CN109976915B - 基于边缘计算的边云协同需求的优化方法和系统 - Google Patents
基于边缘计算的边云协同需求的优化方法和系统 Download PDFInfo
- Publication number
- CN109976915B CN109976915B CN201910261949.XA CN201910261949A CN109976915B CN 109976915 B CN109976915 B CN 109976915B CN 201910261949 A CN201910261949 A CN 201910261949A CN 109976915 B CN109976915 B CN 109976915B
- Authority
- CN
- China
- Prior art keywords
- information
- requirement
- cooperative
- requirement information
- demand
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims description 89
- 238000005265 energy consumption Methods 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 15
- 230000002195 synergetic effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种基于边缘计算的边云协同需求的优化方法和系统,其中,方法包括:获取终端发送的边云协同需求,对边云协同需求进行分析,生成计算流分配信息,将计算流分配信息发送至终端。通过本发明实施例提供的技术方案,避免了现有技术中数据处理时间长,且精确度不高的技术问题,实现了高效且精准的对数据进行处理的技术效果。
Description
技术领域
本发明实施例涉及物联网技术领域,尤其涉及一种基于边缘计算的边云协同需求的优化方法和系统。
背景技术
随着互联网和移动边缘计算的迅猛发展,边缘终端设备的数量迅速增加,同时边缘终端设备所产生数据量已达到泽字节(ZB)级别。
在现有技术中,是通过集中式数据处理的方式对边云协同需求进行处理的。
然而,发明人在实现本发明的过程中,发现通过集中式数据处理方式对边云协同需求进行处理,至少存在:数据处理时间长,且精度不高的技术弊端。
发明内容
本发明所要解决的技术问题是针对现有技术中所存在的上述缺陷,提供基于边缘计算的边云协同需求的优化方法和系统,用以解决现有技术中存在数据处理时间长,且精度不高的问题。
根据本发明实施例的一个方面,本发明实施例提供了基于边缘计算的边云协同需求的优化方法,包括:
获取终端发送的边云协同需求;
对所述边云协同需求进行分析,生成计算流分配信息;
将所述计算流分配信息发送至所述终端。
进一步地,所述对所述边云协同需求进行分析,生成计算流分配信息,包括:
根据预设的第一迭代分析规则对所述边云协同需求进行迭代分析处理,得到多个需求信息;
对多个所述需求信息进行汇总处理,得到请求信息;
根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理,得到所述计算流分配信息。
进一步地,所述根据预设的第一迭代分析规则对所述边云协同需求进行迭代分析处理,得到多个需求信息,包括:
根据预设的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述边云协同需求中的第一需求进行分析,得到与其对应的第一需求信息;
根据所述第一需求和预设的迭代参数确定所述边云协同需求中的第二需求;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求进行分析,得到与其对应的第二需求信息。
进一步地,所述根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理,得到所述计算流分配信息,包括:
判断所述第一需求信息是否满足预设的深度分析评价条件,得到判断结果;
如果所述判断结果为否,则根据所述第一需求信息和所述迭代参数确定所述第二需求信息;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求信息进行分析,得到与所述第二需求信息对应的计算流分配信息。
进一步地,所述方法还包括:
获取所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比;
其中,所述判断所述第一需求信息是否满足预设的深度分析评价条件,包括:
根据所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比,确定所述第一需求信息是否满足所述深度分析评价条件。
进一步地,所述根据所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比,确定所述第一需求信息是否满足所述深度分析评价条件,包括:
根据式1确定所述第一需求信息是否满足所述深度分析评价条件,式1:
进一步地,所述根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求信息进行分析,得到与所述第二需求信息对应的计算流分配信息,包括:
其中,为所述第一需求信息对应的计算流分配信息,为所述第二需求信息对应的协同时延,为所述第二需求信息对应的协同计算能耗成本比,为所述第二需求信息对应的协同宽带能耗成本比,为所述第二需求信息对应的加强因子,Lmin G为历史最小协同时延,Cmax G为历史最大协同计算能耗成本比,Wmax G为历史最大协同宽带能耗成本比,ΔVk+1为所述第二需求信息对应的调整因子。
根据本公开实施例的另一个方面,本公开实施例还提供了一种基于边缘计算的边云协同需求的优化系统,包括:
获取模块,用于获取终端发送的边云协同需求;
分析模块,用于对所述边云协同需求进行分析,生成计算流分配信息;
发送模块,用于将所述计算流分配信息发送至所述终端。
进一步地,所述分析模块具体用于:
根据预设的第一迭代分析规则对所述边云协同需求进行迭代分析处理,得到多个需求信息;
对多个所述需求信息进行汇总处理,得到请求信息;
根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理,得到所述计算流分配信息。
进一步地,所述分析模块具体用于:
根据预设的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述边云协同需求中的第一需求进行分析,得到与其对应的第一需求信息;
根据所述第一需求和预设的迭代参数确定所述边云协同需求中的第二需求;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求进行分析,得到与其对应的第二需求信息。
进一步地,所述分析模块具体用于:
判断所述第一需求信息是否满足预设的深度分析评价条件,得到判断结果;
如果所述判断结果为否,则根据所述第一需求信息和所述迭代参数确定所述第二需求信息;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求信息进行分析,得到与所述第二需求信息对应的计算流分配信息。
进一步地,所述获取模块还用于:获取所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比;
所述分析模块具体用于:根据所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比,确定所述第一需求信息是否满足所述深度分析评价条件。
进一步地,所述分析模块具体用于:根据式1确定所述第一需求信息是否满足所述深度分析评价条件,式1:
其中,为所述第一需求信息对应的计算流分配信息,为所述第二需求信息对应的协同时延,为所述第二需求信息对应的协同计算能耗成本比,为所述第二需求信息对应的协同宽带能耗成本比,为所述第二需求信息对应的加强因子,Lmin G为历史最小协同时延,Cmax G为历史最大协同计算能耗成本比,Wmax G为历史最大协同宽带能耗成本比,ΔVk+1为所述第二需求信息对应的调整因子。
本发明实施例的有益效果在于,由于采用了获取终端发送的边云协同需求,对边云协同需求进行分析,生成计算流分配信息,将计算流分配信息发送至终端,避免了现有技术中数据处理时间长,且精确度不高的技术问题,实现了高效且精准的对数据进行处理的技术效果。
附图说明
图1为根据本公开实施例的基于边缘计算的边云协同需求的优化系统的框架结构示意图;
图2为根据本公开实施例的边云协同计算流分配分析器对应的分析功能架构图;
图3为根据本公开实施例的基于边缘计算的边云协同需求的优化方法的流程示意图;
图4为根据本公开另一实施例的基于边缘计算的边云协同需求的优化方法的流程示意图;
图5为根据本公开实施例的深度分析模型的结构示意图;
图6为根据本公开实施例提供深度分析原理图;
图7为根据本公开实施例的基于边缘计算的边云协同需求的优化系统的模块示意图;
附图标记:
1、运营商网络传输层,2、核心云平台层,3、边云协同数据中心层,4、边云协同边缘网关接入层,11、获取模块,12、分析模块,13、发送模块。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本发明。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例提供了基于边缘计算的边云协同需求的优化方法和系统。
请参阅图1,图1为根据本公开实施例的基于边缘计算的边云协同需求的优化系统的框架结构示意图。
如图1所述,该框架结构包括运营商网络传输层1,核心云平台层2,边云协同数据中心层3,边云协同边缘网关接入层4。
其中,运营商网络传输层1包括至少一个通信基站,且为保证通信基站的通信质量和效果,以满足高效通信,以及满足用户的通信需求和体验,通信基站优选为5G通信基站。
具体地,用户(个人或者公司)通过终端将边云协同需求发送至运营商网络传输层1,具体为将边云协同需求发送至5G通信基站。
其中,终端可以是移动设备例如手机、笔记本电脑平板电脑、个人数字助理等,也可以是固定设备,例如台式电脑等。
通信基站将边云协同需求发送至核心云平台层2。
具体地,为确保数据传输过程中的安全性及可靠性,通信基站根据预设的加密信道将边云协同需求发送至核心云平台层2。
