CN112003660B - 一种网内资源的量纲测量方法、算力调度方法及存储介质 - Google Patents
一种网内资源的量纲测量方法、算力调度方法及存储介质 Download PDFInfo
- Publication number
- CN112003660B CN112003660B CN202010694425.2A CN202010694425A CN112003660B CN 112003660 B CN112003660 B CN 112003660B CN 202010694425 A CN202010694425 A CN 202010694425A CN 112003660 B CN112003660 B CN 112003660B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- network node
- power
- computing power
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/40—Monitoring; Testing of relay systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种网内资源的量纲测量方法、算力调度方法及存储介质,其中通过量纲测量方法获得算力网络内任意网络节点的第一节点算力、第二节点算力和绝对算力评估值,通过算力调度方法获得算力网络内任意网络节点的相对算力评估值;得到的绝对算力评估值用于度量算力网络内任意网络节点的绝对算力,相对算力评估值用于度量算力网络内任意网络节点相对于其余网络节点的相对算力。本申请技术方案在网络层根据网络节点的硬件资源和网络资源对节点算力进行量纲测量,除了考虑节点的硬件资源外,还将节点的网络状态纳入考虑范围,为算力网络的构建奠定了测量基础。
Description
技术领域
本发明涉及网络信息处理技术领域,具体涉及一种网内资源的量纲测量方法、算力调度方法及存储介质。
背景技术
在传统的网络中存在三方面的算力资源:终端计算资源、网络边缘计算资源、云计算资源。其中,对于终端计算资源,已经出现了使用分布式框架调用闲置终端资源的设计,这种设计能有效地提高闲置资源的使用率,而且也有较低的延迟,但是终端设备的设计大多不是为了满足计算密集型程序的运行,因此计算能力上不可避免地会受到限制,而且移动终端的续航能力也难以支持长时间的计算,如此致使终端计算资源存在计算能力较弱、能耗较低、不存在网络延迟的特性。其中,对于网络边缘计算资源,强调的是充分使用每一个网络边缘的设备,无论设备性能多弱,都必须发挥作用,因此边缘计算高度依赖虚拟化技术;边缘计算的基本单位是其中的边缘节点,这些边缘点往往是异构的,在不同的硬件平台上运行不同的操作系统,因此需要构建边缘抽象层,使用自定义的计算资源接口,为终端提供一致性的访问方式,使得边缘计算能切实地为终端提供服务,如此致使边缘计算资源存在计算能力适中、能耗适中、存在较低网络延迟的特性。其中,对于云计算资源,云计算包含三个层次的服务,基础设施即服务(即用户从完整的计算机基础设施得到服务),平台即服务(即将软件研发的平台作为一种服务),软件即服务(即用户直接使用云计算提供的软件的服务);用户可以根据需要使用相应的服务,而不需要在意背后的具体实现形式,但云计算资源与终端的距离往往比较远,所以一般无法满足一些有低延迟要求的应用,如此致使云计算资源存在计算能力较强、能耗较高、存在较高网络延迟的特性。
以上三类的计算资源在传统网络中进行了区别的对待,在不同的场景中使用不同的计算模式,这使得三种计算资源无法协同,提供最优质的计算服务。因此,算力网络被提出,即将计算任务分散在不同的计算节点中进行,但这种全新出现的计算范式为网络提出了新的挑战,其中一个最关键的问题是如何对不同类型的节点算力进行评估?这个问题在以往的异构网络研究中没有被深入研究过。
在算力网络中,任意节点都可以提供算力以完成差异化服务需求,但是不同的节点具有不同的计算能力,因此对算力进行合理的分析与评估十分重要,当前需要考虑的问题包括:以往的算力评估方法均在应用层通过运行一类参考程序进行,如何在网络层根据节点的实时状态(硬件、网络)对算力进行量纲测量仍是问题;对算力进行评估时,如何将网络状态纳入考虑,而不仅考虑节点的硬件资源;如何根据节点的硬件资源和网络状态,对其绝对算力进行评估;对于某一节点,其他节点对其能提供的算力各有差异,如何进行多节点视角的相对算力分析。
发明内容
本发明主要解决的技术问题是如何对网络资源中网络节点的算力进行量纲测量,从而实现对网络节点算力的分析和评估。
根据第一方面,一种实施例中提供一种网内资源的量纲测量方法,包括:获取算力网络内任意网络节点的硬件资源信息和网络资源信息;根据所述硬件资源信息计算所述网络节点的第一节点算力,以及根据所述网络资源信息计算所述网络节点的第二节点算力;利用所述第一节点算力和所述第二节点算力对所述网络节点进行量纲测量,获得所述网络节点的绝对算力评估值;所述绝对算力评估值用于度量所述算力网络内任意网络节点的绝对算力。
所述获取算力网络内任意网络节点的硬件资源信息和网络资源信息,包括:对于算力网络内的任意网络节点,所述网络节点包括CPU、内存性能构成的硬件资源和网络延迟性能构成的网络资源;测量CPU和内存的性能参数以获取所述网络节点的硬件资源信息,所述硬件资源信息包括CPU的主频率、总线位宽、一级缓存和内存的频率、字节常数;测量网络延迟的性能参数以获取所述网络节点的网络资源信息,所述网络资源信息包括响应延迟时间和数据传输延迟时间。
所述根据所述硬件资源信息计算所述网络节点的第一节点算力,包括:定义所述硬件资源信息中CPU的主频率为fCPU、总线位宽为bwBUS、一级缓存为L1,内存的频率为fMEM、字节常数为Cbyte,则所述网络节点的第一节点算力用公式表示为
A=fCPU×logCbyte(bwBUS)×kMEM×logCbyte(L1);
