[发明专利]一种基于深度学习的大数据一体机容器集群风险预测方法

权利要求书

1.一种基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，包括数据预处理、构建标准库和文件检测；所述数据预处理包括如下步骤：(11)解析Dockerfile文件；(12)生成符号向量；(13)符号向量标准化；(14)建立卷积神经网络模型；所述文件检测包括如下步骤：(21)预测风险概率；(22)根据风险概率决定如何放置Dockerfile文件。

2.根据权利要求1所述的基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，所述数据预处理包括如下步骤：

(31)将Dockerfile文件解析生成抽象语法树；

(32)将Dockerfile文件中的部分指令和控制流节点作为符号向量，所述部分指令集和控制流节点如下表所示；

指令	FROM、RUN、CMD、MAINTAINER、apt-get、echo......
控制流节点	if、for......

(33)将符号向量编码为整数向量；

(34)建立卷积神经网络模型，将测试文件的整数向量输入模型中得到测试文件的语义特征；所述卷积神经网络模型包括嵌入层、卷积层、最大池化层、全连接层和输出层。

3.根据权利要求2所述的基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，所述卷积神经网络模型包括嵌入层、卷积层、最大池化层、全连接层和输出层；所述嵌入层、卷积层、最大池化层和全连接层的输出添加第一激活函数f1(x)＝max(0，x)；所述输出层的输出添加第二激活函数

4.根据权利要求2所述的基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，所述将符号向量编码为整数向量的方法为：所述指令和控制流节点对应不同的整数标识符，所述整数标识符从1开始至符号向量类型的总数结束；在向量的结尾添加“0”使所有向量长度一致。

5.根据权利要求1所述的基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，所述构建标准库的步骤为：将所述测试文件的语义特征输入K-Means聚类算法模型进行分类，所述测试文件分为存在风险和不存在风险两类，分类后的测试文件是判断风险的标准库。

6.根据权利要求1所述的基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，所述文件检测包括如下步骤：

(41)将待检测的Dockerfile文件的语义和结构特征输入到KNN算法中进行风险预测并返回风险概率；

(42)如果待检测的Dockertfile文件被标记为不存在风险，集群通过自身的负载均衡算法将容器放入；如果Dockerfile文件被标记为存在风险，则进行风险提示，并由用户决定是否对镜像进行放置。

7.根据权利要求6所述的基于深度学习的大数据一体机容器集群风险预测方法，其特征在于，如果所述用户决定对镜像进行放置，则镜像文件放置的方法为：通过基于风险控制的放置算法将镜像文件放入到集群中：

其中，S表示安全性、W′表示工作负载、P表示能耗，N^*和K^*是预先确定的阈值。H＝{h₁，h₂，...h_K}表示有K个主机的云计算系统，U＝{u₁，u₂，...u_M}表示M个用户，D＝{d₁，d₂，...d_N}表示N个容器，X_D×H×U＝{x_d，h，u|x_d，h，u＝1，如果用户u的容器d分配给主机h}表示将每个用户的容器分配到特定的主机上。