CN111966455A - 有状态应用实例运维组件的生成方法、装置、设备及介质 - Google Patents
有状态应用实例运维组件的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111966455A CN111966455A CN202010776397.9A CN202010776397A CN111966455A CN 111966455 A CN111966455 A CN 111966455A CN 202010776397 A CN202010776397 A CN 202010776397A CN 111966455 A CN111966455 A CN 111966455A
- Authority
- CN
- China
- Prior art keywords
- data
- operator
- kubernetes
- kubernets
- generating
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000306 component Substances 0.000 description 23
- 238000010801 machine learning Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/33—Intelligent editors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45591—Monitoring or debugging support
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供了一种有状态应用实例运维组件的生成方法、装置、设备及介质，其中，该方法包括：获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；采用深度学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。该方案可以有利于提高效率，有利于提高构建的Kubernetes Operator的性能或准确性。
Description
技术领域
本发明涉及运维技术领域，特别涉及一种有状态应用实例运维组件的生成方法、装置、设备及介质。
背景技术
Kubernetes(简称k8s)作为一个跨主机集群的开源容器调度平台，提供了以容器为中心的基础架构并从2017年开始已经成为了容器编排领域的事实标准。
如图1所示，Kubernetes项目编排能力的核心在于其声明式API的设计和使用，通过对REST路径下API群组进行CRUD操作，可以获取和变更资源信息。Kubernetes中存在多种资源类型，如pods(最小的原子调度单位)、service(服务)、events(事件)等。通常情况下，大部分使用者只关心pod、service这种直接关乎服务运行成功与否的资源类型，而只有在集群发生异常或是服务部署发生异常，需要进行问题追踪时，才会关注集群运行信息。
目前针对集群内部运行信息的记录，主要通过events进行。Events包含了kubernetes运行过程中核心组件kubelet和ControllerManager(控制管理器)产生的信息，分析events包含信息和events变更历史可以有效追踪问题，从而有的放矢的解决问题。业内目前查看events主要通过kubectl(二进制可执行文件，通过访问kube-apiserver产生效果)命令进行，具体命令如kubectl get events和kubectl describe[resourceName]均可以或者events内容。现有方式为命令行级别操作，需要具备访问集群权限。要获取准确的events信息需要设置繁杂的参数做多条件匹配，且最终的查询结果显示不够友好。对于一些特定需求，如查询一个应用升级前后对应pod名字变化，需要多次查询人工匹配，且不容易进行操作常态化。
Kubernetes管理有状态应用的高可用、故障保障、持久化，仍然是一个困难的工作。Kubernetes 1.5版提供了StatefulSet来处理有状态应用，但实现和效果并不好。为了解决这个问题，Kubernetes 1.9+后，Kubernetes Operator出现了，它可以很好的解决有状态应用的高可用、故障保障、持久化。如图2所示，Kubernetes Operator是CoreOS推出的旨在简化复杂有状态应用管理的框架，它是一个感知应用状态的控制器，通过扩展Kubernetes API来自动创建、管理和配置应用实例。Kubernetes Operator基于CustomerResources Define扩展了新的应用资源，并通过控制器来保证应用处于预期状态。比如etcd operator通过下面的三个步骤模拟了管理etcd(一种分布式数据库)集群的行为：
1、通过KubernetesAPI观察集群的当前状态；
2、分析当前状态与期望状态的差别；
3、调用etcd集群管理API或KubernetesAPI消除这些差别。
但是编写一个Kubernetes Operator，需要把运维的经验沉淀为代码，实现运维的代码化、自动化、智能化。也就是说，运维人员构建一个应用的Kubernetes Operator，需要有丰富的运维经验，这些运维经验是运维人员的经验，但每个人都不是完美的，每个运维人员的运维经验是有限的，且越多的运维经验才能形成更好的Kubernetes Operator，因此，通过运维人员的经验来编写一个应用的Kubernetes Operator的方式存在效率低的问题，也使得影响构建的Kubernetes Operator的性能或准确性。
发明内容
本发明实施例提供了一种有状态应用实例的运维组件的生成方法，以解决现有技术中构建Kubernetes Operator时存在的效率低、构建的Kubernetes Operator性能或准确性差的技术问题。该方法包括：
获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；
采用深度学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括KubernetesOperator对象的全生命周期活动的抽象特征。
本发明实施例还提供了一种有状态应用实例的运维组件的生成方法，以解决现有技术中构建Kubernetes Operator时存在的效率低、构建的Kubernetes Operator性能或准确性差的技术问题。该装置包括：
