金融证券场景下的多目标负载均衡方法及设备、存储介质技术

本申请提供了一种金融证券场景下的多目标负载均衡方法及设备、存储介质，属于人工智能技术领域。该方法包括：获取待连接请求的待连接数据、多个候选容器的状态数据和总体容器数据，并根据数据从多个候选容器中确定待连接请求的分配容器；根据分配容器的状态数据和总体容器数据确定均衡适应度数据；根据分配容器的状态数据和总体容器数据进行剩余时长均值计算，确定时长适应度数据；根据预设迭代次数、均衡适应度数据和时长适应度数据确定多目标负载均衡模型；根据多目标负载均衡模型对目标连接请求进行连接分配，确定目标容器。本申请实施例既能够保证金融证券场景下候选容器间负载均衡的稳定性和服务容器开销，又能够有效缩减容器运行时长。缩减容器运行时长。缩减容器运行时长。

【技术实现步骤摘要】
金融证券场景下的多目标负载均衡方法及设备、存储介质


[0001]本申请涉及人工智能
，尤其涉及一种金融证券场景下的多目标负载均衡方法及设备、存储介质。

技术介绍

[0002]目前，由于对基于互联网和物联网的服务应用的访问量不断增长，传统的负载均衡策略已经无法满足日益增长和多样化的访问需求。例如，在金融证券场景下，作为证券市场重要组成部分的证券信息服务系统为市场投资者提供行情报价、数据资讯等服务，该系统通常存在行情指标计算量大、数据图送流量大、并发量高且峰谷差大等特点。然而，相关技术应用于该系统的负载均衡方法通常仅考虑资源占用均衡度这个指标，使得在服务容器的连接数量骤变的场景下，容易导致系统的每个服务容器都需要较长的时间才能完成服务容器内所有连接服务，进而实现缩减容器数量的问题，降低了金融证券场景下负载均衡的稳定性。

