一种容器扩容方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种容器扩容方法、装置、电子设备及存储介质，该方法包括：获取待预测时间段；将待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在待预测时间段内的目标用户请求量；根据得到的目标用户请求量，确定医疗系统在待预测时间段内的容器数量；根据确定出的容器数量进行扩容。本申请能够在预测模型中引入注意力机制模块，能够准确的对医疗系统中随时间段变化的用户请求量进行处理，进而有效预测出医疗系统所需扩容的容器数量，保证医疗系统的高可用性。保证医疗系统的高可用性。保证医疗系统的高可用性。

【技术实现步骤摘要】
一种容器扩容方法、装置、电子设备及存储介质


[0001]本申请涉及通信
，具体而言，涉及一种容器扩容方法、装置、电子设备及存储介质。

技术介绍

[0002]随着云计算技术的不断成熟，容器技术逐步成为业界的发展热点，各主流云计算平台均提供容器服务。Kubernetes是用于实现容器管理的开源平台，用于自动部署、扩展和管理容器，用于对集群内的容器的生命周期进行管理，结合自身的健康检查及错误恢复机制，实现集群内部容器的高可用性。其中，由于医疗系统存在白天访问量大，夜间访问量小的特点，对应用于医疗系统的容器进行实时扩容，保证医疗系统的高可用性也成了备受关注的问题。
[0003]现有的容器扩容方法中，使用神经网络模型进行容器数量的预测以实现扩容，但由于医疗系统的用户请求量随着时间变化存在请求量峰值，而现有的神经网络模型对医疗系统的这一数据变化并不敏感，进而导致预测的结果不准确，最终很难保证医疗系统的高可用性。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种容器扩容方法、装置、电子设备及存储介质，能够在预测模型中引入注意力机制模块，能够准确的对医疗系统中随时间段变化的用户请求量进行处理，进而有效预测出医疗系统所需扩容的容器数量，保证医疗系统的高可用性。
[0005]第一方面，本申请实施例提供了一种容器扩容方法，应用于医疗系统，所述方法包括：
[0006]获取待预测时间段；
[0007]将所述待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在所述待预测时间段内的目标用户请求量；
[0008]根据得到的目标用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量；
[0009]根据确定出的容器数量进行扩容。
[0010]在本申请的一种可选实施例中，所述预测模型包括依次连接的神经网络模型和注意力机制模块，通过以下步骤训练带有注意力机制模块的预测模型：
[0011]获取医疗系统在多个已分好的单位历史时间段内的用户请求量样本；
[0012]将每个已分好的单位历史时间段内的用户请求量样本输入至依次连接的神经网络模型和注意力机制模块中进行训练，得到训练完成的带有注意力机制模块的预测模型；其中，所述注意力机制模块用于对所述神经网络模型输出的初始用户请求量进行处理得到目标用户请求量。
[0013]在本申请的一种可选实施例中，所述注意力机制模块用于通过以下步骤对所述神经网络模型输出的初始用户请求量进行处理得到目标用户请求量：
[0014]获取所述神经网络模型的第一模型权重以及带有注意力机制模块的预测模型的第二模型权重；
[0015]根据所述神经网络模型得到的每个已分好的单位历史时间段内的初始用户请求量与所述第一模型权重，确定每个已分好的单位历史时间段对应的第一计算结果；
[0016]对每个已分好的单位历史时间段对应的第一计算结果进行归一化处理，得到每个已分好的单位历史时间段对应的第二计算结果；
[0017]对每个已分好的单位历史时间段对应的第二计算结果和所述第二模型权重进行加权求和，得到目标用户请求量。
[0018]在本申请的一种可选实施例中，所述神经网络模型包括遗忘门：
[0019]f
t
＝σ(W
f
·
[h
t
‑1,X
t
]+f
bias
)；
[0020]其中，f
bias
表示遗忘偏差，初始化为1；σ()为sigmoid激活函数；W
f
表示所述遗忘门的权重系数，h
t
‑1表示神经网络模型中上一时刻隐藏层的输出，X
t
表示由多个已分好的单位历史时间段构建出的输入特征向量，[h
t
‑1,X
t
]表示上一时刻隐藏层的输出与所述输入特征向量的点乘。
[0021]在本申请的一种可选实施例中，所述神经网络模型还包括两层全连接层，所述两层全连接层用于输出一维的目标用户请求量。
