CN114745310B - 基于遗传算法的流量阈值的确定方法及装置 - Google Patents

Abstract

本公开提供了一种基于遗传算法的流量阈值的确定方法，可以应用于人工智能领域。该基于遗传算法的流量阈值的确定方法包括：对多个目标流量值进行二进制编码生成所述多个目标流量值的编码，其中所述多个目标流量值是根据目标服务支持的流量阈值范围确定的；确定初始化种群个体数和遗传算法参数，其中，每一种群个体唯一对应一个编码，所述遗传算法参数包括预设遗传代数、交叉率和变异率；以及对所述多个目标流量值的编码进行选择、交叉和变异操作，以确定目标流量阈值。本公开还提供了一种基于遗传算法的流量阈值的确定装置、设备、存储介质和程序产品。

Description

基于遗传算法的流量阈值的确定方法及装置

技术领域

本公开涉及人工智能技术领域，更具体地涉及一种基于遗传算法 的流量阈值的确定方法、装置、设备、存储介质和程序产品。

背景技术

随着互联网的发展，网络系统运行中存在由于网络流量过大引发 网络拥塞、甚至系统崩溃的问题。

一般对于网络流量激增问题都会使用流控机制，当资源成为瓶颈 时，服务框架需要对消费者进行限流。流量控制有很多策略，比如常 见的：固定窗口算法、滑动窗口算法、令牌桶算法、漏桶算法等都属 于以静态方法即阈值固定的方式进行限流。

然而采用阈值固定的方式进行限流时，每次业务发生变更时都要 进行压力测试计算评估出最新的阈值，增量了测试工作量，同时由于 环境的不确定性导致计算的阈值不够准确。

发明内容

鉴于上述问题，本公开提供了基于遗传算法的流量阈值的确定方 法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种基于遗传算法的流量阈值 的确定方法，包括：

对多个目标流量值进行二进制编码生成所述多个目标流量值的 编码，其中所述多个目标流量值是根据目标服务支持的流量阈值范围 确定的；

确定初始化种群个体数和遗传算法参数，其中，每一种群个体唯 一对应一个编码，所述遗传算法参数包括预设遗传代数、交叉率和变 异率；以及

对所述多个目标流量值的编码进行选择、交叉和变异操作，以确 定目标流量阈值。

根据本公开的实施例，所述对所述多个目标流量值的编码进行选 择、交叉、变异操作确定目标流量阈值包括：

根据适应度函数确定种群内所有个体的第一适应度；

根据所述第一适应度和预设选择规则对种群内所有个体进行第 一选择操作；

根据所述交叉率对经过第一选择操作的个体进行交叉操作；

根据所述变异率对交叉后的个体进行变异操作；

根据所述适应度函数确定当前种群内所有个体的第二适应度；

根据所述第二适应度和所述预设选择规则对当前种群内所有个 体进行第二选择操作；

重复上述交叉操作、变异操作和选择操作直至迭代次数大于预设 遗传代数，确定适应度最高的编码对应的流量值为目标流量阈值。

根据本公开的实施例，所述根据适应度函数确定种群内所有个体 的第一适应度包括：

获取种群内所有个体的历史服务器性能数据；以及

根据所述历史服务器性能指标和所述适应度函数确定种群内所 有个体的第一适应度。

根据本公开的实施例，所述根据所述第一适应度和预设选择规则 对种群内所有个体进行第一选择操作包括：

根据所述第一适应度剔除一半的种群个体。

根据本公开的实施例，所述根据所述交叉率对经过第一选择操作 的个体进行交叉操作包括：

根据所述交叉率确定偶数个进行交叉操作的个体；

将所述偶数个进行交叉操作的个体进行随机配对；以及

将完成配对的两个体的前半段编码进行交换生成两个新的个体。

根据本公开的实施例，根据所述变异率对交叉后的个体进行变异 操作包括：

根据所述变异率和交叉操作产生的新个体确定进行变异操作的 个体；以及

对所述进行变异操作的个体的任意一位编码进行取反操作。

根据本公开的第二个方面，提供了一种基于遗传算法的流量阈值 的确定装置，包括：

编码装置，用于对多个目标流量值进行二进制编码生成所述多个 目标流量值的编码，其中，所述多个目标流量值是根据目标服务支持 的流量阈值范围确定的；

第一确定装置，用于确定初始化种群个体数和遗传算法参数，其 中，每一种群个体唯一对应一个编码，所述遗传算法参数包括预设遗 传代数、交叉率和变异率；以及

第二确定装置，用于对所述多个目标流量值的编码进行选择、交 叉、变异操作确定目标流量阈值。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理 器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程 序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述 基于遗传算法的流量阈值的确定方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储 有可执行指令，该指令被处理器执行时使处理器执行上述基于遗传算 法的流量阈值的确定方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程 序，该计算机程序被处理器执行时实现上述基于遗传算法的流量阈值 的确定方法。

