CN111064633B - 一种云边协同电力信息通信设备自动化测试资源分配方法 - Google Patents

Abstract

本发明公开了一种云边协同电力信息通信设备自动化测试资源分配方法。该方法首次采用生成对抗深度强化学习理论，在测试执行时间、通信资源、计算资源以及能量消耗受限情况下，电力信息通信设备测试中云计算和多接入边缘计算综合资源分配方法，从而提高了测试的准确率、减少了测试执行时间并且节约了通信和计算资源。

Description

一种云边协同电力信息通信设备自动化测试资源分配方法

技术领域

本发明属于通信领域，尤其涉及电力信息通信设备自动化测试计算方法。

背景技术

随着智能电网，特别是泛在电力物联网的发展，电力通信设备对于信息的传输、处理起到了关键的作用，其性能的优劣直接影响电力网络的安全以及稳定；在部署应用前，通信设备需要严格的测试，传统的人工测试不但消耗了大量的人力，而且速度慢，同时测量结果不准确。

发明内容

(一)要解决的技术问题

为了提高电力通信设备的测试效率，本发明公开了一种云边协同电力信息通信设备自动化测试资源分配方法。该方法首次采用生成对抗深度强化学习理论，在测试执行时间、通信资源、计算资源以及能量消耗受限情况下，电力信息通信设备测试中云计算和多接入边缘计算综合资源分配方法，从而提高了测试的准确率、减少了测试执行时间并且节约了通信和计算资源。

(二)技术方案

为解决上述技术问题，本发明公开了一种云边协同电力信息通信设备自动化测试资源分配方法，包括如下步骤：

步骤A，根据电力信息通信设备需要测试的要求，构建测试任务，根据测试任务，构建测试云计算和边缘计算的测试平台模型；

步骤B，根据步骤A给出的云计算和边缘计算测试平台模型，构建可以调度的资源模型和通信模型；

步骤C，根据步骤A的测试平台模型，步骤B的资源模型应用，设计生成对抗深度强化学习资源调度方法，并按照此资源调度方法进行计算资源和通信资源调度；

步骤D，根据资源调度方法将测试任务进行分配，并通知测试点完成测试任务的时间限制；

步骤E，各个分散节点进行计算，完成各自计算任务，并将计算结果上传到云计算平台。

其中，步骤A具体包括：

A1，根据要测试的通信设备分析云计算和多接入边缘计算的电力信息通信设备自动化测试平台结构，其可分为用户节点、边缘计算节点簇资源层和云计算资源三层结构，确定其拓扑机构；

A2，将云计算测试资源表示C_c＝{C_c1,C_c2,...C_cn}，多接入边缘计算节点测试资源可以表示为M_c＝{M_c1,M_c2,...,M_cn},其中，每个云计算节点和多接入边缘节点用于执行测试的资源可以表示为C_ci＝{s_ci,c_ci,b_ci}和M_ci＝{s_mi,c_mi,b_mi}，其中s_ci和s_mi分别表示云计算节点和边缘计算节点存储资源，c_ci和c_mi分别表示云计算节点和边缘计算节点计算资源，b_ci和b_mi分别表示云计算节点和边缘计算节点的通信带宽资源；

A3，根据A2的逻辑资源，建立物理设备计算资源列表，其物理对应的计算处理节点表示为

和

物理层所拥有的物理机，其每个云计算物理服务器对应的物理资源表为

其中PS_ci表示物理存储资源，PC_ci表示物理计算资源，PB_ci表示实际的物理链路带宽，每个多接入边缘计算服务器对应的物理资源表为

其中MS_ci表示物理存储资源，MC_ci表示物理存储资源，MB_ci表示实际的物理链路带宽；

A4，建立电力通信信息设备自动化测试任务，其可以表示为T_c＝{t_c1,t_c2,...t_cl}，设通信设备测试需要有l个测试任务能够完成。根据任务所需的计算、存储以及通信资源需求，建立测试任务与逻辑资源虚拟机分配模型为

其中a_cln表示对于完成测试任务l分配给逻辑资源云服务器虚拟机C_cn，如果测试任务在此逻辑云服务器虚拟机上执行，则a_ln＝1，否则为a_ln＝0，同样根据任务所需的计算、存储以及通信资源需求，建立测试任务与逻辑资源边缘计算虚拟机分配模型为

