CN111553616A - 资源投放方法和系统 - Google Patents
资源投放方法和系统 Download PDFInfo
- Publication number
- CN111553616A CN111553616A CN202010404373.0A CN202010404373A CN111553616A CN 111553616 A CN111553616 A CN 111553616A CN 202010404373 A CN202010404373 A CN 202010404373A CN 111553616 A CN111553616 A CN 111553616A
- Authority
- CN
- China
- Prior art keywords
- data
- network node
- suitability
- applicability
- 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.)
- Pending
Links
- 238000002716 delivery method Methods 0.000 title description 4
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims 2
- 238000013500 data storage Methods 0.000 claims 2
- 230000001617 migratory effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Abstract
本发明涉及一种进行资源投放的方法，包括：从第一网络节点接收资源投放请求；从该第一网络节点和其他网络节点获取关于该第一网络节点的当前适用性数据；基于该第一网络节点的资源投放请求和当前适用性数据自动生成该第一网络节点的初始适用性值；基于该第一网络节点的初始适用性值进行初始资源投放，其中该初始资源投放的资源与初始适用性值相对应；从该第一网络节点和其他网络节点获取关于该第一网络节点的实时适用性数据；基于该实时适用性数据生成经更新的适用性值，该经更新的适用性值包括实时适用性数据的变化；以及基于经更新的适用性值进行后续资源投放，其中该后续资源投放的资源与经更新的适用性值相对应。
Description
技术领域
本发明涉及资源分配，尤其涉及资源投放的优化。
背景技术
现在已经有越来越多的行业和技术领域需求大数据分析系统，例如金融行业需要使用大数据系统进行信贷风控，零售、餐饮行业需要大数据系统实现辅助销售决策，各种应用场景需要大数据系统持续聚合和分析时序数据等等。
抽象来看，支撑这些场景需求的大数据分析系统，面临大致相同的技术挑战：业务分析的数据范围横跨实时数据和历史数据，既需要低延迟的实时数据分析，也需要对历史数据进行探索性的数据分析。用户可能会存储海量的历史数据，同时数据规模有持续增长的趋势，需要引入分布式存储系统来满足可靠性和可扩展性需求，同时保证成本可控。
由此可见，在大数据的蓬勃发展中，数据在网络上的传送、存储、分析处理等都会耗费大量网络资源。同样，其他资源的生产、仓储、分配、数据处理等也会涉及到类似的问题。因此，资源分配或资源投放的优化是本领域的持续需求。
发明内容
为解决上述技术问题，本公开提供了一种用于进行资源投放的方法和系统，其对数据在网络上的生成、传送、存储和处理进行实时跟踪，从而使网络资源得以精准和高效的投放。同样，本公开的方法和系统也适用于对交通、物资、资金等各种资源的投放。
在本公开一实施例中，提供了一种进行资源投放的方法，包括：从第一网络节点接收资源投放请求；从第一网络节点和其他网络节点获取关于第一网络节点的当前适用性数据；基于第一网络节点的资源投放请求和当前适用性数据自动生成第一网络节点的初始适用性值；基于第一网络节点的初始适用性值进行初始资源投放，其中初始资源投放的资源与初始适用性值相对应；从第一网络节点和其他网络节点获取关于第一网络节点的实时适用性数据；基于实时适用性数据生成经更新的适用性值，经更新的适用性值包括实时适用性数据的变化；以及基于经更新的适用性值进行后续资源投放，其中后续资源投放的资源与经更新的适用性值相对应。
在本公开另一实施例中，资源包括网络资源、交通资源、资金资源以及物资资源中的一种或多种。
在本公开又一实施例中，适用性数据包括与以下一项或多项相关的数据：管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量。
在本公开另一实施例中，适用性数据所包括的数据的权重可按需选择。
在本公开又一实施例中，适用性数据所包括的数据的权重的选择通过机器学习或根据规则集进行。
在本公开另一实施例中，适用性数据由传感器或智能终端采集。
在本公开又一实施例中，适用性数据由边缘云或云数据中心分析或处理。
