分布式服务注册订阅方法、装置、设备、存储介质和程序产品

技术领域

本公开涉及云计算技术领域，具体地涉及分布式技术领域，更具体地涉及一种分布式服务注册订阅方法、装置、设备、存储介质和程序产品。

背景技术

随着数字信息化的推进，对系统及平台的依赖性越来越高，高可用模式下的异地多活架构中海量服务的注册和订阅不断考验着分布式系统的承压能力。对于重要的业务系统，稳定的、持续化的服务能力尤为重要。

在系统升级容器重启的过程中，容器需要在注册中心重新注册和订阅服务。当前大部分服务之间通过HTTP调用和RPC这两种轻量级通信方式来实现相互通信，但这两种通信方式都属于同步点对点通信的范畴，会造成服务之间存在高耦合，随着服务规模的不断扩张以及服务请求量的急剧增加，若在服务实例化后再订阅下游服务的方式，会导致大量服务在订阅期间请求易阻塞、超时报错以及请求无缓冲等缺陷，这些缺陷也被不断地放大从而影响着整个系统的性能和稳定性。分布式服务提前订阅，可以加速服务发现和调用、提高系统的可用性、降低系统延迟以及故障风险，但若在服务实例启动前订阅下游全部服务，大量服务订阅对于注册中心客户端压力过大。如何使用新技术优化服务注册订阅时效，提高业务性能是一个重要挑战。。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

