为解决AI并发数据流中计算节点负载失衡问题,本文利用数据流的周期性特征,提出了一种基于负载阈值的双模态负载均衡算法。在低负载场景下,采用基于优劣解距离法(Technique for Order Perference by similarity to Ideal Solution,TOPSIS...为解决AI并发数据流中计算节点负载失衡问题,本文利用数据流的周期性特征,提出了一种基于负载阈值的双模态负载均衡算法。在低负载场景下,采用基于优劣解距离法(Technique for Order Perference by similarity to Ideal Solution,TOPSIS)的静态分配算法,通过整合CPU利用率、内存占用率、网络带宽等关键指标,量化计算节点的静态性能,并依据此量化结果进行数据流分配,同时还确定了触发动态策略的负载转换阈值;在高负载场景下,启用基于改进遗传算法的动态优化算法:通过引入迭代状态自适应的概率操作机制,动态调整交叉概率与变异概率,构建了以计算节点集群的负载均衡度和平均总时延为优化目标的效用函数模型。实验结果表明,基于负载阈值的双模态负载均衡算法显著提升了计算节点间的负载均衡性,并优化了系统整体性能。展开更多
文摘为解决AI并发数据流中计算节点负载失衡问题,本文利用数据流的周期性特征,提出了一种基于负载阈值的双模态负载均衡算法。在低负载场景下,采用基于优劣解距离法(Technique for Order Perference by similarity to Ideal Solution,TOPSIS)的静态分配算法,通过整合CPU利用率、内存占用率、网络带宽等关键指标,量化计算节点的静态性能,并依据此量化结果进行数据流分配,同时还确定了触发动态策略的负载转换阈值;在高负载场景下,启用基于改进遗传算法的动态优化算法:通过引入迭代状态自适应的概率操作机制,动态调整交叉概率与变异概率,构建了以计算节点集群的负载均衡度和平均总时延为优化目标的效用函数模型。实验结果表明,基于负载阈值的双模态负载均衡算法显著提升了计算节点间的负载均衡性,并优化了系统整体性能。
