令。收集最优执行路径上的任务节点状态信息，确定预提交指令。通过比较相邻任务节点的时钟值递增更新维护任务节点的因果关系，记录任务节点的执行顺序，确定向量时钟指令。在分布式事务控制指令中嵌入向量时钟指令。将向量时钟指令的执行结果输入分布式共识模块，通过分布式共识模块协调任务节点的事务状态，生成最终的分布式事务控制指令。[0167]在本实施例中，通过自适应路径优化算法，可以找到最优的执行路径，减少任务节点之间的等待时间，提高资源利用率，从而提高批处理任务的整体执行效率；通过考虑任务节点的