CN114064413B - 容器组调控方法、装置及电子设备 - Google Patents

容器组调控方法、装置及电子设备 Download PDF

Info

Publication number
CN114064413B
CN114064413B CN202111404187.8A CN202111404187A CN114064413B CN 114064413 B CN114064413 B CN 114064413B CN 202111404187 A CN202111404187 A CN 202111404187A CN 114064413 B CN114064413 B CN 114064413B
Authority
CN
China
Prior art keywords
data
container group
busyness
container
regulated
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
CN202111404187.8A
Other languages
English (en)
Other versions
CN114064413A (zh
Inventor
胡仲臣
杨军
卢道和
陈鉴镔
陈刚
程志峰
朱嘉伟
罗海湾
李勋棋
熊思清
周琪
郭英亚
李兴龙
周佳振
文玉茹
何勇彬
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.)
WeBank Co Ltd
Original Assignee
WeBank 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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202111404187.8A priority Critical patent/CN114064413B/zh
Publication of CN114064413A publication Critical patent/CN114064413A/zh
Priority to PCT/CN2022/101384 priority patent/WO2023093031A1/zh
Application granted granted Critical
Publication of CN114064413B publication Critical patent/CN114064413B/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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例提供了一种容器组调控方法、装置及电子设备，所述方法包括：获取待调控容器组对应的初始容器组数据，将初始容器组数据进行归一化处理，得到容器组数据，根据预训练的健康度算法对容器组数据进行处理，得到待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对容器组数据进行处理，得到待调控容器组对应的第一繁忙度数据，根据预存的决策规则对第一健康度数据和第一繁忙度数据进行决策处理，得到待调控容器组对应的第一决策结果，并根据第一决策结果对待调控容器组中的容器进行调控。该实施例既增加了决策结果的准确性，又减少了人力的消耗，进而提高了容器调控的准确性与效率。

Description

容器组调控方法、装置及电子设备
技术领域
本申请实施例涉及运维技术领域，尤其涉及一种容器组调控方法、装置及电子设备。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，运维技术也不例外，但由于金融行业的安全性、实时性要求，也对运维技术提出了更高的要求。随着各金融业务的增长，各金融业务运行的系统中容器组的数量也在不断的增加，对应的，监控指标的数量也突飞猛进。
现有技术中，在对容器组进行监控时，需要人工预先配置告警阈值，然后系统根据预先配置的告警阈值运行各金融业务，进而得到容器组监控结果。然后需要人工定时查看容器组监控结果，进而确定各金融业务是否在正常运行。同时还需要根据容器组的监控结果决定是否需要对某个容器组进行扩缩容或者关停。
然而，单纯依靠人工的方式对容器组进行监控以及调整，需要消耗大量的人力，且主观性强，降低了容器调控的效率与准确性，进而影响了各金融业务的正常运行。
发明内容
本申请实施例提供一种容器组调控方法、装置及电子设备，以提高容器调控的效率与准确性。
第一方面，本申请实施例提供一种容器组调控方法，包括：
获取待调控容器组对应的初始容器组数据；
将所述初始容器组数据进行归一化处理，得到容器组数据；
根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据；
根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控。
可选的，所述待调控容器组中包含多个容器，所述初始容器组数据中包含各容器的至少一数据指标，所述将所述初始容器组数据进行归一化处理，得到容器组数据，包括：
针对每个目标数据指标，获取所述目标数据指标的数值以及预设取值范围；
根据所述目标数据指标的数值以及所述目标数据指标的预设取值范围进行归一化转换处理，确定转换后的目标数据指标的数值；
根据各转换后的目标数据指标的数值得到容器组数据。
可选的，所述根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，包括：
根据预训练的健康度算法对二维数组形式的所述容器组数据进行健康度预测，得到第一健康度数据，其中，所述第一健康度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的健康度。
可选的，所述根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据，包括：
根据预训练的繁忙度算法对二维数组形式的所述容器组数据进行繁忙度预测，得到第一繁忙度数据，其中，所述第一繁忙度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的繁忙度。
可选的，所述根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，包括：
根据所述第一繁忙度数据确定繁忙度平均值以及繁忙度标准差；
根据所述繁忙度平均值以及所述繁忙度标准差确定所述待调控容器组中的离散容器；
根据所述待调控容器组中的离散容器、所述繁忙度平均值以及所述第一健康度数据进行决策处理，得到所述待调控容器组对应的第一决策结果。
