本發(fā)明涉及信息，特別是涉及一種用于柔性設(shè)備運(yùn)行模組的參數(shù)配置優(yōu)化方法和系統(tǒng)。

背景技術(shù)：

1、隨著柔性電子技術(shù)在材料、工藝和設(shè)計(jì)方面持續(xù)創(chuàng)新，柔性設(shè)備在多個(gè)行業(yè)得到了廣泛的應(yīng)用。而針對(duì)柔性設(shè)備中各個(gè)運(yùn)行模組的性能要求和資源配置需求存在顯著差異的問(wèn)題，現(xiàn)有技術(shù)通常采用啟發(fā)式算法或優(yōu)先級(jí)調(diào)度方法來(lái)優(yōu)化各個(gè)運(yùn)行模組的調(diào)節(jié)參數(shù)以進(jìn)行資源配置，但現(xiàn)有方法并未考慮各運(yùn)行模組對(duì)參數(shù)配置變化的敏感度，導(dǎo)致優(yōu)化效果有限。

2、由此可見，如何在有限的計(jì)算資源和通信帶寬下，實(shí)現(xiàn)對(duì)柔性設(shè)備中各個(gè)運(yùn)行模組配置參數(shù)的精準(zhǔn)調(diào)整和優(yōu)化問(wèn)題，已經(jīng)成為本領(lǐng)域技術(shù)人員所要亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種用于柔性設(shè)備運(yùn)行模組的參數(shù)配置優(yōu)化方法和系統(tǒng)，解決如何在有限的計(jì)算資源和通信帶寬下，實(shí)現(xiàn)對(duì)柔性設(shè)備中各個(gè)運(yùn)行模組配置參數(shù)的精準(zhǔn)調(diào)整和優(yōu)化的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明第一方面提供一種用于柔性設(shè)備運(yùn)行模組的參數(shù)配置優(yōu)化方法，包括：

3、通過(guò)分層次管理法對(duì)柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行層級(jí)劃分，得到多層級(jí)運(yùn)行模組，并采集各層級(jí)運(yùn)行模組的歷史運(yùn)行狀態(tài)數(shù)據(jù)及其對(duì)應(yīng)的歷史性能評(píng)價(jià)數(shù)據(jù)和歷史配置參數(shù)變更數(shù)據(jù)，以構(gòu)建歷史數(shù)據(jù)庫(kù)；

4、根據(jù)所述歷史數(shù)據(jù)庫(kù)確定各所述層級(jí)運(yùn)行模組的性能評(píng)價(jià)閾值和運(yùn)行狀態(tài)閾值，并基于所述歷史數(shù)據(jù)庫(kù)分析各所述層級(jí)運(yùn)行模組中配置參數(shù)變化對(duì)所述柔性設(shè)備的運(yùn)行性能的影響，得到各所述層級(jí)運(yùn)行模組的配置參數(shù)敏感度；

5、獲取各所述層級(jí)運(yùn)行模組的實(shí)時(shí)運(yùn)行狀態(tài)數(shù)據(jù)和實(shí)時(shí)性能評(píng)價(jià)數(shù)據(jù)，并在超過(guò)對(duì)應(yīng)的運(yùn)行狀態(tài)閾值或超過(guò)對(duì)應(yīng)的性能評(píng)價(jià)閾值時(shí)，生成各所述層級(jí)運(yùn)行模組的配置參數(shù)表；

6、基于所述歷史數(shù)據(jù)庫(kù)分析各所述層級(jí)運(yùn)行模組的運(yùn)行狀態(tài)與性能之間的相關(guān)性，并根據(jù)所述相關(guān)性從所述配置參數(shù)表中提取配置參數(shù)進(jìn)行重要度計(jì)算，以生成各所述層級(jí)運(yùn)行模組的配置參數(shù)集；

7、根據(jù)各所述配置參數(shù)敏感度對(duì)各所述層級(jí)運(yùn)行模組進(jìn)行敏感度分組，得到多層級(jí)敏感度運(yùn)行模組，以通過(guò)回歸樹構(gòu)建各層級(jí)敏感度運(yùn)行模組的配置參數(shù)調(diào)整量與性能間的映射關(guān)系，生成漸進(jìn)式調(diào)整規(guī)則以對(duì)各所述層級(jí)運(yùn)行模組的配置參數(shù)集進(jìn)行優(yōu)化，并基于優(yōu)化結(jié)果控制所述柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行參數(shù)配置。

8、作為其中一種優(yōu)選方案，所述通過(guò)分層次管理法對(duì)柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行層級(jí)劃分，得到多層級(jí)運(yùn)行模組，包括：

