CN112783729A - 一种针对灰度发布的异常处理方法及异常处理装置 - Google Patents

一种针对灰度发布的异常处理方法及异常处理装置 Download PDF

Info

Publication number
CN112783729A
CN112783729A CN202110124413.0A CN202110124413A CN112783729A CN 112783729 A CN112783729 A CN 112783729A CN 202110124413 A CN202110124413 A CN 202110124413A CN 112783729 A CN112783729 A CN 112783729A
Authority
CN
China
Prior art keywords
servers
abnormal
historical
service
prediction
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
Application number
CN202110124413.0A
Other languages
English (en)
Inventor
占渊
王一涵
屈乾松
鲁家宁
曹晓龙
姚宏武
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110124413.0A priority Critical patent/CN112783729A/zh
Publication of CN112783729A publication Critical patent/CN112783729A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • 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
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本说明书公开了一种针对灰度发布的异常处理方法及异常处理装置，灰度发布平台可以接收终端发送的业务异常指令，并根据该业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，其中，异常服务器为当前灰度发布所涉及的服务器。而后，服务平台可以获取历史请求数量，并将历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量，以及根据该服务器数量，该异常服务器的数量以及该正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器。最后，暂停确定出的至少部分异常服务器的业务执行，并对至少部分异常服务器进行回滚,从而提高回滚效率。

Description

一种针对灰度发布的异常处理方法及异常处理装置
技术领域
本说明书涉及计算机技术领域，尤其涉及一种针对灰度发布的异常处理方法及异常处理装置。
背景技术
当前，人们可以在线上体验各种各样的业务，而这些都依赖于构建出的各种各样的服务平台，为了用户能够有更好的业务体验，服务平台的开发人员可以对业务进行版本更新。
在实际应用中，可以通过灰度发布的方式进行版本更新，即，对于一项业务来说，开发人员可以从该业务对应的各服务器中选取部分服务器进行版本更新，若未出现问题，则可以逐步增加服务器进行版本更新，直到全部服务器均完成版本更新。但实际中更新版本后可能会出现一些问题，这种情况下可以将更新了版本后的服务器称之为异常服务器，业务平台可以使异常服务器暂停执行业务并将异常服务器回滚到前一版本，从而在线上尽快向用户提供正确的服务。
服务器进行回滚时无法为用户执行业务，为了保证剩余运行的服务器能够承载线上用户所发送的请求，往往不能将全部异常服务器均暂停执行业务并进行回滚，因此，在现有技术中，可以人工选取出部分异常服务器暂停执行业务并进行回滚，但这种方式效率较低。
因此，如何提高回滚效率，则是一个亟待解决的问题。
发明内容
本说明书提供一种针对灰度发布的异常处理方法及异常处理装置，以部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种针对灰度发布的异常处理方法，包括：
接收终端发送的业务异常指令；
根据所述业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，所述异常服务器为当前灰度发布所涉及的服务器；
获取历史请求数量，并将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量；
根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器；
暂停所述至少部分异常服务器的业务执行，并对所述至少部分异常服务器进行回滚。
可选地，所述预测模型包括第一预测子模型和第二预测子模型；
将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量，具体包括：