其中,log表示对数函数,kMEM为内存影响因子且用公式表示为
其中,bwMEN为内存的传输带宽且表示为bwMEN=fMEN×bwBUS÷Cbyte,bwCPU为CPU的传输带宽且表示为bwCPU=fCPU÷T×bwBUS÷Cbyte,T为时钟周期。
所述根据所述网络资源信息计算所述网络节点的第二节点算力,包括:定义所述网络资源信息中响应延迟时间为dr,数据传输延迟时间为dt,则所述网络节点的第二节点算力用公式表示为
d=dr+dt;
其中,dt=D/bw,D表示传输的数据量,bw表示算力网络的网络带宽。
所述利用所述第一节点算力和所述第二节点算力对所述网络节点进行量纲测量,获得所述网络节点的绝对算力评估值,包括:将所述第一节点算力的量纲值A和所述第二节点算力的量纲值d进行绝对算力的评估,得到所述网络节点的绝对算力评估值且表示为
P=A+ε/d;
其中,ε表示预设的权重系数。
根据第二方面,一种实施例中提供一种算力网络的算力调度方法,包括:对于算力网络中的每个网络节点,根据上述第一方面中所述的量纲测量方法获得该网络节点的第一节点算力、第二节点算力和绝对算力评估值;通过预设的秩和比综合评价法对所述算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值;所述相对算力评估值用于度量所述算力网络内任意网络节点相对于其余网络节点的相对算力;根据所述算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为所述算力网络中的各个网络节点分别分配运算数据。
所述通过预设的秩和比综合评价法对所述算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值,包括:对所述算力网络中各网络节点的第一节点算力进行降序排列,得到每个网络节点的第一节点算力在队列中的秩且定义为Ra=k,a表示网络节点的序号,k表示第a个网络节点的第一节点算力在队列中的序号;对所述算力网络中各网络节点的第二节点算力进行降序排列,得到每个网络节点的第二节点算力在队列中的秩且定义为Rb=k′,b表示网络节点的序号,k′表示第b个网络节点的第二节点算力在队列中的序号;利用每个网络节点的第一节点算力、第二节点算力分别在队列中的秩组成n×m维的数据表,且所述数据表中的每个数据标记为Rij;计算每个网络节点对应的秩和比,且用公式表示为
其中,n为各网络节点的数目,m为节点算力的种类数目且m=2,w为权重系数且m个wj的和等于1,i、j分别为所述数据表的行序号和列序号;将每个网络节点对应的秩和比作为该网络节点的相对算力评估值。
所述根据所述算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为所述算力网络中的各个网络节点分别分配运算数据,包括:将所述算力网络中各个网络节点的绝对算力评估值或者相对算力评估值进行大小排序,根据排序结果为每个网络节点分配相匹配份额的运算数据。
在将所述算力网络中各个网络节点的相对算力评估值进行大小排序时,若其中若干个网络节点的相对算力评估值相等,则根据所述若干个网络节点的第一算力评估值在队列中的秩继续对所述若干个网络节点的相对算力评估值进行大小排序,直至排序得到最小的相对算力评估值,并且将最小的相对算力评估值对应的网络节点作为算力最强的网络节点。
根据第三方面,一种实施例中提供一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现上述第一方面中所述的量纲测量方法,和/或实现上述第二方面中所述的算力调度方法。
本申请的有益效果是:
依据上述实施例的一种网内资源的量纲测量方法、算力调度方法及存储介质,其中量纲测量方法包括:获取算力网络内任意网络节点的硬件资源信息和网络资源信息;根据硬件资源信息计算网络节点的第一节点算力,以及根据网络资源信息计算网络节点的第二节点算力;利用第一节点算力和第二节点算力对网络节点进行量纲测量,获得网络节点的绝对算力评估值;绝对算力评估值用于度量算力网络内任意网络节点的绝对算力。其中算力调度方法包括:对于算力网络中的每个网络节点,获得该网络节点的第一节点算力、第二节点算力和绝对算力评估值;通过预设的秩和比综合评价法对算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值;相对算力评估值用于度量算力网络内任意网络节点相对于其余网络节点的相对算力;根据算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为算力网络中的各个网络节点分别分配运算数据。第一方面,本申请根据算力网络中网络节点的硬件资源情况和网络资源情况,对网络节点的算力进行评估,一对网络节点的绝对算力进行评估,二是从不同网络节点的视角对网络节点的相对算力进行评估,利于全面地了解算力网络内各节点算力和网络整体算力;第二方面,对网内资源的量纲测量过程中,在网络层根据网络节点的硬件资源和网络资源对节点算力进行量纲测量,除了考虑节点的硬件资源外,还将节点的网络状态纳入考虑,为算力网络的构建奠定了测量基础;第三方面,量纲测量方法创新地综合了节点硬件和网络资源对绝对算力进行评估,对网络节点的角色(云计算、边缘计算、终端计算)可以不加区分,实现一个统一的节点绝对算力评估功能;第四方面,对算力网络的算力分配过程中,创新地使用了秩和比综合评价法对网络节点的相对算力进行评估,使得某一网络节点可以对其他目标节点的算力进行排序,实现了多节点视角的网内相对算力分析与评估;第五方面,本申请技术方案在程序运行之前对网络节点算力进行评估,有利于对网络节点算力的度量以及后期对网络节点算力的调度产生积极作用,能更全面地选择出计算效率较高的网络节点,提升算力网络的整体运算效率。
附图说明
图1为本申请实施例一中网内资源的量纲测量方法的流程图;
图2为本申请实施例二中算力网络的算力调度方法的流程图;
图3为本申请实施例三中算力评估装置的结构示意图;