可选的，在所述根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控之后，还包括：
获取所述待调控容器组对应的初始容器组数据；
根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据；
根据预先获取的历史训练数据与实时训练数据得到新的训练数据，并根据新的训练数据对所述预训练的健康度算法和繁忙度算法进行更新训练，得到新的健康度算法和繁忙度算法。
可选的，所述根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据，包括：
根据预训练的健康度算法、繁忙度算法以及决策规则对所述初始容器组数据进行处理，得到第二健康度数据、第二繁忙度数据以及第二决策结果；
根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据；
根据所述异常训练数据以及所述正常训练数据得到实时训练数据。
可选的，所述根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据，包括：
根据预存的回归过滤规则以及所述第二健康度数据从所述初始容器组数据中选择健康度低于预设健康度阈值的第一目标容器数据，同时根据预存的回归过滤规则以及所述第二繁忙度数据从所述初始容器组数据中选择繁忙度高于预设繁忙度阈值的第二目标容器数据；
根据预存的阈值过滤规则从所述初始容器组数据中获取第三目标容器数据；
根据预存的生产异常过滤规则从所述初始容器组数据中获取与异常标识对应的第四目标容器数据；
对所述第一目标容器数据、所述第二目标容器数据、所述第三目标容器数据以及所述第四目标容器数据进行数据融合处理，得到异常训练数据；
根据所述初始容器组数据以及所述异常训练数据，得到正常训练数据。
可选的，所述根据预先获取的历史训练数据与实时训练数据得到新的训练数据，包括：
根据预存的不同时间段内的数据比例关系从初始历史训练数据中进行筛选，得到历史训练数据；
根据所述历史训练数据与实时训练数据得到新的训练数据。
第二方面，本申请实施例提供一种容器组调控装置，包括：
获取模块，用于获取待调控容器组对应的初始容器组数据；
处理模块，用于将所述初始容器组数据进行归一化处理，得到容器组数据；
所述处理模块，还用于根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据；
所述处理模块，还用于根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控。
第三方面，本申请实施例提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，实现如第一方面任一项所述的容器组调控方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的容器组调控方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如第一方面任一项所述的容器组调控方法。
本申请实施例提供了一种容器组调控方法、装置及电子设备，采用上述方案后，可以先获取待调控容器组对应的初始容器组数据，然后对该初始容器组数据进行归一化处理，得到容器组数据，再根据预训练的健康度算法对容器组数据进行处理，得到第一健康度数据，同时根据预训练的繁忙度算法对该容器组数据进行处理，得到第一繁忙度数据，最后根据预存的决策规则对第一健康度数据和第一繁忙度数据进行决策处理，得到待调控容器组对应的第一决策结果，并根据该第一决策结果对待调控容器组中的容器进行调控，通过根据容器组数据对应的健康度数据以及繁忙度数据两个维度综合进行决策的方式，既增加了决策结果的准确性，又减少了人力的消耗，进而提高了容器调控的准确性与效率，保证了各金融业务的正常运行。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的容器组调控方法的应用系统的架构示意图；
图2为本申请实施例提供的容器组调控方法的流程示意图；
图3为本申请实施例提供的算法模块的应用示意图；
图4为本申请实施例提供的训练模型的应用示意图；
图5为本申请实施例提供的容器组调控装置的结构示意图；
图6为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例还能够包括除了图示或描述的那些实例以外的其他顺序实例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，需要对各个容器组进行监控，确定各个容器组的工作状态，然后根据各个容器组的工作状态对应进行调控。在监控容器组时，需要先人工配置告警阈值，然后系统根据预先配置的告警阈值运行各金融业务，进而得到容器组监控结果。得到容器组监控结果之后，运维人员需要定时查看容器组监控结果，进而确定各金融业务是否在正常运行，同时还需要根据容器组的监控结果决定是否需要对某个容器组进行扩缩容或者关停。然而，随着业务的增长，需要监控和调控的容器组数量越来越多，单纯依靠人工的方式对容器组进行监控以及调整，需要消耗大量的人力，且主观性强，降低了容器调控的效率与准确性，进而影响了各金融业务的正常运行。
基于上述技术问题，本申请通过根据容器组数据对应的健康度数据以及繁忙度数据两个维度综合进行决策的方式，达到了既增加了决策结果的准确性，又减少了人力的消耗，进而提高了容器调控的准确性与效率，保证了各金融业务的正常运行的技术效果。
图1为本申请实施例提供的容器组调控方法的应用系统的架构示意图，如图1所示，在该应用系统中，包括：待调控容器组101、服务器102，服务器102中部署有预先训练完成的健康度算法A和繁忙度算法B，服务器102可以从待调控容器101中获取初始容器组数据，然后对该初始容器组数据进行归一化处理，得到格式统一的容器组数据，再根据预训练的健康度算法A和繁忙度算法B分别对容器组数据进行处理，得到处理结果，然后根据预存的决策规则对处理结果进一步进行处理，得到决策结果，再根据该决策结果反向对待调控容器组101中的容器进行调控。
其中，待调控容器组101中可以包含多个容器，具体为一组负责同样的业务处理逻辑的容器实例集合，这些容器具有可相互替代，分担处理流量的性质。且待调控容器组101可以有一个或多个，在该实例中，服务器102可以同时对多个待调控容器组101进行调控。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的容器组调控方法的流程示意图，本实施例的方法可以由服务器102执行。如图2所示，本实施例的方法，可以包括：
S201：获取待调控容器组对应的初始容器组数据。