9、獲取所述柔性設(shè)備中各個(gè)運(yùn)行模組的配置參數(shù)數(shù)量、運(yùn)算負(fù)荷值和邏輯區(qū)塊數(shù)，以構(gòu)建各個(gè)所述運(yùn)行模組的模組復(fù)雜度量化矩陣；

10、基于各所述模組復(fù)雜度量化矩陣建立有向無(wú)環(huán)圖，并通過(guò)各個(gè)所述運(yùn)行模組的資源占用峰值和平均占用數(shù)值進(jìn)行聚類運(yùn)算，以對(duì)各個(gè)所述運(yùn)行模組進(jìn)行初次分組，得到資源占用分組結(jié)果；

11、獲取各個(gè)所述運(yùn)行模組對(duì)應(yīng)的運(yùn)行時(shí)延數(shù)據(jù)，基于預(yù)設(shè)時(shí)延閾值與所述運(yùn)行時(shí)延數(shù)據(jù)進(jìn)行比較，并根據(jù)比較結(jié)果對(duì)所述資源占用分組結(jié)果進(jìn)行調(diào)整，得到多層級(jí)運(yùn)行模組。

12、作為其中一種優(yōu)選方案，所述性能評(píng)價(jià)閾值包括穩(wěn)定性要求基準(zhǔn)值、資源閾值、帶寬閾值和能耗閾值；其中，

13、所述根據(jù)所述歷史數(shù)據(jù)庫(kù)確定各所述層級(jí)運(yùn)行模組的性能評(píng)價(jià)閾值和運(yùn)行狀態(tài)閾值，包括：

14、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的故障次數(shù)、崩潰次數(shù)和異?；謴?fù)時(shí)長(zhǎng)，并作為樣本數(shù)據(jù)對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以通過(guò)訓(xùn)練后的循環(huán)神經(jīng)網(wǎng)絡(luò)輸出各所述層級(jí)運(yùn)行模組的穩(wěn)定性要求基準(zhǔn)值；

15、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組在多種負(fù)載場(chǎng)景下的處理器占用率、內(nèi)存使用量和磁盤讀寫隊(duì)列深度，并通過(guò)雙曲正切函數(shù)進(jìn)行平滑處理，得到各所述層級(jí)運(yùn)行模組的資源閾值；

16、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的上行數(shù)據(jù)包數(shù)量、下行數(shù)據(jù)包數(shù)量、數(shù)據(jù)包平均大小和重傳率，并通過(guò)滑動(dòng)平均計(jì)算對(duì)應(yīng)的帶寬占用率，得到各所述層級(jí)運(yùn)行模組的帶寬閾值；

17、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組在多種運(yùn)行狀態(tài)下的電流電壓采樣值，并利用線性回歸對(duì)對(duì)應(yīng)運(yùn)行狀態(tài)下的負(fù)載與功耗的關(guān)系進(jìn)行擬合，以確定各所述層級(jí)運(yùn)行模組的能耗閾值。

18、作為其中一種優(yōu)選方案，所述根據(jù)所述歷史數(shù)據(jù)庫(kù)確定各所述層級(jí)運(yùn)行模組的性能評(píng)價(jià)閾值和運(yùn)行狀態(tài)閾值，還包括：

19、通過(guò)模糊邏輯算法對(duì)各所述層級(jí)運(yùn)行模組的性能評(píng)價(jià)閾值進(jìn)行權(quán)重映射，得到各所述層級(jí)運(yùn)行模組的優(yōu)先級(jí)順序；

20、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的歷史運(yùn)行狀態(tài)數(shù)據(jù)并進(jìn)行預(yù)處理，得到標(biāo)準(zhǔn)化歷史運(yùn)行狀態(tài)數(shù)據(jù)以構(gòu)建運(yùn)行數(shù)據(jù)曲線；

21、通過(guò)各所述層級(jí)運(yùn)行模組的優(yōu)先級(jí)順序?qū)Ω魉鲞\(yùn)行數(shù)據(jù)曲線進(jìn)行加權(quán)計(jì)算，以確定各所述層級(jí)運(yùn)行模組的運(yùn)行狀態(tài)閾值。

22、作為其中一種優(yōu)選方案，所述從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的歷史運(yùn)行狀態(tài)數(shù)據(jù)并進(jìn)行預(yù)處理，得到標(biāo)準(zhǔn)化歷史運(yùn)行狀態(tài)數(shù)據(jù)，包括：