图4为对网络节点进行绝对算力评估和相对算力评估的原理示意图;
图5为不同网络体系结构的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
实施例一、
请参考图1,本实施例提供一种网内资源的量纲测量方法,其主要包括步骤S110-S130,下面分别说明。
步骤S110,获取算力网络内任意网络节点的硬件资源信息和网络资源信息。
需要说明的是,算力网络(Computing First Network,简称CFN)面向计算与网络融合的新架构、新协议、新技术探索,能够将当前的计算能力状况和网络状况作为路由信息发布到网络,网络将计算任务报文路由到相应的网络节点以在节点实施计算任务,实现用户体验最优、计算资源利用率最优、网络效率最优的应用效果。对比算力服务和网络带宽服务,算力与网络带宽都是可量化的通用服务,容易参与现有的通信网络体系,算力服务更加面向ToB市场和高价值市场,对网络的可靠性,特别是网络的时延有着苛刻的要求,往往需要优质的网络进行支撑。那么,可以通过算力网络内建计算任务动态路由的能力,根据业务需求,再基于实时的计算资源性能、网络性能、成本等多维因素,就可以动态、灵活地调度计算任务,从而提高资源利用率、网络利用效率和提高业务用户体验。面向终端计算场景、网络边缘计算和云计算场景,可通过算力网络(CFN)实现终端、边缘、云端计算成网,实现边边协作,利用服务的多实例、多副本特性,实现用户的就近接入和服务的负载均衡。比如,算力网络可以是常见的局域网络、移动互联网络、运营商网络或者云服务网络,比如具有TCP/IP协议的Internet网络。
需要说明的是,算力网络的网络节点是指与一个有独立地址和具有传送或接收数据功能的网络相连的一台电脑或其他设备。具体地,网络节点可以是工作站、移动终端、网络用户或个人计算机,还可以是服务器、打印机和其他网络连接的设备。每一个工作站﹑服务器、终端设备、网络设备,即拥有自己唯一网络地址的设备都是网络节点。整个算力网络就是由这许许多多的网络节点组成的,把许多的网络节点用通信线路连接起来,形成一定的几何关系,这就是算力网络的拓扑形式。
在一个具体实施例中,对于算力网络内的任意网络节点,该网络节点应当包括CPU、内存性能构成的硬件资源和网络延迟性能构成的网络资源;那么,一方面,通过测量网络节点内CPU和内存的性能参数可以获取网络节点的硬件资源信息,这里的硬件资源信息包括CPU的主频率、总线位宽、一级缓存和内存的频率、字节常数;另一方面,通过测量网络延迟的性能参数可以获取网络节点的网络资源信息,这里的网络资源信息包括响应延迟时间和数据传输延迟时间。
步骤S120,根据硬件资源信息计算网络节点的第一节点算力,以及根据网络资源信息计算网络节点的第二节点算力。
可以理解,对于算力网络中的每个网络节点,硬件资源信息和网络资源信息都可以对该网络节点的运算能力(算力)构成影响,所以这里需要通过硬件资源信息和网络资源信息分别了解网络节点的算力情况。
在一个具体实施例中,在根据硬件资源信息计算网络节点的第一节点算力时,可以定义硬件资源信息中CPU的主频率为fCPU、总线位宽为bwBUS、一级缓存为L1,内存的频率为fMEM、字节常数为Cbyte,则网络节点的第一节点算力可以用公式表示为
A=fCPU×logCbyte(bwBUS)×kMEM×logCbyte(L1);
其中,log表示对数函数,kMEM为内存影响因子且用公式表示为
其中,bwMEN为内存的传输带宽且表示为bwMEN=fMEN×bwBUS÷Cbyte,bwCPU为CPU的传输带宽且表示为bwCPU=fCPU÷T×bwBUS÷Cbyte,T为时钟周期。
需要说明的是,中央处理器(CPU)的主频率fCPU的单位为兆赫兹(MHz),CPU主频率越高,网络节点处理单任务程序的能力就越强,通常网络节点的计算能力与CPU主频率成正相关的关系。中央处理器(CPU)的总线位宽bwBUS的单位为位(bit),总线位宽决定了程序运行时一个指令周期能访问的数据量,会对程序的运行速度产生重要的影响,现在手机处理器的总线位宽通常为32位,服务器处理器的总线位宽通常为64位,通常网络节点的计算能力与总线位宽的对数成正相关,对数的底为字节常数Cbyte。中央处理器(CPU)的一级缓存L1的单位为字节(B),一级缓存用于对指令进行缓冲和对程序进行预测,通常网络节点的计算能力与缓存的对数成正相关,对数的底为常数Cbyte。内存的频率fMEM的单位为兆赫兹(MHz),根据现在的计算机基础结构,运行的程序都是存放在内存中,然后提供给CPU进行计算,所以内存频率也会对计算能力产生影响。字节常数Cbyte表示一个字节的位数,这个常数的数值通常为8,因为节点的各项参数大多以位来表示,而实际的程序大多以一个字节为单位,因此引入字节常数对字节的位数进行表示。
需要说明的是,由于内存是CPU的从设备,所以若内存性能高于CPU,那么计算能力将受限于CPU的性能;若内存性能低于CPU,那么计算能力就会受限于内存的性能。因此,本实施例中设置内存影响因子kMEM表示CPU和内存之间的性能影响关系。内存的传输带宽bwMEN为内存频率乘总线位宽除以字节常数,即得到bwMEN=fMEN×bwBUS÷Cbyte;CPU与外部总线的传输和指令集相关,按照平均T个时钟周期(比如T=4)执行一条指令,那么CPU与外部总线的传输带宽bwCPU为执行指令的频率乘总线位宽除以字节常数,即bwCPU=fCPU÷T×bwBUS÷Cbyte。所以,在bwMEN≥bwCPU的情况下,内存频率对网络节点计算能力没有影响,如此可以设置kMEM=1;若bwMEN<bwCPU,那么将按比例地对节点计算能力造成负面影响,即kMEM=bwMEN/bwCPU。
例如,假设网络节点是一部智能手机,CPU主频率为2400MHz,总线位宽为32位,内存影响因子为1,CPU的一级缓存为32KB,那么这台智能手机的第一节点算力为A=2400×log8(32)×1×log8(32000)≈19954。
