基于AI的负载均衡与云桌面虚拟化方法及系统与流程

本发明涉及云桌面虚拟化，尤其涉及基于ai的负载均衡与云桌面虚拟化方法及系统。

背景技术：

1、在云桌面虚拟化技术领域，现有的负载均衡与资源分配方法通常依赖于静态阈值规则或基于历史平均负载的简单统计模型。管理员通过预先设定cpu利用率、内存占用率等指标的警戒阈值，当资源使用率超过阈值时触发虚拟桌面实例的迁移或复制操作，以尝试恢复系统的平衡状态。部分系统进一步引入了基于轮询或最少连接数等传统调度算法，将用户会话请求均匀地分配到不同的宿主机或虚拟桌面池中。这些方法通常需要人工介入进行参数调整，例如根据业务流量波动的经验值手动修改阈值或调度权重。

2、然而，这类常规做法存在一个显著缺陷，即缺乏对资源负载动态变化的预测能力。静态阈值或简单统计模型无法捕捉资源使用量的时序演变规律，当用户会话请求呈现突发性或周期性模式（如早上集中登录、下班前批量保存）时，系统往往在过载已经发生后才有响应，导致虚拟桌面响应延迟或卡顿，甚至造成宿主机资源抢占冲突。更为严重的是，基于历史平均的建模方式会忽略近期负载的突变特征，使得资源预留或抢占决策过于滞后，无法满足云桌面环境对实时体验的苛刻要求。

3、另一个常见的缺陷在于，现有方法缺少基于实际执行反馈的闭环自适应机制。大多数系统在完成一次资源分配后，不再对分配的合理性进行后续评估，也不会根据真实运行中的失败或性能下降事件自动调整后续决策逻辑。例如，当某次迁移因网络拥塞导致数据同步超时时，仍可能重复采用相同的迁移策略，造成相同类型的失败反复发生。由于缺乏对负载均衡策略目标函数或调度模型的在线更新能力，整个系统的长期性能会随着工作负载模式的变化而逐步劣化，迫使运维人员频繁手动介入，增加了运营成本并降低了自动化水平。

技术实现思路

1、本发明实施例提供基于ai的负载均衡与云桌面虚拟化方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，提供基于ai的负载均衡与云桌面虚拟化方法，包括：

3、获取云桌面虚拟化环境中的资源状态信息与用户会话请求信息；

4、基于时序分析模型对所述资源状态信息进行时序特征提取，得到资源负载的变化趋势特征，并根据所述变化趋势特征与所述用户会话请求信息，对未来时间窗口内的资源需求分布进行预测，得到预测资源需求分布；

5、根据所述预测资源需求分布与所述资源状态信息，将所述用户会话请求信息与虚拟化资源池中的虚拟桌面实例进行多维度匹配，得到候选分配方案集合；

6、根据所述候选分配方案集合与负载均衡策略目标函数，生成目标资源分配决策；

7、基于所述目标资源分配决策对所述用户会话请求信息对应的用户会话执行虚拟桌面实例绑定操作，并采集执行过程中的反馈信息，利用所述反馈信息对所述时序分析模型与所述负载均衡策略目标函数进行自适应更新。

8、基于时序分析模型对所述资源状态信息进行时序特征提取，得到资源负载的变化趋势特征，并根据所述变化趋势特征与所述用户会话请求信息，对未来时间窗口内的资源需求分布进行预测，得到预测资源需求分布，包括：

9、对所述资源状态信息进行序列化处理，得到资源状态时间序列，并对所述资源状态时间序列进行时间窗口划分，得到多个历史时间窗口的资源状态子序列；

10、将所述资源状态子序列输入所述时序分析模型进行多尺度时序特征提取，得到多尺度时序特征集合；

11、对所述多尺度时序特征集合进行特征融合处理，根据不同尺度特征之间的时序依赖关系生成所述资源负载的变化趋势特征；

12、将所述用户会话请求信息中的会话类型特征与资源需求特征进行特征编码，得到会话需求特征向量；

13、将所述资源负载的变化趋势特征与所述会话需求特征向量进行特征关联，通过所述时序分析模型生成未来时间窗口内多个时间点的资源需求预测值序列，并基于所述资源需求预测值序列进行概率分布建模，得到所述预测资源需求分布。

