CN115442444A - 一种应用于多对多匹配平台的资源平衡自适应调度方法 - Google Patents

Abstract

本发明提供了一种应用于多对多匹配平台的资源平衡自适应调度方法，涉及资源分配技术领域，方法包括：获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配；分别判断每个分配资源中包含的目标任务的当下数量；提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源；按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化；基于优化方式，对所述多对多匹配平台的目标资源自适应平衡。本发明，通过对多对多匹配平台的目标分配方式进行优化，基于优化方式，对多对多匹配平台的目标资源自适应平衡。

Description

一种应用于多对多匹配平台的资源平衡自适应调度方法

技术领域

本发明涉及资源分配技术领域，特别涉及一种应用于多对多匹配平台的资源平衡自适应调度方法。

背景技术

目前，随着网络环境的快速发展，用户使用网络越来越频繁，安装各类应用软件，方便了解生活和工作。然而，用户在使用网络时，通常会有多个任务同时运行，就很容易因后台网络任务请求过多且同个软件的任务请求只能在该软件匹配的后台进行处理，会存在其他软件匹配的后台空闲但是无法供该软件进行使用，使得无法平衡分配任务，大大影响了用户的使用体验。

因此，本发明提出一种应用于多对多匹配平台的资源平衡自适应调度方法。

发明内容

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，用以通过对多对多匹配平台的目标分配方式进行优化，基于优化方式，对多对多匹配平台的目标资源自适应平衡，以此来解决背景技术中因后台网络任务请求过多且同个软件的任务请求只能在该软件匹配的后台进行处理，会存在其他软件匹配的后台空闲但是无法供该软件进行使用，使得无法平衡分配任务，大大影响了用户的使用体验的问题。

本发明提出一种应用于多对多匹配平台的资源平衡自适应调度方法，包括：

步骤1：获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配；

步骤2：分别判断每个分配资源中包含的目标任务的当下数量；

步骤3：提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源；

步骤4：按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化；

步骤5：基于优化方式，对所述多对多匹配平台的目标资源自适应平衡。

优选的，获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配，包括：

接收多对多匹配平台的获取资源命令，基于所述获取资源命令从任务源中获取目标资源；

获取所述目标资源的关键词信息，并将所述关键词信息输入至预先设置好的资源分配模型中；

根据资源分配模型的输出结果确定目标资源的目标分配方式；

按照所述目标分配方式对所述目标资源进行分配。

优选的，分别判断每个分配资源中包含的目标任务的当下数量，包括：

获取每个分配资源的资源映射情况；

根据所述资源映射情况，进行资源分配等级判定；

获取判定结果中每个级别对应的映射资源相关的任务指标；

根据所述任务指标确定每个分配资源中包含的目标任务的当下数量。

优选的，提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源之前，还包括：

分别获取第一预设阈值对应的第一任务数量和第二预设阈值对应的第二任务数量；

将每个分配资源中包含的目标任务的当下数量分别与所述第一任务数量和第二任务数量进行对比；

将当下数量小于第一预设阈值的分配资源确认为第一资源；

将当下数量大于第二预设阈值的分配资源确认为第二资源。

优选的，按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化，包括：

按照每个第一资源的资源类型、空闲任务数量、第二资源的资源类型以及拥挤任务数量、处于第一预设阈值与第二预设阈值之间的第三资源的资源类型以及对应的当下任务数量，构建多层网络模型，其中，所述多层网络模型的层数与第一资源、第二资源以及第三资源的总数量有关，且每层只包括一种资源，所述一种资源为第一资源、第二资源以及第三资源中的任何一种；

设置多层网络模型的资源回调机制以及跨层资源分配机制；

统计所述多层网络模型在所述目标分配方式下每一层处于不超负荷情况下的资源分配速率值，并根据所述资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值；