再例如,假设网络节点是一台服务器,CPU主频率为2600MHz,总线位宽为64位,内存影响因子为1,CPU一级缓存为128KB,那么这台服务器的第一节点算力为A=2600×log8(64)×1×log8(128000)≈29407。
在一个具体实施例中,在根据网络资源信息计算网络节点的第二节点算力的过程中,可以定义网络资源信息中响应延迟时间为dr,数据传输延迟时间为dt,则网络节点的第二节点算力用公式表示为
d=dr+dt;
其中,dt=D/bw,D表示传输的数据量,bw表示算力网络的网络带宽。
需要说明的是,一个计算资源的网络资源情况主要考虑两方面因素,包括响应延迟时间dr和数据传输延迟时间dt(单位为ms)。其中,响应延迟时间dr包含了往返时延和网络节点排队处理时间,在实际情况中可以通过测量可以获得;而数据传输延迟时间dt则是由传输的数据量D和网络带宽bw决定。因此,使用总的网络延迟来反映网络资源情况时,网络节点的第二节点算力d就是响应延迟时间dr和数据传输延迟时间dt之和。
需要说明的是,在运行某一计算任务的过程中,除了计算程序会产生运行的时间成本外,将数据传输到相应的计算节点也会消耗时间,这就需要通过网络资源情况来进行分析,因此网络资源情况也是算力评估中要考虑的重点。
步骤S130,利用第一节点算力和第二节点算力对网络节点进行量纲测量,获得网络节点的绝对算力评估值。这里的绝对算力评估值用于度量算力网络内任意网络节点的绝对算力。
需要说明的是,量纲(dimension)是指物理量的基本属性,物理学的研究可定量地描述各种物理现象,所采用的各类物理量之间有着密切的关系,即它们之间具有确定的函数关系。为了准确地描述这些关系,物理量可分为基本量和导出量,基本量是具有独立量纲的物理量,导出量是指其量纲可以表示为基本量量纲组合的物理量;一切导出量均可从基本量中导出,由此建立了整个物理量之间函数关系。那么可以理解,量纲测量就是要得到第一节点算力、第二节点算力和绝对算力评估值之间物理量的函数关系。
在一个具体实施例中,可以将第一节点算力的量纲值A和第二节点算力的量纲值d进行绝对算力的评估,从而得到网络节点的绝对算力评估值,该绝对算力评估值可以用公式表示为
P=A+ε/d;
其中,ε表示预设的权重系数,该权重系数ε的取值范围可以是(0,10),比如具体ε=1。
根据绝对算力评估值P的公式可以理解,网络节点的绝对算力与网络节点的硬件资源成正比,与网络节点的网络资源成反比,其中的权重系数ε可以在不同的网络进行适应性调整。
本领域的技术人员可以理解,本实施例技术方案对网内资源的量纲测量过程中,在网络层根据网络节点的硬件资源和网络资源对节点算力进行量纲测量,除了考虑节点的硬件资源外,还将节点的网络状态纳入考虑,为算力网络的构建奠定了测量基础。此外,量纲测量方法创新地综合了节点硬件和网络资源对绝对算力进行评估,对网络节点的角色(云计算、边缘计算、终端计算)可以不加区分,实现一个统一的节点绝对算力评估功能。
实施例二、
请参考图2,在实施例一中公开的量纲测量方法的基础上,本实施例中公开一种算力网络的算力调度方法,其包括步骤S210-S230,下面分别说明。
步骤S210,对于算力网络中的每个网络节点,可以根据实施例一中公开的量纲测量方法获得该网络节点的第一节点算力、第二节点算力和绝对算力评估值。
在一个具体实施例中,算力网络中包含很多网络节点,为了了解其中每个网络节点的算力情况,可以获取算力网络内每个网络节点的硬件资源信息和网络资源信息,根据硬件资源信息计算网络节点的第一节点算力,以及根据网络资源信息计算网络节点的第二节点算力;然后,利用第一节点算力和第二节点算力对网络节点进行量纲测量,从而计算获得网络节点的绝对算力评估值。关于网络节点的第一节点算力、第二节点算力和绝对算力评估值的计算过程可以参考实施例一中的步骤S110-S130,这里不再进行赘述。
步骤S220,通过预设的秩和比综合评价法对算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值。这里的相对算力评估值用于度量算力网络内任意网络节点相对于其余网络节点的相对算力。
需要说明的是,秩和比综合评价法又称秩和比法(Rank-sum ratio,简称RSR)指的是表中行(或列)秩次合计的平均值或加权平均值,是一个非参数计量的综合指数,具有0~1区间连续变量的特征,其所有比较组秩和比之和为(n+1)/2,n为对象数目;如果编秩不按照经典的秩变换方法,各组秩和比的合计可能不为(n+1)/2。RSR的基本思想是:在一个n行(n个评价对象)、m列(m个评价指标或等级)矩阵中,通过秩转换,获得无量纲的统计量RSR,以RSR值对评价对象的优劣进行排序,进而根据比较组数的多少,进行分档处理或进行RSR平方根反正弦变换值可信区间处理。可以理解,RSR法是一种全新的广谱的实用数量方法,集参数统计与非参数统计于一身,能提高统计分析与再分析的水平,满足人们在统计研究与统计管理中的种种需求。
在一个具体实施例中,计算每个网络节点的相对算力评估值时,可以对算力网络中各网络节点的第一节点算力进行降序排列,得到每个网络节点的第一节点算力在队列中的秩且定义为Ra=k,a表示网络节点的序号,k表示第a个网络节点的第一节点算力在队列中的序号。比如,定义样本秩,设x1、x2、…xi...、xn分别是n个网络节点的第一节点算力,其由小到大的顺序统计量为x(1)、x(2)、…x(i)...、x(n),若xi=x(k),就称k是xi在样本中的秩,记作Ri。
并且,可以对算力网络中各网络节点的第二节点算力进行降序排列,得到每个网络节点的第二节点算力在队列中的秩且定义为Rb=k′,b表示网络节点的序号,k′表示第b个网络节点的第二节点算力在队列中的序号。
此后,利用每个网络节点的第一节点算力、第二节点算力分别在队列中的秩组成n×m维的数据表,且数据表中的每个数据标记为Rij。具体地,对n个评价对象编秩,将n个评价对象的m个评价指标排列成n行m列的原始数据表,得出每个对象的各个评价指标的秩,对于指标数据相同者编平均秩,得到的秩矩阵记为R=(Rij)n×m。