将所述历史请求数量输入到所述预测模型中包含的第一预测子模型，得到预测出当前的请求数量，作为预测请求数量；
将所述预测请求数量输入到所述预测模型中包含的第二预测子模型，以预测出当前所需的服务器数量。
可选地，根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器，具体包括：
若确定所述正常服务器的数量小于所述服务器数量，根据所述服务器数量与所述正常服务器的数量之间的差值，从所述异常服务器中确定需要暂停业务执行的至少部分异常服务器。
可选地，根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器，具体包括：
若确定所述正常服务器的数量不小于所述服务器数量，确定需要暂停全部异常服务器的业务执行。
可选地，所述方法还包括：
在所述至少部分异常服务器完成回滚后，将所述至少部分异常服务器作为正常服务器，并对除所述至少部分异常服务器以外的剩余异常服务器进行回滚。
可选地，对所述至少部分异常服务器进行回滚，具体包括：
将所述预测请求数量和/或所述服务器数量作为反馈信息返回给所述终端，以使所述终端将所述反馈信息进行展示；
若接收到所述终端返回的回滚确认指令，对所述至少部分异常服务器进行回滚，所述回滚确认指令是所述终端在确认所述反馈信息无误后发送的。
可选地，训练所述预测模型，具体包括：
获取第一训练样本以及第二训练样本，其中，所述第一训练样本中包含的历史请求数量所对应的历史业务周期，作为第一历史业务周期，所述第二训练样本中包含的历史请求数量对应的历史业务周期，作为第二历史业务周期，所述第一历史业务周期为所述第二历史业务周期的上一历史业务周期；
将所述第一训练样本中包含的历史请求数量输入到所述预测模型中包含的第一预测子模型中，预测所述第二历史业务周期对应的请求数量，作为预测历史请求数量；
以最小化所述预测历史请求数量与所述第二训练样本中包含的历史请求数量之间的偏差为优化目标，对所述第一预测子模型进行训练。
可选地，训练所述预测模型，具体包括：
获取第三训练样本，所述第三训练样本中包含历史请求数量以及标注数据，所述标注数据为处理所述第三训练样本中包含的历史请求数量所需的实际服务器数量；
将所述第三训练样本中包含的历史请求数量输入到所述预测模型中包含的第二预测子模型中，得到处理所述第三训练样本中包含的历史请求数量所需的预测服务器数量；
以最小化所述预测服务器数量与所述实际服务器数量之间的偏差为优化目标，对所述第二预测子模型进行训练。
本说明书提供了一种针对灰度发布的异常处理装置，包括：
接收模块，用于接收终端发送的业务异常指令；
数量确定模块，用于根据所述业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，所述异常服务器为当前灰度发布所涉及的服务器；
预测模块，用于获取历史请求数量，并将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量；
服务器确定模块，用于根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器；
回滚模块，用于暂停所述至少部分异常服务器的业务执行，并对所述至少部分异常服务器进行回滚。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述针对灰度发布的异常处理方法。
本说明书提供了一种电子设备，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程序时实现上述针对灰度发布的异常处理方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的针对灰度发布的异常处理方法中，灰度发布平台可以接收终端发送的业务异常指令，并根据该业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，其中，异常服务器为当前灰度发布所涉及的服务器。而后，服务平台可以获取历史请求数量，并将历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量，以及根据该服务器数量，该异常服务器的数量以及该正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器。最后，暂停确定出的至少部分异常服务器的业务执行，并对至少部分异常服务器进行回滚。
从上述方法中可以看出，在本方法中服务平台可以预测出当前需要的服务器的数量，从而确定能够暂停业务执行的异常服务器，并自动地暂停这些异常服务器的业务执行并对这些异常服务器进行回滚，相比于现有技术中人工确定能够回滚的异常服务器的方式，能够提高回滚效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种针对灰度发布的异常处理方法的流程示意图；
图2为本说明书提供的一种终端与灰度发布平台进行交互的示意图；
图3为本说明书中一种针对灰度发布的异常处理装置的示意图；
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
