开云优惠体育网页版入口

专利名称：云计算环境中云主机资源的评估与调度方法、装置及存储介质

专利类型：发明专利

专利申请号：CN202411024501.3

专利申请（专利权）人：四川川西数据产业有限公司
权利人地址：四川省雅安市经开区园区大道川西大数据产业园2号楼

专利发明（设计）人：发明人:王帅,曾治富,刘燚

专利摘要：本发明公开了云计算环境中云主机资源的评估与调度方法、装置及存储介质，涉及云计算技术领域。其中，该方法包括：收集云计算环境中云主机的历史资源数据集合；确定与历史资源数据集合对应的业务需求信息；基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，以得到针对历史资源数据集合的评估结果数据；获取当前任务集合，其中，当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，第二预设时间段的起始时间点早于第一预设时间段的结束时间点；基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务。本申请实现了提高云主机的资源利用率。

主权利要求：
1.云计算环境中云主机资源的评估与调度方法，其特征在于，包括：
收集云计算环境中云主机的历史资源数据集合，其中，所述历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据；
确定与所述历史资源数据集合对应的业务需求信息；基于与所述业务需求信息对应的评估指标，对所述历史资源数据集合进行评估，以得到针对所述历史资源数据集合的评估结果数据；
获取当前任务集合，其中，所述当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，所述第二预设时间段的起始时间点早于所述第一预设时间段的结束时间点；
根据任务特点，将所述当前任务集合中的各个应用程序以及各个任务划分在不同的任务队列中，其中，所述各个应用程序以及所述各个任务根据第一任务优先级信息在同一任务队列中顺序排列；
基于所述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给所述当前任务集合中的各个应用程序以及各个任务；
其中，所述当前云主机资源包括量子芯片的多个量子比特；所述量子深度学习网络模型包括第一量子神经网络层、第二量子神经网络层以及第三量子神经网络层；其中，所述第一量子神经网络层包括输入的所述评估结果数据以及所述量子芯片的所述多个量子比特；
所述第二量子神经网络层包括对所述评估结果数据以及所述多个量子比特进行操作的多个量子逻辑门；所述第三量子神经网络层用于对所述多个量子比特包括的目标量子比特进行测量操作，以获取训练后的所述量子深度学习网络模型输出的对所述多个量子比特针对的所述各个应用程序以及所述各个任务的分配结果；
所述基于所述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给所述当前任务集合中的各个应用程序以及各个任务，包括：所述第二量子神经网络层包括的所述多个量子逻辑门根据所述量子芯片中所述多个量子比特的状态以及所述各个应用程序以及所述各个任务的所述第一任务优先级信息，将所述各个应用程序以及所述各个任务划分到多个候选比特区域，其中，所述多个候选比特区域对应第二优先级信息，所述第二优先级信息与所述第一任务优先级信息呈正相关；
针对每个候选比特区域中的候选应用程序和/或候选任务，将与所述候选应用程序和/或所述候选任务对应的第一部分的量子比特确定为辅助量子比特，并将与所述候选应用程序和/或所述候选任务对应的第二部分的量子比特确定为候选量子比特；其中，所述辅助量子比特用于存储临时数据信息；
所述第三量子神经网络层将每个候选比特区域按照所述第二优先级信息的顺序依次作为当前比特区域，执行以下操作：将与所述候选量子比特对应的第一局域量子电路作用到所述候选量子比特上，得到第一测量结果，其中，所述第一测量结果用于表示作用所述第一局域量子电路后的所述候选量子比特的第一状态信息；将与所述辅助量子比特对应的第二局域量子电路作用到所述辅助量子比特上，得到第二测量结果，其中，所述第二测量结果用于表示作用所述第二局域量子电路后的所述辅助量子比特的第二状态信息；基于所述第一状态信息对所述第二测量结果进行修正；基于修正后得到的第二测量结果从所述候选量子比特中筛选出所述目标量子比特；
