CN116210210A - 使用机器学习的左移位拓扑构建和信息增强 - Google Patents

使用机器学习的左移位拓扑构建和信息增强 Download PDF

Info

Publication number
CN116210210A
CN116210210A CN202180055272.XA CN202180055272A CN116210210A CN 116210210 A CN116210210 A CN 116210210A CN 202180055272 A CN202180055272 A CN 202180055272A CN 116210210 A CN116210210 A CN 116210210A
Authority
CN
China
Prior art keywords
topological
entity
computer
data
data set
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
CN202180055272.XA
Other languages
English (en)
Inventor
黄珍镐
L·舒瓦茲
S·帕塔萨拉蒂
王卿
M·奈德
F·巴格霍恩
J·克尔查克
O·桑德尔
T·翁德雷
M·梅勒克
A·奥伦巴耶夫
R·乔格
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN116210210A publication Critical patent/CN116210210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Debugging And Monitoring (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Stored Programmes (AREA)
  • Image Analysis (AREA)

Abstract

提供了一种用于左移位拓扑构建的方法、计算机系统和计算机程序产品。该方法可以包括：收集数据集；提取拓扑实体；将来自拓扑实体的多个数据相互关联；映射拓扑实体；标记针对拓扑实体的多个子图形的入口点；构建拓扑图形。

