CN118041977A - 微服务组件的处理方法、装置、计算机设备及存储介质 - Google Patents
微服务组件的处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN118041977A CN118041977A CN202410036670.2A CN202410036670A CN118041977A CN 118041977 A CN118041977 A CN 118041977A CN 202410036670 A CN202410036670 A CN 202410036670A CN 118041977 A CN118041977 A CN 118041977A
- Authority
- CN
- China
- Prior art keywords
- service
- micro
- component
- target
- components
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000012360 testing method Methods 0.000 claims description 43
- 238000012216 screening Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000712 assembly Effects 0.000 claims 2
- 238000000429 assembly Methods 0.000 claims 2
- 238000003672 processing method Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 19
- 238000010276 construction Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于人工智能领域与金融科技领域，涉及一种微服务组件的处理方法，包括：对目标业务***中的所有微服务组件进行域名探测得到探测结果；基于服务预测模型对所有微服务组件进行可用性预测得到可用性预测结果；基于探测结果与可用性预测结果从微服务组件中确定异常组件；确定与异常组件对应的指定微服务链路，并获取与异常组件对应的指定序号；基于微服务***内的目标微服务链路中与指定序号匹配的目标组件对异常组件进行切换处理。本申请还提供一种微服务组件的处理装置、计算机设备及存储介质。此外，本申请的探测结果可存储于区块链中。本申请可应用于金融领域的微服务组件调度场景，有效地保障了目标业务***的微服务链路的高可用性。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及微服务组件的处理方法、装置、计算机设备及存储介质。
背景技术
随着科技的快速发展，微服务架构已经成为云计算领域的主流技术之一。随着云计算、物联网等技术的发展，金融科技企业，例如保险企业、银行等对软件***的需求趋于多样化，同时要求金融服务要具备稳定性。其体系架构需要在服务稳定集成与需求灵活适配之间寻求平衡。基于此，拥有独立进程、具备独立部署能力的微服务技术应运而生。微服务是指将应用程序分解为一系列小型、独立的服务，每个服务都有自己的业务逻辑和数据存储。这种架构可以提高应用程序的可扩展性、可靠性和灵活性，因为它允许开发人员将应用程序的不同部分分离出来，从而更容易地进行维护和升级。
***微服务化加快了服务治理的进程，但也给金融企业的业务***带来了不小的麻烦。金融企业的业务***本身的体量庞大，微服务改造后会出现繁多的微服务组件。现有的金融业务***的服务架构中一般会存在A、B两套环境相同的微服务链路，当微服务链路A中的个别微服务组件出现异常问题时，则会切换到微服务链路B来提供服务。然而，对于微服务***来说，单一组件异常导致全链路切换的处理方式，会造成被切换的微服务链路的资源无法得到有效利用。因而，对于微服务链路存在的微服务组件异常的解决方式存在处理智能性带下的问题，且会导致被切换的微服务链路的可用性较低。
发明内容
本申请实施例的目的在于提出一种微服务组件的处理方法、装置、计算机设备及存储介质，以解决现有的金融业务***对于微服务链路存在的微服务组件异常的解决方式存在处理智能性带下的问题，且会导致被切换的微服务链路的可用性较低的技术问题。
为了解决上述技术问题，本申请实施例提供一种微服务组件的处理方法，采用了如下所述的技术方案：
对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
使用所述目标组件对所述异常组件进行切换处理。
进一步的，所述对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果的步骤，具体包括：
获取与所述微服务***中的第一微服务组件对应的指定域名；其中，所述第一微服务组件为所述微服务***中的所有微服务组件中的任意一个组件；
对所述指定域名进行拨测处理，得到对应的拨测结果；
对所述拨测结果进行分析，判断所述拨测结果是否符合预设的正常阈值范围；
若是，生成与所述第一微服务对应的运行正常的第一探测结果；
若否，生成与所述第一微服务对应的存在异常的第二探测结果。
进一步的，所述基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果的步骤，具体包括：
