CN110287332A - 云环境下仿真模型选择方法与装置 - Google Patents
云环境下仿真模型选择方法与装置 Download PDFInfo
- Publication number
- CN110287332A CN110287332A CN201910491212.7A CN201910491212A CN110287332A CN 110287332 A CN110287332 A CN 110287332A CN 201910491212 A CN201910491212 A CN 201910491212A CN 110287332 A CN110287332 A CN 110287332A
- Authority
- CN
- China
- Prior art keywords
- simulation model
- value
- candidate
- search condition
- model
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种云环境下仿真模型选择方法与装置。所述方法包括:获取选择仿真模型的搜索条件;根据所述搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,所述知识图谱数据库中包含仿真模型的语义描述信息,所述语义描述信息用于在与所述搜索条件匹配时确定所述候选仿真模型;根据预设的选择条件从所述多个候选仿真模型中选取目标仿真模型。通过本发明实施例,搜索到的候选仿真模型更加准确,提高了搜索效率,选取到的目标仿真模型服务质量好,可以更好地参与计算任务。
Description
技术领域
本申请涉及系统仿真技术领域,特别是涉及一种云环境下仿真模型选择方法与装置。
背景技术
随着云计算的发展,云仿真已经成为复杂系统仿真发展的重要趋势。在复杂系统的仿真应用中,可以将较为复杂的仿真模型存储在多个服务器组建的云架构中,然后通过异构调用和协同的方式让这些仿真模型参与到复杂系统的仿真应用中。这样,就可以减少复杂系统在服务节点上计算资源的竞争,提高复杂系统的构建效率并降低其构建成本。
而在调用仿真模型构建复杂系统时,仿真模型的搜索和选择是非常重要的技术支撑。但是,传统的仿真模型搜索方式,主要是基于关键字来搜索,匹配得到的仿真模型准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够更加准确地选取出仿真模型,提高仿真模型选择效率的云环境下仿真模型选择方法与装置。
一方面,提供了一种云环境下仿真模型选择方法,该方法包括:
获取选择仿真模型的搜索条件;
根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
在其中一个实施例中,上述选择条件包括指标权值;
上述根据预设的选择条件从多个候选仿真模型中选取目标仿真模型,包括:
计算各候选仿真模型的指标量化值;
根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值;
根据各候选仿真模型的目标量化值选取目标仿真模型。
在其中一个实施例中,上述根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值,包括:
对各候选仿真模型的指标量化值进行标准化处理,得到各候选仿真模型的指标标准值;
根据指标权值对各候选仿真模型的指标标准值进行加权求和处理,得到各候选仿真模型的目标量化值。
在其中一个实施例中,上述根据各候选仿真模型的目标量化值选取目标仿真模型,包括:
按照各候选仿真模型的目标量化值对多个候选仿真模型进行排序;
根据排序结果选取目标仿真模型。
在其中一个实施例中,指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值;
计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;
通讯能力值为服务节点之间链路的通讯能力;
可用值为平均无故障时间与平均无故障时间和平均修复时间的时间和的比值;
可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;
安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
在其中一个实施例中,上述在根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型之前,该方法还包括:
获取多个样本仿真模型的语义描述信息;
将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。
在其中一个实施例中,上述获取选择仿真模型的搜索条件,包括:
显示搜索界面;
获取用户在搜索界面输入的搜索条件。
在其中一个实施例中,语义描述信息包括仿真模型的静态信息、动态功能和接口信息;
静态信息包括仿真模型的属性信息;
属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。
又一方面,本发明实施例提供了一种云环境下仿真模型选择装置,该装置包括:
搜索条件获取模块,用于获取选择仿真模型的搜索条件;
候选仿真模型搜索模块,用于根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
