CN113821330B - 任务调度方法、装置、计算机设备和存储介质 - Google Patents
任务调度方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113821330B CN113821330B CN202111401564.2A CN202111401564A CN113821330B CN 113821330 B CN113821330 B CN 113821330B CN 202111401564 A CN202111401564 A CN 202111401564A CN 113821330 B CN113821330 B CN 113821330B
- Authority
- CN
- China
- Prior art keywords
- time period
- target
- task
- scheduling
- period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种任务调度方法、装置、计算机设备和存储介质。所述方法包括：获取电子设备在历史周期中每个时间段的任务执行相关数据；基于所述任务执行相关数据，预测所述电子设备在目标周期中每个时间段的区间负载信息；基于所述目标周期中每个时间段的区间负载信息，确定所述目标周期中区间负载信息满足低负载条件的调度时间段；将待调度的目标任务的预约时间与所述目标周期中各调度时间段进行匹配，以从所述目标周期的调度时间段中确定出目标时间段；控制所述电子设备在所述目标时间段内调度执行所述目标任务。采用本方法能够在任务调度过程中使得设备资源利用更加均衡。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种任务调度方法、装置、计算机设备和存储介质。
背景技术
任务调度是日常生活中常见的一种任务分配方案。然而，在日常的数据生产和消费流程中，往往出现电子设备在同一时间段接收到许多调度任务，使得该时间段所占用的设备资源较多。当某个时间段所占用的设备资源较多，则会使得该时间段的任务调度比较拥堵，而其它时间段则存在较多闲置的设备资源，存在任务调度过程中设备资源使用不均衡的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够使得设备资源利用更加均衡的任务调度方法、装置、计算机设备和存储介质。
一种任务调度方法，所述方法包括：
获取电子设备在历史周期中每个时间段的任务执行相关数据；
基于所述任务执行相关数据，预测所述电子设备在目标周期中每个时间段的区间负载信息；
基于所述目标周期中每个时间段的区间负载信息，确定所述目标周期中区间负载信息满足低负载条件的调度时间段；
将待调度的目标任务的预约时间与所述目标周期中各调度时间段进行匹配，以从所述目标周期的调度时间段中确定出目标时间段；
控制所述电子设备在所述目标时间段内调度执行所述目标任务。
一种任务调度装置，所述装置包括：
获取模块，用于获取电子设备在历史周期中每个时间段的任务执行相关数据；
预测模块，用于基于所述任务执行相关数据，预测所述电子设备在目标周期中每个时间段的区间负载信息；
确定模块，用于基于所述目标周期中每个时间段的区间负载信息，确定所述目标周期中区间负载信息满足低负载条件的调度时间段；
匹配模块，用于将待调度的目标任务的预约时间与所述目标周期中各调度时间段进行匹配，以从所述目标周期的调度时间段中确定出目标时间段；
调度模块，用于控制所述电子设备在所述目标时间段内调度执行所述目标任务。
在其中一个实施例中，所述预测模块还用于基于所述任务执行相关数据，构建时间序列的预测样本集；所述预测样本集中包括有多个历史周期中每个历史周期在每个时间段分别对应的样本特征数据；通过训练完成的负载预测模型对所述预测样本集进行处理，预测输出所述电子设备在目标周期中每个时间段的区间负载信息。
在其中一个实施例中，所述装置还包括训练模块，所述训练模块用于基于所述任务执行相关数据，构建时间序列的训练样本集；所述训练样本集中包括有与各历史周期中每个时间段分别对应的样本特征数据，以及每个样本特征数据分别对应的负载标签，所述训练样本集与所述预测样本集中的样本特征数据至少存在部分不重合；基于所述训练样本集对待训练的负载预测模型进行训练，直到满足预设截止条件时停止，得到训练完成的负载预测模型。
在其中一个实施例中，所述训练模块还用于基于所述任务执行相关数据，确定每个历史周期在每个时间段分别对应的样本特征数据，并确定每个样本特征数据各自所对应的负载标签；从多个所述历史周期中确定出预设数量个连续的历史周期，得到第一周期范围，并基于所述第一周期范围中的各历史周期所对应的样本特征数据和负载标签，得到训练样本集；所述预测模块还用于在与所述第一周期范围错开至少一个历史周期的情况下，从多个所述历史周期中确定出预设数量个连续的历史周期，得到第二周期范围；将所述第二周期范围中的各历史周期所对应的样本特征数据作为预测样本集。
在其中一个实施例中，所述训练模块还用于从所述任务执行相关数据中，获取所述电子设备在每个历史周期的每个时间段内的历史负载信息；对于每个时间段，若所述电子设备的历史负载信息低于预设负载阈值，则将第一标签作为相应时间段内的样本特征数据所对应的负载标签；对于每个时间段，若所述电子设备的历史负载信息不低于所述预设负载阈值，则将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
在其中一个实施例中，所述匹配模块还用于获取所述电子设备在历史周期中每个时间段调度的历史任务数；基于所述历史周期中每个时间段调度的历史任务数，确定所述目标周期中各调度时间段的调度任务阈值；基于各调度时间段的调度任务阈值，将待调度的目标任务的预约时间与所述目标周期中各调度时间段进行匹配，以从所述目标周期中确定出目标时间段。
在其中一个实施例中，所述匹配模块还用于若待调度的目标任务的预约时间处于调度时间段内，则将所述预约时间所在的调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数；若所述第一已预约调度任务数小于所述第一时间段的调度任务阈值，则将所述第一时间段作为目标时间段。
在其中一个实施例中，所述匹配模块还用于若所述第一已预约调度任务数大于或等于所述第一时间段的调度任务阈值，则获取各第二时间段的第二已预约调度任务数；其中，所述第二时间段为多个调度时间段中除所述第一时间段以外的调度时间段；基于各所述第二时间段的第二已预约调度任务数和对应的调度任务阈值，从所述第二时间段中确定出目标时间段。
在其中一个实施例中，所述匹配模块还用于从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段；从各所述第一备选时间段中确定目标时间段。
在其中一个实施例中，所述匹配模块还用于若待调度的目标任务的预约时间不处于调度时间段内，获取各调度时间段的已预约调度任务数；从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段；从各第二备选时间段中确定目标时间段。
在其中一个实施例中，所述调度模块还用于若在所述目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，则从各前序时间段中确定出新的目标时间段；控制所述电子设备在所述新的目标时间段内调度执行所述目标任务。
在其中一个实施例中，所述调度模块还用于若在所述目标时间段内未执行所述目标任务而所述电子设备的负载信息满足高负载条件，则从所述目标时间段之后的后续时间段中确定出新的目标时间段；控制所述电子设备在所述新的目标时间段内调度执行所述目标任务。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述的方法的步骤。
上述任务调度方法、装置、计算机设备和存储介质，获取电子设备在历史周期中每个时间段的任务执行相关数据，可以预测出电子设备在目标周期中每个时间段的区间负载信息。基于目标周期中每个时间段的区间负载信息，可以确定出目标周期中区间负载信息满足低负载条件的调度时间段，再将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段，即该目标时间段也满足低负载条件。那么，计算机设备可以预先将目标任务分配至满足低负载条件的目标时间段中，控制电子设备在目标时间段内调度执行目标任务，既可以避免目标任务在高负载的时间段进行调度而导致高负载的时间段的设备资源拥堵，也可以更多利用满足低负载条件的目标时间段的设备资源，使得任务调度过程中设备资源利用更加均衡。
附图说明
图1为一个实施例中任务调度方法的应用环境图；
图2为一个实施例中任务调度方法的流程示意图；
