(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210675324.X (22)申请日 2022.06.15 (71)申请人 北京科东电力控制系统有限责任公 司 地址 100192 北京市海淀区清河小营东路 15号 申请人 国网电力科 学研究院有限公司 　 国网湖南省电力有限公司 　 国家电网有限公司 (72)发明人 高春成　刘永卫　周艳红　吕文涛　 杨宁　郑世强　胡婉莉　袁明珠　 史述红　吕经纬　罗朝春　陈庆祺　 习培玉　张倩　王清波　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 张倩倩(51)Int.Cl. G06F 9/50(2006.01) G06F 9/445(2018.01) G06F 40/284(2020.01) (54)发明名称 一种电力交易平台的微服务资源配置参数 优化方法 (57)摘要 本发明个公开一种电力交易平台的微服务 资源配合参数优化方法， 属于电力交易信息化领 域， 方法包括： 获取实时的网络运行参数数据、 平 台系统运行参数数据以及微服务性能参数数据， 分别对应地构造网络配置向量、 系统感知向量以 及微服务性能观测向量， 输入预先训练的序列到 序列模型seq2seq进行计算推理； 根据seq2seq模 型的输出， 确定优化后的微服务资源配置参数， 进而对电力交易平台进行微服务资源参数配置。 seq2seq模型的训练样本为已知微服务资源配置 向量的平台处理性能向量的连续时间序列数据， 微服务资源配置参数包括CPU核数量、 内存大小、 带宽和实例数。 本发明能够根据用户访问量、 微 服务性能状态 等进行微服务参数的配置， 达到平 台系统资源配 置优化的目的。 权利要求书3页 说明书10页 附图2页 CN 114924887 A 2022.08.19 CN 114924887 A 1.一种电力交易平台的微 服务资源配置参数优化方法， 其特 征是， 包括： 获取实时的网络运行参数 数据、 平台系统运行参数 数据以及微 服务性能参数 数据； 基于所述网络运行参数数据构造网络配置向量， 基于所述平台系统运行参数数据构造 系统感知向量， 以及， 基于所述 微服务性能参数 数据构造微 服务性能观测向量； 将所述网络配置向量、 系统感知 向量和微服务性能观测向量， 输入预先训练的序列到 序列模型seq2seq进行计算推理； 根据seq2seq模型的输出， 确定优化后的微 服务资源配置参数； 根据所述优化后的微 服务资源配置参数对电力交易平台进行微 服务资源参数配置； 其中， 所述seq2seq模型的训练样本为已知微服务资源配置向量的平台处理性能向量 的连续时间序列数据， 所述平台处理性能向量由所述网络配置 向量、 系统感知向量和微服 务性能观测向量合并得到； 所述微服务资源配置向量基于设定的微服务资源配置参数构 造， 所述设定的微 服务资源配置参数包括CPU 核数量、 内存大小、 带宽和实例数。 2.根据权利要求1所述的方法， 其特征是， 所述网络运行参数数据包括当前带宽和微服 务处理平均时间延迟； 所述基于网络运行参数数据构造网络配置向量包括： 将当前带宽和微服务处理平均时 间延迟数据作为文本， 分别使用nltk工具包进行分词处理， 使用word2vec模型将各分词转 化成词向量， 对多个词向量进行拼接， 得到二维向量的网络配置向量V1。 3.根据权利要求1所述的方法， 其特征是， 所述平台系统运行参数数据包括吞吐量、 TPS、 QPS、 内存利用率和CPU利用率； 所述基于平台系统运行参数数据构造系统感知向量包括： 利用分词技术和word2vec对 吞吐量、 TPS、 QPS、 内存利用率、 CPU利用率做分词和向量转化处理， 得到多个一维向量， 将所 有一维向量 拼接成二维向量， 得到系统感知向量V 2。 4.根据权利要求1所述的方法， 其特征是， 所述微服务性 能参数包括当前线程数量和平 均故障率； 所述基于微服务性能参数构造微服务性能观测向量包括： 利用分词技术和word2vec对 当前线程数量和平均故障率做分词和向量转化处理， 将所得分词向量作为不同的列向量， 拼接得到微 服务性能观测向量V3 。 5.