在现有技术中，人工选择暂停执行业务的异常服务器并将这些异常服务器进行回滚的方式，可能会选取出太多异常服务器进行回滚，若是正常服务器的数量较少，则剩余仍在进行业务执行的服务器可能会太少，难以承载线上各用户所发送的请求，导致剩余的这些服务器出现问题。而通过本方法，可以通过预测模型准确预测出当前需要的服务器数量，以确定出当前合理的能够进行回滚的异常服务器的数量，从而能够在一定程度上减少，出现剩余执行业务的服务器难易承载线上用户发送的请求的现象。
图1为本说明书中一种针对灰度发布的异常处理方法的流程示意图，具体包括以下步骤：
S101：接收终端发送的业务异常指令。
S102：根据所述业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，所述异常服务器为当前灰度发布所涉及的服务器。
在实际应用中，灰度发布平台可以通过灰度发布的方式对各业务进行版本更新，版本更新后线上可能会出现一些问题，如，跳转链接错误等，当出现这种情况，灰度发布平台需要将对更新了版本后的服务器进行回滚，回到未更新前的版本。
基于此，当线上出现问题时，工作人员可以通过终端向灰度发布平台发送业务异常指令，灰度发布平台接收到该业务异常指令后，可以根据该业务异常指令确定当前异常服务器的数量以及当前正常服务器的数量，其中，异常服务器为当前灰度发布所涉及的服务器，也就是说，异常服务器是当前灰度发布后进行了版本更新的服务器，而正常服务器是当前灰度发布后未进行版本更新的服务器。这里提到的终端可以是指笔记本电脑、台式电脑等设备。
上述提到的业务异常指令用于通知灰度发布平台当前线上出现了问题，灰度发布平台可以通过该业务异常指令确定是哪项业务在进行灰度发布后出现了问题，并确定出当前该业务下异常服务器的数量以及正常服务器的数量。
S103：获取历史请求数量，并将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量。
灰度发布平台确定出当前正常服务器的数量以及当前异常服务器的数量后，可以获取历史请求数量，并将该历史请求数量输入到预先训练的预测模型中，预测出当前所需的服务器数量。
也就是说，灰度发布平台可以通过历史上接收到的请求数量，来预测当前所需的服务器数量，其中，灰度发布平台需要通过历史上同时段接收到的历史请求数量，来预测出当前所需的服务器数量。例如，若当前为15点，则可以通过昨天、前天或是更早日期中15点到16点(或15点到15点30分等，人为设定时间段即可)内接收的请求数量，来预测当前所需的服务器数量。
在本说明书中，灰度发布平台可以直接通过获取历史请求数量，来预测当前所需的服务器数量，即，直接通过预测模型来确定出能够承载这些历史请求数量的服务器数量。例如，依然假设当前为15点，灰度发布平台可以确定出前一周内15点到16点内平均每天接收到的历史请求数量，再直接预测出能够承载这些历史请求数量的服务器的数量，作为当前所需的服务器数量。
当然，除上述方式外，灰度发布平台也可以通过预测模型先预测出当前将要接收到多少请求，再根据预测出的请求数量，来确定当前所需的服务器数量。具体的，预测模型可以包括第一预测子模型以及第二预测子模型，灰度发布平台可以将历史请求数量输入到预测模型中包含的第一预测子模型，得到预测出的当前的请求数量，作为预测请求数量，并将该预测请求数量输入到预测模型中包含的第二预测子模型，以预测出当前所需的服务器数量。
第一预测子模型与第二预测子模型需要预先进行有监督训练。具体的，在训练第一预测子模型时需要先获取到第一训练样本以及第二训练样本，其中，第一训练样本中包含的历史请求数量所对应的历史业务周期，作为第一历史业务周期，第二训练样本中包含的历史请求数量对应的历史业务周期，作为第二历史业务周期，第一历史业务周期为第二历史业务周期的上一历史业务周期，将第一训练样本中包含的历史请求数量输入到预测模型中包含的第一预测子模型中，预测第二历史业务周期对应的请求数量，作为预测历史请求数量，以最小化预测历史请求数量与第二训练样本中包含的历史请求数量之间的偏差为优化目标，对第一预测子模型进行训练。
每个业务周期的时长可以根据实际需求进行设定，例如，业务周期可以是一天内的15点到16点，若第二历史业务周期为1月2号15点到16点，则第一历史业务周期是1月1号15点到16点。当然，第一历史业务周期除了可以是第二历史业务周期的上一历史业务周期，也可以是在第二历史业务周期的连续n个历史业务周期，n为整数。
在训练第二预测子模型时，需要获取第三训练样本，该第三训练样本中包含历史请求数量以及标注数据，标注数据为处理第三训练样本中包含的历史请求数量所需的实际服务器数量。将第三训练样本中包含的历史请求数量输入到预测模型中包含的第二预测子模型中，可以得到处理第三训练样本中包含的历史请求数量所需的预测服务器数量，以最小化预测服务器数量与实际服务器数量之间的偏差为优化目标，对第二预测子模型进行训练。其中，获取第三训练样本的方式可以有多种，第三训练样本中包含的标注数据和历史请求数量可以通过对服务器进行压力测试得到，也可以通过接收用户请求数量较多的时间段中，执行业务的服务器数量以及该时间段内接收到的请求数量来确定。
