基于可视化拖拽的混合云资源编排方法、系统和电子设备与流程

1.本技术涉及云资源编排的领域，且更为具体地，涉及一种基于可视化拖拽的混合云资源编排方法、系统和电子设备。


背景技术：

2.随着云计算快速发展，iaas和paas层的服务应用的普及、业务量的不断增加，一方面更多专业的用户和前沿的行业开始使用云，另一方面，一些企业也倾向于使用的云的种类也不限于一种。
3.在对于多种云进行管理的同时，如何让企业轻松使用云，通过可视化这样简单直接的方式，屏蔽掉各种云的差异配置性，混合编排各种云的资源及应用，是一个值得研究的课题。因此，期待一种基于可视化拖拽的混合云资源编排方案。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于可视化拖拽的混合云资源编排方法、系统和电子设备，其使用特征提取器来提取云资源的配置数据中的隐含特征模式，并且通过两阶段的编码和类概率一致性的修正，可以通过编码器和卷积神经网络的模型参数的更新来补偿所述各配置数据的语义目标域之间相对于多标签类别的类概率域的域偏移，从而提高所述各特征向量之间的类概率一致性，以使得每个所述单独配置参数的特征表达以及各个所述配置参数的关联特征表达都能够尽可能映射到统一的类概率空间内，以提高分类准确性。这样，就可以基于云资源的配置数据确定云资源的标签类别，进而屏蔽掉各种云的差异配置性。
5.根据本技术的一个方面，提供了一种基于可视化拖拽的混合云资源编排方法，其包括：
6.训练阶段，包括：
7.获取一项云资源的多个配置数据；
8.将所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量；
9.将所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量；
10.计算所述多个特征向量中各个特征向量的类概率一致性因数，各个所述特征向量的类概率一致性因数为以所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；
11.将所述多个特征向量中各个特征向量乘以其类概率一致性因数后进行二维排列以获得特征矩阵；
12.将所述特征矩阵通过卷积神经网络以获得分类特征向量；
13.将所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征
向量的类概率向量；
14.计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值，其中，所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数为以所述分类特征向量的类概率向量和各个所述特征向量的类概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；以及
15.以所述损失函数值来训练所述上下文编码器和所述卷积神经网络；以及
16.推断阶段，包括：
17.获取待编排云资源的多个配置数据；
18.将所述待编码云资源的多个配置数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量；
19.将所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
20.根据本技术的另一方面，提供了一种基于可视化拖拽的混合云资源编排系统，其包括：
21.训练模块，包括：
22.配置数据获取单元，用于获取一项云资源的多个配置数据；
23.编码单元，用于将所述配置数据获取单元获得的所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量；
24.第一类概率向量生成单元，用于将所述编码单元获得的所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量；
25.一致性因数计算单元，用于计算所述编码单元获得的所述多个特征向量中各个特征向量的类概率一致性因数，各个所述特征向量的类概率一致性因数为以所述第一类概率向量生成单元获得的所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；
26.二维排列单元，用于将所述编码单元获得的所述多个特征向量中各个特征向量乘以其所述一致性因数计算单元获得的所述类概率一致性因数后进行二维排列以获得特征矩阵；
27.卷积单元，用于将所述二维排列单元获得的所述特征矩阵通过卷积神经网络以获得分类特征向量；
28.第二类概率向量生成单元，用于将所述卷积单元获得的所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征向量的类概率向量；
29.损失函数值计算单元，用于计算所述第二类概率向量生成单元获得的所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值，其中，所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数为以所述分类特征向量的类概率向量和各个所述特征向量的类概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；以及
30.训练单元，用于以所述损失函数值计算单元获得的所述损失函数值来训练所述上
下文编码器和所述卷积神经网络；
31.推断模块，包括：
32.推断数据获取单元，用于获取待编排云资源的多个配置数据；
33.特征向量生产单元，用于将所述推断数据获取单元获得的所述待编码云资源的多个配置数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量；以及