鉴于上述问题，本公开提供了一种旨在解决容器启动后大量服务在注册订阅期间超时问题，提高资源利用率和性能的分布式服务注册订阅方法、装置、设备、存储介质和程序产品。

根据本公开的第一个方面，提供了一种分布式服务注册订阅方法，所述方法包括：

响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的；

接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息；以及

将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅。

根据本公开的实施例，基于历史调用数据预先训练得到决策树模型包括：

采集服务注册中心的历史数据和平台服务调用数据作为初始样本数据，并将所述初始样本数据分为训练集和测试集；

确定初始样本数据的特征变量，所述特征变量包括服务重要程度权重、时效敏感性权重、服务调用量、调用频率、调用链路和容器物理部署位置；

对所述初始样本数据进行预处理；

使用训练集的数据构建决策树模型；以及

使用测试集的数据对决策树模型进行评估。

根据本公开的实施例，所述使用训练集的数据构建决策树模型包括：

计算每一特征变量的信息增益熵；以及

根据所述信息增益熵确定决策树的根节点和叶子节点，以形成决策树。

根据本公开的实施例，所述计算每一特征变量的信息增益熵包括：

根据服务监控平台上报数据确定数据集并计算数据集的信息熵；

计算每一特征变量对数据集的经验条件熵；以及

根据所述信息熵和所述经验条件熵确定每一特征变量的信息增益熵。

根据本公开的实施例，所述根据所述信息增益熵确定决策树的根节点和叶子节点包括：

将信息增益熵最大的特征变量作为决策树的根节点；以及

将其他特征变量按照信息增益熵的值排序作为叶子节点，形成完整决策树。

根据本公开的实施例，在将订阅服务请求队列输入决策树模型之前，还包括：

根据订阅服务请求标识确定需要输入决策树模型的订阅服务请求。

根据本公开的实施例，所述方法还包括：

服务监控平台接收各个节点上报的监控信息进行持久化存储；以及

定期将所述监控信息统计汇总发送至决策树模型，

其中所述监控信息包括服务请求次数、响应时间、服务调用次数、调用时间和服务上下游关系。

本公开的第二方面提供了一种分布式服务注册订阅装置，所述装置包括：

输入模块，用于响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的；

接收模块，用于接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息；以及

服务订阅模块，用于将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅。

根据本公开的实施例，所述装置包括：决策树模型构建模块。

决策树模型构建模块用于基于历史调用数据预先训练得到决策树模型。

根据本公开的实施例，所述决策树模型构建模块包括数据采集子模块、确定子模块、预处理子模块、构建子模块和模型评估子模块。

数据采集子模块，用于采集服务注册中心的历史数据和平台服务调用数据作为初始样本数据，并将所述初始样本数据分为训练集和测试集；

确定子模块，用于确定初始样本数据的特征变量，所述特征变量包括服务重要程度权重、时效敏感性权重、服务调用量、调用频率、调用链路和容器物理部署位置；

预处理子模块，用于对所述初始样本数据进行预处理；

构建子模块，用于使用训练集的数据构建决策树模型；以及

模型评估子模块，用于使用测试集的数据对决策树模型进行评估。

根据本公开的实施例，所述构建子模块包括：计算单元和确定单元。

计算单元，用于计算每一特征变量的信息增益熵；以及

确定单元，用于根据所述信息增益熵确定决策树的根节点和叶子节点，以形成决策树。

根据本公开的实施例，所述计算单元包括：第一计算子单元、第二计算子单元和确定子单元。

第一计算子单元，用于根据服务监控平台上报数据确定数据集并计算数据集的信息熵；

第二计算子单元，用于计算每一特征变量对数据集的经验条件熵；以及

确定子单元，用于根据所述信息熵和所述经验条件熵确定每一特征变量的信息增益熵。

根据本公开的实施例，所述确定单元包括：根节点确定子单元和叶子节点确定子单元，

根节点确定子单元，用于将信息增益熵最大的特征变量作为决策树的根节点；以及

叶子节点确定子单元，用于将其他特征变量按照信息增益熵的值排序作为叶子节点，形成完整决策树。

根据本公开的实施例，所述装置还包括：确定模块，

确定模块，用于根据订阅服务请求标识确定需要输入决策树模型的订阅服务请求。

根据本公开的实施例，所述装置还包括：监控信息接收模块和监控信息统计模块。

监控信息接收模块用于服务监控平台接收各个节点上报的监控信息进行持久化存储；以及

监控信息统计模块，用于定期将所述监控信息统计汇总发送至决策树模型，

其中所述监控信息包括服务请求次数、响应时间、服务调用次数、调用时间和服务上下游关系。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述分布式服务注册订阅方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述分布式服务注册订阅方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述分布式服务注册订阅方法。

通过本公开的实施例提供的一种分布式服务注册订阅方法，响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的；接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息；以及将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅，通过本公开实施例提供的分布式服务注册订阅方法，利用决策树模型对资源使用进行智能化分析和预测，动态调整注册中心服务注册订阅顺序，实现容器启动后最大程度保证重点服务及时对外提供服务，从而提高业务系统稳定的、持续化的服务能力。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的分布式服务注册订阅方法、装置、设备、存储介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例提供的分布式服务订阅系统架构图；

图3示意性示出了根据本公开一实施例提供的一种分布式服务注册订阅方法的流程图；

图4示意性示出了根据本公开另一实施例提供的基于历史调用数据预先训练得到决策树模型的流程图；

图5示意性示出了根据本公开另一实施例提供的使用训练集的数据构建决策树模型的流程图之一；

图6示意性示出了根据本公开另一实施例提供的使用训练集的数据构建决策树模型的流程图之二；

图7示意性示出了根据本公开另一实施例提供的使用训练集的数据构建决策树模型的流程图之三；

图8示意性示出了根据本公开另一实施例提供的服务监控平台获取监控信息以构建决策树模型方法的流程图；

图9示意性示出了根据本公开实施例的一种分布式服务注册订阅装置的结构框图；以及

图10示意性示出了根据本公开实施例的适于实现分布式服务注册订阅方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在系统升级容器重启的过程中，容器需要在注册中心重新注册和订阅服务。当前大部分服务之间通过HTTP调用和RPC这两种轻量级通信方式来实现相互通信，但这两种通信方式都属于同步点对点通信的范畴，会造成服务之间存在高耦合，随着服务规模的不断扩张以及服务请求量的急剧增加，若在服务实例化后再订阅下游服务的方式，会导致大量服务在订阅期间请求易阻塞、超时报错以及请求无缓冲等缺陷，这些缺陷也被不断地放大从而影响着整个系统的性能和稳定性。分布式服务提前订阅，可以加速服务发现和调用、提高系统的可用性、降低系统延迟以及故障风险，但若在服务实例启动前订阅下游全部服务，大量服务订阅对于注册中心客户端压力过大。

基于上述技术问题，本公开的实施例提供了一种分布式服务注册订阅方法，所述方法包括：响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的；接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息；以及将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅。