数据获取模块，用于获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；
组件生成模块，用于采用深度学习算法分析所述学习数据，得到KubernetesOperator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的有状态应用实例的运维组件的生成方法，以解决现有技术中构建Kubernetes Operator时存在的效率低、构建的Kubernetes Operator性能或准确性差的技术问题。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的有状态应用实例的运维组件的生成方法的计算机程序，以解决现有技术中构建Kubernetes Operator时存在的效率低、构建的Kubernetes Operator性能或准确性差的技术问题。
在本发明实施例中，提出了通过深度学习算法来分析包括有包括KubernetesOperator的编写语法、应用状态的原理以及有状态应用实例的运维数据的学习数据，以得到包括有Kubernetes Operator对象的全生命周期活动的抽象特征的特征数据，进而根据特征数据生成Kubernetes Operator的软件包，即完成了有状态应用实例的运维组件Kubernetes Operator的生成。实现了通过深度学习算法来分析大量的学习数据的方式来自动构建Kubernetes Operator，与现有技术中运维人员根据运维经验来编写KubernetesOperator的方式相比，可以避免人工编写Kubernetes Operator，有利于提高效率，此外，通过对大量的学习数据的分析、学习可以避免个人经验的差距或局限性为KubernetesOperator的影响，有利于提高构建的Kubernetes Operator的性能或准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是现有技术中的一种Kubernetes的示意图；
图2是现有技术中的一种Kubernetes Operator的示意图；
图3是本发明实施例提供的一种有状态应用实例的运维组件的生成方法的流程图；
图4是本发明实施例提供的一种无监督学习算法的模型示意图；
图5是本发明实施例提供的一种高斯混合模型的示意图；
图6是本发明实施例提供的一种设备的结构框图；
图7是本发明实施例提供的一种有状态应用实例的运维组件的生成装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在本发明实施例中，提供了一种有状态应用实例的运维组件的生成方法，如图1所示，该方法包括：
步骤302：获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；
步骤304：采用深度学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。
由图3所示的流程可知，在本发明实施例中，提出了通过机器学习和深度学习算法来分析包括有包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据的学习数据，以得到包括有Kubernetes Operator对象的全生命周期活动的抽象特征的特征数据，进而根据特征数据生成Kubernetes Operator的软件包，即完成了有状态应用实例的运维组件Kubernetes Operator的生成。实现了通过机器学习和深度学习算法来分析大量的学习数据的方式来自动构建Kubernetes Operator，与现有技术中运维人员根据运维经验来编写Kubernetes Operator的方式相比，可以避免人工编写Kubernetes Operator，有利于提高效率，此外，通过对大量的学习数据的分析、学习可以避免个人经验的差距或局限性为Kubernetes Operator的影响，有利于提高构建的Kubernetes Operator的性能或准确性。
具体实施时，本申请发明人了解到，机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的、行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。
深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法。表示方法来自神经科学，并松散地创建在类似神经系统中的信息处理和对通信模式的理解上，如神经编码，试图定义拉动神经元的反应之间的关系以及大脑中的神经元的电活动之间的关系。
至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和递归神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
具体实施时，本申请发明人提出了通过深度学习算法分析所述学习数据，以得到Kubernetes Operator对象的特征数据，具体的，提出了采用无监督学习算法分析所述学习数据，来得到Kubernetes Operator对象的特征数据。
具体的，如图4所示，无监督学习算法autoencoder利用反向传播原理，让模型输出目标值等于运维数据输入值，其中，x表示输入数据，例如，可以是上述学习数据；Encoder g表示编码函数，即编码函数为g(·)；z表示输入特征经过encoder g编码后的抽象特征；Decoder f表示解码函数，即解码函数为f(·)；x′表示输出，x′是抽象特征z经过Decoder f解码后的特征，优化目标函数为f,g＝argminf,gL(x,f(g(x)))，用于计算预测值和实际值之间的最小值。由于AutoEncoder是基于DNN基础，又有activation function的存在，所以可以进行非线性变换，将上述学习数据中有价值的数据通过非线性变换降维，获得有价值的数据，进而得到Kubernetes Operator对象的特征数据，该Kubernetes Operator对象的特征数据可以Kubernetes Operator对象的全生命周期活动的抽象特征。
具体实施时，为了实现Kubernetes Operator运行异常时可以自动执行异常处理机制，在本实施例中，在得到Kubernetes Operator对象的特征数据的过程中，还可以将采用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator对象的特征数据输入高斯混合模型，所述高斯混合模型输出所述特征数据中各个特征的概率；进而根据概率的大小确定出表示Kubernetes Operator运行异常的抽象特征；再从所述特征数据中确定出表示Kubernetes Operator运行异常的抽象特征对应的异常处理抽象特征。KubernetesOperator对象以有状态应用实例为例，这样基于特征数据构建的Kubernetes Operator可以对有状态应用实例的全生命周期的活动进行运维，即使Kubernetes Operator的某一次运行为异常运行，也可以自动执行异常处理机制。