确定每个第一资源在所述多层网络模型中的第一定位以及每个第二资源在所述多层网络模型中的第二定位；

建立第一定位结果与第二定位结果基于所述多层网络模型的定位分布以及定位分布中每个定位位置的空闲任务数量、拥挤任务数量，并基于拥挤任务映射模型，建立所述第二定位基于所述第一定位的分配定位关系；

基于所述分配定位关系，建立每个第二定位位置与映射的第一定位位置的映射线路，根据所述映射线路上所包含的不同层所对应的最佳分配速率值，确定所述映射线路的合理分配速率；

向每个映射线路以及所匹配的合理分配速率设置第一标签，并附加在所述目标分配方式上，实现对所述目标分配方式的优化。

优选的，基于优化方式，对所述多对多匹配平台的目标资源自适应平衡，包括：

按照所述优化方式中所包含的不同映射线路以及合理分配速率，将对应第二定位位置处的拥挤任务迁移到对应的第一定位位置处；

同时，对所述第一定位位置处的空闲任务数量的空闲容量空间进行确定，当所述空闲容量空间不能满足所述拥挤任务数量对应的迁移容量时，对再次超出迁移的部分进行任务数量完整统计以及数据容量完整统计；

基于所有的任务数量完整统计结果以及数据容量为完整统计结果，在所述多层网络模型的基础上增设新层，并将再次超出部分迁移到所述新层中。

优选的，获取每个分配资源的资源映射情况，包括：

获取每个分配资源基于所述多对多匹配平台的当前虚拟位置；

确定所述当前虚拟位置中的连续位置块，并确定所述连续位置块对应虚拟资源的资源移位方式；

根据所述连续位置块的起点位置和终点位置，并结合对应的资源移位方式，扩展对应虚拟资源的当下位置，进而获取得到所述分配资源的扩充虚拟位置；

按照资源-任务位置数据库，将所述扩充虚拟位置映射到任务资源位置上，并获取得到每个分配资源的资源映射情况。

优选的，统计所述多层网络模型在目标分配方式中每一层处于不超负荷情

况下的资源分配速率值，并根据所述资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值，包括：

基于预设资源样本对所述目标分配方式所对应的多层网络模型中的每一层进行任务递增测试；

根据任务递增测试结果，确定在目标分配方式下所述多层网络模型中每一层的资源分配能力在任务递增情况下的衰减度，并构建衰减数组；

基于所述衰减数组，确定所述多层网络模型中每一层的允许最佳任务数量以及对应的允许最大任务数量；

获取所述多层网络模型中每一层在对应允许最佳任务数量下的第一分配速率区间，同时，获取所述多层网络模型中每一层在对应允许最大任务数量下的第二分配速率区间；

根据所述资源回调机制确定每一层在任务数量未最大的第一回调资源以及任务数量未最佳的第二回调资源；

根据所述跨层资源分配机制确定每一层在任务数量达到最大的外吐资源；

根据所述第一分配速率区间以及第二分配速率区间，确定交集区间，并按照资源调取需求偏向，从所述交集区间中获取得到第一分配速率值；

按照所述第一回调资源的资源量以及任务数量、第二回调资源的资源量以及任务数量、外吐资源的资源量以及任务数量，确定回调与外吐的相关系数；

基于所述相关系数，对所述第一分配速率值进行优化，得到第二分配速率值，并作为最佳分配速率值。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种应用于多对多匹配平台的资源平衡自适应调度方法的流程图；

图2为本发明实施例中一种应用于多对多匹配平台的资源平衡自适应调度方法的另一流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，如图1所示，该方法包括：

