CN111507650B - 一种边缘计算平台算力分配调度方法及系统 - Google Patents
一种边缘计算平台算力分配调度方法及系统 Download PDFInfo
- Publication number
- CN111507650B CN111507650B CN202010624926.3A CN202010624926A CN111507650B CN 111507650 B CN111507650 B CN 111507650B CN 202010624926 A CN202010624926 A CN 202010624926A CN 111507650 B CN111507650 B CN 111507650B
- Authority
- CN
- China
- Prior art keywords
- service
- sampling
- computing power
- computing
- level
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种边缘计算平台算力分配调度方法及系统,所述边缘计算平台算力分配调度方法包括以下步骤:步骤S1,对业务算力消耗峰值进行采样;步骤S2,根据采样的算力消耗峰值对业务算力需求级别进行评估;步骤S3,根据算力需求级别进行算力分配调度。本发明把业务级别因子纳入算力需求评估,优先满足高级别的业务算力需求,同时避免高级别业务独占算力资源而导致低级别业务中断,以便保障低级别业务占用一定的算力资源,满足其基本的业务响应;在此基础上,还能够满足短周期算力需求评估的要求,能够有效提高算力需求估算的精度。
Description
技术领域
本发明涉及一种算力分配调度,尤其涉及一种边缘计算平台算力分配调度方法,还涉及采用了该边缘计算平台算力分配调度方法的边缘计算平台算力分配调度系统。
背景技术
现有边缘计算平台的算力调度,一般通过两类算法实现,一类算法是基于业务模型和用户规模双因子估算,另一类是把终端设备和边缘计算设备绑定。
这两类现有边缘计算平台算力调度算法的技术缺点包括:第一、业务模型在项目生命周期内,对算力的需求相对稳定,对算力需求的估算可以按照常数k对待,对于不同的业务模型k取值不同,例如存储、加密解密、图像识别和VR视频渲染等,操作起来繁琐;第二、用户规模在项目生命周期内,增长趋势波动小,对算力需求的长周期估算影响较大,例如以月和年为估算周期,但是无法满足短周期算力需求的估算要求,例如无法满足以小时、天和周等为估算周期的要求;第三、生产环境中影响算力需求的因子较多,例如用户行为偏好、业务推广活动规模、节假日、热点事件、天气、交通和网络故障等,现有算力需求估算算法已经无法满足实际的算力调度要求;第四、把终端设备和边缘计算设备绑定的情况下,算力得不到灵活分配和调度,导致高级别的业务算力需求得不到充分满足,同时低级别的业务算力需求不足造成算力浪费。
发明内容
本发明所要解决的技术问题是需要提供一种能够优先满足高级别业务的算力需求,同时也能保障低级别业务的基本业务响应能力,并提高算力需求估算的精度的边缘计算平台算力分配调度方法;在此基础上,还进一步提供采用了该边缘计算平台算力分配调度方法的边缘计算平台算力分配调度系统。
对此,本发明提供一种边缘计算平台算力分配调度方法,包括以下步骤:
步骤S1,对业务算力消耗峰值进行采样;
步骤S2,根据采样的算力消耗峰值对业务算力需求级别进行评估;
步骤S3,根据算力需求级别进行算力分配调度。
本发明的进一步改进在于,所述步骤S1包括以下子步骤:
步骤S101,对采样周期进行设置;
步骤S102,根据其中一种采样周期进行业务算力消耗采样;
步骤S103,根据剩余的采样周期进行业务算力消耗采样;
步骤S104,对不同采样周期的业务算力消耗采样数据进行加权平均处理,得到当前业务的算力需求预期;
步骤S105,重复步骤S101至步骤S104得到下一业务的算力需求预期。
本发明的进一步改进在于,所述步骤S101中,将采样周期设置为分钟、小时、天、周和月,并分别用m、h、d、w和y来表示。
本发明的进一步改进在于,所述步骤S102中,以分钟为采样周期对当前的A业务进行业务算力消耗采样,最近N分钟的采样数据记录为{CPAmn,CPAmn-1,CPAmn-2,… …,CPAm1},其中,n代表样本序号,CPAmn代表A业务以分钟为采样周期进行采样的第n个样本采样数据,n为1至N的自然数,设置采样的相关性系数为,则通过公式计算A业务以分钟为采样周期的业务算力消耗采样值,i为1至n的自然数;所述样本序号n的取值范围为6~10。
本发明的进一步改进在于,所述步骤S103中,通过公式计算A业务以小时为采样周期的业务算力消耗采样值,代表A业务中以小时为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以天为采样周期的业务算力消耗采样值,代表A业务以天为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以周为采样周期的业务算力消耗采样值,代表A业务以周为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以月为采样周期的业务算力消耗采样值,代表A业务以月为采样周期进行采样的第n个样本采样数据。
