基于云原生架构的智能实训环境调度系统及方法
本发明属于云计算与教育信息化,具体涉及一种基于云原生架构的智能实训环境调度系统及方法。
背景技术:
1、随着高校、职业院校及企业培训机构数字化转型加速,实训平台成为专业技能培养的核心基础设施。然而,传统实训平台在架构设计上存在以下显著问题:
2、资源调度静态化:采用固定资源预分配策略,缺乏对学习用户实际学习行为与能力水平的感知,导致高峰期资源争抢、低谷期资源闲置,整体资源利用率普遍不高。例如,采用静态资源调度机制的教学实训方法存在固定资源分配导致算力极大浪费的技术缺陷;基于虚拟机的云平台资源管理方式重载、不适合细粒度灵活分配资源,难以应对实训任务负载的剧烈波动。
3、个性化支持不足:现有调度策略缺乏对学习用户能力差异的建模,无法根据学习进度、技能掌握程度动态调整实训难度与资源配置,制约了因材施教目标的实现。
4、数据采集效率低:采集端与处理端之间缺乏双向反馈协同机制,采集端无法感知处理端的负载状态,导致采集策略与处理能力不匹配,造成无效数据传输和计算资源浪费,影响了实训环境调度的响应效率。
5、认知异常响应滞后:现有调度系统仅基于能力评分的当前值或置信区间的静态宽度进行资源调整,缺乏对认知状态变化趋势的实时监测。当学习用户能力发生突发跃迁或异常衰减时,系统无法及时识别,需等待完整实训周期或评估周期结束后才能触发资源调整,导致个性化调度的响应延迟较高,无法满足真实教学场景中对认知异常即时干预的需求。
6、针对上述问题,现有技术中虽有部分工作引入了容器化技术(例如docker)或基础kubernetes调度,但仍停留于简单的容器封装层面,未能在架构层面实现云原生化改造,更缺乏与学习用户能力模型的深度结合。例如,一些现有方案提出了基于强化学习的资源动态分配,但调度粒度仅局限于硬件资源;另有方案虽涉及学习用户能力画像,但未与云原生容器调度环境融合,无法实现计算资源与教学内容的协同调度。
7、因此,亟需研发一种能够深度融合云原生架构与学习用户能力模型的智能实训环境调度系统。
技术实现思路
1、针对现有技术中资源调度静态化导致资源利用率低、个性化支持不足导致无法根据学习用户能力差异动态调整资源配置、认知异常响应滞后导致无法识别用户能力突变并预判资源需求、以及数据采集与处理之间缺乏协同导致无效数据传输的技术缺陷,本发明提出一种基于云原生架构的智能实训环境调度系统及方法,通过多粒度技能树画像引导的智能匹配、以及置信区间驱动的弹性伸缩控制,实现对学习用户个性化实训需求进行智能响应与弹性调度。
2、本发明提供一种基于云原生架构的智能实训环境调度系统,至少包括:
3、容器编排平台,用于获取系统资源状态,以及创建和管理容器化实训环境;
4、动态能力匹配引擎,包括:
5、数据采集模块,用于采集学习用户在实训过程中的行为数据;
6、能力画像构建模块,用于基于所述行为数据构建并动态维护学习用户的能力画像;所述能力画像包括能力评分及所述能力评分的置信区间;
7、匹配决策模块,用于根据系统资源状态和所述能力画像,生成针对所述学习用户的实训环境资源配置决策,包括:读取所述能力评分的置信区间宽度;当所述置信区间宽度大于预设区间宽度阈值时,在所述实训环境资源配置决策中附加冗余资源配额,所述冗余资源配额与所述置信区间宽度呈正相关;
8、资源调度执行模块,用于根据所述实训环境资源配置决策,触发所述容器编排平台创建或动态调整所述学习用户的容器化实训环境。
9、优选地,所述能力画像构建模块采用贝叶斯增量更新算法构建并动态维护所述能力画像。
10、优选地,所述行为数据包括实训评测结果;
11、所述能力画像采用多粒度技能树结构,包括多个技能粒度层的能力评分及对应的置信区间;
12、所述多个技能粒度层从下到上包括:知识点层、技能模块层和领域能力层;
13、所述知识点层中每个知识点的能力评分,由学习用户在所述知识点上的实训评测结果直接映射得到;
14、所述技能模块层中每个技能模块的能力评分,由所述知识点层中归入所述技能模块的各知识点的能力评分加权聚合得到;
15、所述领域能力层的能力评分,由所述技能模块层中归入所述领域能力层的各技能模块的能力评分加权聚合得到。
16、优选地,所述冗余资源配额与所述置信区间宽度呈阶梯式正相关;
17、所述匹配决策模块用于对各技能粒度层中能力评分的置信区间宽度进行加权聚合,并根据加权聚合结果落入的预设等级区间确定所述冗余资源配额;所述预设等级区间通过对加权聚合的取值范围进行预定划分获得。
18、优选地,所述系统还包括资源模板库;所述资源模板库中预设多个资源模板,每个资源模板对应一个能力等级和一个与所述能力等级相匹配的资源配额上限;所述能力等级通过对能力评分进行区间划分获得;
19、所述匹配决策模块用于根据所述能力画像中的能力评分确定能力等级,并从所述资源模板库中选择与所述能力等级对应的资源模板,以生成所述实训环境资源配置决策。
