资源利用协同度数据

本数据对外部企业具有多重应用价值：云服务商可将协同度评分作为集群资源匹配度的日常监测指标，当评分长期稳定在70以上时表明资源调度策略有效，若出现低于70的样本则可快速定位资源瓶颈节点；AI平台运维团队可将本数据作为系统健康度基准，用于对比不同调度算法、机型配比下的资源利用效率；企业采购部门可依据集群中协同度评分分布，评估当前实例规格与业务负载的适配程度，为下一轮资源采购提供量化参考；硬件供应商可展示其产品在实际负载下计算、显存容量、带宽三者协同工作的能力，证明产品设计的均衡性；行业分析机构可基于协同度评分建立算力利用效率基准，帮助客户判断其资源投入是否达到行业平均水平。一、加工前的数据说明 原始数据为分布式TPU集群在深度学习推理服务场景下产生的运营监测数据，包含TPU利用率(%)、显存使用量(GiB)与显存带宽利用率(%)，分别代表计算核心、容量、带宽三种资源的占用情况。数据为非同一采集源、非时间序列的结构化监测记录，完整记录了各类资源的利用特征。 二、处理规则 数据清洗：对原始数据进行去重、剔除超出物理阈值的异常值，并对缺失值采用剔除方式处理，确保数据完整性与有效性。 评分算法：首先基于全数据集实际极值对TPU利用率、显存使用、显存带宽利用率三项指标分别进行Min-Max归一化至[0,1]区间；计算三者归一化值的平均绝对偏差（MD）；协同度评分=(1-MD)×100。等级划分：均衡（≥70）、失衡（<70）二级。 三、数据内容描述 清洗后的数据集共1001条记录，新增“协同度评分”与“协同等级”两列。该数据可作为正常运行的基线参考，用于长期监控资源协同度的波动，及时发现潜在的不均衡风险，适用于云计算资源调度效果评估与算力集群健康度监测场景。

搜集汇总

背景与挑战

背景概述

该数据集基于分布式TPU集群深度学习推理场景下的运营监测数据，通过计算TPU利用率、显存使用和显存带宽利用率三项资源指标的归一化平均绝对偏差，生成协同度评分（0-100分），并划分为均衡（≥70）与失衡（<70）两级。清洗后的1001条记录可用于云服务商监控资源调度效果、AI运维团队评估系统健康度，以及企业采购部门量化实例规格与业务负载的适配程度。