基于动态权重的微服务负载均衡研究与实现
这是一篇关于微服务,动态权重,负载均衡,资源预测,极端梯度提升的论文, 主要内容为随着互联网技术的快速发展,微服务成为目前比较流行的一种软件架构。微服务架构可将一个大型系统拆分成多个细小的微服务,每个微服务负责具体的功能,为了获得更好的服务效果,可以将微服务部署到不同的服务器中,形成微服务集群。在集群架构下,当前应用的负载均衡算法容易造成服务器资源分配不均衡、用户请求不能被及时响应等缺陷,从而使集群的效果得不到充分发挥。本文聚焦微服务集群下的负载均衡算法研究,通过对服务器资源的动态获取与权重分配,实现了对现有负载均衡算法的优化,主要工作内容如下:首先,详细介绍了客户端发送请求后,服务调用在微服务集群中的整体流程,将这个流程划分为客户端、处理区和微服务集群三部分进行处理。本文研究的动态权重负载均衡算法,首先对获取的数据进行保存,其次利用XGBoost模型对下一秒的资源数据进行预测,最后计算得到服务器的负载值,根据负载值选择最优的服务器进行服务调用。在微服务集群中增加了对服务器的资源获取模块,将资源数据传递到处理区,在处理区中负责对客户端发送的请求进行响应及对负载进行均衡处理,实现集群中的服务调用,提高了微服务集群资源利用率、增加了执行效率、减少了高并发量下的服务响应时间。其次,进行仿真实验。选择Spring Cloud系列搭建本文微服务集群,选择Eureka建立注册中心,使用Gateway搭建网关。经过阿里数据集cluster-trace-v2018对XGBoost模型进行参数优化,得到最优参数值,将优化XGBoost算法与随机森林进行对比,证明优化后的预测模型效果良好,并实现了本文算法。最后,结合动态权重负载均衡算法,设计了基于微服务的仪器管理系统,实现了仪器管理、仪器报废管理、仪器维修管理、负责人管理、仪器调拨管理、仪器租赁管理、资产移交管理的功能,并将仪器管理系统部署到集群中进行实验,结果证明本文的动态权重负载均衡算法具有良好的适用性、具有一定的应用价值。与普通轮询算法、加权轮询算法进行对比实验发现,在高并发请求中本文研究的动态权重负载均衡算法效果最好,减少了API的响应时间,提高了微服务集群的服务能力。
微服务集群负载均衡技术研究
这是一篇关于微服务,负载均衡,动态权重,集群,ARIMA模型的论文, 主要内容为与传统的软件架构相比,微服务架构具有明显的优势。在使用单体式架构开发项目时,通常会面临着业务逻辑实现复杂、软件模块的粒度难以控制等问题。微服务架构将大型复杂的单体架构应用划分为一组微小的服务,每个微服务根据其负责的具体业务职责提炼为单一的业务功能,每个服务可以很容易地部署到生产环境中独立的进程中,且可以很容易地被扩展和变更。在微服务架构中,为了获得高性能的网络服务,通常采用集群技术来搭建高性能服务器,完成原先单个服务器不能完成的一些任务。在集群环境下,各个服务器的资源利用率经常具有很大的差距,导致各个服务器不能均衡地承担用户发出的请求任务,最终导致集群的整体性能大大降低。本文研究微服务集群负载均衡技术,目的是提供有效的负载均衡框架和算法,提高集群系统的处理能力以及服务质量。本文在对微服务、集群、负载均衡等技术进行分析和总结的基础上对微服务集群负载均衡技术进行了深入研究。首先,设计了一个微服务集群负载均衡框架,给出了微服务集群负载均衡的整个实现过程,旨在提高微服务的执行效率、达到合理利用服务器资源的目的。给出了一个基于ARIMA模型的服务器资源预测算法,该算法根据服务器的历史和当前资源参数,即CPU利用率、磁盘利用率、内存利用率和连接数来预测每台服务器下一秒的资源使用情况。提出了一个基于动态权重的微服务集群负载均衡算法,该算法利用基于ARIMA模型预测得到的下一秒资源使用情况来计算各个资源参数的权重,然后基于资源参数权重计算每台服务器的负载,最终选择负载最小的服务器执行请求。采用动态权重计算服务器负载具有较好的时效性,在请求数较多的情况下能够做到更好的负载平衡,降低了请求响应时间,提高了吞吐量。接下来,对微服务集群负载均衡框架和基于动态权重的微服务集群负载均衡算法进行了实现,并与一些相关算法进行了实验对比。最后给出了一个应用案例,验证了本文研究的微服务集群负载均衡框架和算法的有效性。
基于深度学习的水产动物疾病防治事件抽取研究
