基于人工智能的容器配置方法、装置、设备及介质与流程

1.本发明涉及数据处理领域，尤其涉及一种基于人工智能的容器配置方法、装置、设备及介质。


背景技术：

2.随着计算机技术的快速发展，越来越多的事务通过网络进行处理，访问互联网络来获取信息，成为日常生活中的一种很常见的事情，在一些大型集团或互联网企业/机构，为处理日益扩大的信息访问业务，采用集群的方式对信息访问提供支持，集群中包含多个服务器节点，每个服务器节点处理对应的应用的数据访问。在不同时间段，不同应用的访问流量不一致，比如某个应用做一些营销活动，短时期会产生大量的数据访问请求，因而，有必要针对各个节点服务器进行容量配置的调整。
3.现有的容量配置调整往往是通过预设一个阈值，在服务器节点的使用容量达到这个阈值时进行升级，但升级过程中需要进行重启等处理，使得应用服务被中断，用户体验不佳，同时，对容量进行升级往往基于人工经验，使得容量配置需要多次修改更新，使得容量配置的效率较低，。


技术实现要素：

4.本发明实施例提供一种基于人工智能的容器配置方法、装置、计算机设备和存储介质，以提高容器配置效率。
5.为了解决上述技术问题，本技术实施例提供一种基于人工智能的容器配置方法，包括：
6.获取每个节点服务器在当前周期内的负载信息，作为所述节点服务器对应的初始负载；
7.将每个所述初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个所述节点服务器对应的预测峰值；
8.将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，所述第一预设阈值大于所述第二预设阈值；
9.按照预设的容量调整方式，对所述第一负载对应的节点服务器进行扩容处理，对所述第二负载对应的节点服务器进行缩容处理。
10.可选地，所述将每个所述初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个所述节点服务器对应的预测峰值包括：
11.将所述初始负载输入到预训练的lstm模型中进行峰值预测，得到第一负载峰值；
12.将所述第一负载峰值和所述初始负载输入到所述训练好的强化学习模型中，通过所述训练好的强化学习模型基于所述第一负载峰值和所述初始负载进行差值计算，并基于差值和损失函数计算奖励函数；
13.将所述初始负载和得到的奖励函数输入到所述训练好的强化学习模型中的决策单元中进行决策，得到决策结果，所述决策单元为感知机模型；
14.根据所述决策结果，确定第二负载峰值，作为所述初步负载对应节点服务器的预测峰值。
15.可选地，所述按照预设的容量调整方式，对所述第一负载对应的节点服务器进行扩容处理包括：
16.将所述第一负载对应的节点服务器作为第一服务器；
17.基于虚拟容量分割的方式，将所述第一服务器的容量分为第一容量和第二容量；
18.采用所述第一容量响应应用程序的数据访问，并对所述第二容量进行配置文件的修改，并重启所述第二容量对应的虚拟服务器，并在重启后对所述第一容量和调整后的第二容量进行合并。
19.可选地，所述对所述第二负载对应的节点服务器进行缩容处理包括：
20.将所述第二负载对应的节点服务器作为第二服务器；将指向所述第二服务器的访问请求转移到其他节点服务器；
21.对所述第二服务器的配置文件进行调整，并重启所述第二服务器。
22.为了解决上述技术问题，本技术实施例还提供一种基于人工智能的容器配置装置，包括：
23.负载获取模块，用于获取每个节点服务器在当前周期内的负载信息，作为所述节点服务器对应的初始负载；
24.峰值预测模块，用于将每个所述初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个所述节点服务器对应的预测峰值；
25.负载比较模块，用于将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，所述第一预设阈值大于所述第二预设阈值；
26.容量调整模块，用于按照预设的容量调整方式，对所述第一负载对应的节点服务器进行扩容处理，对所述第二负载对应的节点服务器进行缩容处理。
27.可选地，所述峰值预测模块包括：
28.第一预测单元，用于将所述初始负载输入到预训练的lstm模型中进行峰值预测，得到第一负载峰值；
29.差值计算单元，用于将所述第一负载峰值和所述初始负载输入到所述训练好的强化学习模型中，通过所述训练好的强化学习模型基于所述第一负载峰值和所述初始负载进行差值计算，并基于差值和损失函数计算奖励函数；
30.决策单元，用于将所述初始负载和得到的奖励函数输入到所述训练好的强化学习模型中的决策单元中进行决策，得到决策结果，所述决策单元为感知机模型；
31.第二预测单元，用于根据所述决策结果，确定第二负载峰值，作为所述初步负载对应节点服务器的预测峰值。
32.可选地，所述容量调整模块包括：
33.第一服务器确定单元，用于将所述第一负载对应的节点服务器作为第一服务器；
34.容量分割单元，用于基于虚拟容量分割的方式，将所述第一服务器的容量分为第
一容量和第二容量；
35.第一容量调整单元，用于采用所述第一容量响应应用程序的数据访问，并对所述第二容量进行配置文件的修改，并重启所述第二容量对应的虚拟服务器，并在重启后对所述第一容量和调整后的第二容量进行合并。
36.可选地，所述容量调整模块还包括：
37.第二服务器确定单元，用于将所述第二负载对应的节点服务器作为第二服务器；
38.访问请求转移单元，用于将指向所述第二服务器的访问请求转移到其他节点服务器；
39.第二容量调整单元，用于对所述第二服务器的配置文件进行调整，并重启所述第二服务器。
40.为了解决上述技术问题，本技术实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的容器配置方法的步骤。
41.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的容器配置方法的步骤。
