CN120144260A 一种多业务系统的智能算力及存储调度方法和系统 （北京流金岁月传媒科技股份有限公司）

(19)国家知识产权局司地址100144北京市石景山区实兴大街30所(普通合伙)16355专利代理师陈陈数一种多业务系统的智能算力及存储调度方本申请涉及一种多业务系统的智能算力及未来预设时间窗口内的算力需求值及存储需求采集多业务系统中各节点的实时监控数据对实时监控数据进行特征堤取，生成结构化特征向量，得到实时业务特征数据集根据算力需求值及存储需求分层策路，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级基于业务类型初始化调度策路规则库中的墓于预设规则和资源池拓扑信息，根据动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案基于存储需求分层策略，通过存储调度引摩将任务分配方案及存储数据迁移指令发送至虚拟化资源编排模块，执行计算节点扩容、任务迁移及存储数据重分布操作采集执行后的资源池状态数据，生成资源池最新状态快照基于资源池最新状态快照及调度失败案例略规则库，得到更新后的策略版本并应用于下一调度周期21.一种多业务系统的智能算力及存储调度方法，其特征在于，所述方法包括：采集多业务系统中各节点的实时监控数据；对所述实时监控数据进行特征提取，生成包含业务类型标签、任务优先级及数据访问模式的结构化特征向量，得到实时业务特征数据集；基于所述实时业务特征数据集及历史负载日志，通过时序预测模型预测未来预设时间窗口内的算力需求值及存储需求分层策略；根据所述算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵；基于业务类型初始化调度策略规则库中的预设规则；基于所述预设规则和资源池拓扑信息，根据所述动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案；基于所述存储需求分层策略，通过存储调度引擎生成存储数据迁移指令；将所述任务分配方案及存储数据迁移指令发送至虚拟化资源编排模块，执行计算节点扩容、任务迁移及存储数据重分布操作；采集执行后的资源池状态数据，生成资源池最新状态快照；基于所述资源池最新状态快照及调度失败案例库，更新所述时序预测模型的权重参数和所述调度策略规则库，得到更新后的策略版本并应用于下一调度周期。2.根据权利要求1所述的一种多业务系统的智能算力及存储调度方法，其特征在于，根据所述算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵的步骤包括：获取实时资源池状态数据，并接收时序预测模型输出的未来预设时间窗口内的算力需求值及存储需求分层策略；将所述算力需求值、存储需求分层策略与实时资源池状态数据合并为复合状态向量，并进行归一化处理，生成标准化状态矩阵；根据业务类型定义动作空间参数，并将所述动作空间参数输入至预先配置的强化学习代理；其中，所述动作空间参数包括资源分配比例调整指令及存储迁移触发指令；基于所述标准化状态矩阵及历史调度记录，通过强化学习代理计算资源分配比例调整指令和存储迁移触发指令；其中，所述强化学习代理根据预设奖励函数评估动作价值，更新策略网络参数；根据所述资源分配比例调整指令，结合预设业务特征库，生成动态资源需求表；基于所述动态资源需求表及存储迁移触发指令，构建跨业务优先级权重矩阵。3.根据权利要求2所述的一种多业务系统的智能算力及存储调度方法，其特征在于，在基于所述动态资源需求表及存储迁移触发指令，构建跨业务优先级权重矩阵的步骤之后，还包括：将所述动态资源需求表及跨业务优先级权重矩阵输入数字孪生模拟环境，生成模拟调度结果；根据实际调度结果与模拟调度结果的误差率，触发增量学习模块更新所述强化学习代理的策略网络参数。4.根据权利要求1所述的一种多业务系统的智能算力及存储调度方法，其特征在于，基3于业务类型初始化调度策略规则库中的预设规则包括：当所述业务类型为实时任务时，配置抢占式调度规则及存储带宽预留阈值；或，当所述业务类型为离线任务时，配置弹性资源池分配规则及冷数据存储迁移策略。5.根据权利要求1所述的一种多业务系统的智能算力及存储调度方法，其特征在于，基于所述预设规则和资源池拓扑信息，根据所述动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案的步骤包括：获取动态资源需求表、跨业务优先级权重矩阵、资源池拓扑信息及预设规则；对所述动态资源需求表进行时间窗口切分和归一化处理，生成标准化资源需求时序切基于资源池拓扑信息构建带权有向图，生成拓扑图结构文件；根据预设规则对所述标准化资源需求时序切片进行分类加权；结合所述跨业务优先级权重矩阵和拓扑图结构文件，计算任务与节点的匹配度评分，生成候选节点评分表及规则冲突标记列表；基于所述候选节点评分表和规则冲突标记列表，通过启发式算法生成最终的任务分配方案。6.根据权利要求5所述的一种多业务系统的智能算力及存储调度方法，其特征在于，基于所述候选节点评分表和规则冲突标记列表，通过启发式算法生成最终的任务分配方案的获取候选节点评分表、规则冲突标记列表及资源池拓扑信息；根据所述候选节点评分表为每个任务筛选可分配节点白名单，排除规则冲突标记列表中的非法节点组合；基于所述可分配节点白名单构建初始种群集合；其中，每个种群个体采用染色体编码表示任务分配方案；基于所述候选节点评分表和资源池拓扑信息中的通信延迟参数及节点负载数据，构建多目标适应度函数；根据实时资源池状态数据动态调整所述多目标适应度函数中每个优化目标的权重系对所述初始种群集合执行锦标赛选择操作，生成父代种群；基于资源池拓扑信息中的通信路径表，对父代种群中的父代染色体进行拓扑感知交叉根据种群多样性评估结果动态调整变异率，对所述子代种群中的子代染色体执行基于候选节点评分表的概率变异；对适应度评分高于预设阈值的染色体执行局部搜索优化；从父代种群与子代种群中筛选适应度最优的个体组成精英种群；当满足收敛条件时，将所述精英种群中适应度最高的染色体解码为最终的任务分配方7.根据权利要求1到6任意一项所述的一种多业务系统的智能算力及存储调度方法，其特征在于，基于所述资源池最新状态快照及调度失败案例库，更新所述时序预测模型的权重参数和所述调度策略规则库，得到更新后的策略版本的步骤包括：4根据所述资源池最新状态快照，得到节点负载率、存储分布状态及任务执行进度；对所述节点负载率进行动态归一化处理，生成标准化负载率矩阵；对所述存储分布状态进行拓扑建模，生成存储资源分布热力图；对所述任务执行进度进行时间序列对齐，生成任务进度时序表；基于所述标准化负载率矩阵和任务进度时序表，对所述时序预测模型进行增量训练，更新模型权重参数；根据所述存储资源分布热力图动态调整时序预测模型的损失函数中的存储约束权重；结合所述任务进度时序表和调度失败案例库，检测所述调度策略规则库中与任务执行进度矛盾的冲突规则；对所述冲突规则进行条件阈值重校准及执行优先级动态排序，生成优化后的调度策略规则库；基于所述存储资源分布热力图和任务执行进度，对所述存储需求分层策略进行冷热数据迁移路径优化，得到更新后的存储分层配置文件；将更新后的时序预测模型、优化后的调度策略规则库及存储分层配置文件封装为更新后的策略版本。