CN115061815B - 基于ahp的最优调度决策方法与系统 - Google Patents
基于ahp的最优调度决策方法与系统 Download PDFInfo
- Publication number
- CN115061815B CN115061815B CN202210701152.9A CN202210701152A CN115061815B CN 115061815 B CN115061815 B CN 115061815B CN 202210701152 A CN202210701152 A CN 202210701152A CN 115061815 B CN115061815 B CN 115061815B
- Authority
- CN
- China
- Prior art keywords
- layer
- scheme
- ahp
- data acquisition
- judgment matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007475 c-index Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F9/50—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
-
- 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
- G06F9/5044—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 hardware capabilities
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于AHP的最优调度决策方法与系统,属于资源调度领域。本发明获取空闲状态的执行服务器及性能指标,建立AHP层次决策方法,将选择最优调度执行服务器的事件分解为目标层、准则层以及方案层,构造准则层的判断矩阵,计算准则层权重向量,并对构成的准则层判断矩阵进行一致性检验,计算方案层权重向量并对方案层判断矩阵进行一致性校验,最后将方案层判断矩阵与准则层权重向量加权计算得到各个方案对最优调度方法的加权分数,选择加权分数最高的方案,数据中台将数据采集任务分配到对应方案所代表的执行服务器。本发明缩短数据的采集时间,提高数据的采集效率。
Description
技术领域
本发明属于资源调度领域,具体涉及一种基于AHP的最优调度决策方法与系统。
背景技术
随着现代社会的信息化程度不断提高,在大数据时代,企业规模越来越大,各个业务部门产生的数据量不断增长;由于业务分工不同,企业内部各职能部门之间的业务数据存在数据壁垒现象,由于缺乏统一标准及对应的数据存储管理平台,如何挖掘数据价值、利用数据发挥更大的效能成为每个企业目前思考的重要问题。
数据中台,是近年来企业数字化转型的利器,通过存储与计算、技术与业务的深度融合,数据中台提供了一个“可持续让数据用起来”的机制。通过适配企业现有的业务系统,采集并融合各系统的业务数据,数据中台需要提供可扩展的及时算力,让数据可在中台内部自由流动。
当前,市面上的数据中台产品,大量使用分布式部署数据计算节点,基于分布式调度任务驱动数据的采集、计算、加工等。因此,解决数据处理任务的资源动态分配问题将会大大提高数据抽取和更新的效率,保持数据的新鲜度。
层次分析法(Analytic Hierarchy Process,简称AHP)作为一种主观赋值评价方法,将复杂问题简单化且计算简单,成熟度高且应用十分广泛,量化指标做系统的定性分析评估,能灵活有效的帮助决策者得到最优解。把层次分析法应用在数据中台的数据处理任务中,动态调配各计算节点算力资源,解决节点忙闲不均而造成的算力资源浪费,具有十分重要的意义。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种基于AHP的最优调度决策方法与系统,以解决数据处理任务的资源动态分配问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种基于AHP的最优调度决策方法,该方法包括如下步骤:
S1、获取空闲状态的执行服务器;
S2、获取性能指标,包括执行服务器性能参数,数据采集任务中待抽取的数据量大小VMB和数据中台与分布式部署执行服务器的之间通讯的网络带宽BWbps;
S3、建立AHP层次决策方法,将选择最优调度执行服务器的事件分解为目标层、准则层以及方案层,所述层次结构模型的目标层是选择最优调度执行服务器,方案层的构成为可供选择的分布式布署的各个执行服务器,准则层指的是在做决策时的考虑的因素,包括步骤S2中所获取的性能指标;
