[發明專利]適用于金融業務的多框架微服務應用的云配置方法及系統

在審

• 申請號: 202011464293.0
• 申請日: 2020-12-14
• 公開（公告）號: CN112612603A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 蔣蔚;嚴文杰;孔偉
• 申請（專利權）人: 江蘇蘇州農村商業銀行股份有限公司
• 主分類號: G06F9/50
• 分類號: G06F9/50
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 吳芳

本發明公開了一種適用于金融業務的多框架微服務應用的云配置方法及系統，包括以下步驟：S1、接受任務的處理請求，并計算請求中的任務與已知任務之間的相似度；S2、根據相似度計算結果，判斷請求中的任務類型屬于已知任務類型、相似任務類型或未知任務類型；S31、對于已知任務類型，使用匹配的已知初始模型并在線優化，生成新的任務模型；S32、對于相似任務類型，在線優化器加載最相似任務的初始模型，并使用遷移學習來引導建立新任務的新的任務模型；S33、對于未知任務類型，基于基準測試構建新的任務模型；S4、利用新的任務模型，丟棄預測執行時間與當前最佳配置的最佳預測執行時間相比更長的配置，構建配置候選集合，選擇模型預測的最佳云配置。

技術領域

本發明涉及軟件技術領域，尤其涉及一種適用于金融業務的多框架微服務應用的云配置方法及系統。

背景技術

微服務是當前互聯網應用的主要實現形式，而眾多微服務通常部署在云計算基礎設施中。各種各樣的微服務應用在由多個框架組成的計算生態系統中執行，這些框架以類似圖形的結構連接在一起，形成計算集群。部署這些計算集群的常見方式是在云環境中獲取資源，并在需要重復執行任務時按需獲取資源。在云中執行任務時，確保分配正確的資源至關重要，這是為了滿足任務完成時間的嚴格服務質量和成本效益需要。因此，在云中部署計算集群需要解決云配置問題，確定使用多少個實例，以及使用哪種類型的實例。選擇正確的配置是至關重要的，因為當這樣的決策失誤時，任務不能滿足其截止日期或執行成本成倍增加。

選擇云配置的現有方法(CherryPick:Adaptively Unearthing the Best CloudConfigurations for Big Data Analytics.In the Proceedings of the 14th USENIXSymposium onNetworked Systems Design and Implementation,2017.)不考慮計算集群中多個框架的存在，而是專注于配置單個框架。在面向多框架計算集群的環境中，已有方法都具有局限性。第一種方法(Micky:A cheaper alternative for selecting cloudinstances.In the Proceedings of 11th IEEE International Conference on CloudComputing,pages 409–416.IEEE,2018.)單獨優化每個框架，然而不同框架之間的耦合性和不合理的資源預分配導致難以整體上提高性能。第二種方法(Arrow:Low-LevelAugmented Bayesian Optimization forFinding the Best Cloud VM.In theProceedings of 38th IEEE International Conference on Distributed ComputingSystems,pages 660–670.IEEE,2018.)將整個計算集群視為一個“單一大系統”，同時修改所有框架的配置，這種方法支持聯合優化，但會隨著框架數量的增加而成倍增加配置搜索空間的大小。探索更大的空間自然需要更長的時間，導致用戶在生產中部署他們的集群之前的昂貴延遲。

發明內容

為了解決現有技術的問題，本發明提供了一種適用于金融業務的多框架微服務應用的云配置方法及系統，面向部署在云計算環境中的采用多框架的微服務應用選擇優化的云配置，從而提高為服務應用執行的性能，即減少請求處理時間，并且提高云資源利用率。所述技術方案如下：

一方面，本發明提供了一種適用于金融業務的多框架微服務應用的云配置方法，包括以下步驟：

S1、接受任務的處理請求，并計算請求中的任務與已知任務之間的相似度；

S2、根據相似度計算結果，判斷請求中的任務類型屬于已知任務類型、相似任務類型或未知任務類型，若屬于已知任務類型，則執行S31和S4，若屬于相似任務類型，則執行S32和S4，若屬于未知任務類型，則執行S33和S4；