8.一种多业务系统的智能算力及存储调度系统，其特征在于，所述系统包括：数据采集模块，用于采集多业务系统中各节点的实时监控数据；特征提取模块，用于对所述实时监控数据进行特征提取，生成包含业务类型标签、任务优先级及数据访问模式的结构化特征向量，得到实时业务特征数据集；预测模块，用于基于所述实时业务特征数据集及历史负载日志，通过时序预测模型预测未来预设时间窗口内的算力需求值及存储需求分层策略；动态修正模块，用于根据所述算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵；规则初始化模块，用于基于业务类型初始化调度策略规则库中的预设规则；任务分配模块，用于基于所述预设规则和资源池拓扑信息，根据所述动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案；存储数据迁移模块，用于基于所述存储需求分层策略，通过存储调度引擎生成存储数据迁移指令；执行模块，用于将所述任务分配方案及存储数据迁移指令发送至虚拟化资源编排模状态数据采集模块，用于采集执行后的资源池状态数据，生成资源池最新状态快照；所述资源池最新状态快照包含节点负载率、存储分布状态及任务执行进度；策略版本更新模块，用于基于所述资源池最新状态快照及调度失败案例库，更新所述时序预测模型的权重参数和所述调度策略规则库，得到更新后的策略版本并应用于下一调度周期。9.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1到7任意一项所述的方法。10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要5求1到7任意一项所述方法的计算机程序。6一种多业务系统的智能算力及存储调度方法和系统技术领域[0001]本申请属于智能计算资源调度和存储管理技术领域，尤其是涉及一种多业务系统的智能算力及存储调度方法和系统。背景技术[0002]随着信息技术的不断发展，云计算、大数据、高性能计算以及虚拟化等技术逐渐成为现代计算架构中的核心组成部分。特别是在多业务系统中，随着计算任务日益复杂，业务需求也变得越来越多样化，如何有效管理系统资源成为了提高整体性能和效率的关键。资源调度和管理作为这些系统中的基础组件，其设计与优化直接影响到任务的执行效率、系统的稳定性和资源的利用率。[0003]多业务系统通常会同时运行多种类型的任务，这些任务不仅在计算能力上有不同的需求，在存储资源的使用上也呈现出较大差异。计算密集型任务往往要求较高的算力，而存储密集型任务则对存储I/0吞吐量有较高的要求。除了任务类型的差异外，不同任务还具有不同的优先级和资源消耗模式，这使得资源调度问题更加复杂。系统需要能够实时感知这些变化并做出相应的调整，以确保高优先级任务得到及时处理，同时避免低优先级任务占用过多资源。[0004]目前，在常见的资源调度方法中，许多系统依赖于静态配置或基于规则的调度策略。例如，计算节点可能会被分配给固定的任务，存储资源也可能根据预设的规则来进行分配。然而，这些方法往往难以有效应对复杂的业务需求和动态变化的资源使用情况。当系统负载发生变化，或者任务的资源需求超出了预期时，这些静态的调度方法会导致资源过载或浪费，进而影响系统的整体性能和效率。例如，计算节点的过度负载可能导致任务执行延迟，而存储资源的分配不均衡则可能导致部分存储介质的过度使用或闲置，浪费了宝贵的硬件资源。[0005]因此，如何通过准确预测系统在未来的算力和存储需求，从而在多业务系统环境中实现资源的高效调度，是目前亟待解决的问题。发明内容[0006]为了在多业务系统环境中实现资源的高效调度，本申请提供了一种多业务系统的智能算力及存储调度方法和系统。[0007]第一方面，本申请提供一种多业务系统的智能算力及存储调度方法，采用如下的技术方案：一种多业务系统的智能算力及存储调度方法，所述方法包括：采集多业务系统中各节点的实时监控数据；对所述实时监控数据进行特征提取，生成包含业务类型标签、任务优先级及数据访问模式的结构化特征向量，得到实时业务特征数据集；基于所述实时业务特征数据集及历史负载日志，通过时序预测模型预测未来预设7时间窗口内的算力需求值及存储需求分层策略；根据所述算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵；基于业务类型初始化调度策略规则库中的预设规则；基于所述预设规则和资源池拓扑信息，根据所述动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案；基于所述存储需求分层策略，通过存储调度引擎生成存储数据迁移指令；将所述任务分配方案及存储数据迁移指令发送至虚拟化资源编排模块，执行计算节点扩容、任务迁移及存储数据重分布操作；采集执行后的资源池状态数据，生成资源池最新状态快照；基于所述资源池最新状态快照及调度失败案例库，更新所述时序预测模型的权重参数和所述调度策略规则库，得到更新后的策略版本并应用于下一调度周期。[0008]通过采用上述技术方案，实现了多业务系统资源的智能化调度，通过深度结合实时监控数据与预测算法，系统能够动态调整资源配置，提高了资源利用率，降低了系统瓶颈，同时保障了任务执行的高效性和系统的稳定性。此外，通过自适应优化策略，系统能够持续改进调度决策，使得长时间运行后的调度效果更为精准和高效，从而进一步提升了整个多业务系统的性能与可靠性。[0009]可选地，根据所述算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵的步骤包括：获取实时资源池状态数据，并接收时序预测模型输出的未来预设时间窗口内的算力需求值及存储需求分层策略；将所述算力需求值、存储需求分层策略与实时资源池状态数据合并为复合状态向根据业务类型定义动作空间参数，并将所述动作空间参数输入至预先配置的强化学习代理；其中，所述动作空间参数包括资源分配比例调整指令及存储迁移触发指令；基于所述标准化状态矩阵及历史调度记录，通过强化学习代理计算资源分配比例调整指令和存储迁移触发指令；其中，所述强化学习代理根据预设奖励函数评估动作价值，更新策略网络参数；根据所述资源分配比例调整指令，结合预设业务特征库，生成动态资源需求表；基于所述动态资源需求表及存储迁移触发指令，构建跨业务优先级权重矩阵。