CN116244086B - 一种基于多芯片云架构的资源管理优化方法及系统 - Google Patents

Abstract

本发明提供了一种基于多芯片云架构的资源管理优化方法及系统，涉及数据处理技术领域，该方法包括：读取用户的请求信息并进行解析，生成资源配置需求信息；对资源配置需求信息进行需求特征提取；通过数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；将管理数据交互结果和需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；基于资源动态配置方案生成配置响应信息，并收集配置响应结果；根据所述配置响应结果进行所述请求信息的资源优化配置，解决了现有技术中存在云计算资源配置的灵活性不足和资源管理效果不佳的技术问题，达到根据用户需求实现算力资源的动态化配置，保证资源管理效果的技术效果。

Description

一种基于多芯片云架构的资源管理优化方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于多芯片云架构的资源管理优化方法及系统。

背景技术

随着云计算、大数据等技术的发展，通过大量分布计算机，进行资源处理和存储，计算机设备的数量及其计算处理需求急剧增加，传统的云数据处理方法在资源配置方面凸显弊端，难以及时、有效的根据用户需求进行计算机的算力资源的动态配置，综上所述，现有技术中存在云计算资源配置的灵活性不足和资源管理效果不佳的技术问题。

发明内容

本发明提供了一种基于多芯片云架构的资源管理优化方法及系统，用以解决现有技术中存在云计算资源配置的灵活性不足和资源管理效果不佳的技术问题。

根据本发明的第一方面，提供了一种基于多芯片云架构的资源管理优化方法，包括：读取用户的请求信息，并进行所述请求信息解析，生成资源配置需求信息；对所述资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级；通过所述数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；基于所述资源动态配置方案生成配置响应信息，并收集配置响应结果；根据所述配置响应结果进行所述请求信息的资源优化配置。

根据本发明的第二方面，提供了一种基于多芯片云架构的资源管理优化系统，包括：请求信息解析模块，所述请求信息解析模块用于读取用户的请求信息，并进行所述请求信息解析，生成资源配置需求信息；需求特征提取模块，所述需求特征提取模块用于对所述资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级；管理数据调用模块，所述管理数据调用模块用于通过所述数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；资源动态配置模块，所述资源动态配置模块用于将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；配置响应模块，所述配置响应模块用于基于所述资源动态配置方案生成配置响应信息，并收集配置响应结果；资源优化配置模块，所述资源优化配置模块用于根据所述配置响应结果进行所述请求信息的资源优化配置。

根据本发明采用的一种基于多芯片云架构的资源管理优化方法，本发明通过对用户的请求信息进行解析，生成资源配置需求信息并进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级，进而获取管理数据交互结果，并将其和需求特征提取结果输入资源动态配置模型，输出资源动态配置方案，基于资源动态配置方案生成配置响应信息，并收集配置响应结果，根据所述配置响应结果进行所述请求信息的资源优化配置，达到根据用户需求，实现算力资源的动态化配置，保证资源管理效果的技术效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基于多芯片云架构的资源管理优化方法的流程示意图；

图2为本发明实施例中动态配置模型的模型初始化的流程示意图；

图3为本发明实施例中将等级约束单元耦合至资源动态配置模型的流程示意图；

图4为本发明实施例提供的一种基于多芯片云架构的资源管理优化系统的结构示意图。

附图标记说明：请求信息解析模块11，需求特征提取模块12，管理数据调用模块13，资源动态配置模块14，配置响应模块15，资源优化配置模块16。

具体实施方式

以下结合附图对本发明的示范性实施例作出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了解决现有技术中存在云计算资源配置的灵活性不足和资源管理效果不佳的技术问题，本发明的发明人经过创造性的劳动，得到了本发明的一种基于多芯片云架构的资源管理优化方法及系统。

实施例一

图1为本发明实施例提供的一种基于多芯片云架构的资源管理优化方法图，所述方法应用于资源管理优化系统，所述资源管理优化系统与数据交互装置通信连接，如图1所示，所述方法包括：

