[发明专利]云服务器集群负载调度方法、系统、终端以及存储介质

权利要求书

1.一种云服务器集群负载调度方法，其特征在于，包括：

将云服务器集群的任务负载数据由多变量时间序列转化为有监督学习序列；

将所述转化后的有监督学习序列输入训练好的基于卷积-门控循环单元的深度神经网络模型，通过所述深度神经网络模型对所述云服务器集群在未来预设时间内的负载状态进行预测；

基于所述云服务器集群的负载状态预测结果，采用强化学习算法生成联合调度策略，对所述云服务器集群进行联合调度；所述联合调度策略包括纵向扩展、横向扩展以及管制算法中的至少一种；所述管制算法用于控制所述云服务器集群中可选组件的开启或关闭状态，所述可选组件为除了始终处于运行状态的必选组件之外的组件。

2.根据权利要求1所述的云服务器集群负载调度方法，其特征在于，所述将云服务器集群的任务负载数据由多变量时间序列转化为有监督学习序列具体为：

同时获取当前时刻t的时间序列数据E(t)、上一时刻的时间序列数据E(t-1)以及下一时刻的时间序列数据E(t+1)；

分别将E(t)与E(t-1)和E(t+1)进行重组，得到转化中间过程中的时间序列重组数据L(i-1)，C(i)与F(i+1)；

将L(i-1)，C(i)与F(i+1)三个数据进行拼接，分别得到当前时刻、上一时刻以及下一时刻对应的有监督学习序列S(n)，S(n-1)与S(n+1)。

3.根据权利要求2所述的云服务器集群负载调度方法，其特征在于，所述深度神经网络模型为基于有监督学习的高效深度神经网络模型，所述基于有监督学习的高效深度神经网络模型的第一层为一维卷积神经网络模型，所述一维卷积神经网络模型包括输入层、卷积层、池化层、非线性层和全连接层；所述基于有监督学习的高效深度神经网络模型的第二层为门控循环单元；所述门控循环单元包括更新门、重置门、候选隐藏层以及输出门，各门控单元计算公式为：

z_t＝σ(W_z·[h_t-1，x_t])

r_t＝σ(W_r·[h_t-1，x_t])

y′_t＝tanh(W·[r_t*h_t-1，x_t])

y_t＝(1-z_t)*h_t-1+z_t*y′_t

上式中，z_t为更新门，r_t为重置门，y_t为候选隐藏层，y_t为输出门；σ代表激活函数，W、W_z、W_h分别为在门控循环单元内传播的矩阵；h_t代表当前门控循环单元的输出值，h_t-1代表上一时刻门控循环单元的输出值；x_t代表当前时刻传出的待预测值，矩阵W由x_t转化而成。

4.根据权利要求1至3任一项所述的云服务器集群负载调度方法，其特征在于，所述深度神经网络模型的训练过程包括：

获取云服务器集群的任务负载数据集，由模拟用户依据任务负载数据集中的服务器请求数量间隔生成预设数量的任务，并将所述模拟用户生成的任务发送至请求处理服务器；

通过所述请求处理服务器对任务进行处理，并将所述请求处理服务器自身的任务负载数据传输至模拟用户；

通过所述模拟用户将任务负载数据传递至预处理服务器，所述预处理服务器对任务负载数据进行预处理后，将所述任务负载数据传递至多变量时间序列预测服务器；

通过所述多变量时间序列预测服务器利用滑动窗口算法将所述任务负载数据由多变量时间序列转化为有监督学习序列；

根据所述转化后的有监督学习序列进行模型训练，得到训练好的基于卷积-门控循环单元的深度神经网络模型，并通过Tensorflow服务器对所述训练好的深度神经网络模型进行部署。