一种反射内存网络空闲仿真资源自动回收分配方法及系统与流程

摘要: 本发明属于计算机,具体涉及一种反射内存网络空闲仿真资源自动回收分配方法及系统。背景技术:1、随着计算机技术的飞速发展,分布式实时仿真系统在航空航天、工业控制、军...
一种反射内存网络空闲仿真资源自动回收分配方法及系统与流程

本发明属于计算机,具体涉及一种反射内存网络空闲仿真资源自动回收分配方法及系统。

背景技术:

1、随着计算机技术的飞速发展,分布式实时仿真系统在航空航天、工业控制、军事模拟等领域得到了广泛应用,反射内存网络作为实现多节点高速数据共享的关键技术,能够在微秒级延迟下实现跨计算机节点的内存数据同步,有效支撑实时性要求极高的仿真应用场景。

2、其中,反射内存网络通过将各节点的部分内存映射为共享内存区域,使得任意节点对本地内存的写入操作能够自动广播至其他所有节点,从而简化了分布式仿真程序的设计,提高了数据一致性和系统响应速度,目前已成为实时仿真系统的主流架构方案。

3、然而,现有反射内存网络在实际应用过程中普遍存在资源利用率低下的问题:由于各节点在系统初始化时即按照最大负载需求静态分配内存资源,导致在仿真任务负载较低或部分节点处于空闲状态时,大量内存空间被长期占用而无法释放,资源浪费现象严重;同时,当多个仿真任务需要动态申请和释放资源时,缺乏自动化的资源回收机制,只能依赖人工干预进行资源重新配置,响应效率低下;此外,在多任务并发场景下,无法根据各仿真任务的实际资源需求动态调整资源分配方案,负载均衡能力不足,严重制约了反射内存网络整体性能的发挥;最后,传统资源分配方式缺乏对空闲资源的有效监测和预警机制,难以实现资源的提前预判和优化配置。这些问题共同导致了反射内存网络资源使用效率低下和运维成本高昂的困境。

技术实现思路

1、本发明的目的在于提供一种反射内存网络空闲仿真资源自动回收分配方法及系统,可以有效解决现有反射内存网络资源利用率低下、缺乏自动化回收机制、负载均衡能力不足的技术问题。

2、为实现上述目的,本发明采取的技术方案为:

3、一种反射内存网络空闲仿真资源自动回收分配方法,包括以下具体步骤:步骤(1)实时监测反射内存网络中各仿真节点的资源使用状态:通过部署在网络管理层的高性能采集代理,以预设的采样周期持续获取各节点的内存占用率、中央处理器利用率和网络带宽占用率,并生成节点资源状态特征向量;步骤(2)构建仿真任务资源需求模型:基于历史运行数据,使用自适应模糊神经网络算法对各仿真任务的资源需求进行建模,输出任务资源需求预测向量,同时引入任务优先级权重系数,区分高优先级实时任务和低优先级批处理任务的资源分配策略;步骤(3)空闲资源智能识别与标记:采用基于改进粒子群优化的聚类算法,对节点资源状态特征向量进行动态聚类分析,识别资源利用率低于预设阈值的空闲节点和空闲内存块,并将识别结果写入资源状态映射表;步骤(4)自动资源回收与再分配:资源调度中心根据资源状态映射表和任务资源需求预测向量,执行空闲资源的强制回收操作,回收的内存空间被释放至全局资源池,同时通过加权轮询调度算法将回收资源动态分配给待运行的仿真任务,分配过程遵循资源预留与抢占相结合的混合策略;步骤(5)负载均衡与动态调整:持续监控资源分配后的系统负载分布,计算负载方差以评估均衡程度,当负载方差超过预设均衡阈值时,触发资源动态再平衡机制,将高负载节点的部分任务迁移至低负载节点,实现全网负载的均衡分布。

