CN117950879A - 自适应云服务器分布方法、装置及计算机设备 - Google Patents
自适应云服务器分布方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN117950879A CN117950879A CN202410346154.XA CN202410346154A CN117950879A CN 117950879 A CN117950879 A CN 117950879A CN 202410346154 A CN202410346154 A CN 202410346154A CN 117950879 A CN117950879 A CN 117950879A
- Authority
- CN
- China
- Prior art keywords
- cloud server
- distribution
- cloud
- demand data
- static
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 105
- 230000003068 static effect Effects 0.000 claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 5
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000012821 model calculation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing 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
- G06F9/50—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
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及云计算技术领域,具体涉及自适应云服务器分布方法、装置及计算机设备,包括以下步骤:获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到云服务器静态分布模型;将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到云服务器动态分布模型;利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。本发明实现在云服务器布设完成后,适应各地区的算力需求发展情况,进行云服务器分布的自适应适配,合理分布云服务器资源。
Description
技术领域
本发明涉及云计算技术领域,具体涉及自适应云服务器分布方法、装置及计算机设备。
背景技术
云服务器(Elastic Compute Service, ECS) 是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。其管理方式比物理服务器更简单高效。用户无需提前购买硬件,即可迅速创建或释放任意多台云服务器。
云服务器的分布决定了所在地区的算力情况。现有技术中,通常是通过人为主观对各个地区进行云服务器数量确定,完成云服务器的分布设置。因此,云服务器的分布随机性高,难以适应各地区的实际情况或称真实需要,并且在布设完成后,不做调整,更加难以适应各地区的发展情况,造成云服务器分布效果不佳。
发明内容
本发明的目的在于提供自适应云服务器分布方法、装置及计算机设备,以解决现有技术中云服务器的分布随机性高,难以适应各地区的实际情况或称真实需要,并且在布设完成后,不做调整,更加难以适应各地区的发展情况,造成云服务器分布效果不佳的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
在本发明的第一方面,一种自适应云服务器分布方法,包括以下步骤:
获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;
在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到每个云服务器分布地区处用于根据算力需求测算出云服务器分布数量的云服务器静态分布模型;
将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型;
利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。
作为本发明的一种优选方案,所述算力需求数据序列为以时序为属性的数据序列,算力需求数据序列的表达式为:{q t |t∈[t0,tn]},其中,q t 为时序t处的算力需求数据,t0为获取算力需求的初始时序,tn为获取算力需求的终止时序。作为本发明的一种优选方案,所述云服务器静态分布模型的构建方法包括:
将各个云服务器分布地区的算力需求数据序列中每个算力需求数据,根据单个云服务器的算力,对应换成云服务器数量;
