【技术实现步骤摘要】
本申请涉及微服务处理，尤其涉及一种基于业务中台微服务的智能感知方法、装置及电子设备。
技术介绍
1、在开发过程中，面对大量的系统重复开发以及垂直的、个性化的业务逻辑与基础系统耦合过深的问题时，相关技术中产生了采用微服务架构的中台作为解决方式。
2、然而随着微服务的数量变得越来越多，相比于传统的单体服务，各个微服务之间是相互独立的，而且服务能力指标各自不同，选择合适的评价指标来对微服务进行感知、进而为下架、迭代、替换提供管理依据更为复杂；而且不同业务的微服务设计之初有服务相关的达成指标，由于网络环境、功能重叠、运维理解等各种原因，真实的服务达成情况缺乏有效的智能预测与感知，导致对微服务进行智能预测与感知变得更困难。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种基于业务中台微服务的智能感知方法、装置及电子设备，用以解决或部分解决上述技术问题。
2、基于上述目的，本申请提供了一种基于业务中台微服务的智能感知方法，包括：
3、获取待测微服务按历史时间排序的频度信息矩阵和强度信息矩阵；
4、根据所述频度信息矩阵和所述强度信息矩阵在历史时间中的对应关系做乘积后加和，将得到的加和结果作为特征信息矩阵，其中所述对应关系为待测微服务在单个时间戳对应的强度指标数据和至少一个频度指标数据；
5、将所述特征信息矩阵输入预先构建并训练得到的基于transformer的微服务预测模型，将所述特征信息矩阵向量化，根据注意力机制得到在当前时刻的下
6、将所述微服务预测结果与预设的标准结果进行模糊匹配，得到的模糊匹配结果，将所述模糊匹配结果作为微服务的智能感知结果，其中，将待测微服务应达到的标准特征信息进行向量化，作为所述预设的标准结果。
7、在一些实施例中，所述获取待测微服务按历史时间排序的频度信息矩阵和强度信息矩阵，包括；
8、获取待测微服务按历史时间排序的频度指标数据和强度指标数据，其中所述频度指标数据包括：服务响应时间、请求次数和调用成功率，所述强度指标数据包括：用户数量、总服务响应时间、总请求次数、总调用成功率、并发数和吞吐量；
9、将所述频度指标数据和所述强度指标数据分别与预设的二阶指标矩阵相乘，得到所述频度信息矩阵和所述强度信息矩阵。
10、在一些实施例中，在所述获取待测微服务按历史时间排序的频度指标数据和强度指标数据后，还包括：
11、根据获取待测微服务按历史时间排序的频度指标数据和强度指标数据，获取所述频度指标数据和所述强度指标数据的方差以及所述频度指标数据和所述强度指标数据的标准差；
12、响应于所述方差和标准差大于预设的标准值，更换频度指标数据和强度指标数据的获取位置，并重新获取待测微服务按历史时间排序的频度指标数据和强度指标数据；
13、所述将所述频度指标数据和所述强度指标数据分别与预设的二阶指标矩阵相乘，得到所述频度信息矩阵和所述强度信息矩阵，包括：
14、响应于所述方差和标准差小于等于预设的标准值，将所述频度指标数据和所述强度指标数据分别与预设的二阶指标矩阵相乘，得到所述频度信息矩阵和所述强度信息矩阵。
15、在一些实施例中，所述将所述微服务预测结果与预设的标准结果进行模糊匹配，得到的模糊匹配结果，包括：
16、对所述微服务预测结果根据至少两个不同属性映射至与所述预设的标准结果等长的向量上，确定至少两个属性向量，其中所述属性包括时间、频度或强度中任意一项；
17、将所述至少两个属性分别与所述标准结果进行模糊匹配，得到与所述属性对应的至少两个中间模糊匹配结果；
18、将所述模糊匹配结果加权平均，得到模糊匹配结果。
19、在一些实施例中，所述基于transformer的微服务预测模型的训练步骤包括：
20、构建初始微服务预测模型；
21、获取按历史时间排序的样本特征信息作为微服务样本；
22、针对微服务样本中的每个样本特征信息执行：
23、将该样本特征信息输入所述初始微服务预测模型中进行训练处理，得到初始微服务预测结果，将所述初始微服务预测结果与所述微服务样本的下一时刻的样本特征信息进行匹配，根据匹配结果对初始微服务预测模型进行参数调整得到训练后的初始微服务预测模型；
24、确定训练后的初始微服务预测模型是否满足结束条件，响应于所述初始微服务预测结果不满足结束条件，基于训练后的初始微服务预测模型对所述微服务样本的下一个样本特征信息进行继续训练；或者，响应于所述初始微服务预测结果满足结束条件，将所述训练后的初始微服务预测模型作为微服务预测模型。
25、在一些实施例中，所述获取微服务样本按历史时间排序的样本特征信息，包括：
