【技術實現步驟摘要】
本專利技術涉及云計算，特別涉及一種云計算資源池動態調度方法。
技術介紹
1、云計算資源調度是指在云計算環境下，通過對計算、存儲、網絡等資源進行優化、協調和管理，以實現資源的高效利用和平衡分配的過程。而資源的動態分配則是云計算資源調度中的一個重要環節，能夠幫助提高系統的資源利用率，降低成本，同時還能夠適應不同的業務需求和變化。
2、資源調度算法是實現資源的動態分配的關鍵。在云計算環境下，資源調度算法需要考慮多個因素，如資源的需求量、資源的類型、資源的可用性等，通過對這些因素進行綜合評估，選擇最優的資源調度方案。目前，常用的資源調度算法包括負載均衡、靜態資源分配、動態資源分配等。
3、資源監控是實現資源的動態分配的前提。在云計算環境下，需要對不同類型的資源進行實時監控，以及時發現資源的變化和異常。通過資源監控，可以了解資源的使用情況，預測未來的資源需求，從而為資源調度提供數據支持。
4、資源預測是實現資源的動態分配的基礎。在云計算環境下，需要通過對歷史數據的分析和預測，預測未來的資源需求和使用趨勢。通過資源預測，可以提前做好資源調度規劃，避免資源的浪費和短缺。
5、然而現有技術存在一些問題：現有的資源池動態調度存在有負載均衡無法實現動態調整，造成資源池實現彈性擴展，不能夠根據負載的變化自動增加或減少資源，造成資源池無法提高整體性能和能效優化，因此我們提出一種云計算資源池動態調度方法。
技術實現思路
1、針對現有技術中存在的不足，本專利技術
2、本專利技術的目的是這樣實現的：一種云計算資源池動態調度方法，包括如下步驟：
3、s1、對資源需求進行分析：對多個服務器的資源池進行負載監控分析處理，并且對任務需求進行分析，并且獲取服務器資源池的運行歷史數據分析；
4、s2、通過負載預測對資源池進行性能預測：根據收集到的歷史數據和實時監控信息，通過長短期記憶網絡進行負載預測，以預見未來一定時間內的資源需求，并且引入自適應機制，隨著數據的不斷變化，更新負載預測模型，以提高準確性；
5、s3、對任務需求資源進行預測：通過機器學習算法對任務的資源需求進行預測，預測未來不同任務所需的計算、存儲、網絡資源；
6、s4、資源分配決策：在獲取負載預測后，調度系統需要根據當前資源池的狀態和任務預測的資源需求，制定合理的資源分配決策，通過資源約束判斷、優先級管理和資源優化進行資源分配；
7、s5、任務調度：在資源池分配決策之后，將任務調度到具體的服務器的資源池上；
8、s6、資源監控與反饋：在任務調度和資源分配后，持續監控系統的運行情況，并根據監控數據進行動態調整，主要包括性能監控、動態調整和反饋機制。
9、具體的，所述s1中的負載監控用于對服務器的資源池進行監控，收集當前資源池的使用情況，包括cpu、內存、存儲、網絡帶寬實時監控數據；
10、所述任務需求是分析各個任務或應用的資源需求，包括計算密集型、存儲密集型或者網絡密集型的工作負載，獲得每個任務的資源消耗情況；
11、所述歷史數據分析是通過歷史性能數據，識別負載波動規律。
12、具體的，所述s2中的長短期記憶網絡的計算公式如下：
13、的計算公式：
14、遺忘門：，
15、輸入門：，
16、候選記憶單元：，
17、記憶單元更新：，
18、輸出門：，
19、隱藏狀態更新：，
20、其中：，，，是輸入門、遺忘門、候選記憶單元和輸出門的權重矩陣；，，，是隱藏層到各門的權重矩陣；，，，是各門的偏置項；是記憶單元的狀態；
21、所述長短期記憶網絡能夠通過其門控機制有效捕捉序列中的長期依賴關系，預見未來一定時間內的資源需求。
22、具體的，所述s2中的自適應機制結合遺忘門和輸入門的控制，使得記憶單元的狀態隨著輸入數據和任務需求自適應更新，并且能夠自動學習和記憶不同時間步的序列信息，根據不同的輸入和上下文信息，自適應地調整其記憶單元的狀態和信息流；
23、并且所述自適應機制的計算公式如下：
24、記憶單元更新：。
25、具體的，所述s3中的機器學習算法的計算公式如下：
26、假設輸入特征向量為和一個輸出，線性回歸模型的表達式為：，
27、其中，是目標變量，即為預測的輸出；是截距項；是特征的回歸系數；是誤差項，表示模型的預測與真實值之間的差異；
28、使用最小二乘法來尋找回歸系數，即最小化誤差平方和：
29、，
30、其中，是樣本數，是第樣本的真實值，是模型預測的值，即為上式的目標變量；通過最小化損失函數，得到回歸系數的最優估計。
31、具體的，所述s4中的資源約束判斷用于判斷當前資源池是否有足夠的資源來滿足任務需求，如果資源池資源不足，需要觸發擴展操作，增加虛擬機實例或容器實例；
32、優先級管理在資源不足，調度系統需要按照任務的優先級來分配資源；
