一种主机调度方法、系统、设备及计算机可读存储介质技术方案

本申请公开了一种主机调度方法、系统、设备及计算机可读存储介质，应用于云平台技术领域，获取目标云平台的目标调度数据集，目标调度数据集包括所述目标云平台的拓扑数据及部署有Overlay网络的各个主机的网卡流量数据；将目标调度数据集输入预先训练的目标神经网络模型，且目标神经网络模型包括LSTM模型；获取目标神经网络模型预测的各个主机的网卡在未来时间内的目标性能数据；基于目标性能数据，在主机中选取满足L2gateway性能需求的目标主机；在目标主机上部署L2gateway，以使主机基于L2gateway与外部网卡进行通信；实现了自主选取目标主机部署L2gateway，保证了L2gatway的业务稳定。L2gatway的业务稳定。L2gatway的业务稳定。

【技术实现步骤摘要】
一种主机调度方法、系统、设备及计算机可读存储介质


[0001]本申请涉及云平台
，更具体地说，涉及一种主机调度方法、系统、设备及计算机可读存储介质。

技术介绍

[0002]随着云计算技术的不断发展与普及，Overlay网络（覆盖网络）在云平台中的地位越来越重要，这主要得益于这种SDN（Software Defined Network，软件定义网络）网络在物理网络之上抽象出了多个独立的、离散的虚拟网络层，实现了覆盖网络中所有节点都通过逻辑或虚拟链路相互连接，极大的摆脱了物理网络的种种限制。其中，Overlay
ꢁ
在网络
，指的是一种网络架构上叠加的虚拟化技术模式，其大体框架是对基础网络不进行大规模修改的条件下，实现应用在网络上的承载，并能与其它网络业务分离，并且以基于IP（Internet
ꢁ
Protocol，网际互联协议）的基础网络技术为主；Overlay网络为与物理网络通信提供的L2gatway（二层网关）功能具有重要的实际应用价值。L2gatway通过绑定在数据中心下的某一主机，将使用该网络的所有端口的流量通过L2gatway所在主机连接外部网络，实现虚拟网络和外部物理网络的通信。
[0003]当前选择部署L2gatway的主机的方式有指定主机或者随机选择，在业务量小的情况下尚可满足部署L2gatway的需求。但若遇到大型数据中心以及业务流量高峰期时，若选择主机本身网络负载高，这两种方式可能会造成业务中断以及网络丢包的现象，不能保证业务稳定不间断的运行。r/>[0004]综上所述，如何保证L2gatway的业务稳定性是目前本领域技术人员亟待解决的问题。