步骤S100：读取用户的请求信息，并进行所述请求信息解析，生成资源配置需求信息；

多芯片云架构是指用一套云操作系统来管理不同架构的硬件服务器集群，本发明实施例提供的一种基于多芯片云架构的资源管理优化方法就是对一套云操作系统下的多个芯片进行云上计算资源的管理优化，实现资源配置的动态化，最大满足用户的需求。上述的资源管理优化系统是用于进行多芯片的计算资源管理优化的系统平台，资源管理优化系统与数据交互装置通信连接，可以实现信息的交互传输，数据交互装置是将各种变化着的物理量通过相应的传感器转换成模拟的电信号后，再将这些模拟电信号转换为数字信号存储起来，进行预处理的装置，具备实时采集、自动存储、即时显示、自动传输的功能。

具体而言，读取用户的请求信息，请求信息是指用户需要通过云计算进行的工作，比如发邮件、存储和访问数据等，可以通过连接用户的网络设备直接读取，进一步进行请求信息解析，生成资源配置需求信息，简单来说，云计算中包含大量算力资源，通过算力资源为用户提供服务，不同的请求信息，所需要的算力资源的数量是不同的，通过对用户的请求信息进行分析，获取请求信息所需的算力作为资源配置需求信息。

步骤S200：对所述资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级；

具体而言，对资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级，空间的使用需求即为对算力资源的需求。架构的来源层包括基础设施层、平台层、软件服务层和管理层，基础设施层主要包括计算机服务器、通信设备、存储设备等，能够按需向用户提供的计算能力、存储能力或网络能力等基础设施类服务，也就是能在基础设施层面提供的服务；平台层提供类似操作系统和开发工具的功能，就如同在软件开发模式下，程序员可能会在一台装有Windows或Linux操作系统的计算机上使用开发工具开发并部署应用软件一样；软件服务层是一种通过互联网提供软件服务的软件应用模式；管理层为了维护和管理其他三层而存在的，包括对用户的管理和其他三层的维护管理，通过管理层可以实时了解云计算系统内的资源配置情况。需求等级是指用户的需求等级，具体可以是用户的需求的紧急程度和用户的账号等级确定，紧急程度越高，账户等级越高，需求等级就越高。

步骤S300：通过所述数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；

具体而言，通过数据交互装置直接调用管理层的管理数据，管理层为了维护和管理其他三层（基础设施层、平台层、软件服务层）而存在的，包括对用户的管理和其他三层的维护管理，通过管理层可以了解其他三层的算力资源配置信息，管理数据交互结果就是指其他三层的实时资源配置信息。

步骤S400：将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；

具体而言，管理数据交互结果是指基础设施层、平台层、软件服务层的实时资源配置信息，需求特征提取结果是指用户当前进行云数据处理对算力资源的需求特征，通过资源动态配置模型对需求特征提取结果和实时资源配置信息进行分析，对云计算的算力资源进行动态分配，输出资源动态配置方案，资源动态配置模型是机器学习中的神经网络模型，资源动态配置方案包括算力资源的执行任务变更信息，举例如，云计算中包含大量服务节点，以这些节点作为算力资源为用户提供服务，不同的请求信息，所需要的算力资源的数量是不同的，实时资源配置信息中显示了所有算力资源的执行情况，根据算力资源的任务执行情况，结合需求特征调取空闲的算力资源用于执行用户请求，如果同时有多个用户请求，且算力资源的数量无法同时执行多个用户请求，就根据需求特征中的需求等级优先执行等级较高的用户请求，对等级较高的用户请求进行算力资源配置，在其他用户请求执行完毕后，算力资源空闲后，在此调取空闲算力资源执行等级低的用户请求，对算力资源的调取情况信息即为资源动态配置方案。

步骤S500：基于所述资源动态配置方案生成配置响应信息，并收集配置响应结果；

具体而言，资源动态配置方案中包含了对云计算的算力资源数量的配置，也就是说，将整个云计算服务系统作为一个整体，在接收到用户请求后，分析了用户请求需要的算力资源作为资源动态配置方案，将资源动态配置方案输入到整个云计算服务系统中，整个系统中还有多个用户在执行自身的请求，如果没有空闲的算力资源的情况下，需要其他用户发出配置响应信息，配置响应信息包括同意和拒绝，同意配置即为该用户同意结束自身的请求，让出算力资源用于执行当前的用户请求，拒绝则是不同意让出算力资源，仍要执行自身请求，基于此，收集配置响应结果，配置响应结果包括整个云计算服务系统中所有用户的配置响应信息以及发出配置响应信息的时间。