通过本公开提供的基于遗传算法的流量阈值的确定方法，通过将 目标流量值进行编码，建立初始化种群，利用遗传算法对种群内个体 进行选择、交叉、变异、再选择操作，根据适应度函数计算种群内个 体的适应度，进而确定目标流量阈值，相较于现有技术人工确定流量 阈值的方法，本公开的方法计算结果更准确，减少人工介入，效率更高。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以 及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的基于遗传算法的流量阈 值的确定方法、装置、设备、存储介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的实现确定流量阈值方法 的流程图；

图3示意性示出了根据本公开实施例的一种基于遗传算法的流 量阈值的确定方法的流程图；

图4示意性示出了根据本公开实施例的目标流量阈值的确定方 法的流程图；

图5示意性示出了根据本公开实施例的适应度的确定方法的流 程图；

图6示意性示出了根据本公开实施例的种群个体进行交叉操作 的流程图；

图7示意性示出了根据本公开实施例的种群个体进行变异操作 的流程图；

图8a示意性示出了根据本公开实施例的基于遗传算法的流量阈值的确定装置的结构框图；

图8b示意性示出了根据本公开实施例的第二确定模块的结构框 图；

图8c示意性示出了根据本公开实施例的第一确定子模块的结构 框图；

图8d示意性示出了根据本公开实施例的交叉子模块的结构框图；

图8e示意性示出了根据本公开实施例的变异子模块的结构框图； 以及

图9示意性示出了根据本公开实施例的适于实现基于遗传算法 的流量阈值的确定方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些 描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述 中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全 面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情 况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本 公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操 作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、 步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人 员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解 释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于 刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下， 一般来说应该按照本领域技术人员通常理解该表述的含义来予以解 释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独 具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有 B和C、和/或具有A、B、C的系统等)。

首先对本公开实施例出现的术语进行解释：

流控机制：是指通过限制单位时间内进入网关的请求数量，来保 证系统的平稳运行的机制。

流量阈值：单位时间内进入网关的请求数量最大值。

遗传算法：Genetic Algorithm，GA，该算法是根据大自然中生物 体进化规律而提出的，是模拟达尔文生物进化论的自然选择和遗传性 机理的生物进化过程的计算模型，通过模拟自然进化过程搜索最优解 的方法，该算法通过数学的方式，利用计算机仿真运算，将问题的求 解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。

个体：经过编码后的流量大小，每一流量值对应一个编码，即为 一个个体。

种群：所有个体的集合。

选择操作：以一定概率从种群中选择若干个体。一般，选择过程 是一种基于适应度的优胜劣汰的过程，即根据适应度从种群中选择个 体。

复制操作：两个编码串某一相同位置被切断，前后两串分别交叉 组合形成两个新的编码串。

变异操作：在复制的过程中，以一定概率，随机改变某位编码。

随着互联网络的飞速发展，给网络系统的正常运行带来了一系列 的问题，其中最突出的是由网络流量过大引发的网络拥塞，系统崩溃 等问题。目前对于一些不定期组织的运营推广活动、或者特殊的舆情 爆发场景。更是能带来超预期的流量增长，容易引起系统过载，造成 系统的不稳定。一般业界对于网络流量激增问题都会使用流控机制。当资源成为瓶颈时，服务框架需要对消费者进行限流。流量控制有很 多策略，比如常见的：固定窗口算法、滑动窗口算法、令牌桶算法、 漏桶算法等都属于以静态方法即阈值固定的方式进行限流。使用阈值 固定的方式进行限流，存在一些具体的缺陷：

首先，在每次业务发生变更时，都要进行压力测试以计算评估出 最新的阈值。即增加测试工作量，浪费人力成本，又因为环境的不确 定性导致计算的阈值不够准确。其次，目前很多项目都依赖很多具体 的服务，无法动态地调整每个服务的的流量阈值，导致服务器资源的 浪费。