26、获取微服务样本按历史时间排序的样本指标数据；
27、将所述样本指标数据聚合并对齐按历史时间排序，将排序后的样本指标数据与所述样本指标数据对应的二阶矩阵做乘积后加和，得到带有时间序列的样本指标数据；
28、将所述带有时间序列的样本指标数据通过编码器进行编码处理，得到所述样本特征信息。
29、在一些实施例中，所述确定训练后的初始微服务预测模型是否满足结束条件，响应于所述初始微服务预测结果不满足结束条件，基于训练后的初始微服务预测模型对所述微服务样本的下一个样本特征信息进行继续训练；或者，响应于所述初始微服务预测结果满足结束条件，将所述训练后的初始微服务预测模型作为微服务预测模型，包括：
30、将所述初始微服务预测结果和所述初始微服务预测结果与所述微服务样本的下一时刻的样本特征信息进行比对，根据比对结果确定是否满足结束条件；
31、响应于所述初始微服务预测结果和所述初始微服务预测结果与所述微服务样本的下一时刻的样本特征信息拟合度小于等于预设的拟合度阈值，确定不满足结束条件，获取所述初始微服务预测结果和所述初始微服务预测结果与所述微服务样本的下一时刻的样本特征信息之间的损失函数值，根据损失函数值反向传播调整所述训练后的初始微服务预测模型各项参数的值；
32、响应于所述初始微服务预测结果和所述初始微服务预测结果与所述微服务样本的下一时刻的样本特征信息拟合度大于预设的拟合度阈值，确定满足结束条件，将训练后的初始微服务预测模型作为微服务预测模型，完成微服务预测模型的训练。
33、基于同一专利技术构思，本公开还提供了一种基于业务中台微服务的智能感知装置，包括：
34、获取模块，被配置为获取待测微服务按历史时间排序的频度信息矩阵和强度信息矩阵；
35、处理模块，被配置为根据所述频度信息矩阵和所述强度信息矩阵在历史时间中的对应关系做乘积后加和，将得到的加和结果作为特征信息矩阵，其中所述对应关系为待测微服务在单个时间戳对应的强度指标数据和至少一个频度指本文档来自技高网...
【技术保护点】
1.一种基于业务中台微服务的智能感知方法，其特征在于，包括：
2.根据权利要求1所述的基于业务中台微服务的智能感知方法，其特征在于，所述获取待测微服务按历史时间排序的频度信息矩阵和强度信息矩阵，包括；
3.根据权利要求2所述的基于业务中台微服务的智能感知方法，其特征在于，在所述获取待测微服务按历史时间排序的频度指标数据和强度指标数据后，还包括：
4.根据权利要求1所述的基于业务中台微服务的智能感知方法，其特征在于，所述将所述微服务预测结果与预设的标准结果进行模糊匹配，得到的模糊匹配结果，包括：
5.根据权利要求1所述的基于业务中台微服务的智能感知方法，其特征在于，所述基于Transformer的微服务预测模型的训练步骤包括：
6.根据权利要求5所述的基于业务中台微服务的智能感知方法，其特征在于，所述获取微服务样本按历史时间排序的样本特征信息，包括：
7.根据权利要求5所述的基于业务中台微服务的智能感知方法，其特征在于，所述确定训练后的初始微服务预测模型是否满足结束条件，响应于所述初始微服务预测结果不满足结束条
8.一种基于业务中台微服务的智能感知装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任意一项所述的方法。
...【技术特征摘要】
1.一种基于业务中台微服务的智能感知方法，其特征在于，包括：
2.根据权利要求1所述的基于业务中台微服务的智能感知方法，其特征在于，所述获取待测微服务按历史时间排序的频度信息矩阵和强度信息矩阵，包括；
3.根据权利要求2所述的基于业务中台微服务的智能感知方法，其特征在于，在所述获取待测微服务按历史时间排序的频度指标数据和强度指标数据后，还包括：
4.根据权利要求1所述的基于业务中台微服务的智能感知方法，其特征在于，所述将所述微服务预测结果与预设的标准结果进行模糊匹配，得到的模糊匹配结果，包括：
5.根据权利要求1所述的基于业务中台微服务的智能感知方法，其特征在于，所述基于transformer的微服务预测模型的训练步骤包括：
6.根据权利要求5所述的基于业务中台微服务的智能感知方法，其特征在于，所述获取微服务样本按历史时间排序的样本...
【专利技术属性】
技术研发人员：纪鑫，吴凡，李君婷，陈屹婷，张文雅，郝文科，谭晶，项楠，赵天成，齐占新，
申请(专利权)人：国家电网有限公司大数据中心，
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。