步骤S600：根据所述配置响应结果进行所述请求信息的资源优化配置。

具体而言，根据配置响应结果确定同意，结束发出同意配置的用户的请求，空出其对应的算力资源用于执行请求信息，实现动态化的资源配置优化，提升资源配置的灵活性。

其中，如图2所示，本发明实施例步骤S700还包括：

步骤S710：设置初始配置阈值，其中，每一架构来源层对应有一初始配置阈值；

步骤S720：根据所述管理数据交互结果进行账户溯源识别，确定账户等级，并构建账户与所述管理数据交互结果的映射关系；

步骤S730：根据所述账户等级进行所述初始配置阈值的阈值调整，并基于阈值调整结果和所述映射关系生成辅助约束信息；

步骤S740：在将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型之前，将所述辅助约束信息输入所述动态配置模型，完成所述动态配置模型的模型初始化。

具体而言，云计算的架构来源层包括基础设施层、平台层、软件服务层和管理层，每一层内部都有多个服务节点用于执行用户请求，用户的请求是通过多层共同执行的，初始配置阈值是基础设施层、平台层、软件服务层和管理层的初始的一个算力资源配置数量，是基于历史用户请求对算力资源的需求，根据历史经验对每一个用户的算力资源配置数量进行初始设置，但是，考虑到一个用户的不同请求之间的差异，根据当前的用户的账户等级对初始配置阈值进行调整。进一步根据管理数据交互结果进行账户溯源识别，确定账户等级，账户等级是由用户历史中的请求信息的执行情况获取的，简单来说，算力资源全部被占用的情况下，就需要部分用户进行自选退出执行，优先执行其他用户的请求，通过管理数据交互结果进行账户溯源识别，对该用户的历史请求执行情况进行调取，确定该用户在历史中自选退出执行的次数，自选退出执行次数越高，其账户等级就越高，本次就优先执行该用户的用户请求，账户与管理数据交互结果一一对应。用户的账户等级较高，则适当调大初始配置阈值，反之，则适当调小初始配置阈值，以此作为阈值调整结果，具体调整的数值可以结合实际中的云服务器的总算力资源设置，由工作人员自行设定。将阈值调整结果，以及账户与管理数据交互结果的一一对应关系作为辅助约束信息，在将管理数据交互结果和需求特征提取结果输入资源动态配置模型之前，将辅助约束信息输入动态配置模型，这是为了约束资源动态配置方案，通俗地讲，就是根据请求信息对应的账户等级对分配给该请求的算力资源进行约束，保证算力资源的分配数量处于阈值调整结果的范围内，由此动态配置模型的模型初始化，根据用户的历史请求执行信息，对资源动态配置方案进行约束，对算力资源配置提供更加有序的管理。

