CN112910708A - 分布式服务调用方法及装置 - Google Patents

Abstract

本发明提供了一种分布式服务调用方法及装置，涉及人工智能领域，其中方法包括：采集分布式服务各节点的全量信息；根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；根据确定的部署架构信息进行分布式服务调用。通过采集分布式服务各节点的全量信息；根据服务信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；根据确定的部署架构信息进行分布式服务调用，通过对数据的持续分析、总结、分类归类演绎等主要智能计算步骤，可以计算出合理的部署架构，以解决客户端内存消耗的问题。确保了客户端的内存消耗一直处于合理的水平，降低了服务框架因服务数量增加带来的稳定运行风险。

Description

分布式服务调用方法及装置

技术领域

本发明涉及计算机技术，具体的讲是一种分布式服务调用方法及装置。

背景技术

随着互联网的不断普及和不停地深入发展，传统的单一垂直体系架构已经无法满足日益增长的用户请求对架构容量及高可用的需求。分布式服务系统逐渐替代了原来单一垂直体系架构而成为分布式开发的主流系统架构。使用分布式服务框架时，存在客户端和服务端两种角色，在实际发生交易时，客户端会在本地内存中加载对应服务端的信息，此时，会涉及到客户端服务内存消耗的问题。

当业务不断发展，服务规模不断扩大时，客户端的内存消耗将持续增加。目前从服务治理角度来看没有合理的解决这个问题的方案，因此，如何从人工智能服务治理角度提供一种新的方案，解决上述问题是分布式框架领域亟待解决的技术难题。

发明内容

为克服现有技术中分布式服务调用的缺陷，本发明提供了一种分布式服务调用方法，包括：

采集分布式服务各节点的全量信息；

根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

根据确定的部署架构信息进行分布式服务调用。

本发明实施例中，所述的全量信息包括：各服务节点的地址、调用频率、耗时信息、部署节点数及服务类型。

本发明实施例中，所述的根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定与预设的智能优化模型匹配的数据；所述全量知识库包括：服务类型信息、服务集群信息、服务版本信息、服务调用信息、服务参数信息；

根据确定的匹配数据和预设的智能优化模型确定分布式服务调用的最优部署架构信息。

本发明实施例中，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务集群信息；

根据确定的服务集群信息和预设的智能优化模型优化集群分类，以生成分布式服务调用的最优部署架构信息。

本发明实施例中，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务类型信息；

根据确定的服务类型信息和预设的智能优化模型优化业务场景分类，以生成分布式服务调用的最优部署架构信息。

本发明实施例中，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务调用信息；

根据确定的服务调用信息和预设的智能优化模型优化高低频业务分类，以生成分布式服务调用的最优部署架构信息。

本发明实施例中，所述的根据确定的部署架构信息进行分布式服务调用包括：

根据确定的部署架构信息确定分布式服务调用的路径信息；

根据所述的路径信息进行分布式服务调用。

同时，本发明还提供一种分布式服务调用装置，包括：

数据采集模块，用于采集分布式服务各节点的全量信息；

优化模块，用于根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

调用模块，用于根据确定的部署架构信息进行分布式服务调用。

同时，本发明还提供一种计算机设备，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，处理器执行计算机程序时实现上述方法。

同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。

为解决在分布式服务调用过程中，当业务不断发展，客户端服务数逐渐增加时，客户端内存不断增长的问题，本发明通过采集分布式服务各节点的全量信息；根据所述服务信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；根据确定的部署架构信息进行分布式服务调用，通过对数据的持续分析、总结、分类归类演绎等主要智能计算步骤，可以计算出合理的部署架构，以解决客户端内存消耗的问题。确保了客户端的内存消耗一直处于合理的水平，降低了服务框架因服务数量增加带来的稳定运行风险。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的分布式服务调用方法的流程图；

