[发明专利]一种资源映射方法和装置

说明书

本发明公开了一种资源映射方法和装置，该资源映射方法包括：通过深度学习算法，得到深度学习模型；对第一计算进程进行特征提取，以得到第一特征数据；根据深度学习模型和第一特征数据，对第一计算进程进行资源拟合映射。本发明通过深度学习算法，得到深度学习模型，随后对第一计算进程进行特征提取，以得到第一特征数据，最后根据深度学习模型和第一特征数据，对第一计算进程进行资源拟合映射，从而运用深度学习技术在线干预计算进程拟合映射到资源的过程，使原有的以占用计算资源为唯一目的的进程调度系统，优化成可以智能化自动感知计算进程复杂度，实现计算进程到计算资源的拟合映射，实现对计算过程的高效处理。

技术领域

本发明涉及计算机领域，具体来说，涉及一种资源映射方法和装置。

背景技术

在大规模的计算应用背景下，计算进程和处理机资源的高效拟合一直是工程化难题。目前，经典处理方法是利用作业调度平台进行计算进程调度，通过人工设置与实际工况相符的调度策略，进而实现进程和资源的拟合映射。然而，经典处理方法无法感知计算进程的计算复杂度，资源拟合过程完全依靠人工经验，计算处理时间完全依赖处理机的计算能力，对计算进程本身的计算复杂度无法准确衡量，造成资源拟合不完备，造成资源浪费。

此外，现有经典的计算进程和处理机资源的高效拟合技术只考虑进程占用计算资源，通过设置计算进程的调度策略关系，形成计算进程和计算资源的拟合映射。然而，在此过程中，只考虑计算进程资源的处理能力，直接将计算进程拟合映射到合规的计算资源上，一般会存在资源过拟合或者欠拟合问题。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种资源映射方法和装置。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种资源映射方法。

该资源映射方法包括：通过深度学习算法，得到深度学习模型；对第一计算进程进行特征提取，以得到第一特征数据；根据深度学习模型和第一特征数据，对第一计算进程进行资源拟合映射。

根据本发明的一个实施例，第一进行进程处于在线状态。

根据本发明的一个实施例，通过深度学习算法，得到深度学习模型包括：对多个第二计算进程进行特征提取，以得到第二特征数据集；将第二特征数据集和预先设置的特征参数集进行匹配，以得到训练数据集；根据训练数据集，对选择的深度学习模型进行训练，以得到训练后的深度学习模型。

根据本发明的一个实施例，第二计算进程的特征包括以下至少之一：计算资源需求、计算过程复杂度、计算时间。

根据本发明的一个实施例，第二计算进程处于离线状态。

根据本发明的一个实施例，将第二特征数据集和预先设置的特征参数集进行匹配，以得到训练数据集包括：将第二特征数据集和预先设置的特征参数集进行匹配，得到第二特征数据集和特征参数集中的相同特征数据；对相同特征数据的特征进行总结，以得到训练数据集。

根据本发明的另一方面，提供了一种资源映射装置。

该资源映射装置包括：算法模块，用于通过深度学习算法，得到深度学习模型；特征提取模块，用于对第一计算进程进行特征提取，以得到第一特征数据；映射模块，用于根据深度学习模型和第一特征数据，对第一计算进程进行资源拟合映射。

根据本发明的一个实施例，第一进行进程处于在线状态。

根据本发明的一个实施例，算法模块包括：第二特征提取模块，用于对多个第二计算进程进行特征提取，以得到第二特征数据集；匹配模块，用于将第二特征数据集和预先设置的特征参数集进行匹配，以得到训练数据集；训练模块，用于根据训练数据集，对选择的深度学习模型进行训练，以得到训练后的深度学习模型。