[发明专利]面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法

权利要求书

1.一种面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法，其特征在于，包括以下步骤：

S1.从云数据中心获取特定时间段内各服务器中在线服务器的资源信息；

S2.分析资源信息的数据特征，基于压缩感知的方法对资源信息进行抽样和压缩；

S3.调度器获取压缩后的资源信息进行恢复，并将其作为LSTM模型的输入来预测下一时间段在线服务器的资源使用信息；

S4.从云数据中心获取下一时间段内将要处理的批处理作业调度需求的资源信息；

S5.结合当前在线服务器可用资源信息和批处理作业调度所需的资源信息，构建基于cMAB的在线学习模型，来对批作业进行调度。

2.根据权利要求1所述的面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法，其特征在于，所述的步骤S2中，分析资源信息的数据特征包括是否具有矩阵重构的低秩特征和时间关联性，以此判断是否可以使用压缩感知的方法以及是否可以利用时间关联性来协助恢复CPU资源信息的重建过程。

3.根据权利要求2所述的面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法，其特征在于，利用奇异值分解的方法确定矩阵是否低秩；具体步骤包括：假设一个奇异矩阵σ_i代表奇异矩阵对角线上的元素，如果存在一个r，使得满足公式(1)，那么则证明这个矩阵是低秩的：

r＜＜min(n，t)。(1)

4.根据权利要求2所述的面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法，其特征在于，判断是否具有时间关联性的步骤包括：假设x_i，j代表在t时间上第i台服务器的资源信息，以下公式(2)通过Δx_i，j来表示时间关联性：

5.根据权利要求2所述的面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法，其特征在于，所述的步骤S2中，基于压缩感知的方法对资源信息进行抽样和压缩具体包括以下步骤：

S21.对云数据中心的资源信息进行建模，定义代表在时间t上所有n个服务器的资源信息，则为一个二值指标，取1代表在该服务器上进行抽样，取0代表未在该服务器上进行采样，那么当前抽样得到的在线服务资源信息就可以表示为这两者的点积，用h_t来表示h_t＝b_t·x_t；

S22.定义代表在T时间段内在线服务的总资源信息，表示恢复的结果，B为二值指标b_t对应的矩阵，那么数据重构的问题就可以转化为以下目标函数的优化问题，如公式(3)：

S23.进一步通过奇异值分解SVD方法将此优化目标进行求解，因此优化问题可以转化为以下表示形式：

s.t.B·(LR^T)＝H (4)

S24.为了求解(4)中这个带约束的优化问题，采用拉格朗日乘子法对此问题进行求解：

在公式(5)中，拉格朗日参数λ是可以调节约束和秩最小化折衷的控制参数；

S25.CPU资源信息跟时间有较强的关联性，所以在对CPU资源信息恢复的过程中从时间维度上进行求解，利用关于时间T的托普利兹矩阵最终的目标函数为：

其中，公式(6)中的为时间关系项。

6.根据权利要求5所述的面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法，其特征在于，为了应对出现资源需求出现洪峰的情况，在通过长短期记忆模型LSTM预测下一阶段的在线服务需求信息后，再增加一个预测需求值