参数调优信息的确定方法、装置及电子设备与流程

本技术涉及人工智能领域，具体而言，涉及一种参数调优信息的确定方法、装置及电子设备。

背景技术：

1、操作系统内核，编译器，以及数据库等场景均存在针对参数的调优需求，较为有效的参数设置可以优化服务运行性能，提升整体服务质量。但是上述领域涉及的参数数量较多，可能高达成百上千维，且传统的调优方法往往依赖经验丰富的工程师根据领域知识进行人工调优，因此，高维参数对人工调优带来较大挑战，不仅可能导致调优效率低，也可能影响调优效果。

2、当前主流的调优算法基于贝叶斯（bayes）理论，根据实时反馈的调优效果，在预置的参数空间中进行动态搜索，以确定参数调优信息。此算法框架较为通用，近年来不仅用于计算机系统相关的参数调优场景，也广泛用于深度学习模型的超参数调优场景。然而，当参数较多、参数空间维度较高时，贝叶斯算法需要的搜索周期往往较长，从而存在确定参数调优信息效率低的问题。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种参数调优信息的确定方法、装置及电子设备，以至少解决相关技术中采用贝叶斯算法确定参数调优信息，存在确定参数调优信息效率低的技术问题。

2、根据本技术实施例的一个方面，提供了一种参数调优信息的确定方法，包括：确定目标应用的当前运行环境的环境信息，其中，目标应用是待进行参数调优的应用；通过第一神经网络模型对环境信息进行处理，得到目标应用参数调优时所需的多个参数对应的参数取值范围，其中，第一神经网络模型为根据至少一个应用的历史参数调优的数据信息训练得到的；根据目标应用参数调优时所需的多个参数对应的参数取值范围确定目标应用的参数调优信息。

3、进一步地，至少一个应用包括目标应用，第一神经网络模型根据历史参数调优的数据信息学习得到应用参数调优时所需的参数以及应用的参数在不同运行环境下的参数取值范围，通过第一神经网络模型对环境信息进行处理，得到目标应用参数调优时所需的多个参数对应的参数取值范围包括：从第一神经网络模型已学习到的应用参数调优时所需的参数中确定目标应用参数调优时所需的多个参数；根据环境信息，从第一神经网络模型已学习到的运行环境中确定目标运行环境，其中，目标运行环境的环境信息与当前运行环境的环境信息之间的相似度大于预设阈值；根据目标应用参数调优时所需的多个参数在目标运行环境下的参数取值范围，确定目标应用参数调优时所需的多个参数在当前运行环境下对应的参数取值范围。

4、进一步地，根据目标应用参数调优时所需的多个参数对应的参数取值范围确定目标应用的参数调优信息包括：根据目标应用调优时所需的多个参数和参数对应的参数取值范围生成多组参数组合；根据多组参数组合中的参数组合确定调优数据信息，并根据多组参数组合对应的调优数据信息构建第一训练样本集；基于第一训练样本集训练第一神经网络模型，得到第二神经网络模型，并通过第二神经网络模型确定参数调优信息。

5、进一步地，根据多组参数组合中的参数组合确定调优数据信息，并根据多组参数组合对应的调优数据信息构建第一训练样本集包括：对于多组参数组合中的参数组合，基于参数组合对目标应用进行参数调优，并对参数调优后的目标应用进行调优评价，得到参数组合对应的调优评价结果；对参数组合和参数组合对应的调优评价结果进行组合，得到调优数据信息；将多组参数组合对应的调优数据信息作为训练样本，目标应用的应用类型作为真实标签，构建第一训练样本集。

6、进一步地，对参数调优后的目标应用进行调优评价，得到参数组合对应的调优评价结果包括：确定对目标应用进行调优评价所需的多个评价指标，得到多个目标评价指标；基于多个目标评价指标对参数调优后的目标应用进行调优评价，得到参数组合对应的调优评价结果。

7、进一步地，历史参数调优的数据信息包括应用的历史调优评价结果，第一神经网络模型根据历史调优评价结果学习得到对至少一个应用中的应用进行历史调优评价时使用的多个评价指标，确定对目标应用进行调优评价所需的多个评价指标，得到多个目标评价指标包括：根据第一神经网络模型已学习到的历史调优评价时使用的多个评价指标确定多个目标评价指标。

