基于算网融合特征的数据中心推荐方法及装置制造方法及图纸

本发明专利技术公开了一种基于算网融合特征的数据中心推荐方法及装置，其中该方法包括：获取当前用户根据自己的计算任务需求输入的用户计算需求的算网融合特征；获取每一数据中心的实时算网融合特征；根据当前用户的用户计算需求的算网融合特征，每一数据中心的实时算网融合特征，以及预先建立的数据中心推荐模型，预测得到每一数据中心的向量化特征；根据每一数据中心的向量化特征为当前用户推荐优选数据中心；所述数据中心推荐模型根据历史用户计算需求的算网融合特征及历史实时算网融合特征样本数据集预先训练生成。本发明专利技术可以帮助用户高效精确地选出优选的数据中心。高效精确地选出优选的数据中心。高效精确地选出优选的数据中心。

【技术实现步骤摘要】
基于算网融合特征的数据中心推荐方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于算网融合特征的数据中心推荐方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]目前，数据中心已经是当今基本的算力提供者，众多企业也都提供了数据中心的算力服务。对于算力的使用者，针对自己的计算任务需求，需要知道使用哪个数据中心可以得到较好的效果（更快、更高效地完成计算任务），才可以从中选择最合适自己的、或性价比较高的算力服务。但是，评估数据中心对于特定任务的计算性能非常困难，复杂度也极高。原因是：首先，数据中心内本身计算能力不好评估，这与数据中心的服务器负载、数据中心内的网络负载、数据中心的组网等等多元异构特征相关。其次，数据中心外的通信成本也难以预估，例如将大量的数据传入传出这种南北向数据中心流量也会影响计算任务的性能。最后，这些特征往往都是动态变化的，这使得评估某数据中心对于特定任务计算性能更加困难。因此，现有技术中，用户无法快速精确地选择出优选的数据中心。

技术实现思路

[0004]本专利技术实施例提供一种基于算网融合特征的数据中心推荐方法，用以帮助用户高效精确地选出优选的数据中心，该方法包括：获取当前用户根据自己的计算任务需求输入的用户计算需求的算网融合特征；获取每一数据中心的实时算网融合特征；根据当前用户的用户计算需求的算网融合特征，每一数据中心的实时算网融合特征，以及预先建立的数据中心推荐模型，预测得到每一数据中心的向量化特征；根据每一数据中心的向量化特征为当前用户推荐优选数据中心；所述数据中心推荐模型根据历史用户计算需求的算网融合特征及历史实时算网融合特征样本数据集预先训练生成。
[0005]本专利技术实施例还提供一种基于算网融合特征的数据中心推荐装置，用以帮助用户高效精确地选出优选的数据中心，该装置包括：用户计算需求收集模块，用于获取当前用户根据自己的计算任务需求输入的用户计算需求的算网融合特征；数据中心实时信息收集模块，用于获取每一数据中心的实时算网融合特征；智能推荐模块，用于根据当前的用户计算需求的算网融合特征，每一数据中心的实时算网融合特征，以及预先建立的数据中心推荐模型，预测得到每一数据中心的向量化特征；根据每一数据中心的向量化特征为当前用户推荐优选数据中心；所述数据中心推荐模型根据历史用户计算需求的算网融合特征及历史实时算网融合特征样本数据集预先训练生成。
[0006]本专利技术实施例还提供一种计算机设备，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时实现上述基于算网融合特征的数据中心推荐方法。
[0007]本专利技术实施例还提供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计算机程序，所述计算机程序被处理器执行时实现上述基于算网融合特征的数据中心推荐方法。
[0008]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于算网融合特征的数据中心推荐方法。
[0009]本专利技术实施例中，基于算网融合特征的数据中心推荐方案，工作时，获取当前用户根据自己的计算任务需求输入的用户计算需求的算网融合特征；获取每一数据中心的实时算网融合特征；根据当前用户的用户计算需求的算网融合特征，每一数据中心的实时算网融合特征，以及预先建立的数据中心推荐模型，预测得到每一数据中心的向量化特征；根据每一数据中心的向量化特征为当前用户推荐优选数据中心；所述数据中心推荐模型根据历史用户计算需求的算网融合特征及历史实时算网融合特征样本数据集预先训练生成。
[0010]与现有技术中用户很难快速精确地选适合自己的数据中心的技术方案相比，本专利技术实施例提供的基于算网融合特征的数据中心推荐方案的有益技术效果是：为用户提供了选择数据中心的评分（即得到每一数据中心的向量化特征）参考，即实现了可以定量地帮助用户选择出优选的数据中心。同时，在利用数据中心推荐模型进行推荐时考虑到了数据中心的实时算网融合特征，以及用户计算需求对应的算网融合特征，考虑到的特征对比现有技术更加贴近应用需求，因此可以获得更加准确的数据中心推荐结果。
[0011]综上，本专利技术实施例提供的基于算网融合特征的数据中心推荐方案可以帮助用户高效精确地选出优选的数据中心。
附图说明
[0012]为了更清楚地说明本专利技术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专利技术的一些实施例，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附图。在附图中：图1为本专利技术实施例中基于算网融合特征的数据中心推荐方法的流程示意图；图2为本专利技术实施例中训练方法与推理应用示意图；图3为本专利技术另一实施例中训练方法与推理应用示意图；图4为本专利技术实施例中基于算网融合特征的数据中心推荐装置的结构示意图；图5为本专利技术实施例中计算机设备结构示意图。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0014]在介绍本专利技术实施例之前，首先对本专利技术实施例涉及的名词进行介绍。
[0015]1、CPU：中央处理器。
[0016]2、GPU：图形处理器。
[0017]3、FLOPS：每秒浮点运算次数。
[0018]4、TOPS：处理器运算能力，1TOPS代表处理器每秒钟可进行一万亿次操作。
[0019]在现有技术中，[1]基于资源特征的云计算平台计算任务成本预测方法及系统(CN_109743200_A.pdf)提出使用机器学习的方法预测计算成本，但是没有考虑到数据中心当前的算力与网络状态，因此难以准确预测数据中心。[2]一种Spark任务的时长预测方法及装置(CN_110263869_A.pdf)提出使用神经网络模型预测spark计算任务，但是该方法只适用于单一的spark任务，不具备普适性。[3]一种基于异向强化学习的分布式数据中心选择方法(CN_112700269_A.pdf )在选择数据中心时只考虑了网络与计费，没有考虑数据中心的计算性能与计算任务的特征。
[0020]可以见得，现有选择数据中心的方法均难以实现上述诉求。算力的使用者难以比较算力服务之间的差别，这对于算力的使用者来说，购买的算力往往类似黑盒，购买与选择十分困难。
[0021]面向以往工作的问题与缺陷，本专利技术实施例提出一种基于算网融合特征的数据中心推荐方案，该方案针对特定的计算任务需求，基于人工智能的智能推荐技术，为算力的使用者推荐数据中心。本专利技术实施例提出的智能推荐方法，可以同时结合考虑多个提供算力服务的数据中心中的动态实时计算特征（算力实时特征）与网络实时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于算网融合特征的数据中心推荐方法，其特征在于，包括：获取当前用户根据自己的计算任务需求输入的用户计算需求的算网融合特征；获取每一数据中心的实时算网融合特征；根据当前用户的用户计算需求的算网融合特征，每一数据中心的实时算网融合特征，以及预先建立的数据中心推荐模型，预测得到每一数据中心的向量化特征；根据每一数据中心的向量化特征为当前用户推荐优选数据中心；所述数据中心推荐模型根据历史用户计算需求的算网融合特征及历史实时算网融合特征样本数据集预先训练生成。2.如权利要求1所述的方法，其特征在于，所述实时算网融合特征包括：算力实时特征及网络实时特征；所述用户计算需求的算网融合特征包括：算力需求特征及网络需求特征。3.如权利要求2所述的方法，其特征在于，还包括：按照如下方法预先构建所述历史用户计算需求的算网融合特征及历史实时算网融合特征样本数据集：在每一数据中心运行时，监测每一数据中心的算力实时特征及网络实时特征；在算力实时特征及网络实时特征为不同的预设阈值组合时，为每一数据中心提交不同的计算任务；收集在每一计算任务下，每一数据中心在当前算力实时特征、网络实时特征、算力需求特征及网络需求特征下的运行耗时；对于每一计算任务，随机采样该计算任务中的预设行数，将采样的行中运行耗时最短的一条标记为正样本，其余标记为负样本，得到所述历史用户计算需求的算网融合特征及历史实时算网融合特征样本训练数据集；每一样本数据包括数据中心标识，历史算力实时特征，历史网络实时特征，历史算力需求特征，历史网络需求特征及样本标签。4.如权利要求3所述的方法，其特征在于，还包括：按照如下方法预先训练得到所述数据中心推荐模型：将数据中心标识，历史算力实时特征及历史网络实时特征输入实时算网融合向量化特征预测神经网络，得到实时算网融合向量化特征；将历史算力需求特征及历史网络需求特征输入用户计算需求的算网融合向量化特征预测神经网络，得到用户计算需求的算网融合向量化特征；对比实时算网融合向量化特征与用户计算需求的算网融合向量化特征损失训练所述用户计算需求的算网融合向量化特征预测神经网络及实时算网融合向量化特征预测神经网络；根据正负样本标签进行随机梯度下降，更新实时算网融合向量化特征预测神经网络及用户计算需求的算网融合向量化特征预测神经网络，最终得到训练好的实时算网融合向量化特征预测神经网络模型及用户计算需求的算网融合向量化特征预测神经网络模型；所述实时算网融合向量化特征预测神经网络模型及用户计算需求的算网融合向量化特征预测神经网络模型构成所述数据中心推荐模型。5.如权利要求4所述的方法，其特征在于，所述用户计算需求的算网融合向量化特征预测神经网络模型为10层的全连接神经网络模型，所述实时算网融合向量化特征预测神经网络模型为10层的全连接神经网络模型。6.如权利要求4所述的方法，其特征在于，所述数据中心推荐模型包括：多模算力特征嵌入层、多模网络特征嵌入层、多模算力需求嵌入层及多模网络需求嵌入层；如果数据中心
推荐模型的输入特征是数值，多模算力特征嵌入层、多模网络特征嵌入层、多模算力需求嵌入层或多模网络需求嵌入层是全连接输入；如果数据中心推荐模型的输入特征是图，多模算力特征嵌入层、多模网络特征嵌入层、多模算力需求嵌入层或多模网络需求嵌入层是为图嵌入Graph Embedding。7.如权利要求4所述的方法，其特征在于，根据当前用户的用户计算需求的算网融合特征，每一数据中心的实时算网融合特征，以及预先建立的数据中心推荐模型，预测得到每一数据中心的向量化特征；根据每一数据中心的向量化特征为当前用户推荐优选数据中心，包括：将当前用户计算需求的算网融合特征输入用户计算需求的算网融合向量化特征预测神经网络模型，预测得到当前用户计算需求的算网融合向量化特征；将每一数据中心的实时算网融合特征输入实时算网融合向量化特征预测神经网络模型，预测得到每一数据中心的实时算网融合向量化特征；对比当前用户计算需求的算网融合向量化特征与实时算网融合向量化特征之间的余弦相似度，得到每一数据中心的向...

【专利技术属性】
技术研发人员：袁彤彤，金键，曾西平，焦臻桢，
申请(专利权)人：北京泰尔英福科技有限公司，
类型：发明
国别省市：