其中，本发明实施例步骤S720还包括：

步骤S721：对所述配置响应结果进行响应解析，生成响应时长数据；

步骤S722：根据所述配置响应结果与资源配置需求信息进行响应差级计算，获得差级计算结果；

步骤S723：根据所述响应时长数据、所述差级计算结果和所述配置响应结果生成更新账户积分；

步骤S724：通过所述更新账户积分进行账户等级更新。

具体地，算力资源中的各个服务节点执行的用户请求和用户请求执行完成时间，对配置响应结果进行响应解析，生成响应时长数据，响应时长数据是指用户请求需要等待的时间，也就是说，在用户请求较多，算力资源被占用的情况下，难以马上同时执行多个请求，有的用户请求就需要等待，等待执行完其他请求后再执行自己的请求。进一步根据配置响应结果与资源配置需求信息进行响应差级计算，获得差级计算结果，通俗地讲，根据资源配置需求信息获取当前的用户请求对应的账户等级，根据配置响应结果获取整个云计算服务系统中所有用户的账户等级，计算所有用户的账户等级与当前的用户请求对应的账户等级之间的差值作为差级计算结果。配置响应结果包括同意配置或拒绝配置，响应时长数据是指整个云计算服务系统中所有用户发出同意配置或者拒绝配置的时间，根据响应时长数据、差级计算结果和配置响应结果生成更新账户积分，具体来说，如果某一个用户发出同意配置信息，且该用户的账户等级小于当前请求信息对应的账户等级，同时响应时长数据较短，则对该账户加1个积分，如果该账户的等级高于当前请求信息对应的账户等级，则为其加2个积分；反之，如果某一个用户发出拒绝配置信息，且该用户的账户等级小于当前请求信息对应的账户等级，同时响应时长数据较长，则对该账户扣2个积分，如果用户的账户等级远大于当前请求信息对应的账户等级，则不扣积分，但是也不加积分，基于此，对所有用户的账户积分进行更新，需要说明的是，以上关于积分更新的方式只是作为一个示例，具体可以由工作人员根据实际情况自行制定积分的更新规则，在此不做限制。最后通过更新账户积分进行账户等级更新，就是说，账户积分越多，对应的账户等级越高，根据添加或者扣除的积分对所有用户进行账户等级的升级或者降级，得到更新后的账户等级，便于后续再次进行新的用户请求的资源优化配置时，进行迭代的账户等级更新，提升资源管理的灵活性和管理效果。

其中，本发明实施例步骤S724还包括：

步骤S7241：获得所述用户的请求等待时长；

步骤S7242：判断所述请求等待时长是否存在异常事件；

步骤S7243：若不存在异常事件，则根据所述请求等待时长生成补偿积分；

步骤S7244：通过所述补偿积分进行所述用户的账户等级更新。

具体而言，用户的请求等待时长是指用户请求等待被执行的时长，在算力资源全部被占用，且没有其他用户自愿退出执行让出资源的情况下，用户需要等待较长的时间才能执行请求。进一步判断请求等待时长是否存在异常事件，异常事件包括断网，或者计算及设备故障等，在这种情况下，请求等待时长与算力资源配置不相关，因此，需要首先排除异常事件的影响。如果不存在异常事件，则根据请求等待时长生成补偿积分，请求等待时长越长，补偿积分就越多，根据补偿积分进行用户的账户等级更新，由此，在该用户下一次发出请求信息时，优先执行该用户的请求，提升资源配置管理效果，使得配置管理更加灵活。

其中，如图3所示，本发明实施例步骤S800还包括：

步骤S810：设置差级连通点，其中，所述差级连通点为满足预设等级差级的强制连通点；

步骤S820：设置等级匹配区间，其中，所述等级匹配区间为阈值等级的执行等级区间；

步骤S830：根据所述差级连通点和所述等级匹配区间构建等级约束单元，将所述等级约束单元耦合至所述资源动态配置模型。

具体而言，设置差级连通点，其中，差级连通点为满足预设等级差级的强制连通点，通俗地讲，不同用户的账户等级可能不同，在两个用户的账户等级相差较大时，高等级账户可以强制结束低等级账户的请求执行，从而强制执行自己的请求，两个用户之间就有一个差级连通点，通过这个差级连通点实现高等级用户的强制执行。预设等级差级是指可以强制执行的等级差级，比如大于等于5级，那么账户等级为7级的用户可以强制结束账户等级为2级和1级的用户请求，优先执行自己的请求。设置等级匹配区间，等级匹配区间为阈值等级的执行等级区间，就是不同等级可以强制执行的等级区间，比如10级用户对应的执行等级区间为[1,5]，即10级用户可以对1到5级用户进行强制执行。进而根据差级连通点和等级匹配区间构建等级约束单元，等级约束单元是机器学习中的，用于在进行资源动态配置时，对进行算力资源配置的用户进行筛选，筛选出可以进行强制执行的用户，将这些用户占用的算力资源调配给高等级用户，将等级约束单元耦合至资源动态配置模型，用于在算力资源不足且没有用户自愿让出算力资源的情况下，进行强制执行，保证高等级用户的用户需求。