目标仿真模型选取模块,用于根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
在其中一个实施例中,选择条件包括指标权值;目标仿真模型选取模块包括:
指标量化值计算子模块,用于计算各候选仿真模型的指标量化值;
目标量化值确定子模块,用于根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值;
目标仿真模型选取子模块,用于根据各候选仿真模型的目标量化值选取目标仿真模型。
在其中一个实施例中,目标量化值确定子模块包括:
标准化处理单元,用于对各候选仿真模型的指标量化值进行标准化处理,得到各候选仿真模型的指标标准值;
目标量化值确定单元,用于根据指标权值对各候选仿真模型的指标标准值进行加权求和处理,得到各候选仿真模型的目标量化值。
在其中一个实施例中,目标仿真模型选取子模块包括:
排序单元,用于按照各候选仿真模型的目标量化值对多个候选仿真模型进行排序;
目标仿真模型选取单元,用于根据排序结果选取目标仿真模型。
在其中一个实施例中,指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值;
计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;
通讯能力值为服务节点之间链路的通讯能力;
可用值为平均无故障时间与平均无故障时间和平均修复时间的时间和的比值;
可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;
安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
在其中一个实施例中,在候选仿真模型搜索模块之前,该装置还包括:
语义描述信息获取模块,用于获取多个样本仿真模型的语义描述信息;
知识图谱构成模块,用于将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。
在其中一个实施例中,搜索条件获取模块包括:
搜索界面显示子模块,用于显示搜索界面;
搜索条件获取子模块,用于获取用户在搜索界面输入的搜索条件。
在其中一个实施例中,语义描述信息包括仿真模型的静态信息、动态功能和接口信息;
静态信息包括仿真模型的属性信息;
属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。
另一方面,本发明实施例提供了一种服务器,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取选择仿真模型的搜索条件;
根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
另一方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取选择仿真模型的搜索条件;
根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
上述云环境下仿真模型选择方法与装置,获取选择仿真模型的搜索条件;根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。通过本发明实施例,根据搜索条件在知识图谱数据库中进行语义搜索,与现有技术中基于关键字搜索相比,搜索到的候选仿真模型更加准确,提高了搜索效率。然后,根据选择条件从多个候选仿真模型中选取目标仿真模型,可以使选取到的目标仿真模型的服务质量满足用户需求,从而可以更好地参与计算任务,减少仿真系统在服务节点上计算资源的竞争,提高仿真系统的构建效率并降低其构建成本。
附图说明
图1为一个实施例中云环境下仿真模型选择方法的应用环境图;
图2为一个实施例中云环境下仿真模型选择方法的流程示意图;
图3为一个实施例中选取目标仿真模型步骤的流程示意图;
图4为一个实施例中知识图谱数据库中构成知识图谱步骤的流程示意图;
图5为一个实施例中知识图谱的示意图;
图6为一个实施例中云环境下仿真模型的选择装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的云环境下仿真模型选择方法,可以应用于如图1所示的应用环境中。其中,一个服务器可以通过网络与其他服务器进行通信,组成云架构。其中,一个服务器为一个服务节点,或者多个服务器组成的服务器集群为一个服务节点。本发明实施例对此不作详细限定,可以根据实际情况进行设置。
在一个实施例中,如图2所示,提供了一种云环境下仿真模型选择方法,以该方法应用于图1中的一个服务器为例进行说明,包括以下步骤:
步骤101,获取选择仿真模型的搜索条件。
本实施例中,获取搜索条件的方式可以有多种,例如,获取用户选择的搜索条件,或者获取用户输入的搜索条件。在实际操作中,可以采用如下步骤:显示搜索界面;获取用户在搜索界面输入的搜索条件。具体地,构建仿真系统的服务器可以安装仿真程序,启动该仿真程序后,该仿真程序可以显示搜索界面,例如弹出搜索条件输入框。接着,用户在搜索界面中输入搜索条件,例如,输入战斗机,或者输入坦克。然后,该服务器就可以获取到搜索条件。
步骤102,根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息;语义描述信息用于在与搜索条件匹配时确定候选仿真模型。
