【技術實現步驟摘要】
本專利技術涉及集群通信，尤其涉及一種基于機器學習的節點調用優化方法、系統、設備及介質。
技術介紹
1、隨著計算機網絡的不斷發展，網絡結構的設計也變得越來越復雜。傳統的中心化網絡結構已然不能滿足復雜的用戶需求。因此，無中心網絡結構應運而生；無中心網絡結構是指沒有中心節點，所有節點之間平等地進行通信和交流的網絡架構。它具備高度的魯棒性和可靠性，能夠有效地應對節點故障和網絡攻擊。
2、盡管無中心網絡結構具有諸多優點，但目前在實際應用中仍然存在一些潛在的缺陷，例如，由于無中心網絡中所有節點都可以對外提供服務，且無中心網絡往往需要采用分布式算法來管理節點之間的通信和數據一致性，這會增加網絡的復雜度，導致節點通信效率低。
技術實現思路
1、本專利技術提供了一種基于機器學習的節點調用優化方法、系統、設備及介質，通過本專利技術能夠優化節點間的路由路徑，實現無中心網絡節點間的高效通信。
2、為了解決上述技術問題，本專利技術實施例提供了一種基于機器學習的節點調用優化方法，所述方法包括：
3、根據接收到的網絡通信需求確定網絡拓撲結構及服務節點集；
4、為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系；
5、基于所述網絡拓撲結構以及所述調用關系進行節點間模擬通信，并收集節點間的通信數據和請求處理時間；
6、通過預設的特征提取算法提取所述通信數據和所述請求處理時間的數據特征，作為訓練數據集；p>
7、通過預設的神經網絡模型對所述訓練數據集進行訓練，得到訓練后的網絡性能預測模型；
8、根據所述網絡性能預測模型確定網絡性能最優的路由路徑。
9、優選地，所述為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系，包括：
10、對所述服務節點進行節點信息標記，生成節點信息；
11、根據所述節點信息生成節點數據集；
12、為所述服務節點集中不同服務節點配置功能接口；
13、根據所述功能接口生成接口結構信息；
14、根據所述接口結構信息生成接口數據集；
15、根據所述節點數據集和所述接口數據集確定所述服務節點間的調用關系。
16、優選地，根據所述網絡性能預測模型確定網絡性能最優的路由路徑，包括：
17、通過所述網絡性能預測模型對所述網絡拓撲結構進行網絡性能預測，得到網絡性能預測數據；其中，所述網絡性能預測數據包括網絡狀態和網絡工作負載；
18、根據所述網絡性能數據通過預設的動態調整路由算法選擇服務節點間最優的路由路徑。
19、優選地，所述方法還包括：
20、當增加服務節點時，根據增加服務節點的節點信息更新所述節點數據集；
21、當刪除服務節點時，根據刪除服務節點的節點信息更新所述節點數據集；
22、當增加接口時，根據增加接口的接口結構信息更新所述接口數據集；
23、當刪除接口時，根據刪除接口的接口結構信息更新所述接口數據集。
24、優選地，所述方法還包括：
25、終端向至少一個所述服務節點發送第一訪問請求；
26、所述服務節點接收所述第一訪問請求，并對所述第一訪問請求進行訪問分析，檢測所述第一訪問請求訪問的目標節點是否存在異常；
27、若是，返回節點訪問失敗信息；
28、若否，判斷所述目標節點是否為當前服務節點；當所述目標節點是當前服務節點時，直接返回訪問結果；當所述目標節點不是當前服務節點時，根據所述目標節點建立第二訪問請求，當前服務節點根據所述第二訪問請求進行訪問，并將訪問結果返回給所述終端；其中，所述第二訪問請求訪問的服務節點為所述目標節點。
29、優選地，所述節點信息包括節點唯一碼和ip地址；
30、所述服務節點均存有所述節點數據集；
31、所述接口結構信息至少包括接口唯一碼、接口名稱、調用地址、輸入參數、輸出參數、功能說明、參數唯一碼、參數名稱和參數類型。
32、優選地，所述網絡拓撲結構為無中心星形網絡拓撲結構。
33、與現有技術相比，本專利技術公開了一種基于機器學習的節點調用優化方法，所述方法包括：根據接收到的網絡通信需求確定網絡拓撲結構及服務節點集；為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系；基于所述網絡拓撲結構以及所述調用關系進行節點模擬通信，并收集節點間的通信數據和請求處理時間；通過預設的特征提取算法提取所述通信數據和所述請求處理時間的數據特征，作為訓練數據集；通過預設的神經網絡模型對所述訓練數據集進行訓練，得到訓練后的網絡性能預測模型；根據所述網絡性能預測模型確定網絡性能最優的路由路徑。通過預設的特征提取算法能夠提取數據和網絡性能相關的數據，并作為訓練集，經神經網絡模型訓練得到網絡性能預測模型，再通過網絡性能預測模型對網絡節點間的通信進行預測，得到預測結果，根據預測結果選擇最優的路由路徑，并根據最優的路由路徑調整節點間調用關系；因此通過本專利技術能夠優化節點間的路由路徑，實現無中心網絡節點間的高效通信。