基于上述技术问题，本公开的实施例提供了一种基于遗传算法的 流量阈值的确定方法，包括：对多个目标流量值进行二进制编码生成 所述多个目标流量值的编码，其中所述多个目标流量值是根据目标服 务支持的流量阈值范围确定的；确定初始化种群个体数和遗传算法参 数，其中，每一种群个体唯一对应一个编码，所述遗传算法参数包括预设遗传代数、交叉率和变异率；以及对所述多个目标流量值的编码 进行选择、交叉、变异操作确定目标流量阈值。

图1示意性示出了根据本公开实施例的基于遗传算法的流量阈 值的确定方法、装置、设备、存储介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括流量控制场 景。网络104用以在终端设备101、102、103和服务器105之间提供 通信链路的介质。网络104可以包括各种连接类型，例如有线、无线 通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器 105交互，以接收或发送消息等。终端设备101、102、103上可以安 装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索 类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的 各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算 机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端 设备101、102、103所产生的网络流量进行控制的后台管理服务器(仅 为示例)。后台管理服务器可以根据当前接收到的用户请求等数据进 行分析等处理，例如可以是根据当前时刻之前的预设时间内的网络流量和服务器性能数据确定流量阈值，根据该流量阈值对用户流量进行 控制。

需要说明的是，本公开实施例所提供的基于遗传算法的流量阈值 的确定方法一般可以由服务器105执行。相应地，本公开实施例所提 供的基于遗传算法的流量阈值的确定装置一般可以设置于服务器105 中。本公开实施例所提供的基于遗传算法的流量阈值的确定方法也可 以由不同于服务器105且能够与终端设备101、102、103和/或服务 器105通信的服务器或服务器集群执行。相应地，本公开实施例所提 供的基于遗传算法的流量阈值的确定装置也可以设置于不同于服务 器105且能够与终端设备101、102、103和/或服务器105通信的服 务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的实现确定流量阈值方法 的流程图。如图2所示，用户请求即为网络流量，当出现多个用户同 时发起用户请求时，为了防止系统过载，维持系统稳定运行，服务框架需要对消费者进行限流，即网关根据流量阈值对网络流量进行控制， 阈值计算模块采集到服务器的性能数据，根据获取到的服务器性能数 据，通过遗传算法的多次迭代计算得到目标阈值，网关根据目标阈值 对网络流量进行控制。

以下将基于图1描述的场景，通过图3～图7对公开实施例的报 文信息的安全交互方法进行详细描述。

图3示意性示出了根据本公开实施例的一种基于遗传算法的流 量阈值的确定方法的流程图。

如图3所示，该实施例的基于遗传算法的流量阈值的确定方法包 括操作S210～操作S230。可以由服务器或计算设备执行。流控阈值的确定问题，可以转化为以流量大小为自变量，以用户满意度和服务器 性能等为因变量的函数求极值问题。而遗传算法是借鉴生物选择和进 化机制发展起来的一种高度并行、随机和自适应搜索算法。适用于处 理解决复杂和非线性问题。

在操作S210，对多个目标流量值进行二进制编码生成所述多个 目标流量值的编码，其中所述多个目标流量值是根据目标服务支持的 流量阈值范围确定的。

一个示例中，由于遗传算法的进化过程是建立在编码机制基础上 的，通常使用二进制串进行编码。在本公开实施例中，是对流量阈值 在一定的流量阈值范围进行计算求得最优解，因此首先对多个目标流 量值进行二进制编码，每一流量值对应一个编码，多个目标流量值即 根据目标服务支持的流量阈值范围确定的。

例如：某目标服务支持的流量阈值范围为[x，y]，编码使用32位时。根据计算公式：

其中，g为目标流量值，x和y分别是流量阈值的下限和上限。

假设该目标服务支持的流量阈值范围在区间10-10000，对目标流 量值986进行编码。过程为：

1.对10-10000之间，平均等分为2的32次方份。每份值约为： 0.00000232597813。

2.计算986从10开始计算占用多少份：

3.对419608417进行二进制编码，则目标流量值986对应的编码 为00011001000000101011011101100001。

任意一个目标流量值都可经过上述计算过程生成一个32位的编 码，每一个编码即为种群中的个体。

在操作S220，确定初始化种群个体数和遗传算法参数。

根据本公开实施例，每一种群个体唯一对应一个编码，所述遗传 算法参数包括预设遗传代数、交叉率和变异率。

一个示例中，确定初始化种群个体数和遗传算法参数，遗传算法 参数为在计算搜索中使用到的参数，例如遗产代数，即计算迭代次数； 交叉率，即种群个体交配的概率；变异率，即染色体基因突变的概率。 本实施例中，种群个体数为随机确定的，例如可以在流量阈值范围内 随机选择10个目标流量值，即10个32位编码，作为初始种群的个体。