图3为一个实施例中确定每个样本特征数据各自所对应的负载标签步骤的流程示意图；
图4为一个实施例中将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段步骤的流程示意图；
图5为另一个实施例中任务调度方法的流程示意图；
图6为另一个实施例中任务调度方法的流程示意图；
图7为另一个实施例中任务调度方法的流程示意图；
图8为一个实施例中任务调度装置的结构框图；
图9为另一个实施例中任务调度装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术
本申请实施例提供的方案涉及人工智能的信息推荐技术，具体通过如下实施例进行说明：
本申请提供的任务调度方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过网络与终端104进行通信。计算机设备102获取电子设备106在历史周期中每个时间段的任务执行相关数据；基于任务执行相关数据，预测电子设备106在目标周期中每个时间段的区间负载信息；基于目标周期中每个时间段的区间负载信息，确定目标周期中区间负载信息满足低负载条件的调度时间段；计算机设备102获取终端104提交的目标任务以及目标任务的预约时间，将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段；控制电子设备106在目标时间段内调度执行目标任务。其中，计算机设备102可以是终端/服务器，还可以是电子设备本身，或者是集群设备中的其中一个设备。终端104可以但不限于是各种个人计算机、笔记本电脑、智能语音交互设备、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。电子设备106可以用独立的电子设备或者是多个电子设备组成的设备集群来实现。其中，设备集群即多个设备集中起来一起进行同一种服务。设备集群可以是服务器集群，也可以是终端集群，还可以是包括终端和服务器的集群。
在一个实施例中，如图2所示，提供了一种任务调度方法，以该方法应用于图1中的计算机设备为例进行说明，该任务调度方法包括以下步骤：
步骤S202，获取电子设备在历史周期中每个时间段的任务执行相关数据。
历史周期是在当前时刻之前的时间周期。历史周期可以根据需要进行设置。例如，历史周期可以是当前时刻之前的n+1（T，T-1，T-2，…，T-n）天，也可以是n+1周或n+1个小时等。其中，n为自然数。历史周期中每个时间段可以根据需要进行设置。具体地，将历史周期以每个时间单位进行划分确定每个时间段。其中，时间单位可以是一天、一个小时或一分钟等。
任务执行相关数据是电子设备在调度执行任务的情况下所产生的相关数据。任务执行相关数据包括但不限于：每个任务的标识（id，Identity document）、每个任务实际调度时间、每个任务提交时间、每个任务设定开始时间、每个任务结束时间、每个任务报错时间、每个任务重启时间、每个时间段的资源利用率（资源占用率）、每个任务调度的资源利用率。其中，电子设备的资源包括硬件资源和软件资源。硬件资源具体可以包括处理器、电路或硬件接口等；软件资源具体可以包括处理速度、网络或存储空间等。
具体地，计算机设备从监控数据库中，获取在历史周期中每个时间段的任务执行相关数据。其中，监控数据库可以是mysql数据库或oracle数据库等。
步骤S204，基于任务执行相关数据，预测电子设备在目标周期中每个时间段的区间负载信息。
其中，目标周期是在当前时刻之后的时间周期。历史周期可以根据需要进行设置。例如，目标周期可以是当前时刻之后的m天，也可以是m周或m个小时等。其中，m为正整数。目标周期中每个时间段可以根据需要进行设置。具体地，将目标周期以每个时间单位进行划分确定每个时间段。其中，时间单位可以是一天、一个小时或一分钟等。
区间负载信息是每个时间段的区间内电子设备的负载信息。负载信息具体可以是资源利用率、被利用的资源或未被利用的资源等。
具体地，计算机设备调用训练完成的负载预测模型，将任务执行相关数据输入该训练完成的负载预测模型，并输出在目标周期中每个时间段的区间负载信息。其中，负载预测模型可以是神经网络模型，具体可以是RNN（Recurrent Neural Network，循环神经网络）模型、CNN（Convolutional Neural Networks，卷积神经网络）模型或GNN（Graph NeuralNetwork，图神经网络）模型等。
计算机设备将神经网络模型例如RNN模型用于任务调度的资源分配预测当中，极大拓展了任务调度领域的应用范围，能有效实现任务调度的智能化资源分配。
步骤S206，基于目标周期中每个时间段的区间负载信息，确定目标周期中区间负载信息满足低负载条件的调度时间段。
低负载条件指的是负载信息低于预设负载阈值的条件。其中，预设负载阈值可以根据需要进行设置。例如，预设负载阈值可以为70%、60%或85%等。调度时间段是区间负载信息满足低负载条件的时间段。可以理解的是，调度时间段的负载信息满足低负载条件，即该调度时间段的负载较低，资源的利用率较低，则在该调度时间段调度执行任务可以提高该调度时间段的负载信息，提高该调度时间段的资源利用率，还可以避免其他高负载的时间段的任务过于集中，从而使得任务调度的设备资源利用更加均衡。
具体地，计算机设备将目标周期中每个时间段的区间负载信息分别与低负载条件进行比较，确定出区间负载信息满足低负载条件的调度时间段。
步骤S208，将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段。
其中，目标任务指的是电子设备接收到的待调度的任务。预约时间是目标任务预约的进行调度的时间。目标时间段是电子设备对该目标任务进行调度的时间段。目标时间段可以是预约时间所处的时间段，也可以是预约时间所处的时间段之外的其他时间段。
具体地，计算机设备获取终端提交的待调度的目标任务以及该目标任务的预约时间，将预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段。
在一种实施方式中，计算机设备将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，将预约时间所在的调度时间段确定为目标时间段。
在另一种实施方式中，计算机设备将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，将时间最早的调度时间段确定为目标时间段。
需要说明的是，从调度时间段中确定出目标时间段的具体方式，可以根据需要进行设置，在此不做限定。
步骤S210，控制电子设备在目标时间段内调度执行目标任务。
具体地，在当前时刻进入目标时间段时，计算机设备获取电子设备在该目标时间段对应的目标任务，将目标任务发送至电子设备，并控制电子设备调度执行该目标任务。进一步地，计算机设备获取该目标时间段对应的各个任务，按照各个任务的调度时间先后顺序，控制电子设备依次调度执行各个任务；其中，各个任务包括该目标任务。
在一个实施例中，计算机设备还可以对目标任务的目标时间段进行更新，得到新的目标时间段，控制电子设备在新的目标时间段内调度执行目标任务。
在一种实施方式中，若在目标时间段之前的前序时间段调度执行完该前序时间段的全部任务仍满足低负载条件，则将该前序时间段作为目标任务新的目标时间段。
在另一种实施方式中，若在目标时间段调度执行部分任务时已经满足高负载条件，并且目标任务仍未进行调度时，将目标时间段之后的后续时间段作为目标任务新的目标时间段。
上述任务调度方法，获取电子设备在历史周期中每个时间段的任务执行相关数据，可以预测出电子设备在目标周期中每个时间段的区间负载信息。基于目标周期中每个时间段的区间负载信息，可以确定出目标周期中区间负载信息满足低负载条件的调度时间段，再将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段，即该目标时间段也满足低负载条件。那么，计算机设备可以预先将目标任务分配至满足低负载条件的目标时间段中，控制电子设备在目标时间段内调度执行目标任务，既可以避免目标任务在高负载的时间段进行调度而导致高负载的时间段的设备资源拥堵，也可以更多利用满足低负载条件的目标时间段的设备资源，使得任务调度过程中设备资源利用更加均衡。
并且上述实施例能够最大限度降低资源闲置浪费，同时避免设备资源拥堵，且能够保证设备资源高效利用，最大限度满足任务调度需求。
在一个实施例中，基于任务执行相关数据，预测电子设备在目标周期中每个时间段的区间负载信息，包括：基于任务执行相关数据，构建时间序列的预测样本集；预测样本集中包括有多个历史周期中每个历史周期在每个时间段分别对应的样本特征数据；通过训练完成的负载预测模型对预测样本集进行处理，预测输出电子设备在目标周期中每个时间段的区间负载信息。