其中，本发明实施例步骤S900还包括：

步骤S910：获得所述用户的需求偏向，其中，所述需求偏向包括速度需求偏向和稳定需求偏向；

步骤S920：根据所述需求偏向进行所述资源动态配置模型的处理寻优控制，输出所述资源动态配置方案。

具体而言，获得用户的需求偏向，其中，需求偏向包括速度需求偏向和稳定需求偏向，速度需求偏向是指用户对与请求被执行的速度的需求，稳定需求偏向则是指用户对与请求被执行的稳定性的需求，稳定性即请求可以被准确地执行出来，出现错误的概率更小。对于速度和稳定性的需求不同，对应的算力资源配置也不同，选择不同的算力资源进行请求信息的处理。进而根据速度需求偏向和稳定需求偏向对资源动态配置模型的处理寻优控制，对算力资源的配置进行优化，资源动态配置模型在输出资源动态配置方案时，考虑到用户对于速度和稳定性的需求，输出更加贴合用户需求的资源动态配置方案。

其中，本发明实施例步骤S1000还包括：

步骤S1010：根据所述管理数据交互结果进行实时资源配置的状态分析，获得资源配置结果，并定位异常资源配置数据；

步骤S1020：根据所述资源配置结果匹配预警等级，基于所述预警等级生成异常资源配置数据的处理方案；

步骤S1030：根据所述处理方案和所述预警等级进行实时资源配置的预警管理。

具体而言，根据管理数据交互结果进行实时资源配置的状态分析，获得资源配置结果，资源配置结果包括正在执行不同用户请求的算力资源分布情况，进一步定位异常资源配置数据，异常资源配置数据是指算力资源配置不合理的用户请求，比如某一个用户请求配置的算力资源过多影响整个资源管理优化系统的管理效率，或者某一个用户请求配置的算力资源过少导致该请求的执行缓慢、出现错误等。根据资源配置结果匹配预警等级，资源配置结果对于整个资源管理优化系统的影响越大，对应的预警等级越高，示例性的，如果某一个用户请求配置的算力资源超出了其需求的算力资源，只是轻微超出，其对整个资源管理优化系统的影响较小，对应的预警等级就比较低，如果严重超出，说明存在的算力资源浪费问题较大，对应的预警等级就比较高。根据预警等级生成异常资源配置数据的处理方案，比如对于算力资源配置过多的请求，调取出多余的算力资源用于补充到算力资源不足的请求，或者用于执行其他正在等待执行的请求，基于此根据处理方案和所述预警等级进行实时资源配置的预警管理，对于异常资源配置数据进行及时处理，提升资源管理效率。

基于上述分析可知，本发明提供了一种基于多芯片云架构的资源管理优化方法，在本实施例中，通过对用户的请求信息进行解析，生成资源配置需求信息并进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级，进而获取管理数据交互结果，并将其和需求特征提取结果输入资源动态配置模型，输出资源动态配置方案，基于资源动态配置方案生成配置响应信息，并收集配置响应结果，根据所述配置响应结果进行所述请求信息的资源优化配置，达到根据用户需求实现算力资源的动态化配置，保证资源管理效果的技术效果。

实施例二

基于与前述实施例中一种基于多芯片云架构的资源管理优化方法同样的发明构思，如图4所示，本发明还提供了一种基于多芯片云架构的资源管理优化系统，所述系统与数据交互装置通信连接，所述系统包括：

请求信息解析模块11，所述请求信息解析模块11用于读取用户的请求信息，并进行所述请求信息解析，生成资源配置需求信息；

需求特征提取模块12，所述需求特征提取模块12用于对所述资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级；

管理数据调用模块13，所述管理数据调用模块13用于通过所述数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；

资源动态配置模块14，所述资源动态配置模块14用于将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；

配置响应模块15，所述配置响应模块15用于基于所述资源动态配置方案生成配置响应信息，并收集配置响应结果；

资源优化配置模块16，所述资源优化配置模块16用于根据所述配置响应结果进行所述请求信息的资源优化配置。

进一步而言，所述系统还包括：

初始配置阈值设置模块，所述初始配置阈值设置模块用于设置初始配置阈值，其中，每一架构来源层对应有一初始配置阈值；

账户溯源识别模块，所述账户溯源识别模块用于根据所述管理数据交互结果进行账户溯源识别，确定账户等级，并构建账户与所述管理数据交互结果的映射关系；

辅助约束信息生成模块，所述辅助约束信息生成模块用于根据所述账户等级进行所述初始配置阈值的阈值调整，并基于阈值调整结果和所述映射关系生成辅助约束信息；

模型初始化模块，所述模型初始化模块用于在将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型之前，将所述辅助约束信息输入所述动态配置模型，完成所述动态配置模型的模型初始化。