具体实施时，Kubernetes Operator对象的全生命周期活动可以包括创建、扩缩容、日志处理、监控指标以及异常处理。
具体实施时，无监督学习算法模型AutoEncoder输出的Kubernetes Operator对象所有的特征数据，作为GMM(GaussianMixture-basedModel，高斯混合模型)模型的输入，如图5所示，图5中左侧附图Original unclustereddata为未标注的原始样本，图5中右侧附图Clustereddata为聚类后样本，即高斯混合模型输出概率，概率可以决策KubernetesOperator的某次运行是否异常，例如，其中某个输出概率分布在预设区域，则可以认为Kubernetes Operator运行异常，进而可以自动执行异常处理机制。其中，GMM作为一种常见的聚类算法，可以被用来分离场景中前景和背景的，或者叫做背景扣除，那么什么叫做背景扣除(Background Subtraction)呢？监控系统中，通常都是利用静态相机来捕捉场景的，因此其中比较具有挑战的一步就是如何检测出场景中的突然闯入者，传统的应用中都会假设场景中没有这样的闯入者，而在实际监控场景中，这种情况却是实实在在存在发生的，所以我们不能忽略。对于闯入者的检测，如果我们知道一个场景的统计模型，那些不服从该模型分布的目标像素是不是就可以当做背景，这样的一个过程就叫做背景扣除。
具体的，GMM高斯概率模型原理如下：
高斯概率模型的概率分布模型如下：
其中，αk是系数，αk≥0，
φ(y|θk)是高斯分布密度，
称为第k个分模型，y是高斯分布的概率，μk是k个高斯分布的期望，σk是k个高斯分布的标准差，θk是每个子模型的期望、方差，在混合模型中发生的概率。
在本实施例中，提供了一种计算机设备，如图6所示，包括存储器602、处理器604及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的有状态应用实例的运维组件的生成方法。
具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的有状态应用实例的运维组件的生成方法的计算机程序。
具体的，计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
基于同一发明构思，本发明实施例中还提供了一种有状态应用实例的运维组件的生成装置，如下面的实施例所述。由于有状态应用实例的运维组件的生成装置解决问题的原理与有状态应用实例的运维组件的生成方法相似，因此有状态应用实例的运维组件的生成装置的实施可以参见有状态应用实例的运维组件的生成方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是本发明实施例的有状态应用实例的运维组件的生成装置的一种结构框图，如图7所示，该装置包括：
数据获取模块702，用于获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；
组件生成模块704，用于采用深度学习算法分析所述学习数据，得到KubernetesOperator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。
在一个实施例中，所述组件生成模块，包括：
学习单元，用于采用无监督学习算法分析所述学习数据，得到KubernetesOperator对象的特征数据。
在一个实施例中，所述学习单元，还用于将采用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator对象的特征数据输入高斯概率模型，所述高斯概率模型输出所述特征数据中各个特征的概率；根据概率的大小确定出表示KubernetesOperator运行异常的抽象特征；从所述特征数据中确定出表示Kubernetes Operator运行异常的抽象特征对应的异常处理抽象特征。
在一个实施例中，所述Kubernetes Operator对象的全生命周期活动包括创建、扩缩容、日志处理、监控指标以及异常处理。
本发明实施例实现了如下技术效果：提出了通过深度学习算法来分析包括有包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据的学习数据，以得到包括有Kubernetes Operator对象的全生命周期活动的抽象特征的特征数据，进而根据特征数据生成Kubernetes Operator的软件包，即完成了有状态应用实例的运维组件Kubernetes Operator的生成。实现了通过深度学习算法来分析大量的学习数据的方式来自动构建Kubernetes Operator，与现有技术中运维人员根据运维经验来编写Kubernetes Operator的方式相比，可以避免人工编写Kubernetes Operator，有利于提高效率，此外，通过对大量的学习数据的分析、学习可以避免个人经验的差距或局限性为Kubernetes Operator的影响，有利于提高构建的Kubernetes Operator的性能或准确性。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种有状态应用实例的运维组件的生成方法，其特征在于，包括：
获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；
采用深度学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括KubernetesOperator对象的全生命周期活动的抽象特征。
2.如权利要求1所述的有状态应用实例的运维组件的生成方法，其特征在于，采用深度学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，包括：
采用无监督学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据。
3.如权利要求2所述的有状态应用实例的运维组件的生成方法，其特征在于，采用无监督学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，包括：
