(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210403348.X (22)申请日 2022.04.18 (71)申请人 北京计算机技 术及应用研究所 地址 100854 北京市海淀区永定路51号 (72)发明人 丁晓东　钟生海　李保平　苏醒　 陈娜　杨飞　 (74)专利代理 机构 中国兵器 工业集团公司专利 中心 11011 专利代理师 辛海明 (51)Int.Cl. G06F 9/50(2006.01) G06N 3/08(2006.01) H04L 67/10(2022.01) (54)发明名称 一种基于Seq2Seq模型的多云应用部署方法 (57)摘要 本发明涉及一种基于Seq2Seq模型的多云应 用部署方法， 属于云计算领域。 本发明使用开放 虚拟格式OVF文档来对虚拟应用部署资源进行描 述， 构建虚拟组件的备选实例群， 基于备选实例 群构建算法模型的数据输入结构， 使用基于 Seq2Seq的虚拟组件实例选择神经网络模型选 择 虚拟组件实例组合。 本发明相对于传统的基于非 支配遗传算法、 多目标粒子群优化算法进行多目 标优化的方法， 该方法效率更高， 泛化性更 强， 并 针对多种类资源组合问题进行设计， 给出最终的 资源组合方案 。 权利要求书3页 说明书5页 附图1页 CN 114860428 A 2022.08.05 CN 114860428 A 1.一种基于Seq2Seq模型的多云应用部署方法， 其特 征在于， 该 方法包括如下步骤： S1、 使用开放虚拟格式OVF文档来对虚拟应用部署资源进行描述， 其中， 部署的资源包 括多个虚拟组件实例； S2、 构建虚拟组件的备选实例群； S3、 基于备选实例群构建算法模型的数据输入结构； S4、 使用基于Seq2Seq的虚拟组件实例选择神经网络模型通过模型训练和模型推理获 得虚拟组件实例组合； 基于Seq2Seq的虚拟组件实例选择模 型包括编码器、 注 意力机制和解 码器三部分， 其中编码器部分将输入的组件实例群中的组件实例的属 性进行编码， 注意力 机制用来 获得输入组件实例特征的上下文信息， 解码 器用来得到最 终的被选择的虚拟组件 实例组合。 2.如权利要求1所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S1中， 对于检察机关统一办案系统， 其虚拟应用网络部署资源需求具体包括Web层和应用 层， 其中Web层中的虚拟组件包括入侵检测系统和web服务器； 应用层中的虚拟组件包括一 个负载均衡服 务器、 应用服 务器和数据服 务器。 3.如权利要求2所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S2具体包括： 对虚拟组件进行编号： 入侵检测系统、 web服务器、 负载均衡服务器、 应用服务 器、 数据服务器分别表示为1 ‑5， 根据不同的云服务提供商， 构建每个虚拟组件的备选实例 群， 其中， 组件实例的属性 为月费用、 性能和安全性。 4.如权利要求1 ‑3任一项所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤S3具体包括： 算法模型的数据输入结构为可选实例属性矩阵， 其中m为虚拟组件实例群的序号； nm表示第m个虚拟组件实例群中可选实例的数量； a、 b、…、 z为虚拟组件可选实例群中用于多目标优化的属性。 5.如权利要求4所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S4中， 使用1 ‑D卷积层来作为编码器层， 使用 来表示第m个组件实例群中的第1个实例的 属性 使用X来表示所有虚拟组件实例属性的集合， X的维度为M ×N， 其中M为 所有组件群中组件实例之和， N 为组件实例的属性维度； 然后 编码器过程表达式表示 为， H＝1Dconv(X) 其中H＝{h1,h2,…hM}， 维度为M ×128。 6.如权利要求5所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S4中， 虚拟组件实例选择的最 终结果是输出一个组件实例组合， 包含多个组件实例， 组件实 例组合的输出分多次进行， 在每次输出组件实例的过程中， 注意力机制都需要得到一个上 下文向量， 用来表示本次的所有输入实例的特征； 第i次上下文向量的表达式为， 其中i也称 为时间步；权　利　要　求　书 1/3 页 2 CN 114860428 A 2其中， ht表示的是模型输入的所有组件实例t＝1， …， M， zi为解码器中的隐状态。 7.如权利要求6所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S4中， 在输出虚拟组件实例的过程中， 考虑输出虚拟组件实例之间的先后关系， 解码 器部分 采用RNN模型来实现， 解码器中隐状态zi的表达式为， zi＝RNN(zi‑1， yi‑1， ci‑1) 其中RNN为2层的LSTM网络， yi‑1为上一时间步输 出的组件实例， 得到隐状态 zi之后， 所有 输入的虚拟组件实例的概 率分布为， P(yi|H， y<i)＝Distribution(zi， ci) 其中Distribution是一个MLP层， 同时将所有输入的虚拟组件实例的概率进行了 softmax， y<i表示时间步 i之前时间步输出的组件实例。 8.如权利要求7所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S4中， 模型训练过程如下： 在训练过程中， 该模型的通过之前的输出的组件实例来预测下一 时间步的输出实例结 果， 同时要最大化预测概 率， 其中 为之前输出组件实例的GroundTruth值， θ为模型参数； 根据训练集中的 GroundTruth值得到每次输出组件实例one ‑hot编码 那么模型的loss函数 为， 其中q(xt)为输入为xt时GroundTruth的one ‑hot编码， p(xt)为模型输出 的对于所有输 入组件实例的预测概 率。 9.如权利要求8所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤 S4中， 模型推理过程如下： S41、 第i时间步下， 模型根据i ‑1次时间步的输出实例结果、 i ‑1时间步下的隐状态zi‑1 得到第i时间步 下的隐状态zi， 然后结合第i时间步下的上下文向量ci得到第i时间步 下输入 组件实例的概 率值 S42、 计算每 个组件实例群的平均概 率值： S43、 遍历m个组件实例群的平均概 率值， 得到最大平均概 率的组件实例群； S44、 输出模型选择的组件实例组合进行部署。 10.如权利 要求9所述的基于Seq2Seq模型的多云应用部署方法， 其特征在于， 所述步骤权　利　要　求　书 2/3 页 3 CN 114860428 A 3