【技术实现步骤摘要】
本专利技术涉及服务器负载均衡领域，尤其涉及一种基于对比服务的服务器负载均衡方法及系统。
技术介绍
1、在当今信息技术高速发展的背景下，越来越依赖大规模服务器集群来支持其业务和服务。为了提高系统的性能、资源利用效率和可扩展性，服务器负载均衡技术显得尤为重要。服务器负载均衡旨在通过智能地分配请求到服务器集群中的不同节点，以实现最优的资源利用和最小的响应时间。
2、传统的负载均衡方法通常依赖于静态规则或启发式算法，但这些方法往往难以适应动态变化的负载环境，进而导致现有方案的智能性低。
技术实现思路
1、本专利技术提供了一种基于对比服务的服务器负载均衡方法及系统，用于提高服务器集群的负载均衡决策智能性。
2、本专利技术第一方面提供了一种基于对比服务的服务器负载均衡方法，所述基于对比服务的服务器负载均衡方法包括：
3、通过预置的服务对比模型获取服务器集群的历史服务器性能数据，并通过预置的负载监控平台获取所述服务器集群的历史服务器负载数据；
4、将所述历史服务器性能数据和所述历史服务器负载数据输入预置的深度强化学习网络进行参数定义和参数更新，得到初始负载均衡决策模型；
5、对预置的扩展卡尔曼滤波模型和所述初始负载均衡决策模型进行模型集成和决策训练，得到目标负载均衡决策模型；
6、获取所述服务器集群的实时服务器性能数据和实时服务器负载数据，并将所述实时服务器性能数据和所述实时服务器负载数据输入所述目标负载均衡决策模型进行负载
7、结合第一方面，在本专利技术第一方面的第一种实现方式中，所述将所述历史服务器性能数据和所述历史服务器负载数据输入预置的深度强化学习网络进行参数定义和参数更新，得到初始负载均衡决策模型，包括：
8、对所述历史服务器性能数据和所述历史服务器负载数据进行数据清洗，得到标准服务器性能数据和标准服务器负载数据；
9、对所述标准服务器性能数据和所述标准服务器负载数据进行特征提取，得到服务器性能数据以及服务器负载特征数据；
10、基于所述服务器性能数据以及所述服务器负载特征数据，定义所述深度强化学习网络的状态空间s，其中，所述状态空间s包括服务器性能状态以及服务器负载状态；
11、获取服务器负载均衡系统的所有负载均衡操作集合，并根据所述负载均衡操作集合定义动作空间a，其中，所述动作空间a包括服务器权重调整操作动作以及负载任务分配操作动作；
12、获取计算资源消耗因素、负载均衡平衡性因素及服务器性能因素，并根据所述计算资源消耗因素、所述负载均衡平衡性因素及所述服务器性能因素定义奖励函数r(m，n)表示，其中r表示奖励，m表示状态，n表示动作，n∈s，n表示具体的状态，m∈a，m表示具体的操作动作；
13、根据所述状态空间s、所述动作空间a以及所述奖励函数r(m，n)，并通过预置的q-value函数对所述深度强化学习网络进行参数更新，得到初始负载均衡决策模型。
14、结合第一方面，在本专利技术第一方面的第二种实现方式中，所述对所述标准服务器性能数据和所述标准服务器负载数据进行特征提取，得到服务器性能数据以及服务器负载特征数据，包括：
15、对所述标准服务器性能数据和所述标准服务器负载数据进行曲线拟合，得到服务器性能曲线以及服务器负载曲线；
16、对所述服务器性能曲线进行均值运算，得到第一均值数据，并对所述服务器负载曲线进行均值运算，得到第二均值数据；
17、根据所述第一均值数据对所述服务器性能曲线进行特征点提取，得到服务器性能数据，并根据所述第二均值数据对所述服务器负载特征数据进行特征点提取，得到服务器负载特征数据。
18、结合第一方面，在本专利技术第一方面的第三种实现方式中，所述根据所述状态空间s、所述动作空间a以及所述奖励函数r(m，n)，并通过预置的q-value函数对所述深度强化学习网络进行参数更新，得到初始负载均衡决策模型，包括：
19、根据所述状态空间s、所述动作空间a以及所述奖励函数r(m，n)，创建q-value函数，其中，所述q-value函数为：q(m，n)＝e[σγt*r(mt，nt)|m0＝m，n0＝n，π]，其中，q(m，n)表示状态m下采取动作n的q-value，e表示期望操作，γ是折扣因子，t表示时间步，mt表示第t步的状态，nt表示第t步的动作，π是策略函数；
20、将所述状态空间s输入所述深度强化学习网络，其中，所述深度强化学习网络包括目标网络以及估计网络，所述目标网络包括：第一输入层、多个第一隐藏层以及第一输出层，所述估计网络包括：第二输入层、多个第二隐藏层以及第二输出层；
21、采用q-learning更新所述q-value函数的估计，以最小化q(m，n)与目标q值之间的差距，目标q值的计算函数为：targetq(m，n)＝r+γ*max(q(m'，n'))，targetq(m，n)表示目标q值，r表示奖励函数，γ是折扣因子，m'表示下一状态，n'表示下一操作动作；
22、根据所述目标q值，使用梯度下降模型更新所述深度强化学习网络的网络参数，得到初始负载均衡决策模型。
23、结合第一方面，在本专利技术第一方面的第四种实现方式中，所述对预置的扩展卡尔曼滤波模型和所述初始负载均衡决策模型进行模型集成和决策训练，得到目标负载均衡决策模型，包括：
24、将所述服务器性能数据以及所述服务器负载特征数据输入所述初始负载均衡决策模型，并通过所述初始负载均衡决策模型中的目标网络对所述服务器性能数据以及所述服务器负载特征数据进行决策分析，得到所述目标网络的第一输出结果；
25、通过所述初始负载均衡决策模型中的估计网络对所述服务器性能数据以及所述服务器负载特征数据进行决策分析，得到所述估计网络的第二输出结果；
26、对预置的扩展卡尔曼滤波模型和所述初始负载均衡决策模型进行模型集成，并通过所述扩展卡尔曼滤波模型对所述第一输出结果和所述第二输出结果进行状态反馈参数计算，得到目标状态反馈参数；
27、将所述目标状态反馈参数输入所述估计网络进行网络状态更新，并对网络状态更新后的估计网络进行决策训练，得到目标负载均衡决策模型。
28、结合第一方面，在本专利技术第一方面的第五种实现方式中，所述获取所述服务器集群的实时服务器性能数据和实时服务器负载数据，并将所述实时服务器性能数据和所述实时服务器负载数据输入所述目标负载均衡决策模型进行负载均衡决策分析，得到目标负载均衡策略，包括：
29、通过所述服务对比模型获取所述服务器集群的实时服务器性能数据和实时服务器负载数据；
30、对所述实时服务器性能数据和所述实时服务器负载数据进行标准化处理和矩阵转换，得到实时状态参数矩阵；
31、将所述实时状态参数矩阵输入所述目标负载均衡决策模型进行负载均衡决策分析本文档来自技高网...
【技术保护点】
1.一种基于对比服务的服务器负载均衡方法，其特征在于，所述基于对比服务的服务器负载均衡方法包括：
2.根据权利要求1所述的基于对比服务的服务器负载均衡方法，其特征在于，所述将所述历史服务器性能数据和所述历史服务器负载数据输入预置的深度强化学习网络进行参数定义和参数更新，得到初始负载均衡决策模型，包括：
3.根据权利要求2所述的基于对比服务的服务器负载均衡方法，其特征在于，所述对所述标准服务器性能数据和所述标准服务器负载数据进行特征提取，得到服务器性能数据以及服务器负载特征数据，包括：
4.根据权利要求2所述的基于对比服务的服务器负载均衡方法，其特征在于，所述根据所述状态空间S、所述动作空间A以及所述奖励函数R(m，n)，并通过预置的Q-Value函数对所述深度强化学习网络进行参数更新，得到初始负载均衡决策模型，包括：
5.根据权利要求4所述的基于对比服务的服务器负载均衡方法，其特征在于，所述对预置的扩展卡尔曼滤波模型和所述初始负载均衡决策模型进行模型集成和决策训练，得到目标负载均衡决策模型，包括：
6.根据权利要求1所述
7.根据权利要求6所述的基于对比服务的服务器负载均衡方法，其特征在于，所述将所述实时状态参数矩阵输入所述目标负载均衡决策模型进行负载均衡决策分析，输出所述服务器集群的目标负载均衡策略，其中，所述目标负载均衡策略包括服务器权重调整量、服务器资源分配比例以及服务器集群容量调整量，包括：
8.一种基于对比服务的服务器负载均衡系统，其特征在于，所述基于对比服务的服务器负载均衡系统包括：
...【技术特征摘要】
1.一种基于对比服务的服务器负载均衡方法，其特征在于，所述基于对比服务的服务器负载均衡方法包括：
2.根据权利要求1所述的基于对比服务的服务器负载均衡方法，其特征在于，所述将所述历史服务器性能数据和所述历史服务器负载数据输入预置的深度强化学习网络进行参数定义和参数更新，得到初始负载均衡决策模型，包括：
3.根据权利要求2所述的基于对比服务的服务器负载均衡方法，其特征在于，所述对所述标准服务器性能数据和所述标准服务器负载数据进行特征提取，得到服务器性能数据以及服务器负载特征数据，包括：
4.根据权利要求2所述的基于对比服务的服务器负载均衡方法，其特征在于，所述根据所述状态空间s、所述动作空间a以及所述奖励函数r(m，n)，并通过预置的q-value函数对所述深度强化学习网络进行参数更新，得到初始负载均衡决策模型，包括：
5.根据权利要求4所述的基于对比服务的服务器...
【专利技术属性】
技术研发人员：孙庆南，马小清，郑沛霖，徐崇，
申请(专利权)人：北京创璞科技有限公司，
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。