最后,计算每个网络节点对应的秩和比,且用公式表示为
其中,n为各网络节点的数目,m为节点算力的种类数目(即第一节点算力、第二节点算力这两个种类)且m=2,w为权重系数且m个wj的和等于1,i、j分别为数据表的行序号和列序号。此外,WRSRi是加权秩和比,权重系数wj可以在[0,1]的范围内取值,只要m个wj的和为1即可。
可以理解,在计算得到每个网络节点对应的秩和比之后,就可以将每个网络节点对应的秩和比作为该网络节点的相对算力评估值。
步骤S230,根据算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为算力网络中的各个网络节点分别分配运算数据。
在一个具体实施例中,可以将算力网络中各个网络节点的绝对算力评估值或者相对算力评估值进行大小排序(比如由大到小的排序),根据排序结果为每个网络节点分配相匹配份额的运算数据。
例如,在将算力网络中各个网络节点的相对算力评估值(RSR或WRSR)进行大小排序时,若其中若干个网络节点的相对算力评估值相等,则根据这些若干个网络节点的第一算力评估值在队列中的秩继续对若干个网络节点的相对算力评估值进行大小排序,直至排序得到最小的相对算力评估值,并且将最小的相对算力评估值对应的网络节点作为算力最强的网络节点。那么,可以按照排序位数为各个网络节点分配运算数据,排位靠前的相对算力评估值对应的网络节点承担较少的运算数据,而排位靠后的相对算力评估值对应的网络节点承担较多的运算数据。如此,可以合理地分配算力网络中各个网络节点的运算数据,实现多网络节点视角的网内相对算力分析与评估,保证算力网络内算力调度的高效性,充分发挥算力网络的节点运算能力。
再例如,若根据算力网络中每个网络节点的绝对算力评估值(P)为算力网络中的各个网络节点分别分配运算数据,则将各网络节点的绝对算力评估值进行由大到小地排序,若其中个别网络节点的绝对算力评估值相等,则继续按照该些个别网络节点的第一节点算力的由大到小排序对绝对算力评估值进行排序,排位靠前的绝对算力评估值对应的网络节点具有较弱的算力,排位靠后的绝对算力评估值对应的网络节点将具有较强的算力。那么,此时可以依据各网络节点的算力性能对其合理地分配运算数据,从而充分发挥各个网络节点的算力性能。
本领域的技术人员可以理解,本实施例技术方案能够根据算力网络中网络节点的硬件资源情况和网络资源情况,对网络节点的算力进行评估,具体进行网络节点的绝对算力评估,从不同网络节点的视角对网络节点的相对算力评估,利于全面地了解算力网络内各节点算力和网络整体算力。对算力网络的算力分配过程中,创新地使用了秩和比综合评价法对网络节点的相对算力进行评估,使得某一网络节点可以对其他目标节点的算力进行排序,实现了多节点视角的网内相对算力分析与评估。另外,本申请技术方案在程序运行之前对网络节点算力进行评估,有利于对网络节点算力的度量以及后期对网络节点算力的调度产生积极作用,能更全面地选择出计算效率较高的网络节点,提升算力网络的整体运算效率。
实施例三、
请参考图3,在实施例一中公开的量纲测量方法,以及实施例二中公开的算力调度方法的基础上,本实施例公开一种算力评估装置,该算力评估装置3主要包括存储器31和处理器32。
存储器31可以作为计算机存储介质,用于存储程序,这里存储的程序能够被处理器32执行并实现相应地功能。
处理器32与存储器31之间通信连接,处理器32能够执行存储器31内包括的程序,从而实现上述实施例一中公开的量纲测量方法,和/或,实现上述实施例二中公开的算力调度方法。
需要说明的是,算力评估装置3可以设置在算力网络内并与各网络节点通信连接,能够收集算力网络内各网络节点的信息,并为各网络节点提供算力调度的控制功能。
参见图3和图4,算力评估装置3中的处理器32在执行量纲测量方法(参考步骤S110-S130)时,可以实现绝对算力评估功能。具体地,处理器32可以获取算力网络内任意网络节点的硬件资源信息和网络资源信息,从而根据硬件资源信息计算网络节点的第一节点算力,以及根据网络资源信息计算网络节点的第二节点算力,进而利用第一节点算力和第二节点算力对网络节点进行量纲测量,获得网络节点的绝对算力评估值;这里的绝对算力评估值用于度量算力网络内任意网络节点的绝对算力。
进一步地,算力评估装置3中的处理器32在执行算力调度方法(参考步骤S210-S230),可以实现相对算力评估功能。具体地,对于算力网络中的每个网络节点,处理器32在获得算力网络内任意网络节点的第一节点算力、第二节点算力和绝对算力评估值的基础上,通过预设的秩和比综合评价法对算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值;这里的相对算力评估值用于度量算力网络内任意网络节点相对于其余网络节点的相对算力。
进一步地,算力评估装置3中的处理器32在获得算力网络内各网络节点的绝对算力评估值和/或相对算力评估值之后,可以根据算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为算力网络中的各个网络节点分别分配运算数据。
在本实施例中,参见图3和图5,公开的算力评估装置3可以优先部署在网络体系结构中的网络层和运输层。无论是OSI网络的体系结构、TCP/IP网络的体系结构,还是五层协议网络的体系结构,通常都包括多个结构层,分别实现不同的功能。其中,OSI网络和五层协议网络的第3层(即网络层),TCP/IP网络的第2层(即网际层IP,相当于网络层)的主要功能是:利用路由选择算法为报文或分组通过通信子网选择最适当的路径,建立网络连接和为上层提供服务;比如路由选择和中继、激活/终止网络连接、复用多条网络连接、差错检测、排序/流量控制、服务选择、加速数据传送等。其中,OSI网络和五层协议网络的第4层(即运输层),TCP/IP网络的第3层(即运输层TCP或UDP)的主要功能是:负责将数据可靠地传送到相应的端口(端到端),提供主机应用程序进程之间的端到端的服务。运输层是两台计算机经过网络进行数据通信时端到端的层次,具有缓冲作用,当网络层服务质量不能满足要求时,运输层将服务加以提高,以满足高层的要求;当网络层服务质量较好时,运输层只用很少的工作。此外,运输层还可进行复用,即在一个网络连接上创建多个逻辑连接,运输层利用网络层提供的服务,并通过运输层地址提供给高层用户传输数据的通信端口,使高层用户看到的只是在两个传输实体间的一条端到端的、可由用户控制和设定的、可靠的数据通路。
