【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請涉及人工智能，尤其涉及一種平臺運(yùn)維方法、電子設(shè)備、介質(zhì)及產(chǎn)品。
技術(shù)介紹
1、當(dāng)前針對能力中臺(一種集成了多種先進(jìn)技術(shù)的服務(wù)平臺)的運(yùn)維方案，主要可以包括：傳統(tǒng)運(yùn)維方案、自動化運(yùn)維方案、devops運(yùn)維方案、容器化運(yùn)維方案。但上述現(xiàn)有運(yùn)維方式中，在應(yīng)用過程中大多依賴于人工的參與，如依賴于人工手動操作和管理，或者依賴于人工對自動化工具進(jìn)行維護(hù)和更新等。因此，目前現(xiàn)有運(yùn)維方式對人工的依賴性較高。
2、上述內(nèi)容僅用于輔助理解本申請的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。
技術(shù)實(shí)現(xiàn)思路
1、本申請的主要目的在于提供一種平臺運(yùn)維方法、電子設(shè)備、介質(zhì)及產(chǎn)品，旨在解決目前現(xiàn)有運(yùn)維方式對人工的依賴性較高的技術(shù)問題。
2、為實(shí)現(xiàn)上述目的，本申請?zhí)岢鲆环N平臺運(yùn)維方法，應(yīng)用于服務(wù)平臺，所述平臺運(yùn)維方法包括以下步驟：
3、獲取所述服務(wù)平臺的當(dāng)前狀態(tài)信息；
4、通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量，其中，所述預(yù)設(shè)bert預(yù)訓(xùn)練模型經(jīng)過預(yù)設(shè)微調(diào)運(yùn)維任務(wù)微調(diào)得到；
5、將所述當(dāng)前狀態(tài)特征向量輸入至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型，得到所述服務(wù)平臺的目標(biāo)運(yùn)維策略。
6、可選地，在所述通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量的步驟之前，所述方法包括：
7、獲取所述服務(wù)平臺的歷史網(wǎng)絡(luò)流量數(shù)據(jù)，其中，所述歷史網(wǎng)絡(luò)流量數(shù)據(jù)的獲取來源包括網(wǎng)絡(luò)抓包工具、流量監(jiān)控工具、網(wǎng)絡(luò)安全日志或者網(wǎng)絡(luò)路
8、在所述歷史網(wǎng)絡(luò)流量數(shù)據(jù)基于所述預(yù)設(shè)微調(diào)運(yùn)維任務(wù)被標(biāo)注后，對標(biāo)注后的歷史網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行特征提取，得到訓(xùn)練特征樣本集；
9、基于訓(xùn)練特征樣本集對初始bert預(yù)訓(xùn)練模型進(jìn)行微調(diào)，得到所述預(yù)設(shè)bert預(yù)訓(xùn)練模型。
10、可選地，所述預(yù)設(shè)微調(diào)運(yùn)維任務(wù)包括流量模式識別任務(wù)、網(wǎng)絡(luò)故障識別任務(wù)以及資源占用預(yù)測任務(wù)，所述進(jìn)行標(biāo)注的標(biāo)簽類型包括與所述流量模式識別任務(wù)對應(yīng)的模式標(biāo)簽、與所述網(wǎng)絡(luò)故障識別任務(wù)對應(yīng)的故障標(biāo)簽、與所述資源占用預(yù)測任務(wù)對應(yīng)的資源占用標(biāo)簽，所述基于訓(xùn)練特征樣本集對初始bert預(yù)訓(xùn)練模型進(jìn)行微調(diào)，得到所述預(yù)設(shè)bert預(yù)訓(xùn)練模型的步驟包括：
11、基于所述初始bert預(yù)訓(xùn)練模型搭建流量模式識別模型；
12、將所述訓(xùn)練特征樣本集中的訓(xùn)練特征樣本輸入至所述流量模式識別模型，得到流量模式識別結(jié)果；
13、基于所述流量模式識別結(jié)果與訓(xùn)練特征樣本對應(yīng)模式標(biāo)簽之間的差異，對所述流量模式識別模型進(jìn)行迭代訓(xùn)練，并在所述流量模式識別模型訓(xùn)練完成后，得到對所述初始bert預(yù)訓(xùn)練模型進(jìn)行微調(diào)后的第一微調(diào)bert預(yù)訓(xùn)練模型；
