[发明专利]一种基于多注意力特征记忆模型的预测方法和装置

权利要求书

1.一种基于多注意力特征记忆模型的预测方法，其特征在于，应用于Kubernetes集群中，包括：

实时的获取Pod运行时的资源利用率数据；

将一定时间内获取的所述Pod运行时的资源利用率数据输入多注意力特征记忆模型进行训练,以获取用于Pod资源利用率预测的训练模型；

将当前时刻获取的Pod运行时的资源利用率数据输入所述训练模型进行推理,以得到所述Pod的资源预测利用率。

2.根据权利要求1所述的方法，其特征在于，所述多注意力特征记忆模型包括三个工作单元，每个工作单元中使用了添加注意力机制的双向LSTM结构，并通过添加全连接层进行数据输出。

3.根据权利要求2所述的方法，其特征在于，所述多注意力特征记忆模型的工作流程包括：

在进行数据输入时，当前的训练样本会被分为三分并同时送入到三组工作单元中；

输入的数据首先经过Attention层，经过数据特征增强之后，送入到特征提取工作单元中，其中，所述特征提取工作单元由两个双向LSTM网络单元组成；

在经过特征提取之后，三组工作单元产生各自的隐藏状态权重矩阵，将经过三个权重矩阵进行矩阵乘法计算后级联组合来完成整个训练数据集的特征学习；

通过设置在模型中的线性变换全连接层将特征学习的输出结果按照指定的输出格式进行输出。

4.根据权利要求1所述的方法，其特征在于，实时的获取Pod运行时的资源利用率数据，包括：

通过Prometheus提供的PromQL表达式来实时地获取Pod运行时的资源利用率数据。

5.根据权利要求1所述的方法，其特征在于，所述Pod运行的资源利用率数据包括CPU的利用率和内存的利用率，相应的，在实时的获取Pod运行时集群中容器的资源利用率数据之后，还包括：

将所述CPU的利用率和内存的利用率作为单个二维样本写在一行，以生成二维数据；

基于最大最小标准化方法，对所述二维数据进行标准化。

6.一种基于多注意力特征记忆模型的预测装置，其特征在于，配置于Kubernetes集群中，包括：获取模块，用于实时的获取Pod运行时的资源利用率数据；

训练模块，用于将一定时间内获取的所述Pod运行时的资源利用率数据输入多注意力特征记忆模型进行训练,以获取用于Pod资源利用率预测的训练模型；

预测模块，用于将当前时刻获取的Pod运行时的资源利用率数据输入所述训练模型进行推理,以得到所述Pod的资源预测利用率。