采集所述微服务***中的第二微服务组件的指定服务数据；其中，所述第二微服务组件为所述微服务***中的所有微服务组件中的任意一个组件；
将所述指定服务数据输入至所述服务预测模型内；
通过所述服务预测模型对所述指定服务数据进行可用性预测，输出与所述第二微服务组件对应的指定可用性预测结果。
进一步的，所述对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件的步骤，具体包括：
对所述探测结果进行内容分析，从所述探测结果中筛选出内容为存在异常的指定探测结果；
从所有所述微服务组件中筛选出与所述指定探测结果对应的第三微服务组件；
对所述可用性预测结果进行内容分析，从所述可用性预测结果中筛选出内容为不可用的指定可用性预测结果；
从所有所述微服务组件中筛选出与所述指定可用性预测结果对应的第四微服务组件；
基于所述第三微服务组件与所述第四微服务组件得到所述异常组件。
进一步的，所述使用所述目标组件对所述异常组件进行切换处理的步骤，具体包括：
基于所述指定序号，生成与所述目标组件以及所述异常组件对应的切换指令；
执行所述切换指令，以通过所述目标组件对所述异常组件进行切换处理。
进一步的，在所述基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果的步骤之前，还包括：
获取所述目标业务***在历史预设时间周期内的服务数据；
对所述服务数据进行特征筛选处理，得到对应的特征数据集；
对所述特征数据集进行预处理，得到对应的样本数据；
将所述样本数据划分为训练集与测试集；
基于所述训练集对预设的初始模型进行训练，得到训练后的第一模型；
基于所述测试集对所述第一模型进行评估与优化，得到符合预设评估条件的第二模型；
将所述第二模型作为所述服务预测模型。
进一步的，所述对所述服务数据进行特征筛选处理，得到对应的特征数据集的步骤，具体包括：
获取预设的特征选择算法；
基于所述特征选择算法对所述服务数据进行特征关联性计算，从所述服务数据中筛选出关键特征；
基于所述关键特征构建所述特征数据集。
为了解决上述技术问题，本申请实施例还提供一种微服务组件的处理装置，采用了如下所述的技术方案：
探测模块，用于对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
预测模块，用于基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
分析模块，用于对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
第一获取模块，用于确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
第二获取模块，用于从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
切换模块，用于使用所述目标组件对所述异常组件进行切换处理。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
使用所述目标组件对所述异常组件进行切换处理。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
使用所述目标组件对所述异常组件进行切换处理。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；然后基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；之后对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；后续确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；进一步从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；最后使用所述目标组件对所述异常组件进行切换处理。本申请通过使用域名探测与服务预测模型的可用性预测的方式来对目标业务***中的所有微服务组件进行异常检测，可以实现对于目标业务***的全链路的服务监测，并能够快速准确地从所有所述微服务组件中确定出异常组件，进而通过分片对等替换的方式对检测出的异常组件进行切换处理，从而可以快速恢复目标业务***中的异常情况，有效地保障了目标业务***的微服务链路的高可用性，提高了对于目标业务***中微服务链路存在的微服务组件异常的处理智能性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图；
图2根据本申请的微服务组件的处理方法的一个实施例的流程图；
图3是根据本申请的微服务组件的处理装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的微服务组件的处理方法一般由服务器/终端设备执行，相应地，微服务组件的处理装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的微服务组件的处理方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的微服务组件的处理方法能够应用于任意一种需要进行微服务组件的异常定位以及微服务组件调整的场景中，则该微服务组件的处理方法能够应用于这些场景的产品中，例如，金融保险领域中的金融业务***中构建的微服务组件的异常定位以及微服务组件调整。所述的微服务组件的处理方法，包括以下步骤：
