一种负载均衡推荐方法、系统及电子设备与流程

1.本技术涉及负载均衡领域，尤其涉及一种负载均衡推荐方法、系统及电子设备。


背景技术：

2.目前，负载均衡算法较多，如：轮询算法、随机算法、源地址哈希算法、最小连接数算法、加权轮询/随机/最小连接数算法等。
3.而对于不同的使用场景，采用哪一种负载均衡算法则需要用户或管理员手动设置，这就导致实际的负载均衡的效果取决于用户或管理员的理论知识或经验。


技术实现要素：

4.有鉴于此，本技术提供一种负载均衡推荐方法、系统及电子设备，其具体方案如下：
5.一种负载均衡推荐方法，包括：
6.分别获得不少于两个预测模型，所述不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；
7.获得第一终端配置数据，基于所述不少于两个预测模型输出与所述第一终端配置数据对应的不少于两组预测运行数据；
8.基于预先确定的权重值及所述不少于两组预测运行数据确定所述不少于两个负载均衡算法中每个负载均衡算法的推荐值；
9.基于所述不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与所述第一终端配置数据匹配的第一负载均衡算法。
10.进一步的，所述运行数据为系统运行中的性能参数的变异系数，确定权重值，包括：
11.获得系统运行过程中系统的性能参数；
12.确定与每个性能参数对应的第一权重值。
13.进一步的，所述确定与每个性能参数对应的第一权重值，包括：
14.基于所述不少于两个负载均衡算法中的每个性能参数的变异系数确定每个性能参数的第二权重值；
15.基于不同性能参数间的线性关系确定每个性能参数的第三权重值；
16.基于所述第二权重值及所述第三权重值确定所述与每个性能参数对应的第一权重值。
17.进一步的，还包括：
18.获得终端配置变化数据；
19.基于所述终端配置变化数据及所述第一终端配置数据确定第二终端配置数据；
20.基于所述第二终端配置数据及所述不少于两个预测模型确定与所述第二终端配置数据匹配的第二预测模型。
21.进一步的，所述分别获得不少于两个预测模型，包括：
22.所述不少于两个预测模型是基于对历史数据中的运行数据进行模型训练得到的。
23.进一步的，还包括：
24.获得终端运行时的采样数据，所述采样数据至少包括：在第三终端配置数据下的第三运行数据；
25.基于所述采样数据及所述历史数据中的运行数据通过不少于两个负载均衡算法进行模型训练，更新所述不少于两个预测模型。
26.一种负载均衡推荐系统，包括：
27.获得单元，用于分别获得不少于两个预测模型，所述不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；
28.输出单元，用于获得第一终端配置数据，基于所述不少于两个预测模型输出与所述第一终端配置数据对应的不少于两组预测运行数据；
29.第一确定单元，用于基于预先确定的权重值及所述不少于两组预测运行数据确定所述不少于两个负载均衡算法中每个负载均衡算法的推荐值；
30.第二确定单元，用于基于所述不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与所述第一终端配置数据匹配的第一负载均衡算法。
31.进一步的，所述运行数据为系统运行中的性能参数的变异系数，
32.所述系统还包括：第三确定单元，用于确定权重值；
33.所述第三确定单元用于获得系统运行过程中系统的性能参数，确定与每个性能参数对应的第一权重值。
34.一种电子设备，包括：
35.处理器，用于分别获得不少于两个预测模型，所述不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；获得第一终端配置数据，基于所述不少于两个预测模型输出与所述第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及所述不少于两组预测运行数据确定所述不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于所述不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与所述第一终端配置数据匹配的第一负载均衡算法；
36.存储器，用于存储所述处理器执行上述处理过程的程序。
37.一种可读存储介质，用于至少存储一组指令集；
38.所述指令集用于被调用并至少执行如权利要求1-6中任一项所述的负载均衡推荐的方法。
39.从上述技术方案可以看出，本技术公开的负载均衡推荐方法、系统及电子设备，分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个预测模型中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端
配置数据匹配的第一负载均衡算法。本方案通过对不同的负载均衡算法训练预测模型，以便于在需要选择负载均衡算法时，能够基于多个预测模型的预测结果推荐更匹配的负载均衡算法，以提高终端配置的利用率。
