双路机架式服务器的计算资源智能分配系统及其分配方法与流程

1.本发明涉及服务器资源智能分配的领域，且更为具体地，涉及一种双路机架式服务器的计算资源智能分配系统及其分配方法。


背景技术：

2.服务器是计算机的一种，它比普通计算机运行更快、负载更高、价格更贵，服务器在网络中为其它客户机(如pc机、智能手机、atm等终端甚至是火车系统等大型设备)提供计算或者应用服务。目前市场上较流行的服务器架构形态主要就是塔式、机架式和刀片式三种。机架服务器以及变形的机架服务器甚至塔式服务器将继续作为服务器市场的主流。
3.但是，目前服务器计算资源池化和调度不够完善，造成数据的挤压与丢失，并且不适合调度，影响了数据的稳定与后期的保存，间接的造成了资源的损失。
4.在现有的服务器的计算资源的方案分配中，其通常基于客户端的计算需求来分配计算资源，通常采用先到者优先分配资源的模式，但这种分配模式会导致其他客户端在共同服务器时，无法得到足够的计算资源，且服务器自身也需要维持正常运行，例如数据传输，数据储存，数据协同等，也就是，在服务器分配计算资源时，除了考虑所有客户端作为整体对于计算资源的需求外，还需要考虑服务器自身的剩余计算资源情况。
5.因此，期待一种优化的用于服务器的计算资源智能分配方案。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种双路机架式服务器的计算资源智能分配系统及其分配方法，其通过深度神经网络模型分别对于时间维度上的客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量进行隐含的关联特征挖掘，以综合这三者的特征信息融合来进行所述服务器的计算资源分配比例的合理性判断，通过这样的方式，以所述客户端的所需计算资源量的全局和服务器自身的剩余计算资源情况来智能地调整计算资源分配方案，以提高服务器计算资源的分配合理性和利用效率。
7.根据本技术的一个方面，提供了一种双路机架式服务器的计算资源智能分配系统，其包括：客户端计算请求采集模块，用于获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量；计算请求数据编码模块，用于将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量；全局均值处理模块，用于计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值；计算请求时序编码模块，用于将所述对应于各个所述预定时间点的全局计算需求
特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量；剩余计算资源量采集模块，用于获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量；剩余计算资源量编码模块，用于将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量；分配数据采集模块，用于获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量；分配数据编码模块，用于将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量；贝叶斯融合模块，用于使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量；以及分配方案生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
8.根据本技术的另一方面，一种双路机架式服务器的计算资源智能分配系统的分配方法，其包括：获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量；将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量；计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值；将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量；获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量；将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量；获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量；将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量；使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
9.与现有技术相比，本技术提供的双路机架式服务器的计算资源智能分配系统及其分配方法，其通过深度神经网络模型分别对于时间维度上的客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量进行隐含的关联特征挖掘，以综合这三者的特征信息融合来进行所述服务器的计算资源分配比例的合理性判断，并且在特征的
融合过程中，通过对特征值及其所属的类条件进行信息规则的结构理解，来避免了特征值集合由于集合的分布外特征值而导致在分类目标域内的决策区域的过度碎片化，进而就实现了各个特征分布到概率化的分类目标的约束，以提高了分类的准确性。
附图说明
10.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
11.图1为根据本技术实施例的双路机架式服务器的计算资源智能分配系统的框图。
12.图2为根据本技术实施例的双路机架式服务器的计算资源智能分配系统中贝叶斯融合模块的框图。