在本实施例中，待调控容器组中包含有多个容器，在对待调控容器组进行调控之前可以先获取每个容器的初始数据，得到待调控容器组对应的初始容器组数据。
进一步的，初始容器组数据可以为二维数组的形式，二维数组的每一行为单个容器对应的容器实例的初始数据，多个容器的多行数据组成了二维数组。另外，二维数组中包含的每个容器均属于同一个容器组，且该容器组的所有实例均已经被包含在该二维数组中。
其中，初始数据可以为实时监控数据，实时监控数据中包含主机指标、容器指标、进程指标、业务指标以及容器基本信息等至少一个数据指标。
对应的，主机指标为容器运行所在宿主机的性能指标，可以包括：CPU(CPU总量，CPU使用率)、内存(内存总量，内存使用率，缓存大小、高速缓冲存储器大小)、磁盘(磁盘空间、磁盘读写、磁盘索引节点)、网络(网络流量、网络连接数、可用端口数)等。
容器指标为容器运行时的性能指标，可以包括：CPU(CPU总量、CPU使用率、CPU节流率)、内存(内存总量、内存使用率、buffer/cache大小)、磁盘(磁盘空间、磁盘读写、磁盘inode)、网络(网络流量、网络连接数、可用端口数)等。
进程指标为业务进程运行时的各种指标，可以包括：活跃线程数、打开文件数等。
业务指标为容器应用进行业务处理时所产生的指标，可以包括：交易量(每分钟交易量)、成功率(系统成功率、业务成功率、失败数量)、耗时(平均耗时、最大耗时)等。
容器基本信息为该容器在整个环境中所属的位置，可以包括：容器所属容器组、容器组所属系统、容器所属主机、主机物理位置等。
S202：将初始容器组数据进行归一化处理，得到容器组数据。
在本实施例中，在得到初始容器组数据之后，由于初始容器组数据中的数据类型可能各不相同，为了避免不同的数据的数量级不一样，在训练中出现不同数据的权重出现偏差的情况，可以将初始容器组数据进行归一化处理，得到容器组数据。
进一步的，待调控容器组中包含多个容器，初始容器组数据中包含各容器的至少一数据指标，则将初始容器组数据进行归一化处理，得到容器组数据，具体可以包括：
针对每个目标数据指标，获取所述目标数据指标的数值以及预设取值范围。
根据所述目标数据指标的数值以及所述目标数据指标的预设取值范围进行归一化转换处理，确定转换后的目标数据指标的数值。
根据各转换后的目标数据指标的数值得到容器组数据。
具体的，针对每个目标数据指标，可以将不同维度的数据指标转换为固定取值范围的浮点数。示例性的，固定取值范围可以为[0-1]。
在进行转换时，可以先获取每个目标数据指标的预设取值范围，即[min,max]。对应的，在一种实现方式中，预设取值范围可以通过人工写入的方式获取。示例性的，根据实际应用场景可以人工指定取值范围为[0–1000000]，单位为MB。在另一种实现方式中，可以通过预设时间段内的历史值来确定预设取值范围，示例性的，过去一个月中所出现的最大值为512G，则可以将预设取值范围设置为[0-524288]，单位为MB(其中，524288MB＝512G*1024)。
在获取到预设取值范围之后，即可以根据目标数据指标的数值以及目标数据指标的预设取值范围进行归一化转换处理，确定转换后的目标数据指标的数值。示例性的，假设目标数据指标的数值a，归一化处理后的数值b，则可以根据以下表达式进行归一化处理：
If min>＝a，b＝0。
If max>a>min，b＝(a-min)/(max–min)。
If a>＝max，b＝1。
其中，目标数据指标可以为主机指标、容器指标、进程指标或业务指标。
此外，对于容器基本信息，可以按照一定的转化规则将其字符串标识转化为唯一的数值，具体可以为：
对于主机物理位置，一般可表示为：机房+机列+机柜+机位，原值为定长字符串。如机房的取值为[IDC1,IDC4,IDC2,IDC9]，将其排序后按照自然数编号，得到IDC1转化为数字1，IDC4转化为数字3，IDC2转化为数字2，IDC9转化为数字4。如机柜的取值为[A01，A02，B01，B02]，同样将其排序后按照自然数编号，得到[A01＝1，A02＝2，B01＝3，B03＝4]。
对于容器所属主机，原值一般为一个固资编号，也可以按照上述方式进行排序后按照自然数编号。
对于容器组所属系统，均已有一个系统编号，使用系统编号即可。
对于容器所属容器组，也可以按照容器组名称排序后按照自然数编号。
通过上述转化方式，对于同个属性，无需关注数值的大小，只需要关注是否属于同一个机柜、主机或者子系统等，即所属关系在转换过程中得到了维持，提高了后续数据识别的效率与便利性。
S203：根据预训练的健康度算法对容器组数据进行处理，得到待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对容器组数据进行处理，得到待调控容器组对应的第一繁忙度数据。
在本实施例中，在得到容器组数据之后，可以从健康度和繁忙度两个维度综合对容器组数据进行预测处理，得到容器组数据对应的第一健康度数据和第一繁忙度数据。
进一步的，根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，具体可以包括：
根据预训练的健康度算法对二维数组形式的所述容器组数据进行健康度预测，得到第一健康度数据，其中，所述第一健康度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的健康度。
具体的，可以根据预先训练完成的健康度算法对待调控容器组内的各个容器的健康情况进行预测。其中，容器组数据可以为二维数组形式，第一健康度数据可以为一维数组形式。进一步的，一维数组的长度可以与所输入二维数组的长度相同，即对于容器组中每个容器的实时监控数据，均可以对应得到一个健康度预测结果。示例性的，健康度预测结果的取值可以为1：健康，2：亚健康，3：异常，然后多个容器的预测结果可以组成一个一维数组，即第一健康度数据。
其中，健康度算法可以采用现有的算法，示例性的，可以采用SVM(Support VectorMachine，支持向量机)算法。
此外，根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据，具体可以包括：
根据预训练的繁忙度算法对二维数组形式的所述容器组数据进行繁忙度预测，得到第一繁忙度数据，其中，所述第一繁忙度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的繁忙度。
具体的，可以根据预先训练完成的繁忙度算法对待调控容器组内的各个容器的繁忙程度进行预测。其中，容器组数据可以为二维数组形式，第一繁忙度数据可以为一维数组形式。进一步的，一维数组的长度可以与所输入二维数组的长度相同，即对于容器组中每个容器的实时监控数据，均可以对应得到一个繁忙度预测结果。示例性的，繁忙度预测结果的取值区间可以为(0，100)，在(0，20)的区间表示该容器空闲，在(20，60)的区间表示该容器正常，在(60，100)的区间表示该容器繁忙，多个容器的繁忙度预测结果可以组成一个一维数组，即第一繁忙度数据。
