[发明专利]一种工业云环境下基于负载特性的资源调度系统

权利要求书

1.一种工业云环境下基于负载特性的资源调度系统，其特征在于：包括负载数据监控器、负载特性分析器、资源调度决策器、资源调度执行器和数据库；

所述负载数据监控器包括监控服务端和若干监控客户端；

所述监控客户端监测云平台工作节点的负载数据，并发送至监控服务端；

所述监控服务端将接收到的负载数据存储在主节点持久化数据库的历史负载数据序列中，并将历史负载数据序列发送至负载特性分析器；

所述负载特性分析器对历史负载数据序列进行处理，得到当前时间点的负载预测值，并发送至资源调度决策器；

所述资源调度决策器根据当前时间点的负载预测值生成资源调度决策方案，并发送至资源调度执行器；

所述资源调度执行器根据资源调度决策方案执行资源调度；

所述数据库存储负载数据监控器、负载特性分析器、资源调度决策器、资源调度执行器的数据；

所述负载特性分析器存储有XGBoost模型、卷积神经网络、支持向量回归模型；

所述负载特性分析器对历史负载数据序列进行处理的步骤包括：

1)获取历史负载数据序列，记为{X₁,X₂,X₃,…X_t-1}；所述历史负载数据序列具有原始离散特征和原始连续特征；

2)对历史负载数据序列中的原始连续特征进行数据重构，方法为：设置滑动窗口，以与当前时间点t邻近的窗口内的历史负载数据序列作为用于负载预测的历史负载连续数据序列，记为X-y；X为时间t之前的负载向量集合，y为时间t的负载值集合；

3)判断历史负载数据序列是否具有季节性趋势，若是，则进入步骤4)，否则进入步骤5)；

4)利用XGBoost模型对步骤2)所述历史负载连续数据序列进行隐藏特征提取，得到隐藏离散特征I；

对原始离散特征和原始连续特征进行第一步融合，并作为训练集输入到卷积神经网络中进行隐藏特征提取，得到隐藏特征II；

对隐藏离散特征I和隐藏离散特征II进行融合，并过滤稀疏维度，得到融合向量，即支持向量回归模型的输入数据，然后进入步骤6)；

5)利用XGBoost模型对步骤2)所述历史负载连续数据序列进行隐藏特征提取，得到隐藏离散特征III；

利用卷积神经网络模型对步骤2)所述历史负载连续数据序列进行隐藏特征提取，得到隐藏特征Ⅳ；

对隐藏离散特征III和隐藏离散特征Ⅳ进行融合，并过滤稀疏维度，得到融合向量，即支持向量回归模型的输入数据，然后进入步骤6)；

6)将支持向量回归模型输入数据输入到支持向量回归模型中，得到当前时间点的负载预测值；

所述资源调度决策器生成资源调度决策方案的步骤包括：

a1)判断当前时间点的负载预测值是否小于前一时间的负载数据，若是，则进入步骤a2)，否则进入步骤a3)；

a2)判断当前时间点的负载预测值是否小于预设的阈值，若是，则将预设阈值作为目标资源数存储在资源调度决策方案中，将缩容作为执行手段存储在资源调度决策方案中；所述资源调度决策方案包括目标资源数和执行手段；所述目标资源为容器；

a3)根据当前时间点的负载预测值和当前系统容量计算目标资源数量，若目标资源数大于当前可用资源数，则将计算出的目标资源数存储在资源调度决策方案中，将扩容作为执行手段存储在资源调度决策方案中；

资源调度执行器执行资源调度决策方案的步骤包括：

b1)资源调度执行器在主节点控制面板中列举所有物理节点和所有已经存在的容器列表；

b2)判断当前容器类型；

b3)根据列容器类型创建节点优先级列表；其中，节点优先级的衡量标准为当前容器类型对应的剩余可用资源数的大小；

b4)取出节点优先级列表中优先级最高的节点用于分配资源，并删除已分配资源的节点；

b5)判断当前目标资源数是否满足资源调度决策方案中的目标资源数，若是，则结束执行操作，否则，返回步骤b3)。

2.根据权利要求1所述的一种工业云环境下基于负载特性的资源调度系统，其特征在于：所述监控客户端周期性调用监控客户端对应接口，监测云平台工作节点负载数据。