将采用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator对象的特征数据输入高斯混合模型，所述高斯混合模型输出所述特征数据中各个特征的概率；
根据概率的大小确定出表示Kubernetes Operator运行异常的抽象特征；
从所述特征数据中确定出表示Kubernetes Operator运行异常的抽象特征对应的异常处理抽象特征。
4.如权利要求1至3中任一项所述的有状态应用实例的运维组件的生成方法，其特征在于，所述Kubernetes Operator对象的全生命周期活动包括创建、扩缩容、日志处理、监控指标以及异常处理。
5.一种有状态应用实例的运维组件的生成装置，其特征在于，包括：
数据获取模块，用于获取学习数据，所述学习数据包括Kubernetes Operator的编写语法、应用状态的原理以及有状态应用实例的运维数据；
组件生成模块，用于采用深度学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据，根据所述特征数据生成Kubernetes Operator的软件包，所述特征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。
6.如权利要求5所述的有状态应用实例的运维组件的生成装置，其特征在于，所述组件生成模块，包括：
学习单元，用于采用无监督学习算法分析所述学习数据，得到Kubernetes Operator对象的特征数据。
7.如权利要求6所述的有状态应用实例的运维组件的生成装置，其特征在于，所述学习单元，还用于将采用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator对象的特征数据输入高斯概率模型，所述高斯概率模型输出所述特征数据中各个特征的概率；根据概率的大小确定出表示Kubernetes Operator运行异常的抽象特征；从所述特征数据中确定出表示Kubernetes Operator运行异常的抽象特征对应的异常处理抽象特征。
8.如权利要求5至7中任一项所述的有状态应用实例的运维组件的生成装置，其特征在于，所述Kubernetes Operator对象的全生命周期活动包括创建、扩缩容、日志处理、监控指标以及异常处理。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的有状态应用实例的运维组件的生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4中任一项所述的有状态应用实例的运维组件的生成方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010776397.9A CN111966455A (zh) | 2020-08-05 | 2020-08-05 | 有状态应用实例运维组件的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010776397.9A CN111966455A (zh) | 2020-08-05 | 2020-08-05 | 有状态应用实例运维组件的生成方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111966455A true CN111966455A (zh) | 2020-11-20 |
Family
ID=73363912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010776397.9A Pending CN111966455A (zh) | 2020-08-05 | 2020-08-05 | 有状态应用实例运维组件的生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111966455A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11693649B2 (en) | 2021-04-06 | 2023-07-04 | International Business Machines Corporation | Autonomous Kubernetes operator creation and management |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045503A (zh) * | 2016-02-05 | 2017-08-15 | 华为技术有限公司 | 一种特征集确定的方法及装置 |
| KR20200027783A (ko) * | 2018-09-05 | 2020-03-13 | 주식회사 나눔기술 | 분산 지능모듈의 통합관리 시스템 |
| CN110909302A (zh) * | 2019-11-01 | 2020-03-24 | 中国电力科学研究院有限公司 | 交直流电网运行状态参数局部扰动特征学习方法及系统 |
| CN111026653A (zh) * | 2019-09-16 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 异常程序行为检测方法、装置、电子设备和存储介质 |
| CN111190875A (zh) * | 2019-12-27 | 2020-05-22 | 航天信息股份有限公司 | 基于容器平台的日志聚合方法及装置 |
| CN111222981A (zh) * | 2020-01-16 | 2020-06-02 | 中国建设银行股份有限公司 | 可信度确定方法、装置、设备和存储介质 |
-
2020
- 2020-08-05 CN CN202010776397.9A patent/CN111966455A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045503A (zh) * | 2016-02-05 | 2017-08-15 | 华为技术有限公司 | 一种特征集确定的方法及装置 |
| KR20200027783A (ko) * | 2018-09-05 | 2020-03-13 | 주식회사 나눔기술 | 분산 지능모듈의 통합관리 시스템 |
| CN111026653A (zh) * | 2019-09-16 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 异常程序行为检测方法、装置、电子设备和存储介质 |
