【技术实现步骤摘要】
本申请涉及信息技术应用，尤其涉及一种资源分配方法、装置、设备、存储介质及程序产品。
技术介绍
1、相关技术中，微服务框架是通过多个松散耦合的微服务并发运行，实现云服务。其中，为了避免服务请求数量快速增加时，工作负载的变动导致服务质量(qos，quality ofservice)不达标，微服务框架下各微服务通常会配置较多的计算资源，使得服务器的硬件资源浪费较大。
技术实现思路
1、本申请的主要目的在于提供一种资源分配方法、装置、设备、存储介质及程序产品，旨在解决微服务框架下各微服务通常会配置较多的计算资源，使得服务器的硬件资源浪费较大的技术问题。
2、为实现上述目的，本申请提出一种资源分配方法，包括：
3、获取微服务框架中多个微服务的当前资源相关运行数据；其中，资源相关运行数据包括微服务之间的通信数据、cpu片上内存利用率、cpu片外内存利用率、cpu利用率、cpu分配信息、io设备访问数据、延迟分布数据和服务请求工作负载数据中至少一者；
4、将当前资源相关运行数据，输入预先构建和训练的深度强化学习模型，生成为多个微服务进行硬件服务资源分配的预测分配动作策略；
5、根据预测分配动作策略，对多个微服务进行动态资源分配。
6、在一实施例中，将当前资源相关运行数据，输入预先构建和训练的深度强化学习模型，生成对多个微服务进行硬件服务资源分配的预测分配动作策略的步骤之前，方法还包括：
7、获取多个微服务的历史资源相关运行数
8、根据历史资源相关运行数据，确定深度强化学习模型的状态空间和动作空间；
9、根据预设奖励函数、状态空间和动作空间，构建和训练深度强化学习模型。
10、在一实施例中，根据预设奖励函数、状态空间和动作空间，构建和训练深度强化学习模型的步骤包括：
11、根据预设奖励函数和分配动作策略的期望熵，构建目标函数；
12、根据预设奖励函数、状态空间和动作空间，构建初始深度强化学习模型；
13、根据状态空间和动作空间，以最大化目标函数为目标，更新初始深度强化学习模型的模型参数，获得深度强化学习模型。
14、在一实施例中，根据预设奖励函数、状态空间和动作空间，构建和训练深度强化学习模型的步骤之前，方法还包括：
15、根据多个微服务的端到端延迟和预设延迟阈值，确定预设奖励函数。
16、在一实施例中，历史资源相关运行数据包括多个历史时间步长内的历史资源相关运行数据；
17、根据历史资源相关运行数据，确定深度强化学习模型的状态空间和动作空间的步骤包括：
18、针对各历史时间步长内历史资源相关运行数据，根据历史资源相关运行数据，确定各微服务在历史时间步长内的状态特征；其中，状态特征包括延迟特征和请求服务特征中至少一者；
19、针对各微服务，连接多个历史时间步长内的状态特征，得到微服务的状态向量；
20、根据所有状态向量，得到状态空间；
21、针对各历史时间步长，根据历史时间步长内各微服务的状态特征，生成动作向量；
22、根据所有动作向量，得到动作空间。
23、在一实施例中，根据预测分配动作策略，对多个微服务进行动态资源分配的步骤包括：
24、根据当前资源分配状态和预测分配动作策略，确定各微服务的资源调整策略；
25、根据所有资源调整策略，对多个微服务进行动态资源分配。
26、此外，为实现上述目的，本申请还提出一种资源分配装置，资源分配装置包括：
27、获取模块，用于获取微服务框架中多个微服务的当前资源相关运行数据；其中，资源相关运行数据包括微服务之间的通信数据、cpu片上内存利用率、cpu片外内存利用率、cpu利用率、cpu分配信息、io设备访问数据、延迟分布数据和服务请求工作负载数据中至少一者；
28、策略生成模块，用于将当前资源相关运行数据，输入预先构建和训练的深度强化学习模型，生成为多个微服务进行硬件服务资源分配的预测分配动作策略；
29、资源分配模块，用于根据预测分配动作策略，对多个微服务进行动态资源分配。
30、此外，为实现上述目的，本申请还提出一种资源分配设备，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，计算机程序配置为实现如上文的资源分配方法的步骤。
31、此外，为实现上述目的，本申请还提出一种存储介质，存储介质为计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上文的资源分配方法的步骤。