Description

使用机器学习的左移位拓扑构建和信息增强
背景技术
本发明一般涉及计算领域，并且更特定地，涉及拓扑构建和机器学习。微服务架构可以使用多种不同的拓扑以分布式方式实现。一些包括使用集中式消息收发拓扑、基于表述性状态转移(REST)的拓扑和基于表述性状态转移应用接口(REST-API)的拓扑。
发明内容
本发明的实施例公开了一种用于左移位拓扑构建的方法、计算机系统和计算机程序产品。本发明的实施例可以包括收集数据集。本发明的实施例可以包括从数据集中提取拓扑实体。本发明的实施例可以包括将来自拓扑实体的多个数据相互关联。本发明的实施例可以包括映射拓扑实体。本发明的实施例可以包括标记针对拓扑实体的多个子图形的入口点。本发明的实施例可以包括构建拓扑图。
附图说明
本发明的这些和其他目的、特征和优点将从以下结合附图阅读的对其说明性实施例的详细描述中变得显而易见。附图的各种特征不是按比例的，因为为了清楚起见，图示是为了帮助本领域技术人员结合详细描述理解本发明。在附图中：
图1示出了根据至少一个实施例的联网的计算机环境；
图2是根据至少一个实施例的构建的微服务拓扑的框图示例；
图3是示出根据至少一个实施例的使用机器学习的拓扑构建和信息增强的过程的操作流程图；
图4是根据至少一个实施例的图1中所描绘的计算机和服务器的内部和外部组件的框图；
图5是根据本公开的实施例的包括图1中所描绘的计算机系统的说明性云计算环境的框图；以及
图6是根据本公开的实施例的图5的说明性云计算环境的功能层的框图。
具体实施方式
本文中公开了所要求保护的结构和方法的详细实施例，然而，可以理解，所公开的实施例仅仅是对可以以各种形式体现的所要求保护的结构和方法的说明。然而，本发明可以以多种不同的形式实现，并且不应被解释为限于这里阐述的示例性实施例。相反，提供这些示例性实施例是为了使本公开透彻和完整，并将本发明的范围完全传达给本领域技术人员。在描述中，可以省略公知的特征和技术的细节，以避免不必要地模糊所呈现的实施例。
如前所述，微服务架构可以使用多种不同的拓扑以分布式方式来实现。一些包括使用集中式消息收发拓扑、基于表述性状态转移(REST)的拓扑和基于表述性状态转移应用接口(REST-API)的拓扑。使用表述性状态转移(REST)架构的应用程序接口(API)可以使用超文本传输协议(HTTP)请求来POST、DELETE、GET或PUT数据。应用程序接口(API)允许应用或软件程序通信。
微服务框架可以利用以高速操作的较小的独立架构组件来构造。微服务允许更容易地管理应用，并允许应用是可扩展的。微服务框架中的独立组件可以执行集中操作，并且相同微服务框架中的其他独立组件可以使用不同的技术来操作。微服务的独立可扩展性允许服务使用更大量的资源来提供多个基于云的产品。
多个微服务框架使用基于容器的基础设施来操作。容器可以包括使用最少量资源、共享托管操作系统并且易于集成的隔离基础设施。容器还允许最小限度的软件配置，因为容器可以例如在递送管道中使用相同的软件代码。不同的容器可以在相同的微服务框架内操作，并且以最小的配置对替代软件代码进行操作。应用程序接口(API)可以包括函数或通信协议集合，其允许例如容器访问虚拟机、操作系统、服务或应用上的数据。
从微服务获得的拓扑信息或拓扑数据对于微服务管理堆栈和分析是必要的，然而，在微服务或容器框架中，可能不存在构建拓扑而不部署整个微服务的公共组件。例如，构建500个或更多微服务的拓扑是运行时期间的主要任务。微服务与分布式跟踪工具和服务网格工具一起被部署以构建拓扑，并且可以添加附加信息，诸如延迟、应用程序接口(API)连接和总资源消耗。分布式跟踪工具可包括例如Jaeger(执行端到端分布式跟踪的开源软件)。服务网格工具可以包括例如Istio(有助于创建所部署的服务的负载平衡网络的开源软件)。
随着微服务系统报告数据，拓扑信息被递增地构建。因此，诸如分布式跟踪和服务网格工具的管理工具在报告数据时使用递增地构建的拓扑信息，然而，管理工具不能够发挥属性，直到整个拓扑被构造。另外，微服务框架中的分析服务通常在部署整个服务之前需要拓扑信息，特别是在离线训练时。因此，创建一种系统、方法和程序产品以连续地监测对微服务框架的信息改变、更新拓扑图以及预测微服务之间的依赖性等可能是有利的。
以下描述的示例性实施例提供了一种用于使用机器学习的拓扑构建的系统、方法和程序产品。因此，本发明的实施例具有通过使用机器学习以使用静态和动态信息来学习微服务框架中的微服务的操作特点来改进微服务拓扑构建的技术领域的能力。更特定地，机器学习用于从诸如日志、通信传输、文档和主题专家(SME)输入和反馈的数据学习操作特点，以预测可以由分析服务和用户使用的拓扑图形。
根据实施例，左位移分析和机器学习可以被用于构建微服务拓扑以及用于验证拓扑信息。左位移分析可以从源代码获得，并且可以包括例如部署配置、部署规范或环境变量，以便为拓扑的构建增加更深入的数据。机器学习的一个方面可被用于通过在没有运行时信息的情况下分析部署配置或规范或者通过离线分析来构建微服务的拓扑。离线分析可以提供可用于提取性能估计以构建拓扑的信息。
根据实施例，各种类型的机器学习(ML)模型可以被构造并且被用于创建为了构建针对服务和微服务的拓扑的预测结果。可以获得来自提供服务和微服务的不同的领域的数据或信息以构建拓扑。领域可以包括例如零售、娱乐、社交媒体、商业、技术、医疗、学术、政府、工业、食物链、法律或汽车。机器学习(ML)模型还可以包括深度学习模型和人工智能(AI)。训练和更新机器学习(ML)模型可以包括监督的、无监督的和半监督的机器学习(ML)过程。监督学习可以使用标记的数据集或标记的训练集来构造、训练和更新模型。无监督学习可使用所有未标记数据来训练模型。半监督学习可以使用标记的数据集和未标记的数据集来训练模型。
监督学习和半监督学习可以通过个体检查数据、数据标签和数据分类的准确性来并入反馈或基础事实。个体通常是具有数据集的特定领域的广泛知识的主题专家(SME)。主题专家(SME)输入可以表示机器学习(ML)模型的基础事实，并且所提供的基础事实可以提高模型的准确性和预测能力。主题专家(SME)可以通过手动更新标记的数据集来校正、修改、更新或移除数据或数据标记的分类。使用主题专家(SME)来向模型提供反馈可以在更新或校正数据集时提高模型的准确度。
根据实施例，监督或半监督机器学习(ML)可以用于允许个体(例如，用户、专家或管理员)通过具有验证、改变、更新或更改训练集的能力而对模型训练具有一些改进效果。当用户可能不向数据提供输入时，专家可以通过改变训练集而不是无监督机器学习(ML)环境来向模型中提供输入或反馈。训练数据集可以包括用于学习目的的分类器或标签的参数，以及监督或半监督机器学习(ML)环境可以允许用户更新训练集的标签或分类器。
诸如自然语言处理(NLP)和语义分析的认知分析可以在模型的构造和训练期间使用。认知分析可以分析要并入机器学习(ML)过程中的结构化数据和非结构化数据。自然语言处理(NLP)可以用于分析数据的质量或接收用于训练和模型构建的反馈。结构化数据可包括高度组织的数据，诸如电子表格、关系数据库或存储在固定字段中的数据。非结构化数据可以包括没有组织并且具有非传统内部结构的数据，诸如可移植文档格式(PDF)、图像、报告、网页、视频内容、音频内容、电子邮件、单词处理文档或多媒体内容。
可以使用自然语言处理(NLP)来处理接收到的数据，以提取有意义的信息来训练和建立模型。语义分析可以用于推断所接收的信息或数据的复杂度、含义和意图，以标识微服务网络中的服务的依赖性。语义分析还可以考虑在不同等级的信息的句法结构，以推断所接收、收集或提取的数据的单词、短语、句子和段落的含义。
根据实施例，用于左移位拓扑程序的框架的部分可以包括收集数据、提取实体、检索元信息、将信息相互关联以及构建拓扑。所收集的数据或信息可以用于分析和训练模型以改进微服务和微服务管理。数据可以被添加到、存储在一个或多个数据库、储存库或语料库中，以及从其中获得。例如，可访问的数据储存库可以包括保持配置数据、测试实例数据、开源数据、DevOps流水线日志和与微服务相关联的其他静态和动态信息的数据库。提供给正在被训练或被完全训练的模型的反馈(诸如主题专家(SME)反馈)也可以存储在一个或多个数据库上。