根据权利要求1所述的方法， 其特征是， 所述网络配置向量V1、 系统感知向量V2和微 服务性能观测向量V3通过线性排列合并为所述平台处理性能向量V， 表示为： V＝{V1|V2| V3}； seq2seq模型的训练样本中， 微服务资源配置向量Y的获取方法为： 利用分词技术和 word2vec对已知的CPU核数量、 内存大小、 带宽和实例数分别进行处理得到分词向量， 将分 词向量进行拼接得到微 服务资源配置向量Y； 所述seq2seq模型的输出为与所输入 的平台处理性能向量V相对应的微服务资源配置 向量Y； 所述根据seq2seq模 型的输出， 确定优化后的微服务资源配置参数包括： 对输出的微 服务资源配置向量Y进行解析， 得到相应的CPU 核数量、 内存大小、 带宽和实例数。 6.根据权利要求1所述的方法， 其特 征是， 所述seq2seq模型的训练包括： 基于历史平台处理性能向量V和微服务资源配置向量Y， 构造系统观测数据模型R， 表示 为： R＝{(V,Y)}＝{r1,r2,...,rm}＝{(v1,y1),(v2,y2),...,(vm,ym)}， 其中r1,r2,...,rm权　利　要　求　书 1/3 页 2 CN 114924887 A 2表示m个性能与资源配置对， vm和ym分别代表第m个性能与资源配置对中的平台处理性能向 量V和微服务资源配置向量Y； 初始化训练参数， 所述训练参数包括学习率、 元素保留概率、 训练轮次epochs、 Batch   size和embed ding size； 迭代地从[v1,v2,...,vm]中选择连续时间数据序列， 作为训练样本序列[v1,v2,..., vn]输入seq2seq模型的编码器， 其中n表示Batch  size； 编码器利用RNN网络将输入的序列 [v1,v2,...,vn]编码为隐含表示h＝(h1,h2， …hn)； 基于所述隐含表示h， 编码器按照设定 的注意力集中机制计算得到语义向量ci， 作为解码 器的输入si； 解码 器根据si， 通过输出层 softmax函数计算 解码时刻i具有最大被选择概 率的微服务资源配置向量yi的被选中概 率； 每次迭代中， 基于[v1,v2,...,vn]对应的[y1,y2,...,yn]， 通过预设的损失函数对 seq2seq模 型进行优化， 调整seq2seq模型的参数， 直至达到迭代终止条件， 确定训练完成的 seq2seq模型。 7.根据权利要求6所述的方法， 其特 征是， 所述预设的注意力集中机制包括： 确定用于计算编码器隐层表示状态hi与解码器隐层表示状态si之间的非标准对齐分 数的attention()函数； 其中， si表示第i个token的解码器隐层表示， hj表示第j个token的 编码器隐层表示； 计算所有编码时刻对应的相似度系 数aij， 其中i对应编码器输出层第i个token， j对应 编码器隐层第j个to ken： 根据aij计算模型当前最关注的上 下文ci， 公式为： ci＝∑jaij×hj。 8.根据权利要求6所述的方法， 其特征是， 在解码时刻i， 词向量中各单词被选 中的概率 计算公式为： P(yi|y<i,x)＝softmax(W[si； ci]+b) 式中， W[si； ci]表示由si和ci构成矩阵， b代表矩阵数值的偏移量， P(yi|y<i,x)代表： 将x为上下文词向量库在解码时刻i之前的词向量作为条件， 得出 的解码时刻i词向量中各 单词被选中的概 率。 9.一种电力交易平台的微 服务资源配置参数优化装置， 其特 征是， 包括： 数据获取模块， 被配置用于获取实时的网络运行参数数据、 平台系统运行参数数据以 及微服务性能参数 数据； 向量转换模块， 被配置用于基于所述网络运行参数数据构造网络配置向量， 基于所述 平台系统运行参数数据构造系统感知向量， 以及， 基于所述微服务性能参数数据构造微服 务性能观测向量； 计算推理模块， 被配置用于将所述网络配置向量、 系统感知 向量和微服务性能观测向 量， 输入预 先训练的序列到序列模型seq2seq进行计算推理； 微服务资源配置参数确定模块， 被配置用于根据seq2seq模型的输出， 确定优化后的微 服务资源配置参数；权　利　要　求　书 2/3 页 3 CN 114924887 A 3