技术实现思路

[0003]本申请实施例的主要目的在于提出了一种金融证券场景下的多目标负载均衡方法及设备、存储介质，能够在服务容器的连接数量骤变的场景下，避免每个服务容器都需要较长的时间才能完成服务容器内所有连接服务以实现缩减容器数量的问题，提高了金融证券场景下负载均衡的稳定性，并有效减少了服务容器的开销。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种金融证券场景下的多目标负载均衡方法，所述方法包括：
[0005]获取初始连接请求数据，所述初始连接请求数据包括待连接请求的待连接数据、多个候选容器的状态数据和总体容器数据；
[0006]将所述初始连接请求数据输入预设的神经网络模型，并根据所述神经网络模型对所述待连接请求进行连接分配，以从多个所述候选容器中确定所述待连接请求的分配容器；
[0007]根据所述分配容器的状态数据和所述总体容器数据进行资源占用均值计算，确定均衡适应度数据；
[0008]根据所述分配容器的状态数据和所述总体容器数据进行剩余时长均值计算，确定时长适应度数据；
[0009]根据预设迭代次数、所述均衡适应度数据和所述时长适应度数据对所述神经网络模型进行参数选择，得到多目标负载均衡模型；
[0010]根据所述多目标负载均衡模型对接收到的目标连接请求进行连接分配，确定所述目标连接请求的目标容器。
[0011]在一些实施例中，所述根据所述神经网络模型对所述待连接请求进行连接分配，以从多个所述候选容器中确定所述待连接请求的分配容器，包括：
[0012]对每个所述候选容器的状态数据、所述待连接数据和所述总体容器数据进行数据合并，得到多个待分配状态数据；
[0013]根据所述神经网络模型对每个所述待分配状态数据进行动作评定，得到每个所述候选容器的状态评定得分；
[0014]对所述状态评定得分进行掩码处理，得到掩码状态得分；
[0015]根据所述掩码状态得分从多个所述候选容器中确定所述待连接请求的所述分配容器。
[0016]在一些实施例中，在所述将所述初始连接请求数据输入预设的神经网络模型，并根据所述神经网络模型对所述待连接请求进行连接分配，以从多个所述候选容器中确定所述待连接请求的分配容器之前，所述方法还包括：构建所述神经网络模型，具体包括：
[0017]获取初始网络模型的多个第一网络参数；
[0018]根据候选容器数量、资源类别数量和资源容量数据构建虚拟环境参数；
[0019]根据所述虚拟环境参数和不同的所述第一网络参数进行参数组合，得到对应不同的所述第一网络参数的评估参数；
[0020]根据所述评估参数确定所述神经网络模型。
[0021]在一些实施例中，所述根据预设迭代次数、所述均衡适应度数据和所述时长适应度数据对所述神经网络模型进行参数选择，得到多目标负载均衡模型，包括：
[0022]根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行网络参数选择，得到第二网络参数；
[0023]对所述第二网络参数进行交叉变异，得到第三网络参数，所述第三网络参数用于表示对所述第二网络参数经过迭代后的下一代网络参数；
[0024]对所述第二网络参数和所述第三网络参数进行参数合并，得到第四网络参数；
[0025]若当前对网络参数的迭代次数等于所述预设迭代次数，则根据所述第四网络参数确定所述神经网络模型的目标参数，得到所述多目标负载均衡模型。
[0026]在一些实施例中，所述根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行网络参数选择，得到第二网络参数，包括：
[0027]根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行非支配排序，得到多个非支配解集合和每个所述非支配解集合的支配关系，并根据所述非支配解集合的支配关系确定多个帕累托等级；
[0028]根据多个所述帕累托等级对所述第一网络参数进行网络参数选择，得到第二网络参数。
[0029]在一些实施例中，所述帕累托等级包括第一等级和第二等级，所述第一等级的优先级高于所述第二等级的优先级；
[0030]所述根据多个所述帕累托等级对所述第一网络参数进行网络参数选择，得到第二网络参数，包括：
[0031]对所述第一等级对应的所述第一网络参数进行网络参数选择，并根据网络参数选择的结果确定已选参数数量值；
[0032]若所述已选参数数量值小于预设参数阈值，对所述第二等级对应的所述第一网络参数进行网络参数选择，并根据网络参数选择的结果更新所述已选参数数量值；
[0033]若更新后的所述已选参数数量值大于所述预设参数阈值，将属于所述第二等级的网络参数作为候选网络参数；
[0034]对所述预设参数阈值和所述第一等级中所述第一网络参数的数量进行差值计算，确定候选参数数量；
[0035]对所述候选网络参数进行拥挤度计算，得到候选拥挤度数据；
[0036]根据所述候选拥挤度数据和所述候选参数数量对所述候选网络参数进行网络参数选择，并根据网络参数选择的结果和所述第一等级对应的所述第一网络参数确定所述第二网络参数。
[0037]在一些实施例中，所述根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行网络参数选择，得到第二网络参数，还包括：
[0038]对所述均衡适应度数据进行归一化处理，得到目标均衡数据；
[0039]对所述时长适应度数据进行归一化处理，得到目标时长数据；
[0040]对所述目标均衡数据和所述目标时长数据进行加权计算，得到目标适应数据；
[0041]根据所述目标适应数据对所述第一网络参数进行降序排列，得到网络参数序列；
[0042]根据预设参数阈值对所述网络参数序列进行网络参数选择，得到所述第二网络参数。
[0043]在一些实施例中，所述对所述第二网络参数进行交叉变异，得到第三网络参数，包括：
[0044]对所述第二网络参数进行参数采样，得到第五网络参数和第六网络参数；
[0045]根据预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金融证券场景下的多目标负载均衡方法，其特征在于，所述方法包括：获取初始连接请求数据，所述初始连接请求数据包括待连接请求的待连接数据、多个候选容器的状态数据和总体容器数据；将所述初始连接请求数据输入预设的神经网络模型，并根据所述神经网络模型对所述待连接请求进行连接分配，以从多个所述候选容器中确定所述待连接请求的分配容器；根据所述分配容器的状态数据和所述总体容器数据进行资源占用均值计算，确定均衡适应度数据；根据所述分配容器的状态数据和所述总体容器数据进行剩余时长均值计算，确定时长适应度数据；根据预设迭代次数、所述均衡适应度数据和所述时长适应度数据对所述神经网络模型进行参数选择，得到多目标负载均衡模型；根据所述多目标负载均衡模型对接收到的目标连接请求进行连接分配，确定所述目标连接请求的目标容器。2.根据权利要求1所述的方法，其特征在于，所述根据所述神经网络模型对所述待连接请求进行连接分配，以从多个所述候选容器中确定所述待连接请求的分配容器，包括：对每个所述候选容器的状态数据、所述待连接数据和所述总体容器数据进行数据合并，得到多个待分配状态数据；根据所述神经网络模型对每个所述待分配状态数据进行动作评定，得到每个所述候选容器的状态评定得分；对所述状态评定得分进行掩码处理，得到掩码状态得分；根据所述掩码状态得分从多个所述候选容器中确定所述待连接请求的所述分配容器。3.根据权利要求1所述的方法，其特征在于，在所述将所述初始连接请求数据输入预设的神经网络模型，并根据所述神经网络模型对所述待连接请求进行连接分配，以从多个所述候选容器中确定所述待连接请求的分配容器之前，所述方法还包括：构建所述神经网络模型，具体包括：获取初始网络模型的多个第一网络参数；根据候选容器数量、资源类别数量和资源容量数据构建虚拟环境参数；根据所述虚拟环境参数和不同的所述第一网络参数进行参数组合，得到对应不同的所述第一网络参数的评估参数；根据所述评估参数确定所述神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述根据预设迭代次数、所述均衡适应度数据和所述时长适应度数据对所述神经网络模型进行参数选择，得到多目标负载均衡模型，包括：根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行网络参数选择，得到第二网络参数；对所述第二网络参数进行交叉变异，得到第三网络参数，所述第三网络参数用于表示对所述第二网络参数经过迭代后的下一代网络参数；对所述第二网络参数和所述第三网络参数进行参数合并，得到第四网络参数；若当前对网络参数的迭代次数等于所述预设迭代次数，则根据所述第四网络参数确定
所述神经网络模型的目标参数，得到所述多目标负载均衡模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行网络参数选择，得到第二网络参数，包括：根据所述均衡适应度数据和所述时长适应度数据对所述第一网络参数进行非支配排序，得到多个非支配...

【专利技术属性】
技术研发人员：张烙铭，张剑，杨鹏，李皈颖，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：