附图说明
40.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1为本技术实施例公开的一种负载均衡推荐方法的流程图；
42.图2为本技术实施例公开的一种负载均衡推荐方法的流程图；
43.图3为本技术实施例公开的一种负载均衡推荐方法的流程图；
44.图4为本技术实施例公开的一种负载均衡推荐系统的结构示意图；
45.图5为本技术实施例公开的一种电子设备的结构示意图。
具体实施方式
46.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
47.本技术公开了一种负载均衡推荐方法，其流程图如图1所示，包括：
48.步骤s11、分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；
49.步骤s12、获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据；
50.步骤s13、基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值；
51.步骤s14、基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。
52.在大型应用场景中，单台虚机或者服务器通常不能支持数据量较大的并发请求、宽带吞吐等，这就需要通过负载均衡算法来加强、分摊、平衡应用的请求，以实现终端性能的横向扩展。
53.而负载均衡算法繁多，如：轮询算法，其是将来自用户的请求轮流分配给内部的服务器；随机算法，是从服务器列表中随机选取一台服务器进行访问；源地址哈希算法，根据请求来源的地址，通过哈希函数计算得到的一个数值，用该数值对服务器列表的大小进行取模运算，得到的结果即待访问的服务器的序号；最小连接数算法，根据服务器当前的连接情况进行负载均衡，当有请求指令时，选取当前连接数最少的一台服务器处理该请求指令；加权轮询/随机/最小连接数算法等。
54.当在不同的使用场景下，若仅通过管理员的理论知识及经验来选择采用哪一种负
载均衡算法来执行请求，就可能出现由于经验或理论知识不足而导致的终端利用率低的情况。
55.本实施例中通过历史数据进行训练，以得到针对不同的负载均衡算法的训练模型，从而在需要选择负载均衡算法处理请求指令时，能够直接基于训练模型的预测结果进行选择，从而实现在基于训练模型的预测结果执行处理请求时，能够提高终端利用率的目的，降低由于管理员的理论知识或经验导致的终端利用率低的问题。
56.具体的，预先确定多个负载均衡算法，基于历史数据中的终端配置数据及运行数据对每一种负载均衡算法进行模型训练，以得到多个预测模型，每个预测模型针对一种负载均衡算法，当针对某一种预测模型输入终端配置数据，则该预测模型输出的是预测的在该预测模型针对的负载均衡算法下的运行数据，从而确定在当前场景下使用该负载均衡算法时的性能相关参数。
57.其中，终端配置数据，可以为：虚机或者服务器规模，每台虚机或服务器的具体配置，如：cpu大小、内存大小等数据；而运行数据，可以为：cpu利用率、内存利用率、响应时间等性能相关的参数。
58.在确定多个预测模型后，实际使用过程中，获得第一终端配置数据，即确定某一种具体的应用场景，将第一终端配置数据作为多个预测模型的输入，分别输入至每一个预测模型，从而得到每一个预测模型的输出，即预测运行数据，该预测运行数据为：在当前第一终端配置数据这一场景下，使用每一种负载均衡算法运行时的性能相关的预测数据。
59.第一终端配置数据可以为至少一个参数，如：cpu大小或内存大小等，也可以为多个参数，即同时将同一组中的多个参数输入至每一个预测模型；相应的，每个预测模型的输出也可以为一个参数，如：cpu利用率或内存利用率，也可以为多个参数，即获得的是同一组预测数据中的多个参数。
60.在针对每一种负载均衡算法均得到一组预测运行数据后，由于每一组预测运行数据中可以包括多个预测参数，则在每一组预测运行数据中为每个预测参数设置对应的权重，基于每个预测参数的权重以及该预测参数所对应的预测数据得到该种负载均衡算法的推荐值。
61.其中，每种负载均衡算法的推荐值是基于该负载均衡算法下的预测运行数据中的每一个预测值得到的，则该推荐值更准确，更符合该负载均衡算法下的每一个预测数值。
62.在得到多种负载均衡算法中每种负载均衡算法的推荐值后，将所有负载均衡算法的推荐值进行比较，从而得到一个推荐值最符合当前场景的、与第一终端配置数据最匹配的一个负载均衡算法，即第一负载均衡算法，则在当前场景下，若为第一终端配置数据，则采用第一负载均衡算法处理虚机/或服务器的请求指令，而无需采用其他负载均衡算法，也不需要由管理人员基于理论知识及经验进行确定，提高终端配置的利用率。
63.本实施例公开的负载均衡推荐方法，分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。
