1.一种用于用户柔性资源的聚合智控方法，其特征在于，所述方法包括：步骤S101、从资源池中获取设备性能和容量的实时数据，所述设备性能包括CPU利用率和内存占用率，所述设备容量包括存储剩余空间和带宽占用量，对所述实时数据进行预处理、时序分析及波动特征提取，生成资源形变序列；步骤S102、根据所述资源形变序列，通过平滑处理、时序特征提取及趋势拟合，确定形变趋势描述；步骤S103、采用K-means聚类算法对所述形变趋势描述进行分组，并确定集群中心点，提取所述集群中心点的特征组合为多维向量，形成轮廓特征参数；步骤S104、判断所述轮廓特征参数是否存在非线性波动，若存在，则采用LSTM网络训练并生成未来形变趋势预测值；步骤S105、获取资源池当前状态数据，计算所述未来形变趋势预测值与当前状态数据的偏差值，依据所述偏差值与预设偏差阈值的比较结果，调整聚合时机参数；步骤S106、基于所述聚合时机参数，并结合速度参数的初始设置获取设备当前容量分布，对所述容量分布进行统计分析，并计算均匀度指标；步骤S107、判断所述均匀度指标是否低于预设均匀度阈值，若是，则通过迭代优化更新速度参数，所述速度参数定义为资源聚合过程中容量分配的传输速率，并结合所述聚合时机参数生成聚合控制指令，输出到资源池执行动态调整。
2.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S101，包括：通过部署在资源池中的传感器网络，监测所述资源池中设备的性能和容量波动，采集所述实时数据，并对所述实时数据应用中值滤波方法去除噪声值；对经过噪声过滤的所述实时数据进行归一化处理，再按时间戳排序，生成时间序列数据；识别资源池场景规模，若为常规规模场景，使用自回归移动平均模型捕捉所述时间序列数据的自相关性与移动平均成分，提取波动幅度和周期性特征作为波动特征，若为大规模资源池场景，使用傅里叶变换方法将所述时间序列数据从时域转换为频域，提取主导频率作为波动特征；将所述波动特征组合成多维向量序列，生成表征设备性能和容量动态变化趋势的资源形变序列。
3.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S102，包括：对所述资源形变序列，应用移动平均方法进行平滑处理，生成平滑序列；通过时序分析方法对所述平滑序列进行特征提取，使用自回归移动平均模型捕捉时序依赖关系，提取趋势斜率和周期性波动作为趋势特征；将所述趋势特征中的斜率和波动模式输入到线性回归模型，拟合长期趋势线并生成表征长期变化方向的数值指标，再基于所述数值指标构建表征资源形变序列长期变化方向的所述形变趋势描述。
4.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S103，包括：采用K-means聚类算法对所述形变趋势描述进行分组，生成多个稳定集群；对多个所述稳定集群进行分析，提取每个集群内所有数据点的平均值，将所述平均值作为对应集群的中心点，所述中心点表征该集群内形变趋势的集中特征；计算每个集群的中心点对应的形变趋势描述的波动幅度值，所述波动幅度值为趋势峰值与谷值的差值；统计每个集群中心点对应的形变趋势描述在单位时间内的平均波动次数，作为波动频率值；测量每个集群中心点对应的形变趋势描述从起始到稳定的平均时长，作为波动持续时间；将所述波动幅度值、波动频率值及波动持续时间组合为多维向量，以生成所述轮廓特征参数，其中，所述轮廓特征参数用于表征形变趋势的典型特征。
5.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S104，包括：计算所述轮廓特征参数序列的二阶差分，若二阶差分的绝对值连续3个及以上时间点超过预设波动阈值，则判定所述轮廓特征参数为非线性波动；将历史时间段内的多组被判定为非线性波动的所述轮廓特征参数作为特征输入，采用LSTM网络对其进行训练，设置隐藏层单元数量和训练次数，使用均方误差作为损失函数进行反向传播优化；根据训练后的所述LSTM网络，输入当前的所述轮廓特征参数，生成未来多个时间点的预测序列，得到所述未来形变趋势预测值，其中，所述未来形变趋势预测值表征资源池未来性能和容量的变化趋势。
6.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S105，包括：获取资源池的所述当前状态数据，其中，所述当前状态数据为资源池中设备实时的性能和容量数据；根据所述未来形变趋势预测值，计算资源池在未来时间点的性能和容量数据；计算所述未来时间点的性能和容量数据与所述当前状态数据之间的所述偏差值；判断所述偏差值是否大于预设偏差阈值，若是，则需要调整聚合时机参数来保持资源池的稳定和均衡，若否，则不需要调整聚合时机参数。
7.根据权利要求6所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述调整聚合时机参数，包括：基于所述偏差值计算偏差调整系数，所述偏差调整系数是通过先求出偏差绝对值和预设偏差阈值的比值，再将该比值与自然数1相比，取两者中的最小值获得；基于所述偏差调整系数计算新的聚合时机参数，所述新的聚合时机参数=当前聚合时机参数×（1-调整系数×偏差调整系数），其中，所述调整系数预设在0～1内。
8.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S106，包括：根据所述聚合时机参数，结合速度参数的初始设置，获取资源池中设备的当前容量分布；对所述当前容量分布进行统计分析，计算得到平均值、标准差及最大最小差值，生成分布特征数据；根据所述分布特征数据计算表征容量分布均衡性的均匀度指标，所述均匀度指标通过计算自然数1减去所述标准差与所述平均值的比值获得。
9.根据权利要求1所述的一种用于用户柔性资源的聚合智控方法，其特征在于，所述步骤S107，包括：判断所述均匀度指标是否低于所述预设均匀度阈值，若低于，则通过步长自适应迭代优化方法更新速度参数值以缩小所述均匀度指标与所述预设均匀度阈值的差距；根据更新后的所述速度参数和所述聚合时机参数，生成包含二者数值的聚合控制指令；将所述聚合控制指令输出至所述资源池，指示所述资源池根据所述速度参数值定义的速率以及所述聚合时机参数定义的时机，执行资源聚合操作，以实现稳定聚合。
10.一种用于用户柔性资源的聚合智控系统，其特征在于，用于实现如权利要求1～9中任一项所述的一种用于用户柔性资源的聚合智控方法，所述一种用于用户柔性资源的聚合智控系统包括：数据获取模块，用于从资源池获取设备性能与容量的实时数据，进行预处理、时序分析及波动特征提取，生成资源形变序列；趋势提取模块，用于对资源形变序列进行平滑处理、时序特征提取与趋势拟合，生成表征长期变化方向的形变趋势描述；特征聚类模块，用于基于形变趋势描述，采用K-means聚类算法生成稳定类簇，提取中心点特征并构建多维轮廓特征参数；趋势预测模块，用于在轮廓特征参数存在非线性波动时，采用LSTM网络训练并生成未来形变趋势预测值；偏差计算模块，用于将未来形变趋势预测值与当前状态数据对比，计算偏差值并据此调整聚合时机参数；均匀度计算模块，用于基于聚合时机参数与速度参数，统计当前容量分布并计算均匀度指标；指令输出模块，用于在均匀度指标低于预设均匀度阈值时，通过迭代优化更新速度参数，结合聚合时机参数生成并输出聚合控制指令。