14、基于所述第一微調(diào)bert預(yù)訓(xùn)練模型搭建網(wǎng)絡(luò)故障識別模型；
15、將所述訓(xùn)練特征樣本集中的訓(xùn)練特征樣本輸入至所述網(wǎng)絡(luò)故障識別模型，得到網(wǎng)絡(luò)故障識別結(jié)果；
16、基于所述網(wǎng)絡(luò)故障識別結(jié)果與訓(xùn)練特征樣本對應(yīng)故障標(biāo)簽之間的差異，對所述網(wǎng)絡(luò)故障識別模型進(jìn)行迭代訓(xùn)練，并在所述網(wǎng)絡(luò)故障識別模型訓(xùn)練完成后，得到對所述第一微調(diào)bert預(yù)訓(xùn)練模型進(jìn)行微調(diào)后的第二微調(diào)bert預(yù)訓(xùn)練模型；
17、基于所述第二微調(diào)bert預(yù)訓(xùn)練模型搭建資源占用預(yù)測模型；
18、將所述訓(xùn)練特征樣本集中的訓(xùn)練特征樣本輸入至所述資源占用預(yù)測模型，得到資源占用預(yù)測結(jié)果；
19、基于所述資源占用預(yù)測結(jié)果與訓(xùn)練特征樣本對應(yīng)資源占用標(biāo)簽之間的差異，對所述資源占用預(yù)測模型進(jìn)行迭代訓(xùn)練，并在所述資源占用預(yù)測模型訓(xùn)練完成后，得到對所述第二微調(diào)bert預(yù)訓(xùn)練模進(jìn)行微調(diào)后的預(yù)設(shè)bert預(yù)訓(xùn)練模型。
20、可選地，所述當(dāng)前狀態(tài)信息包括所述服務(wù)平臺的當(dāng)前網(wǎng)絡(luò)流量數(shù)據(jù)，以及所述服務(wù)平臺的當(dāng)前系統(tǒng)狀態(tài)數(shù)據(jù)，所述通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量的步驟包括：
21、通過所述預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前網(wǎng)絡(luò)流量數(shù)據(jù)提取得到流量特征向量；
22、基于所述流量特征向量的維度特征，對所述系統(tǒng)狀態(tài)數(shù)據(jù)進(jìn)行重構(gòu)，得到形式符合所述流量特征向量最后一維特征的數(shù)組；
23、將所述數(shù)組與所述流量特征向量中最后一維特征結(jié)合，得到當(dāng)前狀態(tài)特征向量。
24、可選地，在所述將所述當(dāng)前狀態(tài)特征向量輸入至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型，得到所述服務(wù)平臺的目標(biāo)運(yùn)維策略的步驟之前，所述方法包括：
25、基于初始神經(jīng)網(wǎng)絡(luò)決策模型，構(gòu)建優(yōu)先級回放緩沖區(qū)；
26、基于所述優(yōu)先級回放緩沖區(qū)中存放的經(jīng)驗(yàn)樣本，對所述初始神經(jīng)網(wǎng)絡(luò)決策模型進(jìn)行迭代訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型。
27、可選地，所述基于初始神經(jīng)網(wǎng)絡(luò)決策模型，構(gòu)建優(yōu)先級回放緩沖區(qū)的步驟包括：
28、在歷史時(shí)段下，獲取所述服務(wù)平臺的歷史實(shí)時(shí)狀態(tài)信息；
29、通過所述預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述歷史實(shí)時(shí)狀態(tài)信息中提取歷史實(shí)時(shí)狀態(tài)特征向量；
30、將所述歷史實(shí)時(shí)狀態(tài)特征向量輸入至所述初始神經(jīng)網(wǎng)絡(luò)決策模型，得到歷史實(shí)時(shí)運(yùn)維策略；
31、在所述服務(wù)平臺執(zhí)行所述歷史實(shí)時(shí)運(yùn)維策略后，得到所述歷史實(shí)時(shí)運(yùn)維策略的執(zhí)行獎勵以及新的歷史實(shí)時(shí)狀態(tài)特征向量，其中，所述執(zhí)行獎勵通過執(zhí)行所述歷史實(shí)時(shí)運(yùn)維策略后，所述服務(wù)平臺的吞吐變化量、延遲變化量、資源利用率變化量以及錯誤率變化量中的至少一種確定；
32、基于所述歷史實(shí)時(shí)狀態(tài)特征向量、所述歷史實(shí)時(shí)運(yùn)維策略、所述執(zhí)行獎勵以及所述新的歷史實(shí)時(shí)狀態(tài)特征向量生成經(jīng)驗(yàn)樣本，并基于生成的經(jīng)驗(yàn)樣本構(gòu)建優(yōu)先級回放緩沖區(qū)。