23、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的歷史運(yùn)行狀態(tài)數(shù)據(jù)，以采用滑動(dòng)窗口進(jìn)行加權(quán)中值濾波，通過(guò)殘差平方和對(duì)異常數(shù)據(jù)進(jìn)行定位，并對(duì)殘差值超出預(yù)設(shè)標(biāo)準(zhǔn)差的歷史運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行二次采樣，得到已過(guò)濾狀態(tài)數(shù)據(jù)；

24、獲取運(yùn)行狀態(tài)指標(biāo)基準(zhǔn)范圍，以對(duì)所述已過(guò)濾狀態(tài)數(shù)據(jù)應(yīng)用最小最大標(biāo)準(zhǔn)化轉(zhuǎn)換，得到各所述層級(jí)運(yùn)行模組的歸一化狀態(tài)數(shù)據(jù)；

25、計(jì)算各所述層級(jí)運(yùn)行模組的歸一化狀態(tài)數(shù)據(jù)的一階導(dǎo)數(shù)，得到各所述歸一化狀態(tài)數(shù)據(jù)的變化拐點(diǎn)，并對(duì)存在預(yù)設(shè)數(shù)據(jù)空缺量的變化拐點(diǎn)所處區(qū)域進(jìn)行三次樣條插值補(bǔ)點(diǎn)，得到各所述層級(jí)運(yùn)行模組的標(biāo)準(zhǔn)化歷史運(yùn)行狀態(tài)數(shù)據(jù)。

26、作為其中一種優(yōu)選方案，所述基于所述歷史數(shù)據(jù)庫(kù)分析各所述層級(jí)運(yùn)行模組中配置參數(shù)變化對(duì)所述柔性設(shè)備的運(yùn)行性能的影響，得到各所述層級(jí)運(yùn)行模組的配置參數(shù)敏感度，包括：

27、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的歷史性能評(píng)價(jià)數(shù)據(jù)和歷史配置參數(shù)變更數(shù)據(jù)，以作為訓(xùn)練樣本對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到表征各所述層級(jí)運(yùn)行模組中配置參數(shù)變化和運(yùn)行性能間關(guān)聯(lián)的關(guān)系模型；

28、基于所述關(guān)系模型統(tǒng)計(jì)各所述層級(jí)運(yùn)行模組在預(yù)設(shè)時(shí)段內(nèi)配置參數(shù)變化值所對(duì)應(yīng)的性能變化值，并按照預(yù)設(shè)時(shí)間窗口對(duì)所述性能變化值進(jìn)行皮爾遜相關(guān)計(jì)算，得到各所述層級(jí)運(yùn)行模組的參數(shù)相關(guān)性影響指標(biāo)；

29、采用各所述層級(jí)運(yùn)行模組的預(yù)設(shè)權(quán)重值對(duì)對(duì)應(yīng)的參數(shù)相關(guān)性影響指標(biāo)進(jìn)行加權(quán)運(yùn)算，并根據(jù)預(yù)設(shè)敏感度閾值對(duì)加權(quán)運(yùn)算結(jié)果進(jìn)行分組，得到參數(shù)敏感度量化表以確定各所述層級(jí)運(yùn)行模組的配置參數(shù)敏感度。

30、作為其中一種優(yōu)選方案，所述在超過(guò)對(duì)應(yīng)的運(yùn)行狀態(tài)閾值或超過(guò)對(duì)應(yīng)的性能評(píng)價(jià)閾值時(shí)，生成各所述層級(jí)運(yùn)行模組的配置參數(shù)表，包括：

31、在各所述層級(jí)運(yùn)行模組的實(shí)時(shí)運(yùn)行狀態(tài)數(shù)據(jù)超過(guò)對(duì)應(yīng)的運(yùn)行狀態(tài)閾值，或各所述層級(jí)運(yùn)行模組的實(shí)時(shí)性能評(píng)價(jià)數(shù)據(jù)超過(guò)對(duì)應(yīng)的性能評(píng)價(jià)閾值時(shí)，利用回歸決策樹計(jì)算各所述層級(jí)運(yùn)行模組的超限程度，以對(duì)各所述層級(jí)運(yùn)行模組進(jìn)行超限區(qū)間劃分；

32、基于所得到的超限區(qū)間劃分結(jié)果確定各所述層級(jí)運(yùn)行模組的參數(shù)調(diào)整頻率、參數(shù)調(diào)整粒度和參數(shù)調(diào)整復(fù)雜度，以生成各所述層級(jí)運(yùn)行模組的配置參數(shù)表。

