【技术实现步骤摘要】
本专利技术主要涉及算力网络领域，特别是关于算力网络性能实时评估的技术。具体而言，本专利技术涉及一种基于层次分析法的实时评估方法，用于对算力网络中的节点性能进行评估和预测。通过收集和分析算力网络中各个节点的运行数据，并利用多层级综合评价指标体系和异质集成学习模型，实时评估不同层次的算力网络性能，以提升算力资源的利用效率和优化计算任务的分配。
技术介绍
1、随着云计算、边缘计算和物联网技术的迅猛发展，计算资源正逐渐从集中式的云端扩展到分布式的边缘和终端设备。这样的多层次计算架构使得算力资源的管理和调度变得更加复杂和重要。当前的算力网络由多个异构节点组成，包括云数据中心、大型区域计算中心、小型边缘节点和终端设备。评估这些不同层次节点的性能对于保障整体计算网络的效率和稳定性至关重要。
2、然而，现有的评估方法存在以下几个主要问题：
3、1)实时性不足：传统评估方法大多基于静态数据，无法适应动态变化的计算环境，导致评估结果滞后。
4、2)多层次不精确：缺乏对多层次算力特征的全面考虑，仅基于单一层次的特征进行评估，难以准确反映整个算力网络的性能。
5、3)异构性处理不足：不同节点之间存在硬件、架构和性能上的差异，现有方法在处理这些异构性时表现不佳，影响了评估的准确性。
6、4)模型效率低：现有的模型方法复杂度高，难以在保证精度的同时实现高效评估。
7、针对以上问题，本专利技术提出了一种基于层次分析法的实时评估方法，通过多层次的特征分析和集成学习模型的应用，实现对多层算力
技术实现思路
1、本专利技术提出了一种实时评估多层算力网络性能的方法，旨在解决现有技术中实时性不足、多层次评估不精确、异构性处理不足和模型集成效率低的问题。具体实现步骤如下：
2、步骤一：建立综合评价指标体系：
3、1.对算力节点，从整体到部分，自顶向下地分析算力网络，划分出几个大类的算力特征xi，如处理器、内存、网络、磁盘等，作为一级指标。
4、2.进一步细分一级指标为更具体的二级指标，如处理器使用率、内存利用率等，如果二级指标仍不足以具体描述算力特征，还可以进一步细分为多级指标，以确保对算力特征的全面覆盖。确保能够全面细致地描述算力网络的各个特征，为后续的数据分析和模型训练提供基础。
5、步骤二：数据的收集和预处理：
6、1.根据建立的综合评价指标体系，收集算力网络中各个节点的运行数据，提取出算力特征向量x＝{x1,x2,x3,...,xn}，运行数据包括但不限于cpu利用率、内存利用率、磁盘i/o速率、网络带宽使用率等基础信息。如果条件允许，还应收集更高层次的算力特征，例如城市级算力网络层次的特征数据。这些高层次特征包括算力质效、算力规模、存力规模、存力性能、网络运力质效以及基础网络条件等。
7、2.对收集到的数据算力特征向量x＝{x1,x2,x3,...,xn}进行清洗、归一化处理，消除异常值和噪声，保证数据的质量和一致性，为模型训练和评估提供可靠的数据基础，以便后续的分析和建模。
8、步骤三：集成模型训练与优化：使用stacking的异质学习方法集成模型来建算力节点算力预测模型；
9、1.定义特征向量xi，xi＝[xi1,xi2,...,xin]，其中xij代表第i个服务器的第j个特征向量。
10、2.使用stacking异质集成学习来预测每个服务器的算力值。假设有m个基学习器，分别记为{h1,h2,...,hm}，使用k折交叉验证(如k＝5)来训练和评估模型，以确保模型的稳定性和泛化能力。
11、3.将训练集d划分为k个互斥的子集d1,d2,...,dn，然后对每个基学习器进行k折交叉验证。
12、4.进行元学习器训练，将所有基学习器的预测结果组合成新的特征向量，并使用新的特征向量，对元学习器进行训练，并得到最终预测值。
13、步骤四：实时性能预测与评估：
14、1.对算力网络区域d进行实时性能评估，首先对算力网络d的区域范围进行分层，如地区、省份、城市直到服务器算力节点层，每层分别进行性能评估；
15、2.服务器算力预测：通过训练好的集成模型，对算力网络区域d内的所有服务器算力节点算力进行评估，计算出服务器i的算力值
16、3.层级算力汇总：通过加权平均的方法，从下层的算力节点逐步加到上层，从小区域逐步汇总到大区域，层层递进，最终得到整个算力网络d的整体性能评估结果。
17、与现有技术相比，本方法的优点在于：
18、实时性高：通过实时数据的收集和处理，能够及时反映算力网络的性能变化。
19、多层次精确评估：综合考虑不同层次的算力特征，评估结果更具准确性和可靠性。
20、异构性处理：能够处理不同硬件和架构的异构性，提高评估的普适性。
21、模型效率：使用stacking异质集成学习模型，提高预测性能的同时，保持较高的计算效率。
22、通过以上方法，本专利技术能够有效提升多层算力网络性能评估的实时性和精确度，为算力资源的优化配置和调度提供重要参考。
本文档来自技高网...【技术保护点】
1.基于层次分析法的算力网络实时性能评估方法，其特征在于通过实时收集的算力节点的数据，使用训练完成的Stacking异质集成模型来预测评估算力网络的实时性能，至少还包括以下步骤，
2.根据权利要求1所述的基于层次分析法的算力网络实时性能评估方法，其特征在于通过实时收集的算力节点的数据，使用训练完成的Stacking异质集成模型来预测评估算力网络的实时性能，所述步骤3使用Stacking的异质学习方法集成模型来构建算力节点算力预测模型步骤至少还包括以下步骤，
【技术特征摘要】
1.基于层次分析法的算力网络实时性能评估方法，其特征在于通过实时收集的算力节点的数据，使用训练完成的stacking异质集成模型来预测评估算力网络的实时性能，至少还包括以下步骤，
2.根据权利要求1所述的基于层次分析法的算力...
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。