在操作S230，对所述多个目标流量值的编码进行选择、交叉和 变异操作，以确定目标流量阈值。

一个示例中，对多个目标流量值对应的编码按照操作S220设置 的参数进行选择、交叉和变异操作，计算种群内所有个体的适应度， 按照适应度排名淘汰个体，迭代预设遗传代数后，选择适应度最高的 个体为本次计算的最优解，作为目标流量阈值，对编码选择交叉变异 的具体过程参见图4所示的操作S231～操作S237，在此不再赘述。

通过本公开提供的基于遗传算法的流量阈值的确定方法，通过将 目标流量值进行编码，建立初始化种群，利用遗传算法对种群内个体 进行选择、交叉、变异和再选择操作，根据适应度函数计算种群内个 体的适应度，进而确定目标流量阈值，相较于现有技术人工确定流量 阈值的方法，本公开的方法计算结果更准确，减少人工介入，效率更高。

接下来将通过图4～图7详细介绍遗传算法选择、交叉和变异操 作的过程。图4示意性示出了根据本公开实施例的目标流量阈值的确 定方法的流程图。如图4所示，操作S230包括操作S231～操作S237。

在操作S231，根据适应度函数确定种群内所有个体的第一适应 度。

一个示例中，通过适应度函数评价种群中个体是否满足要求，适 应度越高的个体表征满足要求的程度越高，适应度低的个体则被淘汰， 模拟自然优胜劣汰的过程。适应度函数也称为对象函数，是问题求解 品质的测量函数。用来评价最终结果满足要求的程度。适应度的确定 过程可参见图5所示的操作S2311和操作S2312。

图5示意性示出了根据本公开实施例的适应度的确定方法的流 程图，如图5所示，操作S231包括操作S2311～操作S2312.

在操作S2311，获取种群内所有个体的历史服务器性能数据。在 操作S2312，根据所述历史服务器性能指标和所述适应度函数确定种 群内所有个体的第一适应度。

根据本公开实施例，所述适应度函数包括服务器性能指标和预设 指标权重。

一个示例中，流控机制中需要关注的数据包括服务响应时间和服 务器性能数据，该数据直接影响用户的满意度，必须在用户的可容忍 范围内。服务器性能数据包括服务器的CPU使用率、内存占用、磁 盘IO速度，这些因素会直接影响服务的响应速度，严重时会导致系统崩溃，影响系统稳定性。因此在本实施例中适应度函数为可以是由 服务器性能指标和指标权重组成的计算式，例如：

根据专家经验生成各项指标权重表如下表1：

表1 指标权重表

当CPU使用率为80％、内存已使用/总内存(20G/32G)、磁盘I/O 为40％、网络速度/带宽(80M/100M)。则计算适应度为：

适应度＝80*80％+75*(20/32)+85*40％+50*(80/100)＝184.88。

获取种群内个体的历史服务器性能数据，可以是当前时间前1小 时的数据，根据上述计算方法计算出每个个体的第一适应度。

在操作S232，根据所述第一适应度和预设选择规则对种群内所 有个体进行第一选择操作。

根据本公开实施例，根据所述第一适应度剔除一半的种群个体。

一个示例中，第一选择操作是模拟大自然优胜劣汰的过程，适应 度高的个体生存，适应度低的个体被淘汰，根据操作S231计算出的 第一适应度进行第一选择操作，按照第一适应度进行排名，淘汰剔除 一般的种群个体。对保存下来的个体进行交叉变异操作。

在操作S233，根据所述交叉率对经过第一选择操作的个体进行 交叉操作。

一个示例中，操作S233的过程可参见图6所示的操作S2331～操 作S2333，在此不再赘述。

图6示意性示出了根据本公开实施例的种群个体进行交叉操作 的流程图。如图6所示，操作S233包括操作S2331～操作S2333。

在操作S2331，根据所述交叉率确定偶数个进行交叉操作的个体。 在操作S2332，将所述偶数个进行交叉操作的个体进行随机配对；在 操作S2333，将完成配对的两个体的前半段编码进行交换生成两个新的个体。

