劉先莉 楊 雷 劉志勤 張智慧

(西南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 四川綿陽(yáng) 621010)

近年來(lái)，傳統(tǒng)的企業(yè)IT系統(tǒng)正逐步向基于云計(jì)算基礎(chǔ)設(shè)施的IT系統(tǒng)演進(jìn)，軟件產(chǎn)品的運(yùn)行環(huán)境發(fā)生了深刻的變化，隨之而來(lái)的是軟件本身的模型架構(gòu)和實(shí)現(xiàn)在向“云”化和服務(wù)化的方向轉(zhuǎn)型[1]。在傳統(tǒng)的IT行業(yè)中，大多數(shù)軟件都是由多個(gè)獨(dú)立系統(tǒng)堆砌組成，這些系統(tǒng)的常見(jiàn)問(wèn)題是維護(hù)成本高、可靠性低和擴(kuò)展性差?！拔⒎?wù)(Microservice[2])”概念由Lemwis和Fowler在2014年首次定義：一個(gè)云應(yīng)用程序設(shè)計(jì)模式，意味著應(yīng)用程序被劃分為較小的獨(dú)立服務(wù)，每個(gè)服務(wù)負(fù)責(zé)實(shí)現(xiàn)一個(gè)功能。微服務(wù)的思想源于與傳統(tǒng)整體式架構(gòu)(Monolithic Architecture[3])應(yīng)用的對(duì)比。

微服務(wù)是“Cloud Native[4]”，它允許在頻繁發(fā)布不同服務(wù)的同時(shí)保持系統(tǒng)其他部分的穩(wěn)定性和可用性，使得更容易開(kāi)發(fā)、理解和維護(hù)單個(gè)服務(wù)[5]，但是當(dāng)作為一個(gè)整體實(shí)現(xiàn)時(shí)，它也呈現(xiàn)出復(fù)雜性。使用微服務(wù)時(shí)，有時(shí)需要向不同的應(yīng)用服務(wù)添加一些代碼，代碼量是重復(fù)的；整個(gè)應(yīng)用程序可能只需要部署一小組應(yīng)用程序服務(wù)區(qū)域，而微服務(wù)模型可能需要構(gòu)建、測(cè)試、部署和運(yùn)行幾十個(gè)單獨(dú)的服務(wù)，使得操作和維護(hù)的成本增加；而作為一個(gè)分布式系統(tǒng)，它引入了復(fù)雜性、版本控制、網(wǎng)絡(luò)延遲等問(wèn)題。

目前，微服務(wù)已經(jīng)得到良好的應(yīng)用[6]和對(duì)比分析[7]，但是并未形成統(tǒng)一的微服務(wù)模型方案，針對(duì)上述問(wèn)題，從新的角度研究微服務(wù)技術(shù)，引入神經(jīng)網(wǎng)絡(luò)模型，提出了一種基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型。模型結(jié)合了神經(jīng)網(wǎng)絡(luò)與微服務(wù)，使微服務(wù)具備神經(jīng)元的特性，融入神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。在Web應(yīng)用的實(shí)際開(kāi)發(fā)中驗(yàn)證了該模型的實(shí)用性和有效性。

1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)，簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)(Neural network，NN)或類神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)系中對(duì)復(fù)雜信息的處理機(jī)制的一種數(shù)學(xué)模型[8]。圖1是一個(gè)典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖，可以看出，輸入到神經(jīng)網(wǎng)絡(luò)的信息通過(guò)輸入層、隱藏層和輸出層的順序傳輸?shù)捷敵鰧樱罱K得到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。輸入層和隱藏層都有n個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元。整個(gè)網(wǎng)絡(luò)的輸入是x1，x2，x3，…，xn，對(duì)應(yīng)傳遞給隱藏層的第1，2，3，…，n個(gè)神經(jīng)元中，隱藏層神經(jīng)元以一定的方式聚集輸入層的信息，作為每個(gè)神經(jīng)元的輸入，然后通過(guò)激勵(lì)函數(shù)的作用產(chǎn)生輸出信息。隱藏層神經(jīng)元的激勵(lì)函數(shù)一般采用非線性函數(shù)，隱藏層神經(jīng)元的輸出被傳輸?shù)捷敵鰧?，輸出層輸出作為整個(gè)網(wǎng)絡(luò)的輸出信息y。神經(jīng)網(wǎng)絡(luò)技術(shù)具有諸多優(yōu)點(diǎn)：

