[发明专利]基于机器学习的操作系统调度方法及装置、设备

说明书

本文公布了一种基于机器学习的操作系统调度方法及装置、设备，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。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于机器学习的操作系统调度方法及装置、设备。

背景技术

操作系统管理计算机的硬件资源，现代操作系统允许多个进程分时共享硬件资源，调度系统用来解决如何在多个进程间分配硬件资源的问题，即如何将计算机管理的有限资源在什么时候分配多少给一个进程，什么时候分配给另外一个进程，什么时候收回分配给一个进程的资源。

调度系统是现代操作系统的核心模块，面对各种复杂的应用场景，如何将有限的系统资源尽可能合理的分配给需要调度的进程，是调度系统追求的目标。

操作系统管理的硬件资源很多，比如CPU资源、内存资源等。以分配CPU资源的进程调度为例，相关技术的调度算法首先区别被调度任务的类别和优先级，对于不同类别的任务采取不同的资源分配策略，对于同一类别的任务通过优先级区别分配策略。被调度任务的类别和优先级由操作系统提供接口给用户设置。

具体以linux操作系统为例，相关技术的调度算法是将任务分为普通任务和实时任务，对不同的任务采用不同的算法，对实时任务使用先进先出(FIFO)调度算法、时间片轮转算法。对于普通任务使用完全公平调度算法。用户可以对任务设置优先级，调度时根据任务分类选择对应的调度算法，再根据用户设置的任务优先级，选择任务什么时候执行和换出。

相关技术的调度方法的一个重要问题，是：随着CPU核数的增加和CPU性能的提高，操作系统管理的任务越来越多，用户需要对所有任务选择其分类是属于实时任务还是非实时任务，并且给每个任务设置合适的优先级。但实际操作中往往由于系统的复杂性导致优先级设置不当或者任务类别设置不当，导致系统资源分配效率不高，最终造成任务被操作系统调度情况和用户需求不一致，严重情况下可能会让一些任务长期占有CPU，其他任务得不到及时执行。即使针对具体任务用户设置了比较合适的参数，但由于任务太多，参数组合是一个巨大的数目，又无法一一尝试，用户针对所有任务设置的参数组合往往也不是相对合理的，以至于无法充分发挥计算机性能。

相关技术的调度方法还存在另一个问题，是对于一些特殊的场景预先设计的调度策略和调度参数往往不能发挥较好的作用。

综上可知，相关技术的调度方法一方面需要用户对每个具体任务设置调度策略和调度参数，而在系统内任务数目较多的情况下，用户要么无法针对某个或某些具体任务设置合理的调度参数(如优先级或者任务类别)从而导致系统资源分配效率不高，要么用户针对具体任务设置了比较合理的参数但这些参数的组合又无法充分发挥计算机性能，另一方面相关技术的调度方法灵活性不够，在一些特殊场景下预设的调度策略和调度参数无法发挥作用。针对上述技术问题，目前尚未提出有效的解决方案。

发明内容

为了解决上述技术问题，本发明实施例提供了一种基于机器学习的操作系统调度方法及装置、设备，不仅实现了调度参数的自动化设置，而且能动态的自动调整调度策略来适应各种复杂场景。

本申请提供了：

一种基于机器学习的操作系统调度方法，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。