【技術實現步驟摘要】
本專利技術涉及云邊環境中微服務應用的異常分析、根因定位和遷移調度方法及系統，屬于微服務。
技術介紹
1、隨著物聯網、人工智能、大數據、云原生等技術的發展，云邊協同融合了云計算和邊緣計算的優勢，正逐漸成為主流的計算模式。與此同時，隨著微服務架構的發展和普及，面向用戶的應用也從傳統的單體架構逐步向微服務架構演進。微服務架構通過將以單體架構為基礎的面向用戶的應用解耦為大規模的細粒度、可獨立部署和擴展的微服務，這使得在云邊環境中部署面向用戶的應用成為可能。在云邊環境中部署面向用戶的應用，不同服務可以根據需求靈活地部署在邊緣節點或云節點上，不僅能夠受益于邊緣節點的低訪問延遲，還能夠充分利用云節點的高計算能力滿足大規模復雜計算任務的需求。
2、盡管以微服務架構為基礎的面向用戶的應用在云邊環境中的部署可以有效降低響應延遲，但隨著用戶需求、負載分布以及資源狀況的動態變化，微服務的性能表現可能隨時間波動。尤其是在負載峰值期間，一個節點內的資源可能無法滿足大規模負載的需求，導致服務性能下降。此外，除了上述異常外，還可能出現節點故障、資源限制以及節點遭受安全漏洞攻擊等異常情況，這些問題都可能進一步影響系統的穩定性和服務質量。因此，為了緩解上述情況，如何在云邊環境中有效分析異常，精準定位根因，并確定合適的遷移方案進行微服務的遷移，以提高系統性能穩定性和降低運行成本，已成為當前亟待解決的關鍵問題。
3、解決上述問題主要存在以下幾個挑戰：第一，需要進行微服務遷移的異常類型繁多且復雜，例如節點故障、資源限制、節點安全漏洞攻擊等，這些異
4、現有微服務遷移的研究主要聚焦于兩類關鍵場景下的遷移決策：第一是當節點資源短缺時觸發的遷移，這種場景通常由于某些節點的計算、存儲或網絡資源達到飽和，從而導致其上運行的微服務性能下降；第二是當系統的服務質量(quality?of?service，qos)出現違規且通過資源調整(如增加cpu、內存等)后并沒有解決該問題。然而，上述研究所考慮的遷移觸發條件并不全面，無法涵蓋所有可能需要進行遷移的異常。例如，節點的硬件故障，此類故障可能包括磁盤損壞、網卡故障或物理機宕機等，這些情況往往導致系統中的部分或全部微服務不可用，進而影響整體服務的穩定性。此外，關于云邊環境中微服務遷移調度的最新工作已經開始根據預測下一時間步的潛在性能增益或通信開銷確定遷移方案，并進行微服務遷移。例如，有研究根據上一時間步延遲百分比和延遲變異系數的乘積來推測下一個時間步微服務的潛在性能增益，并根據帶寬和往返時延預測遷移微服務后的網絡開銷，優先選擇潛在性能增益和遷移后的網絡開銷的比值較大的微服務進行遷移。還有的研究根據每個微服務遷移候選項的目標節點和待遷移微服務的資源狀態，優先選擇通信增量小的微服務進行遷移。然而，這些方法都忽略了遷移微服務后的長期性能表現，這可能導致頻繁的微服務遷移，進而增加網絡負擔，并可能引發服務中斷或性能下降。
技術實現思路
1、針對云邊環境中微服務遷移所面臨的挑戰和問題，本專利技術提出了云邊環境中llm增強的智能化微服務遷移方法。首先，使用基于llm和lstm的待遷移微服務定位方法，根據需要遷移的歷史異常事件，分析判斷當前異常是否需要進行微服務遷移，如果需要遷移，則準確定位導致異常的待遷移微服務(即根因微服務)。同時，使用lstm優化需要遷移的異常事件的存儲來增強決策能力。在此基礎上，使用基于動態gcn和bo的多目標微服務遷移決策方法，智能地為每個待遷移微服務選擇合適的節點進行遷移，從而保證系統長期性能的穩定性并降低運行成本。
2、本專利技術還提出了云邊環境中llm增強的智能化微服務遷移系統。
3、術語解釋：
4、1、事件回歸效應(event?regression?effect)：指的是在微服務工作負載預測中，某些歷史事件對未來工作負載的影響。在微服務架構中，特定的事件或操作(如高峰期的請求、系統更新或故障)可能導致工作負載在短期內的波動。這些歷史事件的影響并不僅限于即時的負載變化，還可能通過復雜的依賴關系和反饋機制，影響未來的工作負載模式。
5、2、大語言模型(large?language?model,llm)：是一種基于深度學習的自然語言處理模型，具有大量的參數和訓練數據，能夠理解和生成自然語言文本。這類模型通過在海量文本數據上進行預訓練，學習語言的結構、語法、語義以及上下文關系，從而具備生成連貫、上下文相關的文本的能力。llm通常采用transformer架構，能夠處理長文本，并實現高效的并行計算，廣泛應用于各種任務，如文本生成、機器翻譯、問答系統和對話生成等。由于其較好的語言理解和生成能力，llm在人工智能領域引起了廣泛關注和研究。
