CN109996247A - 网络化资源调配方法、装置、设备及存储介质 - Google Patents
网络化资源调配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109996247A CN109996247A CN201910239999.8A CN201910239999A CN109996247A CN 109996247 A CN109996247 A CN 109996247A CN 201910239999 A CN201910239999 A CN 201910239999A CN 109996247 A CN109996247 A CN 109996247A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- resource allocation
- allocation period
- load
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/52—Allocation or scheduling criteria for wireless resources based on load
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网络化资源调配方法、装置、设备及存储介质,通过基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神经网络预测模型获取下一资源调配周期各项任务的预测负荷,之后采用第一优化算法计算与下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务的预调配资源,再根据该下一资源调配周期各项任务的预调配资源,将网络化资源接入各项任务的执行节点,其中,所述神经网络预测模型是根据历史记录的资源调配周期、场景态势数据和各项任务负荷为训练集训练得到的,从而充分利用了两个资源调配周期之间的时间进行负荷预测和资源预调配,有效提高了资源调配效率,实现了网络化资源的有效应用。
Description
技术领域
本发明涉及资源管理技术领域,特别涉及一种网络化资源调配方法、装置、 设备及存储介质。
背景技术
随着部队装备体系和信息化建设的开展,各类侦察、干扰、探测等装备的 数量、种类、功能不断增多,需要调配的资源越来越复杂,面向的任务也越来 越复杂,因此,对各类资源的网络化动态调配已成为资源管理的必然发展趋势。
现有的对各类资源的网络化动态调配方法有多种:
一种方法中,是利用移动性管理平台向群组终端发送各业务对应的业务调 用请求,并在响应各业务调用请求的终端中确定各业务的业务中心点,各业务 中心点根据响应的业务调用请求配置终端环境,将配置的终端环境信息上传给 移动性管理平台。如此,在多业务情况下,移动性管理平台能够根据业务的不 同选择不同的终端为业务中心点,从而提高了网络资源的利用效率。缺点为: 该方案仅根据当前各终端的业务调用请求配置终端资源,当任务节点数量巨大, 任务动态变化时,网络化资源管理系统面对复杂的资源调配问题需要较长时间 求解,降低了资源调配的实时性和配置效率,且可能造成管理瘫痪,难以应对 多时变任务中网络化资源的调配,降低了战场资源的保障能力。
另一种方法中,采用了两级调度优化模块,具体为分别采用不同的仿生智 能算法对一级调度模块和二级调度模块的资源调度分配进行优化,为云端虚拟 机负载均衡提供静态与动态全局最优解,从而获得最优的调度方案。而该方案 仍是针对当前业务请求的一次规划,虽然通过一级优化模块对任务和虚拟资源 建立初步映射,增强了面向大量任务的资源调配能力,但面对任务需求动态变 化的能力仍不足,在多时变任务中,网络化资源调配的配置效率仍较低。
因此,现有的网络化资源的调配方案对于多时变任务中的资源调配均存在 配置效率较低的技术问题。
发明内容
本发明的目的在于提供一种网络化资源调配方法、装置、设备及存储介质, 从而克服现有的网络化资源的调配方案对于多时变任务中的资源调配效率较低 的技术问题。
第一方面,本发明实施例提供了一种网络化资源调配方法,包括:
基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神经网络 预测模型获取下一资源调配周期各项任务的预测负荷;
采用第一优化算法计算与所述下一资源调配周期各项任务的预测负荷相对 应的下一资源调配周期各项任务的预调配资源;
根据所述下一资源调配周期各项任务的预调配资源,将网络化资源接入各 项任务的执行节点;
其中,所述神经网络预测模型是根据历史资源调配周期所记录的场景态势 数据和各项任务负荷为训练集训练得到的。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述采用 第一优化算法计算所述下一资源调配周期各项任务的预测负荷相对应的下一资 源调配周期各项任务的预调配资源之后,还包括:
获取下一资源调配周期各项任务的实际负荷;
判断所述下一资源调配周期各项任务的预调配资源是否满足对应的实际负 荷;
若存在某项任务的预调配资源不满足对应的实际负荷,则将该项任务放入 待调配任务中,并将该项任务的预调配资源放入待调配资源中;
采用第二优化算法对所述待调配任务和所述待调配资源进行局部优化调整 计算,获得所述下一资源调配周期各项任务对应的优化后的预调配资源;
根据所述优化后的预调配资源,将网络化资源接入各项任务的执行节点。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述判断 所述下一资源调配周期各项任务的预调配资源是否满足对应的实际负荷,具体 包括:
计算与所述下一资源调配周期各项任务的实际负荷相对应的下一资源调配 周期各项任务的实际资源需求量;
判断所述下一资源调配周期各项任务的预调配资源与所述下一资源调配周 期各项任务的实际资源需求量的差值是否在预设容许偏差内。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,还包括:
经过一个或多个资源调配周期后,根据每个资源调配周期中各项任务的预 测负荷与实际负荷,对所述神经网络预测模型的参数进行修正。
第二方面,本发明实施例提供了一种网络化资源调配装置,包括:
获取模块,基于当前资源调配周期的场景态势数据以及各项任务负荷,根 据神经网络预测模型获取下一资源调配周期各项任务的预测负荷;
计算模块,用于采用第一优化算法计算与所述下一资源调配周期各项任务 的预测负荷相对应的下一资源调配周期各项任务的预调配资源;
接入模块,用于根据所述下一资源调配周期各项任务的预调配资源,将网 络化资源接入各项任务的执行节点;
其中,所述神经网络预测模型是根据历史资源调配周期所记录的场景态势 数据和各项任务负荷为训练集训练得到的。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,
所述获取模块,还用于在所述计算模块采用第一优化算法计算所述下一资 源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务的预调配 资源之后,获取下一资源调配周期各项任务的实际负荷;
判断模块,用于判断所述下一资源调配周期各项任务的预调配资源是否满 足对应的实际负荷;若存在某项任务的预调配资源不满足对应的实际负荷,则 将该项任务放入待调配任务中,并将该项任务的预调配资源放入待调配资源中;
所述计算模块,还用于采用第二优化算法对所述待调配任务和所述待调配 资源进行局部优化调整计算,获得所述下一资源调配周期各项任务对应的优化 后的预调配资源;
所述接入模块,还用于根据所述优化后的预调配资源,将网络化资源接入 各项任务的执行节点。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,所述判断 模块包括:
计算单元,用于计算与所述下一资源调配周期各项任务的实际负荷相对应 的下一资源调配周期各项任务的实际资源需求量;
判断单元,用于判断所述下一资源调配周期各项任务的预调配资源与所述 下一资源调配周期各项任务的实际资源需求量的差值是否在预设容许偏差内。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,还包括:
修正模块,用于经过一个或多个资源调配周期后,根据每个资源调配周期 中各项任务的预测负荷与实际负荷,对所述神经网络预测模型的参数进行修正。
第三方面,本发明实施例提供了一种网络化资源调配设备,包括:存储器 和处理器;
所述存储器,用于存储计算机程序;
其中,所述处理器执行所述存储器中的计算机程序,以实现上述第一方面 中所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可 读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上 述第一方面中所述的方法。
与现有技术相比,本发明提供的网络化资源调配方法、装置、设备及存储 介质,在网络化系统的多时变任务处理中,通过基于当前资源调配周期的场景 态势数据以及各项任务负荷,根据神经网络预测模型获取下一资源调配周期各 项任务的预测负荷,之后采用第一优化算法计算与下一资源调配周期各项任务 的预测负荷相对应的下一资源调配周期各项任务的预调配资源,再根据该下一 资源调配周期各项任务的预调配资源,将网络化资源接入各项任务的执行节点, 其中,所述神经网络预测模型是根据历史记录的资源调配周期、场景态势数据 和各项任务负荷为训练集训练得到的,从而充分利用了两个资源调配周期之间 的时间进行负荷预测和资源预调配,有效提高了资源调配效率,实现了网络化 资源的有效应用。
附图说明
图1是本发明实施例一提供的网络化资源调配方法的流程示意图;
图2是本发明实施例一提供的Elman神经网络结构示意图;
图3是本发明实施例一提供的粒子群优化算法的流程示意图;
图4是本发明实施例二提供的网络化资源调配方法的流程示意图;
图5是本发明实施例二提供的对Elman神经网络进行权值修正的流程示意 图;
图6是本发明实施例三提供的网络化资源调配装置的结构示意图;
图7是本发明实施例四提供的网络化资源调配装置的结构示意图;
图8为本发明实施例五提供的网络化资源调配设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发 明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括” 或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部 分,而并未排除其它元件或其它组成部分。
实施例一
图1为本发明实施例一提供的网络化资源调配方法的流程示意图,如图1 所示,该方法包括以下步骤S101~S103:
S101、基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神 经网络预测模型获取下一资源调配周期各项任务的预测负荷。
其中,所述神经网络预测模型是根据历史资源调配周期所记录的场景态势 数据和各项任务负荷为训练集训练得到的。
其中,场景态势数据是例如战场全方位信息。各项任务负荷是针对相应的 场景态势数据分配的各项任务负荷。针对各项任务负荷,资源调配从开始到结 束为一资源调配周期。
实际应用中,本实施例的执行主体可以为网络化资源调配装置,该网络化 资源调配装置可以通过虚拟装置实现,例如软件代码,也可以通过写入有相关 执行代码的实体装置实现,例如U盘,再或者,也可以通过集成有相关执行代 码的实体装置实现,例如,芯片、资源调配系统等。
结合实际场景进行示例:以本实施例的执行主体为资源调配系统为例,实 际应用中,资源调配系统面向m类任务,在资源调配周期t,资源调配系统任 务负荷为每类任务数量为Mi(i=1,2,…,m)。可调配类资 源n类,每类资源数量Ni(i=1,2,…,n),各类资源数量的集合N={N1,N2,...,Nn}。 第i类资源分布于oi个执行节点,各执行节点资源数量集合 第j类任务对n种资源的需求分别为 Qj=[Qj1,Qj2,...,Qjn],也即配给第j类任务的资源满足Qj,该任务可完成。