所收集的数据的一些示例可以包括测试文档、自动化数据、部署脚本、配置参数、来自Swagger的数据、Travis日志或Jenkins日志。数据可以从各种源获得。所收集的数据的其他示例可以是基于微服务部署而接收的数据，诸如用户利用微服务有多频繁或用户利用微服务多长时间。一些数据可以从诸如物联网(IoT)设备、全球定位系统(GPS)、传感器、智能手表、智能电话、智能平板、个人计算机或汽车设备之类的设备接收。所收集的数据或信息可以用于创建用于模型训练和模型使用的数据集。所收集的一些数据可以被认为是静态数据、动态数据或实时数据，并且该信息可以广泛地用于微服务技术和框架。
微服务部署、微服务或容器可以具有随时间减少的平均寿命。诸如社交媒体微服务的多种微服务具有小于5分钟的平均寿命(即，用户访问服务的时间量)，因此，可以在高级信息处抽象拓扑信息以确保拓扑的连续更新。可以使用抽象信息来在微服务之间构建和更新连通性或依赖性，并且可以在没有微服务的实际部署的情况下提供分析。服务和依赖性的语义语境可以使用抽象信息来标识，并且可以用于增强和更新所构建的拓扑图形。
用例示例可以包括微服务管理系统和分析组件。例如，拓扑信息可以用于训练用于警报分组或定位的分析模型。拓扑信息也可以用于验证和配置信息以及制定部署计划。可以生成诸如SIG应用或kube配置的部署规范。诸如应用程序接口(API)上游服务的细粒度拓扑信息(数据)对于微服务操作是必要的。例如，消费者使用的微服务依赖于或取决于上游服务。
参考图1，描绘了根据一个实施例的示例性联网计算机环境100。联网计算机环境100可以包括具有处理器104和数据存储设备106的计算机102，其能够运行软件程序108和左移位拓扑程序110a。联网计算机环境100还可以包括服务器112，其能够运行可以与数据库114和通信网络116交互的左移位拓扑程序110b。计算机102也可以被称为客户端计算机，并且服务器112也可以被称为服务器计算机。联网计算机环境100可以包括多个计算机102和服务器112，仅示出其中的一个。通信网络116可以包括各种类型的通信网络，诸如广域网(WAN)、局域网(LAN)、电信网络、无线网络、公共交换网络和/或卫星网络。应当理解，图1仅提供了一种实现的说明，而不暗示对其中可实现不同实施例的环境的任何限制。可以基于设计和实现要求对所描述的环境进行许多修改。
计算机102可以经由通信网络116与服务器112通信。通信网络116可以包括诸如有线、无线通信链路或光纤电缆的连接。如将参考图4讨论的，服务器112可以分别包括内部组件902a和外部组件904a，并且计算机102可以分别包括内部组件902b和外部组件904b。服务器112还可以在云计算服务模型中操作，诸如软件即服务(SaaS)、分析即服务(AaaS)、区块链即服务(BaaS)、平台即服务(PaaS)或基础设施即服务(IaaS)。服务器112还可以位于云计算部署模型中，诸如私有云、社区云、公共云或混合云。计算机102可以是例如移动设备、电话、个人数字助理、上网本、膝上型计算机、平板计算机、台式计算机或能够运行程序、访问网络和访问数据库114的任何类型的计算设备。根据本实施例的各种实现，左移位拓扑程序110a、110b可以与可以嵌入在各种存储设备(诸如但不限于计算机/移动设备102、服务器112或云存储服务)中的数据库114交互。
根据本实施例，操作计算机102或服务器112的用户可以(分别)使用左移位拓扑程序110a、110b来使用左移位分析和机器学习构建拓扑。下文参照图2和图3更详细地解释左移位拓扑方法。
现在参考图2，描绘了根据至少一个实施例的由左移位拓扑程序110a、110b使用的构建的微服务拓扑200的框图示例。拓扑实体被示为与应用程序接口(API)路由相互关联。微服务拓扑200示出了将拓扑实体映射到源代码的示例结果。微服务拓扑200可以表示调用图形，该调用图形标识服务、应用程序接口(API)连接和资源连接的关系。
服务API 202提供允许服务交互、发送数据或接收数据的接口。服务1至5(分别为204、206、208、210和212)可表示在应用程序接口(API)端点处的服务。每个微服务的应用程序接口(API)端点可以包括/auth、/login、/home、/search、/recommend或/member。例如，服务1 204是/auth，服务2 206是/get_info，服务3 208是/recommend，服务4 210是/graph，以及服务5 212是/nodes。实体提取和应用程序接口(API)端点可以形成调用控制图形或调用图形。调用图形可以包括表示计算机程序之间的调用关系的流的图形。
边A-B是从A到B的双向连接，该双向连接指的是从A发送到B的消息或传输。阻塞或非阻塞可以指在微服务框架中执行操作的过程期间的输入-输出(IO)操作。例如，阻塞操作花费更长的时间周期来处理，因为该操作在移动到下一操作之前等待响应返回。因此，阻塞操作可能对性能具有大的影响，例如延迟。非阻塞操作可以是在网络上和在存储上操作的有效方式，以避免阻塞操作中所需的附加的等待时间。例如，在阻塞操作等待响应以继续操作期间，其他进程可以操作和执行，直到响应返回到阻塞操作。
数据库1至2(分别为214和216)可以包括作为特殊网络存储的数据库，该数据库阻塞一个或多个进程直到返回结果或响应。文件系统218是附加阻塞设备或系统，其保持一个或多个进程直到结果或响应从文件系统返回。数据库1至2和文件系统218可以是由左移位拓扑程序110a、110b使用的阻塞系统的示例。
现在参考图3，示出了根据至少一个实施例的由左移位拓扑程序110a、110b使用的示例性拓扑构建和信息增强过程300的操作流程图。
在302，数据集被收集。静态数据和实时数据可以从一个或多个储存库(例如，数据库1至2)收集并存储在其上。所收集的数据可以是例如与微服务相关联的静态或动态信息，诸如配置数据、测试实例数据、开源数据或DevOps流水线日志。所收集的数据的其他示例可以包括测试文档、自动化数据、部署脚本、配置参数、来自Swagger的数据、Travis日志或Jenkins日志，并且该数据是从各种源数据库获得的。可以基于微服务部署信息来收集附加数据。所收集的数据可以被用作用于多个目的的数据集，诸如提取数据、构造或训练模型、验证、构造拓扑图形以及使用基础事实来细化所构造的模型以更新数据集。
在304处，从数据集中提取拓扑实体。实体提取可以包括从数据集提取拓扑实体，诸如与微服务网络相关的授权实体、登录实体、前端实体、弹性搜索实体、图形数据库实体、推荐实体或成员实体。可以访问相关的拓扑实体以提取授权信息、登录信息、前端信息、搜索信息、推荐信息或成员信息。例如，实体提取过程使用关键字搜索、语言建模或简单字段提取来获得针对每个相关拓扑实体微服务的端点。参考图2的端点的示例。
对于每个应用、服务或微服务，标识代表性关键字的顶部列表。代表性关键字的顶部列表基于针对每个主题的所收集数据中的单词分布的分析。例如，对于每个微服务，从所收集的文档和源代码配置的数据集标识拓扑关键字。基于所标识的关键字和微服务，可以构造无监督模型并且使用该无监督模型来标识微服务的重要或相关主题或名称。例如，主题建模、聚类或先验模型可以被用于标识服务的主题。
例如，以下表示可以被用于提取关键词并标识相关主题。
P(word＝Auth,topic＝1|θd，β1)
＝P(word＝Auth|topic＝1，β1)P(topic＝1|θd)
其中P(word＝Auth|topic＝1，β1)表示具有跨所有文档或所收集的数据的全局单词上的分布的每个主题，并且P(topic＝1|θd)表示具有跨所有文档或收集的数据的局部单词上的分布的每个主题。可以使用诸如估计最大化的迭代方法来迭代概率，直到实现收敛并且标识出重要主题。
在306，将来自所提取的拓扑实体的数据相互关联。数据可以被相互关联以匹配来自不同源的相同拓扑实体。可以标识拓扑实体与应用程序接口(API)路由的相关性。通过针对每个应用或从每个应用程序接口(API)或两者检索的数据，可以针对每个微服务应用将数据相互关联。