34.分类单元，用于将所述特征向量生产单元获得的所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
35.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于可视化拖拽的混合云资源编排方法。
36.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于可视化拖拽的混合云资源编排方法。
37.根据本技术提供的基于可视化拖拽的混合云资源编排方法、系统和电子设备，其使用特征提取器来提取云资源的配置数据中的隐含特征模式，并且通过两阶段的编码和类概率一致性的修正，可以通过编码器和卷积神经网络的模型参数的更新来补偿所述各配置数据的语义目标域之间相对于多标签类别的类概率域的域偏移，从而提高所述各特征向量之间的类概率一致性，以使得每个所述单独配置参数的特征表达以及各个所述配置参数的关联特征表达都能够尽可能映射到统一的类概率空间内，以提高分类准确性。这样，就可以基于云资源的配置数据确定云资源的标签类别，进而屏蔽掉各种云的差异配置性。
附图说明
38.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
39.图1a为根据本技术实施例的基于可视化拖拽的混合云资源编排方法中训练阶段的流程图。
40.图1b为根据本技术实施例的基于可视化拖拽的混合云资源编排方法中推断阶段的流程图。
41.图2a为根据本技术实施例的基于可视化拖拽的混合云资源编排方法中训练阶段的架构示意图。
42.图2b为根据本技术实施例的基于可视化拖拽的混合云资源编排方法中推断阶段的架构示意图。
43.图3为根据本技术实施例的基于可视化拖拽的混合云资源编排系统的框图。
44.图4为根据本技术实施例的电子设备的框图。
具体实施方式
45.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
46.场景概述
47.如前所述，随着云计算快速发展，iaas和paas层的服务应用的普及、业务量的不断增加，一方面更多专业的用户和前沿的行业开始使用云，另一方面，一些企业也倾向于使用的云的种类也不限于一种。
48.在对于多种云进行管理的同时，如何让企业轻松使用云，通过可视化这样简单直接的方式，屏蔽掉各种云的差异配置性，混合编排各种云的资源及应用，是一个值得研究的课题。因此，期待一种基于可视化拖拽的混合云资源编排方案。
49.相应地，在本技术的方案中，在对于多种云进行管理的同时，如何让企业轻松使用云，通过可视化这样简单直接的方式，屏蔽掉各种云的差异配置性，混合编排各种云的资源及应用，是一个值得研究的课题。本质上，这是一个分类问题，即，基于云资源的配置数据进行云资源的多标签分类。
50.具体地，可使用特征提取器来提取云资源的配置数据中的隐含特征模式，继而，将提取出的特征表示通过分类器以获得用于表示云资源所属类别的分类结果。但是，在基于云资源的配置数据进行云资源的多标签分类时，必须考虑各标签类别的跨样本的类概率一致性问题。因此，需要通过对模型的优化来使得特征编码能够尽量在多标签类别下具有跨样本的类概率一致性。
51.本技术的编码包括两阶段，第一阶段是单样本多标签类别编码，即，获得一项云资源的多个配置数据，并通过上下文编码器获得的多个特征向量，例如记为v1，
…
，vn，同时，设置l个标签类别。
52.之后，将每个特征向量通过具有l个标签类别的多分类器，可以获得一个类概率向量v
il
＝(p
i1
,
…
,p
il
)。
53.然后，计算每个特征向量的类概率一致性因数，表示为：
[0054][0055]
其中cos(v
il
,v
jl
)表示类概率向量v
il
和类概率向量v
jl
之间的余弦距离。
[0056]
接下来，在第二阶段，进行跨样本多标签类别编码，即将每个特征向量乘以其类概率一致性因数后二维排列以得到特征矩阵，再通过卷积神经网络以获得分类特征向量，并计算该分类特征向量的类概率向量v
cl
＝(p
c1
,
…
,p
cl
)。
[0057]
进一步，计算类概率向量v
cl
相对于各个特征向量v
il
的类概率一致性因数作为损失函数值，表示为：
[0058][0059]
并以此来更新编码器和卷积神经网络的参数。
[0060]
这样，通过两阶段的编码和类概率一致性的修正，可以通过编码器和卷积神经网络的模型参数的更新来补偿各配置数据的语义目标域之间相对于多标签类别的类概率域的域偏移，从而提高各特征向量之间的类概率一致性，以使得每个单独配置参数的特征表达以及各个配置参数的关联特征表达都能够尽可能映射到统一的类概率空间内，以提高分类准确性。
[0061]
基于此，本技术提出了一种基于可视化拖拽的混合云资源编排方法，其包括训练阶段，包括：获取一项云资源的多个配置数据；将所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量；将所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量；计算所述多个特征向量中各个特征向量的类概率一致性因数，各个所述特征向量的类概率一致性因数为以所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；将所述多个特征向量中各个特征向量乘以其类概率一致性因数后进行二维排列以获得特征矩阵；将所述特征矩阵通过卷积神经网络以获得分类特征向量；将所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征向量的类概率向量；计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值，其中，所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数为以所述分类特征向量的类概率向量和各个所述特征向量的类概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；以及，以所述损失函数值来训练所述上下文编码器和所述卷积神经网络；以及，推断阶段，包括：获取待编排云资源的多个配置数据；将所述待编码云资源的多个配置数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量；将所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
