[发明专利]一种任务调度方法及装置

说明书

本发明公开了一种任务调度方法及装置。所述方法包括：获取当前周期内各节点的资源使用数据，通过将当前周期内的资源使用数据作为双向循环神经网络模型的输入，预测下一周期内各节点的资源使用数据，进而可以根据下一周期内各节点的资源使用数据对各节点中的任务进行调度。由于本发明实施例采用双向循环神经网络模型，因此能够更加准确地预测下一周期内各节点的资源使用数据，进而提高对各节点中的任务进行调度的准确度。

技术领域

本发明涉及软件技术领域，尤其涉及一种任务调度方法及装置。

背景技术

Kubernetes系统是一个由Google设计和开发的开源容器群集管理项目。它设计的目的是为容器集群提供一个可自动化、可伸缩、可扩展的运营平台。利用Kubernetes系统能方便地管理容器化的应用，能够解决容器之间的通讯问题。

Kubernetes系统中任务调度方法的设计，需要从最大化资源利用率等角度出发，使其能够在出现资源瓶颈之前就能预先触发动态调度。为了让Kubernetes系统能够在出现资源瓶颈之前响应，需要对应用在未来某个时间段内的资源需求量进行预测，然后根据预测值来进行动态的资源调度。目前采用的预测方法主要是通过简单的回归模型对未来资源需求量进行预测。然而，这些方法容易受到预测者主观因素的干扰，对历史数据的质量要求比较高，且预测精度较低。

基于此，目前亟需一种任务调度方法，用于解决现有技术中在任务调度的过程中由于对未来资源需求量预测精确度低导致调度准确性低的问题。

发明内容

本发明实施例提供一种任务调度方法及装置，以解决现有技术中在任务调度的过程中由于对未来资源需求量预测精确度低导致调度准确性低的技术问题。

本发明实施例提供一种任务调度方法，所述方法包括：

获取当前周期内各节点的资源使用数据；

将所述当前周期内各节点的资源使用数据作为双向循环神经网络模型的输入，预测得到下一周期内各节点的资源使用数据；所述双向循环神经网络模型是根据历史周期内各节点的资源使用数据进行训练得到的，所述历史周期为所述当前周期以前的周期；

根据所述下一周期内各节点的资源使用数据，对所述各节点中的任务进行调度。

如此，本发明实施例通过将当前周期内的资源使用数据作为双向循环神经网络模型的输入，预测下一周期内各节点的资源使用数据，进而可以据此对各节点中的任务进行调度。采用双向循环神经网络模型，能够更加准确地预测下一周期内各节点的资源使用数据，从而提高对各节点中的任务进行调度的准确度；进一步地，本发明实施例可以通过自动化监测、采集、处理数据，并通过双向循环神经网络模型进行学习分析并做出预测，全程智能化，无需人工干预；更进一步地，本发明实施例中，可以根据当前周期内各节点的资源使用数据和下一周期内的资源使用数据灵活调整调度所依据的阈值，从而使得任务调度更加灵活，也更加合理，能够及时、准确、动态地调度任务。

在一种可能的实现方式中，所述资源使用数据包括至少一个资源使用量和资源使用状态，所述资源使用状态是根据所述至少一个资源使用量确定的；

所述双向循环神经网络模型是根据所述历史周期内各节点的至少一个资源使用量和资源使用状态进行训练得到的。

在一种可能的实现方式中，所述至少一个资源使用量包括内存使用量、CPU使用量、磁盘使用量和IO吞吐量。

在一种可能的实现方式中，所述双向循环神经网络模型是根据所述历史周期内各节点的至少一个资源使用量和资源使用状态进行训练得到的，包括：

获取任一历史周期内所述各节点的至少一个资源使用量和资源使用状态；