图1示意性示出了根据本公开实施例的分布式服务注册订阅方法、装置、设备、存储介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括分布式服务注册订阅场景。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是后端服务器，该服务器可以执行本公开实施例提供的分布式服务注册订阅方法，响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的；接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息；以及将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅。

需要说明的是，本公开实施例所提供的分布式服务注册订阅方法一般可以由服务器105执行。相应地，本公开实施例所提供的分布式服务注册订阅装置一般可以设置于服务器105中。本公开实施例所提供的分布式服务注册订阅方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的分布式服务注册订阅装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

需要说明的是，本公开实施例确定的分布式服务注册订阅方法和装置可用于互联网技术领域，也可用于金融技术领域，还可用于除金融领域之外的任意领域，本公开实施例确定的分布式服务注册订阅方法和装置的应用领域不做限定。

图2示意性示出了根据本公开实施例提供的分布式服务订阅系统架构图。如图2所示，本公开实施例中的分布式服务订阅系统包括注册中心、服务提供者、服务消费者、决策树模型、KAFKA集群和服务监控平台。服务提供者对外提供服务，在服务注册中心注册服务，服务消费者创建通信的“主题”并通知KAFKA，注册中心从KAFKA上订阅待接收的主题。服务消费者发送服务订阅请求至KAFKA集群，判断是否需要进行决策树模型判断，不需要进行决策树模型判断的服务直接放在队列头部。需要进行决策树模型判断的服务，KAFKA集群向决策树模型发送判断请求。KAFKA集群接受决策树模型返回的结果队列。KAFKA将该队列的消息发送到注册中心。注册中心接收订阅主题的消息。服务监控平台依赖于监控业务系统并上报监控信息。业务系统和注册中心集成监控Agent包，配置监控系统访问地址、监控内容等信息。监控Agent会根据配置，对服务请求、服务请求次数、响应时间等进行监控，并统计服务调用次数、调用时间、上下游关系等信息，定期向服务监控平台发送监控信息。服务监控平台接收各个节点发出的监控信息，并进行持久化存储。服务监控平台定期将各个节点信息统计汇总，打包发送给决策树模型使用。

以下将基于图1描述的应用场景和图2描述的系统架构图，通过图3～图8对本公开实施例的分布式服务注册订阅方法进行详细描述。

图3示意性示出了根据本公开一实施例提供的一种分布式服务注册订阅方法的流程图。如图3所示，该实施例的分布式服务注册订阅方法包括操作S210～操作S230，该方法可以由服务器或其他计算设备执行。

在操作S210，响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型。

根据本公开的实施例，所述决策树模型是基于历史调用数据预先训练得到的。

一个示例中，容器重启的过程中，容器需要在注册中心重新注册和订阅服务，重启容器作为服务消费者，将订阅服务请求发送至消息中间件集群，本公开的消息中间件集群例如可以是Kafka集群，由于大量服务订阅对于注册中心客户端压力过大，因此为了提高系统的可用性、降低系统延迟以及故障风险，将订阅服务请求队列输入决策树模型，以确定订阅服务请求队列中的订阅服务请求处理的优先级，决策树模型是基于历史调用数据预先训练得到的，基于决策树算法进行特征选择和预测建模，针对不同服务的历史调用数据以及权重、部署地区等不同属性进行分析和预测，能够实现动态调整注册中心服务注册订阅顺序，优化资源使用。

在操作S210之前，还可以包括根据订阅服务请求标识确定需要输入决策树模型的订阅服务请求。一个示例中，在输入决策树模型之前，首先需要对订阅服务请求队列中的订阅请求进行初步判断，确定是否需要进行决策树模型判断，例如存在一些服务较为重要，需要优先处理，此时不需要进行决策树模型判断，直接将该服务请求直接放在队列头部。

在操作S220，接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息。

在操作S230，将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅。

一个示例中，通过预先训练好的决策树模型对输入的订阅服务请求队列的注册订阅顺序进行重新排序，主要从服务重要程度、时效敏感性、服务调用量、服务调用频率和调用链路等多个维度进行确定。决策树模型向KAFKA集群返回结果队列，服务注册中心作为消息的消费者，消费结果队列中服务注册订阅顺序信息，根据服务注册的订阅顺序信息进行服务订阅。经过优化后的服务注册订阅顺序，实现容器启动后最大程度保证重点服务及时对外提供服务，从而提高业务系统稳定的、持续化的服务能力。

