CN109582351A - 一种基于云计算与人工智能的版本兼容方法和机器人系统 - Google Patents
一种基于云计算与人工智能的版本兼容方法和机器人系统 Download PDFInfo
- Publication number
- CN109582351A CN109582351A CN201910017880.6A CN201910017880A CN109582351A CN 109582351 A CN109582351 A CN 109582351A CN 201910017880 A CN201910017880 A CN 201910017880A CN 109582351 A CN109582351 A CN 109582351A
- Authority
- CN
- China
- Prior art keywords
- packet
- information
- cloud computing
- artificial intelligence
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于计算机应用技术领域,尤其涉及一种基于云计算与人工智能的版本兼容方法和机器人系统,本机接受其他终端信息;建立动态时间窗,抓取信源信息2个以上数据包;引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性,选取抓取的数据包中相关性最小的2个信息包,标记为数据包A、B;将本机使用的云计算、人工智能版本信息打包成第三个信息包C;选择最近的云计算中心,将三个信息包上传至云服务器。本发明云服务器根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;步骤七,本机根据云计算的解决方案调整适配器参数。
Description
技术领域
本发明属于计算机应用技术领域,尤其涉及一种基于云计算与人工智能的版本兼容方法和机器人系统。
背景技术
随着云计算技术和人工智能技术的快速发展和技术迭代,市场上出现各种用于不同终端的的基于云计算技术和人工智能技术产品,他们之间往往不能兼容。
多维数据接入方法适用于接入实时数据和离线数据,实时数据通过流式处理实时响应,离线数据通过分布式计算并行处理。国内其他的接入方法主要是接入关系型数据库和非关系型数据库中的一种,但是需要在一个接入方法中对不同类型数据库进行操作,这些单一的接入方法就很难实现需求。
流处理引擎从2000年之后开始有突破性的研究发展,国内工业上,逐渐开始重视实时计算的需求,大型互联网公司采用的流处理引擎大多基于国外开源项目,在其上进行加工。阿里采用的流计算引擎,是对Apache开源项目storm的扩展百度的流计算引擎则是对Spark Streaming项目的扩展。目前流处理引擎根本上解决了大量数据的流动问题,提出了分布式节点的管理方案,但因为如今应用的多样性,对一个已有的流处理引擎的要求变高,应用要求数据流能够支持动态分流和汇聚,支持分流汇聚策略的动态更新,对兼容性提出要求。国内流计算引擎的发展趋势主要依赖于国外一些经典的开源项目,国内在流式计算的开源贡献方面还是几乎空白,在这方面的研究是一个有较大突破空间的区域。
现有技术存在的问题是:
(1)每次接入新的数据源都会带来开发、测试、调试和运维等多方面重复工作;
(2)存在由于数据源驱动版本不一致问题导致性能和稳定等问题。
(3)灵活配置,不能通过版本选择自动适配不同的数据源;
(4)无法通过元数据管理,实现数据接入的字段映射;
(5)默认集成多种ETL处理方法,必须二次开发。
发明内容
本发明的目的在于提供一种基于云计算与人工智能的版本兼容方法和机器人系统。
本发明是这样实现的,一种基于云计算与人工智能的版本兼容方法包括:
步骤一,本机接受其他终端信息;
步骤二,建立动态时间窗,抓取信源信息2个以上数据包;
步骤三,引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性,选取抓取的数据包中相关性最小的2个信息包,标记为数据包A、B;
步骤四,将本机使用的云计算、人工智能版本信息打包成第三个信息包C;
步骤五,选择最近的云计算中心,将三个信息包上传至云服务器;
步骤六,云服务器根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;
步骤七,本机根据云计算的解决方案调整适配器参数。
进一步,所述步骤一中,所述其他终端包括:使用不同版本的云计算与人工智能移动终端、固定终端。
进一步,所述步骤二中,时间窗长度等于信息包比特率与信息包大小的偶数倍。
进一步,所述步骤七中,适配器参数信息包括:信息缓存区解码方案、信息缓存区的数据总线传输速率和本机云计算与人工智能版本更新信息。
进一步,步骤三引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性中,计算方法包括:
