多客户环境下IT运维资源调度模型研究

王承涛，黄亮，谢超，徐佳，陈飞

（武汉问道信息技术有限公司，武汉 430000）

引言

随着智慧IT资源信息管理技术的发展，需要建立多客户环境下IT运维资源管理模型，采用数据特征分析方法，进行多客户环境下IT运维资源调度，提高多客户环境下IT运维资源的管理和模糊信息检索能力，在网络组网环境下，进行多客户环境下IT运维资源调度[1]，采用模糊信息聚类方法，提取多客户环境下IT运维资源的分布式特征量，通过模糊信息挖掘和特征聚类分析，实现多客户环境下IT运维资源调度，相关的多客户环境下IT运维资源调度方法研究受到人们的极大关注[2]。

对多客户环境下IT运维资源调度是建立在数据挖掘基础上，提取多客户环境下IT运维资源的模糊相关特征集，通过特征参数匹配方法，实现多客户环境下IT运维资源调度和检测[3]，本文提出基于深度学习的多客户环境下IT运维资源调度模型。构建多客户环境下IT运维资源的大数据挖掘模型，采用模糊特征检测方法进行多客户环境下IT运维资源的特征挖掘[4]，提取多客户环境下IT运维资源的关联规则集，通过模糊关联规则调度方法进行多客户环境下IT运维资源的特征分解和优化提取，提取数据的递归熵特征量，采用层次化演化聚类方法进行多客户环境下IT运维资源的自适应分块匹配，结合深度学习方法，实现多客户环境下IT运维资源调度和优化检索。最后进行仿真测试分析，展示了本文方法在提高多客户环境下IT运维资源调度性能方面的可行性。

1 多客户环境下IT运维资源分布存储及大数据挖掘

1.1 多客户环境下IT运维资源的存储分析

为了实现多客户环境下IT运维资源调度，结合模糊特征聚类分析方法进行多客户环境下IT运维资源的统计分析，实现对多客户环境下IT运维资源信息处理，建立优化的数据库检索模型，提高多客户环境下IT运维资源访问和调度能力，需要构建多客户环境下IT运维资源的存储结构模型，根据多客户环境下IT运维资源库的存储特征进行信息聚类，建立多客户环境下IT运维资源的分布式结构匹配模型[5]，客户环境下IT运维资源的存储结构模型如图1所示。

图1 多客户环境下IT运维资源存储结构

根据图1所示的多客户环境下IT运维资源存储分布，进行数据的模糊信息聚类，建立多客户环境下IT运维资源码元分布序列，采用层次化融合方法，进行资源优化调度和检索，提取多客户环境下IT运维资源的关联信息[6]，把多客户环境下IT运维资源通过多维空间重组方法聚焦到特征空间中[5]，得到多客户环境下IT运维资源的分布时间序列多客户环境下IT运维资源的空间聚类模型定义为：

计算多客户环境下IT运维资源的模糊聚类特征系数，定义为：

通过模糊度寻优方法，进行多客户环境下IT运维资源信息的存优化设计[7]，提高多客户环境下IT运维资源的调度和检索能力。

1.2 资源大数据挖掘

采用模糊特征检测方法进行多客户环境下IT运维资源的特征挖掘，提取多客户环境下IT运维资源的关联规则特征量[8]，进行数据模糊度匹配，得到多客户环境下IT运维资源的关联规则集定义为：

式中：

dm+1(m)—多客户环境下IT运维资源集在第m点的预测值；

dk+1(m)—采用第m点处采集的多客户环境下IT运维资源的模糊性特征量。

根据上述分析，实现多客户环境下IT运维资源数据的存储结构优化重组[9]。

通过挖掘多客户环境下IT运维资源集统计的属性特征，实现多客户环境下IT运维资源集统计的调度[10]，采用统计分析方法，建立多客户环境下IT运维资源的关联规则分布矩阵的计算式定义为：

式中：

wij—第i个采样节点挖掘道德多客户环境下IT运维资源挖的模糊隶属度函数。

结合全局加权分析的方法，构建多客户环境下IT运维资源的特征提取模型，在运维管理节点i处，采集到的多客户环境下IT运维资源数码元序列表示为其中t表示为多客户环境下IT运维资源的编号数目，wij为多客户环境下IT运维资源挖掘的加权系数，结合语义特征分析方法，建立多客户环境下IT运维资源挖掘的模糊语义特征规则分析模型，得到多客户环境下IT运维资源的自适应加权系数为：