其中，繁忙度算法可以采用现有的算法，示例性的，可以采用DTS(DecisionTrees，决策树)算法。
另外，还可以用一些其他的分类和回归算法，比如K聚类、卷积神经网络等方式来确定健康度和繁忙度，在此不再详细进行限定，且不同方式来确定健康度和繁忙度的方式均在本申请的保护范围内。
现有技术中，需要对不同的业务类型(如高CPU、高IO、批量、联机)设计不同的策略分支进行预测，且不同的容器组，具有不同的指标特征，普通的算法没办法动态的适应每种指标的特征，只能先设计出已有的算法，建立不同模型，然后选择合适的指标进行验证，造成了分支多、需要人工分类、随时调整、不够精准的缺点，而采用上述方案后，通过从健康度和繁忙度两个维度综合进行预测，可以适应容器组的各种指标特征，且无需再区分业务类型，提高了业务类型处理的便利性与准确性。
S204：根据预存的决策规则对第一健康度数据和第一繁忙度数据进行决策处理，得到待调控容器组对应的第一决策结果，并根据第一决策结果对待调控容器组中的容器进行调控。
在本实施例中，在得到预测的第一健康度数据以及第一繁忙度数据之后，可以以健康度和繁忙度两个维度为依据进行决策，得到待调控容器组的决策结果，进而对该待调控容器组是否需要进行调控和如何进行调控进行决策。
进一步的，根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，具体可以包括：
根据所述第一繁忙度数据确定繁忙度平均值以及繁忙度标准差。
根据所述繁忙度平均值以及所述繁忙度标准差确定所述待调控容器组中的离散容器。
根据所述待调控容器组中的离散容器、所述繁忙度平均值以及所述第一健康度数据进行决策处理，得到所述待调控容器组对应的第一决策结果。
具体的，在得到第一繁忙度数据之后，可以先根据第一繁忙度确定出繁忙度平均值，以及繁忙度标准差，然后可以根据繁忙度平均值以及繁忙度标准差确定待调控容器组内是否有离散容器，若待调控容器组内有离散容器，则确定该容器组的繁忙度不够均衡，然后可以根据待调控容器组中的离散容器、繁忙度平均值以及第一健康度数据进行决策处理，得到待调控容器组对应的第一决策结果。示例性的，繁忙度平均值为a，繁忙度标准差为d，容器的繁忙度为b，可以先确定是否有容器的繁忙度b落在2个标准差外，即：b–a>d*2，落在2个标准差外的容器可以被称为离散容器。
采用上述方案后，是对整个容器组进行分析，而不再是单个容器进行分析，在加上使用标准差+平均值过滤的方案，能够快速过滤出容器组中是否有与其他容器运行状态不一致的离散容器，通常该离散容器就是故障点的所在，提高了故障容器的定位效率以及准确性，且快速决策对该离散容器做停止操作也提高了系统异常恢复的速度，进而保证了各金融业务的稳定运行。
进一步的，表1为待调控容器组内各容器对应的第一决策结果表，在该表中，可以根据繁忙度平均值a、是否有离散容器以及待调控容器组的第一健康度数据对各容器进行关停或扩容调控等。
表1待调控容器组内各容器对应的第一决策结果表
Figure BDA0003371725560000121
Figure BDA0003371725560000131
采用上述方案后，可以先获取待调控容器组对应的初始容器组数据，然后对该初始容器组数据进行归一化处理，得到容器组数据，再根据预训练的健康度算法对容器组数据进行处理，得到第一健康度数据，同时根据预训练的繁忙度算法对该容器组数据进行处理，得到第一繁忙度数据，最后根据预存的决策规则对第一健康度数据和第一繁忙度数据进行决策处理，得到待调控容器组对应的第一决策结果，并根据该第一决策结果对待调控容器组中的容器进行调控，通过根据容器组数据对应的健康度数据以及繁忙度数据两个维度综合进行决策的方式，既增加了决策结果的准确性，又减少了人力的消耗，进而提高了容器调控的准确性与效率，保证了各金融业务的正常运行。
基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
在另一实施例中，图3为本申请实施例提供的算法模块的应用示意图，如图3所示，在该实施例中，所述算法模块可以包括：数据输入子模块，归一化处理子模块，健康度算法子模块，繁忙度算法子模块以及决策子模块5个子模块。数据输入子模块可以接受一个二维数组的输入，该二维数组的每一行为单个容器的实时监控数据，即初始容器组数据，多个容器的多行数据组成了二维数组，且二维数组中包含的每个容器均属于同一个容器组。归一化处理子模块可以将各种维度的数据转换成为固定取值范围的浮点数，即将初始容器组数据归一化处理为容器组数据，然后可以将容器组数据分别输入至健康度算法子模块和繁忙度算法子模块，并对应得到一维数组形式的第一健康度数据和第一繁忙度数据，最后将第一健康度数据和第一繁忙度数据输入至决策子模块进行决策处理，得到第一决策结果，通过将容器指标的预测分为健康度和繁忙度两个维度预测值，让对容器的运行状态预测更加立体和准确。
此外，在另一实施例中，在根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控之后，所述方法还可以包括：
获取所述待调控容器组对应的初始容器组数据。
根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据。
根据预先获取的历史训练数据与实时训练数据得到新的训练数据，并根据新的训练数据对所述预训练的健康度算法和繁忙度算法进行更新训练，得到新的健康度算法和繁忙度算法。
在本实施例中，在通过健康度算法和繁忙度算法对待调控容器进行调控时，为了提高健康度算法和繁忙度算法的准确性与实时性，也可以同时对健康度算法与繁忙度算法进行更新。即可以将新获取的待调控容器组对应的初始容器组数据进行预处理得到实时训练数据，然后将实时训练数据与之前的历史训练数据进行合并，得到新的训练数据，并根据新的训练数据对预训练的健康度算法和繁忙度算法进行更新训练，得到新的健康度算法和繁忙度算法，通过本申请的自更新策略，使用算法来对当天数据进行计算后作为训练数据，既降低了训练数据的创造成本，又让训练数据可以随着业务的发展而不断地更新。
此外，为了让实时预测的计算能力得到保证，及时响应实时的预测需求，不受历史数据计算的影响，算法模型在实际应用时和算法更新时均部署了一份，两者完全一样，但相互独立。因此，在得到新的健康度算法和繁忙度算法之后，可以推送更新实际应用时的算法模块中的健康度算法和繁忙度算法以及算法更新时的算法模块中的健康度算法和繁忙度算法，进而实现了让最新的训练完后的模型可以及时被使用，并不断地得到更新。
进一步的，根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据，具体可以包括：
