CN115242648B - 扩缩容判别模型训练方法和算子扩缩容方法 - Google Patents
扩缩容判别模型训练方法和算子扩缩容方法 Download PDFInfo
- Publication number
- CN115242648B CN115242648B CN202210848884.0A CN202210848884A CN115242648B CN 115242648 B CN115242648 B CN 115242648B CN 202210848884 A CN202210848884 A CN 202210848884A CN 115242648 B CN115242648 B CN 115242648B
- Authority
- CN
- China
- Prior art keywords
- expansion
- operator
- contraction
- sample
- training
- 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
Links
- 230000008602 contraction Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种扩缩容判别模型训练方法和算子扩缩容方法，涉及人工智能技术领域，具体涉及有监督的机器学习技术领域，可应用于算子服务器扩缩容场景。扩缩容判别模型训练方法的一具体实施方式包括：获取训练样本，其中，训练样本包括样本算子的属性特征集和标注扩缩容系数；将样本算子的属性特征集作为输入，将样本算子的标注扩缩容系数作为输出，训练得到扩缩容判别模型。该实施方式通过训练扩缩容判别模型，能够实现对流式任务的算子的动态扩缩容调度。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及有监督的机器学习技术领域，可应用于算子服务器扩缩容场景。
背景技术
当前正处于互联网快速发展时代，网络正在不断的影响人们的生活，给人们生活提供便利的同时，互联网服务也面临越来越严峻的考验。消息的实时性、服务的稳定性、网络的畅通行都是各大互联网公司需要解决的重点问题。用户量级越大的应用对服务器的需求量就越大，流量高峰期对服务器资源进行扩容，流量低峰期对服务器资源进行缩容。合理的利用服务器资源、节约服务器资源成本也是各大互联网公司在研究的重点。
其中，垂类搜索业务主要使用流式任务计算，不同于传统的定时任务计算，它对数据的实时性要求非常高。并且，同一流式任务包含多个算子服务器，各个算子服务器的处理复杂度也不相同。由于资源成本的问题，机器资源有限，不能无限地增大资源池的机器数量。
目前，流式任务算子的扩缩容方案主要分为以下两类：其一，基于人工手动扩缩容的方法，该方式主要是通过监控线上数据堆积对相关人员发出报警通知，然后人工去进行扩缩容。其二，基于固定策略的自动扩缩容方法，该方式主要是提前设定好固定的扩缩容比例。
发明内容
本公开实施例提出了一种扩缩容判别模型训练方法和算子扩缩容方法。
第一方面，本公开实施例提出了一种扩缩容判别模型训练方法，包括：获取训练样本，其中，训练样本包括样本算子的属性特征集和标注扩缩容系数；将样本算子的属性特征集作为输入，将样本算子的标注扩缩容系数作为输出，训练得到扩缩容判别模型。
第二方面，本公开实施例提出了一种算子扩缩容方法，包括：响应于满足触发条件，获取流式任务算子的属性特征集；将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数，其中，扩缩容判别模型采用如第一方面所述的方法训练得到；基于流式任务算子的扩缩容系数进行扩缩容。
第三方面，本公开实施例提出了一种扩缩容判别模型训练装置，包括：获取模块，被配置成获取训练样本，其中，训练样本包括样本算子的属性特征集和标注扩缩容系数；训练模块，被配置成将样本算子的属性特征集作为输入，将样本算子的标注扩缩容系数作为输出，训练得到扩缩容判别模型。
第四方面，本公开实施例提出了一种流式任务算子扩缩容装置，包括：获取模块，被配置成响应于满足触发条件，获取流式任务算子的属性特征集；判别模块，被配置成将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数，其中，扩缩容判别模型采用如第三方面所述的装置训练得到；扩缩容模块，被配置成基于流式任务算子的扩缩容系数进行扩缩容。
第五方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
第七方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
本公开实施例提供的扩缩容判别模型训练方法，通过训练扩缩容判别模型，能够实现对流式任务的算子的动态扩缩容调度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的扩缩容判别模型训练方法的一个实施例的流程图；