8、进一步地，根据第一神经网络模型已学习到的历史调优评价时使用的多个评价指标确定多个目标评价指标包括：将第一神经网络模型已学习到的对目标应用进行历史调优评价时使用的多个评价指标确定为多个初始评价指标；在接收到用户的指标更新指令的情况下，从指标更新指令中提取指标更新信息，根据指标更新信息和多个初始评价指标确定多个目标评价指标，其中，指标更新信息用于指示新增评价指标或删除评价指标；在未接收到用户的指标更新指令的情况下，将多个初始评价指标确定为多个目标评价指标。

9、进一步地，基于第一训练样本集训练第一神经网络模型，得到第二神经网络模型，并通过第二神经网络模型确定参数调优信息包括：确定多个目标评价指标中的目标评价指标对应的权重；基于第一训练样本集以及多个目标评价指标对应的权重训练第一神经网络模型，得到第二神经网络模型，并通过第二神经网络模型确定参数调优信息。

10、进一步地，历史参数调优的数据信息包括应用的历史调优评价结果，第一神经网络模型根据评价指标在历史调优评价结果中的出现频率学习评价指标的权重，确定多个目标评价指标中的目标评价指标对应的权重包括：根据第一神经网络模型已学习到的评价指标的权重确定多个目标评价指标的权重。

11、进一步地，第一神经网络模型通过以下方式得到：获取至少一个应用的历史参数调优的数据信息，其中，历史参数调优的数据信息包括应用在历史参数调优时使用的参数、参数值以及历史调优评价结果；将历史参数调优的数据信息作为训练样本，应用的应用类型作为真实标签，构建第二训练样本集；基于第二训练样本集训练初始神经网络模型，得到第一神经网络模型。

12、根据本技术实施例的另一方面，还提供了一种参数调优信息的确定方法，包括：获取客户端上传的目标应用的当前运行环境的环境信息，其中，目标应用是待进行参数调优的应用；在云服务器中通过第一神经网络模型对环境信息进行处理，得到目标应用参数调优时所需的多个参数对应的参数取值范围，并根据目标应用参数调优时所需的多个参数对应的参数取值范围确定目标应用的参数调优信息，其中，第一神经网络模型为根据至少一个应用的历史参数调优的数据信息训练得到的；将目标应用的参数调优信息反馈至客户端。

13、根据本技术实施例的另一方面，还提供了一种参数调优信息的确定装置，包括：第一确定单元，用于确定目标应用的当前运行环境的环境信息，其中，目标应用是待进行参数调优的应用；处理单元，用于通过第一神经网络模型对环境信息进行处理，得到目标应用参数调优时所需的多个参数对应的参数取值范围，其中，第一神经网络模型为根据至少一个应用的历史参数调优的数据信息训练得到的；第二确定单元，用于根据目标应用参数调优时所需的多个参数对应的参数取值范围确定目标应用的参数调优信息。

14、进一步地，至少一个应用包括目标应用，第一神经网络模型根据历史参数调优的数据信息学习得到应用参数调优时所需的参数以及应用的参数在不同运行环境下的参数取值范围，处理单元包括：第一确定子单元，用于从第一神经网络模型已学习到的应用参数调优时所需的参数中确定目标应用参数调优时所需的多个参数；第二确定子单元，用于根据环境信息，从第一神经网络模型已学习到的运行环境中确定目标运行环境，其中，目标运行环境的环境信息与当前运行环境的环境信息之间的相似度大于预设阈值；第三确定子单元，用于根据目标应用参数调优时所需的多个参数在目标运行环境下的参数取值范围，确定目标应用参数调优时所需的多个参数在当前运行环境下对应的参数取值范围。

15、进一步地，第二确定单元包括：生成子单元，用于根据目标应用调优时所需的多个参数和参数对应的参数取值范围生成多组参数组合；构建子单元，用于根据多组参数组合中的参数组合确定调优数据信息，并根据多组参数组合对应的调优数据信息构建第一训练样本集；第四确定子单元，用于基于第一训练样本集训练第一神经网络模型，得到第二神经网络模型，并通过第二神经网络模型确定参数调优信息。

16、进一步地，构建子单元包括：第一处理模块，用于对于多组参数组合中的参数组合，基于参数组合对目标应用进行参数调优，并对参数调优后的目标应用进行调优评价，得到参数组合对应的调优评价结果；第二处理模块，用于对参数组合和参数组合对应的调优评价结果进行组合，得到调优数据信息；构建模块，用于将多组参数组合对应的调优数据信息作为训练样本，目标应用的应用类型作为真实标签，构建第一训练样本集。

17、进一步地，第二处理模块包括：第一确定子模块，用于确定对目标应用进行调优评价所需的多个评价指标，得到多个目标评价指标；第一处理子模块，用于基于多个目标评价指标对参数调优后的目标应用进行调优评价，得到参数组合对应的调优评价结果。

18、进一步地，历史参数调优的数据信息包括应用的历史调优评价结果，第一神经网络模型根据历史调优评价结果学习得到对至少一个应用中的应用进行历史调优评价时使用的多个评价指标，第一确定子模块包括：第二确定子模块，用于根据第一神经网络模型已学习到的历史调优评价时使用的多个评价指标确定多个目标评价指标。

19、进一步地，第二确定子模块包括：第三确定子模块，用于将第一神经网络模型已学习到的对目标应用进行历史调优评价时使用的多个评价指标确定为多个初始评价指标；第四确定子模块，用于在接收到用户的指标更新指令的情况下，从指标更新指令中提取指标更新信息，根据指标更新信息和多个初始评价指标确定多个目标评价指标，其中，指标更新信息用于指示新增评价指标或删除评价指标；第五确定子模块，用于在未接收到用户的指标更新指令的情况下，将多个初始评价指标确定为多个目标评价指标。

20、进一步地，第四确定子单元包括：第一确定模块，用于确定多个目标评价指标中的目标评价指标对应的权重；第二确定模块，用于基于第一训练样本集以及多个目标评价指标对应的权重训练第一神经网络模型，得到第二神经网络模型，并通过第二神经网络模型确定参数调优信息。

21、进一步地，历史参数调优的数据信息包括应用的历史调优评价结果，第一神经网络模型根据评价指标在历史调优评价结果中的出现频率学习评价指标的权重，第一确定模块包括：第六确定子模块，用于根据第一神经网络模型已学习到的评价指标的权重确定多个目标评价指标的权重。

22、进一步地，参数调优信息的确定装置还包括：获取单元，用于获取至少一个应用的历史参数调优的数据信息，其中，历史参数调优的数据信息包括应用在历史参数调优时使用的参数、参数值以及历史调优评价结果；构建单元，用于将历史参数调优的数据信息作为训练样本，应用的应用类型作为真实标签，构建第二训练样本集；训练单元，用于基于第二训练样本集训练初始神经网络模型，得到第一神经网络模型。

23、根据本发明实施例的另一方面，还提供了一种电子设备，包括：存储器，存储有可执行程序；处理器，用于运行程序，其中，程序运行时执行上述任意一项的参数调优信息的确定方法。

24、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述任意一项的参数调优信息的确定方法。

25、在本技术实施例中，通过确定目标应用的当前运行环境的环境信息，其中，目标应用是待进行参数调优的应用；通过第一神经网络模型对环境信息进行处理，得到目标应用参数调优时所需的多个参数对应的参数取值范围，其中，第一神经网络模型为根据至少一个应用的历史参数调优的数据信息训练得到的；根据目标应用参数调优时所需的多个参数对应的参数取值范围确定目标应用的参数调优信息的方式，根据至少一个应用的历史参数调优的数据信息训练得到第一神经网络模型，使得第一神经网络模型能够从历史数据中学习到不同应用参数调优时所需的信息。通过由第一神经网络模型对环境信息进行处理，得到目标应用参数调优时所需的多个参数对应的参数取值范围，一方面，缩小了参数调优信息的搜索空间，提高了确定参数调优信息的效率，另一方面，实现了基于历史数据以及环境信息针对性地确定参数调优信息的搜索空间，提高了确定参数调优信息的准确性。从而达到了基于特定的搜索空间确定目标应用的参数调优信息的目的，实现了有效通提高确定参数调优信息的效率的技术效果，进而解决了相关技术中采用贝叶斯算法确定参数调优信息，存在确定参数调优信息效率低的技术问题。