根据预训练的健康度算法、繁忙度算法以及决策规则对所述初始容器组数据进行处理，得到第二健康度数据、第二繁忙度数据以及第二决策结果。
根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据。
根据所述异常训练数据以及所述正常训练数据得到实时训练数据。
具体的，在对健康度算法和繁忙度算法进行更新时，可以先获取初始容器组数据，新获取的初始容器组数据需要作为训练数据和历史训练数据共同训练健康度算法和繁忙度算法，然而，由于新获取的初始容器组数据中仅包含监控数据和配置数据，并不包含待调控容器的健康度、繁忙度和决策结果，因此，需要将新获取的初始容器组数据先经过算法模块，得到第二健康度、第二繁忙度和第二决策结果，然后再根据第二健康度、第二繁忙度和第二决策结果对初始容器组数据进行处理，得到实时训练数据，再将该实时训练数据与历史训练数据进行合并，得到新的训练数据。而对于历史训练数据，在前期均已经过上述的环节，因此均已保存有健康度、繁忙度和决策结果三个预测值。
另外，在根据第二健康度、第二繁忙度和第二决策结果对初始容器组数据进行处理，得到实时训练数据时，可以对初始容器组数据进行分类，得到异常训练数据和正常训练数据，然后根据异常训练数据、正常训练数据共同对健康度算法和繁忙度算法进行更新，避免了健康度算法和繁忙度算法对异常场景的过拟合，但又同时保持了一定的敏感性。
再进一步的，根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据，具体可以包括：
根据预存的回归过滤规则以及所述第二健康度数据从所述初始容器组数据中选择健康度低于预设健康度阈值的第一目标容器数据，同时根据预存的回归过滤规则以及所述第二繁忙度数据从所述初始容器组数据中选择繁忙度高于预设繁忙度阈值的第二目标容器数据。
根据预存的阈值过滤规则从所述初始容器组数据中获取第三目标容器数据。
根据预存的生产异常过滤规则从所述初始容器组数据中获取与异常标识对应的第四目标容器数据。
对所述第一目标容器数据、所述第二目标容器数据、所述第三目标容器数据以及所述第四目标容器数据进行数据融合处理，得到异常训练数据。
根据所述初始容器组数据以及所述异常训练数据，得到正常训练数据。
具体的，在确定异常训练数据时，可以从回归过滤、阈值过滤以及生产异常过滤三个维度对初始容器组数据进行筛选。
对应的，对于回归过滤，可以根据预存的回归过滤规则和第二健康度数据对初始容器组数据按照繁忙度高低进行排序，然后选择繁忙度高于预设繁忙度阈值的第二目标容器数据。同理，可以根据预存的回归过滤规则以及第二健康度数据从初始容器组数据中选择健康度低于预设健康度阈值的第一目标容器数据。
其中，繁忙度越高，表明该容器出现异常的可能性越高，健康度越低，表明该容器出现异常的可能性越高。且繁忙度阈值和健康度阈值可以根据需要的标本量来进行定义。
对于阈值过滤，可以根据实际应用场景自定义设置阈值过滤规则，示例性的，阈值过滤规则可以为：当宿主机cpu使用率超过80％、当宿主机内存使用率超过80％或当容器cpu使用率超过90％。
若满足了以上任意一个条件，均可以通过阈值过滤把对应的初始容器组数据获取出来，得到第三目标容器数据。
对于生产异常过滤，生产异常过滤规则可以是真实事件发生之后，根据真实事件发生的异常标识从初始容器组数据中过滤出对应的数据，以得到第四目标容器数据。其中，初始容器组数据可以以异常标识作为定位一个数据的索引。示例性的，异常标识可以为时间段和涉及的容器组，当确定了真实事件发生的时间段和涉及的容器组，可以唯一地从初始容器组数据中获取到第四目标容器数据。
另外，回归过滤、阈值过滤、生产异常过滤实际上是从三个维度挑选了部分数据，回归过滤是从健康度和繁忙度的维度发现的异常，阈值过滤是从原始指标的维度发现的异常，生产异常过滤则是从实际已经发生的异常的维度发现的异常。这三种过滤最终挑选出了一些很有可能是异常的数据，这些数据存在着时间上和归属容器组上有重合的可能性，数据聚合可以将这些有重合的数据合并起来，降低数据的冗余性。对应的，聚合的具体方法可以为：对于目标容器数据来说，若同属于一个容器组，并且时间差不超过预设时长，则可以选取时间较早的目标容器数据作为真正的异常训练数据。其中，预设时长可以为3-10分钟中的任意值。且对于每个最终输出的数据点，均是以(时间点+容器组)为整体提供给出来的，对于回归过滤和阈值过滤，都是以单个容器为过滤目标，因此可以将单个容器关联的容器组的数据对应获取到，作为异常训练数据。
此外，在得到异常训练数据之后，还可以进行人工确认打标，人工确认打标可以提供用户界面给运维人员。在该用户界面中，可以显示同个容器组内的监控数据和配置数据(即初始容器组数据)，还可以显示三个异常数据过滤方案的提示，方便运维人员确认是否需要对预测结果(即第二健康度数据、第二繁忙度数据和第二决策结果)和异常训练数据进行调整。需要特别注意，本申请并不要求运维人员对所有过滤出来的异常训练数据进行确认调整，且对于没有进行确认的数据，则可以按照算法计算得出的预测结果输出即可，提高了异常训练数据和预测结果的准确性，进而提高了后续健康度算法和繁忙度算法更新的准确性。
另外，实时训练数据为算法模块计算后以及人工确认打标后的异常训练数据和正常训练数据的合集，是一个临时数据，后续会固化合并到历史训练数据库中。而实时训练数据中的正常训练数据的来源也是算法模块的输出，具体获取过程可以为：假如人工确认打标后得到的异常训练数据的数据量为N，那么在算法模块的输出中可以同样取出N条与异常训练数据不重合的数据，作为正常训练数据。
此外，在另一实施例中，根据预先获取的历史训练数据与实时训练数据得到新的训练数据，具体可以包括：
根据预存的不同时间段内的数据比例关系从初始历史训练数据中进行筛选，得到历史训练数据。
根据所述历史训练数据与实时训练数据得到新的训练数据。
在本实施例中，历史训练数据中可以包含有过去多天累积出来的数据，再加上当天新增的实时训练数据。另外，历史训练数据可以包含有少量的初始人造训练数据，初始人造训练数据编造了若干的场景，以让健康度算法和繁忙度算法可以从零开始进行初始化训练，得到一个具有一定预测能力的健康度算法和繁忙度算法。但该初始人造训练数据也不是必须的，因为在初始的几天，经过几轮人工确认打标和训练后，可以很快形成一个具有一定预测能力的健康度算法和繁忙度算法，从而可以开始进行健康度算法和繁忙度算法的自更新。通过上述方式可以让健康度算法和繁忙度算法不需要人工创造初始训练数据就快速地开始和投入使用，并在少数几轮后快速地成长起来，大大减少了健康度算法和繁忙度算法训练的成本。