图2是根据本公开的扩缩容判别模型训练方法的又一个实施例的流程图；
图3是根据本公开的算子扩缩容方法的一个实施例的流程图；
图4是根据本公开的算子扩缩容方法的又一个实施例的流程图；
图5是流式任务扩缩容算法架构图；
图6是根据本公开的扩缩容判别模型训练装置的一个实施例的结构示意图；
图7是根据本公开的流式任务算子扩缩容装置的一个实施例的结构示意图；
图8是用来实现本公开实施例的扩缩容判别模型训练方法或算子扩缩容方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
参考图1，其示出了根据本公开的扩缩容判别模型训练方法的一个实施例的流程100。该扩缩容判别模型训练方法包括以下步骤：
步骤101，获取训练样本。
在本实施例中，扩缩容判别模型训练方法的执行主体可以获取样本流式任务的训练样本集。
其中，样本算子是执行样本流式任务的服务器。一个样本算子对应一个训练样本(X,y)，训练样本(X,y)可以包括样本算子的属性特征集X和标注扩缩容系数y。属性特征集X＝(x1,...,xi,...,xn)，i为正整数，且1≤i≤n，n为样本算子的属性特征的数量。xi表示样本算子的第i个属性特征。标注扩缩容系数y可以是线下人工根据经验对样本算子的当前运行情况进行打分标注，标明样本算子的扩缩容比例。
由于一个样本流式任务需要多个样本算子来执行，因此一个样本流式任务对应一个训练样本集{(X1,y1),...,(Xj,yj),...,(XN,yN)}。其中，j为正整数，且1≤j≤N，N为执行样本流式任务的样本算子的数量。(Xj,yj)是执行样本流式任务的第j个样本算子对应的训练样本，Xj为第j个样本算子的属性特征集，yj为第j个样本算子的标注扩缩容系数。
通常，样本算子的属性特征集X可以是样本流式任务运行时的数据。一方面，可以根据流式任务的运行情况获得，包括但不限于任务实时收到流量QPS(Query Per Second，每秒请求数)、任务实时处理数据QPS、数据堆积总量、任务写入流量QPS、算子当前实例数、算子消费QPS、算子消费延迟、算子前置队列、算子后置队列和当前空闲资源数等等。另一方面，可以包括样本流式任务的状态：运行中或已挂起、最近一次扩缩容时间等等。其中，算子消费QPS可以表示算子的处理能力。算子前置数据队列的数值越高，表示当前算子处理能力越差，容易产生数据堆积。算子后置数据队列的数值越高，表示后一个算子处理能力越差，容易造成数据堆积。运行中或已挂起说明无流量，会回收调机器资源暂时休眠不工作。最近一次扩缩容时间是为了不频繁扩缩容，能够将有限的机器资源分给更多的任务，使多数任务都能消费数据，避免数据堆积。
步骤102，将样本算子的属性特征集作为输入，将样本算子的标注扩缩容系数作为输出，训练得到扩缩容判别模型。
在本实施例中，上述执行主体可以将样本算子的属性特征集X作为输入，将样本算子的标注扩缩容系数y作为输出，训练得到扩缩容判别模型。
通常，将样本算子的属性特征集X作为输入，将样本算子的标注扩缩容系数y作为输出，可以训练出一个属性权重向量W＝(w1,...,wi,...,wn)，作为扩缩容判别模型。其中，属性权重向量W中的元素wi与属性特征集X中的属性特征xi一一对应，用于表征属性特征的重要程度。在一些实施例中，利用LR(Logistics Regression，逻辑回归)算法进行模型训练，以及使用GD(gradient descent，梯度下降算法)来对属性权重向量W进行更新，得到扩缩容判别模型。
本公开实施例提供的扩缩容判别模型训练方法，通过训练扩缩容判别模型，能够实现对流式任务的算子的动态扩缩容调度。在资源池有限的情况下能够更加有效利用机器资源。
继续参考图2，其示出了根据本公开的扩缩容判别模型训练方法的又一个实施例的流程200。该扩缩容判别模型训练方法包括以下步骤：
步骤201，获取训练样本。
在本实施例中，步骤201的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍，在此不再赘述。
步骤202，初始化属性权重向量。
在本实施例中，扩缩容判别模型训练方法的执行主体可以初始化属性权重向量W。
其中，属性权重向量W中的元素wi与属性特征集X中的属性特征xi一一对应，这里，可以先对属性权重向量W初始化。通常，属性权重向量W可以被初始化成全0向量，即，属性权重向量W＝(0,...,0,...,0)。
步骤203，基于样本算子的属性特征集和属性权重向量，计算样本算子的预测扩缩容系数。
在本实施例中，上述执行主体可以基于样本算子的属性特征集X和属性权重向量W，计算样本算子的预测扩缩容系数score。
对于训练样本(X,y)为例，可以先通过内积W·X来计算特征权重之和，再采用Sigmoid函数将样本算子的分值p划归到(-1，1)之间，并取0作为阈值，最后将分值p做乘以4同时取整处理，即，样本算子的预测扩缩容系数score＝[p×4]。
