【技术实现步骤摘要】
本专利技术涉及计算机，具体而言，涉及一种基于骨干网负载率的异构算力资源调度系统。
技术介绍
1、骨干网（backbone network）通常是用于描述大型网络结构，是用来连接多个区域或地区的高速网络。每个骨干网中至少有一个和其他骨干网进行互联互通的连接点。简而言之，几台计算机连接起来，互相可以看到其他人的文件，这叫局域网；整个城市的计算机都连接起来，就是城域网；把城市之间、多个区域连接起来的网就叫骨干网。
2、不同区域对网络资源的需求、配置不同，所以连接多个区域、城市的骨干网的算力资源调度极为困难。
3、现有技术中，有主要考虑 cpu 和内存两种资源的评分作为算力资源调度指标，采用统一权重计算候选节点得分来确定节点的资源均衡与否。现有的这种资源调度方式，一方面仅仅考虑节点的 cpu 和内存指标评分，其存在无法满足多样化的算力需求问题。另一方面，对于整个骨干网，其包含的节点多，对每个节点都计算cpu和内存指标评分，其计算量巨大，也会造成极大的算力消耗，同时，这种方式会存在资源偏向于某些节点的问题 ，举个例子，一旦某些节点的 cpu 和内存指标评分一直很高，例如使用率一直很高，那么系统就会优先给该节点分配算力资源，但是，对于一些节点，其对算力资源也有需求，但是其cpu和内存指标评分并不是很高的情况下，系统就容易忽略给这些节点分配相应的算力资源。总的来说，现有的这种资源调度方式，还存在无法对整个骨干网中的所有节点进行合理算力资源调度的问题。
技术实现思路
1、本
2、本专利技术实施例提供了一种基于骨干网负载率的异构算力资源调度系统，所述系统包括：
3、获取模块，用于获得骨干网络中每个节点的算力资源指标数据；所述算力资源指标数据包括中央处理器使用率、内存使用率、骨干网负载率、磁盘使用率和输入输出速率；获得骨干网络拓扑图，骨干网络拓扑图中包含多个节点；
4、分析模块，用于基于骨干网络拓扑图和节点的算力资源指标数据，构建网络资源关联关系图；基于网络资源关联关系图，预测骨干网络资源需求预测数据；基于资源关联关系图和骨干网络资源需求预测数据，获得节点的算力资源评分。
5、可选的，所述系统还包括：
6、调度模块，用于基于算力资源评分给节点分配算力资源。
7、可选的，基于骨干网络拓扑图和节点的算力资源指标数据，构建网络资源关联关系图，包括：
8、以骨干网络拓扑图中的任意两个节点分别作为第一节点和第二节点；
9、基于骨干网络拓扑图获得第一节点与第二节点之间的邻近指数；邻近指数表征第一节点与第二节点之间的邻近关系；
10、基于邻近指数、第一节点的算力资源指标数据和第二节点的算力资源指标数据，获得第一节点与第二节点之间的关联指数；所述关联指数表征第一节点与第二节点之间的相互影响程度；
11、在骨干网络拓扑图中将第一节点与第二节点相连，并以关联指数给第一节点与第二节点的连线赋值；以算力资源指标数据给节点赋值；
12、判断是否遍历完所有节点，若遍历完所有节点，得到网络资源关联关系图。
13、可选的，基于骨干网络拓扑图获得第一节点与第二节点之间的邻近指数，包括：
14、获得第一节点与第二节点之间在骨干网络拓扑图中的距离；
15、以第一节点与第二节点之间在骨干网络拓扑图中的距离乘以同域系数，得到邻近指数。
16、可选的，同域系数=1/（第一域内距离+第二域内距离+1）；第一域内距离为第一节点朝着靠近第二节点的方向走到第一节点所在的区域的边缘节点的距离；第二域内距离为第二节点朝着靠近第一节点的方向走到第二节点所在的区域的边缘节点的距离。
17、可选的，所述基于邻近指数、第一节点的算力资源指标数据和第二节点的算力资源指标数据，获得第一节点与第二节点之间的关联指数，包括：
18、基于邻近指数构建联合卷积核，具体为：
19、初始化联合卷积核；
20、获得第一节点的算力资源指标数据和第二节点的算力资源指标数据的交叉熵数组，交叉熵数组中包括中央处理器使用率交叉熵、内存使用率交叉熵、骨干网负载率交叉熵、磁盘使用率交叉熵和输入输出速率交叉熵；
21、以交叉熵数组作为联合卷积核的主对角线元素的取值，以邻近指数作为联合卷积核的辅对角线元素的取值；主对角线和辅对角线交叉的元素的取值为骨干网负载率交叉熵；
22、通过卷积神经网络，基于联合卷积核对第一节点的算力资源指标数据和第二节点的算力资源指标数据进行混合特征提取，得到特征向量；
23、对特征向量中的元素的取值进行加权求和，得到关联指数。
24、可选的，所述通过卷积神经网络，基于联合卷积核对第一节点的算力资源指标数据和第二节点的算力资源指标数据进行混合特征提取，得到特征向量，包括：
25、以联合卷积核作为卷积神经网络的卷积核；
26、通过卷积神经网络对第一节点的算力资源指标数据进行特征提取，获得第一特征数据；
27、通过卷积神经网络对第二节点的算力资源指标数据进行特征提取，获得第二特征数据；
28、对第一特征数据和第二特征数据进行加权融合，得到特征向量。
29、可选的，基于网络资源关联关系图，预测骨干网络资源需求预测数据，包括：
