(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210685414.7 (22)申请日 2022.06.17 (71)申请人 长沙理工大 学 地址 410117 湖南省长 沙市天心区赤岭路 45号 (72)发明人 唐小勇　刘艺　邓锬　黄浩炜　 刘文正　吴志强　 (74)专利代理 机构 长沙星耀专利事务所(普通 合伙) 4320 5 专利代理师 赵静华 (51)Int.Cl. G06F 9/50(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于时序分割与模型混合并行优化的网格 负载均衡调度方法 (57)摘要 一种基于时序分割与模型混合并行优化的 网格负载均衡调度方法， 包 括以下步骤： S100： 将 历史数据分割为不同的数据块， 将分割后的数据 块分给不同处理器； S2 00:对每个单一处理器， 使 用并行化的二位长短期记忆网络细胞训练； S300： 收集不同处理器计算得出的误差值， 得出 平均值， 更新上一时刻的细胞内矩阵； S400： 进行 迭代训练， 以获得可预测网格内各计算节点工作 量的二维长短期记忆网络； S500： 使用获得的二 维长短期记忆网络， 并行预测各个子节点的工作 量； S600:按照最小的工作量匹配最小负载的原 则， 确定计算节点与作业的二元组并完成调度。 本发明对于提升提高网格服务质量、 加快任务请 求的处理速度、 保证良好的用户体验、 更好的实 现负载均衡具有重要意 义。 权利要求书3页 说明书7页 附图8页 CN 114968596 A 2022.08.30 CN 114968596 A 1.一种基于时序分割与模型混合并行优化的网格负载均衡调度方法， 其特张在于， 包 括以下步骤： S100： 将历史数据分割为 不同的数据块， 将分割后的数据块分给不同处 理器； S200:对每个单一处 理器， 使用并行化的二 位长短期记 忆网络细胞训练； S300： 收集不同处理器计算得出的误差值， 得 出平均值， 更新上一时刻的细胞内矩阵； S400： 进行迭代训练， 以获得 可预测网格内各计算节点工作量的二维长短期记 忆网络； S500： 使用获得的二维长短期记忆网络， 根据各计算节点的频率， 并行预测各个子节点 的工作量； S600:按照最小的工作量匹配最小负载的原则， 确定计算节点与作业的二元组并完成 调度。 2.根据权利要求1所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述 步骤S100包括： S101:确定日期方向上的训练块长为D+1， 日期方向上需要当前时间点之前D天的按顺 序排列的负载， D+1用于生成初始状态值； S102： 确定时间方向上的训练块长为T+2， 时间方向上需要当前时间点之前T小时的按 顺序排列的负载， T+2用于生成初始状态值； S103:将数据分割为(T+2)*(D+1) ‑2的数据块。 3.根据权利要求2所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述 步骤S200包括： 确定单个处理机的处理数据量以及组合方式， 子节点二维长短期记忆网络细胞结构中 任意参数的训练通式如式(1)所示， 其中， W为二维长短期记忆网络细胞结构中任意参数、 α 为学习率、 ΔW 为损失函数对于任意 参数W的偏导、 上 标表示时刻、 下 标坐标表示矩阵位置； (1)式中ΔW运算方式如下所示。 其中， LOSS表示损失函数， f表示任意函数， n为数据总 量； 将(2)式分为 k段： 将(3)式抽象如下 所示。 其中， l表示单个处 理器的数据集， k 为处理器数量； 取 原(2)式转 化为：权　利　要　求　书 1/3 页 2 CN 114968596 A 2此时损失计算方式转化为每个处理器处理m份 的数据， 其每个处理器数据量为 组 合方式为每 个处理器运算结果之和的平均值。 4.根据权利要求3所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述 步骤S300包括： 对于ΔW的得出以二维长短期记忆网络的遗忘门矩阵为例， 其矩阵内单个值的偏导数 计算方式为： 5.根据权利要求4所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述 步骤S400包括： 采用并行 方式嵌套 进行训练。 6.根据权利要求5所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述 步骤S500包括： S501： 收集调度间隔内的作 业集JS与计算节点集NS， 不同计算节点计算频率不同， 对频 率作归一化处理； 初始化网格计算节点的属性， 具体包括： 最小CPU核数限制 ‑MinCL(NSj)、 最大CPU核数限制 ‑MaxCL(NSj)、 可用核数ACN(NSj)、 运行时间限制WTL(NSj)、 部署应用软件 集合AV(NSj)； 初始化作 业集合的属性具体包括： 所需核数 ‑CN(JSi)、 预计运行最大时间 ‑WT (JSi)、 所需软件AP P(JSi)； S502： 使用并行化的二维长短期记 忆网络细胞 结构对于各节点的ACN(NSj)进行预测。 7.根据权利要求6所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述步骤S 502包括： 将每个节 点的之前T个时刻， D个日期按顺序输向量， 可 表示为下(7)公式： 其中NWVj表示输入负载向量， NWj表示对应 时刻的负载。 ACN(NSj)的计算 方式如(8)式， 此时， 已经预测了各个计算节点在未来时刻的可用核数， 将据此对网格资源 进行进一 步的合理分配； 8.根据权利要求7所述的基于时序分割与模型混合并行优化的网格负载均衡调度方 法， 其特征在于， 所述 步骤S600包括： S601： 按照最小的工作量的作业匹配最小负载的计算节点的原则， 得到计算节点与作 业的二元组， 作业能够与计算节点匹配的条件如下 所示； 权　利　要　求　书 2/3 页 3 CN 114968596 A 3