[0062]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0063]
示例性方法
[0064]
图1a图示了根据本技术实施例的基于可视化拖拽的混合云资源编排方法中训练阶段的流程图。图1b图示了根据本技术实施例的基于可视化拖拽的混合云资源编排方法中推断阶段的流程图。如图1a所示，根据本技术实施例的基于可视化拖拽的混合云资源编排方法，包括：训练阶段，包括：s110，获取一项云资源的多个配置数据；s120，将所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量；s130，将所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量；s140，计算所述多个特征向量中各个特征向量的类概率一致性因数，各个所述特征向量的类概率一致性因数为以所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；s150，将所述多个特征向量中各个特征向量乘以其类概率一致性因数后进行二维排列以获得特征矩阵；s160，将所述特征矩阵通过卷积神经网络以获得分类特征向量；s170，将所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征向量的类概率向量；s180，计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性
因数作为损失函数值，其中，所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数为以所述分类特征向量的类概率向量和各个所述特征向量的类概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；以及，s190，以所述损失函数值来训练所述上下文编码器和所述卷积神经网络。
[0065]
如图1b所示，根据本技术实施例的基于可视化拖拽的混合云资源编排方法，还包括：推断阶段，包括：s210，获取待编排云资源的多个配置数据；s220，将所述待编码云资源的多个配置数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量；s230，将所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
[0066]
图2a图示了根据本技术实施例的基于可视化拖拽的混合云资源编排方法中训练阶段的架构示意图。如图2a所示，在训练阶段中，在该网络架构中，首先，将获得的所述一项云资源的多个配置数据(例如，如图2a中所示意的p1)通过包含嵌入层的上下文编码器(例如，如图2a中所示意的e)以获得多个特征向量(例如，如图2a中所示意的vf1)；接着，将所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器(例如，如图2a中所示意的圈s)以获得对应于各个所述特征向量的类概率向量(例如，如图2a中所示意的vf2)；然后，计算所述多个特征向量中各个特征向量的类概率一致性因数(例如，如图2a中所示意的cps)；接着，将所述多个特征向量中各个特征向量乘以其类概率一致性因数后进行二维排列以获得特征矩阵(例如，如图2a中所示意的mf)；然后，将所述特征矩阵通过卷积神经网络(例如，如图2a中所示意的cnn)以获得分类特征向量(例如，如图2a中所示意的vc)；接着，将所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征向量的类概率向量(例如，如图2a中所示意的vf)；然后，计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值(例如，如图2a中所示意的lv)；以及，最后，以所述损失函数值来训练所述上下文编码器和所述卷积神经网络。
[0067]
图2b图示了根据本技术实施例的基于可视化拖拽的混合云资源编排方法中推断阶段的架构示意图。如图2b所示，在推断阶段中，在该网络结构中，首先，将获得的所述待编码云资源的多个配置数据(例如，如图2b中所示意的p)通过经训练阶段训练完成的所述包含嵌入层的上下文编码器(例如，如图2b中所示意的e0)以获得多个特征向量(例如，如图2b中所示意的vf)；然后，将所述多个特征向量进行级联后通过具有l个标签类别的多分类器(例如，如图2b中所示意的圈s)以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
[0068]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获取一项云资源的多个配置数据，并将所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量。如前所述，在对于多种云进行管理的同时，如何让企业轻松使用云，通过可视化这样简单直接的方式，屏蔽掉各种云的差异配置性，混合编排各种云的资源及应用，是一个值得研究的课题。而这本质上，这是一个分类问题，即，基于云资源的配置数据进行云资源的多标签分类。
