【技术实现步骤摘要】
本专利技术涉及计算机软件，尤其涉及一种面向云计算的基于微服务的遗传分子序列任务调度方法。
技术介绍
1、目前，对于遗传分子序列分析大都为单体应用分析和生物信息化交叉学习，其中，单体应用结果过于庞大，采用war包的方式进行部署，在生物信息学交叉学科中不利于算法的更新与维护，若对算法进行更新，则需要整体全部更新，尤其是基于深度学习的算法模型，很有可能会无意识地中止其运算进程，从而导致模型训练失败，需要重新运行算法，耗费的时间代价是巨大的；同时，生物信息化交叉学习具有较为前沿的研究成果，但现在的技术体系中，并未提供一种技术方案将各个具有较高精确度的模型进行融合，形成一个统一的分析平台，缺乏一种推动学科发展的解决方案。
2、而且，目前也没有针对遗传分析序列分析相关的微服务调度方法，传统的微服务架构技术关注于容器的部署与运行，采取阈值处理法控制容器的负载情况，但并未考虑其资源的利用率，未得以使用的算法，也会因为其已进行容器化部署而导致占用资源，不利于其他算法提高运算速度。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于微服务的遗传分子序列任务调度方法，所述方法包括以下步骤：
2、s1、设置供容器运行的服务器平台，并将遗传分子序列分析算法部署到服务器平台中；
3、s2、基于容器内算法任务的运行状态计算服务器平台的资源利用情况；
4、s3、将磁盘上待分析遗传分子序列文件读取到服务器平台中以生成目标任务，并判断服务器平台剩余资源是否满
5、s4、对所述目标任务进行分析以获取对应的分析结果。
6、优选地，所述步骤s2具体包括：
7、s21、每间隔第一预设时间采集一次服务器平台中容器内算法任务的运行状态，并持久化；
8、s22、基于步骤s21所采集的数据，每间隔第二预设时间对服务器平台的资源使用率进行一次预测；
9、s23、基于步骤s22的预测结果计算服务器平台的资源剩余空间，用公式表示为：
10、
11、式中，ut表示服务器平台在t时刻的资源剩余空间，表示服务器平台在t时刻资源使用率的预测结果；
12、s24、比较当前服务器平台资源剩余空间ut与第一预设阈值δ1大小关系，若ut＜δ1，则返回至步骤s22，若ut≥δ1，则进入步骤s25；
13、s25、计算在t时刻服务器平台资源使用率预测结果与服务器平台资源使用率之间差值，计算公式如下：
14、
15、式中，n表示当前服务器平台当前运行状态的算法任务，rused表示服务器平台在t时刻资源使用率。
16、s26、比较当前服务器平台资源使用率预测结果与第二预设阈值δ2的大小关系，若则等待当前时刻结束，若则进入步骤s27；
17、s27、若nt＜0，则执行缩容操作，若nt＞0，则执行扩容操作。
18、优选地，所述第一预设时间为5min，第二预设时间为60min，第一预设阈值为0.85，第二预设阈值为0.5。
19、优选地，所述步骤s21中，若服务器平台中容器内算法任务的运行状态为非工作运行状态，则将处于非工作运行状态的算法任务进行热发布或下线处理。
20、优选地，所述步骤s22中，服务器平台在t时刻资源使用率的预测结果计算公式为：
21、
22、式中，表示服务器平台在tm时刻资源使用率的预测结果，m表示时刻数量。
23、优选地，所述步骤s3还包括：若服务器平台剩余资源不满足目标任务所需资源时，则判断服务器平台容器内是否存在即将结束的算法任务，若存在，则将目标任务调度到服务器平台中，若不存在，则返回步骤s2。
24、优选地，所述步骤s4具体包括：
25、s41、校验待分析遗传分子序列文件的合理性；
26、s42、分析遗传分析的基本特点，包括多位点性、高变异性以及遗传的稳定性；
27、s43、清除遗传分子序列任务中的干扰信息；
28、s44、获取对应的分析结果并输出。
29、优选地，所述步骤s44具体为：对所获取的分析结果进行汇总分析并生成分析报告，通过报表或邮件的形式发送给用户。
30、优选地，所述服务器平台为kubernetes，容器为docker。
31、与现有技术比较，本专利技术将具有微服务特点的遗传分子序列分析与调度算法进行有机结合，并基于提前计算方式选择性调度资源到服务器平台中，通过考虑服务器平台资源的利用情况，进而有效减少了服务器的处理时间，提高了处理效率；同时，通过对容器内非工作状态的算法任务进行热发布或下线处理，在不影响全局算法状态的情况下仅需要关注遗传分子序列分析算法特点，进一步提高了处理效率和维护效率。
本文档来自技高网...【技术保护点】
1.一种基于微服务的遗传分子序列任务调度方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤S2具体包括：
3.如权利要求2所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述第一预设时间为5min，第二预设时间为60min，第一预设阈值为0.85，第二预设阈值为0.5。
4.如权利要求3所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤S21中，若服务器平台中容器内算法任务的运行状态为非工作运行状态，则将处于非工作运行状态的算法任务进行热发布或下线处理。
5.如权利要求4所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤S22中，服务器平台在t时刻资源使用率的预测结果计算公式为：
6.如权利要求5所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤S3还包括：若服务器平台剩余资源不满足目标任务所需资源时，判断服务器平台容器内是否存在即将结束的算法任务，若存在，则将目标任务调度到服务器平台中，若不存在，则
7.如权利要求6所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤S4具体包括：
8.如权利要求7所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤S44具体为：对所获取的分析结果进行汇总分析并生成分析报告，通过报表或邮件的形式发送给用户。
9.如权利要求1-8任一项所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述服务器平台为Kubernetes，容器为docker。
...【技术特征摘要】
1.一种基于微服务的遗传分子序列任务调度方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤s2具体包括：
3.如权利要求2所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述第一预设时间为5min，第二预设时间为60min，第一预设阈值为0.85，第二预设阈值为0.5。
4.如权利要求3所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤s21中，若服务器平台中容器内算法任务的运行状态为非工作运行状态，则将处于非工作运行状态的算法任务进行热发布或下线处理。
5.如权利要求4所述的基于微服务的遗传分子序列任务调度方法，其特征在于，所述步骤s22中，服务器平台在t时刻资源使用率的预测结...
【专利技术属性】
技术研发人员：张锦，伍少远，魏以梁，周郑坤，刘亮，黄逸奇，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。