13.图3为根据本技术实施例的双路机架式服务器的计算资源智能分配系统的分配方法的流程图。
14.图4为根据本技术实施例的双路机架式服务器的计算资源智能分配系统的分配方法的架构示意图。
具体实施方式
15.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
16.场景概述如前所述，服务器是计算机的一种，它比普通计算机运行更快、负载更高、价格更贵，服务器在网络中为其它客户机(如pc机、智能手机、atm等终端甚至是火车系统等大型设备)提供计算或者应用服务。目前市场上较流行的服务器架构形态主要就是塔式、机架式和刀片式三种。机架服务器以及变形的机架服务器甚至塔式服务器将继续作为服务器市场的主流。
17.但是，目前服务器计算资源池化和调度不够完善，造成数据的挤压与丢失，并且不适合调度，影响了数据的稳定与后期的保存，间接的造成了资源的损失。因此，期待一种优化的用于服务器的计算资源智能分配方案。
18.相应地，在现有的服务器的计算资源的方案分配中，其通常基于客户端的计算需求来分配计算资源，通常采用先到者优先分配资源的模式，但这种分配模式会导致其他客户端在共同服务器时，无法得到足够的计算资源，且服务器自身也需要维持正常运行，例如数据传输，数据储存，数据协同等，也就是，在服务器分配计算资源时，除了考虑所有客户端作为整体对于计算资源的需求外，还需要考虑服务器自身的剩余计算资源情况。
19.基于此，本技术发明人考虑从客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量出发，利用深度神经网络模型来进行关联特征的挖掘，再通过分类器进行分类，以获得服务器的计算资源分配比例的合理性。这样，能够在保证所述服务器的计算资源分配合理的情况下避免了资源的损失。
20.具体地，在本技术的技术方案中，首先，获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量。应可以理解，考虑到所述多个预定时间点的多个客户端的计算资源请求中的所需计算资源量之间存在着关联性，因此，使用上下文编码器，例如基于转换器的bert模型来对各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量进行编码，以提取出所述各个所需计算资源量之间的基于全局的高维语义特征以更适于表征所述客户端的计算资源需求特征，从而获得多个客户端特征向量。这样，再将所述多个客户端特征向量进行级联，以得到在时间维度上的所述对应于各个所述预定时间点的全局需求特征向量。
21.进一步地，就可以计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值，以得到具有全局性样本维度关联特征信息的对应于各个所述预定时间点的全局计算需求特征值。然后，考虑到各个所述预定时间点的全局计算需求特征值在时间维度上具有动态性的变化特征，因此，为了提取出这种在时间上的变化特征，进一步将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量，以整合在时间维度上的各个样本的特征信息后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量。在一个示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个全局计算需求特征值在时序维度上的关联和通过全连接编码提取所述各个全局计算需求特征值的高维隐含特征。
22.应可以理解，在本技术的技术方案中，为了基于客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量三者来对计算资源分配的合理性进行判断，就需要将这三者的关联特征信息进行深层次的特征挖掘，而对于所述服务器的剩余计算资源量以及所述客户端分配的计算资源量，首先，获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量以及所述服务器在所述当前时间点向所述多个客户端分配的计算资源量。然后，考虑到不管是时序维度上的服务器的剩余计算资源量，还是所述服务器在所述当前时间点向所述多个客户端分配的计算资源量，其在时间上都具有着动态性的关联隐含特征信息，因此，采用时序编码器来分别对这两者在时序上的隐含动态关联特征进行提取，从而获得剩余计算资源特征向量以及当前计算资源分配特征向量。
23.进一步地，考虑到使用所述当前计算资源分配特征向量作为先验概率，在本技术的技术方案的目的是在新的证据，即在有新的所述多个客户端的计算资源请求时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本技术的技术方案中，使用贝叶斯概率模型融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量，其中所述当前计算资源分配特征向量作为先验，所述剩余计算资源特征向量作为事件，且所述计算资源需求特征向量作为证据。这样，就可以将所述分类特征向量通过分类器以获得用于表示服务器在当前时间点的计算资源分配比例是否需要调整的分类结果。
24.但是，考虑到在使用贝叶斯概率模型之前，需要首先将所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量映射到概率空间，而在进行最大值归一化等线性映射时，无法实现对特征向量所表达的特征分布到概率化的分类目标的约束，从而会影响利用贝叶斯概率模型计算得到的后验概率向量的分类效果。
25.因此，在使用贝叶斯概率模型之前，首先对所述计算资源需求特征向量、所述当前
计算资源分配特征向量和所述剩余计算资源特征向量进行类条件边界约束，具体为：计算资源分配特征向量和所述剩余计算资源特征向量进行类条件边界约束，具体为：和分别是所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量的每个位置的特征值。
