CN111092779A - 网络资源配置方法、装置、计算机设备及可读存储介质 - Google Patents

网络资源配置方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN111092779A
CN111092779A CN202010193870.0A CN202010193870A CN111092779A CN 111092779 A CN111092779 A CN 111092779A CN 202010193870 A CN202010193870 A CN 202010193870A CN 111092779 A CN111092779 A CN 111092779A
Authority
CN
China
Prior art keywords
network
task
information
function
resource
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
Application number
CN202010193870.0A
Other languages
English (en)
Other versions
CN111092779B (zh
Inventor
王剑
杜军
王景璟
任勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010193870.0A priority Critical patent/CN111092779B/zh
Publication of CN111092779A publication Critical patent/CN111092779A/zh
Application granted granted Critical
Publication of CN111092779B publication Critical patent/CN111092779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供网络资源配置方法、装置、计算机设备及可读存储介质，该方法包括：获取网络资源最优配置模型，根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型，求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；该方法可以考虑任务类型和网络状态时变性，针对异质异构通信网络，将面向过程的连续任务网络资源最优配置问题转化为面向时隙的任务稳定优化问题，并求解任务稳定优化问题获取网络资源最优配置信息实现网络资源最优配置，从而缩小时间搜索维度和资源搜索维度，降低算法复杂度。

Description

网络资源配置方法、装置、计算机设备及可读存储介质
技术领域
本申请涉及网络技术领域，特别是涉及一种网络资源配置方法、装置、计算机设备及可读存储介质。
背景技术
随着新兴网络技术的快速兴起，通信网络正向万物互联的趋势发展，异构网络融合已成为当前通信网络的常态。然而在大规模异构通信网络中，网络拓扑复杂时变，通信资源异质异构显著，且面临多样化任务传输问题，这对通信网络的资源控制系统提出了更高的挑战。尤其对于连续任务传输，由于其涉及的网络传输资源种类多，且时变性强，如何合理地配置网络资源以使得这些任务的服务质量得到保证，是当前通信网络资源控制系统面临的一个难点。
传统技术需要已知连续传输任务的生成时间以及对传输资源的要求，设计离线资源配置策略，来实现面向连续任务的网络传输资源配置问题。但是传统技术捕捉不到网络状态的时变性，从而导致资源配置方案中的算法复杂性较大。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低资源配置方案中的算法复杂性的网络资源配置方法、装置、计算机设备及可读存储介质。
本申请实施例提供一种网络资源配置方法，所述方法包括：
获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，计算网络效用函数和网络惩罚函数；其 中，
Figure DEST_PATH_IMAGE001
表示t时刻网络中的第l个网络效用函数，
Figure 621288DEST_PATH_IMAGE002
表示t时刻所述网络中的第j个网络 惩罚函数；
通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满足预设条件，则根据 所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模型的目标函数的约束条 件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为任务稳定 优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定状态、
Figure DEST_PATH_IMAGE003
以 及
Figure 177909DEST_PATH_IMAGE004
；
求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE005
，
Figure 36275DEST_PATH_IMAGE006
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE007
，
Figure 228222DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
满足
Figure 980277DEST_PATH_IMAGE010
，
Figure 707800DEST_PATH_IMAGE007
满足
Figure DEST_PATH_IMAGE011
，
Figure 912516DEST_PATH_IMAGE012
为 有限值，
Figure DEST_PATH_IMAGE013
表示时间t分割后的各个离散时隙。
在其中一个实施例中，所述获取网络资源最优配置模型，包括：通过网络状态信息、所述传输任务信息以及所述决策空间，得到所述网络资源最优配置模型。
在其中一个实施例中，所述通过网络状态信息、所述传输任务信息以及所述决策空间，得到所述网络资源最优配置模型，包括：通过所述网络状态信息、所述传输任务信息以及所述决策空间，得到网络资源最优配置模型的目标函数和所述目标函数的约束条件。
在其中一个实施例中，所述求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置，包括：
采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的网络资源最优配置信息；
根据所述网络资源最优配置信息，对所述网络资源进行配置。
在其中一个实施例中，所述采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息，包括：采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息。
在其中一个实施例中，所述采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息，包括：采用李亚普诺夫泛函控制方式将所述任务稳定优化模型转化为凸优化模型，并求解凸优化模型，得到所述最优资源分配对应的所述网络资源最优配置信息。