其中,核心云平台层2包括至少一个边云协同计算流分配分析器。
具体地,通信基站将边云协同需求发送至边云协同计算流分配分析器。当边云协同需求为一个,边云协同计算流分配分析器亦为一个时,则边云协同需求分配至该边云协同计算流分配分析器,由该边云协同计算流分配分析器对该边云协同需求进行分析,得到相应的计算流分配信息。当边云协同需求为一个,边云协同计算流分配分析器为多个时,则可通过多种分配方式实现,如方式一:将该边云协同需求随机分配至任一边云协同计算流分配分析器;方式二:基于分析效率从多个边云协同计算流分配分析器中选取历史分析效率最高的边云协同计算流分配分析器;方式三:基于每个边云协同计算流分配分析器的当前剩余资源选取当前剩余资源最多的边云协同计算流分配分析器。此处只是示范性的说明,而不能理解为对本实施例的范围的限定。
请参阅图2,图2为根据本公开实施例的边云协同计算流分配分析器对应的分析功能架构图。
结合图2可知,任一边云协同计算流分配分析器可对多个边云协同需求进行分析,并分别输出相应的分析结果,即输出与每个边云协同需求对应的计算流分配信息。各边云协同需求的分析为并行机制,互不干扰。
云协同计算流分配分析器在得到边云协同需求对应的计算流分配信息后,会将计算流分配信息发送至边云协同数据中心层3。
具体地,为确保数据传输过程中的安全性及可靠性,云协同计算流分配分析器通过预设的加密专线将计算流分配信息发送至边云协同数据中心层3。
其中,边云协同数据中心层3包括至少一个边云协同边缘服务器。
具体地,云协同计算流分配分析器通过预设的加密专线将每个计算流分配信息发送至边云协同边缘服务器。
边云协同边缘服务器将接收到的每个计算流分配信息均发送至边云协同边缘网关接入层4。
其中,边云协同边缘网关接入层4包括至少一个边云协同边缘网关。
具体地,边云协同边缘服务器将接收到的每个计算流分配信息发送至边云协同边缘网关。
边云协同边缘网关将每个计算流分配信息发送至运营商网络传输层1。
具体地,为确保数据传输过程中的安全性及可靠性,边云协同边缘网关通过预设的加密专线将计算流分配信息发送至运营商网络传输层1。
具体地,边云协同边缘网关通过预设的加密专线将计算流分配信息发送至运营商网络传输层1中的通信基站,以便通信基站将计算流分配信息反馈至终端。
优选地,可建立边云协同数据中心层3和终端之间的专线,尤其是针对企业而言,可以较大幅度的提高效率,节约时间。
如,建立联通公司(包括联通总公司和/或联通分公司)的终端与边云协同数据中心层3之间的专线。具体为建立联通公司的终端与边云协同数据中心层3中的某一或某几个边云协同边缘服务器之间的企业专线。当建立了企业专线的任意一个边云协同边缘服务器接收到边云协同计算流分配分析器发送的计算流分配信息后,直接通过该企业专线反馈至联通公司的终端。
通过本公开实施例提供的框架图对应的方案,避免了现有技术中采用集中式数据处理的方式对边云协同需求进行处理造成的数据量大,消耗时间长,浪费资源的问题,实现了提高效率,降低成本等技术效果。
根据本公开实施例的一个方面,本公开实施例提供了基于边缘计算的自动生成PPT模板的方法,该方法基于上述框架结构。
请参阅图3,图3为根据本公开实施例的基于边缘计算的边云协同需求的优化方法的流程示意图。
如图3所示,该方法包括:
S1:获取终端发送的边云协同需求。
其中,用户包括企业和个人,企业包括包含总公司和分支公司的企业。
S2:对边云协同需求进行分析,生成计算流分配信息。
在一些实施例中,S2包括:
S2-1:根据预设的第一迭代分析规则对边云协同需求进行迭代分析处理,得到多个需求信息。
结合图4可知,在一些实施例中,S2-1包括:
S2-1-1:根据预设的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对边云协同需求中的第一需求进行分析,得到与其对应的第一需求信息。
S2-1-2:根据第一需求和预设的迭代参数确定边云协同需求中的第二需求。
其中,迭代参数包括:迭代最大次数,迭代增加次数。具体地:
初始迭代次数为0,即对首个需求进行分析。然后再迭代次数上加1,即为第一次迭代,对次个需求进行分析。
S2-1-3:根据多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对第二需求进行分析,得到与其对应的第二需求信息。
S2-2:对多个需求信息进行汇总处理,得到请求信息。
S2-3:根据预设的第二迭代分析规则对请求信息进行迭代分析处理,得到计算流分配信息。
在一些实施例中,S2-3包括:
S2-3-1:判断第一需求信息是否满足预设的深度分析评价条件,得到判断结果。
在一些实施例中,在S2-3-1之前,还包括:获取第一需求信息对应的协同时延、第一需求信息对应的协同计算能耗成本比和第一需求信息对应的协同宽带能耗成本比。
则S2-3-1具体包括:根据第一需求信息对应的协同时延、第一需求信息对应的协同计算能耗成本比和第一需求信息对应的协同宽带能耗成本比,确定第一需求信息是否满足深度分析评价条件。
在一些实施例中,S2-3-1具体包括:根据式1确定第一需求信息是否满足深度分析评价条件,式1:
请参阅图5,图5为根据本公开实施例的深度分析模型的结构示意图。
如图5所示,m,n和q分别为该深度分析模型的三个方向的向量上的取值。