通常，当消费QPS大于接入QPS、无数据堆积或算子前置队列为0时，p＜0，表示样本算子需要进行缩容操作。而p＞0，表示样本算子需要进行扩容操作。p＝0，表示样本算子不需要进行扩缩容操作。并且，p的大小也直接反应扩缩容的倍数，即，将p做乘以4同时取整处理得到的预测扩缩容系数score即表示扩缩容的倍数。这里，这样设置区间的原因是机器资源有限，以便于更多的流式任务都有机会扩容消费。W·X越接近正无穷，score就越接近4，W·X越接近负无穷，score越接近-4。
步骤204，基于样本算子的属性特征集、预设步长和样本算子的标注扩缩容系数与预测扩缩容系数的差值，对属性权重向量进行更新，以及将更新后的属性权重向量作为扩缩容判别模型。
在本实施例中，上述执行主体可以基于样本算子的属性特征集X、预设步长rate(例如，设置为0.001)和样本算子的标注扩缩容系数y与预测扩缩容系数score的差值error，对属性权重向量W进行更新，以及将更新后的属性权重向量W作为扩缩容判别模型。
通常，当输入第k(k为正整数)个训练样本集时，先对这个训练样本集进行计算，而后用这个训练样本集更新第k-1个模型，生成第k个模型。这样，属性权重向量W实时更新，最后训练出一组属性权值向量W＝(w1,...,wi,...,wn)，即，扩缩容判别模型。
其中，属性权重向量W中的第i个元素wi可以例如通过如下公式进行更新：
wi＝wi+xi×rate×error。
其中，属性权重向量W可以例如通过如下算法进行更新：
从图2中可以看出，与图1对应的实施例相比，本实施例中的扩缩容判别模型训练方法的流程200突出了训练步骤。由此，本实施例描述的方案通过更新属性权重向量得到扩缩容判别模型。
参考图3，其示出了根据本公开的算子扩缩容方法的一个实施例的流程300。该算子扩缩容方法包括以下步骤：
步骤301，响应于满足触发条件，获取流式任务算子的属性特征集。
在本实施例中，在满足触发条件的情况下，算子扩缩容方法的执行主体可以获取流式任务算子的属性特征集。其中，流式任务算子的属性特征集就可以包括但不限于任务实时收到流量QPS、任务实时处理数据QPS、数据堆积总量、任务写入流量QPS、算子当前实例数、算子消费QPS、算子消费延迟、算子前置队列、算子后置队列、当前空闲资源数运行中或已挂起和最近一次扩缩容时间等等。
其中，触发条件可以是触发流式任务算子扩缩容的条件。目前，流式任务的数目超过400个，每个任务都有单独线程循环进行运行、数据获取、调度。当任务算子处理能不足数据堆积、无数据流量、算子实例负载较底、休眠任务数据到来、任务长时间无流量都会触发判断是否需要扩缩容调度。在通常情况下，触发条件不为空，可以包括但不限于任务线程启动轮询、流式任务未休眠、满足调度周期和流式计算资源充足等等。在满足触发条件时，才会执行算子扩缩容方法。其中，流式计算资源可以实时从流式计算服务获取，包括但不限于机器实例总量、已使用量、剩余空闲量、CPU、内存、磁盘总量、已使用量和剩余空闲量等等。此外，在特殊情况下，触发条件可以为空，随时执行算子扩缩容方法。
步骤302，将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数。
在本实施例中，上述执行主体可以将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数。其中，扩缩容判别模型可以用于判别是否进行扩缩容，以及在需要扩缩容时，输出扩缩容系数，是采用如图1或图2所述的方法训练得到的。
步骤303，基于流式任务算子的扩缩容系数进行扩缩容。
在本实施例中，上述执行主体可以基于流式任务算子的扩缩容系数进行扩缩容。其中，扩缩容系数为正数，说明需要扩容，此时，扩容倍数等于扩缩容系数。扩缩容系数为负数，说明需要缩容，此时，缩容倍数等于扩缩容系数。扩缩容系数等于0，说明不需要扩缩容。
本公开实施例提供的算子扩缩容方法，通过扩缩容判别模型，能够实现对流式任务的算子的动态扩缩容调度。在资源池有限的情况下能够更加有效利用算子资源，兼顾数据时效性和资源成本。实现了流式任务算子扩缩容算法，可以根据流式任务的各个算子实际的吞吐能力，结合实际实时数据流量QPS和数据积压，执行不同的扩缩容策略，有效的保障了扩缩容的精准性，使流式任务更加高效的运行，同时节约、合理利用算子资源。有效的降低了人工干预扩缩容的成本，保障扩缩容的实时性。
继续参考图4，其示出了根据本公开的算子扩缩容方法的又一个实施例的流程400。该算子扩缩容方法包括以下步骤：
步骤401，任务线程启动轮询。
在本实施例中，算子扩缩容方法的执行主体可以将任务线程启动轮询。这样，每当有流式任务时，都会轮询该流式任务。
步骤402，流式任务是否休眠。
在本实施例中，上述执行主体可以确定流式任务是否休眠。若流式任务未休眠，执行步骤403，若流式任务休眠，执行步骤409。
步骤403，获取流式任务算子的属性特征集。