34、為了解決上述技術問題，本專利技術實施例還提供了一種基于機器學習的節點調用優化系統，所述系統，包括：
35、網絡構建模塊，用于根據接收到的網絡通信需求確定網絡拓撲結構及服務節點集，為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系；
36、模擬通信模塊，用于基于所述網絡拓撲結構以及所述調用關系進行節點間模擬通信，并收集節點間的通信數據和請求處理時間；
37、數據處理模塊，用于通過預設的特征提取算法提取所述通信數據和所述請求處理時間的數據特征，作為訓練數據集；
38、神經網絡訓練模塊，用于通過預設的神經網絡模型對所述訓練數據集進行訓練，得到訓練后的網絡性能預測模型；
39、節點調用優化模塊，用于根據所述網絡性能預測模型確定網絡性能最優的路由路徑。
40、優選地，所述為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系，包括：
41、對所述服務節點進行節點信息標記，生成節點信息；
42、根據所述節點信息生成節點數據集；
43、為所述服務節點集中不同服務節點配置功能接口；
44、根據所述功能接口生成接口結構信息；
45、根據所述接口結構信息生成接口數據集；
46、根據所述節點數據集和所述接口數據集確定所述服務節點間的調用關系。
47、優選地，根據所述網絡性能預測模型確定網絡性能最優的路由路徑，包括：
48、通過所述網絡性能預測模型對所述網絡拓撲結構進行網絡性能預測，得到網絡性能預測數據；其中，所本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的節點調用優化方法，其特征在于，所述方法包括：
2.如權利要求1所述的一種基于機器學習的節點調用優化方法，其特征在于，所述為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系，包括：
3.如權利要求1所述的一種基于機器學習的節點調用優化方法，其特征在于，根據所述網絡性能預測模型確定網絡性能最優的路由路徑，包括：
4.如權利要求2所述的一種基于機器學習的節點調用優化方法，其特征在于，所述方法還包括：
5.如權利要求1所述的一種基于機器學習的節點調用優化方法，其特征在于，所述方法還包括：
6.如權利要求2所述的一種基于機器學習的節點調用優化方法，其特征在于，所述節點信息包括節點唯一碼和IP地址；
7.如權利要求2所述的一種基于機器學習的節點調用優化方法，其特征在于，所述網絡拓撲結構為無中心星形網絡拓撲結構。
8.一種基于機器學習的節點調用優化系統，其特征在于，所述系統，包括：
9.一種終端設備，其特征在于，包括處理器、存儲器以及存儲
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序；其中，所述計算機程序在運行時控制所述計算機可讀存儲介質所在的設備執行如權利要求1～7任一項所述的一種基于機器學習的節點調用優化方法。
...【技術特征摘要】
1.一種基于機器學習的節點調用優化方法，其特征在于，所述方法包括：
2.如權利要求1所述的一種基于機器學習的節點調用優化方法，其特征在于，所述為所述服務節點集中不同服務節點配置功能接口，并根據所述功能接口確定不同服務節點間的調用關系，包括：
3.如權利要求1所述的一種基于機器學習的節點調用優化方法，其特征在于，根據所述網絡性能預測模型確定網絡性能最優的路由路徑，包括：
4.如權利要求2所述的一種基于機器學習的節點調用優化方法，其特征在于，所述方法還包括：
5.如權利要求1所述的一種基于機器學習的節點調用優化方法，其特征在于，所述方法還包括：
6.如權利要求2所述的一種基于機器學習的節點調用優化方法，其特征在于，所述節點信息...
【專利技術屬性】
技術研發人員：梁少林，羅瀠，李正權，石慧芳，李嘉豪，張熙，胡夏林，許上云，
申請(專利權)人：廣東省科技基礎條件平臺中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。