基于元学习的预测模型训练方法、装置、电子设备及介质制造方法及图纸

本发明专利技术实施例一种基于元学习的预测模型训练方法、装置、电子设备及存储介质。所述方法包括从训练样本数据选取样本组成支持集与查询集，构建元学习任务；获取采用深度置信网络DBN作为底层模型所构建的微服务可靠性预测模型；控制微服务可靠性预测模型在构建的至少一组元学习任务上进行元学习，通过元学习训练对微服务可靠性预测模型的参数进行优化；训练样本数据源于微服务的运行数据。采用本申请方案，采用深度置信网络DBN作为底层模型，充分利用神经网络自身提取潜在特征优势，以便能对微服务可靠性所存在潜在问题进行充分发现，由于采用元学习模型训练在新任务中只需使用少量数据对模型进行数次的参数梯度就能使得更新后预测模型有着较佳的表现。后预测模型有着较佳的表现。后预测模型有着较佳的表现。

【技术实现步骤摘要】
基于元学习的预测模型训练方法、装置、电子设备及介质


[0001]本专利技术实施例涉及人工智能
，尤其涉及一种基于元学习的预测模型训练方法、装置、电子设备及存储介质。

技术介绍

[0002]微服务的可靠性通常指在特定的时间内与运行环境下可以进行无差错运行的可靠程度。影响微服务可靠性的因素有多种，例如服务代码的迭代更新、部署机器的长时间运行、服务负载的峰值等。
[0003]微服务的可靠程度对于整个系统来说是至关重要，目前对于微服务的可靠性通常都是通过实时监测，当出现服务的可靠性可能存在潜在的问题时，则进行人工处理。这样的处理方式造成在面对微服务出现可靠问题的时候，只能采用补偿方式进行处理，影响微服务的使用体验。

技术实现思路

[0004]本专利技术实施例中提供了一种基于元学习的预测模型训练方法、装置、电子设备及存储介质，以实现在微服务即将出现可靠问题时能提前规避潜在风险。
[0005]第一方面，本专利技术实施例中提供了一种基于元学习的预测模型训练方法，所述训练方法包括：
[0006]从训练样本数据选取样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的预测模型训练方法，其特征在于，所述训练方法包括：从训练样本数据选取样本组成支持集与查询集，构建元学习任务；其中所述训练样本数据源于微服务的运行数据；获取采用深度置信网络DBN作为底层模型所构建的微服务可靠性预测模型；控制微服务可靠性预测模型在所述构建的至少一组元学习任务上进行元学习，通过元学习训练对所述微服务可靠性预测模型的参数进行优化。2.根据权利要求1所述的训练方法，其特征在于，所述控制微服务可靠性预测模型在所述构建的至少一组元学习任务上进行元学习，具体包括：确定微服务可靠性预测模型在当前组元学习任务支持集上学习的损失函数；使用梯度下降法对所述微服务可靠性预测模型的网络结构参数优化，得到当前组元学习任务独有的网络参数；基于当前组元学习任务独有的网络参数，确定所述微服务可靠性预测模型在当前组元学习任务查询集上评估的新的损失函数，计算所述新的损失函数在当前组元学习任务独有的网络参数上的梯度；使用所述新的损失函数在当前组元学习任务独有的网络参数上的梯度，对所述微服务可靠性预测模型的网络结构参数进行更新，进入下一组元学习任务进行优化。3.根据权利要求1所述的训练方法，其特征在于，所述训练样本数据包括以下特征：微服务连续运行时长、微服务所处运行时段、微服务响应时长以及微服务设备性能。4.根据权利要求1
‑
3中任一项所述的训练方法，其特征在于，控制微服务可靠性预测模型在构建的至少一组元学习任务上进行元学习，包括：所述微服务可靠性预测模型在每组元学习任务的元学习过程中，采用预设粒子群算法对粒子群中每个粒子的位置与速度进行迭代更新，且在每次粒子群迭代过程中保持加入新鲜粒子，直至满足迭代终止条件；基于迭代终止时输出粒子群的全局最优粒子对所述微服务可靠性预测模型的超参进行优化更新。5.根据权利要求4所述的训练方法，其特征在于，在每次粒子群迭代过程中保持加入新鲜粒子...

【专利技术属性】
技术研发人员：王国涛，
申请(专利权)人：未鲲上海科技服务有限公司，
类型：发明
国别省市：