CN117215766A - 多媒体智能调度机及其方法 - Google Patents
多媒体智能调度机及其方法 Download PDFInfo
- Publication number
- CN117215766A CN117215766A CN202310756083.6A CN202310756083A CN117215766A CN 117215766 A CN117215766 A CN 117215766A CN 202310756083 A CN202310756083 A CN 202310756083A CN 117215766 A CN117215766 A CN 117215766A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- running state
- time sequence
- parameter
- multimedia
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 141
- 238000003860 storage Methods 0.000 claims abstract description 42
- 238000012098 association analyses Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000001514 detection method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005728 strengthening Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多媒体智能调度机及其方法，其获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及，基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。这样，可以通过综合分析来检测多媒体智能调度机的使用情况，从而判断多媒体智能调度机的运行状态是否正常，以此来保证多媒体智能调度机的正常工作，提高多媒体***的稳定性和性能。
Description
技术领域
本发明涉及智能化调度技术领域，尤其涉及一种多媒体智能调度机及其方法。
背景技术
随着多媒体技术的不断发展，多媒体***在我们日常生活中扮演着越来越重要的角色。对于一个大型多媒体***来说，如何进行高效的资源调度和监控是一个非常关键的问题。
目前，传统的手动管理方式主要是通过人工的方式对多媒体***中的各种资源进行监控和调度。然而，人工监控和调度的方式易出错，从而影响到整个多媒体***的正常运行。同时，在大规模多媒体***中，人工监控难以及时和精确地对各种资源的使用情况完全进行掌握，存在因监控漏洞而导致的故障甚至崩溃。并且，多媒体***中需要调度的资源种类繁多，涉及面广，人工调度的效率通常比较低。传统手动管理方式无法实现实时监控和动态调度，导致***没有快速响应的能力。
因此，期望一种优化的多媒体智能调度机。
发明内容
本发明实施例提供一种多媒体智能调度机及其方法，其获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及，基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。这样，可以通过综合分析来检测多媒体智能调度机的使用情况，从而判断多媒体智能调度机的运行状态是否正常，以此来保证多媒体智能调度机的正常工作，提高多媒体***的稳定性和性能。
本发明实施例还提供了一种多媒体智能调度机，其包括：
数据采集模块，用于获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；
数据处理模块，用于对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及
运行状态检测模块，用于基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。
本发明实施例还提供了一种多媒体智能调度方法，其包括：
获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；
对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及
基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。
附图说明
为了更清楚地说明本发明实施例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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种多媒体智能调度机的框图。
图2为本发明实施例中提供的一种多媒体智能调度机中数据处理模块的框图。
图3为本发明实施例中提供的一种多媒体智能调度机中所述运行状态检测模块的框图。
图4为本发明实施例中提供的一种多媒体智能调度方法的流程图。
图5为本发明实施例中提供的一种多媒体智能调度方法的***架构的示意图。