[0010]通过采用上述技术方案，基于强化学习的动态资源调度与优先级决策方法，能够自动化、智能化地处理多业务系统中的资源分配问题。通过结合实时资源池状态、时序预测数据以及强化学习算法，系统能够灵活适应业务负载的变化，并做出高效、精准的资源调度决策。[0011]可选地，在基于所述动态资源需求表及存储迁移触发指令，构建跨业务优先级权将所述动态资源需求表及跨业务优先级权重矩阵输入数字孪生模拟环境，生成模拟调度结果；根据实际调度结果与模拟调度结果的误差率，触发增量学习模块更新所述强化学8习代理的策略网络参数。[0012]通过采用上述技术方案，将动态资源需求表与跨业务优先级权重矩阵输入数字孪生模拟环境进行仿真，并根据实际调度结果与模拟调度结果的误差率触发增量学习模块进行策略优化，进一步强化了系统在多业务环境中的智能调度能力。数字孪生模拟的使用，使得系统能够在虚拟环境中测试和验证各种调度策略，从而避免了在生产环境中出现不可预见的错误。通过增量学习模块，系统能够在实际运行过程中根据新的数据不断优化决策策略，确保在各种复杂的业务场景中，资源调度始终能够满足高效性和灵活性需求。整体技术方案能够显著提高资源利用率、减少任务延迟，提升系统稳定性和整体性能，适应不断变化的多业务环境。[0013]可选地，基于业务类型初始化调度策略规则库中的预设规则包括：当所述业务类型为实时任务时，配置抢占式调度规则及存储带宽预留阈值；或，当所述业务类型为离线任务时，配置弹性资源池分配规则及冷数据存储迁移策略。[0014]通过采用上述技术方案，结合实时任务和离线任务的不同需求，为每种任务类型制定了定制化的调度规则。实时任务采用抢占式调度规则和带宽预留策略，保证了其在高负载下的优先执行；离线任务则通过弹性资源池和冷数据迁移策略优化了资源的利用率。系统的调度策略库不仅在初期根据业务需求进行初始化，在后续的每个调度周期中还会根据反馈信息进行动态调整，确保策略始终符合当前资源和业务需求。[0015]可选地，基于所述预设规则和资源池拓扑信息，根据所述动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案的步骤包括：获取动态资源需求表、跨业务优先级权重矩阵、资源池拓扑信息及预设规则；对所述动态资源需求表进行时间窗口切分和归一化处理，生成标准化资源需求时序切片；基于资源池拓扑信息构建带权有向图，生成拓扑图结构文件；根据预设规则对所述标准化资源需求时序切片进行分类加权；结合所述跨业务优先级权重矩阵和拓扑图结构文件，计算任务与节点的匹配度评分，生成候选节点评分表及规则冲突标记列表；基于所述候选节点评分表和规则冲突标记列表，通过启发式算法生成最终的任务分配方案。[0016]通过采用上述技术方案，系统能够在动态资源需求和业务优先级变化的情况下，高效地分配任务和资源，优化系统性能，最终实现了精确的任务调度和资源利用，确保了多维度资源的高效协同和动态适应。[0017]可选地，基于所述候选节点评分表和规则冲突标记列表，通过启发式算法生成最终的任务分配方案的步骤包括：获取候选节点评分表、规则冲突标记列表及资源池拓扑信息；根据所述候选节点评分表为每个任务筛选可分配节点白名单，排除规则冲突标记列表中的非法节点组合；基于所述可分配节点白名单构建初始种群集合；其中，每个种群个体采用染色体编码表示任务分配方案；基于所述候选节点评分表和资源池拓扑信息中的通信延迟参数及节点负载数据，9构建多目标适应度函数；根据实时资源池状态数据动态调整所述多目标适应度函数中每个优化目标的权重系数；对所述初始种群集合执行锦标赛选择操作，生成父代种群；基于资源池拓扑信息中的通信路径表，对父代种群中的父代染色体进行拓扑感知根据种群多样性评估结果动态调整变异率，对所述子代种群中的子代染色体执行基于候选节点评分表的概率变异；对适应度评分高于预设阈值的染色体执行局部搜索优化；从父代种群与子代种群中筛选适应度最优的个体组成精英种群；当满足收敛条件时，将所述精英种群中适应度最高的染色体解码为最终的任务分配方案。[0018]通过采用上述技术方案，基于启发式算法和遗传算法的结合，实现了对任务分配方案的全局优化，提高了任务分配的效率和质量，最终能够生成最优的任务分配方案，确保系统资源得到高效利用，降低了通信成本，使得负[0019]可选地，基于所述资源池最新状态快照及调度失败案例库，更新所述时序预测模型的权重参数和所述调度策略规则库，得到更新后的策略版本的步骤包括：根据所述资源池最新状态快照，得到节点负载率、存储分布状态及任务执行进度；对所述节点负载率进行动态归一化处理，生成标准化负载率矩阵；对所述存储分布状态进行拓扑建模，生成存储资源分布热力图；对所述任务执行进度进行时间序列对齐，生成任务进度时序表；基于所述标准化负载率矩阵和任务进度时序表，对所述时序预测模型进行增量训根据所述存储资源分布热力图动态调整时序预测模型的损失函数中的存储约束结合所述任务进度时序表和调度失败案例库，检测所述调度策略规则库中与任务执行进度矛盾的冲突规则；对所述冲突规则进行条件阈值重校准及执行优先级动态排序，生成优化后的调度策略规则库；基于所述存储资源分布热力图和任务执行进度，对所述存储需求分层策略进行冷热数据迁移路径优化，得到更新后的存储分层配置文件；将更新后的时序预测模型、优化后的调度策略规则库及存储分层配置文件封装为更新后的策略版本。[0020]通过采用上述技术方案，确保了调度策略的持续优化，通过数据驱动的方式实时调整系统的负载、存储和任务调度策略，从而提升了系统资源利用率，减少了任务执行延[0021]第二方面，本申请提供一种多业务系统的智能算力及存储调度系统，采用如下的技术方案：一种多业务系统的智能算力及存储调度系统，所述系统包括：数据采集模块，用于采集多业务系统中各节点的实时监控数据；特征提取模块，用于对所述实时监控数据进行特征提取，生成包含业务类型标签、任务优先级及数据访问模式的结构化特征向量，得到实时业务特征数据集；预测模块，用于基于所述实时业务特征数据集及历史负载日志，通过时序预测模型预测未来预设时间窗口内的算力需求值及存储需求分层策略；动态修正模块，用于根据所述算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵；规则初始化模块，用于基于业务类型初始化调度策略规则库中的预设规则；任务分配模块，用于基于所述预设规则和资源池拓扑信息，根据所述动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案；存储数据迁移模块，用于基于所述存储需求分层策略，通过存储调度引擎生成存储数据迁移指令；执行模块，用于将所述任务分配方案及存储数据迁移指令发送至虚拟化资源编排模块，执行计算节点扩容、任务迁移及存储数据重分布操作；状态数据采集模块，用于采集执行后的资源池状态数据，生成资源池最新状态快照；所述资源池最新状态快照包含节点负载率、存储分布状态及任务执行进度；策略版本更新模块，用于基于所述资源池最新状态快照及调度失败案例库，更新所述时序预测模型的权重参数和所述调度策略规则库，得到更新后的策略版本并应用于下一调度周期。