针对云计算环境下传统负载均衡方法难以对蕴含在历史数据中的流量信息进行知识分析与智能利用问题,提出一种基于AI知识分析的云平台负载智能均衡方法LSTM-TD3 (Long Short Term Memory and Twin Delayed Deep Deterministic policy grad...针对云计算环境下传统负载均衡方法难以对蕴含在历史数据中的流量信息进行知识分析与智能利用问题,提出一种基于AI知识分析的云平台负载智能均衡方法LSTM-TD3 (Long Short Term Memory and Twin Delayed Deep Deterministic policy gradient algorithm)。LSTM-TD3以资源利用率、服务器连接数、响应时间、请求历史数据等为知识参数输入,首先通过LSTM进行任务数预测建模;紧接着以初始化预测数据强化学习模型TD3,形成基于AI分析与评估的优化负载均衡计算模型;最后通过实际训练以及仿真实验对LSTM-TD3的负载均衡效果进行验证测试。实验结果表明,相比传统的无负载均衡、轮询算法、Q-learning和TD3算法等云环境负载均衡方法,LSTM-TD3负载均衡性能分别提高25.4%,6.41%,3.56%和2.85%,能达到更好的资源负载均衡效果,资源利用率更高。展开更多
文摘针对云计算环境下传统负载均衡方法难以对蕴含在历史数据中的流量信息进行知识分析与智能利用问题,提出一种基于AI知识分析的云平台负载智能均衡方法LSTM-TD3 (Long Short Term Memory and Twin Delayed Deep Deterministic policy gradient algorithm)。LSTM-TD3以资源利用率、服务器连接数、响应时间、请求历史数据等为知识参数输入,首先通过LSTM进行任务数预测建模;紧接着以初始化预测数据强化学习模型TD3,形成基于AI分析与评估的优化负载均衡计算模型;最后通过实际训练以及仿真实验对LSTM-TD3的负载均衡效果进行验证测试。实验结果表明,相比传统的无负载均衡、轮询算法、Q-learning和TD3算法等云环境负载均衡方法,LSTM-TD3负载均衡性能分别提高25.4%,6.41%,3.56%和2.85%,能达到更好的资源负载均衡效果,资源利用率更高。