33、作為其中一種優(yōu)選方案，所述基于所述歷史數(shù)據(jù)庫(kù)分析各所述層級(jí)運(yùn)行模組的運(yùn)行狀態(tài)與性能之間的相關(guān)性，并根據(jù)所述相關(guān)性從所述配置參數(shù)表中提取配置參數(shù)進(jìn)行重要度計(jì)算，以生成各所述層級(jí)運(yùn)行模組的配置參數(shù)集，包括：

34、從所述歷史數(shù)據(jù)庫(kù)中提取各所述層級(jí)運(yùn)行模組的歷史運(yùn)行狀態(tài)數(shù)據(jù)及其對(duì)應(yīng)的歷史性能評(píng)價(jià)數(shù)據(jù)，并通過(guò)歐式距離計(jì)算相似度，以根據(jù)相似度計(jì)算結(jié)果對(duì)各所述層級(jí)運(yùn)行模組進(jìn)行負(fù)載聚類劃分，得到聚類負(fù)載區(qū)間；

35、計(jì)算所述聚類負(fù)載區(qū)間內(nèi)對(duì)應(yīng)負(fù)載的平均值、標(biāo)準(zhǔn)差、峰值、谷值和波動(dòng)率以構(gòu)建特征向量矩陣，并采用非線性回歸法量化運(yùn)行狀態(tài)和性能指標(biāo)之間的相關(guān)關(guān)系，得到各所述層級(jí)運(yùn)行模組的的多維關(guān)聯(lián)矩陣；

36、基于所述多維關(guān)聯(lián)矩陣從各所述層級(jí)運(yùn)行模組的配置參數(shù)表中提取配置參數(shù)，并通過(guò)梯度提升樹量化所提取的配置參數(shù)與運(yùn)行狀態(tài)間的影響關(guān)系，以基于所述影響關(guān)系量化所提取的配置參數(shù)的重要度，并選取重要度計(jì)算結(jié)果超過(guò)重要度閾值的配置參數(shù)構(gòu)成各所述層級(jí)運(yùn)行模組的配置參數(shù)集。

37、作為其中一種優(yōu)選方案，所述根據(jù)各所述配置參數(shù)敏感度對(duì)各所述層級(jí)運(yùn)行模組進(jìn)行敏感度分組，得到多層級(jí)敏感度運(yùn)行模組，通過(guò)回歸樹構(gòu)建各層級(jí)敏感度運(yùn)行模組的資源調(diào)整量與性能變化量的映射關(guān)系，生成漸進(jìn)式調(diào)整規(guī)則以對(duì)各所述層級(jí)運(yùn)行模組的配置參數(shù)集進(jìn)行優(yōu)化，并基于優(yōu)化結(jié)果控制所述柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行參數(shù)配置之后，包括：

38、獲取參數(shù)配置后的柔性設(shè)備中各個(gè)運(yùn)行模組的性能指標(biāo)時(shí)序數(shù)據(jù)，并將所述性能指標(biāo)時(shí)序數(shù)據(jù)作為輸入特征訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)，以通過(guò)訓(xùn)練后的生成對(duì)抗網(wǎng)絡(luò)進(jìn)行虛擬數(shù)據(jù)的實(shí)時(shí)映射，得到虛擬映射數(shù)據(jù)；

39、基于所述虛擬映射數(shù)據(jù)，獲取各所述層級(jí)運(yùn)行模組的參數(shù)波動(dòng)上限以作為基準(zhǔn)閾值，并通過(guò)增量壓縮方式構(gòu)建包含處理器調(diào)度、內(nèi)存分配和任務(wù)隊(duì)列的三組虛擬配置參數(shù)的虛擬運(yùn)行環(huán)境；

40、以所述性能指標(biāo)時(shí)序數(shù)據(jù)的加權(quán)和最小為優(yōu)化目標(biāo)，利用貝葉斯優(yōu)化對(duì)所述虛擬運(yùn)行環(huán)境中各所述層級(jí)運(yùn)行模組的虛擬配置參數(shù)進(jìn)行優(yōu)化，得到各所述層級(jí)運(yùn)行模組的虛擬參數(shù)組合；

41、基于各虛擬參數(shù)組合對(duì)各所述層級(jí)運(yùn)行模組進(jìn)行仿真運(yùn)行，并在運(yùn)行得到的性能指標(biāo)數(shù)據(jù)收斂到預(yù)設(shè)收斂閾值時(shí)，根據(jù)各所述層級(jí)運(yùn)行模組的虛擬參數(shù)組合控制所述柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行參數(shù)配置。