对所述多个量子比特包括的所述目标量子比特进行测量操作，以获取训练后的所述量子深度学习网络模型输出的对所述多个量子比特针对的所述各个应用程序以及所述各个任务的分配结果。
2.根据权利要求1所述的云计算环境中云主机资源的评估与调度方法，其特征在于，所述基于与所述业务需求信息对应的评估指标，对所述历史资源数据集合进行评估，以得到针对所述历史资源数据集合的评估结果数据，包括，基于与所述业务需求信息对应的所述评估指标，对所述历史资源数据集合进行划分，得到属于多个评估维度的资源采样数据子集合；
基于属于多个评估维度的所述资源采样数据子集合，对所述历史资源数据集合进行评估，以得到针对所述历史资源数据集合的评估结果数据。
3.根据权利要求1所述的云计算环境中云主机资源的评估与调度方法，其特征在于，在所述基于所述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给所述当前任务集合中的各个应用程序以及各个任务之前，所述方法还包括：若同一任务队列中第一任务优先级信息相同的多个应用程序或任务所使用的量子比特数目之和均未超过所述量子芯片的量子比特数，在所述量子芯片上将多个应用程序或任务划分到同一比特区域。
4.根据权利要求3所述的云计算环境中云主机资源的评估与调度方法，其特征在于，在所述基于所述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给所述当前任务集合中的各个应用程序以及各个任务之后，还包括：在所述当前任务集合中第一任务或第一应用程序被执行的时间达到预设时间且所述第一任务或第一应用程序未被完成的情况下，释放第一任务对应的量子比特；将所述第一任务或所述第一应用程序分配到对应的任务队列进行保存，等待下一次资源调度。
5.根据权利要求1所述的云计算环境中云主机资源的评估与调度方法，其特征在于，在所述对所述多个量子比特包括的所述目标量子比特进行测量操作，以获取训练后的所述量子深度学习网络模型输出的对所述多个量子比特针对的所述各个应用程序以及所述各个任务的分配结果之后，所述方法还包括：基于训练后的所述量子深度学习网络模型的损失函数，对训练后的所述量子深度学习网络模型的参数进行更新，以对训练后的所述量子深度学习网络模型进行优化。
6.云计算环境中云主机资源的评估与调度装置，其特征在于，包括历史资源数据集合收集单元、业务需求信息确定单元、当前任务集合获取单元以及资源调度单元，其中，所述历史资源数据集合收集单元，用于收集云计算环境中云主机的历史资源数据集合，其中，所述历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据；
所述业务需求信息确定单元，用于确定与所述历史资源数据集合对应的业务需求信息；基于与所述业务需求信息对应的评估指标，对所述历史资源数据集合进行评估，以得到针对所述历史资源数据集合的评估结果数据；
所述当前任务集合获取单元，用于获取当前任务集合，以及根据任务特点，将所述当前任务集合中的各个应用程序以及各个任务划分在不同的任务队列中，其中，所述当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，所述第二预设时间段的起始时间点早于所述第一预设时间段的结束时间点；所述各个应用程序以及所述各个任务根据第一任务优先级信息在同一任务队列中顺序排列；
所述资源调度单元，用于基于所述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给所述当前任务集合中的各个应用程序以及各个任务；
其中，所述当前云主机资源包括量子芯片的多个量子比特；所述量子深度学习网络模型包括第一量子神经网络层、第二量子神经网络层以及第三量子神经网络层；其中，所述第一量子神经网络层包括输入的所述评估结果数据以及所述量子芯片的所述多个量子比特；
所述第二量子神经网络层包括对所述评估结果数据以及所述多个量子比特进行操作的多个量子逻辑门；所述第三量子神经网络层用于对所述多个量子比特包括的目标量子比特进行测量操作，以获取训练后的所述量子深度学习网络模型输出的对所述多个量子比特针对的所述各个应用程序以及所述各个任务的分配结果；
所述基于所述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给所述当前任务集合中的各个应用程序以及各个任务，包括：所述第二量子神经网络层包括的所述多个量子逻辑门根据所述量子芯片中所述多个量子比特的状态以及所述各个应用程序以及所述各个任务的第一任务优先级信息，将所述各个应用程序以及所述各个任务划分到多个候选比特区域，其中，所述多个候选比特区域对应第二优先级信息，所述第二优先级信息与所述第一任务优先级信息呈正相关；