现结合图6对深度分析模型对应的深度分析原理进行详细的阐述。其中,如图6所示,每次迭代中的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型思想为:在1,2,…h多维空间中,多个深度分析方案根据多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型向最优化边云协同分析方案确定的方向迁移,也即图6中实线圆球所在位置。图6中间部分为多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型原理,边云协同需求在输入后经过请求输入、多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型分析后输出相应分析结果。图6右边部分的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型多层包含:协同时延L、系统协同带宽能耗成本比W、协同计算能耗成本比C(系统协同带宽能耗成本比=协同带宽总能耗/有效协同带宽能耗,协同计算能耗成本比=协同计算总能耗/有效协同计算能耗)。输出量包含:计算流分配信息(即边云协同分配方案),如图6中右边部分。
结合多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型等理论优势的深度分析得到结果。
其中,Z1为第一次估计平均值,为第一次协同时延,为第一次协同时延平均值,为第一次协同带宽能耗成本比,为第一次协同带宽能耗成本比平均值,为第一次协同计算能耗成本比,为第一次协同计算能耗成本比平均值,为第k次最优估计值,为协同时延平均值,为协同带宽能耗成本比平均值,为协同计算能耗成本比平均值,Zk为第k次最优值,为第k-1次最优估计值,Zk-1为第k-1次最优值。
如果判断结果为否,则执行S2-3-2:根据第一需求信息和迭代参数确定第二需求信息。
如:迭代参数包括:迭代最大次数,迭代增加次数。具体地:
初始迭代次数为0,即对首个需求信息进行分析。然后再迭代次数上加1,即为第一次迭代,对次个需求信息进行分析。
在一种可能实现的方案中,对当前迭代次数与最大迭代次数进行比较,如果当前迭代次数大于最大迭代次数时,则结束流程。如果当前迭代次数小于或等于最大迭代次数时,则跳转至S2-3-1。
S2-3-3:根据多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对第二需求信息进行分析,得到与第二需求信息对应的计算流分配信息。
在一些实施例中,S2-3-3包括:
其中,为第一需求信息对应的计算流分配信息,为第二需求信息对应的协同时延,为第二需求信息对应的协同计算能耗成本比,为第二需求信息对应的协同宽带能耗成本比,为第二需求信息对应的加强因子,Lmin G为历史最小协同时延,Cmax G为历史最大协同计算能耗成本比,Wmax G为历史最大协同宽带能耗成本比,ΔVk+1为第二需求信息对应的调整因子。
S3:将计算流分配信息发送至所述终端。
根据本公开实施例的另一个方面,本公开实施例还提供了基于边缘计算的边云协同需求的优化系统。
请参阅图7,图7为根据本公开实施例的基于边缘计算的边云协同需求的优化系统的模块示意图。
如图7所示,该系统包括:
获取模块11,用于获取终端发送的边云协同需求;
分析模块12,用于对边云协同需求进行分析,生成计算流分配信息;
发送模块13,用于将计算流分配信息发送至终端。
在一些实施例中,分析模块12具体用于:
根据预设的第一迭代分析规则对边云协同需求进行迭代分析处理,得到多个需求信息;
对多个需求信息进行汇总处理,得到请求信息;
根据预设的第二迭代分析规则对请求信息进行迭代分析处理,得到计算流分配信息。
在一些实施例中,分析模块12具体用于:
根据预设的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对边云协同需求中的第一需求进行分析,得到与其对应的第一需求信息;
根据第一需求和预设的迭代参数确定边云协同需求中的第二需求;
根据多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对第二需求进行分析,得到与其对应的第二需求信息。
在一些实施例中,分析模块12具体用于:
判断第一需求信息是否满足预设的深度分析评价条件,得到判断结果;
如果判断结果为否,则根据第一需求信息和迭代参数确定所述第二需求信息;
根据多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对第二需求信息进行分析,得到与第二需求信息对应的计算流分配信息。
在一些实施例中,获取模块11还用于:获取第一需求信息对应的协同时延、第一需求信息对应的协同计算能耗成本比和第一需求信息对应的协同宽带能耗成本比;
分析模块12具体用于:根据第一需求信息对应的协同时延、第一需求信息对应的协同计算能耗成本比和第一需求信息对应的协同宽带能耗成本比,确定第一需求信息是否满足深度分析评价条件。
在一些实施例中,分析模块12具体用于:
根据式1确定第一需求信息是否满足深度分析评价条件,式1:
在一些实施例中,分析模块12具体用于:
其中,为第一需求信息对应的计算流分配信息,为第二需求信息对应的协同时延,为第二需求信息对应的协同计算能耗成本比,为第二需求信息对应的协同宽带能耗成本比,为第二需求信息对应的加强因子,Lmin G为历史最小协同时延,Cmax G为历史最大协同计算能耗成本比,Wmax G为历史最大协同宽带能耗成本比,ΔVk+1为第二需求信息对应的调整因子。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
还应理解,在本发明各实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于边缘计算的边云协同需求的优化方法,其中,包括:
获取终端发送的边云协同需求;
对所述边云协同需求进行分析,生成计算流分配信息;
将所述计算流分配信息发送至所述终端;
所述对所述边云协同需求进行分析,生成计算流分配信息,包括:
根据预设的第一迭代分析规则对所述边云协同需求进行迭代分析处理,得到多个需求信息;
对多个所述需求信息进行汇总处理,得到请求信息;
根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理,得到所述计算流分配信息;
所述根据预设的第一迭代分析规则对所述边云协同需求进行迭代分析处理,得到多个需求信息,包括:
根据预设的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述边云协同需求中的第一需求进行分析,得到与其对应的第一需求信息;
根据所述第一需求和预设的迭代参数确定所述边云协同需求中的第二需求;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求进行分析,得到与其对应的第二需求信息;
所述根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理,得到所述计算流分配信息,包括:
判断所述第一需求信息是否满足预设的深度分析评价条件,得到判断结果;
如果所述判断结果为否,则根据所述第一需求信息和所述迭代参数确定所述第二需求信息;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求信息进行分析,得到与所述第二需求信息对应的计算流分配信息;
所述方法还包括:
获取所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比;
其中,所述判断所述第一需求信息是否满足预设的深度分析评价条件,包括:
根据所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比,确定所述第一需求信息是否满足所述深度分析评价条件。
3.根据权利要求2所述的方法,其中,所述根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求信息进行分析,得到与所述第二需求信息对应的计算流分配信息,包括:
4.一种基于边缘计算的边云协同需求的优化系统,其中,包括:
获取模块,用于获取终端发送的边云协同需求;
分析模块,用于对所述边云协同需求进行分析,生成计算流分配信息;
发送模块,用于将所述计算流分配信息发送至所述终端;
所述分析模块具体用于:
根据预设的第一迭代分析规则对所述边云协同需求进行迭代分析处理,得到多个需求信息;
对多个所述需求信息进行汇总处理,得到请求信息;
根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理,得到所述计算流分配信息;
所述分析模块具体用于:
根据预设的多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述边云协同需求中的第一需求进行分析,得到与其对应的第一需求信息;
根据所述第一需求和预设的迭代参数确定所述边云协同需求中的第二需求;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求进行分析,得到与其对应的第二需求信息;
判断所述第一需求信息是否满足预设的深度分析评价条件,得到判断结果;
如果所述判断结果为否,则根据所述第一需求信息和所述迭代参数确定所述第二需求信息;
根据所述多层神经网络模型、蒙特卡洛搜索树、回归模型、多层卷积网络模型中的一种或多种对所述第二需求信息进行分析,得到与所述第二需求信息对应的计算流分配信息;
所述获取模块还用于:获取所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比;
所述分析模块具体用于:根据所述第一需求信息对应的协同时延、所述第一需求信息对应的协同计算能耗成本比和所述第一需求信息对应的协同宽带能耗成本比,确定所述第一需求信息是否满足所述深度分析评价条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261949.XA CN109976915B (zh) | 2019-04-02 | 2019-04-02 | 基于边缘计算的边云协同需求的优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261949.XA CN109976915B (zh) | 2019-04-02 | 2019-04-02 | 基于边缘计算的边云协同需求的优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109976915A CN109976915A (zh) | 2019-07-05 |
