【技术实现步骤摘要】
本专利技术涉及资源进化技术，尤其涉及基于数字孪生的分布式计算资源智慧进化方法及系统。
技术介绍
1、分布式计算系统已成为处理大规模数据和复杂应用的重要基础设施。随着云计算和边缘计算的快速发展，分布式计算集群的规模和复杂性不断增加，如何高效地管理和调度计算资源成为一个关键挑战。传统的资源管理方法通常依赖于静态配置和基于规则的调度策略，难以适应动态变化的负载和复杂的应用需求。此外，传统的监控方法主要关注单个计算节点的性能指标，缺乏对整个集群资源状态的全局感知和协同优化。
2、缺乏对资源状态的精细化感知:传统的监控方法难以捕捉资源状态的细微变化和突变点，导致无法及时识别潜在的性能瓶颈和故障风险。 这限制了资源管理和调度策略的有效性和灵活性。
3、缺乏对计算节点间动态关联的建模:传统的资源调度方法通常将计算节点视为孤立的个体，忽略了节点之间的相互影响和依赖关系。 这导致无法充分利用集群的整体计算能力，容易造成资源浪费和性能瓶颈。
4、缺乏对多时间尺度资源利用预测的融合:传统的资源预测方法通常只关注单一的时间尺...
【技术保护点】
1.基于数字孪生的分布式计算资源智慧进化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将所述特征张量输入图神经网络构建计算资源数字孪生模型，所述图神经网络融合时序卷积层和空间关系层，建立计算节点间的节点动态关联图；基于所述节点动态关联图，采用混合熵优化算法计算特征重要性得到特征权重矩阵，所述特征权重矩阵用于表征资源状态的多维度相关性包括：
3.根据权利要求1所述的方法，其特征在于，将所述特征权重矩阵和所述节点动态关联图输入分层强化学习框架，在宏观层采用改进的策略梯度算法基于所述特征权重矩阵学习全局资源分配策略，在微观层采用...
【技术特征摘要】
1.基于数字孪生的分布式计算资源智慧进化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将所述特征张量输入图神经网络构建计算资源数字孪生模型，所述图神经网络融合时序卷积层和空间关系层，建立计算节点间的节点动态关联图；基于所述节点动态关联图，采用混合熵优化算法计算特征重要性得到特征权重矩阵，所述特征权重矩阵用于表征资源状态的多维度相关性包括：
3.根据权利要求1所述的方法，其特征在于，将所述特征权重矩阵和所述节点动态关联图输入分层强化学习框架，在宏观层采用改进的策略梯度算法基于所述特征权重矩阵学习全局资源分配策略，在微观层采用改进的q学习算法基于所述节点动态关联图优化局部调度决策包括：
4.根据权利要求1所述的方法，其特征在于，基于所述资源利用预测序列，设计动态融合机制结合长短期预测结果，采用改进的贝叶斯优化算法计算不同时间尺度的预测权重得到融合预测结果；根据所述融合预测结果构建多目标优化模型，将系统性能指标...
【专利技术属性】
技术研发人员：高经郡，高海玲，陶泽跃，
申请(专利权)人：北京科杰科技有限公司，
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。