[发明专利]基于K8s集群的离线预测方法、系统、存储介质及终端

权利要求书

1.一种基于K8s集群的离线预测方法，其特征在于，所述基于K8s集群的离线预测方法将离线预测部署为K8s上的Job/CronJob资源，Job/CronJob中的业务容器中包含离线预测的业务逻辑代码；

所述基于K8s集群的离线预测方法默认的业务容器包括加载Sklearn框架、tensorflow框架、和pytorch框架的模型，同时用户也可以选择自定义镜像；所述基于K8s集群的离线预测方法通过kubernetes原生或自定义资源CRD实现离线预测任务。

2.如权利要求1所述的基于K8s集群的离线预测方法，其特征在于，所述离线预测方法具体包括：

用户在前端配置离线预测的相关参数，所述参数主要包括模型、数据、定时任务周期、资源分配；

系统根据用户的参数配置，创建对应的K8s资源，并依次执行下列操作：下载数据和模型，加载模型、加载数据、调用模型对数据进行预测，将结果存储成文件；

将结果上传到用户指定的存储服务上，并在前端返回离线预测的状态和结果文件地址，还有相关的执行状态跟踪、资源消耗统计和必要的异常处理。

3.如权利要求2所述的基于K8s集群的离线预测方法，其特征在于，所述基于K8s集群的离线预测方法进一步包括：

用户也可通过编写K8s资源配置文件，并使用K8s命令行工具或调用API；接口的方式，绕过前端直接，直接在后台执行离线预测。

默认的业务容器包括加载Sklearn框架、tensorflow框架、和pytorch框架的模型，同时用户也可以选择自定义镜像；所述基于K8s集群的离线预测方法通过kubernetes原生或自定义资源CRD实现离线预测任务。

4.如权利要求1所述的基于K8s集群的离线预测方法，其特征在于，所述基于K8s集群的离线预测方法将离线任务以执行模块的方式进行拆分，各模块基于第三方对象存储、k8s原生资源、CRD资源进行交互。

5.如权利要求1所述的基于K8s集群的离线预测方法，其特征在于，所述基于K8s集群的离线预测方法离线任务以workflow的方式进行组织调度。

6.如权利要求1所述的基于K8s集群的离线预测方法，其特征在于，所述基于K8s集群的离线预测方法以容器镜像作为离线预测模块的实现形式；预测执行、数据交互等模块的实现逻辑；与用户的交互方式。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～6任意一项所述基于K8s集群的离线预测方法的步骤。

8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～6任意一项所述基于K8s集群的离线预测方法。

9.一种实施权利要求1～6任意一项所述基于K8s集群的离线预测方法的机器学习离线预测系统，其特征在于，所述机器学习离线预测系统包括：

离线预测部署模块，用于将离线预测部署为K8s上的Job/CronJob资源；

业务容器设置模块，用于Job/CronJob中的业务容器中包含离线预测的业务逻辑代码。

10.一种如权利要求1～6任意一项所述基于K8s集群的离线预测方法在人工智能中的应用。