32、此外，为实现上述目的，本申请还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序被处理器执行时实现如上文的资源分配方法的步骤。
33、本申请提出的一个或多个技术方案，至少具有以下技术效果：
34、本申请提供一种资源分配方法、装置、设备、存储介质及程序产品，获取微服务框架中多个微服务的当前资源相关运行数据；其中，资源相关运行数据包括微服务之间的通信数据、cpu片上内存利用率、cpu片外内存利用率、cpu利用率、cpu分配信息、io设备访问数据、延迟分布数据和服务请求工作负载数据中至少一者；将所有当前资源相关运行数据，输入预先构建和训练的深度强化学习模型，生成为多个微服务进行硬件服务资源分配的预测分配动作策略；根据预测分配动作策略，对多个微服务进行动态资源分配。
35、由此，本申请通过深度强化学习模型，根据当前资源相关运行数据生成预测分配动作策略，对多个微服务进行动态资源分配，从而在多个微服务并发运行过程中，根据多个微服务的实际运行情况，动态确定多个微服务的实际硬件资源需求，为各微服务分配硬件资源，使得各微服务的计算资源随着工作负载的变动而变化，保证了qos的前提下，不会造成多个微服务所在的服务器的硬件资源浪费，解决了微服务框架下各微服务通常会配置较多的计算资源，使得服务器的硬件资源浪费较大的技术问题，提高了微服务框架的经济性。
本文档来自技高网...【技术保护点】
1.一种资源分配方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述将所述当前资源相关运行数据，输入预先构建和训练的深度强化学习模型，生成对所述多个微服务进行硬件服务资源分配的预测分配动作策略的步骤之前，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，所述根据预设奖励函数、所述状态空间和所述动作空间，构建和训练所述深度强化学习模型的步骤之前，所述方法还包括：
4.如权利要求2所述的方法，其特征在于，所述根据预设奖励函数、所述状态空间和所述动作空间，构建和训练所述深度强化学习模型的步骤之前，所述方法还包括：
5.如权利要求2所述的方法，其特征在于，所述历史资源相关运行数据包括多个历史时间步长内的历史资源相关运行数据；
6.如权利要求1至5任一项所述的方法，其特征在于，所述根据所述预测分配动作策略，对多个所述微服务进行动态资源分配的步骤包括：
7.一种资源分配装置，其特征在于，所述装置包括：
8.一种资源分配设备，其特征在于，所述设备包括：存储器、处理器及存储在所述
9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述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6中任一项所述的资源分配方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的资源分配方法的步骤。
...【技术特征摘要】
1.一种资源分配方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述将所述当前资源相关运行数据，输入预先构建和训练的深度强化学习模型，生成对所述多个微服务进行硬件服务资源分配的预测分配动作策略的步骤之前，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，所述根据预设奖励函数、所述状态空间和所述动作空间，构建和训练所述深度强化学习模型的步骤之前，所述方法还包括：
4.如权利要求2所述的方法，其特征在于，所述根据预设奖励函数、所述状态空间和所述动作空间，构建和训练所述深度强化学习模型的步骤之前，所述方法还包括：
5.如权利要求2所述的方法，其特征在于，所述历史资源相关运行数据包括多个历史时间步长内的历史资源相关运行数据；
6.如权利要求1...
【专利技术属性】
技术研发人员：林正宜，丁泽伟，
申请(专利权)人：中移动信息技术有限公司，
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。