一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述方法的步骤。[0023]第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。[0024]综上所述，本申请包括以下至少一种有益技术效果：通过实时监控数据和特征提取，系统能够动态预测算力需求和存储需求，从而生成精准的资源需求表和优先级矩阵。利用强化学习对预测结果进行修正，优化任务分配和存储数据迁移策略，通过混合调度算法和存储调度引擎，系统确保任务和数据能够智能分配和迁移，以提高资源利用率。最终，基于实时反馈数据更新预测模型和调度策略，形成一个持续优化的调度闭环，显著提升了系统的调度效率、资源利用率和稳定性。附图说明[0025]图1是本申请其中一个实施例的一种多业务系统的智能算力及存储调度方法的第一流程示意图。[0026]图2是本申请其中一个实施例的一种多业务系统的智能算力及存储调度方法的第二流程示意图。[0027]图3是本申请其中一个实施例的一种多业务系统的智能算力及存储调度方法的第三流程示意图。11[0028]图4是本申请其中一个实施例的一种多业务系统的智能算力及存储调度方法的第四流程示意图。[0029]图5是本申请其中一个实施例的一种多业务系统的智能算力及存储调度方法的第五流程示意图。[0030]图6是本申请其中一个实施例的一种多业务系统的智能算力及存储调度方法的第六流程示意图。具体实施方式[0031]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-6及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申[0032]本申请实施例公开一种多业务系统的智能算力及存储调度方法。[0033]参照图1,一种多业务系统的智能算力及存储调度方法，具体方法包括：步骤S101,采集多业务系统中各节点的实时监控数据；其中，在多业务系统中，各个节点(例如计算节点、存储节点)通常会实时产生大量状态等。这些实时监控数据是系统运行状态的直观反映，可以为后续的算力需求和存储需求预测提供关键依据。[0034]例如，CPU的高利用率可能意味着该节点的计算能力接近饱和，需要采取措施进行负载均衡；而网络延迟则可能影响任务执行的效率，从而影响整个系统的性能。实时监控数据的采集通常通过安装在系统各个节点的监控软件或硬件工具来实现，能够确保持续获取系统的运行数据。通过这种方式，系统可以实时响应负载变化，从而有效避免资源瓶颈和任务执行的延迟。[0035]可以理解的是，在采集这些数据后，系统能够实现对各节点实时状态的全面监控，确保后续调度算法能够基于当前的负载和需求作出合理的决策。通过实时数据采集，系统能够灵活地应对不断变化的业务需求，确保资源得到最优分配。[0036]步骤S102,对实时监控数据进行特征提取，生成包含业务类型标签、任务优先级及数据访问模式的结构化特征向量，得到实时业务特征数据集；其中，特征提取的过程是对采集到的实时监控数据进行分析和加工，以构建出能反映系统工作状态和任务特性的数据结构。特征提取不仅限于从原始监控数据中抽取常见签可能包括任务的优先级、业务类型、数据访问模式等。在这一过程中，任务的优先级(如高、中、低)和数据访问模式(如频繁访问、偶尔访问、冷数据等)成为特征提取的核心内容。这些特征能够帮助系统更加细致地了解每个任务的资源需求和运行状态。[0037]在本申请实施例中，通过对监控数据进行特征提取，生成的结构化特征向量将能够清晰地描述每个任务或节点的具体需求。这些特征向量构成的实时业务特征数据集，将为后续的预测模型提供准确的输入数据。例如，在一个系统中，某任务的特征向量可能包括向量可以精确地为后续的资源调度提供支持。[0038]步骤S103,基于实时业务特征数据集及历史负载日志，通过时序预测模型预测未来预设时间窗口内的算力需求值及存储需求分层策略；在本申请的其中一个实施例中，时序预测模型可采用长短期记忆网络(LSTM),作为一种专门用于处理时间序列数据的深度学习模型，通过基于历史负载日志和实时业务特征数据集，LSTM能够预测系统在未来预设时间窗口内的算力需求和存储需求。时序预测模型的核心思想是通过对历史数据的学习，捕捉到数据中潜在的时间依赖关系，从而预测未来的需求。这一过程需要使用包含任务类型、优先级、资源消耗等多个维度的信息，帮助模型进行预测。例如，若在过去的几小时内某些任务的计算需求出现周期性波动，LSTM模型会根据这一规律预测出未来一段时间内类似任务的需求。[0039]具体地，在预测存储需求时，系统会对数据访问频率进行分析，并据此划分存储需求的层级，如热数据、温数据和冷数据。热数据访问频繁，需要高性能存储；冷数据访问较少，可以存储在更便宜的存储介质上。根据这些分层策略，系统会根据存储介质的性能特征[0040]作为时序预测模型的一种实施方式，可采用深度学习框架构建LSTM模型，LSTM模型通常由输入层、LSTM层、全连接层和输出层组成，训练阶段采用Adam优化器(学习率=0.001)和MSE损失函数，引入早停机制(耐心=10轮)防止过训练，预测时通过滑动窗口递归生成多步预测结果，并利用MinMaxScaler逆变换还原实际量纲。该架构在测试集上实现RMSE≤5%的预测精度，且支持动态加载新数据增量训练以适应用电模式漂移。[0041]步骤S104,根据算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵；其中，得到的预测结果仅仅是未来算力需求和存储需求的预估值，但这些预估值还需要进一步的优化与修正。强化学习是一种通过奖励和惩罚机制来优化决策过程的算法，在这个步骤中，强化学习算法会结合算力需求和存储需求分层策略，针对不同的任务和业务，动态调整资源需求。例如，某些高优先级任务可能需要更多的算力资源，而其他低优先级任务则可以在资源较紧张时被推迟执行。[0042]具体地，动态资源需求表的生成将会根据不同任务的优先级、资源需求、历史调度结果等信息来进行实时更新，并计算跨业务之间的优先级权重矩阵。