为实现各类资源的网络化和按照任务需求进行动态调配,可以采用统一语 言对网络中各执行节点资源的属性、功能、状态、使用成本和调配机制等进行 封装,形成通用资源内核,为资源调配过程中的描述、浏览、查找、选择、组 合等提供统一概念。其中,一个通用资源内核(Unified Kernel of Resource,UKR) 可由一个十元组来描述:UKR=(Class,ID,Static proporty,Dynamic proporty, Function,Capability,Cost,Port,Callingmode,Limitation)。其中,Class为资 源类别,例如战场上的探测资源、干扰资源、战场资源、攻击资源等;ID为该 资源在网络化调配中的唯一标识;Static proporty表示资源的静态属性,包括资 源的固有特性参数,以及在使用和调用过程中不变的特性参数;Dynamicproporty为资源的动态属性,表示资源随时间和任务动态变化的参数特性; Function标识该资源所具有的功能;Capability描述了资源在Function所标识的 功能方面的能力;Cost为调用各类任务该资源的所需费用,用于优化资源调配 中,使完成当前任务消耗的总费用最小;Port描述了资源的接口和输入输出方 式;Calling mode为资源的调用方式,包括完全可调用或部分可调用,已占用等; Limitation为该资源的使用限制,如探测资源的频率覆盖范围等。
在通用资源内核构建完成后,对任务类别、任务参数进行初始化,对所有 待调配资源的静态属性、动态属性、能力、费用、使用限制等参数进行初始化。 对各项数据进行初始化之后,在进行上述步骤S101之前,需要对神经网络预测 模型进行训练,该神经网络可以是Elman神经网络、向量机(Support Vector Machine,SVM)、概率神经网络、学习向量化(Learning Vector Quantization,LVQ) 神经网络、小波神经网络、模糊神经网络、灰度神经网络等可用于数据预测的 神经网络,本申请对此不做限定。本实施例中采用Elman神经网络。
本实施例中的Elman神经网络具有四层结构,如图2所示,Elman神经网 络包含输入层、隐含层、承接层和输出层,并基于历史记录的资源调配周期、 场景态势数据和各项任务负荷为训练集对神经网络进行初始化和初步训练,具 体过程采用现有方法,在此不再赘述。如图2所示,该神经网络的输入层起信 号传输作用,在资源调配周期t,场景态势数据对应的描述向量为 则该神经网络的输入参数为资源调配周期t和态势描述向 量Kt组成的增广向量Ut,输入层总数为k+1。隐含层的传递函数采用非线性函 数,如S函数。承接层为上下文层或状态层,用于记忆隐含层迁移时刻的输出 值并返回给网络输入。输出层为下一资源调配周期t+1各项任务的预测负荷 因此输出层数量为m。
Elman神经网络的非线性状态空间表达式如下:
式中:Mt+1为输出层输出的m维矢量,xt为p维隐含层节点输出矢量,Ut为k+1维输入矢量,为p维反馈状态矢量,ω3为隐含层到输出层连接权值, ω2为输入层到隐含层连接权值,ω1为承接层到隐含层的连接权值。g(*)为输出 神经元传递函数,是隐含层输出的线性组合,f(*)为隐含层神经元传递函数。
Elman神经网络的特点是隐含层的输出通过承接层的延迟与存储,自联到 隐含层的输入。这种自联方式使得Elman神经网络对历史状态的数据具有敏感 性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到动态 建模的目的。此外,Elman神经网络能够以任意精度逼近任意非线性映射,可 不考虑外部噪声对系统影响的具体形式,仅需系统的输入输出数据即可对系统 进行建模。
为充分利用两次资源调配周期之间的空闲时间,提高资源调配效率,在完 成神经网络预测模型的构建、初始化和初步训练后,在将资源调配周期t的调 配资源Dt接入各任务负荷后,输入资源调配周期t和场景态势数据对应的描述 向量Kt组成的增广向量Ut,预测出下一资源调配周期t+1的各项任务的预测负 荷
S102、采用第一优化算法计算与所述下一资源调配周期各项任务的预测负 荷相对应的下一资源调配周期各项任务的预调配资源。
具体的,第一优化算法可以为:粒子群优化算法、遗传算法、蚁群算法、 进化算法、模拟退火算法等其它优化算法及其改进算法,本申请在此不做限定。 本实施例采用粒子群优化算法进行示例。在获得下一资源调配周期t+1的各项 任务的预测负荷后,通过粒子群算法计算与相对应的下一资源调配周 期t+1各项任务的预调配资源。具体的,通过粒子群算法优化得到预调配资源 其中,第i项任务的资源分配为 即对系统中n类网络化资源的调配决策,最终优化的 目标为针对资源调配周期t+1的任务负荷,优化得到资源分配策略Dt+1,使得各 类资源的调配不超出资源总量,满足各项任务的资源需求,以及满足其它和具 体任务相关的等式约束(h(Q,Dt+1)=0)和不等式约束(w(Q,Dt+1)≤0)。
相应的计算公式如下:
粒子群优化算法的流程如图3所示,该算法采用一群粒子在解空间中运动 以寻找全局最优解,粒子运动状态的更新同时考虑自身的最优位置(认知属性) 和全局最优位置(社会属性),因而能够同时兼顾最优解搜索的广度与深度,该算 法中解的优化性会随着迭代次数的增加而得到提高。
具体的,例如在第j+1次迭代中,粒子i的速度vi(j+1)和位置pi(j+1)按照下 式更新:
pi(j+1)=pi(j)+vi(j+1) i=1…N
其中,N表示粒子数目,pBesti(j)表示粒子i在前j次迭代中找到的最优解, gBest为全局最优解,ω为惯性权重,和分别表示认知比率和社会比率, rand为0和1之间的均匀分布随机数,IterMax为最大迭代次数。
S103、根据所述下一资源调配周期各项任务的预调配资源,将网络化资源 接入各项任务的执行节点。
具体的,根据步骤S102中得到下一资源调配周期各项任务的预调配资源 将网络化资源接入各项任务的执行节点。
