CN111626338B - 基于融合分类模型的云环境匹配方法、装置、设备和介质 - Google Patents

基于融合分类模型的云环境匹配方法、装置、设备和介质 Download PDF

Info

Publication number
CN111626338B
CN111626338B CN202010371736.5A CN202010371736A CN111626338B CN 111626338 B CN111626338 B CN 111626338B CN 202010371736 A CN202010371736 A CN 202010371736A CN 111626338 B CN111626338 B CN 111626338B
Authority
CN
China
Prior art keywords
application
level
cloud environment
sample
application sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010371736.5A
Other languages
English (en)
Other versions
CN111626338A (zh
Inventor
张伟
田康
朱宇昕
徐煦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Information System Integration Co ltd
China Mobile Communications Group Co Ltd
China Mobile Xiongan ICT Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Xiongan ICT Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Xiongan ICT Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010371736.5A priority Critical patent/CN111626338B/zh
Publication of CN111626338A publication Critical patent/CN111626338A/zh
Application granted granted Critical
Publication of CN111626338B publication Critical patent/CN111626338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于融合分类模型的云环境匹配方法、装置、设备和介质。该方法包括：获取待匹配应用的云环境的需求特征参数；将需求特征参数分别输入第一分类模型和第二分类模型，得到第一分类结果和第二分类结果；将第一分类结果和第二分类结果输入第三分类模型，得到第三分类结果，并将第三分类结果作为待匹配应用的云环境匹配结果；其中，第三分类结果为待匹配应用适合运行于私有云环境，或者，待匹配应用适合运行于公有云环境。根据本发明实施例提供的基于融合分类模型的云环境匹配方法、装置、设备和介质，可以提高云环境匹配的匹配准确度。