本申请实施例提供一种网络资源配置方法，所述方法包括：
通过网络状态信息、传输任务信息以及决策空间，得到网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，计算网络效用函数和网络惩罚函数；其 中，
Figure 783520DEST_PATH_IMAGE014
表示网络中的第l个网络效用函数，
Figure DEST_PATH_IMAGE015
表示所述网络中的第j个网络惩罚函数；
通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满足预设条件，则 根据所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模型的目标函数的 约束条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为任 务稳定优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定状态、
Figure 390082DEST_PATH_IMAGE016
以及
Figure 914604DEST_PATH_IMAGE017
；
采用李亚普诺夫泛函控制方式将所述任务稳定优化模型转化为凸优化模型，并求解凸优化模型，得到最优资源分配对应的所述网络资源最优配置信息；
根据所述网络资源最优配置信息，对所述网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE018
，
Figure 839573DEST_PATH_IMAGE019
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE020
，
Figure 514268DEST_PATH_IMAGE008
，
Figure 568811DEST_PATH_IMAGE021
满足
Figure DEST_PATH_IMAGE022
，
Figure 670760DEST_PATH_IMAGE020
满足
Figure 318910DEST_PATH_IMAGE023
，
Figure 125192DEST_PATH_IMAGE012
为有限值，
Figure DEST_PATH_IMAGE024
表示时间t分割后的各个离散时隙。
本申请实施例提供一种网络资源配置装置，所述网络资源配置装置包括：
获取模块，用于获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
函数计算模块，用于根据所述传输任务信息和所述资源配置策略，计算网络效用函数 和网络惩罚函数；其中，
Figure 222459DEST_PATH_IMAGE025
表示网络中的第l个网络效用函数，
Figure 823205DEST_PATH_IMAGE026
表示所述网络中的 第j个网络惩罚函数；
队列信息计算模块，用于通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
转化模块，用于若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满 足预设条件，则根据所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模 型的目标函数的约束条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述 约束条件作为任务稳定优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定 状态、
Figure 958651DEST_PATH_IMAGE027
以及
Figure 568624DEST_PATH_IMAGE028
；
求解模块，用于求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure 473126DEST_PATH_IMAGE005
，
Figure 775931DEST_PATH_IMAGE006
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure 133094DEST_PATH_IMAGE007
，
Figure 546758DEST_PATH_IMAGE008
，
Figure 538723DEST_PATH_IMAGE009
满足
Figure 12429DEST_PATH_IMAGE029
，
Figure 856889DEST_PATH_IMAGE007
满足
Figure 808664DEST_PATH_IMAGE030
，
Figure 687758DEST_PATH_IMAGE012
为有限值，
Figure 66787DEST_PATH_IMAGE013
表示时间t分割后的各个离散时隙。
本申请实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，计算网络效用函数和网络惩罚函数；其 中，
Figure 523176DEST_PATH_IMAGE014
表示网络中的第l个网络效用函数，
Figure 154009DEST_PATH_IMAGE031
表示所述网络中的第j个网络惩罚函数；
通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满足预设条件，则根 据所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模型的目标函数的约束 条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为任务稳定 优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定状态、
Figure 746664DEST_PATH_IMAGE032
以 及
Figure 201654DEST_PATH_IMAGE033
；
求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure 879760DEST_PATH_IMAGE018
，
Figure 314284DEST_PATH_IMAGE034
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure 27025DEST_PATH_IMAGE020
，
Figure 623222DEST_PATH_IMAGE008
，
Figure 54204DEST_PATH_IMAGE021
满足
Figure 26839DEST_PATH_IMAGE035
，
Figure 859666DEST_PATH_IMAGE020
满足
Figure 656458DEST_PATH_IMAGE036
，
Figure 715681DEST_PATH_IMAGE012
为有限值，
Figure 492007DEST_PATH_IMAGE024
表示时间t分割后的各个离散时隙。
本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，计算网络效用函数和网络惩罚函数；其 中，
Figure 648182DEST_PATH_IMAGE037
表示网络中的第l个网络效用函数，
Figure 117340DEST_PATH_IMAGE031
