扩缩容判别模型训练方法和算子扩缩容方法与流程

技术特征：
1.一种扩缩容判别模型训练方法，包括：获取训练样本，其中，所述训练样本包括样本算子的属性特征集和标注扩缩容系数；将所述样本算子的属性特征集作为输入，将所述样本算子的标注扩缩容系数作为输出，训练得到所述扩缩容判别模型。2.根据权利要求1所述的方法，其中，所述将所述样本算子的属性特征集作为输入，将所述样本算子的标注扩缩容系数作为输出，训练得到所述扩缩容判别模型，包括：利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到所述扩缩容判别模型，其中，所述属性权重向量的一个元素对应一个属性特征。3.根据权利要求2所述的方法，其中，所述利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到所述扩缩容判别模型，包括：初始化所述属性权重向量；基于所述样本算子的属性特征集和所述属性权重向量，计算所述样本算子的预测扩缩容系数；基于所述样本算子的属性特征集、预设步长和所述样本算子的标注扩缩容系数与预测扩缩容系数的差值，对所述属性权重向量进行更新，以及将更新后的属性权重向量作为所述扩缩容判别模型。4.一种算子扩缩容方法，包括：响应于满足触发条件，获取流式任务算子的属性特征集；将所述流式任务算子的属性特征集输入至扩缩容判别模型，得到所述流式任务算子的扩缩容系数，其中，所述扩缩容判别模型采用如权利要求1-3中任一项所述的方法训练得到；基于所述流式任务算子的扩缩容系数进行扩缩容。5.根据权利要求4所述的方法，其中，所述触发条件包括以下至少一项：任务线程启动轮询、流式任务未休眠、满足调度周期、流式计算资源充足。6.一种扩缩容判别模型训练装置，包括：获取模块，被配置成获取训练样本，其中，所述训练样本包括样本算子的属性特征集和标注扩缩容系数；训练模块，被配置成将所述样本算子的属性特征集作为输入，将所述样本算子的标注扩缩容系数作为输出，训练得到所述扩缩容判别模型。7.根据权利要求6所述的装置，其中，所述训练模块包括：训练子模块，被配置成利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到所述扩缩容判别模型，其中，所述属性权重向量的一个元素对应一个属性特征。8.根据权利要求7所述的装置，其中，所述训练子模块进一步被配置成：初始化所述属性权重向量；基于所述样本算子的属性特征集和所述属性权重向量，计算所述样本算子的预测扩缩容系数；基于所述样本算子的属性特征集、预设步长和所述样本算子的标注扩缩容系数与预测扩缩容系数的差值，对所述属性权重向量进行更新，以及将更新后的属性权重向量作为所
述扩缩容判别模型。9.一种流式任务算子扩缩容装置，包括：获取模块，被配置成响应于满足触发条件，获取流式任务算子的属性特征集；判别模块，被配置成将所述流式任务算子的属性特征集输入至扩缩容判别模型，得到所述流式任务算子的扩缩容系数，其中，所述扩缩容判别模型采用如权利要求6-8中任一项所述的装置训练得到；扩缩容模块，被配置成基于所述流式任务算子的扩缩容系数进行扩缩容。10.根据权利要求9所述的装置，其中，所述触发条件包括以下至少一项：任务线程启动轮询、流式任务未休眠、满足调度周期、流式计算资源充足。11.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法或者权利要求4或5所述的方法。12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法或者权利要求4或5所述的方法。13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-3中任一项所述的方法或者权利要求4或5所述的方法。

技术总结
本公开提供了一种扩缩容判别模型训练方法和算子扩缩容方法，涉及人工智能技术领域，具体涉及有监督的机器学习技术领域，可应用于算子服务器扩缩容场景。扩缩容判别模型训练方法的一具体实施方式包括：获取训练样本，其中，训练样本包括样本算子的属性特征集和标注扩缩容系数；将样本算子的属性特征集作为输入，将样本算子的标注扩缩容系数作为输出，训练得到扩缩容判别模型。该实施方式通过训练扩缩容判别模型，能够实现对流式任务的算子的动态扩缩容调度。缩容调度。缩容调度。


技术研发人员：肖锋 刘桐仁 陈国梁
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2022.07.19
技术公布日：2022/10/25