在本实施例中，在流式任务未休眠的情况下，上述执行主体可以获取流式任务算子的属性特征集。其中，流式任务算子的属性特征集就可以包括但不限于任务实时收到流量QPS、任务实时处理数据QPS、数据堆积总量、任务写入流量QPS、算子当前实例数、算子消费QPS、算子消费延迟、算子前置队列、算子后置队列、当前空闲资源数运行中或已挂起和最近一次扩缩容时间等等。
步骤404，是否满足调度周期。
在本实施例中，上述执行主体可以确定是否满足调度周期。若满足调度周期，执行步骤404，若不满足调度周期，结束流程。
步骤405，流式计算资源是否充足。
在本实施例中，在满足调度周期的情况下，上述执行主体可以确定流式计算资源是否充足。若流式计算资源充足，执行步骤406，若流式计算资源不充足，结束流程。
步骤406，将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数。
在本实施例中，在流式计算资源充足的情况下，上述执行主体可以将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数。其中，扩缩容判别模型可以用于判别是否进行扩缩容，以及在需要扩缩容时，输出扩缩容系数，是采用如图1或图2所述的方法训练得到的。
通常，在资源、调度时间满足的情况下，则进入动态获取扩缩容系数环节。将流式任务算子的属性特征集输入至扩缩容判别模型计算流式任务算子的扩缩容系数，扩缩容系数大于0，则说明当前算子需要扩容；扩缩容系数小于0，则说明当前算子需要缩容；扩缩容系数等于0，则不需要操作。若流式任务长时间无流量，处于空闲状态，则将当前流式任务设置为挂起状态，从而释放算子资源。
步骤407，是否需要调度。
在本实施例中，上述执行主体可以确定是否需要调度。若需要调度，执行步骤408，若不需要调度，结束流程。
通常，流式任务算子的扩缩容系数不等于0，则需要调度，流式任务算子的扩缩容系数等于0，则不需要调度。
步骤408，发起调度。
在本实施例中，在需要调度的情况下，上述执行主体可以发起调度，基于流式任务算子的扩缩容系数进行扩缩容。
通常，将扩缩容系数传递调度线程，在资源、调度时间满足的情况下，调度线程将会发起扩缩容请求，并记录调度信息。
步骤409，是否有流量到来。
在本实施例中，若流式任务休眠，上述执行主体可以确定是否有流量到来。若有流量到来，执行步骤410，若没有流量到来，结束流程。
步骤410，算子启动消费初始实例。
在本实施例中，在有流量到来的情况下，上述执行主体可以使算子启动消费初始实例。其中，初始实例的数量通常是1，并继续执行步骤408。
通常，若任务处理挂起状态，当前有新的数据流量到来，则唤醒任务，并对每个算子分配一个机器实例用于消费数据，若还是处理能力不够，则进入以下环节，动态扩容调度。
需要说明的是，通过流式任务平台、离线平台、监控平台可以看到线上流式任务、算子实时的机器实例数，历史扩缩容调度数据，实时数据堆积、流量、消费等数据。
从图4中可以看出，与图3对应的实施例相比，本实施例中的算子扩缩容方法的流程400突出了触发步骤。由此，本实施例描述的方案不仅能够根据当前实际数据流量以及使用的机器资源进行动态决策扩缩容比例，还能够保证低流量、无流量业务快速缩容，高流量、数据堆积严重的业务快速扩容，保障了数据的时效性以及业务的稳健发展。
为了便于理解，图5示出了流式任务扩缩容算法架构图。如图5所示，流式任务协程实时轮询检测。当触发时机到来时，输入包含数据堆积值、算子机器实例数、算子前置队列、算子后置队列、APP写入QPS、APP消费QPS、算子消费延迟时间、最近调度时间、当前资源池空闲机器数等的属性特征集。计算模型对输入进行处理，进行扩缩容决策，输出各个算子扩缩容比例、任务挂起、任务启动等。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种扩缩容判别模型训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的扩缩容判别模型训练装置600可以包括：获取模块601和训练模块602。其中，获取模块601，被配置成获取训练样本，其中，训练样本包括样本算子的属性特征集和标注扩缩容系数；训练模块602，被配置成将样本算子的属性特征集作为输入，将样本算子的标注扩缩容系数作为输出，训练得到扩缩容判别模型。
在本实施例中，扩缩容判别模型训练装置600中：获取模块601和训练模块602的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-102的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，训练模块602包括：训练子模块，被配置成利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到扩缩容判别模型，其中，属性权重向量的一个元素对应一个属性特征。