这是一篇关于水产动物疾病,事件抽取,动态权重,胶囊网络,知识图谱的论文, 主要内容为随着水产养殖规模的不断扩大,传统的病害防治技术已经无法满足水产养殖业的需求。因此,亟需一种有效的方法来辅助病害防治技术的研究。事件知识图谱是一种利用人工智能技术赋能传统水产养殖产业的方法,可以转变病害防治技术的研究方式。事件抽取作为构建事件知识图谱的关键环节,有效的事件抽取方法可以提升图谱构建的质量。由于水产动物疾病防治事件含有大量的专有名词边界模糊、事件实体过长和长尾事件实体识别等问题,通用的事件抽取方法无法有效地完成水产动物疾病防治事件抽取任务。因此,本文旨在开展基于深度学习的水产动物疾病防治事件抽取研究,以解决上述问题并提高事件抽取的准确性和效率。本文取得如下研究成果:(1)提出了一种基于动态权重的多模型集成事件抽取方法。该方法用于解决水产动物疾病防治事件抽取任务中的专有名词边界模糊和事件实体长度过长的问题。采用动态权重的Gate模块融合ERNIE和Mac BERT预训练模型学习的语义特征;将语义信息传入BiLSTM捕捉文本长距离语义依赖;采用条件随机场对输出标签添加约束。实验结果表明,提出的基于动态权重的多模型集成事件抽取方法F1值达到了74.15%。研究表明,该方法能有效提升水产动物疾病防治事件抽取任务的效果。(2)提出了一种融合胶囊网络的BTCapMB事件抽取方法。该方法用于解决水产动物疾病防治事件实体长尾识别问题。首先,采用BERT+Text CNN模型提取文本初始特征和局部特征,并利用Multi-BiLSTM模型进一步提取不同维度且带有依赖信息的文本特征;其次,采用胶囊网络模型学习不同事件实体之间的空间语义关系;最后,将MultiBiLSTM和胶囊网络模型提取的特征进行融合。实验结果表明,该方法在水产动物疾病防治事件数据集(DLOU-FZ)上F1值达到了75.83%,是一种有效的水产动物疾病防治事件抽取方法。(3)构建了水产动物疾病防治事件知识图谱。通过人工标注和事件抽取任务抽取出关键的水产动物疾病防治文本事件信息后,将提取的事件信息存储到Excel表格中。利用Neo4j图数据库构建了水产动物疾病防治事件知识图谱,为水产养殖业的健康发展奠定基础。
基于动态权重的微服务负载均衡研究与实现
这是一篇关于微服务,动态权重,负载均衡,资源预测,极端梯度提升的论文, 主要内容为随着互联网技术的快速发展,微服务成为目前比较流行的一种软件架构。微服务架构可将一个大型系统拆分成多个细小的微服务,每个微服务负责具体的功能,为了获得更好的服务效果,可以将微服务部署到不同的服务器中,形成微服务集群。在集群架构下,当前应用的负载均衡算法容易造成服务器资源分配不均衡、用户请求不能被及时响应等缺陷,从而使集群的效果得不到充分发挥。本文聚焦微服务集群下的负载均衡算法研究,通过对服务器资源的动态获取与权重分配,实现了对现有负载均衡算法的优化,主要工作内容如下:首先,详细介绍了客户端发送请求后,服务调用在微服务集群中的整体流程,将这个流程划分为客户端、处理区和微服务集群三部分进行处理。本文研究的动态权重负载均衡算法,首先对获取的数据进行保存,其次利用XGBoost模型对下一秒的资源数据进行预测,最后计算得到服务器的负载值,根据负载值选择最优的服务器进行服务调用。在微服务集群中增加了对服务器的资源获取模块,将资源数据传递到处理区,在处理区中负责对客户端发送的请求进行响应及对负载进行均衡处理,实现集群中的服务调用,提高了微服务集群资源利用率、增加了执行效率、减少了高并发量下的服务响应时间。其次,进行仿真实验。选择Spring Cloud系列搭建本文微服务集群,选择Eureka建立注册中心,使用Gateway搭建网关。经过阿里数据集cluster-trace-v2018对XGBoost模型进行参数优化,得到最优参数值,将优化XGBoost算法与随机森林进行对比,证明优化后的预测模型效果良好,并实现了本文算法。最后,结合动态权重负载均衡算法,设计了基于微服务的仪器管理系统,实现了仪器管理、仪器报废管理、仪器维修管理、负责人管理、仪器调拨管理、仪器租赁管理、资产移交管理的功能,并将仪器管理系统部署到集群中进行实验,结果证明本文的动态权重负载均衡算法具有良好的适用性、具有一定的应用价值。与普通轮询算法、加权轮询算法进行对比实验发现,在高并发请求中本文研究的动态权重负载均衡算法效果最好,减少了API的响应时间,提高了微服务集群的服务能力。
轻量级人体姿态估计的研究与应用