图2为本发明实施例中提供的服务调用原理结构图；

图3为本发明实施例中提供的人工智能装置图；

图4为本发明实施例中提供的数据获取装置图；

图5为本发明实施例中提供的数据分析装置图；

图6为本发明实施例中提供的数据处理装置图；

图7为本发明实施例中提供的数据演绎装置图；

图8为本发明实施例中提供的原有服务架构图；

图9为本发明实施例中提供的人工智能的服务整合图；

图10为本发明实施例中提供的人工智能的集群拆分图；

图11为本发明实施例中提供的原有架构图的高低频服务混搭部署图；

图12为本发明实施例中提供的人工智能-高低频服务集群拆分；

图13为本发明实施例中提供的消费者原有架构；

图14为本发明实施例中提供的人工智能的消费者集群拆分；

图15为本发明提供的分布式服务调用装置的框图；

图16为本发明实施例中提供的电子设备实施例的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

随着业务系统的不断演衍变和发展，业务种类不断增多。对应的服务也相应的增多。此时服务的机器规模也不停的扩大。随着服务的数量不断增加，越来越多的服务信息都会加载到客户端内存中，此时客户端的内存将随着服务数的增加而不断增加，当服务数量达到一定数量时，会导致客户端内存一直处于高水位运行，会给客户端的稳定运行带来风险。针对客户端内存消耗随着服务不断增加而增长的问题，从服务治理角度来看，业界目前没有一个切实有效的解决方案，尤其是当服务端数量特别庞大的时候，客户端内存高水位运行将会给服务的正常使用带来潜在的风险。

针对现有技术中的缺陷，本发明提供了一种分布式服务调用方法，如图1所示，其包括：

步骤S101，采集分布式服务各节点的全量信息；

步骤S102，根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

步骤S103，根据确定的部署架构信息进行分布式服务调用。

本发明通过对数据的持续分析、总结、分类归类演绎等主要智能计算步骤，可以计算出合理的部署架构，从而提供了一种降低分布式服务内存消耗的方法，结合人工智能原理模型图，通过对服务节点实时监控，获取节点信息、服务信息、经过数据分析、数据处理、数据训练、数据模拟、结果验证等关键步骤，合理划分服务群组，以减小客户端内存消耗问题。

分布式服务的客户端(包括服务端和消费端)在启动过程中，会将服务信息注册到分布式服务的注册中心，在实际发生服务调用时，消费端基于自身业务需要从注册中心拉取服务信息，与服务端建立连接，接着完成业务交易，在整个过程中，获取分布式服务中所有节点(客户端的机器ip)、服务及服务的参数信息，即分布式服务各节点的全量信息，基于获取到的全量信息，进行提取、分析、推算演绎等过程，计算出基于部署现状下最优的部署架构，基于确定的最优的部署架构实现分布式服务，减少及优化各服务端加载的部署架构信息，从而实现减少分布式服务中各客户端的内容消耗问题。

进一步，本发明实施例中，所述的全量信息包括：各服务节点的地址、调用频率、耗时信息、部署节点数及服务类型。即获取节点信息、服务信息作为全量信息，具体的，分布式服务的各节点及服务中涉及的节点信息和服务信息均可作为本发明实施例中的全量信息，并不以本发明实施例中记载的全量信息为限。

本发明实施例中，所述的根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定与预设的智能优化模型匹配的数据；所述全量知识库包括：服务类型信息、服务集群信息、服务版本信息、服务调用信息、服务参数信息；

根据确定的匹配数据和预设的智能优化模型确定分布式服务调用的最优部署架构信息。

具体的，本发明实施例中，分布式服务的客户端(包括服务端和消费端)在启动过程中，会将服务信息注册到分布式服务的注册中心，在实际发生服务调用时，消费端基于自身业务需要从注册中心拉取服务信息，与服务端建立连接，接着完成业务交易，在整个过程中，获取分布式服务中所有节点、服务及服务的参数信息，即分布式服务各节点的全量信息，基于获取到的全量信息，进行提取、分析、推算演绎等过程，计算出基于部署现状下最优的部署架构，基于确定的最优的部署架构实现分布式服务，减少及优化各服务端加载的部署架构信息，从而实现减少分布式服务中各客户端的内容消耗问题。

本发明实施例中，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务集群信息；

根据确定的服务集群信息和预设的智能优化模型优化集群分类，以生成分布式服务调用的最优部署架构信息。

本发明的方法，针对分布式服务各服务无法整合的情况，利用预设的智能优化模型实现归类演绎划分，可将集群基于业务类型分类，可将同一类型的服务归属于同一集群，按照业务类型拆分后的集群，也可达到集群内客户端内存消耗减小的效果。

本发明实施例中，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务类型信息；

根据确定的服务类型信息和预设的智能优化模型优化业务场景分类，以生成分布式服务调用的最优部署架构信息。

本发明实施例中，将接入渠道(消费方)、服务方分为接入层服务、业务处理层，该业务架构在业务增加的情况下，会在每一层都新增一个服务，导致服务数量不停的增加，客户端的内存也随着不断增加。本实施例中，通过对读取的数据进行筛选，归类分析，确定的服务类型信息和预设的智能优化模型优化业务场景分类，针对部分业务场景一样的服务可以整合到同一个服务中去，以减小服务数的增加。