步骤1：获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配；

步骤2：分别判断每个分配资源中包含的目标任务的当下数量；

步骤3：提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源；

步骤4：按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化；

步骤5：基于优化方式，对所述多对多匹配平台的目标资源自适应平衡。

该实施例中，多对多匹配平台是指的包含多资源中以及每个资源包含多任务，对多资源和多任务进行匹配的平台，实现资源的自适应平衡。

该实施例中，目标资源是符合获取命令的需要分配的资源。

该实施例中，目标分配方式可以是根据不同类型任务将目标资源进行分配。

该实施例中，目标任务是分配资源中需要执行的任务。

该实施例中，第一预设阈值是100。

该实施例中，第二预设阈值是150。

该实施例中，空闲任务数量是第一资源的任务数量与第一预设阈值的差值，例如第一资源的任务数量为80，那么空闲任务数量就是20。

该实施例中，拥挤任务数量是第二资源的任务数量与第二预设阈值的差值，例如第二资源的任务数量为180，那么拥挤任务数量就是30。

该实施例中，优化方式是将拥挤任务迁移到空闲任务的空间中，来缓解因任务执行不平衡所导致的资源不平衡的情况。

如果空闲任务中放置不下拥挤任务，那么就在网络模型中建立新的层，将放置不下的任务放置在新的层中，比如拥挤任务数量为30，空闲任务数量为20，那么就把拥挤任务数量中的20个任务放置在空闲任务中，剩余的10个任务就放置在网络模型中新的层中。

该实施例中，建立多层网络模型是为了将第一资源的任务和第二资源的任务进行区分和放置，能保证多个任务同时进行处理。

上述技术方案的有益效果是：通过对多对多匹配平台的目标资源进行分配，获取每个分配资源中包含的数量，从而确定当下数量与预设阈值的关系，对分配方式进行优化，能够对分配方式优化，大大提高了分配方式对于多任务的资源平衡分配，提高了分配资源的效率和精准性。

实施例2：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配，包括：

接收多对多匹配平台的获取资源命令，基于所述获取资源命令从任务源中获取目标资源；

获取所述目标资源的关键词信息，并将所述关键词信息输入至预先设置好的资源分配模型中；

根据资源分配模型的输出结果确定目标资源的目标分配方式；

按照所述目标分配方式对所述目标资源进行分配。

该实施例中，目标资源是符合获取命令的需要分配的资源。

该实施例中，任务源是拥有多个任务的任务发布源。

该实施例中，资源分配模型是预先设置好的根据关键词信息来输出结果的模型。

该实施例中，输出结果是关键词信息和资源分配的相关关系。

上述技术方案的有益效果是：根据资源分配模型输出结果确定目标资源的目标分配方式，使目标资源的分配合理化，使目标资源的分配快速化。

实施例3：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，如图2所示，分别判断每个分配资源中包含的目标任务的当下数量，包括：

步骤201：获取每个分配资源的资源映射情况；

步骤202：根据所述资源映射情况，进行资源分配等级判定；

步骤203：获取判定结果中每个级别对应的映射资源相关的任务指标；

步骤204：根据所述任务指标确定每个分配资源中包含的目标任务的当下数量。

该实施例中，资源映射情况是指的分配资源在多对多匹配平台上虚拟位置所指向和任务以及资源相关的位置上，方便后续确定任务数量。

该实施例中，资源分配等级判定是根据目标资源的资源信息实现对目标资源的类型进行有效确认，同时根据资源类型的等级评估对目标资源进行准确有效的资源等级评估，比如第一资源类型等级为A，第二资源类型等级为B，第三资源类型等级为C。