Description

基于融合分类模型的云环境匹配方法、装置、设备和介质
技术领域
本发明涉及通信领域，尤其涉及基于融合分类模型的云环境匹配方法、装置、设备和介质。
背景技术
混合云环境中通常包含多种异构的云环境，这些异构云环境都有自身的特性，比如公有云环境具备强大的资源伸缩能力，而私有云环境具有很好的隔离性和安全性，同时私有云环境可能包含一些针对应用特性做过优化的高性能服务器。混合云中的大量应用可以选择其中的任意一种云环境作为运行环境，现阶段应用运行的云环境在部署阶段由人工指定，如某云的多云管理平台，某为的多云管理平台等。人工进行云环境匹配的匹配准确度较低。
发明内容
本发明实施例提供的基于融合分类模型的云环境匹配方法、装置、设备和介质，可以提高云环境匹配的匹配准确度。
第一方面，提供一种基于融合分类模型的云环境匹配方法，融合分类模型包括第一分类模型、第二分类模型和第三分类模型，方法包括：。获取待匹配应用的云环境的需求特征参数；将需求特征参数分别输入第一分类模型和第二分类模型，得到第一分类结果和第二分类结果；将第一分类结果和第二分类结果输入第三分类模型，得到第三分类结果，并将第三分类结果作为待匹配应用的云环境匹配结果；其中，第三分类结果为待匹配应用适合运行于私有云环境，或者，待匹配应用适合运行于公有云环境。
根据本发明实施例中的基于融合分类模型的云环境匹配方法，在获取待匹配应用的云环境的需求特征参数之后，利用预先训练的融合分类模型可以确定待匹配应用所适合运行的云环境。相较于现有的人为匹配云环境的方法，提高了云环境匹配的匹配准确度。
在一种可选的实施方式中，第一分类模型和第三分类模型为广度深度学习模型，第二分类模型为LightGBM模型。
在一种可选的实施方式中，需求特征参数包括以下一种或多种：安全需求等级、隐私性需求等级、对服务器性能的需求等级、应用伸缩频率的特性参数和预设周期内的资源使用参数。
在一种可选的实施方式中，方法还包括：获取应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签，预置分类标签为适合运行于私有云环境或者适合运行于共有云环境；利用应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签，训练融合分类模型。
在一种可选的实施方式中，方法还包括：基于应用样本的需求特性参数确定应用样本适合运行的云环境；若应用样本适合运行于公有云环境，将其预置分类标签设置为适合运行于共有云环境；若应用样本适合运行于私有云环境，将其预置分类标签设置为适合运行于私有云环境。
在一种可选的实施方式中，若应用样本的需求特性参数包括：安全需求等级、隐私性需求等级、对服务器性能的需求等级、应用伸缩频率的特性参数和预设周期内的资源使用参数；基于应用样本的需求特性参数确定应用样本适合运行的云环境，包括：针对应用样本中的每一应用样本，执行下述操作：判断每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级是否均低于各自对应的等级阈值；若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中至少一者高于各自对应的等级阈值，则确定每一应用样本适合运行于私有云环境；若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级均低于各自对应的等级阈值，利用每一应用样本的应用伸缩频率的特性参数确定每一应用样本的应用伸缩频率等级；若每一应用样本的应用伸缩频率等级为第一伸缩等级，则确定每一应用样本适合运行于私有云环境；若应用样本的应用伸缩频率等级为第二伸缩等级，则确定每一应用样本适合运行于共有云环境；若每一应用样本的应用伸缩频率等级为第三伸缩等级，则基于每一应用样本在预设周期内的资源使用参数确定每一应用样本的资源波动幅度等级；若每一应用样本的资源波动幅度等级为第一幅度等级，则确定每一应用样本适合运行于私有云环境；若每一应用样本的资源波动幅度等级为第二幅度等级，则确定每一应用样本适合运行于共有云环境；其中，第一伸缩等级对应的应用样本的应用伸缩频率高于第二伸缩等级对应的应用样本的应用伸缩频率，第二伸缩等级对应的应用样本的应用伸缩频率高于第三伸缩等级对应的应用样本的应用伸缩频率；第一幅度等级对应的应用样本的资源波动幅度小于第二幅度等级对应的应用样本的资源波动幅度。
在一种可选的实施方式中，利用每一应用样本的应用伸缩频率的特性参数确定每一应用样本的应用伸缩频率等级，包括：基于应用伸缩频率的特性参数，对包括每一应用样本在内的多个应用样本进行聚类；根据每一应用样本的伸缩聚类结果确定每一应用样本的应用伸缩等级，伸缩聚类结果为属于第一应用样本簇、属于第二应用样本簇或属于第三应用样本簇；其中，第一应用样本簇中的应用样本的应用伸缩频率等级为第一伸缩等级，第二应用样本簇中的应用样本的应用伸缩频率等级为第二伸缩等级，第三应用样本簇中的应用样本的应用伸缩频率等级为第三伸缩等级。
在一种可选的实施方式中，权利要求6的方法，其特征在于，基于每一应用样本在预设周期内的资源使用参数确定每一应用样本的资源波动幅度等级，包括：利用多个应用样本在预设周期内的资源使用参数，计算多个应用样本的资源波动参数，多个应用样本包括每一应用样本；基于资源波动参数，对多个应用样本聚类，得到多个应用样本聚类中的每一样本的资源波动聚类结果，资源波动聚类结果为归属于第四应用样本簇或归属于第五应用样本簇；第四应用样本簇中的应用样本的资源波动幅度等级为第一幅度等级；第五应用样本簇中的应用样本的资源波动幅度等级为第二幅度等级。
第二方面，提供一种基于融合分类模型的云环境匹配装置，融合分类模型包括第一分类模型、第二分类模型和第三分类模型，包括：参数获取模块，用于获取待匹配应用的云环境的需求特征参数；第一分类模块，用于将需求特征参数分别输入第一分类模型和第二分类模型，得到第一分类结果和第二分类结果；第二分类模块，将第一分类结果和第二分类结果输入第三分类模型，得到第三分类结果，并将第三分类结果作为待匹配应用的云环境匹配结果；其中，第三分类结果为待匹配应用适合运行于私有云环境，或者，待匹配应用适合运行于公有云环境。
根据本发明实施例中的基于融合分类模型的云环境匹配装置，在获取待匹配应用的云环境的需求特征参数之后，利用预先训练的融合分类模型可以确定待匹配应用所适合运行的云环境。相较于现有的人为匹配云环境的方法，提高了云环境匹配的匹配准确度。
第三方面，提供一种基于融合分类模型的云环境匹配设备，包括：存储器，用于存储程序；处理器，用于运行存储器中存储的程序，以执行第一方面或第一方面的任一可选的实施方式提供的基于融合分类模型的云环境匹配方法。
第四方面，提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或第一方面的任一可选的实施方式提供的基于融合分类模型的云环境匹配方法。