S4、构造准则层判断矩阵,通过准则层的各指标之间相互两两比较,确定各准则层对目标层的相对权重,并确定准则层判断矩阵中各元素值;
S5、计算准则层权重向量,并对构成的准则层判断矩阵进行一致性检验;根据准则层判断矩阵使用方根法计算准则层各指标对于目标层的权重,并对构成的各指标层权重做归一化处理得到准则层权重向量;基于准则层权重向量,使用特征值参数和一致性指标等确定构建的准则层判断矩阵是否存在逻辑问题,实现一致性检验;
S6、计算方案层权重向量并对方案层判断矩阵进行一致性校验;根据方案层各方案之间相互两两比较确定各方案层对准则层各个指标的权重,利用方根法得到方案层相对于准则层各个指标的方案层权重向量;构造基于方案层权重向量的方案层判断矩阵,并对方案层判断矩阵做一致性校验;
S7、最后将方案层判断矩阵与准则层权重向量加权计算得到各个方案对最优调度方法的加权分数;
S8、选择加权分数最高的方案,数据中台将数据采集任务分配到对应方案所代表的执行服务器。
进一步地,所述执行服务器的状态分为忙碌和空闲,当执行服务器接收到数据中台分配的数据采集任务时,状态置为忙碌;执行服务器将任务执行完成,会释放服务器资源,状态置为空闲。
进一步地,所述服务器性能参数作为AHP的性能指标,包括CPU架构、数量、主频和使用率,硬盘大小和读取/写入速率,数据中台与调度布署执行服务器通信的网络带宽BWbps也会作为AHP的一个性能指标,数据采集任务中待抽取的数据量大小VMB作为AHP的一个性能指标。
进一步地,所述步骤S4具体包括:客户端人工键入准则层指标对目标层的权重;把准则层的所有指标进行两两判断,对于有n个指标的准则层构建一个判断矩阵An×n:
其中,An×n中的元素aij表示指标i和指标j数量化的相对权重,满足以下条件:aij>0;aii=1。
进一步地,所述步骤S5中方根法计算权重过程如下:
按行元素求积,再计算每行乘积的次方
得到一个n维向量:
将n维向量按照以下公式做归一化处理:
i为整数
得到准则层中n个指标构成的权重向量:
W=(w1 … wn)T。
进一步地,所述步骤S5中一致性检验的过程如下:计算n个指标的最大特征根λmax,其公式为:
其中AW为:判断矩阵乘以指标归一化后的准则层权重向量:
求解一致性指标CI值:
通过查表获得RI,求解CR值:
当CR小于0.1时,认为所述判断矩阵符合一致性,否则需要对其进行更改。
进一步地,若CR≥0.1,则告警用户调整判断矩阵,并暂停分发任务到执行服务器。
进一步地,所述步骤S6中,利用方根法获得由m个方案构成的方案层权重向量,从而得到相对于准则层第n个指标的方案层权重向量为:
Bn=(b1n … bmn)T
将相对于准则层的方案层的n个权重向量形成方案层判断矩阵P:
对方案层判断矩阵做一致性校验。
进一步地,所述步骤S7具体包括:通过加权计算得到加权矩阵E:
em即为AHP算法中的第m个方案的最终得分。
本发明还提供一种基于AHP的最优调度决策系统,该系统包括数据中台和执行服务器,数据中台部署有数据采集系统、参数采集系统、操作库和算法库;
数据采集系统动态制作数据采集任务;
参数采集系统,用于人工录入各个性能指标对决策方案的主观赋值,分数越高表示对方案决策越重要;参数采集系统还配置有读取各个执行服务器的性能参数的功能,将待分发的数据采集任务解析出数据表信息并计算出数据量大小;
算法库配置有AHP算法模型,接收到各个指标信息并为每个数据采集任务做如权利要求1-9任一项所述的基于AHP的最优调度决策方法计算;
操作库在数据采集系统形成任务时,将其存储起来并标记为未配置;参数采集系统对于操作库中标记为未配置的数据采集任务需要初始化配置定时策略,只有配置有定时策略的任务才可被按策略调度,并标记为未执行;最后在算法库得到分析结果,由操作库根据分析结果将数据采集任务调度到最优执行服务器,并标记正在执行;
执行服务器,用于执行数据采集任务,执行完成会将采集任务归还给数据中台并标记为未执行,数据中台的参数采集系统根据初始化的定时策略确定下一次执行时间,在下一次执行时间到来时将数据采集任务调度到最优执行服务器。
(三)有益效果
本发明提出一种基于AHP的最优调度决策方法与系统,本发明的数据中台在每次数据采集任务执行之前通过采用AHP算法分析计算选择出最优方案,将数据采集任务调度到最优执行服务器,协调系统资源的最大配比,缩短数据的采集时间,提高数据的采集效率。
附图说明
图1为本发明最优调度布署执行服务器选择的流程图;
图2为AHP层次分析法的逻辑图;
图3为AHP的层次结构模型图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明提出了一种基于AHP的最优调度决策方法与系统,系统中包括部署在云平台的数据中台和分布式部署到各边缘服务器的执行服务器;方法用以实现对异构数据集同步任务,调度到执行服务器的最优选择,通过AHP方法决策任务的最佳执行服务器和数据中台分发任务的方式给出最优调度方案。
