本公开的实施例公开了容器容量调整任务生成方法、装置、设备和可读介质。该方法的一具体实施方式包括：生成目标容器在目标周期的指标配置信息，其中，指标配置信息包括在目标周期中各个预设时间段内对应的目标容器的指标配置数据；通过指标数据预测模型，生成目标容器在目标周期的指标预测信息，其中，指标预测信息包括在目标周期中各个预设时间段内对应的目标容器的指标预测数据；确定指标预测信息和指标配置信息是否存在差异；响应于确定指标预测信息与指标配置信息存在差异，根据指标预测信息和指标配置信息，生成对应目标容器和目标周期的容器容量调整任务。该实施方式提高了容器系统的稳定性，减少了容器资源的浪费。减少了容器资源的浪费。减少了容器资源的浪费。
【技术实现步骤摘要】
容器容量调整任务生成方法、装置、设备和可读介质
[0001]本公开的实施例涉及计算机
，具体涉及容器容量调整任务生成方法、装置、设备和可读介质。
技术介绍
[0002]在互联网的背景下，精细化调整容器容量是重要课题之一。目前，主要依靠人工对容器容量进行扩容缩容的方式，来调整容器容量。
[0003]然而，专利技术人发现，当采用上述方式对容器容量进行调整时，经常会存在如下技术问题：
[0004]第一，当人工对容器进行扩容缩容时存在一定的延迟，当容器负载过高时，扩容的延迟导致容器系统的稳定性较低。当容器负载较低时，缩容的延迟则导致容器资源的浪费。
[0005]第二，人工对于容器容量的历史数据的分析不充分，造成在对容器的扩容或缩容调整时，预估扩容或缩容容量的准确率较低，导致容器资源利用率降低。
[0006]该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0007]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0008]本公开的一些实施例提出了容器容量调整任务的方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
[0009]第一方面，本公开的一些实施例提供了一种容器容量调整任务生成方法，该方法包括：生成目标容器在目标周期的指标配置信息，其中，上述指标配置信息包括在目标周期中各个预设时间段内对应的上述目标容器的指标配置数据；通过指标数据预测模型，生成上述目标容器在上述目标周期的指标预测信息，其中，上述指标预测信息包括在上述目标周期中各个预设时间段内对应的上述目标容器的指标预测数据；确定上述指标预测信息和上述指标配置信息是否存在差异；响应于确定上述指标预测信息与上述指标配置信息存在差异，根据上述指标预测信息和上述指标配置信息，生成对应上述目标容器和上述目标周期的容器容量调整任务。
[0010]第二方面，本公开的一些实施例提供了一种容器容量调整任务生成装置，装置包括：第一生成单元，被配置成生成目标容器在目标周期的指标配置信息，其中，上述指标配置信息包括在目标周期中各个预设时间段内对应的上述目标容器的指标配置数据；第二生成单元，被配置成通过指标数据预测模型，生成上述目标容器在目标周期的指标预测信息，其中，上述指标预测信息包括在上述目标周期中各个预设时间段内对应的上述目标容器的指标预测数据；确定单元，被配置成确定上述指标预测信息和上述指标配置信息是否存在
差异；第三生成单元，被配置成响应于确定上述指标预测信息与上述指标配置信息存在差异，根据上述指标预测信息和上述指标配置信息，生成对应上述目标容器和上述下个周期的容器容量调整任务。
[0011]第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
[0012]第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
[0013]本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的容器容量调整任务生成方法，提高了容器系统的稳定性，减少了容器资源的浪费。具体来说，造成容器不稳定和容器资源浪费的原因在于：当人工对容器进行扩容缩容时存在一定的延迟，当容器负载过高时，扩容的延迟导致容器系统的稳定性较低。当容器负载较低时，缩容的延迟则导致容器资源的浪费。基于此，本公开的一些实施例的容器容量任务生成方法：首先，生成目标容器在目标周期的指标配置信息，其中，上述指标配置信息包括在目标周期中各个预设时间段内对应的上述目标容器的指标配置数据。由此，上述指标配置信息可以表征上述目标容器在上述目标周期内的各个指标配置数据。然后，通过指标数据预测模型，生成上述目标容器在上述目标周期的指标预测信息，其中，上述指标预测信息包括在上述目标周期中各个预设时间段内对应的上述目标容器的指标预测数据。