4、优选的,所述步骤(1)中,高性能采集代理采用无锁环形缓冲区技术实现数据采集,数据传输采用用户数据报协议,目标采集延迟小于等于预设延迟阈值。

5、优选的,所述步骤(2)中,自适应模糊神经网络采用预设层数的网络结构,输入层包含预设数量的神经元,对应多维资源特征,隐含层采用高斯径向基函数,输出层为多个输出神经元,分别预测内存需求和中央处理器需求,网络训练采用反向传播与遗传算法相结合的混合学习策略,达到较高的预测准确率。

6、优选的,所述步骤(3)中,改进粒子群优化的聚类算法引入非线性惯性权重递减策略,惯性权重初始值设定为预设的初始惯性权重值,迭代至预设的迭代次数时递减至预设的衰减后惯性权重值,粒子群规模设定为预设的粒子群规模,学习因子设定为预设的学习因子,空闲资源识别的内存利用率阈值设定为预设的内存利用率阈值,中央处理器利用率阈值设定为预设的处理器利用率阈值,聚类迭代收敛条件为连续预设次数迭代聚类中心偏移量小于预设的收敛精度。

7、优选的,所述步骤(4)中,全局资源池采用红黑树数据结构管理空闲内存块,支持对数时间复杂度的资源查找和释放,资源分配时优先选择与任务需求最匹配的空闲块,以减少内存碎片,混合策略中高优先级任务采用预留策略,确保其始终获得所需资源,低优先级任务采用抢占策略,在资源紧张时允许被高优先级任务抢占。

8、优选的,所述步骤(5)中,负载方差计算采用全网节点负载的标准差,负载均衡阈值设定为预设的均衡阈值,任务迁移采用检查点机制实现,迁移过程对用户透明,迁移时间开销小于等于预设的迁移时间上限,达到较高的迁移成功率。

9、优选的,还包括资源预警机制:建立基于指数加权移动平均的资源使用预测模型,预测时间窗口设定为预设的预测时间窗口,当预测到资源即将耗尽时,提前触发资源扩容请求或任务排队机制,达到较高的预警准确率。

10、优选的,还包括资源使用审计功能:详细记录每次资源分配、回收、迁移操作的时间戳、执行结果和执行者信息,审计日志采用防篡改存储技术,存储周期设定为预设的存储周期,支持事后追溯和责任认定。

11、优选的,还包括多租户资源隔离机制:基于虚拟局域网技术为不同用户的仿真任务划分独立的资源分区,每个分区设置资源使用上限,防止恶意或异常任务占用过多资源导致系统可用性下降。

12、优选的,所述方法应用于航空航天飞行仿真、工业控制实时仿真和军事作战仿真等对实时性要求高的领域,单次资源回收分配操作的端到端延迟小于等于预设的端到端延迟上限,支持预设的并发仿真任务数量的并发仿真任务,资源整体利用率提升至较高的资源利用率水平。

13、与现有技术相比,本发明具有如下有益效果:

14、1.资源利用率显著提升

15、通过实时监测和智能识别机制,系统能够自动发现并回收空闲资源,将资源利用率从传统静态分配的较低初始利用率水平大幅提升,有效解决了资源闲置浪费的问题;同时,全局资源池的建立使得回收资源能够被快速重新分配给其他需要的任务,实现了资源的高效循环利用。

16、2.自动化程度大幅提高

17、完全摒弃了人工干预资源分配的传统模式,从空闲资源识别、回收、再分配到负载均衡调整的全过程均由系统自动完成,响应时间从人工操作的大幅缩短至预设时间范围内,极大降低了运维成本和人为错误风险,显著提升了系统的自动化运维水平。

18、3.负载均衡能力增强

19、通过动态任务迁移和负载方差监测机制,系统能够实时感知全网负载分布状态,并自动进行资源再平衡,有效避免了局部热点和资源瓶颈问题,负载均衡调整后的系统吞吐量较传统静态分配方式大幅提升,确保了系统在高负载条件下的稳定运行。

20、4.预测性维护能力

21、资源预警机制基于历史数据和预测模型,能够在资源耗尽前提前预设时间发出预警,为系统管理员争取了充足的响应时间,预警准确率达到较高水平,实现了从被动应对到主动防控的转变,显著增强了系统的可靠性和可用性。