CN116302451B - 一种云计算数据中心离线节能调度的方法及系统 - Google Patents
一种云计算数据中心离线节能调度的方法及系统 Download PDFInfo
- Publication number
- CN116302451B CN116302451B CN202310560938.8A CN202310560938A CN116302451B CN 116302451 B CN116302451 B CN 116302451B CN 202310560938 A CN202310560938 A CN 202310560938A CN 116302451 B CN116302451 B CN 116302451B
- Authority
- CN
- China
- Prior art keywords
- center
- information
- scheduling
- computing
- energy
- 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 29
- 238000012545 processing Methods 0.000 claims abstract description 138
- 238000005265 energy consumption Methods 0.000 claims abstract description 24
- 238000013433 optimization analysis Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 17
- RYAUSSKQMZRMAI-YESZJQIVSA-N (S)-fenpropimorph Chemical compound C([C@@H](C)CC=1C=CC(=CC=1)C(C)(C)C)N1C[C@H](C)O[C@H](C)C1 RYAUSSKQMZRMAI-YESZJQIVSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F9/48—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
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供了一种云计算数据中心离线节能调度的方法及系统,涉及资源调度领域,包括:接受客户端的任务需求信息;根据任务场景特征匹配第一虚拟机,根据期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值;获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;根据算力中心调度状态信息确定空闲算力中心编号信息和空闲时间信息;根据第一算力中心需求调度数量最小值和算力中心并行数量阈值对空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案对云计算数据中心的算力中心激活调度。解决现有技术中由于云计算数据中心的物理算力模组需求,导致能耗较高的技术问题。
Description
技术领域
本发明涉及资源调度技术领域,具体涉及一种云计算数据中心离线节能调度的方法及系统。
背景技术
目前,由于云计算的数据量通常较为冗杂,导致物理计算模组要求较高,批量调用的物理计算模组使得能耗需求较高,如何降低能耗成为不可忽视的重要问题。
发明内容
本申请提供了一种云计算数据中心离线节能调度的方法及系统,用于针对解决现有技术中由于云计算数据中心的物理算力模组需求,导致能耗较高的技术问题。
鉴于上述问题,本申请提供了一种云计算数据中心离线节能调度的方法及系统。
本申请的第一个方面,提供了一种云计算数据中心离线节能调度的方法,其中,应用于虚拟机调度管理端,包括:接受客户端的任务需求信息,所述任务需求信息包括期望开始时间、任务场景特征和期望处理时长;根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,其中,算力中心为单位时间计算量大于或等于预设计算量的数据处理模块;获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;根据所述算力中心调度状态信息确定从所述期望开始时间计时所述期望处理时长的空闲算力中心编号信息和空闲时间信息;根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案;根据所述第一节能调度方案对所述云计算数据中心的算力中心激活调度。
本申请的第二个方面,提供了一种云计算数据中心离线节能调度的系统,其中,应用于虚拟机调度管理端,包括:需求信息获取单元,用于接受客户端的任务需求信息,所述任务需求信息包括期望开始时间、任务场景特征和期望处理时长;算力任务计算单元,用于根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,其中,算力中心为单位时间计算量大于或等于预设计算量的数据处理模块;约束信息确定单元,用于获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;调度参数确定单元,用于根据所述算力中心调度状态信息确定从所述期望开始时间计时所述期望处理时长的空闲算力中心编号信息和空闲时间信息;节能方案优化单元,用于根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案;算力中心调度单元,用于根据所述第一节能调度方案对所述云计算数据中心的算力中心激活调度。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过分析需求计算任务从而预估需求的算力中心数量,进而根据实时的算力中心数量的空闲的算力中心以及空闲时间进行节点调度优化,得到平衡处理性能与能耗的第一节能调度方案,对相应的算力中心进行激活启动。根据第一节能调度方案进行自适应的有选择性的激活算力中心执行算力任务,达到了云计算数据中心节能的技术效果。