本实施例中,在搜索之前设置知识图谱数据库,该知识图谱数据库中包含仿真模型的语义描述信息。在获取到搜索条件后,根据搜索条件的语义在预设的知识图谱数据库中查找语义描述信息。在查找到与搜索条件匹配的语义描述信息后,可以根据仿真模型的语义描述信息确定候选仿真模型。可以理解地,同一个语义描述信息可能对应多个仿真模型,因此,在知识图谱数据库中搜索后,可以得到多个候选仿真模型。
可选地,语义描述信息包括仿真模型的静态信息、动态功能和接口信息;静态信息包括仿真模型的属性信息;属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。例如,模型名称为坦克,模型发布时间为2010年X月X日,关联关系为停靠在航空母舰A上的战斗机。静态信息还可以包括多个仿真模型之间的关联关系,本发明实施例对此不作详细限定,可以根据实际情况进行设置。
例如,搜索条件为坦克、2010年X月X日,根据搜索条件在知识图谱数据库中查找模型名称为坦克,模型发布时间为2010年X月X日的语义描述信息,在查找到这样的语义描述信息之后,可以根据语义描述信息确定6个坦克仿真模型,分别是坦克1、坦克2、坦克3、坦克4、坦克5和坦克6。或者,搜索条件是停靠在航空母舰A上的战斗机,根据搜索条件在知识图谱数据库中查找航空母舰A和战斗机的关联关系,从而确定4个战斗机仿真模型,分别是战斗机1、战斗机2、战斗机3和战斗机4。
该知识图谱数据库中包含的仿真模型的语义描述信息,是一种语义搜索框架,与现有技术中基于关键字搜索相比,本发明实施例基于语义进行搜索,得到的候选仿真模型更加准确。
步骤103,根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
本实施例中,预设的选择条件可以是在获取搜索条件之前用户设置的,也可以是在获取搜索条件时用户输入的。其中,选择条件表征用户的选择偏好。例如,选择条件中仿真模型的某一性能要符合用户需求。本发明实施例对选择条件不作详细限定,可以根据实际情况进行设置。
在搜索到多个候选仿真模型后,根据选择条件进行筛选,从多个候选仿真模型中选取目标仿真模型。可以理解地,目标仿真模型的数量不受限制,可以是一个,也可以是多个。例如,从6个坦克模型中选取坦克3和坦克5为目标仿真模型;或者,从4个战斗机仿真模型中,选取战斗机3为目标仿真模型。
上述云环境下仿真模型选择方法中,获取选择仿真模型的搜索条件;根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。通过本发明实施例,根据搜索条件在知识图谱数据库中搜索,是通过数据、事物之间的链接关系来搜索仿真模型,与现有技术中基于关键字搜索相比,由于仿真模型的语义描述信息的表达能力更强,根据搜索条件搜索仿真模型的语义描述信息,进而确定候选仿真模型,可以使搜索到的候选仿真模型更加准确,因此,提高了搜索效率。然后,根据选择条件从多个候选仿真模型中选取目标仿真模型,可以使选取到的目标仿真模型的服务质量满足用户需求,然后更好地参与计算任务,减少仿真系统在服务节点上计算资源的竞争,提高仿真系统的构建效率并降低其构建成本。
在另一个实施例中,如图3所示,本实施例涉及的是选取目标仿真模型的一种可选的过程。在上述图2所示实施例的基础上,上述步骤103具体可以包括以下步骤:
步骤201,计算各候选仿真模型的指标量化值。
本实施例中,指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值。其中,计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;通讯能力值为服务节点之间链路的通讯能力;可用值为平均无故障时间与平均无故障时间和平均修复时间的时间和的比值;可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
仿真模型的计算能力值为QC1,通过计算仿真模型所在的服务节点在单位时间内可用的最大计算量得到。具体地,在云仿真环境下,仿真模型分布在多个服务器上,仿真模型的计算能力与其所在的服务节点即服务器的计算性能相关。例如,计算性能可以是一个服务节点的计算能力是否能满足该仿真模型的组合运行;或者,在该服务节点生成多个仿真模型副本时,是否会因为系统负载量在调用仿真模型时产生很大的等待延时。
仿真模型的通讯能力为QC2,通过计算服务节点之间链路的通讯能力得到。其中,有线网络主要用带宽来衡量通讯能力,而无线网络主要通过信号强度来衡量通讯能力。在实际使用时,取值范围可以设置为[0,10]。
仿真模型的可用性为QA,通过计算平均无故障时间与平均无故障时间和平均修复时间的时间和的比值。公式可以表示为:
其中,MTTF(s)为仿真模型的平均无故障时间,MTTR(s)为仿真模型的平均修复时间。
仿真模型的可靠性为QR,通过计算仿真模型被成功调用的次数和被调用的总次数的比值得到。公式可以表示为:
其中,Nc(s)为仿真模型在最大期望时间范围内被成功调用的次数,n是仿真模型被调用的总次数。
仿真模型的安全性为QS,通过计算仿真模型的数据管理能力评价值和被评价次数的比值得到。公式可以表示为:
其中,DMi为某个用户对仿真模型的数据管理能评价值,m为被评价的次数。
可以理解地,上述指标量化值QC1、QC2、QA、QR、QS都属于积极的度量,指标量化值越高,服务质量越高。
步骤202,根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值。
本实施例中,每个候选仿真模型根据上述计算出的指标量化值和指标权值,计算出目标量化值。具体地,对各候选仿真模型的指标量化值进行标准化处理,得到各候选仿真模型的指标标准值;根据指标权值对各候选仿真模型的指标标准值进行加权求和处理,得到各候选仿真模型的目标量化值。
