本發(fā)明涉及一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法，屬于微服務(wù)資源動(dòng)態(tài)管理。

背景技術(shù)：

1、云計(jì)算通過(guò)將計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)等資源通過(guò)虛擬化的方式集中管理，具有靈活、便利和經(jīng)濟(jì)的優(yōu)點(diǎn)。這種模式可支持彈性擴(kuò)展，允許用戶租賃滿足其需求的資源。用戶租賃資源的過(guò)程中，會(huì)與服務(wù)提供商簽署服務(wù)等級(jí)協(xié)議(service?level?agreements，sla)，該協(xié)議對(duì)服務(wù)質(zhì)量(quality?of?service，qos)進(jìn)行了規(guī)定，違反該規(guī)定會(huì)導(dǎo)致云提供商面臨經(jīng)濟(jì)或是名譽(yù)方面的損失。

2、當(dāng)前，隨著云計(jì)算、大數(shù)據(jù)的普及和應(yīng)用，用戶對(duì)云平臺(tái)的要求在逐漸提高，需求服務(wù)也開(kāi)始千變?nèi)f化，海量的計(jì)算數(shù)據(jù)和日益復(fù)雜的計(jì)算需求都為容器云平臺(tái)的數(shù)據(jù)處理能力帶來(lái)了新的挑戰(zhàn)。在這樣的環(huán)境下，漸漸演變出了新一代云計(jì)算技術(shù)——云原生（cloud?native）。云原生是一種軟件架構(gòu)和開(kāi)發(fā)方法論，旨在支持在云環(huán)境中構(gòu)建和運(yùn)行應(yīng)用程序。它強(qiáng)調(diào)在云計(jì)算基礎(chǔ)設(shè)施上實(shí)現(xiàn)高度的自動(dòng)化、彈性、可擴(kuò)展性和可維護(hù)性，能夠有效解決傳統(tǒng)云系統(tǒng)中應(yīng)用更新緩慢、系統(tǒng)架構(gòu)臃腫等問(wèn)題。云原生涵蓋了一系列云計(jì)算技術(shù)和管理方法。其中，微服務(wù)（microservice）是一種典型的架構(gòu)模式，它通過(guò)將復(fù)雜的、多模塊的單體應(yīng)用程序解耦為多個(gè)獨(dú)立的模塊化微服務(wù)，并分別在不同的容器內(nèi)進(jìn)行開(kāi)發(fā)和部署，從而有效降低模塊之間的相互依賴(lài)，縮短軟件的開(kāi)發(fā)周期，提高系統(tǒng)的靈活性和可維護(hù)性。

3、微服務(wù)架構(gòu)下，為提高系統(tǒng)整體的效率和滿足應(yīng)用端到端的qos，關(guān)鍵在于對(duì)各個(gè)容器節(jié)點(diǎn)做出有效的資源調(diào)度和管理。然而這個(gè)過(guò)程存在以下幾點(diǎn)困難和挑戰(zhàn)：一是在當(dāng)前云原生架構(gòu)下，微服務(wù)資源性能數(shù)據(jù)的標(biāo)注和獲取仍面臨一定困難。現(xiàn)有研究大多依賴(lài)于docker、kubernetes等技術(shù)部署微服務(wù)基準(zhǔn)測(cè)試程序，通過(guò)在不同微服務(wù)節(jié)點(diǎn)中引入人工干擾來(lái)模擬多維度的資源競(jìng)爭(zhēng)，從而收集單節(jié)點(diǎn)的資源-性能數(shù)據(jù)，并利用這些數(shù)據(jù)構(gòu)建機(jī)器學(xué)習(xí)模型以優(yōu)化資源分配，但這一方法在數(shù)據(jù)獲取過(guò)程中存在挑戰(zhàn)。首先，模擬資源競(jìng)爭(zhēng)引入的干擾可能導(dǎo)致數(shù)據(jù)的噪聲或不一致性，這使得訓(xùn)練數(shù)據(jù)的獲取和標(biāo)注成本較高。其次，現(xiàn)有方法未能充分考慮微服務(wù)任務(wù)的qos要求，這可能影響優(yōu)化結(jié)果的實(shí)際可用性和效果；二是微服務(wù)節(jié)點(diǎn)之間的復(fù)雜交互進(jìn)一步增加了資源管理的難度。微服務(wù)架構(gòu)由多種服務(wù)組成，每個(gè)服務(wù)有不同的資源需求和特性。這些微服務(wù)之間存在復(fù)雜的依賴(lài)關(guān)系，一個(gè)微服務(wù)可能同時(shí)被多個(gè)上游服務(wù)調(diào)用，同時(shí)又需調(diào)用多個(gè)下游服務(wù)。此外，由于微服務(wù)應(yīng)用的負(fù)載常常動(dòng)態(tài)變化，不同服務(wù)在不同時(shí)間和環(huán)境下可能面臨請(qǐng)求量的高峰或低谷。這種不確定性使得在短時(shí)間內(nèi)準(zhǔn)確預(yù)測(cè)資源需求變得困難，從而影響最佳資源調(diào)整策略的制定。因此，如何靈活且有效地管理和協(xié)調(diào)這些服務(wù)，從而及時(shí)響應(yīng)負(fù)載變化，實(shí)現(xiàn)動(dòng)態(tài)資源調(diào)整和合理分配是一個(gè)關(guān)鍵問(wèn)題。