预测样本集是用于预测电子设备在目标周期中每个时间段的区间负载信息的样本集合。样本特征数据是表征每个时间段的特征的数据。负载标签是表征每个时间段电子设备的负载信息的标签。
样本特征数据包括但不限于：设备资源占用率、调度任务数、调度任务平均等待时间、任务平均运行时间、任务平均占用资源数、设备资源总量、平均关联任务数、关联任务平均完成时间、关联任务平均占用资源数、任务下发时间与任务启动时间差、任务下发时间是否落入该下发时间所在时间区间等。其中，关联任务是与当前时间段存在关联的任务。例如，当前时间段的前序调度执行的任务或者后序调度执行的任务。可以理解的是，若历史周期为n+1天，每个时间段为一小时，则样本特征数据的总量为24*(n+1)。
负载标签具体可以包括高负载标签和低负载标签。其中，高负载标签的区间负载信息满足高负载条件，低负载标签的区间负载信息满足低负载条件。例如，高负载标签可以采用0进行标记，并将该高负载标签作为负样本，低负载标签可以采用1进行标记，并将该低负载标签作为正样本。
具体地，计算机设备将任务执行相关数据转换成样本特征数据；从任务执行相关数据中获取历史周期中每个时间段的负载信息，并将每个时间段的负载信息转换为负载标签；将样本特征数据和负载标签按照时间顺序构建时间序列的预测样本集。计算机设备调用训练完成的负载预测模型，将预测样本集输入该负载预测模型中对预测样本集进行处理，预测输出电子设备在目标周期中每个时间段的负载分类概率，基于该负载分类概率和预设概率阈值确定每个时间段的区间负载信息。其中，负载分类概率是某一时间段的负载属于某一类别的概率。预设概率阈值可以根据需要进行设置。例如，预设概率阈值可以为0.5。
当预测出的时间段的负载分类概率大于负载分类概率，确定该时间段的区间负载信息为低负载，满足低负载条件；当预测出的时间段的负载分类概率小于或等于负载分类概率，确定该时间段的区间负载信息为高负载，不满足低负载条件。
其中，每个时间段的负载标签可以构建一个集合
，其中，T表示一个时间段。进一步地，还可以将该负载标签的集合中各个元素的下标进行转换，得到
，其中，t为自然数，表示一个时间段。
在本实施例中，计算机设备基于任务执行相关数据构建时间序列的预测样本集；通过训练完成的负载预测模型对预测样本集进行处理，可以准确地预测输出电子设备在目标周期中每个时间段的区间负载信息。
在一个实施例中，上述方法还包括负载预测模型的训练步骤；该负载预测模型的训练步骤包括：基于任务执行相关数据，构建时间序列的训练样本集；训练样本集中包括有与各历史周期中每个时间段分别对应的样本特征数据，以及每个样本特征数据分别对应的负载标签，训练样本集与预测样本集中的样本特征数据至少存在部分不重合；基于训练样本集对待训练的负载预测模型进行训练，直到满足预设截止条件时停止，得到训练完成的负载预测模型。
其中，训练样本集是用于对负载预测模型进行训练的样本集。预设截止条件可以根据需要进行设置。例如，预设截止条件可以是训练时长达到预设时长，也可以是训练次数达到预设次数，还可以是训练效果达到预设效果等，不限于此。其中，预设时长、预设次数和预设效果均可以根据需要进行设置。
其中，训练样本集与预测样本集中的样本特征数据至少存在部分不重合。例如，训练样本集为0至t-1时间范围内的数据
，预测样本集中的样本特征数据为1-t时间范围内的数据
；其中，t为正整数。
具体地，计算机设备调用待训练的负载预测模型，将训练样本集输入该待训练的负载预测模型进行训练，直到满足预设截止条件时停止，可以得到对电子设备的负载信息预测更加准确的负载预测模型。
在一个实施例中，以负载预测模型为RNN模型为例，计算机设备预先构建待训练的RNN模型：
其中，
表示输入向量，
表示隐藏层向量，
表示输出向量；
、
、
分别表示参数矩阵；
、
分别表示参数向量；
、
分别表示激活函数。在本实施例中，
采用tanh或ReLU函数，
采用sigmoid函数。初始状态，隐藏层
采用第一期的真实输出向量
。
通过构建RNN模型，并采用sigmoid函数作为激活函数，构建预测任务调度资源占用的时间序列模型，根据调度任务的时间顺序特征及负载标签，解决每个时间段内的资源占用预测问题。
进一步地，电子设备将训练样本
和测试样本
输入该RNN模型中，训练得到参数矩阵
、
、
以及参数向量
、
以及t的隐藏层
。
进一步地，电子设备将参数矩阵
、
、
以及参数向量
、
以及t的隐藏层
代入该RNN模型中，并且预测样本集
输入该RNN模型
例如，预设概率阈值可以为0.5，若某一时间段的资源占用分类概率大于0.5，则该时间段的负载信息满足低负载条件；若某一时间段的资源占用分类概率小于或等于0.5，则该时间段的负载信息不满足低负载条件。
在一个实施例中，基于任务执行相关数据，构建时间序列的训练样本集，包括：基于任务执行相关数据，确定每个历史周期在每个时间段分别对应的样本特征数据，并确定每个样本特征数据各自所对应的负载标签；从多个历史周期中确定出预设数量个连续的历史周期，得到第一周期范围，并基于第一周期范围中的各历史周期所对应的样本特征数据和负载标签，得到训练样本集；基于任务执行相关数据，构建时间序列的预测样本集，包括：在与第一周期范围错开至少一个历史周期的情况下，从多个历史周期中确定出预设数量个连续的历史周期，得到第二周期范围；将第二周期范围中的各历史周期所对应的样本特征数据作为预测样本集。
第一周期范围是用于获得训练样本集的时间范围。第二周期范围是用于获得预测样本集的时间范围。第一周期范围和第二周期范围至少存在部分不重合。第二周期范围是第一周期范围向时间轴正向方向移动至少一个历史周期得到的。例如，第一周期范围可以是0至t-1，第二周期范围可以是1至t；其中t为大于或等于2的正整数。
具体地，计算机设备将各个任务执行相关数据分别进行转换，得到每个历史周期在每个时间段分别对应的样本特征数据，并从任务执行相关数据中提取出每个样本特征数据各自所对应的负载信息，将各个负载信息转换为负载标签；基于每个任务的标识将样本特征数据和负载标签进行匹配，得到训练样本集。可以理解的是，每个样本特征数据均有对应的任务标识，每个负载标签也均有对应的任务标识，将同一任务标识的样本特征数据和负载标签进行匹配，构建对应关系，即匹配成功，从而得到训练样本集。
例如，计算机设备获取第一周期范围中的各历史周期所对应的样本特征数据为
，获取的第一周期范围中的各历史周期的负载标签为
，将同一任务标识的样本特征数据和负载标签进行匹配，得到训练样本集为
。
在本实施例中，计算机设备获取第一周期范围的样本特征数据和对应的负载标签，从而构建训练样本集，获取第二周期范围的样本特征数据作为预测样本集，并且第一周期范围和第二周期范围错开至少一个历史周期，则可以准确地实现对负载预测模型进行训练以及预测。
在一个实施例中，计算机设备还可以将该训练样本集切分为训练样本和测试样本，采用训练样本对负载预测模型进行训练，得到训练结果，并采用测试样本对该训练结果进行测试，直到满足预设截止条件时停止，得到训练完成的负载预测模型。
在一种实施方式中，计算机设备可以将训练样本集按照一定的比例随机切分为训练样本和测试样本。例如，按照8:2的比例随机切分为训练样本
和测试样本
；其中，训练样本的数量占8/10，测试样本的数量占2/10。
需要说明的是，计算机设备还可以采用其他方式将训练样本集切分为训练样本和测试样本，在此不做限定。
在一个实施例中，如图3所示，确定每个样本特征数据各自所对应的负载标签，包括：
步骤S302，从任务执行相关数据中，获取电子设备在每个历史周期的每个时间段内的历史负载信息。
历史负载信息是历史周期中每个时间段电子设备的负载信息。负载信息具体可以是资源利用率、被利用的资源或未被利用的资源等。
步骤S304，对于每个时间段，若电子设备的历史负载信息低于预设负载阈值，则将第一标签作为相应时间段内的样本特征数据所对应的负载标签。
预设负载阈值可以根据需要进行设置。例如，预设负载阈值可以是70%、80%或65%等。第一标签是历史负载信息低于预设阈值对应的负载标签。例如，第一标签可以设置为1、或者设置为低负载，等等。
步骤S306，对于每个时间段，若电子设备的历史负载信息不低于预设负载阈值，则将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
第二标签是历史负载信息不低于预设阈值对应的负载标签。例如，第二标签可以设置为0、或者设置为高负载，等等。
以历史负载信息为历史资源利用率为例进行说明，对于每个时间段，计算机设备将历史资源利用率与预设负载阈值进行比较，获取历史资源利用率低于预设负载阈值的时间段，并将第一标签作为相应时间段内的样本特征数据所对应的负载标签；以及获取历史资源利用率不低于预设负载阈值的时间段，并将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