一个示例中，根据交叉率确定进行交叉操作的个体，例如一种有 10个个体，交叉率为60％，则随机确定6个个体进行交叉操作。例 如两个个体的编码如下：

1010101010101010|0001110100011101

1101001011010010|1111110011111100。

将完成配对的两个体的前半段编码进行互换生成两个新的编码(个体)如下：

1010101010101010|1111110011111100

1101001011010010|0001110100011101

在操作S234，根据所述变异率对交叉后的个体进行变异操作。

一个示例中，操作S234的过程可参见图6所示的操作S2341～操 作S2342，在此不再赘述。

图7示意性示出了根据本公开实施例的种群个体进行变异操作 的流程图。如图7所示，操作S234包括操作S2341～操作S2342。

在操作S2341，根据所述变异率和交叉操作产生的新个体确定进 行变异操作的个体。在操作S2342，对所述进行变异操作的个体的任 意一位编码进行取反操作。

一个示例中，对交叉后产生的新的个体，按照变异率进行变异操 作，变异操作具体包括，按照变异率在交叉后产生的新的个体选择进 行变异操作的个体，随机选择该个体的某一位编码进行取反操作，例 如原编码为：

10101010101010101111110|0|11111100。

变异后的编码为：

10101010101010101111110|1|11111100。

在操作S235，根据所述适应度函数确定当前种群内所有个体的 第二适应度。在操作S236，根据所述第二适应度和所述预设选择规 则对当前种群内所有个体进行第二选择操作。

一个示例中，根据上述适应度的计算方法计算种群内所有个体的 第二适应度，具体的，首先对经过交叉变异操作产生的新的个体的编 码转换成对应的目标流量值，在数据库中查询该目标流量值对应的历 史服务器性能数据，进而计算出新个体的第二适应度；根据第二适应 度再次排序，同样剔除一半的个体。

在操作S237，重复上述交叉操作、变异操作和选择操作直至迭 代次数大于预设遗传代数，确定适应度最高的编码对应的流量值为目 标流量阈值。

一个示例中，在执行操作S235之后，遗传代数加一，需要判断 当前遗传代数是否大于预设遗传代数，若当前遗传代数小于预设遗传 代数，则继续执行操作S231至操作S236，重复对种群个体的选择、 交叉和变异操作；若当前遗传代数大于预设遗传代数，则根据个体的 适应度，选择适应度最高的个体，计算该个体对应的目标流量值作为最终的目标流量阈值。

基于上述基于遗传算法的流量阈值的确定方法，本公开还提供了 一种基于遗传算法的流量阈值的确定装置。以下将结合图8a～图8e 对该装置进行详细描述。

图8a示意性示出了根据本公开实施例的基于遗传算法的流量阈 值的确定装置的结构框图。图8b示意性示出了根据本公开实施例的 第二确定模块的结构框图。图8c示意性示出了根据本公开实施例的 第一确定子模块的结构框图。图8d示意性示出了根据本公开实施例的交叉子模块的结构框图。图8e示意性示出了根据本公开实施例的 变异子模块的结构框图。

如图8a所示，该实施例的基于遗传算法的流量阈值的确定装置 800包括编码模块810、第一确定模块820和第二确定模块830。

编码模块810用于对多个目标流量值进行二进制编码生成所述 多个目标流量值的编码，其中，所述多个目标流量值是根据目标服务 支持的流量阈值范围确定的。在一实施例中，编码模块810可以用于执行前文描述的操作S210，在此不再赘述。

第一确定模块820用于确定初始化种群个体数和遗传算法参数， 其中，每一种群个体唯一对应一个编码，所述遗传算法参数包括预设 遗传代数、交叉率和变异率。在一实施例中，第一确定模块820可以用于执行前文描述的操作S220，在此不再赘述。

第二确定模块830用于对所述多个目标流量值的编码进行选择、 交叉和变异操作，以确定目标流量阈值。在一实施例中，第二确定模 块830可以用于执行前文描述的操作S230，在此不再赘述。

如图8b所示，第二确定模块830包括第一确定子模块831、第 一选择子模块832、交叉子模块833、变异子模块834、第二确定子 模块835、第二选择子模块836和第三确定子模块837。