在本公开另一实施例中，管理策略包括基于数据将分别在何处生成、收集、存储和分析而考虑的数据的存储、处理和分析在边缘云和云数据中心之间的比例。
在本公开又一实施例中，迁移性是由数据的采集、存储和处理在不同的边缘云以及云数据中心进行造成的。
在本公开一实施例中，提供了一种进行资源投放的系统，包括：接收模块，从第一网络节点接收资源投放请求；获取模块，从第一网络节点和其他网络节点获取关于第一网络节点的当前适用性数据；适用性值生成模块，基于第一网络节点的资源投放请求和当前适用性数据自动生成第一网络节点的初始适用性值；以及资源投放模块，基于第一网络节点的初始适用性值进行初始资源投放，其中初始资源投放的资源与初始适用性值相对应；其中获取模块进一步从第一网络节点和其他网络节点获取关于第一网络节点的实时适用性数据；适用性值生成模块进一步基于实时适用性数据生成经更新的适用性值，经更新的适用性值包括实时适用性数据的变化；以及资源投放模块进一步基于经更新的适用性值进行后续资源投放，其中后续资源投放的资源与经更新的适用性值相对应。
在本公开另一实施例中，资源包括网络资源、交通资源、资金资源以及物资资源中的一种或多种。
在本公开又一实施例中，适用性数据包括与以下一项或多项相关的数据：管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量。
在本公开另一实施例中，适用性数据所包括的数据的权重可按需选择。
在本公开又一实施例中，适用性数据所包括的数据的权重的选择通过机器学习或根据规则集进行。
在本公开另一实施例中，适用性数据由传感器或智能终端采集。
在本公开又一实施例中，适用性数据由边缘云或云数据中心分析或处理。
在本公开另一实施例中，管理策略包括基于数据将分别在何处生成、收集、存储和分析而考虑的数据的存储、处理和分析在边缘云和云数据中心之间的比例。
在本公开又一实施例中，迁移性是由数据的采集、存储和处理在不同的边缘云以及云数据中心进行造成的。
在本公开一实施例中，提供了一种存储有指令的计算机可读存储介质，当这些指令被执行时使得机器执行如前的方法。
提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。
附图说明
本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的发明的示例。在附图中，相同的附图标记代表相同或类似的元素。
图1示出根据本公开一实施例的APP请求云上资源时基于APP的适用性值进行网络资源投放的示意图。
图2示出根据本公开一实施例的举办大型赛事时基于适用性值进行交通资源投放的示意图。
图3示出根据本公开一实施例的基于企业适用性值进行资金投放的示意图。
图4示出根据本公开一实施例的资源投放系统的流程图。
图5示出根据本公开一实施例的资源投放系统的框图。
具体实施方式
随着移动通信设备终端的逐步流行，移动互联网在互联网交流中起着越来越大的作用，而APP应用软件正以雨后春笋般的速度生发出来。很多APP会布局在一些手机市场里运营、但也有非常多的APP会采取租用云服务器并配置环境的方式来运营，即采用自主运营的操作。
在大数据环境中，数据可以由用户、应用程序或设备生成，并且源自台式机、笔记本电脑、智能手机、物联网监视器或其他系统。在一些情况下，数据在其生成位置附近收集，并会在其他位置发送。当采用多云环境时，中心云和边缘云、边缘节点、终端和传感器之间的数据传送、存储和处理需要恰当的动态资源分配。
本公开引入适用性值来描述系统或网络节点对资源的需求。在系统上线时，基于关于初始需求和初始环境的适用性数据计算该系统的适用性值，再根据该适用值投放初始资源；在系统运行过程中，采集关于实时需求和环境的实时适用性数据，计算该系统的实时适用性值，再根据该实时适用性值投放后续资源。
在本公开中，一方面，将以APP系统对网络资源的需求为例展开描述，但本领域技术人员可以理解，单个智能终端对网络资源的需求亦可通过本公开的技术方案进行满足，在此不作赘述。
另一方面，本公开还将以系统对交通(路网)资源等其他资源的需求为例展开描述，同样本领域技术人员可以理解，单个设备对这些资源的需求亦可通过本公开的技术方案进行满足，在此不作赘述。
图1示出根据本公开一实施例的APP请求云上资源时基于APP的适用性值进行网络资源投放的示意图。如图1所示，在本公开一实施例中，智能终端通过若干边缘服务器连接到云数据中心。
当前的APP通常都需要有稳定的通信质量，要求的延迟更低、对资源的需求更大，甚至会有不同行业的不同程度的结合。
在进行网络资源投放之前，APP系统需要掌握数据D的类型和数量。数据的类型可以分是结构化的、半结构化的、还是非结构化的；可以分为包括视频文件、图形文件、文字处理文件、日志记录文件或者组合。还需要知晓短期、中期和长期分别会有多少数据量和什么类型的数据。
