[发明专利]基于深度神经网络的现货系统应用层负载均衡预测方法

权利要求书

1.一种基于深度神经网络的现货系统应用层负载均衡预测方法，其特征在于，包括以下步骤：

步骤1：实时采集电力现货系统应用层各个负载服务器的实时信息，并汇总到数据中心服务器；

步骤2：所述数据中心服务器根据所采集的所述负载服务器的实时信息，利用深度神经网络实时得到每个所述负载服务器的负载能力评分，基于所述负载能力评分确定各个负载服务器的调度优先级；

步骤3：客户端向电力现货系统应用层代理服务器发起请求；

步骤4：实时采集所述代理服务器的流量信息，并发送到所述数据中心服务器；

步骤5：所述数据中心服务器根据所采集的所述代理服务器的流量信息，利用深度神经网络预测未来一段时间的网络流量，并根据所述预测的网络流量和所述负载服务器的调度优先级制定最优负载均衡调度方案，将所述最优负载均衡调度方案返回至所述代理服务器；

步骤6：所述代理服务器根据所述最优负载均衡调度方案计算选择出最优的负载服务器地址；

步骤7：所述代理服务器根据所述最优负载服务器地址建立客户端与该地址所对应的负载服务器之间的业务通信通道。

2.根据权利要求1所述的一种基于深度神经网络的现货系统应用层负载均衡预测方法，其特征在于，所述电力现货系统应用层中服务器包括代理服务器、数据中心服务器以及负载服务器；

所述代理服务器用于接收客户端的连接请求以及数据中心服务器发送的最优负载调度方案，从而计算选择出最优的负载服务器地址，并根据得到的最优的负载服务器地址建立客户端与该地址所对应的负载服务器之间的业务通信通道；

数据中心服务器用于对代理服务器和负载服务器传输过来的数据信息进行处理，预测网络中未来的流量变化曲线以及各个负载服务器的调度优先级，从而计算出最优负载均衡调度方案，并返回给代理服务器；

负载服务器用于电力现货系统应用层各个功能模块的实现以及执行，其接收代理服务器发来的连接信号，并将数据信息传输给数据中心服务器和客户端。

3.根据权利要求1所述的一种基于深度神经网络的现货系统应用层负载均衡预测方法，其特征在于，步骤1中采集的所述负载服务器的实时信息包括内存占用情况、CPU运行情况、硬盘存储空间、实时网络流量等。

4.根据权利要求1所述的一种基于深度神经网络的现货系统应用层负载均衡预测方法，其特征在于，步骤2中所述的深度神经网络采用多模态融合的深度卷积神经网络；

所述多模态融合的深度卷积神经网络包含若干特征映射层和卷积编码层，所述特征映射层将输入的所述负载服务器的多模态实时信息映射到统一的特征空间中，然后在统一的特征空间进行多模态特征融合，最后利用所述卷积编码层对所述融合后的特征进行编码。

5.根据权利要求4所述的一种基于深度神经网络的现货系统应用层负载均衡预测方法，其特征在于，步骤2利用深度神经网络得到各个负载服务器的负载能力评分的具体操作步骤包括：

步骤21：预先采集所述电力现货系统应用层中各个所述负载服务器的实时信息，得到实时信息数据训练集；

步骤22：对实时信息数据训练集中的实时信息进行专家人工评分，得到人工标注的负载能力评分编码；

步骤23：针对所述数据中心服务器中得到的各个负载服务器的实时信息，通过所述多模态融合的深度卷积神经网络对各个负载服务器计算出其负载能力评分编码，并计算深度神经网络输出的负载能力评分编码与所述人工标注的负载能力评分编码之间的L1损失；通过最小化所述L1损失迭代训练深度神经网络参数，从而得到能够将负载服务器的实时信息编码为对应的负载能力评分的深度神经网络模型；

步骤24：输入步骤2中所述的各个负载服务器的实时信息到步骤23训练好的深度神经网络模型中，实时输出各个负载服务器对应的负载能力评分；

步骤25：将各个负载服务器的所述负载能力评分进行排序，最终得到各个负载服务器的调度优先级。

6.根据权利要求1所述的一种基于深度神经网络的现货系统应用层负载均衡预测方法，其特征在于，所述代理服务器的流量信息包括各个时间段中代理服务器的流量时序数据。