容器功耗确定模型训练制造技术

本申请涉及容器技术领域，尤其涉及一种容器功耗确定模型训练方法

【技术实现步骤摘要】
容器功耗确定模型训练、确定方法、装置、设备及介质


[0001]本申请涉及容器
，尤其涉及一种容器功耗确定模型训练方法
、
容器功耗确定方法
、
装置
、
设备及介质
。

技术介绍

[0002]随着云计算技术的发展，云原生技术渐渐成为主流，软件运营服务
(Software as a Service
，
SaaS)
等应用也逐渐容器化，应用可以不再运行在一个固定的虚拟机中，而是以轻量可扩展的容器为运行单元
。
容器可以是资源分割和调度的基本单位，在当今节能减排的大背景下，要想降低服务成本
、
响应国家绿色低碳的要求，通常需要行之有效的容器调度方法，以更好的利用资源
。
[0003]通常情况下，预先了解容器在运行过程中的功耗，可以更好的对容器进行合理调度
。
然而，由于容器通常都是运行在虚拟机之上的，一台虚拟机上可能运行很多容器，一个任务使用的资源也可能分布在多个容器上，这些都导致要想为每个容器独立的统计功耗，实际操作难度很大
。
[0004]因此，如何快捷高效地确定容器在运行过程中的功耗是目前亟需解决的一个技术问题
。