系统可预估或统计接入终端的数量Q。在资源需求较为均衡的系统中，对接入终端的数量Q的预估促使容易进行资源总需求的估算；在资源需求分层级的系统中，也可通过对接入终端分级，并预估每一层级的终端数量Q来进行资源总需求的估算。
不同的APP系统对处理或计算能力C、实时性R和安全性S的要求会不同，其相应的优先级P也会不同。
在本公开一实施例中，在线医疗APP对处理或计算能力C的要求较高，如果涉及在线手术，则其对处理或计算能力C、优先级P、实时性R和安全性S的要求都高。
在本公开一实施例中，在线学习APP如果是针对校内学习，并且需要实时互动，则其优先级P高、实时性要求R也高。在本公开的另一实施例中，在线学习APP如果是针对校外机构学习，并且是录播课，则其优先级P较低、实时性要求R也较低。
在本公开的又一实施例中，文献检索APP如果是针对大型研发中心内部的含技术秘密的论文，则优先级P和安全性要求S高；如果是针对已公布文献，则优先级P和安全性要求相对较低。当采集到的数据显示一边缘云存在恶意流量时，安全性要求应当对其进行阻断，防止该恶意行为扩散。
一些APP系统需要考虑数据的迁移性B。导航APP由于终端随运输工具的移动而在不同的边缘云之间迁移，因此需要考虑其普遍存在的迁移性。相类似地，地铁、出租公司调度运营用APP也具备迁移性要求。
由此，APP系统应当对数据制定管理策略M，基于数据将分别在何处生成、收集、存储和分析，考虑数据的存储、处理和分析在边缘云和中心云之间的比例。在视频APP的实施例中，视频副本存储的数量、流的切片、视频的浓缩、视频结构化等在边缘云和中心云之间的划分比例就在管理策略考虑范围内。
在一些情况下，所采集的数据期望被无限期地保留或至少保留很长时间。而在另一些情况下，则只需要保留部分数据或只在短时间内保留数据。例如，在边缘计算系统上收集的物联网数据可能需要足够长的时间来执行必要的分析。在此之后，可以丢弃原始数据，同时保留分析结果。
在数据传输方面，并非所有采集到的数据都必须移动到另一个平台。在一些情况下，只需移动一部分数据，或仅移动以某种方式聚合、清理或转换的数据，甚至可能不需要移动任何数据。在另一些情况下，则涉及将数据从一个平台移动到另一个平台的调度。例如，可能需要按时将数据从云数据中心复制到一边缘云，或者从一个边缘云移动到另一个边缘云。这样的数据传输或数据移动还可能因以单向还是双向方式移动而异。
在制定管理策略M时，需要确定：数据从每个端点到每个目的地的流向、要移动的数据的类型和数量，将要保留或删除哪些数据，何时移动数据，以及数据的存储位置以及数据的存储时间等等。
由此，APP请求云上资源时，APP的适用性值V根据当前的适用性数据计算，可以按照式1计算：
V＝M×wM+C×wC+S×wS+R×wR+P×wP+B×wB+D×wD+Q×wQ (1)
其中，M为管理策略，C为处理能力，S为安全性，R为实时性，P为优先级，B为迁移性，D为数据的类型和量，Q为接入终端的数量，w为各适用性数据的权重。
在APP上线时，根据当前的适用性数据进行初始的网络资源投放。APP对云上资源的请求可以在一个网络节点发送，也可在不同需求层级的网络节点发送。
在APP运行过程中，适用性数据将会发生变化，且不断变化的适应性数据会在多个网络节点采集。实时适用性值将根据适用性数据的实时变化更新，并按需进行后续的网络资源投放。
本领域技术人员可以理解，上式1是开放性的，其中的适用性数据可基于所采用云系统的不同结构、所上线APP的不同功能和需求而弹性扩展。其中权重的设置可以按专家经验初设，后续采用规则集或机器学习的方式来获取较优值。
后续网络资源投放的更改时间节点亦可依据APP的不同需求而弹性选择，其可以是定期更改、变化阈值更改、甚至实时更改。同样，该更改时间节点的选择可以按专家经验初设，后续采用机器学习的方式来调整至较优。
由此，本公开的技术方案能够使得云系统中的网络投放效率高且精准，并且能够实时按需调整，从而使得APP所使用的网络资源合理、APP运营质量得到保证。
图2示出根据本公开一实施例的举办大型赛事时基于适用性值进行交通资源投放的示意图。
在本公开一实施例中，将在中心场馆举办50％的赛事，而在数十个卫星场馆举办其余50％的赛事，并且该赛事持续时间长、热度高。因此，举办赛事的城市需要对交通数据进行密切跟踪，并对交通资源进行最优投放和调度。
在赛事开始之前，通过传感器和边缘云采集交通数据，并将经边缘服务器预处理的交通数据传送至云数据中心。这些交通数据包括：中心场馆CT周边的交通数据、卫星场馆ST周边的交通数据、公共交通UT(包括地铁、公交等)相关数据、出租车和私家车TT相关数据、红绿灯LT布局相关数据等等。
进一步地，交通调度中心纳入从赛事举办单位的网络终端处获得的票务信息IT、与配套服务车辆ET(包括保安、物流、餐饮、清卫、其他衍生服务等)的安排和布局相关的信息。
