课题详情： 课题背景： 在AI数据时代，云原生的数据库基础设施正演变为承载多集群、多模态（OLTP/OLAP/HTAP）与智能计算等混合负载的复杂系统。传统基于静态规则的调度策略，已难以应对如此异构、动态且相互干扰的工作负载环境。因此，研究基于AI的弹性资源调度与预测技术，对于实现全局资源利用率最优、保障关键服务SLA、以及降低总体拥有成本（TCO）具有至关重要的工程与研究价值。 课题挑战： 本课题的核心挑战源于“多集群、多模态、多负载”这一复杂场景的固有复杂性。首先，精准预测变得极为困难：需从海量、异构的监控指标中，分离并准确预测具有不同特征的短期查询、长期分析任务及突发AI计算负载。其次，高效调度决策面临多维权衡：需在跨集群的资源池中，实时协调CPU、内存、I/O及异构硬件（如GPU），同时满足不同负载对时延、吞吐与成本的非一致目标，其决策空间呈指数级增长。最后，工程落地需解决AI模型本身的实时性、可解释性，以及在不断变化的系统状态中持续在线学习的稳定性问题。 具体工作： 实习生将主要参与： 1、针对多模态负载的时序预测模型训练与优化； 2、设计与实现面向多目标、多约束的智能调度算法原型； 3、在仿真平台与真实多集群环境中进行集成测试与效果评估。 课题要求： 1、计算机科学、软件工程、电子信息等相关专业本科及以上学历； 2、熟练掌握数据结构、算法、操作系统、计算机网络等计算机基础知识； 3、熟练掌握至少一门编程语言，例如：C/C++、Java、Python、Go等； 4、具备强烈的学习意愿和能力，能够快速掌握新技术； 5、具备良好的沟通能力和团队合作精神，能够积极主动地解决问题。