14、将所述资源负载的变化趋势特征与所述会话需求特征向量进行特征关联，通过所述时序分析模型生成未来时间窗口内多个时间点的资源需求预测值序列，并基于所述资源需求预测值序列进行概率分布建模，得到所述预测资源需求分布，包括：

15、对所述资源负载的变化趋势特征与所述会话需求特征向量进行特征空间对齐处理，得到对齐后的资源负载特征与会话需求特征；

16、基于所述对齐后的资源负载特征与会话需求特征之间的相关性，确定特征关联矩阵，并通过所述特征关联矩阵对所述资源负载的变化趋势特征与所述会话需求特征向量进行加权融合，得到融合特征表示；

17、将所述融合特征表示输入所述时序分析模型进行多步预测处理，针对未来时间窗口内的多个时间点分别生成对应时间点的资源需求预测值，得到所述资源需求预测值序列；

18、对所述资源需求预测值序列进行统计特性分析，提取所述资源需求预测值序列的分布特征参数；

19、基于所述分布特征参数构建概率分布模型，并利用所述概率分布模型对未来时间窗口内的资源需求进行概率密度估计，得到所述预测资源需求分布。

20、根据所述预测资源需求分布与所述资源状态信息，将所述用户会话请求信息与虚拟化资源池中的虚拟桌面实例进行多维度匹配，得到候选分配方案集合，包括：

21、基于所述预测资源需求分布确定未来时间窗口内的资源需求边界条件，并结合所述资源状态信息确定当前可用资源容量约束；

22、对所述虚拟化资源池中的虚拟桌面实例进行资源能力评估，得到各虚拟桌面实例的资源供给能力表征；

23、将所述用户会话请求信息中的资源需求特征与所述资源供给能力表征进行多维度相似度计算，生成满足当前资源容量约束与未来资源需求边界条件的初步匹配结果集合；

24、对所述初步匹配结果集合中的每个匹配结果进行负载均衡度评估，计算各匹配结果对应的资源负载分布均衡性指标；

25、基于所述资源负载分布均衡性指标对通过可行性验证的匹配结果进行筛选与排序，得到所述候选分配方案集合。

26、将所述用户会话请求信息中的资源需求特征与所述资源供给能力表征进行多维度相似度计算，生成满足当前资源容量约束与未来资源需求边界条件的初步匹配结果集合，包括：

27、对所述用户会话请求信息中的资源需求特征进行向量化表示，得到资源需求特征向量，对所述资源供给能力表征进行向量化表示，得到资源供给特征向量；

28、基于所述资源需求特征向量与各虚拟桌面实例对应的资源供给特征向量之间的距离度量关系，计算各虚拟桌面实例与所述用户会话请求信息之间的多维度相似度；

29、根据所述多维度相似度对所述虚拟化资源池中的虚拟桌面实例进行排序,得到相似度排序结果；

30、从所述相似度排序结果中依次选取虚拟桌面实例，对每个选取的虚拟桌面实例进行双重约束验证，验证所述虚拟桌面实例是否同时满足所述当前可用资源容量约束与所述资源需求边界条件；

31、将通过双重约束验证的虚拟桌面实例与所述用户会话请求信息构成匹配对，基于所有通过双重约束验证的匹配对，确定所述初步匹配结果集合。

32、根据所述候选分配方案集合与负载均衡策略目标函数，生成目标资源分配决策，包括：

33、对所述候选分配方案集合中的每个候选分配方案进行特征提取，得到各候选分配方案的资源分配特征表示；

34、基于所述资源分配特征表示，针对每个候选分配方案计算所述负载均衡策略目标函数，并结合所述预测资源需求分布对所述负载均衡策略目标函数进行时序稳定性评估，得到各候选分配方案在当前时刻与未来时间窗口内的目标函数时序变化轨迹；

35、对所述目标函数时序变化轨迹进行波动性分析，计算各候选分配方案对应的目标函数波动度指标，并基于所述目标函数波动度指标对所述候选分配方案集合进行筛选得到稳定候选分配方案子集;