由此，交通调度中心基于以上的适用性数据进行初始的交通资源投放的安排。在赛事举办过程中，以上的适用性数据将通过交通数据、票务信息以及其他服务信息的不断更新而变化。
具体地，在本实施例中，数据的类型和量D、迁移性B等会发生变化。由此，可将式2的变化纳入到式1中：
其中，CT为中心场馆周边的交通数据、ST为卫星场馆周边的交通数据、UT为公共交通相关数据、TT为出租车和私家车相关数据、LT为红绿灯布局相关数据，IT为票务信息，ET为与配套服务车辆的安排和布局相关的信息，w为各适用性数据的权重。
在本实施例中，由于与各种交通工具和人员的流动相关的数据依靠传感器和智能终端来采集，因此要考虑迁移性B。即相关的数据变化大的区域所链接的边缘云要保证不同地域的边缘协同，还要确保平滑迁移。
由此，本实施例的智能调度将能够基于跟踪适用性数据的实时变化来实现，从而能够对公共交通运力、出租车运力进行相应地调配，对红绿灯的策略进行相应地调整，由此实现对交通资源的最佳调度。
也就是说，当赛事集中、呈现大交通流量时，加密地铁和公交运营班次、增调出租车运力、对周边道路的主干道调长绿灯波持续时间等。反之，则减少地铁和公交运营班次、减少出租车运力、对周边道路的主干道调短绿灯波持续时间等。
图3示出根据本公开一实施例的基于企业适用性值进行资金投放的示意图。
在本公开一实施例中，将对跨地域企业进行适用性数据的采集和跟踪，从而对其进行资金和其他社会资源的投放，以期实现资源投放的精准和高效。
在本实施例中，企业的适用性数据包括：企业在一线城市的运营状况UE、企业在二三线城市的运营状况OE、企业在乡村的运营状况CE、企业的上下游供应链状况LE、企业的工商数据和结构状况SE等等。这些适用性数据均可通过各个边缘云来收集。
在初始资源投放之前，要收集企业的工商数据和结构状况SE数据，主要包括：企业注册相关信息、企业法人相关数据、以及当前工商数据信息。还要收集企业的上下游供应链状况LE(源自关系图谱数据)、企业当前运营状况数据(包括以上提及的当前的企业在一线城市的运营状况UE、企业在二三线城市的运营状况OE、企业在乡村的运营状况CE、)。
随着企业的运营，企业或其经营者的经营行为数据就会被动态实时纳入，包括：企业在不同地域的经营行为的变化(包括数量和金额)、企业规模变化、经营范围变化、员工结构变化、科研投入变化、诸如上游供应商和下游销售商的渠道变化等各种企业信息或数据的改变，还可包括法院判决书、调解书等公告信息。
具体地，在本实施例中，数据的类型和量D、迁移性B、安全性S等会发生变化。由此，可将式3的变化纳入到式1中：
其中，CE为企业在乡村的运营状况数据、OE为企业在二三线城市的运营状况数据、UE为企业在一线城市的运营状况数据、LE为企业的上下游供应链状况数据、SE为企业的工商数据和结构状况数据，w为各适用性数据的权重。
在企业运营过程中，企业的关系图谱数据也会发生变化，包括法人的关系图谱数据、上游供应商数据、下游销售商数据、终端用户数据、交易链数据以及产品数据等等。该图谱数据可涵盖静态关系结构、行为序列图和动态关系结构。在传感器、智能终端以及边缘云所收集的大量异构、多样化的信息的基础上，关系图谱可通过利用图的数据结构将不同渠道的碎片化、异构数据整合成为机器可以理解的知识来构建。
当融合来自不同数据源的信息构成关系图谱时，有一些实体会同时属于两个互斥的类别(例如经营类别跨度过大)，或某个实体所对应的一个属性(例如，单日营收数据)对应多个值，这样就会出现不一致性，该不一致性即可判定为潜在的可疑点。通过这种不一致性检测，利用绘制出的关系图谱可识别潜在的风险，包括法人的个人信息造假、经营行为虚假、上下游企业交易不实等。此时，应当纳入安全性S的变化。
在本实施例中，由于涉及各个地域内的运营行为和垮地域的运营行为，其相关的数据依靠传感器和智能终端来采集，因此要考虑迁移性B。即相关的数据变化大的区域所链接的边缘云要保证不同地域的边缘协同，也要确保平滑迁移。
由此，本实施例的智能资源调度将能够基于跟踪适用性数据的实时变化来实现，从而能够对资金和原材料物资等等的投放进行相应地调配，对投放策略进行相应地调整，由此实现对资金和物资资源的最佳调度。
图4示出根据本公开一实施例的资源投放方法400的流程图。
在402，从第一网络节点接收资源投放请求。APP请求云上资源时可在第一网络节点发送该请求。本领域技术人员可以理解，请求也可以分层级在其他网络节点发送。
在404，从该第一网络节点和其他网络节点获取关于该第一网络节点的当前适用性数据。
第一网络节点的适用性数据包括与所请求系统的管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量中的一个或多个相关的数据。
这些数据可从第一网络节点和其他网络节点获取。在APP请求云上资源的实施例中，这些数据可从位于第一网络节点和其他网络节点的智能终端获取，在边缘云和云数据中心存储、传送和处理。在交通智能调度的实施例中，这些数据可从位于第一网络节点和其他网络节点的智能终端和传感器获取，在边缘云和云数据中心存储、传送和处理。在物资资源智能投放的实施例中，这些数据可从位于第一网络节点和其他网络节点的智能终端、智能设备和传感器获取，在边缘云(例如物联网等)和云数据中心存储、传送和处理。