针对每个候选比特区域中的候选应用程序和/或候选任务，将与所述候选应用程序和/或所述候选任务对应的第一部分的量子比特确定为辅助量子比特，并将与所述候选应用程序和/或所述候选任务对应的第二部分的量子比特确定为候选量子比特；其中，所述辅助量子比特用于存储临时数据信息；
所述第三量子神经网络层将每个候选比特区域按照所述第二优先级信息的顺序依次作为当前比特区域，执行以下操作：将与所述候选量子比特对应的第一局域量子电路作用到所述候选量子比特上，得到第一测量结果，其中，所述第一测量结果用于表示作用所述第一局域量子电路后的所述候选量子比特的第一状态信息；将与所述辅助量子比特对应的第二局域量子电路作用到所述辅助量子比特上，得到第二测量结果，其中，所述第二测量结果用于表示作用所述第二局域量子电路后的所述辅助量子比特的第二状态信息；基于所述第一状态信息对所述第二测量结果进行修正；基于修正后得到的第二测量结果从所述候选量子比特中筛选出所述目标量子比特；
对所述多个量子比特包括的所述目标量子比特进行测量操作，以获取训练后的所述量子深度学习网络模型输出的对所述多个量子比特针对的所述各个应用程序以及所述各个任务的分配结果。
7.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序被处理器运行时执行所述权利要求1至5任一项中所述的云计算环境中云主机资源的评估与调度方法。 说明书 : 云计算环境中云主机资源的评估与调度方法、装置及存储
介质技术领域[0001] 本申请涉及云计算技术领域，具体而言，涉及云计算环境中云主机资源的评估与调度方法、装置及存储介质。背景技术[0002] 云主机是云计算在基础设施应用上的重要组成部分，位于云计算产业链金字塔底层，产品源自云计算平台。该平台整合了互联网应用三大核心要素：计算、存储、网络，面向用户提供公用化的互联网基础设施服务。云主机是在一组集群主机上虚拟出多个类似独立主机的部分，集群中每个主机上都有云主机的一个镜像，从而大大提高了虚拟主机的安全稳定性。[0003] 在云计算平台中，评价云计算平台可运维程度的一个重要参考特性是对虚拟资源的数据监控与评估的能力。随着节点数据和所需监控对象数量的增加，基于对云计算环境中云主机资源的评估结果对资源进行合理调度也是必不可少的。[0004] 现有技术中，通常是根据当前时刻云主机资源的剩余量与待加入的新任务使用的资源量的对比情况，对云主机资源进行评估与调度，可以理解，仅通过当前时刻云主机资源的剩余量对云主机资源进行评估的方式，存在对云主机资源的评估方式较单一的技术问题。[0005] 针对上述的问题，目前尚未提出有效的解决方案。发明内容[0006] 本申请实施例提供了云计算环境中云主机资源的评估与调度方法、装置及存储介质，以解决上述技术问题。[0007] 根据本申请实施例的一个方面，提供了一种云计算环境中云主机资源的评估与调度方法，包括：收集云计算环境中云主机的历史资源数据集合，其中，上述历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据；确定与上述历史资源数据集合对应的业务需求信息；基于与上述业务需求信息对应的评估指标，对上述历史资源数据集合进行评估，以得到针对上述历史资源数据集合的评估结果数据；获取当前任务集合，其中，上述当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，上述第二预设时间段的起始时间点早于上述第一预设时间段的结束时间点；基于上述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给上述当前任务集合中的各个应用程序以及各个任务。[0008] 根据本申请实施例的另一方面，提供了一种云计算环境中云主机资源的评估与调度装置，包括历史资源数据集合收集单元、业务需求信息确定单元、当前任务集合获取单元以及资源调度单元，其中，上述历史资源数据集合收集单元，用于收集云计算环境中云主机的历史资源数据集合，其中，上述历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据；上述业务需求信息确定单元，用于确定与上述历史资源数据集合对应的业务需求信息；基于与上述业务需求信息对应的评估指标，对上述历史资源数据集合进行评估，以得到针对上述历史资源数据集合的评估结果数据；上述当前任务集合获取单元，用于获取当前任务集合，其中，上述当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，上述第二预设时间段的起始时间点早于上述第一预设时间段的结束时间点；上述资源调度单元，用于基于上述评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给上述当前任务集合中的各个应用程序以及各个任务。