[0022]在本申请的一种可选实施例中，根据得到的用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量的步骤，包括：
[0023]利用平滑函数对得到的用户请求量进行平滑处理，得到所述医疗系统在所述待预测时间段内的容器数量。
[0024]在本申请的一种可选实施例中，所述平滑函数包括：
[0025]min(max_container,max(min_container,smooth_factor*request))；
[0026]其中，min()表示取最小值函数，max()表示取最大值函数，max_container表示最大容器数量，min_container表示最小容器数量，smooth_factor表示平滑因子，request表示通过预测模型得到的用户请求量。
[0027]第二方面，本申请实施例还提供一种容器扩容装置，应用于医疗系统，所述装置包括：
[0028]时间段获取模块，用于获取待预测时间段；
[0029]请求量预测模块，用于将所述待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在所述待预测时间段内的目标用户请求量；
[0030]数量确定模块，用于根据得到的目标用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量；
[0031]系统扩容模块，用于根据确定出的容器数量进行扩容。
[0032]第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述的容器扩容方法的步骤。
[0033]第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的容器扩容方法的步骤。
[0034]本申请实施例提供一种容器扩容方法、装置、电子设备及存储介质，该方法包括：获取待预测时间段；将待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在待预测时间段内的目标用户请求量；根据得到的目标用户请求量，确定医疗系统在待预测时间段内的容器数量；根据确定出的容器数量进行扩容。本申请能够在预测模型中引入注意力机制模块，能够准确的对医疗系统中随时间段变化的用户请求量进行处理，进而有效预测出医疗系统所需扩容的容器数量，保证医疗系统的高可用性。
[0035]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0036]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种容器扩容方法，其特征在于，应用于医疗系统，所述方法包括：获取待预测时间段；将所述待预测时间段输入至带有注意力机制模块的预测模型，得到医疗系统在所述待预测时间段内的目标用户请求量；根据得到的目标用户请求量，确定所述医疗系统在所述待预测时间段内的容器数量；根据确定出的容器数量进行扩容。2.根据权利要求1所述的方法，其特征在于，所述预测模型包括依次连接的神经网络模型和注意力机制模块，通过以下步骤训练带有注意力机制模块的预测模型：获取医疗系统在多个已分好的单位历史时间段内的用户请求量样本；将每个已分好的单位历史时间段内的用户请求量样本输入至依次连接的神经网络模型和注意力机制模块中进行训练，得到训练完成的带有注意力机制模块的预测模型；其中，所述注意力机制模块用于对所述神经网络模型输出的初始用户请求量进行处理得到目标用户请求量。3.根据权利要求2所述的方法，其特征在于，所述注意力机制模块用于通过以下步骤对所述神经网络模型输出的初始用户请求量进行处理得到目标用户请求量：获取所述神经网络模型的第一模型权重以及带有注意力机制模块的预测模型的第二模型权重；根据所述神经网络模型得到的每个已分好的单位历史时间段内的初始用户请求量与所述第一模型权重，确定每个已分好的单位历史时间段对应的第一计算结果；对每个已分好的单位历史时间段对应的第一计算结果进行归一化处理，得到每个已分好的单位历史时间段对应的第二计算结果；对每个已分好的单位历史时间段对应的第二计算结果和所述第二模型权重进行加权求和，得到目标用户请求量。4.根据权利要求2所述的方法，其特征在于，所述神经网络模型包括遗忘门：f
t
＝σ(W
f
·
[h
t
‑1,X
t
]+f
bias
)；其中，f
bias
表示遗忘偏差，初始化为1；σ()为sigmoid激活函数；W
f
表示所述遗忘门的权重系数，h
t
‑1表示神...

【专利技术属性】
技术研发人员：吴佳辰，马成龙，
申请(专利权)人：杭州朝厚信息科技有限公司，
类型：发明
国别省市：