那么,本领域的技术人员可以理解,将算力评估装置3部署在网络层和运输层中,一方面能够及时地根据网络节点的算力评估值对网络节点进行网络连接控制,另一方面能够为网络节点提供可靠地数据通路服务,从而高效、可靠地将待处理的运算数据分配给网络节点。本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (7)
1.一种网内资源的量纲测量方法,其特征在于,包括:
获取算力网络内任意网络节点的硬件资源信息和网络资源信息包括:对于算力网络内的任意网络节点,所述网络节点包括CPU、内存性能构成的硬件资源和网络延迟性能构成的网络资源;测量CPU和内存的性能参数以获取所述网络节点的硬件资源信息,所述硬件资源信息包括CPU的主频率、总线位宽、一级缓存和内存的频率、字节常数;测量网络延迟的性能参数以获取所述网络节点的网络资源信息,所述网络资源信息包括响应延迟时间和数据传输延迟时间;
根据所述硬件资源信息计算所述网络节点的第一节点算力包括:定义所述硬件资源信息中CPU的主频率为fCPU、总线位宽为bwBUS、一级缓存为L1,内存的频率为fMEM、字节常数为Cbyte,则所述网络节点的第一节点算力用公式表示为
其中,log表示对数函数,kMEM为内存影响因子且用公式表示为
其中,bwMEN为内存的传输带宽且表示为bwMEN=fMEN×bwBUS÷Cbyte,bwCPU为CPU的传输带宽且表示为bwCPU=fCPU÷T×bwBUS÷Cbyte,T为时钟周期;
根据所述网络资源信息计算所述网络节点的第二节点算力包括:定义所述网络资源信息中响应延迟时间为dr,数据传输延迟时间为dt,则所述网络节点的第二节点算力用公式表示为d=dr+dt;其中,dt=D/bw,D表示传输的数据量,bw表示算力网络的网络带宽;
利用所述第一节点算力和所述第二节点算力对所述网络节点进行量纲测量,获得所述网络节点的绝对算力评估值;所述绝对算力评估值用于度量所述算力网络内任意网络节点的绝对算力。
2.如权利要求1所述的量纲测量方法,其特征在于,所述利用所述第一节点算力和所述第二节点算力对所述网络节点进行量纲测量,获得所述网络节点的绝对算力评估值,包括:
将所述第一节点算力的量纲值A和所述第二节点算力的量纲值d进行绝对算力的评估,得到所述网络节点的绝对算力评估值且表示为
P=A+ε/d;
其中,ε表示预设的权重系数。
3.一种算力网络的算力调度方法,其特征在于,包括:
对于算力网络中的每个网络节点,根据如权利要求1-2中任一项所述的量纲测量方法获得该网络节点的第一节点算力、第二节点算力和绝对算力评估值;
通过预设的秩和比综合评价法对所述算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值;所述相对算力评估值用于度量所述算力网络内任意网络节点相对于其余网络节点的相对算力;
根据所述算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为所述算力网络中的各个网络节点分别分配运算数据。
4.如权利要求3所述的算力调度方法,其特征在于,所述通过预设的秩和比综合评价法对所述算力网络中各网络节点的第一节点算力和各网络节点的第二节点算力分别进行编秩,根据编秩结果计算得到每个网络节点的相对算力评估值,包括:
对所述算力网络中各网络节点的第一节点算力进行降序排列,得到每个网络节点的第一节点算力在队列中的秩且定义为Ra=k,a表示网络节点的序号,k表示第a个网络节点的第一节点算力在队列中的序号;
对所述算力网络中各网络节点的第二节点算力进行降序排列,得到每个网络节点的第二节点算力在队列中的秩且定义为Rb=k′,b表示网络节点的序号,k′表示第b个网络节点的第二节点算力在队列中的序号;
利用每个网络节点的第一节点算力、第二节点算力分别在队列中的秩组成n×m维的数据表,且所述数据表中的每个数据标记为Rij;
计算每个网络节点对应的秩和比,且用公式表示为
其中,n为各网络节点的数目,m为节点算力的种类数目且m=2,w为权重系数且m个wj的和等于1,i、j分别为所述数据表的行序号和列序号;
将每个网络节点对应的秩和比作为该网络节点的相对算力评估值。
5.如权利要求4所述的算力调度方法,其特征在于,所述根据所述算力网络中每个网络节点的绝对算力评估值或者相对算力评估值,为所述算力网络中的各个网络节点分别分配运算数据,包括:
将所述算力网络中各个网络节点的绝对算力评估值或者相对算力评估值进行大小排序,根据排序结果为每个网络节点分配相匹配份额的运算数据。
6.如权利要求5所述的算力调度方法,其特征在于,在将所述算力网络中各个网络节点的相对算力评估值进行大小排序时,若其中若干个网络节点的相对算力评估值相等,则根据所述若干个网络节点的第一算力评估值在队列中的秩继续对所述若干个网络节点的相对算力评估值进行大小排序,直至排序得到最小的相对算力评估值,并且将最小的相对算力评估值对应的网络节点作为算力最强的网络节点。