表示所述网络中的第j个网络惩罚函数；
通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满足预设条件，则根 据所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模型的目标函数的约束 条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为任务稳定 优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定状态、
Figure 991756DEST_PATH_IMAGE038
以及
Figure 696406DEST_PATH_IMAGE039
；
求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure 618007DEST_PATH_IMAGE018
，
Figure 117121DEST_PATH_IMAGE040
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure 619778DEST_PATH_IMAGE020
，
Figure 862540DEST_PATH_IMAGE008
，
Figure 868674DEST_PATH_IMAGE041
满足
Figure 538689DEST_PATH_IMAGE042
，
Figure 528642DEST_PATH_IMAGE020
满足
Figure 309516DEST_PATH_IMAGE043
，
Figure 199850DEST_PATH_IMAGE012
为有限值，
Figure 775188DEST_PATH_IMAGE024
表示时间t分割后的各个离散时隙。
本实施例提供的网络资源配置方法、装置、计算机设备及可读存储介质，计算机设备可以获取网络资源最优配置模型，根据传输任务信息和资源配置策略，将所述网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型，求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；该方法可以考虑任务类型和网络状态时变性，采用异质异构通信网络，将面向过程的连续任务网络资源最优配置问题转化为面向时隙的任务稳定优化问题，并求解任务稳定优化问题获取网络资源最优配置信息实现网络资源最优配置，从而缩小时间搜索维度和资源搜索维度，降低算法复杂度。
附图说明
图1为一实施例提供的网络资源配置系统的结构示意图；
图2为一实施例提供的网络资源配置方法的流程示意图；
图3为另一实施例提供的多个网络传输任务队列的结构示意图；
图4为一实施例提供的网络资源配置装置的结构示意图；
图5为一个实施例提供的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的网络资源配置方法，可适用于如图1所示的异质异构的网络资源配置系统中，异质异构的网络资源配置系统可以包括异质异构物理资源设备、资源管理中心以及后台服务器。可选的，异质异构物理资源设备可以包括信号塔和各类基站等等；资源管理中心可以包括计算机设备。其中，资源管理中心可以根据用户传输任务，将传输任务对应的网络状态信息发送至后台服务器，后台服务器产生逻辑资源指令，并将逻辑资源指令分配至异质异构的物理资源设备，异质异构的物理资源设备响应逻辑资源指令。可选的，逻辑资源可以理解为网络传输的资源，即带宽、传输能量等参量；逻辑资源指令可以表征用网络传输资源的指令。本实施例可以实现异质异构通信网络中连续任务传输时的网络资源配置问题；其中，异质异构通信网络可以理解为通信网络中的网络节点为不同类型，不同网络节点在组成和结构上存在区别，各类网络节点组成蜂窝网络、认知无线网络、软件定义网络等以满足不同的功能需求，这些网络可以互联互通，有时也可以共享物理基础设施与资源。其中，物理资源设备、资源管理中心和后台服务器可以通过无线连接进行通信，还可以通过有线连接进行通信。可选的，无线连接的方式可以是Wi-Fi，移动网络或蓝牙连接。下述方法实施例的执行主体以网络资源配置装置为例来进行说明。
为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定发明。
图2为一实施例提供的网络资源配置方法的流程示意图。本实施例涉及的是如何针对连续任务实现网络传输资源配置的过程。如图2所示，该方法包括：
S101、获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略。
在本实施例中，通过获取网络资源最优配置模型来实现异质异构通信网络中的连续任务传输问题。可选的，连续任务可以包括文本、语音、视频、网络中的关键指令等。可选的，连续任务传输问题可以通过公式（1）表示，即
Figure 377070DEST_PATH_IMAGE044
（1）；
其中，
Figure 837002DEST_PATH_IMAGE045
表示t时刻网络状态参量集，包括网络的物理拓扑关系、网络的逻辑拓扑关 系以及网络资源参量化表述等；
Figure 207940DEST_PATH_IMAGE046
表示t时刻的网络传输任务，包括传输任务的生成时 间、传输任务的比特大小、任务涉及到的源节点和目标节点、任务的服务质量要求等信息，
Figure 95125DEST_PATH_IMAGE047
表示t时刻的系统资源配置策略。可选的，上述物理拓扑关系可以为网络的实际拓扑 关系；逻辑拓扑关系可以为网络节点间的连接关系，关系如节点之间相通还是不通，节点之 间单跳可达、多跳可达等等。可选的，上述源节点可以理解为传输任务的发起者，目标节点 可以理解为传输任务的接收者。基于连续任务传输问题可以进一步用多个网络传输任务队 列
Figure 918724DEST_PATH_IMAGE048
表示，多个网络传输任务队列可以通 过图3所示结构表示，每个网络传输任务的动态变化过程可以通过公式（2）表示，即
Figure 182346DEST_PATH_IMAGE049
（2）；
其中，
Figure 142212DEST_PATH_IMAGE050
表示t时刻网络完成任务的能力，
Figure 964412DEST_PATH_IMAGE051
表示网络处理任务的能力，K表示网络传输 任务的总数量，
Figure 275308DEST_PATH_IMAGE052
表示第k个网络传输任务。可选的，
Figure 77042DEST_PATH_IMAGE053
和
Figure 156993DEST_PATH_IMAGE054
均与t时刻网络的传输 任务和网络资源分配策略相关，分别可以通过公式（3）和（4）表示，即
Figure 651560DEST_PATH_IMAGE055
（3）；
Figure 184172DEST_PATH_IMAGE056
（4）；
其中，
Figure 55176DEST_PATH_IMAGE057
和
Figure DEST_PATH_IMAGE058
均可以由网络状态参量集
Figure 255213DEST_PATH_IMAGE059
决定。
需要说明的是，网络管理中心可以获取到网络传输任务
Figure DEST_PATH_IMAGE060
，并在网络资源分配 策略集
Figure 950375DEST_PATH_IMAGE061
中选择相应的资源分配策略
Figure DEST_PATH_IMAGE062