在本实施例中，计算机设备获取电子设备在每个历史周期的每个时间段内的历史负载信息，从而可以基于历史负载信息和预设负载阈值，将每个时间段的样本特征数据标记上对应的负载标签，从而在模型训练和测试过程中可以基于负载标签更准确地对样本特征数据进行筛选和处理。
在一个实施例中，如图4所示，将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段，包括：
步骤S402，获取电子设备在历史周期中每个时间段调度的历史任务数。
历史任务数是历史周期中每个时间段进行调度的任务数量。具体地，电子设备对任务进行调度时，会统计当前所处的时间段进行调度的任务数，并将该任务数存储至监控数据库中；当电子设备需要历史任务数时，从监控数据库中获取历史周期中每个时间段调度的历史任务数。
步骤S404，基于历史周期中每个时间段调度的历史任务数，确定目标周期中各调度时间段的调度任务阈值。
调度任务阈值是目标周期中各调度时间段的调度任务的最高数量。
具体地，计算机设备获取历史周期中每个时间段调度的历史任务数，基于每个历史周期中同一时间段的历史任务数，确定目标周期中相应时间段的调度任务阈值。
在一种实施方式中，计算机设备获取电子设备在历史周期中每个时间段调度的历史任务数，对每个历史周期中同一时间段的历史任务数求平均值，将平均值作为目标周期中相应时间段的调度任务阈值。
以时间段为5点-6点为例进行说明，计算机设备获取电子设备在历史周期中每个5点-6点这一时间段调度的历史任务数，对各个5点-6点这一时间段调度的历史任务数求平均值，将该平均值作为目标周期中5点-6点这一时间段的调度任务阈值。
在另一种实施方式中，计算机设备获取电子设备在历史周期中每个时间段调度的历史任务数，从每个历史周期中同一时间段的各个历史任务数随机获取一个历史任务数作为目标周期中相应时间段的调度任务阈值。
需要说明的是，确定目标周期中各调度时间段的调度任务阈值的具体方式，可以根据需要进行设置，在此不做限定。
步骤S406，基于各调度时间段的调度任务阈值，将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期中确定出目标时间段。
计算机设备基于各调度时间段的调度任务阈值，可以确定出各调度时间段中已预约的调度任务数是否高于等于相应的调度任务阈值，从而可以将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，确定出待调度的目标任务在目标周期中的最佳调度的目标时间段，从而使得任务调度过程中设备资源利用更加均衡。
在一个实施例中，基于各调度时间段的调度任务阈值，将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期中确定出目标时间段，包括：若待调度的目标任务的预约时间处于调度时间段内，则将预约时间所在的调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数；若第一已预约调度任务数小于第一时间段的调度任务阈值，则将第一时间段作为目标时间段。
第一时间段是目标任务的预约时间所处的调度时间段。第一已预约调度任务数是已预约在第一时间段进行调度的任务数量。
具体地，计算机设备获取待调度的目标任务的预约时间，以及目标周期中各调度时间段，将预约时间和目标周期中各调度时间段进行匹配；若该预约时间处于其中一个调度时间段内，则将该调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数。
若第一已预约调度任务数小于第一时间段的调度任务阈值，表示该第一时间段仍有剩余的设备资源可以对其他任务进行调度，则将第一时间段作为目标时间段，从而在目标时间段内调度执行该目标任务，使得设备资源的使用更加均衡。
在一个实施例中，如图5所示，还提供一种任务调度方法，该任务调度方法包括以下步骤：
步骤S502，获取电子设备在历史周期中每个时间段的任务执行相关数据。
步骤S504，基于任务执行相关数据，预测电子设备在目标周期中每个时间段的区间负载信息。
步骤S506，基于目标周期中每个时间段的区间负载信息，确定目标周期中区间负载信息满足低负载条件的调度时间段。
步骤S508，获取电子设备在历史周期中每个时间段调度的历史任务数。
步骤S510，基于历史周期中每个时间段调度的历史任务数，确定目标周期中各调度时间段的调度任务阈值。
步骤S512，若待调度的目标任务的预约时间处于调度时间段内，将预约时间所在的调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数。
步骤S514，若第一已预约调度任务数小于第一时间段的调度任务阈值，将第一时间段作为目标时间段；若第一已预约调度任务数大于或等于第一时间段的调度任务阈值，则获取各第二时间段的第二已预约调度任务数；其中，第二时间段为多个调度时间段中除第一时间段以外的调度时间段。
步骤S516，基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从第二时间段中确定出目标时间段。
第二已预约调度任务数是已预约在第二时间段进行调度的任务数量。
若第一已预约调度任务数大于或等于第一时间段的调度任务阈值，表示该第一时间段没有剩余的设备资源可以对其他任务进行调度，则获取各第二时间段的第二已预约调度任务数，基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从第二时间段中确定出目标时间段。
在一种实施方式中，计算机设备可以从各第二时间段中，筛选出第二已预约调度任务数小于对应的调度任务阈值的第二时间段，再从筛选出的第二时间段中确定出目标时间段。
在另一种实施方式中，计算机设备可以将各第二时间段与对应的调度任务阈值进行差值计算，从各个差值中确定数值最大的第二时间段中确定出目标时间段。
在其他实施方式中，计算机设备还可以随机从各第二时间段中确定目标时间段，还可以从各第二时间段中按照时间优先原则确定最先进行调度的时间段作为目标时间段。需要说明的是，从各第二时间段中确定目标时间段的具体方式，可以根据需要进行设置，在此不做限定。
步骤S518，控制电子设备在目标时间段内调度执行目标任务。
在本实施例中，若目标任务的预约时间所处的第一时间段的第一已预约调度任务数大于或等于第一时间段的调度任务阈值，即表示该第一时间段已没有剩余的设备资源用于其他的任务调度，则获取各第二时间段的第二已预约调度任务数，从第二时间段中确定出目标时间段，避免了将目标任务在没有剩余设备资源的第二时间段进行调度，可以使得任务调度的设备资源更加均衡。
在一个实施例中，基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从第二时间段中确定出目标时间段，包括：从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段；从各第一备选时间段中确定目标时间段。
第一备选时间段是第二已预约调度任务数小于对应的调度任务阈值的第二时间段。例如，第二时间段分别为5点-6点、6点-7点，该5点-6点的第二已预约调度任务数为40，该6点-7点的第二已预约调度任务数为60，该5点-6点对应的调度任务阈值为40，该6点-7点对应的调度任务阈值为80，则5点-6点的第二已预约调度任务数40与对应的调度任务阈值40相同，6点-7点的第二已预约调度任务数为60小于对应的调度任务阈值80，即6点-7点为第一备选时间段。
在一种实施方式中，计算机设备可以从第一备选时间段中随机确定一个作为目标时间段。
在另一种实施方式中，计算机设备可以将第二已预约调度任务数最小的第一备选时间段作为目标时间段。
在另一种实施方式中，计算机设备可以将最先进行调度的第一备选时间段作为目标时间段。
需要说明的是，从各第一备选时间段中确定目标时间段的具体方式可以根据需要进行设置，在此不做限定。
在本实施例中，从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段，表示第一备选时间段仍有剩余设备资源，则从各第一备选时间段中确定目标时间段，可以使得任务调度过程中设备资源的使用更加均衡。
在一个实施例中，如图6所示，还提供了一种任务调度方法，该任务调度方法包括以下步骤：
步骤S602，获取电子设备在历史周期中每个时间段的任务执行相关数据。
步骤S604，基于任务执行相关数据，预测电子设备在目标周期中每个时间段的区间负载信息。
步骤S606，基于目标周期中每个时间段的区间负载信息，确定目标周期中区间负载信息满足低负载条件的调度时间段。
步骤S608，获取电子设备在历史周期中每个时间段调度的历史任务数。
步骤S610，基于历史周期中每个时间段调度的历史任务数，确定目标周期中各调度时间段的调度任务阈值。