在308，映射拓扑实体。相互关联的数据被映射为图形。例如，拓扑实体可以被映射到源代码，并且关系可以从所映射的拓扑实体中标识，诸如调用者-被调用者和应用程序接口(API)路由。可以排除在任何位置都没有被调用的拓扑实体。作为示例，一个应用程序接口(API)调用可以具有顺序或并行的多个服务调用，并且可以标识阻塞或非阻塞。图2示出了所映射的拓扑实体、服务调用和应用程序接口(API)路由的相关性的示例。
在310，针对每个入口点标记子树的中央处理单元(CPU)周期。针对每个应用程序接口(API)入口点，可标记元信息。可以从调用控制图形和调用控制图形程序流中检索元信息或元数据。可以针对每个应用程序接口(API)检索元信息。从每个应用程序接口(API)检索的元信息可以包括例如中央处理单元(CPU)周期、处理时间、估计的每秒最大调用、用于网络或存储访问的阻塞代码、线程化或并行性。可以针对每个入口点标记中央处理单元(CPU)周期。入口点可由每个应用程序接口(API)确定。可以针对每个子树计算处理时间。子树可以包括每个应用程序接口(API)和整个程序的部分的踪迹。
学习模型可以被用于从子树或子图形中获得元信息。针对节点的子图形可以具有表示为标签的数据，诸如中央处理单元(CPU)周期、存储器、网络读取/写入或磁盘读取/写入。可以使用图形卷积运算来取得节点的特征的平均值以及该节点的邻居的特征。与图像或文本数据不同的节点邻居可以是无序的并且大小可变。例如，子图形节点A和节点X在被多层感知器(MLP)网络处理之前通过一个或多个图形卷积网络(GCN)处理，随后通过池化函数处理。输出可以提供表示一个或多个节点特征的元信息的softmax层。
在312，构建拓扑图形。可以使用相互关联步骤、映射步骤和学习模型来构建整个拓扑图形。可以针对整个拓扑图形的节点标记诸如性能元数据的附加信息，诸如针对每个链路(即边)的估计延迟、端点路由、资源消耗或估计处理时间。所表示的节点可以是服务端点，并且边可以是端点之间的依赖关系。附加信息可以被标记在边或链路上，并且可以包括诸如延迟、应用程序接口(API)连接或往返时间(RTT)的信息。整个拓扑图形可以通过连接子图形来构建。附加信息可以被标记在子树或应用程序接口(API)上，诸如针对程序中的每个边的估计延迟。图2是节点、边、路由和端点的整个拓扑图形的示例的参考图。
在314，验证连续拓扑信息。整个所构建的拓扑可以被存储，并且当提交新代码时或当发生配置改变时，可以连续地监测信息。可以利用附加信息、信息改变和信息更新来验证所构建的拓扑。对信息的更新或改变可以反映在拓扑图形上。例如，整个拓扑服务图形可以被存储和维护在数据库中，并且可以随着时间的推移对拓扑图形进行改变或修改。可以使用例如静态日志的更新数据、配置数据、源代码或流水线数据来对所存储的拓扑图形进行改变或增强信息。
在316，附加的或备选的实施例允许插入主动学习反馈模型或组件。使用更新的静态数据、实时信息、主题专家(SME)反馈或更新的时间拓扑数据对所构建的拓扑图形进行的连续验证可以被用作主动学习组件。主动学习组件可以利用监督和半监督模型来注入要作为基础事实添加的实时信息或专家反馈。主动学习可以通过在模型训练、测试和验证阶段期间获得例如主题专家(SME)或软件开发者反馈作为基础事实来使用。用户知识或专家知识可以作为实时数据被捕获。
可以理解，图2和3仅提供了一个实施例的说明，而不暗示对如何实现不同实施例的任何限制。可以基于设计和实现要求对所描述的(多个)实施例进行多种修改。
图4是根据本发明的说明性实施例的图1中所示的计算机的内部和外部组件的框图900。应当理解，图4仅提供了一种实现的说明，而不暗示对其中可实现不同实施例的环境的任何限制。可以基于设计和实现要求对所描述的环境进行许多修改。
数据处理系统902、904代表能够执行机器可读程序指令的任何电子设备。数据处理系统902、904可以代表智能电话、计算机系统、PDA或其他电子设备。可由数据处理系统902、904表示的计算系统、环境和/或配置的示例包括但不限于个人计算机系统、服务器计算机系统、瘦客户端、胖客户端、手持式或膝上型设备、多处理器系统、基于微处理器的系统、网络PC、小型计算机系统和包括任何上述系统或设备的分布式云计算环境。
计算机102和服务器112可以包括图4中所示的内部组件902a、b和外部组件904a、b的相应集合。内部组件902a、b的集合中的每一个包括一个或多个处理器906、在一个或多个总线912上的一个或多个计算机可读RAM 908和一个或多个计算机可读ROM 910、以及一个或多个操作系统914和一个或多个计算机可读有形存储设备916。客户端计算机102中的一个或多个操作系统914、软件程序108和左移位拓扑程序110a以及网络服务器112中的左移位拓扑程序110b可以存储在一个或多个计算机可读有形存储设备916上，以便由一个或多个处理器906经由一个或多个RAM 908(其通常包括高速缓冲存储器)来执行。在图4中所示的实施例中，计算机可读有形存储设备916中的每一个是内部硬盘驱动器的磁盘存储设备。或者，每个计算机可读有形存储设备916是半导体存储设备，诸如ROM 910、EPROM、闪存或任何其他能够存储计算机程序和数字信息的计算机可读有形存储设备。
每组内部组件902a、b还包括R/W驱动器或接口918，以从诸如CD-ROM、DVD、记忆棒、磁带、磁盘、光盘或半导体存储设备的一个或多个便携式计算机可读有形存储设备920读取和向其写入。诸如软件程序108和左移位拓扑程序110A、110b的软件程序可以存储在一个或多个相应的便携式计算机可读有形存储设备920上，经由相应的R/W驱动器或接口918读取，并加载到相应的硬盘驱动器916中。
每组内部组件902a、b还可以包括网络适配器(或交换端口卡)或接口922，例如TCP/IP适配卡、无线wi-fi接口卡或3G/4G/5G无线接口卡或其他有线或无线通信链路。计算机102中的软件程序108和左移位拓扑程序110a以及网络服务器112中的左移位拓扑程序110b可以经由网络(例如，互联网、局域网或其他广域网)和相应的网络适配器或接口922从外部计算机(例如，服务器)下载。从网络适配器(或交换机端口适配器)或接口922，计算机102中的软件程序108和左移位拓扑程序110a以及网络服务器计算机112中的左移位拓扑程序110b被加载到相应的硬盘驱动器916中。网络可以包括铜线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边服务器。
外部组件904a、b的集合中的每一个可以包括计算机显示监测器924、键盘926和计算机鼠标928。外部组件904a、b还可以包括触摸屏、虚拟键盘、触摸板、定点设备和其他人机接口设备。内部组件902a、b的集合中的每一个还包括设备驱动器930，以接口到计算机显示监测器924、键盘926和计算机鼠标928。设备驱动器930、R/W驱动器或接口918以及网络适配器或接口922包括硬件和软件(存储在存储设备916和/或ROM 910中)。
预先理解，尽管本公开包括关于云计算的详细描述，但是本文中记载的教导的实现不限于云计算环境。相反，本发明的实施例能够结合现在已知或以后开发的任何其他类型的计算环境来实现。
云计算是一种服务递送模型，用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池的方便的按需网络访问，所述可配置计算资源可以以最小的管理努力或与服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
特征如下：
按需自服务：云消费者可以单方面地自动地根据需要提供计算能力，诸如服务器时间和网络存储，而不需要与服务的提供者进行人工交互。
广域网接入：能力在网络上可用，并且通过促进由异构的薄或厚客户端平台(例如，移动电话、膝上型计算机和PDA)使用的标准机制来访问。
资源池化：供应商的计算资源被集中以使用多租户模型来服务多个消费者，其中不同的物理和虚拟资源根据需求被动态地分配和重新分配。存在位置无关的意义，因为消费者通常不控制或不知道所提供的资源的确切位置，但是能够在较高抽象级别(例如国家、州或数据中心)指定位置。
快速弹性：在一些情况下，可以快速且弹性地提供快速向外扩展的能力和快速向内扩展的能力。对于消费者，可用于提供的能力通常看起来不受限制，并且可以在任何时间以任何数量购买。
