基于LSTM模型的智能服務治理方案研究與實踐
電子技術應用
李雄清1，2，楊彭程3，宋欣卉1，2，李佳琦3，李永1，2，洪志鵬3
1.中國民航信息網絡股份有限公司；2.民航旅客服務智能化應用技術重點實驗室；3.沈陽民航東北凱亞有限公司
摘要： 為解決航空公司網站在訪問量大幅波動時容易導致系統異常、難以快速進行治理的問題，以Spring Cloud微服務治理框架為基礎，融入長短期記憶（LSTM）模型對系統指標進行分析與預測，結合云原生架構，提出了一種基于LSTM模型的智能服務治理方案。利用LSTM對歷史指標數據進行訓練并輸出預測模型，實現對于指標的趨勢預測；結合云原生基礎設施，生成基于預測結果的主動式水平容器組自動伸縮器，實現資源預伸縮；根據指標預測結果與變化趨勢自動下發與回收治理策略，實現智能化的流量治理。實踐表明，該方案能根據模型預測結果提前做好資源擴縮容與服務治理，有效規避系統風險。
中圖分類號：TP311.5 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.246037
中文引用格式： 李雄清，楊彭程，宋欣卉，等. 基于LSTM模型的智能服務治理方案研究與實踐[J]. 電子技術應用，2025，51(9)：73-78.
英文引用格式： Li Xiongqing，Yang Pengcheng，Song Xinhui，et al. Research and practice of intelligent service governance scheme based on LSTM model[J]. Application of Electronic Technique，2025，51(9)：73-78.
中文引用格式： 李雄清，楊彭程，宋欣卉，等. 基于LSTM模型的智能服務治理方案研究與實踐[J]. 電子技術應用，2025，51(9)：73-78.
英文引用格式： Li Xiongqing，Yang Pengcheng，Song Xinhui，et al. Research and practice of intelligent service governance scheme based on LSTM model[J]. Application of Electronic Technique，2025，51(9)：73-78.
Research and practice of intelligent service governance scheme based on LSTM model
Li Xiongqing1，2，Yang Pengcheng3，Song Xinhui1，2，Li Jiaqi3，Li Yong1，2，Hong Zhipeng3
1.TravelSky Technology Limited；2.Key Laboratory of Intelligent Passenger Service of Civil Aviation；3.Shenyang Civil Aviation Northeast Kaiya Co
Abstract： In order to solve the problem that the airline's website is easy to cause system anomalies and difficult to manage quickly when the number of visitors fluctuates greatly, this paper proposes an intelligent service governance Scheme based on Long Short Term Memory (LSTM) model， which is dased on SpringCloud microservice governance framework, incorporates LSTM model to analyze and predict the system metrics, and combines the Cloud-Native architecture. Using LSTM to train and output the prediction model for historical index data, it realizes the trend prediction of indexes; combining with Cloud-Native infrastructure, it generates active horizontal container group auto scaler based on the prediction results, realizing the pre-scaling of basic resources; according to the index prediction results and the change trend, it automatically sends out and recycles the management policy, realizing intelligent traffic management. Practice has shown that this scheme can effectively mitigate system risks by preparing for resource scaling and service management in advance based on model prediction results.
Key words : intelligence；service governance；elastic scaling；fusion limiting；trend prediction
引言
隨著信息技術的快速發展，微服務架構與云原生技術已成為構建現代應用系統的主流選擇，越來越多的企業選擇將應用微服務化后部署在云上，加速邁入云原生時代[1]。其中，谷歌公司推出的Kubernetes[2]容器集群管理系統戰勝了Swarm和Apache Mesos成為容器集群管理的事實標準[3]。
在云原生架構中，彈性伸縮技術是保證服務高可用性和資源優化的關鍵。Kubernetes提供的水平Pod自動縮放器[4](Horizontal Pod Autoscaler, HPA)逐漸成為云原生下的重要工具。通過無狀態性[5]應用設計和HPA可以實現在高負載的情況下，服務器資源達到閾值時，程序自動橫向擴展Pod的能力。
微服務架構下的服務治理是一系列用于管理和控制服務的策略和措施，用于保證業務的連續性和穩定性。其中阿里巴巴作為服務治理領域的先行者，推出了Spring Cloud Alibaba解決方案，該方案基于Spring Cloud微服務生態，集成了Nacos、Sentinel等組件，為服務治理提供了全面的技術支持。Sentinel組件通過實時監控、流量控制和熔斷降級等手段實現了對微服務的高效治理。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000006691
作者信息：
李雄清1，2，楊彭程3，宋欣卉1，2，李佳琦3，李永1，2，洪志鵬3
（1.中國民航信息網絡股份有限公司，北京 101318；
2.民航旅客服務智能化應用技術重點實驗室，北京 101318；
3.沈陽民航東北凱亞有限公司，遼寧 沈陽 110168）
此內容為AET網站原創，未經授權禁止轉載。