4、現(xiàn)有技術(shù)中，微服務(wù)的資源管理方法主要分為兩種。一是采用機(jī)器學(xué)習(xí)和啟發(fā)式算法動(dòng)態(tài)調(diào)整資源；二是采用0/1線性規(guī)劃模型實(shí)現(xiàn)微服務(wù)交互感知調(diào)度?，F(xiàn)有技術(shù)中的微服務(wù)資源管理方法總結(jié)如下：

5、《一種基于容器云平臺(tái)的微服務(wù)資源智能調(diào)度策略》，中國(guó)發(fā)明專(zhuān)利（cn117459477a），2023，利用消息傳遞機(jī)制對(duì)微服務(wù)網(wǎng)絡(luò)進(jìn)行特征傳遞，結(jié)合graphembedding和dnn算法構(gòu)建微服務(wù)響應(yīng)時(shí)間評(píng)估模型，并結(jié)合啟發(fā)式算法在qos約束下得到下一時(shí)間段微服務(wù)節(jié)點(diǎn)資源的最優(yōu)解并分配資源。然而，它們只以容器的請(qǐng)求量、cpu和內(nèi)存為指標(biāo)，并沒(méi)有考慮到其他資源的具體使用情況。

6、《一種云計(jì)算資源預(yù)測(cè)方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)》，中國(guó)發(fā)明專(zhuān)利（cn115686856a），2023，通過(guò)收集云平臺(tái)各業(yè)務(wù)負(fù)載數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)業(yè)務(wù)類(lèi)型，并據(jù)此制定資源分配預(yù)案。結(jié)合預(yù)測(cè)結(jié)果與預(yù)案構(gòu)建模型來(lái)校正預(yù)測(cè)，經(jīng)誤差處理后確定最終資源分配方案。然而，在面對(duì)大規(guī)模復(fù)雜業(yè)務(wù)場(chǎng)景時(shí)，預(yù)測(cè)模型的訓(xùn)練效率與實(shí)時(shí)性仍需優(yōu)化。

7、《面向云計(jì)算的交互感知容器化微服務(wù)資源調(diào)度方法》，中國(guó)發(fā)明專(zhuān)利（cn112783649a），2021，通過(guò)負(fù)載測(cè)試腳本生成負(fù)載監(jiān)測(cè)微服務(wù)間調(diào)用行為，構(gòu)建微服務(wù)交互圖。采用0/1線性約束的二次規(guī)劃模型，將滿足資源條件的微服務(wù)及其依賴(lài)實(shí)例優(yōu)先部署于同一節(jié)點(diǎn)來(lái)減少物理節(jié)點(diǎn)間的通信成本，最小化請(qǐng)求響應(yīng)時(shí)間。然而，該方法在實(shí)際應(yīng)用中面臨大規(guī)模微服務(wù)集群下計(jì)算復(fù)雜性的挑戰(zhàn)，難以精準(zhǔn)預(yù)測(cè)服務(wù)間動(dòng)態(tài)交互模式。