20、优选地,所述容器编排平台与所述动态能力匹配引擎通信连接,所述匹配决策模块从所述容器编排平台获取所述系统资源状态;
21、所述匹配决策模块采用多目标优化算法生成所述实训环境资源配置决策;所述多目标优化算法的优化目标包括学习用户能力与资源匹配度、资源碎片率和跨节点通信开销;
22、所述学习用户能力与资源匹配度用于衡量为学习用户分配的计算资源配额与所述能力画像中的能力评分对应的资源模板之间的匹配程度。
23、优选地,所述数据采集模块通过边车容器采集所述行为数据,并进行本地预处理获得预处理数据;所述本地预处理包括根据预设特征条件对所述行为数据进行筛选和聚合;
24、所述数据采集模块通过流式计算框架从所述预处理数据中提取特征向量后发送至所述能力画像构建模块;
25、所述能力画像构建模块基于所述特征向量构建并动态维护所述学习用户的能力画像;
26、所述边车容器与所述流式计算框架之间建立双向反馈的数据通道:
27、所述边车容器向所述流式计算框架发送所述预处理数据;
28、所述流式计算框架还生成表征所述流式计算框架处理负载的反馈信号,并将所述反馈信号发送至所述边车容器;
29、所述边车容器根据所述反馈信号动态调整所述预设特征条件和采集粒度。
30、优选地,所述动态能力匹配引擎还包括置信区间动态漂移预警模块,用于监测所述能力画像中至少一个技能粒度层的能力评分的置信区间在预设时间窗口内的漂移速率;
31、所述置信区间动态漂移预警模块还用于在所述漂移速率超出预设漂移速率阈值范围时,判定所述学习用户处于认知异常状态,并用于执行以下至少一项操作:
32、当所述置信区间在所述预设时间窗口内的收窄速率超过预设的正常收窄速率阈值,且所述学习用户在所述预设时间窗口内产生的用于更新所述能力画像的行为数据样本数量与置信区间收窄幅度的比值低于预设参考比值时,限制所述冗余资源配额的发放;
33、当所述置信区间在所述预设时间窗口内的收窄速率超过预设的正常收窄速率阈值,且所述学习用户在所述预设时间窗口内产生的用于更新所述能力画像的行为数据样本数量与置信区间收窄幅度的比值达到或超过预设参考比值时,向所述匹配决策模块发送预匹配指令,以使所述匹配决策模块为所述学习用户匹配对应更高能力等级的资源模板;
34、当所述置信区间在所述预设时间窗口内的拓宽速率超过预设的正常拓宽速率阈值时,触发知识遗忘告警,并向所述匹配决策模块发送能力等级降级建议,以使所述匹配决策模块为所述学习用户匹配对应更低能力等级的资源模板。
35、另一方面,本发明还提供一种基于云原生架构的智能实训环境调度方法,应用前述任一项所述系统执行方法的步骤,所述方法包括以下步骤:
36、步骤s1,通过容器编排平台获取系统资源状态,并利用数据采集模块采集学习用户在实训过程中的行为数据;
37、步骤s2,能力画像构建模块基于所述行为数据构建或更新所述学习用户的能力画像;所述能力画像包括能力评分及所述能力评分的置信区间;
38、步骤s3,匹配决策模块根据所述系统资源状态和所述能力画像,生成针对所述学习用户的实训环境资源配置决策;读取所述能力评分的置信区间宽度,当所述置信区间宽度大于预设区间宽度阈值时,在所述实训环境资源配置决策中附加冗余资源配额,所述冗余资源配额与所述置信区间宽度呈正相关;
39、步骤s4,资源调度执行模块根据所述实训环境资源配置决策,触发所述容器编排平台创建或动态调整所述学习用户的容器化实训环境。
40、相比现有技术,本发明获得的有益效果包括:
41、(1)通过将能力画像中能力评分的置信区间宽度作为冗余资源配额的决策依据,并建立所述冗余资源配额与所述置信区间宽度之间的正相关映射,经由匹配决策模块根据认知不确定性动态调整冗余资源配额、容器编排平台动态调整容器化实训环境的计算资源配额的闭环调度机制,进而实现资源利用效率与学习体验的平衡。
42、(2)通过对所述能力画像设置多粒度技能树结构,并在各技能粒度层分别设置对应的置信区间,使所述置信区间宽度的量化粒度可细化至特定技能模块,提高了冗余资源配额对学习用户实际能力水平的适配精度。
43、(3)通过所述边车容器与所述流式计算框架之间的双向反馈,使所述边车容器能够根据所述流式计算框架反馈的表征处理负载的反馈信号动态调整采集粒度和预设特征条件,实现了采集端到处理端的动态适配,降低了无效计算和通信开销。
44、(4)通过引入置信区间动态漂移预警机制,实时监测各技能粒度层置信区间的漂移速率,根据收窄/拓宽速率与行为数据的匹配性判定认知异常状态并触发差异化调度策略,将资源调度从“基于当前认知状态”升级为“基于认知变化趋势”,实现了预测性的资源预匹配和异常行为预警,解决了现有调度系统无法识别用户能力突变异常场景的问题,显著降低了资源调整的响应延迟。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com