测量服务：云系统通过利用在适合于服务类型(例如，存储、处理、带宽和活动用户账户)的某一抽象级别的计量能力来自动地控制和优化资源使用。可以监测、控制和报告资源使用，从而为所利用服务的提供者和消费者两者提供透明度。
服务模型如下：
软件即服务(SaaS)：提供给消费者的能力是使用在云基础设施或混合云基础设施上运行的提供者的应用。应用可通过诸如web浏览器(例如，基于web的电子邮件)等瘦客户机界面从各种客户机设备访问。消费者不管理或控制包括网络、服务器、操作系统、存储、或甚至个别应用能力的底层云基础结构，可能的例外是有限的用户专用应用配置设置。
平台即服务(PaaS)：提供给消费者的能力是将消费者创建或获取的应用部署到云基础设施上，该消费者创建或获取的应用是使用由提供商支持的编程语言和工具创建的。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施，但具有对部署的应用和可能的应用托管环境配置的控制。
分析即服务(AaaS)：提供给消费者的能力是使用基于web或基于云的网络(即，基础设施)来访问分析平台。分析平台可以包括对分析软件资源的访问，或者可以包括对相关数据库、语料库、服务器、操作系统或存储装置的访问。消费者不管理或控制包括数据库、语料库、服务器、操作系统或存储的底层的基于web或基于云的基础结构，而是具有对所部署的应用以及可能的应用托管环境配置的控制。
基础设施即服务(IaaS)：提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其他基本计算资源，所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施，但具有对操作系统、存储、部署的应用的控制，以及可能对选择的联网组件(例如，主机防火墙)的有限控制。
部署模型如下：
私有云：云基础设施仅为组织操作。它可以由组织或第三方管理，并且可以存在于建筑物内或建筑物外。
社区云：云基础设施由若干组织共享，并且支持具有共享关注(例如，任务、安全要求、策略和合规性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于场所内或场所外。
公有云：云基础设施可用于一般公众或大型工业群体，并且由销售云服务的组织拥有。
混合云：云基础设施是两个或更多云(私有、共同体或公共)的组合，所述云保持唯一实体，但是通过使数据和应用能够移植的标准化或私有技术(例如，用于云之间的负载平衡的云突发)绑定在一起。
云计算环境是面向服务的，其焦点在于无状态、低耦合、模块性和语义互操作性。在云计算的核心是包括互连节点的网络的基础设施。
现在参考图5，描绘了说明性云计算环境1000。如图所示，云计算环境1000包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点1050，所述本地计算设备例如个人数字助理(PDA)或蜂窝电话1000A、台式计算机1000B、膝上型计算机1000C和/或汽车计算机系统1000N。云计算节点1050可以彼此通信。它们可以被物理地或虚拟地分组(未示出)在一个或多个网络中，诸如如上文描述的私有云、社区云、公共云或混合云或其组合。这允许云计算环境1000提供基础设施、平台和/或软件作为服务，云消费者不需要为其维护本地计算设备上的资源。应当理解，图5中所示的计算设备1000A-N的类型仅旨在说明，并且计算节点1050和云计算环境1000可以通过任何类型的网络和/或网络可寻址连接(例如，使用web浏览器)与任何类型的计算设备通信。
现在参考图6，示出了由云计算环境1000提供的一组功能抽象层1100。应当预先理解，图6中所示的组件、层和功能仅旨在说明，并且本发明的实施例不限于此。如所描绘的，提供了以下层和相应的功能：
硬件和软件层1102包括硬件和软件组件。硬件组件的示例包括：主机1104；基于RISC(精简指令集计算机)架构的服务器1106；服务器1108；刀锋服务器1110；存储设备1112；以及网络和联网组件1114。在一些实施例中，软件组件包括网络应用服务器软件1116和数据库软件1118。
虚拟化层1120提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器1122；虚拟存储1124；虚拟网络1126，包括虚拟专用网络；虚拟应用和操作系统1128；以及虚拟客户端1130。
在一个示例中，管理层1132可以提供下面描述的功能。资源供应1134提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价1136提供了在云计算环境中利用资源时的成本跟踪，以及用于消耗这些资源的记账或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户1138为消费者和系统管理员提供对云计算环境的访问。服务级别管理1140提供云计算资源分配和管理，使得满足所需的服务级别。服务水平协议(SLA)规划和履行1142提供对云计算资源的预先安排和采购，其中根据SLA预期未来需求。
工作负载层1144提供了可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括：映射和导航1146；软件开发和生命周期管理1148；虚拟教室教育递送1150；数据分析处理1152；事务处理1154；以及左移位拓扑构建1156。左移位拓扑程序110A、110b提供了一种使用机器学习来学习微服务的操作特点以构建服务和服务特性的拓扑表示的方式。
本发明可以是任何可能的技术细节集成水平的系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质)，所述计算机可读程序指令用于使处理器执行本发明的各方面。
计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、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或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如上面记录有指令的打孔卡或凹槽中的凸起结构的机械编码装置，以及上述的任何适当组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤线缆的光脉冲)、或通过导线传输的电信号。
本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络，例如互联网、局域网、广域网和/或无线网络，下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据，或者以一种或多种编程语言(包括面向对象的编程语言，例如Smalltalk、C++等)和过程式编程语言(例如“C”编程语言、Python编程语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上并且部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，使用互联网服务提供商通过互联网)。在一些实施例中，为了执行本发明的各方面，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化。
在此参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。将理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方案中，框中所注明的功能可不按图中所注明的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。
已经出于说明的目的给出了本发明的各种实施例的描述，但是其不旨在是穷尽的或限于所公开的实施例。在不背离所描述的实施例的范围的情况下，许多修改和变化对于本领域的普通技术人员将是显而易见的。选择本文所使用的术语以最好地解释实施例的原理、实际应用或对市场上存在的技术改进，或使本领域的其他普通技术人员能够理解本文所公开的实施例。