为实现上述目的,本发明采用如下技术方案:
基于AHP的最优调度方法在数据中台的应用,包括以下步骤:
S1、获取空闲状态的执行服务器;
S2、获取性能指标,包括执行服务器性能参数,数据采集任务中待抽取的数据量大小VMB和数据中台与分布式部署执行服务器的之间通讯的网络带宽BWbps;
S3、建立AHP层次决策方法,将选择最优调度执行服务器的事件分解为目标层、准则层以及方案层,所述层次结构模型的目标层是选择最优调度执行服务器,方案层的构成为可供选择的分布式布署的各个执行服务器,准则层指的是在做决策时的考虑的因素,包括步骤S2中所获取的性能指标;
S4、构造准则层的判断(成对比较)矩阵,通过准则层的各指标之间相互两两比较,确定各准则层对目标层的相对权重,并确定准则层判断矩阵中各元素值;
S5、计算准则层权重向量,并对构成的准则层判断矩阵进行一致性检验。根据准则层判断矩阵使用方根法计算准则层各指标对于目标层的权重,并对构成的各指标层权重做归一化处理得到准则层权重向量;基于准则层权重向量,使用特征值参数和一致性指标等确定构建的准则层判断矩阵是否存在逻辑问题,实现一致性检验;
S6、计算方案层权重向量并对方案层判断矩阵进行一致性校验。根据方案层各方案之间相互两两比较确定各方案层对准则层各个指标的权重,利用方根法得到方案层相对于准则层各个指标的方案层权重向量;构造基于方案层权重向量的方案层判断矩阵,并对方案层判断矩阵做一致性校验。
S7、最后将方案层判断矩阵与准则层权重向量加权计算得到各个方案对最优调度方法的加权分数;
S8、选择加权分数最高的方案,数据中台将数据采集任务分配到对应方案所代表的执行服务器;
进一步的,执行服务器的状态分为忙碌和空闲,当执行服务器接收到数据中台分配的数据采集任务时,状态置为忙碌;执行服务器将任务执行完成,会释放服务器资源,状态置为空闲。
进一步的,服务器性能参数包括CPU架构(X86,ARM)、数量、主频和使用率,硬盘大小和读取/写入速率等作为AHP的性能指标,数据中台与调度布署执行服务器通信的网络带宽BWbps也会作为AHP的一个性能指标,此外还会将数据采集任务中待抽取的数据量大小VMB作为AHP的一个性能指标。也可以选择将数据采集任务中待抽取的数据量大小VMB与服务器内存大小的比值作为一个性能指标。
进一步的准则层判断矩阵的构建,需要客户端人工键入准则层指标对目标层的权重;把准则层的所有指标进行两两判断,对于有n个指标的准则层构建一个判断矩阵An×n:
其中,An×n中的元素aij表示指标i和指标j数量化的相对权重,满足以下条件:
1)aij>0
2)
3)aii=1
进一步的,使用方根法分别计算准则层各指标对于目标层的权重,方根法计算权重如下:
1)按行元素求积,再计算每行乘积的次方
得到一个n维向量:
2)将n维向量按照以下公式做归一化处理:
i为整数
得到准则层中n个指标构成的权重向量:
W=(w1 … wn)T
进一步的,得到权重向量后,进行一致性校验,方法如下:
1)计算n个指标的最大特征根λmax,其公式为:
其中AW为:判断矩阵乘以指标归一化后的准则层权重向量:
2)求解一致性指标CI值:
3)通过查表获得RI,求解CR值:
当CR小于0.1时,认为所述判断矩阵符合一致性,否则需要对其进行更改。
进一步的,依据前述方法,针对某一个指标,利用方根法获得由m个方案构成的方案层权重向量,从而得到相对于准则层第n个指标的方案层权重向量为:
Bn=(b1n … bmn)T
进一步的,各个方案对最优调度方法的加权分数的计算,将相对于准则层的方案层的n个权重向量形成方案层判断矩阵P:
对方案层判断矩阵做一致性校验。
通过加权计算得到加权矩阵E:
em即为AHP算法中的第m个方案的最终得分。
进一步的,数据采集任务,是使用ETL工具制作的任务抽取模型,模型的本质是一种持久化存储的配置文件,文件内容记录有待抽取数据的数据库和数据表信息、流程转换的节点信息。
本发明的基于AHP的最优调度决策系统包括数据中台和执行服务器,
数据中台部署有数据采集系统、参数采集系统、操作库和算法库。
数据中台的数据采集系统,可以动态制作数据采集任务。
参数采集系统,可以人工录入各个性能指标对决策方案的主观赋值,分数越高表示对方案决策越重要;参数采集系统还配置有读取各个执行服务器的性能参数的功能,将待分发的数据采集任务解析出数据表信息并计算出数据量大小。
算法库配置有AHP算法模型,接收到各个指标信息并为每个数据采集任务做基于AHP的最优调度决策方法计算。
操作库在数据采集系统形成任务时,将其存储起来并标记为未配置;参数采集系统对于操作库中标记为未配置的数据采集任务需要初始化配置定时策略,只有配置有定时策略的任务才可被按策略调度,并标记为未执行;最后在算法库得到分析结果,由操作库根据分析结果将数据采集任务调度到最优执行服务器,并标记正在执行。