这一矩阵帮助系统决定哪些任务应优先获得资源，以确保高优先级的任务不会受到低优先级任务的干扰。同时，跨业务优先级权重矩阵能够处理多个任务之间的竞争关系，通过合理分配计算资源和存储[0043]步骤S105,基于业务类型初始化调度策略规则库中的预设规则；其中，根据业务类型来初始化调度策略规则库，并为不同类型的业务设定相应的调度规则。调度策略规则库中包含了多种预设规则，这些规则是根据历史经验和业务需求来设定的。[0044]例如，对于实时任务或离线任务，系统可通过抢占式调度规则的配置，在系统资源不足时仍然优先得到保障，避免了因带宽不足等问题造成的延迟；而离线任务则可通过冷数据存储的迁移策略降低存储资源的压力，提高系统整体的资源利用率。通过这些规则，系统能够在处理多种任务时保持灵活性，并确保每种任务在最适合的资源节点上执行，从而提高系统的处理能力和资源利用率。[0045]步骤S106,基于预设规则和资源池拓扑信息，根据动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案；其中，混合调度算法的核心在于将不同调度算法的优点结合起来，综合考虑算力需求、存储需求以及资源池拓扑结构等多个因素，制定出最优的任务分配方案。资源池拓扑结构包括了计算节点与存储节点的物理位置映射、网络带宽、节点间通信的开销等。系统通过混合调度算法来合理安排任务的分配，确保任务能够在最佳节点上执行，同时还要避免过度的通信延迟和资源争抢。[0046]具体地，混合调度算法通过综合考虑多个因素，如任务的优先级、资源的可用性、网络延迟等，优化任务的分配，提高资源利用率并减少系统瓶颈。此外，该算法能够根据资源池拓扑的变化进行灵活调整，确保资源能够根据实际需求得到最有效的分配。[0047]步骤S107,基于存储需求分层策略，通过存储调度引擎生成存储数据迁移指令；其中，在存储管理方面，系统根据存储需求的层级策略，利用存储调度引擎来生成数据迁移指令。存储需求分层策略是根据任务的数据访问频率来划分数据的存储层级。[0048]在本申请实施例中，可将高频访问的热数据存储在性能较高的SSD存储上，而冷数据则被迁移到价格较低的HDD存储或对象存储中。通过这种方式，系统能够确保热数据的访问速度，减少存储介质的不必要开销。同时，存储调度引擎还能够通过跨业务数据指纹库对重复数据块进行合并，从而减少冗余存储并释放存储空间。[0049]步骤S108,将任务分配方案及存储数据迁移指令发送至虚拟化资源编排模块，执行计算节点扩容、任务迁移及存储数据重分布操作；其中，任务分配方案及存储数据迁移指令会被发送至虚拟化资源编排模块，执行计算节点扩容、任务迁移及存储数据重分布等操作。这一过程是系统根据当前负载情况，自动扩展计算节点和存储节点，以确保资源能够满足任务需求。例如，当计算节点的负载过高时，系统可能会自动扩容新的计算节点，或者将部分任务从繁忙的计算节点迁移到负载较低的节点上。[0050]此外，存储数据迁移指令能够确保数据被迁移到最合适的存储节点，避免出现存储瓶颈。执行后的资源池状态数据将被采集，生成最新的资源池状态快照，这一快照包括了节点的负载率、存储分布状态以及任务的执行进度等信息。[0051]可以理解的是，根据任务负载的变化动态调整计算资源和存储资源，确保系统能够灵活应对不同的工作负载，避免出现资源过度利用或资源不足的情况，通过自动扩容和任务迁移，系统能够保持高效的运行并减少人为干预。[0052]步骤S109,采集执行后的资源池状态数据，生成资源池最新状态快照；其中，资源池最新状态快照包含节点负载率、存储分布状态及任务执行进度。[0053]具体地，在任务迁移与资源扩容操作完成后，系统将采集执行后的资源池状态数据，生成包含节点负载率、存储分布状态及任务执行进度的资源池最新状态快照。[0054]进一步地，通过对这些数据的分析，系统可以评估调度决策的效果，确保资源分配和任务执行情况符合预期。节点负载率能够反映资源的利用情况，存储分布状态能够揭示存储资源是否得到了合理分配，而任务执行进度则能够体现任务是否按计划顺利执行。[0055]步骤S110,基于资源池最新状态快照及调度失败案例库，更新时序预测模型的权重参数和调度策略规则库，得到更新后的策略版本并应用于下一调度周期。[0056]其中，策略版本包括时序预测模型权重文件、调度规则库条目及存储分层策略配置文件的版本标识。策略版本通过分布式配置中心同步至多业务系统的所有调度节点。[0057]具体地，系统会基于最新的资源池状态快照及调度失败案例库来更新时序预测模型的权重参数，并优化调度策略规则库。这一过程通过增量训练等方法不断提升系统的预测能力，使得系统能够在每个调度周期结束后根据历史经验改进调度策略。例如，当任务迁移失败时，系统可以分析失败的原因并根据调度失败案例库中的记录来调整任务迁移规[0058]上述实施方式中，实现了多业务系统资源的智能化调度，通过深度结合实时监控数据与预测算法，系统能够动态调整资源配置，提高了资源利用率，降低了系统瓶颈，同时保障了任务执行的高效性和系统的稳定性。此外，通过自适应优化策略，系统能够持续改进调度决策，使得长时间运行后的调度效果更为精准和高效，从而进一步提升了整个多业务系统的性能与可靠性。[0059]参照图2,作为步骤S104的一种实施方式，根据算力需求值及存储需求分层策略，结合强化学习算法对预测结果进行动态修正，生成动态资源需求表及跨业务优先级权重矩阵的步骤包括：步骤S201,获取实时资源池状态数据，并接收时序预测模型输出的未来预设时间窗口内的算力需求值及存储需求分层策略；其中，实时资源池状态数据包括节点负载率、存储带宽占用率及任务队列长度，这些数据提供了系统当前各个计算节点和存储节点的资源利用情况。节点负载率反映了计算节点的当前负载，存储带宽占用率表明存储设备的利用程度，而任务队列长度则能够揭示当前系统任务的排队情况，这对于评估资源是否充足、任务是否延迟具有重要意义。[0060]步骤S202,将算力需求值、存储需求分层策略与实时资源池状态数据合并为复合其中，将获取的算力需求值、存储需求分层策略和实时资源池状态数据进行综合，形成一个复合状态向量。这一复合状态向量整合了多个维度的信息，如未来的算力需求、存储层级需求、当前节点的负载情况等。通过归一化处理，可以确保不同量纲的数据(如负载率和需求值)具有相同的尺度，从而避免由于数据尺度差异导致学习过程中的偏差。标准化状态矩阵就是将这些复合状态向量以一致的格式表示，以便强化学习代理进行处理。[0061]步骤S203,根据业务类型定义动作空间参数，并将动作空间参数输入至预先配置的强化学习代理；其中，动作空间参数包括资源分配比例调整指令及存储迁移触发指令；其中，资源分配比例调整指令是一个连续动作空间，用来表示对每个业务类型的计算资源分配比例调整。