[0069]
具体地，可使用特征提取器来提取云资源的配置数据中的隐含特征模式，继而，将提取出的所述特征表示通过分类器以获得用于表示云资源所属类别的分类结果。但是，在基于所述云资源的配置数据进行云资源的多标签分类时，必须考虑所述各标签类别的跨样
本的类概率一致性问题。因此，需要通过对模型的优化来使得特征编码能够尽量在多标签类别下具有跨样本的类概率一致性。
[0070]
因此，在本技术的技术方案中，编码过程包括两个阶段，第一阶段就是单样本多标签类别编码，也就是，首先，通过云计算机获取一项云资源的多个配置数据。然后，将获得的所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器中进行编码处理，以获得具有全局性配置数据关联特征的多个特征向量。这里，例如将所述多个特征向量记为v1，
…
，vn，同时，设置l个标签类别。
[0071]
具体地，在本技术实施例中，将所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量的过程，包括：使用所述基于上下文的编码器模型的嵌入层分别将所述一项云资源的多个配置数据转化为输入向量以获得输入向量的序列；以及，使用所述基于上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得多个特征向量。应可以理解，由于基于转换器的编码器模型能够基于上下文对所述输入向量进行编码处理，因此所获得的多个特征向量具有全局性的配置数据的关联特征信息。
[0072]
更具体地，在训练阶段中，在步骤s130和步骤s140中，将所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量，并计算所述多个特征向量中各个特征向量的类概率一致性因数，各个所述特征向量的类概率一致性因数为以所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值。也就是，在本技术的技术方案中，进一步将所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量v
il
＝(p
i1
,
…
,p
il
)。然后，就可以基于所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值来计算所述多个特征向量中各个特征向量的类概率一致性因数，以表达所述各个特征向量之间的类概率一致性，这样就可以在后续基于云资源的配置数据进行云资源的多标签分类时，考虑所述各标签类别的类概率一致性问题。相应地，在一个具体示例中，使用具有l个标签类别的所述多分类器以如下公式对所述多个特征向量中各个特征向量进行处理以获得对应于各个所述特征向量的类概率向量；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0073]
具体地，在本技术实施例中，计算所述多个特征向量中各个特征向量的类概率一致性因数的过程，包括：以如下公式计算所述多个特征向量中各个特征向量的类概率一致性因数；
[0074]
其中，所述公式为：
[0075][0076]
其中，v
il
和v
jl
表示各个所述特征向量的类概率向量，cos(,)表示特征向量之间的余弦距离。
[0077]
更具体地，在训练阶段中，在步骤s150、步骤s160和步骤s170中，将所述多个特征向量中各个特征向量乘以其类概率一致性因数后进行二维排列以获得特征矩阵，并将所述
特征矩阵通过卷积神经网络以获得分类特征向量，再将所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征向量的类概率向量。应可以理解，为了在基于云资源的配置数据进行云资源的多标签分类时，还考虑到所述各标签类别的跨样本的类概率一致性问题，因此，在本技术的技术方案中，进一步在第二阶段中，进行跨样本多标签类别编码。
[0078]
也就是，具体地，将所述多个特征向量中各个特征向量乘以其类概率一致性因数，以使用所述类概率一致性因数对所述多个特征向量进行加权，接着，再将加权后的所述多个特征向量进行二维排列以整合其特征信息，从而获得特征矩阵。然后，将所述特征矩阵通过卷积神经网络中进行处理，以提取出所述一项云资源的多个配置数据的高维关联特征，从而得到所述分类特征向量。相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述分类特征向量，其中，所述卷积神经网络的第一层的输入为所述特征矩阵。进一步地，将获得的所述分类特征向量通过所述具有l个标签类别的多分类器进行处理，以获得所述分类特征向量的类概率向量v
cl
＝(p
c1
,
…
,p
cl
)。应可以理解，这样，以便于对模型进行优化来使得所述特征编码能够尽量在多标签类别下具有跨样本的类概率一致性，进而也就在基于云资源的配置数据进行云资源的多标签分类时，考虑到了所述各标签类别的跨样本的类概率一致性问题。
[0079]