根据本发明实施例中的基于融合分类模型的云环境匹配方法、装置、设备和介质，在获取待匹配应用的云环境的需求特征参数之后，利用预先训练的融合分类模型可以确定待匹配应用所适合运行的云环境。相较于现有的人为匹配云环境的方法，提高了云环境匹配的匹配准确度。
附图说明
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中所需要使用的附图作简单地介绍，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。
图1是本发明实施例提供的一种示例性的融合分类模型的逻辑框架图；
图2是本发明实施例提供的一种基于融合分类模型的云环境匹配方法的流程示意图；
图3是本发明实施例提供的另一种基于融合分类模型的云环境匹配方法的示意流程图；
图4是本发明实施例提供的又一种基于融合分类模型的云环境匹配方法的示意流程图；
图5是本发明实施例提供的一种基于应用样本的需求特性参数确定应用样本适合运行的云环境的流程示意图；
图6是本发明实施例提供的一种基于融合分类模型的云环境匹配装置的结构示意图；
图7是本发明实施例提供的一种基于融合分类模型的云环境匹配设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种融合分类模型，可用于根据应用的需求特征确定应用所适合的云环境。本发明实施例的融合分类模型为双层分类模型，其中，靠近输入侧的第一层分类模型包括第一分类模型和第二分类模型，靠近输出侧的第二层分类模型包括第三分类模型。
示例性的，第一分类模块和第三分类模型可以是同一类型的分类模型，也可以是不同类型的分类模型。
作一个具体地示例，图1是本发明实施例提供的一种示例性的融合分类模型的逻辑框架图。如图1所示，融合分类模型中的第一分类模型和第三分类模型均可以选用LightGBM模型。融合分类模型中的第二分类模型可以选用广度深度学习(Deep NeuralNetworks Linear Combined)模型。待匹配应用的云环境的n个需求特征参数x1至xn输入第一分类模型，得到第一分类结果z1。待匹配应用的云环境的n个需求特征参数x1至xn输入第二分类模型，得到第二分类结果z2。第一分类结果z1和第二分类结果z2输入第三分类模型，得到第三分类结果y。
其中，广度深度学习(Deep Neural Networks Linear Combined)模型综合了线型回归和深度神经网络的特性，在训练过程中同时优化两个模型的参数，所以同时具有线型回归的记忆能力和深度神经网络的泛化能力。但是由于模型复杂度较高，迭代的过程中可能会出现过拟合的现象。
LightGBM是某软在2017年开源的一款分布式梯度提升框架(Gradient boostingframework)，利用了基于决策树的学习算法。leaf-wise的策略以及支持并行学习的特性极大的减少了学习过程中的内存与时间消耗，精度在某些情况下会比较低。LightGBM在防止过拟合方面做了很多尝试，例如通过控制多个参数来降低过拟合程度，例如max_bin，max_depth等。
本发明实施例提供的融合分类模型可以结合两者的优势，建立了一个双层预测模型，来弥补广度深度回归模型的过拟合以及LightGBM精度不高的问题。将广度深度回归模型和LightGBM结合使用，进一步凸显两种模型的互补优势，分类精确度得到了进一步加强。
为了更好的理解本发明，下面将结合附图，详细描述根据本发明实施例的基于融合分类模型的云环境匹配方法、装置、设备和介质，应注意，这些实施例并不用来限制本发明公开的范围。
图2是本发明实施例提供的一种基于融合分类模型的云环境匹配方法的示意流程图。如图2所示，本实施例中的基于融合分类模型的云环境匹配方法200可以包括S210至S230。
S210，获取待匹配应用的云环境的需求特征参数。
首先，针对云环境的需求特征参数。需求特征参数表征可以用于评判应用适合运行于私有云环境还是适合运行于公有云案件的特征参数。具体地，可以为能够衡量应用对运行环境需求的参数。示例性的，特征需求参数可以包括以下参数A至参数E中的至少一种。
参数A、安全需求等级。安全需求等级表征应用对运行环境的安全性需求。示例性的，安全需求等级可分为第一安全等级和第二安全等级。其中第一安全等级表征应用对运行环境的安全性要求低，例如安全性低于第一安全阈值。第二安全等级表征应用对运行环境的安全性要求高，例如安全性高于等于第一安全阈值。安全需求等级为第二安全等级的应用适合运行于私有云环境。
参数B、隐私性需求等级。隐私性需求等级表征应用对运行环境隐私性的需求。示例性的，隐私性需求等级可以分为第一隐私性等级和第二隐私性等级。其中第一隐私性等级表征应用对运行环境的隐私性要求低，例如隐私性低于第一隐私性阈值。第二隐私性等级表征应用对运行环境的隐私性要求高，例如隐私性高于等于第一隐私性阈值。隐私性需求等级为第二隐私性等级的应用适合运行于私有云环境。
参数C、对服务器性能的需求等级。服务器性能的需求等级表征应用对运行环境中的服务器的性能需求。示例性的，服务器性能的等级可以分为第一性能需求等级和第二性能等级。其中第一性能需求等级表征应用对运行环境的服务器的需求要求低，例如应用无需独占资源等。第二性能需求等级表征应用对运行环境的的服务器的需求要求高，例如应用需要独占共享资源，这类应用适合运行在私有云的高性能服务器上，需要尽快运行完毕释放共享资源。
参数D、应用伸缩频率的特性参数。应用伸缩频率的特性参数为能够表征应用的伸缩频率的参数。具体地，应用伸缩频率的特征参数可以包括应用的单次运行时长、应用的镜像信息、启动参数信息、应用描述信息等参数等。以应用的单次运行时长为例，应用的单次运行时长越长，应用的伸缩频率越低。作一个具体的示例，运行时间较短的应用，例如运行0-0.5小时，应用伸缩过于频繁，伸缩开销大，适合运行在私有云环境。运行时长适中的应用，例如运行0.5-4小时，如果没有安全性需求和服务器性能需求，适合运行在公有云，充分利用公有云的弹性能力。运行时间太长的应用，例如大于4小时，则需要进行进一步判断。
参数E、预设周期内的资源使用参数。具体地，可以是预设周期内的多个时间段的资源使用参数。示例性的，资源使用参数可以是应用所对应的CPU性能数据。预设周期可以是历史的一周，即预设周期早于当前时刻。相应地，预设周期内的资源使用参数可以是一周内的每一天的多个时间段的资源使用参数。例如，可以将每一天分为3个时间段，每天0点至8点、每天8点至16点、每天16点至24点。
在一些实施例中，S210中直接采集的需求特征参数可能是各式各样的，例如表征等级的标识、或CPU的性能参数等。为了便于融合分类模型处理，可以将获取的需求性能参数转换为[0,1]范围内的数值，再将转换后的数值输入融合分类模型。