该实施例中，任务指标是每个资源需要完成的多个任务指标。

该实施例中，当下数量是分配资源中任务的具体数量值。

上述技术方案的有益效果是：获取到每个资源中包含的目标任务的当下数量，对每个资源中的任务数量都完整统计，为后续判断不同资源类型提供了基础。

实施例4：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源之前，还包括：

分别获取第一预设阈值对应的第一任务数量和第二预设阈值对应的第二任务数量；

将每个分配资源中包含的目标任务的当下数量分别与所述第一任务数量和第二任务数量进行对比；

将当下数量小于第一预设阈值的分配资源确认为第一资源；

将当下数量大于第二预设阈值的分配资源确认为第二资源。

该实施例中，第一任务数量是小于第一预设阈值的具体数量，第一预设阈值为100，则第一任务数量为1-99中的任意整数。

该实施例中，第二任务数量是大于第二预设阈值的具体数量，第二预设阈值为150，则第二任务数量为大于的任意整数。

该实施例中，第一资源是分配资源数量小于100的资源。

该实施例中，第二资源是分配资源数量大于150的资源。

上述技术方案的有益效果是：确定不同的资源类型，将每个目标资源进行分类，为后续多层网络模型中优化目标分配方式提供了前提条件。

实施例5：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化，包括：

按照每个第一资源的资源类型、空闲任务数量、第二资源的资源类型以及拥挤任务数量、处于第一预设阈值与第二预设阈值之间的第三资源的资源类型以及对应的当下任务数量，构建多层网络模型，其中，所述多层网络模型的层数与第一资源、第二资源以及第三资源的总数量有关，且每层只包括一种资源，所述一种资源为第一资源、第二资源以及第三资源中的任何一种；

设置多层网络模型的资源回调机制以及跨层资源分配机制；

统计所述多层网络模型在所述目标分配方式下每一层处于不超负荷情况下的资源分配速率值，并根据所述资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值；

确定每个第一资源在所述多层网络模型中的第一定位以及每个第二资源在所述多层网络模型中的第二定位；

建立第一定位结果与第二定位结果基于所述多层网络模型的定位分布以及定位分布中每个定位位置的空闲任务数量、拥挤任务数量，并基于拥挤任务映射模型，建立所述第二定位基于所述第一定位的分配定位关系；

基于所述分配定位关系，建立每个第二定位位置与映射的第一定位位置的映射线路，根据所述映射线路上所包含的不同层所对应的最佳分配速率值，确定所述映射线路的合理分配速率；

向每个映射线路以及所匹配的合理分配速率设置第一标签，并附加在所述目标分配方式上，实现对所述目标分配方式的优化。

该实施例中，第一资源的资源类型是分配资源数量小于100的资源所对应的软件类型。

该实施例中，第二资源的资源类型是分配资源数量大于150的资源所对应的软件类型。

该实施例中，第三资源的资源类型是分配资源数量大于100而小于150的资源所对应的软件类型。

该实施例中，多层网络模型是有多个层，可以放置多个目标资源类型的模型，是根据资源类型进行确定的，比如是第一资源类型的资源放置在1、3、5层中，第二资源类型的资源放置在2、4、6层中，第三资源类型的资源放置在7、8、9层，同时对资源进行跨层提供了基础。

该实施例中，资源回调机制是资源的回收机制，将存在拥挤任务层的资源回调到存在空闲任务层中。

该实施例中，跨层资源分配机制是当多层网络模型中某一层的任务数量出现拥挤，则自动将拥挤的任务数量放置在有空闲任务数量的层中。

该实施例中，设置资源回调机制和跨层资源分配机制的目的为将拥挤任务数量进行回收并进行跨层分配到别的层中，能够更快的将任务分配完成。

该实施例中，资源分配速率值是表示资源分配过程中分配速度大小。

该实施例中，第一定位是每个第一资源在多层网络模型中的位置。

该实施例中，第二定位是每个第二资源在多层网络模型中的位置。

该实施例中，拥挤任务映射模型是表示可以将第二定位中拥挤任务数量映射到第一定位中空闲任务对应层的模型。

该实施例中，分配定位关系是第一资源和第二资源在多层网络模型中的位置关系，也就是可以确定某个拥挤任务层与某个空闲任务层的关系，比如，可以将拥挤任务层1中的3个拥挤任务分配到空闲任务层2中，其中，空闲任务层2中存在5个空闲任务。

该实施例中，在分配定位关系的时候指出可以将哪些拥挤任务分配到哪些空闲任务对应的层上，但是层与层之间不一定是相邻的关系，可能是需要依次通过若干层才可以到达指定的层的，所以，需要确定要分配的层到被分配的层之间的线路，也就是映射线路，由于该映射线路中可能会通过很多层，但是每个层的速率又是不一样的，为了最大程度保证分配的速率，就需要来确定该线路的一个合理分配速率。