其中，第一预测子模型可以是长短期记忆网络(Long Short-Term Memory，LSTM)，第二预测子模型可以是LSTM以及卷积神经网络(Convolutional Neural Networks，CNN)的结合，当然，也可以通过其他机器学习算法来构建第一预测子模型以及第二预测子模型，在此就不再进行赘述了。需要说明的是，若预测模型直接通过历史请求数量，来预测当前所需的服务器的数量，不需要在中间预测出当前将接收到的请求数量，则对该预测模型的训练方式与上述第二预测子模型的训练方式相同，在此就不再进行赘述了。
S104：根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器。
灰度发布平台预测出当前所需的服务器数量后，可以根据该服务器数量，异常服务器的数量以及正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器。由于在后续将有部分服务器暂停业务执行，需要使剩余仍在执行业务的服务器能够承载将要接收到的用户请求，因此，灰度发布平台应使剩余仍在执行业务的服务器的数量满足确定出的当前所需的服务器数量。
具体的，若灰度发布平台确定正常服务器的数量小于当前所需的服务器数量，可以根据当前所需的服务器数量与正常服务器的数量之间的差值，从异常服务器中确定需要暂停业务执行的至少部分异常服务器。也就是说，灰度发布平台需要从异常服务器中选取出，数量为上述差值的异常服务器，作为继续进行业务执行的异常服务器，使剩余数量的异常服务器暂停业务执行。灰度发布平台从各异常服务器选取暂停业务执行的异常服务器的方式可以有多种。例如，灰度发布平台可以随机从各异常服务器中选取出暂停业务执行的异常服务器。再例如，灰度发布平台可以选取出接收用户请求较多的异常服务器，作为暂停业务执行的异常服务器。
若灰度发布平台确定正常服务器的数量不小于当前所需的服务器数量，则可以确定需要暂停全部异常服务器的业务执行。也就是说，灰度发布平台可以根据确定出的异常服务器的数量，暂停这一数量的异常服务器并将这些异常服务器进行回滚。
S105：暂停所述至少部分异常服务器的业务执行，并对所述至少部分异常服务器进行回滚。
灰度发布平台确定出需要将哪些异常服务器暂停业务执行，可以将这些异常服务器暂停业务执行，并将这些异常服务器进行回滚，即，将这些异常服务器回滚到灰度发布前的版本。
灰度发布平台对这些异常服务器进行回滚前，可以将预测请求数量和/或当前所需的服务器数量作为反馈信息返回给终端，使终端将反馈信息展示给工作人员，工作人员可以通过终端向灰度发布平台返回回滚确认指令，灰度发布平台接收到该回滚确认指令后，可以对确定出的至少部分异常服务器进行回滚。其中，该回滚确认指令是确认反馈信息无误后终端向灰度发布平台发送的，如图2所示。
图2为本说明书提供的一种终端与灰度发布平台进行交互的示意图。
在图2中，灰度发布平台可以通过预测平台预测当前将接收的预测请求数量，以及当前所需的服务器数量，终端向灰度发布平台发送业务异常指令后，灰度发布平台可以通知预测平台业务异常，预测平台随即可以对预测请求数量以及当前所需的服务器数量进行预测，并返回给灰度发布平台。灰度发布平台可以将这些信息作为反馈信息返回给终端，使终端展示给工作人员，工作人员查看后若确定没有问题，则可以通过终端将返回回滚确认指令，这样能够在一定程度上保证进行回滚的异常服务器的数量的合理性。
需要说明的是，若确定出的需要暂停业务执行并进行回滚的至少部分异常服务器不是全部异常服务器，则至少部分异常服务器完成回滚后，灰度发布平台可以将这些异常服务器作为正常服务器，这些异常服务器可以用于执行业务，而后将除这些异常服务器以外的剩余异常服务器进行回滚，这样一来，在所有异常服务器回滚完成后均可以用于执行业务。
从上述方法中可以看出，灰度发布平台可以在接收终端发送的业务异常指令后，确定当前异常服务器的数量以及当前正常服务器的数量，并获取历史请求数量，并将历史请求数量输入到预先训练的预测模型中，预测出当前所需的服务器数量，以及根据该服务器数量，该异常服务器的数量以及该正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器。最后，暂停确定出的至少部分异常服务器的业务执行，并对至少部分异常服务器进行回滚。通过这种方式，不但能够提高回滚效率，还可以使确定出的所需的服务器数量较为合理，在一定程度上降低出现剩余进行业务执行的服务器无法承载用户发送的请求这种情况的概率。
以上为本说明书的一个或多个实施例提供的针对灰度发布的异常处理方法，基于同样的思路，本说明书还提供了相应的针对灰度发布的异常处理装置，如图3所示。
图3为本说明书提供的一种针对灰度发布的异常处理装置的示意图，具体包括：
接收模块301，用于接收终端发送的业务异常指令；
数量确定模块302，用于根据所述业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，所述异常服务器为当前灰度发布所涉及的服务器；
预测模块303，用于获取历史请求数量，并将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量；
