[發明專利]一種主機調度方法、系統、設備及計算機可讀存儲介質

有效

• 申請號: 202310053167.3
• 申請日: 2023-02-03
• 公開（公告）號: CN115865684B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 楊尚飛;王培輝
• 申請（專利權）人: 浪潮電子信息產業股份有限公司
• 主分類號: H04L41/0895
• 分類號: H04L41/0895;H04L41/0823;H04L41/16;H04L67/1004;H04L41/147;H04L41/12;G06F9/48;G06F9/50;G06N3/0442;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王浩

1.一種主機調度方法，其特征在于，包括：

獲取目標云平臺的目標調度數據集，所述目標調度數據集包括所述目標云平臺的拓撲數據及部署有Overlay網絡的各個主機的網卡流量數據；

將所述目標調度數據集輸入預先訓練的目標神經網絡模型，所述目標神經網絡模型包括LSTM模型；

獲取所述目標神經網絡模型預測的各個所述主機的網卡在未來時間內的目標性能數據；

基于所述目標性能數據，在所述主機中選取滿足L2gateway性能需求的目標主機；

在所述目標主機上部署所述L2gateway，以使所述主機基于所述L2gateway與外部網卡進行通信；

其中，所述將所述目標調度數據集輸入預先訓練的目標神經網絡模型之前，還包括：

獲取所述目標云平臺在預設時間內的訓練調度數據集；

對所述訓練調度數據集進行分類，得到固定數據集和過渡數據集，所述固定數據集包括L2gateway主機固定不變時的所述網卡流量數據和所述拓撲數據，所述過渡數據集包括L2gateway主機變動時的所述網卡流量數據和所述拓撲數據；

將所述固定數據集和所述過渡數據集分類為訓練集和測試集；

基于所述訓練集對搭建的不同參數的初始神經網絡模型進行訓練，所述參數包括batch_size、激活函數、神經網絡層數、梯度下降算法、優化算法、學習率中的一個或多個；

基于所述測試集對所述初始神經網絡模型進行性能測試，并選取性能最優的所述初始神經網絡模型作為所述目標神經網絡模型。

2.根據權利要求1所述的主機調度方法，其特征在于，所述基于所述訓練集對搭建的不同參數的初始神經網絡模型進行訓練，包括：

對所述訓練集進行處理，得到目標訓練集；

基于所述目標訓練集對搭建的不同參數的所述初始神經網絡模型進行訓練。

3.根據權利要求2所述的主機調度方法，其特征在于，所述基于所述測試集對所述初始神經網絡模型進行性能測試，包括：

對所述測試集進行處理，得到目標測試集；

基于所述目標測試集對所述初始神經網絡模型進行性能測試。

4.根據權利要求1所述的主機調度方法，其特征在于，所述將所述目標調度數據集輸入預先訓練的目標神經網絡模型，包括：

對所述目標調度數據集進行處理，得到目標輸入數據；

將所述目標輸入數據輸入預先訓練的所述目標神經網絡模型。

5.根據權利要求4所述的主機調度方法，其特征在于，所述對所述目標調度數據集進行處理，得到目標輸入數據，包括：

對所述目標調度數據集進行小波變換及濾波，得到所述目標輸入數據。

6.根據權利要求1所述的主機調度方法，其特征在于，所述獲取所述目標神經網絡模型預測的各個所述主機的網卡在未來時間內的目標性能數據，包括：

獲取所述目標神經網絡模型預測的各個所述主機的網卡在未來時間內開啟所述L2gateway后的傳輸速度。

7.根據權利要求6所述的主機調度方法，其特征在于，所述基于所述目標性能數據，在所述主機中選取滿足L2gateway性能需求的目標主機，包括：

基于所述主機的網卡的所述傳輸速度，確定所述主機的網卡的負載率；

基于所述主機的網卡的負載率在所述主機中選取滿足所述L2gateway性能需求的所述目標主機。

8.根據權利要求7所述的主機調度方法，其特征在于，所述基于所述主機的網卡的負載率在所述主機中選取滿足所述L2gateway性能需求的所述目標主機，包括：

獲取所述目標云平臺在當前運行環境下部署所述L2gateway的預設負載率閾值；

獲取所述目標云平臺中部署所述L2gateway的各個源主機的網卡負載率值；

按照所述預設負載率閾值及所述網卡負載率值，基于所述主機的網卡的負載率在所述主機中選取滿足所述預設負載率閾值的所述目標主機。