将算力需求数据序列中每个算力需求数据对应的云服务器数量,以算力需求数据序列中顺序进行排序得到云服务器数量序列;
在每个云服务器分布地区上,将算力需求数据序列作为神经网络的输入项,将云服务器数量序列作为神经网络的输出项;
在每个云服务器分布地区上,利用神经网络对算力需求数据序列和云服务器数量序列进行学习训练,得到所述云服务器静态分布模型;
所述云服务器静态分布模型的表达式为:
Severs_numk=BP(computility_datak);式中,Severs_numk为第k个云服务器分布地区的云服务器数量序列,computility_datak为第k个云服务器分布地区的算力需求数据序列,BP为神经网络。
作为本发明的一种优选方案,所述云服务器动态分布模型的构建方法包括:
获取各个云服务器分布地区的云服务器静态分布模型的损失函数;
将各个云服务器分布地区的云服务器静态分布模型的损失函数进行加权组合,得到组合型损失函数;
以组合型损失函数,对各个云服务器分布地区的云服务器静态分布模型的进行同步训练,得到所述云服务器分布地区的云服务器动态分布模型;
所述云服务器动态分布模型的模型表达式为:
;
式中,Severs_num1、Severs_num2和Severs_numN分别为第1、2和N个云服务器分布地区的云服务器数量序列,computility_data1、computility_data2和computility_dataN为第1、2和N个云服务器分布地区的算力需求数据序列,BP为神经网络。
作为本发明的一种优选方案,所述组合型损失函数的构建方法包括:
获取云服务器静态分布模型的准确率以及云服务器分布地区的算力需求数据序列的变动率;
基于云服务器静态分布模型的准确率以及算力需求数据序列的变动率,确定出各个云服务器静态分布模型的加权权重;
利用各个云服务器静态分布的加权权重,对各个云服务器分布地区的云服务器静态分布模型的损失函数进行加权组合,得到组合型损失函数,所述组合型损失函数的表达式为:;
式中,Loss为组合型损失函数,lossk为第k个云服务器静态分布模型的损失函数,Wk为第k个云服务器静态分布模型的加权权重,N为云服务器静态分布模型的总个数;;
式中,Wk为第k个云服务器静态分布模型的加权权重,Hk为第k个云服务器分布地区的算力需求数据序列的变动率,Zk为第k个云服务器静态分布模型的准确率。
作为本发明的一种优选方案,所述云服务器静态分布模型的准确率为模型预测正确次数与模型预测总数的比值。
作为本发明的一种优选方案,所述云服务器分布地区的算力需求数据序列的变动率通过算力需求数据序列的离散率进行量化,所述变动率的量化公式为:
;
式中,Hk为第k个云服务器分布地区的算力需求数据序列的变动率,qkt为第k个云服务器分布地区的算力需求数据序列中时序t处的算力需求数据,t0为获取算力需求的初始时序,tn为获取算力需求的终止时序。
作为本发明的一种优选方案,利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配方法,包括:
利用云服务器动态分布模型,根据当前时间段内的算力需求数据序列,得到各个云服务器分布地区当前时间段内的云服务器数量;
将每个云服务器分布地区当前时间段内的云服务器数量与其前一时间段内的云服务器数量进行比较,其中,
当当前时间段内的云服务器数量小于其前一时间段内的云服务器数量,将云服务器分布地区作为服务器可迁出地区;
当当前时间段内的云服务器数量大于其前一时间段内的云服务器数量,将云服务器分布地区作为服务器可迁入地区;
将服务器可迁出地区依服务器可迁入地区进行自适应调配。
在本发明的第二方面,本发明提供了一种自适应云服务器分布装置,包括:
数据监测单元,用于获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;
模型训练单元,用于在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到每个云服务器分布地区处用于根据算力需求测算出云服务器分布数量的云服务器静态分布模型;以及
用于将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型;
自适应调配单元,用于利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。
在本发明的第三方面,本发明提供了一种计算机设备,包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使计算机设备执行所述的基于算力需求的自适应云服务器分布方法。
本发明与现有技术相比较具有如下有益效果:
本发明利用神经网络根据算力需求测算出云服务器分布数量的云服务器静态分布模型,实现适应各地区的实际情况或称真实需要进行云服务器分布,再将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型,实现在云服务器布设完成后,适应各地区的算力需求发展情况,进行云服务器分布的自适应适配,合理分布云服务器资源。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的基于算力需求的自适应云服务器分布方法流程图;
