買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜云南師范大學(xué)申請的專利一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119356801B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-04發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411937909.X，技術(shù)領(lǐng)域涉及：G06F9/455；該發(fā)明授權(quán)一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法是由郝佳;曹睿婕;楊瑞清;夏鴻晏設(shè)計研發(fā)完成，并于2024-12-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法在說明書摘要公布了：本發(fā)明涉及一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法，屬于微服務(wù)資源動態(tài)管理技術(shù)領(lǐng)域。該方法能夠精細(xì)管理CPU核數(shù)、內(nèi)存大小、IO大小等關(guān)鍵資源，首先，運(yùn)行基準(zhǔn)測試工具模擬真實(shí)應(yīng)用運(yùn)行場景，收集云原生架構(gòu)下的微服務(wù)節(jié)點(diǎn)在不同工作負(fù)載下的資源使用數(shù)據(jù)集，其次，利用生成對抗網(wǎng)絡(luò)增強(qiáng)已有的資源?性能數(shù)據(jù)，生成輔助標(biāo)簽訓(xùn)練樣本，隨后，構(gòu)建一個“自訓(xùn)練?半監(jiān)督”的微服務(wù)節(jié)點(diǎn)性能預(yù)測模型，實(shí)現(xiàn)微服務(wù)節(jié)點(diǎn)資源的性能預(yù)測，最后，構(gòu)建基于超啟發(fā)式算法的微服務(wù)資源調(diào)整模型，實(shí)現(xiàn)微服務(wù)節(jié)點(diǎn)資源的自適應(yīng)調(diào)整，從而達(dá)到在滿足任務(wù)端到端的服務(wù)質(zhì)量的同時，提高微服務(wù)節(jié)點(diǎn)的資源利用率的目的。

本發(fā)明授權(quán)一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法在權(quán)利要求書中公布了：1.一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法，其特征在于，所述的方法包括：Step1：運(yùn)行基準(zhǔn)測試工具模擬真實(shí)應(yīng)用運(yùn)行場景；Step2：在所述應(yīng)用運(yùn)行場景中利用監(jiān)測工具采集微服務(wù)“資源-性能”數(shù)據(jù)；Step3：結(jié)合所采集的微服務(wù)“資源-性能”數(shù)據(jù)，構(gòu)建SMPP模型預(yù)測微服務(wù)節(jié)點(diǎn)的響應(yīng)時間；Step4：當(dāng)所述預(yù)測微服務(wù)節(jié)點(diǎn)的響應(yīng)時間不滿足預(yù)設(shè)服務(wù)質(zhì)量要求時，結(jié)合AWSH模型生成資源調(diào)整決策；Step5：基于所述資源調(diào)整決策，利用資源管理工具對CPU資源、內(nèi)存資源和IO資源實(shí)施調(diào)度；所述Step3具體為：Step3.1：基于GAN模型，引入回歸器，形成優(yōu)化后的CTAB-GAN+模型；Step3.2：優(yōu)化CTAB-GAN+模型中的生成器和鑒別器，所述生成器和所述鑒別器結(jié)構(gòu)相同，均由CNN卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，其中，生成器的輸入為一個條件向量和一個從標(biāo)準(zhǔn)正態(tài)分布中隨機(jī)采樣的噪聲向量，生成器輸出的是生成的合成數(shù)據(jù)，作為鑒別器的輸入，鑒