30、将网络资源关联关系图输入资源需求预测网络中；资源需求预测网络输出网络资源预测图，网络资源预测图中含有每个节点的骨干网络资源需求预测数据；
31、其中，资源需求预测网络包括多个长短期记忆网络，长短期记忆网络与节点一一对应；
32、以任意一个节点作为参考节点，以与参考节点之间的关联指数最大的前两个节点作为两个选中节点；
33、以两个选中节点的算力资源指标数据分别作为长短期记忆网的输出门的输入和遗忘门的输入；以参考节点的算力资源指标数据作为该长短期记忆网的输入门的输入；
34、以长短期记忆网络的输出作为骨干网络资源需求预测数据。
35、可选的，所述基于资源关联关系图和骨干网络资源需求预测数据，获得节点的算力资源评分，包括：
36、以资源关联关系图中的算力资源指标数据作为行，以骨干网络资源需求预测数据作为列，构建算力资源关系矩阵；算力资源关系矩阵中的元素的取值等于算力资源指标数据与骨干网络资源需求预测数据的交叉熵；
37、获得联合卷积核与算力资源关系矩阵之间的乘积，得到算力资源权重矩阵；
38、对算力资源权重矩阵进行归一化处理，获得归一化权重矩阵；
39、以归一化权重矩阵中的最大值作为节点的算力资源评分。
40、相较于现有技术，本专利技术实施例达到了以下有益效果：
41、本专利技术实施例提供了一种基于骨干网负载率的本文档来自技高网...
【技术保护点】
1.一种基于骨干网负载率的异构算力资源调度系统，其特征在于，所述系统包括：
2.根据权利要求1所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，所述系统还包括：
3.根据权利要求1所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，基于骨干网络拓扑图和节点的算力资源指标数据，构建网络资源关联关系图，包括：
4.根据权利要求3所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，基于骨干网络拓扑图获得第一节点与第二节点之间的邻近指数，包括：
5.根据权利要求4所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，同域系数=1/（第一域内距离+第二域内距离+1）；第一域内距离为第一节点朝着靠近第二节点的方向走到第一节点所在的区域的边缘节点的距离；第二域内距离为第二节点朝着靠近第一节点的方向走到第二节点所在的区域的边缘节点的距离。
6.根据权利要求3所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，所述基于邻近指数、第一节点的算力资源指标数据和第二节点的算力资源指标数据，获得第一节点与第二节点之间
7.根据权利要求6所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，所述通过卷积神经网络，基于联合卷积核对第一节点的算力资源指标数据和第二节点的算力资源指标数据进行混合特征提取，得到特征向量，包括：
8.根据权利要求3所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，基于网络资源关联关系图，预测骨干网络资源需求预测数据，包括：
9.根据权利要求7所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，所述基于资源关联关系图和骨干网络资源需求预测数据，获得节点的算力资源评分，包括：
...【技术特征摘要】
1.一种基于骨干网负载率的异构算力资源调度系统，其特征在于，所述系统包括：
2.根据权利要求1所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，所述系统还包括：
3.根据权利要求1所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，基于骨干网络拓扑图和节点的算力资源指标数据，构建网络资源关联关系图，包括：
4.根据权利要求3所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，基于骨干网络拓扑图获得第一节点与第二节点之间的邻近指数，包括：
5.根据权利要求4所述的基于骨干网负载率的异构算力资源调度系统，其特征在于，同域系数=1/（第一域内距离+第二域内距离+1）；第一域内距离为第一节点朝着靠近第二节点的方向走到第一节点所在的区域的边缘节点的距离；第二域内距离为第二节点朝着靠近第一节点的方向走到第二节点...
【专利技术属性】
技术研发人员：郑成渝，黄大九，杜自强，谷上宇，张骥，马涛，蔡雨桥，方佩，钱小峰，宋立锵，张修稷，
申请(专利权)人：中国电信股份有限公司四川分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。