[发明专利]一种服务的计算资源配置方法、系统及装置

权利要求书

1.一种服务的计算资源配置方法，其特征在于，包括：

预先设置用于为平台各服务推荐与其服务类型相适配的计算资源配额的在线学习算法；

在平台上线新服务时，根据所述在线学习算法推荐出与所述新服务的服务类型相适配的目标计算资源配额；

按照所述目标计算资源配额进行所述新服务的计算资源初始化配置；

其中，预先设置用于为平台各服务推荐与其服务类型相适配的计算资源配额的在线学习算法的过程，包括：

预先设置用于为平台各服务推荐与其服务类型相适配的计算资源配额的Linear UCB算法；

根据所述Linear UCB算法的运算速度要求调整所述Linear UCB算法中的计算精确度约束，以使所述Linear UCB算法的实际运算速度达到所述运算速度要求。

2.如权利要求1所述的服务的计算资源配置方法，其特征在于，所述服务的计算资源配置方法还包括：

预先设置用于根据各服务对应的计算资源使用率、计算效率、计算请求量及计算请求延迟相应计算各服务的最优计算资源配额的配额最优算法；

在所述新服务投入工作后，利用所述配额最优算法，根据所述新服务实际对应的计算资源使用率、计算效率、计算请求量及计算请求延迟计算所述新服务的最优计算资源配额；

求取计算的最优计算资源配额与推荐的目标计算资源配额之间的配额误差，根据所述配额误差修改所述在线学习算法的推荐参数，以减少所述配额误差。

3.如权利要求2所述的服务的计算资源配置方法，其特征在于，求取计算的最优计算资源配额与推荐的目标计算资源配额之间的配额误差，根据所述配额误差修改所述在线学习算法的推荐参数，以减少所述配额误差的过程，包括：

根据所述在线学习算法和所述配额最优算法得到用于求取所述新服务对应的配额误差的损失函数；

利用FTRL算法确定在得到的所有损失函数之和最小的条件下所述在线学习算法的目标推荐参数，并按照所述目标推荐参数修改所述在线学习算法的推荐参数。

4.如权利要求2所述的服务的计算资源配置方法，其特征在于，所述配额最优算法为模糊逻辑算法或神经网络算法。

5.如权利要求1所述的服务的计算资源配置方法，其特征在于，预先设置用于为平台各服务推荐与其服务类型相适配的计算资源配额的在线学习算法的过程，还包括：

按照修改所述Linear UCB算法的逆运算，得到精确度更高的Linear UCB算法；其中，为所述Linear UCB算法中的逆矩阵，为矩阵的逆矩阵；为待修改的逆矩阵所在的关系式的输出值； 为的转置矩阵；t为时间点；表示第次尝试推荐；为常量。

6.如权利要求1-5任一项所述的服务的计算资源配置方法，其特征在于，各服务的计算资源由CPU和GPU共同提供；

所述服务的计算资源配置方法还包括：

预先设置用于根据各服务对应的计算请求量、CPU剩余使用量、GPU剩余使用量相应确定各服务的服务副本数量的副本扩缩容算法；

在所述新服务投入工作后，利用所述副本扩缩容算法，根据所述新服务实际对应的计算请求量、CPU剩余使用量、GPU剩余使用量确定所述新服务的目标服务副本数量；

根据所述目标服务副本数量对所述新服务的服务副本进行扩缩容处理。

7.一种服务的计算资源配置系统，其特征在于，包括：

预设模块，用于预先设置用于为平台各服务推荐与其服务类型相适配的计算资源配额的在线学习算法；

推荐模块，用于在平台上线新服务时，根据所述在线学习算法推荐出与所述新服务的服务类型相适配的目标计算资源配额；

配置模块，用于按照所述目标计算资源配额进行所述新服务的计算资源初始化配置；

其中，所述预设模块具体用于：

预先设置用于为平台各服务推荐与其服务类型相适配的计算资源配额的Linear UCB算法；

根据所述Linear UCB算法的运算速度要求调整所述Linear UCB算法中的计算精确度约束，以使所述Linear UCB算法的实际运算速度达到所述运算速度要求。