买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国地质大学(北京)申请的专利一种数据流模式感知的流应用节点调度方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118590456B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410632807.0，技术领域涉及：H04L47/76；该发明授权一种数据流模式感知的流应用节点调度方法及系统是由孙大为;张宁设计研发完成，并于2024-05-21向国家知识产权局提交的专利申请。

本一种数据流模式感知的流应用节点调度方法及系统在说明书摘要公布了：本发明提供一种数据流模式感知的流应用节点调度方法，涉及分布式流计算技术领域。所述一种数据流模式感知的流应用节点调度方法由指标监控节点、预测节点、初始调度节点以及自适应度节点实现；指标监控节点收集拓扑的指标数据；根据拓扑的指标数据对LSTM神经网络模型进行训练，获得系统拓扑的总延迟和算子负载；将数据处理任务上传到分布式流计算系统，采用启发式装箱算法，进行初始调度，确定拓扑算子放置方案；采用贪心算法以及马尔可夫迭代过程，对深度强化学习模型进行训练，生成新的调度方案。采用本发明，提高分布式流计算系统的吞吐量，降低延迟以及提高负载的稳定性。

本发明授权一种数据流模式感知的流应用节点调度方法及系统在权利要求书中公布了：1.一种数据流模式感知的流应用节点调度方法，其特征在于，所述数据流模式感知的流应用节点调度方法由分布式流计算系统的结构中的指标监控节点、预测节点、初始调度节点以及自适应调度节点实现；所述方法包括：S1、所述指标监控节点从所述分布式流计算系统中的Nimbus组件中，收集拓扑的指标数据；S2、所述指标监控节点将所述拓扑的指标数据传输至所述预测节点中，所述预测节点根据拓扑的指标数据，对初始的LSTM神经网络模型进行训练，获得训练好的LSTM神经网络模型；其中，所述S2的LSTM神经网络模型，用于拟合数据流、算子分配以及分布式流计算系统性能之间的关系；所述LSTM神经网络模型包括：输入层、输出层以及隐藏层；其中，所述输入层为输入数据速率和拓扑各节点分配状态；所述输出层包含多个算子的延迟和负载；所述隐藏层共有三层，包含两层RNN节点以及一层密集连接层；S3、当所述分布式流计算系统接收数据处理任务时，所述初始调度节点通过启发式装箱算法，对数据处理任务进行初始调度，获得数据流速率和拓扑算子放置方案；其中，所述S3的通过启发式装箱算法，对数据处理任务进行初始调度，获得数据流速率和拓扑算子放置方案，包括：S31、对异构集群中的每个节点进行资源评估；根据每个节点的运算能力、内存大小以及网络延迟进行多目标快速非支配排序；对于处于同一帕累托前沿的节点，按照运算能力、内存大小以及网络延迟在分别排序；S32、对集群中的计算节点进行打标，将节点分配为CPU型和内存型；S33、根据CPU型以及内存型，对拓扑算子进行拓扑排序，按照排序顺序放置算子实例，获得获得数据流速率和拓扑算子放置方案；S4、所述初始调度节点将所述数据流速率和拓扑算子放置方案传输至所述预测节点中，所述预测节点通过所述训练好的LSTM神经网络模型，获得所述分布式流计算系统的拓扑的总延迟和算子负载；S5、所述预测节点将所述分布式流计算系统的拓扑的总延迟和算子负载传输至所述自适应调度节点中，所述自适应调度节点通过采用贪心算法以及马尔可夫迭代过程，对所述自适应调度节点中初始的深度强化学习模型进行训练，获得训练好的深度强化学习模型；其中，所述S5的采用贪心算法以及马尔可夫迭代过程，对所述自适应调度节点中初始的深度强化学习模型进行训练，获得训练好的深度强化学习模型，包括：S51、建立马尔克夫，根据流计算的调度特点设计状态空间、动作空间、奖励函数以及智能体；S52、根据状态空间、动作空间、奖励函数以及智能体，采用贪心算法以及softmax函数相结合的方法，选择最优的动作；根据最优动作对初始的深度强化学习模型进行训练，获得训练好的深度强化学习模型；S6、当所述预测节点预测到所述分布式流计算系统的拓扑的指标数据下降时，所述预测节点将所述数据流速率和拓扑算子放置方案传输至所述自适应调度节点中，所述自适应调度节点通过所述训练好的深度强化学习模型，生成新的调度方案。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国地质大学(北京)，其通讯地址为：100083 北京市海淀区学院路29号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。