若待调度的目标任务的预约时间处于调度时间段内，执行步骤S612；若待调度的目标任务的预约时间不处于调度时间段内，执行步骤S614。
步骤S612，将预约时间所在的调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数；若第一已预约调度任务数小于第一时间段的调度任务阈值，将第一时间段作为目标时间段。
步骤S614，获取各调度时间段的已预约调度任务数；从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段；从各第二备选时间段中确定目标时间段。
第二备选时间段是已预约调度任务数小于对应的调度任务阈值的调度时间段。
若待调度的目标任务的预约时间不处于调度时间段内，也即待调度的目标任务的预约时间所处的时间段不满足低负载条件，则获取满足低负载条件的各个调度时间段，并且从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段，再从各第二备选时间段中确定目标时间段。
在一种实施方式中，计算机设备可以从第二备选时间段中随机确定一个作为目标时间段。
在另一种实施方式中，计算机设备可以将各调度时间段中已预约调度任务数最小的第二备选时间段作为目标时间段。
在另一种实施方式中，计算机设备可以将最先进行调度的第二备选时间段作为目标时间段。
需要说明的是，从各第二备选时间段中确定目标时间段的具体方式可以根据需要进行设置，在此不做限定。
步骤S616，控制电子设备在目标时间段内调度执行目标任务。
在本实施例中，若待调度的目标任务的预约时间不处于调度时间段内，从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段，再从各第二备选时间段中确定目标时间段，可以使得任务调度过程中设备资源的使用更加均衡。
在一个实施例中，控制电子设备在目标时间段内调度执行目标任务，包括：若在目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，则从各前序时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。其中，前序时间段是在目标时间段之前的时间段。
具体地，若在目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，即在前序时间段仍有剩余设备资源对任务进行调度，则从各前序时间段中确定出新的目标时间段，控制电子设备在新的目标时间段内调度执行目标任务。
在一种实施方式中，计算机设备可以从各前序时间段中随机确定一个作为新的目标时间段。
在另一种实施方式中，计算机设备可以将各前序时间段中已预约调度任务数最小的前序时间段作为新的目标时间段。
在另一种实施方式中，计算机设备可以将最先进行调度的前序时间段作为新的目标时间段。
在另一种实施方式中，计算机设备可以将目标时间段的相邻前序时间段作为新的目标时间段。
需要说明的是，从各前序时间段中确定新的目标时间段的具体方式可以根据需要进行设置，在此不做限定。
在本实施例中，若在目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，则从各前序时间段中确定出新的目标时间段，并控制电子设备在新的目标时间段内调度执行目标任务，可以更快速对目标任务进行调度，并且更充分利用前序时间段的设备资源。
在一个实施例中，控制电子设备在目标时间段内调度执行目标任务，包括：若在目标时间段内未执行目标任务而电子设备的负载信息满足高负载条件，则从目标时间段之后的后续时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。
高负载条件指的是负载信息高于或等于负载上限值的条件。其中，负载上限值可以根据需要进行设置。例如，负载上限值可以为70%、60%或85%等。需要说明的是，负载上限值大于或等于预设负载阈值。
具体地，若在目标时间段内未执行目标任务而电子设备的负载信息满足高负载条件，表示该目标时间段的任务过于拥挤，则从目标时间段之后的后续时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。
在一种实施方式中，计算机设备可以从各后续时间段中随机确定一个作为新的目标时间段。
在另一种实施方式中，计算机设备可以将各后续时间段中已预约调度任务数最小的后续时间段作为新的目标时间段。
在另一种实施方式中，计算机设备可以将最先进行调度的后续时间段作为新的目标时间段。
在另一种实施方式中，计算机设备可以将目标时间段的相邻后续时间段作为新的目标时间段。
需要说明的是，从各后续时间段中确定新的目标时间段的具体方式可以根据需要进行设置，在此不做限定。
在本实施例中，若在目标时间段内未执行目标任务而电子设备的负载信息满足高负载条件，表示目标时间段中的任务过于拥挤，目标时间段没有生育设备资源用于对目标任务进行调度，则从目标时间段之后的后续时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务，可以准确地对目标任务进行分配，从而在任务调度过程中对设备资源的使用更加均衡。
在一个实施例中，如图7所示，以负载预测模型为RNN模型，电子设备为设备集群为例进行说明。计算机设备进入集群数据获取阶段，获取设备集群的集群数据，集群数据包括设备集群在历史周期中每个时间段的任务执行相关数据；接着进入特征及标签提取阶段，将集群数据转换为特征数据和负载标签；接着进入样本构建阶段，即基于集群数据构建时间序列的训练样本集和预测样本集；接着进入RNN模型构建阶段；接着进入RNN模型训练测试阶段，即将训练样本集输入该RNN模型中进行训练和测试，得到训练完成的RNN模型；接着进入RNN模型预测阶段，即将预测样本集输入该训练完成的RNN模型中，预测输出设备集群在目标周期中每个时间段的区间负载信息；接着进入预测分类阶段，即确定目标周期中区间负载信息满足低负载条件的调度时间段；接着获取任务预约调度时间，并进入任务预约与资源匹配阶段，即将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段；接着进入任务调度阶段，控制设备集群在目标时间段内调度执行目标任务。
在一个实施例中，提供了一种任务调度方法，以该方法应用于图1中的计算机设备为例进行说明，该任务调度方法包括以下步骤：
步骤1：获取电子设备在历史周期中每个时间段的任务执行相关数据。
步骤2：基于任务执行相关数据，确定每个历史周期在每个时间段分别对应的样本特征数据。
步骤3：从任务执行相关数据中，获取电子设备在每个历史周期的每个时间段内的历史负载信息；对于每个时间段，若电子设备的历史负载信息低于预设负载阈值，则将第一标签作为相应时间段内的样本特征数据所对应的负载标签；对于每个时间段，若电子设备的历史负载信息不低于预设负载阈值，则将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
步骤4：从多个历史周期中确定出预设数量个连续的历史周期，得到第一周期范围，并基于第一周期范围中的各历史周期所对应的样本特征数据和负载标签，得到训练样本集；训练样本集中包括有与每个历史周期中每个时间段分别对应的样本特征数据，以及每个样本特征数据分别对应的负载标签，训练样本集与预测样本集中的样本特征数据至少存在部分不重合；基于训练样本集对待训练的负载预测模型进行训练，直到满足预设截止条件时停止，得到训练完成的负载预测模型。
步骤5：在与第一周期范围错开至少一个历史周期的情况下，从多个历史周期中确定出预设数量个连续的历史周期，得到第二周期范围；将第二周期范围中的各历史周期所对应的样本特征数据作为预测样本集；预测样本集中包括有多个历史周期中每个历史周期在每个时间段分别对应的样本特征数据。
步骤6：通过训练完成的负载预测模型对预测样本集进行处理，预测输出电子设备在目标周期中每个时间段的区间负载信息。
步骤7：基于目标周期中每个时间段的区间负载信息，确定目标周期中区间负载信息满足低负载条件的调度时间段。
步骤8：获取电子设备在历史周期中每个时间段调度的历史任务数；基于历史周期中每个时间段调度的历史任务数，确定目标周期中各调度时间段的调度任务阈值。
若待调度的目标任务的预约时间处于调度时间段内，执行步骤9；若待调度的目标任务的预约时间不处于调度时间段内，执行步骤10。
步骤9，将预约时间所在的调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数；若第一已预约调度任务数小于第一时间段的调度任务阈值，则将第一时间段作为目标时间段；若第一已预约调度任务数大于或等于第一时间段的调度任务阈值，则获取各第二时间段的第二已预约调度任务数；其中，第二时间段为多个调度时间段中除第一时间段以外的调度时间段；从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段；从各第一备选时间段中确定目标时间段。