图6为本发明实施例中提供的一种多媒体智能调度机的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本发明的一个实施例中，图1为本发明实施例中提供的一种多媒体智能调度机的框图。如图1所示，根据本发明实施例的多媒体智能调度机100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；数据处理模块120，用于对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及，运行状态检测模块130，用于基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。
其中，所述数据采集模块110，通过采集这些数据，可以对多媒体智能调度机的运行状态进行监测和分析，以便及时发现和解决问题，其能够快速采集大量数据，并将其传递给数据处理模块。所述数据处理模块120，能够快速处理大量数据，并提取出有用的信息。通过分析数据，可以了解多媒体智能调度机的运行状态，及时发现和解决问题，从而提高***的可靠性和稳定性。所述运行状态检测模块130，能够及时发现和解决问题，通过检测运行状态，可以保证多媒体智能调度机的正常运行，提高***的可靠性和稳定性。
所述多媒体智能调度机100通过上述三个模块对多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行监测和分析，从而及时发现和解决问题，提高***的可靠性和稳定性。
具体地，所述数据采集模块110，用于获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值。随着多媒体技术的不断发展，多媒体***在我们日常生活中扮演着越来越重要的角色。对于一个大型多媒体***来说，如何进行高效的资源调度和监控是一个非常关键的问题。
目前，传统的手动管理方式主要是通过人工的方式对多媒体***中的各种资源进行监控和调度。然而，人工监控和调度的方式易出错，从而影响到整个多媒体***的正常运行。同时，在大规模多媒体***中，人工监控难以及时和精确地对各种资源的使用情况完全进行掌握，存在因监控漏洞而导致的故障甚至崩溃。并且，多媒体***中需要调度的资源种类繁多，涉及面广，人工调度的效率通常比较低。传统手动管理方式无法实现实时监控和动态调度，导致***没有快速响应的能力。因此，期望一种优化的多媒体智能调度机。
多媒体智能调度机是一种用于管理和调度多种媒体资源的***，它可以自动化地管理和调度不同类型的媒体资源，如音频、视频、图像等。并且，该***可以从多个来源收集媒体资源，并将其存储在一个中央媒体库中。然后，它可以根据用户需求，自动选择和分配适当的媒体资源，以满足各种需求，如广告播放、信息发布、娱乐等。这样，通过资源分配和调度来高效地管理各种资源，提高***效率和资源利用率。
不仅如此，多媒体智能调度机还可以提供实时监控和报告功能，以便管理员可以了解***的运行情况和资源使用情况。应可以理解，***资源利用率是指***中各种资源(如CPU、内存、磁盘、网络带宽等)的使用情况。如果某些资源的利用率过高，可能会导致***出现瓶颈，需要进行调整。
基于此，在本申请的技术方案中，期望基于对***资源利用率中的各种资源，例如CPU、内存、磁盘和网络带宽进行综合分析来检测多媒体智能调度机的使用情况，从而判断多媒体智能调度机的运行状态是否正常，以此来保证多媒体智能调度机的正常工作，提高多媒体***的稳定性和性能。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值。应可以理解，***资源利用率是指***中各种资源(如CPU、内存、磁盘、网络带宽等)的使用情况。如果某些资源的利用率过高，可能会导致***出现瓶颈，需要进行调整。因此，期望基于对CPU占有率、内存占有率、磁盘存储量以及网络带宽值的时序分析来判断***的运行负载和运行状态。也就是说，当***运行状态不稳定时，通过收集***中各种资源指标可以更好地评估***当前的资源使用情况，以确定是否需要进行自适应的调整来优化***性能。例如，在进行视频编解码等高CPU占用任务时，监控CPU占有率变化可以帮助智能调度机判断当前***是否出现瓶颈并采取相应措施避免负载过大导致***崩溃；同时，监测磁盘存储量及网络带宽值等数据则可帮助智能调度机预估运行时间。
具体地，所述数据处理模块120，用于对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量。图2为本发明实施例中提供的一种多媒体智能调度机中数据处理模块的框图，如图2所示，所述数据处理模块120，包括：数据时序排列单元121，用于将所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度和样本维度排列为资源多参数时序矩阵；上下文资源多参数时序关联特征提取单元122，用于对所述资源多参数时序矩阵进行特征提取以得到多个上下文资源多参数时序关联特征向量；以及，局部关联强化单元123，用于对所述多个上下文资源多参数时序关联特征向量进行局部关联特征强化以得到所述运行状态特征向量。在所述数据时序排列单元121中，考虑到由于所述CPU占有率、内存占有率、磁盘存储量和网络带宽值在时间维度上都具有着时序的动态变化规律，因此，进一步将所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度和样本维度排列为资源多参数时序矩阵，以此来分别整合所述CPU占有率、内存占有率、磁盘存储量和网络带宽值在时间维度上的时序分布信息，以利于后续进行***中各种资源的时序变化关联特征分析以及对多媒体智能调度机的运行状态检测。