33、資源優化是基于負載均衡算法，合理分配資源，以避免某些資源過載或閑置。
34、具體的，所述負載均衡算法的計算公式如下：
35、每個資源池當前的負載性能為，權重為，并且任務的需求資源為，則將任務分配給資源池的表示為：
36、，
37、并且通過加權輪詢對所有的資源池進行計算，每次請求按輪詢順序分配，同時考慮每一個資源池的權重，將任務分配給計算值最接近權重的資源池。
38、具體的，所述觸發擴展操作的步驟如下：
39、創建一個auto?scaling?group，定義其最小、最大、期望實例數量；
40、設置擴展策略，基于cpu使用率設置擴展閾值；
41、配置cloudwatch?alarm，當cpu使用率超過80%時觸發擴展，當cpu使用率低于30%時觸發縮減；
42、配置一個auto?scaling?policy，在負載增加時擴展資源池的大小，在負載減少時移除擴展的資源池大小。
43、具體的，所述s6中的性能監控用于持續收集資源池的運行數據，包括cpu使用率、內存使用率、網絡帶寬、i/o性能，確保資源的高效使用；
44、動態調整用于根據實時監控數據和任務執行反饋，調整資源分配和調度策略，發現某個資源池的負載過高時，調整任務調度，避免資源瓶頸；
45、反饋機制用于根據任務的執行結果進行反饋，包括完成時間、資源消耗和任務失敗，優化調度決策算法，通過反饋數據，不斷提高調度系統的精度和可靠性。
46、具體的，所述云計算資源池具備高可用性和故障恢復能力，包括故障檢測、本文檔來自技高網...
【技術保護點】
1.一種云計算資源池動態調度方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述S1中的負載監控用于對服務器的資源池進行監控，收集當前資源池的使用情況，包括CPU、內存、存儲、網絡帶寬實時監控數據；
3.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述S2中的長短期記憶網絡的計算公式如下：
4.根據權利要求3所述的一種云計算資源池動態調度方法，其特征在于：所述S2中的自適應機制結合遺忘門和輸入門的控制，使得記憶單元的狀態隨著輸入數據和任務需求自適應更新，并且能夠自動學習和記憶不同時間步的序列信息，根據不同的輸入和上下文信息，自適應地調整其記憶單元的狀態和信息流；
5.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述S3中的機器學習算法的計算公式如下：
6.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述S4中的資源約束判斷用于判斷當前資源池是否有足夠的資源來滿足任務需求，如果資源池資源不足，需要觸發擴展操作，增加虛擬
7.根據權利要求6所述的一種云計算資源池動態調度方法，其特征在于：所述負載均衡算法的計算公式如下：
8.根據權利要求6所述的一種云計算資源池動態調度方法，其特征在于：所述觸發擴展操作的步驟如下：
9.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述S6中的性能監控用于持續收集資源池的運行數據，包括CPU使用率、內存使用率、網絡帶寬、I/O性能，確保資源的高效使用；
10.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述云計算資源池具備高可用性和故障恢復能力，包括故障檢測、故障轉移和冗余部署；
...【技術特征摘要】
1.一種云計算資源池動態調度方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述s1中的負載監控用于對服務器的資源池進行監控，收集當前資源池的使用情況，包括cpu、內存、存儲、網絡帶寬實時監控數據；
3.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述s2中的長短期記憶網絡的計算公式如下：
4.根據權利要求3所述的一種云計算資源池動態調度方法，其特征在于：所述s2中的自適應機制結合遺忘門和輸入門的控制，使得記憶單元的狀態隨著輸入數據和任務需求自適應更新，并且能夠自動學習和記憶不同時間步的序列信息，根據不同的輸入和上下文信息，自適應地調整其記憶單元的狀態和信息流；
5.根據權利要求1所述的一種云計算資源池動態調度方法，其特征在于：所述s3中的機器學習算法的計算公式如下：
【專利技術屬性】
技術研發人員：生桂勇，
申請(專利權)人：揚州工業職業技術學院，
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。