本发明实施例中，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务调用信息；

根据确定的服务调用信息和预设的智能优化模型优化高低频业务分类，以生成分布式服务调用的最优部署架构信息。

针对原有架构图的高低频服务混搭部署，即高频服务和低频服务部署在同一个集群，此时，如果高频服务遇到扩容等特殊场景，将会导致消费方客户端内存激增的情况。本发明实施例中，根据确定的服务调用信息和预设的智能优化模型优化高低频业务分类，对数据的分析包括：调用频率、部署节点数的增减情况，识别出高低频服务，针对不同频率的服务归属到不同的集群中，以减少集群内内存消耗减小的效果。

例如支付交易就属于交易频率高的交易，但是不同的人开发的程序，可能命名不一样，不同交易类型的支付(快捷支付、条码支付、刷脸支付等等)交易频率应该都是比较高的，此时，无法根据服务名简单的去归类，本发明一实施例中，根据交易频率将不同交易类型的支付交易归类到同一集群中，针对不同频率的服务归属到不同的集群中，以减少集群内内存消耗减小的效果。

本发明实施例中，可实现部署架构优化的人工智能算法，包括：k最近邻、k均值、决策树的人工智能算法均可作为本发明实施例中的智能优化模型。

本发明实施例中，所述的根据确定的部署架构信息进行分布式服务调用包括：

根据确定的部署架构信息确定分布式服务调用的路径信息；

根据所述的路径信息进行分布式服务调用。

本发明实施例提供的方法，通过对数据的持续分析、总结、分类归类演绎等主要智能计算步骤，可以计算出合理的部署架构，根据确定的部署架构信息确定分布式服务调用的路径信息，以进行分布式服务调用以解决客户端内存消耗的问题。确保了客户端的内存消耗一直处于合理的水平，降低了服务框架因服务数量增加带来的稳定运行风险。

下面将对照附图，对本发明的方案进行详细说明。

如图2所示，是本发明的服务调用原理结构图，其包括：服务端1、注册中心2、客户端3、监控中心4、人工智能装置5。服务端1注册中心2相连；注册中心2与客户端3相连；客户端3与监控中心4相连、监控中心4与服务端1相连、人工智能装置5与监控中心装置4相连。

服务端1：业务逻辑的处理方，在服务端启动后会将服务信息注册到注册中心2，其中，服务信息包括：服务端的IP、端口、参数等信息，在实际收到交易请求后，按照设定好的业务规则处理业务请求，并返回给消费方对应的结果。

注册中心2：服务信息载体，即服务端1启动时向注册中心2注册的服务信息和消费端启动时向注册中心2订阅的信息的统一管理处，在注册中心2会按照服务维度保存下所有服务信息的服务端、消费方信息及对应的各类参数，当服务有上线或者下线时，实施更新注册中心2的存储信息，以保证消费方与提供方的高可用调用。

客户端3：客户端3在启动的过程中或者首次发生交易时，会从注册中心2拉取服务端信息，基于负载均衡算法选取一台服务端作为提供方，建立连接后发起交易请求，在接收到服务端的返回，按照设定好的逻辑处理服务端的返回，最终通过前端页面的方式将结果展示给客户。

监控中心4：客户端3和服务端1，都会在内存中累计调用次数和调用时间，定时每分钟发送一次统计数据到监控中心，可用于观察统计服务调用情况。

人工智能装置5：人工智能装置5通过与监控中心4建立连接，读取到服务相关的全量信息，经过信息的预处理、选择、分析、推算演绎等人工智能算法，计算出当前部署架构的合理结果，可基于该当前部署架构的合理结果选择智能部署或者手工部署。