例如，系统可能会根据当前负载和需求的预测，将更多的资源分配给高优先级业务。存储迁移触发指令则是离散动作空间，定义了热数据和冷数据迁移的触发阈值，帮助系统决定何时进行数据迁移，优化存储资源的使用。这些动作空间参数将被输入到预先配置的强化学习代理中，以指导强化学习代理如何选择最合适的动作(即资源分配调整和存储迁移决策)。[0062]步骤S204,基于标准化状态矩阵及历史调度记录，通过强化学习代理计算资源分配比例调整指令和存储迁移触发指令；其中，强化学习代理根据预设奖励函数评估动作价其中，强化学习代理可采用近端策略优化算法来训练策略网络，策略网络输入层融合存储分层策略参数，输出层映射至动作空间。该强化学习算法能够高效稳定地更新策略网络，使得代理在实际操作中能够做出更为精准的资源调度决策。[0063]具体地，强化学习代理会根据标准化状态矩阵及历史调度记录来计算资源分配比例调整指令和存储迁移触发指令。强化学习的核心是通过“奖励”来引导代理的决策，代理根据所定义的奖励函数来评估每一个动作的价值，并通过策略网络不断更新其决策规则。[0064]在一些实施例中，奖励函数会根据以下几个方面进行评估：资源利用率奖励(基于实际算力与预测算力需求的比值)、SLA(服务等级协议)达标奖励(基于任务按时完成的情况和高优先级任务的延迟次数)、存储效率惩罚(基于跨机架数据迁移量及迁移耗时)。[0065]步骤S205,根据资源分配比例调整指令，结合预设业务特征库，生成动态资源需求其中，系统结合资源分配比例调整指令和预设的业务特征库，生成动态资源需求系统根据这些特征信息来指导资源的动态分配，确保不同业务类型在资源调度过程中得到适当的支持。[0066]例如，计算密集型任务可能会优先获得更多的算力资源，而存储密集型任务则会获得更多的存储资源，生成的动态资源需求表将为下一步的跨业务优先级决策提供输入数[0067]步骤S206,基于动态资源需求表及存储迁移触发指令，构建跨业务优先级权重矩[0068]其中，可通过构建资源竞争图，确定业务任务之间的优先级关系，进而为每个任务分配优先级。具体地，任务作为图的节点，任务之间的资源需求重叠度作为边的权重，可通过图神经网络(GNN)对任务之间的关联性进行建模，系统能够提取任务的关联特征，并根据这些特征计算出任务的初始优先级评分。然后，系统会根据资源分配比例调整指令及初始优先级评分，计算归一化的优先级权重矩阵，确保高优先级任务获得更多的资源。[0069]可以理解的是，通过优先级矩阵的生成，能够确保系统合理分配资源，优先处理重要任务。通过图神经网络对任务间的关系建模，能够有效提高资源调度的准确性和公平性，减少资源竞争和任务延迟。[0070]上述实施方式中，基于强化学习的动态资源调度与优先级决策方法，能够自动化、智能化地处理多业务系统中的资源分配问题。通过结合实时资源池状态、时序预测数据以及强化学习算法，系统能够灵活适应业务负载的变化，并做出高效、精准的资源调度决策。[0071]参照图3,作为步骤S206的一种实施方式，在基于动态资源需求表及存储迁移触发指令，构建跨业务优先级权重矩阵的步骤之步骤S301,将动态资源需求表及跨业务优先级权重矩阵输入数字孪生模拟环境，生成模拟调度结果；其中，系统将通过数字孪生模拟环境对调度策略进行验证，数字孪生是一种虚拟模型，它可以反映物理世界中系统的状态和行为。在本申请实施例中，数字孪生模拟环境能够精确地模拟实际系统中的资源分配、任务调度、存储管理等操作，通过输入动态资源需求表和跨业务优先级权重矩阵，系统可以生成模拟调度结果。[0072]可以理解的是，数字孪生模拟环境的核心优势在于其高效的仿真能力，可以在虚拟环境中模拟各种复杂的资源调度场景，以预测实际系统中可能遇到的各种情况。通过模拟调度，系统可以测试不同调度决策在实际操作中的效果，及时发现潜在问题，并避免在实际生产环境中进行直接的操作测试。模拟结果通常包括了资源的使用情况、任务的完成时[0073]示例性地，假设系统在模拟环境中测试两种不同的资源分配策略。一种是将更多资源分配给高优先级业务，另一种是均匀分配资源给所有业务。通过数字孪生模拟，系统可以观察到哪种策略在实际执行中能够提高资源利用率和任务的完成速度。[0074]步骤S302,根据实际调度结果与模拟调度结果的误差率，触发增量学习模块更新强化学习代理的策略网络参数。[0075]其中，系统通过比较实际调度结果与模拟调度结果的误差率，来判断当前的调度策略是否最优。如果实际调度结果与模拟调度结果之间的误差较大，则可能表明当前的调度策略需要进行调整。此时，系统会触发增量学习模块，更新强化学习代理的策略网络参[0076]具体地，增量学习是一种在已有知识基础上逐步优化学习模型的过程，而不会丢失之前学习到的知识。通过增量学习，强化学习代理可以在实际运行过程中根据新获得的数据逐步优化其决策策略。通过这种方式，系统能够不断自我优化，提高决策的准确性和效[0077]示例性地，如果系统在模拟环境中测试某一资源分配策略，模拟结果显示高优先级任务得到了预期的资源分配，并顺利完成。然而，在实际调度中，系统可能由于某些不可预见的因素导致高优先级任务延迟。这时，通过误差率的比较，系统会发现模拟和实际结果之间的差距，并触发增量学习模块来调整策略网络参数，使得系统能够更加适应实际运行中的变化。[0078]上述实施方式中，将动态资源需求表与跨业务优先级权重矩阵输入数字孪生模拟环境进行仿真，并根据实际调度结果与模拟调度结果的误差率触发增量学习模块进行策略优化，进一步强化了系统在多业务环境中的智能调度能力。数字孪生模拟的使用，使得系统能够在虚拟环境中测试和验证各种调度策略，从而避免了在生产环境中出现不可预见的错误。通过增量学习模块，系统能够在实际运行过程中根据新的数据不断优化决策策略，确保在各种复杂的业务场景中，资源调度始终能够满足高效性和灵活性需求。整体技术方案能够显著提高资源利用率、减少任务延迟，提升系统稳定性和整体性能，适应不断变化的多业[0079]作为步骤S105的一种实施方式，基于业务类型初始化调度策略规则库中的预设规则包括：当业务类型为实时任务时，配置抢占式调度规则及存储带宽预留阈值；或，当业务类型为离线任务时，配置弹性资源池分配规则及冷数据存储迁移策略。[0080]在本申请实施例中，对于实时任务，由于其对响应时间的要求较高，可能会涉及到资源的抢占式调度。例如，如果系统正在处理多个任务时，实时任务的计算优先级高于其他任务，系统会抢占并优先分配计算资源。与此同时，实时任务对带宽的需求也较为严格，因此在初始化调度策略时，会为实时任务配置带宽预留阈值，确保其在执行过程中不会因带宽不足而影响任务的实时性。