步骤S201，对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件。
在本实施例中，微服务组件的处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取目标业务***中的所有微服务组件。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融科技领域的业务场景中，上述目标业务***可包括保险***、银行***、交易***、订单***等。其中，上述对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S202，基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果。
在本实施例中，上述基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件。
在本实施例中，上述对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S204，确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号。
在本实施例中，在从所有所述微服务组件中确定出异常组件后，会进一步确定出该异常组件所处于的指定微服务链路，并从该指定微服务链路中获取到与所述异常组件对应的指定序号。示例性的，如果目标业务***微服务架构中包含两套环境相同的微服务链路A与微服务链路B，且微服务链路A中的序号2的微服务组件为异常组件A2，则指定微服务链路为微服务链路A，所述异常组件对应的指定序号为2。
步骤S205，从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路。
在本实施例中，承接上例，如果目标业务***微服务架构中包含两套环境相同的微服务链路A与微服务链路B，且微服务链路A中的序号2的微服务组件为异常组件A2，则对应的，上述目标微服务链路为微服务链路B，且目标微服务链路中与序号2匹配的目标组件为微服务链路B中序号为2的目标组件B2。
步骤S206，使用所述目标组件对所述异常组件进行切换处理。
在本实施例中，在某微服务链路的组件不可用时，通过由另一套微服务链路中对应序号的组件临时替换，可以有效减少因微服务组件异常导致服务不可用的问题。其中，上述使用所述目标组件对所述异常组件进行切换处理的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；然后基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；之后对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；后续确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；进一步从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；最后使用所述目标组件对所述异常组件进行切换处理。本申请通过使用域名探测与服务预测模型的可用性预测的方式来对目标业务***中的所有微服务组件进行异常检测，可以实现对于目标业务***的全链路的服务监测，并能够快速准确地从所有所述微服务组件中确定出异常组件，进而通过分片对等替换的方式对检测出的异常组件进行切换处理，从而可以快速恢复目标业务***中的异常情况，有效地保障了目标业务***的微服务链路的高可用性，提高了对于目标业务***中微服务链路存在的微服务组件异常的处理智能性。
在一些可选的实现方式中，步骤S201包括以下步骤：
获取与所述微服务***中的第一微服务组件对应的指定域名。
在本实施例中，微服务***中每一个微服务组件都是相互独立且有自己独立域名。其中，所述第一微服务组件为所述微服务***中的所有微服务组件中的任意一个组件。
对所述指定域名进行拨测处理，得到对应的拨测结果。
在本实施例中，拨测服务是一种监控网站性能和可用性的服务。它通过定期检查网站的各项指标，如响应时间、页面加载速度、服务器性能等来确保网站能够正常运行。上述拨测结果可靠包括响应时间、页面加载速度、服务器性能等数据中的任意一种或多种。
对所述拨测结果进行分析，判断所述拨测结果是否符合预设的正常阈值范围。
在本实施例中，如果拨测结果为响应时间，则会判断该拨测结果是否符合与响应时间对应的第一正常阈值范围。如果拨测结果为页面加载速度，则会判断该拨测结果是否符合与页面加载速度对应的第二正常阈值范围。如果拨测结果为服务器性能，则会判断该拨测结果是否符合与服务器性能对应的第三正常阈值范围。其中，对于上述第一正常阈值范围、第二正常阈值范围以及第三正常阈值范围的取值不做具体限定，可根据实际的微服务的可用性的测试结果进行设置。
若是，生成与所述第一微服务对应的运行正常的第一探测结果。
在本实施例中，如果所述拨测结果符合预设的正常阈值范围，则判定该拨测结果对应的第一微服务为运作正常，可用性良好的微服务组件。
若否，生成与所述第一微服务对应的存在异常的第二探测结果。
在本实施例中，如果所述拨测结果不符合预设的正常阈值范围，则判定该拨测结果对应的第一微服务为服务存在异常，可用性较差的微服务组件。