图2为本发明实施例提供的基于算力需求的自适应云服务器分布装置框图;
图3为本发明实施例提供的计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在本发明的第一方面,本发明提供了一种自适应云服务器分布方法,包括以下步骤:
获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;
在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到每个云服务器分布地区处用于根据算力需求测算出云服务器分布数量的云服务器静态分布模型;
将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型;
利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。
本发明为了适应地区的算力需求,利用神经网络构建云服务器静态分布模型,能够实现根据云服务器分布地区的算力需求定量化计算出最适云服务器数量,进而保证满足该地区的算力需求,同时避免云服务器的冗余分布。
本发明的云服务器静态分布模型是根据静态历史数据计算得到的,是固定的,难以适配云服务器分布地区的算力需求动态变化,因此,本发明在此基础上,将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,同步训练,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型,实现实时根据各个云服务器分布地区的算力需求情况,实时计算出所需的云服务器数量,从而对各个云服务器分布地区的云服务器数量进行动态调整,最终实现云服务器的自适应调配,保障各个地区算力服务的同时,避免云服务器在各个地区的冗余分布,实现云服务器资源的动态合理化分配。
具体的,本发明以构建统一的损失函数进行同步训练,从而实现将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,从而保证了各个云服务器静态分布模型运算的同步性,能够统一运算出各个分布地区的算力需求,消除各个分布地区的差异性,保证云服务器计算的准确性。
而且,在损失函数中,各个云服务器静态分布模型具有权重,该权重由云服务器静态分布模型的准确率以及云服务器分布地区的算力需求数据序列的变动率组成,当算力需求数据序列的变动率时,对应的云服务器分布地区算力需求变动程度越大,说明该地区的云服务器静态分布模型准确性越不足,需要重新训练,因此,本发明为该地区赋予更高的权重使得所有静态分布模型同步训练时将具有更多的学习资源,从而能够最快的计算出适应该地区的算力需求的云服务器数量。其中,将云服务器静态分布模型的准确率作为权重的调节系数,保证在地区的云服务器静态分布模型准确性越高情况下,本发明为该地区赋予更低的权重,从而避免该静态分布模型抢夺不必要的学习资源。
因此,本发明利用权重进行静态分布模型同步训练性能的自适应优化,保证能够准确适配各地区算力需求变化的同时,也能够实现学习训练资源的最优分配,避免云服务器冗余分布。
算力需求数据序列为以时序为属性的数据序列,算力需求数据序列的表达式为:{q t |t∈[t0,tn]},其中,q t 为时序t处的算力需求数据,t0为获取算力需求的初始时序,tn为获取算力需求的终止时序。本发明为了适应地区的算力需求,利用神经网络构建云服务器静态分布模型,能够实现根据云服务器分布地区的算力需求定量化计算出最适云服务器数量,进而保证满足该地区的算力需求,同时避免云服务器的冗余分布,具体的:
云服务器静态分布模型的构建方法包括:
将各个云服务器分布地区的算力需求数据序列中每个算力需求数据,根据单个云服务器的算力,对应换成云服务器数量;
将算力需求数据序列中每个算力需求数据对应的云服务器数量,以算力需求数据序列中顺序进行排序得到云服务器数量序列;
在每个云服务器分布地区上,将算力需求数据序列作为神经网络的输入项,将云服务器数量序列作为神经网络的输出项;
在每个云服务器分布地区上,利用神经网络对算力需求数据序列和云服务器数量序列进行学习训练,得到云服务器静态分布模型;
云服务器静态分布模型的表达式为:
Severs_numk=BP(computility_datak);式中,Severs_numk为第k个云服务器分布地区的云服务器数量序列,computility_datak为第k个云服务器分布地区的算力需求数据序列,BP为神经网络。
本发明的云服务器静态分布模型是根据静态历史数据计算得到的,是固定的,难以适配云服务器分布地区的算力需求动态变化,因此,本发明在此基础上,将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,同步训练,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型,实现实时根据各个云服务器分布地区的算力需求情况,实时计算出所需的云服务器数量,从而对各个云服务器分布地区的云服务器数量进行动态调整,最终实现云服务器的自适应调配,保障各个地区算力服务的同时,避免云服务器在各个地区的冗余分布,实现云服务器资源的动态合理化分配,具体的:
云服务器动态分布模型的构建方法包括:
获取各个云服务器分布地区的云服务器静态分布模型的损失函数;
将各个云服务器分布地区的云服务器静态分布模型的损失函数进行加权组合,得到组合型损失函数;
以组合型损失函数,对各个云服务器分布地区的云服务器静态分布模型的进行同步训练,得到云服务器分布地区的云服务器动态分布模型;
云服务器动态分布模型的模型表达式为:
;
式中,Severs_num1、Severs_num2和Severs_numN分别为第1、2和N个云服务器分布地区的云服务器数量序列,computility_data1、computility_data2和computility_dataN为第1、2和N个云服务器分布地区的算力需求数据序列,BP为神经网络。
组合型损失函数的构建方法包括:
获取云服务器静态分布模型的准确率以及云服务器分布地区的算力需求数据序列的变动率;
基于云服务器静态分布模型的准确率以及算力需求数据序列的变动率,确定出各个云服务器静态分布模型的加权权重;
利用各个云服务器静态分布的加权权重,对各个云服务器分布地区的云服务器静态分布模型的损失函数进行加权组合,得到组合型损失函数,组合型损失函数的表达式为:;式中,Loss为组合型损失函数,lossk为第k个云服务器静态分布模型的损失函数,Wk为第k个云服务器静态分布模型的加权权重,N为云服务器静态分布模型的总个数;/>;式中,Wk为第k个云服务器静态分布模型的加权权重,Hk为第k个云服务器分布地区的算力需求数据序列的变动率,Zk为第k个云服务器静态分布模型的准确率。
云服务器静态分布模型的准确率为模型预测正确次数与模型预测总数的比值。
云服务器分布地区的算力需求数据序列的变动率通过算力需求数据序列的离散率进行量化,变动率的量化公式为:;
式中,Hk为第k个云服务器分布地区的算力需求数据序列的变动率,qkt为第k个云服务器分布地区的算力需求数据序列中时序t处的算力需求数据,t0为获取算力需求的初始时序,tn为获取算力需求的终止时序。本发明以构建统一的损失函数进行同步训练,从而实现将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,从而保证了各个云服务器静态分布模型运算的同步性,能够统一运算出各个分布地区的算力需求,消除各个分布地区的差异性,保证云服务器计算的准确性。
而且,在损失函数中,各个云服务器静态分布模型具有权重,该权重由云服务器静态分布模型的准确率以及云服务器分布地区的算力需求数据序列的变动率组成,当算力需求数据序列的变动率时,对应的云服务器分布地区算力需求变动程度越大,说明该地区的云服务器静态分布模型准确性越不足,需要重新训练,因此,本发明为该地区赋予更高的权重使得所有静态分布模型同步训练时将具有更多的学习资源,从而能够最快的计算出适应该地区的算力需求的云服务器数量。其中,将云服务器静态分布模型的准确率作为权重的调节系数,保证在地区的云服务器静态分布模型准确性越高情况下,本发明为该地区赋予更低的权重,从而避免该静态分布模型抢夺不必要的学习资源。
因此,本发明利用权重进行静态分布模型同步训练性能的自适应优化,保证能够准确适配各地区算力需求变化的同时,也能够实现学习训练资源的最优分配,避免云服务器冗余分布。
利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配方法,包括:
利用云服务器动态分布模型,根据当前时间段内的算力需求数据序列,得到各个云服务器分布地区当前时间段内的云服务器数量;
将每个云服务器分布地区当前时间段内的云服务器数量与其前一时间段内的云服务器数量进行比较,其中,
当当前时间段内的云服务器数量小于其前一时间段内的云服务器数量,将云服务器分布地区作为服务器可迁出地区;
当当前时间段内的云服务器数量大于其前一时间段内的云服务器数量,将云服务器分布地区作为服务器可迁入地区;
将服务器可迁出地区依服务器可迁入地区进行自适应调配。
如图2所示,在本发明的第二方面,本发明提供了一种自适应云服务器分布装置,包括:
数据监测单元,用于获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;
模型训练单元,用于在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到每个云服务器分布地区处用于根据算力需求测算出云服务器分布数量的云服务器静态分布模型;以及
用于将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型;
自适应调配单元,用于利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。
如图3所示,在本发明的第三方面,本发明提供了一种计算机设备,包括:至少一个处理器;以及