图3是本实施例提供的人工智能装置的框图，如图3所示，所述人工智能装置5主要包括：数据获取模块10、数据分析模块20、数据处理模块30、数据演绎模块40，其中：

数据获取模块10，主要用于从监控中心获取服务部署的全量信息，该步骤是人工智能的基础，此步骤获取的信息准确性决定了人工智能结算结果的可靠性。

数据分析模块20，用于分析从监控中心获取到的全量信息，基于一定的算法完成数据的分析。

数据处理模块30，用于处理数据分析结果，按照特有的规则将分析结果归类、变形优化处理。

数据演绎模块40，主要用于对处理结果的进一步推算演绎，结合以往经验，充分预算未来发展趋势，演绎出合理的计算结果。

图4是本发明实施例中的数据获取模块10的框图，如图4所示，所述数据获取装置包括配置装置101和读取单元102，其中：

配置单元101：用于配置所需连接的监控中心的地址及人工智能所需要的特有规则等。

读取单元102：主要用于与监控中心建立连接并且获取服务的全量信息。

本实施例中，全量信息包括：服务的上下线时间、服务版本号、服务的超时参数、服务的调用量、服务实际的消耗等整个生命周期采集到的数据。

图5是本发明实施例中数据分析模块20结构图示意图，如图4所示，所述数据分析模块20包括预处理单元201、数据提取单元202、数据选择单元203。其中：

预处理单元201：用于将从监控中心获取到的信息进行初步过滤，如去除无用时间戳等信息，已减少对后续分析的干扰。

数据提取单元202：用于从监控数据中提取到数据分析用到的主要信息，如各节点的地址、调用频率、耗时等服务信息。

数据选择单元203：基于数据提取单元的结果，进一步选择出后续计算使用的主要信息。本实施例中，根据服务调用频率、交易发生时间确定主要信息。

图6所示的是数据处理模块30的内部组成图，所述数据处理模块30包括数据抽象单元301、数据识别单元302和数据归类单元303，其中：

数据抽象单元301：基于选择后的数据，抽象出数据的统一模型，为后续人工智能计算提供模板。

数据识别单元302：基于以往经验，从全量知识库中识别出与抽象单元相匹配的数据。

数据归类单元303：将所有同一模型的数据归类到一起，便于结果的演绎计算。

本实施例中，相匹配的数据即根据关键字去查询服务端得到对应的结果。根据具体的特征(如同为结算类交易)去匹配已经采集到的存量数据中是否有相同类型的数据，有的话就认为匹配到了数据。

全量知识库包括所有的数据：所有服务、所有集群信息、版本信息、调用信息、参数信息等等任何在服务调用中发生的能采集到数据。全量信息库，为可不断更新的信息库。

图7所示为数据演绎模块40的框图，图中的数据演绎装置包括：数据生成单元401、数据准备单元402、模拟训练单元403和结果验证单元404。

数据生成单元401：基于从数据配置中获取到的配置和人工智能知识库生成计算后的数据。

数据准备单元402：生成后的数据经过数据预处理等手段完成数据的准备，如去除对应的监控参数，只计算部署节点信息。

模拟训练单元403：根据准备好的数据，通过反复的人工智能运算，完成数据的训练和淘汰。

结果验证单元404：将模拟训练的结果结合实际节点的部署情况进一步验证，确保模拟结果的可靠性，并给出分析报告。

图8所示为未经过人工智能计算之前的架构示意图，分为接入渠道(消费方)、服务方分为接入层服务、业务处理层，该业务架构在业务增加的情况下，会在每一层都新增一个服务，导致服务数量不停的增加，客户端的内存也随着不断增加。

图9所示为人工智能的服务整合图，经过人工智能对从监控中心中读取的数据进行筛选，归类分析后可发现，针对部分业务场景一样的服务可以整合到同一个服务中去，以减小服务数的增加。

图10为人工智能的集群拆分图，针对服务无法整合的情况，通过归类演绎划分，可将集群基于业务类型分类，可将同一类型的服务归属于同一集群，按照业务类型拆分后的集群，也可达到集群内客户端内存消耗减小的效果。

图11为原有架构图的高低频服务混搭部署，即高频服务和低频服务部署在同一个集群，此时，如果高频服务遇到扩容等特殊场景，将会导致消费方客户端内存激增的情况。

图12为人工智能装置经过对数据的分析(包括调用频率、部署节点数的增减情况)，识别出高低频服务，针对不同频率的服务归属到不同的集群中，以减少集群内内存消耗减小的效果。

如支付交易就属于交易频率高的交易，但是不同的人开发的程序，可能命名不一样，不同交易类型的支付(快捷支付、条码支付、刷脸支付等等)交易频率应该都是比较高的，此时，无法根据服务名简单的去归类，可根据交易频率将不同交易类型的支付交易归类到同一集群中。

图13所示为消费者原有架构图，所有的服务都部署在同一个集群里，当服务端服务扩容的时候，消费者的内存将成正比例的增加。

图14所以为人工智能通过对数据分析，将消费者集群按照业务类型划分部署，可以达到单个集群内消费者内存消耗大大减小的目的。

本实施例解决在分布式服务调用过程中，当业务不断发展，客户端服务数逐渐增加时，客户端内存不断增长的问题，本实施例提供了一种降低分布式服务内存消耗的装置和方法。通过人工智能装置的引入，通过对数据的持续分析、总结、分类归类演绎等主要智能计算步骤，可以计算出合理的部署架构，以解决客户端内存消耗的问题。确保了客户端的内存消耗一直处于合理的水平，降低了服务框架因服务数量增加带来的稳定运行风险。其优点如下：