在406，基于该第一网络节点的资源投放请求和当前适用性数据自动生成该第一网络节点的初始适用性值。
第一网络节点的初始适用性值根据申请APP系统的当前适用性数据生成。各种适用性数据的权重可按不同APP的需求来设置或选择。
在APP请求云上资源的实施例中，第一网络节点的初始适用性值可根据前述式1来计算。在交通智能调度的实施例中，第一网络节点的初始适用性值可根据前述式1和式2来计算。在物资资源智能投放的实施例中，第一网络节点的初始适用性值可根据前述式1和式3来计算。本领域技术人员可以理解，适用性值依据不同的APP系统或不同的资源投放系统而变化，其纳入的适用性数据也是开放性、并且可按需弹性扩展。
在408，基于该第一网络节点的初始适用性值进行初始资源投放，其中该初始资源投放的资源与初始适用性值相对应。
在APP请求云上资源的实施例中，初始资源投放的资源与APP初上云所需的资源量相适应。其投放适用于此时APP系统的管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量等等。
在交通智能调度的实施例中，初始资源投放的资源与赛事首日起初的初始适用性值相对应。其投放适用于当时的中心场馆周边交通状况、卫星场馆周边交通状况、公共交通状况、出租车和私家车状况、以及红绿灯布局和策略等等。
在物资资源智能投放的实施例中，初始资源投放的资源与物资资源投放起初的初始适用性值相对应。其投放适用于企业当时的运营状况、供应链状况等等。
在410，从该第一网络节点和其他网络节点获取关于该第一网络节点的实时适用性数据。
随着系统的运行，适用性数据将会随之而变化。这些实时数据可从第一网络节点和其他网络节点获取，即从位于第一网络节点和其他网络节点的智能终端、智能设备和传感器获取，在边缘云(包括物联网等)和云数据中心存储、传送和处理。
在412，基于该实时适用性数据生成经更新的适用性值，该经更新的适用性值包括实时适用性数据的变化。
第一网络节点的经更新的适用性值根据申请APP系统的实时适用性数据生成。各种适用性数据的权重可在APP的运营过程中依据规则集或机器学习来调整。
在APP请求云上资源的实施例中，第一网络节点的经更新的适用性值可根据前述式1来计算其变化。在交通智能调度的实施例中，第一网络节点的实时适用性值可根据前述式1和式2来计算其变化。在物资资源智能投放的实施例中，第一网络节点的实时适用性值可根据前述式1和式3来计算其变化。本领域技术人员可以理解，适用性值依据不同的APP系统或不同的资源投放系统的运营而变化，其纳入的适用性数据也是开放性、并且可按需弹性扩展。
在416，基于经更新的适用性值进行后续资源投放，其中该后续资源投放的资源与经更新的适用性值相对应。
在APP请求云上资源的实施例中，后续资源投放的资源与APP运营过程中所需的资源量的变化相适应。其后续投放与APP系统的管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量等等的变化相对应。
在交通智能调度的实施例中，后续资源投放的资源与赛事进展过程中所需的资源量的变化相对应。其后续投放与中心场馆周边交通状况、卫星场馆周边交通状况、公共交通状况、出租车和私家车状况、以及红绿灯布局和策略等等的变化相对应。
在物资资源智能投放的实施例中，后续资源投放的资源与物资资源投放过程中所需的资源量的变化相对应。其后续投放适用于企业的运营状况、供应链状况等等的变化相对应。
由此，本公开的资源投放方法能够使得网络资源等资源的投放效率高且精准，并且能够实时按需调整，从而使得所使用的资源合理、系统运营质量得到保证。
图5示出根据本公开一实施例的资源投放系统500的框图。
在本公开一实施例中，资源投放系统500包括接收模块502、获取模块504、适用性值生成模块506以及资源投放模块508。
接收模块502从第一网络节点接收资源投放请求。
获取模块504从第一网络节点和其他网络节点获取关于第一网络节点的当前适用性数据。
适用性值生成模块506基于第一网络节点的资源投放请求和当前适用性数据自动生成第一网络节点的初始适用性值。
资源投放模块508基于第一网络节点的初始适用性值进行初始资源投放，其中初始资源投放的资源与初始适用性值相对应。
其中获取模块504进一步从第一网络节点和其他网络节点获取关于第一网络节点的实时适用性数据。
适用性值生成模块506进一步基于实时适用性数据生成经更新的适用性值，经更新的适用性值包括实时适用性数据的变化。
资源投放模块508进一步基于经更新的适用性值进行后续资源投放，其中后续资源投放的资源与经更新的适用性值相对应。
