1.一种基于云计算的微服务动态部署方法，其特征在于，包括：获取用户发起的业务请求所属的多标签类别信息，所述多标签类别信息用于表示所述用户发起的业务请求所属的多个业务类型；

对所述多类型标签信息中每个类别标签进行独热编码，并将所述多个类别标签对应的独热编码进行级联以获得输入类别向量；

将所述业务请求所对应的请求时间信息以特定顺序进行排列后输入编码器，以获得初始时间向量；

以隐马尔科夫模型将所述初始时间向量映射到高维特征空间中，以获得输入时间向量；

以所述隐马尔科夫模型将所述业务请求所对应的请求地点信息映射到高维特征空间中，以获得输入地点向量；

将所述输入类别向量、所述输入时间向量和所述输入地点向量在向量的长度方向上拼接为综合向量；

对所述综合向量进行多次一维卷积处理以获得编码特征向量；

将所述编码特征向量输入由包括多个全连接层的深度神经网络实现的编码器‑解码器中，以获得解码结果，其中，所述解码结果用于表示待分类的云计算虚拟集群资源的标识号码。

2.根据权利要求1所述的基于云计算的微服务动态部署方法，其中，获取用户发起的业务请求所属的多标签类别信息，包括：获取用户发起的业务请求数据和与所述业务请求数据相对应的上下文信息，其中，所述上下文信息包括所述用户的用户画像数据、发起业务的请求时间信息和发起业务的请求地点信息；

将所述业务请求数据输入语义理解模型以获得业务请求语义向量；

将所述用户画像数据输入用于用户分类的分类器中，以获得用户画像特征向量；

将所述请求时间信息中与时间相关的数据以特定顺序排列后输入编码器以获得时间输入向量；

以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中，以获得地点输入向量；

将所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量转化为相同的长度并以向量维度拼接为输入矩阵；

将所述输入矩阵通过深度卷积神经网络以获得特征图；

以所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量作为查询向量分别与所述特征图进行矩阵相乘，以获得业务请求特征向量、用户特征向量、时间特征向量和地点特征向量；以及将所述业务请求特征向量、所述用户特征向量、所述时间特征向量和所述地点特征向量拼接后输入多标签分类器，以获得所述多标签类别信息。

3.根据权利要求1所述的基于云计算的微服务动态部署方法，其中，所述多标签类别信息由人工标注获得。

4.根据权利要求1所述的基于云计算的微服务动态部署方法，其中，将所述业务请求所对应的请求时间信息以特定顺序进行排列后输入编码器，以获得初始时间向量，包括：将所述业务请求所对应的请求时间信息以“年、月、日、小时、分、秒”形式的数值排列后输入编码器，以获得初始时间向量。

5.根据权利要求4所述的基于云计算的微服务动态部署方法，其中，其中，以隐马尔科夫模型将所述初始时间向量映射到高维特征空间中，以获得输入时间向量，包括：获取待分类的云计算虚拟集群资源的预定时间参考点；

以所述隐马尔可夫模型将所述预定时间参考点映射到高维特征空间中以获得参考时间向量；以及

基于所述预定时间参考点和所述请求时间信息之间的实际时间距离以及所述参考时间向量和所述初始时间输入向量之间的向量距离之间的对应关系，以隐马尔可夫模型将所述初始时间向量映射到高维特征空间中以获得所述时间输入向量。

6.根据权利要求1所述的基于云计算的微服务动态部署方法，其中，以所述隐马尔科夫模型将所述业务请求所对应的请求地点信息映射到高维特征空间中，以获得输入地点向量，包括：

获取待分类的云计算虚拟集群资源的预定空间参考点；

以所述隐马尔可夫模型将所述预定空间参考点映射到高维特征空间中以获得参考空间向量；以及

基于所述预定空间参考点和所述请求地点信息之间的实际物理距离以及所述参考空间向量和所述初始地点输入向量之间的向量距离之间的对应关系，以隐马尔可夫模型将所述业务请求所对应的请求地点信息映射到高维特征空间中以获得所述地点输入向量。

7.一种基于云计算的微服务动态部署系统，其特征在于，包括：信息获取单元，用于获取用户发起的业务请求所属的多标签类别信息，所述多标签类别信息用于表示所述用户发起的业务请求所属的多个业务类型；

输入类别向量生成单元，用于对所述信息获取单元获得的所述多类型标签信息中每个类别标签进行独热编码，并将所述多个类别标签对应的独热编码进行级联以获得输入类别向量；

初始时间向量生成单元，用于将所述业务请求所对应的请求时间信息以特定顺序进行排列后输入编码器，以获得初始时间向量；

输入时间向量生成单元，用于以隐马尔科夫模型将所述初始时间向量生成单元获得的所述初始时间向量映射到高维特征空间中，以获得输入时间向量；

输入地点向量生成单元，用于以所述隐马尔科夫模型将所述业务请求所对应的请求地点信息映射到高维特征空间中，以获得输入地点向量；

综合向量生成单元，用于将所述输入类别向量生成单元获得的所述输入类别向量、所述输入时间向量生成单元获得的所述输入时间向量和所述输入地点向量生成单元获得的所述输入地点向量在向量的长度方向上拼接为综合向量；

编码特征向量生成单元，用于对所述综合向量生成单元获得的所述综合向量进行多次一维卷积处理以获得编码特征向量；

解码结果生成单元，用于将所述编码特征向量生成单元获得的所述编码特征向量输入由包括多个全连接层的深度神经网络实现的编码器‑解码器中，以获得解码结果，其中，所述解码结果用于表示待分类的云计算虚拟集群资源的标识号码。

8.根据权利要求7所述的基于云计算的微服务动态部署系统，其中，所述输入时间向量生成单元，包括：

时间参考点获取子单元，用于获取待分类的云计算虚拟集群资源的预定时间参考点；

参考时间向量生成子单元，用于以所述隐马尔可夫模型将所述时间参考点获取子单元获得的所述预定时间参考点映射到高维特征空间中以获得参考时间向量；以及第一映射子单元，用于基于所述时间参考点获取子单元获得的所述预定时间参考点和所述请求时间信息之间的实际时间距离以及所述参考时间向量生成子单元获得的所述参考时间向量和所述初始时间输入向量之间的向量距离之间的对应关系，以隐马尔可夫模型将所述初始时间向量映射到高维特征空间中以获得所述时间输入向量。

9.根据权利要求7所述的基于云计算的微服务动态部署系统，其中，所述输入地点向量生成单元，包括：

空间参考点获取子单元，用于获取待分类的云计算虚拟集群资源的预定空间参考点；

参考空间向量生成子单元，用于以所述隐马尔可夫模型将所述空间参考点获取子单元获得的所述预定空间参考点映射到高维特征空间中以获得参考空间向量；以及第二映射子单元，用于基于所述空间参考点获取子单元获得的所述预定空间参考点和所述请求地点信息之间的实际物理距离以及所述参考空间向量生成子单元获得的所述参考空间向量和所述初始地点输入向量之间的向量距离之间的对应关系，以隐马尔可夫模型将所述业务请求所对应的请求地点信息映射到高维特征空间中以获得所述地点输入向量。