S1:在ID3决策树和Boltzmann神经网络信息包元素构成的信息包空间中,用状态矢量的形式表示ID3决策树和Boltzmann神经网络系统感知获取的信息包状态信息,并使所有的信息包状态矢量集合构成多维信息包空间中的超曲面;
S2:根据通信业务的需求形成判断信息包状态可用性的约束条件,并用所述约束条件判断信息包状态超曲面上的每个状态矢量是否符合约束条件;并且所有满足约束条件的状态矢量的集合构成了信息包状态超曲面的子集,其为可用信息包状态超曲面;
S3:将步骤S2中所有符合约束条件的状态矢量构成的可用信息包状态超曲面数学张成可用信息包矢量的区域范围,形成可用信息包空间;
S4:设定信息包分配算法,并用所述信息包分配算法选出所述可用信息包空间中最优的状态矢量。
进一步,步骤S1中,由于ID3决策树和Boltzmann神经网络信息包能够被分解成不同的信息包元素,所以以不同的信息包元素状态可以组合成为ID3决策树和Boltzmann神经网络的信息包状态。基于信息包空间模型,对于频谱信息包元素,将每一次感知到的实际频谱状态信息用矢量的形式表示,所有的这类真实状态矢量的集合可以构成频谱信息包元素的状态矢量集合RSspectrum。同理,基于信息包空间模型,其他的信息包元素,包括终端信息包元素,接入点信息包元素,中继节点信息包元素,和中继链路信息包元素根据感知获取信息构成相应的真实状态矢量集合,分别表示为RSterminal,RSaccess-node,RSrelay-node和RSrelay-link。基于这些信息包元素的真实状态矢量,可以在信息包空间中形成具有真实状态意义的ID3决策树和Boltzmann神经网络信息包矢量集合,表示为RSCN。从数学角度来讲,这样的ID3决策树和Boltzmann神经网络信息包状态矢量集合构成了多维信息包空间中的超曲面。这个过程可以表示为:
RSCN=SURFACE(RSterminal,RSspectrum,RSaccess-node,RSrelay-node,RSrelay-link)
函数SURFACE(﹒)表示由状态矢量参数在多维空间中形成的超曲面,其中所有的状态矢量是通过ID3决策树和Boltzmann神经网络的感知而得到的。
进一步,步骤S2中,为了进行通信信息包的分配,ID3决策树和Boltzmann神经网络必须根据感知获取的信息包状态,判断具体的信息包现状是否能够满足通信业务的需求;需要根据通信业务的需求形成判断信息包状态可用性的约束条件;基于这个约束条件,形成的信息包状态超曲面上的每个状态矢量被度量和判断,进而被分成两部分:一部分状态表示在当前情况下没有信息包能用来通信,另一部分表示在当前情况下尚存在信息包被利用的余地。这样,表示还存在可利用的通信信息包的部分状态被称为可用信息包状态。在信息包空间中形成的信息包状态超曲面中,所有具有可用信息包余地的状态矢量的集合形成了超曲面的子集,这个过程可表示为:
JUDGE(﹒)函数表示依据约束条件对信息包状态超曲面上的矢量进行判断和筛选。
进一步,步骤S3进一步包括:S2中判决所得到可用信息包状态,表示在该信息包状态条件下,满足业务需求约束条件被利用和分配的信息包余量;最终被分配给通信业务的信息包矢量必然是基于这些被判决筛选的可用信息包状态的;在信息包空间模型中,根据可用信息包状态超曲面为基础,张成可用信息包空间;这个形成的可用信息包空间,是整个信息包空间的子空间,将涵盖所有分配利用的信息包矢量;过程被表示为:
函数Derive(﹒)表示从可用信息包超曲面部分中衍生拓展出可用信息包空间。
进一步,步骤S4,在形成的可用信息包空间中,所有的信息包矢量均可满足通信业务需求条件。然而最终为业务分配的只是其中的一个或一组;通过某种具体的信息包分配算法,从众多的候选集中得到满足系统性能需求的最优信息包。这个过程在数学空间模型中,从可用信息包空间中按照一定的优选算法,选取满足最优性能条件或极值性能条件的一个或一组信息包矢量;这个过程用下式表示:
其中函数Select表示按照某种条件进行最优选取。
本发明的另一目的在于提供一种实现所述基于云计算与人工智能的版本兼容方法的机器人系统,所述机器人系统包括:
云计算服务器、相关性计算模块、本机云计算与人工智能信息存储模块、信息缓存区、其他终端。
云计算服务器,根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;
相关性计算模块,采用流处理方式实时计算信息包之间相关性并使用TCP协议上载至云计算服务器;
本机云计算与人工智能信息存储模块,用于存储本机云计算与人工智能版本信息;
信息缓存区:建立动态时间窗,临时存储其他终端发送的信息,保证云计算服务器的解决方案下载前数据不溢出;
其他终端:使用不同版本的云计算与人工智能的终端。
本发明的优点及积极效果为:
