【技术实现步骤摘要】
基于机器学习的智能任务调度系统及其方法
[0001]本申请涉及智能分析领域，且更为具体地，涉及一种基于机器学习的智能任务调度系统及其方法。
技术介绍
[0002]任务调度是指在计算机系统中，对于多个任务的安排和分配，以实现资源的合理利用、任务的高效执行和系统的整体性能优化。任务调度在各种计算环境中都扮演着重要的角色，包括操作系统、分布式系统、云计算平台等。
[0003]然而，传统的任务调度系统通常使用固定的规则和优先级来进行任务调度，这种刚性的方式无法适应多变的任务环境。随着任务来源和种类的增多，以及任务形式的多样化，传统系统往往无法灵活地根据实际情况进行任务分配和调度。
[0004]因此，期望一种优化的智能任务调度系统。
技术实现思路
[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机器学习的智能任务调度系统及其方法，其通过监测任务执行过程中的系统资源使用数据，并在后端引入数据处理和分析算法来进行数据分析以检测任务执行过程中的异常情况，如任务失败、资源故障等，通过...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的智能任务调度系统，其特征在于，包括：任务接收模块，用于接收用户任务；自适应调度模块，用于根据系统状态和环境变化，调整任务调度策略；实时监测和调整模块，用于实时监测所述用户任务的执行和资源利用情况，并自动检测所述用户任务执行过程中的异常情况；分析和优化模块，用于收集所述用户任务被执行时的数据并进行分析和优化；以及强化学习模块，用于基于从所述分析和优化模块中提取到的数据进行强化学习。2.根据权利要求1所述的基于机器学习的智能任务调度系统，其特征在于，所述实时监测和调整模块，包括：系统资源数据采集单元，用于获取所述用户任务被执行过程中的多个预定时间点的系统资源使用数据，其中 ，所述系统资源使用数据包括CPU利用率、内存使用量和磁盘空间；系统资源数据时序关联编码单元，用于将所述多个预定时间点的系统资源使用数据进行时序关联分析以得到系统资源多参数融合特征；任务执行异常检测单元，用于基于所述系统资源多参数融合特征，确定用户任务被执行的过程中是否存在异常。3.根据权利要求2所述的基于机器学习的智能任务调度系统，其特征在于，所述系统资源数据时序关联编码单元，包括：资源数据参数时序排列子单元，用于将所述多个预定时间点的系统资源使用数据按照时间维度进行数据整理以得到CPU利用率时序输入向量、内存使用量时序输入向量和磁盘空间时序输入向量；资源数据时序变化特征提取子单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述CPU利用率时序输入向量、所述内存使用量时序输入向量和所述磁盘空间时序输入向量进行特征提取以得到CPU利用率时序特征向量、内存使用量时序特征向量和磁盘空间时序特征向量；资源数据时序关联特征提取子单元，用于对所述CPU利用率时序特征向量、所述内存使用量时序特征向量和所述磁盘空间时序特征向量进行关联编码以得到系统资源时序关联特征向量；资源数据时序特征融合子单元，用于融合所述CPU利用率时序特征向量、所述内存使用量时序特征向量、所述磁盘空间时序特征向量和所述系统资源时序关联特征向量以得到系统资源多参数融合特征向量作为所述系统资源多参数融合特征。4.根据权利要求3所述的基于机器学习的智能任务调度系统，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。5.根据权利要求4所述的基于机器学习的智能任务调度系统，其特征在于，所述资源数据时序关联特征提取子单元，用于：将所述CPU利用率时序输入向量、所述内存使用量时序输入向量和所述磁盘空间时序输入向量排列为系统资源时序关联矩阵后通过基于二维卷积神经网络模型的系统资源关联特征提取器以得到所述系统资源时序关联特征向量。6.根据权利要求5所述的基于机器学习的智能任务调度系统，其特征在于，所述任务执行异常检测单元，包括：特征分布优化子单元，用于对所述系统资源多参数融合特征向量进行特征分布优化以
得到优化系统资源多参数融合特征向量；以及异常分类子单元，用于将所述优化系统资源多参数融合特征向量通过分类器以得到分类结果，所述...
【专利技术属性】
技术研发人员：羊美华，宋庆，朱希辰，张瑜昊，方晓芳，
申请(专利权)人：杭州朗视视频技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。