第一确定子模块831用于根据适应度函数确定种群内所有个体 的第一适应度。在一实施例中，第一确定子模块831可以用于执行前 文描述的操作S231，在此不再赘述。

第一选择子模块832用于根据所述第一适应度和预设选择规则 对种群内所有个体进行第一选择操作。在一实施例中，第一选择子模 块832可以用于执行前文描述的操作S232，在此不再赘述。

交叉子模块833用于根据所述交叉率对经过第一选择操作的个 体进行交叉操作。在一实施例中，交叉子模块833可以用于执行前文 描述的操作S233，在此不再赘述。

变异子模块834用于根据所述变异率对交叉后的个体进行变异 操作。在一实施例中，变异子模块834可以用于执行前文描述的操作 S234，在此不再赘述。

第二确定子模块835用于根据所述适应度函数确定当前种群内 所有个体的第二适应度。在一实施例中，第二确定子模块835可以用 于执行前文描述的操作S235，在此不再赘述。

第二选择子模块836用于根据所述第二适应度和所述预设选择 规则对当前种群内所有个体进行第二选择操作。在一实施例中，第二 选择子模块836可以用于执行前文描述的操作S236，在此不再赘述。

第三确定子模块837用于重复上述交叉操作、变异操作和选择操 作直至迭代次数大于预设遗传代数，确定适应度最高的编码对应的流 量值为目标流量阈值。在一实施例中，第三确定子模块837可以用于执行前文描述的操作S237，在此不再赘述。

如图8c所示，根据本公开的实施例，第一确定子模块831包括 获取单元8311和第一确定单元8312。

获取单元8311用于获取种群内所有个体的历史服务器性能数据。 在一实施例中，获取8311可以用于执行前文描述的操作S2311，在此不再赘述。

第一确定单元8312用于根据所述历史服务器性能指标和所述适 应度函数确定种群内所有个体的第一适应度。在一实施例中，第一确 定单元8312可以用于执行前文描述的操作S2312，在此不再赘述。

如图8d所示，交叉子模块833包括第二确定单元8331、配对单 元8332和交叉单元8333。

第二确定单元8331用于根据所述交叉率确定偶数个进行交叉操 作的个体。在一实施例中，第二确定单元8331可以用于执行前文描 述的操作S2331，在此不再赘述。

配对单元8332用于将所述偶数个进行交叉操作的个体进行随机 配对。在一实施例中，配对单元8332可以用于执行前文描述的操作 S2332，在此不再赘述。

交叉单元8333用于将完成配对的两个体的前半段编码进行交换 生成两个新的个体。在一实施例中，交叉单元8333可以用于执行前 文描述的操作S2333，在此不再赘述。

如图8e所示，变异子模块834包括第三确定单元8341和变异单 元8342。

第三确定单元8341用于根据所述变异率和交叉操作产生的新个 体确定进行变异操作的个体。在一实施例中，第三确定单元8341可 以用于执行前文描述的操作S2341，在此不再赘述。

变异单元8342用于对所述进行变异操作的个体的任意一位编码 进行取反操作。在一实施例中，变异单元8342可以用于执行前文描 述的操作S2342，在此不再赘述。

根据本公开的实施例，编码模块810、第一确定模块820和第二 确定模块830中的任意多个模块可以合并在一个模块中实现，或者其 中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个 或多个模块的至少部分功能可以与其他模块的至少部分功能相结合， 并在一个模块中实现。根据本公开的实施例，编码模块810、第一确 定模块820和第二确定模块830中的至少一个可以至少被部分地实现 为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、 片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或 固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以 其中任意几种的适当组合来实现。或者，编码模块810、第一确定模 块820和第二确定模块830中的至少一个可以至少被部分地实现为计 算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图9示意性示出了根据本公开实施例的适于实现基于遗传算法 的流量阈值的确定方法的电子设备的方框图。

如图9所示，根据本公开实施例的电子设备900包括处理器901， 其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分 908加载到随机访问存储器(RAM)903中的程序而执行各种适当的 动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成 电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存 储器。处理器901可以包括用于执行根据本公开实施例的方法流程的 不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数 据。处理器901、ROM902以及RAM 903通过总线904彼此相连。 处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据 本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存 储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器 901也可以通过执行存储在所述一个或多个存储器中的程序来执行根 据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O) 接口905，输入/输出(I/O)接口905也连接至总线904。电子设备 900还可以包括连接至I/O接口905的以下部件中的一项或多项：包 括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储 部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通 信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱 动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁 盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910 上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介 质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是 单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实 现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计 算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬 盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组 合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的 有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其 结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包 括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序， 该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机 程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现 本公开实施例所提供的基于遗传算法的流量阈值的确定方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/ 装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装 置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储 器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载 和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序 代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等 等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络 上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序 被处理器901执行时，执行本公开实施例的系统中限定的上述功能。 根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等 可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组 合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体 地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语 言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++， python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备 上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算 设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网 (LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接 到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码 的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于 实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发 生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们 有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的 是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合， 可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者 可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求 中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合 没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情 况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为 了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述 了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合 使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改 都应落在本公开的范围之内。

