[发明专利]基于机器学习的操作系统调度方法及装置、设备

权利要求书

1.一种基于机器学习的操作系统调度方法，其特征在于，包括：

利用无监督聚类算法基于资源需求特征将各任务分类为一个或多个任务组；

利用预建立的训练模型对所述任务组的资源分配参数进行调整，使得硬件资源使用效率和任务满足用户期望的程度达到最佳；

利用所述训练得到的资源分配参数为所述任务组下一周期的进程调度分配资源。

2.根据权利要求1所述的操作系统调度方法，其特征在于，利用无监督聚类算法基于资源需求特征将各任务分类之前，还包括：收集各任务的资源使用数据，并通过各任务的资源使用数据分析得到各任务的资源需求特征；

其中，所述资源使用数据，包括如下之一或多项：

CPU空闲时间；

内存使用量；

使用磁盘的进程信息。

3.根据权利要求1或2所述的操作系统调度方法，其特征在于，

基于资源需求特征将各任务分类为一个或多个任务组，包括：将资源需求特征相同的各任务分类为同一任务组；

其中，所述任务组包括如下之一或多项：

高CPU负载任务组；

高IO资源任务组；

高内存占用任务组；

对指定设备高频率访问的任务组。

4.根据权利要求1所述的操作系统调度方法，其特征在于，所述利用预建立的训练模型对所述任务组的资源分配参数进行调整之前，还包括：

根据预先设置的各任务的期望参数，得到各任务的期望特征向量；

将各任务组中任务的期望特征向量与各任务组的资源分配参数相关联，形成所述任务组的所述训练模型。

5.根据权利要求4所述的操作系统调度方法，其特征在于，所述各任务的期望参数，包括如下之一或多项：

表示是否期望任务尽快执行的参数；

表示是否期望任务尽快响应用户操作的参数；

表示期望执行时长的参数。

6.根据权利要求1所述的操作系统调度方法，其特征在于，所述利用预建立的训练模型对所述任务组的资源分配参数进行调整，使得硬件资源使用效率和任务满足用户期望的程度达到最佳，包括：

将硬件资源使用效率和任务满足用户期望的程度分别表达为第一数值和第二数值；

在一个周期内利用预建立的训练模型对各所述任务组的资源分配参数进行调整，使得所述第一数值和第二数值最小。

7.根据权利要求1或6所述的操作系统调度方法，其特征在于，利用预建立的训练模型对所述任务组的资源分配参数进行调整之前，还包括：

利用所述训练模型的默认值为所述任务组第一个周期的进程调度分配资源。

8.一种基于机器学习的操作系统调度装置，其特征在于，包括：

分类单元，用于利用无监督聚类算法基于资源需求特征将各任务分类为一个或多个任务组；

训练单元，用于利用预建立的训练模型对所述任务组的资源分配参数进行调整，使得硬件资源使用效率和任务满足用户期望的程度达到最佳；

分配单元，用于利用所述训练得到的资源分配参数为所述任务组下一周期的进程调度分配资源。

9.根据权利要求8所述的操作系统调度装置，其特征在于，

所述训练单元，还用于：根据预先设置的各任务的期望参数，得到各任务的期望特征向量；将各任务组中任务的期望特征向量与各任务组的资源分配参数相关联，形成所述任务组的所述训练模型。

10.根据权利要求8所述的操作系统调度装置，其特征在于，

所述训练单元，具体用于将硬件资源使用效率和任务满足用户期望的程度分别表达为第一数值和第二数值；在一个周期内利用预建立的训练模型对所述任务组的资源分配参数进行调整，使得所述第一数值和第二数值最小。