8、超啟發(fā)式算法近年來(lái)被廣泛應(yīng)用于資源管理領(lǐng)域。然而，基于自訓(xùn)練-半監(jiān)督實(shí)現(xiàn)微服務(wù)節(jié)點(diǎn)的性能預(yù)測(cè)，并結(jié)合超啟發(fā)式算法在滿足任務(wù)端到端qos的前提下，最大化微服務(wù)節(jié)點(diǎn)資源利用率的方案，目前還未見(jiàn)報(bào)道。因此，本發(fā)明提出一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法，實(shí)現(xiàn)在滿足任務(wù)端到端的服務(wù)質(zhì)量的同時(shí)，提高微服務(wù)節(jié)點(diǎn)的資源利用率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法，旨在解決在云原生架構(gòu)下，難以保證任務(wù)端到端的服務(wù)質(zhì)量和微服務(wù)節(jié)點(diǎn)的資源利用率的技術(shù)問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提出一種基于超啟發(fā)式算法的微服務(wù)資源自適應(yīng)調(diào)整方法。該方法結(jié)合微服務(wù)性能預(yù)測(cè)模型smpp模型預(yù)測(cè)結(jié)果，當(dāng)節(jié)點(diǎn)響應(yīng)時(shí)間不在qos規(guī)定范圍內(nèi)時(shí)，使用基于超啟發(fā)式算法的微服務(wù)資源調(diào)整（awsh）模型對(duì)需要調(diào)整的微服務(wù)節(jié)點(diǎn)的cpu、內(nèi)存、i/o等資源做自適應(yīng)調(diào)整，具體步驟為：

3、step1：運(yùn)行基準(zhǔn)測(cè)試工具模擬真實(shí)應(yīng)用運(yùn)行場(chǎng)景；

4、step2：在所述應(yīng)用運(yùn)行場(chǎng)景中利用監(jiān)測(cè)工具采集微服務(wù)“資源-性能”數(shù)據(jù)；

5、step3：結(jié)合所采集的微服務(wù)“資源-性能”數(shù)據(jù)，構(gòu)建smpp模型預(yù)測(cè)微服務(wù)節(jié)點(diǎn)的響應(yīng)時(shí)間；

6、step4：當(dāng)所述預(yù)測(cè)微服務(wù)節(jié)點(diǎn)的響應(yīng)時(shí)間不滿足預(yù)設(shè)服務(wù)質(zhì)量要求時(shí)，結(jié)合awsh模型生成資源調(diào)整決策；

7、step5：基于所述資源調(diào)整決策，利用資源管理工具對(duì)cpu資源、內(nèi)存資源和i/o資源實(shí)施調(diào)度。

8、所述step3具體為：

9、step3.1：基于生成對(duì)抗網(wǎng)絡(luò)（generative?adversarial?network,?gan）模型，引入回歸器，形成優(yōu)化后的ctab-gan+模型；

10、具體地，ctab-gan+模型由3個(gè)深度神經(jīng)網(wǎng)絡(luò)組成：生成器g、鑒別器d和一個(gè)回歸器r。其中，生成器g負(fù)責(zé)生成與原始的微服務(wù)“資源-性能”數(shù)據(jù)呈一致性的高斯分布數(shù)據(jù)集，一方面，得到的微服務(wù)“資源-性能”數(shù)據(jù)在輸入到鑒別器d和回歸器r之前，根據(jù)不同的特征用編碼器進(jìn)行編碼來(lái)處理混合、連續(xù)和分類(lèi)數(shù)據(jù)，將處理后的數(shù)據(jù)作為真實(shí)數(shù)據(jù)。另一方面，通過(guò)輸入一個(gè)噪聲向量加上一個(gè)條件向量，由生成器g輸出生成盡可能接近真實(shí)數(shù)據(jù)的合成數(shù)據(jù)。隨后，真實(shí)數(shù)據(jù)和合成數(shù)據(jù)與條件向量進(jìn)行拼接，再由鑒別器d輸出對(duì)輸入數(shù)據(jù)是真實(shí)還是合成的判斷?；貧w器r則用于判斷生成數(shù)據(jù)集中多個(gè)行為特征之間，是否存在語(yǔ)義不一致的情況。

