[发明专利]云原生环境下支持服务负载激增预测的容器弹性伸缩系统

权利要求书

1.一种云原生环境下支持服务负载激增预测的容器弹性伸缩系统，其特征在于，包括：数据采集模块、伸缩模块、策略模块、深度学习模块和数据传输模块，其中：数据采集模块获取服务中每一个容器的使用资源信息并输出至数据传输模块，数据传输模块将使用资源信息以流形式分别输出至深度学习模块和策略模块，深度学习模块使用来自数据传输模块的资源信息训练服务负载预测模型和并行度计算模型，策略模块获取来自数据传输模块的服务历史负载数据，并使用负载激增预测算法调用服务负载预测模型得到预期负载并输出至并行度计算方法，并行度计算方法调用并行度计算模型得到服务所需的容器数量并将结果输出至伸缩模块以对服务进行伸缩；

所述的容器是指：容器使用内核轻量级的操作系统层的虚拟化技术，在同一个物理机上可以启动多个容器提供相同的服务；

所述的使用资源数据包括：容器相关数据和服务相关数据；

所述的容器相关数据包括：每个容器的CPU利用率、内存占用和容器数量；

所述的服务相关信息包括：服务负载，请求处理时间；

所述的服务负载：每秒钟服务需要处理的请求数量；

所述的容器弹性伸缩是指：当服务负载增加时，增加容器的数量，当服务负载减少时，减少容器数量；

所述的服务负载预测模型具体包括：输入层、四个时间卷积网络层、图嵌入网络以及用于将时间卷积网络层输出向量和图嵌入网络输出向量线性融合的全连接网络层，其中：每个时间卷积网络层包含两个隐藏层。

2.根据权利要求1所述的云原生环境下支持服务负载激增预测的容器弹性伸缩系统，其特征是，所述的数据采集模块包括：请求发送单元和数据处理单元，其中：请求发送单元与数据处理单元相连，请求发送单元给服务所在集群发送请求并获取上述资源数据，并将数据传输给数据处理单元，数据处理单元对数据进行预处理后将数据输出至数据传输模块；

所述的预处理，包括：删除错误数据以及通过插值法补充缺失数据。

3.根据权利要求1所述的云原生环境下支持服务负载激增预测的容器弹性伸缩系统，其特征是，所述的数据传输模块采用kafka作为数据传输组件，将数据采集模块采集到的资源数据根据名称发送到kafka对应的数据队列中，该模块包括：数据接收单元、数据队列管理单元和消费者单元，其中：数据接收单元接收来自数据采集模块的使用资源信息，数据队列单元用于获取并管理队列信息并输出至消费者单元，消费者单元循环处理每一条队列信息和使用资源信息，根据数据名称选择相应的队列，并将数据发送到队列中；

所述的管理数据队列信息包括：队列名称、队列中数据偏移量信息；

所述的队列信息包括：服务负载队列当前的偏移量。

4.根据权利要求1所述的云原生环境下支持服务负载激增预测的容器弹性伸缩系统，其特征是，所述的深度学习模块包括：数据预处理单元和深度学习算法训练单元，其中：数据预处理单元根据窗口大小进行数据分割，深度学习算法训练单元使用分割后的数据对服务负载预测模型和并行度计算模型进行训练。

5.根据权利要求1所述的云原生环境下支持服务负载激增预测的容器弹性伸缩系统，其特征是，所述的时间卷积网络层中设有self-attention模块，在计算时间卷积网络层中隐藏层向量时，self-attention模块使用f(x),g(x),h(x)三个函数计算k,Q,V向量，根据其中K、Q向量经过计算得到W矩阵，再使用W矩阵与V向量使用softmax函数计算得到下一层隐藏层向量S，该attention模块与TCN网络层组成神经网络模块，并用该模块构造完整的神经网络结构。

6.根据权利要求1所述的云原生环境下支持服务负载激增预测的容器弹性伸缩系统，其特征是，所述的图嵌入网络采用node2vec方法将服务依赖图每个节点转化为特征向量，然后通过全连接神经网络将特征向量融合为一个固定长度的向量vector。