[0009] 根据本申请实施例的又一方面，提供了一种计算机存储介质，上述计算机可读的存储介质包括存储的程序，其中，上述程序被处理器运行时执行上述的云计算环境中云主机资源的评估与调度方法。[0010] 基于本申请提供的方法，在收集云计算环境中云主机的历史资源数据集合，历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据确定与历史资源数据集合对应的业务需求信息之后，基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，在得到针对历史资源数据集合的评估结果数据之后，获取在第二预设时间段运行的应用程序以及任务，其中，第二预设时间段的起始时间点早于第一预设时间段的结束时间，基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务。一方面，对第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据进行评估，而不再局限于通过当前时刻云主机资源的剩余量对云主机资源进行评估，扩展了评估云主机资源的方式，丰富了评估所依据的数据信息。另一方面，可以满足对业务情况的评估需求，可以全面了解到云主机资源的使用情况，可以进一步基于对历史资源数据集合的评估结果数据，采用量子深度学习网络模型实现对当前资源的调度，从而不仅可以提高云主机资源的调度效率，还可以提高云主机的资源利用率。附图说明[0011] 此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：[0012] 图1为根据本申请实施例的一种可选的云计算环境中云主机资源的评估与调度方法的流程图；[0013] 图2为根据本申请实施例的一种可选的云计算环境中云主机资源的评估与调度系统的结构图。[0014] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式[0015] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。[0016] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0017] 根据本申请实施例的一个方面，提供了云计算环境中云主机资源的评估与调度方法，如图1中所示，该方法包括：[0018] S101，收集云计算环境中云主机的历史资源数据集合，其中，历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据；[0019] 其中，云计算环境中云主机的历史资源数据集合包括第一预设时间段内的与云主机资源相关的数据，云主机资源指的是在云计算环境中，通过虚拟化技术将物理服务器资源抽象化，为用户提供的可编程、可扩展的计算能力。具体来说，云主机资源通常包括以下几个方面：计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据。其中，计算类资源可以包括但不限于CPU资源与GPU资源，其中CPU资源主要指云主机的计算能力，通常以核心数来衡量；而GPU资源对于需要大量图形处理或机器学习任务的云主机尤为重要。存储类资源可以包括但不限于内存资源与存储资源，内存资源：云主机的随机存取存储器，用于临时存储运行中的程序和数据；存储资源：包括本地存储和网络存储，用于数据的持久化存储。网络类资源可以包括云主机的网络连接能力，包括带宽、IP地址等，用于数据传输和互联网连接；磁盘读写性能数据包括I/O性能，即输入/输出性能，涉及到数据读写速度，尤其是在处理大量数据时尤为重要。网络类资源可以包括安全组和网络访问控制资源，用于控制云主机的网络访问权限，确保安全合规。云主机所在计算节点数据可以包括云主机所在的物理主机位置。