上述执行服务器,作用是执行数据采集任务,一旦执行完成会将采集任务归还给数据中台并标记为未执行,数据中台的参数采集系统根据初始化的定时策略确定下一次执行时间,在下一次执行时间到来时重复上述步骤将数据采集任务调度到最优执行服务器。
本发明的数据中台在每次数据采集任务执行之前通过采用AHP算法分析计算选择出最优方案,将数据采集任务调度到最优执行服务器,协调系统资源的最大配比,缩短数据的采集时间,提高数据的采集效率。
实施例1:
本发明提出的在数据中台的数据采集阶段使用AHP算法决策最优调度执行服务器。异构数据集根据定时策略同步任务,利用执行器分布式部署到不同服务器上,解决数据缓存量过大造成的服务器压力过大、效率过低的问题,打破传统的数据同步任务单一调度,通过分布式部署执行服务器和数据中台集成AHP多方案决策算法的方式进一步给出最优调度方案。
如图1所示的最优调度执行服务器选择的流程图,由数据中台、客户端和分布式布署执行服务器组成,数据中台上部署有数据采集系统、参数采集系统、算法库和操作库。数据中台中存储有所有执行服务器的性能参数,参数包括CPU架构(X86,ARM)、CPU数量D、CPU主频P和CPU使用率S,硬盘大小Y、读写速率R和内存大小VMB等。
用户通过客户端校验参数采集系统给定的默认AHP准测层的权重,如图3所示的AHP的层次结构模型图,准则层的指标包括:X86架构、ARM架构、网络带宽BWbps、CPU数量D、CPU主频P、CPU使用率S、硬盘大小Y、读写速率R和内存大小VMB与数据采集的数据量大小N的比VMB/N,用户需参照Santy的1-9标度方法调整权重信息。
表1 Santy的1-9标度方法
标度 | 含义 |
1 | 表示两个元素相比,具有同样的重要性 |
3 | 表示两个元素相比,前者比后者稍重要 |
5 | 表示两个元素相比,前者比后者明显重要 |
7 | 表示两个元素相比,前者比后者极其重要 |
9 | 表示两个元素相比,前者比后者强烈重要 |
2,4,6,8 | 表示上述相邻判断的中间值 |
1~9的倒数 | 表示相应两因素交换次序比较的重要性 |
默认标度是一个如下表所示的9×9判断矩阵:
表2默认判断矩阵
在数据中台的数据采集系统上,安装有ETL数据抽取工具,制作数据采集任务并形成持久化的存储文件,文件内存储有如下表示例参数:
表3数据抽取任务文件存储部分参数示例
参数 | 示例内容 |
数据库类型 | Oracle |
数据库连接IP | 1.1.20.90 |
数据库库名 | DB_SJZT |
数据库表名 | SJZT_TABLE |
文件形成之后同步存储到操作库中并将执行状态置为‘未配置’,并将任务推送给客户端,用户通过客户端对任务设置定时策略,如每日凌晨执行一次任务,设定了定时策略的任务被置为‘未执行’。操作库会在任务定时执行时间的前30秒,通知参数采集系统根据任务的表3配置信息计算出数据量的大小VMB,并获取未被占用的执行服务器的清单,将用户核验完成的判断矩阵和清单发送到算法库。
如图2所示的AHP层次分析法的逻辑图,获取到空闲状态的执行服务器清单和指标体系,确定了判断矩阵A,计算准则层权重向量,方根法计算权重如下:
计算每行乘积的次方
得到基于准则层9个指标的一个9维向量
将向量按如下公式归一化:
得到权重向量W:
取到权重矩阵后,进行一致性校验:
其中,λmax为最大特征根,AW为判断矩阵乘以归一化的权重向量;CI为一致性指标;CR为检验系数,RI值通过查表获得,如下表是Satty模拟1000次得到的随机一致性指标RI取值表:
表4随机一致性指标R.I取值表
矩阵阶数n | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 |
RI | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | 1.51 | 1.54 | 1.56 |
查表可得到,n=9时得RI=1.45。
CR<0.1时,表明判断矩阵A的一致性程度被认为在容许的范围内,此时可用准则层权重向量W的开展权向量计算;若CR≥0.1,说明我们在构建判断矩阵时出现了逻辑错误,告警用户调整判断矩阵,并暂停分发任务到调度布署执行服务器。
通过准则层的向量计算和一致性校验之后,如图3层次结构模型图所示,方案层P有m个执行服务器的选择方案,按照获取到的执行服务器的性能指标清单,对于相同的性能指标,除CPU架构外,不同执行服务器之间的大小比值作为判断矩阵的元素,CPU架构按照以下所示计量:
X86:ARM=6:5
方案层相对于准则层的9个指标使用方根法计算出9个权重向量B1…B9,其中
Bi=(b1i … bmi)T i∈(0,9],i为整数
加权分数如下表所示公式计算所得:
表5加权分数计算表