更具体地，在训练阶段中，在步骤s180和步骤s190中，计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值，其中，所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数为以所述分类特征向量的类概率向量和各个所述特征向量的类概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值，并以所述损失函数值来训练所述上下文编码器和所述卷积神经网络。也就是，在本技术的技术方案中，进一步计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值来训练所述上下文编码器和所述卷积神经网络。应可以理解，通过两阶段的编码和类概率一致性的修正，可以通过编码器和卷积神经网络的模型参数的更新来补偿各配置数据的语义目标域之间相对于多标签类别的类概率域的域偏移，从而提高所述各特征向量之间的类概率一致性，以使得每个单独配置参数的特征表达以及各个配置参数的关联特征表达都能够尽可能映射到统一的类概率空间内，以提高分类准确性。
[0080]
具体地，在本技术实施例中，计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值的过程，包括：以如下公式计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值；
[0081]
其中，所述公式为：
[0082][0083]
特别地，在一个具体示例中，将所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果的过程，包括：将所述多个特征向量进行级联以获得特征向
量；以及，使用所述分类器以如下公式对所述特征向量进行处理以获得所述分类结果；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0084]
在训练完成后，进入推断阶段。也就是，在通过训练阶段对所述上下文编码器和所述卷积神经网络进行训练完成后，将训练后的所述上下文编码器和所述卷积神经网络用于实际的推断阶段中。
[0085]
具体地，在推断阶段中，首先，获取待编排云资源的多个配置数据。然后，将所述待编码云资源的多个配置数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量。最后，将所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
[0086]
综上，基于本技术实施例的基于可视化拖拽的混合云资源编排方法被阐明，其使用特征提取器来提取云资源的配置数据中的隐含特征模式，并且通过两阶段的编码和类概率一致性的修正，可以通过编码器和卷积神经网络的模型参数的更新来补偿所述各配置数据的语义目标域之间相对于多标签类别的类概率域的域偏移，从而提高所述各特征向量之间的类概率一致性，以使得每个所述单独配置参数的特征表达以及各个所述配置参数的关联特征表达都能够尽可能映射到统一的类概率空间内，以提高分类准确性。这样，就可以基于云资源的配置数据确定云资源的标签类别，进而屏蔽掉各种云的差异配置性。
[0087]
示例性系统
[0088]
图3图示了根据本技术实施例的基于可视化拖拽的混合云资源编排系统的框图。如图3所示，根据本技术实施例的基于可视化拖拽的混合云资源编排系统400，包括：训练模块410和推断模块420。
[0089]
如图3所示，所述训练模块410，包括：配置数据获取单元411，用于获取一项云资源的多个配置数据；编码单元412，用于将所述配置数据获取单元411获得的所述一项云资源的多个配置数据通过包含嵌入层的上下文编码器以获得多个特征向量；第一类概率向量生成单元413，用于将所述编码单元412获得的所述多个特征向量中各个特征向量通过具有l个标签类别的多分类器以获得对应于各个所述特征向量的类概率向量；一致性因数计算单元414，用于计算所述编码单元412获得的所述多个特征向量中各个特征向量的类概率一致性因数，各个所述特征向量的类概率一致性因数为以所述第一类概率向量生成单元413获得的所述特征向量的类概率向量与其他特征向量的类别概率向量之间的余弦距离为幂的自然指数函数值的加权和的对数值；二维排列单元415，用于将所述编码单元412获得的所述多个特征向量中各个特征向量乘以其所述一致性因数计算单元414获得的所述类概率一致性因数后进行二维排列以获得特征矩阵；卷积单元416，用于将所述二维排列单元415获得的所述特征矩阵通过卷积神经网络以获得分类特征向量；第二类概率向量生成单元417，用于将所述卷积单元416获得的所述分类特征向量通过所述具有l个标签类别的多分类器以获得所述分类特征向量的类概率向量；损失函数值计算单元418，用于计算所述第二类概率向量生成单元417获得的所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值，其中，所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数为以所述分类特征向量的类概率向量和各个所述特征向量的类概率向量之间的余弦距离为幂的自然指数函数值的加权
和的对数值；以及，训练单元419，用于以所述损失函数值计算单元418获得的所述损失函数值来训练所述上下文编码器和所述卷积神经网络。
[0090]
如图3所示，所述推断模块420，包括：推断数据获取单元421，用于获取待编排云资源的多个配置数据；特征向量生产单元422，用于将所述推断数据获取单元421获得的所述待编码云资源的多个配置数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量；以及，分类单元423，用于将所述特征向量生产单元422获得的所述多个特征向量进行级联后通过具有l个标签类别的多分类器以获得分类结果，所述分类结果用于表示所述待编码云资源的标签类别。
[0091]
在一个示例中，在上述基于可视化拖拽的混合云资源编排系统400中，所述编码单元412，进一步用于：使用所述基于上下文的编码器模型的嵌入层分别将所述一项云资源的多个配置数据转化为输入向量以获得输入向量的序列；以及，使用所述基于上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得多个特征向量。
