有状态应用实例运维组件的生成方法、装置、设备及介质.pdf

《有状态应用实例运维组件的生成方法、装置、设备及介质.pdf》由会员分享，可在线阅读，更多相关《有状态应用实例运维组件的生成方法、装置、设备及介质.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010776397.9 (22)申请日 2020.08.05 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 孙超熊佩 (74)专利代理机构 北京三友知识产权代理有限 公司 11127 代理人 周晓飞谷敬丽 (51)Int.Cl. G06F 9/455(2006.01) G06F 8/33(2018.01) G06N 3/08(2006.01) (54)发明名称 有状态应用实例运维组。

2、件的生成方法、 装 置、 设备及介质 (57)摘要 本发明实施例提供了一种有状态应用实例 运维组件的生成方法、 装置、 设备及介质， 其中， 该方法包括： 获取学习数据， 所述学习数据包括 Kubernetes Operator的编写语法、 应用状态的 原理以及有状态应用实例的运维数据； 采用深度 学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据， 根据所述特征数据生 成Kubernetes Operator的软件包， 所述特征数 据包括Kubernetes Operator对象的全生命周期 活动的抽象特征。 该方案可以有利于提高效率， 有利于提高构建的Ku。

3、bernetes Operator的性能 或准确性。 权利要求书2页 说明书7页 附图4页 CN 111966455 A 2020.11.20 CN 111966455 A 1.一种有状态应用实例的运维组件的生成方法， 其特征在于， 包括： 获取学习数据， 所述学习数据包括Kubernetes Operator的编写语法、 应用状态的原理 以及有状态应用实例的运维数据； 采用深度学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据， 根 据所述特征数据生成Kubernetes Operator的软件包， 所述特征数据包括Kubernetes Operator对象。

4、的全生命周期活动的抽象特征。 2.如权利要求1所述的有状态应用实例的运维组件的生成方法， 其特征在于， 采用深度 学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据， 包括： 采用无监督学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据。 3.如权利要求2所述的有状态应用实例的运维组件的生成方法， 其特征在于， 采用无监 督学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据， 包括： 将采用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator对象的特 征数据输入高斯混。

5、合模型， 所述高斯混合模型输出所述特征数据中各个特征的概率； 根据概率的大小确定出表示Kubernetes Operator运行异常的抽象特征； 从所述特征数据中确定出表示Kubernetes Operator运行异常的抽象特征对应的异常 处理抽象特征。 4.如权利要求1至3中任一项所述的有状态应用实例的运维组件的生成方法， 其特征在 于， 所述Kubernetes Operator对象的全生命周期活动包括创建、 扩缩容、 日志处理、 监控指 标以及异常处理。 5.一种有状态应用实例的运维组件的生成装置， 其特征在于， 包括： 数据获取模块， 用于获取学习数据， 所述学习数据包括Kuberne。

6、tes Operator的编写语 法、 应用状态的原理以及有状态应用实例的运维数据； 组件生成模块， 用于采用深度学习算法分析所述学习数据， 得到Kubernetes Operator 对象的特征数据， 根据所述特征数据生成Kubernetes Operator的软件包， 所述特征数据包 括Kubernetes Operator对象的全生命周期活动的抽象特征。 6.如权利要求5所述的有状态应用实例的运维组件的生成装置， 其特征在于， 所述组件 生成模块， 包括： 学习单元， 用于采用无监督学习算法分析所述学习数据， 得到Kubernetes Operator对 象的特征数据。 7.如权利要求6。

7、所述的有状态应用实例的运维组件的生成装置， 其特征在于， 所述学习 单元， 还用于将采用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator 对象的特征数据输入高斯概率模型， 所述高斯概率模型输出所述特征数据中各个特征的概 率； 根据概率的大小确定出表示Kubernetes Operator运行异常的抽象特征； 从所述特征数 据中确定出表示Kubernetes Operator运行异常的抽象特征对应的异常处理抽象特征。 8.如权利要求5至7中任一项所述的有状态应用实例的运维组件的生成装置， 其特征在 于， 所述Kubernetes Operator对象的全生命周期活动。

