【技術實現步驟摘要】
本專利技術涉及算力網絡，尤其是涉及一種基于動態生成策略的算力資源編排方法及系統。
技術介紹
1、隨著云計算和分布式計算的發展，算力資源編排技術逐漸成為確保計算資源高效利用的重要手段。例如，kubernetes(簡稱k8s)是當前使用最主流的分布式集群管理工具，在kubernetes中，算力編排技術主要采用的是容器編排技術。kubernetes是由google主導開發的開源容器編排系統，旨在自動化部署、擴展和管理容器化應用程序。它通過提供一套完整的工具集，使開發人員和運維人員能夠高效地協作，快速構建和運維復雜的分布式系統。
2、盡管現有的容器編排技術在算力資源管理方面取得了顯著成效，但在實際應用中，仍存在一些不足和挑戰。現有的算力編排方法編排效果較差，在面對動態變化的業務需求和復雜的應用場景時，無法根據業務狀態進行算力資源的合理分配，從而導致算力資源綜合利用率低下。
3、由此可見，如何對算力資源進行有效管理，已經成為本領域技術人員所要亟待解決的技術問題。
技術實現思路
1、本專利技術提供一種基于動態生成策略的算力資源編排方法及系統，以解決如何對算力資源進行有效管理，以提高算力資源的利用率。
2、為了解決上述技術問題，本專利技術實施例提供了一種基于動態生成策略的算力資源編排方法，包括：
3、實時監控并周期性地采集目標計算機集群中各個虛擬節點的算力資源數據，并基于所述算力資源數據確定各個業務流的類型數據；
4、根據各個所述類型數
5、將所述類型數據、所述算力資源數據、所述到達率和所述cpu系統效率數據輸入訓練好的業務流算力值預測模型，得到業務流的算力需求結果；
6、在將業務流部署至所述目標計算機集群中時，根據所述算力需求結果進行算力資源的編排調度。
7、進一步地，所述基于所述算力資源數據確定各個業務流的類型數據，包括：
8、對所述算力資源數據進行時間序列的分析，提取所述算力資源數據的屬性特征；
9、根據所述屬性特征確定目標標記規則；
10、根據所述目標標記規則對業務流進行標記，確定各個業務流的類型數據。
11、進一步地，所述根據各個所述類型數據的到達率設計對應的分布函數，以對每一業務流的cpu系統效率進行分析，得到cpu系統效率數據，包括：
12、基于設計的所述分布函數獲取業務流的突發特性；
13、對設定的所述分布函數進行拉普拉斯變換，以獲取業務流的系統響應特性；
14、根據所述突發特性和所述系統響應特性，分析統計業務流的到達占比和系統效率以得到所述cpu系統效率數據。
15、進一步地，所述業務流算力值預測模型構建過程，包括：
16、對所述類型數據、所述算力資源數據、所述到達率和所述cpu系統效率數據進行預處理，得到第一目標數據集；
17、將所述第一目標數據集劃分為訓練集和測試集；
18、將所述訓練集輸入至神經網絡模型進行訓練，將所述測試集輸入至神經網絡模型進行測試，得到所述業務流算力值預測模型。
19、進一步地，所述在將業務流部署至所述目標計算機集群中時，根據所述算力需求結果進行算力資源的編排調度，包括：
20、根據業務流的屬性確定對應的應用程序，并將同一個所述應用程序中的業務流進行集合；
21、根據所述應用程序的優先級屬性對所述集合進行優先級排序并為每個所述集合分配權重，并基于業務流的實時特性對所述權重進行修正；
22、基于修正后的所述權重將所述集合中的業務流映射到對應的容器的所述應用程序中，并根據所述算力需求結果，統計計算同一類型業務流對應的所述應用程序的總算力值；
23、根據所述總算力值將所述應用程序歸并到相應的容器中，以配置相應的算力資源進行調度。
24、本專利技術另一實施例提供了一種基于動態生成策略的算力資源編排系統，包括：
25、數據獲取模塊，用于實時監控并周期性地采集目標計算機集群中各個虛擬節點的算力資源數據，并基于所述算力資源數據確定各個業務流的類型數據；
26、業務流分析模塊，用于根據各個所述類型數據的到達率設計對應的分布函數，以對每一業務流的cpu系統效率進行分析，得到cpu系統效率數據；
27、算力預測模塊，用于將所述類型數據、所述算力資源數據、所述到達率和所述cpu系統效率數據輸入訓練好的業務流算力值預測模型，得到業務流的算力需求結果；
28、資源調度模塊，用于在將業務流部署至所述目標計算機集群中時，根據所述算力需求結果進行算力資源的編排調度。
29、進一步地，所述數據獲取模塊，具體用于：
30、對所述算力資源數據進行時間序列的分析，提取所述算力資源數據的屬性特征；