本申请通过获取与所述微服务***中的第一微服务组件对应的指定域名；然后对所述指定域名进行拨测处理，得到对应的拨测结果；后续对所述拨测结果进行分析，判断所述拨测结果是否符合预设的正常阈值范围；若是，生成与所述第一微服务对应的运行正常的第一探测结果；若否，生成与所述第一微服务对应的存在异常的第二探测结果。本申请基于域名探测的方式，通过获取与所述微服务***中的第一微服务组件对应的指定域名并对该指定域名进行拨测处理，进而使用预设的正常阈值范围对得到的拨测结果进行分析，可以实现快速准确地生成与第一微服务组件对应的探测结果，保证了生成的探测结果的准确性，有利于后续可以根据得到的微服务组件的探测结果来实现快速准确地从所有微服务组件筛选出异常组件。
在本实施例的一些可选的实现方式中，步骤S202包括以下步骤：
采集所述微服务***中的第二微服务组件的指定服务数据；其中，所述第二微服务组件为所述微服务***中的所有微服务组件中的任意一个组件。
在本实施例中，所述指定服务数据可包括第二微服务组件的请求次数、错误率、平均响应时间、最大响应时间、服务中断时间、服务器负载、网络延迟、服务正常运行时间。
将所述指定服务数据输入至所述服务预测模型内。
在本实施例中，对于上述服务预测模型的训练构建过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
通过所述服务预测模型对所述指定服务数据进行可用性预测，输出与所述第二微服务组件对应的指定可用性预测结果。
在本实施例中，上述指定可用性预测结果的内容可包括可用性正常或不可用。
本申请通过采集所述微服务***中的第二微服务组件的指定服务数据；然后将所述指定服务数据输入至所述服务预测模型内；后续通过所述服务预测模型对所述指定服务数据进行可用性预测，输出与所述第二微服务组件对应的指定可用性预测结果。本申请通过服务预测模型的使用对所有所述微服务组件进行可用性预测，以得到与各所述微服务组件分别对应的可用性预测结果，可以实现对于可用性存在异常的微服务组件的快速定位，提高了对于微服务组件的可用性预测的处理效率，保证了生成的微服务组件的可用性预测结果的准确性，且有利于后续可以根据得到的微服务组件的可用性预测结果来实现快速准确地从所有微服务组件筛选出异常组件。
在一些可选的实现方式中，步骤S203包括以下步骤：
对所述探测结果进行内容分析，从所述探测结果中筛选出内容为存在异常的指定探测结果。
在本实施例中，探测结果的内容可包括运行正常或存在异常。
从所有所述微服务组件中筛选出与所述指定探测结果对应的第三微服务组件。
在本实施例中，可根据探测结果与微服务组件之间的关联关系，从所有所述微服务组件中筛选出与所述指定探测结果对应的第三微服务组件。
对所述可用性预测结果进行内容分析，从所述可用性预测结果中筛选出内容为不可用的指定可用性预测结果。
在本实施例中，上述可用性预测结果的内容可包括可用性正常或不可用。
从所有所述微服务组件中筛选出与所述指定可用性预测结果对应的第四微服务组件。
在本实施例中，可根据可用性预测结果与微服务组件之间的关联关系，从所有所述微服务组件中筛选出与所述指定可用性预测结果对应的第四微服务组件。
基于所述第三微服务组件与所述第四微服务组件得到所述异常组件。
在本实施例中，可通过对所述第三微服务组件与所述第四微服务组件进行整合处理以得到整合后的组件，然后对所述整合后的组件进行组件去重处理以得到去重后的组件，进而将所述去重后的组件作为上述异常组件。通过对所述第三微服务组件与所述第四微服务组件进行整合与去重处理，可以保证得到的异常组件的准确性。
本申请通过对所述探测结果进行内容分析，从所述探测结果中筛选出内容为存在异常的指定探测结果；然后从所有所述微服务组件中筛选出与所述指定探测结果对应的第三微服务组件；之后对所述可用性预测结果进行内容分析，从所述可用性预测结果中筛选出内容为不可用的指定可用性预测结果；后续从所有所述微服务组件中筛选出与所述指定可用性预测结果对应的第四微服务组件；最后基于所述第三微服务组件与所述第四微服务组件得到所述异常组件。本申请通过对所述探测结果与所述可用性预测结果进行内容分析，进而可以根据得到的分析结果来实现快速准确地从所有所述微服务组件中确定出异常组件，实现了对于存在异常的微服务组件的快速精确定位，解决微服务框架下的微服务组件的异常定位难的问题。
在一些可选的实现方式中，步骤S206包括以下步骤：
基于所述指定序号，生成与所述目标组件以及所述异常组件对应的切换指令。
在本实施例中，可通过获取与所述目标组件对应的第一微服务链路标识，以及获取与所述异常组件对应的第二微服务链路标识，进而将所述指定序号、所述第一微服务链路标识以及所述第二微服务链路标识填充至预设的切换指令模板的对应位置处，以生成与通过所述目标组件对所述异常组件进行切换处理的处理逻辑对应的切换指令。其中，上述切换指令模板为用于构建生成所需的切换指令的模板数据，对于该切换指令模板的内容可根据实际需求进行设置。
执行所述切换指令，以通过所述目标组件对所述异常组件进行切换处理。
在本实施例中，通过执行所述切换指令，以通过所述目标组件对所述异常组件进行切换处理，即将目标组件作为对应的异常组件的替换组件。在检测到异常组件出现异常时，通过分流将后续的待处理请求由异常组件切换到目标组件。示例性的，如果目标业务***微服务架构中包含两套环境相同的微服务链路A与微服务链路B，且微服务链路A中的序号2的微服务组件为异常组件A2，则会将后续的待处理请求由异常组件A2切换到微服务链路B中序号为2的目标组件B2。