[0092]
在一个示例中，在上述基于可视化拖拽的混合云资源编排系统400中，所述第一类概率向量生成单元413，进一步用于：使用具有l个标签类别的所述多分类器以如下公式对所述多个特征向量中各个特征向量进行处理以获得对应于各个所述特征向量的类概率向量；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0093]
在一个示例中，在上述基于可视化拖拽的混合云资源编排系统400中，所述一致性因数计算单元414，进一步用于：以如下公式计算所述多个特征向量中各个特征向量的类概率一致性因数；
[0094]
其中，所述公式为：
[0095][0096]
其中，v
il
和v
jl
表示各个所述特征向量的类概率向量，cos(,)表示特征向量之间的余弦距离。
[0097]
在一个示例中，在上述基于可视化拖拽的混合云资源编排系统400中，所述卷积单元416，进一步用于：所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述分类特征向量，其中，所述卷积神经网络的第一层的输入为所述特征矩阵。
[0098]
在一个示例中，在上述基于可视化拖拽的混合云资源编排系统400中，所述损失函数值计算单元418，进一步用于：以如下公式计算所述分类特征向量的类概率向量相对于各个所述特征向量的类概率向量的类概率一致性因数作为损失函数值；
[0099]
其中，所述公式为：
[0100][0101]
在一个示例中，在上述基于可视化拖拽的混合云资源编排系统400中，所述分类单元423，进一步用于：将所述多个特征向量进行级联以获得特征向量；以及，使用所述分类器
以如下公式对所述特征向量进行处理以获得所述分类结果；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0102]
这里，本领域技术人员可以理解，上述基于可视化拖拽的混合云资源编排系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图2b的基于可视化拖拽的混合云资源编排方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0103]
如上所述，根据本技术实施例的基于可视化拖拽的混合云资源编排系统400可以实现在各种终端设备中，例如基于可视化拖拽的混合云资源编排算法的服务器等。在一个示例中，根据本技术实施例的基于可视化拖拽的混合云资源编排系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于可视化拖拽的混合云资源编排系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于可视化拖拽的混合云资源编排系统400同样可以是该终端设备的众多硬件模块之一。
[0104]
替换地，在另一示例中，该基于可视化拖拽的混合云资源编排系统400与该终端设备也可以是分立的设备，并且该基于可视化拖拽的混合云资源编排系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0105]
示例性电子设备
[0106]
下面，参考图4来描述根据本技术实施例的电子设备。如图4所示，电子设备10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0107]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于可视化拖拽的混合云资源编排方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征向量、损失函数值等各种内容。
[0108]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0109]
该输入装置13可以包括例如键盘、鼠标等等。
[0110]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0111]
当然，为了简化，图4中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0112]
示例性计算机程序产品和计算机可读存储介质
[0113]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于可视化拖拽的混合云资源编排
方法中的步骤。
[0114]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0115]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于可视化拖拽的混合云资源编排方法中的步骤。
[0116]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0117]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0118]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0119]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0120]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0121]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。