由此，可以通过上述指标数据预测模型，预测上述目标容器在上述目标周期内的各个指标预测数据。接着，确定上述指标预测信息和上述指标配置信息是否存在差异。由此，可以确定上述指标预测信息中的指标预测数据是否大于或者小于上述指标配置信息中的各个指标配置数据，作为上述目标容器容量调整的依据。之后，响应于确定上述指标预测信息与上述指标配置信息存在差异，根据上述指标预测信息和上述指标配置信息，生成对应上述目标容器和上述目标周期的容器容量调整任务。由此，如果确定上述指标预测信息中的指标预测数据大于上述指标配置信息中的指标配置数据，或者确定上述指标预测信息中的指标预测数据小于上述指标配置信息中的指标配置数据，可以生成对应上述目标容器和上述目标周期的容器容量调整任务。也因为能够实现容器容量的自动调整，能够在容器负载升高之前自动对容器容量扩容，在容器负载较低时自动对容器容量缩容，提高了容器系统的稳定性，减少了容器资源的浪费。
附图说明
[0014]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0015]图1是根据本公开的容器容量调整任务生成方法的一些实施例的流程图；
[0016]图2是根据本公开的容器容量调整任务生成装置的一些实施例的结构示意图；
[0017]图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
[0018]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0019]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0020]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0021]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0022]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种容器容量调整任务生成方法，包括：生成目标容器在目标周期的指标配置信息，其中，所述指标配置信息包括在所述目标周期中各个预设时间段内对应的所述目标容器的指标配置数据；通过指标数据预测模型，生成所述目标容器在所述目标周期的指标预测信息，其中，所述指标预测信息包括在所述目标周期中各个预设时间段内对应的所述目标容器的指标预测数据；确定所述指标预测信息和所述指标配置信息是否存在差异；响应于确定所述指标预测信息与所述指标配置信息存在差异，根据所述指标预测信息和所述指标配置信息，生成对应所述目标容器和所述目标周期的容器容量调整任务。2.根据权利要求1所述的方法，其中，所述生成目标容器在目标周期的指标配置信息，包括：获取所述目标容器在所述目标周期的历史指标配置数据序列集合；根据所述历史指标配置数据序列集合，生成指标配置信息。3.根据权利要求1所述的方法，其中，所述通过指标数据预测模型，生成所述目标容器在所述目标周期的指标预测信息，包括：获取所述目标容器在所述目标周期前的预设数值个指标配置数据；将所述预设数值个指标配置数据输入至所述指标数据预测模型，得到所述预设数值个指标预测数据作为指标预测数据序列；选择所述指标预测数据序列中满足目标周期条件的各个指标预测数据作为指标预测信息。4.根据权利要求3所述的方法，其中，所述指标数据预测模型是通过以下步骤训练得到的：获取样本集，其中，所述样本集中的样本包括样本指标配置数据和样本对应的标签信息；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本指标配置数据输入至初始神经网络，得到对应所述至少一个样本中的每个样本对应的指标预测配置信息；将所述每个样本对应的指标预测配置信息与每个样本对应的标签信息进行比较；根据比较结果确定初始神经网络是否达到预设的优化目标；响应于确定初始神经网络达到所述优化目标，将初始神经网络确定为训练完成的指标数据预测模型。5.根据权利要求4所述的方法，其中，训练所述指标数据预测模型的步骤还包括：响应于确定初始神经网络未达到所述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，再次执行所述训练步骤。6.根据权利要求5所述的方法，其中，训练所述指标数据预测模型的样本集是通过以下步骤生成的：获取所述目标容器在预设周期内的指标配置数据序列；对所述指标配置数据序列进行异构处理，得到异构处理后的指标配置数据序列作为异
构配置数据序列；对所...
【专利技术属性】
技术研发人员：王巍，
申请(专利权)人：多点生活中国网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。