CN118193225B 基于機器學習的云計算任務自適應調度方法 （天翼云科技有限公司）_第1頁
CN118193225B 基于機器學習的云計算任務自適應調度方法 （天翼云科技有限公司）_第2頁
CN118193225B 基于機器學習的云計算任務自適應調度方法 （天翼云科技有限公司）_第3頁
CN118193225B 基于機器學習的云計算任務自適應調度方法 （天翼云科技有限公司）_第4頁
CN118193225B 基于機器學習的云計算任務自適應調度方法 （天翼云科技有限公司）_第5頁
已閱讀5頁，還剩20頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

基于機器學習的云計算任務自適應調度方法本發明涉及一種基于機器學習的云計算任行任務的時間負載最小，減少任務執行時間開22.根據權利要求1所述的一種基于機器學習的云計算任務自適應調度方法，其特征在3.根據權利要求2所述的一種基于機器學習的云計算任務自適應調度方法，其特征在4.根據權利要求3所述的一種基于機器學習的云計算任務自適應調度方法，其特征在其中，ser_n為第num臺計算服務器的CPU顆數；ser_cor為第num臺num_j表示第num臺計算服務器上的第j個虛擬機資源的vcpu5.根據權利要求3所述的一種基于機器學習的云計算任務自適應調度方法，其特征在6.根據權利要求1所述的一種基于機器學習的云計算任務自適應調度方法，其特征在37.根據權利要求6所述的一種基于機器學習的云計算任務自適應調度方法，其特征在8.根據權利要求1所述的一種基于機器學習的云計算任務自適應調度方法，其特征在9.根據權利要求8所述的一種基于機器學習的云計算任務自適應調度方法，其特征在4[0010]S4，計算各個云計算任務的特征向量以及三類資源的聚類中心的皮爾遜相關系5j6以根據需求偏好選擇合適類型的云資源，提高資源利用率的同時減少資源調度的時間開[0033]圖1為本發明實施例提供的基于機器學習的云計算任務自適應調度方法的第一流[0034]圖2為本發明實施例提供的基于機器學習的云計算任務自適應調度方法的第二流[0035]圖3為本發明實施例提供的基于機器學習的云計算任務自適應調度方法的架構7示的方位或位置關系，僅是為了便于描述本發明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本發明的限理解上述術語在本發明中的具體含義。[0046]S4，計算各個云計算任務的特征向量以及三類資源的聚類中心的皮爾遜相關系8num臺計算服務器上的第j個虛擬機資源的計算述虛擬機資源的存儲能力。IOPS可以視為是每秒的讀寫次數。虛擬機資源掛載的云盤的盤的IOPS記為stor_cdj，第j個虛擬機資源的存儲性能同時還受當前虛擬機資源掛載的云w1],w2],[cal3,storc3,bwc3].將三類聚類中心編碼成實數編碼遺傳基因串x＝[calc1,storc1,9[0075]按照概率randβ從種群P(t-1)中選擇個體進行交配。隨機選擇兩個父代個體xj(i1)、通過GA算法搜索到的三類虛擬資源的最優迭代閾值ε。cC:,C:,C"?分別作為FCM聚類算法的三類初始聚類中心W,W,W",進行迭第j個資源劃分到該聚類中。據ECSl的資源配置情況，記第l臺云主機ECSl處理任務Mi需要的時間為4.X,由于每個虛擬[0115]依次對knp臺云主機承載任務Mi時間負載進行計算，得到時間負載矩陣lod=

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論