一种数据资产管理方法、系统、计算机设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种数据资产管理方法、系统、计算机设备及存储介质。


背景技术：

2.kserve是为了解决训练过后的模型，如何上线服务的问题。其实，各大深度学习平台也注意到上线服务这个gap，所以tensorflow、pytorch对应出了tfserving、torchserve，nvidia出了triton。这些推理平台满足了基本的推理服务上线要求，而kserve依托于knative，为推理服务赋予更多特性。knative支持的弹性扩缩容、缩容至零、蓝绿发布、回滚、多版本控制、流量控制，以及k8s对容器的监控、重启、资源调度、监控等特性，kserve都具有。
3.用户可以采用kserve进行推理服务的创建。kserve为服务提供了自动伸缩、伸缩至零和滚动发布等多种功能，可以很好的满足用户的推理需求。
4.但是如果开发人员并未在自己得到的模型中添加推理数据输出及统计部分代码，那么在实际的推理过程中这部分数据是丢失的。而实际上推理过程中产生的数据也非常重要。现有的技术手段无法满足开发人员未添加推理输出情况下获取推理数据的问题。
5.场景一：由于训练样本的限制，在训练好的模型在实际使用的过程中，很可能会出现针对某一类图片或者语句等模型准确率非常差的情况，因而在实际推理过程中产生的数据尤为重要。
6.场景二：在多个推理服务相互调用，形成一个调用链的时候，很可能出现推理结果不满足需求或者调用链性能特别差的情况，那么此时通过推理结果去查看到底是哪个成为了性能瓶颈或者哪个服务的推理结果出错就显得尤为重要。
7.而目前通过常规方式部署的服务无法去追踪整个推理的数据流。


技术实现要素：

8.有鉴于此，本发明提出了一种数据资产管理方法、系统、计算机设备及存储介质，实现了从推理服务数据的收集，数据存储，数据解析，服务请求链查询，数据回流的完整链路与全面的的监控，使得推理数据得以保留，并可以进一步提升模型的准确率以及定位性能瓶颈等，解决了目前通过常规方式部署的推理服务无法去追踪整个推理的数据流的问题。
9.基于上述目的，本发明实施例的一方面提供了一种数据资产管理方法，具体包括如下步骤：
10.创建推理服务；
11.为所述推理服务配置logger关键字，并基于所述logger关键字对所述推理服务中的推理数据进行回显；
12.为所述logger关键字配置url关键字，并基于所述url关键字将回显的推理数据转
发到数据资产管理组件；
13.数据资产管理组件接收所述推理数据，并对所述推理数据进行解析计算；
14.存储解析计算后的推理数据。
15.在一些实施方式中，基于所述logger关键字对所述推理服务中的推理数据进行回显包括：
16.基于logger关键字执行以下步骤：
17.抓取所述推理服务接收到的每一条推理数据；
18.解析所述推理数据的http属性以获取所述推理数据的数据信息；
19.在获取到所述推理数据的数据信息后，还原所述推理数据的http属性；
20.为所述logger关键字配置url关键字，并基于所述url关键字将所述推理数据转发到数据资产管理组件包括：
21.为所述logger关键字配置url关键字，并将所述推理数据的还原后的http属性放入url关键字，并基于包含所述还原后的http属性的url关键字将所述推理数据转发到数据资产管理组件。
22.在一些实施方式中，响应于在推理平台部署了多个推理服务，基于所述logger关键字对所述推理服务中的推理数据进行回显还包括：
23.基于所述logger关键字为存在调用关系的推理服务创建参数，以基于所述参数对所述存在调用关系的推理服务进行调用链路追踪。
24.在一些实施方式中，对所述推理数据进行解析计算包括：
25.从所述推理数据中，解析和/或计算推理服务的关键信息，其中，所述关键信息包括请求时间、响应时间、处理时长、请求数据类型、请求数据元数据、响应数据类型、响应数据元数据、响应状态。
26.在一些实施方式中，存储解析计算后的推理数据包括：
27.将elasticsearch作为主存储、hdfs作为外部存储以存储解析计算后的推理数据；或
28.将elasticsearch作为主存储、本地存储作为外部存储以存储解析计算后的推理数据。
29.在一些实施方式中，方法进一步包括
30.创建解析模板；
31.在所述解析模板配置对应的参数；
32.将配置了参数的解析模板导入推理平台以对文本类型的推理数据进行进一步解析。
33.在一些实施方式中，方法进一步包括：
34.基于预设条件对存储的推理数据进行筛选以判断是否对推理数据进行回流。
35.本发明实施例的另一方面，还提供了一种数据资产管理系统，包括：
36.服务创建模块，所述服务创建模块配置为创建推理服务；
37.数据回显模块，所述数据回显模块配置为为所述推理服务配置logger关键字，并基于所述logger关键字对所述推理服务中的推理数据进行回显；
38.数据转发模块，所述数据转发模块配置为为所述logger关键字配置url关键字，并
基于所述url关键字将回显的推理数据转发到数据资产管理组件；