S220，将需求特征参数分别输入第一分类模型和第二分类模型，得到第一分类结果和第二分类结果。其中，第一分类结果和第二分类结果可以是[0,1]范围内的数值。
S230，将第一分类结果和第二分类结果输入第三分类模型，得到第三分类结果，并将第三分类结果作为待匹配应用的云环境匹配结果。
其中，由于融合分类模型的目的是根据待匹配应用的需求确定待匹配应用是适合运行于公有云环境还是适合运行于私有云环境。相应地，待匹配应用的最终分类结果，即第三分类结果为待匹配应用适合运行于私有云环境，或者，待匹配应用适合运行于公有云环境。可选的，第三分类结果可以是0或1，结果为0可以表示待匹配应用适合运行于公有云环境，结果为1可以表示待匹配应用适合运行于私有云环境。
根据本发明实施例中的基于融合分类模型的云环境匹配方法、装置、设备和介质，在获取待匹配应用的云环境的需求特征参数之后，利用预先训练的融合分类模型可以确定待匹配应用所适合运行的云环境。相较于现有的人为匹配云环境的方法，提高了云环境匹配的匹配准确度。
此外，融合分类模型包括第一分类模型、第二分类模型和第三分类模型，可以融合多个分类模型的优点，进一步提高了匹配的精确度。
图3是本发明实施例提供的另一种基于融合分类模型的云环境匹配方法的示意流程图，图3与图2相同或等同的步骤使用相同的标号。如图2所示，结合图3示出的基于融合分类模型的云环境匹配方法300基本相同于结合图2示出的基于融合分类模型的云环境匹配方法200，不同之处在于，基于融合分类模型的云环境匹配方法300还包括用于训练融合分类模型的步骤，即S240和S250。
S240，获取应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签。其中，预置分类标签为适合运行于私有云环境或者适合运行于共有云环境。
其中，在训练融合分类模型时，可以选取多款应用作为应用样本。
S250，利用应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签，训练融合分类模型。示例性的，训练融合分类模型时，可以将应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签作为输入数据。比如，输入数据可以是应用样A1-适用私有云，应用样本A2-适用公有云，……，应用样本Am-适用公有云。其中，m为任意整数，可以根据具体工作场景和工作要求设定，在此不再赘述。
在一个可选的实施例中，对于第一分类模型和第三分类模型为广度深度学习(Deep Neural Networks Linear Combined)模型，第二分类模型为LightGBM模型的融合分类模型。训练得到的广度深度学习模型的参数如下述表1所示。
表1
Figure BDA0002478551320000091
Figure BDA0002478551320000101
如表1所示，广度深度学习模型包括5个参数，分别为迭代次数train_steps，学习率learning_rate，l1范数l1_regular，l2范数l2_regular，模型权值α1。其中，训练得到的广度深度学习模型的迭代次数train_steps的取值为1000，学习率learning_rate的取值为0.01，l1范数l1_regular的取值为0.001，l2范数l2_regular的取值为0.001，模型权值α1的取值为0.5。
训练得到的LightGBM模型的参数如下述表2所示。
表2
Figure BDA0002478551320000102
如表2所示，LightGBM模型包括8个参数，分别为树最大深度Max_depth，叶节点数Num_leaves，节点数据最小量Min_data_in_leaf，最大直方图数max_bin，特征选择比例feature_fraction，bagging(即套袋法)频率bagging_freq，迭代数据比例bagging_fraction，学习率learning_rate。其中，训练得到的LightGBM模型的树最大深度Max_depth的取值为5，叶节点数Num_leaves的取值为120，节点数据最小量Min_data_in_leaf的取值为30，最大直方图数max_bin的取值为255，特征选择比例feature_fraction的取值为0.9，bagging频率bagging_freq的取值为1，迭代数据比例bagging_fraction的取值为0.9，学习率learning_rate的取值为0.12。
图4是本发明实施例提供的又一种云环境匹配方法的示意流程图，图4与图2、图3相同或等同的步骤使用相同的标号。如图3所示，结合图3示出的基于融合分类模型的云环境匹配方法400基本相同于结合图3示出的基于融合分类模型的云环境匹配方法300，不同之处在于，基于融合分类模型的云环境匹配方法400还包括为应用样本自动设置预置标签的步骤S260至S280。
S260，基于应用样本的需求特性参数确定应用样本适合运行的云环境。其中，应用样本的需求特性参数的具体内容可参加本发明上述实施例的相关描述，在此不再赘述。
可选地，在一些实施例中，基于应用样本的需求特性参数确定应用样本适合运行的云环境，即S260可具体包括以下步骤，如图5所示，图5是本发明实施例提供的一种基于应用样本的需求特性参数确定应用样本适合运行的云环境的流程示意图。如图5所示，若应用样本的需求特性参数包括上述参数A至E，针对应用样本中的每一应用样本，S260的具体实施方式可以包括下述S261至S268。
S261，判断每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级是否均低于各自对应的等级阈值。也就是说分别判断每一应用样本的安全需求等级是否高于安全需求等级阈值，每一应用样本的隐私性需求等级是否高于隐私性需求等级阈值，每一应用样本对服务器性能的需求等级是否高于性能需求等级阈值。其中，安全需求等级阈值、隐私性需求等级阈值、性能需求等级阈值可以根据具体的应用场景和需求设置，对此不再赘述。
示例性的，若安全需求等级包括第一安全等级和第二安全等级，则安全需求等级阈值可设置为第二安全等级。其中，第一安全等级和第二安全等级的相关内容，可参见本发明上述实施例的相关描述，在此不再赘述。
示例性的，若隐私性需求等级包括第一隐私性等级和第二隐私性等级，则隐私性需求等级阈值可设置为第二隐私性等级。其中，第一隐私性等级和第二隐私性等级的相关内容，可参见本发明上述实施例的相关描述，在此不再赘述。
示例性的，若服务器性能的等级包括第一性能需求等级和第二性能等级，则性能需求等级阈值可设置为第二性能需求等级。其中，第一性能需求等级和第二性能需求等级的相关内容，可参见本发明上述实施例的相关描述，在此不再赘述。