[0020] 云主机资源的管理和优化对于确保应用程序以及任务的性能、可用性和成本效益至关重要。通过合理分配和调整这些资源，可以实现根据实际需求灵活地运行和管理的云环境。[0021] S102，确定与历史资源数据集合对应的业务需求信息；基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，以得到针对历史资源数据集合的评估结果数据；[0022] 本实施例中，通过获取与历史资源数据集合对应的业务需求信息，可以满足从业务的角度对云主机的使用资源以及资源配置进行评估的需求，从而为后续调度云主机资源提供更好的分析基础。[0023] S103，获取当前任务集合，其中，当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，第二预设时间段的起始时间点早于第一预设时间段的结束时间点；[0024] 其中，若将第二预设时间段的起始时间点作为当前时刻，第一预设时间段可以是在当前时刻之前的一段时间。也就是说，历史资源数据集合是在获取到待运行的当前任务集合之前，云主机资源在第一预设时间段内的资源采样数据。通过采集在当前时刻之前一段时间内的采样数据，可以增加评估资源的多样性，以提高对云主机资源评估的可参考性与准确性。[0025] 本实施例中，资源调度是指根据特定的策略，将资源分配给正在或即将运行的应用程序或任务的过程。资源调度的主要目的在于优化资源利用、提高系统性能、确保任务的高可用性以及实现资源成本的降低。在云计算环境中，资源调度技术显得尤为重要。[0026] S104，基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务。[0027] 基于本申请提供的方法，在收集云计算环境中云主机的历史资源数据集合，历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据确定与历史资源数据集合对应的业务需求信息之后，基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，在得到针对历史资源数据集合的评估结果数据之后，获取在第二预设时间段运行的应用程序以及任务，其中，第二预设时间段的起始时间点早于第一预设时间段的结束时间，基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务。一方面，对第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据进行评估，而不再局限于通过当前时刻云主机资源的剩余量对云主机资源进行评估，扩展了评估云主机资源的方式，丰富了评估所依据的数据信息。另一方面，可以满足对业务情况的评估需求，可以全面了解到云主机资源的使用情况，可以进一步基于对历史资源数据集合的评估结果数据，采用量子深度学习网络模型实现对当前资源的调度，从而不仅可以提高云主机资源的调度效率，还可以提高云主机的资源利用率。[0028] 作为一种可选的方案，基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，以得到针对历史资源数据集合的评估结果数据，包括，[0029] 基于与业务需求信息对应的评估指标，对历史资源数据集合进行划分，得到属于多个评估维度的资源采样数据子集合；[0030] 基于属于多个评估维度的资源采样数据子集合，对历史资源数据集合进行评估，以得到针对历史资源数据集合的评估结果数据。[0031] 基于本申请提供的实施例，通过基于与业务需求信息对应的评估指标，划分历史资源数据集合，可以基于多个评估维度、多角度地、针对性地评估云主机在第一预设时间段内的资源使用情况。[0032] 作为一种可选的方案，当前云主机资源包括量子芯片的多个量子比特；[0033] 其中，量子比特是量子计算中的基本信息单位，与经典计算中的比特相对应。量子比特的独特之处在于它可以同时处于0和1的叠加状态，以及两个量子比特之间可以存在量子纠缠现象，这使得量子计算机在理论上能够实现比传统计算机更快的计算速度。在量子计算领域，量子比特的实现方式有多种，包括但不限于超导量子比特、中性原子、离子阱等。[0034] 量子比特的初始化是量子计算中的一个重要环节；量子比特的操控和测量是实现量子计算的基础。量子比特可以通过量子门进行操作，包括单量子比特门和多量子比特门。单量子比特门可以看作是围绕Bloch球的旋转，而多量子比特门则涉及到更复杂的操作。量子比特的相干时间是衡量其质量的重要指标，它指的是量子比特保持量子特性的时间长度。