33、可選地，所述將所述歷史實(shí)時(shí)狀態(tài)特征向量輸入至所述初始神經(jīng)網(wǎng)絡(luò)決策模型，得到歷史實(shí)時(shí)運(yùn)維策略的步驟包括：
34、將所述歷史實(shí)時(shí)狀態(tài)特征向量輸入至所述初始神經(jīng)網(wǎng)絡(luò)決策模型，通過所述初始神經(jīng)網(wǎng)絡(luò)決策模型，預(yù)測預(yù)設(shè)動作空間中各候選動作在所述歷史實(shí)時(shí)狀態(tài)特征向量對應(yīng)環(huán)境下的預(yù)測執(zhí)行獎勵；
35、將各候選動作中預(yù)測執(zhí)行獎勵最大的候選動作，作為所述歷史實(shí)時(shí)運(yùn)維策略。
36、可選地，所述初始神經(jīng)網(wǎng)絡(luò)決策模型包括主q網(wǎng)絡(luò)和目標(biāo)q網(wǎng)絡(luò)，所述主q網(wǎng)絡(luò)中的模型參數(shù)將按照預(yù)設(shè)周期被更新至所述目標(biāo)q網(wǎng)絡(luò)，所述基于所述優(yōu)先級回放緩沖區(qū)中存放的經(jīng)驗(yàn)樣本，對所述初始神經(jīng)網(wǎng)絡(luò)決策模型進(jìn)行迭代訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型的步驟包括：
37、從所述優(yōu)先級回放緩沖區(qū)中采集部分經(jīng)驗(yàn)樣本，得到各候選經(jīng)驗(yàn)樣本；
38、對于所述各候選經(jīng)驗(yàn)樣本中任意一個(gè)候選經(jīng)驗(yàn)樣本，通過所述目標(biāo)q網(wǎng)絡(luò)計(jì)算所述候選經(jīng)驗(yàn)樣本的目標(biāo)q值；
39、通過所述主q網(wǎng)絡(luò)計(jì)算所述候選經(jīng)驗(yàn)樣本的預(yù)測q值；
40、基于所述目標(biāo)q值與所述預(yù)測q值之間的差異對所述主q網(wǎng)絡(luò)中的模型參數(shù)進(jìn)行更新，并根據(jù)所述目標(biāo)q值與所述預(yù)測q值之間的差異更新所述候選經(jīng)驗(yàn)樣本的優(yōu)先級后，將更新優(yōu)先級的候選經(jīng)驗(yàn)樣本放回所述優(yōu)先級本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種平臺運(yùn)維方法，其特征在于，應(yīng)用于服務(wù)平臺，所述平臺運(yùn)維方法包括以下步驟：
2.如權(quán)利要求1所述的平臺運(yùn)維方法，其特征在于，在所述通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量的步驟之前，所述方法包括：
3.如權(quán)利要求2所述的平臺運(yùn)維方法，其特征在于，所述預(yù)設(shè)微調(diào)運(yùn)維任務(wù)包括流量模式識別任務(wù)、網(wǎng)絡(luò)故障識別任務(wù)以及資源占用預(yù)測任務(wù)，所述進(jìn)行標(biāo)注的標(biāo)簽類型包括與所述流量模式識別任務(wù)對應(yīng)的模式標(biāo)簽、與所述網(wǎng)絡(luò)故障識別任務(wù)對應(yīng)的故障標(biāo)簽、與所述資源占用預(yù)測任務(wù)對應(yīng)的資源占用標(biāo)簽，所述基于訓(xùn)練特征樣本集對初始bert預(yù)訓(xùn)練模型進(jìn)行微調(diào)，得到所述預(yù)設(shè)bert預(yù)訓(xùn)練模型的步驟包括：
4.如權(quán)利要求1所述的平臺運(yùn)維方法，其特征在于，所述當(dāng)前狀態(tài)信息包括所述服務(wù)平臺的當(dāng)前網(wǎng)絡(luò)流量數(shù)據(jù)，以及所述服務(wù)平臺的當(dāng)前系統(tǒng)狀態(tài)數(shù)據(jù)，所述通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量的步驟包括：
5.如權(quán)利要求1所述的平臺運(yùn)維方法，其特征在于，在所述將所述當(dāng)前狀態(tài)特征向量輸入至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型，得到所述服務(wù)平臺的目