与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使计算机设备执行的基于算力需求的自适应云服务器分布方法。
本发明利用神经网络根据算力需求测算出云服务器分布数量的云服务器静态分布模型,实现适应各地区的实际情况或称真实需要进行云服务器分布,再将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型,实现在云服务器布设完成后,适应各地区的算力需求发展情况,进行云服务器分布的自适应适配,合理分布云服务器资源。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种自适应云服务器分布方法,其特征在于,包括以下步骤:
获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;
在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到每个云服务器分布地区处用于根据算力需求测算出云服务器分布数量的云服务器静态分布模型;
将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型;
利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。
2.根据权利要求1所述的一种自适应云服务器分布方法,其特征在于:所述算力需求数据序列为以时序为属性的数据序列,算力需求数据序列的表达式为:{q t |t∈[t0,tn]},其中,q t 为时序t处的算力需求数据,t0为获取算力需求的初始时序,tn为获取算力需求的终止时序。
3.根据权利要求2所述的一种自适应云服务器分布方法,其特征在于:所述云服务器静态分布模型的构建方法包括:
将各个云服务器分布地区的算力需求数据序列中每个算力需求数据,根据单个云服务器的算力,对应换成云服务器数量;
将算力需求数据序列中每个算力需求数据对应的云服务器数量,以算力需求数据序列中顺序进行排序得到云服务器数量序列;
在每个云服务器分布地区上,将算力需求数据序列作为神经网络的输入项,将云服务器数量序列作为神经网络的输出项;
在每个云服务器分布地区上,利用神经网络对算力需求数据序列和云服务器数量序列进行学习训练,得到所述云服务器静态分布模型;
所述云服务器静态分布模型的表达式为:Severs_numk=BP(computility_datak);式中,Severs_numk为第k个云服务器分布地区的云服务器数量序列,computility_datak为第k个云服务器分布地区的算力需求数据序列,BP为神经网络。
4.根据权利要求3所述的一种自适应云服务器分布方法,其特征在于:所述云服务器动态分布模型的构建方法包括:
获取各个云服务器分布地区的云服务器静态分布模型的损失函数;
将各个云服务器分布地区的云服务器静态分布模型的损失函数进行加权组合,得到组合型损失函数;
以组合型损失函数,对各个云服务器分布地区的云服务器静态分布模型的进行同步训练,得到所述云服务器分布地区的云服务器动态分布模型;
所述云服务器动态分布模型的模型表达式为:
;
式中,Severs_num1、Severs_num2和Severs_numN分别为第1、2和N个云服务器分布地区的云服务器数量序列,computility_data1、computility_data2和computility_dataN为第1、2和N个云服务器分布地区的算力需求数据序列,BP为神经网络。
5.根据权利要求4所述的一种自适应云服务器分布方法,其特征在于:所述组合型损失函数的构建方法包括:
获取云服务器静态分布模型的准确率以及云服务器分布地区的算力需求数据序列的变动率;
基于云服务器静态分布模型的准确率以及算力需求数据序列的变动率,确定出各个云服务器静态分布模型的加权权重;
利用各个云服务器静态分布的加权权重,对各个云服务器分布地区的云服务器静态分布模型的损失函数进行加权组合,得到组合型损失函数,所述组合型损失函数的表达式为:;式中,Loss为组合型损失函数,lossk为第k个云服务器静态分布模型的损失函数,Wk为第k个云服务器静态分布模型的加权权重,N为云服务器静态分布模型的总个数;/>;
式中,Wk为第k个云服务器静态分布模型的加权权重,Hk为第k个云服务器分布地区的算力需求数据序列的变动率,Zk为第k个云服务器静态分布模型的准确率。
6.根据权利要求5所述的一种自适应云服务器分布方法,其特征在于:所述云服务器静态分布模型的准确率为模型预测正确次数与模型预测总数的比值。
7.根据权利要求6所述的一种自适应云服务器分布方法,其特征在于:所述云服务器分布地区的算力需求数据序列的变动率通过算力需求数据序列的离散率进行量化,所述变动率的量化公式为:;
式中,Hk为第k个云服务器分布地区的算力需求数据序列的变动率,qkt为第k个云服务器分布地区的算力需求数据序列中时序t处的算力需求数据,t0为获取算力需求的初始时序,tn为获取算力需求的终止时序。