另外，历史训练数据会越积累越多，为了保证训练的效率，可以从历史训练数据中选取出一部分来参与训练。但为了让历史训练数据既能体现近期的运行情况，也能体现过往长期的运行情况，可以根据预存的不同时间段内的数据比例关系来获取历史训练数据。示例性的，不同时间段内的数据比例关系可以为让[1个月内、1～3个月、3～6个月、6～12个月、12个月以上]的数据量分别占比[50％、30％、10％、5％、5％]。还可以对近一个月的所有数据不做筛选，全量参与训练。然后按照近一个月的数据规模，分别从1～3个月、3～6个月、6～12个月、12个月以上的数据中随机选取对应的数量总量的数据来参与训练。需要说明的是，本申请只是列举了一些历史训练数据的具体获取方式，按照其他方式获取历史训练数据的实例也在本申请的保护范围内。
此外，还可以将历史训练数据分别输入到健康度算法和繁忙度算法中，对健康度算法和繁忙度算法进行训练。训练优化采用的方式可以为随机取出80％的数据作为训练，20％的数据作为验证，多次训练后选择验证分数最高的模型。需要说明的是，本申请只是列举了说明了训练数据和验证数据的一个具体比例关系，按照其他比例关系来进行训练和验证的方式也在本申请的保护范围内。
图4为本申请实施例提供的训练模型的应用示意图，如图4所示，在该实施例中，可以包括：先获取监控数据和配置数据，其中，监控数据可以为待调控容器组所对应的实时监控指标：主机指标、容器指标、进程指标、业务指标等。配置数据可以为容器的基本信息，具体可以为容器所属容器组、容器所属主机、主机物理位置。配置数据和监控数据可以统称为初始容器组数据，可以将每天新增的初始容器组数据批量导入到历史数据库中，即历史数据库中包含每个时间点的(监控数据+配置数据)。然后可以将新获取的初始容器组数据输入到与图3结构相同的算法模块中，本实施例中的算法模块与图3中的算法模块结构完全一样，但相互独立，运行过程中互不影响。通过该实施例中的算法模块，可以得到第二健康度数据、第二繁忙度数据和第二决策结果，然后可以将第二健康度数据、第二繁忙度数据和第二决策结果一并写入到历史数据库中。然后可以根据回归过滤规则、阈值过滤规则以及生产异常过滤规则对初始容器组数据进行过滤，得到异常训练数据和正常训练数据，进而得到实时训练数据，然后根据实时训练数据和历史训练数据得到新的训练数据，并根据新的训练数据对算法进行训练以及更新，通过本申请的自更新策略，使用算法来对当天数据进行计算后作为训练数据，既降低了训练数据的创造成本，又让训练数据可以随着业务的发展而不断地更新。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置，图5为本申请实施例提供的容器组调控装置的结构示意图，如图5所示，本实施例提供的装置，可以包括：
获取模块501，用于获取待调控容器组对应的初始容器组数据。
处理模块502，用于将所述初始容器组数据进行归一化处理，得到容器组数据。
在本实施例中，所述待调控容器组中包含多个容器，所述初始容器组数据中包含各容器的至少一数据指标，所述处理模块502，还用于：
针对每个目标数据指标，获取所述目标数据指标的数值以及预设取值范围。
根据所述目标数据指标的数值以及所述目标数据指标的预设取值范围进行归一化转换处理，确定转换后的目标数据指标的数值。
根据各转换后的目标数据指标的数值得到容器组数据。
所述处理模块502，还用于根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据。
在本实施例中，所述处理模块502，还用于：
根据预训练的健康度算法对二维数组形式的所述容器组数据进行健康度预测，得到第一健康度数据，其中，所述第一健康度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的健康度。
此外，所述处理模块502，还用于：
根据预训练的繁忙度算法对二维数组形式的所述容器组数据进行繁忙度预测，得到第一繁忙度数据，其中，所述第一繁忙度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的繁忙度。
所述处理模块502，还用于根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控。
在本实施例中，所述处理模块502，还用于：
根据所述第一繁忙度数据确定繁忙度平均值以及繁忙度标准差。
根据所述繁忙度平均值以及所述繁忙度标准差确定所述待调控容器组中的离散容器。
根据所述待调控容器组中的离散容器、所述繁忙度平均值以及所述第一健康度数据进行决策处理，得到所述待调控容器组对应的第一决策结果。
此外，在另一实施例中，所述处理模块502，还用于：
获取所述待调控容器组对应的初始容器组数据。
根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据。
根据预先获取的历史训练数据与实时训练数据得到新的训练数据，并根据新的训练数据对所述预训练的健康度算法和繁忙度算法进行更新训练，得到新的健康度算法和繁忙度算法。
在本实施例中，所述处理模块502，还用于：
根据预训练的健康度算法、繁忙度算法以及决策规则对所述初始容器组数据进行处理，得到第二健康度数据、第二繁忙度数据以及第二决策结果。
根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据。
根据所述异常训练数据以及所述正常训练数据得到实时训练数据。
进一步的，所述处理模块502，还用于：
根据预存的回归过滤规则以及所述第二健康度数据从所述初始容器组数据中选择健康度低于预设健康度阈值的第一目标容器数据，同时根据预存的回归过滤规则以及所述第二繁忙度数据从所述初始容器组数据中选择繁忙度高于预设繁忙度阈值的第二目标容器数据。
根据预存的阈值过滤规则从所述初始容器组数据中获取第三目标容器数据。
根据预存的生产异常过滤规则从所述初始容器组数据中获取与异常标识对应的第四目标容器数据。
对所述第一目标容器数据、所述第二目标容器数据、所述第三目标容器数据以及所述第四目标容器数据进行数据融合处理，得到异常训练数据。
根据所述初始容器组数据以及所述异常训练数据，得到正常训练数据。
此外，在另一实施例中，所述处理模块502，还用于：
根据预存的不同时间段内的数据比例关系从初始历史训练数据中进行筛选，得到历史训练数据。
根据所述历史训练数据与实时训练数据得到新的训练数据。
本申请实施例提供的装置，可以实现上述如图2所示的实施例的方法，其实现原理和技术效果类似，此处不再赘述。
图6为本申请实施例提供的电子设备的硬件结构示意图，如图6所示，本实施例提供的设备600包括：处理器601，以及与所述处理器通信连接的存储器。其中，处理器601、存储器602通过总线603连接。
在具体实现过程中，处理器601执行所述存储器602存储的计算机执行指令，使得处理器601执行上述方法实施例中的容器组调控方法。