本方案通过对不同的负载均衡算法训练预测模型，以便于在需要选择负载均衡算法时，能够基于多个预测模型的预测结果推荐更匹配的负载均衡算法，以提高终端配置的利用率。
64.本实施例公开了一种负载均衡推荐方法，其流程图如图2所示，包括：
65.步骤s21、分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，其中，运行数据为系统运行中的性能参数的变异系数；
66.步骤s22、获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据；
67.步骤s23、获得系统运行过程中系统的性能参数，确定与每个性能参数对应的第一权重值；
68.步骤s24、基于第一权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值；
69.步骤s25、基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。
70.运行数据是系统运行过程中的性能参数的变异系数，其中，性能参数为虚机或服务器运行过程中的硬件使用情况，如：cpu利用率、内存利用率、响应时间等。
71.以性能参数的变异系数作为运行数据，能够降低训练维度。具体的，无论是服务器的cpu利用率还是内存的利用率，这些性能参数不仅取决于服务器本身的性能，还取决于应用的请求并发数，带宽流量大小等因素，通常表现为应用使用高峰期，资源占用率高，而在应用使用的低谷期，资源占用率低。而对于负载均衡算法是否合理，主要考虑的是负载是否平衡，即让所有终端达到尽可能接近的利用率水平；而性能资源是否紧张，通常由监控进行告警，之后进行资源的扩充。因此，为了减少不必要的数据维度，采用每组负载均衡终端的性能参数的变异系数作为运行数据。无论是在进行模型训练时，还是基于预测模型输出的数据均为性能参数的变异系数。
72.若当前应用场景为第一终端配置数据，在基于多个不同的预测模型预测出该第一终端配置数据在不同的负载均衡算法下的运行数据后，需要基于预先确定的权重值以及预测的运行数据确定每个负载均衡算法的推荐值。
73.而权重值是预先基于系统运行过程中系统的性能参数确定的，确定与每个性能参数对应的第一权重值。系统运行过程中的性能参数的类型是确定的，则用于进行模型训练的性能参数的类型也是确定的，训练出的每一个预测模型的输出也都是与确定的性能参数的类型相同的，那么，对于每个预测模型输出的预测运行数据也都是这几种对应的性能参数的相应数据。
74.在确定不同预测模型的权重值时，针对同一个性能参数，即使是不同的预测模型其权重值也是相同的，而同一个预测模型中，不同的性能参数的权重值不同，因此，在同一个预测模型中为每一个性能参数设置一个权重值，二不同的预测模型，性能参数的权重值是通用的。
75.如：第一预测模型与第二预测模型，第一预测模型的输出为第一参数的第一数值及第二参数的第二数值，第二预测模型的输出为第一参数的第三数值及第二参数的第四数值，其中，第一数值及第三数值是不同预测模型输出的关于第一参数的数值，因此，第一数
值及第三数值的权重值相同，第二数值与第四数值的权重值相同，而第一数值与第二数值的权重是不同的，第三数值与第四数值的权重值也不同。
76.具体的，确定与每个性能参数对应的第一权重值，可以为：基于不少于两个负载均衡算法中的每个性能参数的变异系数确定每个性能参数的第二权重值，基于不同性能参数间的线性关系确定每个性能参数的第三权重值，基于第二权重值及第三权重值确定与每个性能参数对应的第一权重值。
77.其中，基于不少于两个负载均衡算法中的每个性能参数的变异系数确定每个性能参数的第二权重值，即基于熵权法确定各参数的第二权重值；基于不同性能间的线性关系确定每个性能参数的第三权重值，即基于皮尔森系数得到各参数之间的第三权重值。由于预测模型的各参数特征具有一定程度的共线性，如：终端的cpu的配置与内存的大小是有一定的线性关系的，因此，需要将特征之间的皮尔森系数作为第一权重值的参考。
78.在得到第二权重值及第三权重值后，基于各性能参数的第二权重值及第三权重值的乘积的比例关系确定第一权重值。具体的，首先确定各性能参数的第二权重值与第三权重值的乘积，之后确定各性能参数的乘积之间的比例关系，对比例关系的数值进行调整之后得到第一权重值。
79.如：第一性能参数的第二权重值与第三权重值的乘积为第一乘积，第二性能参数的第二权重值与第三权重值的乘积为第二乘积，第三性能参数的第二权重值与第三权重值的乘积为第三乘积，则确定比例关系(第一乘积：第二乘积：第三乘积)，当该比例关系中各性能参数的权重相加为1时，将该比例关系中的数值分别确定为各性能参数的第一权重值。
80.具体的，在得到预测运行数据后，进行决策分类，决策分类过程是为了使各维度变异系数尽量小，即负载结果最均衡，因此采用topsis法(优劣解距离法)进行多维度变异系数的决策，对n个负载均衡算法的m个预测变异系数特征构造矩阵，在对最优/最劣负载均衡算法确定时加入特征权重，最终得到各负载均衡算法的权重值。