Claims (25)

1.一种用于左移位拓扑构建的方法，所述方法包括：
收集数据集；
从所述数据集提取拓扑实体；
将来自所述拓扑实体的多个数据相互关联；
对所述拓扑实体进行映射；
标记针对所述拓扑实体的多个子图形的入口点；以及
构建拓扑图形。
2.根据权利要求1所述的方法，还包括：
使用静态数据来更新所述数据集；以及
连续地验证经更新的所述数据集。
3.根据前述权利要求中任一项所述的方法，还包括：
使用来自主题专家(SME)的实时数据作为主动学习反馈模型来更新所述数据集；以及
连续地验证经更新的所述数据集。
4.根据前述权利要求中任一项所述的方法，其中提取所述拓扑实体包括从授权实体、登录实体、前端实体、弹性搜索实体和图形数据库实体提取信息。
5.根据前述权利要求中任一项所述的方法，其中提取所述拓扑实体包括使用无监督机器学习(ML)模型标识被分布在所收集的所述数据集中间的关键词和主题。
6.根据前述权利要求中任一项所述的方法，其中将来自所述拓扑实体的所述多个数据相互关联包括匹配来自多个不同源的多个所述拓扑实体，其中应用程序接口(API)路由在所述多个所述拓扑实体之间被标识。
7.根据前述权利要求中任一项所述的方法，其中标记针对所述多个子图形的所述入口点包括标记针对所述入口点中的每个入口点的子图形的中央处理单元(CPU)周期。
8.根据前述权利要求中任一项所述的方法，其中学习模型被用以从所述多个子图形获得元信息。
9.根据权利要求2至8中任一项所述的方法，其中在配置改变出现时，连续地验证经更新的所述数据集。
10.一种用于左移位拓扑构建的计算机系统，所述计算机系统包括：
一个或多个处理器、一个或多个计算机可读存储器、一个或多个计算机可读有形存储介质、以及被存储在所述一个或多个计算机可读有形存储介质中的至少一个计算机可读有形存储介质上的程序指令，所述程序指令用于由所述一个或多个处理器中的至少一个处理器经由所述一个或多个计算机可读存储器中的至少一个计算机可读存储器执行，其中所述计算机系统能够执行方法，所述方法包括：
收集数据集；
从所述数据集提取拓扑实体；
将来自所述拓扑实体的多个数据相互关联；
对所述拓扑实体进行映射；
标记针对所述拓扑实体的多个子图形的入口点；以及
构建拓扑图形。
11.根据权利要求10所述的计算机系统，还包括：
使用静态数据来更新所述数据集；以及
连续地验证经更新的所述数据集。
12.根据权利要求10至11中任一项所述的计算机系统，还包括：
使用来自主题专家(SME)的实时数据作为主动学习反馈模型来更新所述数据集；以及
连续地验证经更新的所述数据集。
13.根据权利要求10至12中任一项所述的计算机系统，其中提取所述拓扑实体包括从授权实体、登录实体、前端实体、弹性搜索实体和图形数据库实体提取信息。
14.根据权利要求10至13中任一项所述的计算机系统，其中提取所述拓扑实体包括使用无监督机器学习(ML)模型标识被分布在所收集的所述数据集中间的关键词和主题。
15.根据权利要求10至14中任一项所述的计算机系统，其中将来自所述拓扑实体的所述多个数据相互关联包括匹配来自多个不同源的多个所述拓扑实体，其中应用程序接口(API)路由在所述多个所述拓扑实体之间被标识。
16.根据权利要求10至15中任一项所述的计算机系统，其中标记针对所述多个子图形的所述入口点包括标记针对所述入口点中的每个入口点的子图形的中央处理单元(CPU)周期。
17.根据权利要求10至16中任一项所述的计算机系统，其中学习模型被用以从所述多个子图形获得元信息。
18.根据权利要求11至17中任一项所述的计算机系统，其中在配置改变出现时，连续地验证经更新的所述数据集。
19.一种用于左移位拓扑构建的计算机程序产品，所述计算机程序产品包括：
一个或多个计算机可读有形存储介质和被存储在所述一个或多个计算机可读有形存储介质中的至少一个计算机可读有形存储介质上的程序指令，所述程序指令由处理器可执行以使所述处理器执行方法，所述方法包括：
收集数据集；
从所述数据集提取拓扑实体；
将来自所述拓扑实体的多个数据相互关联；
对所述拓扑实体进行映射；
标记针对所述拓扑实体的多个子图形的入口点；以及
构建拓扑图形。
20.根据权利要求19所述的计算机程序产品，还包括：
使用静态数据来更新所述数据集；以及
连续地验证经更新的所述数据集。
21.根据权利要求19至20中任一项所述的计算机程序产品，还包括：
使用来自主题专家(SME)的实时数据作为主动学习反馈模型来更新所述数据集；以及
连续地验证经更新的所述数据集。
22.根据权利要求19至21中任一项所述的计算机程序产品，其中提取所述拓扑实体包括从授权实体、登录实体、前端实体、弹性搜索实体和图形数据库实体提取信息。
23.根据权利要求19至22中任一项所述的计算机程序产品，其中提取所述拓扑实体包括使用无监督机器学习(ML)模型标识被分布在所收集的所述数据集中间的关键词和主题。
24.根据权利要求19至23中任一项所述的计算机程序产品，其中将来自所述拓扑实体的所述多个数据相互关联包括匹配来自多个不同源的多个所述拓扑实体，其中应用程序接口(API)路由在所述多个所述拓扑实体之间被标识。
25.根据权利要求19至24中任一项所述的计算机程序产品，其中学习模型被用以从所述多个子图形获得元信息。
CN202180055272.XA 2020-09-17 2021-09-16 使用机器学习的左移位拓扑构建和信息增强 Pending CN116210210A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/023,679 US20220083876A1 (en) 2020-09-17 2020-09-17 Shiftleft topology construction and information augmentation using machine learning
US17/023,679 2020-09-17
PCT/IB2021/058442 WO2022058919A1 (en) 2020-09-17 2021-09-16 Shiftleft topology construction and information augmentation using machine learning