在资源多参数时序矩阵中，时间维度是指多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间顺序排列形成的一列数据。例如，如果预定了每分钟采集一次这些数据，则时间维度就是每分钟所采集到的数据，形成一个时间序列。时间维度的排列方便对***中各种资源的时序变化进行分析。
样本维度是指多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照样本顺序排列形成的一行数据。例如，如果采集多个服务器的这些数据，则样本维度就是每个服务器所采集到的数据，形成一个样本序列。样本维度的排列方便对不同资源之间的关联特征进行分析。
在本申请的一个实施例中，1.将多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度排列，形成一个时间序列。2.将多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照样本维度排列，形成一个样本序列。3.将时间序列和样本序列组合起来，形成一个资源多参数时序矩阵。
在本申请的另一个实施例中，1.将多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度排列，形成一个时间序列。2.将多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照样本维度排列，形成一个样本序列。3.将时间序列和样本序列分别按照资源类型进行组合，形成多个资源类型的时序矩阵。4.将多个资源类型的时序矩阵组合起来，形成一个资源多参数时序矩阵。
通过将多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度和样本维度排列为资源多参数时序矩阵，可以方便地整合各种资源在时间维度上的时序分布信息，从而进行***中各种资源的时序变化关联特征分析以及对多媒体智能调度机的运行状态检测。
进一步地，在所述上下文资源多参数时序关联特征提取单元122中，其包括：矩阵划分子单元，用于对所述资源多参数时序矩阵进行矩阵切分以得到多个资源多参数局部时序矩阵；全局关联特征提取子单元，用于将所述多个资源多参数局部时序矩阵通过包含嵌入层的转换器模块以得到多个上下文资源多参数时序关联特征向量。
其中，考虑到由于所述资源多参数时序矩阵中存在有关于各种资源参数的时序特征分布信息，因此，使用在局部隐含关联特征提取方面具有优异表现性能的卷积神经网络模型来进行所述各种资源参数的时序关联特征提取。特别地，考虑到由于卷积运算的固有局限性，纯CNN的方法仅能够捕捉到局部隐含关联特征，其感受野有限，很难学习明确的全局和远程语义信息交互。
因此，为了能够捕捉到所述各种资源参数的时序全局关联特征信息，进一步对所述资源多参数时序矩阵进行矩阵切分以得到多个资源多参数局部时序矩阵。应可以理解，对所涉及到的资源多参数时序矩阵进行矩阵切分，能够将原始数据按照一定的规则和方法切割成多个小的局部矩阵。这样可以更好地提取出各种资源参数各自独立、细粒度的特征，避免在整体矩阵上计算时带来的复杂性和过多的噪声干扰。
在本申请中，矩阵切分是将大的矩阵分割成多个小的局部矩阵的过程，可以使得大规模的计算任务可以被并行化处理，从而提高计算效率。矩阵切分包括：水平切分和垂直切分两种方式。
水平切分是将矩阵的行切分成多个小的局部矩阵，每个局部矩阵包含一部分的行。例如，将一个m×n的矩阵水平切分成k个局部矩阵，每个局部矩阵包含m/k行。这种切分方式适合于行之间相互独立的计算任务。
垂直切分是将矩阵的列切分成多个小的局部矩阵，每个局部矩阵包含一部分的列。例如，将一个m×n的矩阵垂直切分成k个局部矩阵，每个局部矩阵包含
n/k列。这种切分方式适合于列之间相互独立的计算任务。
除了水平切分和垂直切分，还包括按照块的方式进行切分，即将矩阵切分成多个大小相等的块矩阵，这种切分方式适合于需要对整个矩阵进行并行计算的任务。
然后，将所述多个资源多参数局部时序矩阵通过包含嵌入层的转换器模块中进行编码以得到多个上下文资源多参数时序关联特征向量。值得一提的是，这里，所述包含嵌入层的转换器模块能够提取出所述各种资源参数的局部时序关联特征基于全局的上下文资源多参数时序关联特征信息，以将所述各种资源参数的局部隐含时序关联特征进行聚合，以便于后续的多媒体智能调度机的运行状态检测。
具体地，所述包含嵌入层的转换器模块包括：嵌入层，将每个局部时序矩阵中的每个元素映射到一个向量空间中，得到一个嵌入矩阵。编码器，将嵌入矩阵作为输入，通过多个编码层对其进行处理，得到一个上下文特征向量。解码器，将上下文特征向量作为输入，通过多个解码层对其进行处理，得到多个上下文资源多参数时序关联特征向量。