该实施例中，合理分配速率是符合映射线路的分配方式的速率。

上述技术方案的有益效果是：根据多层网络模型的资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值，从而确定合理分配速率并设置标签，实现分配方式的优化，确保多层网络模型每一层分配资源时的速度更快，提高了资源分配的合理性。

实施例6：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，基于优化方式，对所述多对多匹配平台的目标资源自适应平衡，包括：

按照所述优化方式中所包含的不同映射线路以及合理分配速率，将对应第二定位位置处的拥挤任务迁移到对应的第一定位位置处；

同时，对所述第一定位位置处的空闲任务数量的空闲容量空间进行确定，当所述空闲容量空间不能满足所述拥挤任务数量对应的迁移容量时，对再次超出迁移的部分进行任务数量完整统计以及数据容量完整统计；

基于所有的任务数量完整统计结果以及数据容量为完整统计结果，在所述多层网络模型的基础上增设新层，并将再次超出部分迁移到所述新层中。

该实施例中，空闲容量空间是能容下空闲任务所对应数据容量的空间。

该实施例中，迁移容量是拥挤任务数量往空闲容量空间中转移的任务数量。

该实施例中，新层是空闲任务数量放不下拥挤任务数量所增加的层，比如拥挤任务数量为5，在第一层，空闲任务数量为3，在第二层，就会2个任务无法进行分配，这时就需要增加第3层来放置这2个任务。

上述技术方案的有益效果是：根据优化方式实现对多对多匹配平台的目标资源自适应平衡，能够将目标资源均衡分配，使网络模型中每一层的任务数量都保证不会超出最大任务数量，大大提高了资源的分配速率以及均衡性。

实施例7：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，获取

每个分配资源的资源映射情况，包括：

获取每个分配资源基于所述多对多匹配平台的当前虚拟位置；

确定所述当前虚拟位置中的连续位置块，并确定所述连续位置块对应虚拟资源的资源移位方式；

根据所述连续位置块的起点位置和终点位置，并结合对应的资源移位方式，扩展对应虚拟资源的当下位置，进而获取得到所述分配资源的扩充虚拟位置；

按照资源-任务位置数据库，将所述扩充虚拟位置映射到任务资源位置上，并获取得到每个分配资源的资源映射情况。

该实施例中，当前虚拟位置是分配资源在多对多匹配平台的当前虚拟存放位置。

该实施例中，资源移位方式是表示资源的在对应存放位置的可移动位移，进而来获取到对应的扩充位置。

该实施例中，资源-任务位置数据库中包括预先设置好的资源与资源匹配的虚拟位置以及任务位置在内，进而可以得到任务资源位置。

上述技术方案的有益效果是：能够获取到每个分配资源的资源映射情况，明确分配资源在多对多匹配平台上虚拟位置所指向和任务以及资源相关的位置，方便后续确定每个分配资源对应可以包含的任务数量。

实施例8：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，统

计所述多层网络模型在目标分配方式中每一层处于不超负荷情况下的资源分配速率值，并根据所述资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值，包括：