26.由此，通过对特征值及其所属的类条件进行信息规则的结构理解，来避免了特征值集合由于集合的分布外特征值而导致在分类目标域内的决策区域的过度碎片化，使得特征向量的特征值集合所表达的特征分布具有稳健的条件化的类边界，这样，就实现了各个特征分布到概率化的分类目标的约束，提高了贝叶斯概率模型所获得的分类特征向量的分类效果，进而，也提高了对于所述服务器在当前时间点的计算资源分配比例的合理性判断的准确性。
27.基于此，本技术提出了一种双路机架式服务器的计算资源智能分配系统，其包括：客户端计算请求采集模块，用于获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量；计算请求数据编码模块，用于将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量；全局均值处理模块，用于计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值；计算请求时序编码模块，用于将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量；剩余计算资源量采集模块，用于获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量；剩余计算资源量编码模块，用于将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量；分配数据采集模块，用于获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量；分配数据编码模块，用于将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量；贝叶斯融合模块，用于使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量；以及，分配方案生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
28.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
29.示例性系统图1图示了根据本技术实施例的双路机架式服务器的计算资源智能分配系统的框
图。如图1所示，根据本技术实施例的双路机架式服务器的计算资源智能分配系统200，包括：客户端计算请求采集模块210，用于获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量；计算请求数据编码模块220，用于将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量；全局均值处理模块230，用于计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值；计算请求时序编码模块240，用于将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量；剩余计算资源量采集模块250，用于获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量；剩余计算资源量编码模块260，用于将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量；分配数据采集模块270，用于获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量；分配数据编码模块280，用于将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量；贝叶斯融合模块290，用于使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量；以及，分配方案生成模块300，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
30.具体地，在本技术实施例中，所述客户端计算请求采集模块210和所述计算请求数据编码模块220，用于获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量，并将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量。如前所述，由于在现有的服务器的计算资源的方案分配中，其通常基于客户端的计算需求来分配计算资源，通常采用先到者优先分配资源的模式，但这种分配模式会导致其他客户端在共同服务器时，无法得到足够的计算资源，且服务器自身也需要维持正常运行，例如数据传输，数据储存，数据协同等，也就是，在所述服务器分配计算资源时，除了考虑所有所述客户端作为整体对于计算资源的需求外，还需要考虑所述服务器自身的剩余计算资源情况。因此，在本技术的技术方案中，从客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量出发，利用深度神经网络模型来进行关联特征的挖掘，再通过分类器进行分类，以获得服务器的计算资源分配比例的合理性。这样，能够在保证所述服务器的计算资源分配合理的情况下避免了资源的损失。
31.也就是，具体地，在本技术的技术方案中，首先，获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量。应可以理解，考虑到所述多个预定时间点的多个客户端的计算资源请求中的所需计算资源量之间存在着关联性，因此，在本技术的技术方案中，使用上下文编码器，例如基于转换器的bert模型来对各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量进行编码，以提取出所述各个所需计算资源量之间的基于全局的高维语义特征以更适于表征所述客户端的计算资源需求特征，从而获得多个客户端特征向量。这样，再将所述多个客户