此外，在S261中，若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中的至少一者不低于各自对应的等级阈值，则跳转至步骤S262，确定该应用样本适合运行于私有云。若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中均低于各自对应的等级阈值，则跳转至步骤S263，此时无法确定该应用样本适合运行的云环境，还需要依据其他需求参数进一步确定。
S262，若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中至少一者高于各自对应的等级阈值，则确定每一应用样本适合运行于私有云环境。
S263，若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级均低于各自对应的等级阈值，则需要进一步利用每一应用样本的应用伸缩频率的特性参数确定每一应用样本的应用伸缩频率等级。
在一些示例中，可以利用聚类方法确定应用样本的应用伸缩频率等级。相应地，S263的具体实施方式可以包括下述第一步骤和第二步骤。
第一步骤、基于应用伸缩频率的特性参数，对包括每一应用样本在内的多个应用样本进行聚类。其中，每一应用样本的应用伸缩频率的特性参数的具体内容，可参见本发明上述实施例的相关描述。具体地，在第一步骤中，若使用DBSCAN聚类算法，可以通过调整Eps参数和MinPts参数的方式对多个应用样本进行聚类，使得聚类结果大致分为三个样本簇，即第一应用样本簇、第二应用样本簇和第三应用样本簇。
示例性的，作为聚类依据的应用伸缩频率的特性参数可以包括应用样本的镜像信息、应用样本的启动参数信息、应用样本的应用描述信息、应用样本的运行时长等。
第二步骤、根据每一应用样本的伸缩聚类结果确定每一应用样本的应用伸缩等级，伸缩聚类结果为属于第一应用样本簇、属于第二应用样本簇或属于第三应用样本簇。
其中，第一应用样本簇中的应用样本的应用伸缩频率等级为第一伸缩等级，第二应用样本簇中的应用样本的应用伸缩频率等级为第二伸缩等级，第三应用样本簇中的应用样本的应用伸缩频率等级为第三伸缩等级。
第一伸缩等级对应的应用样本的应用伸缩频率高于第二伸缩等级对应的应用样本的应用伸缩频率，第二伸缩等级对应的应用样本的应用伸缩频率高于第三伸缩等级对应的应用样本的应用伸缩频率。
此外，需要说明的是，如果应用样本的需求特性参数不包括安全需求等级、隐私性需求等级、对服务器性能的需求等级，则可以直接利用每一应用样本的应用伸缩频率的特性参数确定每一应用样本的应用伸缩频率等级。
S264，若每一应用样本的应用伸缩频率等级为第一伸缩等级，则确定每一应用样本适合运行于私有云环境。也就是说，被划分入第一应用样本簇的应用样本对应第一伸缩等级，该类应用的单次运行时长较短，这类应用适合运行在私有云环境。
S265，若应用样本的应用伸缩频率等级为第二伸缩等级，则确定每一应用样本适合运行于共有云环境。也就是说，被划分入第二应用样本簇的应用样本对应第二伸缩等级，该类应用的单次行时长适中，这类应用适合运行在公有云环境。
S266，若每一应用样本的应用伸缩频率等级为第三伸缩等级，则基于每一应用样本在预设周期内的资源使用参数确定每一应用样本的资源波动幅度等级。也就是说，被划分入第三应用样本簇的应用样本对应第三伸缩等级，该类应用的单次行时长较长，这类应用的适用环境还需要结合其他需求特征参数进行进一步判断。
在一些示例中，S266的具体实施方式可以包括下述第一步骤和第二步骤。
第一步骤、利用多个应用样本在预设周期内的资源使用参数，计算多个应用样本的资源波动参数。其中，多个应用样本包括该每一应用样本。
示例性的，首先，可以统计每个应用样本在过去的一周内的CPU性能数据，可以将每天0点-8点的CPU性能数据、每天8点-16点的CPU性能数据、每天16点-24点的CPU性能数据分别作为一个资源使用参数。
然后可以使用动态时间规整算法(Dynamic Time Warping，DTW)，分别计算每个应用样本在一周七天的性能指标相似度，每天内三个时间段的性能指标相似度，将一周七天的性能指标相似度和每天内三个时间段的性能指标相似度的累加结果作为每个应用样本的资源波动属性参数。
第二步骤、基于资源波动参数，对多个应用样本聚类，得到多个应用样本聚类中的每一样本的资源波动聚类结果。其中，资源波动聚类结果包括归属于第四应用样本簇或归属于第五应用样本簇。第四应用样本簇中的应用样本的资源波动幅度等级为第一幅度等级。第五应用样本簇中的应用样本的资源波动幅度等级为第二幅度等级。其中，第一幅度等级对应的应用样本的资源波动幅度小于第二幅度等级对应的应用样本的资源波动幅度。
示例性的，可以使用DBSCAB聚类算法进行聚类。具体地，根据多个应用样本的资源波动属性参数做聚类，使得多个应用样本聚合成两个簇，即第四应用样本簇和第五应用样本簇。
S267，若每一应用样本的资源波动幅度等级为第一幅度等级，则确定每一应用样本适合运行于私有云环境。也就是说，被划分入第四应用样本簇的应用样本对应第一幅度等级，该类应用的资源波动幅度较小，这类应用适合运行于私有云环境。
S268，若每一应用样本的资源波动幅度等级为第二幅度等级，则确定每一应用样本适合运行于共有云环境。也就是说，被划分入第五应用样本簇的应用样本对应第二幅度等级，该类应用的资源波动幅度(与划分入第四应用样本簇的应用样本相比)较大，这类应用适合运行于共有云环境。
通过上述步骤S261至S268，能够综合考虑应用样本的各项需求特性参数为应用样本设置分类标签，提高标签分类的准确性。
在基于应用样本的需求特性参数确定应用样本适合运行的云环境之后，执行S270。
S270，若应用样本适合运行于公有云环境，将其预置分类标签设置为适合运行于共有云环境。
S280，若应用样本适合运行于私有云环境，将其预置分类标签设置为适合运行于私有云环境。
需要说明的是，若应用样本的需求特性参数包括上述参数A至E中的部分时，S260可以仅包括与所包含的部分参数相对应的部分。
下面结合附图，详细介绍根据本发明实施例的装置。
基于相同的发明构思，本发明实施例提供了一种基于融合分类模型的云环境匹配装置。其中，融合分类模型包括第一分类模型、第二分类模型和第三分类模型。
图6是本发明实施例提供的一种基于融合分类模型的云环境匹配装置的结构示意图。如图6所示，基于融合分类模型的云环境匹配装置600包括参数获取模块610、第一分类模块620和第二分类模块630。
参数获取模块610，用于获取待匹配应用的云环境的需求特征参数。
第一分类模块620，用于将需求特征参数分别输入第一分类模型和第二分类模型，得到第一分类结果和第二分类结果。
第二分类模块630，将第一分类结果和第二分类结果输入第三分类模型，得到第三分类结果，并将第三分类结果作为待匹配应用的云环境匹配结果。
