[發(fā)明專利]基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110708644.6
• 申請(qǐng)日: 2021-06-25
• 公開(kāi)（公告）號(hào): CN113536081B
• 公開(kāi)（公告）日: 2022-04-01
• 發(fā)明（設(shè)計(jì)）人: 徐一忠;陳晗;何水芳;徐政宇
• 申請(qǐng)（專利權(quán)）人: 浙江海瑞網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G06F16/907
• 分類號(hào): G06F16/907;G06F16/906;G06F16/901;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 楊學(xué)強(qiáng)

1.一種基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法，其特征在于，包括：

獲取歷史記錄中的歷史調(diào)度數(shù)據(jù)，并根據(jù)所述歷史調(diào)度數(shù)據(jù)獲取對(duì)應(yīng)的歷史數(shù)據(jù)的數(shù)據(jù)屬性和調(diào)度記錄，所述數(shù)據(jù)屬性包括數(shù)據(jù)來(lái)源、數(shù)據(jù)類型、數(shù)據(jù)大小、數(shù)據(jù)目的標(biāo)簽，所述調(diào)度記錄包括數(shù)據(jù)遷移、數(shù)據(jù)刪改、數(shù)據(jù)合并；

排除所述歷史數(shù)據(jù)中包含數(shù)據(jù)目的標(biāo)簽的數(shù)據(jù)，根據(jù)剩余歷史數(shù)據(jù)的數(shù)據(jù)來(lái)源、數(shù)據(jù)類型、數(shù)據(jù)大小構(gòu)建對(duì)應(yīng)的數(shù)據(jù)屬性權(quán)重模型；

將數(shù)據(jù)屬性權(quán)重模型與對(duì)應(yīng)的調(diào)度記錄作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練；

獲取目標(biāo)數(shù)據(jù)的數(shù)據(jù)屬性，并將所述目標(biāo)數(shù)據(jù)的數(shù)據(jù)屬性輸入至訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，輸出目標(biāo)數(shù)據(jù)對(duì)應(yīng)的調(diào)度記錄，根據(jù)所述目標(biāo)數(shù)據(jù)的調(diào)度記錄對(duì)所述目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)管理。

2.根據(jù)權(quán)利要求1所述的基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法，其特征在于，所述根據(jù)剩余歷史數(shù)據(jù)的數(shù)據(jù)來(lái)源、數(shù)據(jù)類型、數(shù)據(jù)大小構(gòu)建對(duì)應(yīng)的數(shù)據(jù)屬性權(quán)重模型，包括：

根據(jù)所述數(shù)據(jù)來(lái)源確定發(fā)送方的第一優(yōu)先級(jí)，根據(jù)所述第一優(yōu)先級(jí)確定所述剩余歷史數(shù)據(jù)的第一權(quán)重；

根據(jù)所述數(shù)據(jù)類型確定所述剩余歷史數(shù)據(jù)的第二優(yōu)先級(jí)，根據(jù)所述第二優(yōu)先級(jí)確定所述剩余歷史數(shù)據(jù)的第二權(quán)重；

根據(jù)所述數(shù)據(jù)大小確定所述剩余歷史數(shù)據(jù)的第三優(yōu)先級(jí)，根據(jù)所述第三優(yōu)先級(jí)確定所述剩余歷史數(shù)據(jù)的第三權(quán)重；

根據(jù)所述第一權(quán)重、第二權(quán)重、第三權(quán)重確定綜合權(quán)重，根據(jù)所述剩余歷史數(shù)據(jù)及對(duì)應(yīng)的綜合權(quán)重構(gòu)建對(duì)應(yīng)的數(shù)據(jù)屬性權(quán)重模型。

3.根據(jù)權(quán)利要求2所述的基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法，其特征在于，所述根據(jù)數(shù)據(jù)大小確定所述剩余歷史數(shù)據(jù)的第三優(yōu)先級(jí)，根據(jù)所述第三優(yōu)先級(jí)確定所述剩余歷史數(shù)據(jù)的第三權(quán)重，包括：

獲取數(shù)據(jù)中心當(dāng)前容量，根據(jù)所述數(shù)據(jù)大小，結(jié)合所述當(dāng)前容量，動(dòng)態(tài)調(diào)整所述剩余歷史數(shù)據(jù)的第三優(yōu)先級(jí)。

4.根據(jù)權(quán)利要求2所述的基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法，其特征在于，所述根據(jù)第一權(quán)重、第二權(quán)重、第三權(quán)重確定綜合權(quán)重，包括：

獲取預(yù)設(shè)的權(quán)重傾向，根據(jù)所述權(quán)重傾向，結(jié)合所述第一權(quán)重、第二權(quán)重、第三權(quán)重確定綜合權(quán)重，所述權(quán)重傾向?yàn)榘l(fā)送方優(yōu)先、優(yōu)先級(jí)數(shù)據(jù)優(yōu)先、數(shù)據(jù)中心性能優(yōu)先三者之一。

5.根據(jù)權(quán)利要求1所述的基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法，其特征在于，將數(shù)據(jù)屬性權(quán)重模型與對(duì)應(yīng)的調(diào)度記錄作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，包括：

將數(shù)據(jù)屬性權(quán)重模型分別與所述數(shù)據(jù)遷移、數(shù)據(jù)刪改、數(shù)據(jù)合并的調(diào)度記錄作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，分別得到三個(gè)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；

所述將目標(biāo)數(shù)據(jù)的數(shù)據(jù)屬性輸入至訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，輸出目標(biāo)數(shù)據(jù)對(duì)應(yīng)的調(diào)度記錄，包括：

將所述目標(biāo)數(shù)據(jù)的數(shù)據(jù)屬性分別輸入至三個(gè)所述訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，輸出1個(gè)主要調(diào)度記錄和2個(gè)額外記錄。

6.根據(jù)權(quán)利要求1所述的基于人工智能的數(shù)據(jù)中心數(shù)據(jù)管理方法，其特征在于，所述將數(shù)據(jù)屬性權(quán)重模型與對(duì)應(yīng)的調(diào)度記錄作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，包括：

將所述訓(xùn)練樣本分為訓(xùn)練集和驗(yàn)證集，將所述訓(xùn)練集輸入到卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的初步卷積神經(jīng)網(wǎng)絡(luò)模型；

通過(guò)所述驗(yàn)證集輸入到訓(xùn)練后的初步卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，測(cè)試完成后得到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型。