本申请通过基于所述指定序号，生成与所述目标组件以及所述异常组件对应的切换指令；后续执行所述切换指令，以通过所述目标组件对所述异常组件进行切换处理。本申请基于切换指令的使用，可以实现快速地完成使用所述目标组件对所述异常组件进行切换处理，以通过分片对等替换的方式对异常组件进行切换处理，从而可以快速恢复目标业务***中的异常情况，有效地保障了目标业务***的微服务架构的高可用性。
在本实施例的一些可选的实现方式中，在步骤S202之前，上述电子设备还可以执行以下步骤：
获取所述目标业务***在历史预设时间周期内的服务数据。
在本实施例中，上述服务数据包括对应于目标业务***的可用性及资源消耗情况的数据，至少可包括请求次数、错误率、平均响应时间、最大响应时间、服务中断时间、服务器负载、网络延迟、服务正常运行时间等数据。其中，对于上述历史预设时间周期的取值不做限定，可根据实际的使用需求进行设置，例如可设为距离当前时间的前一年内。
对所述服务数据进行特征筛选处理，得到对应的特征数据集。
在本实施例中，上述对所述服务数据进行特征筛选处理，得到对应的特征数据集的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
对所述特征数据集进行预处理，得到对应的样本数据。
在本实施例中，上述预处理可包括去除无效数据、标准化特征值等处理。
将所述样本数据划分为训练集与测试集。
在本实施例中，可按照预设的抽取比例从所述样本数据中随机抽取对应的数据分别作为训练集与测试集。其中，上述抽取比例具体可采用7:3，以有效提高模型训练的泛化性。
基于所述训练集对预设的初始模型进行训练，得到训练后的第一模型。
在本实施例中，上述初始模型具体可采用SVM模型。SVM是一个二类分类器。其基本模型定义为特征空间上的间隔最大的线性分类器，其学***面，使两类数据离超平面越远越好，这样就可以让模型对新的数据分类更准确，即分类器更加稳定。其中，可通过选择合适的核函数(如线性核、多项式核、RBF核等)、正则化参数C和惩罚系数l ambda，使用所述训练集对预设的初始模型进行训练，得到训练后的第一模型。另外，对于初始模型的训练过程，可参考SVM模型的训练过程，在此不做过多阐述。
基于所述测试集对所述第一模型进行评估与优化，得到符合预设评估条件的第二模型；
在本实施例中，可通过利用测试集对上述得到的第一模型进行评估，反复调整第一模型的模型参数以提高预测准确率直至第一模型的预测准确率达到预设的准确率阈值后停止优化，从而得到上述评估条件的第二模型。
将所述第二模型作为所述服务预测模型。
本申请通过获取所述目标业务***在历史预设时间周期内的服务数据；然后对所述服务数据进行特征筛选处理，得到对应的特征数据集；之后对所述特征数据集进行预处理，得到对应的样本数据；后续将所述样本数据划分为训练集与测试集；进一步基于所述训练集对预设的初始模型进行训练，得到训练后的第一模型；最后基于所述测试集对所述第一模型进行评估与优化，得到符合预设评估条件的第二模型，并将所述第二模型作为所述服务预测模型。本申请通过根据目标业务***在历史预设时间周期内的服务数据构建特征数据集，然后对所述特征数据集进行预处理并进行数据划分得到训练集与测试集，之后基于所述训练集对预设的初始模型进行训练，得到训练后的第一模型，后续基于所述测试集对所述第一模型进行评估与优化，得到符合预设评估条件的第二模型并用作最终的服务预测模型，以完成服务预测模型的模型构建过程，有效的保证了得到的服务预测模型的模型效果与预测准确性，提高了服务预测模型的构建效率。
在本实施例的一些可选的实现方式中，所述对所述服务数据进行特征筛选处理，得到对应的特征数据集，包括以下步骤：
获取预设的特征选择算法。
在本实施例中，上述特征选择算法可包括稀疏特征选择算法、信息增益算法、主成分分析法、随机森林算法中的任意一种。优选各种特征选择算法中的处理效率最高以及处理效果最好的指定特征选择算法，以提高对于服务数据的特征选择的处理效果。
基于所述特征选择算法对所述服务数据进行特征关联性计算，从所述服务数据中筛选出关键特征。
在本实施例中，可通过使用所述特征选择算法对所述服务数据进行特征关联性计算，得到所述服务数据中包含的各个特征的重要性数值，进而从所有特征中提取出重要性数值大于预设的重要性阈值的目标特征，并将该指定特征作为上述关键特征。
基于所述关键特征构建所述特征数据集。
在本实施例中，可通过对所有所述关键特征进行数据整合处理，并将整合后的特征数据作为上述特征数据集。
本申请通过获取预设的特征选择算法；然后基于所述特征选择算法对所述服务数据进行特征关联性计算，从所述服务数据中筛选出关键特征；后续基于所述关键特征构建所述特征数据集。本申请特征选取算法对所述对服务数据进行特征关联性计算，以实现快速准确地从服务数据中构架出所需的特征数据集，提高了特征数据集的生成效率，有效地保证了得到的特征数据集的数据准确性。且后续通过使用特征数据集进行服务预测模型的模型构建，而不需要使用所有服务数据来进行服务预测模型的模型构建，有效地提高了服务预测模型的构建效率，且有利于提高服务预测模型进行微服务的预测处理的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述可用性预测结果的私密和安全性，上述可用性预测结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种微服务组件的处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的微服务组件的处理装置300包括：探测模块301、预测模块302、分析模块303、第一获取模块304、第二获取模块305以及切换模块306。其中：
