[发明专利]基于微服务链路分析和强化学习的调度方法及装置

权利要求书

1.一种基于微服务链路分析和强化学习的调度方法，其特征在于，包括以下步骤：

基于深度学习模型的工作负载与链路分析器对云服务器微服务的链路进行分析与决策，选取最长延迟的关键路径与关键节点，获取云服务器负载数据；

基于Deep Q-Learning的强化学习算法，对云服务器负载数据进行训练，利用基于DeepQ-Learning的强化学习算法训练出适应于不同负载状态下的深度学习模型；

使用深度学习模型对云服务器集群进行集群调度，其中调度方式包括：横向扩展、纵向扩展与管制。

2.根据权利要求1所述的基于微服务链路分析和强化学习的调度方法，其特征在于，所述基于深度学习模型的工作负载与链路分析器对云服务器微服务的链路进行分析与决策，选取最长延迟的关键路径与关键节点，获取云服务器负载数据包括：

对工作负载进行预处理和数据清洗，并对实际的数据集中得到的原始数据进行处理获取请求数量；

在收集到请求数量与云服务器的工作负载之间的关系之后，通过深度学习算法来得到整个所需要进行实验的请求数量的数据；

在生成请求并发送至请求处理器之后，一方面将请求发送给目标集群，另一方面收集来自云服务器集群的负载情况；

将负载情况信息传递给工作负载与链路分析器，通过微服务的关键路径分析，得到当前状态下微服务的链路关系，结合获得的链路延迟数据，得到微服务的关键路径；

通过基于决策树的分类方式对关键节点进行判断并得到结果。

3.根据权利要求2所述的基于微服务链路分析和强化学习的调度方法，其特征在于，所述对工作负载进行预处理和数据清洗，并对实际的数据集中得到的原始数据进行处理获取请求数量包括：

首先删除包含空数据的列，按照时间序列对数据集进行分类，然后利用分组函数计算出具有相同时间戳的每个参数的平均值；

使用MinMaxScaler来对数据集进行归一化处理；MinMaxScaler的操作是基于min-max缩放法，具体的公式如下公式1与公式2所示；

X_scaled＝X_std*(X_max-X_min)+X_min (2)

使用MinMaxScaler对每个特征进行变换，将每个特征缩放为0和1之间的值，X代表待处理数据的集合，X_min和X_max是集合中的最小和最大数据，最终处理后的数据用X_scaled表示。

4.根据权利要求2所述的基于微服务链路分析和强化学习的调度方法，其特征在于，在所述在收集到请求数量与云服务器的工作负载之间的关系之后，通过深度学习算法来得到整个所需要进行实验的请求数量的数据之后，所述方法还包括：

对用户行为进行分析，并且基于用户的行为将用户访问网站的不同位置进行了记录，通过对访问网站的不同请求进行模拟，模拟出现实生活中用户的行为。

5.根据权利要求2所述的基于微服务链路分析和强化学习的调度方法，其特征在于，所述系统情况包括：微服务自身的延迟、云服务器的资源消耗、微服务的请求延迟、请求成功率信息。

6.根据权利要求2所述的基于微服务链路分析和强化学习的调度方法，其特征在于，所述通过基于决策树的分类方式对关键节点进行判断并得到结果包括：

通过训练针对于动态变化的链路关系得到一个针对是否为关键节点的决策树模型；该决策树有三种决策结果：属于关键节点、不属于关键节点与潜在的关键节点；三种结果中，每一条关键路径中至少包括一个关键节点，非关键节点和潜在关键节点不存在于关键路径中。