端特征向量进行级联，以得到在时间维度上的所述对应于各个所述预定时间点的全局需求特征向量。
32.更具体地，在本技术实施例中，所述计算请求数据编码模块，包括：上下文编码单元，用于使用所述上下文编码器的基于转换器的bert模型对各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量进行基于全局的上下文语义编码以得到多个客户端特征向量；以及，级联单元，用于所述多个客户端特征向量进行级联以得到所述对应于各个所述预定时间点的全局需求特征向量。
33.具体地，在本技术实施例中，所述全局均值处理模块230和所述计算请求时序编码模块240，用于计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值，并将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量。也就是，在本技术的技术方案中，进一步地，就可以计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值，以得到具有全局性样本维度关联特征信息的对应于各个所述预定时间点的全局计算需求特征值。然后，考虑到各个所述预定时间点的全局计算需求特征值在时间维度上具有动态性的变化特征，因此，为了提取出这种在时间上的变化特征，进一步将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量，以整合在时间维度上的各个样本的特征信息后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个全局计算需求特征值在时序维度上的关联和通过全连接编码提取所述各个全局计算需求特征值的高维隐含特征。
34.更具体地，在本技术实施例中，所述计算请求时序编码模块，包括：第一排列单元，用于将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量；第一全连接编码单元，用于使用所述第一时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；第一一维卷积编码单元，用于使用所述第一时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
35.具体地，在本技术实施例中，所述剩余计算资源量采集模块250和所述剩余计算资源量编码模块260，用于获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量，并将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量。应可以理解，在本技术的技术方案中，为了基于客户端的所需计算资源量、服务器的剩余计算资源量以及客
户端分配的计算资源量三者来对计算资源分配的合理性进行判断，就需要将这三者的关联特征信息进行深层次的特征挖掘，而对于所述服务器的剩余计算资源量，首先，获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量。然后，考虑到在时序维度上的服务器的剩余计算资源量，其在时间上都具有着动态性的关联隐含特征信息，因此，在本技术的技术方案汇总，采用时序编码器来对其在时序上的隐含动态关联特征进行提取，从而获得剩余计算资源特征向量。
36.更具体地，在本技术实施例中，所述剩余计算资源量编码模块，包括：第二排列单元，用于将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量按照时间维度排列为剩余输入向量；第二全连接编码单元，用于使用所述第二时序编码器的全连接层以如下公式对所述剩余输入向量进行全连接编码以提取出所述剩余输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；第二一维卷积编码单元，用于使用所述第二时序编码器的一维卷积层以如下公式对所述剩余输入向量进行一维卷积编码以提取出所述剩余输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
37.具体地，在本技术实施例中，所述分配数据采集模块270和所述分配数据编码模块280，用于获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量，并将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量。应可以理解，在本技术的技术方案中，为了基于客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量三者来对计算资源分配的合理性进行判断，就需要将这三者的关联特征信息进行深层次的特征挖掘，而对于所述客户端分配的计算资源量，首先，获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量。然后，考虑到在时序维度上的所述服务器在所述当前时间点向所述多个客户端分配的计算资源量，其在时间上都具有着动态性的关联隐含特征信息，因此，在本技术的技术方案中，采用时序编码器来对其在时序上的隐含动态关联特征进行提取，从而获得当前计算资源分配特征向量。