附图说明
图1为本申请提供的一种云计算数据中心离线节能调度的方法示意图;
图2为本申请提供的一种云计算数据中心离线节能调度的方法中第一相似度的分析流程示意图;
图3为本申请提供的一种云计算数据中心离线节能调度的方法中第一算力中心需求调度数量最小值的确定流程示意图;
图4为本申请提供的一种云计算数据中心离线节能调度的系统的结构示意图。
附图标记说明:需求信息获取单元11,算力任务计算单元12,约束信息确定单元13,调度参数确定单元14,节能方案优化单元15,算力中心调度单元16。
具体实施方式
本申请通过提供了一种云计算数据中心离线节能调度的方法及系统,用于针对解决现有技术中由于云计算数据中心的物理算力模组需求,导致能耗较高的技术问题。
实施例一
如图1所示,本申请提供了一种云计算数据中心离线节能调度的方法,应用于虚拟机调度管理端,包括步骤:
S100:接受客户端的任务需求信息,所述任务需求信息包括期望开始时间、任务场景特征和期望处理时长;
在一个优选实施例中,虚拟机调度管理端指的是为了对算力中心进行节点调度管理设定的处理端,可以是虚拟处理端,也可以是实体处理端,只需要能够执行对应的算法流程即可。客户端指的是需要对算力中心进行节点调度的用户所持有的管理端,用户可通过客户端与虚拟机调度管理端进行交互,客户端优选的以软件的形式部署于用户的平板、手机、电脑等设备上,也可以使用网页形式呈现进行操作,还可以小程序的插件形式呈现进行操作,只需要与虚拟机调度管理端通信连接进行需求的数据交互即可,于此不多加限制性描述。
任务需求信息为用户通过客户端导入的批量算力任务的基础信息,任意一个任务的基础信息至少包括期望开始时间、任务场景特征和期望处理时长等基础信息。其中,期望开始时间为算力任务预设的开始执行的时间;任务场景特征表征数据处理场景,示例性地如:输入数据属性信息、输出数据属性信息和输入数据数据量等信息;期望处理时长为算力任务预设的可允许的最长处理时长。通过对任务需求信息进行导入,便于后步针对任务需求进行虚拟机的分配以及计算量的分析,为算力中心节能调度提供参考基准。
S200:根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,其中,算力中心为单位时间计算量大于或等于预设计算量的数据处理模块;
在一个优选实施例中,第一虚拟机指的是根据任务场景特征进行匹配的数据处理模块,包括但不限于:各类应用实际场景的数据清洗模块、神经网络模型、支持向量机、决策树模型等根据预设计算规则的处理模块,为虚拟的云端处理模块。算力中心为提供算力支持的物理计算实体,示例性地如:各类计算机、分布式处理模块等。算力中心为单位时间计算量大于或等于预设计算量的数据处理模块,预设计算量为自定义设定的可被筛选为算力中心的最低单位时间计算量。
通过任务场景特征可以匹配处理响应任务的第一虚拟机,进一步根据期望处理时长和第一虚拟机对任务场景特征的输入数据数据量进行计算量分析,即可确定在期望处理时长完成算力任务时所需求的算力中心需求调度的数量,存储为第一算力中心需求调度数量最小值,为后步算力中心的计算效率提供保障。
S300:获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;
S400:根据所述算力中心调度状态信息确定从所述期望开始时间计时所述期望处理时长的空闲算力中心编号信息和空闲时间信息;
在一个优选实施例中,云计算数据中心指的是包括各类型数据处理模块的处理中心;算力中心并行数量阈值指的是相同时间可同时并行计算的最大计算量,算力中心并行数量阈值的任意一个算力中心的计算量以预设计算量为准;算力中心调度状态信息指的是表征对应的算力中心是空闲还是工作状态。
以期望开始时间是开始计时的时间节点,以期望处理时长为计时时长的时间节点,确定计时时区内算力中心的空闲或忙碌状态,将空闲的算力中心的编号,以及空闲的计时时区,存储为空闲算力中心编号信息和空闲时间信息。
S500:根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案;
S600:根据所述第一节能调度方案对所述云计算数据中心的算力中心激活调度。
在一个优选的实施例中,在确定的在计时时区内空闲算力中心编号和空闲时间,即可确定可调度的算力中心,再依据第一算力中心需求调度数量最小值,对可调度的算力中心进行调度分配,得到多个调度方案;进一步,对不符合第一算力中心需求调度数量最小值的调度方案删除,得到清洗后的调度方案;更进一步的,统计清洗后的调度方案的能耗量,选择能耗量最小值的调度方案作为第一节能调度方案。
进一步,根据第一节能调度方案对云计算的算力中心进行激活,所谓激活指的是将处于默认关机状态的算力中心开机,并控制执行相应算力任务的过程。通过对第一节能调度方案的自适应优化,从而得到了节能效果较好的技术方案。当算力任务执行完成后,将激活状态的算力中心转换为默认关机状态,并置为工作空闲状态,等待随时调用。
以上为本申请实施例的一种优选实施方式,以下为优选实施方式中的具体实施细节优选实现方案描述:
为了保证任务处理的准确性,虚拟机的选择至关重要,当前的应用场景中,通常是人为的对任务和虚拟机进行关联,但是随着计算量的逐渐增加,人为关联需要的路径过程,会提高算力中心的计算负担,为了减少数据流转路径,降低计算量本申请实施例提供了根据任务场景特征自动化匹配第一虚拟机的优选实施方案:
进一步的,根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,步骤S200包括步骤:
S210:所述任务场景特征包括输入数据属性信息和期望输出数据属性信息;
S220:以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,基于任务处理日志信息筛选任务处理记录数据,其中,所述任务处理记录数据包括多个归类虚拟机编号和多个虚拟机编号归类频率;
S230:从所述多个归类虚拟机编号筛选所述多个虚拟机编号归类频率最大值对应的虚拟机,设为所述第一虚拟机。