探测模块301，用于对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
预测模块302，用于基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
分析模块303，用于对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
第一获取模块304，用于确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
第二获取模块305，用于从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
切换模块306，用于使用所述目标组件对所述异常组件进行切换处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，探测模块301包括：
第一获取子模块，用于获取与所述微服务***中的第一微服务组件对应的指定域名；其中，所述第一微服务组件为所述微服务***中的所有微服务组件中的任意一个组件；
处理子模块，用于对所述指定域名进行拨测处理，得到对应的拨测结果；
分析子模块，用于对所述拨测结果进行分析，判断所述拨测结果是否符合预设的正常阈值范围；
第一生成子模块，用于若是，生成与所述第一微服务对应的运行正常的第一探测结果；
第二生成子模块，用于若否，生成与所述第一微服务对应的存在异常的第二探测结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,预测模块302包括：
采集子模块，用于采集所述微服务***中的第二微服务组件的指定服务数据；其中，所述第二微服务组件为所述微服务***中的所有微服务组件中的任意一个组件；
输入子模块，用于将所述指定服务数据输入至所述服务预测模型内；
预测子模块，用于通过所述服务预测模型对所述指定服务数据进行可用性预测，输出与所述第二微服务组件对应的指定可用性预测结果。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，分析模块303包括：
第一筛选子模块，用于对所述探测结果进行内容分析，从所述探测结果中筛选出内容为存在异常的指定探测结果；
第二筛选子模块，用于从所有所述微服务组件中筛选出与所述指定探测结果对应的第三微服务组件；
第三筛选子模块，用于对所述可用性预测结果进行内容分析，从所述可用性预测结果中筛选出内容为不可用的指定可用性预测结果；
第四筛选子模块，用于从所有所述微服务组件中筛选出与所述指定可用性预测结果对应的第四微服务组件；
确定子模块，用于基于所述第三微服务组件与所述第四微服务组件得到所述异常组件。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，切换模块306包括：
第三生成子模块，用于基于所述指定序号，生成与所述目标组件以及所述异常组件对应的切换指令；
执行子模块，用于执行所述切换指令，以通过所述目标组件对所述异常组件进行切换处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，微服务组件的处理装置还包括：
第三获取模块，用于获取所述目标业务***在历史预设时间周期内的服务数据；
第一处理模块，用于对所述服务数据进行特征筛选处理，得到对应的特征数据集；
第二处理模块，用于对所述特征数据集进行预处理，得到对应的样本数据；
划分模块，用于将所述样本数据划分为训练集与测试集；
训练模块，用于基于所述训练集对预设的初始模型进行训练，得到训练后的第一模型；
评估模块，用于基于所述测试集对所述第一模型进行评估与优化，得到符合预设评估条件的第二模型；
确定模块，用于将所述第二模型作为所述服务预测模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一处理模块包括：
第二获取子模块，用于获取预设的特征选择算法；
计算子模块，用于基于所述特征选择算法对所述服务数据进行特征关联性计算，从所述服务数据中筛选出关键特征；
构建子模块，用于基于所述关键特征构建所述特征数据集。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的微服务组件的处理方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件，例如微服务组件的处理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述微服务组件的处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；然后基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；之后对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；后续确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；进一步从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；最后使用所述目标组件对所述异常组件进行切换处理。