[发明专利]基于人工智能的容器配置方法、装置、设备及介质

权利要求书

1.一种基于人工智能的容器配置方法，应用于集群服务器中，其特征在于，所述基于人工智能的容器配置方法包括：

获取每个节点服务器在当前周期内的负载信息，作为所述节点服务器对应的初始负载；

将每个所述初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个所述节点服务器对应的预测峰值；

将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，所述第一预设阈值大于所述第二预设阈值；

按照预设的容量调整方式，对所述第一负载对应的节点服务器进行扩容处理，对所述第二负载对应的节点服务器进行缩容处理。

2.如权利要求1所述的基于人工智能的容器配置方法，其特征在于，所述将每个所述初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个所述节点服务器对应的预测峰值包括：

将所述初始负载输入到预训练的LSTM模型中进行峰值预测，得到第一负载峰值；

将所述第一负载峰值和所述初始负载输入到所述训练好的强化学习模型中，通过所述训练好的强化学习模型基于所述第一负载峰值和所述初始负载进行差值计算，并基于差值和损失函数计算奖励函数；

将所述初始负载和得到的奖励函数输入到所述训练好的强化学习模型中的决策单元中进行决策，得到决策结果，所述决策单元为感知机模型；

根据所述决策结果，确定第二负载峰值，作为所述初步负载对应节点服务器的预测峰值。

3.如权利要求1所述的基于人工智能的容器配置方法，其特征在于，所述按照预设的容量调整方式，对所述第一负载对应的节点服务器进行扩容处理包括：

将所述第一负载对应的节点服务器作为第一服务器；

基于虚拟容量分割的方式，将所述第一服务器的容量分为第一容量和第二容量；

采用所述第一容量响应应用程序的数据访问，并对所述第二容量进行配置文件的修改，并重启所述第二容量对应的虚拟服务器，并在重启后对所述第一容量和调整后的第二容量进行合并。

4.如权利要求1所述的基于人工智能的容器配置方法，其特征在于，所述对所述第二负载对应的节点服务器进行缩容处理包括：

将所述第二负载对应的节点服务器作为第二服务器；将指向所述第二服务器的访问请求转移到其他节点服务器；

对所述第二服务器的配置文件进行调整，并重启所述第二服务器。

5.一种基于人工智能的容器配置装置，其特征在于，所述基于人工智能的容器配置装置包括：

负载获取模块，用于获取每个节点服务器在当前周期内的负载信息，作为所述节点服务器对应的初始负载；

峰值预测模块，用于将每个所述初始负载输入到训练好的强化学习模型中进行趋势预判，得到每个所述节点服务器对应的预测峰值；

负载比较模块，用于将大于第一预设阈值的预测峰值对应的初始负载，作为第一负载，将小于第二预设阈值的预测峰值对应的初始负载，作为第二负载，所述第一预设阈值大于所述第二预设阈值；

容量调整模块，用于按照预设的容量调整方式，对所述第一负载对应的节点服务器进行扩容处理，对所述第二负载对应的节点服务器进行缩容处理。

6.如权利要求5所述的基于人工智能的容器配置装置，其特征在于，所述峰值预测模块包括：

第一预测单元，用于将所述初始负载输入到预训练的LSTM模型中进行峰值预测，得到第一负载峰值；

差值计算单元，用于将所述第一负载峰值和所述初始负载输入到所述训练好的强化学习模型中，通过所述训练好的强化学习模型基于所述第一负载峰值和所述初始负载进行差值计算，并基于差值和损失函数计算奖励函数；

决策单元，用于将所述初始负载和得到的奖励函数输入到所述训练好的强化学习模型中的决策单元中进行决策，得到决策结果，所述决策单元为感知机模型；

第二预测单元，用于根据所述决策结果，确定第二负载峰值，作为所述初步负载对应节点服务器的预测峰值。