在一个优选实施例中,调取任务场景特征的输入数据属性信息和期望输出数据属性信息,示例性地如:某个任务场景为评估环境参数是否异常,则输入数据属性为环境参数,输出数据属性为是否异常的判断信号。再调取任务处理日志信息,任务处理日志信息指的是进行历史记录的不同虚拟机的任务处理记录。
以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,采集任务处理日志信息中的输入记录数据以及输出记录数据与场景约束数据语义相似的日志信息,记为任务处理记录数据,任意一个任务处理记录数据包括执行处理任务的虚拟机编号,虚拟机编号对应唯一的虚拟机功能,相同的虚拟机编号具有相同的处理功能。进一步,对任务处理记录数据根据虚拟机编号进行聚类分析,即相同虚拟机编号的归为一类,从而得到多个归类虚拟机编号和多个虚拟机编号归类频率。从所述多个归类虚拟机编号筛选所述多个虚拟机编号归类频率最大值对应的虚拟机,设为所述第一虚拟机。本申请实施例基于K近邻聚类算法改进得到的邻近归类算法,实现了虚拟机的自动化匹配,减少了虚拟机的匹配路径,提高了处理效率。
进一步的,以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,基于任务处理日志信息筛选任务处理记录数据,其中,所述任务处理记录数据包括多个归类虚拟机编号和多个虚拟机编号归类频率,步骤S220包括步骤:
S221:以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,从所述任务处理日志信息,获取一一关联的多个输入数据属性记录数据和多个输出数据属性记录数据;
S222:对所述多个输入数据属性记录数据的第i输入数据属性记录数据与所述输入数据属性信息进行语义相似度分析,获取第一相似度;以及
S223:对所述多个输出数据属性记录数据的第i输出数据属性记录数据与所述期望输出数据属性信息进行语义相似度分析,获取第二相似度;
S224:当所述第一相似度和所述第二相似度都大于相似度阈值时,将所述第i输入数据属性记录数据和所述第i输出数据属性记录数据的归类虚拟机编号添加进所述任务处理记录数据的所述多个归类虚拟机编号,并对所述任务处理记录数据的所述多个虚拟机编号归类频率中的对应归类虚拟机编号归类频率加一。
在一个优选实施例中,任务处理记录数据的确定流程如下:
首先以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,从所述任务处理日志信息,获取一一关联的多个输入数据属性记录数据和多个输出数据属性记录数据。
其次对所述多个输入数据属性记录数据的第i输入数据属性记录数据与所述输入数据属性信息进行语义相似度分析,获取表征任意一条记录数据的输入数据属性记录数据与输入数据属性信息的语义相似度,记为第一相似度;再对所述多个输出数据属性记录数据的第i输出数据属性记录数据与所述期望输出数据属性信息进行语义相似度分析,获取表征任意一条记录数据的与第i输入属性记录数据关联的第i输出数据属性记录数据与输出数据属性信息的语义相似度,存储为第二相似度。其中,语义相似度分析可采用常规实现两个语句之间相似度分析的任何自然语言处理技术,于此不多加赘述。
最后当所述第一相似度和所述第二相似度都大于相似度阈值时,将所述第i输入数据属性记录数据和所述第i输出数据属性记录数据的归类虚拟机编号添加进所述任务处理记录数据的所述多个归类虚拟机编号,并对所述任务处理记录数据的所述多个虚拟机编号归类频率中的对应归类虚拟机编号归类频率加一。
进一步的,如图2所示,对所述多个输入数据属性记录数据的第i输入数据属性记录数据与所述输入数据属性信息进行语义相似度分析,获取第一相似度,步骤S223包括步骤:
S2231:对所述第i输入数据属性记录数据进行语义特征抽取,获取第一特征抽取结果;以及
S2232:对所述输入数据属性信息进行语义特征抽取,获取第二特征抽取结果;
S2233:对所述第一特征抽取结果和所述第二特征抽取结果进行余弦相似度计算,生成所述第一相似度。
在一个优选实施例中,语义相似度分析优选的实施方式如下,以第一相似度举例说明:
第一特征抽取结果指的是对第i输入数据属性记录数据进行语义特征抽取的表征其语义特征的参数,优选的使用特定的向量表征,一个向量表征唯一的语义特征;第二特征抽取结果指的是对输入数据属性信息进行语义特征抽取的表征其语义特征的参数,优选的使用特定的向量表征,一个向量表征唯一的语义特征;进一步的,对第一特征抽取结果和所述第二特征抽取结果进行余弦相似度计算,生成第一相似度。其中,余弦相似度计算公式如下:
其中,表征余弦相似度,a表征第一特征抽取结果对应的向量,/>表征第二特征抽取结果对应的向量。
进一步的,如图3所示,步骤S200还包括步骤:
S240:所述任务场景特征还包括输入数据数量信息,其中,所述输入数据数量信息的单位数量为一组所述输入数据属性信息;
S250:获取所述第一虚拟机的基准算力中心的单位数量处理时长,其中,所述基准算力中心为单位时间计算量等于所述预设计算量的数据处理模块,所述单位数量处理时长为统计时长均值;
S260:根据所述期望处理时长对所述单位数量处理时长做除法运算,获取所述第一算力中心需求调度数量最小值。
在一个优选实施例中,得到第一算力中心需求调度数量最小值的详细流程如下:
得到任务场景特征还包括输入数据数量信息,其中,所述输入数据数量信息的单位数量为一组所述输入数据属性信息,获取所述第一虚拟机的基准算力中心的单位数量处理时长,其中,所述基准算力中心为单位时间计算量等于所述预设计算量的数据处理模块,所述单位数量处理时长为统计时长均值。根据所述期望处理时长对所述单位数量处理时长做除法运算,得到第一算力中心需求调度数量最小值。可见,此处所说的第一算力中心需求调度数量最小值的每个算力中心的单位时间计算量等于所述预设计算量。
进一步的,根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案,步骤S500包括步骤:
S510:获取所述空闲算力中心编号信息和所述空闲时间信息进行基准算力中心转换,获取第一空闲算力中心数量信息和第一空闲时长信息,其中,所述第一空闲算力中心数量信息和所述第一空闲时长信息一一对应;
S520:将所述第一空闲时长信息小于所述单位数量处理时长的空闲算力中心筛除,获取第二空闲算力中心数量信息和第二空闲时长信息;