本申请通过使用域名探测与服务预测模型的可用性预测的方式对目标业务***中的所有微服务组件进行异常检测，可以实现对于目标业务***的全链路的服务监测，并能够快速准确地从所有所述微服务组件中确定出异常组件，进而通过分片对等替换的方式对检测出的异常组件进行切换处理，从而可以快速恢复目标业务***中的异常情况，有效地保障了目标业务***的微服务链路的高可用性，提高了对于目标业务***中微服务链路存在的微服务组件异常的处理智能性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的微服务组件的处理方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；然后基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；之后对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；后续确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；进一步从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；最后使用所述目标组件对所述异常组件进行切换处理。本申请通过使用域名探测与服务预测模型的可用性预测的方式对目标业务***中的所有微服务组件进行异常检测，可以实现对于目标业务***的全链路的服务监测，并能够快速准确地从所有所述微服务组件中确定出异常组件，进而通过分片对等替换的方式对检测出的异常组件进行切换处理，从而可以快速恢复目标业务***中的异常情况，有效地保障了目标业务***的微服务链路的高可用性，提高了对于目标业务***中微服务链路存在的微服务组件异常的处理智能性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种微服务组件的处理方法，其特征在于，包括下述步骤：
对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
使用所述目标组件对所述异常组件进行切换处理。
2.根据权利要求1所述的微服务组件的处理方法，其特征在于，所述对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果的步骤，具体包括：
获取与所述微服务***中的第一微服务组件对应的指定域名；其中，所述第一微服务组件为所述微服务***中的所有微服务组件中的任意一个组件；
对所述指定域名进行拨测处理，得到对应的拨测结果；
对所述拨测结果进行分析，判断所述拨测结果是否符合预设的正常阈值范围；
若是，生成与所述第一微服务对应的运行正常的第一探测结果；
若否，生成与所述第一微服务对应的存在异常的第二探测结果。
3.根据权利要求1所述的微服务组件的处理方法，其特征在于，所述基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果的步骤，具体包括：
采集所述微服务***中的第二微服务组件的指定服务数据；其中，所述第二微服务组件为所述微服务***中的所有微服务组件中的任意一个组件；
将所述指定服务数据输入至所述服务预测模型内；
通过所述服务预测模型对所述指定服务数据进行可用性预测，输出与所述第二微服务组件对应的指定可用性预测结果。
4.根据权利要求1所述的微服务组件的处理方法，其特征在于，所述对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件的步骤，具体包括：
对所述探测结果进行内容分析，从所述探测结果中筛选出内容为存在异常的指定探测结果；
从所有所述微服务组件中筛选出与所述指定探测结果对应的第三微服务组件；
对所述可用性预测结果进行内容分析，从所述可用性预测结果中筛选出内容为不可用的指定可用性预测结果；
从所有所述微服务组件中筛选出与所述指定可用性预测结果对应的第四微服务组件；
基于所述第三微服务组件与所述第四微服务组件得到所述异常组件。
5.根据权利要求1所述的微服务组件的处理方法，其特征在于，所述使用所述目标组件对所述异常组件进行切换处理的步骤，具体包括：
基于所述指定序号，生成与所述目标组件以及所述异常组件对应的切换指令；
执行所述切换指令，以通过所述目标组件对所述异常组件进行切换处理。
6.根据权利要求1所述的微服务组件的处理方法，其特征在于，在所述基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果的步骤之前，还包括：
获取所述目标业务***在历史预设时间周期内的服务数据；
对所述服务数据进行特征筛选处理，得到对应的特征数据集；
对所述特征数据集进行预处理，得到对应的样本数据；
将所述样本数据划分为训练集与测试集；
基于所述训练集对预设的初始模型进行训练，得到训练后的第一模型；
基于所述测试集对所述第一模型进行评估与优化，得到符合预设评估条件的第二模型；
将所述第二模型作为所述服务预测模型。
7.根据权利要求6所述的微服务组件的处理方法，其特征在于，所述对所述服务数据进行特征筛选处理，得到对应的特征数据集的步骤，具体包括：
获取预设的特征选择算法；
基于所述特征选择算法对所述服务数据进行特征关联性计算，从所述服务数据中筛选出关键特征；
基于所述关键特征构建所述特征数据集。
8.一种微服务组件的处理装置，其特征在于，包括：