最后得到方案层所有方案的得分p1,p2,…,pm。数据中台的操作库将任务分发到得分最高方案对应的执行服务器,并将数据采集任务标记为正在执行,执行服务器状态变为忙碌。任务执行完成,执行服务器将任务归还给数据中台的操作库,执行服务器的状态变为空闲状态,数据采集任务状态变为待执行,等到下次定时执行时间再次触发。
本发明的数据中台在每次数据采集任务执行之前通过采用AHP算法分析计算选择出最优方案,将数据采集任务调度到最优执行服务器,协调系统资源的最大配比,缩短数据的采集时间,提高数据的采集效率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于AHP的最优调度决策系统,其特征在于,该系统包括数据中台和执行服务器,数据中台部署有数据采集系统、参数采集系统、操作库和算法库;
数据采集系统动态制作数据采集任务;
参数采集系统,用于人工录入各个性能指标对决策方案的主观赋值,分数越高表示对方案决策越重要;参数采集系统还配置有读取各个执行服务器的性能参数的功能,将待分发的数据采集任务解析出数据表信息并计算出数据量大小;
算法库配置有AHP算法模型,接收到各个指标信息并为每个数据采集任务做基于AHP的最优调度决策方法计算;
操作库在数据采集系统形成任务时,将其存储起来并标记为未配置;参数采集系统对于操作库中标记为未配置的数据采集任务需要初始化配置定时策略,只有配置有定时策略的任务才可被按策略调度,并标记为未执行;最后在算法库得到分析结果,由操作库根据分析结果将数据采集任务调度到最优执行服务器,并标记正在执行;
执行服务器,用于执行数据采集任务,执行完成会将采集任务归还给数据中台并标记为未执行,数据中台的参数采集系统根据初始化的定时策略确定下一次执行时间,在下一次执行时间到来时将数据采集任务调度到最优执行服务器;
其中,
基于AHP的最优调度决策方法包括如下步骤:
S1、获取空闲状态的执行服务器;
S2、获取性能指标,包括执行服务器性能参数,数据采集任务中待抽取的数据量大小VMB和数据中台与分布式部署执行服务器的之间通讯的网络带宽BWbps;
S3、建立AHP层次决策方法,将选择最优调度执行服务器的事件分解为目标层、准则层以及方案层,所述层次结构模型的目标层是选择最优调度执行服务器,方案层的构成为可供选择的分布式布署的各个执行服务器,准则层指的是在做决策时的考虑的因素,包括步骤S2中所获取的性能指标;
S4、构造准则层判断矩阵,通过准则层的各指标之间相互两两比较,确定各准则层对目标层的相对权重,并确定准则层判断矩阵中各元素值;
S5、计算准则层权重向量,并对构成的准则层判断矩阵进行一致性检验;根据准则层判断矩阵使用方根法计算准则层各指标对于目标层的权重,并对构成的各指标层权重做归一化处理得到准则层权重向量;基于准则层权重向量,使用特征值参数和一致性指标等确定构建的准则层判断矩阵是否存在逻辑问题,实现一致性检验;
S6、计算方案层权重向量并对方案层判断矩阵进行一致性校验;根据方案层各方案之间相互两两比较确定各方案层对准则层各个指标的权重,利用方根法得到方案层相对于准则层各个指标的方案层权重向量;构造基于方案层权重向量的方案层判断矩阵,并对方案层判断矩阵做一致性校验;
S7、最后将方案层判断矩阵与准则层权重向量加权计算得到各个方案对最优调度方法的加权分数;
S8、选择加权分数最高的方案,数据中台将数据采集任务分配到对应方案所代表的执行服务器。
2.如权利要求1所述的基于AHP的最优调度决策系统,其特征在于,所述执行服务器的状态分为忙碌和空闲,当执行服务器接收到数据中台分配的数据采集任务时,状态置为忙碌;执行服务器将任务执行完成,会释放服务器资源,状态置为空闲。
3.如权利要求1所述的基于AHP的最优调度决策系统,其特征在于,所述服务器性能参数作为AHP的性能指标,包括CPU架构、数量、主频和使用率,硬盘大小和读取/写入速率,数据中台与调度布署执行服务器通信的网络带宽BWbps也会作为AHP的一个性能指标,数据采集任务中待抽取的数据量大小VMB作为AHP的一个性能指标。
4.如权利要求1-3任一项所述的基于AHP的最优调度决策系统,其特征在于,所述步骤S4具体包括:客户端人工键入准则层指标对目标层的权重;把准则层的所有指标进行两两判断,对于有n个指标的准则层构建一个判断矩阵An×n:
其中,An×n中的元素aij表示指标i和指标j数量化的相对权重,满足以下条件:aij>0;aii=1。
5.如权利要求4所述的基于AHP的最优调度决策系统,其特征在于,所述步骤S5中方根法计算权重过程如下:
按行元素求积,再计算每行乘积的次方
得到一个n维向量:
将n维向量按照以下公式做归一化处理:
得到准则层中n个指标构成的权重向量:
W=(w1 … wn)T。
6.如权利要求5所述的基于AHP的最优调度决策系统,其特征在于,所述步骤S5中一致性检验的过程如下:计算n个指标的最大特征根λmax,其公式为:
其中AW为:判断矩阵乘以指标归一化后的准则层权重向量:
求解一致性指标CI值:
