基于深层LSTM模型的Kubernetes资源预测方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115981864A(43)申请公布日2023.04.18(21)申请号202211732451.5(22)申请日2022.12.30(71)申请人天翼物联科技有限公司地址210000江苏省南京市秦淮区中山南路501号1101室(72)发明人蔡致通周倜詹振辉王业民汪浩航(74)专利代理机构深圳市精英专利事务所44242专利代理师丁宇龙(51)Int.Cl.G06F9/50(2006.01)G06N3/08(2023.01)G06N3/0442(2023.01)权利要求书2页说明书8页附图3页(54)发明名称基于深层LSTM模型的Kubernetes资源预测方法和装置(57)摘要本申请涉及一种基于深层LSTM模型的Kubernetes资源预测方法、装置、计算机设备和存储介质，其中该方法包括：构建深层LSTM模型，其中所述深层LSTM模型引入窥孔机制和Attention机制；通过调用数据割接接口获取输入数据，其中所述输入数据包括时刻t物联网平台割接卡数量CardNum、割接接口执行过程中单个Pod的平均CPU使用率和平均内存使用率将获取到的输入数据连同历史数据生成输入序列输入所述深层LSTM模型中进行预测得到预测结果；利用所述预测结果通过Pod水平自动伸缩机制依据CPU使用率和内存使用率动态调整Pod数量。本发明有效地提高了物联网平台的整体系统资源利用率。CN115981864ACN115981864A权利要求书1/2页1.一种基于深层LSTM模型的Kubernetes资源预测方法，所述方法包括：构建深层LSTM模型，其中所述深层LSTM模型引入窥孔机制和Attention机制；通过调用数据割接接口获取输入数据，其中所述输入数据包括时刻t物联网平台割接卡数量CardNum、割接接口执行过程中单个Pod的平均CPU使用率和平均内存使用率将获取到的输入数据连同历史数据生成输入序列输入所述深层LSTM模型中进行预测得到预测结果；利用所述预测结果通过Pod水平自动伸缩机制依据CPU使用率和内存使用率动态调整Pod数量。2.根据权利要求1所述的基于深层LSTM模型的Kubernetes资源预测方法，其特征在于，所述将获取到的输入数据连同历史数据生成输入序列输入所述深层LSTM模型中进行预测得到预测结果的步骤还包括：将Dropout方法应用到同层LSTM间的循环连接，使用随机Dropout方法关闭所述深层LSTM模型中的某些神经元以防止神经元的共同适应。3.根据权利要求2所述的基于深层LSTM模型的Kubernetes资源预测方法，其特征在于，所述方法还包括：对所述深层LSTM模型中的所有网络参数加上L2正则化，在训练时将网络权重的二次方添加到损失函数中以防止权重参数过大；在训练时随机记录和验证损失函数的值，当满足特定条件后提前结束训练以防止过拟合。4.根据权利要求3所述的基于深层LSTM模型的Kubernetes资源预测方法，其特征在于，所述利用所述预测结果通过Pod水平自动伸缩机制依据CPU使用率和内存使用率动态调整Pod数量的步骤还包括：当CPU或内存负载超过设定的阈值时触发Pod扩容，当CPU或内存负载低于设定的阈值时触发Pod缩容，其中，CPU使用率阈值设为75％，内存使用率阈值设为60％。5.一种基于深层LSTM模型的Kubernetes资源预测装置，其特征在于，所述基于深层LSTM模型的Kubernetes资源预测装置包括：模型构建模块，所述模型构建模块用于构建深层LSTM模型，其中所述深层LSTM模型引入窥孔机制和Attention机制；数据获取模块，所述数据获取模块用于通过调用数据割接接口获取输入数据，其中所述输入数据包括时刻t物联网平台割接卡数量CardNum、割接接口执行过程中单个Pod的平均CPU使用率和平均内存使用率模型预测模块，所述模型预测模块用于将获取到的输入数据连同历史数据生成输入序列输入所述深层LSTM模型中进行预测得到预测结果；伸缩调整模块，所述伸缩调整模块用于利用所述预测结果通过Pod水平自动伸缩机制依据CPU使用率和内存使用率动态调整Pod数量。6.根据权利要求5所述的基于深层LSTM模型的Kubernetes资源预测装置，其特征在于，所述模型预测模块还用于：2CN115981864A权利要求书2/2页将Dropout方法应用到同层LSTM间的循环连接，使用随机Dropout方法关闭所述深层LSTM模型中的某些神经元以防止神经元的共同适应。7.根据权利要求6所述的基于深层LSTM模型的Kubernetes资源预测装置，其特征在于，所述装置还包括正则化模块，所述正则化模块用于：对所述深层LSTM模型中的所有网络参数加上L2正则化，在训练时将网