1、原有服务架构保持现状，不用作任何改动，扩展式加入人工智能装置。

2、节省用户架构规划成本，可按照人工智能计算结果实施部署。

3、动态实施，已上线客户端无感知，不影响交易。

同时，本发明还提供一种分布式服务调用装置，如图15所示，该装置包括：

数据采集模块1501，用于采集分布式服务各节点的全量信息；

优化模块1502，用于根据所述服务信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

调用模块1503，用于根据确定的部署架构信息进行分布式服务调用。

对本领域技术人员而言，通过前述实施例的描述，可清楚获知本发明提供的分布式服务调用装置的实现方式，在此不再赘述。

需要说明的是，本发明人工智能技术领域；同时，可用于金融领域或其他领域，本公开的分布式服务调用方法和装置可用于金融领域的分布式服务调用，也可用于除金融领域之外的任意领域的分布式服务调用，本公开的分布式服务调用方法和装置的应用领域不做限定。

本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照前述方法及装置的实施例，其内容被合并于此，重复之处不再赘述。

图16为本发明实施例的电子设备600的系统构成的示意框图。如图16所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，分布式服务调用功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

采集分布式服务各节点的全量信息；

根据所述服务信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

根据确定的部署架构信息进行分布式服务调用。

在另一个实施方式中，分布式服务调用装置可以与中央处理器100分开配置，例如可以将分布式服务调用装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现分布式服务调用功能。

如图16所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图16中所示的所有部件；此外，电子设备600还可以包括图16中没有示出的部件，可以参考现有技术。

如图16所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如上面实施例所述的分布式服务调用方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的分布式服务调用。

本发明通过采集分布式服务各节点的全量信息；根据所述服务信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；根据确定的部署架构信息进行分布式服务调用，通过对数据的持续分析、总结、分类归类演绎等主要智能计算步骤，可以计算出合理的部署架构，以解决客户端内存消耗的问题。确保了客户端的内存消耗一直处于合理的水平，降低了服务框架因服务数量增加带来的稳定运行风险。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

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。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种分布式服务调用方法，其特征在于，所述的方法包括：

采集分布式服务各节点的全量信息；

根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

根据确定的部署架构信息进行分布式服务调用。

2.如权利要求1所述的分布式服务调用方法，其特征在于，所述的全量信息包括：各服务节点的地址、调用频率、耗时信息、部署节点数及服务类型。

3.如权利要求1所述的分布式服务调用方法，其特征在于，所述的根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定与预设的智能优化模型匹配的数据；所述全量知识库包括：服务类型信息、服务集群信息、服务版本信息、服务调用信息、服务参数信息；

根据确定的匹配数据和预设的智能优化模型确定分布式服务调用的最优部署架构信息。

4.如权利要求3所述的分布式服务调用方法，其特征在于，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务集群信息；

根据确定的服务集群信息和预设的智能优化模型优化集群分类，以生成分布式服务调用的最优部署架构信息。

5.如权利要求3所述的分布式服务调用方法，其特征在于，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务类型信息；

根据确定的服务类型信息和预设的智能优化模型优化业务场景分类，以生成分布式服务调用的最优部署架构信息。

6.如权利要求3所述的分布式服务调用方法，其特征在于，所述的所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息包括：

根据所述的全量信息和预先建立的全量知识库确定服务调用信息；

根据确定的服务调用信息和预设的智能优化模型优化高低频业务分类，以生成分布式服务调用的最优部署架构信息。

7.如权利要求1所述的分布式服务调用方法，其特征在于，所述的根据确定的部署架构信息进行分布式服务调用包括：

根据确定的部署架构信息确定分布式服务调用的路径信息；

根据所述的路径信息进行分布式服务调用。

8.一种分布式服务调用装置，其特征在于，所述的装置包括：

数据采集模块，用于采集分布式服务各节点的全量信息；

优化模块，用于根据所述全量信息和预设的智能优化模型确定的分布式服务调用的最优部署架构信息；

调用模块，用于根据确定的部署架构信息进行分布式服务调用。

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7任一项所述方法。

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7任一项所述方法的计算机程序。

Images