S530:根据所述第二空闲算力中心数量信息和所述第二空闲时长信息,基于所述第一算力中心需求调度数量最小值和所述算力中心并行数量阈值进行方案生成,获取M个初始调度方案;
S540:构建节能损失函数:
其中,表征第k个算力中心调度方案的节能损失值,/>表征第k个算力中心调度方案的处理时长,/>表征第k个算力中心调度方案的统计能耗,/>表征M个初始调度方案的处理时长最小值,/>表征M个初始调度方案的处理时长最大值,表征M个初始调度方案的统计能耗最小值,/>表征M个初始调度方案的统计能耗最大值,/>和/>表征权重指数,/>和/>≥0;
S550:根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案。
在一个优选实施例中,获取空闲算力中心编号信息和空闲时间信息进行基准算力中心转换,获取一一对应的第一空闲算力中心数量信息和第一空闲时长信息;基准算力中心转换过程如下:获取空闲算力中心编号信息的单位时间实际计算量,与预设计算量做除法运算,转换为k*基准算力中心,k=单位时间实际计算量/预设计算量;进一步,将k*基准算力中心存储为对应算力中心编号的k个空闲算力中心,添加进第一空闲算力中心数量信息;将对应算力中心编号的空闲时间信息添加进第一空闲时长信息。
将所述第一空闲时长信息小于所述单位数量处理时长的空闲算力中心筛除,即将空闲时长较短的算力中心删除,不做此次调度目标,将删除后算力中心数据整理为第二空闲算力中心数量信息和第二空闲时长信息。进一步的,根据第二空闲算力中心数量信息和第二空闲时长信息,基于所述第一算力中心需求调度数量最小值和所述算力中心并行数量阈值进行方案生成,获取M个初始调度方案,即全部执行时间内调度的算力中心数量只需要在大于或等于第一算力中心需求调度数量最小值,且任意时刻的算力中心调度数量小于或等于算力中心并行数量阈值即可,得到M个初始调度方案,M为自定义的筛选方案基数。用户通过客户端自定义设定M值,即可自动化生成M个初始调度方案。
进一步的,构建节能损失函数:
其中,表征第k个算力中心调度方案的节能损失值,/>表征第k个算力中心调度方案的处理时长,/>表征第k个算力中心调度方案的统计能耗,/>表征M个初始调度方案的处理时长最小值,/>表征M个初始调度方案的处理时长最大值,表征M个初始调度方案的统计能耗最小值,/>表征M个初始调度方案的统计能耗最大值,/>和/>表征权重指数,/>和/>≥0。
进一步的,根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案,步骤S550包括步骤:
S551:构建收敛概率函数:
其中,为收敛概率,/>为预设损失值,/>为常量;
S552:当所述收敛概率函数的收敛概率值等于1或大于或等于收敛概率阈值时,将第k个算力中心调度方案设为所述第一节能调度方案;
S553:当所述收敛概率函数的收敛概率值小于所述收敛概率阈值时,判断第k个算力中心调度方案损失值是否大于或等于比对优胜方案损失值;
S554:若大于或等于,将第k个算力中心调度方案设为比对优胜方案;若小于或等于,将所述第k个算力中心调度方案添加进淘汰数据组;
S555:当迭代预设次数时,将所述比对优胜方案设为所述第一节能调度方案。
在一个优选实施例中,构建收敛概率函数:
其中,为收敛概率,/>为预设损失值,/>为常量。设定以下两种收敛方式:
其一为:当所述收敛概率函数的收敛概率值等于1或大于或等于收敛概率阈值时,将第k个算力中心调度方案设为所述第一节能调度方案;
其二为:当所述收敛概率函数的收敛概率值小于所述收敛概率阈值时,判断第k个算力中心调度方案损失值是否大于或等于比对优胜方案损失值;若大于或等于,将第k个算力中心调度方案设为比对优胜方案;若小于或等于,将所述第k个算力中心调度方案添加进淘汰数据组。当迭代预设次数时,将所述比对优胜方案设为所述第一节能调度方案。通过以上两种收敛方式保证了调度的方案可获得性。
综上所述,本申请实施例至少具有如下技术效果:
1、本申请实施例通过分析需求计算任务从而预估需求的算力中心数量,进而根据实时的算力中心数量的空闲的算力中心以及空闲时间进行节点调度优化,得到平衡处理性能与能耗的第一节能调度方案,对相应的算力中心进行激活启动。根据第一节能调度方案进行自适应的有选择性的激活算力中心执行算力任务,达到了云计算数据中心节能的技术效果。
2、本申请实施例基于K近邻聚类算法改进得到的邻近归类算法,实现了虚拟机的自动化匹配,减少了虚拟机的匹配路径,提高了处理效率。
实施例二
基于与前述实施例中一种云计算数据中心离线节能调度的方法相同的发明构思,如图4所示,本申请提供了一种云计算数据中心离线节能调度的系统,其中,应用于虚拟机调度管理端,包括:
需求信息获取单元11,用于接受客户端的任务需求信息,所述任务需求信息包括期望开始时间、任务场景特征和期望处理时长;
算力任务计算单元12,用于根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,其中,算力中心为单位时间计算量大于或等于预设计算量的数据处理模块;
约束信息确定单元13,用于获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;
调度参数确定单元14,用于根据所述算力中心调度状态信息确定从所述期望开始时间计时所述期望处理时长的空闲算力中心编号信息和空闲时间信息;
节能方案优化单元15,用于根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案;
算力中心调度单元16,用于根据所述第一节能调度方案对所述云计算数据中心的算力中心激活调度。
进一步的,所述算力任务计算单元12执行步骤包括:
所述任务场景特征包括输入数据属性信息和期望输出数据属性信息;
以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,基于任务处理日志信息筛选任务处理记录数据,其中,所述任务处理记录数据包括多个归类虚拟机编号和多个虚拟机编号归类频率;
从所述多个归类虚拟机编号筛选所述多个虚拟机编号归类频率最大值对应的虚拟机,设为所述第一虚拟机。
