[发明专利]基于人工智能的容器配置方法、装置、设备及介质

说明书

本发明公开了一种基于人工智能的容器配置方法、装置、设备及介质，所述方法包括：获取每个节点服务器在当前周期内的负载信息，作为节点服务器对应的初始负载，将每个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，第一预设阈值大于第二预设阈值，按照预设的容量调整方式，对第一负载对应的节点服务器进行扩容处理，对第二负载对应的节点服务器进行缩容处理，采用本发明可提高服务器容量的利用率，加强了容量调整的针对性和效率。

技术领域

本发明涉及数据处理领域，尤其涉及一种基于人工智能的容器配置方法、装置、设备及介质。

背景技术

随着计算机技术的快速发展，越来越多的事务通过网络进行处理，访问互联网络来获取信息，成为日常生活中的一种很常见的事情，在一些大型集团或互联网企业/机构，为处理日益扩大的信息访问业务，采用集群的方式对信息访问提供支持，集群中包含多个服务器节点，每个服务器节点处理对应的应用的数据访问。在不同时间段，不同应用的访问流量不一致，比如某个应用做一些营销活动，短时期会产生大量的数据访问请求，因而，有必要针对各个节点服务器进行容量配置的调整。

现有的容量配置调整往往是通过预设一个阈值，在服务器节点的使用容量达到这个阈值时进行升级，但升级过程中需要进行重启等处理，使得应用服务被中断，用户体验不佳，同时，对容量进行升级往往基于人工经验，使得容量配置需要多次修改更新，使得容量配置的效率较低，。

发明内容

本发明实施例提供一种基于人工智能的容器配置方法、装置、计算机设备和存储介质，以提高容器配置效率。

为了解决上述技术问题，本申请实施例提供一种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。

可选地，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。

可选地，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。