81.本实施例公开的负载均衡推荐方法，分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。本方案通过对不同的负载均衡算法训练预测模型，以便于在需要选择负载均衡算法时，能够基于多个预测模型的预测结果推荐更匹配的负载均衡算法，以提高终端配置的利用率。
82.本实施例公开了一种负载均衡推荐方法，其流程图如图3所示，包括：
83.步骤31、分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；
84.步骤s32、获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据；
85.步骤s33、基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值；
86.步骤s34、基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第
一终端配置数据匹配的第一负载均衡算法；
87.步骤s35、获得终端配置变化数据；
88.步骤s36、基于终端配置变化数据及第一终端配置数据确定第二终端配置数据；
89.步骤s37、基于第二终端配置数据及不少于两个预测模型确定与第二终端配置数据匹配的第二预测模型。
90.在实际应用场景中，若当前配置为第一终端配置数据，则基于第一终端配置数据及不少于两个预测模型确定与该第一终端配置数据匹配的第一负载均衡算法。
91.在实际使用过程中，终端配置数据可能发生变化，即终端配置变化数据，如：cpu数量增多，或者，内存大小增加等。当终端配置数据发生变化时，需要确定变化后的配置数据，即第二终端配置数据。若终端配置变化数据是在第一终端配置数据的基础上发生的，则该第二终端配置数据为将终端配置变化数据叠加至第一终端配置数据上，以得到第二终端配置数据。
92.在得到第二终端配置数据后，将第二终端配置数据分别输入至每一个预测模型中，以便确定该第二终端配置数据使用每一种负载均衡算法时的运行数据，即预测出与第二终端配置数据对应的不少于两组预测运行数据。
93.在确定不少于两组预测运行后，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，从而基于推荐值确定与第二终端配置数据匹配的第二负载均衡算法。
94.即在终端配置数据发生变化时，确定变化后的终端配置数据，并基于变化后的终端配置数据重新基于每个预测模型进行预测，从而重新确定与当前的终端配置数据匹配的负载均衡算法，避免了在终端配置数据发生变化时扔采用终端配置数据发生变化前的负载均衡算法进行请求指令的处理，提高终端配置的利用率。
95.进一步的，分别获得不少于两个预测模型，可以为：不少于两个预测模型是基于对历史数据中的运行数据进行模型训练得到的。
96.本实施例采用有监督学习的元线性回归来建立回归预测模型，将历史数据作为训练样本，其训练样本的数量至少大于自定义参考特征的预测倍数，自定义参考特征即配置数据，如：cpu大小，内存大小，响应时间等。若自定义参考特征为：cpu大小，内存大小及响应时间这3种，那么，训练样本的数量至少大于30。
97.将性能参数的变异系数作为监督数据，对训练的模型进行监督，以便于确定是否对模型继续训练。
98.进一步的，本实施例公开的负载均衡推荐方法，还包括：
99.获得终端运行时的采样数据，采样数据至少包括：在第三终端配置数据下的第三运行数据，基于采样数据及历史数据中的运行数据通过不少于两个负载均衡算法进行模型训练，更新不少于两个预测模型。
100.在针对每一种负载均衡算法的预测模型训练结束之后，在实际使用中，可基于训练完成的模型进行预测。而在实际使用中，由于终端运行采用其中某一种负载均衡算法，从而得到运行过程中的性能参数。
101.确定运行过程中的性能参数的变异系数，将运行过程中的性能参数的变异系数确定为采样数据。确定运行过程中使用的负载均衡算法，确定与该负载均衡算法对应的预测
模型，将运行过程中的终端配置数据作为训练数据继续对该预测模型进行模型训练，将采样数据作为监督数据进行训练模型的监督，若当前训练完成后，该预测模型发生变化，则将变化后的预测模型确定为该负载均衡算法对应的预测模型，即对该负载均衡算法对应的预测模型进行更新。
102.即对训练样本进行更新，并基于更新后的训练样本进行补充训练，以便及时对预测模型进行更新，以提高预测模型的预测准确度。
103.本实施例公开的负载均衡推荐方法，分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。本方案通过对不同的负载均衡算法训练预测模型，以便于在需要选择负载均衡算法时，能够基于多个预测模型的预测结果推荐更匹配的负载均衡算法，以提高终端配置的利用率。
104.本实施例公开了一种负载均衡推荐系统，其结构示意图如图4所示，包括：