42.本发明实施例提供的基于人工智能的容器配置方法、装置、计算机设备及存储介质，获取每个节点服务器在当前周期内的负载信息，作为节点服务器对应的初始负载，将每个初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个节点服务器对应的预测峰值，将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，第一预设阈值大于第二预设阈值，按照预设的容量调整方式，对第一负载对应的节点服务器进行扩容处理，对第二负载对应的节点服务器进行缩容处理，实现对各个节点服务器容量的智能调节，有利于提高服务器容量的利用率，加强了容量调整的针对性和效率。
附图说明
43.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
44.图1是本技术的应用环境示意图；
45.图2是本技术的基于人工智能的容器配置方法的一个实施例的流程图；
46.图3是根据本技术的基于人工智能的容器配置装置的一个实施例的结构示意图；
47.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
48.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明
中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
49.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
50.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作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。
51.请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。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。
52.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。
53.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、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
54.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
55.需要说明的是，本技术实施例所提供的基于人工智能的容器配置由服务器执行，相应地，基于人工智能的容器配置装置设置于服务器中。
56.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，本技术实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。本技术实施例中的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(content delivery 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。
57.请参阅图2，图2示出本发明实施例提供的一种基于人工智能的容器配置，以该方法应用在图1中的服务端为例进行说明，详述如下：
58.s201：获取每个节点服务器在当前周期内的负载信息，作为节点服务器对应的初始负载。
59.具体地，服务端根据实际需要，预先设置固定周期，例如一个小时等，通过预设的程序或者脚本，对每个节点服务器在当前周期的负载信息进行采集，作为节点服务器对应的初始负载。
60.s202：将每个初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个
节点服务器对应的预测峰值。
61.在一具体实施方式中，步骤s202中，将每个初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个节点服务器对应的预测峰值包括：
62.将初始负载输入到预训练的lstm模型中进行峰值预测，得到第一负载峰值；
63.将第一负载峰值和初始负载输入到训练好的强化学习模型中，通过训练好的强化学习模型基于第一负载峰值和初始负载进行差值计算，并基于差值和损失函数计算奖励函数；
64.将初始负载和得到的奖励函数输入到训练好的强化学习模型中的决策单元中进行决策，得到决策结果，决策单元为感知机模型；
65.根据决策结果，确定第二负载峰值，作为初步负载对应节点服务器的预测峰值。
66.具体的，强化学习模型可以为q learning模型、deep q learning模型、policy gradients模型等，其中强化学习模型根据节点服务器的历史负载信息训练得到。
67.s203：将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，第一预设阈值大于第二预设阈值。
68.具体地，第一预设阈值和第二预设阈值可根据实际需求进行设定，第一预设阈值用于监控服务器节点的最大阈值，第二预设阈值用于监控服务器节点的最小阈值，也即，当服务器节点的容量使用情况达到第一预设阈值时，即需要进行扩容处理，以防止后续容量不够导致用户访问延迟、丢失或中途升级等异常情况的发生，当服务器节点的容量使用情况达到第二预设阈值时，即需要进行缩容处理，以节约资源。
69.s204：按照预设的容量调整方式，对第一负载对应的节点服务器进行扩容处理，对第二负载对应的节点服务器进行缩容处理。
70.在一具体实施方式中，步骤s204中，按照预设的容量调整方式，对第一负载对应的节点服务器进行扩容处理包括：
71.将第一负载对应的节点服务器作为第一服务器；
72.基于虚拟容量分割的方式，将第一服务器的容量分为第一容量和第二容量；
