(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210922020.9 (22)申请日 2022.08.02 (71)申请人 渝州大数据实验室 地址 400000 重庆市九龙坡区九滨路9号 (72)发明人 何晓晔　郭长国　董富强　何山　 靳纯照　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 吕爱霞 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于 K-Means聚类算法的任务智能分配 方法 (57)摘要 本申请提供一种基于K ‑Means聚类算法的任 务智能分配方法， 包括： 获取每一任务关联的不 同类型的插件 出现的频率， 并将所有任务关联的 不同类型的插件 出现的频率形成数据样本； 利用 K均值算法， 将数据样本划分为k个任务簇； 将k个 任务簇和k个执行器进行匹配， 使任务簇和执行 器一一对应。 本实施例通过对任务进行聚类， 使 得任一任务都能对应找到k个执行器中资源匹配 的一个执行器， 从而， 能够利用更小的资源并以 更高的效率 来执行任务。 权利要求书2页 说明书9页 附图3页 CN 115269153 A 2022.11.01 CN 115269153 A 1.一种基于K ‑Means聚类算法的任务智能分配方法， 其特 征在于， 包括： 获取每一任务关联的不同类型的插件出现的频率， 并将所有任务关联的不同类型的插 件出现的频率形成数据样本； 利用K均值 算法， 将所述数据样本划分为 k个任务簇； 将k个任务簇和k个执 行器进行匹配， 使任务簇和执 行器一一对应。 2.如权利要求1所述的方法， 其特征在于， 所述任务的插件分为m个预设维度的类型， 所 述预设维度的类型包括加载 型、 存入型、 网络型、 变换 型、 计算型、 命令型和质控型。 3.如权利要求2所述的方法， 其特征在于， 所述利用K均值算法， 将所述数据样本划分为 k个任务簇， 包括： 初始化k个不同的簇中心， 对当前的k个簇中心， 根据距离最短原则将所述数据样本划分为 k个簇； 对划分出的k个簇 重新计算簇中心， 得到计算的k个簇中心： 判断计算的k个簇中心是否和当前的k个簇中心相同； 若不相同， 则将计算的k个簇 中心重新作为当前的k个簇中心， 重复上述步骤， 直到判断 出计算的k个簇中心和当前的k个簇中心相同时， 将划分出的k个簇作为 k个任务簇 。 4.如权利要求3所述的方法， 其特 征在于， 所述初始化 k个不同的簇中心， 包括： 随机设置k个不同的簇中心： cl←di,1≤l≤k,1≤i≤n； 其中， i为[1,n]中的随机正整数， n为集合中元素的量： n＝card(D)； D为包含了n个任务 且每个任务具有m个预设维度的数据样本： D＝{di|di＝{vi1， vi1， ...， vim}， 1≤i≤n}。 5.如权利要求4所述的方法， 其特征在于， 所述根据距离最短原则将所述数据样本划分 为k个簇， 包括： 根据距离最短原则， 将数据样本D划到为当前的k个簇中心对应的k个簇 Cj： 其中， 距离dist(di， cj)采用欧式距离算法： 6.如权利要求5所述的方法， 其特征在于， 所述对划分出的k个簇重新计算簇中心， 包 括： 分别计算 k个簇中各 元素坐标的均值， 并作为计算的k个簇中心c`j： 7.如权利要求1所述的方法， 其特征在于， 其中， 某一任务关联的某一类型的插件出现 的频率为： 通过数据处理工具针对该任务所反馈的， 在数据处理过程中， 需使用该类型的插 件的数量与需使用所有类型插 件的数量的比值。 8.如权利要求1所述的方法， 其特征在于， 所述将k个任务簇和k个执行器进行匹配， 包权　利　要　求　书 1/2 页 2 CN 115269153 A 2括： 随机从未匹配的任务簇中选择一个任务簇， 根据该任务簇的簇中心， 找到与该簇中心 距离最短的任务； 将所述距离最短的任务在未匹配的执行器中分别执行， 得到执行时间最短的执行器， 将所述执 行时间最短的执 行器与该任务所在的任务簇进行匹配； 重复上述 步骤， 直到所有任务簇 完成匹配。 9.一种电子设备， 其特征在于， 包括： 处理器和存储器， 所述存储器存储有所述处理器 可执行的机器可读指令， 所述机器可读指令被所述处理器执行时执行如权利要求1 ‑8任一 所述的方法。 10.一种计算机可读存储介质， 其特征在于， 该存储介质上存储有计算机程序， 该计算 机程序被处 理器运行时执 行如权利要求1 ‑8任一所述的方法。权　利　要　求　书 2/2 页 3 CN 115269153 A 3