[发明专利]数据中心网络中动态工作流的高效链路调度方法

权利要求书

1.一种数据中心网络中动态工作流的高效链路调度方法，其特征在于：所述的方法步骤如下：

S1：使用有向无环图神经网络同时处理已到来的n个coflow，若干个依赖关系的任务组成一个作业，采用DAG表示；

S2：构成J个不完整的作业DAG，并将这J个不完整的作业DAG作为一个大的无连通的有向无环图输入有向无环图神经网络，输出得到每一个节点的embedding向量；

S3：通过步骤S2得到n个embedding向量，并将n个embedding向量作为深度强化学习中策略网络的输入，得到每一个节点的score，计算得到每一个节点的加权分数值；

S4：根据当前不同job的部分DAG图，找到当前所有入度为0的节点，经过一个softmax操作计算基于加权分数值的每一个节点的概率，根据节点的概率排列得到coflow调度优先级列表；当前入度不为0的节点暂时存放在一个coflow等待列表中；

S5：基于coflow调度优先级列表进行优先级调度任务；每调度完一个coflow，更新coflow调度优先级列表和coflow等待列表，直到n个coflow调度完成，环境反馈reward评估动作的好坏；

步骤S2，构造J个不完整的作业DAG，具体如下：

构造一个容量为m的等待队列W和一个容量为n的待处理队列D，其中m＞＞n；将任务依次排列在等待队列W中，直到任务数大于等于n时，取出前n个任务放入到待处理队列D中；由于n个任务来自不同的job，且先后到来的顺序满足各自的依赖关系，从而实现构成J个不完整的作业DAG。

2.根据权利要求1所述的数据中心网络中动态工作流的高效链路调度方法，其特征在于：所述的有向无环图神经网络用于计算作业DAG全局信息和节点特征，公式如下：

其中，表示第l层的所有节点v的表示，h_g表示整个DAG图的表示；P(v)表示节点v的直接前驱节点集合；T表示没有直接后继的节点集合；G^l,F^l和R都是参数化神经网络。

3.根据权利要求2所述的数据中心网络中动态工作流的高效链路调度方法，其特征在于：每一个节点的加权分数值由该节点所对应任务权重乘上各自的score得到；每一个job对应一个任务权重，同一个job中的任务权重相同。

4.根据权利要求3所述的数据中心网络中动态工作流的高效链路调度方法，其特征在于：步骤S5，具体地：

S1：基于coflow调度优先级列表进行优先级调度任务；每调度完一个coflow，在DAG图中去掉对应的节点和边，更新入度为0的节点集合，进而更新coflow调度优先级列表和coflow等待列表；

S2：不断重复操作，直到n个coflow调度完成，环境反馈reward评估动作的好坏。

5.根据权利要求4所述的数据中心网络中动态工作流的高效链路调度方法，其特征在于：步骤S5，当coflow调度优先级列表执行完毕后，更新待处理队列D，即从等待队列W中再次选出前n个任务放到待处理队列D中，返回步骤2继续执行。

6.根据权利要求5所述的数据中心网络中动态工作流的高效链路调度方法，其特征在于：步骤S5，通过计算出加权作业完成时间之和作为奖励来评估动作的好坏，通过奖励优化智能体，使得加权作业完成时间之和最小化。