39.数据解析模块，所述数据解析模块配置为数据资产管理组件接收所述推理数据，并对所述推理数据进行解析计算；
40.存储模块，所述存储模块配置为存储解析计算后的推理数据。
41.本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机程序，所述计算机程序由所述处理器执行时实现如上方法的步骤。
42.本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
43.本发明至少具有以下有益技术效果：通过创建推理服务；为推理服务配置logger关键字，并基于logger关键字对推理服务中的推理数据进行回显；为logger关键字配置url关键字，并基于url关键字将回显的推理数据转发到数据资产管理组件；数据资产管理组件接收推理数据，并对推理数据进行解析计算；存储解析计算后的推理数据，实现了对推理服务中的推理数据的收集和存储。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
45.图1为本发明提供的数据资产管理方法的一实施例的框图；
46.图2为本发明提供的数据资产管理的一实施例的结构示意图；
47.图3为本发明提供的数据资产管理系统的一实施例的示意图；
48.图4为本发明提供的计算机设备的一实施例的结构示意图；
49.图5为本发明提供的计算机可读存储介质的一实施例的结构示意图。
具体实施方式
50.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
51.为了更好的理解本发明实施例，下面对本发明实施例的相关技术术语进行说明。
52.kserve：提供了kubernetes自定义资源定义，用于在任意框架上为机器学习(ml)模型提供服务。解决了训练过后的模型如何上线服务的问题。它的目标是解决生产模型服务用例，为常用的机器学习(ml)框架，如tensorflow、xgboost、scikit-learn、pytorch和onnx提供高性能、高抽象接口。kserve封装了自动伸缩、网络、健康检查和服务器配置的复杂性，为ml部署带来了gpu自动伸缩、伸缩至零和滚动发布等前沿服务功能。它为生产ml服务提供了一个简单的、可插入的和完整的支持，包括预测、预处理、后处理和可解释性。
53.训练：通过已标注的数据，调节算法的参数，这个过程就叫训练，最后得到的映射，就是针对这个问题被训练出来的模型。
54.推理：将训练好的模型用于实际使用的过程
55.pod：推理服务是通过创建pod去工作的，是k8s系统中可以创建和管理的最小单元，是资源对象模型中由用户创建或部署的最小资源对象模型，也是在k8s上运行容器化应用的资源对象，其他的资源对象都是用来支撑或者扩展pod对象功能的，比如控制器对象是用来管控pod对象的，service或者ingress资源对象是用来暴露pod引用对象的，persistentvolume资源对象是用来为pod提供存储等等，k8s由pod来处理容器，pod是由一个或多个container(容器)组成。
56.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
57.基于上述目的，本发明实施例的第一个方面，提出了一种数据资产管理方法的实施例。如图1所示，其包括如下步骤：
58.s10、创建推理服务；
59.s20、为所述推理服务配置logger关键字，并基于所述logger关键字对所述推理服务中的推理数据进行回显；
60.s30、为所述logger关键字配置url关键字，并基于所述url关键字将回显的推理数据转发到数据资产管理组件；
61.s40、数据资产管理组件接收所述推理数据，并对所述推理数据进行解析计算；
62.s50、存储解析计算后的推理数据。
63.具体的，如图2所示，为数据资产管理的结构示意图。
64.数据资产管理包括：数据收集和数据存储。
65.步骤s10、s20、s30、s40对数据收集部分进行了说明，步骤s50对数据存储部分进行了说明。
66.首先通过kserve创建推理服务，在kserve服务中采用logger关键字进行数据回显。然后通过url关键字配置路由关系，转发到数据资产管理组件的推理数据收集接口。
67.使用kserve创建推理服务的简单配置如下所示：
[0068][0069]
在kserve服务中配置logger关键字使用数据回显功能，需要在配置文件spec-》
predictor层级下添加logger关键字，同时为logger配置url，url是数据资产管理组件的推理数据收集接口，具体配置如下所示：
[0070][0071]
数据资产管理组件的推理数据收集接口接收到logger关键字转发过来的数据，将对数据进行解析计算，具体解析以及计算的属性包括：请求时间，响应时间，处理时长，请求数据类型，请求数据元数据，响应数据类型，响应数据元数据，响应状态等一系列关键信息。其中，每次http请求的请求数据即代表模型的输入，响应数据即代表推理结果。
[0072]
数据资产管理组件对数据解析计算之后将数据进行存储。
[0073]
本发明实施例，通过创建推理服务；为推理服务配置logger关键字，并基于logger关键字对推理服务中的推理数据进行回显；为logger关键字配置url关键字，并基于url关键字将回显的推理数据转发到数据资产管理组件；数据资产管理组件接收推理数据，并对推理数据进行解析计算；存储解析计算后的推理数据，实现了对推理服务中的推理数据的收集和存储。
[0074]
在一些实施方式中，基于所述logger关键字对所述推理服务中的推理数据进行回显包括：
[0075]
基于logger关键字执行以下步骤：
[0076]
抓取所述推理服务接收到的每一条推理数据；
[0077]
解析所述推理数据的http属性以获取所述推理数据的数据信息；
[0078]
在获取到所述推理数据的数据信息后，还原所述推理数据的http属性；
[0079]
为所述logger关键字配置url关键字，并基于所述url关键字将所述推理数据转发到数据资产管理组件包括：
[0080]
为所述logger关键字配置url关键字，并将所述推理数据的还原后的http属性放入url关键字，并基于包含所述还原后的http属性的url关键字将所述推理数据转发到数据
资产管理组件。
[0081]
具体的，logger关键字的工作原理如下：
[0082]
1)数据抓取
[0083]
queue-proxy是每个业务pod中都存在的container(容器)，每个发到业务pod的请求都会先经过queue-proxy，queue-proxy的主要作用是收集和限制业务应用的并发量。本发明实施例对经过queue-proxy的每个请求都进行抓取，以获取请求中的推理数据。
[0084]
2)数据解析
[0085]
解析每条抓取的数据，具体为：解析推理服务中收到的各种http请求中的数据的http属性，包括：请求时间，响应时间，请求数据类型，请求数据元数据，响应数据类型，响应数据元数据，响应状态等。
[0086]
3)数据还原
[0087]
将http属性进行还原，已添加到url关键字中，使其可被数据资产管理组件识别。
[0088]
在一些实施方式中，响应于在推理平台部署了多个推理服务，基于所述logger关键字对所述推理服务中的推理数据进行回显还包括：
[0089]
基于所述logger关键字为存在调用关系的推理服务创建参数，以基于所述参数对所述存在调用关系的推理服务进行调用链路追踪。
[0090]
结合图2，本发明实施例对请求链路查询进行说明。
[0091]
如果推理平台部署了多个推理服务，那么在各服务之间很可能存在调用关系。在logger回显的过程中,会为其添加traceparentid参数用于数据链的追踪。例如：服务1调用服务2，那么服务1的此次请求id将会随机取值，然后这个id将会作为服务2的tarceparentid,同理如果此时服务2调用服务3，服务2的id也将随机取值，然后传递给服务3作为服务3的tarceparentid，以此来进行链路的追踪，其中，traceparentid参数和请求id为数据还原过程中添加的新的属性。
[0092]
对调用链路进行追踪有助于帮助用户定位一个完整的请求过程，定位请求过程中的性能瓶颈、问题所在等。
[0093]
在一些实施方式中，对所述推理数据进行解析计算包括：
[0094]
从所述推理数据中，解析和/或计算推理服务的关键信息，其中，所述关键信息包括请求时间、响应时间、处理时长、请求数据类型、请求数据元数据、响应数据类型、响应数据元数据、响应状态。
[0095]
数据资产管理组件解析和/或计算接收到的logger关键字抓取的信息，例如：请求时间、响应时间、请求数据类型、请求数据元数据、响应数据类型、响应数据元数据、响应状态均是通过解析得到的，处理时长是通过计算得到的。
[0096]
数据资产管理组件解析和/或计算包括但不限于请求时间、响应时间、处理时长、请求数据类型、请求数据元数据、响应数据类型、响应数据元数据、响应状态。
[0097]
在一些实施方式中，存储解析计算后的推理数据包括：
[0098]
将elasticsearch作为主存储、hdfs作为外部存储以存储解析计算后的推理数据；或
[0099]
将elasticsearch作为主存储、本地存储作为外部存储以存储解析计算后的推理数据。
[0100]
考虑不同推理服务的输入输出类型各不相同，可能存在图片，文字，文件等多种特殊情况，因此本发明提出了双存储的方案，即主存储+外部存储。本发明实施例中提出了两种存储方案，但是不限于此。
[0101]
一、采用elasticsearch作为主存储，采用hdfs作为外部文件存储，当解析的推理数据，例如请求数据以及响应数据，不为文件时，将推理数据存储于elasticsearch；当请求数据以及响应数据为文件时，elasticsearch存储其与hdfs的映射关系，具体的文件将存储在hdfs中。elasticsearch作为内存储，便于查询在其存储的文本，但由于其不适合存储文件，因此将hdfs作为外部存储，以解决elasticsearch的短板。
[0102]
elasticsearch是一个基于lucene的搜索服务器。elasticsearch提供了一个分布式多用户能力的全文搜索引擎，基于restful web接口
[0103]
hdfs(hadoop distributed file system，一个文件系统)，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。
[0104]
二、采用elasticsearch作为主存储，采用本地存储作为外部文件存储。
[0105]
将本地某一个磁盘路径通过k8s的volume(卷)的方式挂载到数据资产管理组件使用，以此解决了以下问题：如果存储的推理数据大多为小文件，hdfs作为外部存储存储大量的小文件在查询时可能会出现性能瓶颈，通过本地存储可以避免此类问题。
[0106]
上述两种方案还可以结合使用。
[0107]
在一些实施方式中，方法进一步包括
[0108]
创建解析模板；
[0109]
在所述解析模板配置对应的参数；
[0110]
将配置了参数的解析模板导入推理平台以对文本类型的推理数据进行进一步解析。
[0111]
结合图2，本发明实施例对数据解析进行说明。
[0112]
本发明实施例，通过创建解析模板，用于解析收集到的文本类型的推理数据。在用户想进一步分析模型的响应结果时使用，可以帮助用户定位问题、判断是否进行数据回流等。
[0113]
提供规范化解析模板，用户如果想进一步解析自己的模型响应结果，用于定位问题。可根据规范化解析模板填写参数，然后再推理平台导入此模板，进行数据的解析。
[0114]
具体实例如下：
[0115][0116]
配置文件与配置参数含义对应关系如下：
[0117][0118][0119]
对推理数据可以进行批量的解析，将两个及两个以上的推理服务的配置一次写入
配置文件，即可批量解析。批量解析的示例如下：
[0120][0121]
在一些实施方式中，方法进一步包括：
[0122]
基于预设条件对存储的推理数据进行筛选以判断是否对推理数据进行回流。
[0123]
结合图2，本发明实施例对推理数据回流进行说明。
[0124]
用户可通过筛选条件，如推理时间，推理状态，或者数据解析的结果进行分析，如若发现模型针对某一类输入的推理效果较差，可以选择导出数据，然后进行手动标注，重新把此部分数据输入模型用于训练过程，以提供模型的准确率。
[0125]
基于同一发明构思，根据本发明的另一个方面，如图3所示，本发明的实施例还提供了一种数据资产管理系统，包括：
[0126]
服务创建模块110，所述服务创建模块110配置为创建推理服务；
[0127]
数据回显模块120，所述数据回显模块120配置为为所述推理服务配置logger关键字，并基于所述logger关键字对所述推理服务中的推理数据进行回显；
[0128]
数据转发模块130，所述数据转发模块130配置为为所述logger关键字配置url关键字，并基于所述url关键字将回显的推理数据转发到数据资产管理组件；
[0129]
数据解析模块140，所述数据解析模块140配置为数据资产管理组件接收所述推理数据，并对所述推理数据进行解析计算；
[0130]
存储模块150，所述存储模块150配置为存储解析计算后的推理数据。
[0131]
基于同一发明构思，根据本发明的另一个方面，如图4所示，本发明的实施例还提供了一种计算机设备30，在该计算机设备30中包括处理器310以及存储器320，存储器320存储有可在处理器上运行的计算机程序321，处理器310执行程序时执行如上的方法的步骤。
[0132]
其中，存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的所述数据资产管理方法对应的程序指令/模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行装置的各种功能应用以及数据处理，即实现上述方法实施例的数据资产管理方法。
[0133]
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0134]
基于同一发明构思，根据本发明的另一个方面，如图5所示，本发明的实施例还提供了一种计算机可读存储介质40，计算机可读存储介质40存储有被处理器执行时执行如上方法的计算机程序410。
[0135]
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
[0136]
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
[0137]
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
[0138]
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
[0139]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思
路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。