其中，第三分类结果为待匹配应用适合运行于私有云环境，或者，待匹配应用适合运行于公有云环境。
在一些实施例中，融合分类模型的第一分类模型和第三分类模型为广度深度学习模型，融合分类模型的第二分类模型为LightGBM模型。
在一些实施例中，需求特征参数包括以下一种或多种：安全需求等级、隐私性需求等级、对服务器性能的需求等级、应用伸缩频率的特性参数和预设周期内的资源使用参数。
在一些实施例中，基于融合分类模型的云环境匹配装置600还包括标签获取模块和模型训练模块。
其中，标签获取模块用于获取应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签，预置分类标签为适合运行于私有云环境或者适合运行于共有云环境。
模型训练模块用于利用应用样本的需求特性参数和与应用样本的需求特性参数对应的预置分类标签，训练融合分类模型。
在一些实施例中，基于融合分类模型的云环境匹配装置600还包括运行环境匹配模块、第一标签设置模块和第二标签设置模块。
其中，运行环境匹配模块用于基于应用样本的需求特性参数确定应用样本适合运行的云环境。
第一标签设置模块用于若应用样本适合运行于公有云环境，将其预置分类标签设置为适合运行于共有云环境。
第二标签设置模块用若应用样本适合运行于私有云环境，将其预置分类标签设置为适合运行于私有云环境。
在一些实施例中，若应用样本的需求特性参数包括：安全需求等级、隐私性需求等级、对服务器性能的需求等级、应用伸缩频率的特性参数和预设周期内的资源使用参数。
相应地，针对应用样本中的每一应用样本，运行环境匹配模块具体包括第一处理单元至第八处理单元。
其中，第一处理单元用于判断每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级是否均低于各自对应的等级阈值。
其中，第二处理单元用于若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中至少一者高于各自对应的等级阈值，则确定每一应用样本适合运行于私有云环境。
其中，第三处理单元用于若每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级均低于各自对应的等级阈值，利用每一应用样本的应用伸缩频率的特性参数确定每一应用样本的应用伸缩频率等级。
其中，第四处理单元用于若每一应用样本的应用伸缩频率等级为第一伸缩等级，则确定每一应用样本适合运行于私有云环境。
其中，第五处理单元用于若应用样本的应用伸缩频率等级为第二伸缩等级，则确定每一应用样本适合运行于共有云环境。
其中，第六处理单元用于若每一应用样本的应用伸缩频率等级为第三伸缩等级，则基于每一应用样本在预设周期内的资源使用参数确定每一应用样本的资源波动幅度等级。
其中，第七处理单元用于若每一应用样本的资源波动幅度等级为第一幅度等级，则确定每一应用样本适合运行于私有云环境。
其中，第八处理单元用于若每一应用样本的资源波动幅度等级为第二幅度等级，则确定每一应用样本适合运行于共有云环境。
其中，第一伸缩等级对应的应用样本的应用伸缩频率高于第二伸缩等级对应的应用样本的应用伸缩频率，第二伸缩等级对应的应用样本的应用伸缩频率高于第三伸缩等级对应的应用样本的应用伸缩频率。
其中，第一幅度等级对应的应用样本的资源波动幅度小于第二幅度等级对应的应用样本的资源波动幅度。
在一些实施例中，第三处理单元具体用于：基于应用伸缩频率的特性参数，对包括每一应用样本在内的多个应用样本进行聚类。以及，根据每一应用样本的伸缩聚类结果确定每一应用样本的应用伸缩等级。
其中，伸缩聚类结果为属于第一应用样本簇、属于第二应用样本簇或属于第三应用样本簇。
其中，第一应用样本簇中的应用样本的应用伸缩频率等级为第一伸缩等级。第二应用样本簇中的应用样本的应用伸缩频率等级为第二伸缩等级。第三应用样本簇中的应用样本的应用伸缩频率等级为第三伸缩等级。
在一些实施例中，第六处理单元具体用于：利用多个应用样本在预设周期内的资源使用参数，计算多个应用样本的资源波动参数，多个应用样本包括每一应用样本。
以及，第六处理单元还用于基于资源波动参数，对多个应用样本聚类，得到多个应用样本聚类中的每一样本的资源波动聚类结果。
其中，资源波动聚类结果为归属于第四应用样本簇或归属于第五应用样本簇。
第四应用样本簇中的应用样本的资源波动幅度等级为第一幅度等级。第五应用样本簇中的应用样本的资源波动幅度等级为第二幅度等级。
根据本发明实施例中的基于融合分类模型的云环境匹配装置，在获取待匹配应用的云环境的需求特征参数之后，利用预先训练的融合分类模型可以确定待匹配应用所适合运行的云环境。相较于现有的人为匹配云环境的方法，提高了云环境匹配的匹配准确度。
根据本发明实施例的云环境匹配装置的其他细节，与以上结合图2至图5所示实例描述的云环境匹配方法类似，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图7是本发明实施例提供的一种基于融合分类模型的云环境匹配设备的示例性硬件架构的结构图。
如图7所示，基于融合分类模型的云环境匹配设备700包括输入设备701、输入接口702、中央处理器703、存储器704、输出接口705、以及输出设备706。其中，输入接口702、中央处理器703、存储器704、以及输出接口705通过总线710相互连接，输入设备701和输出设备706分别通过输入接口702和输出接口705与总线710连接，进而与基于融合分类模型的云环境匹配设备700的其他组件连接。
具体地，输入设备701接收来自外部的输入信息，并通过输入接口702将输入信息传送到中央处理器703；中央处理器703基于存储器704中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器704中，然后通过输出接口705将输出信息传送到输出设备706；输出设备706将输出信息输出到基于融合分类模型的云环境匹配设备700的外部供用户使用。
也就是说，图7所示的基于融合分类模型的云环境匹配设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图2至图5描述的云环境匹配设备的方法。
在一个实施例中，图7所示的基于融合分类模型的云环境匹配设备700可以被实现为一种设备，该设备可以包括：存储器，用于存储程序；处理器，用于运行存储器中存储的程序，以执行本发明实施例的基于融合分类模型的云环境匹配方法。
本发明实施例还提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现本发明实施例的云环境匹配方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