由于上述指标量化值QC1、QC2、QA、QR、QS的取值不同,为了消除不同指标量化值之间的差距,需要将它们的取值限制在[0,1]区间内,采用如下公式:
对QC1、QC2、QA、QR、QS这五个指标量化值依次编号为1-5号,表示多个候选仿真模型中第k个候选仿真模型的第i个指标量化值,和分别表示该指标量化中可能达到的最大值和最小值,表示指标量化值的标准取值。
选择条件包括指标权值,可以是用户输入的,也可以是预先设置的。指标权值表示用户所期望各个指标目标值在选取目标仿真模型时所占的比重,公式为:
W=(wi,1≤i≤5,∑wi=1)
根据指标权值对指标量化值进行加权求和,候选仿真模型的目标指标值采用如下公式计算:
根据该公式可以分别计算各个候选仿真模型的目标指标值。
具体如下表1所示,计算6个坦克仿真模型的目标指标值Q,其中对Qc1、Qc2和QS进行标准化处理,括号中为指标标准值,W为指标权值。
表1
又如下表2,计算4个战斗机仿真模型的目标指标值Q,其中对Qc1、Qc2和QS进行标准化处理,括号中为指标标准值,W为指标权值。
表2
步骤203,根据各候选仿真模型的目标量化值选取目标仿真模型。
本实施例中,按照各候选仿真模型的目标量化值对多个候选仿真模型进行排序;根据排序结果选取目标仿真模型。
例如,根据6个坦克仿真模型的目标量化值Q进行排序,目标量化值Q从高到低依次为坦克3、坦克5、坦克4、坦克2、坦克6、坦克1,则选取坦克3为目标仿真模型。
又例如,根据4个战斗机仿真模型的目标量化值Q进行排序,目标量化值Q从高到低依次为战斗机3、战斗机4、战斗机2、战斗机1,则选取战斗机3为目标仿真模型。
上述选取目标仿真模型的过程中,计算各候选仿真模型的指标量化值,根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值,根据各候选仿真模型的目标量化值选取目标仿真模型。通过本发明实施例,根据候选仿真模型的服务质量和用户的选择偏好选取目标仿真模型,可以选取出服务质量好,更符合用户需求的目标仿真模型。在构建仿真系统后,目标仿真模型可以更好地参与仿真计算,提高了仿真效率。
在另一个实施例中,如图4所示,本实施例涉及的是在知识图谱数据库中构成知识图谱的一种可选的过程。在上述图2所示实施例的基础上,在根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型之前,还包括:
步骤301,获取多个样本仿真模型的语义描述信息。
本实施中,确定多个样本仿真模型,获取各样本仿真模型对应的语义描述信息。例如,战斗机1为样本仿真模型,其语义描述信息包括战斗机1的应用领域、类别、供应商、服务发布时间、以及战斗机1的初始化信息、细节信息,战斗机1的服务质量,战斗机1的需求,战斗机1的可停靠性、可挂载性等等。本发明实施例对各样本仿真模型的语义描述信息不作详细限定,可以根据实际情况进行设置。并且,对样本仿真模型的数量不作限制,可以理解地,样本仿真模型的数量越多,获取到的语义描述信息越丰富全面,在搜索候选仿真模型时越准确。
步骤302,将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。
本实施例中,将获取到的样本仿真模型的语义描述信息均存储到知识图谱数据库中,该知识图谱数据库可以存储在用户输入搜索条件的服务器,也可以存储在构建仿真系统的服务器,本发明实施例对此不作详细限定,可以根据实际情况进行设置。
在实际操作中,采用Neo4j作为知识图谱数据库存储样本仿真模型的语义描述信息。Neo4j是一个高性能的、NOSQL图形数据库,它将结构化数据存储在网络上而不是表中。因此,Neo4j被看作是一个高性能的图引擎,该引擎具有成熟数据库的所有特性。在将语义描述信息存储到知识图谱数据库中时,该知识图谱数据库可以根据仿真模型和仿真模型之间关联关系的语义描述信息构成知识图谱,参照图5所示。在搜索候选仿真模型时,可以采用语义搜索方式查找与搜索条件匹配的语义描述信息,从而确定候选仿真模型,与现有技术中基于关键字搜索的方式相比,搜索到的候选仿真模型更加准确。
上述在知识图谱数据库中构成知识图谱的过程中,获取多个样本仿真模型的语义描述信息,将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。通过本发明实施例,根据语义描述信息构成知识图谱,为本发明实施例中基于语义搜索建立了搜索框架,为语义搜索提供了搜索基础。与现有技术中基于关键字搜索的方式相比,可以使搜索到的候选仿真模型更加准确,更好地参与仿真计算,节省计算资源。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种云环境下仿真模型选择装置,包括:
搜索条件获取模块401,用于获取选择仿真模型的搜索条件;
候选仿真模型搜索模块402,用于根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
目标仿真模型选取模块403,用于根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
在其中一个实施例中,选择条件包括指标权值;目标仿真模型选取模块403包括:
指标量化值计算子模块,用于计算各候选仿真模型的指标量化值;
目标量化值确定子模块,用于根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值;
目标仿真模型选取子模块,用于根据各候选仿真模型的目标量化值选取目标仿真模型。
在其中一个实施例中,目标量化值确定子模块包括:
标准化处理单元,用于对各候选仿真模型的指标量化值进行标准化处理,得到各候选仿真模型的指标标准值;
目标量化值确定单元,用于根据指标权值对各候选仿真模型的指标标准值进行加权求和处理,得到各候选仿真模型的目标量化值。
在其中一个实施例中,目标仿真模型选取子模块包括:
排序单元,用于按照各候选仿真模型的目标量化值对多个候选仿真模型进行排序;
目标仿真模型选取单元,用于根据排序结果选取目标仿真模型。
在其中一个实施例中,指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值;
计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;
通讯能力值为服务节点之间链路的通讯能力;
可用值为平均无故障时间与平均无故障时间和平均修复时间的时间和的比值;
可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;
安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
在其中一个实施例中,在候选仿真模型搜索模块之前,该装置还包括:
语义描述信息获取模块,用于获取多个样本仿真模型的语义描述信息;
知识图谱生成模块,用于将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。
在其中一个实施例中,搜索条件获取模块包括:
搜索界面显示子模块,用于显示搜索界面;
搜索条件获取子模块,用于获取用户在搜索界面输入的搜索条件。
在其中一个实施例中,语义描述信息包括仿真模型的静态信息、动态功能和接口信息;
静态信息包括仿真模型的属性信息;
属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。
关于云环境下仿真模型选择装置的具体限定可以参见上文中对于云环境下仿真模型选择方法的限定,在此不再赘述。上述云环境下仿真模型选择装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储云环境下仿真模型的选择数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种云环境下仿真模型选择方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种服务器,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取选择仿真模型的搜索条件;
根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
在一个实施例中,上述选择条件包括指标权值;
处理器执行计算机程序时还实现以下步骤:
计算各候选仿真模型的指标量化值;
根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值;
根据各候选仿真模型的目标量化值选取目标仿真模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各候选仿真模型的指标量化值进行标准化处理,得到各候选仿真模型的指标标准值;
根据指标权值对各候选仿真模型的指标标准值进行加权求和处理,得到各候选仿真模型的目标量化值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
按照各候选仿真模型的目标量化值对多个候选仿真模型进行排序;
根据排序结果选取目标仿真模型。
在一个实施例中,指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值;
计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;
通讯能力值为服务节点之间链路的通讯能力;
可用值为平均无故障时间与平均无故障时间和平均修复时间的时间和的比值;
可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;
安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个样本仿真模型的语义描述信息;
将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
显示搜索界面;
获取用户在搜索界面输入的搜索条件。
在一个实施例中,语义描述信息包括仿真模型的静态信息、动态功能和接口信息;
静态信息包括仿真模型的属性信息;
属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取选择仿真模型的搜索条件;
根据搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,知识图谱数据库中包含仿真模型的语义描述信息,语义描述信息用于在与搜索条件匹配时确定候选仿真模型;
根据预设的选择条件从多个候选仿真模型中选取目标仿真模型。
在一个实施例中,上述选择条件包括指标权值;
计算机程序被处理器执行时还实现以下步骤:
计算各候选仿真模型的指标量化值;
根据各候选仿真模型的指标量化值和指标权值,分别确定各候选仿真模型的目标量化值;
根据各候选仿真模型的目标量化值选取目标仿真模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各候选仿真模型的指标量化值进行标准化处理,得到各候选仿真模型的指标标准值;
根据指标权值对各候选仿真模型的指标标准值进行加权求和处理,得到各候选仿真模型的目标量化值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
按照各候选仿真模型的目标量化值对多个候选仿真模型进行排序;
根据排序结果。
在一个实施例中,指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值;
计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;
通讯能力值为服务节点之间链路的通讯能力;
可用值为平均无故障时间与平均无故障时间和平均修复时间的时间和的比值;
可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;
安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个样本仿真模型的语义描述信息;
将多个样本仿真模型的语义描述信息存储到知识图谱数据库中构成知识图谱;知识图谱用于表征语义描述信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
显示搜索界面;
获取用户在搜索界面输入的搜索条件。
在一个实施例中,语义描述信息包括仿真模型的静态信息、动态功能和接口信息;
静态信息包括仿真模型的属性信息;
属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种云环境下仿真模型选择方法,其特征在于,所述方法包括:
获取选择仿真模型的搜索条件;
根据所述搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,所述知识图谱数据库中包含仿真模型的语义描述信息,所述语义描述信息用于在与所述搜索条件匹配时确定所述候选仿真模型;
根据预设的选择条件从所述多个候选仿真模型中选取目标仿真模型。
2.根据权利要求1所述的方法,其特征在于,所述选择条件包括指标权值;所述根据预设的选择条件从所述多个候选仿真模型中选取目标仿真模型,包括:
计算各所述候选仿真模型的指标量化值;
根据各所述候选仿真模型的指标量化值和所述指标权值,分别确定各所述候选仿真模型的目标量化值;
根据各所述候选仿真模型的目标量化值选取所述目标仿真模型。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述候选仿真模型的指标量化值和所述指标权值,分别确定各所述候选仿真模型的目标量化值,包括:
对各所述候选仿真模型的指标量化值进行标准化处理,得到各所述候选仿真模型的指标标准值;
根据所述指标权值对各所述候选仿真模型的指标标准值进行加权求和处理,得到各所述候选仿真模型的目标量化值。
4.根据权利要求2所述的方法,其特征在于,所述根据各所述候选仿真模型的目标量化值选取所述目标仿真模型,包括:
按照各所述候选仿真模型的目标量化值对多个所述候选仿真模型进行排序;
根据排序结果选取所述目标仿真模型。
5.根据权利要求2所述的方法,其特征在于,所述指标量化值包括仿真模型的计算能力值、通讯能力值、可用值、可靠值和安全值;
所述计算能力值为仿真模型所在的服务节点在单位时间内可用的最大计算量;
所述通讯能力值为服务节点之间链路的通讯能力;
所述可用值为平均无故障时间与所述平均无故障时间和平均修复时间的时间和的比值;
所述可靠值为仿真模型被成功调用的次数和被调用的总次数的比值;
所述安全值为仿真模型的数据管理能力评价值和被评价次数的比值。
6.根据权利要求1所述的方法,其特征在于,在所述根据所述搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型之前,所述方法还包括:
获取多个样本仿真模型的语义描述信息;
将所述多个样本仿真模型的语义描述信息存储到所述知识图谱数据库中构成知识图谱;所述知识图谱用于表征所述语义描述信息。
7.根据权利要求1所述的方法,其特征在于,所述获取选择仿真模型的搜索条件,包括:
显示搜索界面;
获取用户在所述搜索界面输入的所述搜索条件。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述语义描述信息包括仿真模型的静态信息、动态功能和接口信息;
所述静态信息包括仿真模型的属性信息;
所述属性信息包括模型名称、模型粒度、应用领域、功能概述、模型发布时间中的至少一种。
9.一种云环境下仿真模型选择装置,其特征在于,所述装置包括:
搜索条件获取模块,用于获取选择仿真模型的搜索条件;
候选仿真模型搜索模块,用于根据所述搜索条件在预设的知识图谱数据库中搜索,得到多个候选仿真模型;其中,所述知识图谱数据库中包含仿真模型的语义描述信息,所述语义描述信息用于在与所述搜索条件匹配时确定所述候选仿真模型;
目标仿真模型选取模块,用于根据预设的选择条件从所述多个候选仿真模型中选取目标仿真模型。
10.一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491212.7A CN110287332B (zh) | 2019-06-06 | 2019-06-06 | 云环境下仿真模型选择方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491212.7A CN110287332B (zh) | 2019-06-06 | 2019-06-06 | 云环境下仿真模型选择方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287332A true CN110287332A (zh) | 2019-09-27 |
CN110287332B CN110287332B (zh) | 2021-10-08 |
Family
ID=68003476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910491212.7A Active CN110287332B (zh) | 2019-06-06 | 2019-06-06 | 云环境下仿真模型选择方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287332B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241850A (zh) * | 2020-04-24 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 提供业务模型的方法及装置 |
CN113469020A (zh) * | 2021-06-29 | 2021-10-01 | 苏州一径科技有限公司 | 一种基于聚类的目标检测模型的评估方法 |
CN115329613A (zh) * | 2022-10-17 | 2022-11-11 | 中国电子科技集团公司信息科学研究院 | 光电收发模块仿真方法及装置、电子设备、存储介质 |
CN115329611A (zh) * | 2022-10-17 | 2022-11-11 | 中国电子科技集团公司信息科学研究院 | 惯性导航组件仿真方法及装置、电子设备、存储介质 |
CN116027682A (zh) * | 2022-12-19 | 2023-04-28 | 交控科技股份有限公司 | 一种列控仿真系统本体建模方法及装置 |
WO2023213246A1 (zh) * | 2022-05-05 | 2023-11-09 | 维沃移动通信有限公司 | 模型选择方法、装置及网络侧设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055577A (zh) * | 2016-05-20 | 2016-10-26 | 北京理工大学 | 服务化gnss仿真平台中模型智能推荐方法 |
CN107180119A (zh) * | 2016-03-11 | 2017-09-19 | 北大方正集团有限公司 | 数字产品生成方法和数字产品生成装置 |
CN108021739A (zh) * | 2017-11-22 | 2018-05-11 | 中国北方发动机研究所(天津) | 一种大功率军用柴油机实时仿真模型参数影响度分析方法 |
CN108121771A (zh) * | 2017-12-01 | 2018-06-05 | 中国人民解放军国防科技大学 | 一种基于迭代的排名聚合方法 |
US20180203857A1 (en) * | 2017-01-13 | 2018-07-19 | International Business Machines Corporation | Automated data exploration and validation |
CN108920716A (zh) * | 2018-07-27 | 2018-11-30 | 中国电子科技集团公司第二十八研究所 | 基于知识图谱的数据检索与可视化系统及方法 |
CN109471969A (zh) * | 2018-10-31 | 2019-03-15 | 广东小天才科技有限公司 | 一种应用搜索方法、装置及设备 |
US20190155899A1 (en) * | 2017-02-22 | 2019-05-23 | Google Llc | Optimized graph traversal |
-
2019
- 2019-06-06 CN CN201910491212.7A patent/CN110287332B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180119A (zh) * | 2016-03-11 | 2017-09-19 | 北大方正集团有限公司 | 数字产品生成方法和数字产品生成装置 |
CN106055577A (zh) * | 2016-05-20 | 2016-10-26 | 北京理工大学 | 服务化gnss仿真平台中模型智能推荐方法 |
US20180203857A1 (en) * | 2017-01-13 | 2018-07-19 | International Business Machines Corporation | Automated data exploration and validation |
US20190155899A1 (en) * | 2017-02-22 | 2019-05-23 | Google Llc | Optimized graph traversal |
