【技术实现步骤摘要】
本专利技术涉及仿真平台，更具体地说，本专利技术涉及一种协作式可视化仿真平台。
技术介绍
1、申请公开号为cn104850700a的专利公开了一种协作式可视化仿真平台，包括至少四台计算机、至少三块三维显示屏幕、移动信息终端和远程会商终端；第一计算机接收实验数据和监视图像，并提取出驱动数据传输给第二计算机，第二计算机进行空间运动再现虚拟仿真，生成视频图像；第三计算机进行地面试验现场虚拟仿真，生成视频图像；第四计算机进行绘图处理，生成视频图像；第一计算机将实验数据和视频图像发送给移动信息终端和远程会商终端，将仿真平台协作方式由一般性软件方式变为软硬件协作方式，在仿真场景上充分利用真实数据对地景、月景、大气和星空等三维仿真环境进行构造，增强可视化仿真环境的真实性，实现了软、硬件间的协同操作，提高了仿真的效率与真实性。
2、但是当前，随着各类任务需求的快速增长和资源环境的复杂化，仅仅依靠人工经验去制定资源分配方案已经很难适应场景的变化；比如在某大数据处理系统中，存在海量数据分析任务和机器学习模型训练任务同时到达，这些任务对计算资源和存储资源都有需求；资源管理者通过过去的经验判断先满足分析任务的需要，导致后续的模型训练任务等待资源时延迟严重；另一方面，现有资源分配方案一旦确定下来就较难做调整，无法对资源和任务环境的变化做出快速反应；例如，当新增大量带宽资源时，原有的网络传输任务如果不能自动感知并使用这些新资源，就等于浪费了可用的带宽；当前资源分配评估也主要依靠人工统计各类指标，较难直观发现资源利用不足的情况；例如，存在存储资源繁
3、鉴于此，本专利技术提出一种协作式可视化仿真平台以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：一种协作式可视化仿真平台，包括：资源库模块，用于存储可分配资源；
2、任务库模块，用于获取待分配任务，并根据待分配任务获取待分配特征数据；
3、方案生成模块，用于将可分配资源和待分配特征数据运用改进遗传算法搜索得到资源分配方案；并根据资源分配方案建立资源与任务的软性映射关系；
4、关系评分模块，用于对资源与任务的软性映射关系进行评分，得到评分结果；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。
5、进一步地，所述可分配资源包括计算资源、存储资源和网络资源；存储可分配资源的对应的具体信息；
6、所述可分配资源的对应的具体信息包括资源健康状态、资源成本信息、资源当前负载状态和资源服务类型。
7、进一步地，所述资源健康状态的获取方式包括：
8、通过在资源上安装轻量级探针程序，实时获取资源利用率数据；所述资源利用率数据包括资源的cpu、内存和磁盘io,
9、将实时采集到的资源利用率数据输入预先训练完成的资源健康度评估模型，预测得到资源健康度分值；
10、预设资源健康度阈值，将资源健康度分值与资源健康度阈值进行比较；若资源健康度分值小于资源健康度阈值，则判断该资源的资源健康状态为亚健康；若资源健康度分值大于或等于资源健康度阈值，则判断该资源的资源健康状态为健康；
11、所述资源成本信息的获取方式包括：
12、构建资源成本数据库，记录静态成本数据；静态成本数据包括不同型号和配置的资源的电力功耗和维护费用；
13、根据静态成本数据、当前电价和使用时长，计算得到资源的运营成本；即资源成本信息；
14、所述资源当前负载状态的获取方式包括：
15、在资源服务器上安装监控代理程序，实时采集使用率数据；所述使用率数据包括cpu使用率、内存使用率和磁盘使用率；
16、利用加权平均算法计算资源的总体利用率ly；
17、；其中，cp为cpu使用率；nc为内存使用率；io为磁盘使用率；w1、w2和w3为权重参数；
18、预设利用率阈值区间；根据利用率阈值区间和总体利用率，判断资源所处的负载状态，负载状态包括闲置状态、正常状态和繁忙状态；
19、所述资源服务类型通过设备提供的监测接口或监控管理软件直接获取。
20、进一步地，所述资源健康度评估模型的训练方式包括：
21、步骤1、收集历史资源利用率数据，并人工标注对应的健康度，构建标注数据集；将标注数据集划分为训练集和验证集；
22、步骤2、预设改进递归神经网络作为资源健康度评估模型的基础架构；
23、步骤3、提取历史资源利用率数据的特征，特征为最大值、最小值、平均值或方差；同时，将人工标注的健康度转化为连续数值；
24、步骤4、使用训练集训练资源健康度评估模型；将提取的特征作为输入，标注的健康度数值作为期望输出；
25、步骤5、预设特征损失函数；每隔固定训练迭代次数，在验证集上测试资源健康度评估模型的效果，记录特征损失函数的值；若特征损失函数的值连续p次迭代不再下降，则停止训练；即得到训练完成的资源健康度评估模型；
26、特征损失函数；其中，kl为训练集或验证集内总的样本数量；s为求和索引；wrs为第s个样本所属资源类别的权重；ss为模型对第s个样本的预测输出；为第s个样本的真实标签；λ为正则化参数；r(ρ)为模型参数λ的正则项，λ取参数向量的l1范数或l2范数。
27、进一步地，所述预设改进递归神经网络的方式包括：
28、改进递归神经网络在递归神经网络的基础架构的基础上加入改进双层gru网络和多尺度时序卷积单元；
29、改进双层gru网络为在双层gru网络之间添加门控单元；
30、添加门控单元的公式为：；；
31、其中，gg为门控单元的输出；σ为sigmoid函数；wgg为前向gru的门控单元权重矩阵；h1为前向gru细胞的输出状态；为逐元素乘法；h2为后向gru细胞的输出状态；gru2为双层gru网络中第2层gru网络的计算函数；
32、多尺度时序卷积单元提取扩张时间特征；
33、提取公式为：；其中，hh为输入时序序列；ww为卷积窗口大小；dd为膨胀率；dilatedconv1d为时序膨胀卷积操作函数。
34、进一步地，所述待分配任务包括手动创建任务、来自第三方系统调度任务和业务流程自动触发任务以及各自对应的任务属性；所述任务属性包括业务属性、优先级、截止日期和资源消耗描述；
35、构建任务队列，用于存储待分配任务；待分配任务以消息文字描述的形式投递到任务队列。
36、进一步地，所述待分配特征数据的获取方式包括：
37、构建基于深度学习的任务特征提取模型，本文档来自技高网...
【技术保护点】
1.一种协作式可视化仿真平台，其特征在于，包括：资源库模块，用于存储可分配资源；
2.根据权利要求1所述的一种协作式可视化仿真平台，其特征在于，所述可分配资源包括计算资源、存储资源和网络资源；存储可分配资源的对应的具体信息；
3.根据权利要求2所述的一种协作式可视化仿真平台，其特征在于，所述资源健康状态的获取方式包括：
4.根据权利要求3所述的一种协作式可视化仿真平台，其特征在于，所述资源健康度评估模型的训练方式包括：
5.根据权利要求4所述的一种协作式可视化仿真平台，其特征在于，所述预设改进递归神经网络的方式包括：
6.根据权利要求5所述的一种协作式可视化仿真平台，其特征在于，所述待分配任务包括手动创建任务、来自第三方系统调度任务和业务流程自动触发任务以及各自对应的任务属性；所述任务属性包括业务属性、优先级、截止日期和资源消耗描述；
7.根据权利要求6所述的一种协作式可视化仿真平台，其特征在于，所述待分配特征数据的获取方式包括：
8.根据权利要求7所述的一种协作式可视化仿真平台，其特征在于，所述
9.根据权利要求8所述的一种协作式可视化仿真平台，其特征在于，所述建立资源与任务的软性映射关系的方式包括：
10.根据权利要求9所述的一种协作式可视化仿真平台，其特征在于，所述评分结果的获取方式包括：
...【技术特征摘要】
1.一种协作式可视化仿真平台，其特征在于，包括：资源库模块，用于存储可分配资源；
2.根据权利要求1所述的一种协作式可视化仿真平台，其特征在于，所述可分配资源包括计算资源、存储资源和网络资源；存储可分配资源的对应的具体信息；
3.根据权利要求2所述的一种协作式可视化仿真平台，其特征在于，所述资源健康状态的获取方式包括：
4.根据权利要求3所述的一种协作式可视化仿真平台，其特征在于，所述资源健康度评估模型的训练方式包括：
5.根据权利要求4所述的一种协作式可视化仿真平台，其特征在于，所述预设改进递归神经网络的方式包括：
6.根据权利要求5所述的一种协作式可视化仿真平台，...
【专利技术属性】
技术研发人员：左良，周岩，程阿良，
申请(专利权)人：青岛欧亚丰科技发展有限公司，
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。