在编码器中，每个编码层都包含一个自注意力层和一个前馈神经网络层。自注意力层用于计算输入矩阵中每个元素与其他元素之间的关联程度，从而捕捉上下文信息。在解码器中，每个解码层也都包含一个自注意力层和一个前馈神经网络层。不同的是，解码器的自注意力层不仅考虑输入矩阵中每个元素与其他元素之间的关联程度，还考虑编码器输出的上下文特征向量与输入矩阵中每个元素之间的关联程度，从而更好地捕捉上下文信息。
通过包含嵌入层的转换器模块，可以将多个资源多参数局部时序矩阵编码为多个上下文资源多参数时序关联特征向量，从而更好地进行资源时序变化关联特征分析和多媒体智能调度机的运行状态检测。
在本申请的一个实施例中，首先，在转换器模块中定义一个嵌入层，将每个局部时序矩阵中的每个元素映射到一个向量空间中，得到一个嵌入矩阵。然后，将每个局部时序矩阵中的每个元素通过嵌入层映射到向量空间中，得到一个嵌入的局部时序矩阵。接着，将嵌入的局部时序矩阵通过一个编码器模块进行编码，得到一个上下文向量，该向量包含了局部时序矩阵的上下文信息。最后，得到多个上下文资源多参数时序关联特征向量：将多个局部时序矩阵依次进行嵌入和编码操作，得到多个上下文向量，这些向量组成了多个资源多参数时序关联特征向量。
更进一步地，在所述局部关联强化单元123中，用于：将所述多个上下文资源多参数时序关联特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征强化模块以得到运行状态特征向量。
继而，还考虑到在实际进行多媒体智能调度机的运行状态检测过程中，所述各种资源参数，例如CPU占有率、内存占有率、磁盘存储量和网络带宽值在不同的时间周期跨度和不同的资源参数样本跨度下具有着不同的关联特征，并且这些不同的局部协同关联特征信息对于多媒体智能调度机的运行状态检测具有重要的作用。但是，所述转换器模块对于长距离依赖关联的特征提取具有优异的表现性能，其对于中短距离依赖关联的时序关联特征提取的能力较差。
因此，在本申请的技术方案中，进一步将所述多个上下文资源多参数时序关联特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征强化模块以得到运行状态特征向量。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核，以此来提取出所述各种资源参数在不同时间和不同样本跨度下的多尺度局部时序协同关联特征信息。应可以理解，通过不同尺寸的卷积核和池化操作可以逐步地提取多个抽象程度的特征，从而捕捉到***运行状态的各种细节和差异。这样，可以通过学习样本集合中的依赖关系，在提取全局特征的同时保留并增强了局部信息，从而得到更为充分特征信息的所述运行状态特征向量。
其中，第一卷积层和第二卷积层分别包括：卷积层，使用不同尺度的一维卷积核进行卷积操作，得到多个不同尺度的卷积特征矩阵。池化层：对卷积特征矩阵进行池化操作，通常使用最大池化或平均池化，降低特征矩阵的维度，减少模型的计算量。非线性激活层，对池化后的特征矩阵进行非线性变换，通常使用ReLU激活函数或其变种，增强模型的非线性表达能力。
需要注意的是，第二卷积层的输入通常是第一卷积层的输出，因此第二卷积层的卷积核大小和数量可以不同于第一卷积层，以提取更高层次的特征。同时，第二卷积层的池化和非线性激活操作也可以不同于第一卷积层，以进一步提高模型的表达能力。
在本申请的一个实施例中，将多个上下文资源多参数时序关联特征向量排列为一维特征向量，其包括：1.将多个上下文资源多参数时序关联特征向量按照时间维度排列，得到一个时间序列矩阵。2.将时间序列矩阵按照样本维度排列，得到一个一维特征向量。3.将一维特征向量输入到包含第一卷积层和第二卷积层的局部关联特征强化模块中，得到运行状态特征向量。
更具体地，对于多个上下文资源多参数时序关联特征向量，假设每个特征向量的维度为d，时间跨度为T，样本数量为N，则将它们按照时间维度排列，得到一个形状为(T，N，d)的时间序列矩阵；将时间序列矩阵按照样本维度排列，得到一个形状为(N*T，d)的一维特征向量；将一维特征向量输入到包含第一卷积层和第二卷积层的局部关联特征强化模块中，得到运行状态特征向量。具体地，可以按照前面所述的步骤，对一维特征向量进行卷积、池化和非线性激活操作，得到一个维度为k的运行状态特征向量。
具体地，所述运行状态检测模块130，用于基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。图3为本发明实施例中提供的一种多媒体智能调度机中所述运行状态检测模块的框图，如图3所示，所述运行状态检测模块130，包括：特征优化单元131，用于对所述运行状态特征向量进行特征分布优化以得到优化运行状态特征向量；调度机运行状态评估单元132，用于将所述优化运行状态特征向量通过分类器以得到分类结果，所述分类结果用于表示多媒体智能调度机的运行状态是否正常。
特别地，在本申请的技术方案中，将所述多个资源多参数局部时序矩阵通过包含嵌入层的转换器模块以得到多个上下文资源多参数时序关联特征向量时，所述多个上下文资源多参数时序关联特征向量表达每个资源多参数局部时序矩阵的上下文关联的多参数样本-时序交叉关联特征，将所述多个上下文资源多参数时序关联特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征强化模块后，可以进一步强化局部特征分布，但是，为了更好地利用资源参数的上下文关联的样本-时序交叉关联特征，优选地通过融合所述一维特征向量和所述运行状态特征向量来优化所述运行状态特征向量。
这里，考虑到所述一维特征向量是所述多个上下文资源多参数时序关联特征向量级联得到的，而所述运行状态特征向量是进一步在所述一维特征向量的基础上提取局部关联尺度下的局部关联特征得到的，因此所述一维特征向量和所述运行状态特征向量都具有基于局部片段语义的序列化分布属性。
因此，为了提升所述一维特征向量和所述运行状态特征向量的融合效果，本申请的申请人对所述一维特征向量，例如记为V1及所述运行状态特征向量，例如记为V2进行局部序列语义的片段式富化融合，以获得优化后的运行状态特征向量，例如记为V2'，具体表示为：以如下优化公式对所述一维特征向量和所述运行状态特征向量进行局部序列语义的片段式富化融合以得到所述优化运行状态特征向量；其中，所述优化公式为：
其中，V1是所述一维特征向量，V2是所述运行状态特征向量，D(V1,V2)为所述一维特征向量和所述运行状态特征向量之间的距离矩阵，V1和V2均为列向量，且α是权重超参数，表示向量乘法，/>表示向量加法，V2'是所述优化运行状态特征向量。
这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别的基于特征表象(featureappearance)的相似性进行捕获，实现了所述一维特征向量V1和所述运行状态特征向量V2的局部片段级语义的富化式融合，从而提升了优化的运行状态特征向量V2'对所述一维特征向量V1和所述运行状态特征向量V2的融合效果，以提升优化的运行状态特征向量V'2的特征表达。这样，能够对于多媒体智能调度机的运行状态进行实时准确地检测，从而保证多媒体智能调度机的正常工作，提高多媒体***的稳定性和性能。
进而，将所述优化运行状态特征向量通过分类器中进行分类处理以得到分类结果，所述分类结果用于表示多媒体智能调度机的运行状态是否正常。也就是，在本申请的技术方案中，所述分类器的标签包括多媒体智能调度机的运行状态正常(第一标签)，以及，多媒体智能调度机的运行状态异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述运行状态特征向量属于哪个分类标签。
值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“多媒体智能调度机的运行状态是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，多媒体智能调度机的运行状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“多媒体智能调度机的运行状态是否正常”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为多媒体智能调度机的运行状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于多媒体智能调度机的运行状态进行检测，以保证多媒体智能调度机的正常工作。
分类器是一种机器学习模型，用于将输入数据映射到预定义的类别中。在这种情况下，将输入的优化运行状态特征向量映射到两个类别中的一个，表示多媒体智能调度机的运行状态是否正常。
分类器的结构通常由三个主要组件组成：输入层、隐藏层和输出层。输入层接收优化运行状态特征向量作为输入，隐藏层是一些神经元的集合，用于对输入数据进行处理和特征提取，输出层根据隐藏层的结果将输入数据映射到所需的类别中。常见的分类器包括支持向量机(SVM)、决策树、随机森林和神经网络等。其中，神经网络是一种强大的分类器，因为它可以自动学习输入数据中的特征，并在训练过程中优化模型参数以提高分类性能。
在本申请的一个实施例中，所述调度机运行状态评估单元132，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化运行状态特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请的另一个实施例中，将优化运行状态特征向量通过分类器以得到分类结果，还可以包括：数据准备，将优化运行状态特征向量和对应的标签(正常或异常)组成训练集和测试集。特征提取，使用局部序列语义的片段式富化融合技术对每个时间片段进行特征提取和序列建模，以获得更丰富的局部序列语义信息，并将所有时间片段的局部序列语义特征进行融合，得到完整的优化运行状态特征向量。分类器训练，使用训练集进行分类器的训练。常见的分类器包括支持向量机、决策树、随机森林和神经网络等。在训练过程中，分类器通过反向传播算法更新模型参数，以最小化分类误差并提高分类性能。分类器测试，使用测试集对分类器进行测试，以评估分类器的性能，将优化运行状态特征向量输入到分类器中，分类器将输出对应的分类结果。运行状态判断，根据分类结果判断多媒体智能调度机的运行状态是否正常。如果分类结果为正常，则表示多媒体智能调度机的运行状态正常；如果分类结果为异常，则表示多媒体智能调度机的运行状态异常。
通过将优化运行状态特征向量通过分类器以得到分类结果，可以实现对多媒体智能调度机的运行状态进行实时监测和判断，以及时处理异常情况，提高多媒体智能调度机的运行效率和稳定性。
综上，基于本发明实施例的多媒体智能调度机100被阐明，其通过综合分析来检测多媒体智能调度机的使用情况，从而判断多媒体智能调度机的运行状态是否正常，以此来保证多媒体智能调度机的正常工作，提高多媒体***的稳定性和性能。
在本发明的一个实施例中，图4为本发明实施例中提供的一种多媒体智能调度方法的流程图。图5为本发明实施例中提供的一种多媒体智能调度方法的***架构的示意图。如图4和图5所示，一种多媒体智能调度方法，包括：210，获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；220，对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及，230，基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。
在本发明的一个具体示例中，在上述多媒体智能调度方法法中，对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量，包括：将所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度和样本维度排列为资源多参数时序矩阵；对所述资源多参数时序矩阵进行特征提取以得到多个上下文资源多参数时序关联特征向量；以及，对所述多个上下文资源多参数时序关联特征向量进行局部关联特征强化以得到所述运行状态特征向量。
本领域技术人员可以理解，上述多媒体智能调度方法中的各个步骤的具体操作已经在上面参考图1到图3的多媒体智能调度机的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为本发明实施例中提供的一种多媒体智能调度机的应用场景图。如图6所示，在该应用场景中，首先，获取多媒体智能调度机(例如，如图6中所示意的M)在预定时间段内多个预定时间点的CPU占有率(例如，如图6中所示意的C1)、内存占有率(例如，如图6中所示意的C2)、磁盘存储量(例如，如图6中所示意的C3)和网络带宽值(例如，如图6中所示意的C4)，在一个具体的示例中，所述多媒体智能调度机的型号为PPHO-236DST-V1；然后，将获取的CPU占有率、内存占有率、磁盘存储量和网络带宽值输入至部署有多媒体智能调度算法的服务器(例如，如图6中所示意的S)中，其中所述服务器能够基于多媒体智能调度算法对所述CPU占有率、所述内存占有率、所述磁盘存储量和所述网络带宽值进行处理，以确定多媒体智能调度机的运行状态是否正常。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多媒体智能调度机，其特征在于，包括：
数据采集模块，用于获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；
数据处理模块，用于对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及
运行状态检测模块，用于基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。
2.根据权利要求1所述的多媒体智能调度机，其特征在于，所述数据处理模块，包括：
数据时序排列单元，用于将所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度和样本维度排列为资源多参数时序矩阵；
上下文资源多参数时序关联特征提取单元，用于对所述资源多参数时序矩阵进行特征提取以得到多个上下文资源多参数时序关联特征向量；以及
局部关联强化单元，用于对所述多个上下文资源多参数时序关联特征向量进行局部关联特征强化以得到所述运行状态特征向量。
3.根据权利要求2所述的多媒体智能调度机，其特征在于，所述上下文资源多参数时序关联特征提取单元，包括：
矩阵划分子单元，用于对所述资源多参数时序矩阵进行矩阵切分以得到多个资源多参数局部时序矩阵；
全局关联特征提取子单元，用于将所述多个资源多参数局部时序矩阵通过包含嵌入层的转换器模块以得到多个上下文资源多参数时序关联特征向量。
4.根据权利要求3所述的多媒体智能调度机，其特征在于，所述局部关联强化单元，用于：将所述多个上下文资源多参数时序关联特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联特征强化模块以得到运行状态特征向量。
5.根据权利要求4所述的多媒体智能调度机，其特征在于，所述局部关联特征强化模块的第一卷积层和第二卷积层分别采用不同尺度的一维卷积核。
6.根据权利要求5所述的多媒体智能调度机，其特征在于，所述运行状态检测模块，包括：
特征优化单元，用于对所述运行状态特征向量进行特征分布优化以得到优化运行状态特征向量；
调度机运行状态评估单元，用于将所述优化运行状态特征向量通过分类器以得到分类结果，所述分类结果用于表示多媒体智能调度机的运行状态是否正常。
7.根据权利要求6所述的多媒体智能调度机，其特征在于，所述特征优化单元，用于：
以如下优化公式对所述一维特征向量和所述运行状态特征向量进行局部序列语义的片段式富化融合以得到所述优化运行状态特征向量；
其中，所述优化公式为：
其中，V1是所述一维特征向量，V2是所述运行状态特征向量，D(V1,V2)为所述一维特征向量和所述运行状态特征向量之间的距离矩阵，V1和V2均为列向量，且α是权重超参数，表示向量乘法，/>表示向量加法，V2'是所述优化运行状态特征向量。
8.根据权利要求7所述的多媒体智能调度机，其特征在于，所述调度机运行状态评估单元，包括：
全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化运行状态特征向量进行全连接编码以得到编码分类特征向量；以及
分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种多媒体智能调度方法，其特征在于，包括：
获取预定时间段内多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值；
对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量；以及
基于所述运行状态特征向量，确定多媒体智能调度机的运行状态是否正常。
10.根据权利要求9所述的多媒体智能调度方法，其特征在于，对所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值进行时序关联分析以得到运行状态特征向量，包括：
将所述多个预定时间点的CPU占有率、内存占有率、磁盘存储量和网络带宽值按照时间维度和样本维度排列为资源多参数时序矩阵；
对所述资源多参数时序矩阵进行特征提取以得到多个上下文资源多参数时序关联特征向量；以及
对所述多个上下文资源多参数时序关联特征向量进行局部关联特征强化以得到所述运行状态特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756083.6A CN117215766A (zh) | 2023-06-26 | 2023-06-26 | 多媒体智能调度机及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756083.6A CN117215766A (zh) | 2023-06-26 | 2023-06-26 | 多媒体智能调度机及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117215766A true CN117215766A (zh) | 2023-12-12 |
Family
ID=89049894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310756083.6A Pending CN117215766A (zh) | 2023-06-26 | 2023-06-26 | 多媒体智能调度机及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117215766A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368980A (zh) * | 2020-03-06 | 2020-07-03 | 京东数字科技控股有限公司 | 状态检测方法、装置、设备及存储介质 |
| CN113379033A (zh) * | 2021-06-11 | 2021-09-10 | 国网湖北省电力有限公司黄石供电公司 | 基于时空网络增强深度学习的电缆健康状态智能预警方法 |
| CN115373813A (zh) * | 2022-04-03 | 2022-11-22 | 福建福清核电有限公司 | 云计算环境中基于gpu虚拟化的调度方法、***和电子设备 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估***及其方法 |
| CN115878319A (zh) * | 2022-12-13 | 2023-03-31 | 中国计量大学 | 负载均衡方法、***和电子设备 |
| CN116257406A (zh) * | 2023-03-15 | 2023-06-13 | 湖南华彩伟业网络科技有限公司 | 用于智慧城市的网关数据管理方法及其*** |
| CN116319599A (zh) * | 2023-02-20 | 2023-06-23 | 养哇(南京)科技有限公司 | 一种承载voip业务的信道分配***及其方法 |
-
2023
- 2023-06-26 CN CN202310756083.6A patent/CN117215766A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368980A (zh) * | 2020-03-06 | 2020-07-03 | 京东数字科技控股有限公司 | 状态检测方法、装置、设备及存储介质 |
| CN113379033A (zh) * | 2021-06-11 | 2021-09-10 | 国网湖北省电力有限公司黄石供电公司 | 基于时空网络增强深度学习的电缆健康状态智能预警方法 |
| CN115373813A (zh) * | 2022-04-03 | 2022-11-22 | 福建福清核电有限公司 | 云计算环境中基于gpu虚拟化的调度方法、***和电子设备 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估***及其方法 |
| CN115878319A (zh) * | 2022-12-13 | 2023-03-31 | 中国计量大学 | 负载均衡方法、***和电子设备 |
| CN116319599A (zh) * | 2023-02-20 | 2023-06-23 | 养哇(南京)科技有限公司 | 一种承载voip业务的信道分配***及其方法 |
| CN116257406A (zh) * | 2023-03-15 | 2023-06-13 | 湖南华彩伟业网络科技有限公司 | 用于智慧城市的网关数据管理方法及其*** |
Non-Patent Citations (1)
| Title |
|---|
| 曲星宇;曾鹏;李俊鹏;: "基于RNN-LSTM的磨矿***故障诊断技术", 信息与控制, no. 02, 15 April 2019 (2019-04-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109639739A (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
| CN106651057B (zh) | 一种基于安装包序列表的移动端用户年龄预测方法 | |
| CN105117429A (zh) | 基于主动学习和多标签多示例学习的场景图像标注方法 | |
| CN111930526B (zh) | 负载预测方法、装置、计算机设备和存储介质 | |
| CN111310041B (zh) | 图文发布的方法、模型的训练方法、装置及存储介质 | |
| CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
| CN110990121B (zh) | 一种基于应用画像的Kubernetes调度策略 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及*** | |
| CN115905528A (zh) | 具有时序特征的事件多标签分类方法、装置及电子设备 | |
| CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
| CN111339052A (zh) | 一种非结构化日志数据处理方法及装置 | |
| CN110751191A (zh) | 一种图像的分类方法及*** | |
| CN113282433B (zh) | 集群异常检测方法、装置和相关设备 | |
| CN117435901B (zh) | 一种工业互联网数据获取方法、***、终端及储存介质 | |
| CN117197722B (zh) | 基于移动互联网视频的用户感知与分析*** | |
| CN112949778A (zh) | 基于局部敏感哈希的智能合约分类方法、***及电子设备 | |
| CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
| CN117215766A (zh) | 多媒体智能调度机及其方法 | |
| CN116340845A (zh) | 标签生成方法、装置、存储介质及电子设备 | |
| CN116777692A (zh) | 基于数据分析的在线学习方法、装置、设备及存储介质 | |
| CN115438658A (zh) | 一种实体识别方法、识别模型的训练方法和相关装置 | |
| CN112183752B (zh) | 一种基于自动示例选择的端到端多示例学习方法 | |
| CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
| CN117724858B (zh) | 地理空间分析模型调度方法、装置、设备及介质 | |
| CN110837894A (zh) | 一种特征处理方法、装置及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240207 Address after: Room 415, 4th Floor, Building B, Yanxiang Technology Building, No. 333 Jianghong Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000 (self declared) Applicant after: Hangzhou Jiujiu Kechuang Technology Co.,Ltd. Country or region after: China Address before: 311100, 3rd Floor, Building 1, No. 163 Wuchang Avenue, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU XIBEI TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right |