42、本發(fā)明第二方面提供了一種用于柔性設(shè)備運(yùn)行模組的參數(shù)配置優(yōu)化系統(tǒng)，包括：

43、數(shù)據(jù)庫(kù)構(gòu)建模塊，用于通過(guò)分層次管理法對(duì)柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行層級(jí)劃分，得到多層級(jí)運(yùn)行模組，并采集各層級(jí)運(yùn)行模組的歷史運(yùn)行狀態(tài)數(shù)據(jù)及其對(duì)應(yīng)的歷史性能評(píng)價(jià)數(shù)據(jù)和歷史配置參數(shù)變更數(shù)據(jù)，以構(gòu)建歷史數(shù)據(jù)庫(kù)；

44、敏感度分析模塊，用于根據(jù)所述歷史數(shù)據(jù)庫(kù)確定各所述層級(jí)運(yùn)行模組的性能評(píng)價(jià)閾值和運(yùn)行狀態(tài)閾值，并基于所述歷史數(shù)據(jù)庫(kù)分析各所述層級(jí)運(yùn)行模組中配置參數(shù)變化對(duì)所述柔性設(shè)備的運(yùn)行性能的影響，得到各所述層級(jí)運(yùn)行模組的配置參數(shù)敏感度；

45、參數(shù)表生成模塊，用于獲取各所述層級(jí)運(yùn)行模組的實(shí)時(shí)運(yùn)行狀態(tài)數(shù)據(jù)和實(shí)時(shí)性能評(píng)價(jià)數(shù)據(jù)，并在超過(guò)對(duì)應(yīng)的運(yùn)行狀態(tài)閾值或超過(guò)對(duì)應(yīng)的性能評(píng)價(jià)閾值時(shí)，生成各所述層級(jí)運(yùn)行模組的配置參數(shù)表；

46、參數(shù)集構(gòu)建模塊，用于基于所述歷史數(shù)據(jù)庫(kù)分析各所述層級(jí)運(yùn)行模組的運(yùn)行狀態(tài)與性能之間的相關(guān)性，并根據(jù)所述相關(guān)性從所述配置參數(shù)表中提取配置參數(shù)進(jìn)行重要度計(jì)算，以生成各所述層級(jí)運(yùn)行模組的配置參數(shù)集；

47、參數(shù)優(yōu)化模塊，用于根據(jù)各所述配置參數(shù)敏感度對(duì)各所述層級(jí)運(yùn)行模組進(jìn)行敏感度分組，得到多層級(jí)敏感度運(yùn)行模組，以通過(guò)回歸樹構(gòu)建各層級(jí)敏感度運(yùn)行模組的配置參數(shù)調(diào)整量與性能間的映射關(guān)系，生成漸進(jìn)式調(diào)整規(guī)則以對(duì)各所述層級(jí)運(yùn)行模組的配置參數(shù)集進(jìn)行優(yōu)化，并基于優(yōu)化結(jié)果控制所述柔性設(shè)備中各個(gè)運(yùn)行模組進(jìn)行參數(shù)配置。

48、相比于現(xiàn)有技術(shù)，本發(fā)明實(shí)施例的有益效果在于以下所述中的至少一點(diǎn)：

49、（1）通過(guò)分層次管理法，能夠?qū)Σ煌瑢蛹?jí)的運(yùn)行模組進(jìn)行精細(xì)化管理，確保每個(gè)模組都能得到適當(dāng)?shù)年P(guān)注和優(yōu)化；利用歷史數(shù)據(jù)庫(kù)中的豐富數(shù)據(jù)，更準(zhǔn)確地確定性能評(píng)價(jià)閾值、運(yùn)行狀態(tài)閾值和配置參數(shù)敏感度，為決策提供有力支持；

50、（2）通過(guò)實(shí)時(shí)監(jiān)控運(yùn)行狀態(tài)和性能評(píng)價(jià)數(shù)據(jù)，能夠及時(shí)發(fā)現(xiàn)并響應(yīng)潛在的性能問(wèn)題，確保柔性設(shè)備的穩(wěn)定運(yùn)行；通過(guò)構(gòu)建映射關(guān)系和生成漸進(jìn)式調(diào)整規(guī)則，能夠逐步優(yōu)化配置參數(shù)，避免一次性大幅調(diào)整可能帶來(lái)的風(fēng)險(xiǎn)；

51、（3）實(shí)現(xiàn)了對(duì)柔性設(shè)備中運(yùn)行模組配置參數(shù)的精細(xì)化調(diào)節(jié)，提高了柔性設(shè)備的運(yùn)行效率和穩(wěn)定性，通過(guò)對(duì)運(yùn)行模組配置參數(shù)的精準(zhǔn)優(yōu)化，降低了能耗，延長(zhǎng)了設(shè)備壽命，并提升了用戶體驗(yàn)。