其中a_mln表示对于完成测试任务l分配给逻辑资源边缘接入服务器虚拟机M_c，如果测试任务在此逻辑边缘接入服务器虚拟机上执行，则a_ln＝1，否则为a_ln＝0，

其中，步骤B具体包括：

B1，根据步骤A的总体资源调度模型，将测试任务进行计算量以及完成时间的估算(以尽量本地的原则)；

B2，根据估算的计算量和完成时间，考虑测试任务的时间要求，确定可供调度的通信资源；

B3,根据需要调度节点通信资源，确定每个调度节点可供完成本次测试所需的最大计算资源；

B4，根据B2和B3的调度的通信资源和最大计算资源，以及任务需要调度的数据资源，确定智能计算单元的个数。

其中，步骤C具体包括：

C1，根据测试任务(包括多个测试任务同时进行)，给出资源配置的具体状态集合，即虚拟计算节点以及存储器还有占用通信信道资源，其表示为S_t＝{t_i,M_ci,C_ci,P_ci,P_mi,A_ci,A_mi}，其中t_i表示状态更新的时间；

C2，设置动作空间，由于采用分布式的强化学习方式，故采用分布式的动作空间，其可以表示为a_ti＝{S_ln|π}，其中i为分布式强化学习第i个计算单元，也可以认为是云计算和边缘计算节点组成的计算单元，即在动作选取概率策略π(s)下采取的资源映射行为，而资源映射行为用S_ln；

C3，建立云计算节点奖励函数，在奖励函数是在强化学习中，应用C2的动作后获得的奖励，其奖励函数采用用户的体验质量函数，其可以表示为

其中第i个云物理机，j代表物理机上资源块；

为第i台云物理机使用的总的存储资源；

为第i台云物理机使用的分配给此次测试任务的存储资源；

为第i台云物理机使用的总的计算资源；

为第i台云物理机使用的分配给此次测试任务的计算资源；

为第i台云物理机使用的总的带宽资源；

为第i台云物理机使用的分配给此次测试任务的带宽资源；λ_j为存储资源加权系数；β_j为计算资源加权系数；γ_j为带宽资源加权系数；delay_s为存储时延，delay_c为计算时延，delay_b为传输时延。

C4，建立边缘计算节点奖励函数，在奖励函数是在强化学习中，应用C2的动作后获得的奖励，其奖励函数采用用户的体验质量函数，其可以表示为

其中第i个边缘计算物理机，j代表物理机上资源块；

为第i台边缘计算物理机使用的总的存储资源；

为第i台边缘计算物理机使用的分配给此次测试任务的存储资源；

为第i台边缘计算物理机使用的总的计算资源；

为第i台边缘计算物理机使用的分配给此次测试任务的计算资源；

为第i台边缘计算物理机使用的总的带宽资源；

为第i台边缘计算物理机使用的分配给此次测试任务的带宽资源；λ_j为存储资源加权系数；β_j为计算资源加权系数；γ_j为带宽资源加权系数；delay_s为存储时延，delay_c为计算时延，delay_b为传输时延。

其中，步骤D具体包括：

D1，计算各个计算节点的状态和动作函数，计算方式为：

Q^π(s,a)＝E_π,P[R(s,a)+γQ^π(s′,a′)]

其中，s为各个节点的状态值，a为各个节点的动作值；概率策略π(s)下采取的资源映射行为；R(s,a)是奖励函数，γ为(0,1]的衰减因子；E(·)代表取均值；

D2，各个计算节点的动作值，即资源分配的具体值，计算方法如下：

其中，

为生成对抗网络的训练函数，θ_i为加权函数，κ_i为生成对抗网络目标动作函数的分布值；

D3，根据D2各个计算节点的资源分配值，组成生成对抗网络，进行博弈，最终得到最优的全局分配值：

其中，D{·}为生成对抗网络的对抗深度卷积网络，μ为加权系数，而

为求梯度；|| ||₂为矩阵的二阶距。

其中，步骤E具体包括：

E1，测试任务拟定后将任务提交在线的通信软件自动化测试平台，平台根据任务确定计算的云节点和边缘计算节点；

E2，根据确定的云节点和边缘计算节点，确定各个节点的状态空间以及奖励空间；

E3，根据状态空间和奖励空间，优化动作空间；

E4，各个节点根据生成对抗网络，博弈优化整体的动作空间；

E7，获得最优资源存储、计算和带宽分配方案。

(三)有益效果

为了提高电力信息通信设备的测试效率，缩短时延，提高计算、存储和通信资源的利用效率，本发明提出了一种云边协同电力信息通信设备自动化测试资源分配方法，该方法基于生成对抗网络的深度强化学习的自动化测试资源分配方法。在综合计算资源、存储资源以及通信带宽等因素下，减少了测试任务的计算、存储和通信时延，提高自动化测试效率，降低自动化测试成本。

附图说明

图1本发明实施例的方法流程图。

具体实施方式

随着通信系统的发展，为在线测试平台的建立提供了可能。目前针对云计算的通信设备测试较多，发明人考虑到，有些通信设备测试，大量的数据都在网络边缘，所以，本发明应用云计算和边缘计算进行联合的通信设备测试，能够缩短时延，提高测试效率；对于云-边协同的测试方法，目前其计算、存储以及带宽资源分配问题是直接影响测试效率的；同时应用传统的优化方法如蚁群算法、蜂群算法、遗传算法无法解决资源分配的复杂问题，故应用深度强化学习方法，在训练过程中增加对抗网络的博弈，加速收敛，大幅提高通信设备的测试效率。

为了提高电力信息通信设备的测试效率，缩短时延，提高计算、存储和通信资源的利用效率，本发明提出了一种云边协同电力信息通信设备自动化测试资源分配方法，该方法基于生成对抗网络的深度强化学习的自动化测试资源分配方法。在综合计算资源、存储资源以及通信带宽等因素下，减少了测试任务的计算、存储和通信时延，提高自动化测试效率，降低自动化测试成本。

该方法首次采用生成对抗深度强化学习理论，在测试执行时间、通信资源、计算资源以及能量消耗受限情况下，电力信息通信设备测试中云计算和多接入边缘计算综合资源分配方法，从而提高了测试的准确率、减少了测试执行时间并且节约了通信和计算资源。

如图1所示，本发明公开了一种云边协同电力信息通信设备自动化测试资源分配方法，包括如下步骤：

步骤A，根据电力信息通信设备需要测试的要求，构建测试任务，根据测试任务，构建测试云计算和边缘计算的测试平台模型；

步骤B，根据步骤A给出的云计算和边缘计算测试平台模型，构建可以调度的资源模型和通信模型；

步骤C，根据步骤A的测试平台模型，步骤B的资源模型应用，设计生成对抗深度强化学习资源调度方法，并按照此资源调度方法进行计算资源和通信资源调度；

步骤D，根据资源调度方法将测试任务进行分配，并通知测试点完成测试任务的时间限制；

步骤E，各个分散节点进行计算，完成各自计算任务，并将计算结果上传到云计算平台。

其中，步骤A具体包括：

A1，根据要测试的通信设备分析云计算和多接入边缘计算的电力信息通信设备自动化测试平台结构，其可分为用户节点、边缘计算节点簇资源层和云计算资源三层结构，确定其拓扑机构；

A2，将云计算测试资源表示C_c＝{C_c1,C_c2,...C_cn}，多接入边缘计算节点测试资源可以表示为M_c＝{M_c1,M_c2,...,M_cn},其中，每个云计算节点和多接入边缘节点用于执行测试的资源可以表示为C_ci＝{s_ci,c_ci,b_ci}和M_ci＝{s_mi,c_mi,b_mi}，其中s_ci和s_mi分别表示云计算节点和边缘计算节点存储资源，c_ci和c_mi分别表示云计算节点和边缘计算节点计算资源，b_ci和b_mi分别表示云计算节点和边缘计算节点的通信带宽资源；

A3，根据A2的逻辑资源，建立物理设备计算资源列表，其物理对应的计算处理节点表示为

和

物理层所拥有的物理机，其每个云计算物理服务器对应的物理资源表为

其中PS_ci表示物理存储资源，PC_ci表示物理计算资源，PB_ci表示实际的物理链路带宽，每个多接入边缘计算服务器对应的物理资源表为

其中MS_ci表示物理存储资源，MC_ci表示物理存储资源，MB_ci表示实际的物理链路带宽；

A4，建立电力通信信息设备自动化测试任务，其可以表示为T_c＝{t_c1,t_c2,...t_cl}，设通信设备测试需要有l个测试任务能够完成。根据任务所需的计算、存储以及通信资源需求，建立测试任务与逻辑资源虚拟机分配模型为

其中a_cln表示对于完成测试任务l分配给逻辑资源云服务器虚拟机C_cn，如果测试任务在此逻辑云服务器虚拟机上执行，则a_ln＝1，否则为a_ln＝0，同样根据任务所需的计算、存储以及通信资源需求，建立测试任务与逻辑资源边缘计算虚拟机分配模型为

其中a_mln表示对于完成测试任务l分配给逻辑资源边缘接入服务器虚拟机M_c，如果测试任务在此逻辑边缘接入服务器虚拟机上执行，则a_ln＝1，否则为a_ln＝0，

其中，步骤B具体包括：

B1，根据步骤A的总体资源调度模型，将测试任务进行计算量以及完成时间的估算(以尽量本地的原则)；

B2，根据估算的计算量和完成时间，考虑测试任务的时间要求，确定可供调度的通信资源；

B3,根据需要调度节点通信资源，确定每个调度节点可供完成本次测试所需的最大计算资源；

B4，根据B2和B3的调度的通信资源和最大计算资源，以及任务需要调度的数据资源，确定智能计算单元的个数。

其中，步骤C具体包括：

C1，根据测试任务(包括多个测试任务同时进行)，给出资源配置的具体状态集合，即虚拟计算节点以及存储器还有占用通信信道资源，其表示为S_t＝{t_i,M_ci,C_ci,P_ci,P_mi,A_ci,A_mi}，其中t_i表示状态更新的时间；

C2，设置动作空间，由于采用分布式的强化学习方式，故采用分布式的动作空间，其可以表示为a_ti＝{S_ln|π}，其中i为分布式强化学习第i个计算单元，也可以认为是云计算和边缘计算节点组成的计算单元，即在动作选取概率策略π(s)下采取的资源映射行为，而资源映射行为用S_ln；

C3，建立云计算节点奖励函数，在奖励函数是在强化学习中，应用C2的动作后获得的奖励，其奖励函数采用用户的体验质量函数，其可以表示为

其中第i个云物理机，j代表物理机上资源块；

为第i台云物理机使用的总的存储资源；

为第i台云物理机使用的分配给此次测试任务的存储资源；

为第i台云物理机使用的总的计算资源；

为第i台云物理机使用的分配给此次测试任务的计算资源；

为第i台云物理机使用的总的带宽资源；

为第i台云物理机使用的分配给此次测试任务的带宽资源；λ_j为存储资源加权系数；β_j为计算资源加权系数；γ_j为带宽资源加权系数；delay_s为存储时延，delay_c为计算时延，delay_b为传输时延。

C4，建立边缘计算节点奖励函数，在奖励函数是在强化学习中，应用C2的动作后获得的奖励，其奖励函数采用用户的体验质量函数，其可以表示为

其中第i个边缘计算物理机，j代表物理机上资源块；

为第i台边缘计算物理机使用的总的存储资源；

为第i台边缘计算物理机使用的分配给此次测试任务的存储资源；

为第i台边缘计算物理机使用的总的计算资源；

为第i台边缘计算物理机使用的分配给此次测试任务的计算资源；

为第i台边缘计算物理机使用的总的带宽资源；

为第i台边缘计算物理机使用的分配给此次测试任务的带宽资源；λ_j为存储资源加权系数；β_j为计算资源加权系数；γ_j为带宽资源加权系数；delay_s为存储时延，delay_c为计算时延，delay_b为传输时延。

其中，步骤D具体包括：

D1，计算各个计算节点的状态和动作函数，计算方式为：

Q^π(s,a)＝E_π,P[R(s,a)+γQ^π(s′,a′)]

其中，s为各个节点的状态值，a为各个节点的动作值；概率策略π(s)下采取的资源映射行为；R(s,a)是奖励函数，γ为(0,1]的衰减因子；E(·)代表取均值；

D2，各个计算节点的动作值，即资源分配的具体值，计算方法如下：

其中，

为生成对抗网络的训练函数，θ_i为加权函数，κ_i为生成对抗网络目标动作函数的分布值；

D3，根据D2各个计算节点的资源分配值，组成生成对抗网络，进行博弈，最终得到最优的全局分配值：

其中，D{·}为生成对抗网络的对抗深度卷积网络，μ为加权系数，而

为求梯度；|| ||₂为矩阵的二阶距。

其中，步骤E具体包括：

E1，测试任务拟定后将任务提交在线的通信软件自动化测试平台，平台根据任务确定计算的云节点和边缘计算节点；

E2，根据确定的云节点和边缘计算节点，确定各个节点的状态空间以及奖励空间；

E3，根据状态空间和奖励空间，优化动作空间；

E4，各个节点根据生成对抗网络，博弈优化整体的动作空间；

E7，获得最优资源存储、计算和带宽分配方案。

为了提高电力信息通信设备的测试效率，缩短时延，提高计算、存储和通信资源的利用效率，本发明提出了一种云边协同电力信息通信设备自动化测试资源分配方法，该方法基于生成对抗网络的深度强化学习的自动化测试资源分配方法。在综合计算资源、存储资源以及通信带宽等因素下，减少了测试任务的计算、存储和通信时延，提高自动化测试效率，降低自动化测试成本。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (1)

1.一种云边协同电力信息通信设备自动化测试资源分配方法，其特征在于，该方法具体包括如下步骤：

步骤A，根据电力信息通信设备需要测试的要求，构建测试任务，根据测试任务，构建测试云计算和边缘计算的测试平台模型；

步骤B，根据步骤A给出的云计算和边缘计算测试平台模型，构建可以调度的资源模型和通信模型；

步骤C，根据步骤A的测试平台模型，步骤B的资源模型应用，设计生成对抗深度强化学习资源调度方法，并按照此资源调度方法进行计算资源和通信资源调度；

步骤D，根据资源调度方法将测试任务进行分配，并通知测试点完成测试任务的时间限制；

步骤E，各个分散节点进行计算，完成各自计算任务，并将计算结果上传到云计算平台；

其中，步骤A具体包括：

A1，根据要测试的通信设备分析云计算和多接入边缘计算的电力信息通信设备自动化测试平台结构，其可分为用户节点、边缘计算节点簇资源层和云计算资源三层结构，确定其拓扑机构；

A2，将云计算测试资源表示C_c＝{C_c1,C_c2,...C_cn}，多接入边缘计算节点测试资源可以表示为M_c＝{M_c1,M_c2,...,M_cn},其中，每个云计算节点和多接入边缘计算节点用于执行测试的资源可以表示为C_ci＝{s_ci,c_ci,b_ci}和M_ci＝{s_mi,c_mi,b_mi}，其中s_ci和s_mi分别表示云计算节点和边缘计算节点存储资源，c_ci和c_mi分别表示云计算节点和边缘计算节点计算资源，b_ci和b_mi分别表示云计算节点和边缘计算节点的通信带宽资源；

A3，根据A2的逻辑资源，建立物理设备计算资源列表，其物理对应的计算处理节点表示为

和

物理层所拥有的物理机，其每个云计算物理服务器对应的物理资源表为

其中PS_ci表示物理存储资源，PC_ci表示物理计算资源，PB_ci表示实际的物理链路带宽，每个多接入边缘计算服务器对应的物理资源表为

其中MS_ci表示物理存储资源，MC_ci表示物理计算资源，MB_ci表示实际的物理链路带宽；

A4，建立电力信息通信设备自动化测试任务，其可以表示为T_c＝{t_c1,t_c2,...t_cl}，设通信设备测试需要有l个测试任务能够完成；根据任务所需的计算、存储以及通信资源需求，建立测试任务与逻辑资源虚拟机分配模型为

其中a_cln表示对于完成测试任务l分配给逻辑资源云服务器虚拟机C_cn，如果测试任务在此逻辑云服务器虚拟机上执行，则a_cln＝1，否则为a_cln＝0，同样根据任务所需的计算、存储以及通信资源需求，建立测试任务与逻辑资源边缘计算虚拟机分配模型为