在本实施例的一些可选的实现方式中，训练子模块进一步被配置成：初始化属性权重向量；基于样本算子的属性特征集和属性权重向量，计算样本算子的预测扩缩容系数；基于样本算子的属性特征集、预设步长和样本算子的标注扩缩容系数与预测扩缩容系数的差值，对属性权重向量进行更新，以及将更新后的属性权重向量作为扩缩容判别模型。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种流式任务算子扩缩容装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的流式任务算子扩缩容装置700可以包括：获取模块701、判别模块702和扩缩容模块703。其中，获取模块701，被配置成响应于满足触发条件，获取流式任务算子的属性特征集；判别模块702，被配置成将流式任务算子的属性特征集输入至扩缩容判别模型，得到流式任务算子的扩缩容系数，其中，扩缩容判别模型采用如图6所述的装置训练得到；扩缩容模块703，被配置成基于流式任务算子的扩缩容系数进行扩缩容。
在本实施例中，流式任务算子扩缩容装置700中：获取模块701、判别模块702和扩缩容模块703的具体处理及其所带来的技术效果可分别参考图3对应实施例中的步骤301-303的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，触发条件包括以下至少一项：任务线程启动轮询、流式任务未休眠、满足调度周期、流式计算资源充足。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如扩缩容判别模型训练方法或算子扩缩容方法。例如，在一些实施例中，扩缩容判别模型训练方法或算子扩缩容方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的扩缩容判别模型训练方法或算子扩缩容方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行扩缩容判别模型训练方法或算子扩缩容方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种扩缩容判别模型训练方法，包括：
获取训练样本，其中，所述训练样本包括样本算子的属性特征集和标注扩缩容系数，所述属性特征集一方面根据样本流式任务的运行情况获得，包括以下至少一项任务实时收到流量QPS、任务实时处理数据QPS、数据堆积总量、任务写入流量QPS、算子当前实例数、算子消费QPS、算子消费延迟、算子前置队列、算子后置队列和当前空闲资源数，另一方面包括所述样本流式任务的状态，包括以下至少一项：运行中或已挂起、最近一次扩缩容时间；
将所述样本算子的属性特征集作为输入，将所述样本算子的标注扩缩容系数作为输出，训练得到所述扩缩容判别模型；
其中，所述将所述样本算子的属性特征集作为输入，将所述样本算子的标注扩缩容系数作为输出，训练得到所述扩缩容判别模型，包括：
利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到所述扩缩容判别模型，其中，所述属性权重向量的一个元素对应一个属性特征。
2.根据权利要求1所述的方法，其中，所述利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到所述扩缩容判别模型，包括：
初始化所述属性权重向量；
基于所述样本算子的属性特征集和所述属性权重向量，计算所述样本算子的预测扩缩容系数；
基于所述样本算子的属性特征集、预设步长和所述样本算子的标注扩缩容系数与预测扩缩容系数的差值，对所述属性权重向量进行更新，以及将更新后的属性权重向量作为所述扩缩容判别模型。
3.一种算子扩缩容方法，包括：
响应于满足触发条件，获取流式任务算子的属性特征集；
将所述流式任务算子的属性特征集输入至扩缩容判别模型，得到所述流式任务算子的扩缩容系数，其中，所述扩缩容判别模型采用如权利要求1-2中任一项所述的方法训练得到；
基于所述流式任务算子的扩缩容系数进行扩缩容。
4.根据权利要求3所述的方法，其中，所述触发条件包括以下至少一项：任务线程启动轮询、流式任务未休眠、满足调度周期、流式计算资源充足。
5.一种扩缩容判别模型训练装置，包括：
获取模块，被配置成获取训练样本，其中，所述训练样本包括样本算子的属性特征集和标注扩缩容系数，所述属性特征集一方面根据样本流式任务的运行情况获得，包括以下至少一项任务实时收到流量QPS、任务实时处理数据QPS、数据堆积总量、任务写入流量QPS、算子当前实例数、算子消费QPS、算子消费延迟、算子前置队列、算子后置队列和当前空闲资源数，另一方面包括所述样本流式任务的状态，包括以下至少一项：运行中或已挂起、最近一次扩缩容时间；
训练模块，被配置成将所述样本算子的属性特征集作为输入，将所述样本算子的标注扩缩容系数作为输出，训练得到所述扩缩容判别模型；
其中，所述训练模块包括：