38.更具体地，在本技术实施例中，所述分配数据编码模块，包括：第三排列单元，用于将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量按照时间维度排列为分配输入向量；第三全连接编码单元，用于使用所述第三时序编码器的全连接层以如下公式对所述分配输入向量进行全连接编码以提取出所述分配输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；第三一维卷积编码单元，用于使用所述第三时序编码器的一维卷积层以如下公式对所述分配输入向量进行一维卷积编码以提取出所述分配输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
39.具体地，在本技术实施例中，所述贝叶斯融合模块290，用于使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量。应可以理解，进一步地，考虑到使用所述当前计算资源分配特征向量作为先验概率，在本技术的技术方案的目的是在新的证据，即在有新的所述多个客户端的计算资源请求时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本技术的技术方案中，使用贝叶斯概率模型融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量，其中所述当前计算资源分配特征向量作为先验，所述剩余计算资源特征向量作为事件，且所述计算资源需求特征向量作为证据。这样，就可以将所述分类特征向量通过分类器以获得用于表示服务器在当前时间点的计算资源分配比例是否需要调整的分类结果。
40.更具体地，在本技术的实施例中，所述贝叶斯融合模块，包括：首先，分别对所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量进行基于类条件边界约束以得到校正后计算资源需求特征向量、校正后当前计算资源分配特征向量和校正后剩余计算资源特征向量。应可以理解，考虑到在使用贝叶斯概率模型之前，需要首先将所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量映射到概率空间，而在进行最大值归一化等线性映射时，无法实现对特征向量所表达的特征分布到概率化的分类目标的约束，从而会影响利用贝叶斯概率模型计算得到的后验概率向量的分类效果。因此，在使用所述贝叶斯概率模型之前，首先对所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量进行类条件边界约束，具体为：其中和分别是所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量的每个位置的特征值。
41.然后，以所述校正后当前计算资源分配特征向量作为先验概率向量、所述校正后剩余计算资源特征向量作为事件概率向量和所述计算资源需求特征向量作为证据概率向量，计算所述校正后当前计算资源分配特征向量与所述校正后剩余计算资源特征向量的按位置点乘再除以所述计算资源需求特征向量以得到所述分类特征向量。相应地，在一个具体示例中，以如下公式来计算所述校正后当前计算资源分配特征向量与所述校正后剩余计
算资源特征向量的按位置点乘再除以所述计算资源需求特征向量以得到所述分类特征向量，其中，所述公式为：其中是所述校正后当前计算资源分配特征向量中的每个位置的值，和分别是所述校正后剩余计算资源特征向量和所述计算资源需求特征向量中的每个位置的值，而是所述分类特征向量中的每个位置的值。
42.应可以理解，通过对特征值及其所属的类条件进行信息规则的结构理解，来避免了特征值集合由于集合的分布外特征值而导致在分类目标域内的决策区域的过度碎片化，使得所述特征向量的特征值集合所表达的特征分布具有稳健的条件化的类边界，这样，就实现了各个特征分布到概率化的分类目标的约束，提高了所述贝叶斯概率模型所获得的分类特征向量的分类效果，进而，也提高了对于所述所述服务器在当前时间点的计算资源分配比例的合理性判断的准确性。
43.图2图示了根据本技术实施例的用于六氟丁二烯制备的智能化冷却液循环控制系统中贝叶斯融合模块的框图。如图2所示，所述贝叶斯融合模块290，包括：特征分布校正单元291，用于分别对所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量进行基于类条件边界约束以得到校正后计算资源需求特征向量、校正后当前计算资源分配特征向量和校正后剩余计算资源特征向量；以及，贝叶斯计算单元292，用于以所述校正后当前计算资源分配特征向量作为先验概率向量、所述校正后剩余计算资源特征向量作为事件概率向量和所述计算资源需求特征向量作为证据概率向量，计算所述校正后当前计算资源分配特征向量与所述校正后剩余计算资源特征向量的按位置点乘再除以所述计算资源需求特征向量以得到所述分类特征向量。
44.具体地，在本技术实施例中，所述分配方案生成模块300，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。在一个具体示例中，所述分配方案生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
45.综上，基于本技术实施例的所述双路机架式服务器的计算资源智能分配系统200被阐明，其通过深度神经网络模型分别对于时间维度上的客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量进行隐含的关联特征挖掘，以综合这三者的特征信息融合来进行所述服务器的计算资源分配比例的合理性判断，并且在特征的融合过程中，通过对特征值及其所属的类条件进行信息规则的结构理解，来避免了特征值集合由于集合的分布外特征值而导致在分类目标域内的决策区域的过度碎片化，进而就实现了各个特征分布到概率化的分类目标的约束，以提高了分类的准确性。
46.如上所述，根据本技术实施例的双路机架式服务器的计算资源智能分配系统200可以实现在各种终端设备中，例如双路机架式服务器的计算资源智能分配算法的服务器等。在一个示例中，根据本技术实施例的双路机架式服务器的计算资源智能分配系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该双路机架式服务器的计
