1.一种基于强化学习的云计算平台实时CPU负载平衡方法，其特征在于，包括如下步骤：S1、在云计算平台上部署数据收集模块，实时监控各虚拟机和物理节点的CPU使用率、任务队列长度及其他关键性能指标，构建实时CPU负载数据集；

S2、将收集到的实时CPU负载数据集通过高速数据传输通道输入至负载分析模块，解析和预处理实时CPU负载数据集；

S3、在负载分析模块中，采用滑动窗口技术对预处理后的实时CPU负载数据集进行时序分析，识别当前的资源利用模式和潜在的负载高峰；

S4、基于时序分析结果，利用深度Q网络模型构建负载平衡策略决策模型，定义状态空间、动作空间和奖励函数；

S5、在深度Q网络模型训练过程中，利用历史CPU负载数据集和模拟环境进行多次迭代，优化策略；

S6、将经过训练和优化的负载平衡策略部署到决策模块，通过策略生成具体的资源分配和任务调度方案；

S7、在决策模块中，实时计算各虚拟机和物理节点的负载平衡策略，并根据当前负载状态调整CPU资源分配，执行任务迁移和负载均衡操作；

S8、动态调整过程中，使用快速迁移算法和增量式资源分配策略，确保在不影响系统性能的前提下完成资源调整；

S9、持续监控调整后的负载情况，通过反馈机制将实时负载状态和策略执行效果反馈给强化学习模块，进行策略的在线更新和改进；

S10、重复执行步骤S1至S9，逐步提高云计算平台的实时CPU负载平衡效果；

所述S4包括以下步骤：

S41、基于时序分析结果，定义负载平衡策略决策模型的状态空间S，其中状态s∈S表示各虚拟机和物理节点在特定时间t的资源利用情况，包括CPU使用率 任务队列长度及其他关键性能指标S42、定义动作空间A，其中动作a∈A表示负载平衡策略的具体操作，包括任务迁移和资源分配调整；

S43、构建深度Q网络模型Q(s,a；θ)，采用多层神经网络结构，其中参数θ为神经网络的权重；

S44、定义奖励函数R(s,a)，用于评估每个状态‑动作对的即时奖励，奖励函数综合考虑资源利用率、响应时间和系统性能：R(s,a)＝α·Ueff(s,a)‑β·Tresp(s,a)+γ·Psys(s,a)；

其中，Ueff(s,a)表示资源利用率，Tresp(s,a)表示响应时间，Psys(s,a)表示系统性能，α、β、γ为权重系数；

S45、利用经验回放技术，存储过去的状态转移样本(s,a,r,s')到回放缓冲区，从中随机抽取小批量样本(sj,aj,rj,s'j)进行模型训练，更新深度Q网络模型参数θ：其中，η为学习率，m为小批量样本数，yj为目标Q值，计算公式为：‑

yj＝rj+γ1maxa'Q(s'j,a′；θ)；

‑

其中，γ1为折扣因子，θ为目标网络的参数；

‑

S46、每隔固定步数，将当前Q网络的参数θ同步到目标网络的参数θ ，确保训练的稳定性；

S47、在深度Q网络模型训练完成后，将其用于实时负载平衡决策，根据当前状态st选择最优动作at，实时调整CPU资源分配和任务调度，优化云计算平台的资源利用率和系统性能；

所述S5包括以下步骤：

S51、收集历史CPU负载数据集H(t)，其中包含各虚拟机和物理节点在不同时间段的CPU使用率Ui(t)、任务队列长度Qi(t)及其他关键性能指标Ki(t)；

S52、在模拟环境中，初始化云计算平台的资源配置和任务分布状态，基于历史CPU负载数据集H(t)构建模拟场景；

S53、在每个模拟场景中，利用深度Q网络模型 进行策略优化，定义状态s为当前模拟场景下的资源利用情况，动作a为负载平衡策略的具体操作；

S54、对每个状态‑动作对(s,a)，计算其即时奖励 并更新Q值：'

其中，α'为学习率，γ1为折扣因子，s'为执行动作a后的下一个状态；

S55、利用经验回放技术，存储模拟环境中的状态转移样本 到回放缓冲区，从中随机抽取小批量样本进行训练，优化深度Q网络模型参数θ'：其中，η'为学习率，m'为小批量样本数，y'j为目标Q值，计算公式为：S56、在多次迭代训练中，每隔固定步数将当前Q网络的参数θ'同步到目标网络的参数‑θ'；

S57、在训练过程中，评估深度Q网络模型的策略适应性和效率，根据评估结果调整模型参数和奖励函数，优化负载平衡策略；

S58、训练完成后，将优化后的深度Q网络模型用于实际环境中的实时负载平衡决策；

所述S6包括以下步骤：

S61、将经过训练和优化的深度Q网络模型 部署到决策模块，初始化当前系统的状态为各虚拟机和物理节点的实时资源利用情况；

S62、在每个决策时刻t，输入当前状态到深度Q网络模型，计算各可能动作的Q值Q(st,a；

θ')，并选择Q值最大的动作at作为当前负载平衡策略：S63、基于选定的动作at，生成具体的资源分配和任务调度方案，方案包括任务迁移、CPU资源重新分配等操作；

S64、执行资源分配和任务调度方案，将选定的任务从过载虚拟机或物理节点迁移至资源充足的节点，并重新分配CPU资源，调整各节点的负载；

S65、在执行过程中，监控资源分配和任务调度方案的执行效果，记录执行后的系统状态st+1及其对应的资源利用情况、任务队列长度及其他关键性能指标；

S66、将执行结果和新的系统状态st+1反馈给深度Q网络模型，用于下一次决策时的状态更新和策略优化；

′

S67、根据实际执行效果，定期评估和调整深度Q网络模型的参数θ ，确保模型在动态变化的云计算环境中保持负载平衡决策；

S68、重复执行步骤S62至S67，持续优化云计算平台的资源利用率和系统性能，确保系统在不同负载情况下均能实现实时CPU负载平衡。

2.根据权利要求1所述的一种基于强化学习的云计算平台实时CPU负载平衡方法，其特征在于，所述S1包括以下步骤：S11、在云计算平台上设置多个数据收集模块，分别部署在各虚拟机和物理节点上，实时监控CPU使用率、任务队列长度及其他关键性能指标；

