[发明专利]无服务器背景下函数实例数量自适应方法及应用在审
| 申请号: | 202211271418.7 | 申请日: | 2022-10-17 |
| 公开(公告)号: | CN115629858A | 公开(公告)日: | 2023-01-20 |
| 发明(设计)人: | 李鑫;陈子聪;王宁;秦小麟 | 申请(专利权)人: | 南京航空航天大学 |
| 主分类号: | G06F9/48 | 分类号: | G06F9/48;G06F9/50;G06F9/54;G06N3/0442;G06N3/049;G06N3/08 |
| 代理公司: | 苏州三英知识产权代理有限公司 32412 | 代理人: | 潘时伟 |
| 地址: | 211100 江*** | 国省代码: | 江苏;32 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 服务器 背景 函数 实例 数量 自适应 方法 应用 | ||
1.一种无服务器背景下函数实例数量自适应方法,其特征在于,所述方法包括:
获取函数实例的历史请求负载数据,所述历史请求负载数据包括每个相等时间间隔内所述函数实例接收的任务请求数量;
基于所述历史请求负载数据训练预测模型;
将训练后的所述预测模型输入远程过程调用服务器,以使所述远程过程调用服务器输出预测任务请求数量;
基于所述预测任务请求数量动态调整所述函数实例数量。
2.如权利要求1所述的无服务器背景下函数实例数量自适应方法,其特征在于,将训练后的所述预测模型输入远程过程调用服务器,以使所述远程过程调用服务器输出预测任务请求数量,具体包括:
设置滑动窗口,并将当前时间间隔内所述函数实例接收的任务请求数量加入所述滑动窗口;
将所述滑动窗口以及函数实例的类别输入所述远程过程调用服务器,以使所述远程过程调用服务器加载函数实例对应的目标预测模型;
基于所述目标预测模型以及滑动窗口确定预测任务请求数量。
3.如权利要求2所述的无服务器背景下函数实例数量自适应方法,其特征在于,基于所述目标预测模型以及滑动窗口确定预测任务请求数量,具体包括:
基于所述目标预测模型并采用多步时间序列预测算法,预测所述滑动窗口经过当前时间间隔后下一时间步内加入的任务请求数量,以确定预测任务请求数量。
4.如权利要求1所述的无服务器背景下函数实例数量自适应方法,其特征在于,基于所述预测任务请求数量动态调整所述函数实例数量,具体包括:
比较所述预测任务请求数量与宿主机集群中现有函数实例数量;
若所述预测任务请求数量大于宿主机集群中现有函数实例数量,则在宿主机集群中生成函数实例;
若所述预测任务请求数量小于宿主机集群中现有函数实例数量,则在宿主机集群中删除函数实例;
其中,所述函数实例的生成数量或删除数量为所述预测任务请求数量与宿主机集群中现有函数实例数量之间的差值。
5.如权利要求1所述的无服务器背景下函数实例数量自适应方法,其特征在于,所述方法还包括:
基于函数实例的历史请求负载数据,每经过更新时间间隔对函数实例所对应的预测模型做一次增量式更新。
6.如权利要求1所述的无服务器背景下函数实例数量自适应方法,其特征在于,所述方法还包括:
设置滑动窗口,以所述滑动窗口每滚动一个时间步取一组函数实例的请求负载数据的方式,将所述函数实例的所有请求负载数据划分成多组,并将多组请求负载数据构建为样本数据集;
将所述样本数据集划分为训练集和测试集以训练所述预测模型。
7.如权利要求1所述的无服务器背景下函数实例数量自适应方法,其特征在于,所述预测模型为长短期记忆网络模型。
8.一种无服务器背景下函数实例数量自适应装置,其特征在于,所述装置包括:
获取模块,用于获取函数实例的历史请求负载数据,所述历史请求负载数据包括每个相等时间间隔内所述函数实例接收的任务请求数量;
训练模块,用于基于所述历史请求负载数据训练预测模型;
运行模块,用于将训练后的所述预测模型输入远程过程调用服务器,以使所述远程过程调用服务器输出预测任务请求数量;
调整模块,用于基于所述预测任务请求数量动态调整所述函数实例数量。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如权利要求1至7中任一项所述的无服务器背景下函数实例数量自适应方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的无服务器背景下函数实例数量自适应方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京航空航天大学,未经南京航空航天大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211271418.7/1.html,转载请声明来源钻瓜专利网。





