[发明专利]一种用于深度学习中资源扩容的主动决策方法及系统

说明书

本发明提供一种用于深度学习中资源扩容的主动决策方法及系统，包括，步骤S1，获取预先保留的预测数据及与预测数据对应的历史运维数据；步骤S2，将预先保留的预测数据与对应的历史运维数据进行比较，根据比较结果确定预先保留的预测数据是否处于正常范围；步骤S3，当预先保留的预测数据处于正常范围时，调用实时的业务指标数据，并根据实时的业务指标数据对预先保留的预测数据进行优化；步骤S4，根据优化后的预测数据建立仿真模型，并通过仿真模型对资源扩容进行主动决策，获得资源扩容结果。本发明利用仿真模型使资源扩容系统实现智能决策，使预期设计的硬件架构能够满足算法需求，资源优化能力强且预测能力较优，提升用户的体验和使用效率。

技术领域

本发明涉及互联网技术领域，特别是涉及一种用于深度学习中资源扩容的主动决策方法及系统。

背景技术

随着技术的不断发展，电力企业信息系统运维中，面临较严峻的故障定位慢和故障处理耗时长的问题，比如：每天平均产生近百条的无效告警，筛选正常告警并进行问题定位需要耗费时间平均超过30分钟，故障处理平均也在1小时左右，再加上运调系统上的工单审批和派单流转耗时，整体上需要90分钟左右的处理时间。

为了解决上述耗时问题，一般会针对性设计特定的系统来解决，如以智能运维技术的方式实现信息机房数据中心的智能运营，建立信息系统健康度画像，实现故障预警，智能扩缩容，处理预案智能推荐和故障自愈等，基本解决以上运维痛点，实现智能运维，无人值守，提升运维效率，大大减低了人工运维成本。预计通过智能扩缩容在设备的资源调整方面减少人力成本投入364人天/年，降低整体20％的资源闲置损耗，在故障处理方面，通过预测机制，将故障发生率降低60％。

但是，当进行深度学习算法模型的训练和调优时，相比于以往产品功能和页面的研发具有更多的不确定的性，因此工程上经常出现比预期设计好的硬件架构无法满足算法需求的局面，所预测的数据往往会跟真实运维的数据有差异，具体地，在资源扩容决策时，往往所预测的数据跟实际运维数据不同，影响系统的正常运维。

发明内容

本发明的目的在于，提出一种用于深度学习中资源扩容的主动决策方法及系统，解决现有深度学习算法中，在资源扩容决策时，预测的数据跟实际运维数据不同，影响系统的正常运维的技术问题。

一方面，提供一种用于深度学习中资源扩容的主动决策方法，包括以下步骤：

步骤S1，获取预先保留的预测数据及与预测数据对应的历史运维数据；其中，所述历史运维数据包括业务指标、前期的应用性能日志、基础设施或其他指标；所述预测数据为历史时间段内深度学习过程中进行预测所生成的历史预测数据；

步骤S2，将预先保留的预测数据与对应的历史运维数据进行比较，根据比较结果确定预先保留的预测数据是否处于正常范围；

步骤S3，当预先保留的预测数据处于正常范围时，调用实时的业务指标数据，并根据实时的业务指标数据对预先保留的预测数据进行优化；

步骤S4，根据优化后的预测数据建立仿真模型，并通过仿真模型对资源扩容进行主动决策，获得资源扩容结果。

优选地，在步骤S1中，所述预先保留的预测数据具体包括：

将预测的数据按照不同预设标准进行保存；其中，所述预设标准包括时间段或地域属性或业务指标类型。

优选地，所述步骤S2包括：

将比较结果与预设的差异阈值进行比较，当预先保留的预测数据与对应的历史运维数据的差值大于预设的差异阈值时，判定该预测数据不处于正常范围；当预先保留的预测数据与对应的历史运维数据的差值小于等于预设的差异阈值时，判定该预测数据处于正常范围内。

优选地，所述步骤S3包括：