一种用于深度学习中资源扩容的主动决策方法及系统与流程

技术特征：
1.一种用于深度学习中资源扩容的主动决策方法，其特征在于，包括以下步骤：步骤s1，获取预先保留的预测数据及与预测数据对应的历史运维数据；其中，所述历史运维数据包括业务指标、前期的应用性能日志、基础设施信息或其他指标；所述预测数据为历史时间段内深度学习过程中进行系统运行状态预测所生成的历史预测数据；步骤s2，将预先保留的预测数据与对应的历史运维数据进行比较，根据比较结果确定预先保留的预测数据是否处于正常范围；步骤s3，当预先保留的预测数据处于正常范围时，调用实时的业务指标数据，并根据实时的业务指标数据对预先保留的预测数据进行优化；步骤s4，根据优化后的预测数据建立仿真模型，并通过仿真模型对资源扩容进行主动决策，获得资源扩容结果。2.如权利要求1所述的方法，其特征在于，在步骤s1中，所述预先保留的预测数据具体包括：将预测的数据按照不同预设标准进行保存；其中，所述预设标准包括时间段、地域属性或业务指标类型。3.如权利要求2所述的方法，其特征在于，所述步骤s2包括：将比较结果与预设的差异阈值进行比较，当预先保留的预测数据与对应的历史运维数据的差值大于预设的差异阈值时，判定该预测数据不处于正常范围；当预先保留的预测数据与对应的历史运维数据的差值小于等于预设的差异阈值时，判定该预测数据处于正常范围内。4.如权利要求3所述的方法，其特征在于，所述步骤s3包括：通过预设的调用链系统调用处于工作状态下的各应用的业务指标数据，并将调用的各应用的业务指标数据进行聚合，获得实时的业务指标数据。5.如权利要求4所述的方法，其特征在于，在步骤s3中，所述根据实时的业务指标数据对预先保留的预测数据进行优化包括：根据实时的业务指标数据对预测数据进行比对，将与实时的业务指标数据对应的预测数据标记为重要，将与实时的业务指标数据不对应的预测数据标记为不重要；将不重要的预测数据进行删除。6.一种用于深度学习中资源扩容的主动决策系统，用以实现如权利要求1
‑
5任一项所述的方法，其特征在于，包括：数据获取模块，用以获取预先保留的预测数据及与预测数据对应的历史运维数据；其中，所述历史运维数据包括业务指标、前期的应用性能日志、基础设施或其他指标；所述预测数据为历史时间段内深度学习过程中进行系统运行状态预测所生成的历史预测数据；对比模块，用以将预先保留的预测数据与对应的历史运维数据进行比较，根据比较结果确定预先保留的预测数据是否处于正常范围；数据调用模块，用以当预先保留的预测数据处于正常范围时，调用实时的业务指标数据；优化模块，用以根据实时的业务指标数据对预先保留的预测数据进行优化；仿真模块，用以根据优化后的预测数据建立仿真模型；决策模块，用以通过仿真模型对资源扩容进行主动决策，获得资源扩容结果。
7.如权利要求6所述的系统，其特征在于，还包括：预测数据保留模块，用以将预测的数据按照不同预设标准进行保存；其中，所述预设标准包括时间段或地域属性或业务指标类型。8.如权利要求7所述的系统，其特征在于，所述对比模块还用于将比较结果与预设的差异阈值进行比较，当预先保留的预测数据与对应的历史运维数据的差值大于预设的差异阈值时，判定该预测数据不处于正常范围；当预先保留的预测数据与对应的历史运维数据的差值小于等于预设的差异阈值时，判定该预测数据处于正常范围内。9.如权利要求8所述的系统，其特征在于，所述数据调用模块还用于通过预设的调用链系统调用处于工作状态下的各应用的业务指标数据，并将调用的各应用的业务指标数据进行聚合，获得实时的业务指标数据。10.如权利要求9所述的系统，其特征在于，所述优化模块还用于根据实时的业务指标数据对预测数据进行比对，将与实时的业务指标数据对应的预测数据标记为重要，将与实时的业务指标数据不对应的预测数据标记为不重要；将不重要的预测数据进行删除。

技术总结
本发明提供一种用于深度学习中资源扩容的主动决策方法及系统，包括，步骤S1，获取预先保留的预测数据及与预测数据对应的历史运维数据；步骤S2，将预先保留的预测数据与对应的历史运维数据进行比较，根据比较结果确定预先保留的预测数据是否处于正常范围；步骤S3，当预先保留的预测数据处于正常范围时，调用实时的业务指标数据，并根据实时的业务指标数据对预先保留的预测数据进行优化；步骤S4，根据优化后的预测数据建立仿真模型，并通过仿真模型对资源扩容进行主动决策，获得资源扩容结果。本发明利用仿真模型使资源扩容系统实现智能决策，使预期设计的硬件架构能够满足算法需求，资源优化能力强且预测能力较优，提升用户的体验和使用效率。的体验和使用效率。的体验和使用效率。


技术研发人员：陈瑞 冷迪 黄建华
受保护的技术使用者：深圳供电局有限公司
技术研发日：2021.07.28
技术公布日：2021/10/23