【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及計(jì)算機(jī)，特別是涉及一種分布式緩存參數(shù)優(yōu)化方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。
技術(shù)介紹
1、為了提升業(yè)務(wù)運(yùn)營(yíng)效率，互聯(lián)網(wǎng)企業(yè)和大型數(shù)據(jù)中心通過廣泛使用分布式緩存來提升系統(tǒng)性能，并有效減輕數(shù)據(jù)庫(kù)壓力。但隨著數(shù)據(jù)規(guī)模的不斷擴(kuò)大、用戶訪問的不斷增多、業(yè)務(wù)需求的多樣化以及技術(shù)發(fā)展的推動(dòng)，企業(yè)對(duì)分布式緩存的數(shù)據(jù)處理性能、可擴(kuò)展性和高可用性提出了更高的要求。分布式緩存參數(shù)優(yōu)化涉及多個(gè)方面，包括緩存策略的選擇與優(yōu)化、數(shù)據(jù)分片與負(fù)載均衡、性能監(jiān)控與調(diào)優(yōu)、高可用性與容錯(cuò)性等。
2、傳統(tǒng)技術(shù)中，是通過人工持續(xù)進(jìn)行監(jiān)控，進(jìn)而制定選擇合適的優(yōu)化策略對(duì)分布式緩存參數(shù)進(jìn)行調(diào)優(yōu)，然而人工調(diào)優(yōu)收集各類數(shù)據(jù)需要花費(fèi)大量時(shí)間，參數(shù)調(diào)優(yōu)效率較低，且人工調(diào)優(yōu)很大程度依賴于個(gè)人經(jīng)驗(yàn)，參數(shù)調(diào)優(yōu)的準(zhǔn)確性較低。
技術(shù)實(shí)現(xiàn)思路
1、基于此，有必要針對(duì)上述技術(shù)問題，提供一種能夠提高分布式緩存參數(shù)調(diào)優(yōu)的效率和準(zhǔn)確性的分布式緩存參數(shù)優(yōu)化方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。
2、第一方面，本申請(qǐng)?zhí)峁┝艘环N分布式緩存參數(shù)優(yōu)化方法，包括：
3、隨機(jī)產(chǎn)生多組分布式緩存參數(shù)作為初始群體；
4、將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)初始群體的緩存性能，并根據(jù)初始群體的緩存性能確定初始群體的健康值；
5、根據(jù)初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)初始群體進(jìn)行進(jìn)化處理，生成新群體；
6、將新群體更新為初始群體，返回將初始群體分別輸入至緩存性能預(yù)測(cè)模型的
7、在其中一個(gè)實(shí)施例中，將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)初始群體的緩存性能包括：
8、將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，得到每個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果；多個(gè)學(xué)習(xí)器包括但不限于生成對(duì)抗網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和回歸樹；
9、通過緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到初始群體的緩存性能。
10、在其中一個(gè)實(shí)施例中，根據(jù)初始群體的緩存性能確定初始群體的健康值包括：
11、根據(jù)初始群體的緩存性能和預(yù)設(shè)約束條件確定初始群體的健康值。
12、在其中一個(gè)實(shí)施例中，通過緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到初始群體的緩存性能包括：
13、通過緩存性能預(yù)測(cè)模型的結(jié)合層，采取投票策略對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行投票處理；
14、將出現(xiàn)次數(shù)最多的緩存性能預(yù)測(cè)結(jié)果確定為初始群體的緩存性能。
15、在其中一個(gè)實(shí)施例中，通過緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到初始群體的緩存性能包括：
16、通過緩存性能預(yù)測(cè)模型的結(jié)合層，采取加權(quán)平均策略對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均處理，得到初始群體的緩存性能。
17、在其中一個(gè)實(shí)施例中，根據(jù)初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)初始群體進(jìn)行進(jìn)化處理，生成新群體包括：
18、根據(jù)初始群體的健康值在初始群體中選擇目標(biāo)組分布式緩存參數(shù)；
19、根據(jù)交叉概率閾值對(duì)目標(biāo)組分布式緩存參數(shù)進(jìn)行交叉操作，以及根據(jù)突變概率閾值對(duì)初始群體進(jìn)行突變處理，得到新群體。
20、在其中一個(gè)實(shí)施例中，上述方法還包括：
21、將分布式緩存集群的緩存運(yùn)行環(huán)境配置數(shù)據(jù)、緩存性能表現(xiàn)數(shù)據(jù)和緩存運(yùn)行配置參數(shù)輸入至初始模型的多個(gè)學(xué)習(xí)器中，得到每個(gè)學(xué)習(xí)器的學(xué)習(xí)器預(yù)測(cè)結(jié)果；
22、通過初始模型的結(jié)合層對(duì)多個(gè)學(xué)習(xí)器的學(xué)習(xí)器預(yù)測(cè)結(jié)果進(jìn)行結(jié)合，得到目標(biāo)預(yù)測(cè)結(jié)果；
23、根據(jù)目標(biāo)預(yù)測(cè)結(jié)果對(duì)初始模型進(jìn)行訓(xùn)練，得到緩存性能預(yù)測(cè)模型。
24、第二方面，本申請(qǐng)還提供了一種分布式緩存參數(shù)優(yōu)化裝置，包括：
25、群體生成模塊，用于隨機(jī)產(chǎn)生多組分布式緩存參數(shù)作為初始群體；
26、性能預(yù)測(cè)模塊，用于將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)初始群體的緩存性能，并根據(jù)初始群體的緩存性能確定初始群體的健康值；
27、遺傳進(jìn)化模塊，用于根據(jù)初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)初始群體進(jìn)行進(jìn)化處理，生成新群體；