105.获得单元41，输出单元42，第一确定单元43及第二确定单元44。
106.其中，获得单元41用于分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；
107.输出单元42用于获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据；
108.第一确定单元43用于基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值；
109.第二确定单元44用于基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。
110.进一步的，运行数据为系统运行中的性能参数的变异系数，
111.系统还包括：第三确定单元，用于确定权重值；
112.第三确定单元用于获得系统运行过程中系统的性能参数，确定与每个性能参数对应的第一权重值。
113.进一步的，第三确定单元确定与每个性能参数对应的第一权重值，包括：
114.第三确定单元基于不少于两个负载均衡算法中的每个性能参数的变异系数确定每个性能参数的第二权重值；基于不同性能参数间的线性关系确定每个性能参数的第三权重值；基于第二权重值及第三权重值确定与每个性能参数对应的第一权重值。
115.进一步的，本实施例公开的负载均衡推荐系统还可以包括：
116.第四确定单元，用于获得终端配置变化数据；基于终端配置变化数据及第一终端配置数据确定第二终端配置数据；基于第二终端配置数据及不少于两个预测模型确定与第二终端配置数据匹配的第二预测模型。
117.进一步的，获得单元用于分别获得不少于两个预测模型，包括：
118.不少于两个预测模型是基于对历史数据中的运行数据进行模型训练得到的。
119.进一步的，本实施例公开的负载均衡推荐系统，还可以包括：
120.更新单元，用于获得终端运行时的采样数据，采样数据至少包括：在第三终端配置数据下的第三运行数据；基于采样数据及历史数据中的运行数据通过不少于两个负载均衡算法进行模型训练，更新不少于两个预测模型。
121.本实施例公开的负载均衡推荐系统是基于上述实施例公开的负载均衡推荐方法实现的，在此不再赘述。
122.本实施例公开的负载均衡推荐系统，分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。本方案通过对不同的负载均衡算法训练预测模型，以便于在需要选择负载均衡算法时，能够基于多个预测模型的预测结果推荐更匹配的负载均衡算法，以提高终端配置的利用率。
123.本实施例公开了一种电子设备，其结构示意图如图5所示，包括：
124.处理器51及存储器52。
125.其中，处理器51用于分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系；获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法；
126.存储器52，用于存储处理器执行上述处理过程的程序。
127.本实施例公开的电子设备是基于上述实施例公开的负载均衡推荐方法实现的，在此不再赘述。
128.本实施例公开的电子设备，分别获得不少于两个预测模型，不少于两个预测模型分别用于表征不少于两个负载均衡算法中每个负载均衡算法下终端配置数据与运行数据的对应关系，获得第一终端配置数据，基于不少于两个预测模型输出与第一终端配置数据对应的不少于两组预测运行数据，基于预先确定的权重值及不少于两组预测运行数据确定不少于两个负载均衡算法中每个负载均衡算法的推荐值，基于不少于两个负载均衡算法中每个负载均衡算法的推荐值确定与第一终端配置数据匹配的第一负载均衡算法。本方案通过对不同的负载均衡算法训练预测模型，以便于在需要选择负载均衡算法时，能够基于多个预测模型的预测结果推荐更匹配的负载均衡算法，以提高终端配置的利用率。
129.本技术实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器加载并执行，实现上述负载均衡推荐方法的各步骤，具体实现过程可以参照上述实施例相应部分的描述，本实施例不做赘述。
130.本技术还提出了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行
上述负载均衡推荐方法方面或负载均衡推荐系统方面的各种可选实现方式中所提供方法，具体实现过程可以参照上述相应实施例的描述，不做赘述。
131.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
132.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
133.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
134.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。