本发明计算兼容性算法简单,速度快:不同终端的兼容性方案由云计算服务器集中处理,提高了总体效率,避免了二次处理;采用流式处理实时响应技术的信息缓存区保证了调节兼容参数的速度,也保证了信息不丢失。
本发明引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性,在ID3决策树和Boltzmann神经网络信息包元素构成的信息包空间中,用状态矢量的形式表示ID3决策树和Boltzmann神经网络系统感知获取的信息包状态信息,并使所有的信息包状态矢量集合构成多维信息包空间中的超曲面;
根据通信业务的需求形成判断信息包状态可用性的约束条件,并用所述约束条件判断信息包状态超曲面上的每个状态矢量是否符合约束条件;并且所有满足约束条件的状态矢量的集合构成了信息包状态超曲面的子集,其为可用信息包状态超曲面;
将所有符合约束条件的状态矢量构成的可用信息包状态超曲面数学张成可用信息包矢量的区域范围,形成可用信息包空间;设定信息包分配算法,并用所述信息包分配算法选出所述可用信息包空间中最优的状态矢量。
本发明通过在信息包空间中建立信息包状态超曲面,并通过约束条件判断可用的信息包状态矢量,再根据形成的可用状态超曲面张成可用信息包空间区域,最后通过信息包分配算法找出最优矢量,在可用信息包空间中选取性能最佳矢量作为满足通信需求的分配结果,指派给通信系统进行实际的重构配置和具体通信过程。可保证信息的准确获取。
附图说明
图1是本发明实施例提供的基于云计算与人工智能的版本兼容方法流程图;
图2是本发明实施例提供的机器人系统图;
图中:1、云计算服务器;2、智能威胁信息交换平台;3、漏洞管理知识库;4、本地分析平台;5、预警系统。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,每次接入新的数据源都会带来开发、测试、调试和运维等多方面重复工作;存在由于数据源驱动版本不一致问题导致性能和稳定等问题。灵活配置,不能通过版本选择自动适配不同的数据源;无法通过元数据管理,实现数据接入的字段映射;默认集成多种ETL处理方法,必须二次开发。
为解决上述技术问题,下面结合附图及具体实施例对本发明的应用原理作详细描述。
如图1所示,本发明实施例的基于云计算与人工智能的版本兼容方法包括:
S101,本机接受其他终端信息;
S102,建立动态时间窗,抓取信源信息2个以上数据包;
S103,引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性,选取抓取的数据包中相关性最小的2个信息包,标记为数据包A、B;
S104,将本机使用的云计算、人工智能版本信息打包成第三个信息包C;
S105,选择最近的云计算中心,将三个信息包上传至云服务器;
S106,云服务器根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;
S107,本机根据云计算的解决方案调整适配器参数。
步骤S101中,所述其他终端包括:使用不同版本的云计算与人工智能移动终端、固定终端;
步骤S102中,时间窗长度等于信息包比特率与信息包大小的偶数倍;
步骤S107中,适配器参数信息包括:信息缓存区解码方案、信息缓存区的数据总线传输速率和本机云计算与人工智能版本更新信息。
如图2所示,本发明实施例提供的机器人系统包括:
云计算服务器1、相关性计算模块2、本机云计算与人工智能信息存储模块3、信息缓存区4、其他终端5。
云计算服务器1与相关性计算模块2相连;相关性计算模块2与本机云计算与人工智能信息存储模块3、信息缓存区4相连,信息缓存区4与其他终端5相连。
云计算服务器1,根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;
相关性计算模块2,采用流处理方式实时计算信息包之间相关性并使用TCP协议上载至云计算服务器;
本机云计算与人工智能信息存储模块3,用于存储本机云计算与人工智能版本信息;
信息缓存区4:建立动态时间窗,临时存储其他终端发送的信息,保证云计算服务器的解决方案下载前数据不溢出;
其他终端:使用不同版本的云计算与人工智能的终端。
作为本发明优选实施例,步骤三引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性中,计算方法包括:
S1:在ID3决策树和Boltzmann神经网络信息包元素构成的信息包空间中,用状态矢量的形式表示ID3决策树和Boltzmann神经网络系统感知获取的信息包状态信息,并使所有的信息包状态矢量集合构成多维信息包空间中的超曲面;
S2:根据通信业务的需求形成判断信息包状态可用性的约束条件,并用所述约束条件判断信息包状态超曲面上的每个状态矢量是否符合约束条件;并且所有满足约束条件的状态矢量的集合构成了信息包状态超曲面的子集,其为可用信息包状态超曲面;
S3:将步骤S2中所有符合约束条件的状态矢量构成的可用信息包状态超曲面数学张成可用信息包矢量的区域范围,形成可用信息包空间;
