[發明專利]一種計算機資源利用率優化方法

有效

• 申請號: 202011539370.4
• 申請日: 2020-12-23
• 公開（公告）號: CN112667394B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 蔣鍇;趙宇;張政偉;戴大偉;徐瑞
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F9/48;G06N3/04;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 于瀚文;胡建華

1.一種計算機資源利用率優化方法，其特征在于，包括如下步驟：

步驟1，提取一段時間內集群運行的真實數據，并進行數據預處理；

步驟2，使用LSTM神經網絡對任務特征樣本和資源利用率之間的關系進行編碼；

步驟3，使用基于逆強化學習算法對真實集群運行數據資源利用率序列進行學習，生成資源利用率預測函數，所述逆強化學習算法包括策略網絡和判別網絡兩部分，所述策略網絡用于預測資源利用率，所述判別網絡用于評價策略網絡預測的好壞；

步驟4，輸入測試數據中的任務運行狀態，使用資源利用率預測函數進行預測，將預測的資源利用率與測試數據中的資源利用率進行對比，統計計算開銷和預測誤差，預測誤差包括均方誤差，平均絕對誤差，平均絕對誤差的標準差；預測結束后，使用削峰填谷的方法將任務調度至預測資源利用率低于百分之五十的計算機，從而對計算機資源利用率進行優化；

步驟1包括：

步驟1-1，對原始數據進行分塊提取：按照真實集群運行數據的時間戳順序，以設定的時間長度，將大于一小時的集群運行數據分為兩個以上連續時間段內的小段運行數據；所述設定的時間長度根據集群資源利用率預測的需求確定；

步驟1-2，將兩個以上連續時間段內的小段運行數據打包成整段運行軌跡，具體地，將運行數據中的任務特征樣本和資源利用率序列分別打包為狀態變量和動作變量；

步驟1-3，將運行軌跡設定為能夠交互的預測環境，所述預測環境指與算法交互的環境，算法接受預測環境給定的狀態，對當前狀態做出動作，然后獲取預測環境的反饋；

步驟1-2中，狀態變量的定義為：

其中i為機器編號，t為當前時刻，m為狀態變量中包含的歷史數據長度，為t-m到t-1時刻第i臺機器上的任務運行狀態，為t-m到t-1時刻第i臺機器的真實資源利用率；

動作變量的定義為：

其中為t時刻機器i的預測資源利用率。

2.根據權利要求1所述的方法，其特征在于，所述步驟2包括：

步驟2-1，將任務特征樣本輸入LSTM神經網絡，所述任務特征樣本的定義為：

其中為t時刻正在運行的任務集合：

其中task₁,task₂表示不同的兩個任務；

LSTM神經網絡的訓練目標是過去m個時刻的資源利用率序列

步驟2-2，使用反向傳播方法以為擬合目標訓練LSTM神經網絡，迭代兩次以上，直到LSTM神經網絡訓練目標與真實值相對誤差小于百分之十，取出LSTM神經網絡的最后一個隱藏層輸出作為任務特征樣本的編碼。

3.根據權利要求2所述的方法，其特征在于，步驟3包括：

步驟3-1，初始化策略網絡和判別網絡的參數，所述策略網絡指用于進行資源利用率預測的模型，所述判別網絡指用于判別策略網絡擬合效果的模型；準備真實集群數據作為策略網絡的學習目標；

步驟3-2，從策略網絡進行預測資源利用率的采樣，從真實集群數據進行真實資源利用率的采樣，根據預測資源利用率和真實資源利用率之間的誤差使用梯度下降方法更新判別網絡的參數，作為策略網絡的代價函數；

步驟3-3，使用強化學習方法訓練策略網絡，直到策略網絡收斂，從而生成資源利用率預測函數。

4.根據權利要求3所述的方法，其特征在于，步驟4的誤差計算方法為：

均方誤差MSE的計算方法為：

平均絕對誤差MAE的計算方法為：

其中n為預測的總樣本數，U_s⁽ⁱ⁾為預測的資源利用率，U_R⁽ⁱ⁾為真實的資源利用率。