11、step3.2：優(yōu)化ctab-gan+模型中的生成器和鑒別器，所述生成器和所述鑒別器結(jié)構(gòu)相同，均由cnn卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，其中，生成器的輸入為一個(gè)條件向量和一個(gè)從標(biāo)準(zhǔn)正態(tài)分布中隨機(jī)采樣的噪聲向量，生成器輸出的是生成的合成數(shù)據(jù)，作為鑒別器的輸入，鑒別器的輸出為對(duì)輸入屬于真實(shí)數(shù)據(jù)分布的置信度評(píng)估，通過(guò)計(jì)算生成器和鑒別器的損失函數(shù)來(lái)優(yōu)化生成器和鑒別器；

12、具體地，鑒別器接收經(jīng)過(guò)特征編碼處理的數(shù)據(jù)，這些數(shù)據(jù)包括從生成器生成的數(shù)據(jù)和真實(shí)數(shù)據(jù)，并且需要與生成器接收相同的條件向量作為輸入，鑒別器的輸出是對(duì)輸入屬于真實(shí)數(shù)據(jù)分布的置信度評(píng)估，即對(duì)于真實(shí)樣本輸出接近1的值，對(duì)于生成樣本輸出接近0的值。

13、step3.3：優(yōu)化ctab-gan+模型中的回歸器，所述回歸器的輸入是生成器生成的合成數(shù)據(jù)中經(jīng)過(guò)編碼和處理的特征向量，回歸器的輸出是對(duì)于給定輸入特征的連續(xù)預(yù)測(cè)值，并優(yōu)化下游任務(wù)的性能，通過(guò)計(jì)算回歸器的損失函數(shù)來(lái)優(yōu)化回歸器；

14、具體地，在ctab-gan+模型的訓(xùn)練過(guò)程中，生成器g的目標(biāo)是最小化其損失函數(shù)，以生成更高質(zhì)量的合成數(shù)據(jù)。而鑒別器d的目標(biāo)是最大化其損失函數(shù)，以提高區(qū)分真實(shí)數(shù)據(jù)和合成數(shù)據(jù)的能力?；貧w器r的優(yōu)化雖然不直接參與鑒別器d的循環(huán)判斷，但它通過(guò)優(yōu)化下游任務(wù)的性能，間接影響了合成數(shù)據(jù)的質(zhì)量。高質(zhì)量的合成數(shù)據(jù)能夠更好地模擬真實(shí)數(shù)據(jù)的統(tǒng)計(jì)特性和語(yǔ)義完整性，對(duì)于鑒別器d在循環(huán)判斷中區(qū)分真實(shí)數(shù)據(jù)和合成數(shù)據(jù)至關(guān)重要，因此優(yōu)化回歸器r有助于提高整個(gè)系統(tǒng)的性能。

15、step3.4：重復(fù)step3.2-step3.3，不斷優(yōu)化生成器、鑒別器與回歸器，當(dāng)生成數(shù)據(jù)分布與真實(shí)數(shù)據(jù)分布相同時(shí)，或者達(dá)到預(yù)定的訓(xùn)練迭代次數(shù)，則進(jìn)入步驟step3.5，且ctab-gan+模型輸出與所述微服務(wù)“資源-性能”數(shù)據(jù)呈一致性的高斯分布的帶標(biāo)簽的輔助數(shù)據(jù)集；