基于预设资源样本对所述目标分配方式所对应的多层网络模型中的每一层进行任务递增测试；

根据任务递增测试结果，确定在目标分配方式下所述多层网络模型中每一层的资源分配能力在任务递增情况下的衰减度，并构建衰减数组；

基于所述衰减数组，确定所述多层网络模型中每一层的允许最佳任务数量以及对应的允许最大任务数量；

获取所述多层网络模型中每一层在对应允许最佳任务数量下的第一分配速率区间，同时，获取所述多层网络模型中每一层在对应允许最大任务数量下的第二分配速率区间；

根据所述资源回调机制确定每一层在任务数量未最大的第一回调资源以及任务数量未最佳的第二回调资源；

根据所述跨层资源分配机制确定每一层在任务数量达到最大的外吐资源；

根据所述第一分配速率区间以及第二分配速率区间，确定交集区间，并按照资源调取需求偏向，从所述交集区间中获取得到第一分配速率值；

按照所述第一回调资源的资源量以及任务数量、第二回调资源的资源量以及任务数量、外吐资源的资源量以及任务数量，确定回调与外吐的相关系数；

基于所述相关系数，对所述第一分配速率值进行优化，得到第二分配速率值，并作为最佳分配速率值。

该实施例中，任务递增测试是不断增加任务，对多层模型进行测试，观察每增加一次的测试结果，也就是对多层网络模型进行测试时，会随着测试次数逐渐递增测试任务数量。

该实施例中，衰减度是每增加一次任务对多层网络模型进行测试的过程中，由于测试任务数量越多，就会导致模型在资源分配上的能力降低，此时，就会存在衰减度，比如第一次资源分配能力的速度为10个/秒，第二次资源分配能力的速度为8个/秒，那么衰减度就为2个/秒。

该实施例中，由于对模型进行任务递增测试的过程中，每次测试都是获取得到每层的资源分配能力，进而在进行多次测试之后，就会得到针对最具备衰减影响的衰减度，进而可以获取得到该模型的衰减数组，也就是该衰减数组中是包括每一层不同任务数量测试下的衰减度以及对应的测试任务任务数量在内的，因此，就可以获取到的针对每一层的允许最佳任务数量以及对应的允许最大任务数量，允许最佳任务数量是在考虑到衰减度情况后得到的，最大任务数量在未考虑衰减度且可以按照测试任务数量进行最大数量测试的任务数量。

该实施例中，允许最佳任务数量会存在相对应的负荷区间，所以就会在数量与负荷结合的情况下，存在分配速率区间。

该实施例中，第一回调资源是在每一层在任务数量最大时，回调的任务资源，比如这一层任务数量最大为10，但是现在有12个任务，就会有2个回调任务对应的资源到达该层。

该实施例中，第二回调资源是在每一层在任务数量最佳时，回调的任务资源，比如这一层任务数量最佳为8，但是现在有9个任务，就会有1个回调资源。

该实施例中，外吐资源是每一层在任务数量达到最大时，向外吐出的资源，比如比如这一层任务数量最大为10，但是现在有12个任务，则会有2个拥挤任务资源被放到空闲任务数量中去。

该实施例中，需求偏向是根据每一层的需求资源进行偏向分配。

该实施例中，第一分配速率区间为10-20个/秒，第二分配速率区间为13-21个/秒，对应的交集区间为13-20个/秒。

该实施例中，资源调取需求偏向指的是对资源类型的偏向获取，且每层中放置的资源类型是不一样，进而优先以对应需求资源类型对应层的速率为基准，来从交集区间为13-20个/秒中，获取得到第一分配速率值；

该实施例中，相关系数指的是外吐资源与回调资源在资源类型的相关以及任务数量上的相关，来对第一分配速率值进行优化，也就是相关系数越大，对应的第一分配速率值越是保持不变。

上述技术方案的有益效果是：获取每一层不超负荷情况下的最大分配速率值，通过跨层机制和资源回调机制确定最佳分配速率值，通过最佳分配速率值能够提高资源分配速率，使资源分配速率能够最佳化，节省了分配资源的时间。

实施例9：

本发明提供一种应用于多对多匹配平台的资源平衡自适应调度方法，基于所有的任务数量完整统计结果以及数据容量完整统计结果，在所述多层网络模型的基础上增设新层，并将再次超出部分迁移到所述新层中，包括：