[0035] 在基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务之前，方法还包括：[0036] 根据任务特点，将当前任务集合中的各个应用程序以及各个任务划分在不同的任务队列中，其中，各个应用程序以及各个任务根据第一任务优先级信息在同一任务队列中顺序排列；[0037] 其中，任务特点可以包括任务所使用的量子比特的数目。第一任务优先级用于指示当前任务集合中的各个应用程序以及各个任务的优先级，相对高优先级的任务或者应用程序可以抢占低优先级使用的资源。将任务和应用程序根据不同的优先级分配到不同的任务队列中，每个任务队列可以采用不同的调度策略。[0038] 若同一任务队列中第一任务优先级信息相同的多个应用程序或任务所使用的量子比特数目之和均未超过量子芯片的量子比特数，在量子芯片上将多个应用程序或任务划分到同一比特区域。[0039] 本实施例中，比特区域可以是一组量子比特，它们被用于存储量子信息。这些量子比特可以是物理的量子态，也可以是逻辑上为了特定算法或操作而组织在一起的量子比特集合。[0040] 作为一种可选的方案，量子深度学习网络模型包括第一量子神经网络层、第二量子神经网络层以及第三量子神经网络层；其中，第一量子神经网络层包括输入的评估结果数据以及量子芯片的多个量子比特；第二量子神经网络层包括对评估结果数据以及多个量子比特进行操作的多个量子逻辑门；第三量子神经网络层用于对多个量子比特包括的目标量子比特进行测量操作，以获取训练后的量子深度学习网络模型输出的对多个量子比特针对的各个应用程序以及各个任务的分配结果；[0041] 本实施例中，在量子计算中，任务调度可能涉及到量子比特的分配。量子比特可以存在于不同的量子状态，并且可以进行叠加和纠缠，这为任务调度提供了新的可能性。基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务，包括：[0042] 第二量子神经网络层包括的多个量子逻辑门根据量子芯片中多个量子比特的状态以及各个应用程序以及各个任务的第一任务优先级信息，将各个应用程序以及各个任务划分到多个候选比特区域，其中，多个候选比特区域对应第二优先级信息，第二优先级信息与第一任务优先级信息呈正相关；[0043] 本实施例中，可以根据任务或应用程序的资源需求（如CPU、内存、存储、网络带宽等）以及第一任务优先级信息，分配相应的比特区域。量子比特的状态可以通过量子门进行操控，如Pauli?X、Y、Z门以及CNOT门等，这些门操作可以改变量子比特的状态。[0044] 针对每个候选比特区域中的候选应用程序和/或候选任务，将与候选应用程序和/或候选任务对应的第一部分的量子比特确定为辅助量子比特，并将与候选应用程序和/或候选任务对应的第二部分的量子比特确定为候选量子比特；其中，辅助量子比特用于存储临时数据信息；[0045] 其中，辅助量子比特用于辅助执行量子算法的额外量子比特，它们不是算法的输入或输出，但在算法执行过程中起到关键作用。辅助量子比特可以用于量子错误校正、量子门的实现、量子算法中的控制逻辑以及最终的测量辅助等。[0046] 第三量子神经网络层将每个候选比特区域按照第二优先级信息的顺序依次作为当前比特区域，执行以下操作：将与候选量子比特对应的第一局域量子电路作用到候选量子比特上，得到第一测量结果，其中，第一测量结果用于表示作用第一局域量子电路后的候选量子比特的第一状态信息；将与辅助量子比特对应的第二局域量子电路作用到辅助量子比特上，得到第二测量结果，其中，第二测量结果用于表示作用第二局域量子电路后的辅助量子比特的第二状态信息；基于第一状态信息对第二测量结果进行修正；基于修正后得到的第二测量结果从候选量子比特中筛选出目标量子比特；[0047] 本实施例中，可以通过预训练的方式准备不同或者相同的两个局域量子电路，并且设置每个局域量子电路所用的全部或部分量子比特。局域量子电路的结构可以根据需要进行设置。在量子测量结果修正过程中，一组量子比特可能被组织成编码区域，用于保护量子信息免受错误的影响。量子比特可以用于错误检测和校正，它们按照特定的顺序与编码区域中的量子比特相互作用。[0048] 对多个量子比特包括的目标量子比特进行测量操作，以获取训练后的量子深度学习网络模型输出的对多个量子比特针对的各个应用程序以及各个任务的分配结果。