服务器确定模块304，用于根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器；
回滚模块305，用于暂停所述至少部分异常服务器的业务执行，并对所述至少部分异常服务器进行回滚。
可选地，所述预测模型包括第一预测子模型和第二预测子模型；
所述预测模块303具体用于，将所述历史请求数量输入到所述预测模型中包含的第一预测子模型，得到预测出当前的请求数量，作为预测请求数量；将所述预测请求数量输入到所述预测模型中包含的第二预测子模型，以预测出当前所需的服务器数量。
可选地，所述服务器确定模块304具体用于，若确定所述正常服务器的数量小于所述服务器数量，根据所述服务器数量与所述正常服务器的数量之间的差值，从所述异常服务器中确定需要暂停业务执行的至少部分异常服务器。
可选地，所述服务器确定模块304具体用于，若确定所述正常服务器的数量不小于所述服务器数量，确定需要暂停全部异常服务器的业务执行。
可选地，所述回滚模块305还用于，在所述至少部分异常服务器完成回滚后，将所述至少部分异常服务器作为正常服务器，并对除所述至少部分异常服务器以外的剩余异常服务器进行回滚。
可选地，所述回滚模块305具体用于，将所述预测请求数量和/或所述服务器数量作为反馈信息返回给所述终端，以使所述终端将所述反馈信息进行展示；若接收到所述终端返回的回滚确认指令，对所述至少部分异常服务器进行回滚，所述回滚确认指令是所述终端在确认所述反馈信息无误后发送的。
可选地，所述装置还包括：
训练模块306，用于获取第一训练样本以及第二训练样本，其中，所述第一训练样本中包含的历史请求数量所对应的历史业务周期，作为第一历史业务周期，所述第二训练样本中包含的历史请求数量对应的历史业务周期，作为第二历史业务周期，所述第一历史业务周期为所述第二历史业务周期的上一历史业务周期；将所述第一训练样本中包含的历史请求数量输入到所述预测模型中包含的第一预测子模型中，预测所述第二历史业务周期对应的请求数量，作为预测历史请求数量；以最小化所述预测历史请求数量与所述第二训练样本中包含的历史请求数量之间的偏差为优化目标，对所述第一预测子模型进行训练。
可选地，所述训练模块306具体用于，获取第三训练样本，所述第三训练样本中包含历史请求数量以及标注数据，所述标注数据为处理所述第三训练样本中包含的历史请求数量所需的实际服务器数量；将所述第三训练样本中包含的历史请求数量输入到所述预测模型中包含的第二预测子模型中，得到处理所述第三训练样本中包含的历史请求数量所需的预测服务器数量；以最小化所述预测服务器数量与所述实际服务器数量之间的偏差为优化目标，对所述第二预测子模型进行训练。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的针对灰度发布的异常处理方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的针对灰度发布的异常处理方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读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。计算机的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，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种针对灰度发布的异常处理方法，其特征在于，包括：
接收终端发送的业务异常指令；
根据所述业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，所述异常服务器为当前灰度发布所涉及的服务器；
获取历史请求数量，并将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量；
根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器；
暂停所述至少部分异常服务器的业务执行，并对所述至少部分异常服务器进行回滚。
2.如权利要求1所述的方法，其特征在于，所述预测模型包括第一预测子模型和第二预测子模型；
将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量，具体包括：
将所述历史请求数量输入到所述预测模型中包含的第一预测子模型，得到预测出当前的请求数量，作为预测请求数量；
将所述预测请求数量输入到所述预测模型中包含的第二预测子模型，以预测出当前所需的服务器数量。
3.如权利要求1所述的方法，其特征在于，根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器，具体包括：
若确定所述正常服务器的数量小于所述服务器数量，根据所述服务器数量与所述正常服务器的数量之间的差值，从所述异常服务器中确定需要暂停业务执行的至少部分异常服务器。
4.如权利要求1所述的方法，其特征在于，根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器，具体包括：