进一步而言，所述系统还包括：

响应解析模块，所述响应解析模块用于对所述配置响应结果进行响应解析，生成响应时长数据；

响应差级计算模块，所述响应差级计算模块用于根据所述配置响应结果与资源配置需求信息进行响应差级计算，获得差级计算结果；

更新账户积分生成模块，所述更新账户积分生成模块用于根据所述响应时长数据、所述差级计算结果和所述配置响应结果生成更新账户积分；

账户等级更新模块，所述账户等级更新模块用于通过所述更新账户积分进行账户等级更新。

进一步而言，所述系统还包括：

差级连通点设置模块，所述差级连通点设置模块用于设置差级连通点，其中，所述差级连通点为满足预设等级差级的强制连通点；

等级匹配区间设置模块，所述等级匹配区间设置模块用于设置等级匹配区间，其中，所述等级匹配区间为阈值等级的执行等级区间；

等级约束单元构建模块，所述等级约束单元构建模块用于根据所述差级连通点和所述等级匹配区间构建等级约束单元，将所述等级约束单元耦合至所述资源动态配置模型。

进一步而言，所述系统还包括：

请求等待时长获取模块，所述请求等待时长获取模块用于获得所述用户的请求等待时长；

异常事件判断模块，所述异常事件判断模块用于判断所述请求等待时长是否存在异常事件；

补偿积分生成模块，所述补偿积分生成模块用于若不存在异常事件，则根据所述请求等待时长生成补偿积分；

第二账户等级更新模块，所述第二账户等级更新模块用于通过所述补偿积分进行所述用户的账户等级更新。

进一步而言，所述系统还包括：

需求偏向获取模块，所述需求偏向获取模块用于获得所述用户的需求偏向，其中，所述需求偏向包括速度需求偏向和稳定需求偏向；

处理寻优控制模块，所述处理寻优控制模块用于根据所述需求偏向进行所述资源动态配置模型的处理寻优控制，输出所述资源动态配置方案。

进一步而言，所述系统还包括：

异常资源配置定位模块，所述异常资源配置定位模块用于根据所述管理数据交互结果进行实时资源配置的状态分析，获得资源配置结果，并定位异常资源配置数据；

预警等级匹配模块，所述预警等级匹配模块用于根据所述资源配置结果匹配预警等级，基于所述预警等级生成异常资源配置数据的处理方案；

预警管理模块，所述预警管理模块用于根据所述处理方案和所述预警等级进行实时资源配置的预警管理。

前述实施例一中的一种基于多芯片云架构的资源管理优化方法具体实例同样适用于本实施例的一种基于多芯片云架构的资源管理优化系统，通过前述对一种基于多芯片云架构的资源管理优化方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种基于多芯片云架构的资源管理优化系统，所以为了说明书的简洁，在此不再详述。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所做的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (5)

1.一种基于多芯片云架构的资源管理优化方法，其特征在于，所述方法应用于资源管理优化系统，所述资源管理优化系统与数据交互装置通信连接，所述方法包括：

读取用户的请求信息，并进行所述请求信息解析，生成资源配置需求信息；

对所述资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级，其中，所述需求等级是指用户的需求等级，由用户的需求的紧急程度和用户的账号等级确定，紧急程度越高，账户等级越高，需求等级就越高；

通过所述数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；

将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；

基于所述资源动态配置方案生成配置响应信息，并收集配置响应结果；

根据所述配置响应结果进行所述请求信息的资源优化配置；

其中，将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型之前，包括：

设置初始配置阈值，其中，每一架构来源层对应有一初始配置阈值；

根据所述管理数据交互结果进行账户溯源识别，确定账户等级，并构建账户与所述管理数据交互结果的映射关系；

根据所述账户等级进行所述初始配置阈值的阈值调整，并基于阈值调整结果和所述映射关系生成辅助约束信息；

在将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型之前，将所述辅助约束信息输入所述动态配置模型，完成所述动态配置模型的模型初始化；

