[发明专利]一种基于负载特征分析的深度学习应用云配置推荐方法及系统

权利要求书

1.一种基于负载特征分析的深度学习应用云配置推荐方法，其特征在于，包括以下步骤：

执行用户指定的工作负载；

收集工作负载运行时的资源使用数据；

使用能够处理时序数据的神经网络模型从工作负载运行时的资源使用数据中提取负载的特征向量；

根据工作负载的特征向量并结合虚拟机的配置信息，选取适合工作负载的配置；

根据选取的适合工作负载的配置，执行工作负载；

所述执行用户指定的工作负载，包括：

用户提交描述工作负载的YAML文件，标注为深度学习工作负载或大数据工作负载或其它工作负载类型；

在YAML文件中添加标准配置信息，在Kubernetes集群中创建对应的pod，使工作负载运行在pod中；

所述根据工作负载的特征向量并结合虚拟机的配置信息，选取适合工作负载的配置，包括：根据负载的特征向量和配置的特征向量进行逻辑回归，得到配置预测值，再对各个配置预测值汇总排序，将配置依照推荐的优先级排序返回到前端界面，供用户根据返回的配置推荐结果选择合适的配置执行工作负载。

2.根据权利要求1所述的方法，其特征在于，所述收集工作 负载运行时的资源使用数据，包括：将负载运行时的资源使用数据存储为矩阵H的形式，矩阵H的第i行第j列元素h_ij表示在时间i采集到的指标j的数值。

3.根据权利要求1所述的方法，其特征在于，所述根据选取的适合工作负载的配置，执行工作负载，包括：根据用户选择的配置修改YAML文件中的配置信息，调用Kubernetes相应接口，删除之前创建的标准配置pod，重新创建选择的配置的pod。

4.根据权利要求1所述的方法，其特征在于，采用以下步骤得到所述配置预测值：

LSTM层对输入矩阵进行特征分析；

全连接层从LSTM层的输出中提取负载特征向量；

将负载特征向量和配置特征向量进行拼接；

对拼接的向量进行逻辑回归，得到配对(负载，配置)的预测值。

5.根据权利要求1所述的方法，其特征在于，使用预先收集的不同负载在不同配置上的运行数据训练用于提取负载特征的长短期记忆神经网络模型，包括最优超参数搜索和模型参数训练过程。

6.一种基于负载特征分析的深度学习应用云配置推荐系统，其特征在于，包括特征分析器、配置推荐器、工作负载执行器、负载运行数据收集器和可视化交互器；

所述工作负载执行器，用于执行用户提交的自定义的工作负载，以及根据所述配置推荐器推荐的配置执行工作负载；

所述负载运行数据收集器，用于收集工作负载运行时的资源使用数据，并提供给所述特征分析器；

所述特征分析器，用于使用能够处理时序数据的神经网络模型从工作负载运行时的资源使用数据中提取负载的特征向量；

所述配置推荐器，用于根据工作负载的特征向量并结合虚拟机的配置信息，推荐适合工作负载的配置；

所述可视化交互器，用于提供一个界面以与用户进行可视化交互；

所述用户提交的自定义的工作负载，包括：

用户提交描述工作负载的YAML文件，标注为深度学习工作负载或大数据工作负载或其它工作负载类型；

在YAML文件中添加标准配置信息，在Kubernetes集群中创建对应的pod，使工作负载运行在pod中；

所述根据工作负载的特征向量并结合虚拟机的配置信息，推荐适合工作负载的配置，包括：根据负载的特征向量和配置的特征向量进行逻辑回归，得到配置预测值，再对各个配置预测值汇总排序，将配置依照推荐的优先级排序返回到前端界面，供用户根据返回的配置推荐结果选择合适的配置执行工作负载。

7.一种电子装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1～5中任一权利要求所述方法的指令。

8.一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存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1～5中任一权利要求所述的方法。