进一步的,所述算力任务计算单元12执行步骤包括:
以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,从所述任务处理日志信息,获取一一关联的多个输入数据属性记录数据和多个输出数据属性记录数据;
对所述多个输入数据属性记录数据的第i输入数据属性记录数据与所述输入数据属性信息进行语义相似度分析,获取第一相似度;以及
对所述多个输出数据属性记录数据的第i输出数据属性记录数据与所述期望输出数据属性信息进行语义相似度分析,获取第二相似度;
当所述第一相似度和所述第二相似度都大于相似度阈值时,将所述第i输入数据属性记录数据和所述第i输出数据属性记录数据的归类虚拟机编号添加进所述任务处理记录数据的所述多个归类虚拟机编号,并对所述任务处理记录数据的所述多个虚拟机编号归类频率中的对应归类虚拟机编号归类频率加一。
进一步的,所述算力任务计算单元12执行步骤包括:
对所述第i输入数据属性记录数据进行语义特征抽取,获取第一特征抽取结果;以及
对所述输入数据属性信息进行语义特征抽取,获取第二特征抽取结果;
对所述第一特征抽取结果和所述第二特征抽取结果进行余弦相似度计算,生成所述第一相似度。
进一步的,所述节能方案优化单元15执行步骤包括:
所述任务场景特征还包括输入数据数量信息,其中,所述输入数据数量信息的单位数量为一组所述输入数据属性信息;
获取所述第一虚拟机的基准算力中心的单位数量处理时长,其中,所述基准算力中心为单位时间计算量等于所述预设计算量的数据处理模块,所述单位数量处理时长为统计时长均值;
根据所述期望处理时长对所述单位数量处理时长做除法运算,获取所述第一算力中心需求调度数量最小值。
进一步的,所述节能方案优化单元15执行步骤包括:
获取所述空闲算力中心编号信息和所述空闲时间信息进行基准算力中心转换,获取第一空闲算力中心数量信息和第一空闲时长信息,其中,所述第一空闲算力中心数量信息和所述第一空闲时长信息一一对应;
将所述第一空闲时长信息小于所述单位数量处理时长的空闲算力中心筛除,获取第二空闲算力中心数量信息和第二空闲时长信息;
根据所述第二空闲算力中心数量信息和所述第二空闲时长信息,基于所述第一算力中心需求调度数量最小值和所述算力中心并行数量阈值进行方案生成,获取M个初始调度方案;
构建节能损失函数:
其中,表征第k个算力中心调度方案的节能损失值,/>表征第k个算力中心调度方案的处理时长,/>表征第k个算力中心调度方案的统计能耗,/>表征M个初始调度方案的处理时长最小值,/>表征M个初始调度方案的处理时长最大值,表征M个初始调度方案的统计能耗最小值,/>表征M个初始调度方案的统计能耗最大值,/>和/>表征权重指数,≥0;
根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案。
进一步的,所述节能方案优化单元15执行步骤包括:
构建收敛概率函数:
其中,为收敛概率,/>为预设损失值,/>为常量;
当所述收敛概率函数的收敛概率值等于1或大于或等于收敛概率阈值时,将第k个算力中心调度方案设为所述第一节能调度方案;
当所述收敛概率函数的收敛概率值小于所述收敛概率阈值时,判断第k个算力中心调度方案损失值是否大于或等于比对优胜方案损失值;
若大于或等于,将第k个算力中心调度方案设为比对优胜方案;若小于或等于,将所述第k个算力中心调度方案添加进淘汰数据组;
当迭代预设次数时,将所述比对优胜方案设为所述第一节能调度方案。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不只代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (4)
1.一种云计算数据中心离线节能调度的方法,其特征在于,应用于虚拟机调度管理端,包括:
接受客户端的任务需求信息,所述任务需求信息包括期望开始时间、任务场景特征和期望处理时长;
根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,其中,算力中心为单位时间计算量大于或等于预设计算量的数据处理模块;
获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;
根据所述算力中心调度状态信息确定从所述期望开始时间计时所述期望处理时长的空闲算力中心编号信息和空闲时间信息;
根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案;
根据所述第一节能调度方案对所述云计算数据中心的算力中心激活调度;
其中,所述根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,包括:
所述任务场景特征包括输入数据属性信息和期望输出数据属性信息;
以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,基于任务处理日志信息筛选任务处理记录数据,其中,所述任务处理记录数据包括多个归类虚拟机编号和多个虚拟机编号归类频率;
从所述多个归类虚拟机编号筛选所述多个虚拟机编号归类频率最大值对应的虚拟机,设为所述第一虚拟机;
所述任务场景特征还包括输入数据数量信息,其中,所述输入数据数量信息的单位数量为一组所述输入数据属性信息;
获取所述第一虚拟机的基准算力中心的单位数量处理时长,其中,所述基准算力中心为单位时间计算量等于所述预设计算量的数据处理模块,所述单位数量处理时长为统计时长均值;
根据所述期望处理时长对所述单位数量处理时长做除法运算,获取所述第一算力中心需求调度数量最小值;
所述根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案,包括:
获取所述空闲算力中心编号信息和所述空闲时间信息进行基准算力中心转换,获取第一空闲算力中心数量信息和第一空闲时长信息,其中,所述第一空闲算力中心数量信息和所述第一空闲时长信息一一对应;
将所述第一空闲时长信息小于所述单位数量处理时长的空闲算力中心筛除,获取第二空闲算力中心数量信息和第二空闲时长信息;