6、3、sentence?transformer：是基于預訓練語言模型(如bert)的工具，用于將句子或文本片段轉換為高維向量表示，從而捕捉其語義信息。這些嵌入向量可以用來計算文本之間的相似度，適用于語義搜索、文本分類、聚類等任務。與傳統的基于詞頻的方法相比，sentence?transformer能夠更好地理解上下文和語義，生成的向量在衡量文本語義相似性時表現出更高的精度，這使其在問答系統、文檔搜索和語義匹配等應用場景中得到了廣泛應用。
7、4、faiss(facebook?ai?similarity?search)：是由facebook?ai?research開發的開源庫，專門用于在大規模的向量數據中進行高效的相似性搜索。faiss的優勢在于其對高維向量的快速索引和檢索能力，能夠處理數百萬甚至數十億條數據。它支持多種索引結構，如倒排文件和分層近似小世界圖，為近似最近鄰搜索提供了平衡精度和效率的解決方案。faiss廣泛應用于需要大規模相似性計算的場景，如推薦系統、圖像搜索和聚類分析。
8、5、lstm網絡(long?short-term?memory,lstm)：是一種特殊類型的遞歸神經網絡(recurrent?neural?network,rnn)，旨在解決傳統rnn在處理長序列數據時所面臨的梯度消失和梯度爆炸問題。lstm通過引入三個主要的門本文檔來自技高網...
【技術保護點】
1.云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，包括：
2.根據權利要求1所述的云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，基于LLM和LSTM的待遷移微服務定位方法，根據需要遷移的歷史異常事件，分析判斷當前異常是否需要進行微服務遷移；包括：
3.根據權利要求1所述的云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，基于歷史對比和相似度量的評估；包括：
4.根據權利要求1所述的云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，基于自我反饋的動態調整；包括：
5.根據權利要求1所述的云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，基于LSTM的異常事件存儲優化；包括：
6.根據權利要求1所述的云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，采用基于動態GCN和BO的多目標微服務遷移決策方法，根據微服務的長期性能和運行成本，智能地為每個待遷移的微服務選擇合適的節點進行遷移；包括：
7.根據權利要求6所述的云邊環境中LLM增強的智能化微服務遷移方法，其特征在于，目
8.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-7任一所述的云邊環境中LLM增強的智能化微服務遷移方法的步驟。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1-7任一所述的云邊環境中LLM增強的智能化微服務遷移方法的步驟。
10.云邊環境中LLM增強的智能化微服務遷移系統，其特征在于，包括：
...【技術特征摘要】
1.云邊環境中llm增強的智能化微服務遷移方法，其特征在于，包括：
2.根據權利要求1所述的云邊環境中llm增強的智能化微服務遷移方法，其特征在于，基于llm和lstm的待遷移微服務定位方法，根據需要遷移的歷史異常事件，分析判斷當前異常是否需要進行微服務遷移；包括：
3.根據權利要求1所述的云邊環境中llm增強的智能化微服務遷移方法，其特征在于，基于歷史對比和相似度量的評估；包括：
4.根據權利要求1所述的云邊環境中llm增強的智能化微服務遷移方法，其特征在于，基于自我反饋的動態調整；包括：
5.根據權利要求1所述的云邊環境中llm增強的智能化微服務遷移方法，其特征在于，基于lstm的異常事件存儲優化；包括：
6.根據權利要求1所述的云邊環境中llm增強的智能化微服務遷移...
【專利技術屬性】
技術研發人員：楊美紅，王曉莉，蔡斌雷，郭瑩，
申請(專利權)人：山東省計算中心國家超級計算濟南中心，
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。