[发明专利]基于机器学习的智能扩缩容方法、装置、设备及存储介质

说明书

本发明公开了基于机器学习的智能扩缩容方法、装置、设备及存储介质，涉及人工智能，包括若检测到需求信息中所包括的预测时间段，获取对应的先验信息并通过将预测时间段输入至第一预测模型运算得到第一预测信息；将第一预测信息根据先验信息进行修正得到修正结果；获取与训练集中每一历史数据对应的负载资源参数以组成与训练集对应的调整后训练集，通过调整后训练集进行模型训练得到第二预测模型；将修正结果输入至第二预测模型进行运算得到第二预测结果以判断是否扩容或缩容。实现了通过预测业务需求量，并引入人为因素作为先验知识，可提前对未来一段时间内的计算资源调度规划，避免滞后性问题，为扩缩容的执行争取更多时间。

技术领域

本发明涉及人工智能的智能决策技术领域，尤其涉及一种基于机器学习的智能扩缩容方法、装置、设备及存储介质。

背景技术

对于分布式计算集群，通过引入自动扩缩容功能，可有效地节省机器资源成本。当业务进入低谷期后，可以适当降低集群中的虚拟机总量，即实现缩容，以降低成本；当业务即将进入高峰期前，可适当增加虚拟机数量，即实现扩容，以满足业务需求。

当前阶段，现有自动扩缩容方案主要存在以下问题：

1、扩缩容的触发需要依据一定的监控数据，但现有方案中，监控项大多为计算资源的负载数据，如CPU占用率、内存使用率等，仅在资源负载相对较高后才会触发自动扩缩容功能，存在一定的滞后性；

2、由于没有在计算资源的负载情况与业务需求之间建立相应的对应关系，当存在已知的人为因素时，如业务部门对业务需求有一定的预判，该信息不能作为先验信息相对客观地对扩缩容策略进行指导修正；

3、扩缩容策略的制定，即扩缩容的数量，大多通过人工设定规则实现，存在较多的主观性；同时，由于人工选择扩缩容数量时，对扩缩容后的系统负载情况没有相对准确的预估与判断，为了保证系统稳定运行，一般情况下会选取偏大的扩容数量与较小的缩容数量，导致集群数量高于最佳容量，可能存在明显的资源浪费。

发明内容

本发明实施例提供了一种基于机器学习的智能扩缩容方法、装置、设备及存储介质，旨在解决现有技术中分布式计算集群在资源负载相对较高后才会触发自动扩缩容功能，存在一定的滞后性的问题。

第一方面，本发明实施例提供了一种基于机器学习的智能扩缩容方法，其包括：

获取监控指标对应的历史数据，将所述历史数据作为训练集进行模型训练，得到对应的第一预测模型；

若检测到运维平台中上传的需求信息中所包括的预测时间段，获取与所述预测时间段对应的先验信息，并通过将所述预测时间段输入至所述第一预测模型进行运算得到对应的第一预测信息；

将所述第一预测信息根据所述先验信息进行修正，得到与所述预测时间段对应的修正结果；

获取与所述训练集中每一历史数据对应的负载资源参数以组成与所述训练集对应的调整后训练集，通过调整后训练集进行模型训练，得到对应的第二预测模型；

将所述修正结果输入至所述第二预测模型进行运算，得到对应的第二预测结果；

判断所述第二预测结果是否满足预设的服务器扩容条件，或者是否满足预设的服务器缩容条件；

若所述第二预测结果满足所述服务器扩容条件，对应进行虚拟机扩容；以及

若所述第二预测结果满足所述服务器缩容条件，对应进行虚拟机缩容。

第二方面，本发明实施例提供了一种基于机器学习的智能扩缩容装置，其包括：

第一模型训练单元，用于获取监控指标对应的历史数据，将所述历史数据作为训练集进行模型训练，得到对应的第一预测模型；