由此，本公开的资源投放系统能够使得网络资源等资源的投放高效且精准，并且能够实时按需调整，从而使得所使用的资源合理、系统运营质量得到保证。
以上描述的资源投放方法和系统的各个步骤和模块可以用硬件、软件、或其组合来实现。如果在硬件中实现，结合本发明描述的各种说明性步骤、模块、以及电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或其他可编程逻辑组件、硬件组件、或其任何组合来实现或执行。通用处理器可以是处理器、微处理器、控制器、微控制器、或状态机等。如果在软件中实现，则结合本发明描述的各种说明性步骤、模块可以作为一条或多条指令或代码存储在计算机可读介质上或进行传送。实现本发明的各种操作的软件模块可驻留在存储介质中，如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、可移动盘、CD-ROM、云存储等。存储介质可耦合到处理器以使得该处理器能从/向该存储介质读写信息，并执行相应的程序模块以实现本发明的各个步骤。而且，基于软件的实施例可以通过适当的通信手段被上载、下载或远程地访问。这种适当的通信手段包括例如互联网、万维网、内联网、软件应用、电缆(包括光纤电缆)、磁通信、电磁通信(包括RF、微波和红外通信)、电子通信或者其他这样的通信手段。
还应注意，这些实施例可能是作为被描绘为流程图、流图、结构图、或框图的过程来描述的。尽管流程图可能会把诸操作描述为顺序过程，但是这些操作中有许多操作能够并行或并发地执行。另外，这些操作的次序可被重新安排。
所公开的系统、装置和系统不应以任何方式被限制。相反，本发明涵盖各种所公开的实施例(单独和彼此的各种组合和子组合)的所有新颖和非显而易见的特征和方面。所公开的系统、装置和系统不限于任何具体方面或特征或它们的组合，所公开的任何实施例也不要求存在任一个或多个具体优点或者解决特定或所有技术问题。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多更改，这些均落在本发明的保护范围之内。
Claims (19)
1.一种进行资源投放的方法，包括：
从第一网络节点接收资源投放请求；
从所述第一网络节点和其他网络节点获取关于所述第一网络节点的当前适用性数据；
基于所述第一网络节点的所述资源投放请求和当前适用性数据自动生成所述第一网络节点的初始适用性值；
基于所述第一网络节点的初始适用性值进行初始资源投放，其中所述初始资源投放的资源与所述初始适用性值相对应；
从所述第一网络节点和其他网络节点获取关于所述第一网络节点的实时适用性数据；
基于所述实时适用性数据生成经更新的适用性值，所述经更新的适用性值包括实时适用性数据的变化；以及
基于经更新的适用性值进行后续资源投放，其中所述后续资源投放的资源与所述经更新的适用性值相对应。
2.如权利要求1所述的方法，所述资源包括网络资源、交通资源、资金资源以及物资资源中的一种或多种。
3.如权利要求1所述的方法，适用性数据包括与以下一项或多项相关的数据：管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量。
4.如权利要求3所述的方法，所述适用性数据所包括的数据的权重可按需选择。
5.如权利要求4所述的方法，所述适用性数据所包括的数据的权重的选择通过机器学习或根据规则集进行。
6.如权利要求3所述的方法，所述适用性数据由传感器或智能终端采集。
7.如权利要求3所述的方法，所述适用性数据由边缘云或云数据中心分析或处理。
8.如权利要求3所述的方法，所述管理策略包括基于数据将分别在何处生成、收集、存储和分析而考虑的数据的存储、处理和分析在边缘云和云数据中心之间的比例。
9.如权利要求3所述的方法，所述迁移性是由数据的采集、存储和处理在不同的边缘云以及云数据中心进行造成的。
10.一种进行资源投放的系统，包括：
接收模块，从第一网络节点接收资源投放请求；
获取模块，从所述第一网络节点和其他网络节点获取关于所述第一网络节点的当前适用性数据；
适用性值生成模块，基于所述第一网络节点的所述资源投放请求和当前适用性数据自动生成所述第一网络节点的初始适用性值；以及
资源投放模块，基于所述第一网络节点的初始适用性值进行初始资源投放，其中所述初始资源投放的资源与所述初始适用性值相对应；
其中所述获取模块进一步从所述第一网络节点和其他网络节点获取关于所述第一网络节点的实时适用性数据；
所述适用性值生成模块进一步基于所述实时适用性数据生成经更新的适用性值，所述经更新的适用性值包括实时适用性数据的变化；以及
所述资源投放模块进一步基于经更新的适用性值进行后续资源投放，其中所述后续资源投放的资源与所述经更新的适用性值相对应。
11.如权利要求10所述的系统，所述资源包括网络资源、交通资源、资金资源以及物资资源中的一种或多种。