16、具體地，在ctab-gan+模型的訓(xùn)練過(guò)程中，生成器g和鑒別器d通過(guò)對(duì)抗學(xué)習(xí)的方式進(jìn)行優(yōu)化。生成器的目標(biāo)是產(chǎn)生盡可能逼真的合成數(shù)據(jù)，以欺騙鑒別器；而鑒別器則區(qū)分真實(shí)數(shù)據(jù)和生成器產(chǎn)生的合成數(shù)據(jù)。訓(xùn)練過(guò)程中，生成器和鑒別器交替更新，生成器通過(guò)最小化其損失函數(shù)來(lái)提高合成數(shù)據(jù)的質(zhì)量，鑒別器則通過(guò)最大化其損失函數(shù)來(lái)提高判別能力。當(dāng)鑒別器無(wú)法有效地區(qū)分真實(shí)數(shù)據(jù)和合成數(shù)據(jù)，即鑒別器對(duì)生成數(shù)據(jù)的判斷接近于對(duì)真實(shí)數(shù)據(jù)的判斷時(shí)，訓(xùn)練達(dá)到平衡狀態(tài)，此時(shí)生成器輸出的合成數(shù)據(jù)在統(tǒng)計(jì)特性和語(yǔ)義完整性上與真實(shí)數(shù)據(jù)具有高度相似性。訓(xùn)練過(guò)程迭代進(jìn)行，直到生成器生成的數(shù)據(jù)足夠好，使鑒別器無(wú)法區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù)，或者達(dá)到預(yù)定的訓(xùn)練迭代次數(shù)。

17、step3.5：構(gòu)建smpp模型的自訓(xùn)練部分，學(xué)習(xí)得到各微服務(wù)資源調(diào)用之間的潛在語(yǔ)義表征；以減少數(shù)據(jù)標(biāo)注層面的成本。

18、step3.6：利用所述帶標(biāo)簽的輔助數(shù)據(jù)集及所述潛在語(yǔ)義表征，構(gòu)建smpp模型的半監(jiān)督部分，從而完成整個(gè)smpp模型的構(gòu)建，實(shí)現(xiàn)對(duì)微服務(wù)節(jié)點(diǎn)響應(yīng)時(shí)間的預(yù)測(cè)。

19、所述step3.5具體為：

20、step3.5.1：輸入無(wú)標(biāo)簽數(shù)據(jù)集作為樣本；

21、step3.5.2：由掩碼生成器生成二進(jìn)制掩碼向量，通過(guò)二進(jìn)制掩碼向量與輸入的樣本相結(jié)合，得到被掩蓋且損壞的樣本；并且所述損壞的樣本的一部分特征被隨機(jī)替換為數(shù)據(jù)集中其他樣本的特征或噪聲，有助于提升模型的性能；

22、step3.5.3：使用編碼器將所述被掩蓋且損壞的樣本轉(zhuǎn)換為潛在語(yǔ)義表征，捕捉原始樣本數(shù)據(jù)的特征之間的相關(guān)性，通過(guò)最小化交叉熵?fù)p失來(lái)訓(xùn)練掩碼向量估計(jì)器，通過(guò)最小化重構(gòu)損失來(lái)訓(xùn)練特征向量估計(jì)器，編碼器通過(guò)最小化交叉熵?fù)p失和重構(gòu)損失的加權(quán)和來(lái)訓(xùn)練，其中，掩碼向量估計(jì)器和特征向量估計(jì)器均基于編碼器的輸出來(lái)訓(xùn)練；

23、具體地，編碼器是一個(gè)組件，將輸入樣本（無(wú)論是原始的樣本還是被掩蓋和損壞的樣本）映射到一個(gè)低維的、抽象的表示空間，即潛在語(yǔ)義表征。這個(gè)映射過(guò)程是通過(guò)學(xué)習(xí)輸入樣本的特征之間的復(fù)雜關(guān)系和模式來(lái)實(shí)現(xiàn)。

24、掩碼向量估計(jì)器和特征向量估計(jì)器都是基于編碼器的輸出來(lái)訓(xùn)練的。掩碼向量估計(jì)器使用編碼器的輸出來(lái)預(yù)測(cè)掩碼向量，目的是預(yù)測(cè)哪些特征被掩蓋；特征向量估計(jì)器使用編碼器的輸出來(lái)重建原始樣本，目的是預(yù)測(cè)被掩蓋特征的原始值。