算资源智能分配系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该双路机架式服务器的计算资源智能分配系统200同样可以是该终端设备的众多硬件模块之一。
47.替换地，在另一示例中，该双路机架式服务器的计算资源智能分配系统200与该终端设备也可以是分立的设备，并且该双路机架式服务器的计算资源智能分配系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
48.示例性方法图3图示了双路机架式服务器的计算资源智能分配系统的分配方法的流程图。如图3所示，根据本技术实施例的双路机架式服务器的计算资源智能分配系统的分配方法，包括步骤：s110，获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量；s120，将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量；s130，计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值；s140，将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量；s150，获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量；s160，将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量；s170，获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量；s180，将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量；s190，使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量；以及，s200，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
49.图4图示了根据本技术实施例的双路机架式服务器的计算资源智能分配系统的分配方法的架构示意图。如图4所示，在所述双路机架式服务器的计算资源智能分配系统的分配方法的网络架构中，首先，将获得的各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量（例如，如图4中所示意的p1）输入上下文编码器（例如，如图4中所示意的e）以得到对应于各个所述预定时间点的全局需求特征向量（例如，如图4中所示意的vf）；接着，计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值（例如，如图4中所示意的cv）；然后，将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量（例如，如图4中所示意的v）后通过包含一维卷积层的第一时序编码器（例如，如图4中所示意的e1）以得到计算资源需求特征向量（例如，如图4中所示意的vf1）；接着，将获得的所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量（例如，如图4中所示意的p2）通过包含一维卷积层的第二时序编码器（例如，如图4中所示意的e2）以得到剩余计算资源特征向量（例如，如图4中所示意的vf2）；然后，将获得的所述服务器在所述当前时间点向所述多个客户端分配的计算资源量（例如，如图4中所示意的p3）通过包含一维卷积层的第三时序
编码器（例如，如图4中所示意的e3）以得到当前计算资源分配特征向量（例如，如图4中所示意的vf3）；接着，使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量（例如，如图4中所示意的vc）；以及，最后，将所述分类特征向量通过分类器（例如，如图4中所示意的圈s）以得到分类结果，所述分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
50.更具体地，在步骤s110和s120中，获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量，并将各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量输入上下文编码器以得到对应于各个所述预定时间点的全局需求特征向量。应可以理解，由于在现有的服务器的计算资源的方案分配中，其通常基于客户端的计算需求来分配计算资源，通常采用先到者优先分配资源的模式，但这种分配模式会导致其他客户端在共同服务器时，无法得到足够的计算资源，且服务器自身也需要维持正常运行，例如数据传输，数据储存，数据协同等，也就是，在所述服务器分配计算资源时，除了考虑所有所述客户端作为整体对于计算资源的需求外，还需要考虑所述服务器自身的剩余计算资源情况。因此，在本技术的技术方案中，从客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量出发，利用深度神经网络模型来进行关联特征的挖掘，再通过分类器进行分类，以获得服务器的计算资源分配比例的合理性。这样，能够在保证所述服务器的计算资源分配合理的情况下避免了资源的损失。