[0081]而与实时任务不同，离线任务的实时性要求较低，因此可以使用弹性资源池分配规则来更有效地利用空闲资源。离线任务可以在非高峰时段处理，并且任务完成后的数据不需要立即响应。冷数据的存储迁移策略是为了确保离线任务的数据在系统中得到合理的存储和迁移，减少对在线存储的占用，同时提高系统的资源利用率。[0082]上述实施方式中，结合实时任务和离线任务的不同需求，为每种任务类型制定了定制化的调度规则。实时任务采用抢占式调度规则和带宽预留策略，保证了其在高负载下的优先执行；离线任务则通过弹性资源池和冷数据迁移策略优化了资源的利用率。系统的调度策略库不仅在初期根据业务需求进行初始化，在后续的每个调度周期中还会根据反馈信息进行动态调整，确保策略始终符合当前资源和业务需求。[0083]参照图4,作为步骤S106的一种实施方式，基于预设规则和资源池拓扑信息，根据动态资源需求表和跨业务优先级权重矩阵，通过混合调度算法生成任务分配方案的步骤包步骤S401,获取动态资源需求表、跨业务优先级权重矩阵、资源池拓扑信息及预设其中，动态资源需求表包含任务对计算、存储、带宽等资源的需求信息；跨业务优先级权重矩阵反映不同业务的优先级，能够帮助系统在多个任务之间做出合理的资源分配决策；资源池拓扑信息描述了计算和存储资源节点之间的连接关系，能够帮助优化任务分配时的数据传输路径；预设规则包括抢占策略、存储亲和性规则和SLA约束等，这些规则规定了任务调度时的优先级及其他约束。[0084]步骤S402,对动态资源需求表进行时间窗口切分和归一化处理，生成标准化资源需求时序切片；其中，通过将资源需求表进行时间切分，将任务的资源需求分为多个时间窗口，通常是固定时长的切片。每个时间窗口中的需求值进行归一化处理，确保不同时间段的数据可以统一比较和处理。[0085]示例性地，假设一个任务在某些时间段内需要大量的带宽，而在其他时间段内需求较少。通过时间切分，可以明确任务在不同时间段内的资源需求，并进行归一化处理，如将带宽需求值归一化至[0,1]区间，便于后续的计算和比较。[0086]步骤S403,基于资源池拓扑信息构建带权有向图，生成拓扑图结构文件；其中，通过资源池的拓扑信息，构建一个带权有向图。图的节点代表不同的资源节点，边的权重代表节点间的通信延迟、带宽剩余率和存储迁移耗时等因素，这个图结构文件将用于后续的任务调度决策。[0087]示例性地，假设系统中有计算节点A、B和存储节点C。节点A与节点B之间的通信延迟较低，带宽较大，因此它们之间的边权重较小。而节点A与节点C之间的迁移延迟较高，带[0088]可以理解的是，带权有向图为后续调度决策提供了网络结构的视角，使得任务调度能够考虑到资源节点间的通信成本和迁移代价，从而实现更加精细的资源分配。[0089]步骤S404,根据预设规则对标准化资源需求时序切片进行分类加权；其中，根据预设规则对标准化的资源需求时序切片进行分类加权。每种规则(如抢占策略、存储亲和性、SLA约束)都会根据不同的任务需求和业务优先级分配不同的权重而影响任务的优先级和资源分配。[0090]示例性地，对于实时任务，抢占策略可能会被赋予较高的权重，而存储亲和性规则可能对某些任务影响较小。对于离线任务，存储亲和性规则的权重可能较高，以便优化数据迁移路径。[0091]步骤S405,结合跨业务优先级权重矩阵和拓扑图结构文件，计算任务与节点的匹配度评分，生成候选节点评分表及规则冲突标记列表；其中，通过结合跨业务优先级权重矩阵和拓扑图结构文件，计算每个任务与资源节点的匹配度评分。该评分反映了任务在某个节点上执行的适宜度，基于任务的优先级、资务要求抢占资源，但该节点已有高优先级任务时，就可能出现规则冲突。[0092]示例性地，如果一个高优先级的实时任务需要在节点A上执行，但节点A已有一个低优先级的任务在运行，那么计算出的匹配度评分可能较低。同时，系统会标记出规则冲[0093]步骤S406,基于候选节点评分表和规则冲突标记列表，通过启发式算法生成最终的任务分配方案。[0094]其中，基于候选节点评分表，利用启发式算法生成初步的任务分配方案，启发式算法通常根据任务优先级、节点适配度、资源利用率等因素，选择最佳的任务分配方案。具体地，启发式算法可以为改进型遗传算法，其染色体编码包含任务ID、目标节点ID及资源配[0095]示例性地，假设系统有多个节点A、B和C,以及多个任务T1、T2和T3,启发式算法会基于各任务与节点的匹配度评分，优先将任务T1分配给节点A,而任务T2和T3可能会被分配给节点B和C。[0096]上述实施方式中，系统能够在动态资源需求和业务优先级变化的情况下，高效地分配任务和资源，优化系统性能，最终实现了精确的任务调度和资源利用，确保了多维度资源的高效协同和动态适应。[0097]参照图5,作为步骤S406的一种实施方式，基于候选节点评分表和规则冲突标记列表，通过启发式算法生成最终的任务分配方案的步骤包括：步骤S501,获取候选节点评分表、规则冲突标记列表及资源池拓扑信息；其中，候选节点评分表包含各任务与资源节点之间的匹配度评分，帮助决定任务是否适合在特定节点上执行。规则冲突标记列表列出了所有可能存在规则冲突的节点组合，例如，抢占策略与负载均衡规则之间可能发生冲突的节点。资源池拓扑信息用于描述资源池中各节点的布局，包括节点间的通信延迟、带宽等信息，用于后续T1和B存在冲突(因为节点B已被其他高优先级任务占用),资源池拓扑信息提供了各节点之间的通信延迟及带宽。[0099]步骤S502,根据候选节点评分表为每个任务筛选可分配节点白名单，排除规则冲突标记列表中的非法节点组合；其中，系统基于候选节点评分表为每个任务筛选出可分配的节点白名单，排除那些存在规则冲突的节点组合。规则冲突标记列表会指示哪些节点组合是不可用的，通常这些组合是因为存在任务冲突、资源约束或优先级问题。[0101]步骤S503,基于可分配节点白名单构建初始种群集合；其中，每个种群个体采用染色体编码表示任务分配方案；具体地，系统构建初始种群集合，并且每个种群个体代表一个任务分配方案。每个种群个体的染色体编码包含任务ID、目标节点ID以及资源配额等信息，表示任务到节点的映射及资源分配。个体表示任务T1分配给节点A、任务T2分配给节点B,另一个种群个体表示任务T1分配给节[0103]步骤S504,基于候选节点评分表和资源池拓扑信息中的通信延迟参数及节点负载其中，适应度函数是衡量任务分配方案好坏的关键。在该步骤中，系统构建一个多目标适应度函数，结合候选节点评分、通信延迟、节点负载等多个因素来评估每个任务分配方案的效果。[0104]具体地，多个目标可能包括：任务与节点的匹配度(通过候选节点评分表计算)、通信成本(计算资源节点间的数据传输延迟)和负载均衡(基于各节点的资源占用情况评估负载是否均匀)。