通过本公开的实施例提供的一种分布式服务注册订阅方法，响应于服务消费者的订阅服务请求，将订阅服务请求队列输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的；接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息；以及将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅，通过本公开实施例提供的分布式服务注册订阅方法，利用决策树模型对资源使用进行智能化分析和预测，动态调整注册中心服务注册订阅顺序，实现容器启动后最大程度保证重点服务及时对外提供服务，从而提高业务系统稳定的、持续化的服务能力。

下面将结合图4～7介绍决策树模型构建过程。图4示意性示出了根据本公开另一实施例提供的基于历史调用数据预先训练得到决策树模型的流程图。图5示意性示出了根据本公开另一实施例提供的使用训练集的数据构建决策树模型的流程图之一，图6示意性示出了根据本公开另一实施例提供的使用训练集的数据构建决策树模型的流程图之二。图7示意性示出了根据本公开另一实施例提供的使用训练集的数据构建决策树模型的流程图之三。

如图4所示，包括操作S310～操作S350。

在操作S310，采集服务注册中心的历史数据和平台服务调用数据作为初始样本数据，并将所述初始样本数据分为训练集和测试集。

一个示例中，数据采集终端收集平台服务调用情况和注册中心的历史数据，将其转化为合适的数据格式，将数据分为训练集和测试集。

在操作S320，确定初始样本数据的特征变量。

根据本公开的实施例，所述特征变量包括服务重要程度权重、时效敏感性权重、服务调用量、调用频率、调用链路和容器物理部署位置。

一个示例中，根据云原生领域和数据分析技术，根据服务的业务情况，选择合适的特征变量，包括服务调用量情况、服务调用链路长短和服务重要性程度三个维度。具体包括服务重要程度权重、时效敏感性权重、服务调用量、调用频率、调用链路和容器物理部署位置。

服务重要程度权重：服务重要程度是影响服务顺序的重要指标，重点服务对成功率敏感，对系统影响较大。时效敏感性权重：服务的时效性是影响服务权重的重要指标。它用来衡量服务的响应速度，对时效敏感的服务直接影响用户体验和服务质量。服务调用量：服务调用量是影响服务顺序的重要指标，服务调用量越多，说明调用越频率越高，注册订阅的顺序也要提前。调用频率：调用频率受时间段影响较高。一些服务仅在固定的时间有调用。因此需要根据容器启动时间和当前时间下服务的调用频率调整服务权重。调用链路：若不同服务处于同一调用链路中，部分服务会受其他服务影响，导致已订阅的服务依然超时。因此需根据调用链路中的服务情况，动态调整服务订阅顺序。容器物理部署位置：容器物理部署与注册中心的地点对于服务注册订阅链路时效影响较高。对于同一地点的容器与注册中心应提高注册订阅权重，尽快提供服务。

在操作S330，对所述初始样本数据进行预处理。

一个示例中，根据实际业务情况及服务特征，将服务分为多个类别，并为每类服务打上相应的标签。对数据进行预处理，包括特征缩放、处理缺失值等，以确保数据在一定范围内并且没有异常。

在操作S340，使用训练集的数据构建决策树模型。

如图5所示，操作S340包括操作S341和操作S342。

在操作S341，计算每一特征变量的信息增益熵。

在操作S342，根据所述信息增益熵确定决策树的根节点和叶子节点，以形成决策树。

一个示例中，使用训练集的数据来构建决策树模型，根据特征变量的取值对数据进行划分，每个节点代表一个特征变量和其对应的取值，每个分支代表一个取值的条件。在决策树算法中，用信息增益来度量。选择一个特征后，信息增益最大，那就选取这个特征。

如图6所示，操作S341包括操作S3411～操作S3413。

在操作S3411，根据服务监控平台上报数据确定数据集并计算数据集的信息熵。

一个示例中，根据当前服务平台监控数据的情况，获取数据集D。其中|D|是数据集中所有样本个数，k是目标变量的类别数，|C

在本次决策时算法的应用中，目标变量D就是当前时段服务是否需要立即订阅。即订阅和不订阅。若当前数据集中样本个数为|D|＝140，其中服务需要立即订阅个数为90，服务不需要立即订阅个数为50。按照上述公式(1)计算信息熵：