技术实现思路

[0005]本申请的目的是提供一种主机调度方法，其能在一定程度上解决如何保证L2gatway的业务稳定性的技术问题。本申请还提供了一种主机调度系统、设备及计算机可读存储介质。
[0006]为了实现上述目的，本申请提供如下技术方案：一种主机调度方法，包括：获取目标云平台的目标调度数据集，所述目标调度数据集包括所述目标云平台的拓扑数据及部署有Overlay网络的各个主机的网卡流量数据；将所述目标调度数据集输入预先训练的目标神经网络模型，所述目标神经网络模型包括LSTM模型；获取所述目标神经网络模型预测的各个所述主机的网卡在未来时间内的目标性能数据；基于所述目标性能数据，在所述主机中选取满足L2gateway性能需求的目标主机；在所述目标主机上部署所述L2gateway，以使所述主机基于所述L2gateway与外部
网卡进行通信。
[0007]优选的，所述将所述目标调度数据集输入预先训练的目标神经网络模型之前，还包括：获取所述目标云平台在预设时间内的训练调度数据集；对所述训练调度数据集进行分类，得到固定数据集和过渡数据集，所述固定数据集包括L2gateway主机固定不变时的所述网卡流量数据和所述拓扑数据，所述过渡数据集包括L2gateway主机变动时的所述网卡流量数据和所述拓扑数据；将所述固定数据集和所述过渡数据集分类为训练集和测试集；基于所述训练集对搭建的不同参数的初始神经网络模型进行训练，所述参数包括batch_size、激活函数、神经网络层数、梯度下降算法、优化算法、学习率中的一个或多个；基于所述测试集对所述初始神经网络模型进行性能测试，并选取性能最优的所述初始神经网络模型作为所述目标神经网络模型。
[0008]优选的，所述基于所述训练集对搭建的不同参数的初始神经网络模型进行训练，包括：对所述训练集进行处理，得到目标训练集；基于所述目标训练集对搭建的不同参数的所述初始神经网络模型进行训练。
[0009]优选的，所述基于所述测试集对所述初始神经网络模型进行性能测试，包括：对所述测试集进行处理，得到目标测试集；基于所述目标测试集对所述初始神经网络模型进行性能测试。
[0010]优选的，所述将所述目标调度数据集输入预先训练的目标神经网络模型，包括：对所述目标调度数据集进行处理，得到目标输入数据；将所述目标输入数据输入预先训练的所述目标神经网络模型。
[0011]优选的，所述对所述目标调度数据集进行处理，得到目标输入数据，包括：对所述目标调度数据集进行小波变换及滤波，得到所述目标输入数据。
[0012]优选的，所述获取所述目标神经网络模型预测的各个所述主机的网卡在未来时间内的目标性能数据，包括：获取所述目标神经网络模型预测的各个所述主机的网卡在未来时间内开启所述L2gateway后的传输速度。
[0013]优选的，所述基于所述目标性能数据，在所述主机中选取满足L2gateway性能需求的目标主机，包括：基于所述主机的网卡的所述传输速度，确定所述主机的网卡的负载率；基于所述主机的网卡的负载率在所述主机中选取满足所述L2gateway性能需求的所述目标主机。
[0014]优选的，所述基于所述主机的网卡的负载率在所述主机中选取满足所述L2gateway性能需求的所述目标主机，包括：获取所述目标云平台在当前运行环境下部署所述L2gateway的预设负载率阈值；获取所述目标云平台中部署所述L2gateway的各个源主机的网卡负载率值；按照所述预设负载率阈值及所述网卡负载率值，基于所述主机的网卡的负载率在所述主机中选取满足所述预设负载率阈值的所述目标主机。
[0015]优选的，所述按照所述预设负载率阈值及所述网卡负载率值，基于所述主机的网卡的负载率在所述主机中选取满足所述预设负载率阈值的所述目标主机，包括：若所述网卡负载率值大于所述预设负载率阈值的第一边界值，且小于所述预设负载率阈值的第二边界值，则定时基于所述主机的网卡的负载率在所述主机中选取满足所述预设负载率阈值的所述目标主机。
[0016]优选的，所述定时基于所述主机的网卡的负载率在所述主机中选取满足所述预设负载率阈值的所述目标主机之后，还包括：若所述目标主机与所述源主机的负载率差值在预设范围内，则将所述源主机作为所述目标主机。
[0017]优选的，所述按照所述预设负载率阈值及所述网卡负载率值，基于所述主机的网卡的负载率在所述主机中选取满足所述预设负载率阈值的所述目标主机，包括：若所述网卡负载率值大于等于所述负载率阈值的第三边界值，则发出告警日志；接收与所述告警日志对应的用户指令；基于所述用户指令在所述主机中选取满足所述预设负载率阈值的所述目标主机。
[0018]优选的，所述在所述目标主机上部署L2gateway，包括：判断所述目标主机是否异常；若所述目标主机正常，则在所述目标主机上部署所述L2gateway；若所述目标主机异常，则删除所述目标主机及对应的所述目标性能数据，返回执行所述基于所述目标性能数据，在所述主机中选取满足L2gateway性能需求的目标主机的步骤。
[0019]一种主机调度系统，包括：第一获取模块，用于获取目标云平台的目标调度数据集，所述目标调度数据集包括所述目标云平台的拓扑数据及部署有Overlay网络的各个主机的网卡流量数据；第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主机调度方法，其特征在于，包括：获取目标云平台的目标调度数据集，所述目标调度数据集包括所述目标云平台的拓扑数据及部署有Overlay网络的各个主机的网卡流量数据；将所述目标调度数据集输入预先训练的目标神经网络模型，所述目标神经网络模型包括LSTM模型；获取所述目标神经网络模型预测的各个所述主机的网卡在未来时间内的目标性能数据；基于所述目标性能数据，在所述主机中选取满足L2gateway性能需求的目标主机；在所述目标主机上部署所述L2gateway，以使所述主机基于所述L2gateway与外部网卡进行通信。2.根据权利要求1所述的主机调度方法，其特征在于，所述将所述目标调度数据集输入预先训练的目标神经网络模型之前，还包括：获取所述目标云平台在预设时间内的训练调度数据集；对所述训练调度数据集进行分类，得到固定数据集和过渡数据集，所述固定数据集包括L2gateway主机固定不变时的所述网卡流量数据和所述拓扑数据，所述过渡数据集包括L2gateway主机变动时的所述网卡流量数据和所述拓扑数据；将所述固定数据集和所述过渡数据集分类为训练集和测试集；基于所述训练集对搭建的不同参数的初始神经网络模型进行训练，所述参数包括batch_size、激活函数、神经网络层数、梯度下降算法、优化算法、学习率中的一个或多个；基于所述测试集对所述初始神经网络模型进行性能测试，并选取性能最优的所述初始神经网络模型作为所述目标神经网络模型。3.根据权利要求2所述的主机调度方法，其特征在于，所述基于所述训练集对搭建的不同参数的初始神经网络模型进行训练，包括：对所述训练集进行处理，得到目标训练集；基于所述目标训练集对搭建的不同参数的所述初始神经网络模型进行训练。4.根据权利要求3所述的主机调度方法，其特征在于，所述基于所述测试集对所述初始神经网络模型进行性能测试，包括：对所述测试集进行处理，得到目标测试集；基于所述目标测试集对所述初始神经网络模型进行性能测试。5.根据权利要求1所述的主机调度方法，其特征在于，所述将所述目标调度数据集输入预先训练的目标神经网络模型，包括：对所述目标调度数据集进行处理，得到目标输入数据；将所述目标输入数据输入预先训练的所述目标神经网络模型。6.根据权利要求5所述的主机调度方法，其特征在于，所述对所述目标调度数据集进行处理，得到目标输入数据，包括：对所述目标调度数据集进行小波变换及滤波，得到所述目标输入数据。7.根据权利要求1所述的主机调度方法，其特征在于，所述获取所述目标神经网络模型预测的各个所述主机的网卡在未来时间内的目标性能数据，包括：获取所述目标神经网络模型预测的各个所述主机的网卡在未来时间内开启所述
L2gateway后的传输速度。8.根据权利要求7所述的主机调度方法，其特征在于，所述基于所述目标性能数据，在所述主机中选取满足L2gateway性能需求的目标主机，包括：基于所述主机的网卡的所述传输速度，确定所述主机的网卡的负载率；基于所述主机的网卡的负载率在所述主机中选取满足所述L2gateway性能需求的所述目标主机。9.根据权利要求8所述的主机调度方法，其特征在于，所述基...

【专利技术属性】
技术研发人员：杨尚飞，王培辉，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：