8.根据权利要求7所述的一种自适应云服务器分布方法,其特征在于:利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配方法,包括:
利用云服务器动态分布模型,根据当前时间段内的算力需求数据序列,得到各个云服务器分布地区当前时间段内的云服务器数量;
将每个云服务器分布地区当前时间段内的云服务器数量与其前一时间段内的云服务器数量进行比较,其中,
当当前时间段内的云服务器数量小于其前一时间段内的云服务器数量,将云服务器分布地区作为服务器可迁出地区;
当当前时间段内的云服务器数量大于其前一时间段内的云服务器数量,将云服务器分布地区作为服务器可迁入地区;
将服务器可迁出地区依服务器可迁入地区进行自适应调配。
9.一种自适应云服务器分布装置,其特征在于,包括:
数据监测单元,用于获取各个云服务器分布地区在一段时间内的算力需求数据,得到各个云服务器分布地区的算力需求数据序列;
模型训练单元,用于在每个云服务器分布地区处,利用神经网络对算力需求数据序列与云服务器分布数量的关联关系进行学习,得到每个云服务器分布地区处用于根据算力需求测算出云服务器分布数量的云服务器静态分布模型;以及
用于将各个云服务器分布地区处的云服务器静态分布模型进行同步组合,得到各个云服务器分布地区处用于根据算力需求自适应调配云服务器分布的云服务器动态分布模型;
自适应调配单元,用于利用云服务器动态分布模型对各个云服务器分布地区进行云服务器的自适应调配。
10.一种计算机设备,其特征在于,包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使计算机设备执行权利要求 1-8 任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410346154.XA CN117950879B (zh) | 2024-03-26 | 2024-03-26 | 自适应云服务器分布方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410346154.XA CN117950879B (zh) | 2024-03-26 | 2024-03-26 | 自适应云服务器分布方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117950879A true CN117950879A (zh) | 2024-04-30 |
CN117950879B CN117950879B (zh) | 2024-06-07 |
Family
ID=90805494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410346154.XA Active CN117950879B (zh) | 2024-03-26 | 2024-03-26 | 自适应云服务器分布方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117950879B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014191378A (ja) * | 2013-03-26 | 2014-10-06 | Hitachi Systems Ltd | サーバ数調整システムおよび方法ならびにプログラム |
US20190026139A1 (en) * | 2017-07-21 | 2019-01-24 | Tmaxsoft. Co., Ltd. | Method and apparatus for managing cloud server in cloud environment |
CN111897399A (zh) * | 2019-05-05 | 2020-11-06 | 西安光启未来技术研究院 | 一种基于嵌入式可扩展算力的服务器 |
CN113435472A (zh) * | 2021-05-24 | 2021-09-24 | 西安电子科技大学 | 车载算力网络用户需求预测方法、***、设备、介质 |
WO2022134965A1 (zh) * | 2020-12-25 | 2022-06-30 | 华为技术有限公司 | 一种算力资源的配置方法及设备 |
CN115454654A (zh) * | 2022-11-11 | 2022-12-09 | 中诚华隆计算机技术有限公司 | 一种自适应资源匹配获取方法和装置 |
CN117435335A (zh) * | 2023-08-01 | 2024-01-23 | 中国工商银行股份有限公司 | 算力调度方法、装置、计算机设备和存储介质 |
-
2024
- 2024-03-26 CN CN202410346154.XA patent/CN117950879B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014191378A (ja) * | 2013-03-26 | 2014-10-06 | Hitachi Systems Ltd | サーバ数調整システムおよび方法ならびにプログラム |