根据所述多层网络模型中每一层的最大资源容量以及所述多层网络模型的最大模型负载，确定多层网络模型的承载能力上限值；

基于所有层的最大资源容量确定多层网络模型的承载能力期望值；

确定所述多层网络模型对每一层的最大资源容量的承载能力使用值；

根据所述承载能力上限值、承载能力期望值以及承载能力使用值，计算出多层网 络模型增设新层的最大数量：

其中，A为多层网络模型增设新层的最大数量，

为多层网络模型的承载

能力上限值，

为多层网络模型中第i层的承载能力使用值，且i的取值范围为 [1，n1]，

为多层网络模型的承载能力期望值，

为自然对数符号，a为任务权重，b为资 源权重，s为任务数量完整统计结果，k为多层网络模型中每一层的最大任务处理数量的累 加和，y为数据容量完整统计结果，x为多层网络模型中每一层的最大资源容量的累加和，其 中，

，[]为取整符号；

按照计算出来的最大数量在所述多层网络模型增设对应数量的新层，将再次超出部分迁移到所述新层中。

该实施例中，最大资源容量是每一层最多容纳的资源量，比如将访问请求1作为任务，那么通过访问请求1就可以调取到资源1，反过来说资源1对应的任务数量为1，那么，容量即为资源1的资源量。

该实施例中，最大模型负载是模型在对每层进行任务调度的过程中该模型所能承载的工作负荷。

该实施例中，承载能力上限值是多层网络模型的最大承载能力，主要是对任务与资源的承载。

该实施例中，承载能力期望值是预先设置好的承载能力的估值。

该实施例中，

是差异承载能力值和期望承载能力值的比值。

该实施例中，

是对比值的调整因子。

该实施例中，任务权重为0.7，资源权重为0.3。

该实施例中，在确定出增设的新层之后，可以按照剩余未分配资源的总容量以及需要调整的总任务，来对新层进行数量设置以及容量设置。

上述技术方案的有益效果是：根据承载能力上限值、承载能力期望值以及承载能力使用值，计算出多层网络模型增设新层的最大数量，通过计算结果能够确定最多需要增设的层，能够保证资源分配时不会有多余的任务无法分配的问题。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，该方法包括：

步骤1：获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配；

步骤2：分别判断每个分配资源中包含的目标任务的当下数量；

步骤3：提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源；

步骤4：按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化；

步骤5：基于优化方式，对所述多对多匹配平台的目标资源自适应平衡。

2.根据权利要求1所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，获取多对多匹配平台的目标资源以及目标分配方式，并按照所述目标分配方式对所述目标资源进行分配，包括：

接收多对多匹配平台的获取资源命令，基于所述获取资源命令从任务源中获取目标资源；

获取所述目标资源的关键词信息，并将所述关键词信息输入至预先设置好的资源分配模型中；

根据资源分配模型的输出结果确定目标资源的目标分配方式；

按照所述目标分配方式对所述目标资源进行分配。

3.根据权利要求1所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，分别判断每个分配资源中包含的目标任务的当下数量，包括：

获取每个分配资源的资源映射情况；

根据所述资源映射情况，进行资源分配等级判定；

获取判定结果中每个级别对应的映射资源相关的任务指标；

根据所述任务指标确定每个分配资源中包含的目标任务的当下数量。

4.根据权利要求1所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，提取所述当下数量小于第一预设阈值的第一资源以及所述当下数量大于第二预设阈值的第二资源之前，还包括：

分别获取第一预设阈值对应的第一任务数量和第二预设阈值对应的第二任务数量；

将每个分配资源中包含的目标任务的当下数量分别与所述第一任务数量和第二任务数量进行对比；

将当下数量小于第一预设阈值的分配资源确认为第一资源；

将当下数量大于第二预设阈值的分配资源确认为第二资源。

5.根据权利要求1所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，按照所述第一资源的空闲任务数量与所述第二资源的拥挤任务数量，对所述目标分配方式进行优化，包括：

按照每个第一资源的资源类型、空闲任务数量、第二资源的资源类型以及拥挤任务数量、处于第一预设阈值与第二预设阈值之间的第三资源的资源类型以及对应的当下任务数量，构建多层网络模型，其中，所述多层网络模型的层数与第一资源、第二资源以及第三资源的总数量有关，且每层只包括一种资源，所述一种资源为第一资源、第二资源以及第三资源中的任何一种；