根据所述第二空闲算力中心数量信息和所述第二空闲时长信息,基于所述第一算力中心需求调度数量最小值和所述算力中心并行数量阈值进行方案生成,获取M个初始调度方案;
构建节能损失函数:
;
其中,表征第k个算力中心调度方案的节能损失值,/>表征第k个算力中心调度方案的处理时长,/>表征第k个算力中心调度方案的统计能耗,/>表征M个初始调度方案的处理时长最小值,/>表征M个初始调度方案的处理时长最大值,/>表征M个初始调度方案的统计能耗最小值,/>表征M个初始调度方案的统计能耗最大值,/>和/>表征权重指数,≥0;
根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案;
所述根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案,包括:
构建收敛概率函数:
;
其中,为收敛概率,/>为预设损失值,/>为常量;
当所述收敛概率函数的收敛概率值等于1或大于或等于收敛概率阈值时,将第k个算力中心调度方案设为所述第一节能调度方案;
当所述收敛概率函数的收敛概率值小于所述收敛概率阈值时,判断第k个算力中心调度方案损失值是否大于或等于比对优胜方案损失值;
若大于或等于,将第k个算力中心调度方案设为比对优胜方案;若小于或等于,将所述第k个算力中心调度方案添加进淘汰数据组;
当迭代预设次数时,将所述比对优胜方案设为所述第一节能调度方案。
2.如权利要求1所述的方法,其特征在于,以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,基于任务处理日志信息筛选任务处理记录数据,其中,所述任务处理记录数据包括多个归类虚拟机编号和多个虚拟机编号归类频率,包括:
以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,从所述任务处理日志信息,获取一一关联的多个输入数据属性记录数据和多个输出数据属性记录数据;
对所述多个输入数据属性记录数据的第i输入数据属性记录数据与所述输入数据属性信息进行语义相似度分析,获取第一相似度;
以及对所述多个输出数据属性记录数据的第i输出数据属性记录数据与所述期望输出数据属性信息进行语义相似度分析,获取第二相似度;
当所述第一相似度和所述第二相似度都大于相似度阈值时,将所述第i输入数据属性记录数据和所述第i输出数据属性记录数据的归类虚拟机编号添加进所述任务处理记录数据的所述多个归类虚拟机编号,并对所述任务处理记录数据的所述多个虚拟机编号归类频率中的对应归类虚拟机编号归类频率加一。
3.如权利要求2所述的方法,其特征在于,对所述多个输入数据属性记录数据的第i输入数据属性记录数据与所述输入数据属性信息进行语义相似度分析,获取第一相似度,包括:
对所述第i输入数据属性记录数据进行语义特征抽取,获取第一特征抽取结果;
以及对所述输入数据属性信息进行语义特征抽取,获取第二特征抽取结果;
对所述第一特征抽取结果和所述第二特征抽取结果进行余弦相似度计算,生成所述第一相似度。
4.一种云计算数据中心离线节能调度的系统,其特征在于,应用于虚拟机调度管理端,包括:
需求信息获取单元,用于接受客户端的任务需求信息,所述任务需求信息包括期望开始时间、任务场景特征和期望处理时长;
算力任务计算单元,用于根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,其中,算力中心为单位时间计算量大于或等于预设计算量的数据处理模块;
约束信息确定单元,用于获取云计算数据中心的算力中心并行数量阈值和算力中心调度状态信息;
调度参数确定单元,用于根据所述算力中心调度状态信息确定从所述期望开始时间计时所述期望处理时长的空闲算力中心编号信息和空闲时间信息;
节能方案优化单元,用于根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案;
算力中心调度单元,用于根据所述第一节能调度方案对所述云计算数据中心的算力中心激活调度;
其中,所述根据所述任务场景特征匹配第一虚拟机,根据所述期望处理时长和所述第一虚拟机匹配第一算力中心需求调度数量最小值,包括:
所述任务场景特征包括输入数据属性信息和期望输出数据属性信息;
以所述输入数据属性信息和所述期望输出数据属性信息为场景约束数据,基于任务处理日志信息筛选任务处理记录数据,其中,所述任务处理记录数据包括多个归类虚拟机编号和多个虚拟机编号归类频率;
从所述多个归类虚拟机编号筛选所述多个虚拟机编号归类频率最大值对应的虚拟机,设为所述第一虚拟机;
所述任务场景特征还包括输入数据数量信息,其中,所述输入数据数量信息的单位数量为一组所述输入数据属性信息;
获取所述第一虚拟机的基准算力中心的单位数量处理时长,其中,所述基准算力中心为单位时间计算量等于所述预设计算量的数据处理模块,所述单位数量处理时长为统计时长均值;
根据所述期望处理时长对所述单位数量处理时长做除法运算,获取所述第一算力中心需求调度数量最小值;
所述根据所述第一算力中心需求调度数量最小值和算力中心并行数量阈值对所述空闲算力中心编号信息和所述空闲时间信息进行节能优化分析,获取第一节能调度方案,包括:
获取所述空闲算力中心编号信息和所述空闲时间信息进行基准算力中心转换,获取第一空闲算力中心数量信息和第一空闲时长信息,其中,所述第一空闲算力中心数量信息和所述第一空闲时长信息一一对应;
将所述第一空闲时长信息小于所述单位数量处理时长的空闲算力中心筛除,获取第二空闲算力中心数量信息和第二空闲时长信息;
根据所述第二空闲算力中心数量信息和所述第二空闲时长信息,基于所述第一算力中心需求调度数量最小值和所述算力中心并行数量阈值进行方案生成,获取M个初始调度方案;
构建节能损失函数:
;
其中,表征第k个算力中心调度方案的节能损失值,/>表征第k个算力中心调度方案的处理时长,/>表征第k个算力中心调度方案的统计能耗,/>表征M个初始调度方案的处理时长最小值,/>表征M个初始调度方案的处理时长最大值,/>表征M个初始调度方案的统计能耗最小值,/>表征M个初始调度方案的统计能耗最大值,/>和/>表征权重指数,≥0;
根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案;
