节点可用资源状态预测方法、装置和设备制造方法及图纸

本申请涉及计算机资源管理技术领域，具体涉及一种节点可用资源状态预测方法、装置和设备。方法包括：获取多个节点在预设时间段内的历史可用资源数据；基于多个节点的历史可用资源数据构建待预测数据；获取各个节点的可用资源状态预测结果：将所述待预测数据输入双图卷积网络模型，得到双图卷积网络模型输出的各个节点的可用资源状态预测结果；其中，双图卷积网络模型基于对多个节点的空间拓扑关系进行空间结构特征提取的有向图和边图，进行节点可用资源状态预测；边图是基于有向图中边之间的连接关系构建得到的。本申请实施例用以解决现有技术方案中节点可用资源状态预测精度不佳的技术问题。的技术问题。的技术问题。

【技术实现步骤摘要】
节点可用资源状态预测方法、装置和设备


[0001]本申请涉及计算机资源管理
，具体涉及一种节点可用资源状态预测方法、装置和设备。

技术介绍

[0002]目前，现有的Docker技术通过考量容器资源需求将容器部署到可满足其需求的节点上。具体的，现有的Docker技术通过考量容器资源需求将容器部署到可满足其需求的节点上，即根据容器请求的资源量进行查找，挑选出集群中当前节点剩余资源量大于容器请求资源量的节点，并对这些节点进行评分，选择得分最高的节点将容器部署到该节点上。
[0003]然而，容器资源需求会根据其内的业务、应用而动态变化，即其所需要、所占用的节点资源是随时间不断变化的，因此节点的可用资源状态也是不断变化的。当新的容器到来时，因为节点可用资源变化，可能会导致节点无法满足已部署容器的需求，进而需要对所有已部署容器进行重新部署，耗费大量的时间和运算精力。此外，不同节点的地理位置、配置(如：cpu、内存、硬盘、gpu、网络资源等)等信息有所差别，且容器对于不同节点的偏好也有所不同(例如：有的容器对CPU、内存的要求更高；有的容器对网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种节点可用资源状态预测方法，其特征在于，包括：获取多个节点在预设时间段内的历史可用资源数据；基于所述多个节点的历史可用资源数据构建待预测数据；获取各个节点的可用资源状态预测结果：将所述待预测数据输入双图卷积网络模型，得到所述双图卷积网络模型输出的各个节点的可用资源状态预测结果；其中，所述双图卷积网络模型基于对所述多个节点的空间拓扑关系进行空间结构特征提取的有向图和边图，进行节点可用资源状态预测；所述边图是基于所述有向图中边之间的连接关系构建得到的；所述双图卷积网络模型是基于多个样本节点的样本历史可用资源数据、多个所述样本节点之间的空间结构特征，以及多个所述样本节点的可用资源状态结果训练得到的。2.根据权利要求1所述的节点可用资源状态预测方法，其特征在于，所述基于所述多个节点的历史可用资源数据构建待预测数据，包括：根据所述多个节点的空间拓扑关系确定有向图；基于所述有向图构建第一邻接矩阵；根据所述有向图中的边以及所述边之间的连接关系构建边图；基于所述边图确定第二邻接矩阵；根据预设时间滑动窗口对所述多个节点的历史可用资源数据进行划分，得到待输入的节点特征向量。3.根据权利要求2所述的节点可用资源状态预测方法，其特征在于，所述根据所述有向图中的边以及所述边之间的连接关系构建边图，包括：基于所述有向图中的边构建所述边图的节点，基于所述有向图中所述边之间的连接关系构建所述边图的边。4.根据权利要求1所述的节点可用资源状态预测方法，其特征在于，所述双图卷积网络模型包括：边图卷积层，用于对所述边图的空间结构特征进行特征提取，得到所述边图中含有空间结构特征的节点的第一特征向量；有向图卷积层，与所述边图卷积层连接，用于基于所述第一特征向量对所述有向图的空间结构特征进行特征提取，得到所述有向图中节点的特征向量和所述第一特征向量进行结合的第二特征向量。5.根据权利要求4所述的节点可用资源状态预测方法，其特征在于，所述边图卷积层包括多个依次连接的图卷积神经网络层；所述图卷积神经网络GCN的公式如下：其中，Q＝M
T
XW
b
表示所述边图G
e
中节点的特征向量，其中，M为关联矩阵，表示所述边图G
e
中节点特征与所述有向图G
n
中节点特征间的关联关系，M
T
表示关联矩阵的转置；X表示所述有向图G
n
中的节点特征，W
b
为可学习参数矩阵；其中，A
e
是所述边图的第二邻接矩阵，I
e
是所述边图的单位矩阵，为的度矩阵；W
e

【专利技术属性】
技术研发人员：李胜男，魏宝辉，张辉，张春，陈国，郑文雯，林炳，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：