S4:设定信息包分配算法,并用所述信息包分配算法选出所述可用信息包空间中最优的状态矢量。
作为本发明优选实施例,步骤S1中,由于ID3决策树和Boltzmann神经网络信息包能够被分解成不同的信息包元素,所以以不同的信息包元素状态可以组合成为ID3决策树和Boltzmann神经网络的信息包状态。基于信息包空间模型,对于频谱信息包元素,将每一次感知到的实际频谱状态信息用矢量的形式表示,所有的这类真实状态矢量的集合可以构成频谱信息包元素的状态矢量集合RSspectrum。同理,基于信息包空间模型,其他的信息包元素,包括终端信息包元素,接入点信息包元素,中继节点信息包元素,和中继链路信息包元素根据感知获取信息构成相应的真实状态矢量集合,分别表示为RSterminal,RSaccess-node,RSrelay-node和RSrelay-link。基于这些信息包元素的真实状态矢量,可以在信息包空间中形成具有真实状态意义的ID3决策树和Boltzmann神经网络信息包矢量集合,表示为RSCN。从数学角度来讲,这样的ID3决策树和Boltzmann神经网络信息包状态矢量集合构成了多维信息包空间中的超曲面。这个过程可以表示为:RSCN=SURFACE(RSterminal,RSspectrum,RSaccess-node,RSrelay-node,RSrelay-link)
函数SURFACE(﹒)表示由状态矢量参数在多维空间中形成的超曲面,其中所有的状态矢量是通过ID3决策树和Boltzmann神经网络的感知而得到的。
作为本发明优选实施例,步骤S2中,为了进行通信信息包的分配,ID3决策树和Boltzmann神经网络必须根据感知获取的信息包状态,判断具体的信息包现状是否能够满足通信业务的需求;需要根据通信业务的需求形成判断信息包状态可用性的约束条件;基于这个约束条件,形成的信息包状态超曲面上的每个状态矢量被度量和判断,进而被分成两部分:一部分状态表示在当前情况下没有信息包能用来通信,另一部分表示在当前情况下尚存在信息包被利用的余地。这样,表示还存在可利用的通信信息包的部分状态被称为可用信息包状态。在信息包空间中形成的信息包状态超曲面中,所有具有可用信息包余地的状态矢量的集合形成了超曲面的子集,这个过程可表示为:
JUDGE(﹒)函数表示依据约束条件对信息包状态超曲面上的矢量进行判断和筛选。
作为本发明优选实施例,步骤S3进一步包括:S2中判决所得到可用信息包状态,表示在该信息包状态条件下,满足业务需求约束条件被利用和分配的信息包余量;最终被分配给通信业务的信息包矢量必然是基于这些被判决筛选的可用信息包状态的;在信息包空间模型中,根据可用信息包状态超曲面为基础,张成可用信息包空间;这个形成的可用信息包空间,是整个信息包空间的子空间,将涵盖所有分配利用的信息包矢量;过程被表示为:
函数Derive(﹒)表示从可用信息包超曲面部分中衍生拓展出可用信息包空间。
作为本发明优选实施例,步骤S4,在形成的可用信息包空间中,所有的信息包矢量均可满足通信业务需求条件。然而最终为业务分配的只是其中的一个或一组;通过某种具体的信息包分配算法,从众多的候选集中得到满足系统性能需求的最优信息包。这个过程在数学空间模型中,从可用信息包空间中按照一定的优选算法,选取满足最优性能条件或极值性能条件的一个或一组信息包矢量;这个过程用下式表示:
其中函数Select表示按照某种条件进行最优选取。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云计算与人工智能的版本兼容方法,其特征在于,所述基于云计算与人工智能的版本兼容方法包括:
步骤一,本机接受其他终端信息;
步骤二,建立动态时间窗,抓取信源信息2个以上数据包;
步骤三,引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性,选取抓取的数据包中相关性最小的2个信息包,标记为数据包A、B;
步骤四,将本机使用的云计算、人工智能版本信息打包成第三个信息包C;
步骤五,选择最近的云计算中心,将三个信息包上传至云服务器;
步骤六,云服务器根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;
步骤七,本机根据云计算的解决方案调整适配器参数。
2.如权利要求1所述的基于云计算与人工智能的版本兼容方法,其特征在于,所述步骤一中,所述其他终端包括:使用不同版本的云计算与人工智能移动终端、固定终端。
3.如权利要求1所述的基于云计算与人工智能的版本兼容方法,其特征在于,所述步骤二中,时间窗长度等于信息包比特率与信息包大小的偶数倍。
4.如权利要求1所述的基于云计算与人工智能的版本兼容方法,其特征在于,所述步骤七中,适配器参数信息包括:信息缓存区解码方案、信息缓存区的数据总线传输速率和本机云计算与人工智能版本更新信息。