在操作S3412，计算每一特征变量对数据集的经验条件熵。

一个示例中，计算某一特征对数据集D的经验条件熵。中|D|是数据集中所有样本个数，i是当前特征值的不同取值个数，|Di|是该取值的样本基于目标变量的信息熵。

举例来说，如使用服务调用时间作为当前特征，调用时间配置三种取值{小于100ms，大于100ms且小于300ms，大于300ms}。根据调用时间特征取值，将数据集划分为三个子集。其中小于100ms的子集有50个样本，其中20个服务需要立即订阅，30个服务不需要立即订阅；大于100ms且小于300ms有40个样本，都为需要立即订阅；大于300ms的自己有50个样本，其中还30个服务需要立即订阅，20个服务不需要立即订阅。带入公式(2)可得信息熵：

在操作S3413，根据所述信息熵和所述经验条件熵确定每一特征变量的信息增益熵。

一个示例中，信息增益熵＝信息熵-条件熵。得到服务调用时间增益为：

g(D，A)＝H(D)-H(D|A)＝0.17103394

如图7所示，操作S342包括操作S3421和操作S3422。

在操作S3421，将信息增益熵最大的特征变量作为决策树的根节点。

在操作S3422，将其他特征变量按照信息增益熵的值排序作为叶子节点，形成完整决策树。

一个示例中，不断重复操作S3412和操作S3413，根据每个属性的条件熵，可以计算每个特征变量的信息增益熵。获取最大的信息增益熵，做为决策树的判断条件。如服务时效敏感性信息增益最大，则将服务时效敏感这一特征作为决策树的根节点，将其他特征按照信息增熵的值排序作为叶子节点，形成一个完整的决策树。

在操作S350，使用测试集的数据对决策树模型进行评估。

一个示例中，使用测试集的数据对决策树模型进行评估，计算其准确率、召回率、F1值等指标对决策树模型进行评估。

图8示意性示出了根据本公开另一实施例提供的服务监控平台获取监控信息以构建决策树模型方法的流程图。

在训练得到决策树模型后，还包括操作S410和操作S420。

在操作S410，服务监控平台接收各个节点上报的监控信息进行持久化存储。

在操作S420，定期将所述监控信息统计汇总发送至决策树模型。

根据本公开的实施例，所述监控信息包括服务请求次数、响应时间、服务调用次数、调用时间和服务上下游关系。

一个示例中，服务监控平台依赖于监控业务系统并上报监控信息。因为业务系统和服务监控系统是两个独立的系统，因此设计中应尽量减少业务系统对监控系统的感知，保证监控系统不会对业务系统的稳定、性能、安全造成影响。监控系统在保障系统安全稳定运行的同时能够及时的将采集的信息存入数据库中，并能同步定期返回必要信息给决策树模型使用。服务监控的整体流程如下：业务系统和注册中心继承监控Agent包，配置监控系统访问地址、监控内容等信息。监控Agent会根据配置，对服务请求、服务请求次数、响应时间等进行监控，并统计服务调用次数、调用时间、上下游关系等信息，定期向服务监控平台发送监控信息。服务监控平台接收各个节点发出的监控信息，并进行持久化存储。服务监控平台定期将各个节点信息统计汇总，打包发送给决策树模型使用。

基于上述分布式服务注册订阅方法，本公开还提供了一种分布式服务注册订阅装置。以下将结合图9对该装置进行详细描述。

图9示意性示出了根据本公开实施例的一种分布式服务注册订阅装置的结构框图。如图9所示，该实施例的分布式服务注册订阅装置700包括输入模块710、接收模块720和服务订阅模块730。

输入模块710用于响应于服务消费者的订阅服务请求，将所述订阅服务请求输入决策树模型，所述决策树模型是基于历史调用数据预先训练得到的。在一实施例中，输入模块710可以用于执行前文描述的操作S210，在此不再赘述。

接收模块720用于接收所述决策树模型返回的结果队列，所述结果队列包括服务注册订阅顺序信息。在一实施例中，接收模块720可以用于执行前文描述的操作S220，在此不再赘述。