若确定所述正常服务器的数量不小于所述服务器数量，确定需要暂停全部异常服务器的业务执行。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
在所述至少部分异常服务器完成回滚后，将所述至少部分异常服务器作为正常服务器，并对除所述至少部分异常服务器以外的剩余异常服务器进行回滚。
6.如权利要求2所述的方法，其特征在于，对所述至少部分异常服务器进行回滚，具体包括：
将所述预测请求数量和/或所述服务器数量作为反馈信息返回给所述终端，以使所述终端将所述反馈信息进行展示；
若接收到所述终端返回的回滚确认指令，对所述至少部分异常服务器进行回滚，所述回滚确认指令是所述终端在确认所述反馈信息无误后发送的。
7.如权利要求2所述的方法，其特征在于，训练所述预测模型，具体包括：
获取第一训练样本以及第二训练样本，其中，所述第一训练样本中包含的历史请求数量所对应的历史业务周期，作为第一历史业务周期，所述第二训练样本中包含的历史请求数量对应的历史业务周期，作为第二历史业务周期，所述第一历史业务周期为所述第二历史业务周期的上一历史业务周期；
将所述第一训练样本中包含的历史请求数量输入到所述预测模型中包含的第一预测子模型中，预测所述第二历史业务周期对应的请求数量，作为预测历史请求数量；
以最小化所述预测历史请求数量与所述第二训练样本中包含的历史请求数量之间的偏差为优化目标，对所述第一预测子模型进行训练。
8.如权利要求2所述的方法，其特征在于，训练所述预测模型，具体包括：
获取第三训练样本，所述第三训练样本中包含历史请求数量以及标注数据，所述标注数据为处理所述第三训练样本中包含的历史请求数量所需的实际服务器数量；
将所述第三训练样本中包含的历史请求数量输入到所述预测模型中包含的第二预测子模型中，得到处理所述第三训练样本中包含的历史请求数量所需的预测服务器数量；
以最小化所述预测服务器数量与所述实际服务器数量之间的偏差为优化目标，对所述第二预测子模型进行训练。
9.一种针对灰度发布的异常处理装置，其特征在于，包括：
接收模块，用于接收终端发送的业务异常指令；
数量确定模块，用于根据所述业务异常指令，确定当前异常服务器的数量以及当前正常服务器的数量，所述异常服务器为当前灰度发布所涉及的服务器；
预测模块，用于获取历史请求数量，并将所述历史请求数量输入到预先训练的预测模型中，以预测出当前所需的服务器数量；
服务器确定模块，用于根据所述服务器数量，所述异常服务器的数量以及所述正常服务器的数量，确定需要暂停业务执行的至少部分异常服务器；
回滚模块，用于暂停所述至少部分异常服务器的业务执行，并对所述至少部分异常服务器进行回滚。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。
11.一种电子设备，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程序时实现上述权利要求1～8任一项所述的方法。
CN202110124413.0A 2021-01-29 2021-01-29 一种针对灰度发布的异常处理方法及异常处理装置 Pending CN112783729A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110124413.0A CN112783729A (zh) 2021-01-29 2021-01-29 一种针对灰度发布的异常处理方法及异常处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110124413.0A CN112783729A (zh) 2021-01-29 2021-01-29 一种针对灰度发布的异常处理方法及异常处理装置

Publications (1)

Publication Number Publication Date
CN112783729A true CN112783729A (zh) 2021-05-11

Family

ID=75759676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110124413.0A Pending CN112783729A (zh) 2021-01-29 2021-01-29 一种针对灰度发布的异常处理方法及异常处理装置

Country Status (1)

Country Link
CN (1) CN112783729A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158911A (zh) * 2014-09-01 2014-11-19 青岛海信电器股份有限公司 一种面向服务器集群的控制方法及系统
CN110049073A (zh) * 2018-01-15 2019-07-23 华为技术有限公司 软件升级方法及系统
CN110162382A (zh) * 2019-04-09 2019-08-23 平安科技（深圳）有限公司 基于容器的灰度发布方法、装置、计算机设备及存储介质
CN111078258A (zh) * 2019-12-20 2020-04-28 深圳前海微众银行股份有限公司 一种版本升级方法及装置