本实施例提供的网络化资源调配方法,在网络化系统的多时变任务处理中, 通过基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神经网络 预测模型获取下一资源调配周期各项任务的预测负荷,之后采用第一优化算法 计算与下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项 任务的预调配资源,再根据该下一资源调配周期各项任务的预调配资源,将网 络化资源接入各项任务的执行节点,其中,所述神经网络预测模型是根据历史 记录的资源调配周期、场景态势数据和各项任务负荷为训练集训练得到的,从 而充分利用了两个资源调配周期之间的时间进行负荷预测和资源预调配,有效 提高了资源调配效率,实现了网络化资源的有效应用。
实施例二
图4为本发明实施例二提供的网络化资源调配方法的流程示意图,如图4 所示,该方法包括以下步骤S201~S207:
S201、基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神 经网络预测模型获取下一资源调配周期各项任务的预测负荷。
S202、采用第一优化算法计算与所述下一资源调配周期各项任务的预测负 荷相对应的下一资源调配周期各项任务的预调配资源。
其中,S201、S202分别与上述实施例中的S101、S102相同,具体请参照 实施例一中的解释说明,在本实施例中不再赘述。
S203、获取下一资源调配周期各项任务的实际负荷。
具体的,资源调配系统可以根据例如探测设备获取下一资源调配周期的场 景态势数据,根据该场景态势数据获取下一资源调配周期t+1各项任务的实际 负荷
S204、判断所述下一资源调配周期各项任务的预调配资源是否满足对应的 实际负荷。
上述判断是否满足对应的实际负荷的方法可以有多种,本实施例中,优选 的,步骤S204具体可以包括:
S204a、计算与所述下一资源调配周期各项任务的实际负荷相对应的下一资 源调配周期各项任务的实际资源需求量。
S204b、判断所述下一资源调配周期各项任务的预调配资源与所述下一资源 调配周期各项任务的实际资源需求量的差值是否在预设容许偏差内。
具体的,例如第j类任务对n种资源的需求分别为Qj=[Qj1,Qj2,...,Qjn],而 预设容许偏差为ΔQj=[ΔQj1,ΔQj2,...,ΔQjn],也即配给第j类任务的资源若在 Qj±ΔQj的范围内,则该任务仍可完成。
S205、若存在某项任务的预调配资源不满足对应的实际负荷,则将该项任 务放入待调配任务中,并将该项任务的预调配资源放入待调配资源中。
S206、采用第二优化算法对所述待调配任务和所述待调配资源进行局部优 化调整计算,获得所述下一资源调配周期各项任务对应的优化后的预调配资源。
具体的,第二优化算法可以为:粒子群优化算法、遗传算法、蚁群算法、 进化算法、模拟退火算法等其它优化算法及其改进算法,其可以与第一优化算 法相同,也可以不相同,本申请在此不做限定。本实施例采用粒子群优化算法, 具体优化过程与实施例一相同,在此不再赘述。
S207、根据所述优化后的预调配资源,将网络化资源接入各项任务的执行 节点。
本实施例提供的网络化资源调配方法,充分利用了两个资源调配周期之间 的时间进行负荷预测和资源预调配,并根据实际任务运行情况对预调配资源进 行局部调整,从而有效提高了资源调配效率和对多时变动态任务的应对能力, 实现了网络化资源的有效应用。
在上述任一实施例的基础上,另一个实施例提供的网络化资源调配方法中, 还可以包括以下步骤:
S301、经过一个或多个资源调配周期后,根据每个资源调配周期中各项任 务的预测负荷与实际负荷,对所述神经网络预测模型的参数进行修正。
实际应用中,每个资源调配周期之后,对得到的各项任务的预测负荷与对 应的实际负荷进行评价并存储在历史数据库中。经过R个资源调配周期后,基 于历史数据库中记录的各项任务的预测负荷与实际负荷Mt,t=1,2,…R,对 神经网络预测模型进行更新。例如,对Elman神经网络采用误差后向传播(Back Propagation,BP)算法进行权值修正,具体的对Elman神经网络进行权值修正 的流程如图5所示,其中,学习指标函数采用如下误差平方和函数:
本实施例中,通过历史数据周期性地对神经网络预测模型的参数进行修正, 提高了其对任务负荷预测的准确性,进一步提高了资源预调配的准确性,从而 有效提高了资源调配效率和对多时变动态任务的应对能力,实现了网络化资源 的有效应用。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请 装置实施例中未披露的细节,请参照本申请方法实施例。
实施例三
图6为本发明实施例三提供的网络化资源调配装置的结构示意图,如图6 所示,该装置可以包括:
获取模块610,基于当前资源调配周期的场景态势数据以及各项任务负荷, 根据神经网络预测模型获取下一资源调配周期各项任务的预测负荷;
计算模块620,用于采用第一优化算法计算与所述下一资源调配周期各项 任务的预测负荷相对应的下一资源调配周期各项任务的预调配资源;
接入模块630,用于根据所述下一资源调配周期各项任务的预调配资源, 将网络化资源接入各项任务的执行节点;
其中,所述神经网络预测模型是根据历史资源调配周期所记录的场景态势 数据和各项任务负荷为训练集训练得到的。
本实施例提供的网络化资源调配装置,在网络化系统的多时变任务处理中, 通过基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神经网络 预测模型获取下一资源调配周期各项任务的预测负荷,之后采用第一优化算法 计算与下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项 任务的预调配资源,再根据该下一资源调配周期各项任务的预调配资源,将网 络化资源接入各项任务的执行节点,其中,所述神经网络预测模型是根据历史 记录的资源调配周期、场景态势数据和各项任务负荷为训练集训练得到的,从 而充分利用了两个资源调配周期之间的时间进行负荷预测和资源预调配,有效 提高了资源调配效率,实现了网络化资源的有效应用。