5.如权利要求1所述的基于云计算与人工智能的版本兼容方法,其特征在于,步骤三引入ID3决策树和Boltzmann神经网络算法,计算抓取的信息包的相关性中,计算方法包括:
S1:在ID3决策树和Boltzmann神经网络信息包元素构成的信息包空间中,用状态矢量的形式表示ID3决策树和Boltzmann神经网络系统感知获取的信息包状态信息,并使所有的信息包状态矢量集合构成多维信息包空间中的超曲面;
S2:根据通信业务的需求形成判断信息包状态可用性的约束条件,并用所述约束条件判断信息包状态超曲面上的每个状态矢量是否符合约束条件;并且所有满足约束条件的状态矢量的集合构成了信息包状态超曲面的子集,其为可用信息包状态超曲面;
S3:将步骤S2中所有符合约束条件的状态矢量构成的可用信息包状态超曲面数学张成可用信息包矢量的区域范围,形成可用信息包空间;
S4:设定信息包分配算法,并用所述信息包分配算法选出所述可用信息包空间中最优的状态矢量。
6.如权利要求5所述的基于云计算与人工智能的版本兼容方法,其特征在于,步骤S1中,由于ID3决策树和Boltzmann神经网络信息包能够被分解成不同的信息包元素,所以以不同的信息包元素状态可以组合成为ID3决策树和Boltzmann神经网络的信息包状态。基于信息包空间模型,对于频谱信息包元素,将每一次感知到的实际频谱状态信息用矢量的形式表示,所有的这类真实状态矢量的集合可以构成频谱信息包元素的状态矢量集合RSspectrum。同理,基于信息包空间模型,其他的信息包元素,包括终端信息包元素,接入点信息包元素,中继节点信息包元素,和中继链路信息包元素根据感知获取信息构成相应的真实状态矢量集合,分别表示为RSterminal,RSaccess-node,RSrelay-node和RSrelay-link。基于这些信息包元素的真实状态矢量,可以在信息包空间中形成具有真实状态意义的ID3决策树和Boltzmann神经网络信息包矢量集合,表示为RSCN。从数学角度来讲,这样的ID3决策树和Boltzmann神经网络信息包状态矢量集合构成了多维信息包空间中的超曲面。这个过程可以表示为:
RSCN=SURFACE(RSterminal,RSspectrum,RSaccess-node,RSrelay-node,RSrelay-link)
函数SURFACE(﹒)表示由状态矢量参数在多维空间中形成的超曲面,其中所有的状态矢量是通过ID3决策树和Boltzmann神经网络的感知而得到的。
7.如权利要求5所述的基于云计算与人工智能的版本兼容方法,其特征在于,步骤S2中,为了进行通信信息包的分配,ID3决策树和Boltzmann神经网络必须根据感知获取的信息包状态,判断具体的信息包现状是否能够满足通信业务的需求;需要根据通信业务的需求形成判断信息包状态可用性的约束条件;基于这个约束条件,形成的信息包状态超曲面上的每个状态矢量被度量和判断,进而被分成两部分:一部分状态表示在当前情况下没有信息包能用来通信,另一部分表示在当前情况下尚存在信息包被利用的余地。这样,表示还存在可利用的通信信息包的部分状态被称为可用信息包状态。在信息包空间中形成的信息包状态超曲面中,所有具有可用信息包余地的状态矢量的集合形成了超曲面的子集,这个过程可表示为:
JUDGE(﹒)函数表示依据约束条件对信息包状态超曲面上的矢量进行判断和筛选。
8.如权利要求5所述的基于云计算与人工智能的版本兼容方法,其特征在于,步骤S3进一步包括:S2中判决所得到可用信息包状态,表示在该信息包状态条件下,满足业务需求约束条件被利用和分配的信息包余量;最终被分配给通信业务的信息包矢量必然是基于这些被判决筛选的可用信息包状态的;在信息包空间模型中,根据可用信息包状态超曲面为基础,张成可用信息包空间;这个形成的可用信息包空间,是整个信息包空间的子空间,将涵盖所有分配利用的信息包矢量;过程被表示为:
函数Derive(﹒)表示从可用信息包超曲面部分中衍生拓展出可用信息包空间。
9.如权利要求5所述的基于云计算与人工智能的版本兼容方法,其特征在于,步骤S4,在形成的可用信息包空间中,所有的信息包矢量均可满足通信业务需求条件。然而最终为业务分配的只是其中的一个或一组;通过某种具体的信息包分配算法,从众多的候选集中得到满足系统性能需求的最优信息包。这个过程在数学空间模型中,从可用信息包空间中按照一定的优选算法,选取满足最优性能条件或极值性能条件的一个或一组信息包矢量;这个过程用下式表示:
其中函数Select表示按照某种条件进行最优选取。
10.一种实现权利要求1所述基于云计算与人工智能的版本兼容方法的机器人系统,其特征在于,所述机器人系统包括:
云计算服务器、相关性计算模块、本机云计算与人工智能信息存储模块、信息缓存区、其他终端。
云计算服务器,根据数据包A、B、C计算云计算和人工智能版本信息,计算兼容性解决方案,将解决方案反馈给本机;
相关性计算模块,采用流处理方式实时计算信息包之间相关性并使用TCP协议上载至云计算服务器;
