(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210526299.9 (22)申请日 2022.05.16 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市江干区下沙高 教园区2号大街 (72)发明人 张婷　蒋从锋　欧东阳　 (74)专利代理 机构 杭州奥创知识产权代理有限 公司 33272 专利代理师 王佳健 (51)Int.Cl. G06F 9/50(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于组合神经网络的微 服务资源分配方法 (57)摘要 本发明公开了一种基于组合神经网络的微 服务资源分配方法。 本发明基于组合神经网络识 别微服务的依赖关系 与云环境的动态特征， 预测 并定位引起性能违约的微服务， 并锁定其受到限 制的瓶颈资源， 针对瓶颈资源进行资源的分配， 以在减少性能违约的情况下尽可能提高数据中 心的资源使用率。 通过本发明提供的基于组合神 经网络的微服务资源分配方法， 可以很好地捕捉 云环境中工作负载特征和性能干扰模式的剧烈 变化， 精准预测与定位即将引起性能违约的微服 务， 并对其瓶颈资源进行分配， 在减少在线服务 违约率的情况 下尽可能提高资源的利用率。 权利要求书2页 说明书6页 附图2页 CN 114968563 A 2022.08.30 CN 114968563 A 1.基于组合神经网络的微 服务资源分配方法， 其特 征在于该 方法包括如下步骤： 步骤1.使用分布式追踪系统追踪访问在线服务的用户请求， 根据系统调用请求以及调 用时间戳识别组成在线服 务的微服务请求路径图； 步骤2.记录各个微服务的延时、 未处理请求数以及吞吐量， 针对每个微服务， 收集其硬 件指标； 步骤3.在线训练 组合神经网络以定位即将引起违约的微 服务； 所述组合神经网络使用四层CNN网络来处理高维数据， 确定微服务之间的依赖关系， 筛 选出与性能违约的关键微服务以及关键特征； 使用三层LSTM网络来识别云环 境中的动态时 序特征； 所述组合神经网络输入为每个微服务的延迟、 未处理请求数、 吞吐量以及采集的硬件 指标； 输出为每 个微服务引起性能违约的概 率； 步骤4.判断组合神经网络的预测精度； 如果预测精度不满足设定阈值， 则使用代理模型， 即阈值控制模型代替组合神经网络 进行预测； 如果预测精度达 到要求， 则直接 输出预测结果， 以定位即将导 致违约的微 服务； 步骤5.定位到即将导致违约的微服务后， 将此微服务的硬件指标状态空间的未违约样 本通过二分k均值方法聚类； 遍历与当前硬件指标样本同一类的所有样本， 基于样本间马氏距离d找到与当前硬件 指标样本最接 近的样本， 并通过两个样本的比对精准识别出瓶颈资源； 步骤6.针对步骤5中识别出的瓶颈资源进行资源分配， 从分配度最小的批处理作业开 始释放资源以供微 服务使用； 步骤7.周期性循环步骤1至步骤6 。 2.根据权利要求1所述的基于组合神经网络的微服务资源分配方法， 其特征在于： 步骤 1中， 通过发送和接收的消息标识符和时间戳， 识别出组成在线服务的微服务的请求路径 图。 3.根据权利要求1所述的基于组合神经网络的微服务资源分配方法， 其特征在于： 步骤 3中， 在网络训练的反向传播的过程中使用概 率因子进行梯度下降更新。 4.根据权利要求1所述的基于组合神经网络的微服务资源分配方法， 其特征在于： 步骤 3中， 在微服务发生更换时， 将每个网络拆分为基础层和更新层， 以复用基础层权重系数与 更新更新层权 重系数的增量更新方式来减少训练时间。 5.根据权利要求1所述的基于组合神经网络的微服务资源分配方法， 其特征在于： 步骤 6中， 分配度Ai定义为 权　利　要　求　书 1/2 页 2 CN 114968563 A 2其中α 为资源系数， β 为时间系数， 为微服务对Rj的需求量， Rj为第j种资源， 为第 i个批处理作业拥有的Rj资源量， f(s)为资源匹配 函数， s为自变 量， Ti为第i个批处理作业待 完成时间。权　利　要　求　书 2/2 页 3 CN 114968563 A 3