实施例四
图7为本发明实施例四提供的网络化资源调配装置的结构示意图,如图7 所示,在上述实施例三的基础上,该装置中还包括:
所述获取模块610,还用于在所述计算模块620采用第一优化算法计算所 述下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务 的预调配资源之后,获取下一资源调配周期各项任务的实际负荷;
判断模块710,用于判断所述下一资源调配周期各项任务的预调配资源是 否满足对应的实际负荷;若存在某项任务的预调配资源不满足对应的实际负荷, 则将该项任务放入待调配任务中,并将该项任务的预调配资源放入待调配资源 中;
所述计算模块620,还用于采用第二优化算法对所述待调配任务和所述待 调配资源进行局部优化调整计算,获得所述下一资源调配周期各项任务对应的 优化后的预调配资源;
所述接入模块630,还用于根据所述优化后的预调配资源,将网络化资源 接入各项任务的执行节点。
优选的,所述判断模块710可以包括:
计算单元711,用于计算与所述下一资源调配周期各项任务的实际负荷相 对应的下一资源调配周期各项任务的实际资源需求量;
判断单元712,用于判断所述下一资源调配周期各项任务的预调配资源与 所述下一资源调配周期各项任务的实际资源需求量的差值是否在预设容许偏差 内。
本实施例提供的网络化资源调配装置,充分利用了两个资源调配周期之间 的时间进行负荷预测和资源预调配,并根据实际任务运行情况对预调配资源进 行局部调整,从而有效提高了资源调配效率和对多时变动态任务的应对能力, 实现了网络化资源的有效应用。
优选的,上述各实施例提供的装置还可以包括:
修正模块720,用于经过一个或多个资源调配周期后,根据每个资源调配 周期中各项任务的预测负荷与实际负荷,对所述神经网络预测模型的参数进行 修正。
本实施例中,通过历史数据周期性地对神经网络预测模型的参数进行修正, 提高了其对任务负荷预测的准确性,进一步提高了资源预调配的准确性,从而 有效提高了资源调配效率和对多时变动态任务的应对能力,实现了网络化资源 的有效应用。
实施例五
图8为本发明实施例五提供的网络化资源调配设备的结构示意图,如图8 所示,该设备包括:存储器801和处理器802;
存储器801,用于存储计算机程序;
其中,处理器802执行存储器801中的计算机程序,以实现如上所述各方 法实施例所提供的方法。
本发明实施例六提供了一种计算机可读存储介质,该计算机可读存储介质 中存储有计算机程序,该计算机程序被处理器执行时用于实现如上所述各方法 实施例所提供的方法。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这 些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导, 可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本 发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本 发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围 意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种网络化资源调配方法,其特征在于,包括:
基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神经网络预测模型获取下一资源调配周期各项任务的预测负荷;
采用第一优化算法计算与所述下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务的预调配资源;
根据所述下一资源调配周期各项任务的预调配资源,将网络化资源接入各项任务的执行节点;
其中,所述神经网络预测模型是根据历史资源调配周期所记录的场景态势数据和各项任务负荷为训练集训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述采用第一优化算法计算所述下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务的预调配资源之后,还包括:
获取下一资源调配周期各项任务的实际负荷;
判断所述下一资源调配周期各项任务的预调配资源是否满足对应的实际负荷;
若存在某项任务的预调配资源不满足对应的实际负荷,则将该项任务放入待调配任务中,并将该项任务的预调配资源放入待调配资源中;
采用第二优化算法对所述待调配任务和所述待调配资源进行局部优化调整计算,获得所述下一资源调配周期各项任务对应的优化后的预调配资源;
根据所述优化后的预调配资源,将网络化资源接入各项任务的执行节点。
3.根据权利要求2所述的方法,其特征在于,所述判断所述下一资源调配周期各项任务的预调配资源是否满足对应的实际负荷,具体包括:
计算与所述下一资源调配周期各项任务的实际负荷相对应的下一资源调配周期各项任务的实际资源需求量;
判断所述下一资源调配周期各项任务的预调配资源与所述下一资源调配周期各项任务的实际资源需求量的差值是否在预设容许偏差内。
4.根据权利要求1-3任一项所述的方法,其特征在于,还包括:
经过一个或多个资源调配周期后,根据每个资源调配周期中各项任务的预测负荷与实际负荷,对所述神经网络预测模型的参数进行修正。
5.一种网络化资源调配装置,其特征在于,包括:
获取模块,基于当前资源调配周期的场景态势数据以及各项任务负荷,根据神经网络预测模型获取下一资源调配周期各项任务的预测负荷;
计算模块,用于采用第一优化算法计算与所述下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务的预调配资源;
接入模块,用于根据所述下一资源调配周期各项任务的预调配资源,将网络化资源接入各项任务的执行节点;
其中,所述神经网络预测模型是根据历史资源调配周期所记录的场景态势数据和各项任务负荷为训练集训练得到的。
6.根据权利要求5所述的装置,其特征在于,
所述获取模块,还用于在所述计算模块采用第一优化算法计算所述下一资源调配周期各项任务的预测负荷相对应的下一资源调配周期各项任务的预调配资源之后,获取下一资源调配周期各项任务的实际负荷;
判断模块,用于判断所述下一资源调配周期各项任务的预调配资源是否满足对应的实际负荷;若存在某项任务的预调配资源不满足对应的实际负荷,则将该项任务放入待调配任务中,并将该项任务的预调配资源放入待调配资源中;
所述计算模块,还用于采用第二优化算法对所述待调配任务和所述待调配资源进行局部优化调整计算,获得所述下一资源调配周期各项任务对应的优化后的预调配资源;
所述接入模块,还用于根据所述优化后的预调配资源,将网络化资源接入各项任务的执行节点。
7.根据权利要求6所述的装置,其特征在于,所述判断模块包括:
计算单元,用于计算与所述下一资源调配周期各项任务的实际负荷相对应的下一资源调配周期各项任务的实际资源需求量;
判断单元,用于判断所述下一资源调配周期各项任务的预调配资源与所述下一资源调配周期各项任务的实际资源需求量的差值是否在预设容许偏差内。
8.根据权利要求5-7任一项所述的装置,其特征在于,还包括:
修正模块,用于经过一个或多个资源调配周期后,根据每个资源调配周期中各项任务的预测负荷与实际负荷,对所述神经网络预测模型的参数进行修正。
9.一种网络化资源调配设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
其中,所述处理器执行所述存储器中的计算机程序,以实现如权利要求1-4中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239999.8A CN109996247B (zh) | 2019-03-27 | 2019-03-27 | 网络化资源调配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239999.8A CN109996247B (zh) | 2019-03-27 | 2019-03-27 | 网络化资源调配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109996247A true CN109996247A (zh) | 2019-07-09 |
CN109996247B CN109996247B (zh) | 2022-03-11 |
Family
ID=67131738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910239999.8A Active CN109996247B (zh) | 2019-03-27 | 2019-03-27 | 网络化资源调配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109996247B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111381970A (zh) * | 2020-03-16 | 2020-07-07 | 第四范式(北京)技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
CN111709582A (zh) * | 2020-06-18 | 2020-09-25 | 广东电网有限责任公司 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
CN112600906A (zh) * | 2020-12-09 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 在线场景的资源分配方法、装置及电子设备 |
WO2021114968A1 (zh) * | 2019-12-13 | 2021-06-17 | 华为技术有限公司 | 一种调度方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058557A1 (en) * | 2005-09-15 | 2007-03-15 | Interdigital Technology Corporation | Method and apparatus for scheduling data transmissions based on a traffic data pattern model |
US7343010B2 (en) * | 2002-02-25 | 2008-03-11 | Genesys Telecommunications Laboratories, Inc. | System and method for integrated resource scheduling and task allocation |
CN103699440A (zh) * | 2012-09-27 | 2014-04-02 | 北京搜狐新媒体信息技术有限公司 | 一种云计算平台系统为任务分配资源的方法和装置 |
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105340311A (zh) * | 2014-06-05 | 2016-02-17 | 华为技术有限公司 | 网络设备、网络业务预测装置和方法 |
CN105592465A (zh) * | 2014-10-21 | 2016-05-18 | 杭州华为数字技术有限公司 | 无线资源分配方法及无线网络控制器 |
CN105760224A (zh) * | 2016-01-06 | 2016-07-13 | 杭州华三通信技术有限公司 | 一种资源的动态调整方法和装置 |
CN107888669A (zh) * | 2017-10-31 | 2018-04-06 | 武汉理工大学 | 一种基于深度学习神经网络的大规模资源调度系统及方法 |
CN108037993A (zh) * | 2017-11-07 | 2018-05-15 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习神经网络的云计算调度方法及系统 |
CN108093085A (zh) * | 2018-01-16 | 2018-05-29 | 成都寻道科技有限公司 | 一种大数据系统实时服务参数自适应调整方法 |
CN108874542A (zh) * | 2018-06-07 | 2018-11-23 | 桂林电子科技大学 | 基于神经网络的Kubernetes调度优化方法 |
CN108989092A (zh) * | 2018-06-26 | 2018-12-11 | 广东南方通信建设有限公司 | 一种无线网络预测方法、电子设备及存储介质 |
-
2019
- 2019-03-27 CN CN201910239999.8A patent/CN109996247B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7343010B2 (en) * | 2002-02-25 | 2008-03-11 | Genesys Telecommunications Laboratories, Inc. | System and method for integrated resource scheduling and task allocation |
US20070058557A1 (en) * | 2005-09-15 | 2007-03-15 | Interdigital Technology Corporation | Method and apparatus for scheduling data transmissions based on a traffic data pattern model |
CN103699440A (zh) * | 2012-09-27 | 2014-04-02 | 北京搜狐新媒体信息技术有限公司 | 一种云计算平台系统为任务分配资源的方法和装置 |
CN105340311A (zh) * | 2014-06-05 | 2016-02-17 | 华为技术有限公司 | 网络设备、网络业务预测装置和方法 |
CN105592465A (zh) * | 2014-10-21 | 2016-05-18 | 杭州华为数字技术有限公司 | 无线资源分配方法及无线网络控制器 |
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN105760224A (zh) * | 2016-01-06 | 2016-07-13 | 杭州华三通信技术有限公司 | 一种资源的动态调整方法和装置 |
CN107888669A (zh) * | 2017-10-31 | 2018-04-06 | 武汉理工大学 | 一种基于深度学习神经网络的大规模资源调度系统及方法 |
CN108037993A (zh) * | 2017-11-07 | 2018-05-15 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习神经网络的云计算调度方法及系统 |
CN108093085A (zh) * | 2018-01-16 | 2018-05-29 | 成都寻道科技有限公司 | 一种大数据系统实时服务参数自适应调整方法 |
CN108874542A (zh) * | 2018-06-07 | 2018-11-23 | 桂林电子科技大学 | 基于神经网络的Kubernetes调度优化方法 |
CN108989092A (zh) * | 2018-06-26 | 2018-12-11 | 广东南方通信建设有限公司 | 一种无线网络预测方法、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
HAMID BACHA: "A neural network architecture for load forecasting", 《[PROCEEDINGS 1992] IJCNN INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
TAREQ HOSSEN: "Short-term load forecasting using deep neural networks (DNN)", 《2017 NORTH AMERICAN POWER SYMPOSIUM (NAPS)》 * |
宿凤明: "基于神经网络的风电短期功率预测模型研究", 《节能技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114968A1 (zh) * | 2019-12-13 | 2021-06-17 | 华为技术有限公司 | 一种调度方法及装置 |
CN111381970A (zh) * | 2020-03-16 | 2020-07-07 | 第四范式(北京)技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
CN111381970B (zh) * | 2020-03-16 | 2023-07-25 | 第四范式(北京)技术有限公司 | 集群任务的资源分配方法及装置、计算机装置及存储介质 |
CN111709582A (zh) * | 2020-06-18 | 2020-09-25 | 广东电网有限责任公司 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
CN111709582B (zh) * | 2020-06-18 | 2021-12-17 | 广东电网有限责任公司 | 一种无人机边缘计算资源动态优化方法、系统及存储介质 |