CN111104260A (zh) * 2019-12-30 2020-05-05 北京三快在线科技有限公司 服务升级的监测方法、装置、服务器及存储介质
CN111491006A (zh) * 2020-03-03 2020-08-04 天津大学 负载感知的云计算资源弹性分配系统及方法
CN111897658A (zh) * 2020-08-26 2020-11-06 中国工商银行股份有限公司 一种基于函数计算节点的云计算系统扩容方法及装置
CN112130892A (zh) * 2020-09-23 2020-12-25 平安科技（深圳）有限公司 产品灰度发布方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158911A (zh) * 2014-09-01 2014-11-19 青岛海信电器股份有限公司 一种面向服务器集群的控制方法及系统
CN110049073A (zh) * 2018-01-15 2019-07-23 华为技术有限公司 软件升级方法及系统
CN110162382A (zh) * 2019-04-09 2019-08-23 平安科技（深圳）有限公司 基于容器的灰度发布方法、装置、计算机设备及存储介质
CN111078258A (zh) * 2019-12-20 2020-04-28 深圳前海微众银行股份有限公司 一种版本升级方法及装置
CN111104260A (zh) * 2019-12-30 2020-05-05 北京三快在线科技有限公司 服务升级的监测方法、装置、服务器及存储介质
CN111491006A (zh) * 2020-03-03 2020-08-04 天津大学 负载感知的云计算资源弹性分配系统及方法
CN111897658A (zh) * 2020-08-26 2020-11-06 中国工商银行股份有限公司 一种基于函数计算节点的云计算系统扩容方法及装置
CN112130892A (zh) * 2020-09-23 2020-12-25 平安科技（深圳）有限公司 产品灰度发布方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
EP3117395B1 (en) Analytics-based update of digital content
CN113643119A (zh) 一种模型训练的方法、业务风控的方法及装置
CN107066518B (zh) 数据处理方法及系统
CN110263050B (zh) 数据处理方法、装置、设备及存储介质
CN108320071B (zh) 一种业务风险管理方法、装置及设备
CN111880990B (zh) 一种异常处理方法及装置
CN111783018A (zh) 一种页面处理方法、装置及设备
CN111273965B (zh) 一种容器应用启动方法、系统、装置及电子设备
CN115238826A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116521350B (zh) 基于深度学习算法的etl调度方法及装置
CN112783729A (zh) 一种针对灰度发布的异常处理方法及异常处理装置
CN112000443A (zh) 一种业务数据处理方法、装置及电子设备
CN114119139A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN109903165B (zh) 一种模型合并方法和装置
CN114120273A (zh) 一种模型训练的方法及装置
CN112862133A (zh) 订单处理的方法、装置、可读存储介质及电子设备
CN113010564B (zh) 一种模型训练和信息推荐的方法及装置
CN111967769A (zh) 一种风险识别方法、装置、设备及介质
CN110764893A (zh) 一种识别任务链路中无效计算的方法、系统及设备
CN113342405B (zh) 一种服务恢复的方法、装置以及设备
CN109271269A (zh) 一种应用闪退的处理方法、装置及设备
US11915003B2 (en) Process parasitism-based branch prediction method and device for serverless computing, electronic device, and non-transitory readable storage medium
KR102618335B1 (ko) 머신러닝 기반 챗봇에 대한 학습 데이터를 생성하기 위한 장치, 방법, 시스템 및 컴퓨터 판독가능 저장 매체
CN111143746A (zh) 一种灰度任务的发布方法、装置及设备
CN112579894A (zh) 一种信息推荐的方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210511

WD01 Invention patent application deemed withdrawn after publication