31、根據所述屬性特征確定目標標記規則；
32、根據所述目標標記規則對業務流進行標記，確定各個業務流的類型數據。
33、進一步地，所述業務流分析模塊，具體用于：
34、基于設計的所述分布函數獲取業務流的突發特性；
35、對設定的所述分布函數進行拉普拉斯變換，以獲取業務流的系統響應特性；
36、根據所述突發特性和所述系統響應特性，分析統計業務流的到達占比和系統效率以得到所述cpu系統效率數據。
37、進一步地，所述業務流算力值預測模型構建過程，包括：
38、對所述類型數據、所述算力資源數據、所述到達率和所述cpu系統效率數據進行預處理，得到第一目標數據集；
39、將所述第一目標數據集劃分為訓練集和測試集；
40、將所述訓練集輸入至神經網絡模型進行訓練，將所述測試集輸入至神經網絡模型進行測試，得到所述業務流算力值預測模型。
41、進一步地，所述資源調度模塊，具體用于：
42、根據業務流的屬性確定對應的應用程序，并將同一個所述應用程序中的業務流進行集合；
43、根據所述應用程序的優先級屬性對所述集合進行優先級排序并為每個所述集合分配權重，并根據業務流的實時特性對所述權重進行修正；
44、根據修正后的所述權重將所述集合中的業務流映射到對應的容器的所述應用程序中，并根據所述算力需求結果，統計計算同一類型業務流對應的所述應用程序的總算力值；
45、根據所述總算力值將所述應用程序歸并到相應的容器中，以配置相應的算力資源進行調度。
46、相比于現有技術，本專利技術實施例的有益效果在于以下所述中的至少一點：
47、(1)實時監控并周期性地采集目標計算機集群中各個虛擬節點的算力資源數據得到業務流數據；并通過數學分布函數和拉普拉斯變換，對業務流的到達分布進行計算分析，得到系統的響應特性，以準確評估業務流的系統效本文檔來自技高網...
【技術保護點】
1.一種基于動態生成策略的算力資源編排方法，其特征在于，包括：
2.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述基于所述算力資源數據確定各個業務流的類型數據，包括：
3.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述根據各個所述類型數據的到達率設計對應的分布函數，以對每一業務流的CPU系統效率進行分析，得到CPU系統效率數據，包括：
4.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述業務流算力值預測模型構建過程，包括：
5.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述在將業務流部署至所述目標計算機集群中時，根據所述算力需求結果進行算力資源的編排調度，包括：
6.一種基于動態生成策略的算力資源編排系統，其特征在于，包括：
7.如權利要求6所述的基于動態生成策略的算力資源編排系統，其特征在于，所述數據獲取模塊，具體用于：
8.如權利要求6所述的基于動態生成策略的算力資源編排系統，其特征在于，所述業務流分
9.如權利要求6所述的基于動態生成策略的算力資源編排系統，其特征在于，所述業務流算力值預測模型構建過程，包括：
10.如權利要求6所述的基于動態生成策略的算力資源編排系統，其特征在于，所述資源調度模塊，具體用于：
...【技術特征摘要】
1.一種基于動態生成策略的算力資源編排方法，其特征在于，包括：
2.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述基于所述算力資源數據確定各個業務流的類型數據，包括：
3.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述根據各個所述類型數據的到達率設計對應的分布函數，以對每一業務流的cpu系統效率進行分析，得到cpu系統效率數據，包括：
4.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述業務流算力值預測模型構建過程，包括：
5.如權利要求1所述的基于動態生成策略的算力資源編排方法，其特征在于，所述在將業...
【專利技術屬性】
技術研發人員：毛冬，馮珺，王嘉琦，陳祖歌，饒涵宇，潘司晨，趙帥，倪孟嘯，陳子龍，
申請(專利權)人：國網浙江省電力有限公司信息通信分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。