设置多层网络模型的资源回调机制以及跨层资源分配机制；

统计所述多层网络模型在所述目标分配方式下每一层处于不超负荷情况下的资源分配速率值，并根据所述资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值；

确定每个第一资源在所述多层网络模型中的第一定位以及每个第二资源在所述多层网络模型中的第二定位；

建立第一定位结果与第二定位结果基于所述多层网络模型的定位分布以及定位分布中每个定位位置的空闲任务数量、拥挤任务数量，并基于拥挤任务映射模型，建立所述第二定位基于所述第一定位的分配定位关系；

基于所述分配定位关系，建立每个第二定位位置与映射的第一定位位置的映射线路，根据所述映射线路上所包含的不同层所对应的最佳分配速率值，确定所述映射线路的合理分配速率；

向每个映射线路以及所匹配的合理分配速率设置第一标签，并附加在所述目标分配方式上，实现对所述目标分配方式的优化。

6.根据权利要求5所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，基于优化方式，对所述多对多匹配平台的目标资源自适应平衡，包括：

按照所述优化方式中所包含的不同映射线路以及合理分配速率，将对应第二定位位置处的拥挤任务迁移到对应的第一定位位置处；

同时，对所述第一定位位置处的空闲任务数量的空闲容量空间进行确定，当所述空闲容量空间不能满足所述拥挤任务数量对应的迁移容量时，对再次超出迁移的部分进行任务数量完整统计以及数据容量完整统计；

基于所有的任务数量完整统计结果以及数据容量为完整统计结果，在所述多层网络模型的基础上增设新层，并将再次超出部分迁移到所述新层中。

7.根据权利要求3所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，获取每个分配资源的资源映射情况，包括：

获取每个分配资源基于所述多对多匹配平台的当前虚拟位置；

确定所述当前虚拟位置中的连续位置块，并确定所述连续位置块对应虚拟资源的资源移位方式；

根据所述连续位置块的起点位置和终点位置，并结合对应的资源移位方式，扩展对应虚拟资源的当下位置，进而获取得到所述分配资源的扩充虚拟位置；

按照资源-任务位置数据库，将所述扩充虚拟位置映射到任务资源位置上，并获取得到每个分配资源的资源映射情况。

8.根据权利要求5所述的应用于多对多匹配平台的资源平衡自适应调度方法，其特征在于，统计所述多层网络模型在目标分配方式中每一层处于不超负荷情况下的资源分配速率值，并根据所述资源回调机制以及跨层资源分配机制确定每一层的最佳分配速率值，包括：

基于预设资源样本对所述目标分配方式所对应的多层网络模型中的每一层进行任务递增测试；

根据任务递增测试结果，确定在目标分配方式下所述多层网络模型中每一层的资源分配能力在任务递增情况下的衰减度，并构建衰减数组；

基于所述衰减数组，确定所述多层网络模型中每一层的允许最佳任务数量以及对应的允许最大任务数量；

获取所述多层网络模型中每一层在对应允许最佳任务数量下的第一分配速率区间，同时，获取所述多层网络模型中每一层在对应允许最大任务数量下的第二分配速率区间；

根据所述资源回调机制确定每一层在任务数量未最大的第一回调资源以及任务数量未最佳的第二回调资源；

根据所述跨层资源分配机制确定每一层在任务数量达到最大的外吐资源；

根据所述第一分配速率区间以及第二分配速率区间，确定交集区间，并按照资源调取需求偏向，从所述交集区间中获取得到第一分配速率值；

按照所述第一回调资源的资源量以及任务数量、第二回调资源的资源量以及任务数量、外吐资源的资源量以及任务数量，确定回调与外吐的相关系数；

基于所述相关系数，对所述第一分配速率值进行优化，得到第二分配速率值，并作为最佳分配速率值。

Images