这是一篇关于深度学习,人体姿态估计,轻量化网络设计,动态权重的论文, 主要内容为人体姿态估计,又名关键点检测,其目标是在输入的人体图像中准确定位出人体关节,从而构建人体的骨骼表示。近年来,人体姿态估计领域发展迅速,但许多方法在追求更高精度的同时忽略了模型在部署落地时的需求。在一些特定的应用场景下,由于计算资源和存储资源有限,要求模型在保持较高推理精度的前提下足够的轻量化。另外,在一些实际的应用场景中,对手腕、脚踝等关键点的精度要求较高,但在已有的人体姿态估计模型中,这些肢体关键点的预测精度远低于头部等关键点(本文称这些人体关键点为难推理关键点)。基于目前人体姿态估计发展现状,面向在移动端落地的需求,本文从以下两个思路展开研究。一是保持模型的精度较高的前提下提高模型的运行效率;二是在保证模型足够轻量化的基础上,提升难推理关键点的预测精度。最后,设计开发了一个能够在移动端实时计算处理的用于运动计数的人体姿态估计系统。具体来说,本文的主要工作如下:1.设计了一个轻量级的人体姿态估计网络模型。首先基于深度可分离卷积和注意力机制设计了一个轻量级模块,然后以此为基础模块设计网络结构,提出了简单有效的轻量级特征融合模型(Lightweight Feature Fusion Network,LFFNet)。LFFNet的参数量仅为3.1M,是与其精度相当的主流模型的1/11。LFFNet在保持较高精度的前提下,实现较低的参数量,提高运行效率,更加适合在移动端部署落地。2.针对现有的人体姿态估计模型中存在难推理关键点预测精度低的问题,提出了一种基于动态权重的损失计算方法(Dynamic Focus Loss,DF-Loss)。该方法可以在不额外增加模型的参数量和浮点运算量的前提下,有效的关注到难推理关键点的特征信息,提升其预测精度。本文在多种主流的模型以及轻量化的模型上进行了实验,证明该方法可以有效的提高难推理关键点的精度以及模型的整体精度。3.本文设计开发了一个基于视频流的用于实时运动计数的人体姿态估计系统。使用轻量级人体姿态估计模型LFFNet为底层模型结合DF-Loss方法进行关键点检测,然后基于检测到的关键点的相对位置进行推理计算,输出运动动作是否标准以及动作个数。本系统在移动端的视频处理速度可达12fps,能够部署落地在移动设备实时运行,在保持较低的计算开销的基础上,达到较高的识别精度。
轻量级人体姿态估计的研究与应用
这是一篇关于深度学习,人体姿态估计,轻量化网络设计,动态权重的论文, 主要内容为人体姿态估计,又名关键点检测,其目标是在输入的人体图像中准确定位出人体关节,从而构建人体的骨骼表示。近年来,人体姿态估计领域发展迅速,但许多方法在追求更高精度的同时忽略了模型在部署落地时的需求。在一些特定的应用场景下,由于计算资源和存储资源有限,要求模型在保持较高推理精度的前提下足够的轻量化。另外,在一些实际的应用场景中,对手腕、脚踝等关键点的精度要求较高,但在已有的人体姿态估计模型中,这些肢体关键点的预测精度远低于头部等关键点(本文称这些人体关键点为难推理关键点)。基于目前人体姿态估计发展现状,面向在移动端落地的需求,本文从以下两个思路展开研究。一是保持模型的精度较高的前提下提高模型的运行效率;二是在保证模型足够轻量化的基础上,提升难推理关键点的预测精度。最后,设计开发了一个能够在移动端实时计算处理的用于运动计数的人体姿态估计系统。具体来说,本文的主要工作如下:1.设计了一个轻量级的人体姿态估计网络模型。首先基于深度可分离卷积和注意力机制设计了一个轻量级模块,然后以此为基础模块设计网络结构,提出了简单有效的轻量级特征融合模型(Lightweight Feature Fusion Network,LFFNet)。LFFNet的参数量仅为3.1M,是与其精度相当的主流模型的1/11。LFFNet在保持较高精度的前提下,实现较低的参数量,提高运行效率,更加适合在移动端部署落地。2.针对现有的人体姿态估计模型中存在难推理关键点预测精度低的问题,提出了一种基于动态权重的损失计算方法(Dynamic Focus Loss,DF-Loss)。该方法可以在不额外增加模型的参数量和浮点运算量的前提下,有效的关注到难推理关键点的特征信息,提升其预测精度。本文在多种主流的模型以及轻量化的模型上进行了实验,证明该方法可以有效的提高难推理关键点的精度以及模型的整体精度。3.本文设计开发了一个基于视频流的用于实时运动计数的人体姿态估计系统。使用轻量级人体姿态估计模型LFFNet为底层模型结合DF-Loss方法进行关键点检测,然后基于检测到的关键点的相对位置进行推理计算,输出运动动作是否标准以及动作个数。本系统在移动端的视频处理速度可达12fps,能够部署落地在移动设备实时运行,在保持较低的计算开销的基础上,达到较高的识别精度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/53742.html