(1)自主學(xué)習(xí)：對(duì)復(fù)雜和不確定問(wèn)題具備自我學(xué)習(xí)能力，在學(xué)習(xí)過(guò)程中進(jìn)行自我完善和創(chuàng)新；

(2)信息存儲(chǔ)與運(yùn)算：信息存儲(chǔ)與操作集成為一體，即信息的存儲(chǔ)反映在神經(jīng)元連接的分布中[9]；

(3)信息綜合：能夠很好地協(xié)調(diào)各種輸入信息的關(guān)系，能夠處理各種定量和定性的信息，具有較強(qiáng)的信息綜合能力[10]；

(4)自適應(yīng)：善于聯(lián)想、泛化、類比和推廣，任何局部損壞都不會(huì)影響整體效果，適應(yīng)外部變化并保持良好的性能，具有較強(qiáng)的魯棒性和容錯(cuò)性；

(5)自組織：自適應(yīng)是基于自組織的實(shí)現(xiàn)，依據(jù)外部環(huán)境的變化進(jìn)行自組織[11]。

圖1 典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Typical neural network structure

2 傳統(tǒng)微服務(wù)模型

微服務(wù)可以根據(jù)業(yè)務(wù)功能的獨(dú)立性來(lái)進(jìn)行劃分[12]。每個(gè)單獨(dú)的業(yè)務(wù)功能稱為服務(wù)，每個(gè)服務(wù)對(duì)應(yīng)一個(gè)獨(dú)立的功能。服務(wù)劃分是實(shí)現(xiàn)微服務(wù)架構(gòu)的重要一步，良好的劃分和拆分可以使系統(tǒng)達(dá)到松耦合和高內(nèi)聚的效果[13]。微服務(wù)的靈活組裝可以滿足上層的各種業(yè)務(wù)處理需求。在需求分析和微服務(wù)架構(gòu)設(shè)計(jì)過(guò)程中，區(qū)域動(dòng)詞和名詞通常用于劃分微服務(wù)。例如，對(duì)于電子商務(wù)后臺(tái)系統(tǒng)，它可以分為發(fā)票、訂單、目錄、支付、購(gòu)物車、交易、庫(kù)存、物流、商品等子系統(tǒng)，每個(gè)名詞和動(dòng)詞都可以是微服務(wù)。通過(guò)結(jié)合這些微服務(wù)，可以實(shí)現(xiàn)購(gòu)買商品的電子商務(wù)平臺(tái)用戶的整個(gè)業(yè)務(wù)流程。在此拆分之后，系統(tǒng)具有靈活性、敏捷性和可擴(kuò)展性的特點(diǎn)，并且形成多個(gè)高度自治的微服務(wù)。

組合微服務(wù)有很多種方法，包括：微服務(wù)代理模式、微服務(wù)分支模式、微服務(wù)異步消息模式、微服務(wù)共享數(shù)據(jù)模式、微服務(wù)串聯(lián)模式和微服務(wù)聚合模式[14]。最常見(jiàn)的是微服務(wù)串聯(lián)模式，微服務(wù)串聯(lián)模式結(jié)構(gòu)如圖2所示，類似于一個(gè)工作流：第一個(gè)負(fù)責(zé)接收請(qǐng)求并響應(yīng)服務(wù)使用方；連接服務(wù)后，它與服務(wù)1交互；然后服務(wù)1與服務(wù)2交互；最后，服務(wù)2生成的結(jié)果通過(guò)服務(wù)1和服務(wù)序列逐個(gè)處理，并返回給服務(wù)使用方。

圖2 微服務(wù)串聯(lián)模式結(jié)構(gòu)示意圖Fig.2 Schematic diagram of microservice serial mode structure

