[发明专利]一种服务的计算资源配置方法、系统及装置

说明书

本发明公开了一种服务的计算资源配置方法、系统及装置，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，根据在线学习算法推荐出与新服务的服务类型相适配的目标计算资源配额；按照目标计算资源配额进行新服务的计算资源初始化配置。可见，本申请可根据在线学习算法为平台新上线服务推荐适配其服务类型的计算资源配额，使得服务计算资源配置更加合理化；而且，此计算资源配置方法不依赖于系统内存所存储的计算资源标准配额，能够实现服务“冷启动”状态下的资源初始化配置。

技术领域

本发明涉及资源配置领域，特别是涉及一种服务的计算资源配置方法、系统及装置。

背景技术

Kubernetes简称“k8s”或者“kube”，是一个可移植的、可扩展的开源平台，用于管理容器化服务。k8s平台对服务提供了弹性扩容能力，能根据一定的弹性策略动态增加或减少服务的容器节点，从而动态地调整服务处理能力。

目前，对于新上线的平台各服务，k8s平台会按照预设计算资源标准配额为新上线的平台各服务配置计算资源初始值，但是，新上线的平台各服务的服务类型并不相同，其实际所需的计算资源量也有所差异，导致上述资源固定配置方式易存在计算资源配置不足或计算资源配置过多的问题，使得服务计算资源配置不够合理；而且，预设计算资源标准配额通常存储于系统内存中，在系统“冷启动”下内存所存储的内容会全部丢失，从而无法实现服务“冷启动”状态下的计算资源初始化配置。

因此，如何提供一种解决上述技术问题的方案是本领域的技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种服务的计算资源配置方法、系统及装置，请可根据在线学习算法为平台新上线服务推荐适配其服务类型的计算资源配额，使得服务计算资源配置更加合理化；而且，此计算资源配置方法不依赖于系统内存所存储的计算资源标准配额，能够实现服务“冷启动”状态下的资源初始化配置。

为解决上述技术问题，本发明提供了一种服务的计算资源配置方法，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。

优选地，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。

优选地，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。

优选地，所述配额最优算法为模糊逻辑算法或神经网络算法。

优选地，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：