Claims (7)

1.一种基于融合分类模型的云环境匹配方法，其特征在于，所述融合分类模型包括第一分类模型、第二分类模型和第三分类模型，所述方法包括：
获取待匹配应用的云环境的需求特征参数；
将所述需求特征参数分别输入所述第一分类模型和第二分类模型，得到第一分类结果和第二分类结果；
将所述第一分类结果和所述第二分类结果输入第三分类模型，得到第三分类结果，并将所述第三分类结果作为所述待匹配应用的云环境匹配结果；
其中，所述第三分类结果为所述待匹配应用适合运行于私有云环境，或者，所述待匹配应用适合运行于公有云环境；
所述方法还包括：
获取应用样本的需求特性参数和与所述应用样本的需求特性参数对应的预置分类标签，所述预置分类标签为适合运行于私有云环境或者适合运行于公有云环境；
利用所述应用样本的需求特性参数和与所述应用样本的需求特性参数对应的预置分类标签，训练所述融合分类模型；
所述方法还包括：
基于所述应用样本的需求特性参数确定所述应用样本适合运行的云环境；
若所述应用样本适合运行于公有云环境，将其预置分类标签设置为适合运行于公有云环境；
若所述应用样本适合运行于私有云环境，将其预置分类标签设置为适合运行于私有云环境；
若所述应用样本的需求特性参数包括：安全需求等级、隐私性需求等级、对服务器性能的需求等级、应用伸缩频率的特性参数和预设周期内的资源使用参数；
所述基于所述应用样本的需求特性参数确定所述应用样本适合运行的云环境，包括：
针对所述应用样本中的每一应用样本，执行下述操作：
判断所述每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级是否均低于各自对应的等级阈值；
若所述每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中至少一者高于各自对应的等级阈值，则确定所述每一应用样本适合运行于私有云环境；
若所述每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级均低于各自对应的等级阈值，利用所述每一应用样本的应用伸缩频率的特性参数确定所述每一应用样本的应用伸缩频率等级；
若所述每一应用样本的应用伸缩频率等级为第一伸缩等级，则确定所述每一应用样本适合运行于私有云环境；
若所述应用样本的应用伸缩频率等级为第二伸缩等级，则确定所述每一应用样本适合运行于公有云环境；
若所述每一应用样本的应用伸缩频率等级为第三伸缩等级，则基于所述每一应用样本在预设周期内的资源使用参数确定所述每一应用样本的资源波动幅度等级；
若所述每一应用样本的资源波动幅度等级为第一幅度等级，则确定所述每一应用样本适合运行于私有云环境；
若所述每一应用样本的资源波动幅度等级为第二幅度等级，则确定所述每一应用样本适合运行于公有云环境；
其中，所述第一伸缩等级对应的应用样本的应用伸缩频率高于所述第二伸缩等级对应的应用样本的应用伸缩频率，所述第二伸缩等级对应的应用样本的应用伸缩频率高于第三伸缩等级对应的应用样本的应用伸缩频率；
所述第一幅度等级对应的应用样本的资源波动幅度小于所述第二幅度等级对应的应用样本的资源波动幅度。
2.根据权利要求1所述的方法，其特征在于，所述第一分类模型和所述第三分类模型为广度深度学习模型，所述第二分类模型为LightGBM模型。
3.根据权利要求1所述的方法，其特征在于，所述利用所述每一应用样本的应用伸缩频率的特性参数确定所述每一应用样本的应用伸缩频率等级，包括：
基于所述应用伸缩频率的特性参数，对包括所述每一应用样本在内的多个应用样本进行聚类；
根据所述每一应用样本的伸缩聚类结果确定所述每一应用样本的应用伸缩等级，所述伸缩聚类结果为属于第一应用样本簇、属于第二应用样本簇或属于第三应用样本簇；
其中，所述第一应用样本簇中的应用样本的应用伸缩频率等级为所述第一伸缩等级，所述第二应用样本簇中的应用样本的应用伸缩频率等级为所述第二伸缩等级，所述第三应用样本簇中的应用样本的应用伸缩频率等级为所述第三伸缩等级。
4.根据权利要求1所述的方法，其特征在于，所述基于所述每一应用样本在预设周期内的资源使用参数确定所述每一应用样本的资源波动幅度等级，包括：
利用多个应用样本在预设周期内的资源使用参数，计算所述多个应用样本的资源波动参数，所述多个应用样本包括所述每一应用样本；
基于所述资源波动参数，对所述多个应用样本聚类，得到所述多个应用样本聚类中的每一样本的资源波动聚类结果，所述资源波动聚类结果为归属于第四应用样本簇或归属于第五应用样本簇；
所述第四应用样本簇中的应用样本的资源波动幅度等级为第一幅度等级；
所述第五应用样本簇中的应用样本的资源波动幅度等级为第二幅度等级。
5.一种基于融合分类模型的云环境匹配装置，其特征在于，所述融合分类模型包括第一分类模型、第二分类模型和第三分类模型，所述装置包括：
参数获取模块，用于获取待匹配应用的云环境的需求特征参数；
第一分类模块，用于将所述需求特征参数分别输入所述第一分类模型和第二分类模型，得到第一分类结果和第二分类结果；
第二分类模块，将所述第一分类结果和所述第二分类结果输入第三分类模型，得到第三分类结果，并将所述第三分类结果作为所述待匹配应用的云环境匹配结果；
其中，所述第三分类结果为所述待匹配应用适合运行于私有云环境，或者，所述待匹配应用适合运行于公有云环境；
标签获取模块，用于获取应用样本的需求特性参数和与所述应用样本的需求特性参数对应的预置分类标签，所述预置分类标签为适合运行于私有云环境或者适合运行于公有云环境；
模型训练模块，用于利用所述应用样本的需求特性参数和与所述应用样本的需求特性参数对应的预置分类标签，训练所述融合分类模型；
运行环境匹配模块，用于基于所述应用样本的需求特性参数确定所述应用样本适合运行的云环境；
第一标签设置模块，用于若所述应用样本适合运行于公有云环境，将其预置分类标签设置为适合运行于公有云环境；
第二标签设置模块，用于若所述应用样本适合运行于私有云环境，将其预置分类标签设置为适合运行于私有云环境；
若所述应用样本的需求特性参数包括：安全需求等级、隐私性需求等级、对服务器性能的需求等级、应用伸缩频率的特性参数和预设周期内的资源使用参数；
针对所述应用样本中的每一应用样本，运行环境匹配模块具体包括：
第一处理单元，用于判断所述每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级是否均低于各自对应的等级阈值；
第二处理单元，用于若所述每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级中至少一者高于各自对应的等级阈值，则确定所述每一应用样本适合运行于私有云环境；
第三处理单元，用于若所述每一应用样本的安全需求等级、隐私性需求等级、对服务器性能的需求等级均低于各自对应的等级阈值，利用所述每一应用样本的应用伸缩频率的特性参数确定所述每一应用样本的应用伸缩频率等级；
第四处理单元，用于若所述每一应用样本的应用伸缩频率等级为第一伸缩等级，则确定所述每一应用样本适合运行于私有云环境；
第五处理单元，用于若所述应用样本的应用伸缩频率等级为第二伸缩等级，则确定所述每一应用样本适合运行于公有云环境；
第六处理单元，用于若所述每一应用样本的应用伸缩频率等级为第三伸缩等级，则基于所述每一应用样本在预设周期内的资源使用参数确定所述每一应用样本的资源波动幅度等级；
第七处理单元，用于若所述每一应用样本的资源波动幅度等级为第一幅度等级，则确定所述每一应用样本适合运行于私有云环境；
第八处理单元，用于若所述每一应用样本的资源波动幅度等级为第二幅度等级，则确定所述每一应用样本适合运行于公有云环境；
其中，所述第一伸缩等级对应的应用样本的应用伸缩频率高于所述第二伸缩等级对应的应用样本的应用伸缩频率，所述第二伸缩等级对应的应用样本的应用伸缩频率高于第三伸缩等级对应的应用样本的应用伸缩频率；
所述第一幅度等级对应的应用样本的资源波动幅度小于所述第二幅度等级对应的应用样本的资源波动幅度。
6.一种基于融合分类模型的云环境匹配设备，其特征在于，所述设备包括：
存储器，用于存储程序；
处理器，用于运行所述存储器中存储的所述程序，以执行权利要求1-4任一权利要求所述的基于融合分类模型的云环境匹配方法。
7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现权利要求1-4任一权利要求所述的基于融合分类模型的云环境匹配方法。
CN202010371736.5A 2020-05-06 2020-05-06 基于融合分类模型的云环境匹配方法、装置、设备和介质 Active CN111626338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010371736.5A CN111626338B (zh) 2020-05-06 2020-05-06 基于融合分类模型的云环境匹配方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371736.5A CN111626338B (zh) 2020-05-06 2020-05-06 基于融合分类模型的云环境匹配方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN111626338A CN111626338A (zh) 2020-09-04
CN111626338B true CN111626338B (zh) 2022-11-29

