申请/专利权人:中山大学
申请日:2020-12-21
公开(公告)日:2024-04-09
公开(公告)号:CN112631750B
主分类号:G06F9/48
分类号:G06F9/48;G06F16/21;G06N3/0464;G06N3/0442;G06N3/049;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.09#授权;2021.04.27#实质审查的生效;2021.04.09#公开
摘要:本发明涉及一种面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法。包括以下步骤:S1.从云数据中心获取特定时间段内各服务器中在线服务器的资源信息;S2.分析资源信息的数据特征,基于压缩感知的方法对资源信息进行抽样和压缩;S3.调度器获取压缩后的资源信息进行恢复,并将其作为LSTM模型的输入来预测下一时间段在线服务器的资源使用信息;S4.从云数据中心获取下一时间段内将要处理的批处理作业调度需求的资源信息;S5.结合当前在线服务器可用资源信息和批处理作业调度所需的资源信息,构建基于cMAB的在线学习模型,来对批作业进行调度。能大幅提升调度效率和云数据中心的资源利用率。
主权项:1.一种面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法,其特征在于,包括以下步骤:S1.从云数据中心获取特定时间段内各服务器中在线服务器的资源信息;S2.分析资源信息的数据特征,基于压缩感知的方法对资源信息进行抽样和压缩;S3.调度器获取压缩后的资源信息进行恢复,并将其作为LSTM模型的输入来预测下一时间段在线服务器的资源使用信息;S4.从云数据中心获取下一时间段内将要处理的批处理作业调度需求的资源信息;S5.结合当前在线服务器可用资源信息和批处理作业调度所需的资源信息,构建基于cMAB的在线学习模型,来对批作业进行调度;在步骤S2中,分析资源信息的数据特征包括是否具有矩阵重构的低秩特征和时间关联性,以此判断是否可以使用压缩感知的方法以及是否可以利用时间关联性来协助恢复CPU资源信息的重建过程;其中,判断是否具有时间关联性的步骤包括:假设xi,j代表在t时间上第i台服务器的资源信息,以下公式1通过Δxi,j来表示时间关联性: 利用奇异值分解的方法确定矩阵是否低秩,具体步骤包括:假设一个奇异矩阵σi代表奇异矩阵对角线上的元素,如果存在一个r,使得满足公式2,那么则证明这个矩阵是低秩的:
全文数据:
权利要求:
百度查询: 中山大学 面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。