本发明的进一步改进在于,所述步骤S105中,通过公式对不同采样周期的业务算力消耗采样数据进行加权平均处理,得到下一个B业务的算力需求预期,其中,分别代表以分钟、小时、天、周和月为采样周期的权重系数,代表B业务以分钟为采样周期的算力消耗采样值;代表B业务以小时为采样周期的算力消耗采样值;代表B业务以天为采样周期的算力消耗采样值;代表B业务以周为采样周期的算力消耗采样值;代表B业务以月为采样周期的算力消耗采样值。
本发明的进一步改进在于,所述步骤S2中,通过公式对A业务算力需求级别进行评估,通过公式对B业务算力需求级别进行评估,其中,代表A业务算力需求级别,代表B业务算力需求级别,该业务算力需求级别的值越大则级别越高,所有业务的业务算力需求级别之和等于1。
本发明的进一步改进在于,所述步骤S3中,先为业务算力需求级别最低的业务分配资源,分配资源的上限为算力需求预期值,并将剩余算力资源分配给业务算力需求级别高一级的业务,该业务算力需求级别高一级的业务所分配资源的上限为算力需求预期值与剩余算力资源之和,若有剩余,则将此时的剩余算力资源分配给业务算力需求级别再高一级的业务,以此类推以实现算力需求的分配调度。
本发明还提供一种边缘计算平台算力分配调度系统,采用了如上所述的边缘计算平台算力分配调度方法,并包括:
业务算力消耗峰值采样模块,用于对业务算力消耗峰值进行采样;
业务算力需求级别评估模块,用于根据采样的算力消耗峰值对业务算力需求级别进行评估;
分配调度模块,用于根据算力需求进行分配调度。
与现有技术相比,本发明的有益效果在于:把业务级别因子纳入算力需求评估,优先满足高级别的业务算力需求,同时避免高级别业务独占算力资源而导致低级别业务中断,以便保障低级别业务占用一定的算力资源,满足其基本的业务响应;在此基础上,还能够满足短周期算力需求评估的要求,能够有效提高算力需求估算的精度。
附图说明
图1是本发明一种实施例的工作流程示意图;
图2是本发明一种实施例的应用场景示意图。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明。
本例涉及计算机信息技术领域,具体涉及边缘计算平台。边缘计算是指在靠近物或数据源头的一侧,采用网络、计算、存储和应用核心能力为一体的开放平台,就近提供计算服务。其应用程序在边缘侧发起,产生更快的网络服务响应,满足用户在实时业务、应用智能、安全与隐私保护等方面的业务需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。而云端计算平台,仍然可以访问边缘计算的历史数据。
本例的应用场景如图2所示,本例力求得到一个算力调度的最优解,如何控制和调度算力资源不是本申请的发明范畴;边缘计算平台的算力资源是有限的,不能同时满足所有业务的算力需求,至少是在某一段时间内无法满足所有业务的算力需求。边缘计算平台一般满足多种业务的算力需求,例如神经网络训练、人脸识别、车牌识别、机器学习、VR渲染、AR渲染、规则引擎和函数计算等,而且业务随着技术的发展还会增加,为了描述本申请的技术方案,本例简化为A业务和B业务共两种业务,如果只有一种业务,则不存在算力资源分配和调度的问题。
在采样数据序列中,离估算算力需求时刻越近的采样值,和算力需求相关性越大,例如以分钟为采样周期,则一分钟前的采样值和估算值的相关性大于两分钟前的采样值,同理,如果采样周期为周,当前时间为周一,则七天前的采样值和估算值的相关性大于十四天前的采样值,以此类推,如果采样周期为月,当前时间为M月1日,则M-1月1日的采样值和估算值的相关性大于M-2月1日的采样值。
算力需求在一个采样周期内,具有一定的波动规律,例如相邻两个小时、相邻两天、相邻两周和相邻两个月的算力消耗具有一定的趋势相关性;因此,本例采用多周期(也可以理解为短周期加上长周期)采样估算,理由是一个时刻的算力需求,是多个周期算力需求波形叠加形成的,例如A业务早上9点的算力需求,很大程度上和前一天早上9点的算力消耗具有相关性,但是如果是周一,那依据前一天即周日的算力消耗进行估算,偏差会比较大,把上周一早上9点的算力消耗纳入算法因子后,估算的结果更准确。
对比,如图1所示,本例提供一种边缘计算平台算力分配调度方法,包括以下步骤:
步骤S1,对业务算力消耗峰值进行采样;
步骤S2,根据采样的算力消耗峰值对业务算力需求级别进行评估;
步骤S3,根据算力需求级别进行算力分配调度。
具体的,本例所述步骤S1包括以下子步骤:
步骤S101,对采样周期进行设置;
步骤S102,根据其中一种采样周期进行业务算力消耗采样;
步骤S103,根据剩余的采样周期进行业务算力消耗采样;
步骤S104,对不同采样周期的业务算力消耗采样数据进行加权平均处理,得到当前业务的算力需求预期;
步骤S105,重复步骤S101至步骤S104得到下一业务的算力需求预期。
本例所述步骤S101中,将采样周期设置为分钟、小时、天、周和月,并分别用m、h、d、w和y来表示。
本例所述步骤S102中,以分钟为采样周期对当前的A业务进行业务算力消耗采样,最近N分钟的采样数据记录为{CPAmn,CPAmn-1,CPAmn-2,… …,CPAm1},其中,n代表样本序号,CPAmn代表A业务以分钟为采样周期进行采样的第n个样本采样数据,n为1至N的自然数,设置采样的相关性系数为,则通过公式计算A业务以分钟为采样周期的业务算力消耗采样值,i为1至n的自然数;所述样本序号n的取值范围为6~10。
值得一提的是,本例所述样本序号n的取值范围优选为6~10,之所以推荐样本序号n的取值范围为6~10,是因为这样的多样本结合其不同权重能够有效去除采样数据中的噪声,而且噪声离预期值越远,对计算结果的扰动越小,例如当n=6时,其结果如下表所示:
CP<sub>Am</sub> | CP<sub>Am6</sub> | CP<sub>Am5</sub> | CP<sub>Am4</sub> | CP<sub>Am3</sub> | CP<sub>Am2</sub> | CP<sub>Am1</sub> | 备注 | |
样本1 | 1.24 | 1 | 2 | 1 | 1 | 1 | 1 | 噪声近,扰动大 |
样本2 | 1.10 | 1 | 1 | 1 | 1 | 2 | 1 | 噪声远,扰动小 |
同理,本例所述步骤S103中,通过公式计算A业务以小时为采样周期的业务算力消耗采样值,代表A业务中以小时为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以天为采样周期的业务算力消耗采样值,代表A业务以天为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以周为采样周期的业务算力消耗采样值,代表A业务以周为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以月为采样周期的业务算力消耗采样值,代表A业务以月为采样周期进行采样的第n个样本采样数据。
通过,本例所述步骤S105中,通过公式对不同采样周期的业务算力消耗采样数据进行加权平均处理,得到下一个B业务的算力需求预期,其中,分别代表以分钟、小时、天、周和月为采样周期的权重系数,这几个权重系数可以根据实际情况进行自定义设置和调整,分别用于限定不同采样周期所占的权重;代表B业务以分钟为采样周期的算力消耗采样值;代表B业务以小时为采样周期的算力消耗采样值;代表B业务以天为采样周期的算力消耗采样值;代表B业务以周为采样周期的算力消耗采样值;代表B业务以月为采样周期的算力消耗采样值。
其中,同样优选通过公式计算B业务以分钟为采样周期的业务算力消耗采样值,i为1至n的自然数,代表B业务中以分钟为采样周期进行采样的第n个样本采样数据;通过公式计算B业务以小时为采样周期的业务算力消耗采样值,代表B业务中以小时为采样周期进行采样的第n个样本采样数据;通过公式计算B业务以天为采样周期的业务算力消耗采样值,代表B业务以天为采样周期进行采样的第n个样本采样数据;通过公式计算B业务以周为采样周期的业务算力消耗采样值,代表B业务以周为采样周期进行采样的第n个样本采样数据;通过公式计算B业务以月为采样周期的业务算力消耗采样值,代表B业务以月为采样周期进行采样的第n个样本采样数据。
本例所述步骤S2中,通过公式对A业务算力需求级别进行评估,通过公式对B业务算力需求级别进行评估,其中,代表A业务算力需求级别,代表B业务算力需求级别,该业务算力需求级别(等)的值越大则级别越高,所有业务的业务算力需求级别之和等于1。
本例所述步骤S3中,先为业务算力需求级别最低的业务分配资源,分配资源的上限为算力需求预期值Rl*CPtotal,并将剩余算力资源Rx分配给业务算力需求级别高一级的业务,该业务算力需求级别高一级的业务所分配资源的上限为算力需求预期值与剩余算力资源之和Rh*CPtotal+ Rx,若有剩余,则将此时的剩余算力资源分配给业务算力需求级别再高一级的业务,以此类推以实现算力需求的分配调度。其中,Rl代表最低级别业务算力分配权重,该最低级别业务算力分配权重可以采用预先设置的权重值,也可以自定义修改或设置;CPtotal代表总算力资源;Rh代表当前业务级别算力分配权重,该当前业务级别算力分配权重可以采用预先设置的权重值,也可以自定义修改或设置;Rx代表剩余算力资源。
因此,本例采用多周期采样算法估算业务的预期算力需求,并且依据算力需求预期值,把业务算力需求从低到高排序,依次分配和调度算力资源。本例还可以应用到其它业务场景,例如数据中心的带宽估算和分配,超融合系统的内存需求估算和分配,文件服务系统存储需求的估算和分配等资源分配场景,力求在满足不同业务需求的同时减少资源的空闲比例。
本例还提供一种边缘计算平台算力分配调度系统,采用了如上所述的边缘计算平台算力分配调度方法,并包括:
业务算力消耗峰值采样模块,用于对业务算力消耗峰值进行采样;
业务算力需求级别评估模块,用于根据采样的算力消耗峰值对业务算力需求级别进行评估;
分配调度模块,用于根据算力需求进行分配调度。
综上所述,本例把业务级别因子纳入算力需求评估,优先满足高级别的业务算力需求,同时避免高级别业务独占算力资源而导致低级别业务中断,以便保障低级别业务占用一定的算力资源,满足其基本的业务响应;在此基础上,还能够满足短周期算力需求评估的要求,能够有效提高算力需求估算的精度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (4)
1.一种边缘计算平台算力分配调度方法,其特征在于,包括以下步骤:
步骤S1,对业务算力消耗峰值进行采样;
步骤S2,根据采样的算力消耗峰值对业务算力需求级别进行评估;
步骤S3,根据业务算力需求级别进行算力分配调度;
所述步骤S1采用多周期采样同时估算业务算力消耗采样值,包括以下子步骤:
步骤S101,对采样周期进行设置,将采样周期设置为分钟、小时、天、周和月,并分别用m、h、d、w和y来表示;
步骤S102,根据其中一种采样周期进行业务算力消耗采样,以分钟为采样周期对当前
的A业务进行业务算力消耗采样,最近N分钟的采样数据记录为{CPAmn,CPAmn-1,CPAmn-2,…
…,CPAm1},其中,n代表样本序号,CPAmn代表A业务以分钟为采样周期进行采样的第n个样本
采样数据,n为1至N的自然数,设置采样的相关性系数为,则通过公式计算A业务以分钟为采样周期的业务算力消耗采样值,i为1至n的
自然数,样本序号n的取值范围为6~10;
步骤S103,根据剩余的采样周期进行业务算力消耗采样,通过公式计算A业务以小时为采样周期的业务算力消耗采样值,代表A业务中以小时为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以天为采样周期的业务算力消耗采样值,代表A业务以天为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以周为采样周期的业务算力消耗采样值,代表A业务以周为采样周期进行采样的第n个样本采样数据;通过公式计算A业务以月为采样周期的业务算力消耗采样值,代表A业务以月为采样周期进行采样的第n个样本采样数据;
步骤S104,对不同采样周期的业务算力消耗采样数据进行加权平均处理,得到当前业务的算力需求预期,通过公式对不同采样周期的业务算力消耗采样数据进行加权平均处理,得到当前的A业务的算力需求预期,其中,分别代表以分钟、小时、天、周和月为采样周期的权重系数,分别代表A业务以小时、天、周和月为采样周期的业务算力消耗采样值;
步骤S105,重复步骤S101至步骤S104得到下一业务的算力需求预期;
所述步骤S3中,先为业务算力需求级别最低的业务分配资源,分配资源的上限为算力需求预期值Rl*CPtotal,并将剩余算力资源Rx分配给业务算力需求级别高一级的业务,该业务算力需求级别高一级的业务所分配资源的上限为算力需求预期值与剩余算力资源之和Rh*CPtotal+ Rx,若有剩余,则将此时的剩余算力资源分配给业务算力需求级别再高一级的业务,以此类推以实现算力需求的分配调度;其中,Rl代表最低级别业务算力分配权重;CPtotal代表总算力资源;Rh代表当前业务级别算力分配权重;Rx代表剩余算力资源。
4.一种边缘计算平台算力分配调度系统,其特征在于,采用了如权利要求1至3任意一项所述的边缘计算平台算力分配调度方法,并包括:
业务算力消耗峰值采样模块,用于对业务算力消耗峰值进行采样;
业务算力需求级别评估模块,用于根据采样的算力消耗峰值对业务算力需求级别进行评估;
分配调度模块,用于根据算力需求进行分配调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624926.3A CN111507650B (zh) | 2020-07-02 | 2020-07-02 | 一种边缘计算平台算力分配调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624926.3A CN111507650B (zh) | 2020-07-02 | 2020-07-02 | 一种边缘计算平台算力分配调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507650A CN111507650A (zh) | 2020-08-07 |
CN111507650B true CN111507650B (zh) | 2021-01-05 |
Family
ID=71870655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624926.3A Active CN111507650B (zh) | 2020-07-02 | 2020-07-02 | 一种边缘计算平台算力分配调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507650B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114697341B (zh) * | 2020-12-28 | 2023-05-16 | 华为技术有限公司 | 计算电子设备的算力的方法、控制设备以及存储介质 |
CN113157413B (zh) * | 2021-04-16 | 2022-04-26 | 上海交通大学 | 基于服务质量需求的深度学习任务资源优化配置方法及系统 |
CN113127153A (zh) * | 2021-04-20 | 2021-07-16 | 上海卓易科技股份有限公司 | 一种用于确定目标任务描述信息的方法与设备 |
CN113641124B (zh) * | 2021-08-06 | 2023-03-10 | 珠海格力电器股份有限公司 | 一种算力分配方法、装置、控制器及楼宇控制系统 |
CN113806073B (zh) * | 2021-08-11 | 2022-09-20 | 中标慧安信息技术股份有限公司 | 一种边缘计算平台算力分配调度方法及系统 |
CN114138454B (zh) * | 2021-10-19 | 2022-07-15 | 中标慧安信息技术股份有限公司 | 一种边缘计算平台算力的公平分配方法及系统 |
CN114866430A (zh) * | 2022-03-29 | 2022-08-05 | 北京智芯微电子科技有限公司 | 边缘计算的算力预测方法、算力编排方法及系统 |
CN114625519A (zh) * | 2022-05-11 | 2022-06-14 | 北京智芯微电子科技有限公司 | 边缘计算的业务调度方法、装置及设备 |
CN117170852A (zh) * | 2022-05-25 | 2023-12-05 | 北京沃东天骏信息技术有限公司 | 算力分配、服务和测试方法,及系统和存储介质 |
CN116467087B (zh) * | 2023-06-09 | 2023-09-01 | 江苏谷科软件有限公司 | 基于多业务模块的智慧数字运营管理系统 |
CN117376081A (zh) * | 2023-11-16 | 2024-01-09 | 湖北邮电规划设计有限公司 | 一种基于确定性网络的网络维持方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253883A (zh) * | 2011-07-29 | 2011-11-23 | 国网信息通信有限公司 | 一种服务器性能评价的方法和系统 |
CN106020933A (zh) * | 2016-05-19 | 2016-10-12 | 山东大学 | 基于超轻量虚拟机的云计算动态资源调度系统及方法 |
CN110059942A (zh) * | 2019-04-02 | 2019-07-26 | 南京邮电大学 | 一种基于模糊多目标优化的云制造资源服务优化调度方法 |
CN110990159A (zh) * | 2019-12-25 | 2020-04-10 | 浙江大学 | 一种基于历史数据分析的容器云平台资源配额预测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8261269B2 (en) * | 2009-09-21 | 2012-09-04 | Oracle International Corporation | System and method for synchronizing transient resource usage between virtual machines in a hypervisor environment |
CN104023400B (zh) * | 2014-05-23 | 2018-01-19 | 广州海格通信集团股份有限公司 | 针对ofdm基站系统的下行信道按需分配方法 |
CN104009939B (zh) * | 2014-05-29 | 2017-04-05 | 中国联合网络通信集团有限公司 | 一种服务资源分配方法和系统 |
WO2016086366A1 (zh) * | 2014-12-03 | 2016-06-09 | 华为技术有限公司 | 使用频谱资源进行通信的方法和通信设备 |
CN105792287B (zh) * | 2016-03-01 | 2019-04-09 | 山东省计算中心(国家超级计算济南中心) | 无线体域网的保护时隙自适应分配及性能评价方法 |
CN108279974B (zh) * | 2017-01-06 | 2022-07-19 | 阿里巴巴集团控股有限公司 | 一种云资源分配方法及装置 |
CN107895225B (zh) * | 2017-11-01 | 2021-10-01 | 北京邮电大学 | 一种多Agent无冲突的合作型任务分配方法 |
CN108681964B (zh) * | 2018-04-19 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种交易结算系统及交易结算控制方法 |
CN115525438A (zh) * | 2019-08-23 | 2022-12-27 | 第四范式(北京)技术有限公司 | 在分布式系统中资源及任务的分配方法、装置及系统 |
CN110609742B (zh) * | 2019-09-25 | 2023-01-06 | 苏州浪潮智能科技有限公司 | 一种Kubernetes调度器的队列的配置方法和装置 |
-
2020
- 2020-07-02 CN CN202010624926.3A patent/CN111507650B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253883A (zh) * | 2011-07-29 | 2011-11-23 | 国网信息通信有限公司 | 一种服务器性能评价的方法和系统 |
CN106020933A (zh) * | 2016-05-19 | 2016-10-12 | 山东大学 | 基于超轻量虚拟机的云计算动态资源调度系统及方法 |
CN110059942A (zh) * | 2019-04-02 | 2019-07-26 | 南京邮电大学 | 一种基于模糊多目标优化的云制造资源服务优化调度方法 |
CN110990159A (zh) * | 2019-12-25 | 2020-04-10 | 浙江大学 | 一种基于历史数据分析的容器云平台资源配额预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111507650A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507650B (zh) | 一种边缘计算平台算力分配调度方法及系统 | |
Burger et al. | The efficiency and distributional effects of alternative residential electricity rate designs | |
US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
CA2447096C (en) | System and method for generating forecasts and analysis of contact center behavior for planning purposes | |
WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
Portella et al. | Statistical analysis of Amazon EC2 cloud pricing models | |
CN110580544B (zh) | 一种基于周期性依赖的话务量预测方法 | |
Carpenter et al. | Managing magnetic resonance imaging machines: support tools for scheduling and planning | |
Ibrahim et al. | Inter-dependent, heterogeneous, and time-varying service-time distributions in call centers | |
Weng et al. | Probabilistic baseline estimation based on load patterns for better residential customer rewards | |
Hosking et al. | Short‐term forecasting of the daily load curve for residential electricity usage in the Smart Grid | |
JP2011114944A (ja) | 電力需要予測装置、そのプログラム | |
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
Zhuang et al. | Capacity planning and headroom analysis for taming database replication latency: experiences with linkedin internet traffic | |
Tsai et al. | Efficient optimization algorithms for surgical scheduling under uncertainty | |
CN107067156A (zh) | 配电网停电策略的评估方法和装置 | |
KR101865924B1 (ko) | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 | |
CN110619407A (zh) | 对象销量的预测方法及系统、电子设备和存储介质 | |
CN113222245A (zh) | 居民用户月度电量电费异常核查方法及系统、存储介质 | |
WO2011053275A1 (en) | Adjusting a point prediction that is part of the long-term product life cycle based forecast | |
CN111813524A (zh) | 一种任务执行方法、装置、电子设备和存储介质 | |
CN115202890B (zh) | 数据元件生产资源空间分配方法、系统及设备 | |
CN114463030A (zh) | 一种内部成本流转估算方法及系统、存储介质 | |
CN107480165A (zh) | 一种页面排位的方法及设备 | |
Rausch et al. | The impact of lead time and model selection on the accuracy of call center arrivals' forecasts |
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 |