通过查表获得RI,求解CR值:
当CR小于0.1时,认为所述判断矩阵符合一致性,否则需要对其进行更改。
7.如权利要求6所述的基于AHP的最优调度决策系统,其特征在于,若CR≥0.1,则告警用户调整判断矩阵,并暂停分发任务到执行服务器。
8.如权利要求5所述的基于AHP的最优调度决策系统,其特征在于,所述步骤S6中,利用方根法获得由m个方案构成的方案层权重向量,从而得到相对于准则层第n个指标的方案层权重向量为:
Bn=(b1n … bmn)T
将相对于准则层的方案层的n个权重向量形成方案层判断矩阵P:
对方案层判断矩阵做一致性校验。
9.如权利要求7所述的基于AHP的最优调度决策系统,其特征在于,所述步骤S7具体包括:通过加权计算得到加权矩阵E:
em即为AHP算法中的第m个方案的最终得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701152.9A CN115061815B (zh) | 2022-06-20 | 2022-06-20 | 基于ahp的最优调度决策方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701152.9A CN115061815B (zh) | 2022-06-20 | 2022-06-20 | 基于ahp的最优调度决策方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115061815A CN115061815A (zh) | 2022-09-16 |
CN115061815B true CN115061815B (zh) | 2024-03-26 |
Family
ID=83202339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210701152.9A Active CN115061815B (zh) | 2022-06-20 | 2022-06-20 | 基于ahp的最优调度决策方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115061815B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412875A (zh) * | 2013-07-11 | 2013-11-27 | 广东工业大学 | 基于ahp决策模型的cdn策略调整方法 |
CN109034503A (zh) * | 2018-09-07 | 2018-12-18 | 辽宁工程技术大学 | 一种基于ahp-grap的露天矿破碎站布设方案优选方法 |
CN112016742A (zh) * | 2020-08-21 | 2020-12-01 | 东南大学 | 一种基于ahp的消防救援路径选择算法的优化方法 |
CN112288328A (zh) * | 2020-11-23 | 2021-01-29 | 中民新能投资集团有限公司 | 一种基于灰色层次分析法的能源互联网风险评估方法 |
WO2021073083A1 (zh) * | 2019-10-15 | 2021-04-22 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区系统 |
CN114399135A (zh) * | 2021-11-29 | 2022-04-26 | 国网江苏省电力有限公司 | 基于层次分析法的电网运行异常指标朔因关联度确定方法 |
WO2022095620A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京中电飞华通信有限公司 | 一种基于智能电网的异构网络接入选择方法及相关设备 |
-
2022
- 2022-06-20 CN CN202210701152.9A patent/CN115061815B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412875A (zh) * | 2013-07-11 | 2013-11-27 | 广东工业大学 | 基于ahp决策模型的cdn策略调整方法 |
CN109034503A (zh) * | 2018-09-07 | 2018-12-18 | 辽宁工程技术大学 | 一种基于ahp-grap的露天矿破碎站布设方案优选方法 |
WO2021073083A1 (zh) * | 2019-10-15 | 2021-04-22 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区系统 |
CN112016742A (zh) * | 2020-08-21 | 2020-12-01 | 东南大学 | 一种基于ahp的消防救援路径选择算法的优化方法 |