25、掩碼向量估計(jì)損失和特征向量重構(gòu)損失這兩個(gè)損失函數(shù)共同指導(dǎo)編碼器學(xué)習(xí)到能夠解決這兩個(gè)任務(wù)的潛在語(yǔ)義表征。并且，編碼器通過(guò)最小化這兩個(gè)損失的加權(quán)和來(lái)訓(xùn)練。

26、進(jìn)一步地，編碼器的作用是將被掩蓋且損壞的樣本（即經(jīng)過(guò)掩碼處理的樣本）轉(zhuǎn)換為潛在語(yǔ)義表征，用于捕捉原始數(shù)據(jù)的特征之間的相關(guān)性。

27、在自監(jiān)督學(xué)習(xí)中，這種方式有助于模型在部分信息被掩蓋或損壞的情況下識(shí)別和理解數(shù)據(jù)中的模式和結(jié)構(gòu)。

28、在半監(jiān)督學(xué)習(xí)中，編碼器生成的潛在語(yǔ)義表征用于一致性正則化，即鼓勵(lì)模型對(duì)原始樣本及被掩蓋和損壞的樣本產(chǎn)生相似的輸出，有助于利用未標(biāo)記的數(shù)據(jù)來(lái)提高模型性能。

29、step3.5.4：輸出訓(xùn)練好的編碼器，將原始輸入樣本映射為各微服務(wù)資源調(diào)用之間的潛在語(yǔ)義表征。

30、所述step3.6具體為：

31、step3.6.1：輸入無(wú)標(biāo)簽數(shù)據(jù)集和有標(biāo)簽數(shù)據(jù)集，對(duì)于無(wú)標(biāo)簽數(shù)據(jù)集中的每個(gè)無(wú)標(biāo)簽樣本，由掩碼生成器生成個(gè)二進(jìn)制掩碼向量，并且每個(gè)掩碼向量通過(guò)掩碼生成器與無(wú)標(biāo)簽樣本組合生成被掩蓋且損壞的樣本；

32、step3.6.2：使用訓(xùn)練好的編碼器將所述損壞的樣本映射到潛在語(yǔ)義表征，再通過(guò)最小化有標(biāo)簽數(shù)據(jù)集的監(jiān)督損失和無(wú)標(biāo)簽數(shù)據(jù)集的一致性損失來(lái)訓(xùn)練smpp模型；

33、step3.6.3：輸出訓(xùn)練好的smpp模型，預(yù)測(cè)微服務(wù)節(jié)點(diǎn)的響應(yīng)時(shí)間。

34、具體地，本發(fā)明根據(jù)時(shí)長(zhǎng)將響應(yīng)時(shí)間分為三類(lèi)：當(dāng)響應(yīng)時(shí)間在0~0.5ms范圍內(nèi)，說(shuō)明當(dāng)前微服務(wù)節(jié)點(diǎn)的資源充足且存在資源浪費(fèi)的情況，需要減少該微服務(wù)節(jié)點(diǎn)的資源分配；當(dāng)響應(yīng)時(shí)間在0.5~10ms范圍內(nèi)，說(shuō)明當(dāng)前資源剛好能夠滿足微服務(wù)節(jié)點(diǎn)的正常工作，不需要調(diào)節(jié)資源；當(dāng)響應(yīng)時(shí)間大于10ms，表示該微服務(wù)節(jié)點(diǎn)目前的分配的資源不能滿足其正常工作，需要為其分配更多的資源。

35、所述step4具體為：

36、step4.1：初始化資源分配方案集合作為解決方案空間，為第個(gè)資源分配方案，每個(gè)低級(jí)啟發(fā)式從中采樣進(jìn)行學(xué)習(xí)，并且解決方案空間在每輪迭代時(shí)由被選中的低級(jí)啟發(fā)式根據(jù)其搜索最優(yōu)資源分配方案的策略來(lái)更新；

37、step4.2：評(píng)估每個(gè)資源分配方案的適應(yīng)度函數(shù)值，適應(yīng)度函數(shù)用于衡量資源分配方案的好壞，若適應(yīng)度函數(shù)值越小則證明該資源分配方案越好。適應(yīng)度函數(shù)以微服務(wù)節(jié)點(diǎn)的響應(yīng)時(shí)間最短和系統(tǒng)整體資源利用率最優(yōu)為目標(biāo)，適應(yīng)度函數(shù)的最優(yōu)解為最優(yōu)資源分配方案，計(jì)算公式如下：