S12、每个数据收集模块通过定期采样的方式，记录各虚拟机和物理节点的CPU使用率Ui(t)、任务队列长度Qi(t)及其他关键性能指标Ki(t)；

S13、将记录的数据按时间戳t进行标记，构建实时CPU负载数据集D(t)，数据集包含以下内容：D(t)＝{(Ui(t),Qi(t),Ki(t))∣i＝1,2,…,N}；

其中，Ui(t)表示第i个虚拟机或物理节点在时间t的CPU使用率，Qi(t)表示第i个虚拟机或物理节点在时间t的任务队列长度，Ki(t)表示第i个虚拟机或物理节点在时间t的其他关键性能指标，N为虚拟机或物理节点的总数。

3.根据权利要求2所述的一种基于强化学习的云计算平台实时CPU负载平衡方法，其特征在于，所述S2包括以下步骤：S21、通过高速数据传输通道，将每个数据收集模块记录的实时CPU负载数据集D(t)传输至中央负载分析模块；

S22、在中央负载分析模块中，接收传输过来的实时CPU负载数据集D(t)，对数据进行初步解析，将不同时间戳t的数据按顺序排列；

S23、对解析后的实时CPU负载数据集D(t)进行数据清洗，去除可能存在的重复数据、异常值和噪声数据；

S24、对清洗后的数据进行标准化处理，将各虚拟机和物理节点的CPU使用率Ui(t)、任务队列长度Qi(t)及其他关键性能指标Ki(t)及其他关键性能指标Ki(t)转换为统一的尺度；

S25、将标准化处理后的实时CPU负载数据集 存储在中央数据库中。

4.根据权利要求3所述的一种基于强化学习的云计算平台实时CPU负载平衡方法，其特征在于，所述S3包括以下步骤：S31、在负载分析模块中，采用滑动窗口技术对预处理后的实时CPU负载数据集 进行时序分析，设置滑动窗口的长度为W，窗口内数据点数量为n；

S32、在时间t时刻，定义滑动窗口Wt包含从时间t‑W+1到t的数据点：其中，Wt表示在时间t时刻的滑动窗口，包含从时间t‑W+1到t的数据点；

S33、在每个滑动窗口内，对各虚拟机和物理节点的CPU使用率 进行时序分析，计算其均值 和方差其中， 表示标准化后的CPU使用率， 表示滑动窗口内CPU使用率的均值，表示滑动窗口内CPU使用率的方差；

S34、对各虚拟机和物理节点的任务队列长度 和其他关键性能指标 进行类似的时序分析，计算其均值和方差；

S35、基于滑动窗口内的均值和方差，识别当前资源利用模式和潜在的负载高峰，定义资源利用模式为各指标的均值向量其中， 表示滑动窗口内的均值向量，包括CPU使用率的均值 任务队列长度的均值 及其他关键性能指标的均值S36、当检测到某个虚拟机或物理节点的CPU使用率 或任务队列长度 超过预设阈值θU或θQ时，标记该节点为潜在的负载高峰。

5.一种基于强化学习的云计算平台实时CPU负载平衡系统，用于执行权利要求1‑4任一项所述的一种基于强化学习的云计算平台实时CPU负载平衡方法，其特征在于，包括以下模块：数据收集模块：部署在云计算平台上的各虚拟机和物理节点，实时监控CPU使用率、任务队列长度及其他关键性能指标，并通过定期采样记录数据，生成实时CPU负载数据集，数据收集模块实时监控和记录各虚拟机和物理节点的CPU使用率、任务队列长度及其他关键性能指标；

高速数据传输通道：用于将各虚拟机和物理节点的数据收集模块所记录的实时CPU负载数据集传输至中央负载分析模块，高速数据传输通道将记录的数据实时传输至中央负载分析模块；

负载分析模块：接收并解析通过高速数据传输通道传输的实时CPU负载数据集，采用滑动窗口技术对预处理后的数据进行时序分析，计算各虚拟机和物理节点的资源利用模式和潜在负载高峰，负载分析模块采用滑动窗口技术对预处理后的数据进行时序分析，识别资源利用模式和潜在负载高峰；

强化学习模块：基于负载分析模块的时序分析结果，利用深度Q网络模型构建负载平衡策略决策模型，包括定义状态空间、动作空间和奖励函数，在训练过程中利用历史CPU负载数据集和模拟环境进行多次迭代，强化学习模块基于时序分析结果，通过深度Q网络模型构建并优化负载平衡策略；

决策模块：将经过训练和优化的深度Q网络模型部署到该模块中，实时计算各虚拟机和物理节点的负载平衡策略，根据当前负载状态生成具体的资源分配和任务调度方案，并执行任务迁移和资源重新分配操作，决策模块根据优化后的策略生成资源分配和任务调度方案，并执行任务迁移和资源重新分配；

反馈机制模块：在执行资源分配和任务调度方案后，持续监控调整后的负载情况，将实时负载状态和策略执行效果反馈给强化学习模块，以进行策略的在线更新和改进，反馈机制模块监控和记录执行效果，并将结果反馈给强化学习模块进行策略更新和改进。