一种基于深度学习的资源调度优化方法及系统

本发明公开了一种基于深度学习的资源调度优化方法及系统，具体涉及资源调度相关技术领域，通过轻量级监控代理采集CPU利用率、内存占用率、网络带宽等实时指标，利用改进型LSTM(含跨周期注意力机制)预测未来3～10分钟资源需求，结合图注意力网络计算异构资源匹配度，实施分级调度策略与动态容错机制，并通过多目标优化函数评估调度效果。本发明所述的系统包含分布式感知终端、预测分析引擎、决策中心等模块，支持联邦学习、弹性扩缩容及可视化评估。本发明可提升资源利用率、降低延迟与能耗，适用于云计算、边缘计算等异构资源调度场景。