步骤10，获取各调度时间段的已预约调度任务数；从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段；从各第二备选时间段中确定目标时间段。
若在目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，执行步骤11；若在目标时间段内未执行目标任务而电子设备的负载信息满足高负载条件，执行步骤12。
步骤11，从各前序时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。
步骤12，从目标时间段之后的后续时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。
在本实施例中，计算机设备获取电子设备在历史周期中每个时间段的任务执行相关数据，可以预测出电子设备在目标周期中每个时间段的区间负载信息。基于目标周期中每个时间段的区间负载信息，可以确定出目标周期中区间负载信息满足低负载条件的调度时间段，再将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段，即该目标时间段也满足低负载条件。那么，计算机设备可以预先将目标任务分配至满足低负载条件的目标时间段中，控制电子设备在目标时间段内调度执行目标任务，既可以避免目标任务在高负载的时间段进行调度而导致高负载的时间段的设备资源拥堵，也可以更多利用满足低负载条件的目标时间段的设备资源，使得任务调度过程中设备资源利用更加均衡。
本申请还提供一种应用场景，该应用场景应用上述的任务调度方法。具体地，该任务调度方法在该应用场景的应用如下：
计算机设备获取设备集群在历史周期中每个时间段的任务执行相关数据，任务执行相关数据包括每个任务的标识（id，Identity document）、每个任务实际调度时间、每个任务提交时间、每个任务设定开始时间、每个任务结束时间、每个任务报错时间、每个任务重启时间、每个时间段的资源利用率（资源占用率）、每个任务调度的资源利用率；基于任务执行相关数据可以确定出目标周期中区间负载信息满足低负载条件的调度时间段。当计算机设备接收到终端提交的目标任务以及该目标任务的预约时间时，将该预约时间与目标周期中各调度时间段进行匹配；若该预约时间处于调度时间段内，则将该调度时间段作为目标时间段；若该预约时间不处于调度时间段内，则获取各调度时间段的已预约调度任务数，从已预约调度任务数小于对应的调度任务阈值的时间段内确定目标时间段；当当前时刻进入目标时间段时，控制设备集群调度执行该目标任务。其中，该目标任务可以是数据下载任务、数据上传任务、数据打包任务或软件安装任务等。
本申请还另外提供一种应用场景，该应用场景应用上述的任务调度方法。具体地，该任务调度方法在该应用场景的应用如下：
计算机设备获取设备集群在历史周期中每个时间段的任务执行相关数据，任务执行相关数据包括每个任务的标识（id，Identity document）、每个任务实际调度时间、每个任务提交时间、每个任务设定开始时间、每个任务结束时间、每个任务报错时间、每个任务重启时间、每个时间段的资源利用率（资源占用率）、每个任务调度的资源利用率；基于任务执行相关数据可以确定出目标周期中区间负载信息满足低负载条件的调度时间段。
当设备集群接收到各个终端提交的多个任务以及每个任务的预约时间时，分别将各个任务的预约时间与目标周期中各调度时间段进行匹配，若任务的预约时间处于调度时间段内，则将该调度时间段作为目标时间段；若任务的预约时间不处于调度时间段内，则获取各调度时间段的已预约调度任务数，从已预约调度任务数小于对应的调度任务阈值的时间段内确定目标时间段。
当当前时刻进入每个任务对应的目标时间段时，控制设备集群按照调度的先后顺序调度该目标时间段的各个任务。其中，该目标任务可以是数据下载任务、数据上传任务、数据打包任务或软件安装任务等。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的任务调度方法的任务调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个任务调度装置实施例中的具体限定可以参见上文中对于任务调度方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种任务调度装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块802、预测模块804、确定模块806、匹配模块808和调度模块810，其中：
获取模块802，用于获取电子设备在历史周期中每个时间段的任务执行相关数据。
预测模块804，用于基于任务执行相关数据，预测电子设备在目标周期中每个时间段的区间负载信息。
确定模块806，用于基于目标周期中每个时间段的区间负载信息，确定目标周期中区间负载信息满足低负载条件的调度时间段。
匹配模块808，用于将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段。
调度模块810，用于控制电子设备在目标时间段内调度执行目标任务。
上述任务调度装置，计算机设备获取电子设备在历史周期中每个时间段的任务执行相关数据，可以预测出电子设备在目标周期中每个时间段的区间负载信息。基于目标周期中每个时间段的区间负载信息，可以确定出目标周期中区间负载信息满足低负载条件的调度时间段，再将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期的调度时间段中确定出目标时间段，即该目标时间段也满足低负载条件。那么，计算机设备可以预先将目标任务分配至满足低负载条件的目标时间段中，控制电子设备在目标时间段内调度执行目标任务，既可以避免目标任务在高负载的时间段进行调度而导致高负载的时间段的设备资源拥堵，也可以更多利用满足低负载条件的目标时间段的设备资源，使得任务调度过程中设备资源利用更加均衡。
在一个实施例中，上述预测模块804还用于基于任务执行相关数据，构建时间序列的预测样本集；预测样本集中包括有与每个历史周期中每个时间段分别对应的样本特征数据，以及每个样本特征数据分别对应的负载标签；通过训练完成的负载预测模型对预测样本集进行处理，预测输出电子设备在目标周期中每个时间段的区间负载信息。
在一个实施例中，如图9所示，上述装置还包括训练模块812，该训练模块812用于基于任务执行相关数据，构建时间序列的训练样本集；训练样本集与预测样本集中的样本特征数据至少存在部分不重合；基于训练样本集对待训练的负载预测模型进行训练，直到满足预设截止条件时停止，得到训练完成的负载预测模型。
在一个实施例中，上述训练模块812还用于基于任务执行相关数据，确定每个历史周期在每个时间段分别对应的样本特征数据，并确定每个样本特征数据各自所对应的负载标签；从多个历史周期中确定出预设数量个连续的历史周期，得到第一周期范围，并基于第一周期范围中的各历史周期所对应的样本特征数据和负载标签，得到训练样本集。上述预测模块804还用于在与第一周期范围错开至少一个历史周期的情况下，从多个历史周期中确定出预设数量个连续的历史周期，得到第二周期范围；将第二周期范围中的各历史周期所对应的样本特征数据作为预测样本集。
在一个实施例中，上述训练模块812还用于从任务执行相关数据中，获取电子设备在每个历史周期的每个时间段内的历史负载信息；对于每个时间段，若电子设备的历史负载信息低于预设负载阈值，则将第一标签作为相应时间段内的样本特征数据所对应的负载标签；对于每个时间段，若电子设备的历史负载信息不低于预设负载阈值，则将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
在一个实施例中，上述匹配模块808还用于获取电子设备在历史周期中每个时间段调度的历史任务数；基于历史周期中每个时间段调度的历史任务数，确定目标周期中各调度时间段的调度任务阈值；基于各调度时间段的调度任务阈值，将待调度的目标任务的预约时间与目标周期中各调度时间段进行匹配，以从目标周期中确定出目标时间段。
在一个实施例中，上述匹配模块808还用于若待调度的目标任务的预约时间处于调度时间段内，则将预约时间所在的调度时间段作为第一时间段，获取第一时间段中的第一已预约调度任务数；若第一已预约调度任务数小于第一时间段的调度任务阈值，则将第一时间段作为目标时间段。