51.也就是，具体地，在本技术的技术方案中，首先，获取包含当前时间点在内的多个预定时间点的多个客户端的计算资源请求，所述计算资源请求包含所需计算资源量。应可以理解，考虑到所述多个预定时间点的多个客户端的计算资源请求中的所需计算资源量之间存在着关联性，因此，在本技术的技术方案中，使用上下文编码器，例如基于转换器的bert模型来对各个所述预定时间点的多个客户端的计算资源请求中的所需计算资源量进行编码，以提取出所述各个所需计算资源量之间的基于全局的高维语义特征以更适于表征所述客户端的计算资源需求特征，从而获得多个客户端特征向量。这样，再将所述多个客户端特征向量进行级联，以得到在时间维度上的所述对应于各个所述预定时间点的全局需求特征向量。
52.更具体地，在步骤s130和s140中，计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值以得到对应于各个所述预定时间点的全局计算需求特征值，并将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量。也就是，在本技术的技术方案中，进一步地，就可以计算所述对应于各个所述预定时间点的全局需求特征向量的全局均值，以得到具有全局性样本维度关联特征信息的对应于各个所述预定时间点的全局计算需求特征值。然后，考虑到各个所述预定时间点的全局计算需求特征值在时间维度上具有动态性的变化特征，因此，为了提取出这种在时间上的变化特征，进一步将所述对应于各个所述预定时间点的全局计算需求特征值按照时间维度排列为输入向量，以整合在时间维度上的各个样本的特征信息后通过包含一维卷积层的第一时序编码器以得到计算资源需求特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个全局计算需求特征值在时序维度上的
关联和通过全连接编码提取所述各个全局计算需求特征值的高维隐含特征。
53.更具体地，在步骤s150和步骤s160中，获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量，并将所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量通过包含一维卷积层的第二时序编码器以得到剩余计算资源特征向量。应可以理解，在本技术的技术方案中，为了基于客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量三者来对计算资源分配的合理性进行判断，就需要将这三者的关联特征信息进行深层次的特征挖掘，而对于所述服务器的剩余计算资源量，首先，获取所述包含当前时间点在内的多个预定时间点的服务器的剩余计算资源量。然后，考虑到在时序维度上的服务器的剩余计算资源量，其在时间上都具有着动态性的关联隐含特征信息，因此，在本技术的技术方案汇总，采用时序编码器来对其在时序上的隐含动态关联特征进行提取，从而获得剩余计算资源特征向量。
54.更具体地，在步骤s170和步骤s180中，获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量，并将所述服务器在所述当前时间点向所述多个客户端分配的计算资源量通过包含一维卷积层的第三时序编码器以得到当前计算资源分配特征向量。应可以理解，在本技术的技术方案中，为了基于客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量三者来对计算资源分配的合理性进行判断，就需要将这三者的关联特征信息进行深层次的特征挖掘，而对于所述客户端分配的计算资源量，首先，获取所述服务器在所述当前时间点向所述多个客户端分配的计算资源量。然后，考虑到在时序维度上的所述服务器在所述当前时间点向所述多个客户端分配的计算资源量，其在时间上都具有着动态性的关联隐含特征信息，因此，在本技术的技术方案中，采用时序编码器来对其在时序上的隐含动态关联特征进行提取，从而获得当前计算资源分配特征向量。
55.更具体地，在步骤s190中，使用贝叶斯概率模型来融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量。应可以理解，进一步地，考虑到使用所述当前计算资源分配特征向量作为先验概率，在本技术的技术方案的目的是在新的证据，即在有新的所述多个客户端的计算资源请求时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本技术的技术方案中，使用贝叶斯概率模型融合所述计算资源需求特征向量、所述当前计算资源分配特征向量和所述剩余计算资源特征向量以得到分类特征向量，其中所述当前计算资源分配特征向量作为先验，所述剩余计算资源特征向量作为事件，且所述计算资源需求特征向量作为证据。这样，就可以将所述分类特征向量通过分类器以获得用于表示服务器在当前时间点的计算资源分配比例是否需要调整的分类结果。应可以理解，通过对特征值及其所属的类条件进行信息规则的结构理解，来避免了特征值集合由于集合的分布外特征值而导致在分类目标域内的决策区域的过度碎片化，使得所述特征向量的特征值集合所表达的特征分布具有稳健的条件化的类边界，这样，就实现了各个特征分布到概率化的分类目标的约束，提高了所述贝叶斯概率模型所获得的分类特征向量的分类效果，进而，也提高了对于所述所述服务器在当前时间点的计算资源分配比例的合理性判断的准确性。
56.更具体地，在步骤s200中，将所述分类特征向量通过分类器以得到分类结果，所述
分类结果用于表示服务器在当前时间点的计算资源分配比例是否需要调整。
57.综上，基于本技术实施例的所述双路机架式服务器的计算资源智能分配系统的分配方法被阐明，其通过深度神经网络模型分别对于时间维度上的客户端的所需计算资源量、服务器的剩余计算资源量以及客户端分配的计算资源量进行隐含的关联特征挖掘，以综合这三者的特征信息融合来进行所述服务器的计算资源分配比例的合理性判断，并且在特征的融合过程中，通过对特征值及其所属的类条件进行信息规则的结构理解，来避免了特征值集合由于集合的分布外特征值而导致在分类目标域内的决策区域的过度碎片化，进而就实现了各个特征分布到概率化的分类目标的约束，以提高了分类的准确性。