所述根据所述节能损失函数遍历所述M个初始调度方案进行节能优化分析,获取所述第一节能调度方案,包括:
构建收敛概率函数:
;
其中,为收敛概率,/>为预设损失值,/>为常量;
当所述收敛概率函数的收敛概率值等于1或大于或等于收敛概率阈值时,将第k个算力中心调度方案设为所述第一节能调度方案;
当所述收敛概率函数的收敛概率值小于所述收敛概率阈值时,判断第k个算力中心调度方案损失值是否大于或等于比对优胜方案损失值;
若大于或等于,将第k个算力中心调度方案设为比对优胜方案;若小于或等于,将所述第k个算力中心调度方案添加进淘汰数据组;
当迭代预设次数时,将所述比对优胜方案设为所述第一节能调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560938.8A CN116302451B (zh) | 2023-05-18 | 2023-05-18 | 一种云计算数据中心离线节能调度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560938.8A CN116302451B (zh) | 2023-05-18 | 2023-05-18 | 一种云计算数据中心离线节能调度的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116302451A CN116302451A (zh) | 2023-06-23 |
CN116302451B true CN116302451B (zh) | 2023-08-08 |
Family
ID=86836339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310560938.8A Active CN116302451B (zh) | 2023-05-18 | 2023-05-18 | 一种云计算数据中心离线节能调度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116302451B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870317A (zh) * | 2012-12-10 | 2014-06-18 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
CN104333569A (zh) * | 2014-09-23 | 2015-02-04 | 同济大学 | 基于用户满意度的云任务调度算法 |
CN105847385A (zh) * | 2016-04-20 | 2016-08-10 | 南京邮电大学 | 一种基于运行时长的云计算平台虚拟机调度方法 |
CN105912406A (zh) * | 2016-05-05 | 2016-08-31 | 中国人民解放军国防科学技术大学 | 一种低能耗的独立任务调度与资源配置方法 |
CN111488210A (zh) * | 2020-04-02 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 基于云计算的任务调度方法、装置和计算机设备 |
CN113515351A (zh) * | 2021-09-07 | 2021-10-19 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
CN113672383A (zh) * | 2021-07-23 | 2021-11-19 | 深圳先进技术研究院 | 一种云计算资源调度方法、系统、终端以及存储介质 |
CN114035954A (zh) * | 2021-11-09 | 2022-02-11 | 广东石油化工学院 | 一种基于ddqn算法的调度系统和任务调度系统 |
AU2021104528A4 (en) * | 2021-07-24 | 2022-04-21 | Manipal University Jaipur | Task scheduling and load balancing in cloud computing using firefly algorithm |
CN115033375A (zh) * | 2022-05-20 | 2022-09-09 | 新华三技术有限公司 | 集群模式下分布式任务调度方法、装置、设备及存储介质 |
CN115344358A (zh) * | 2021-05-12 | 2022-11-15 | 华为技术有限公司 | 资源调度方法、装置和管理节点 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及系统 |
CN115599522A (zh) * | 2022-10-26 | 2023-01-13 | 中国农业银行股份有限公司(Cn) | 一种云计算平台任务调度方法、装置和设备 |
CN115658263A (zh) * | 2022-10-26 | 2023-01-31 | 丁广锋 | 一种云计算平台任务调度方法及系统 |
WO2023005702A1 (zh) * | 2021-07-28 | 2023-02-02 | 腾讯科技(深圳)有限公司 | 基于边缘计算的数据处理方法、装置、设备及存储介质 |
-
2023
- 2023-05-18 CN CN202310560938.8A patent/CN116302451B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870317A (zh) * | 2012-12-10 | 2014-06-18 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
CN104333569A (zh) * | 2014-09-23 | 2015-02-04 | 同济大学 | 基于用户满意度的云任务调度算法 |
WO2016045515A1 (zh) * | 2014-09-23 | 2016-03-31 | 同济大学 | 基于用户满意度的云任务调度算法 |