CN112600906A (zh) * | 2020-12-09 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 在线场景的资源分配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109996247B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109996247A (zh) | 网络化资源调配方法、装置、设备及存储介质 | |
Naha et al. | Deadline-based dynamic resource allocation and provisioning algorithms in fog-cloud environment | |
Ni et al. | Resource allocation strategy in fog computing based on priced timed petri nets | |
Kołodziej et al. | Energy efficient genetic‐based schedulers in computational grids | |
Ramezani et al. | Task scheduling optimization in cloud computing applying multi-objective particle swarm optimization | |
Munir et al. | When edge computing meets microgrid: A deep reinforcement learning approach | |
Ye et al. | Genetic algorithm based QoS-aware service compositions in cloud computing | |
Maqableh et al. | Job scheduling for cloud computing using neural networks | |
Etemadi et al. | A cost-efficient auto-scaling mechanism for IoT applications in fog computing environment: a deep learning-based approach | |
CN104657220A (zh) | 混合云中基于截止时间和费用约束的调度模型及方法 | |
Mansour et al. | Design of cultural emperor penguin optimizer for energy-efficient resource scheduling in green cloud computing environment | |
Nguyen et al. | Modeling multi-constrained fog-cloud environment for task scheduling problem | |
Taheri et al. | Hopfield neural network for simultaneous job scheduling and data replication in grids | |
CN106407007B (zh) | 面向弹性分析流程的云资源配置优化方法 | |
Fan et al. | Energy management of renewable based power grids using artificial intelligence: Digital twin of renewables | |
Jiang et al. | A reinforcement learning-based incentive mechanism for task allocation under spatiotemporal crowdsensing | |
Cheng et al. | A novel task provisioning approach fusing reinforcement learning for big data | |
Ray et al. | Trace-driven modeling and verification of a mobility-aware service allocation and migration policy for mobile edge computing | |
Faraji-Mehmandar et al. | A self-learning approach for proactive resource and service provisioning in fog environment | |
Fan et al. | Knative autoscaler optimize based on double exponential smoothing | |
Prasad et al. | Resource allocation in cloud computing | |
Asghari et al. | Bi-objective cloud resource management for dependent tasks using Q-learning and NSGA-3 | |
Malik et al. | Resource scheduling in cloud using harmony search | |
Zhu et al. | PSO-SVR-based resource demand prediction in cloud computing | |
Rudra et al. | Models and algorithms for energy conservation in internet of things |
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 |