买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉同济大学申请的专利一种基于奖励累积深度强化学习的Kubernetes微服务最优部署方法、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120803743B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511255357.9，技术领域涉及：G06F9/50；该发明授权一种基于奖励累积深度强化学习的Kubernetes微服务最优部署方法、设备及介质是由冯昊;赵卫东;柳先辉;贾宁设计研发完成，并于2025-09-04向国家知识产权局提交的专利申请。

本一种基于奖励累积深度强化学习的Kubernetes微服务最优部署方法、设备及介质在说明书摘要公布了：本发明公开了一种基于奖励累积深度强化学习的Kubernetes微服务最优部署方法、设备及介质，涉及电数字数据处理领域，部署方法包括以下步骤：S1、构建多目标微服务部署优化问题；S2、构建微服务资源偏好函数结合优化目标；S3、构建强化学习模型；S4、构建奖励函数，对模型进行训练；S5、通过训练好的模型根据真实状态在线获得最优部署策略。本发明通过构建多目标微服务部署优化问题，兼顾服务响应延迟最低和资源负载均衡两个目标，有效的将Kubernetes部署需求转化为可计算、可求解的最优问题；同时，设计微服务资源偏好函数，并将其与优化目标相结合，降低模型训练时的计算复杂度，保证了Kubernetes部署的实时性，从而满足微服务架构的开发需求。

本发明授权一种基于奖励累积深度强化学习的Kubernetes微服务最优部署方法、设备及介质在权利要求书中公布了：1.一种基于奖励累积深度强化学习的Kubernetes微服务最优部署方法，其特征在于，包括以下步骤： S1、构建多目标微服务部署优化问题模型； S2、构建微服务资源偏好函数，并结合优化目标降低优化问题模型训练中的计算复杂度； S3、构建强化学习模型； S4、构建奖励函数，采用离线深度强化学习方法对强化学习模型进行训练； S5、通过训练好的强化学习模型根据真实状态在线获得最优部署策略； 在S1的步骤中，所述多目标微服务部署优化问题模型包括用户请求响应模型、资源负载均衡模型、约束条件，以及最小用户请求服务响应延迟和最小集群资源方差两个优化目标； 在所述S2的步骤中，根据不同微服务的不同计算资源需求，对各类计算资源进行归一化处理，构建所述微服务资源偏好函数，并结合优化目标，包括以下步骤获得： S21、设计表示第l个微服务需求的第j类资源相比较节点i上的总可用资源j的使用程度，将上述各个资源的使用程度与CPU使用情况做对比，得到对于微服务l的资源需求偏好权重，可由如下微服务资源偏好函数计算： ； 其中，R表示节点上可用资源；表示微服务l对内存的偏好程度；表示微服务l对CPU的偏好程度；表示微服务l对IO的偏好程度；表示微服务l对网络传输速率的偏好程度；表示第l个微服务需求的内存资源相比较节点i上的总可用内存资源的使用程度；表示第l个微服务需求的CPU资源相比较节点i上的总可用CPU资源的使用程度；表示第l个微服务需求的IO资源相比较节点i上的总可用IO资源的使用程度；表示第l个微服务需求的网络传输速率资源相比较节点i上的总可用网络传输率的使用程度； S22、将微服务资源偏好函数和优化目标相结合，可得到不同微服务在每步训练之前的负载均衡计算方法： ； 其中，表示总资源方差；表示第j类资源的权重；VCPU表示CPU资源在集群中的方差；同样最小集群总资源方差越小，则对于微服务l，集群资源消耗越均衡； 在所述S4的步骤中，每一步强化学习中设计奖励函数的计算方式为： ； 其中，函数中表示训练过程中用到的工作节点只有1个；otherwise表示部署的工作节点个数超过微服务数量；和表示奖励函数的权重；表示代理成功部署微服务实例时的正偏差奖励；表示请求排队延迟；表示数据传输延迟；T表示总的服务响应延迟；表示工作节点i上的流量；表示总资源方差；UM表示微服务。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200000 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。