CN109976915B true CN109976915B (zh) | 2021-04-13 |
Family
ID=67082496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910261949.XA Active CN109976915B (zh) | 2019-04-02 | 2019-04-02 | 基于边缘计算的边云协同需求的优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109976915B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112311834B (zh) * | 2019-08-02 | 2022-08-30 | 阿里巴巴集团控股有限公司 | 边缘云的多级计算的描述及分发方法和系统 |
CN110427261A (zh) * | 2019-08-12 | 2019-11-08 | 电子科技大学 | 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法 |
CN110602103B (zh) * | 2019-09-17 | 2021-09-10 | 中国联合网络通信集团有限公司 | 电子锁协议转换优化方法及电子锁协议转换优化器 |
CN111340456A (zh) * | 2020-03-06 | 2020-06-26 | 国网冀北电力有限公司 | 基于物联网的边云协同数据处理方法、装置及设备 |
CN111741066B (zh) * | 2020-05-19 | 2022-03-15 | 中国电子科技网络信息安全有限公司 | 一种基于边缘云的服务流量协同代理和访问控制方法 |
CN111611085B (zh) * | 2020-05-28 | 2023-09-22 | 中国科学院自动化研究所 | 基于云边协同的人机混合增强智能系统、方法、装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107087019A (zh) * | 2017-03-14 | 2017-08-22 | 西安电子科技大学 | 一种端云协同计算架构及任务调度装置及方法 |
CN107249218A (zh) * | 2017-06-05 | 2017-10-13 | 东南大学 | 一种mec中无线资源和云资源的联合分配方法 |
EP3300049A1 (en) * | 2016-09-26 | 2018-03-28 | Kyland Technology Co., Ltd. | Intelligent traffic cloud control system |
CN108901046A (zh) * | 2018-06-14 | 2018-11-27 | 北京大学 | 面向移动边缘计算的协同任务卸载算法及系统设计方案 |
CN108924198A (zh) * | 2018-06-21 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的数据调度方法、装置及系统 |
CN109150738A (zh) * | 2018-07-12 | 2019-01-04 | 南京邮电大学 | 工业互联网资源管理方法及系统、可读存储介质和终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102970713B (zh) * | 2012-12-07 | 2015-04-29 | 中国联合网络通信集团有限公司 | 基于分层网络业务分流的方法和设备 |
CN107959708B (zh) * | 2017-10-24 | 2020-10-13 | 北京邮电大学 | 一种基于云端-边缘端-车端的车联网服务协同计算方法与系统 |
-
2019
- 2019-04-02 CN CN201910261949.XA patent/CN109976915B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3300049A1 (en) * | 2016-09-26 | 2018-03-28 | Kyland Technology Co., Ltd. | Intelligent traffic cloud control system |
CN107087019A (zh) * | 2017-03-14 | 2017-08-22 | 西安电子科技大学 | 一种端云协同计算架构及任务调度装置及方法 |
CN107249218A (zh) * | 2017-06-05 | 2017-10-13 | 东南大学 | 一种mec中无线资源和云资源的联合分配方法 |