CN108021739A (zh) * | 2017-11-22 | 2018-05-11 | 中国北方发动机研究所(天津) | 一种大功率军用柴油机实时仿真模型参数影响度分析方法 |
CN108121771A (zh) * | 2017-12-01 | 2018-06-05 | 中国人民解放军国防科技大学 | 一种基于迭代的排名聚合方法 |
CN108920716A (zh) * | 2018-07-27 | 2018-11-30 | 中国电子科技集团公司第二十八研究所 | 基于知识图谱的数据检索与可视化系统及方法 |
CN109471969A (zh) * | 2018-10-31 | 2019-03-15 | 广东小天才科技有限公司 | 一种应用搜索方法、装置及设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241850A (zh) * | 2020-04-24 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 提供业务模型的方法及装置 |
CN113469020A (zh) * | 2021-06-29 | 2021-10-01 | 苏州一径科技有限公司 | 一种基于聚类的目标检测模型的评估方法 |
WO2023213246A1 (zh) * | 2022-05-05 | 2023-11-09 | 维沃移动通信有限公司 | 模型选择方法、装置及网络侧设备 |
CN115329613A (zh) * | 2022-10-17 | 2022-11-11 | 中国电子科技集团公司信息科学研究院 | 光电收发模块仿真方法及装置、电子设备、存储介质 |
CN115329611A (zh) * | 2022-10-17 | 2022-11-11 | 中国电子科技集团公司信息科学研究院 | 惯性导航组件仿真方法及装置、电子设备、存储介质 |
CN115329613B (zh) * | 2022-10-17 | 2022-12-23 | 中国电子科技集团公司信息科学研究院 | 光电收发模块仿真方法及装置、电子设备、存储介质 |
CN116027682A (zh) * | 2022-12-19 | 2023-04-28 | 交控科技股份有限公司 | 一种列控仿真系统本体建模方法及装置 |
CN116027682B (zh) * | 2022-12-19 | 2023-08-18 | 交控科技股份有限公司 | 一种列控仿真系统本体建模方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110287332B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287332A (zh) | 云环境下仿真模型选择方法与装置 | |
CN107688526A (zh) | 应用程序的性能测试方法、装置、计算机设备和存储介质 | |
CN103092751B (zh) | 一种云环境下基于用户行为模型的web应用性能测试系统 | |
CN108492005B (zh) | 项目数据处理方法、装置、计算机设备和存储介质 | |
CN114616540A (zh) | 大数据机器学习用例的自主云节点范围界定框架 | |
CN106294120A (zh) | 测试代码的方法、设备和计算机程序产品 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN115168240B (zh) | 一种基于变量组合时间序列功能覆盖率的测试方法和系统 | |
CN109144501A (zh) | 一种通过标签生成api的方法和系统 | |
CN110929867A (zh) | 神经网络结构的评估、确定方法、装置和存储介质 | |
CN109992506A (zh) | 调度测试方法、装置、计算机设备和存储介质 | |
CN112001491A (zh) | 针对处理器确定神经网络架构的搜索方法和装置 | |
CN110162379A (zh) | 虚拟机迁移方法、装置和计算机设备 | |
CN114117977A (zh) | 一种用于自动验证处理器系统场景的方法 | |
CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
CN106549827A (zh) | 网络状态的探测方法及装置 | |
CN115794570A (zh) | 压力测试方法、装置、设备及计算机可读存储介质 | |
CN105930220A (zh) | 业务系统性能测试方法和装置 | |
CN112600936A (zh) | 一种云计算系统服务的量化和评估方法 | |
CN117170848A (zh) | 一种资源调度方法及装置 | |
CN110971478B (zh) | 云平台服务性能的压测方法、装置及计算设备 | |
CN116204396A (zh) | 一种针对分析型数据库性能的测试方法和装置 | |
JPH10187495A (ja) | 高負荷エミュレーション性能評価方法とその装置 | |
CN105930260B (zh) | 一种系统可用性测试方法及装置 | |
CN115017018A (zh) | 服务器的性能测试方法、设备和计算机可读存储介质 |
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 |