[发明专利]基于机器学习的资源配置方法、装置、设备及存储介质

说明书

本申请涉及云计算领域，具体使用了机器学习实现负载调配，并公开了一种基于机器学习的资源配置方法、装置、设备及存储介质，所述方法包括：采集每个节点的当前性能信息；从所述当前性能信息提取特征数据；将所述特征数据输入至预设的资源预测模型，以输出资源配置信息；发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置，进而提高资源的利用率并降低人力成本。

技术领域

本申请涉及通信技术领域，尤其涉及一种基于机器学习的资源配置方法、装置、设备及存储介质。

背景技术

在分布式的资源调度系统中，通常采用静态调度，即，用户事先定义好资源配置文件，或者限制每个应用程序的资源使用上限。这种调度方式，不仅浪费大量人力，而且分布式资源调度系统不能根据应用程序的实际运行情况为每个应用程序分配资源，使得资源分配不合理，不能最大限度的利用节点资源，因而造成资源浪费，或者部分资源过载，严重时的数据迁移问题会导致计算和任务的延迟。因此有必要提供一种基于机器学习的资源配置方法，以提高资源的利用率并降低人力成本。

发明内容

本申请提供了一种基于机器学习的资源配置方法、装置、设备及存储介质，以提高资源的利用率并降低人力成本。

第一方面，本申请提供了一种基于机器学习的资源配置方法，用于于分布式系统，所述方法包括：

采集每个节点的当前性能信息；

从所述当前性能信息提取特征数据；

将所述特征数据输入至预设的资源预测模型，以输出资源配置信息；

发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。

第二方面，本申请还提供了一种基于机器学习的资源配置装置，应用于分布式系统，所述装置包括：

采集单元，用于采集每个节点的当前性能信息；

提取单元，用于从所述当前性能信息提取数据信息，所述数据信息包括特征数据；

输入输出单元，用于将所述节点特征数据输入至预设的资源预测模型，以输出资源配置信息；

发送单元，用于发送所述资源配置信息至每个所述节点，以使得每个所述节点将对应的所述资源配置信息保存至相应的配置文件中进而完成资源配置。

第三方面，本申请还提供了一种计算机设备，应用于分布式系统，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的资源配置方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的资源配置方法。

本申请公开了一种机器学习的资源配置方法、装置、设备及存储介质，通过主节点基于资源预测模型，根据当前性能信息，输出主节点和子节点中每一节点的资源配置信息，并将对应的资源配置信息发送至相应节点的配置文件中，进而完成资源配置，提高了该分布式系统的资源利用率。另外，该资源配置方法不需要依赖人工事先写好的配置文件，而是动态将已改变的资源特征信息反映到配置文件中去，在改变资源特征信息时，不需要人工修改配置文件，实现了资源分配的动态性、实时性和可靠性，大大减轻了工程师的工作量，节省了工程师的时间，使得资源分配更加简单，适用人群广，并将工程师从繁琐的配置文件中解放出来，能够更加专注业务的开发。此外，该方法巧妙地利用时间序列对资源配置信息进行预测，实时记录各节点的资源特征信息，资源配置的效率高。

附图说明