7.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-2中任一项所述的量纲测量方法,或实现如权利要求3-6中任一项所述的算力调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010694425.2A CN112003660B (zh) | 2020-07-17 | 2020-07-17 | 一种网内资源的量纲测量方法、算力调度方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010694425.2A CN112003660B (zh) | 2020-07-17 | 2020-07-17 | 一种网内资源的量纲测量方法、算力调度方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112003660A CN112003660A (zh) | 2020-11-27 |
CN112003660B true CN112003660B (zh) | 2022-03-18 |
Family
ID=73466489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010694425.2A Active CN112003660B (zh) | 2020-07-17 | 2020-07-17 | 一种网内资源的量纲测量方法、算力调度方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112003660B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114698088A (zh) * | 2020-12-31 | 2022-07-01 | 维沃移动通信有限公司 | 确定传输时延的方法、装置、设备及存储介质 |
CN112817751A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 算力资源的管理方法及装置、存储介质、电子装置 |
CN112966938A (zh) * | 2021-03-08 | 2021-06-15 | 中国联合网络通信集团有限公司 | 评估边缘计算能力的方法和装置 |
CN115622904A (zh) * | 2021-07-14 | 2023-01-17 | 中国移动通信有限公司研究院 | 管理和调度方法、装置、节点及存储介质 |
CN115297014B (zh) * | 2022-09-29 | 2022-12-27 | 浪潮通信信息系统有限公司 | 零信任算网操作系统、管理方法、电子设备、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6331986B1 (en) * | 1998-04-24 | 2001-12-18 | Lucent Technologies Inc. | Method for resource allocation and routing in multi-service virtual private networks |
CN101998534A (zh) * | 2009-08-24 | 2011-03-30 | 中兴通讯股份有限公司 | 一种资源接纳控制系统间的交互方法和装置 |
CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
CN108243245A (zh) * | 2017-12-20 | 2018-07-03 | 上海交通大学 | 基于混合雾计算的无线接入网络及其资源调配方法 |
CN108449401A (zh) * | 2018-03-12 | 2018-08-24 | 厦门益东智能科技有限公司 | 一种基于区块链技术的算力共享方法及系统 |
CN109167835A (zh) * | 2018-09-13 | 2019-01-08 | 重庆邮电大学 | 一种基于kubernetes的物理资源调度方法及系统 |
CN109522117A (zh) * | 2018-10-25 | 2019-03-26 | 深圳市圆世科技有限责任公司 | 一种面向异构环境下的链上数据调度系统 |
CN111275420A (zh) * | 2020-01-19 | 2020-06-12 | 南京邮电大学 | 一种面向异构环境下的微小算力调度系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067524A (zh) * | 2013-01-18 | 2013-04-24 | 浪潮电子信息产业股份有限公司 | 一种基于云计算环境的蚁群优化计算资源分配方法 |
-
2020
- 2020-07-17 CN CN202010694425.2A patent/CN112003660B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6331986B1 (en) * | 1998-04-24 | 2001-12-18 | Lucent Technologies Inc. | Method for resource allocation and routing in multi-service virtual private networks |
CN101998534A (zh) * | 2009-08-24 | 2011-03-30 | 中兴通讯股份有限公司 | 一种资源接纳控制系统间的交互方法和装置 |
CN102708011A (zh) * | 2012-05-11 | 2012-10-03 | 南京邮电大学 | 一种面向云计算平台任务调度的多级负载评估方法 |
CN108243245A (zh) * | 2017-12-20 | 2018-07-03 | 上海交通大学 | 基于混合雾计算的无线接入网络及其资源调配方法 |
CN108449401A (zh) * | 2018-03-12 | 2018-08-24 | 厦门益东智能科技有限公司 | 一种基于区块链技术的算力共享方法及系统 |
CN109167835A (zh) * | 2018-09-13 | 2019-01-08 | 重庆邮电大学 | 一种基于kubernetes的物理资源调度方法及系统 |