Publications (1)

Publication Number Publication Date
CN116210210A true CN116210210A (zh) 2023-06-02

Family

ID=80626792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180055272.XA Pending CN116210210A (zh) 2020-09-17 2021-09-16 使用机器学习的左移位拓扑构建和信息增强

Country Status (5)

Country Link
US (1) US20220083876A1 (zh)
JP (1) JP2023543704A (zh)
CN (1) CN116210210A (zh)
GB (1) GB2613484A (zh)
WO (1) WO2022058919A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676266B (zh) * 2022-03-29 2024-02-27 建信金融科技有限责任公司 基于多层关系图谱的冲突识别方法、装置、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101040486A (zh) * 2004-10-12 2007-09-19 国际商业机器公司 动态分布式环境中的自动拓扑形成方法、系统及程序产品
CN101223524A (zh) * 2005-07-12 2008-07-16 国际商业机器公司 用于填充图形拓扑显示的计算机实现的方法
CN102308521A (zh) * 2009-02-05 2012-01-04 瑞典爱立信有限公司 以太网网络中的拓扑位置发现
CN102725733A (zh) * 2009-12-31 2012-10-10 国际商业机器公司 在平台之间移植虚拟机映像
CN103577514A (zh) * 2012-08-02 2014-02-12 国际商业机器公司 用于自动数据探索的方法和装置
CN103636172A (zh) * 2011-06-28 2014-03-12 瑞典爱立信有限公司 具有环拓扑的网络中的拓扑改变
US20160105350A1 (en) * 2014-10-10 2016-04-14 Dynatrace Llc Method And System For Real-time Modeling Of Communication, Virtualization And Transaction Execution Related Topological Aspects Of Monitored Software Applications And Hardware Entities
CN106982143A (zh) * 2017-04-19 2017-07-25 济南浪潮高新科技投资发展有限公司 一种利用拓扑实现电信指标监控的方法
US20180287876A1 (en) * 2017-03-30 2018-10-04 Ca, Inc. Discovering application topologies
CN108701110A (zh) * 2016-04-01 2018-10-23 英特尔公司 一种用于在机架规模架构环境中的pcie缆线拓扑发现的机制
CN110472107A (zh) * 2019-08-22 2019-11-19 腾讯科技（深圳）有限公司 多模态知识图谱构建方法、装置、服务器以及存储介质