CN105847385A (zh) * | 2016-04-20 | 2016-08-10 | 南京邮电大学 | 一种基于运行时长的云计算平台虚拟机调度方法 |
CN105912406A (zh) * | 2016-05-05 | 2016-08-31 | 中国人民解放军国防科学技术大学 | 一种低能耗的独立任务调度与资源配置方法 |
CN111488210A (zh) * | 2020-04-02 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 基于云计算的任务调度方法、装置和计算机设备 |
CN115344358A (zh) * | 2021-05-12 | 2022-11-15 | 华为技术有限公司 | 资源调度方法、装置和管理节点 |
CN113672383A (zh) * | 2021-07-23 | 2021-11-19 | 深圳先进技术研究院 | 一种云计算资源调度方法、系统、终端以及存储介质 |
AU2021104528A4 (en) * | 2021-07-24 | 2022-04-21 | Manipal University Jaipur | Task scheduling and load balancing in cloud computing using firefly algorithm |
WO2023005702A1 (zh) * | 2021-07-28 | 2023-02-02 | 腾讯科技(深圳)有限公司 | 基于边缘计算的数据处理方法、装置、设备及存储介质 |
CN113515351A (zh) * | 2021-09-07 | 2021-10-19 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
CN114035954A (zh) * | 2021-11-09 | 2022-02-11 | 广东石油化工学院 | 一种基于ddqn算法的调度系统和任务调度系统 |
CN115033375A (zh) * | 2022-05-20 | 2022-09-09 | 新华三技术有限公司 | 集群模式下分布式任务调度方法、装置、设备及存储介质 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及系统 |
CN115599522A (zh) * | 2022-10-26 | 2023-01-13 | 中国农业银行股份有限公司(Cn) | 一种云计算平台任务调度方法、装置和设备 |
CN115658263A (zh) * | 2022-10-26 | 2023-01-31 | 丁广锋 | 一种云计算平台任务调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116302451A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694656A (zh) | 基于多智能体深度强化学习的集群资源调度方法及系统 | |
WO2019184836A1 (zh) | 数据分析设备、多模型共决策系统及方法 | |
CN109471847B (zh) | 一种i/o拥塞控制方法及控制系统 | |
CN113515351A (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
US11422831B2 (en) | Application cleaning method, storage medium and electronic device | |
CN110427298A (zh) | 一种分布式日志的自动特征提取方法 | |
CN109558248A (zh) | 一种用于确定面向海洋模式计算的资源分配参数的方法及系统 | |
CN116467076A (zh) | 一种基于集群可用资源的多集群调度方法及系统 | |
CN110796591A (zh) | 一种gpu卡的使用方法及相关设备 | |
CN116302451B (zh) | 一种云计算数据中心离线节能调度的方法及系统 | |
CN108107791B (zh) | 风电场控制装置、方法和系统 | |
Ying et al. | FrauDetector+ An Incremental Graph-Mining Approach for Efficient Fraudulent Phone Call Detection | |
CN111104384A (zh) | 数据预处理方法、装置、设备和存储介质 | |
CN111783843A (zh) | 一种特征选择方法、装置及计算机系统 | |
CN116628451A (zh) | 一种待处理信息的高速解析方法 | |
CN111444249A (zh) | 基于热数据的用户画像生成方法、装置、设备及存储介质 | |
CN115981863A (zh) | 一种结合业务特性的智能云资源弹性伸缩方法和系统 | |
CN104077398B (zh) | 基于Hadoop多丛集环境的工作分派系统及方法 | |
CN111522632A (zh) | 基于核聚类特征选择的Hadoop配置参数选择方法 | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
CN114844901B (zh) | 基于人工智能的大数据清洗任务处理方法及云计算系统 | |
CN113687849B (zh) | 一种固件批量升级方法、装置、设备及存储介质 | |
US20230088429A1 (en) | Processing device, processing method, and program | |
CN112948687B (zh) | 一种基于名片文件特征的节点消息推荐方法 | |
CN113641654B (zh) | 一种基于实时事件的营销处置规则引擎方法 |
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 |