一种支持多芯片服务器资源管理的方法和系统与流程

本申请涉及智能管理领域，且更为具体地，涉及一种支持多芯片服务器资源管理的方法和系统。

背景技术：

1、多芯片服务器是一种将多个芯片封装在同一个封装体内的服务器，每个芯片都具有独立的计算资源，多芯片服务器可以提供高密度、高性能和低功耗的计算服务。随着计算机系统的发展，多芯片服务器已成为处理大规模计算任务的重要基础设施。

2、目前，多芯片服务器的资源管理是一项关键的技术挑战，因为不同的芯片之间可能存在资源分布不均衡、资源利用率低、能效低等问题。传统的资源管理方法通常基于静态配置或手动调整，无法适应多芯片服务器资源的动态变化和虚拟机的服务质量要求。

3、因此，为了充分利用多芯片服务器的计算资源，期望一种优化的支持多芯片服务器资源管理的方案来动态地分配和调整多芯片服务器上的资源。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种支持多芯片服务器资源管理的方法和系统，其通过实时监测多芯片服务器的剩余计算资源量，并在后端引入数据处理和分析算法来进行各个芯片服务器的计算资源量的时序协同分析以评估各个芯片服务器的资源状态，这样，能够实现对多芯片服务器的计算资源分布是否合理的判断，以此来动态地分配和调整多芯片服务器上的计算资源，满足虚拟机的服务质量要求，并提高多芯片服务器的资源利用率和能效。

2、根据本申请的一个方面，提供了一种支持多芯片服务器资源管理的方法，其包括：

3、获取各个芯片服务器在预定时间段内多个预定时间点的剩余计算资源量；

4、将所述各个芯片服务器在预定时间段内多个预定时间点的剩余计算资源量分别按照时间维度排列为剩余计算资源量时序输入向量以得到多个剩余计算资源量时序输入向量；

5、通过基于深度神经网络模型的时序特征提取器分别对所述多个剩余计算资源量时序输入向量进行特征提取以得到多个剩余计算资源量时序特征向量；

6、对所述多个剩余计算资源量时序特征向量进行一致性关联分析以得到剩余计算资源量时序分布一致性拓扑特征矩阵；

7、对所述多个剩余计算资源量时序特征向量和所述剩余计算资源量时序分布一致性拓扑特征矩阵进行基于图结构的拓扑关联编码以得到资源一致性拓扑全局剩余计算资源量时序特征；以及

8、基于所述资源一致性拓扑全局剩余计算资源量时序特征，确定多芯片服务器的计算资源分布是否合理。

9、根据本申请的另一个方面，提供了一种支持多芯片服务器资源管理系统，其包括：

10、信息获取模块，用于获取各个芯片服务器在预定时间段内多个预定时间点的剩余计算资源量；

11、排列模块，用于将所述各个芯片服务器在预定时间段内多个预定时间点的剩余计算资源量分别按照时间维度排列为剩余计算资源量时序输入向量以得到多个剩余计算资源量时序输入向量；

12、特征提取模块，用于通过基于深度神经网络模型的时序特征提取器分别对所述多个剩余计算资源量时序输入向量进行特征提取以得到多个剩余计算资源量时序特征向量；

13、一致性关联分析模块，用于对所述多个剩余计算资源量时序特征向量进行一致性关联分析以得到剩余计算资源量时序分布一致性拓扑特征矩阵；

14、拓扑关联编码模块，用于对所述多个剩余计算资源量时序特征向量和所述剩余计算资源量时序分布一致性拓扑特征矩阵进行基于图结构的拓扑关联编码以得到资源一致性拓扑全局剩余计算资源量时序特征；以及

15、结果生成模块，用于基于所述资源一致性拓扑全局剩余计算资源量时序特征，确定多芯片服务器的计算资源分布是否合理。

16、与现有技术相比，本申请提供的一种支持多芯片服务器资源管理的方法和系统，其通过实时监测多芯片服务器的剩余计算资源量，并在后端引入数据处理和分析算法来进行各个芯片服务器的计算资源量的时序协同分析以评估各个芯片服务器的资源状态，这样，能够实现对多芯片服务器的计算资源分布是否合理的判断，以此来动态地分配和调整多芯片服务器上的计算资源，满足虚拟机的服务质量要求，并提高多芯片服务器的资源利用率和能效。

技术特征：

1.一种支持多芯片服务器资源管理的方法，其特征在于，包括：

2.根据权利要求1所述的支持多芯片服务器资源管理的方法，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。

3.根据权利要求2所述的支持多芯片服务器资源管理的方法，其特征在于，对所述多个剩余计算资源量时序特征向量进行一致性关联分析以得到剩余计算资源量时序分布一致性拓扑特征矩阵，包括：

4.根据权利要求3所述的支持多芯片服务器资源管理的方法，其特征在于，对所述多个剩余计算资源量时序特征向量和所述剩余计算资源量时序分布一致性拓扑特征矩阵进行基于图结构的拓扑关联编码以得到资源一致性拓扑全局剩余计算资源量时序特征，包括：将所述多个剩余计算资源量时序特征向量和所述剩余计算资源量时序分布一致性拓扑特征矩阵通过图神经网络模型以得到资源一致性拓扑全局剩余计算资源量时序特征矩阵作为所述资源一致性拓扑全局剩余计算资源量时序特征。

5.根据权利要求4所述的支持多芯片服务器资源管理的方法，其特征在于，基于所述资源一致性拓扑全局剩余计算资源量时序特征，确定多芯片服务器的计算资源分布是否合理，包括：将所述资源一致性拓扑全局剩余计算资源量时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示多芯片服务器的计算资源分布是否合理。

6.根据权利要求5所述的支持多芯片服务器资源管理的方法，其特征在于，还包括训练步骤：用于对所述基于一维卷积层的时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

7.根据权利要求6所述的支持多芯片服务器资源管理的方法，其特征在于，所述训练步骤，包括：

8.根据权利要求7所述的支持多芯片服务器资源管理的方法，其特征在于，在所述训练的每次迭代时，以如下优化公式对所述训练资源一致性拓扑全局剩余计算资源量时序特征矩阵展开后得到的训练资源一致性拓扑全局剩余计算资源量时序特征向量进行权重空间迭代递归的定向提议化优化以得到优化训练资源一致性拓扑全局剩余计算资源量时序特征矩阵；

9.一种支持多芯片服务器资源管理系统，其特征在于，包括：

技术总结
本申请公开了一种支持多芯片服务器资源管理的方法和系统，其通过实时监测多芯片服务器的剩余计算资源量，并在后端引入数据处理和分析算法来进行各个芯片服务器的计算资源量的时序协同分析以评估各个芯片服务器的资源状态，这样，能够实现对多芯片服务器的计算资源分布是否合理的判断，以此来动态地分配和调整多芯片服务器上的计算资源，满足虚拟机的服务质量要求，并提高多芯片服务器的资源利用率和能效。

技术研发人员：高西永,杨凯瑞,王芳,王学锋,赵涵,吴佳宸
受保护的技术使用者：河南政企云计算有限公司
技术研发日：
技术公布日：2024/1/5