別器的輸出為對輸入屬于真實(shí)數(shù)據(jù)分布的置信度評估，通過計算生成器和鑒別器的損失函數(shù)來優(yōu)化生成器和鑒別器；Step3.3：優(yōu)化CTAB-GAN+模型中的回歸器，所述回歸器的輸入是生成器生成的合成數(shù)據(jù)中經(jīng)過編碼和處理的特征向量，回歸器的輸出是對于給定輸入特征的連續(xù)預(yù)測值，并優(yōu)化下游任務(wù)的性能，通過計算回歸器的損失函數(shù)來優(yōu)化回歸器；Step3.4：重復(fù)Step3.2-Step3.3，不斷優(yōu)化生成器、鑒別器與回歸器，當(dāng)生成數(shù)據(jù)分布與真實(shí)數(shù)據(jù)分布相同時，或者達(dá)到預(yù)定的訓(xùn)練迭代次數(shù)，則進(jìn)入步驟Step3.5，且CTAB-GAN+模型輸出與所述微服務(wù)“資源-性能”數(shù)據(jù)呈一致性的高斯分布的帶標(biāo)簽的輔助數(shù)據(jù)集；Step3.5：構(gòu)建SMPP模型的自訓(xùn)練部分，學(xué)習(xí)得到各微服務(wù)資源調(diào)用之間的潛在語義表征；Step3.6：利用所述帶標(biāo)簽的輔助數(shù)據(jù)集及所述潛在語義表征，構(gòu)建SMPP模型的半監(jiān)督部分，從而完成整個SMPP模型的構(gòu)建，實(shí)現(xiàn)對微服務(wù)節(jié)點(diǎn)響應(yīng)時間的預(yù)測；所述Step4具體為：Step4.1：初始化資源分配方案集合作為解決方案空間，為第個資源分配方案，每個低級啟發(fā)式從中采樣進(jìn)行學(xué)習(xí)，并且解決方案空間在每輪迭代時由被選中的低級啟發(fā)式根據(jù)其搜索最優(yōu)資源分配方案的策略來更新；Step4.2：評估每個資源分配方案的適應(yīng)度函數(shù)值，適應(yīng)度函數(shù)以微服務(wù)節(jié)點(diǎn)的響應(yīng)時間最短和系統(tǒng)整體資源利用率最優(yōu)為目標(biāo)，適應(yīng)度函數(shù)的最優(yōu)解為最優(yōu)資源分配方案，計算公式如下： ，；其中，T代表時間，U代表資源利用率，、是平衡兩者的權(quán)重系數(shù)，資源利用率U由CPU、Memory、IO的利用率組成，計算公式如下： ； ； ； ；其中，、、分別是CPU、Memory、IO的權(quán)值，是CPU的利用率，cpu.id表示空閑時間，是內(nèi)存的利用率，是虛擬內(nèi)存使用量，是虛擬內(nèi)存分配量，是IO的利用率，cpu.wa表示等待IO的所占的CPU時間；Step4.3：AWSH模型將蟻群算法作為高級啟發(fā)式，在每輪迭代中根據(jù)三個低級啟發(fā)式的先驗(yàn)性能選擇其中一個低級啟發(fā)式，隨后，由被選中的低級啟發(fā)式針對資源分配問題使用自身的搜索策略來尋找最優(yōu)資源分配方案，并更新解決方案空間，低級啟發(fā)式通過信息素被選中的概率的計算公式如下： ；式中，A為低級啟發(fā)式個數(shù)，為當(dāng)前低級啟發(fā)式與下一個可能被選中的低級啟發(fā)式之間的信息素濃度；Step4.4：低級啟發(fā)式選擇完成后，更新低級啟發(fā)式被分配的信息素，計算公式如下： ；式中，為信息素?fù)]發(fā)系數(shù)，為信息素增量，計算公式如下： ；其中，和分別是由低級啟發(fā)式和更新的解決方案空間中的最優(yōu)資源分配方案的適應(yīng)度函數(shù)值；Step4.5：重復(fù)Step4.1-Step4.4，當(dāng)?shù)螖?shù)達(dá)到最大迭代次數(shù)后終止迭代，AWSH模型輸出使適應(yīng)度函數(shù)值最小的最優(yōu)資源分配方案，作為最優(yōu)微服務(wù)節(jié)點(diǎn)資源調(diào)整方案。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人云南師范大學(xué)，其通訊地址為：650500 云南省昆明市呈貢區(qū)聚賢街768號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。