在一个实施例中，上述匹配模块808还用于若第一已预约调度任务数大于或等于第一时间段的调度任务阈值，则获取各第二时间段的第二已预约调度任务数；其中，第二时间段为多个调度时间段中除第一时间段以外的调度时间段；基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从第二时间段中确定出目标时间段。
在一个实施例中，上述匹配模块808还用于从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段；从各第一备选时间段中确定目标时间段。
在一个实施例中，上述匹配模块808还用于若待调度的目标任务的预约时间不处于调度时间段内，获取各调度时间段的已预约调度任务数；从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段；从各第二备选时间段中确定目标时间段。
在一个实施例中，上述调度模块810还用于若在目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，则从各前序时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。
在一个实施例中，上述调度模块810还用于若在目标时间段内未执行目标任务而电子设备的负载信息满足高负载条件，则从目标时间段之后的后续时间段中确定出新的目标时间段；控制电子设备在新的目标时间段内调度执行目标任务。
上述任务调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种任务调度方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种任务调度方法，其特征在于，所述方法包括：
获取电子设备在历史周期中每个时间段的任务执行相关数据；所述任务执行相关数据是所述电子设备在调度执行任务的情况下所产生的相关数据；
基于所述任务执行相关数据，确定每个历史周期在每个时间段分别对应的样本特征数据，并确定每个样本特征数据各自所对应的负载标签；
从多个所述历史周期中确定出预设数量个连续的历史周期，得到第一周期范围，并基于所述第一周期范围中的各历史周期所对应的样本特征数据和负载标签，得到训练样本集；
在与所述第一周期范围错开至少一个历史周期的情况下，从多个所述历史周期中确定出预设数量个连续的历史周期，得到第二周期范围，将所述第二周期范围中的各历史周期所对应的样本特征数据和负载标签作为预测样本集，所述训练样本集与所述预测样本集中的样本特征数据至少存在部分不重合；
基于所述训练样本集对待训练的负载预测模型进行训练，直到满足预设截止条件时停止，得到训练完成的负载预测模型；
通过训练完成的负载预测模型对所述预测样本集进行处理，预测所述电子设备在目标周期中每个时间段的区间负载信息；
基于所述目标周期中每个时间段的区间负载信息，确定所述目标周期中区间负载信息满足低负载条件的调度时间段；
根据所述电子设备在历史周期中每个时间段调度的历史任务数，确定所述目标周期中各调度时间段的调度任务阈值；
若待调度的目标任务的预约时间处于调度时间段内，则将所述预约时间所处的调度时间段作为第一时间段，若所述第一时间段中的第一已预约调度任务数小于所述第一时间段的调度任务阈值，则将所述第一时间段作为目标时间段；
若所述第一已预约调度任务数大于或等于所述第一时间段的调度任务阈值，则基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从所述第二时间段中确定出目标时间段；其中，所述第二时间段为多个调度时间段中除所述第一时间段以外的调度时间段；
控制所述电子设备在所述目标时间段内调度执行所述目标任务。
2.根据权利要求1所述的方法，其特征在于，所述确定每个样本特征数据各自所对应的负载标签，包括：
从所述任务执行相关数据中，获取所述电子设备在每个历史周期的每个时间段内的历史负载信息；
对于每个时间段，若所述电子设备的历史负载信息低于预设负载阈值，则将第一标签作为相应时间段内的样本特征数据所对应的负载标签；
对于每个时间段，若所述电子设备的历史负载信息不低于所述预设负载阈值，则将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
3.根据权利要求1所述的方法，其特征在于，所述基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从所述第二时间段中确定出目标时间段，包括：
从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段；
从各所述第一备选时间段中确定目标时间段。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若待调度的目标任务的预约时间不处于调度时间段内，获取各调度时间段的已预约调度任务数；
从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段；
从各第二备选时间段中确定目标时间段。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述控制所述电子设备在所述目标时间段内调度执行所述目标任务，包括：
若在所述目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，则从各前序时间段中确定出新的目标时间段；
控制所述电子设备在所述新的目标时间段内调度执行所述目标任务。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述控制所述电子设备在所述目标时间段内调度执行所述目标任务，包括：
若在所述目标时间段内未执行所述目标任务而所述电子设备的负载信息满足高负载条件，则从所述目标时间段之后的后续时间段中确定出新的目标时间段；
控制所述电子设备在所述新的目标时间段内调度执行所述目标任务。
7.一种任务调度装置，其特征在于，所述装置包括：
获取模块，用于获取电子设备在历史周期中每个时间段的任务执行相关数据；所述任务执行相关数据是所述电子设备在调度执行任务的情况下所产生的相关数据；
训练模块，用于基于所述任务执行相关数据，确定每个历史周期在每个时间段分别对应的样本特征数据，并确定每个样本特征数据各自所对应的负载标签；从多个所述历史周期中确定出预设数量个连续的历史周期，得到第一周期范围，并基于所述第一周期范围中的各历史周期所对应的样本特征数据和负载标签，得到训练样本集；基于所述训练样本集对待训练的负载预测模型进行训练，直到满足预设截止条件时停止，得到训练完成的负载预测模型；
预测模块，用于在与所述第一周期范围错开至少一个历史周期的情况下，从多个所述历史周期中确定出预设数量个连续的历史周期，得到第二周期范围，将所述第二周期范围中的各历史周期所对应的样本特征数据和负载标签作为预测样本集，所述训练样本集与所述预测样本集中的样本特征数据至少存在部分不重合；通过训练完成的负载预测模型对所述预测样本集进行处理，预测所述电子设备在目标周期中每个时间段的区间负载信息；
确定模块，用于基于所述目标周期中每个时间段的区间负载信息，确定所述目标周期中区间负载信息满足低负载条件的调度时间段；
匹配模块，用于根据所述电子设备在历史周期中每个时间段调度的历史任务数，确定所述目标周期中各调度时间段的调度任务阈值；若待调度的目标任务的预约时间处于调度时间段内，则将所述预约时间所处的调度时间段作为第一时间段，若所述第一时间段中的第一已预约调度任务数小于所述第一时间段的调度任务阈值，则将所述第一时间段作为目标时间段；若所述第一已预约调度任务数大于或等于所述第一时间段的调度任务阈值，则基于各第二时间段的第二已预约调度任务数和对应的调度任务阈值，从所述第二时间段中确定出目标时间段；其中，所述第二时间段为多个调度时间段中除所述第一时间段以外的调度时间段；
调度模块，用于控制所述电子设备在所述目标时间段内调度执行所述目标任务。
8.根据权利要求7所述的装置，其特征在于，所述训练模块还用于从所述任务执行相关数据中，获取所述电子设备在每个历史周期的每个时间段内的历史负载信息；对于每个时间段，若所述电子设备的历史负载信息低于预设负载阈值，则将第一标签作为相应时间段内的样本特征数据所对应的负载标签；对于每个时间段，若所述电子设备的历史负载信息不低于所述预设负载阈值，则将第二标签作为相应时间段内的样本特征数据所对应的负载标签。
9.根据权利要求7所述的装置，其特征在于，所述匹配模块还用于从各第二时间段中确定第二已预约调度任务数小于对应的调度任务阈值的第一备选时间段；从各所述第一备选时间段中确定目标时间段。
10.根据权利要求7所述的装置，其特征在于，所述匹配模块还用于若待调度的目标任务的预约时间不处于调度时间段内，获取各调度时间段的已预约调度任务数；从各调度时间段中确定已预约调度任务数小于对应的调度任务阈值的第二备选时间段；从各第二备选时间段中确定目标时间段。
