CN112445622B - 基于网关盒子的终端数据传输方法、装置、设备及介质 - Google Patents
基于网关盒子的终端数据传输方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112445622B CN112445622B CN202011466827.3A CN202011466827A CN112445622B CN 112445622 B CN112445622 B CN 112445622B CN 202011466827 A CN202011466827 A CN 202011466827A CN 112445622 B CN112445622 B CN 112445622B
- Authority
- CN
- China
- Prior art keywords
- data
- container
- constructed
- terminal
- resource allocation
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013468 resource allocation Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 22
- 230000008030 elimination Effects 0.000 claims description 14
- 238000003379 elimination reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明涉及数据传输技术,揭露了一种基于网关盒子的终端数据传输方法,包括:在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端本发明还提出了基于网关盒子的终端数据传输装置、设备及计算机可读存储介质。本发明可以在大量终端同时工作时,协调不同终端,使各终端数据传输时避免冲突,保证各终端的响应速度。
Description
技术领域
本发明涉及数据传输技术领域,尤其涉及一种基于网关盒子的终端数据传输方法、装置、电子设备及计算机可读存储介质。
背景技术
网关作为信号、协议转化器,可以将终端设备传输的信号转化为特殊协议的信号并传递至云端进行处理。传统网关应对多种终端设备采用统一的计算资源,并共享全部带宽。但随着时代的发展与社会的进步,智能设备已经无处不在,各终端设备的带宽要求、数据交互频率不同,会导致运算资源浪费或数据通信拥挤,影响设备的响应速度。
发明内容
本发明提供一种基于网关盒子的终端数据传输方法、装置、电子设备及计算机可读存储介质,目的在于解决运算资源浪费或数据通信拥挤,影响设备的响应速度的问题。
为实现上述目的,本发明提供的一种基于网关盒子的终端数据传输方法,包括:
在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;
通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;
根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
可选的,所述利用预构建的终端数据集构建资源分配模型,包括:
获取预构建的终端数据集,并将所述终端数据集进行量化及清洗操作,得到量化样本集;
设置梯度下降方向,并根据所述梯度下降方向,对预构建的资源分配模型进行训练。
可选的,所述根据所述梯度下降方向,对预构建的资源分配模型进行训练,包括:
步骤I、构建资源分配模型;
步骤II、利用所述资源分配模型的分类神经网络分析所述量化样本集的传输类型分类,得到类型序列训练集;
步骤III、利用所述资源分配模型的多层线性激活层,对所述类型序列训练集进行激活操作,得到预测训练集;
步骤IV、计算所述预测训练集与预构建的历史数据上传状态集的误差值,并判断所述误差值与预设误差阈值的大小关系;
步骤V、若所述误差值大于所述误差阈值,根据所述梯度下降方向,调整所述资源分配模型的内部参数,并返回步骤II;
步骤VII、若所述误差值小于或等于所述误差阈值,结束所述资源分配模型的训练。
可选的,所述分配标签包括CPU刷新频率、带宽宽度、内存空间大小、磁盘读写速率及数据转换协议。
可选的,所述根据所述分配标签及预构建的容器引擎,构建数据容器,包括:
利用预构建的容器引擎,构建初始数据容器,并根据所述分配标签,配置所述初始数据容器,得到所述数据容器。
可选的,所述利用预构建的容器引擎,构建初始数据容器,包括:
获取预构建的容器引擎,利用所述容器引擎中的Dockerfile操作指令,构建容器,并向所述容器导入CPU控制函数、磁盘控制函数及带宽控制函数,得到所述初始数据容器。
可选的,所述利用所述数据容器将所述终端设备传输的数据信息发送至云端,包括:
步骤A、判断所述网关盒子的内存及CPU的使用情况,分别得到内存资源剩余状况及CPU连接的容器的连接数;
