[發明專利]一種基于負載特征分析的深度學習應用云配置推薦方法及系統

有效

• 申請號: 202110356988.5
• 申請日: 2021-04-01
• 公開（公告）號: CN113094116B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 吳悅文;吳恒;張文博;胡藝
• 申請（專利權）人: 中國科學院軟件研究所
• 主分類號: G06F9/445
• 分類號: G06F9/445;G06F9/455;G06N3/04;G06N3/08
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 邱曉鋒

1.一種基于負載特征分析的深度學習應用云配置推薦方法，其特征在于，包括以下步驟：

執行用戶指定的工作負載；

收集工作負載運行時的資源使用數據；

使用能夠處理時序數據的神經網絡模型從工作負載運行時的資源使用數據中提取負載的特征向量；

根據工作負載的特征向量并結合虛擬機的配置信息，選取適合工作負載的配置；

根據選取的適合工作負載的配置，執行工作負載；

所述執行用戶指定的工作負載，包括：

用戶提交描述工作負載的YAML文件，標注為深度學習工作負載或大數據工作負載或其它工作負載類型；

在YAML文件中添加標準配置信息，在Kubernetes集群中創建對應的pod，使工作負載運行在pod中；

所述根據工作負載的特征向量并結合虛擬機的配置信息，選取適合工作負載的配置，包括：根據負載的特征向量和配置的特征向量進行邏輯回歸，得到配置預測值，再對各個配置預測值匯總排序，將配置依照推薦的優先級排序返回到前端界面，供用戶根據返回的配置推薦結果選擇合適的配置執行工作負載。

2.根據權利要求1所述的方法，其特征在于，所述收集工作 負載運行時的資源使用數據，包括：將負載運行時的資源使用數據存儲為矩陣H的形式，矩陣H的第i行第j列元素h_ij表示在時間i采集到的指標j的數值。

3.根據權利要求1所述的方法，其特征在于，所述根據選取的適合工作負載的配置，執行工作負載，包括：根據用戶選擇的配置修改YAML文件中的配置信息，調用Kubernetes相應接口，刪除之前創建的標準配置pod，重新創建選擇的配置的pod。

4.根據權利要求1所述的方法，其特征在于，采用以下步驟得到所述配置預測值：

LSTM層對輸入矩陣進行特征分析；

全連接層從LSTM層的輸出中提取負載特征向量；

將負載特征向量和配置特征向量進行拼接；

對拼接的向量進行邏輯回歸，得到配對(負載，配置)的預測值。

5.根據權利要求1所述的方法，其特征在于，使用預先收集的不同負載在不同配置上的運行數據訓練用于提取負載特征的長短期記憶神經網絡模型，包括最優超參數搜索和模型參數訓練過程。

6.一種基于負載特征分析的深度學習應用云配置推薦系統，其特征在于，包括特征分析器、配置推薦器、工作負載執行器、負載運行數據收集器和可視化交互器；

所述工作負載執行器，用于執行用戶提交的自定義的工作負載，以及根據所述配置推薦器推薦的配置執行工作負載；

所述負載運行數據收集器，用于收集工作負載運行時的資源使用數據，并提供給所述特征分析器；

所述特征分析器，用于使用能夠處理時序數據的神經網絡模型從工作負載運行時的資源使用數據中提取負載的特征向量；

所述配置推薦器，用于根據工作負載的特征向量并結合虛擬機的配置信息，推薦適合工作負載的配置；

所述可視化交互器，用于提供一個界面以與用戶進行可視化交互；

所述用戶提交的自定義的工作負載，包括：

用戶提交描述工作負載的YAML文件，標注為深度學習工作負載或大數據工作負載或其它工作負載類型；

在YAML文件中添加標準配置信息，在Kubernetes集群中創建對應的pod，使工作負載運行在pod中；

所述根據工作負載的特征向量并結合虛擬機的配置信息，推薦適合工作負載的配置，包括：根據負載的特征向量和配置的特征向量進行邏輯回歸，得到配置預測值，再對各個配置預測值匯總排序，將配置依照推薦的優先級排序返回到前端界面，供用戶根據返回的配置推薦結果選擇合適的配置執行工作負載。

7.一種電子裝置，其特征在于，包括存儲器和處理器，所述存儲器存儲計算機程序，所述計算機程序被配置為由所述處理器執行，所述計算機程序包括用于執行權利要求1～5中任一權利要求所述方法的指令。

8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲計算機程序，所述計算機程序被計算機執行時，實現權利要求1～5中任一權利要求所述的方法。