本机云计算与人工智能信息存储模块,用于存储本机云计算与人工智能版本信息;
信息缓存区:建立动态时间窗,临时存储其他终端发送的信息,保证云计算服务器的解决方案下载前数据不溢出;
其他终端:使用不同版本的云计算与人工智能的终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017880.6A CN109582351B (zh) | 2019-01-09 | 2019-01-09 | 一种基于云计算与人工智能的版本兼容方法和机器人系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017880.6A CN109582351B (zh) | 2019-01-09 | 2019-01-09 | 一种基于云计算与人工智能的版本兼容方法和机器人系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109582351A true CN109582351A (zh) | 2019-04-05 |
CN109582351B CN109582351B (zh) | 2021-10-29 |
Family
ID=65916362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910017880.6A Active CN109582351B (zh) | 2019-01-09 | 2019-01-09 | 一种基于云计算与人工智能的版本兼容方法和机器人系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109582351B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101973031A (zh) * | 2010-08-24 | 2011-02-16 | 中国科学院深圳先进技术研究院 | 云机器人系统及实现方法 |
US20120102498A1 (en) * | 2010-10-21 | 2012-04-26 | HCL America Inc. | Resource management using environments |
US20120310875A1 (en) * | 2011-06-03 | 2012-12-06 | Prashanth Prahlad | Method and system of generating a data lineage repository with lineage visibility, snapshot comparison and version control in a cloud-computing platform |
CN106533623A (zh) * | 2016-11-17 | 2017-03-22 | 清华大学 | 跨协议通信方法及装置 |
CN106777227A (zh) * | 2016-12-26 | 2017-05-31 | 河南信安通信技术股份有限公司 | 基于云平台的多维数据融合分析系统及方法 |
CN108551586A (zh) * | 2018-03-14 | 2018-09-18 | 上海交通大学 | 多用户360度视频流服务器端码率自适应分配方法及系统 |
CN108897570A (zh) * | 2018-06-20 | 2018-11-27 | 大国创新智能科技(东莞)有限公司 | 基于云计算与人工智能的版本兼容方法和机器人系统 |
-
2019
- 2019-01-09 CN CN201910017880.6A patent/CN109582351B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101973031A (zh) * | 2010-08-24 | 2011-02-16 | 中国科学院深圳先进技术研究院 | 云机器人系统及实现方法 |
US20120102498A1 (en) * | 2010-10-21 | 2012-04-26 | HCL America Inc. | Resource management using environments |
US20120310875A1 (en) * | 2011-06-03 | 2012-12-06 | Prashanth Prahlad | Method and system of generating a data lineage repository with lineage visibility, snapshot comparison and version control in a cloud-computing platform |
