基于LSTM模型的智能服务治理方案研究与实践
电子技术应用
李雄清1，2，杨彭程3，宋欣卉1，2，李佳琦3，李永1，2，洪志鹏3
1.中国民航信息网络股份有限公司；2.民航旅客服务智能化应用技术重点实验室；3.沈阳民航东北凯亚有限公司
摘要： 为解决航空公司网站在访问量大幅波动时容易导致系统异常、难以快速进行治理的问题，以Spring Cloud微服务治理框架为基础，融入长短期记忆（LSTM）模型对系统指标进行分析与预测，结合云原生架构，提出了一种基于LSTM模型的智能服务治理方案。利用LSTM对历史指标数据进行训练并输出预测模型，实现对于指标的趋势预测；结合云原生基础设施，生成基于预测结果的主动式水平容器组自动伸缩器，实现资源预伸缩；根据指标预测结果与变化趋势自动下发与回收治理策略，实现智能化的流量治理。实践表明，该方案能根据模型预测结果提前做好资源扩缩容与服务治理，有效规避系统风险。
中图分类号：TP311.5 文献标志码：A DOI: 10.16157/j.issn.0258-7998.246037
中文引用格式： 李雄清，杨彭程，宋欣卉，等. 基于LSTM模型的智能服务治理方案研究与实践[J]. 电子技术应用，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，杨彭程，宋欣卉，等. 基于LSTM模型的智能服务治理方案研究与实践[J]. 电子技术应用，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
随着信息技术的快速发展，微服务架构与云原生技术已成为构建现代应用系统的主流选择，越来越多的企业选择将应用微服务化后部署在云上，加速迈入云原生时代[1]。其中，谷歌公司推出的Kubernetes[2]容器集群管理系统战胜了Swarm和Apache Mesos成为容器集群管理的事实标准[3]。
在云原生架构中，弹性伸缩技术是保证服务高可用性和资源优化的关键。Kubernetes提供的水平Pod自动缩放器[4](Horizontal Pod Autoscaler, HPA)逐渐成为云原生下的重要工具。通过无状态性[5]应用设计和HPA可以实现在高负载的情况下，服务器资源达到阈值时，程序自动横向扩展Pod的能力。
微服务架构下的服务治理是一系列用于管理和控制服务的策略和措施，用于保证业务的连续性和稳定性。其中阿里巴巴作为服务治理领域的先行者，推出了Spring Cloud Alibaba解决方案，该方案基于Spring Cloud微服务生态，集成了Nacos、Sentinel等组件，为服务治理提供了全面的技术支持。Sentinel组件通过实时监控、流量控制和熔断降级等手段实现了对微服务的高效治理。
本文详细内容请下载：
//www.51qz.net/resource/share/2000006691
作者信息：
李雄清1，2，杨彭程3，宋欣卉1，2，李佳琦3，李永1，2，洪志鹏3
（1.中国民航信息网络股份有限公司，北京 101318；
2.民航旅客服务智能化应用技术重点实验室，北京 101318；
3.沈阳民航东北凯亚有限公司，辽宁 沈阳 110168）
此内容为AET网站原创，未经授权禁止转载。