[发明专利]微服务状态检测方法、模型的训练方法、设备及存储介质

权利要求书

1.一种微服务状态检测方法，其特征在于，包括：

针对微服务架构下的每个微服务，获取所述微服务的多个指标参数；

将所述多个指标参数输入至微服务状态检测模型，得到所述微服务的检测结果，所述检测结果用于指示所述微服务是否存在异常；所述微服务状态检测模型是采用反向传播神经网络模型训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述微服务状态检测模型包括：输入层、隐藏层以及输出层，其中，所述输入层包括q个神经元，所述输出层包括m个神经元，所述隐藏层的神经元个数是根据所述输入层的神经元个数以及所述输出层的神经元个数确定的，其中，q为大于或等于2的正整数，m为大于或等于1的正整数。

3.根据权利要求1所述的方法，其特征在于，所述微服务状态检测模型的模型参数包括所述多个指标参数的权重值以及第一阈值，所述检测结果是根据所述多个指标参数，所述多个指标参数的权重值以及所述第一阈值确定的。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述检测结果包括所述微服务的健康状态值，所述健康状态值用于指示微服务是否存在异常；所述方法还包括：

通过比较所述健康状态值与预设阈值的大小关系，确定是否发送提示消息，所述提示消息用于通知运营人员对所述微服务的健康状态进行确认。

5.一种微服务状态检测模型的训练方法，其特征在于，包括：

获取微服务的样本集合，以及所述样本集合中每个样本的标注结果，每个样本包括多个指标参数，每个样本对应的标注结果用于指示所述微服务是否存在异常；

对所述样本集合中多个样本的指标参数进行降维处理，得到处理后的样本集合；

将所述处理后的样本集合输入初始的微服务状态检测模型，得到多个检测结果；

根据所述多个检测结果以及所述样本集合中每个样本的标注结果，确定损失函数，在所述损失函数收敛时，得到训练好的微服务状态检测模型。

6.根据权利要求5所述的方法，其特征在于，所述对所述样本集合中多个样本的指标参数进行降维处理，得到处理后的样本集合，包括：

采用主成分分析PCA算法对所述样本集合中多个样本的指标参数进行降维处理，得到处理后的样本集合。

7.根据权利要求5所述的方法，其特征在于，所述损失函数表示为：

式中，表示将所述处理后的样本集合中每个样本输入微服务状态检测模型后的检测结果，y_i表示每个样本的标注结果，N表示样本集合的样本个数。

8.根据权利要求5-7任一项所述的方法，其特征在于，若所述损失函数不满足收敛条件，所述方法还包括：采用梯度下降法更新所述微服务状态检测模型中的如下参数的至少一项：

每个指标参数的权重值；

第一阈值。

9.一种微服务状态检测装置，其特征在于，包括：

针对微服务架构下的每个微服务，获取模块，用于获取微服务的多个指标参数；

处理模块，将所述多个指标参数输入至微服务状态检测模型，得到所述微服务的检测结果，所述检测结果用于指示所述微服务是否存在异常；所述微服务状态检测模型是采用反向传播神经网络模型训练得到的。

10.一种微服务状态检测模型的训练装置，其特征在于，包括：

获取模块，用于获取微服务的样本集合，以及所述样本集合中每个样本的标注结果，每个样本包括多个指标参数，每个样本对应的标注结果用于指示所述微服务是否存在异常；

处理模块，用于对每个样本的多个指标参数进行降维处理，得到处理后的样本集合；

将所述处理后的样本集合输入初始的微服务状态检测模型，得到多个检测结果；

根据所述多个检测结果以及所述样本集合中每个样本的标注结果，确定损失函数，在所述损失函数收敛时，得到训练好的微服务状态检测模型。