基于深度学习的数据中心虚拟化资源动态调度算法

肖仁锋

doi:10.16009/j.issn.1009-5624.2026.11.020

信息记录材料 ›› 2026, Vol. 27 ›› Issue (11) : 61 -63. DOI: 10.16009/j.issn.1009-5624.2026.11.020

基于深度学习的数据中心虚拟化资源动态调度算法

肖仁锋

作者信息 +

Author information +

文章历史 +

摘要

针对数据中心虚拟化环境里资源需求动态波动、多维约束耦合下的资源调度难题，本文提出融合深度确定性策略梯度(DDPG)和长短期记忆(LSTM)网络的资源动态调度算法。通过构建状态感知、负载预测和调度决策三层架构，实现资源需求的精准预测与调度策略的自适应优化；设计包含综合资源利用率、能耗和服务质量(SLA)的多目标奖励函数。实验结果表明，所提算法的资源利用率、SLA违约率分别达到81.7%和2.3%,与首次适应算法相比能耗降低26.3%,显著优于传统算法，且在突发流量场景和混合负载场景下，资源利用率分别达到79.4%和80.9%,响应时间分别为2.5 s和3.1 s,展现出优异的自适应能力。