训练子模块，被配置成利用逻辑回归算法进行模型训练，以及使用梯度下降算法来对属性权重向量进行更新，得到所述扩缩容判别模型，其中，所述属性权重向量的一个元素对应一个属性特征。
6.根据权利要求5所述的装置，其中，所述训练模块进一步被配置成：
初始化所述属性权重向量；
基于所述样本算子的属性特征集和所述属性权重向量，计算所述样本算子的预测扩缩容系数；
基于所述样本算子的属性特征集、预设步长和所述样本算子的标注扩缩容系数与预测扩缩容系数的差值，对所述属性权重向量进行更新，以及将更新后的属性权重向量作为所述扩缩容判别模型。
7.一种流式任务算子扩缩容装置，包括：
获取模块，被配置成响应于满足触发条件，获取流式任务算子的属性特征集；
判别模块，被配置成将所述流式任务算子的属性特征集输入至扩缩容判别模型，得到所述流式任务算子的扩缩容系数，其中，所述扩缩容判别模型采用如权利要求5-6中任一项所述的装置训练得到；
扩缩容模块，被配置成基于所述流式任务算子的扩缩容系数进行扩缩容。
8.根据权利要求7所述的装置，其中，所述触发条件包括以下至少一项：任务线程启动轮询、流式任务未休眠、满足调度周期、流式计算资源充足。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-2中任一项所述的方法或者权利要求3或4所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-2中任一项所述的方法或者权利要求3或4所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210848884.0A CN115242648B (zh) | 2022-07-19 | 2022-07-19 | 扩缩容判别模型训练方法和算子扩缩容方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210848884.0A CN115242648B (zh) | 2022-07-19 | 2022-07-19 | 扩缩容判别模型训练方法和算子扩缩容方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115242648A CN115242648A (zh) | 2022-10-25 |
| CN115242648B true CN115242648B (zh) | 2024-05-28 |
Family
ID=83673378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210848884.0A Active CN115242648B (zh) | 2022-07-19 | 2022-07-19 | 扩缩容判别模型训练方法和算子扩缩容方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115242648B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017200878A1 (en) * | 2016-05-17 | 2017-11-23 | Amazon Technologies, Inc. | Versatile autoscaling |
| WO2018072618A1 (zh) * | 2016-10-18 | 2018-04-26 | 阿里巴巴集团控股有限公司 | 流式计算任务的分配方法和控制服务器 |
| CN109144724A (zh) * | 2018-07-27 | 2019-01-04 | 众安信息技术服务有限公司 | 一种微服务资源调度系统及方法 |
| CN110442428A (zh) * | 2019-08-02 | 2019-11-12 | 北京智芯微电子科技有限公司 | Docker容器的协调方法 |
| CN111352733A (zh) * | 2020-02-26 | 2020-06-30 | 北京奇艺世纪科技有限公司 | 一种扩缩容状态的预测方法和装置 |
| CN111431748A (zh) * | 2020-03-20 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 一种对集群进行自动运维的方法、系统及装置 |
| CN112115334A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 网络社区热点内容的判别方法、装置、设备以及存储介质 |
| CN112508768A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 单算子多模型流水线推理方法、系统、电子设备及介质 |
| CN112825576A (zh) * | 2019-11-20 | 2021-05-21 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