（其中
Figure 642387DEST_PATH_IMAGE063
），
Figure DEST_PATH_IMAGE064
表示与网络 传输任务
Figure 51503DEST_PATH_IMAGE046
相关的决策空间。可选的，决策空间可以指网络通信资源配置中所有可实现 的策略组成的集合，可以包括但不限于传输任务的路径、各处节点、信道为传输任务分配的 发射功率、信道带宽等。另外，网络中除了存在网络传输任务队列外，还可以存在用于表征 网络的效用函数
Figure 981413DEST_PATH_IMAGE065
和惩罚函数
Figure DEST_PATH_IMAGE066
，效用函数和惩罚函数可以为网络的能量消耗、误码率 和丢包率等等。可选的，网络的效用函数和惩罚函数可以根据网络资源配置系统的优化目 标确定，例如，网络资源配置系统的优化目标为能耗，则能耗就是对应的惩罚函数，而网络 中的另一个指标，即吞吐量就是效用函数。其中，网络的效用函数
Figure 841616DEST_PATH_IMAGE067
可以通过公式（5）表 示，网络的惩罚函数
Figure 348821DEST_PATH_IMAGE066
可以通过公式（6）表示，分别为
Figure DEST_PATH_IMAGE068
（5）；
Figure 827207DEST_PATH_IMAGE069
（6）；
其中，
Figure DEST_PATH_IMAGE070
，
Figure 142781DEST_PATH_IMAGE071
，
Figure DEST_PATH_IMAGE072
和
Figure 415631DEST_PATH_IMAGE073
均可以由网络 状态参量集决定，
Figure DEST_PATH_IMAGE074
表示网络效用函数的总数量，
Figure 580771DEST_PATH_IMAGE075
表示网络惩罚函数的总数量。
另外，网络状态信息可以包括网络状态参量集
Figure DEST_PATH_IMAGE076
，网络资源配置系统的传输任 务信息可以包括同一时刻所有的网络传输任务。
步骤S102、根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为所述网络资源配置对应的任务稳定优化模型。
具体的，网络资源最优配置模型可以理解为一种优化问题中的优化模型，该优化问题中涉及到网络的多个状态参量，这使得优化问题的状态搜索空间十分巨大，难以求解，因此，可以将网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型，即转化为队列稳定性问题，以降低搜索空间以及算法复杂度。
需要说明的是，后台服务器可以对网络状态信息和传输任务信息进行转换处理，以将网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型。
步骤S103、求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置。
具体的，后台服务器可以以资源分配函数为优化目标函数，以资源分配为优化目标，求解任务稳定优化模型，得到连续任务传输的网络资源配置信息，以实现异质异构通信网络中的连续任务传输问题。可选的，上述网络资源配置信息可以理解为分配给不同物理资源设备的网络资源指令，可以包括网络带宽等参量。其中，求解任务稳定优化模型可以理解为将面向过程的优化问题转化为面向时隙的优化问题，也就是将连续时间（过程）分割成小段的离散时间（时隙），进而对该优化模型以时隙为单位进行优化求解。
本实施例提供的网络资源配置方法，该方法可以获取网络资源最优配置模型，根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为所述网络资源配置对应的任务稳定优化模型，求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；该方法可以考虑任务类型和网络状态时变性，采用异质异构通信网络，将面向过程的连续任务网络资源最优配置问题转化为面向时隙的任务稳定优化问题，并求解任务稳定优化问题获取网络资源最优配置信息实现网络资源最优配置，从而缩小时间搜索维度和资源搜索维度，降低算法复杂度。
作为其中一个实施例，上述步骤S101中获取网络资源最优配置模型的过程，可以包括：通过网络状态信息、所述传输任务信息以及决策空间，得到所述网络资源最优配置模型。其中，所述通过网络状态信息、所述传输任务信息以及决策空间，得到所述网络资源最优配置模型的步骤，具体可以包括：通过所述网络状态信息、所述传输任务信息以及所述决策空间，得到网络资源最优配置模型的目标函数和所述目标函数的约束条件。
具体的，上述网络资源最优配置模型可以包括网络资源最优配置模型的目标函数 和目标函数的约束条件。可选的，后台服务器可以通过网络状态信息
Figure 597268DEST_PATH_IMAGE077
、传输任务信息
Figure DEST_PATH_IMAGE078
、决策空间
Figure 32929DEST_PATH_IMAGE079
以及网络传输任务
Figure DEST_PATH_IMAGE080
，得到网络资源最优配置模型的目标函数和 目标函数的约束条件。可选的，网络资源最优配置模型的目标函数可以表征为资源分配的 目标函数
Figure 211100DEST_PATH_IMAGE081
。可选的，目标函数的约束条件可以包括网络效用函数的不等式约束（即
Figure DEST_PATH_IMAGE082
）和网络惩罚函数的等式约束（即
Figure 863536DEST_PATH_IMAGE083
）。可选的，网络效用函 数的在0~t时间段内基于概率任务模型和网络策略的平均期望
Figure DEST_PATH_IMAGE084
可以通过公式（7）表示， 网络惩罚函数的在0~t时间段内基于概率任务模型和网络策略的平均期望
Figure 683725DEST_PATH_IMAGE085
可以通过 公式（8）表示，即
Figure DEST_PATH_IMAGE086
（7）；
Figure 973892DEST_PATH_IMAGE087
（8）；
其中，
Figure DEST_PATH_IMAGE088
可以通过网络状态信息
Figure 854123DEST_PATH_IMAGE089
、传输任务信息
Figure 823216DEST_PATH_IMAGE090
以及上述公式（5）获取，
Figure DEST_PATH_IMAGE091
可以通过网络状态信息
Figure 414472DEST_PATH_IMAGE092
、传输任务信息
Figure DEST_PATH_IMAGE093
以及上述公式（6）获取，
Figure 824725DEST_PATH_IMAGE024
表示时间t分割后的各个离散时隙。
需要说明的是，后台服务器可以获得的网络资源最优配置模型的目标函数和目标函数的约束条件分别可以通过公式（9）和（10）表示，即
目标函数：
Figure 203754DEST_PATH_IMAGE094
（9）；
约束条件：
Figure DEST_PATH_IMAGE095
（10）；
其中，
Figure 801088DEST_PATH_IMAGE096
表示一段时间内网络效用函数的平均期望。
本实施例提供的网络资源配置方法，获取网络资源最优配置模型，在考虑任务类型和网络状态时变性的情况下，采用异质异构通信网络，将面向过程的连续任务网络资源最优配置问题转化为面向时隙的任务稳定优化问题，并求解任务稳定优化问题获取网络资源最优配置信息实现网络资源最优配置，从而缩小时间搜索维度和资源搜索维度，降低算法复杂度。
作为其中一个实施例，在上述S102中根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为所述网络资源配置对应的任务稳定优化模型的过程，可以包括如下步骤：
步骤S1021、根据所述传输任务信息和所述资源配置策略，获取虚拟任务队列信息。
具体的，上述虚拟任务信息可以为根据实际任务信息假设的一种任务信息。可选的， 后台服务器可以根据网络状态信息传输任务信息
Figure DEST_PATH_IMAGE097
和资源配置策略
Figure 963079DEST_PATH_IMAGE098
获取网络效用函 数
Figure DEST_PATH_IMAGE099
，即
Figure 732233DEST_PATH_IMAGE100
；后台服务器还可以根据网络状态信息传输任务信息
Figure DEST_PATH_IMAGE101
和资源配置策略
Figure 954267DEST_PATH_IMAGE102
获取网络惩罚函数
Figure 773319DEST_PATH_IMAGE103
，即
Figure DEST_PATH_IMAGE104
。进一步地， 后台服务器可以根据网络效用函数
Figure 473421DEST_PATH_IMAGE105
，得到网络效用函数对应的虚拟任务队列信息， 以及根据网络惩罚函数
Figure DEST_PATH_IMAGE106
，得到网络惩罚函数对应的虚拟任务队列信息，分别可以通过 以下公式（11）和（12）表示，即
Figure 451742DEST_PATH_IMAGE107
（11）；
Figure 812054DEST_PATH_IMAGE008
（12）；
其中，
Figure DEST_PATH_IMAGE108
和
Figure 649560DEST_PATH_IMAGE109
分别可以满足式（13）和（14），即
Figure DEST_PATH_IMAGE110
（13）；
Figure 153353DEST_PATH_IMAGE111
（14）。
可选的，对公式（13）和（14）分别取期望，并且令
Figure DEST_PATH_IMAGE112
，则有
Figure 861546DEST_PATH_IMAGE113
（15）；
Figure DEST_PATH_IMAGE114
（16）。
可选的，
Figure 923918DEST_PATH_IMAGE012
为有限值，因此，
Figure 842195DEST_PATH_IMAGE115
除以t取极限后等于0。
步骤S1022、根据所述虚拟任务队列信息以及所述决策空间，更新所述网络资源最优配置模型的目标函数的约束条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为所述任务稳定优化模型。
具体的，若虚拟任务队列信息
Figure DEST_PATH_IMAGE116
和
Figure 618521DEST_PATH_IMAGE109
是稳定的，约束条件
Figure 305855DEST_PATH_IMAGE117
和
Figure DEST_PATH_IMAGE118
均满足。因此，后台服务器可以根据虚拟任务队列信息以及决策空间，更新网 络资源最优配置模型的目标函数的约束条件，并将网络资源最优配置模型中的目标函数和 更新后的目标函数的约束条件作为任务稳定优化模型。可选的，更新后的目标函数的约束 条件可以通过公式（17）表示，并结合公式（18）的目标函数组成任务稳定优化模型，即
更新后的约束条件：
Figure 40593DEST_PATH_IMAGE119
（17）；
目标函数：
Figure DEST_PATH_IMAGE120
（18）；
其中，
Figure 321532DEST_PATH_IMAGE121
表示每时刻网络中新增的网络传输任务，
Figure 400084DEST_PATH_IMAGE122
表示网络效用函数累加得 到的一个虚拟队列，
Figure 941924DEST_PATH_IMAGE123
表示网络惩罚函数累加得到的虚拟队列，是从0时刻到t时刻之 间网络整体表现的两个指标。
进一步地，上述步骤S103中求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置的过程，可以包括以下步骤：
步骤S1031、采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的网络资源最优配置信息。
可选的，步骤S1031中采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的网络资源最优配置信息的过程，可以包括：采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息。
其中，采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息，包括：以所述资源分配为目标，采用李亚普诺夫泛函控制方式将所述任务稳定优化模型转化为凸优化模型，并求解凸优化模型，得到所述最优资源分配对应的所述网络资源最优配置信息。
具体的，采样控制方式可以为李亚普诺夫泛函控制方式。可选的，网络资源最优配置模型中的目标函数可以为资源分配的目标。
需要说明的是，李亚普诺夫函数可以表示为：
Figure 316405DEST_PATH_IMAGE124
（19）；
李亚普诺夫偏移惩罚函数可以表示为：
Figure 943695DEST_PATH_IMAGE125
（20）；
其中，V表示权重系数，
Figure DEST_PATH_IMAGE126
，并且李亚普诺夫偏移惩罚函数 存下公式（21）所示的上界：
Figure 327403DEST_PATH_IMAGE127
（21）；
其中，B为一个正整数，可以满足公式（22）中的表达式，即
Figure DEST_PATH_IMAGE128
（22）；
需要说明的是，后台服务器将对应的参数和表达式代入任务稳定优化模型中，可以将任务稳定优化模型转化为凸优化模型，该凸优化模型可以通过公式（23）表示为
Figure 130274DEST_PATH_IMAGE129
（23）；
约束条件：
Figure DEST_PATH_IMAGE130
（24）；
还可以理解的是，后台服务器可以采用求解凸优化模型的方法求解简单的凸优化模型，从而得到网络资源最优配置信息。
在本实施例中，令t =t+1不断循环上述步骤，直到网络效用函数和网络惩罚函数循环过程中不存在明显的优化（即变化），此时，循环过程可以停止，当前得到的网络资源配置信息为最优解；若本实施例不执行循环过程，此时，仅可以得到次优解。
步骤S1032、根据所述网络资源最优配置信息，对所述网络资源进行配置。
进一步地，后台服务器可以根据获取的网络资源最优配置信息，对每个物理资源设备所需的网络资源进行最优配置，以使每个物理资源设备完成连续任务传输。
本实施例提供的网络资源配置方法，该方法可以在考虑任务类型和网络状态时变性的情况下，采用异质异构通信网络，将面向过程的连续任务网络资源最优配置问题转化为面向时隙的任务稳定优化问题，并求解任务稳定优化问题获取网络资源最优配置信息实现网络资源最优配置，从而缩小时间搜索维度和资源搜索维度，降低算法复杂度。
应该理解的是，虽然图2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。
关于网络资源配置装置的具体限定可以参见上文中对于网络资源配置方法的限定，在此不再赘述。上述计算机设备中网络资源配置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。
图4为一实施例提供的网络资源配置装置结构示意图。如图4所示，该装置可以包括：获取模块11、转化模块12以及求解模块13。
具体的，所述获取模块11，用于获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
所述转化模块12，用于根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型；
所述求解模块13，用于求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述获取模块11包括第一获取单元。
具体的，所述第一获取单元，用于通过网络状态信息、所述传输任务信息以及决策空间，得到所述网络资源最优配置模型。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述第一获取单元具体通过所述网络状态信息、所述传输任务信息以及所述决策空间，得到网络资源最优配置模型的目标函数和所述目标函数的约束条件。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述转化模块12包括：第二获取单元和更新单元。
具体的，所述第二获取单元，用于根据所述传输任务信息和所述资源配置策略，获取虚拟任务队列信息；
所述更新单元，用于根据所述虚拟任务队列信息以及所述决策空间，更新所述网络资源最优配置模型的目标函数的约束条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为所述任务稳定优化模型。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述求解模块13包括：求解单元以及配置单元。
具体的，所述求解单元，用于采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的网络资源最优配置信息；
所述配置单元，用于根据所述网络资源最优配置信息，对所述网络资源进行配置。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述求解单元包括求解子单元。
其中，所述求解子单元，用于采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述求解子单元具体用于采用李亚普诺夫泛函控制方式将所述任务稳定优化模型转化为凸优化模型，并求解凸优化模型，得到所述最优资源分配对应的所述网络资源最优配置信息。
本实施例提供的网络资源配置装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图5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、显示屏和输入装置。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和计算机程序。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网络资源配置方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5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，提供了一种计算机设备，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：
获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型；
求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置。
在一个实施例中，提供了一种可读存储介质，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：
获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，将所述网络资源最优配置模型转化为网络资源配置对应的任务稳定优化模型；
求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置。
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本申请专利范围的限制。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)

1.一种网络资源配置方法，其特征在于，所述方法包括：
获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，计算网络效用函数和网络惩罚函数；其 中，
Figure DEST_PATH_IMAGE002
表示t时刻网络中的第l个网络效用函数，
Figure DEST_PATH_IMAGE004
表示t时刻所述网络中的第j个网络 惩罚函数；
通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满足预设条件，则 根据所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模型的目标函数的 约束条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为任 务稳定优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定状态、
Figure DEST_PATH_IMAGE006
以及
Figure DEST_PATH_IMAGE008
；
求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
满 足
Figure DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE014A
满足
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE023
为有限值，
Figure DEST_PATH_IMAGE025
表示时间t 分割后的各个离散时隙。
2.根据权利要求1所述的方法，其特征在于，所述获取网络资源最优配置模型，包括：通过网络状态信息、所述传输任务信息以及所述决策空间，得到所述网络资源最优配置模型。
3.根据权利要求2所述的方法，其特征在于，所述通过网络状态信息、所述传输任务信息以及所述决策空间，得到所述网络资源最优配置模型，包括：通过所述网络状态信息、所述传输任务信息以及所述决策空间，得到网络资源最优配置模型的目标函数和所述目标函数的约束条件。
4.根据权利要求1所述的方法，其特征在于，所述求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置，包括：
采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的网络资源最优配置信息；
根据所述网络资源最优配置信息，对所述网络资源进行配置。
5.根据权利要求4所述的方法，其特征在于，所述采用采样控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息，包括：采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息。
6.根据权利要求5所述的方法，其特征在于，所述采用李亚普诺夫泛函控制方式求解所述任务稳定优化模型，得到最优资源分配对应的所述网络资源最优配置信息，包括：采用李亚普诺夫泛函控制方式将所述任务稳定优化模型转化为凸优化模型，并求解凸优化模型，得到所述最优资源分配对应的所述网络资源最优配置信息。
7.一种网络资源配置方法，其特征在于，所述方法包括：
通过网络状态信息、传输任务信息以及决策空间，得到网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
根据所述传输任务信息和所述资源配置策略，计算网络效用函数和网络惩罚函数；其 中，
Figure DEST_PATH_IMAGE026
表示网络中的第l个网络效用函数，
Figure DEST_PATH_IMAGE027
表示所述网络中的第j个网络惩罚函数；
通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满足预设条件，则根据 所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模型的目标函数的约束条 件，并将所述网络资源最优配置模型中的目标函数和更新后的所述约束条件作为任务稳定 优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定状态、
Figure DEST_PATH_IMAGE028
以 及
Figure DEST_PATH_IMAGE029
；
采用李亚普诺夫泛函控制方式将所述任务稳定优化模型转化为凸优化模型，并求解凸优化模型，得到最优资源分配对应的所述网络资源最优配置信息；
根据所述网络资源最优配置信息，对所述网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE010A
，
Figure DEST_PATH_IMAGE012A
，t 时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE014AA
，
Figure DEST_PATH_IMAGE016A
，
Figure DEST_PATH_IMAGE017A
满足
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE014AAA
满足
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE023A
为有限值，
Figure DEST_PATH_IMAGE025A
表示 时间t分割后的各个离散时隙。
8.一种网络资源配置装置，其特征在于，所述装置包括：
获取模块，用于获取网络资源最优配置模型，所述网络资源最优配置模型包括网络资源配置系统的传输任务信息和所述网络资源配置系统的资源配置策略；
函数计算模块，用于根据所述传输任务信息和所述资源配置策略，计算网络效用函数 和网络惩罚函数；其中，
Figure DEST_PATH_IMAGE032
表示网络中的第l个网络效用函数，
Figure DEST_PATH_IMAGE033
表示所述网络中的 第j个网络惩罚函数；
队列信息计算模块，用于通过所述网络效用函数和所述网络惩罚函数，分别计算所述网络效用函数对应的虚拟任务队列信息以及所述网络惩罚函数对应的虚拟任务队列信息；
转化模块，用于若所述虚拟任务队列信息、所述网络效用函数和所述网络惩罚函数满 足预设条件，则根据所述虚拟任务队列信息以及决策空间，更新所述网络资源最优配置模 型的目标函数的约束条件，并将所述网络资源最优配置模型中的目标函数和更新后的所述 约束条件作为任务稳定优化模型；其中，所述预设条件包括所述虚拟任务队列信息为稳定 状态、
Figure DEST_PATH_IMAGE034
以及
Figure DEST_PATH_IMAGE035
；
求解模块，用于求解所述任务稳定优化模型，得到连续任务传输的网络资源配置信息，并根据所述网络资源配置信息对网络资源进行配置；
其中，t时刻所述网络效用函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE010AA
，
Figure DEST_PATH_IMAGE012AA
，t时刻所述网络惩罚函数对应的虚拟任务队列信息为
Figure DEST_PATH_IMAGE014AAAA
，
Figure DEST_PATH_IMAGE016AA
，
Figure DEST_PATH_IMAGE017AA
满足
Figure DEST_PATH_IMAGE030A
，
Figure DEST_PATH_IMAGE014AAAAA
满足
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE023AA
为有限值，
Figure DEST_PATH_IMAGE025AA
表示时间t分割后的各个离散时隙。
9.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，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7中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN202010193870.0A 2020-03-19 2020-03-19 网络资源配置方法、装置、计算机设备及可读存储介质 Active CN111092779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193870.0A CN111092779B (zh) 2020-03-19 2020-03-19 网络资源配置方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193870.0A CN111092779B (zh) 2020-03-19 2020-03-19 网络资源配置方法、装置、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111092779A true CN111092779A (zh) 2020-05-01
CN111092779B CN111092779B (zh) 2020-07-14

Family

ID=70400611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193870.0A Active CN111092779B (zh) 2020-03-19 2020-03-19 网络资源配置方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111092779B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113595767A (zh) * 2021-07-06 2021-11-02 中国人民解放军国防科技大学 一种数据链网络资源分配方法及系统