[0105]步骤S505,根据实时资源池状态数据动态调整多目标适应度函数中每个优化目标的权重系数；其中，根据实时资源池的状态(如节点负载、带宽、通信延迟等),动态调整适应度函数中各个目标的权重。例如，当系统负载较高时，负载均衡可能会获得更高的权重，而在将负载均衡的权重提高，以鼓励将更多任务分配给其他负载较低的节点。[0106]步骤S506,对初始种群集合执行锦标赛选择操作，生成父代种群；其中，锦标赛选择操作是一种常见的遗传算法选择方法，系统会在初始种群中随机选择若干个体进行竞争，选择适应度较高的个体作为父代种群，确保在遗传过程中优良的个体能够传递给下一代。示例性地，假设初始种群中有多个任务分配方案，系统会随机选择若干方案，计算其适应度，然后选出适应度最高的个体作为父代。[0107]步骤S507,基于资源池拓扑信息中的通信路径表，对父代种群中的父代染色体进行拓扑感知交叉操作，生成子代种群；其中，拓扑感知交叉操作是在遗传算法中对父代染色体进行交叉操作，生成新的子代个体。交叉操作基于资源池拓扑信息中的通信路径，以确保交叉后的任务分配方案在网络上更加优化，减少通信延迟和资源冲突。[0108]示例性地，若父代染色体分别代表任务T1分配到节点A和任务T2分配到节点B,交叉后可能生成任务T1分配到节点B和任务T2分配到节点A的方案，基于通信延迟优化。[0109]步骤S508,根据种群多样性评估结果动态调整变异率，对子代种群中的子代染色体执行基于候选节点评分表的概率变异；其中，变异操作是遗传算法中的一项重要操作，用于维持种群的多样性。根据种群的多样性评估，系统动态调整变异率，确保在一定程度上引入新的基因，从而避免算法陷入局部最优解。变异操作会基于候选节点评分表对子代个体进行变异。例如，若任务T1当前分配到节点A,变异操作可能将任务T1分配到匹配度更高的节点B。[0110]步骤S509,对适应度评分高于预设阈值的染色体执行局部搜索优化；具体地，当某些子代个体的适应度评分较高时，系统将对这些个体进行局部搜索优化，局部搜索优化通过细化任务分配方案，进一步提高适应度。例如，对于适应度较高的染色体，局部搜索可能会通过调整某些任务的分配节点来进一步减少通信延迟，优化负载[0111]步骤S510,从父代种群与子代种群中筛选适应度最优的个体组成精英种群；其中，精英策略保留适应度最高的个体，将其保留在精英种群中。这样，最优秀的任务分配方案不会因为遗传操作而丢失，有助于加速算法收敛。[0112]步骤S511,当满足收敛条件时，将精英种群中适应度最高的染色体解码为最终的任务分配方案。[0113]其中，当遗传算法收敛时(即连续N轮迭代中精英种群的适应度提升低于阈值，或达到最大迭代次数),系统将精英种群中适应度最高的个体解码为最终的任务分配方案。经过多代优化后，精英种群中的适应度最高个体代表了最优的任务分配方案。[0114]上述实施方式中，基于启发式算法和遗传算法的结合，实现了对任务分配方案的全局优化，提高了任务分配的效率和质量，最终能够生成最优的任务分配方案，确保系统资[0115]参照图6,作为步骤S110的一种实施方式，基于资源池最新状态快照及调度失败案例库，更新时序预测模型的权重参数和调度策略规则库，得到更新后的策略版本的步骤包步骤S601,根据资源池最新状态快照，得到节点负载率、存储分布状态及任务执行示例性地，假设有三个节点(A、B、C),其中节点A负载率为85%,节点B为60%,节点C为92%。存储资源分布状态显示，节点A的存储资源使用率为50%,节点B为70%,节点C则几乎达到满负荷。任务执行进度表显示，任务T1在节点A上进度为40%,任务T2在节点B上进度为[0116]步骤S602,对节点负载率进行动态归一化处理，生成标准化负载率矩阵；具体地，节点负载率的动态归一化处理确保了不同节点负载的可比性。通过归一化方法(例如使用滑动窗口法或其他标准化技术),将各节点负载率转换为标准化值，使得不同节点之间的负载能够统一比较。标准化后的负载率矩阵为后续的调度优化提供了统一负载率转换为0.85、0.60和0.92,这些值可以直接用于比较节点负载的高低。[0117]步骤S603,对存储分布状态进行拓扑建模，生成存储资源分布热力图；其中，存储资源的分布情况对任务调度和数据迁移有重要影响。通过拓扑建模，系统可以对资源池中存储资源的使用情况进行可视化表示，生成存储资源分布热力图。热力图通过颜色深浅表示存储资源的使用强度，便于快速识别存储资源的瓶颈。[0118]示例性地，在存储资源分布热力图中，节点A的存储使用率为50%,显示为绿色；节点B使用率为70%,显示为黄色；节点C几乎满载(90%),显示为红色。通过热力图即可直观地看到存储资源分布的情况，便于后续的优化决策。[0119]步骤S604,对任务执行进度进行时间序列对齐，生成任务进度时序表；其中，任务的执行进度是动态变化的，任务进度时序表通过对多个任务的进度数据进行时间序列对齐，能够统一表示各任务在不同时间点的执行进度，系统即可在相同时间轴上评估不同任务的状态，进行跨任务的资源调度。些任务在每个时间点的执行进度数据。[0121]步骤S605,基于标准化负载率矩阵和任务进度时序表，对时序预测模型进行增量其中，通过标准化负载率矩阵和任务进度时序表，系统对现有时序预测模型进行增量训练，更新模型的权重参数。增量训练是一种基于新数据不断优化现有模型的方法，能够更准确地预测未来任务的资源需求和系统负载。[0122]示例性地，假设在时间点t1,节点A的负载为0.85,任务T1的进度为30%。模型通过增量训练会更新权重参数，以更准确地预测下一时间点任务的执行进度和节点负载。[0123]步骤S606,根据存储资源分布热力图动态调整时序预测模型的损失函数中的存储具体地，存储资源的状态直接影响任务的存储需求和数据迁移路径。因此，在时序预测模型的训练过程中，基于存储资源分布热力图，动态调整模型损失函数中的存储约束权重。例如，当某个存储节点的使用率过高时，模型将增加相应的存储约束权重，以减少该节点的负载。[0124]步骤S607,结合任务进度时序表和调度失败案例库，检测调度策略规则库中与任务执行进度矛盾的冲突规则；其中，通过任务进度时序表和调度失败案例库，系统可以检测现有调度策略规则库中与任务执行进度不符的冲突规则。这些冲突规则可能是由于某些任务未按预期执行或资源分配不合理所引起的。[0125]步骤S608,对冲突规则进行条件阈值重校准及执行优先级动态排序，生成优化后的调度策略规则库；具体地，当检测到调度规则冲突后，系统会对相关规则进行条件阈值的重校准，并动态调整规则的优先级。这一调整过程确保了调度规则能够在不断变化的系统状态下，保持最优化的执行。[0126]例如，假设某规则规定任务T1必须在负载不超过80%的节点上执行，但实际情况是节点A的负载超过