CN109522117A (zh) * | 2018-10-25 | 2019-03-26 | 深圳市圆世科技有限责任公司 | 一种面向异构环境下的链上数据调度系统 |
CN111275420A (zh) * | 2020-01-19 | 2020-06-12 | 南京邮电大学 | 一种面向异构环境下的微小算力调度系统 |
Non-Patent Citations (1)
Title |
---|
面向6G需求的算力网络技术;何涛 等;《移动通信》;20200630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112003660A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112003660B (zh) | 一种网内资源的量纲测量方法、算力调度方法及存储介质 | |
CN107196869B (zh) | 基于主机实际负载的自适应负载均衡方法、设备和系统 | |
CN110380891B (zh) | 一种边缘计算服务资源配置方法、装置与电子设备 | |
CN102546379B (zh) | 一种虚拟化资源调度的方法及虚拟化资源调度系统 | |
Mansouri et al. | Combination of data replication and scheduling algorithm for improving data availability in Data Grids | |
De Maio et al. | Modelling energy consumption of network transfers and virtual machine migration | |
CN111813330B (zh) | 用于分派输入-输出的系统及方法 | |
Yuan et al. | A game theory-based dynamic resource allocation strategy in geo-distributed datacenter clouds | |
Sharifian et al. | A content-based load balancing algorithm with admission control for cluster web servers | |
CN109831524A (zh) | 一种负载均衡处理方法及装置 | |
CN107566535B (zh) | 基于Web地图服务并发访问时序规则的自适应负载均衡方法 | |
Wang et al. | Adaptive workload distribution for local and remote clouds | |
Tseng et al. | Link-aware virtual machine placement for cloud services based on service-oriented architecture | |
Hsu et al. | Virtual network mapping algorithm in the cloud infrastructure | |
JP2021523619A (ja) | ノードのネットワークにおいてデータ・パケットを伝搬するためのシステム及び方法 | |
Wen et al. | Load balancing job assignment for cluster-based cloud computing | |
Shefu et al. | Fruit fly optimization algorithm for network-aware web service composition in the cloud | |
CN116828538A (zh) | 算力资源分配方法、装置、存储介质及电子设备 | |
Gao et al. | JCSP: Joint caching and service placement for edge computing systems | |
Li et al. | Self-adaptive load-balancing strategy based on a time series pattern for concurrent user access on Web map service | |
Li et al. | LBBESA: An efficient software‐defined networking load‐balancing scheme based on elevator scheduling algorithm | |
Jabour et al. | An optimized approach for efficient-power and low-latency fog environment based on the PSO algorithm | |
Zhang et al. | Prophet: Toward fast, error-tolerant model-based throughput prediction for reactive flows in dc networks | |
Alharbi et al. | Optimizing jobs' completion time in cloud systems during virtual machine placement | |
Lin et al. | Proactive multipath routing with a predictive mechanism in software‐defined networks |
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 |