3 基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型

3.1 模型概述

Web應(yīng)用中，假設(shè)微服務(wù)足夠小，將一次數(shù)據(jù)請(qǐng)求看作一個(gè)微服務(wù)，將微服務(wù)具體化，每個(gè)服務(wù)都比較簡(jiǎn)單，作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。在神經(jīng)網(wǎng)絡(luò)中，運(yùn)算是通過(guò)大量的神經(jīng)元聯(lián)結(jié)進(jìn)行的。神經(jīng)元處理單元可表示不同的對(duì)象，將一個(gè)微服務(wù)看做一個(gè)神經(jīng)元，只關(guān)注于一個(gè)業(yè)務(wù)功能。融入神經(jīng)網(wǎng)絡(luò)模型，以達(dá)到微服務(wù)的靈活組裝的目的進(jìn)而滿足軟件應(yīng)用的各種各樣的業(yè)務(wù)處理需求。神經(jīng)網(wǎng)絡(luò)中處理單元的類型分為三類：(1)輸入單元：把單個(gè)微服務(wù)數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)預(yù)處理得到x1，x2，…，xi，…，xn，將這n個(gè)輸入數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入單元；(2)隱藏單元：隱藏單元由數(shù)據(jù)庫(kù)表分類神經(jīng)元、請(qǐng)求操作分類神經(jīng)元、條件數(shù)據(jù)分類神經(jīng)元和4個(gè)返回?cái)?shù)據(jù)分類神經(jīng)元(GET,POST,PUT,DELETE)組成；(3)輸出單元：模型中只有1個(gè)輸出單元，輸出微服務(wù)的執(zhí)行結(jié)果y。圖3為基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型結(jié)構(gòu)。

圖3 基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型結(jié)構(gòu)Fig.3 Microservice model based on Neural network

3.2 微服務(wù)數(shù)據(jù)預(yù)處理

由于微服務(wù)數(shù)據(jù)的特殊性和復(fù)雜性，與純文本數(shù)據(jù)相比，它具有一定的結(jié)構(gòu)屬性，與關(guān)系模型數(shù)據(jù)相比，它具有弱的結(jié)構(gòu)屬性。因此，微服務(wù)數(shù)據(jù)是具有半結(jié)構(gòu)化屬性的文本數(shù)據(jù)。微服務(wù)數(shù)據(jù)的預(yù)處理過(guò)程如下：

步驟1 分詞劃分。首先要做的數(shù)據(jù)預(yù)處理就是分詞(Word Segmentation)[15]，由于微服務(wù)數(shù)據(jù)的特殊性，使用正則匹配來(lái)分割英文文本，刪除所有標(biāo)點(diǎn)符號(hào)和空格，只保留字符和數(shù)字，用空格分隔。

pattern = ′,|。|/|;|’|′|[|]|<|>|→|:|"|{|}|～|!|@|#||%|.|&|(|)|-|=|—|+|，|。|、|；|′|′|【|】|·|！| |…|(|)′

步驟 2為每個(gè)詞創(chuàng)建一個(gè)索引。

步驟 3 為每項(xiàng)微服務(wù)數(shù)據(jù)創(chuàng)建一個(gè)矩陣，如果詞出現(xiàn)標(biāo)記為1，否則標(biāo)記為0。

3.3 搭建神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元的互連形成的，在此基礎(chǔ)上構(gòu)造了由數(shù)據(jù)庫(kù)表分類神經(jīng)元、請(qǐng)求操作分類神經(jīng)元、條件數(shù)據(jù)分類神經(jīng)元和返回?cái)?shù)據(jù)分類神經(jīng)元組成的鏈鎖式神經(jīng)網(wǎng)絡(luò)，如圖4所示。

圖4 鏈鎖式神經(jīng)網(wǎng)絡(luò)Fig.4 Chain-locked neural network

神經(jīng)元按照鎖鏈結(jié)構(gòu)依次進(jìn)行計(jì)算處理，鏈鎖式神經(jīng)網(wǎng)絡(luò)可以使神經(jīng)元在空間上增強(qiáng)或擴(kuò)大作用范圍。各類微服務(wù)神經(jīng)元的功能如下：

(1)數(shù)據(jù)庫(kù)表分類神經(jīng)元：確定微服務(wù)作用的數(shù)據(jù)庫(kù)表，數(shù)據(jù)庫(kù)表分類神經(jīng)元結(jié)構(gòu)如圖5所示。對(duì)于數(shù)據(jù)庫(kù)表采用One-Hot編碼向量的表示形式。One-Hot編碼即獨(dú)熱編碼，又稱一位有效編碼，它使用N位狀態(tài)寄存器編碼N個(gè)狀態(tài)，每個(gè)狀態(tài)由其自己的寄存器位編碼，其中只有一個(gè)在任何時(shí)候都有效，這解決了分類器不能很好地處理屬性數(shù)據(jù)的問(wèn)題，并且在一定程度上也起到了擴(kuò)展特征的作用。對(duì)每個(gè)數(shù)據(jù)庫(kù)表編號(hào)，針對(duì)每個(gè)數(shù)據(jù)庫(kù)表建立n維的向量，向量的每個(gè)維度表示一個(gè)表。式(2)中h表示一個(gè)數(shù)據(jù)庫(kù)表的向量表示。然后確定神經(jīng)元的連接權(quán)值(w)和內(nèi)部偏差值(θ)，然后輸入經(jīng)過(guò)數(shù)據(jù)預(yù)處理的數(shù)據(jù)x1，x2，…，xi，…，xn，輸出結(jié)果y由式(1)函數(shù)計(jì)算得到。

圖5 數(shù)據(jù)庫(kù)表分類神經(jīng)元Fig.5 Database table classification neuron

(1)

(2)

(2)條件數(shù)據(jù)分類神經(jīng)元：確定微服務(wù)請(qǐng)求的條件數(shù)據(jù)，微服務(wù)請(qǐng)求參數(shù)主要以“‘參數(shù)名稱’：‘參數(shù)值’”形式傳遞條件數(shù)據(jù)參數(shù)。

(3)請(qǐng)求操作分類神經(jīng)元：確定微服務(wù)的請(qǐng)求操作類型，請(qǐng)求方法是請(qǐng)求一定的Web頁(yè)面的程序或用于特定的URL[16]。請(qǐng)求操作分類如下：

① GET：用于請(qǐng)求特定已被識(shí)別的資源，經(jīng)服務(wù)器端解析并返回響應(yīng)實(shí)體主體；

② POST：將數(shù)據(jù)提交到指定的資源來(lái)處理請(qǐng)求，數(shù)據(jù)包含在請(qǐng)求主體中，到達(dá)傳輸實(shí)體主體的作用；

③ PUT：用從客戶端傳遞到服務(wù)器的數(shù)據(jù)替換指定的最新內(nèi)容，然后保存在指定的位置；

④ DELETE：請(qǐng)求服務(wù)器刪除指定的資源。

(4)返回?cái)?shù)據(jù)分類神經(jīng)元：根據(jù)神經(jīng)元(3)請(qǐng)求操作分類神經(jīng)元的執(zhí)行結(jié)果選擇GET，POST，PUT，DELETE 4種不同返回?cái)?shù)據(jù)分類神經(jīng)元進(jìn)行分類，得到微服務(wù)要求的返回?cái)?shù)據(jù)。

4 模型的實(shí)踐分析

4.1 實(shí)驗(yàn)方案

為驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型的實(shí)用性，根據(jù)微服務(wù)的分類屬性，根據(jù)數(shù)據(jù)庫(kù)在(material，problem，member)3類表中選取1 000項(xiàng)微服務(wù)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究，基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型流程圖如圖6所示。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后根據(jù)鏈鎖式神經(jīng)元依次對(duì)數(shù)據(jù)進(jìn)行分類處理，進(jìn)而分類出微服務(wù)作用的數(shù)據(jù)庫(kù)表，依次分類出微服務(wù)條件數(shù)據(jù)，然后對(duì)請(qǐng)求操作進(jìn)行分類，得出結(jié)果進(jìn)入GET，POST，PUT，DELETE 4組不同返回?cái)?shù)據(jù)分類的神經(jīng)元中，最后執(zhí)行得到結(jié)果。實(shí)驗(yàn)分別基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型與傳統(tǒng)Web應(yīng)用開(kāi)發(fā)模型開(kāi)發(fā)相同功能的Web應(yīng)用，將對(duì)PC端和手機(jī)端進(jìn)行測(cè)試，從數(shù)據(jù)響應(yīng)時(shí)間進(jìn)行對(duì)比與分析。實(shí)驗(yàn)中使用的PC端和手機(jī)端的詳細(xì)測(cè)試配置見(jiàn)表1。

圖6 基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型流程圖Fig.6 Flow chart of microservice model based on neural network

項(xiàng)目PC端手機(jī)端品牌聯(lián)想(LENOVO)OPPO型號(hào)昭陽(yáng)ES2-80R7Plusm系統(tǒng)版本W(wǎng)indows10專業(yè)版64位Android5.1.1RAM8 GB3 GBROM1 TB32 GB瀏覽器Google Chrome66.0.3359.181Google Chrome68.0.3440.70

4.2 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)中根據(jù)對(duì)基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型和傳統(tǒng)的Web應(yīng)用開(kāi)發(fā)模型的對(duì)比測(cè)試得到以下結(jié)果。在驗(yàn)證過(guò)程中，實(shí)現(xiàn)了個(gè)人受助詳情(help_ask_detail)頁(yè)面(PC端和手機(jī)端瀏覽器的運(yùn)行效果界面圖略)。實(shí)驗(yàn)過(guò)程中采用本地JSON格式數(shù)據(jù)，文字和圖片信息均保留在本地，以排除網(wǎng)絡(luò)等因素對(duì)Web應(yīng)用性能表現(xiàn)的影響。采用2.1節(jié)提出的方法對(duì)1 000 項(xiàng)微服務(wù)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)數(shù)據(jù)庫(kù)采取One-Hot編碼(material：[ 1 0 0 ]，problem:[ 0 1 0 ]，member:[ 0 0 1 ])。數(shù)據(jù)庫(kù)表分類神經(jīng)元、條件數(shù)據(jù)分類神經(jīng)元、請(qǐng)求操作分類神經(jīng)元、返回?cái)?shù)據(jù)分類神經(jīng)元及最終執(zhí)行結(jié)果都能達(dá)到100%準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如表2所示，說(shuō)明所建立的基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型具有良好的泛化能力。

針對(duì)基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型和傳統(tǒng)的Web應(yīng)用開(kāi)發(fā)模型進(jìn)行對(duì)比測(cè)試，采用兩種模型開(kāi)發(fā)相同功能的Web應(yīng)用，在PC端和手機(jī)端瀏覽器運(yùn)行100項(xiàng)、500項(xiàng)和1 000項(xiàng)的微服務(wù)數(shù)據(jù)請(qǐng)求進(jìn)行測(cè)試。圖7和圖8是數(shù)據(jù)響應(yīng)時(shí)間統(tǒng)計(jì)的對(duì)比分析，數(shù)據(jù)響應(yīng)時(shí)間反映了在不同的微服務(wù)模型下針對(duì)于相同數(shù)據(jù)源，微服務(wù)數(shù)據(jù)執(zhí)行完成所需要的響應(yīng)時(shí)間越短，速度越快，帶給用戶的體驗(yàn)感越好。從圖中可以看出，兩種模型得到的結(jié)果表明所建立的基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型具有一定的實(shí)用性和有效性。

表2 實(shí)驗(yàn)結(jié)果Table 2 Experimental result

圖7 PC端數(shù)據(jù)響應(yīng)時(shí)間統(tǒng)計(jì)Fig.7 Response time statistics of PC-side data

圖8 手機(jī)端數(shù)據(jù)響應(yīng)時(shí)間統(tǒng)計(jì)Fig.8 Response Time Statistics of Mobile Data

5 結(jié)束語(yǔ)

通過(guò)將微服務(wù)技術(shù)和神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，設(shè)計(jì)并提出了一種基于神經(jīng)網(wǎng)絡(luò)的微服務(wù)模型。模型將微服務(wù)定義為神經(jīng)元，且將微服務(wù)具體化，把一次數(shù)據(jù)請(qǐng)求看作一個(gè)微服務(wù)，作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，微服務(wù)既作為輸入單元也作為處理單元。實(shí)驗(yàn)采取對(duì)1 000項(xiàng)微服務(wù)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并對(duì)數(shù)據(jù)庫(kù)表采取One-Hot編碼，經(jīng)過(guò)由數(shù)據(jù)庫(kù)表分類神經(jīng)元、請(qǐng)求操作分類神經(jīng)元、條件數(shù)據(jù)分類神經(jīng)元和返回?cái)?shù)據(jù)分類神經(jīng)元組成的鏈鎖式神經(jīng)網(wǎng)絡(luò)模型處理后，得到微服務(wù)的執(zhí)行結(jié)果。實(shí)驗(yàn)結(jié)果表明該模型通過(guò)將微服務(wù)處理過(guò)程神經(jīng)網(wǎng)絡(luò)化，使得Web應(yīng)用開(kāi)發(fā)過(guò)程變得更加靈活，具有一定的實(shí)用價(jià)值。未來(lái)的研究思路是通過(guò)融合神經(jīng)網(wǎng)絡(luò)信息綜合能力、自我學(xué)習(xí)能力、信息存儲(chǔ)與運(yùn)算和自組織能力等優(yōu)點(diǎn)，繼續(xù)優(yōu)化此模型，并進(jìn)一步實(shí)現(xiàn)微服務(wù)擴(kuò)展、合并、解體等功能，以提高Web應(yīng)用的開(kāi)發(fā)效率。