公开(公告)号：CN119089305A

公开(公告)日：2024-12-06

申请号：CN202411139430.1

申请日：2024-08-19

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  从一博 ,  刘亚荣

IPC: G06F18/2415 ,  G06F18/214 ,  G06N3/04 ,  G06N3/094

Abstract: 本申请公开了一种云资源数据预测方法、系统、设备、介质及产品，涉及云资源数据预测领域，首先获取历史时间段的云资源数据；云资源数据为CPU利用率、存储器利用率、进口网络流量、输出网络流量或者磁盘利用率；对历史时间段的云资源数据进行预处理，得到历史时间段的处理后的云资源数据；根据历史时间段的处理后的云资源数据，利用云资源预测模型，确定当前时刻的云资源数据；其中，云资源预测模型是利用训练数据集结合条件变量对组合模型进行训练得到的；组合模型包括依次连接的条件生成对抗网络和双向门控循环单元。本申请中通过引入带有条件标签的条件生成对抗网络和双向门控循环单元网络，提高了云资源数据的预测精度。

公开(公告)号：CN118642855A

公开(公告)日：2024-09-13

申请号：CN202410840166.8

申请日：2024-06-27

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  从一博 ,  刘亚荣

IPC: G06F9/50 ,  G06F9/48 ,  G06N3/092 ,  G06F9/455

Abstract: 本发明公开了一种基于Q‑learning的云资源负载调度方法，包括4个步骤：步骤S1：收集历史云资源负载数据；步骤S2：基于历史云资源的负载数据，预测在预定的时间段内云资源的预期负载使用状况；步骤S3：采用Q‑learning算法，根据收集到的云资源负载数据来构建一个负载调度模型；步骤S4：将构建好的负载调度模型应用于实际的云环境中并运行。本发明可以通过使用Q‑learning算法在复杂和动态的云环境中，克服传统方法存在自适应弱，扩展性和决策性差等问题，持续学习和优化资源分配和任务调度策略，达到自适应性强、无需预先知识、处理高维状态空间、灵活性高、自动化管理、扩展性强和持续优化等优势，达到有效提高系统性能和资源利用率的目的。