一种基于深度学习的负载感知调度方法技术

本发明专利技术涉及一种基于深度学习的负载感知调度方法。本方法包括：从数据源中收集历史负载数据，将收集到的数据按时间序列进行整理，生成时间序列数据集；构建深度学习模型，该模型采用循环神经网络或其变种捕捉负载数据的时序依赖关系；利用深度学习模型进行系统负载预测，根据历史负载数据预测未来某个时刻的负载值；根据深度学习模型的负载预测结果、当前资源利用率以及系统资源限制因素，制定调度策略，并依据该策略动态调整资源的分配。本方法可以很好地适应计算资源负载动态、多变的特点，实现对系统负载的准确预测和智能调度，提高计算资源的利用效率和系统的稳定性。另外，本方法的通用性和扩展性好，可适用于不同规模和类型的云计算环境。

【技术实现步骤摘要】

本专利技术涉及计算资源调度方法，具体涉及一种基于深度学习的负载感知调度方法及调度系统。

技术介绍

1、随着云计算、大数据和物联网等技术的飞速发展，计算资源的负载呈现出动态、多变的特点，传统的静态资源调度策略往往难以适应这种变化，容易造成资源的浪费或不足。因此，如何准确预测负载变化，并据此制定高效的调度策略，已成为当前亟待解决的问题。

技术实现思路

1、为了解决传统的静态资源调度策略难以适应计算资源负载动态、多变特点的问题，实现对系统负载的准确预测和智能调度，提高计算资源的利用效率和系统的稳定性，本专利技术提出了一种新的基于深度学习的负载感知调度方法。

2、整体而言，本专利技术设计了一种基于深度学习的负载感知调度策略，通过深度学习模型预测系统负载的变化，并根据预测结果智能调整资源的分配。本专利技术方法具有很好的通用性和扩展性，可以适用于不同规模和类型的云计算环境。以下将详细描述本专利技术模型的构建、负载预测的算法公式以及调度策略的具体实施方式，并提供了在kubernetes集群上的实施示例，验证了本本文档来自技高网...

【技术保护点】

1.一种基于深度学习的负载感知调度方法，其特征在于，所述方法包括下述步骤：

2.根据权利要求1所述的基于深度学习的负载感知调度方法，其特征在于，步骤S1中收集的历史负载数据包括：CPU使用率、内存占用率、网络带宽占用率、处理任务队列长度。

3.根据权利要求1所述的基于深度学习的负载感知调度方法，其特征在于，步骤S2中所述的循环神经网络为RNN，其变种包括：LSTM和GRU。

4.根据权利要求3所述的基于深度学习的负载感知调度方法，其特征在于，当选择LSTM作为深度学习模型的基础架构时，构建的深度学习模型包含输入层、多个LSTM层、全连接层以及输出层，其...

【技术特征摘要】

1.一种基于深度学习的负载感知调度方法，其特征在于，所述方法包括下述步骤：

2.根据权利要求1所述的基于深度学习的负载感知调度方法，其特征在于，步骤s1中收集的历史负载数据包括：cpu使用率、内存占用率、网络带宽占用率、处理任务队列长度。

3.根据权利要求1所述的基于深度学习的负载感知调度方法，其特征在于，步骤s2中所述的循环神经网络为rnn，其变种包括：lstm和gru。

4.根据权利要求3所述的基于深度学习的负载感知调度方法，其特征在于，当选择lstm作为深度学习模型的基础架构时，构建的深度学习模型包含输入层、多个lstm层、全连接层以及输出层，其中：

5.根据权利要求1所述的基于深度学习的负载感知调度方法，其特...

【专利技术属性】
技术研发人员：潘洪，
申请(专利权)人：中电云计算技术有限公司，
类型：发明
国别省市：