CN108901046A (zh) * | 2018-06-14 | 2018-11-27 | 北京大学 | 面向移动边缘计算的协同任务卸载算法及系统设计方案 |
CN108924198A (zh) * | 2018-06-21 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的数据调度方法、装置及系统 |
CN109150738A (zh) * | 2018-07-12 | 2019-01-04 | 南京邮电大学 | 工业互联网资源管理方法及系统、可读存储介质和终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109976915A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109976915B (zh) | 基于边缘计算的边云协同需求的优化方法和系统 | |
US20210158216A1 (en) | Method and system for federated learning | |
Chen et al. | Dynamic aggregation for heterogeneous quantization in federated learning | |
CN109918201B (zh) | 任务卸载的控制方法和系统 | |
Cerroni et al. | Live migration of virtual network functions in cloud-based edge networks | |
Naumov et al. | LTE performance analysis using queuing systems with finite resources and random requirements | |
US9967275B1 (en) | Efficient detection of network anomalies | |
CN110933147A (zh) | 一种基于云计算的信息技术分析系统 | |
CN111294959A (zh) | 一种联合用户分组和功率分配的优化方法及其优化装置 | |
US20150212973A1 (en) | Integrated utility based data processing methods | |
Malik et al. | Fundamental limits of stochastic shared-cache networks | |
Mishra et al. | H3CSA: A makespan aware task scheduling technique for cloud environments | |
US9152688B2 (en) | Summarizing a stream of multidimensional, axis-aligned rectangles | |
US11374869B2 (en) | Managing bandwidth based on user behavior | |
CN110069319B (zh) | 一种面向朵云资源管理的多目标虚拟机调度方法及系统 | |
Tang et al. | Tackling system induced bias in federated learning: Stratification and convergence analysis | |
Zhang et al. | Accelerating Federated learning on non-IID data against stragglers | |
CN109982295B (zh) | 业务模板的推送方法及业务模板的推送器 | |
Wysocki et al. | Mean-variance based QoS management in cognitive radio | |
CN108259532B (zh) | 云资源的调度方法以及装置 | |
Lee et al. | Asymptotic delay–outage analysis for noise-limited wireless networks with caching, computing, and communications | |
CN112543481B (zh) | 一种边缘节点算力负载均衡的方法、装置及系统 | |
Yang et al. | Replica placement in content delivery networks with stochastic demands and M/M/1 servers | |
CN110365799B (zh) | 一种集群多节点调度方法、装置和计算机可读存储介质 | |
Hanczewski et al. | A Multiparameter Analytical Model of the Physical Infrastructure of a Cloud-Based System |
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 |