US20190026139A1 (en) * | 2017-07-21 | 2019-01-24 | Tmaxsoft. Co., Ltd. | Method and apparatus for managing cloud server in cloud environment |
CN111897399A (zh) * | 2019-05-05 | 2020-11-06 | 西安光启未来技术研究院 | 一种基于嵌入式可扩展算力的服务器 |
WO2022134965A1 (zh) * | 2020-12-25 | 2022-06-30 | 华为技术有限公司 | 一种算力资源的配置方法及设备 |
CN114691346A (zh) * | 2020-12-25 | 2022-07-01 | 华为技术有限公司 | 一种算力资源的配置方法及设备 |
CN113435472A (zh) * | 2021-05-24 | 2021-09-24 | 西安电子科技大学 | 车载算力网络用户需求预测方法、***、设备、介质 |
CN115454654A (zh) * | 2022-11-11 | 2022-12-09 | 中诚华隆计算机技术有限公司 | 一种自适应资源匹配获取方法和装置 |
CN117435335A (zh) * | 2023-08-01 | 2024-01-23 | 中国工商银行股份有限公司 | 算力调度方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王万良 等: "大规模云计算服务器优化调度问题的最优二元交换算法研究", 《通信学报》, vol. 40, no. 5, 31 May 2019 (2019-05-31), pages 180 - 191 * |
Also Published As
Publication number | Publication date |
---|---|
CN117950879B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705610B (zh) | 一种基于联邦学习的异构模型聚合方法和*** | |
Zhang et al. | A multi-agent reinforcement learning approach for efficient client selection in federated learning | |
WO2021057245A1 (zh) | 带宽预测方法、装置、电子设备及存储介质 | |
CN111708640A (zh) | 一种面向边缘计算的联邦学习方法和*** | |
CN111629380B (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
CN111726303B (zh) | 一种流量控制方法、装置以及计算设备 | |
CN110889509A (zh) | 一种基于梯度动量加速的联合学习方法及装置 | |
CN110502323B (zh) | 一种云计算任务实时调度方法 | |
CN113206887A (zh) | 边缘计算下针对数据与设备异构性加速联邦学习的方法 | |
CN113778691B (zh) | 一种任务迁移决策的方法、装置及*** | |
CN114895773B (zh) | 异构多核处理器的能耗优化方法、***、装置及存储介质 | |
CN106453608A (zh) | 一种基于云端的移动应用的后台请求自适应调度算法 | |
CN115587633A (zh) | 一种基于参数分层的个性化联邦学习方法 | |
CN112818025A (zh) | 试题生成方法、装置和***、计算机存储介质和程序产品 | |
CN111507474B (zh) | 一种动态调整Batch-size的神经网络分布式训练方法 | |
CN117236421B (zh) | 一种基于联邦知识蒸馏的大模型训练方法 | |
CN109389424A (zh) | 流量分配方法、装置、电子设备及存储介质 | |
CN113283778A (zh) | 一种基于安全性评价的分层汇聚联邦学习方法 | |
CN105786626B (zh) | 基于K划分的Storm平台线程分配方法 | |
CN114760308A (zh) | 边缘计算卸载方法及装置 | |
CN117950879B (zh) | 自适应云服务器分布方法、装置及计算机设备 | |
CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
CN110290206A (zh) | 一种用于网吧环境的分布式计算***及方法 | |
CN115345306A (zh) | 深度神经网络调度方法及调度器 | |
CN117746172A (zh) | 基于域差异感知蒸馏的异构模型聚合方法及*** |
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 |