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208567A9 (en) * 1999-08-23 2011-08-25 Roddy Nicholas E System and method for managing a fleet of remote assets
US9128749B1 (en) * 2013-06-27 2015-09-08 Emc Corporation Method and system for lock free statistics collection
US10108411B2 (en) * 2015-10-08 2018-10-23 Lightbend, Inc. Systems and methods of constructing a network topology
US20170337232A1 (en) * 2016-05-19 2017-11-23 Fifth Dimension Holdings Ltd. Methods of storing and querying data, and systems thereof
US11575579B2 (en) * 2017-04-25 2023-02-07 Nutanix, Inc. Systems and methods for networked microservice modeling
US11334692B2 (en) * 2017-06-29 2022-05-17 International Business Machines Corporation Extracting a knowledge graph from program source code
US10855793B2 (en) * 2017-09-25 2020-12-01 Splunk Inc. Proxying hypertext transfer protocol (HTTP) requests for microservices
CN108322351B (zh) * 2018-03-05 2021-09-10 北京奇艺世纪科技有限公司 生成拓扑图的方法和装置、故障确定方法和装置
US11032304B2 (en) * 2018-12-04 2021-06-08 International Business Machines Corporation Ontology based persistent attack campaign detection
CN111435924B (zh) * 2019-01-14 2021-08-31 华为技术有限公司 调用应用程序接口的方法和装置
US11184241B2 (en) * 2019-02-08 2021-11-23 International Business Machines Corporation Topology-aware continuous evaluation of microservice-based applications
US20220176201A1 (en) * 2019-03-29 2022-06-09 Alive Fitness Llc Methods and systems for exercise recognition and analysis
US20210035661A1 (en) * 2019-08-02 2021-02-04 Kpn Innovations, Llc Methods and systems for relating user inputs to antidote labels using artificial intelligence
CA3222363A1 (en) * 2019-11-06 2021-05-14 Centurylink Intellectual Property Llc Predictive resource allocation in an edge computing network
US11327749B2 (en) * 2019-11-14 2022-05-10 Dell Products L.P. System and method for generating documentation for microservice based applications
US11424989B2 (en) * 2020-06-15 2022-08-23 Cisco Technology, Inc. Machine-learning infused network topology generation and deployment
US11875233B2 (en) * 2020-07-10 2024-01-16 Microsoft Technology Licensing, Llc Automatic recognition of entities related to cloud incidents

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101040486A (zh) * 2004-10-12 2007-09-19 国际商业机器公司 动态分布式环境中的自动拓扑形成方法、系统及程序产品
CN101223524A (zh) * 2005-07-12 2008-07-16 国际商业机器公司 用于填充图形拓扑显示的计算机实现的方法
CN102308521A (zh) * 2009-02-05 2012-01-04 瑞典爱立信有限公司 以太网网络中的拓扑位置发现
CN102725733A (zh) * 2009-12-31 2012-10-10 国际商业机器公司 在平台之间移植虚拟机映像
CN103636172A (zh) * 2011-06-28 2014-03-12 瑞典爱立信有限公司 具有环拓扑的网络中的拓扑改变
CN103577514A (zh) * 2012-08-02 2014-02-12 国际商业机器公司 用于自动数据探索的方法和装置
US20160105350A1 (en) * 2014-10-10 2016-04-14 Dynatrace Llc Method And System For Real-time Modeling Of Communication, Virtualization And Transaction Execution Related Topological Aspects Of Monitored Software Applications And Hardware Entities
CN108701110A (zh) * 2016-04-01 2018-10-23 英特尔公司 一种用于在机架规模架构环境中的pcie缆线拓扑发现的机制
US20180287876A1 (en) * 2017-03-30 2018-10-04 Ca, Inc. Discovering application topologies
CN106982143A (zh) * 2017-04-19 2017-07-25 济南浪潮高新科技投资发展有限公司 一种利用拓扑实现电信指标监控的方法
CN110472107A (zh) * 2019-08-22 2019-11-19 腾讯科技（深圳）有限公司 多模态知识图谱构建方法、装置、服务器以及存储介质

Also Published As

Publication number Publication date
GB2613484A (en) 2023-06-07
US20220083876A1 (en) 2022-03-17
GB202302589D0 (en) 2023-04-12
WO2022058919A1 (en) 2022-03-24
JP2023543704A (ja) 2023-10-18

Similar Documents

Publication Publication Date Title
US11593642B2 (en) Combined data pre-process and architecture search for deep learning models
US20200104366A1 (en) Personalized interactive semantic parsing using a graph-to-sequence model
US11436129B2 (en) System, method and recording medium for generating mobile test sequences
US11669680B2 (en) Automated graph based information extraction
US11061739B2 (en) Dynamic infrastructure management and processing
US10592304B2 (en) Suggesting application programming interfaces based on feature and context analysis
KR20220156091A (ko) 강화 학습을 이용한 비지도 텍스트 요약
US20200302350A1 (en) Natural language processing based business domain modeling
JP2023544904A (ja) 機械学習パイプラインの分散型リソースアウェアトレーニング
US20220083881A1 (en) Automated analysis generation for machine learning system
US20190138646A1 (en) Systematic Browsing of Automated Conversation Exchange Program Knowledge Bases
US10685290B2 (en) Parameter management through RDMA atomic operations
CN116210210A (zh) 使用机器学习的左移位拓扑构建和信息增强
WO2023103688A1 (en) Federated machine learning based on partially secured spatio-temporal data
US20200380530A1 (en) Automatic internet of things enabled contract compliance monitoring
US20230186107A1 (en) Boosting classification and regression tree performance with dimension reduction
US20230021563A1 (en) Federated data standardization using data privacy techniques
US11907711B2 (en) Fast porting of projects
CN117716373A (zh) 基于期望的度量值提供机器学习模型
US20220269698A1 (en) Phrase based unstructured content parsing
US11645558B2 (en) Automatic mapping of records without configuration information
US20210279386A1 (en) Multi-modal deep learning based surrogate model for high-fidelity simulation
CN116490871A (zh) 在数据分析中自动调整数据访问策略
US11074508B2 (en) Constraint tracking and inference generation
US20220300799A1 (en) Neuro-Symbolic Approach for Entity Linking

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