[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

说明书

本发明涉及一种云服务器集群负载调度方法、系统、终端以及存储介质。所述云服务器集群负载调度方法包括：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esDNN模型，通过所述esDNN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。本发明能够更好的适应快速变化的负载调度，提高了调度的准确度和实时性。

技术领域

本发明属于云计算资源调度技术领域，特别涉及一种云服务器集群负载调度方法、系统、终端以及存储介质。

背景技术

作为信息技术的重要组成部分，云计算技术同时为服务提供商和客户带来了诸多好处，被认为是信息技术行业的一种成功的运营模式。但是云计算也面临着诸多严峻的挑战，其中之一是云计算需要满足在不同云服务器集群的异构框架下承载来自多组用户的任务负载需求。云服务器的任务负载预测问题已经成为了决定如何选择调度方案的决定性问题，而在调度过程中的调度算法的决策与选择也会影响云服务器集群的调度结果。

目前而言，主流的云服务器任务负载预测方法包括基于RNN(Rerrent NeuralNetwork，循环神经网络)的LSTM(Long Short-Term Memory，长短期记忆)网络，而主流的负载调度算法包括纵向扩展算法与横向扩展算法。

(1)循环神经网络：是神经网络中的一种。循环神经网络在处理数据时不仅考虑了当前状态的输入，还考虑了之前的信息，因此对具有序列特性的数据十分敏感，被广泛应用在时序分析等领域。但是，由于其自身结构的原因，常常会在训练时出现梯度消失或梯度爆炸，这也意味着它不能处理一些过长的时间序列，难以应对目前高维度及高变化性的云服务器任务负载预测问题。

(2)长短期记忆：是循环神经网络的一种变体。为了解决梯度消失与梯度爆炸以及如何更好的分析、预测时间序列等问题，长短期记忆常常被应用于训练多变量时间序列预测模型。但是，长短期记忆所需要的样本数据量很大，如果数据量不足可能会造成模型预测不准确等问题。除此之外，由与自身内部结构原因，长短期记忆训练所需要的时间非常长，时效性不佳。

现有的纵向扩展与横向扩展机制虽然能在一定程度上对云服务器集群的任务负载大小进行调整，但是这两种方法都难以应对高维度、高变化率的云服务器任务负载变化情况。虽然预测结果能给予其一定的预先判断能力，但是仍然难以应对许多突发事件引起的云服务器任务负载的瞬间变化等情况。

发明内容

本发明提供了一种云服务器集群负载调度方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本发明提供了如下技术方案：

一种云服务器集群负载调度方法，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。

本发明实施例采取的技术方案还包括：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：