Family

ID=72272994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371736.5A Active CN111626338B (zh) 2020-05-06 2020-05-06 基于融合分类模型的云环境匹配方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111626338B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667594A (zh) * 2021-01-14 2021-04-16 北京智源人工智能研究院 一种基于混合云资源的异构计算平台及模型训练方法
CN113313497B (zh) * 2021-07-28 2021-11-05 北京芯盾时代科技有限公司 一种账户数据的风险分析方法及装置
CN116310513B (zh) * 2023-02-14 2023-12-05 成都泰莱生物科技有限公司 基于肺部CT与5hmC标志物融合的肺结节分类方法及产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106331118A (zh) * 2016-08-26 2017-01-11 深圳市智物联网络有限公司 物联网中的数据处理系统、公有云服务器及私有云服务器
US9953075B1 (en) * 2012-12-27 2018-04-24 EMC IP Holding Company LLC Data classification system for hybrid clouds
CN108881195A (zh) * 2018-06-07 2018-11-23 蒋云 基于云环境的数据安全共享方法和装置
CN109743201A (zh) * 2018-12-25 2019-05-10 福建启迪教育科技有限公司 一种混合云部署系统
CN110086841A (zh) * 2018-01-26 2019-08-02 广东亿迅科技有限公司 构建mpp公有云和局部私有云的方法及装置
CN110188613A (zh) * 2019-04-28 2019-08-30 上海鹰瞳医疗科技有限公司 图像分类方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9953075B1 (en) * 2012-12-27 2018-04-24 EMC IP Holding Company LLC Data classification system for hybrid clouds
CN106331118A (zh) * 2016-08-26 2017-01-11 深圳市智物联网络有限公司 物联网中的数据处理系统、公有云服务器及私有云服务器
CN110086841A (zh) * 2018-01-26 2019-08-02 广东亿迅科技有限公司 构建mpp公有云和局部私有云的方法及装置
CN108881195A (zh) * 2018-06-07 2018-11-23 蒋云 基于云环境的数据安全共享方法和装置
CN109743201A (zh) * 2018-12-25 2019-05-10 福建启迪教育科技有限公司 一种混合云部署系统
CN110188613A (zh) * 2019-04-28 2019-08-30 上海鹰瞳医疗科技有限公司 图像分类方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周墨颂 等.基于计算资源运行时剩余能力评估优化云平台.《计算机研究与发展》.2017,第54卷(第11期),第2516-2533页. *

Also Published As

Publication number Publication date
CN111626338A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111626338B (zh) 基于融合分类模型的云环境匹配方法、装置、设备和介质
US20190279088A1 (en) Training method, apparatus, chip, and system for neural network model
US11240121B2 (en) Methods and systems for controlling data backup
CN113746696A (zh) 网络流量预测方法、设备、存储介质及装置
CN109886311B (zh) 增量聚类方法、装置、电子设备和计算机可读介质
CN112329617B (zh) 基于单张源域样本的新场景人脸识别模型构建方法、系统
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
CN113326869A (zh) 基于最长路融合算法的深度学习计算图优化方法
Tao et al. Semigraphfl: semi-supervised graph federated learning for graph classification
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
CN114648679A (zh) 神经网络训练、目标检测的方法及装置、设备及存储介质
CN112149623B (zh) 一种自适应多传感器信息融合系统、方法及存储介质
CN115185649A (zh) 资源调度的方法、装置、设备及存储介质
CN114548229A (zh) 训练数据增广方法、装置、设备和存储介质
CN113343093A (zh) 基于人工智能的智慧在线服务信息推荐方法及云计算系统
CN112445933A (zh) 一种模型训练方法、装置、设备及存储介质
CN113407836A (zh) 应用于大数据的业务互动分析方法及业务互动服务器
CN115035349B (zh) 图数据的点表征学习方法、表征方法及其装置和存储介质
CN118070896B (zh) 基于知识图谱的信息处理方法及系统
CN112861951B (zh) 一种图像神经网络参数的确定方法及电子设备
CN113743488B (zh) 基于平行车联网的车辆监控方法、装置、设备及存储介质
CN116566846B (zh) 模型的管理方法、系统以及共享节点、网络节点
CN112148825B (zh) 用户轨迹数据的处理方法、装置、电子设备及存储介质
CN117609870B (zh) 结构识别模型训练、模型结构识别方法、设备及介质
CN110619047B (zh) 一种自然语言模型的构建方法、装置以及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231204

Address after: No. 88 Aowei Road South, Rongcheng County, Baoding City, Hebei Province, 071799

Patentee after: China Mobile xiongan information and Communication Technology Co.,Ltd.

Patentee after: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd.

Patentee after: China Mobile Information System Integration Co.,Ltd.

Address before: 071700 No.88, South Aowei Road, Rongcheng County, Baoding City, Hebei Province

Patentee before: China Mobile xiongan information and Communication Technology Co.,Ltd.

Patentee before: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd.

TR01 Transfer of patent right