12.如权利要求10所述的系统，适用性数据包括与以下一项或多项相关的数据：管理策略、处理能力、安全性、实时性、优先级、迁移性、数据的类型和量、接入终端的数量。
13.如权利要求12所述的系统，所述适用性数据所包括的数据的权重可按需选择。
14.如权利要求12所述的系统，所述适用性数据所包括的数据的权重的选择通过机器学习或根据规则集进行。
15.如权利要求12所述的系统，所述适用性数据由传感器或智能终端采集。
16.如权利要求12所述的系统，所述适用性数据由边缘云或云数据中心分析或处理。
17.如权利要求12所述的系统，所述管理策略包括基于数据将分别在何处生成、收集、存储和分析而考虑的数据的存储、处理和分析在边缘云和云数据中心之间的比例。
18.如权利要求12所述的系统，所述迁移性是由数据的采集、存储和处理在不同的边缘云以及云数据中心进行造成的。
19.一种存储有指令的计算机可读存储介质，当所述指令被执行时使得机器执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404373.0A CN111553616A (zh) | 2020-05-13 | 2020-05-13 | 资源投放方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404373.0A CN111553616A (zh) | 2020-05-13 | 2020-05-13 | 资源投放方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111553616A true CN111553616A (zh) | 2020-08-18 |
Family
ID=72008219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010404373.0A Pending CN111553616A (zh) | 2020-05-13 | 2020-05-13 | 资源投放方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553616A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5039980A (en) * | 1990-01-26 | 1991-08-13 | Honeywell Inc. | Multi-nodal communication network with coordinated responsibility for global functions by the nodes |
| CN108510729A (zh) * | 2018-04-24 | 2018-09-07 | 徐漫洋 | 共享汽车车辆调度系统及调度方法 |
| CN108629442A (zh) * | 2017-03-21 | 2018-10-09 | 通用汽车环球科技运作有限责任公司 | 多模式运输规划和调度 |
| CN109063978A (zh) * | 2018-07-12 | 2018-12-21 | 南京邮电大学 | 能源互联网资源调度方法及系统、可读存储介质和终端 |
-
2020
- 2020-05-13 CN CN202010404373.0A patent/CN111553616A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5039980A (en) * | 1990-01-26 | 1991-08-13 | Honeywell Inc. | Multi-nodal communication network with coordinated responsibility for global functions by the nodes |
| CN108629442A (zh) * | 2017-03-21 | 2018-10-09 | 通用汽车环球科技运作有限责任公司 | 多模式运输规划和调度 |
| CN108510729A (zh) * | 2018-04-24 | 2018-09-07 | 徐漫洋 | 共享汽车车辆调度系统及调度方法 |
| CN109063978A (zh) * | 2018-07-12 | 2018-12-21 | 南京邮电大学 | 能源互联网资源调度方法及系统、可读存储介质和终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yue et al. | Zooming into individuals to understand the collective: A review of trajectory-based travel behaviour studies | |