CN106533623A (zh) * | 2016-11-17 | 2017-03-22 | 清华大学 | 跨协议通信方法及装置 |
CN106777227A (zh) * | 2016-12-26 | 2017-05-31 | 河南信安通信技术股份有限公司 | 基于云平台的多维数据融合分析系统及方法 |
CN108551586A (zh) * | 2018-03-14 | 2018-09-18 | 上海交通大学 | 多用户360度视频流服务器端码率自适应分配方法及系统 |
CN108897570A (zh) * | 2018-06-20 | 2018-11-27 | 大国创新智能科技(东莞)有限公司 | 基于云计算与人工智能的版本兼容方法和机器人系统 |
Non-Patent Citations (1)
Title |
---|
丁进.郭朝珍: "基于多Agent与工作流的分布式E礼引擎的研究", 《计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109582351B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104092756B (zh) | 一种基于dht机制的云存储系统的资源动态分配方法 | |
EP3090517B1 (en) | Inter-domain sdn traffic engineering | |
CN109257287A (zh) | 一种最短路径确定方法及控制器 | |
US9692644B2 (en) | Dynamically adjusting network parameters using weather forecasts | |
JP6752281B2 (ja) | ユーザプレーン用ソフトウェア定義トポロジ(sdt) | |
ES2673122T3 (es) | Sistema de control optimizado para la agregación de múltiples conexiones de banda ancha a través de interfaces de radio | |
US11689961B2 (en) | Systems and methods for distribution of application logic in digital networks | |
US9385933B2 (en) | Remote probing for remote quality of service monitoring | |
CN104702522A (zh) | 软件定义网络(sdn)中基于性能的路由 | |
CN107547418B (zh) | 一种拥塞控制方法和装置 | |
CN109474449A (zh) | 一种处理网络切片实例的方法及装置 | |
KR20130018810A (ko) | 트래픽 믹스의 실시간 통계에 기초하여 서비스 품질 구성을 동적으로 조정하기 위한 시스템 및 방법 | |
US20190317749A1 (en) | Upgrading network firmware | |
Jin et al. | Toward monetary cost effective content placement in cloud centric media network | |
CN108012339A (zh) | 具有无线电调度器的无线电通信网络 | |
CN104012042B (zh) | 对现有网络服务模型分配一个或多个网络服务模板 | |
US9686099B2 (en) | Updating virtual network maps | |
CN107241223A (zh) | 一种基于sdr和虚拟化技术资源弹性协作映射方法及装置 | |
Chen et al. | A Secure Cloud-Edge Collaborative Fault-Tolerant Storage Scheme and Its Data Writing Optimization | |
US10454776B2 (en) | Dynamic computer network classification using machine learning | |
WO2024146193A1 (zh) | 一种基于sdn的路由路径选择方法、装置及存储介质 | |
CN105917621B (zh) | 用于数据路由的方法和系统 | |
CN103117953B (zh) | 一种QoS配置方法和设备 | |
CN109582351A (zh) | 一种基于云计算与人工智能的版本兼容方法和机器人系统 | |
CN110601897A (zh) | 一种网络资源配置方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |