一种应用于云服务平台的数据存储方法及系统与流程

本技术涉及云服务，具体而言，涉及一种应用于云服务平台的数据存储方法及系统。

背景技术：

1、随着云计算技术的快速发展和广泛应用，云服务平台已成为企业和个人用户存储、处理数据的重要工具。然而，云服务平台在运行过程中可能会遇到各种问题和挑战，其中，云服务的稳定性和可靠性尤为关键。云服务的崩溃不仅会导致数据丢失，还可能对用户体验和业务连续性产生严重影响。

2、为了预防云服务的崩溃，需要对云服务的运行状态进行实时监测和预测。然而，传统的监测方法通常只能提供有限的运行状态信息，且难以准确预测云服务的崩溃风险。此外，云服务运行数据的复杂性和大规模性也给数据的存储和分析带来了巨大挑战。

3、目前，虽然有一些方法可以用于云服务崩溃预测，但它们通常基于简单的统计模型或机器学习算法，对云服务运行数据的特征提取和模型训练不够深入和全面。这些方法在处理复杂、非线性的云服务运行数据时，往往难以达到理想的预测效果。

4、同时，现有的云服务数据存储方法通常只是简单地将数据存储在云端，而没有对数据进行深入的分析和处理。这种方法不仅占用了大量的存储空间，还无法有效地提取出数据中的关键信息，从而难以对云服务的运行状态进行准确的监测和预测。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种应用于云服务平台的数据存储方法及系统。

2、结合本技术的第一方面，提供一种应用于云服务平台的数据存储方法，应用于应用于云服务平台的数据存储系统，所述方法包括：

3、提取携带云服务崩溃点标注数据的第一样例云服务运行数据序列和不携带云服务崩溃点标注数据的第二样例云服务运行数据序列；

4、依据所述第一样例云服务运行数据序列生成的候选误差估计网络，估计所述候选误差估计网络对应的候选云服务崩溃预测网络在所述第二样例云服务运行数据序列上的网络误差参数，生成网络误差参数估计结果；

5、基于所述网络误差参数估计结果，在所述第二样例云服务运行数据序列中提取样例云服务运行数据进行训练标签配置，以扩展所述第一样例云服务运行数据序列；

6、基于扩展后的第一样例云服务运行数据序列循环优化所述候选误差估计网络以及所述候选云服务崩溃预测网络，生成目标云服务崩溃预测网络；

7、基于所述目标云服务崩溃预测网络对任意输入的目标云服务运行数据进行云服务崩溃预测，生成所述目标云服务运行数据对应的目标云服务崩溃预测结果，并基于所述目标云服务崩溃预测结果溯源所述目标云服务运行数据中的关键路径数据后，对所述关键路径数据进行存储。

8、在第一方面的一种可能的实施方式中，所述第二样例云服务运行数据序列至少包括无监督样例云服务运行数据，所述网络误差参数估计结果至少包括一所述无监督样例云服务运行数据对应的网络估计误差，

9、所述基于所述网络误差参数估计结果，在所述第二样例云服务运行数据序列中提取样例云服务运行数据进行训练标签配置，以扩展所述第一样例云服务运行数据序列的步骤包括：

10、基于各所述网络估计误差的大小，在所述第二样例云服务运行数据序列中选取各参考样例云服务运行数据；

11、对各所述参考样例云服务运行数据进行崩溃点标定，生成各有监督样例云服务运行数据；

12、将各所述有监督样例云服务运行数据添加到所述第一样例云服务运行数据序列，以扩展所述第一样例云服务运行数据序列。

13、在第一方面的一种可能的实施方式中，所述利用所述候选误差估计网络计算所述无监督样例云服务运行数据的网络误差参数估计结果的步骤包括：

14、将候选云服务崩溃预测网络中各特征编码单元的输出分别转换为误差估计编码向量；

15、将各所述误差估计编码向量进行集成得到集成编码向量；

16、对所述集成编码向量进行全连接输出，生成所述网络误差参数估计结果。

17、在第一方面的一种可能的实施方式中，所述提取第一样例云服务运行数据序列和第二样例云服务运行数据序列的步骤之前包括：

18、获取待进行崩溃点预测的无监督样例云服务运行数据序列；

19、从所述无监督样例云服务运行数据序列中随机提取无监督样例云服务运行数据进行训练标签配置，将所述无监督样例云服务运行数据序列分为第一样例云服务运行数据序列和第二样例云服务运行数据序列；

20、依据所述第一样例云服务运行数据序列，构建候选误差估计网络和候选云服务崩溃预测网络。

21、在第一方面的一种可能的实施方式中，所述基于扩展后的第一样例云服务运行数据序列循环优化所述候选误差估计网络以及所述候选云服务崩溃预测网络，生成目标云服务崩溃预测网络的步骤包括：

22、计算所述候选云服务崩溃预测网络在所述扩展后的第一样例云服务运行数据序列上的云服务崩溃预测误差；

23、依据所述云服务崩溃预测误差，计算所述候选误差估计网络在所述扩展后的第一样例云服务运行数据序列上的误差估计损失值；

24、依据所述云服务崩溃预测误差和所述误差估计损失值，生成所述目标云服务崩溃预测网络。

25、在第一方面的一种可能的实施方式中，所述依据所述云服务崩溃预测误差，计算所述候选误差估计网络在所述扩展后的第一样例云服务运行数据序列上的误差估计损失值的步骤包括：

26、依据所述候选误差估计网络，估计所述候选云服务崩溃预测网络在所述扩展后的第一样例云服务运行数据序列上的网络误差参数，生成误差估计损失值。

27、在第一方面的一种可能的实施方式中，所述依据所述云服务崩溃预测误差和所述误差估计损失值，生成所述目标云服务崩溃预测网络的步骤包括：

28、依据所述云服务崩溃预测误差和所述误差估计损失值，计算全局误差参数；

29、如果所述全局误差参数不再继续下降，则将所述候选云服务崩溃预测网络作为所述目标云服务崩溃预测网络；

30、如果所述全局误差参数继续下降，则依据所述全局误差参数计算的网络梯度，更新所述候选云服务崩溃预测网络，并返回执行步骤：提取第一样例云服务运行数据序列和第二样例云服务运行数据序列。

31、在第一方面的一种可能的实施方式中，所述基于所述目标云服务崩溃预测结果溯源所述目标云服务运行数据中的关键路径数据的步骤，包括：

32、从目标云服务运行数据中提取出所有的路径数据，所述路径数据包括函数调用链、数据传输路径和/或资源访问路径；

33、将所述目标云服务崩溃预测结果映射到提取出的路径数据上，对于每一条路径数据，根据所述路径数据对应的崩溃预测结果，评估所述路径数据在导致云服务崩溃中的影响权重，获得影响权重评估结果；

34、根据所述影响权重评估结果，识别出对云服务崩溃具有显著影响的路径数据，作为所述关键路径数据，其中，所述关键路径数据的影响权重大于预设权重。

35、结合本技术的第二方面，提供一种应用于云服务平台的数据存储系统，所述应用于云服务平台的数据存储系统包括包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该应用于云服务平台的数据存储系统实现前述的应用于云服务平台的数据存储方法。

36、结合本技术的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的应用于云服务平台的数据存储方法。

37、结合上述任一方面，本技术中，通过提取携带云服务崩溃点标注数据的第一样例云服务运行数据序列和不携带云服务崩溃点标注数据的第二样例云服务运行数据序列，能够全面、准确地获取云服务的运行状态数据，为后续的网络训练和崩溃预测提供了丰富且真实的数据基础。其次，利用第一样例云服务运行数据序列生成候选误差估计网络，并以此估计候选云服务崩溃预测网络在第二样例云服务运行数据序列上的网络误差参数，不仅提高了误差估计的准确性，也为优化云服务崩溃预测网络提供了有效的反馈。再次，基于网络误差参数估计结果，从第二样例云服务运行数据序列中提取样例云服务运行数据进行训练标签配置，以扩展第一样例云服务运行数据序列，有效地增加了训练数据量，提高了训练模型的泛化能力和预测精度。然后，通过循环优化候选误差估计网络和候选云服务崩溃预测网络，生成目标云服务崩溃预测网络，使得该网络能够更好地适应云服务的实际运行环境，提高了云服务崩溃预测的准确性和稳定性。最后，基于目标云服务崩溃预测网络对任意输入的目标云服务运行数据进行云服务崩溃预测，生成目标云服务运行数据对应的目标云服务崩溃预测结果，并基于预测结果溯源目标云服务运行数据中的关键路径数据，对关键路径数据进行存储，不仅能够及时发现并预防云服务的崩溃风险，还能通过存储关键路径数据，为后续的云服务优化和问题排查提供有力的数据支持。