28、參數(shù)優(yōu)化模塊，用于將新群體更新為初始群體，返回將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器的步驟，迭代進(jìn)化處理，得到緩存性能最優(yōu)的一組分布式緩存參數(shù)。
29、第三方面，本申請(qǐng)還提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：
30、隨機(jī)產(chǎn)生多組分布式緩存參數(shù)作為初始群體；
31、將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)初始群體的緩存性能，并根據(jù)初始群體的緩存性能確定初始群體的健康值；
32、根據(jù)初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)初始群體進(jìn)行進(jìn)化處理，生成新群體；
33、將新群體更新為初始群體，返回將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器的步驟，迭代進(jìn)化處理，得到緩存性能最優(yōu)的一組分布式緩存參數(shù)。
34、第四方面，本申請(qǐng)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：
35、隨機(jī)產(chǎn)生多組分布式緩存參數(shù)作為初始群體；
36、將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)初始群體的緩存性能，并根據(jù)初始群體的緩存性能確定初始群體的健康值；
37、根據(jù)初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)初始群體進(jìn)行進(jìn)化處理，生成新群體；
38、將新群體更新為初始群體，返回將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器的步驟，迭代進(jìn)化處理，得到緩存性能最優(yōu)的一組分布式緩存參數(shù)。
39、第五方面，本申請(qǐng)還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：
40、隨機(jī)產(chǎn)生多組分布式緩存參數(shù)作為初始群體；
41、將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)初始群體的緩存性能，并根據(jù)初始群體的緩存性能確定初始群體的健康值；
42、根據(jù)初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)初始群體進(jìn)行進(jìn)化處理，生成新群體；
43、將新群體更新為初始群體，返回將初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器的步驟，迭代進(jìn)化處理，得到緩存性能最優(yōu)的一組分布式緩存參數(shù)。
44、上述分布式緩存參數(shù)優(yōu)化方法、裝置、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，由于緩存性能預(yù)測(cè)模型包括多個(gè)學(xué)習(xí)器，通過集成學(xué)習(xí)算法將多個(gè)學(xué)習(xí)器組合成一個(gè)強(qiáng)學(xué)習(xí)器，在不需要犧牲模型準(zhǔn)確性的前提下，能用更少的訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，減少了數(shù)據(jù)采集所花費(fèi)的時(shí)間，提高了本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種分布式緩存參數(shù)優(yōu)化方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)所述初始群體的緩存性能包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述初始群體的緩存性能確定所述初始群體的健康值包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過所述緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到所述初始群體的緩存性能包括：
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過所述緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到所述初始群體的緩存性能包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述初始群體的健康值、突變概率閾值和交叉概率閾值對(duì)所述初始群體進(jìn)行進(jìn)化處理，生成新群體包括：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：
8.一種分布式緩存參數(shù)優(yōu)化裝置，其特征在于，所述裝置包括：
9.一種計(jì)算機(jī)設(shè)備，
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。
...【技術(shù)特征摘要】
1.一種分布式緩存參數(shù)優(yōu)化方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述初始群體分別輸入至緩存性能預(yù)測(cè)模型的多個(gè)學(xué)習(xí)器，預(yù)測(cè)所述初始群體的緩存性能包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述初始群體的緩存性能確定所述初始群體的健康值包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過所述緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到所述初始群體的緩存性能包括：
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過所述緩存性能預(yù)測(cè)模型的結(jié)合層，對(duì)多個(gè)學(xué)習(xí)器的緩存性能預(yù)測(cè)結(jié)果進(jìn)行結(jié)合處理，得到所述初始...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：葉鵬，常江，冀曙光，
申請(qǐng)(專利權(quán))人：中國(guó)人壽保險(xiǎn)股份有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。