PAAS云环境中操作符的成功的概率预测的机器学习模型制造技术

提供了集成机器学习模型的系统和方法，更具体地，利用平台即服务(PaaS)云来预测操作符在环境中的成功的概率。实施例包括一种系统，该系统具有：处理器，其执行存储在存储器中的计算机可执行组件；训练的机器学习模型，其预测在具有平台即服务(PaaS)云的名称空间的环境中部署操作符的成功的概率；以及部署组件，其接收第一操作符和第一名称空间，并采用训练的机器学习模型来预测第一操作符在第一环境中的部署的成功。中的部署的成功。中的部署的成功。

【技术实现步骤摘要】
【国外来华专利技术】PAAS云环境中操作符的成功的概率预测的机器学习模型


[0001]本主题公开涉及机器学习模型，并且更具体地涉及利用平台即服务云来预测环境中操作符(operator)的成功的概率。

技术介绍

[0002]机器学习算法是使模型适应具有目标的数据的过程。算法通常指定将数据从输入转换为输出的方法，并从输入和输出值学习适当的映射。因此，机器学习算法是所选算法的模型和类型的组合。模型进一步详细描述了映射函数的规范，并存储参数数据，同时继续学习算法更新以满足总体目标。机器学习已经吸引了商业实体和研究人员越来越多的关注。现有的方法主要集中于解决有效地确定分析算法的合适组合的困难的计算问题。软件工程的现代进步已经导致部署软件即服务(称为SaaS)，这为组织提供了显著的优势，使其能够专注于核心业务，而不是在计算机基础架构和维护上扩展资源。特别是，操作符的使用在平台即服务(PaaS)云(诸如Kubernetes(K8s)和)中越来越受欢迎。操作符(例如，在编程语言中定义的构造，其行为通常类似于函数，但是在语法或语义上不同)用于PaaS中的自动化操作。孤立实体，诸如K8s中的名称空间或中的项目，可以有各自的配置，这些配置对操作符功能有不同的影响。在Kubernetes(K8s)中，操作符被阻止或无法操作会对信息技术(IT)管理的生命周期产生重大影响。作为先决条件，操作符通常依赖许可来创建资源；然而，拥有许可通常不足以执行成功的操作。
[0003]基于需求和可用资源在一个或多个云系统上部署应用的传统方法和系统通常利用快照来降低虚拟化设置的迁移过程中的风险。然而，传统技术没有充分考虑到与在新环境中部署操作符相关的风险。