8、包括创建、 扩缩容、 日志处理、 监控指 标以及异常处理。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至4中任一项所 权利要求书 1/2 页 2 CN 111966455 A 2 述的有状态应用实例的运维组件的生成方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有执行权利 要求1至4中任一项所述的有状态应用实例的运维组件的生成方法的计算机程序。 权利要求书 2/2 页 3 CN 111966455 A 3 有状态应用实例运维组件的生成方法、 装置、 设备。

9、及介质 技术领域 0001 本发明涉及运维技术领域， 特别涉及一种有状态应用实例运维组件的生成方法、 装置、 设备及介质。 背景技术 0002 Kubernetes(简称k8s)作为一个跨主机集群的开源容器调度平台， 提供了以容器 为中心的基础架构并从2017年开始已经成为了容器编排领域的事实标准。 0003 如图1所示， Kubernetes项目编排能力的核心在于其声明式API的设计和使用， 通 过对REST路径下API群组进行CRUD操作， 可以获取和变更资源信息。 Kubernetes中存在多种 资源类型， 如pods(最小的原子调度单位)、 service(服务)、 events(事件。

10、)等。 通常情况下， 大部分使用者只关心pod、 service这种直接关乎服务运行成功与否的资源类型， 而只有在 集群发生异常或是服务部署发生异常， 需要进行问题追踪时， 才会关注集群运行信息。 0004 目前针对集群内部运行信息的记录， 主要通过events进行。 Events包含了 kubernetes运行过程中核心组件kubelet和ControllerManager(控制管理器)产生的信息， 分析events包含信息和events变更历史可以有效追踪问题， 从而有的放矢的解决问题。 业 内目前查看events主要通过kubectl(二进制可执行文件， 通过访问kube-apiserv。

11、er产生效 果)命令进行， 具体命令如kubectl get events和kubectl describeresourceName均可 以或者events内容。 现有方式为命令行级别操作， 需要具备访问集群权限。 要获取准确的 events信息需要设置繁杂的参数做多条件匹配， 且最终的查询结果显示不够友好。 对于一 些特定需求， 如查询一个应用升级前后对应pod名字变化， 需要多次查询人工匹配， 且不容 易进行操作常态化。 0005 Kubernetes管理有状态应用的高可用、 故障保障、 持久化， 仍然是一个困难的工 作。 Kubernetes 1.5版提供了StatefulSet来处理有。

12、状态应用， 但实现和效果并不好。 为了 解决这个问题， Kubernetes 1.9+后， Kubernetes Operator出现了， 它可以很好的解决有状 态应用的高可用、 故障保障、 持久化。 如图2所示， Kubernetes Operator是CoreOS推出的旨 在简化复杂有状态应用管理的框架， 它是一个感知应用状态的控制器， 通过扩展 Kubernetes API来自动创建、 管理和配置应用实例。 Kubernetes Operator基于Customer Resources Define扩展了新的应用资源， 并通过控制器来保证应用处于预期状态。 比如 etcd operato。

13、r通过下面的三个步骤模拟了管理etcd(一种分布式数据库)集群的行为： 0006 1、 通过KubernetesAPI观察集群的当前状态； 0007 2、 分析当前状态与期望状态的差别； 0008 3、 调用etcd集群管理API或KubernetesAPI消除这些差别。 0009 但是编写一个Kubernetes Operator， 需要把运维的经验沉淀为代码， 实现运维的 代码化、 自动化、 智能化。 也就是说， 运维人员构建一个应用的Kubernetes Operator， 需要 有丰富的运维经验， 这些运维经验是运维人员的经验， 但每个人都不是完美的， 每个运维人 员的运维经验是有限的。

14、， 且越多的运维经验才能形成更好的Kubernetes Operator， 因此， 说明书 1/7 页 4 CN 111966455 A 4 通过运维人员的经验来编写一个应用的Kubernetes Operator的方式存在效率低的问题， 也使得影响构建的Kubernetes Operator的性能或准确性。 发明内容 0010 本发明实施例提供了一种有状态应用实例的运维组件的生成方法， 以解决现有技 术中构建Kubernetes Operator时存在的效率低、 构建的Kubernetes Operator性能或准确 性差的技术问题。 该方法包括： 0011 获取学习数据， 所述学习数据包括。