| WO2021197364A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 一种用于服务的扩缩容的方法及相关设备 |
| CN113626192A (zh) * | 2021-08-10 | 2021-11-09 | 支付宝(杭州)信息技术有限公司 | 用于对算子节点进行扩缩容调整的方法、装置及系统 |
| WO2021228264A1 (zh) * | 2020-05-15 | 2021-11-18 | 第四范式（北京）技术有限公司 | 一种应用机器学习的方法、装置、电子设备及存储介质 |
| CN113706099A (zh) * | 2021-08-23 | 2021-11-26 | 中国电子科技集团公司第二十八研究所 | 一种数据标注、深度学习模型训练和服务发布系统 |
| CN114239853A (zh) * | 2021-12-15 | 2022-03-25 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备、存储介质以及程序产品 |
| CN114490078A (zh) * | 2022-02-11 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种微服务的动态缩扩容方法、装置及设备 |
| CN114745278A (zh) * | 2022-04-11 | 2022-07-12 | 中和农信项目管理有限公司 | 一种业务系统扩缩容的方法、装置、电子设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109559214A (zh) * | 2017-09-27 | 2019-04-02 | 阿里巴巴集团控股有限公司 | 虚拟资源分配、模型建立、数据预测方法及装置 |
| CN113672396B (zh) * | 2021-10-25 | 2021-12-28 | 中电云数智科技有限公司 | 一种流式计算作业处理方法以及装置 |
-
2022
- 2022-07-19 CN CN202210848884.0A patent/CN115242648B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017200878A1 (en) * | 2016-05-17 | 2017-11-23 | Amazon Technologies, Inc. | Versatile autoscaling |
| WO2018072618A1 (zh) * | 2016-10-18 | 2018-04-26 | 阿里巴巴集团控股有限公司 | 流式计算任务的分配方法和控制服务器 |
| CN109144724A (zh) * | 2018-07-27 | 2019-01-04 | 众安信息技术服务有限公司 | 一种微服务资源调度系统及方法 |
| CN110442428A (zh) * | 2019-08-02 | 2019-11-12 | 北京智芯微电子科技有限公司 | Docker容器的协调方法 |
| CN112825576A (zh) * | 2019-11-20 | 2021-05-21 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
| CN111352733A (zh) * | 2020-02-26 | 2020-06-30 | 北京奇艺世纪科技有限公司 | 一种扩缩容状态的预测方法和装置 |
| CN111431748A (zh) * | 2020-03-20 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 一种对集群进行自动运维的方法、系统及装置 |
| WO2021197364A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 一种用于服务的扩缩容的方法及相关设备 |
| WO2021228264A1 (zh) * | 2020-05-15 | 2021-11-18 | 第四范式（北京）技术有限公司 | 一种应用机器学习的方法、装置、电子设备及存储介质 |
| CN112115334A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 网络社区热点内容的判别方法、装置、设备以及存储介质 |
| CN112508768A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 单算子多模型流水线推理方法、系统、电子设备及介质 |
| CN113626192A (zh) * | 2021-08-10 | 2021-11-09 | 支付宝(杭州)信息技术有限公司 | 用于对算子节点进行扩缩容调整的方法、装置及系统 |