CN113762659A (zh) * 2020-06-03 2021-12-07 中国移动通信集团河南有限公司 一种网络资源的配置方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103796211A (zh) * 2014-03-07 2014-05-14 国家电网公司 一种认知无线网络中联合功率和信道分配方法
CN104684095A (zh) * 2015-03-10 2015-06-03 东南大学 一种异构网络融合场景中基于遗传运算的资源分配方法
CN108306700A (zh) * 2018-03-06 2018-07-20 天津理工大学 一种基于能效博弈的子载波资源分配方法
CN108882299A (zh) * 2018-07-06 2018-11-23 杭州电子科技大学 无线多跳网络的分布式拥塞控制、路由及功率分配方法
CN109194524A (zh) * 2018-10-11 2019-01-11 厦门大学 一种端到端的分布式流量分配算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103796211A (zh) * 2014-03-07 2014-05-14 国家电网公司 一种认知无线网络中联合功率和信道分配方法
CN104684095A (zh) * 2015-03-10 2015-06-03 东南大学 一种异构网络融合场景中基于遗传运算的资源分配方法
CN108306700A (zh) * 2018-03-06 2018-07-20 天津理工大学 一种基于能效博弈的子载波资源分配方法
CN108882299A (zh) * 2018-07-06 2018-11-23 杭州电子科技大学 无线多跳网络的分布式拥塞控制、路由及功率分配方法
CN109194524A (zh) * 2018-10-11 2019-01-11 厦门大学 一种端到端的分布式流量分配算法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762659A (zh) * 2020-06-03 2021-12-07 中国移动通信集团河南有限公司 一种网络资源的配置方法、装置及电子设备
CN113762659B (zh) * 2020-06-03 2023-10-27 中国移动通信集团河南有限公司 一种网络资源的配置方法、装置及电子设备
CN113595767A (zh) * 2021-07-06 2021-11-02 中国人民解放军国防科技大学 一种数据链网络资源分配方法及系统
CN113595767B (zh) * 2021-07-06 2023-04-18 中国人民解放军国防科技大学 一种数据链网络资源分配方法及系统

Also Published As

Publication number Publication date
CN111092779B (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
Deng et al. Fine-granularity based application offloading policy in cloud-enhanced small cell networks
Wang et al. User mobility aware task assignment for mobile edge computing
Zhang et al. Energy-efficient offloading for mobile edge computing in 5G heterogeneous networks
Park et al. Learning how to communicate in the Internet of Things: Finite resources and heterogeneity
WO2023039965A1 (zh) 流量疏导的云边计算网络计算资源均衡调度方法及系统
WO2016161677A1 (zh) 一种业务卸载方法及系统
CN111953758A (zh) 一种边缘网络计算卸载和任务迁移方法及装置
Huang et al. DeePar: A hybrid device-edge-cloud execution framework for mobile deep learning applications
Meng et al. A utility-based resource allocation scheme in cloud-assisted vehicular network architecture
CN111092779B (zh) 网络资源配置方法、装置、计算机设备及可读存储介质
Panigrahi et al. Transmission in mobile cloudlet systems with intermittent connectivity in emergency areas
WO2022226713A1 (zh) 策略确定的方法和装置
Jiang et al. Customized federated learning for accelerated edge computing with heterogeneous task targets
Zheng et al. Task scheduling using edge computing system in smart city
WO2022206513A1 (zh) 模型处理的方法、通信装置和系统
Huang Quality of service optimization in wireless transmission of industrial Internet of Things for intelligent manufacturing
CN109327340B (zh) 一种基于动态迁移的移动无线网络虚拟网映射方法
US20240031427A1 (en) Cloud-network integration oriented multi-access edge computing architecture
Rego et al. Enhancing offloading systems with smart decisions, adaptive monitoring, and mobility support
Van Le et al. An optimization-based approach to offloading in ad-hoc mobile clouds
CN112422687A (zh) 路由决策方法和装置、存储介质
CN116828534A (zh) 基于强化学习的密集网络大规模终端接入与资源分配方法
US20160080975A1 (en) System and Method for Overlapping Rate Region Zoning
Alfaqawi et al. Energy harvesting network with wireless distributed computing
CN111245878A (zh) 一种基于混合云计算和雾计算的计算卸载通信网络的方法

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