所述方法还包括：

对所述配置响应结果进行响应解析，生成响应时长数据；

根据所述配置响应结果与资源配置需求信息进行响应差级计算，获得差级计算结果；

根据所述响应时长数据、所述差级计算结果和所述配置响应结果生成更新账户积分；

通过所述更新账户积分进行账户等级更新；

设置差级连通点，其中，所述差级连通点为满足预设等级差级的强制连通点；

设置等级匹配区间，其中，所述等级匹配区间为阈值等级的执行等级区间；

根据所述差级连通点和所述等级匹配区间构建等级约束单元，将所述等级约束单元耦合至所述资源动态配置模型。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

获得所述用户的请求等待时长；

判断所述请求等待时长是否存在异常事件；

若不存在异常事件，则根据所述请求等待时长生成补偿积分；

通过所述补偿积分进行所述用户的账户等级更新。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

获得所述用户的需求偏向，其中，所述需求偏向包括速度需求偏向和稳定需求偏向；

根据所述需求偏向进行所述资源动态配置模型的处理寻优控制，输出所述资源动态配置方案。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述管理数据交互结果进行实时资源配置的状态分析，获得资源配置结果，并定位异常资源配置数据；

根据所述资源配置结果匹配预警等级，基于所述预警等级生成异常资源配置数据的处理方案；

根据所述处理方案和所述预警等级进行实时资源配置的预警管理。

5.一种基于多芯片云架构的资源管理优化系统，其特征在于，所述系统与数据交互装置通信连接，所述系统包括：

请求信息解析模块，所述请求信息解析模块用于读取用户的请求信息，并进行所述请求信息解析，生成资源配置需求信息；

需求特征提取模块，所述需求特征提取模块用于对所述资源配置需求信息进行需求特征提取，获得需求特征提取结果，其中，需求特征包括空间的使用需求、架构的来源层、需求等级，其中，所述需求等级是指用户的需求等级，由用户的需求的紧急程度和用户的账号等级确定，紧急程度越高，账户等级越高，需求等级就越高；

管理数据调用模块，所述管理数据调用模块用于通过所述数据交互装置进行管理层的管理数据调用，获得管理数据交互结果；

资源动态配置模块，所述资源动态配置模块用于将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型，输出资源动态配置方案；

配置响应模块，所述配置响应模块用于基于所述资源动态配置方案生成配置响应信息，并收集配置响应结果；

资源优化配置模块，所述资源优化配置模块用于根据所述配置响应结果进行所述请求信息的资源优化配置；

初始配置阈值设置模块，所述初始配置阈值设置模块用于设置初始配置阈值，其中，每一架构来源层对应有一初始配置阈值；

账户溯源识别模块，所述账户溯源识别模块用于根据所述管理数据交互结果进行账户溯源识别，确定账户等级，并构建账户与所述管理数据交互结果的映射关系；

辅助约束信息生成模块，所述辅助约束信息生成模块用于根据所述账户等级进行所述初始配置阈值的阈值调整，并基于阈值调整结果和所述映射关系生成辅助约束信息；

模型初始化模块，所述模型初始化模块用于在将所述管理数据交互结果和所述需求特征提取结果输入资源动态配置模型之前，将所述辅助约束信息输入所述动态配置模型，完成所述动态配置模型的模型初始化；

响应解析模块，所述响应解析模块用于对所述配置响应结果进行响应解析，生成响应时长数据；

响应差级计算模块，所述响应差级计算模块用于根据所述配置响应结果与资源配置需求信息进行响应差级计算，获得差级计算结果；

更新账户积分生成模块，所述更新账户积分生成模块用于根据所述响应时长数据、所述差级计算结果和所述配置响应结果生成更新账户积分；

账户等级更新模块，所述账户等级更新模块用于通过所述更新账户积分进行账户等级更新；

差级连通点设置模块，所述差级连通点设置模块用于设置差级连通点，其中，所述差级连通点为满足预设等级差级的强制连通点；

等级匹配区间设置模块，所述等级匹配区间设置模块用于设置等级匹配区间，其中，所述等级匹配区间为阈值等级的执行等级区间；

等级约束单元构建模块，所述等级约束单元构建模块用于根据所述差级连通点和所述等级匹配区间构建等级约束单元，将所述等级约束单元耦合至所述资源动态配置模型。