处理器601的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图6所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述方法实施例的容器组调控方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的容器组调控方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (9)

1.一种容器组调控方法，其特征在于，包括：
获取待调控容器组对应的初始容器组数据；
将所述初始容器组数据进行归一化处理，得到容器组数据；
根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据；
根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控；
所述根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，包括：
根据预训练的健康度算法对二维数组形式的所述容器组数据进行健康度预测，得到第一健康度数据，其中，所述第一健康度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的健康度；
所述根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据，包括：
根据预训练的繁忙度算法对二维数组形式的所述容器组数据进行繁忙度预测，得到第一繁忙度数据，其中，所述第一繁忙度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的繁忙度；
所述根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，包括：
根据所述第一繁忙度数据确定繁忙度平均值以及繁忙度标准差；
根据所述繁忙度平均值以及所述繁忙度标准差确定所述待调控容器组中的离散容器；
根据所述待调控容器组中的离散容器、所述繁忙度平均值以及所述第一健康度数据进行决策处理，得到所述待调控容器组对应的第一决策结果。
2.根据权利要求1所述的方法，其特征在于，所述待调控容器组中包含多个容器，所述初始容器组数据中包含各容器的至少一数据指标，所述将所述初始容器组数据进行归一化处理，得到容器组数据，包括：
针对每个目标数据指标，获取所述目标数据指标的数值以及预设取值范围；
根据所述目标数据指标的数值以及所述目标数据指标的预设取值范围进行归一化转换处理，确定转换后的目标数据指标的数值；
根据各转换后的目标数据指标的数值得到容器组数据。
3.根据权利要求1或2所述的方法，其特征在于，在所述根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控之后，还包括：
获取所述待调控容器组对应的初始容器组数据；
根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据；
根据预先获取的历史训练数据与实时训练数据得到新的训练数据，并根据新的训练数据对所述预训练的健康度算法和繁忙度算法进行更新训练，得到新的健康度算法和繁忙度算法。
4.根据权利要求3所述的方法，其特征在于，所述根据预设训练数据处理规则对所述初始容器组数据进行处理，得到实时训练数据，包括：
根据预训练的健康度算法、繁忙度算法以及决策规则对所述初始容器组数据进行处理，得到第二健康度数据、第二繁忙度数据以及第二决策结果；
根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据；
根据所述异常训练数据以及所述正常训练数据得到实时训练数据。
5.根据权利要求4所述的方法，其特征在于，所述根据预存的异常数据处理规则、所述第二健康度数据、第二繁忙度数据以及第二决策结果对所述初始容器组数据进行分析处理，得到异常训练数据和正常训练数据，包括：
根据预存的回归过滤规则以及所述第二健康度数据从所述初始容器组数据中选择健康度低于预设健康度阈值的第一目标容器数据，同时根据预存的回归过滤规则以及所述第二繁忙度数据从所述初始容器组数据中选择繁忙度高于预设繁忙度阈值的第二目标容器数据；
根据预存的阈值过滤规则从所述初始容器组数据中获取第三目标容器数据；
根据预存的生产异常过滤规则从所述初始容器组数据中获取与异常标识对应的第四目标容器数据；
对所述第一目标容器数据、所述第二目标容器数据、所述第三目标容器数据以及所述第四目标容器数据进行数据融合处理，得到异常训练数据；
根据所述初始容器组数据以及所述异常训练数据，得到正常训练数据。
6.根据权利要求3所述的方法，其特征在于，所述根据预先获取的历史训练数据与实时训练数据得到新的训练数据，包括：
根据预存的不同时间段内的数据比例关系从初始历史训练数据中进行筛选，得到历史训练数据；
根据所述历史训练数据与实时训练数据得到新的训练数据。
7.一种容器组调控装置，其特征在于，包括：
获取模块，用于获取待调控容器组对应的初始容器组数据；
处理模块，用于将所述初始容器组数据进行归一化处理，得到容器组数据；
所述处理模块，还用于根据预训练的健康度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一健康度数据，同时根据预训练的繁忙度算法对所述容器组数据进行处理，得到所述待调控容器组对应的第一繁忙度数据；
所述处理模块，还用于根据预存的决策规则对所述第一健康度数据和所述第一繁忙度数据进行决策处理，得到所述待调控容器组对应的第一决策结果，并根据所述第一决策结果对所述待调控容器组中的容器进行调控；
所述处理模块，还用于：
根据预训练的健康度算法对二维数组形式的所述容器组数据进行健康度预测，得到第一健康度数据，其中，所述第一健康度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的健康度；
所述处理模块，还用于：
根据预训练的繁忙度算法对二维数组形式的所述容器组数据进行繁忙度预测，得到第一繁忙度数据，其中，所述第一繁忙度数据为一维数组形式的，且所述一维数组中的每个变量表示一个容器的繁忙度；
所述处理模块，还用于：
根据所述第一繁忙度数据确定繁忙度平均值以及繁忙度标准差；
根据所述繁忙度平均值以及所述繁忙度标准差确定所述待调控容器组中的离散容器；
根据所述待调控容器组中的离散容器、所述繁忙度平均值以及所述第一健康度数据进行决策处理，得到所述待调控容器组对应的第一决策结果。
8.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至6任一项所述的容器组调控方法。
9.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的容器组调控方法。