WO2022095620A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京中电飞华通信有限公司 | 一种基于智能电网的异构网络接入选择方法及相关设备 |
CN112288328A (zh) * | 2020-11-23 | 2021-01-29 | 中民新能投资集团有限公司 | 一种基于灰色层次分析法的能源互联网风险评估方法 |
CN114399135A (zh) * | 2021-11-29 | 2022-04-26 | 国网江苏省电力有限公司 | 基于层次分析法的电网运行异常指标朔因关联度确定方法 |
Non-Patent Citations (3)
Title |
---|
杨宝贵 ; 王俊涛 ; 何添华 ; 朱正刚 ; .层次分析法在矿井水处理工艺优选中的应用.煤矿安全.2012,(第10期),全文. * |
陈本炎.层次分析法在智能大厦系统建设中的应用.渝西学院学报(自然科学版).2005,(第03期),全文. * |
魏桂香 ; .层次分析法在油藏经营方案优化决策中的应用.断块油气田.2010,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115061815A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8380960B2 (en) | Data allocation and replication across distributed storage system | |
CN111753016B (zh) | 数据处理方法、装置、系统及计算机可读存储介质 | |
EP4020315A1 (en) | Method, apparatus and system for determining label | |
CN113037877A (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN103701894A (zh) | 动态资源调度方法与系统 | |
CN116663938B (zh) | 基于企业数据中台系统的信息化管理方法及其相关装置 | |
CN109902919A (zh) | 服务器资产管理方法、装置、设备及可读存储介质 | |
CN113361980A (zh) | 一种大数据资产价值评估的系统和方法 | |
CN115113998A (zh) | 一种数字孪生资源分配方法及架构 | |
CN103824127A (zh) | 云计算环境下服务的自适应组合优化方法 | |
CN111079827A (zh) | 一种铁路数据状态评估方法及系统 | |
CN115061815B (zh) | 基于ahp的最优调度决策方法与系统 | |
CN110058942B (zh) | 基于层次分析法的资源分配系统及方法 | |
CN110119268B (zh) | 基于人工智能的工作流优化方法 | |
CN117290090A (zh) | 节点协同资源分配方法、装置、设备及存储介质 | |
CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
CN114757448B (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
CN115883392A (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
US20230209367A1 (en) | Telecommunications network predictions based on machine learning using aggregated network key performance indicators | |
WO2023035526A1 (zh) | 对象排序方法、相关设备及介质 | |
CN112257977B (zh) | 模糊工时下资源受限的物流项目工期优化方法及系统 | |
CN110135747B (zh) | 基于神经网络的流程定制方法 | |
Abdel Raouf et al. | A predictive replication for multi‐tenant databases using deep learning | |
KR20200129132A (ko) | 데이터 이활용에 관한 데이터 준비 방법 및 데이터 이활용 시스템 | |
CN110162747A (zh) | 一种基于特征的预处理及推荐方法 |
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 |