探测模块，用于对目标业务***中的所有微服务组件进行域名探测，得到与各所述微服务组件分别对应的探测结果；其中，所述目标业务***的微服务架构中包含两套环境相同的微服务链路，且所述两套微服务链路中包含数量相同且序号相同的微服务组件；
预测模块，用于基于预设的服务预测模型对所有所述微服务组件进行可用性预测，得到与各所述微服务组件分别对应的可用性预测结果；
分析模块，用于对所述探测结果与所述可用性预测结果进行分析处理，从所有所述微服务组件中确定出异常组件；
第一获取模块，用于确定与所述异常组件对应的指定微服务链路，并获取与所述异常组件对应的指定序号；
第二获取模块，用于从所述微服务***内的目标微服务链路中获取与所述指定序号匹配的目标组件；其中，所述目标微服务链路为所述微服务***中除所述指定微服务链路外的另一个微服务链路；
切换模块，用于使用所述目标组件对所述异常组件进行切换处理。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的微服务组件的处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的微服务组件的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410036670.2A CN118041977A (zh) | 2024-01-08 | 2024-01-08 | 微服务组件的处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410036670.2A CN118041977A (zh) | 2024-01-08 | 2024-01-08 | 微服务组件的处理方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118041977A true CN118041977A (zh) | 2024-05-14 |
Family
ID=90992278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410036670.2A Pending CN118041977A (zh) | 2024-01-08 | 2024-01-08 | 微服务组件的处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118041977A (zh) |
-
2024
- 2024-01-08 CN CN202410036670.2A patent/CN118041977A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085087B (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
| CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
| CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
| CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
| CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
| CN118041977A (zh) | 微服务组件的处理方法、装置、计算机设备及存储介质 | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
| CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
| CN115037655B (zh) | 压测方法和*** | |
| CN117112383A (zh) | 基于人工智能的性能分析方法、装置、设备及存储介质 | |
| CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
| CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN117453536A (zh) | ***异常分析方法、装置、计算机设备及存储介质 | |
| CN117056782A (zh) | 一种数据异常识别方法、装置、设备及其存储介质 | |
| CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN117271486A (zh) | 基于人工智能的数据报送方法、装置、设备及存储介质 | |
| CN117874518A (zh) | 基于人工智能的保险欺诈预测方法、装置、设备及介质 | |
| CN116737437A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
| CN117114894A (zh) | 一种理赔结果预测方法、装置、设备及其存储介质 | |
| CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
| CN115829763A (zh) | 数据报送方法、装置、计算机设备及存储介质 | |
| CN117520141A (zh) | 基于人工智能的脚本推荐方法、装置、设备及存储介质 | |
| CN117787723A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |