一种基于深度学习的算力资源空闲预测方法和存储介质技术

本发明专利技术公开了一种基于深度学习的算力资源空闲预测方法和存储介质，所述方法包括：采集业务行为数据，并对所述数据进行分类，对分类后的所述数据进行标注，得到训练集；对业务行为数据进行预处理，所述预处理包括数据扩充和不平衡处理；构建算力资源空闲预测的特征提取模型，将训练集输入所述模型中进行训练，利用训练好的模型对业务行为数据进行特征提取；通过算力资源空闲预测模型对业务行为数据进行算力资源空闲的预测。本发明专利技术能够在业务数据不足、应用场景普适性低等情况下，仍具有较强的鲁棒性和泛化能力，同时，本发明专利技术提出的深度学习模型结合注意力机制，能够有效实现特征提取阶段的自适应细化目的。取阶段的自适应细化目的。取阶段的自适应细化目的。

【技术实现步骤摘要】
一种基于深度学习的算力资源空闲预测方法和存储介质


[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的算力资源空闲预测方法和计算机可读存储介质。

技术介绍

[0002]算力基础设施的形态多样、分布广泛、归属复杂，且算力的度量存在一定难度，同时孤岛算力功能单位固定、计算能力有限，单点式的算力供给已无法满足业务多样化的需求，限制了新兴产业的发展。算力作为社会发展新动能，使其像水、电等基础能源一样按需、按量、灵活地供给将成为算力未来的发展趋势。算力网络的核心特征，是通过算力，实现了对算力资源、网络资源的全面接管，可以让网络实时感知用户的算力需求，以及自身的算力状态。经过分析后，算力网络可以调度不同位置、不同类型的算力资源，为用户服务。因此，对算力的使用进行合理规划，通过准确预测算力资源的空闲情况，使得算力资源进行合理分配，具有十分重要的意义。
[0003]中国专利公开号第CN114896070A号提出一种用于深度学习任务的GPU资源分配方法，通过对深度学习任务的资源需求量进行预测，根据预测的资源需求量来对容器云集群中的GPU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的算力资源空闲预测方法，其特征在于，所述方法包括：采集业务行为数据，并对所述数据进行分类，对分类后的所述数据进行标注，得到训练集；对业务行为数据进行预处理，所述预处理包括数据扩充和不平衡处理；构建算力资源空闲预测的特征提取模型，将训练集输入所述模型中进行训练，利用训练好的模型对业务行为数据进行特征提取；通过算力资源空闲预测模型对业务行为数据进行算力资源空闲的预测。2.根据权利要求1所述的基于深度学习的算力资源空闲预测方法，其特征在于，所述预处理还包括对业务行为数据进行冗余样本去除。3.根据权利要求1所述的基于深度学习的算力资源空闲预测方法，其特征在于，所述不平衡处理采用随机过采样算法对算力资源空闲预测数据进行不平衡处理，通过随机的方式对少数类的样本进行采样，并将采样得到的样本与少数类初始的样本进行合并，使得少数类样本数量与多数类样本数量相同。4.根据权利要求3所述的基于深度学习的算力资源空闲预测方法，其特征在于，将经过随机过采样算法处理而得到的数据集如下：其中，和分别表示的是多数类样本和少数类样本，表示的是初始数据集S经过数据不平衡处理后得到的数据集，对数据集中少数类样本进行随机采样得到的数据集为E。5.根据权利要求1所述的基于深度学习的算力资源空闲预测方法，其特征在于，所述算...

【专利技术属性】
技术研发人员：李参宏，韩平军，徐翠兰，
申请(专利权)人：江苏网进科技股份有限公司，
类型：发明
国别省市：