| CN110909302A (zh) * | 2019-11-01 | 2020-03-24 | 中国电力科学研究院有限公司 | 交直流电网运行状态参数局部扰动特征学习方法及系统 |
| CN111190875A (zh) * | 2019-12-27 | 2020-05-22 | 航天信息股份有限公司 | 基于容器平台的日志聚合方法及装置 |
| CN111222981A (zh) * | 2020-01-16 | 2020-06-02 | 中国建设银行股份有限公司 | 可信度确定方法、装置、设备和存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11693649B2 (en) | 2021-04-06 | 2023-07-04 | International Business Machines Corporation | Autonomous Kubernetes operator creation and management |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Das et al. | Opportunities and challenges in explainable artificial intelligence (xai): A survey | |
| Guo et al. | Unsupervised anomaly detection in IoT systems for smart cities | |
| CN107730040B (zh) | 基于rbm的电力信息系统日志信息综合特征提取方法和装置 | |
| Fernando et al. | Exploiting human social cognition for the detection of fake and fraudulent faces via memory networks | |
| Nida et al. | Instructor activity recognition through deep spatiotemporal features and feedforward extreme learning machines | |
| US9436912B1 (en) | Symmetric schema instantiation method for use in a case-based reasoning system | |
| CN116662817B (zh) | 物联网设备的资产识别方法及系统 | |
| Hu et al. | Deep health indicator extraction: A method based on auto-encoders and extreme learning machines | |
| KR20210066534A (ko) | 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법 | |
| Wadekar et al. | Hybrid CAE-VAE for unsupervised anomaly detection in log file systems | |
| Grover | Anomaly detection for application log data | |
| KR102352954B1 (ko) | 예측 자동 회귀 기반 실시간 기업정보시스템 사용자 이상행위 탐지 시스템 및 방법 | |
| US20220207353A1 (en) | Methods and systems for generating recommendations for counterfactual explanations of computer alerts that are automatically detected by a machine learning algorithm | |
| CN111966455A (zh) | 有状态应用实例运维组件的生成方法、装置、设备及介质 | |
| Friedman et al. | Interpretability illusions in the generalization of simplified models | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
| Yang et al. | [Retracted] Tackling Explicit Material from Online Video Conferencing Software for Education Using Deep Attention Neural Architectures | |
| Vavra et al. | Optimization of the novelty detection model based on LSTM autoencoder for ICS environment | |
| US20240062064A1 (en) | Artificial Intelligence Computing Systems for Efficiently Learning Underlying Features of Data | |
| Teterwak | Shared roots: Regularizing deep neural networks through multitask learning | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| CN116708313B (zh) | 流量检测方法、流量检测装置、存储介质和电子设备 | |
| CN116720628B (zh) | 系统投产变更预测方法、装置、设备及存储介质 | |
| US20240232295A9 (en) | Method, electronic device, and computer program product for detecting model performance | |
| US20240134937A1 (en) | Method, electronic device, and computer program product for detecting model performance |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220907 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |