[发明专利]无服务器计算环境中基于时域卷积网络的冷启动优化方法

权利要求书

1.无服务器计算环境中基于时域卷积网络的冷启动优化方法，其特征在于，包括如下步骤：

S1、统计过往时间段内无服务器计算函数的调用时间T(T＝{t₁，...，t_n})，以及无服务器计算函数的执行时间E(E＝{e₁，...，e_n})；

S2、按照运行环境对无服务器计算函数进行分类，并统计过往时间段内每种类别对应的无服务器计算函数的冷启动次数Times(Times＝{time₁，...，time_n})；

S3、使用时域卷积网络对过往时间段内每种类别无服务器计算函数对应的冷启动次数进行预测，得到未来一段时间内每种类别的函数对应的冷启动次数Times1；

S4、初始化一个容器池P，根据预测的冷启动次数Times1，分别为每种类别的无服务器计算函数提前准备对应数量的容器，并将所有容器进行预启动及配置；

S5、使用时域卷积函数调用时间及函数执行时间进行预测，得到未来一段时网络对过往间内无服务器计算函数的调用时间T1以及无服务器计算函数的执行时间F1；

S6、根据预测的无服务器计算函数调用时间T1以及无服务器计算函数的执行时间F1，对将要执行的无服务器计算函数进行提前预热；

S7、判断无服务器计算函数是否预热成功：若预热成功，则无服务器计算函数成功启动；若预热失败，则容器池根据当前无服务器计算函数的类型为其提供一个已预启动且配置好的容器；

其中，n为无服务器计算函数的个数。

2.根据权利要求1所述的无服务器环境中基于时域卷积网络的冷启动优化方法，其特征在于：所述的S3包括以下步骤：

S3.1、对历史数据进行去噪及清洗，利用历史数据训练时域卷积网络模型；

S3.2、根据时域卷积网络模型，输入过往时间段内每种类别对应的无服务器计算函数的冷启动次数Times(Times＝{time₁，...，time_n})进行预测，得到未来一段时间内每种类别的函数对应的冷启动次数为Times1(Times1＝{time1₁，...，time1_n})。

3.根据权利要求1所述的无服务器环境中基于时域卷积网络的冷启动优化方法，其特征在于：所述的S5包括以下步骤：

S5.1、对历史数据进行去噪及清洗，利用历史数据训练时域卷积网络模型；

S5.2、根据时域卷积网络模型，输入过往时间段内无服务器计算函数的调用时间T(T＝{t₁，...，t_n})，以及无服务器计算函数的执行时间E(E＝{e₁，...，e_n})进行预测，得到未来一段时间内无服务器计算函数的调用时间T1(T1＝{t1₁，...，t1_n})，以及无服务器计算函数的执行时间E1(E1＝{e1₁，...，e1_n})。

4.根据权利要求2或3所述的无服务器环境中基于时域卷积网络的冷启动优化方法，其特征在于：所述S3和S5中，时域卷积网络由多个时域卷积网络残差模块组成，所述的时域卷积网络残差模块由膨胀卷积、Dropout层、WeightNorm层、ReLU激活函数组成。

5.根据权利要求4所述的无服务器环境中基于时域卷积网络的冷启动优化方法，其特征在于：所述的时域卷积网络包括输入层、时域卷积网络层、注意力机制层、全连接层和输出层；所述的输入层输入时域卷积网络模型所需要训练的数据集并将这些数据进行归一化处理；所述的时域卷积网络层接收输入层处理后的数据并学习无服务器计算函数序列之间的特征；所述的注意力机制层提取深层网络特征并计算相应的注意力权重，并将该注意力权重与时域卷积网络的输出特征相结合得到的输出值o_t输出至全连接层，最后经由输出层输出预测所得的值。