其中a_mln表示对于完成测试任务l分配给逻辑资源边缘接入服务器虚拟机M_cn，如果测试任务在此逻辑边缘接入服务器虚拟机上执行，则a_mln＝1，否则为a_mln＝0，

其中，步骤B具体包括：

B1，根据步骤A的总体资源调度模型，以尽量本地的原则将测试任务进行计算量以及完成时间的估算；

B2，根据估算的计算量和完成时间，考虑测试任务的时间要求，确定可供调度的通信资源；

B3,根据需要调度节点通信资源，确定每个调度节点可供完成本次测试所需的最大计算资源；

B4，根据B2和B3的调度的通信资源和最大计算资源，以及任务需要调度的数据资源，确定智能计算单元的个数；

其中，步骤C具体包括：

C1，根据同时进行的多个测试任务，给出资源配置的具体状态集合，即虚拟计算节点以及存储器还有占用通信信道资源，其表示为S_t＝{t_i,M_ci,C_ci,P_ci,P_mi,A_ci,A_mi}，其中t_i表示状态更新的时间；

C2，设置动作空间，由于采用分布式的强化学习方式，故采用分布式的动作空间，其可以表示为a_ti＝{S_ln|π}，其中i为分布式强化学习第i个计算单元和边缘计算节点组成的计算单元，即在动作选取概率策略π(s)下采取的资源映射行为，S_ln表示转换状态；

C3，建立云计算节点奖励函数，应用C2的动作后获得的奖励，其奖励函数采用用户的体验质量函数，其可以表示为

其中第i个云物理机，j代表物理机上资源块；

为第i台云物理机使用的总的存储资源；

为第i台云物理机使用的分配给此次测试任务的存储资源；

为第i台云物理机使用的总的计算资源；

为第i台云物理机使用的分配给此次测试任务的计算资源；

为第i台云物理机使用的总的带宽资源；

为第i台云物理机使用的分配给此次测试任务的带宽资源；λ_j为存储资源加权系数；β_j为计算资源加权系数；γ_j为带宽资源加权系数；delay_s为存储时延，delay_c为计算时延，delay_b为传输时延；

C4，建立边缘计算节点奖励函数，应用C2的动作后获得的奖励，其奖励函数采用用户的体验质量函数，其可以表示为

其中第i个边缘计算物理机，j代表物理机上资源块；

为第i台边缘计算物理机使用的总的存储资源；

为第i台边缘计算物理机使用的分配给此次测试任务的存储资源；

为第i台边缘计算物理机使用的总的计算资源；

为第i台边缘计算物理机使用的分配给此次测试任务的计算资源；

为第i台边缘计算物理机使用的总的带宽资源；

为第i台边缘计算物理机使用的分配给此次测试任务的带宽资源；λ_j为存储资源加权系数；β_j为计算资源加权系数；γ_j为带宽资源加权系数；delay_s为存储时延，delay_c为计算时延，delay_b为传输时延；

其中，步骤D具体包括：

D1，计算各个计算节点的状态和动作函数，计算方式为：

Q^π(s,a)＝E_π,P[R(s,a)+γQ^π(s′,a′)]

其中，s为各个节点的状态值，a为各个节点的动作值；概率策略π(s)下采取的资源映射行为；R(s,a)是奖励函数，γ为(0,1]的衰减因子；E(·)代表取均值；

D2，各个计算节点的动作值，即资源分配的具体值，计算方法如下：

其中，

为生成对抗网络的训练函数，θ_i为加权函数，κ_i为生成对抗网络目标动作函数的分布值；

D3，根据D2各个计算节点的资源分配值，构建为生成对抗网络，进行博弈，最终得到最优的全局分配值：

其中，D{·}为生成对抗网络的对抗深度卷积网络，μ为加权系数，而

为求梯度；||||₂为矩阵的二阶距；N为生成对抗网络训练函数的个数；

其中，步骤E具体包括：

E1，测试任务拟定后将任务提交在线的通信软件自动化测试平台，平台根据任务确定计算的云计算节点和边缘计算节点；

E2，根据确定的云计算节点和边缘计算节点，确定各个节点的状态空间以及奖励空间；

E3，根据状态空间和奖励空间，优化动作空间；

E4，各个节点根据生成对抗网络，博弈优化整体的动作空间；

E7，获得最优资源存储、计算和带宽分配方案。

Images