服务订阅模块730用于将服务注册订阅顺序信息发送至服务注册中心，以完成服务订阅。在一实施例中，服务订阅模块730可以用于执行前文描述的操作S230，在此不再赘述。

根据本公开的实施例，所述装置包括：决策树模型构建模块。

决策树模型构建模块用于基于历史调用数据预先训练得到决策树模型。

根据本公开的实施例，所述决策树模型构建模块包括数据采集子模块、确定子模块、预处理子模块、构建子模块和模型评估子模块。

数据采集子模块，用于采集服务注册中心的历史数据和平台服务调用数据作为初始样本数据，并将所述初始样本数据分为训练集和测试集；在一实施例中，数据采集子模块可以用于执行前文描述的操作S310，在此不再赘述。

确定子模块，用于确定初始样本数据的特征变量，所述特征变量包括服务重要程度权重、时效敏感性权重、服务调用量、调用频率、调用链路和容器物理部署位置；在一实施例中，确定子模块可以用于执行前文描述的操作S320，在此不再赘述。

预处理子模块，用于对所述初始样本数据进行预处理；在一实施例中，预处理子模块可以用于执行前文描述的操作S330，在此不再赘述。

构建子模块，用于使用训练集的数据构建决策树模型；在一实施例中，构建子模块可以用于执行前文描述的操作S340，在此不再赘述。

模型评估子模块，用于使用测试集的数据对决策树模型进行评估。在一实施例中，模型评估子模块可以用于执行前文描述的操作S350，在此不再赘述。

根据本公开的实施例，所述构建子模块包括：计算单元和确定单元。

计算单元，用于计算每一特征变量的信息增益熵。在一实施例中，计算单元可以用于执行前文描述的操作S341，在此不再赘述。

确定单元，用于根据所述信息增益熵确定决策树的根节点和叶子节点，以形成决策树。在一实施例中，确定单元可以用于执行前文描述的操作S342，在此不再赘述。

根据本公开的实施例，所述计算单元包括：第一计算子单元、第二计算子单元和确定子单元。

第一计算子单元，用于根据服务监控平台上报数据确定数据集并计算数据集的信息熵；在一实施例中，第一计算子单元可以用于执行前文描述的操作S3411，在此不再赘述。

第二计算子单元，用于计算每一特征变量对数据集的经验条件熵；在一实施例中，第二计算子单元可以用于执行前文描述的操作S3412，在此不再赘述。

确定子单元，用于根据所述信息熵和所述经验条件熵确定每一特征变量的信息增益熵。在一实施例中，确定子单元可以用于执行前文描述的操作S3413，在此不再赘述。

根据本公开的实施例，所述确定单元包括：根节点确定子单元和叶子节点确定子单元，

根节点确定子单元，用于将信息增益熵最大的特征变量作为决策树的根节点；在一实施例中，数据采集子模块可以用于执行前文描述的操作S3421，在此不再赘述。

叶子节点确定子单元，用于将其他特征变量按照信息增益熵的值排序作为叶子节点，形成完整决策树。在一实施例中，数据采集子模块可以用于执行前文描述的操作S3422，在此不再赘述。

根据本公开的实施例，所述装置还包括确定模块，

确定模块，用于根据订阅服务请求标识确定需要输入决策树模型的订阅服务请求。

根据本公开的实施例，所述装置还包括：监控信息接收模块和监控信息统计模块。

监控信息接收模块用于服务监控平台接收各个节点上报的监控信息进行持久化存储。在一实施例中，监控信息接收模块可以用于执行前文描述的操作S410，在此不再赘述。

监控信息统计模块，用于定期将所述监控信息统计汇总发送至决策树模型，其中所述监控信息包括服务请求次数、响应时间、服务调用次数、调用时间和服务上下游关系。在一实施例中，监控信息统计模块可以用于执行前文描述的操作S420，在此不再赘述。

根据本公开的实施例，输入模块710、接收模块720和服务订阅模块730中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，输入模块710、接收模块720和服务订阅模块730中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，输入模块710、接收模块720和服务订阅模块730中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图10示意性示出了根据本公开实施例的适于实现分布式服务注册订阅方法的电子设备的方框图。

如图10所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器909也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器909上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的分布式服务注册订阅方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的分布式服务注册订阅方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，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公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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、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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。