买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川知行志成科技有限公司申请的专利一种基于AI智能体的动态负载均衡管理方法、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121396909B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511974104.7，技术领域涉及：H04L47/125；该发明授权一种基于AI智能体的动态负载均衡管理方法、设备及介质是由孟伟设计研发完成，并于2025-12-25向国家知识产权局提交的专利申请。

本一种基于AI智能体的动态负载均衡管理方法、设备及介质在说明书摘要公布了：本发明公开了一种基于AI智能体的动态负载均衡管理方法、设备及介质，方法包括：计算节点关联系数，构建GCN‑GRU混合负载预测模型，预测未来节点的时空特征矩阵，得到预测的节点负载数据；计算每种负载数据的归一化权重、负载综合值和负载均衡度；部署本地智能体、协调智能体，构建本地智能体状态空间向量；利用本地智能体状态空间向量构建本地策略网络的映射关系，并生成节点执行负载迁移动作的动作空间向量和迁移量，计算全局价值，并基于全局价值优化本地策略网络的参数，生成最优动作空间向量以及对应的迁移量进行负载均衡迁移。计算机设备包括处理器和存储器；计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集。

本发明授权一种基于AI智能体的动态负载均衡管理方法、设备及介质在权利要求书中公布了：1.一种基于AI智能体的动态负载均衡管理方法，其特征在于，包括： 步骤S1：采集分布式系统中节点的负载数据，基于负载时序相关系数和节点拓扑距离计算节点关联系数；步骤S1具体包括： 步骤S11：采集分布式系统中节点的负载数据，计算节点之间的负载时序相关系数和节点拓扑距离； ； 其中，分别为节点i和节点j的负载数据，为节点i与节点j的负载协方差，分别为节点i和节点j的负载标准差；节点拓扑距离用节点i与节点j之间的网络跳数表示； 步骤S12：利用节点之间的负载时序相关系数和节点拓扑距离计算节点关联系数； 其中，为基于节点拓扑距离的衰减系数，为分布式系统中节点数量； 步骤S2：基于各节点的负载变化周期，计算历史负载数据的时间特征和空间特征，并构建GCN-GRU混合负载预测模型，预测未来节点的时空特征矩阵，得到预测的节点负载数据； 所述步骤S2包括： 步骤S21：基于各节点的负载变化周期，采集各节点历史负载数据和资源数据，并基于历史负载数据计算时间特征和空间特征； 历史负载数据包括CPU负载强度、内存占用量、网络IO流量和任务执行密度；资源数据包括CPU额定算力、内存容量、网络带宽上限和任务处理阈值； 时间特征包括负载瞬时变化量、负载变化趋势； 空间特征包括相邻节点的平均负载和最近节点负载： 步骤S22：将节点的历史负载数据、资源数据、时间特征和空间特征作为输入数据，构建时空特征矩阵，为节点的特征维度，为实数集； 构建GCN-GRU混合负载预测模型，包括：GCN空间特征提取层、GRU时序特征提取层和融合预测输出层； GCN空间特征提取层基于节点关联系数利用第一层图卷积从时空特征矩阵中提取32维空间特征，利用第二层图卷积提取64维空间特征，得到空间特征序列； GRU时序特征提取层从空间特征序列中提取时序特征，输出时序特征向量； 融合预测输出层将时序特征向量和空间特征进行拼接，输出未来时间k预测的节点的时空特征矩阵，得到未来下一采集时间t+1预测的节点负载数据； 步骤S3：计算历史负载数据的平均值和标准差，再计算每种负载数据的归一化权重，利用归一化权重计算每个节点的负载综合值，以及计算分布式系统的负载均衡度； 步骤S4：在分布式系统的每个节点上部署本地智能体、分布式系统全局部署一个协调智能体，利用负载综合值、实时的可用资源数据量、预测的节点负载数据和相邻节点的平均负载构建本地智能体状态空间向量； 步骤S5：利用本地智能体状态空间向量构建本地策略网络的映射关系，并生成节点执行负载迁移动作的动作空间向量和迁移量，计算全局价值，并基于全局价值优化本地策略网络的参数，生成最优动作空间向量以及对应的迁移量进行负载均衡迁移。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川知行志成科技有限公司，其通讯地址为：610000 四川省成都市中国(四川)自由贸易试验区成都高新区益州大道中段1858号1204；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。