Claims (8)

1.一种基于遗传算法的流量阈值的确定方法，其特征在于，包括：

对多个目标流量值进行二进制编码生成所述多个目标流量值的编码，其中所述多个目标流量值是根据目标服务支持的流量阈值范围确定的；

确定初始化种群个体数和遗传算法参数，其中，每一种群个体唯一对应一个编码，所述遗传算法参数包括预设遗传代数、交叉率和变异率；以及

对所述多个目标流量值的编码进行选择、交叉和变异操作，以确定目标流量阈值，其中，所述对所述多个目标流量值的编码进行选择、交叉、变异操作确定目标流量阈值包括：

根据适应度函数确定种群内所有个体的第一适应度；

根据所述第一适应度和预设选择规则对种群内所有个体进行第一选择操作；

根据所述交叉率对经过第一选择操作的个体进行交叉操作；

根据所述变异率对交叉后的个体进行变异操作；

根据所述适应度函数确定当前种群内所有个体的第二适应度；

根据所述第二适应度和所述预设选择规则对当前种群内所有个体进行第二选择操作；以及

重复上述交叉操作、变异操作和选择操作直至迭代次数大于预设遗传代数，确定适应度最高的编码对应的流量值为目标流量阈值。

2.根据权利要求1所述的方法，其特征在于，所述适应度函数包括服务器性能指标和预设指标权重，所述根据适应度函数确定种群内所有个体的第一适应度包括：

获取种群内所有个体的历史服务器性能数据；以及

根据所述历史服务器性能指标和所述适应度函数确定种群内所有个体的第一适应度。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一适应度和预设选择规则对种群内所有个体进行第一选择操作包括：

根据所述第一适应度剔除一半的种群个体。

4.根据权利要求1所述的方法，其特征在于，所述根据所述交叉率对经过第一选择操作的个体进行交叉操作包括：

根据所述交叉率确定偶数个进行交叉操作的个体；

将所述偶数个进行交叉操作的个体进行随机配对；以及

将完成配对的两个体的前半段编码进行交换生成两个新的个体。

5.根据权利要求4所述的方法，其特征在于，根据所述变异率对交叉后的个体进行变异操作包括：

根据所述变异率和交叉操作产生的新个体确定进行变异操作的个体；以及

对所述进行变异操作的个体的任意一位编码进行取反操作。

6.一种基于遗传算法的流量阈值的确定装置，包括：

编码模块，用于对多个目标流量值进行二进制编码生成所述多个目标流量值的编码，其中，所述多个目标流量值是根据目标服务支持的流量阈值范围确定的；

第一确定模块，用于确定初始化种群个体数和遗传算法参数，其中，每一种群个体唯一对应一个编码，所述遗传算法参数包括预设遗传代数、交叉率和变异率；以及

第二确定模块，用于对所述多个目标流量值的编码进行选择、交叉、变异操作确定目标流量阈值，

其中所述第二确定模块包括：第一确定子模块、第一选择子模块、交叉子模块、变异子模块、第二确定子模块、第二选择子模块和第三确定子模块，

第一确定子模块用于根据适应度函数确定种群内所有个体的第一适应度；

第一选择子模块用于根据所述第一适应度和预设选择规则对种群内所有个体进行第一选择操作；

交叉子模块用于根据所述交叉率对经过第一选择操作的个体进行交叉操作；

变异子模块用于根据所述变异率对交叉后的个体进行变异操作；

第二确定子模块用于根据所述适应度函数确定当前种群内所有个体的第二适应度；

第二选择子模块用于根据所述第二适应度和所述预设选择规则对当前种群内所有个体进行第二选择操作；

第三确定子模块用于重复上述交叉操作、变异操作和选择操作直至迭代次数大于预设遗传代数，确定适应度最高的编码对应的流量值为目标流量阈值。

7.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～5中任一项所述的方法。

8.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～5中任一项所述的方法。