11.根据权利要求7至10中任一项所述的装置，其特征在于，所述调度模块还用于若在所述目标时间段之前存在前序时间段内的电子设备的负载信息满足低负载条件，则从各前序时间段中确定出新的目标时间段；控制所述电子设备在所述新的目标时间段内调度执行所述目标任务。
12.根据权利要求7至10中任一项所述的装置，其特征在于，所述调度模块还用于若在所述目标时间段内未执行所述目标任务而所述电子设备的负载信息满足高负载条件，则从所述目标时间段之后的后续时间段中确定出新的目标时间段；控制所述电子设备在所述新的目标时间段内调度执行所述目标任务。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
14.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111401564.2A CN113821330B (zh) | 2021-11-24 | 2021-11-24 | 任务调度方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111401564.2A CN113821330B (zh) | 2021-11-24 | 2021-11-24 | 任务调度方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113821330A CN113821330A (zh) | 2021-12-21 |
| CN113821330B true CN113821330B (zh) | 2022-03-15 |
Family
ID=78918217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111401564.2A Active CN113821330B (zh) | 2021-11-24 | 2021-11-24 | 任务调度方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113821330B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017003B (zh) * | 2021-12-22 | 2023-05-30 | 荣耀终端有限公司 | 负载预测方法和负载预测装置 |
| CN117574148A (zh) * | 2023-11-20 | 2024-02-20 | 国网冀北电力有限公司信息通信分公司 | 智能预测模型的训练方法、预测方法及相关设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104222A (zh) * | 2019-12-16 | 2020-05-05 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103986766B (zh) * | 2014-05-19 | 2017-07-07 | 中国工商银行股份有限公司 | 自适应负载均衡作业任务调度方法及装置 |
| CN104317657B (zh) * | 2014-10-17 | 2017-12-26 | 深圳市川大智胜科技发展有限公司 | 实时交通流量统计中均衡统计任务的方法及装置 |
| CN106445640B (zh) * | 2016-10-20 | 2019-06-18 | 南京南瑞继保电气有限公司 | 一种嵌入式虚拟装置运行方法和系统 |
| CN111046091B (zh) * | 2019-10-24 | 2023-12-08 | 杭州数梦工场科技有限公司 | 数据交换系统的运行方法、装置及设备 |
| CN113254172A (zh) * | 2020-02-11 | 2021-08-13 | 北京灵汐科技有限公司 | 一种任务调度的方法及装置 |
| CN113064677B (zh) * | 2021-02-23 | 2023-06-20 | 青岛海尔科技有限公司 | 应用运行方法及装置、存储介质及电子装置 |
-
2021
- 2021-11-24 CN CN202111401564.2A patent/CN113821330B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104222A (zh) * | 2019-12-16 | 2020-05-05 | 上海众源网络有限公司 | 任务处理方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113821330A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709533B (zh) | 机器学习模型的分布式训练方法、装置以及计算机设备 | |
| US11307864B2 (en) | Data processing apparatus and method | |
| CN113821330B (zh) | 任务调度方法、装置、计算机设备和存储介质 | |
| US11586903B2 (en) | Method and system of controlling computing operations based on early-stop in deep neural network | |
| CN112382099B (zh) | 交通路况预测方法、装置、电子设备及存储介质 | |
| CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
| CN112818032A (zh) | 服务于大数据挖掘分析的数据筛选方法及数据分析服务器 | |
| CN111831901A (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN112887371B (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
| CN111091138A (zh) | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 | |
| WO2022223052A1 (zh) | 加速器、计算机系统和方法 | |
| CN108681480B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| CN115905293A (zh) | 作业执行引擎的切换方法及装置 | |
| CN113240323B (zh) | 基于机器学习的水平评测方法、装置及相关设备 | |
| Cao et al. | Lstm network based traffic flow prediction for cellular networks | |
| CN115202879A (zh) | 基于多类型智能模型的云边协同调度方法及应用 | |
| CN114358350A (zh) | 会议预定模型的使用方法、装置、设备及存储介质 | |
| CN112764923A (zh) | 计算资源分配方法、装置、计算机设备及存储介质 | |
| CN112989203A (zh) | 素材投放方法、装置、设备和介质 | |
| Zhang et al. | Effective 3C Resource Utilization and Fair Allocation Strategy for Multi-Task Federated Learning | |
| Guo et al. | Research on LSTM-based load prediction for edge data centers | |
| CN112836770B (zh) | Kpi异常定位分析方法及系统 | |
| Kim et al. | Evaluating the regularity of human behavior from mobile phone usage logs | |
| CN111330269B (zh) | 应用难度调整和策略确定方法、装置、系统、设备及介质 | |
| CN116524260A (zh) | 图像分类方法、图像分类模型的训练方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230920 Address after: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
| TR01 | Transfer of patent right |