15、Kubernetes Operator的编写语法、 应用状态的 原理以及有状态应用实例的运维数据； 0012 采用深度学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数 据， 根据所述特征数据生成Kubernetes Operator的软件包， 所述特征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。 0013 本发明实施例还提供了一种有状态应用实例的运维组件的生成方法， 以解决现有 技术中构建Kubernetes Operator时存在的效率低、 构建的Kubernetes Operator性能或准 确性差的技术问题。 该装置包括。

16、： 0014 数据获取模块， 用于获取学习数据， 所述学习数据包括Kubernetes Operator的编 写语法、 应用状态的原理以及有状态应用实例的运维数据； 0015 组件生成模块， 用于采用深度学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据， 根据所述特征数据生成Kubernetes Operator的软件包， 所述特 征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。 0016 本发明实施例还提供了一种计算机设备， 包括存储器、 处理器及存储在存储器上 并可在处理器上运行的计算机程序， 所述处理器执行所述计算机程序。

17、时实现上述任意的有 状态应用实例的运维组件的生成方法， 以解决现有技术中构建Kubernetes Operator时存 在的效率低、 构建的Kubernetes Operator性能或准确性差的技术问题。 0017 本发明实施例还提供了一种计算机可读存储介质， 所述计算机可读存储介质存储 有执行上述任意的有状态应用实例的运维组件的生成方法的计算机程序， 以解决现有技术 中构建Kubernetes Operator时存在的效率低、 构建的Kubernetes Operator性能或准确性 差的技术问题。 0018 在本发明实施例中， 提出了通过深度学习算法来分析包括有包括Kubernetes O。

18、perator的编写语法、 应用状态的原理以及有状态应用实例的运维数据的学习数据， 以得 到包括有Kubernetes Operator对象的全生命周期活动的抽象特征的特征数据， 进而根据 特征数据生成Kubernetes Operator的软件包， 即完成了有状态应用实例的运维组件 Kubernetes Operator的生成。 实现了通过深度学习算法来分析大量的学习数据的方式来 自动构建Kubernetes Operator， 与现有技术中运维人员根据运维经验来编写Kubernetes Operator的方式相比， 可以避免人工编写Kubernetes Operator， 有利于提高效率，。

19、 此外， 通 过对大量的学习数据的分析、 学习可以避免个人经验的差距或局限性为Kubernetes Operator的影响， 有利于提高构建的Kubernetes Operator的性能或准确性。 说明书 2/7 页 5 CN 111966455 A 5 附图说明 0019 此处所说明的附图用来提供对本发明的进一步理解， 构成本申请的一部分， 并不 构成对本发明的限定。 在附图中： 0020 图1是现有技术中的一种Kubernetes的示意图； 0021 图2是现有技术中的一种Kubernetes Operator的示意图； 0022 图3是本发明实施例提供的一种有状态应用实例的运维组件的生成。

20、方法的流程 图； 0023 图4是本发明实施例提供的一种无监督学习算法的模型示意图； 0024 图5是本发明实施例提供的一种高斯混合模型的示意图； 0025 图6是本发明实施例提供的一种设备的结构框图； 0026 图7是本发明实施例提供的一种有状态应用实例的运维组件的生成装置的结构框 图。 具体实施方式 0027 为使本发明的目的、 技术方案和优点更加清楚明白， 下面结合实施方式和附图， 对 本发明做进一步详细说明。 在此， 本发明的示意性实施方式及其说明用于解释本发明， 但并 不作为对本发明的限定。 0028 在本发明实施例中， 提供了一种有状态应用实例的运维组件的生成方法， 如图1所 示，。

21、 该方法包括： 0029 步骤302： 获取学习数据， 所述学习数据包括Kubernetes Operator的编写语法、 应 用状态的原理以及有状态应用实例的运维数据； 0030 步骤304： 采用深度学习算法分析所述学习数据， 得到Kubernetes Operator对象 的特征数据， 根据所述特征数据生成Kubernetes Operator的软件包， 所述特征数据包括 Kubernetes Operator对象的全生命周期活动的抽象特征。 0031 由图3所示的流程可知， 在本发明实施例中， 提出了通过机器学习和深度学习算法 来分析包括有包括Kubernetes Operator的编。