73.采用第一容量响应应用程序的数据访问，并对第二容量进行配置文件的修改，并重启第二容量对应的虚拟服务器，并在重启后对第一容量和调整后的第二容量进行合并。
74.在一具体实施方式中，步骤s204中，对第二负载对应的节点服务器进行缩容处理包括：
75.将第二负载对应的节点服务器作为第二服务器；将指向第二服务器的访问请求转移到其他节点服务器；
76.对第二服务器的配置文件进行调整，并重启第二服务器。
77.本实施例中，获取每个节点服务器在当前周期内的负载信息，作为节点服务器对应的初始负载，将每个初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个节点服务器对应的预测峰值，将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，第一预设阈值大于第二预设阈值，按照预设的容量调整方式，对第一负载对应的节点服务器进行扩容处理，对第二负载对应的节点服务器进行缩容处理，实现对各个节点服务器容量的智能调节，有利于提高服务器容量的利用率，加强了容量调整的针对性和效率。
78.本实施例中，通过对数据分片的方式，实现并发处理，有利于提高访问请求的处理效率。
79.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
80.图3示出与上述实施例基于人工智能的容器配置方法一一对应的基于人工智能的容器配置装置的原理框图。如图3所示，该基于人工智能的容器配置装置包括负载获取模块31、峰值预测模块32、负载比较模块33和容量调整模块34。各功能模块详细说明如下：
81.负载获取模块31，用于获取每个节点服务器在当前周期内的负载信息，作为节点服务器对应的初始负载；
82.峰值预测模块32，用于将每个初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个节点服务器对应的预测峰值；
83.负载比较模块33，用于将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，第一预设阈值大于第二预设阈值；
84.容量调整模块34，用于按照预设的容量调整方式，对第一负载对应的节点服务器进行扩容处理，对第二负载对应的节点服务器进行缩容处理。
85.可选地，峰值预测模块32包括：
86.第一预测单元，用于将初始负载输入到预训练的lstm模型中进行峰值预测，得到第一负载峰值；
87.差值计算单元，用于将第一负载峰值和初始负载输入到训练好的强化学习模型中，通过训练好的强化学习模型基于第一负载峰值和初始负载进行差值计算，并基于差值和损失函数计算奖励函数；
88.决策单元，用于将初始负载和得到的奖励函数输入到训练好的强化学习模型中的决策单元中进行决策，得到决策结果，决策单元为感知机模型；
89.第二预测单元，用于根据决策结果，确定第二负载峰值，作为初步负载对应节点服务器的预测峰值。
90.可选地，容量调整模块34包括：
91.第一服务器确定单元，用于将第一负载对应的节点服务器作为第一服务器；
92.容量分割单元，用于基于虚拟容量分割的方式，将第一服务器的容量分为第一容量和第二容量；
93.第一容量调整单元，用于采用第一容量响应应用程序的数据访问，并对第二容量进行配置文件的修改，并重启第二容量对应的虚拟服务器，并在重启后对第一容量和调整后的第二容量进行合并。
94.可选地，容量调整模块34还包括：
95.第二服务器确定单元，用于将第二负载对应的节点服务器作为第二服务器；
96.访问请求转移单元，用于将指向第二服务器的访问请求转移到其他节点服务器；
97.第二容量调整单元，用于对第二服务器的配置文件进行调整，并重启第二服务器。
98.关于基于人工智能的容器配置装置的具体限定可以参见上文中对于基于人工智
能的容器配置方法的限定，在此不再赘述。上述基于人工智能的容器配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
99.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
100.所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
101.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
102.所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或d界面显示存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的容器配置的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
103.所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行数据访问的程序代码。
104.所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
105.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有数据访问程序，所述数据访问程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的容器配置方法的步骤。
106.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下
前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
107.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
108.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
109.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。