| CN113706099A (zh) * | 2021-08-23 | 2021-11-26 | 中国电子科技集团公司第二十八研究所 | 一种数据标注、深度学习模型训练和服务发布系统 |
| CN114239853A (zh) * | 2021-12-15 | 2022-03-25 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备、存储介质以及程序产品 |
| CN114490078A (zh) * | 2022-02-11 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种微服务的动态缩扩容方法、装置及设备 |
| CN114745278A (zh) * | 2022-04-11 | 2022-07-12 | 中和农信项目管理有限公司 | 一种业务系统扩缩容的方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Modeling bioprocess scale-up utilizing regularized linear and logistic regression;Muhammad Farhan，等;《2013 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)》;全文 * |
| 移动核心网NFV扩缩容场景下的大数据应用探析;林清阳;龙彪;;广东通信技术(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115242648A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114201278B (zh) | 任务处理方法、任务处理装置、电子设备以及存储介质 | |
| CN114065864B (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
| CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN115378859B (zh) | 用于确定极限状态信息的方法、装置、设备、介质和产品 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN115576534B (zh) | 原子服务的编排方法、装置、电子设备及存储介质 | |
| CN113392984B (zh) | 用于训练模型的方法、装置、设备、介质和产品 | |
| CN113132479B (zh) | 流量切换、模型生成方法、装置、设备、存储介质及程序 | |
| CN112819215B (zh) | 推荐策略训练方法、装置、电子设备及可读存储介质 | |
| CN117632431A (zh) | 云计算任务的调度方法、装置、设备及存储介质 | |
| CN113656239A (zh) | 针对中间件的监控方法、装置及计算机程序产品 | |
| CN115242648B (zh) | 扩缩容判别模型训练方法和算子扩缩容方法 | |
| CN116594563A (zh) | 分布式存储扩容方法、装置、电子设备和存储介质 | |
| CN114051057B (zh) | 云设备排队时长的确定方法、装置、电子设备和介质 | |
| CN113626175B (zh) | 数据处理的方法和装置 | |
| CN114035906A (zh) | 虚拟机迁移方法、装置、电子设备及存储介质 | |
| CN113920404A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
| CN112699747B (zh) | 用于确定车辆状态的方法、装置、路侧设备和云控平台 | |
| CN116614379B (zh) | 迁移服务的带宽调整方法、装置及相关设备 | |
| CN117082083B (zh) | 一种基于分布式物联网架构的数据存储方法、装置及介质 | |
| CN115860077B (zh) | 状态数据的处理方法、装置、设备以及存储介质 | |
| CN116795771A (zh) | 数据处理装置、方法、电子设备和存储介质 | |
| CN116781694A (zh) | 一种应用于边缘计算系统的调度方法、装置、设备及介质 | |
| CN117933353A (zh) | 强化学习模型训练方法、装置、电子设备及存储介质 | |
| CN117421331A (zh) | 数据查询优化方法、装置、设备及存储介质 |
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 |