[0049] 作为一种可选的方案，在基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务之后，还包括：[0050] 在当前任务集合中第一任务或第一应用程序被执行的时间达到预设时间且第一任务或第一应用程序未被完成的情况下，释放第一任务对应的量子比特；将第一任务或第一应用程序分配到对应的任务队列进行保存，等待下一次资源调度。[0051] 作为一种可选的方案，在对多个量子比特包括的目标量子比特进行测量操作，以获取训练后的量子深度学习网络模型输出的对多个量子比特针对的各个应用程序以及各个任务的分配结果之后，方法还包括:[0052] 基于训练后的量子深度学习网络模型的损失函数，对训练后的量子深度学习网络模型的参数进行更新，以对训练后的量子深度学习网络模型进行优化。[0053] 本实施例中，可以将预测标签与实际标签之间的累计差距作为损失函数，通过训练可以调整量子深度学习网络模型的参数，例如全连接层的权值，可以使得整个量子深度学习网络模型的准确度提高。[0054] 根据本申请实施例的另一个方面，还提供了云计算环境中云主机资源的评估与调度装置，如图2中所示，该装置包括历史资源数据集合收集单元201、业务需求信息确定单元202、当前任务集合获取单元203以及资源调度单元204，其中，[0055] 历史资源数据集合收集单元201，用于收集云计算环境中云主机的历史资源数据集合，其中，历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据；[0056] 业务需求信息确定单元202，用于确定与历史资源数据集合对应的业务需求信息；基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，以得到针对历史资源数据集合的评估结果数据；[0057] 当前任务集合获取单元203，用于获取当前任务集合，其中，当前任务集合包括在第二预设时间段运行的应用程序以及任务，其中，第二预设时间段的起始时间点早于第一预设时间段的结束时间点；[0058] 资源调度单元204，用于基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务。[0059] 基于本申请提供的方法，在收集云计算环境中云主机的历史资源数据集合，历史资源数据集合包括第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据确定与历史资源数据集合对应的业务需求信息之后，基于与业务需求信息对应的评估指标，对历史资源数据集合进行评估，在得到针对历史资源数据集合的评估结果数据之后，获取在第二预设时间段运行的应用程序以及任务，其中，第二预设时间段的起始时间点早于第一预设时间段的结束时间，基于评估结果数据，采用量子深度学习网络模型将当前云主机资源分配给当前任务集合中的各个应用程序以及各个任务。一方面，对第一预设时间段内的计算类资源使用率数据、存储类资源使用率数据、网络类资源使用率数据、磁盘读写性能数据、云主机所在计算节点数据以及资源所针对的任务数据进行评估，而不再局限于通过当前时刻云主机资源的剩余量对云主机资源进行评估，扩展了评估云主机资源的方式，丰富了评估所依据的数据信息。另一方面，可以满足对业务情况的评估需求，可以全面了解到云主机资源的使用情况，可以进一步基于对历史资源数据集合的评估结果数据，采用量子深度学习网络模型实现对当前资源的调度，从而不仅可以提高云主机资源的调度效率，还可以提高云主机的资源利用率。[0060] 可选地，在本实施例中，上述各个单元模块所要实现的实施例，可以参考上述各个方法实施例，这里不再赘述。[0061] 根据本申请的一个方面，提供了一种计算机可读存储介质，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的云计算环境中云主机资源的评估与调度方法。[0062] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read?OnlyMemory，ROM)、随机存取器(RandomAccessMemory，RAM)、磁盘或光盘等。[0063] 在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0064] 以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

专利地区：四川

专利申请日期：2024-07-29

专利公开日期：2024-10-15

专利公告号：CN118550715B