其中，maxlFreqi,j为运维管理节点dj之间检测到的多客户环境下IT运维资源的模糊度辨识特征量为：

式中

其中，di和dj为多客户环境下IT运维资源调度的相似度属性，采用模糊聚类方法，进行多客户环境下IT运维资源挖掘，提高数据调度的稳定性[11]。

2 资源调度模型优化

2.1 特征提取和聚类分析

在构建多客户环境下IT运维资源的大数据挖掘模型，采用模糊特征检测方法进行多客户环境下IT运维资源的特征挖掘的基础上，进行资源调度模型的优化设计，本文提出基于深度学习的多客户IT运维管理调度模型，模糊特征检测的迭代计算式为：

采用统计信息分析方法，建立多客户环境下IT运维资源挖掘的模糊特征分布集，得到：

其中：

式中，NB为资源分布回归分析特征量，结合模糊度寻优方法，分析运维管理的维数，NS为模糊域S中的模糊度特征量。提取多客户环境下IT运维资源的关联规则集[12]，通过模糊关联规则调度方法进行多客户环境下IT运维资源的特征分解，构建了多客户环境下IT运维资源的融合聚类模型，提高资源信息聚类分析能力。

2.2 资源分布式调度

基于量化回归分析方法，建立多客户环境下IT运维资源调度模型， 根据多客户环境下IT运维资源的特征提取结果进行模糊聚类[13]，得到特征聚类的分块匹配函数为：

式中：

Mi—多客户环境下IT运维资源调度的递归熵分布中位数；

Lm—最小阈值；

fm—多客户环境下IT运维资源的中位数；

fless—最小采样时间间隔。

构建多客户环境下IT运维资源的定量递归分析模型，得到统计分析特征函数为：

在决策树模型下，采用自适应寻优方法，进行多客户环境下IT运维资源调度，在最小二叉树分析模型下[14]，得到资源调度的最佳自适应加权学习式为：

式中：

z0—多客户环境下IT运维资源的关联估计值；

zi—i点处采集的多客户环境下IT运维资源的实测值；

di—数据调度点i和点0的距离；

S—多客户环境下IT运维资源调度的统计特征量。

使用模糊相关性匹配方法[15]，得到多客户环境下IT运维资源的优化调度的模糊统计特征量为：

其中，xi∈ωk，采用模糊特征检测方法进行多客户环境下IT运维资源的特征挖掘，提取多客户环境下IT运维资源的关联规则集，资源数据属性调度的类别特征量S(t)，在最佳寻优模式下，得到资源优化调度的相关性特征量：

当满足收敛条件||C(l)－C(l－1)||＜ξ，则中止程序，实现资源调度优化。

3 仿真实验与结果分析

为了验证本文方法在实现多客户环境下IT运维资源调度中的应用性能，进行仿真测试分析，采用Matlab进行多客户环境下IT运维资源调度的算法处理，多客户环境下IT运维管理节点数为1 200，汇聚树路由转发的嵌入维数为5，IT运维管理资源调度的分布式时间采样延迟为1.69 ms，数据存储的根节点数为36，多客户环境下IT运维资源的属性类别数为8，资源调度的终止采样频率f2=2.3Hz，根据上述参数设定，进行多客户环境下IT运维资源采样和调度优化，得到原始的多客户环境下IT运维资源分布如图2所示。

以图2的数据为研究对象，采用模糊特征检测方法进行多客户环境下IT运维资源的特征挖掘，提取多客户环境下IT运维资源的关联规则集，实现资源优化调度，在不同的迭代步数下，得到资源调度的分布直方图如图3所示。

分析图3在，本文方法能有效实现对多客户环境下IT运维资源的调度，抗干扰性较好。测试不同方法进行多客户环境下IT运维资源调度的准确性，得到对比结果见表1，分析表1结果得知，本文方法进行多客户环境下IT运维资源调度的准确概率较高。

图2 多客户环境下IT运维资源

4 结语

进行多客户环境下IT运维资源调度，提高多客户环境下IT运维资源的管理和模糊信息检索能力，在网络组网环境下，进行多客户环境下IT运维资源调度，本文提出基于深度学习的多客户环境下IT运维资源调度模型。构建多客户环境下IT运维资源的大数据挖掘模型，采用模糊特征检测方法进行多客户环境下IT运维资源的特征挖掘，提取多客户环境下IT运维资源的关联规则集，通过模糊关联规则调度方法进行多客户环境下IT运维资源的特征分解和优化提取，实现资源调度优化。分析得知，本文方法进行多客户环境下IT运维资源角度的准确性较高。

图3 多客户环境下IT运维资源递调度输出

表1 多客户环境下IT运维资源调度的准确概率对比