CN202111404187.8A 2021-11-24 2021-11-24 容器组调控方法、装置及电子设备 Active CN114064413B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111404187.8A CN114064413B (zh) 2021-11-24 2021-11-24 容器组调控方法、装置及电子设备
PCT/CN2022/101384 WO2023093031A1 (zh) 2021-11-24 2022-06-27 容器组调控方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111404187.8A CN114064413B (zh) 2021-11-24 2021-11-24 容器组调控方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114064413A CN114064413A (zh) 2022-02-18
CN114064413B true CN114064413B (zh) 2023-06-16

Family

ID=80275838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111404187.8A Active CN114064413B (zh) 2021-11-24 2021-11-24 容器组调控方法、装置及电子设备

Country Status (2)

Country Link
CN (1) CN114064413B (zh)
WO (1) WO2023093031A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114064413B (zh) * 2021-11-24 2023-06-16 深圳前海微众银行股份有限公司 容器组调控方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005022417A2 (en) * 2003-08-27 2005-03-10 Ascential Software Corporation Methods and systems for real time integration services
CN111796959A (zh) * 2020-06-30 2020-10-20 中国工商银行股份有限公司 宿主机容器自愈方法、装置及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8510755B2 (en) * 2009-06-22 2013-08-13 Microsoft Corporation Automatically re-starting services
CN102916831B (zh) * 2012-09-18 2015-05-20 冯晋阳 业务系统的健康度获得方法及系统
CN111221624A (zh) * 2019-12-31 2020-06-02 中国电力科学研究院有限公司 一种针对基于Docker容器技术的调控云平台的容器管理方法
CN114064413B (zh) * 2021-11-24 2023-06-16 深圳前海微众银行股份有限公司 容器组调控方法、装置及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005022417A2 (en) * 2003-08-27 2005-03-10 Ascential Software Corporation Methods and systems for real time integration services
CN111796959A (zh) * 2020-06-30 2020-10-20 中国工商银行股份有限公司 宿主机容器自愈方法、装置及系统

Also Published As

Publication number Publication date
WO2023093031A1 (zh) 2023-06-01
CN114064413A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN113937763B (zh) 风电功率预测方法、装置、设备及存储介质
CN105677836A (zh) 一种同时支持离线数据和实时在线数据的大数据处理解决系统
CN111881617B (zh) 数据处理方法、风力发电机组的性能评估方法及系统
CN114064413B (zh) 容器组调控方法、装置及电子设备
CN102750367A (zh) 在云端平台的大数据检核系统及其方法
CN115865649B (zh) 一种智能运维管理控制方法、系统和存储介质
CN111986027A (zh) 基于人工智能的异常交易处理方法、装置
CN111222994A (zh) 客户风险评估方法、装置、介质和电子设备
CN113342939B (zh) 数据质量监控方法、装置及相关设备
CN111667151B (zh) 一种电力市场风险全景识别方法及系统
CN110363381A (zh) 一种信息处理方法和装置
CN116205355B (zh) 电力负荷的预测方法、装置以及存储介质
CN115701890B (zh) 调整告警规则的方法及相关设备
CN109840536A (zh) 一种电网供电可靠性水平聚类方法及系统
CN115617089A (zh) 基于传感器状态变化的温度控制方法、装置、设备及介质
CN114237098B (zh) 一种电气产品的智能化数字管理系统
CN112488418B (zh) 一种全拓扑负荷预测方法、装置及计算机设备
CN115293809A (zh) 基于人工智能的台风暴雨风险评级方法及相关设备
CN115174129A (zh) 异常节点检测方法、装置、计算机设备和存储介质
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN111582369B (zh) 一种atm的分类方法及装置
CN112052147A (zh) 监控方法、电子设备及存储介质
CN114565256B (zh) 一种基于区块链的企业集群式供应链风险管控方法及系统
CN117350518B (zh) 一种智慧园区应急资源调度方法及系统
CN117808272B (zh) 一种基于机器学习的工业系统产能优化与调度方法和系统

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