6.如權(quán)利要求5所述的平臺運(yùn)維方法，其特征在于，所述基于初始神經(jīng)網(wǎng)絡(luò)決策模型，構(gòu)建優(yōu)先級回放緩沖區(qū)的步驟包括：
7.如權(quán)利要求6所述的平臺運(yùn)維方法，其特征在于，所述將所述歷史實(shí)時(shí)狀態(tài)特征向量輸入至所述初始神經(jīng)網(wǎng)絡(luò)決策模型，得到歷史實(shí)時(shí)運(yùn)維策略的步驟包括：
8.如權(quán)利要求6所述的平臺運(yùn)維方法，其特征在于，所述初始神經(jīng)網(wǎng)絡(luò)決策模型包括主Q網(wǎng)絡(luò)和目標(biāo)Q網(wǎng)絡(luò)，所述主Q網(wǎng)絡(luò)中的模型參數(shù)將按照預(yù)設(shè)周期被更新至所述目標(biāo)Q網(wǎng)絡(luò)，所述基于所述優(yōu)先級回放緩沖區(qū)中存放的經(jīng)驗(yàn)樣本，對所述初始神經(jīng)網(wǎng)絡(luò)決策模型進(jìn)行迭代訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型的步驟包括：
9.一種電子設(shè)備，其特征在于，所述設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序配置為實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的平臺運(yùn)維的步驟。
10.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)為計(jì)算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的平臺運(yùn)維的步驟。
11.一種計(jì)算機(jī)程序產(chǎn)品，其特征在于，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的平臺運(yùn)維的步驟。
...【技術(shù)特征摘要】
1.一種平臺運(yùn)維方法，其特征在于，應(yīng)用于服務(wù)平臺，所述平臺運(yùn)維方法包括以下步驟：
2.如權(quán)利要求1所述的平臺運(yùn)維方法，其特征在于，在所述通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量的步驟之前，所述方法包括：
3.如權(quán)利要求2所述的平臺運(yùn)維方法，其特征在于，所述預(yù)設(shè)微調(diào)運(yùn)維任務(wù)包括流量模式識別任務(wù)、網(wǎng)絡(luò)故障識別任務(wù)以及資源占用預(yù)測任務(wù)，所述進(jìn)行標(biāo)注的標(biāo)簽類型包括與所述流量模式識別任務(wù)對應(yīng)的模式標(biāo)簽、與所述網(wǎng)絡(luò)故障識別任務(wù)對應(yīng)的故障標(biāo)簽、與所述資源占用預(yù)測任務(wù)對應(yīng)的資源占用標(biāo)簽，所述基于訓(xùn)練特征樣本集對初始bert預(yù)訓(xùn)練模型進(jìn)行微調(diào)，得到所述預(yù)設(shè)bert預(yù)訓(xùn)練模型的步驟包括：
4.如權(quán)利要求1所述的平臺運(yùn)維方法，其特征在于，所述當(dāng)前狀態(tài)信息包括所述服務(wù)平臺的當(dāng)前網(wǎng)絡(luò)流量數(shù)據(jù)，以及所述服務(wù)平臺的當(dāng)前系統(tǒng)狀態(tài)數(shù)據(jù)，所述通過預(yù)設(shè)bert預(yù)訓(xùn)練模型從所述當(dāng)前狀態(tài)信息中提取當(dāng)前狀態(tài)特征向量的步驟包括：
5.如權(quán)利要求1所述的平臺運(yùn)維方法，其特征在于，在所述將所述當(dāng)前狀態(tài)特征向量輸入至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)決策模型，得到所述服務(wù)平臺的目標(biāo)運(yùn)維策略的步驟之前，所述方法包括：
6.如權(quán)利要求5所述的平臺運(yùn)維方法，其...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王翠，宋衛(wèi)華，
申請(專利權(quán))人：中移動信息技術(shù)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。