| Ma et al. | Development of a data-driven platform for transit performance measures using smart card and GPS data | |
| TW201812620A (zh) | 資料處理方法及裝置 | |
| WO2016127918A1 (zh) | 一种运力调度方法及系统 | |
| CN113272797A (zh) | 用于管理交通工具数据的系统和方法 | |
| WO2016119749A1 (zh) | 一种订单分配系统及方法 | |
| CN104396284B (zh) | 呈现针对当前位置或时间的信息 | |
| Cao et al. | MARSA: A marketplace for realtime human sensing data | |
| CN110431572A (zh) | 用于管理地理位置中的资产的系统和方法 | |
| Zhang et al. | comobile: Real-time human mobility modeling at urban scale using multi-view learning | |
| Alajali et al. | On-street car parking prediction in smart city: A multi-source data analysis in sensor-cloud environment | |
| Alharbi et al. | Web-based framework for smart parking system | |
| Ghazizadeh et al. | Vehicular clouds: A survey and future directions | |
| Lorenzi et al. | Utilizing social media to improve local government responsiveness | |
| Luckner et al. | IoT architecture for urban data-centric services and applications | |
| Mobin et al. | A literature review on cloud based smart transport system | |
| Khair et al. | A survey on cloud-based intelligent transportation system | |
| Ma et al. | Big data in urban planning practices: Shaping our cities with data | |
| Crişan et al. | Secure traveling salesman problem with intelligent transport systems features | |
| Zech et al. | Collective dynamics of capacity-constrained ride-pooling fleets | |
| Maruyama et al. | Integrated public transportation system with shared autonomous vehicles and fixed-route transits: Dynamic traffic assignment-based model with multi-objective optimization | |
| CN111553616A (zh) | 资源投放方法和系统 | |
| Jung et al. | An AI-Based Platform Architecture with Situational Awareness for Travel Plans | |
| Ramya Devi et al. | An optimal Internet of Things–based smart cities using vehicular cloud for smart driving | |
| Abdeen et al. | A Hierarchical Algorithm for In-city Parking Allocation Based on Open Street Map and AnyLogic Software |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |
|
| RJ01 | Rejection of invention patent application after publication |