22、写语法、 应用状态的原理以及有状态应用实 例的运维数据的学习数据， 以得到包括有Kubernetes Operator对象的全生命周期活动的 抽象特征的特征数据， 进而根据特征数据生成Kubernetes Operator的软件包， 即完成了有 状态应用实例的运维组件Kubernetes Operator的生成。 实现了通过机器学习和深度学习 算法来分析大量的学习数据的方式来自动构建Kubernetes Operator， 与现有技术中运维 人员根据运维经验来编写Kubernetes Operator的方式相比 ， 可以避免人工编写 Kubernetes Operator， 有利于提高效率， 。

23、此外， 通过对大量的学习数据的分析、 学习可以避 免个人经验的差距或局限性为Kubernetes Operator的影响， 有利于提高构建的 Kubernetes Operator的性能或准确性。 0032 具体实施时， 本申请发明人了解到， 机器学习是人工智能的一个分支。 人工智能的 研究历史有着一条从以 “推理” 为重点， 到以 “知识” 为重点， 再到以 “学习” 为重点的自然、 清 晰的脉络。 显然， 机器学习是实现人工智能的一个途径， 即以机器学习为手段解决人工智能 中的问题。 机器学习在近30多年已发展为一门多领域交叉学科， 涉及概率论、 统计学、 逼近 论、 凸分析、 计算复杂性。

24、理论等多门学科。 机器学习理论主要是设计和分析一些让计算机可 说明书 3/7 页 6 CN 111966455 A 6 以自动 “学习” 的算法。 机器学习算法是一类从数据中自动分析获得规律， 并利用规律对未 知数据进行预测的算法。 因为学习算法中涉及了大量的统计学理论， 机器学习与推断统计 学联系尤为密切， 也被称为统计学习理论。 算法设计方面， 机器学习理论关注可以实现的、 行之有效的学习算法。 很多推论问题属于无程序可循难度， 所以部分的机器学习研究是开 发容易处理的近似算法。 0033 深度学习是机器学习中一种基于对数据进行表征学习的算法。 观测值(例如一幅 图像)可以使用多种方式来表。

25、示， 如每个像素强度值的向量， 或者更抽象地表示成一系列 边、 特定形状的区域等。 而使用某些特定的表示方法更容易从实例中学习任务(例如， 人脸 识别或面部表情识别)。 深度学习的好处是用非监督式或半监督式的特征学习和分层特征 提取高效算法来替代手工获取特征。 0034 表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数 据中学习这些表示方法。 表示方法来自神经科学， 并松散地创建在类似神经系统中的信息 处理和对通信模式的理解上， 如神经编码， 试图定义拉动神经元的反应之间的关系以及大 脑中的神经元的电活动之间的关系。 0035 至今已有数种深度学习框架， 如深度神经网络、 。

26、卷积神经网络和深度置信网络和 递归神经网络已被应用在计算机视觉、 语音识别、 自然语言处理、 音频识别与生物信息学等 领域并获取了极好的效果。 0036 具体实施时， 本申请发明人提出了通过深度学习算法分析所述学习数据， 以得到 Kubernetes Operator对象的特征数据， 具体的， 提出了采用无监督学习算法分析所述学习 数据， 来得到Kubernetes Operator对象的特征数据。 0037 具体的， 如图4所示， 无监督学习算法autoencoder利用反向传播原理， 让模型输出 目标值等于运维数据输入值， 其中， x表示输入数据， 例如， 可以是上述学习数据； Encod。

27、er g 表示编码函数， 即编码函数为g()； z表示输入特征经过encoder g编码后的抽象特征； Decoder f表示解码函数， 即解码函数为f()； x 表示输出， x 是抽象特征z经过Decoder f 解码后的特征， 优化目标函数为f,gargminf,gL(x,f(g(x)， 用于计算预测值和实际值之 间的最小值。 由于AutoEncoder是基于DNN基础， 又有activation function的存在， 所以可 以进行非线性变换， 将上述学习数据中有价值的数据通过非线性变换降维， 获得有价值的 数据， 进而得到Kubernetes Operator对象的特征数据， 该K。

28、ubernetes Operator对象的特 征数据可以Kubernetes Operator对象的全生命周期活动的抽象特征。 0038 具体实施时， 为了实现Kubernetes Operator运行异常时可以自动执行异常处理 机制， 在本实施例中， 在得到Kubernetes Operator对象的特征数据的过程中， 还可以将采 用所述无监督学习算法分析所述学习数据得到的Kubernetes Operator对象的特征数据输 入高斯混合模型， 所述高斯混合模型输出所述特征数据中各个特征的概率； 进而根据概率 的大小确定出表示Kubernetes Operator运行异常的抽象特征； 再从所。

29、述特征数据中确定 出表示Kubernetes Operator运行异常的抽象特征对应的异常处理抽象特征。 Kubernetes Operator对象以有状态应用实例为例， 这样基于特征数据构建的Kubernetes Operator可 以对有状态应用实例的全生命周期的活动进行运维， 即使Kubernetes Operator的某一次 运行为异常运行， 也可以自动执行异常处理机制。 0039 具体实施时， Kubernetes Operator对象的全生命周期活动可以包括创建、 扩缩 说明书 4/7 页 7 CN 111966455 A 7 容、 日志处理、 监控指标以及异常处理。 0040 具。

30、体实施时， 无监督学习算法模型AutoEncoder输出的Kubernetes Operator对象 所有的特征数据， 作为GMM(GaussianMixture-basedModel， 高斯混合模型)模型的输入， 如 图5所示， 图5中左侧附图Original unclustereddata为未标注的原始样本， 图5中右侧附图 Clustereddata为聚类后样本， 即高斯混合模型输出概率， 概率可以决策Kubernetes Operator的某次运行是否异常， 例如， 其中某个输出概率分布在预设区域， 则可以认为 Kubernetes Operator运行异常， 进而可以自动执行异常处理。

31、机制。 其中， GMM作为一种常见 的聚类算法， 可以被用来分离场景中前景和背景的， 或者叫做背景扣除， 那么什么叫做背景 扣除(Background Subtraction)呢？ 监控系统中， 通常都是利用静态相机来捕捉场景的， 因 此其中比较具有挑战的一步就是如何检测出场景中的突然闯入者， 传统的应用中都会假设 场景中没有这样的闯入者， 而在实际监控场景中， 这种情况却是实实在在存在发生的， 所以 我们不能忽略。 对于闯入者的检测， 如果我们知道一个场景的统计模型， 那些不服从该模型 分布的目标像素是不是就可以当做背景， 这样的一个过程就叫做背景扣除。 0041 具体的， GMM高斯概率模。

32、型原理如下： 0042 高斯概率模型的概率分布模型如下： 0043 0044其中， k是系数， k0，(y|k)是高斯分布密度， 称为第k个分模型， y是高斯分布的概率， k是k个高斯 分布的期望， k是k个高斯分布的标准差， k是每个子模型的期望、 方差， 在混合模型中发生 的概率。 0045 在本实施例中， 提供了一种计算机设备， 如图6所示， 包括存储器602、 处理器604及 存储在存储器上并可在处理器上运行的计算机程序， 所述处理器执行所述计算机程序时实 现上述任意的有状态应用实例的运维组件的生成方法。 0046 具体的， 该计算机设备可以是计算机终端、 服务器或者类似的运算装置。 。

33、0047 在本实施例中， 提供了一种计算机可读存储介质， 所述计算机可读存储介质存储 有执行上述任意的有状态应用实例的运维组件的生成方法的计算机程序。 0048 具体的， 计算机可读存储介质包括永久性和非永久性、 可移动和非可移动媒体可 以由任何方法或技术来实现信息存储。 信息可以是计算机可读指令、 数据结构、 程序的模块 或其他数据。 计算机可读存储介质的例子包括， 但不限于相变内存(PRAM)、 静态随机存取存 储器(SRAM)、 动态随机存取存储器(DRAM)、 其他类型的随机存取存储器(RAM)、 只读存储器 (ROM)、 电可擦除可编程只读存储器(EEPROM)、 快闪记忆体或其他内。

34、存技术、 只读光盘只读 存储器(CD-ROM)、 数字多功能光盘(DVD)或其他光学存储、 磁盒式磁带， 磁带磁磁盘存储或 其他磁性存储设备或任何其他非传输介质， 可用于存储可以被计算设备访问的信息。 按照 本文中的界定， 计算机可读存储介质不包括暂存电脑可读媒体(transitorymedia)， 如调制 的数据信号和载波。 说明书 5/7 页 8 CN 111966455 A 8 0049 基于同一发明构思， 本发明实施例中还提供了一种有状态应用实例的运维组件的 生成装置， 如下面的实施例所述。 由于有状态应用实例的运维组件的生成装置解决问题的 原理与有状态应用实例的运维组件的生成方法相似。

35、， 因此有状态应用实例的运维组件的生 成装置的实施可以参见有状态应用实例的运维组件的生成方法的实施， 重复之处不再赘 述。 以下所使用的， 术语 “单元” 或者 “模块” 可以实现预定功能的软件和/或硬件的组合。 尽 管以下实施例所描述的装置较佳地以软件来实现， 但是硬件， 或者软件和硬件的组合的实 现也是可能并被构想的。 0050 图7是本发明实施例的有状态应用实例的运维组件的生成装置的一种结构框图， 如图7所示， 该装置包括： 0051 数据获取模块702， 用于获取学习数据， 所述学习数据包括Kubernetes Operator 的编写语法、 应用状态的原理以及有状态应用实例的运维数据。

36、； 0052 组件生成模块704， 用于采用深度学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据， 根据所述特征数据生成Kubernetes Operator的软件包， 所述特 征数据包括Kubernetes Operator对象的全生命周期活动的抽象特征。 0053 在一个实施例中， 所述组件生成模块， 包括： 0054 学习单元， 用于采用无监督学习算法分析所述学习数据， 得到Kubernetes Operator对象的特征数据。 0055 在一个实施例中， 所述学习单元， 还用于将采用所述无监督学习算法分析所述学 习数据得到的Kubernetes Op。

37、erator对象的特征数据输入高斯概率模型， 所述高斯概率模 型输出所述特征数据中各个特征的概率； 根据概率的大小确定出表示Kubernetes Operator运行异常的抽象特征； 从所述特征数据中确定出表示Kubernetes Operator运行 异常的抽象特征对应的异常处理抽象特征。 0056 在一个实施例中， 所述Kubernetes Operator对象的全生命周期活动包括创建、 扩 缩容、 日志处理、 监控指标以及异常处理。 0057 本发明实施例实现了如下技术效果： 提出了通过深度学习算法来分析包括有包括 Kubernetes Operator的编写语法、 应用状态的原理以及有。

38、状态应用实例的运维数据的学 习数据， 以得到包括有Kubernetes Operator对象的全生命周期活动的抽象特征的特征数 据， 进而根据特征数据生成Kubernetes Operator的软件包， 即完成了有状态应用实例的运 维组件Kubernetes Operator的生成。 实现了通过深度学习算法来分析大量的学习数据的 方式来自动构建Kubernetes Operator， 与现有技术中运维人员根据运维经验来编写 Kubernetes Operator的方式相比， 可以避免人工编写Kubernetes Operator， 有利于提高 效率， 此外， 通过对大量的学习数据的分析、 学习。

39、可以避免个人经验的差距或局限性为 Kubernetes Operator的影响， 有利于提高构建的Kubernetes Operator的性能或准确性。 0058 显然， 本领域的技术人员应该明白， 上述的本发明实施例的各模块或各步骤可以 用通用的计算装置来实现， 它们可以集中在单个的计算装置上， 或者分布在多个计算装置 所组成的网络上， 可选地， 它们可以用计算装置可执行的程序代码来实现， 从而， 可以将它 们存储在存储装置中由计算装置来执行， 并且在某些情况下， 可以以不同于此处的顺序执 行所示出或描述的步骤， 或者将它们分别制作成各个集成电路模块， 或者将它们中的多个 模块或步骤制作成单。

40、个集成电路模块来实现。 这样， 本发明实施例不限制于任何特定的硬 说明书 6/7 页 9 CN 111966455 A 9 件和软件结合。 0059 以上所述仅为本发明的优选实施例而已， 并不用于限制本发明， 对于本领域的技 术人员来说， 本发明实施例可以有各种更改和变化。 凡在本发明的精神和原则之内， 所作的 任何修改、 等同替换、 改进等， 均应包含在本发明的保护范围之内。 说明书 7/7 页 10 CN 111966455 A 10 图1 图2 说明书附图 1/4 页 11 CN 111966455 A 11 图3 图4 说明书附图 2/4 页 12 CN 111966455 A 12 图5 图6 说明书附图 3/4 页 13 CN 111966455 A 13 图7 说明书附图 4/4 页 14 CN 111966455 A 14 。