CN120256087A 一种分析任务的计算资源优化方法及系统 （浪潮通信信息系统有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120256087A(43)申请公布日2025.07.04

(21)申请号202510195842.5

(22)申请日2025.02.21

(71)申请人浪潮通信信息系统有限公司

地址250000山东省济南市高新区浪潮路

1036号浪潮科技园S06号楼

(72)发明人梁秉豪李耀潘文硕王青朋

(74)专利代理机构北京路浩知识产权代理有限公司11002

专利代理师李相雨

(51)Int.CI.

GO6F9/50(2006.01)

GO6F9/48(2006.01)

GO6F11/34(2006.01)

GO6N3/092(2023.01)

GO6N3/084(2023.01)

权利要求书3页说明书16页附图6页

(54)发明名称

一种分析任务的计算资源优化方法及系统

(57)摘要

CN120256087A本发明提供一种分析任务的计算资源优化方法及系统，属于计算机技术领域，包括：根据每个分析任务的特征信息和系统当前可用的计算资源状态信息，确定每个分析任务的优先级，并生成优先级队列；根据历史任务负载数据和实时系统状态数据，得到任务负载预测值；根据分析任务的类型、数据规模以及数据源位置，将实时性要求高于预设标准的分析任务分配至边缘节点执行，并根据任务负载预测值动态调整边缘节点的资源分配；根据优先级队列和任务负载预测值，从计算资源池中动态分配可用资源，以执行多个并行分析任务。本发明通过基于任务优先级动态调整、任务负载预测和边缘计算优化调度的

CN120256087A

101

101

获取多个分析任务，并获取每个分析任务的特征信息

根据每个分析任务的特征信息和系统当前可用的计算资源

状态信息，确定每个分析任务的优先级，并根据全部分析

任务的优先级，生成优先级队列

根据历史任务负载数据和实时系统状态数据，得到未来时间段的任务负载预测值

根据分析任务的类型、数据规模以及数据源位置，将实时

性要求高于预设标准的分析任务分配至边缘节点执行，并

根据任务负载预测值动态调整边缘节点的资源分配

建立统一计算资源池，并根据优先级队列和任务负载预测

值，从计算资源池中动态分配可用资源，以执行多个并行

分析任务

-103

-104

-105

-102

CN120256087A权利要求书1/3页

2

1.一种分析任务的计算资源优化方法，其特征在于，包括：

获取多个分析任务，并获取每个所述分析任务的特征信息；

根据每个所述分析任务的特征信息和系统当前可用的计算资源状态信息，确定每个所述分析任务的优先级，并根据全部所述分析任务的优先级，生成优先级队列；

根据历史任务负载数据和实时系统状态数据，得到未来时间段的任务负载预测值；

根据所述分析任务的类型、数据规模以及数据源位置，将实时性要求高于预设标准的分析任务分配至边缘节点执行，并根据所述任务负载预测值动态调整边缘节点的资源分配；

建立统一计算资源池，并根据所述优先级队列和所述任务负载预测值，从所述计算资源池中动态分配可用资源，以执行多个并行分析任务。

2.根据权利要求1所述的分析任务的计算资源优化方法，其特征在于，所述根据每个所述分析任务的特征信息和系统当前可用的计算资源状态信息，确定每个所述分析任务的优先级，具体包括：

将每个所述分析任务的特征信息和所述计算资源状态信息输入至优先级计算模型，得到所述优先级计算模型输出的每个所述分析任务的优先值；其中，所述优先级计算模型为基于深度强化学习算法训练得到的深度Q网络模型；

根据每个所述分析任务的优先值，确定每个所述分析任务的优先级。

3.根据权利要求2所述的分析任务的计算资源优化方法，其特征在于，还包括所述优先级计算模型的训练方法：

对所述深度Q网络模型的初始权重进行随机初始化，并将目标网络的初始权重与所述深度Q网络模型的初始权重设置为相同值；

持续采集训练样本，并根据所述训练样本，构建经验回放池；

周期性地从所述经验回放池中随机抽取训练样本，对所述深度Q网络模型进行批量训练，并利用所述目标网络稳定训练过程；

重复执行周期性地从所述经验回放池中随机抽取训练样本，对所述深度Q网络模型进行批量训练，并利用所述目标网络稳定训练过程的步骤，直至所述深度Q网络