技术实现思路

[0004]以下给出了
技术实现思路
，以提供对本专利技术的一个或多个实施例的基本理解。该
技术实现思路
不旨在标识关键或重要元素，描绘特定实施例的范围或权利要求的范围。其唯一目的是以简化的形式呈现概念，作为稍后呈现的更详细描述的序言。在本文描述的一个或多个实施例中，系统、计算机实现的方法、装置和/或计算机程序产品涉及机器学习模型，并且更具体地涉及利用平台即服务(PaaS)云来预测环境中操作符的成功的概率。
[0005]实施例集中于PaaS云环境中操作符的部署，并采用通过利用机器学习来预测操作符部署的成功的方法。最后，代码到向量方法允许将代码转换成可以在机器学习应用中使用的向量格式。实施例将代码转换成向量表示，并利用代码到向量方法来预测操作符在具有被写成代码的配置的环境中的成功。
[0006]根据实施例，一种系统包括：处理器，其执行存储在存储器中的组件；机器学习模型，其预测在具有平台即服务(PaaS)云的名称空间的环境中部署操作符的成功的概率；以及部署组件，其接收第一操作符和第一名称空间，并采用机器学习模型来预测第一操作符在第一环境中的部署的成功。
[0007]在可选方面，训练组件用第一操作符的能力和应用于第一名称空间的一组配置来训练机器学习模型。
[0008]在可选的方面，训练组件采用不同的配置作为输入，这些配置应用于可以部署第一操作符的第一名称空间。
[0009]在可选的方面，训练组件采用第一操作符部署到PaaS云中的其他名称空间的输出。
[0010]根据实施例，包括使用机器学习模型预测在具有平台即服务(PaaS)云的名称空间的环境中部署操作符的成功的概率；以及使用部署组件接收第一操作符和第一名称空间，并采用机器学习模型来预测第一操作符在第一环境中的部署的成功。
[0011]在可选的方面，该方法还包括用第一操作符的能力和应用于第一名称空间的一组配置来训练机器学习模型。
附图说明
[0012]图1示出了示例系统实现的框图，该示例系统实现了预测操作符在平台即服务云中的新环境中的成功的概率的系统。
[0013]图2示出了预测操作符在平台即服务云中的新环境中的成功的概率的集成系统的示例流程图。
[0014]图3示出了基于环境相似性分析预测操作符成功的示例架构。
[0015]图4示出了基于训练数据的主动学习反馈的示例块级视图。
[0016]图5示出了应用于环境中的名称空间的全局网络策略的示例。
[0017]图6示出了神经网络架构的示例流程图，其中代码用于生成数值向量。
[0018]图7示出了示例性、非限制性的操作环境的框图，在该操作环境中可以促进本文所描述的一个或多个实施例。
[0019]图8示出了根据本主题公开的一个或多个实施例的示例性、非限制性云计算环境的框图。
[0020]图9示出了根据本主题公开的一个或多个实施例的示例性、非限制性抽象模型层的框图。
具体实施方式
[0021]以下详细描述仅是说明性的，并不旨在限制实施例和/或应用或实施例的使用。此外，不打算受在前面的
技术实现思路
或具体实施方式部分中呈现的任何明示或暗示的信息的约束。现在参考附图描述一个或多个实施例，其中相同的附图标记始终用于指代相同的元件。在以下描述中，出于解释的目的，阐述了许多具体细节，以便提供对一个或多个实施例的更彻底的理解。很明显；在各种情况下，可以在没有这些具体细节的情况下实施一个或多个实施例。
[0022]实施例涉及在PaaS云环境中部署操作符，并采用方法通过利用机器学习来预测操作符部署的成功。代码到向量方法有助于将代码转换成可以在机器学习应用中使用的向量格式。实施例将代码转换成向量表示，并利用代码到向量方法来预测操作符在具有被写成代码的配置的环境中的成功。可以理解，尽管本文在Kubernetes(K8s)框架内描述了示例实
施例，但是本文描述和要求保护的创新适用于用于自动化计算机应用部署、缩放和管理的任何合适的容器编排系统，例如用于便于声明性配置和自动化的容器化工作负载和服务。
[0023]本主题公开一般涉及预测操作符在平台即服务(PaaS)云的新环境中的成功的概率的实施例。这包括接收操作符的能力作为输入，以及接收应用于可以部署操作符的给定名称空间的不同配置。接收将操作符部署到其他名称空间的输出；给定输入和输出，机器学习模型被训练来预测操作符在新的PaaS环境中部署的成功的概率。
[0024]在当今的数字世界中，数据在许多应用中扮演着首要的角色。用户采取的行动通常会通过卫星图像、生物医学领域、智能手机、社交媒体和其他应用留下数字足迹。快速发展的技术导致机器生成的数据呈指数级增长。大数据代表了数据探索和利用的新时代，它由大量、多样和高速的数据组成。软件工程的现代进步已经导致部署软件即服务(称为SaaS)，这为组织提供了显著的优势，使其专注于核心业务，而不是扩展计算机基础设施和维护的资源。例如，“大数据”软件即服务，它将一组数据实例作为输入，执行数据聚类计算，并将数据分区作为输出返回给客户端。大数据可用于许多数据挖掘场景，诸如，跟踪社交媒体中用户生成的内容，分析来自网络和普查数据的网页图像，从物联网(IoT)传感器获取所需数据，智能手机的活动跟踪以及网络安全的网络流量数据。机器学习已经成为大本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种系统，包括：处理器，其执行存储在存储器中的计算机可执行组件；机器学习模型，其预测在具有平台即服务(PaaS)云的名称空间的环境中部署操作符的成功的概率；以及部署组件，其接收第一操作符和第一名称空间，并采用所述机器学习模型来预测所述第一操作符在第一环境中的部署的成功。2.根据权利要求1所述的系统，还包括训练组件，其用所述第一操作符的能力和适用于所述第一名称空间的一组配置来训练所述机器学习模型。3.根据权利要求2所述的系统，其中，所述训练组件采用一组配置作为输入，所述一组配置应用于将部署所述第一操作符的第一名称空间。4.根据权利要求2所述的系统，所述训练组件采用与将所述第一操作符部署到所述PaaS云中的其他名称空间相关联的输出。5.根据权利要求1所述的系统，其中，训练的机器学习模型从配置环境中的操作符部署的先前历史中学习，以预测第二操作符部署的成功。6.根据权利要求1所述的系统，其中，训练的机器学习模型采用相似性学习来预测所述第一操作符在所述第一环境中的部署的成功。7.根据权利要求6所述的系统，其中，所述相似性学习被用于提供关于所述第一环境中的第一操作符部署的故障排除部署的指令。8.根据权利要求6所述的系统，其中，所述相似性学习用于生成关于与所述第一环境相关联的安全问题的标志。9.根据权利要求1所述的系统，其中，利用关于多个环境的信息来提供操作功能信息，用于执行所述第一环境和第二环境之间的相似性学习分析。10.一种采用处理器和存储器的计算机实现的方法，包括：使用机器学习模型来预测在具有平台即服务(PaaS)云的名称空间的环境中部署操作符的成功的概率；以及使用部署组件接收第一操作符和第一名称空间，并采用所述机器学习模型来预测所述第一操作符在第一环境中的部署的成功。11.根据权...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：