38、，

39、其中，t代表時(shí)間，u代表資源利用率，、是平衡兩者的權(quán)重系數(shù)，資源利用率u由cpu、memory、io的利用率組成，計(jì)算公式如下：

40、

41、

42、

43、

44、其中，、、分別是cpu、memory、io的權(quán)值，是cpu的利用率，cpu.id表示空閑時(shí)間，是內(nèi)存的利用率，是虛擬內(nèi)存使用量，是虛擬內(nèi)存分配量，是io的利用率，cpu.wa表示等待io的所占的cpu時(shí)間。

45、step4.3：awsh模型將蟻群算法作為高級(jí)啟發(fā)式，在每輪迭代中根據(jù)三個(gè)低級(jí)啟發(fā)式的先驗(yàn)性能選擇其中一個(gè)低級(jí)啟發(fā)式，當(dāng)一個(gè)低級(jí)啟發(fā)式的性能較好時(shí)，其信息素較濃，則其被選中的概率較高，反之則信息素較弱，被選中的概率較低。隨后，由被選中的低級(jí)啟發(fā)式針對(duì)資源分配問(wèn)題使用自身的搜索策略來(lái)尋找最優(yōu)資源分配方案，并更新解決方案空間，低級(jí)啟發(fā)式通過(guò)信息素被選中的概率的計(jì)算公式如下：

46、

47、式中，a為低級(jí)啟發(fā)式個(gè)數(shù)，為當(dāng)前低級(jí)啟發(fā)式與下一個(gè)可能被選中的低級(jí)啟發(fā)式之間的信息素濃度；

48、step4.4：低級(jí)啟發(fā)式選擇完成后，更新低級(jí)啟發(fā)式被分配的信息素，計(jì)算公式如下：

49、

50、式中，為信息素?fù)]發(fā)系數(shù)，為信息素增量，計(jì)算公式如下：

51、

52、其中，和分別是由低級(jí)啟發(fā)式和更新的解決方案空間中的最優(yōu)資源分配方案的適應(yīng)度函數(shù)值；

53、step4.5：重復(fù)step4.1-step4.4，當(dāng)?shù)螖?shù)達(dá)到最大迭代次數(shù)后終止迭代，awsh模型輸出使適應(yīng)度函數(shù)值最小的最優(yōu)資源分配方案，作為最優(yōu)微服務(wù)節(jié)點(diǎn)資源調(diào)整方案。

54、本發(fā)明的有益效果是：首先，依托容器引擎運(yùn)行基準(zhǔn)測(cè)試工具模擬真實(shí)應(yīng)用運(yùn)行場(chǎng)景，收集云原生架構(gòu)下的微服務(wù)節(jié)點(diǎn)在不同工作負(fù)載下的微服務(wù)“資源-性能”數(shù)據(jù)，其次，利用生成對(duì)抗網(wǎng)絡(luò)增強(qiáng)已有的微服務(wù)“資源-性能”數(shù)據(jù)，從而生成輔助標(biāo)簽訓(xùn)練樣本提升微服務(wù)節(jié)點(diǎn)的性能預(yù)測(cè)效果，隨后，構(gòu)建一個(gè)“自訓(xùn)練-半監(jiān)督”的微服務(wù)節(jié)點(diǎn)性能預(yù)測(cè)模型，實(shí)現(xiàn)微服務(wù)節(jié)點(diǎn)資源的性能預(yù)測(cè)，最后，構(gòu)建基于超啟發(fā)式算法的微服務(wù)資源調(diào)整模型實(shí)現(xiàn)微服務(wù)節(jié)點(diǎn)資源的自適應(yīng)調(diào)整，從而達(dá)到在滿足任務(wù)端到端的服務(wù)質(zhì)量的同時(shí)，提高微服務(wù)節(jié)點(diǎn)的資源利用率的目的。