技术实现思路

[0005]本申请提供了一种容器功耗确定方法
、
装置
、
设备及介质，用以快捷高效地确定容器在运行过程中的功耗
。
[0006]第一方面，本申请提供了一种容器功耗确定模型训练方法，所述方法包括：
[0007]基于样本集，对待训练的容器功耗确定模型进行至少一轮迭代训练，输出相应的目标容器功耗确定模型；其中，在每轮迭代过程中，至少执行以下步骤：
[0008]获取样本集中任一服务器包含的每个容器在运行过程中的第一样本负载；分别将不同容器的所述第一样本负载输入到待训练的容器功耗确定模型包含的不同容器子模型中，基于每个容器子模型的输出信息，分别确定所述每个容器的预估功耗；
[0009]基于各容器的预估功耗，确定所述服务器的预估功耗；
[0010]基于所述服务器的预估功耗和样本集中预先保存的所述服务器在运行过程中的实际样本功耗，对待训练的容器功耗确定模型中包含的每个容器子模型的参数进行调整
。
[0011]在一种可能的实施方式中，所述基于各容器的预估功耗，确定所述服务器的预估功耗之前，所述方法还包括：
[0012]获取样本集中所述服务器包含的每个虚拟机在运行过程中的第二样本负载；分别将不同虚拟机的所述第二样本负载输入到待训练的容器功耗确定模型包含的不同虚拟机子模型中；基于每个虚拟机子模型的输出信息，分别确定所述每个虚拟机的预估中间功耗；
[0013]所述基于各容器的预估功耗，确定所述服务器的预估功耗，包括：
[0014]针对每个虚拟机，基于该虚拟机的预估中间功耗
、
预设的中间功耗权重
、
该虚拟机
中包含的各容器的预估功耗的和值以及预设的容器预估功耗权重，确定该虚拟机的预估功耗；基于各虚拟机的预估功耗，确定所述服务器的预估功耗；
[0015]所述对待训练的容器功耗确定模型中包含的每个容器子模型的参数进行调整，包括：
[0016]对待训练的容器功耗确定模型中包含的每个容器子模型的参数以及虚拟机子模型的参数进行调整
。
[0017]在一种可能的实施方式中，所述分别将不同容器的所述第一样本负载输入到待训练的容器功耗确定模型包含的不同容器子模型中，包括：
[0018]针对每个容器，基于该容器的第一样本负载中包含的每个子负载的负载类型，确定该容器的目标负载类型；基于预先保存的容器负载类型与容器子模型类型的对应关系，确定所述目标负载类型对应的目标容器子模型类型，将该容器的第一样本负载输入到类型为所述目标容器子模型类型的容器子模型中
。
[0019]在一种可能的实施方式中，所述针对每个容器，基于该容器的第一样本负载中包含的每个子负载的负载类型，确定该容器的目标负载类型，包括：
[0020]针对每个容器，根据该容器的第一样本负载中包含的每个子负载的负载类型，获得每种负载类型对应的子负载的数量，将子负载数量最多的负载类型，确定为该容器的目标负载类型
。
[0021]在一种可能的实施方式中，所述基于每个容器子模型的输出信息，分别确定所述每个容器的预估功耗，包括：
[0022]针对每个容器，基于该容器的第一样本负载输入的容器子模型的输出信息以及预设的对应该容器的目标负载类型的功耗影响权重，确定该容器的预估功耗
。
[0023]在一种可能的实施方式中，保存所述容器负载类型与容器子模型类型的对应关系的过程包括：
[0024]若容器负载类型为
CPU
消耗类型，保存
CPU
消耗类型与多层全连接网络结构的容器子模型类型的对应关系；
[0025]若容器负载类型为内存消耗类型，保存内存消耗类型与卷积网络结构的容器子模型类型的对应关系；
[0026]若容器负载类型为存储消耗类型，保存存储消耗类型与残差网络结构的容器子模型类型的对应关系；
[0027]若容器负载类型为网络消耗类型，保存网络消耗类型与反卷积网络结构的容器子模型类型的对应关系
。
[0028]第二方面，本申请提供了一种容器功耗确定方法，所述方法包括：
[0029]针对任一容器，获得所述容器在运行过程中的负载；
[0030]将所述负载输入上述任一所述方法训练得到的目标容器功耗确定模型包含的容器子模型中，基于所述容器子模型的输出信息，获得所述容器在运行过程中的功耗
。
[0031]在一种可能的实施方式中，所述方法还包括：
[0032]若识别到所述容器在运行过程中的功耗超过预设的功耗阈值，则输出设定的预警信息
。
[0033]第三方面，本申请提供了一种容器功耗确定模型训练装置，所述装置包括：
[0034]获取模块，用于基于样本集，对待训练的容器功耗确定模型进行至少一轮迭代训练，输出相应的目标容器功耗确定模型；其中，在每轮迭代过程中，至少执行以下步骤：获取样本集中任一服务器包含的每个容器在运行过程中的第一样本负载；分别将不同容器的所述第一样本负载输入到待训练的容器功耗确定模型包含的不同容器子模型中，基于每个容器子模型的输出信息，分别确定所述每个容器的预估功耗；
[0035]确定模块，用于基于各容器的预估功耗，确定所述服务器的预估功耗；
[0036]调整模块，用于基于所述服务器的预估功耗和样本集中预先保存的所述服务器在运行过程中的实际样本功耗，对待训练的容器功耗确定模型中包含的每个容器子模型的参数进行调整
。
[0037]在一种可能的实施方式中，所述确定模块，还用于获取样本集中所述服务器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种容器功耗确定模型训练方法，其特征在于，所述方法包括：基于样本集，对待训练的容器功耗确定模型进行至少一轮迭代训练，输出相应的目标容器功耗确定模型；其中，在每轮迭代过程中，至少执行以下步骤：获取样本集中任一服务器包含的每个容器在运行过程中的第一样本负载；分别将不同容器的所述第一样本负载输入到待训练的容器功耗确定模型包含的不同容器子模型中，基于每个容器子模型的输出信息，分别确定所述每个容器的预估功耗；基于各容器的预估功耗，确定所述服务器的预估功耗；基于所述服务器的预估功耗和样本集中预先保存的所述服务器在运行过程中的实际样本功耗，对待训练的容器功耗确定模型中包含的每个容器子模型的参数进行调整
。2.
根据权利要求1所述的方法，其特征在于，所述基于各容器的预估功耗，确定所述服务器的预估功耗之前，所述方法还包括：获取样本集中所述服务器包含的每个虚拟机在运行过程中的第二样本负载；分别将不同虚拟机的所述第二样本负载输入到待训练的容器功耗确定模型包含的不同虚拟机子模型中；基于每个虚拟机子模型的输出信息，分别确定所述每个虚拟机的预估中间功耗；所述基于各容器的预估功耗，确定所述服务器的预估功耗，包括：针对每个虚拟机，基于该虚拟机的预估中间功耗
、
预设的中间功耗权重
、
该虚拟机中包含的各容器的预估功耗的和值以及预设的容器预估功耗权重，确定该虚拟机的预估功耗；基于各虚拟机的预估功耗，确定所述服务器的预估功耗；所述对待训练的容器功耗确定模型中包含的每个容器子模型的参数进行调整，包括：对待训练的容器功耗确定模型中包含的每个容器子模型的参数以及虚拟机子模型的参数进行调整
。3.
根据权利要求1所述的方法，其特征在于，所述分别将不同容器的所述第一样本负载输入到待训练的容器功耗确定模型包含的不同容器子模型中，包括：针对每个容器，基于该容器的第一样本负载中包含的每个子负载的负载类型，确定该容器的目标负载类型；基于预先保存的容器负载类型与容器子模型类型的对应关系，确定所述目标负载类型对应的目标容器子模型类型，将该容器的第一样本负载输入到类型为所述目标容器子模型类型的容器子模型中
。4.
根据权利要求3...

【专利技术属性】
技术研发人员：曹庆萍，师春雨，李巧玲，黄志兰，孟庆蕴，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：