36、对所述稳定候选分配方案子集中的各候选分配方案进行综合评分，选取综合评分最高的候选分配方案作为所述目标资源分配决策。

37、基于所述目标资源分配决策对所述用户会话请求信息对应的用户会话执行虚拟桌面实例绑定操作，并采集执行过程中的反馈信息，利用所述反馈信息对所述时序分析模型与所述负载均衡策略目标函数进行自适应更新，包括：

38、根据所述目标资源分配决策确定目标虚拟桌面实例，对所述用户会话请求信息对应的用户会话与所述目标虚拟桌面实例执行绑定操作；

39、在绑定操作执行过程中实时采集反馈信息，所述反馈信息包含实际资源消耗数据与实际负载分布数据；

40、对所述实际资源消耗数据与所述预测资源需求分布进行对比分析，计算预测偏差量，并基于所述预测偏差量对所述时序分析模型中的模型参数进行误差回传调整，得到更新后的时序分析模型;

41、对所述实际负载分布数据与所述负载均衡策略目标函数的预期负载分布状态进行一致性验证，确定所述负载均衡策略目标函数与实际负载控制效果之间的偏离程度，并基于所述偏离程度生成目标函数修正项；

42、基于所述目标函数修正项对所述负载均衡策略目标函数的函数结构进行调整，得到更新后的负载均衡策略目标函数。

43、本发明实施例的第二方面，提供一种基于ai的负载均衡与云桌面虚拟化系统，包括：

44、信息获取单元，用于获取云桌面虚拟化环境中的资源状态信息与用户会话请求信息；

45、时序预测单元，用于基于时序分析模型对所述资源状态信息进行时序特征提取，得到资源负载的变化趋势特征，并根据所述变化趋势特征与所述用户会话请求信息，对未来时间窗口内的资源需求分布进行预测，得到预测资源需求分布；

46、候选匹配单元，用于根据所述预测资源需求分布与所述资源状态信息，将所述用户会话请求信息与虚拟化资源池中的虚拟桌面实例进行多维度匹配，得到候选分配方案集合；

47、分配决策单元，用于根据所述候选分配方案集合与负载均衡策略目标函数，生成目标资源分配决策；

48、自适应更新单元，用于基于所述目标资源分配决策对所述用户会话请求信息对应的用户会话执行虚拟桌面实例绑定操作，并采集执行过程中的反馈信息，利用所述反馈信息对所述时序分析模型与所述负载均衡策略目标函数进行自适应更新。

49、本发明实施例的第三方面，提供一种电子设备，包括：

50、处理器；

51、用于存储处理器可执行指令的存储器；

52、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

53、本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

54、本发明通过基于时序分析模型提取资源负载变化趋势特征，并预测未来资源需求分布，能够提前感知负载走向，实现主动式资源调度，有效规避突发性能瓶颈。将预测结果与资源状态信息结合进行多维度匹配，用户会话请求与虚拟桌面实例按计算能力、存储带宽、会话类型等维度精准配对，生成的候选分配方案集合覆盖多种均衡策略，资源分配灵活性大幅提升，资源碎片化程度显著降低。

55、本发明的负载均衡策略目标函数综合系统吞吐量、响应延迟与能量效率等指标，目标资源分配决策实现全局最优，虚拟桌面实例绑定操作确保用户会话获得稳定一致的桌面体验。执行过程中采集的反馈信息驱动时序分析模型与目标函数的自适应更新，模型参数随负载模式演化动态调整，目标函数权重随业务优先级实时修正，系统在复杂多变环境中持续逼近最优运行状态，人工调优成本大幅下降。

56、本发明显著提升云桌面虚拟化环境的资源利用效率，降低了平均负载偏差，减少了用户会话请求排队等待时间，并使可承载的并发用户数量增加，单台物理服务器虚拟桌面密度提升，硬件成本有效摊薄。多维度匹配机制整合碎片化资源，避免单点过载与闲置并存。同时通过自学习机制减少人工干预，运维复杂度显著降低，系统鲁棒性增强，长时运行无性能退化风险。用户会话体验保持流畅，应用启动速度与操作响应能力均得到改善，整体服务水平协议达成率提高，云桌面服务品质获得全方位提升。