步骤B、将所述数据信息存储至所述数据容器,并将所述数据容器连接至所述连接数最小的CPU;
步骤C、当所述内存资源剩余状况能够满足所述数据容器的资源消耗时,利用所述分配标签中的数据转换协议,将所述数据容器中存储的数据信息发送至云端;
步骤D、当所述内存资源剩余状况不能满足所述数据容器的容器资源消耗时,根据预设的淘汰策略,减少CPU连接的容器的连接数,并返回上述的步骤B。
为了解决上述问题,本发明还提供一种基于网关盒子的终端数据传输装置,所述装置包括:
模型构造模块,用于在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;
配置预测模块,用于通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;
数据传输模块,用于根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于网关盒子的终端数据传输方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的基于网关盒子的终端数据传输方法。
本发明实施例利用各终端的历史数据集,训练出资源分配模型,利用神经网络,高效准确,判断出不同类型终端、不同传输速率等不同场景下最合适的资源分配标签;利用容器技术构建数据容器,隔绝运算空间、存储空间,使得数据间彼此独立;利用分配标签配置数据容器的数据协议、资源大小,使得数据先进行边缘部署,协调不同终端,使各终端数据传输时避免冲突,保证各终端的响应速度。因此,本发明实施例所述的基于网关盒子的终端数据传输方法、装置、电子设备及存储介质能够在大量终端同时工作时,协调不同终端,使各终端数据传输时避免冲突,保证各终端的响应速度,因此,解决了运算资源浪费或数据通信拥挤,影响各终端设备的响应速度的问题。
附图说明
图1为本发明一实施例提供的基于网关盒子的终端数据传输方法的流程示意图;
图2为本发明一实施例提供的基于网关盒子的终端数据传输装置的模块示意图;
图3为本发明一实施例提供的实现基于网关盒子的终端数据传输方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于网关盒子的终端数据传输方法。所述基于网关盒子的终端数据传输方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于网关盒子的终端数据传输方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于网关盒子的终端数据传输方法的流程示意图。在本实施例中,所述基于网关盒子的终端数据传输方法包括:
S1、在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型。
本发明实施例中,所述网关盒子是一种将终端设备传输的数据转换形式后,发送至云端或服务器的转接工具。其中,所述网关盒子包括:硬件层、软件嵌入层、带宽层等结构,本发明实施例利用API接口在所述网关盒子的软件嵌入层构建所述资源分配模型。
本发明实施例中,所述终端数据集为各个终端传输的历史数据集,其中包括:终端类型、转换协议、工作场景等环境信息集,及传输频率、平均带宽、CPU占用水平等数据传输状况的信息集。
本发明实施例通过所述终端数据集训练出的所述资源分配模型,要求根据不同终端、不同环境的信息得出最优的数据传输资源需求,保证资源不浪费,避免影响其他数据的运算与传输。
详细地,本发明实施例中,所述S1,包括:
获取预构建的终端数据集,并将所述终端数据集进行量化及清洗操作,得到量化样本集;设置梯度下降方向,并根据所述梯度下降方向,对预构建的资源分配模型进行训练。
本发明实施例中,所述量化操作为将所述终端数据集的float32数据类型转换为适合模型训练的uint8数据类型,方便所述资源分配模型的训练;本发明实施例利用清洗操作可以将量化完成的数据进行去重、填补空值等操作,得到所述量化数据,能够使得所述资源分配模型训练过程更加高效。其中,本发明实施例的所述量化及所述清洗操作可以Python中特有函数进行操作。
本发明实施例可以利用动量算法,确定所述训练过程的梯度下降方向,其中,所述动量算法为根据梯度下降的惯性,减少训练过程中横向自变量因素的干扰的散发,可以增加梯度下降过程的稳定性。
进一步的,本发明实施例中,所述根据所述梯度下降方向,对预构建的待训练资源分配模型进行训练,得到所述资源分配模型,包括:
步骤I、构建资源分配模型。
本发明实施例利用预构建的包含分类神经网络的Tensorflow模型框架进行训练,得到所述资源分配模型。
其中,所述Transform模型框架是一种可实现分类或拟合的深度学习模型框架。所述分类神经网络为根据不同“条件”进行多次判断,从而将各个数据信息进行划分的线图网络。本发明实施例通过某一终端,如不同类型的摄像头,判断在不同场景下(白天与黑夜)传输的数据种类(白天是彩色图像,夜晚是红外构成的灰度图像)、数据传输频率(触发不同指令,比如人脸识别、智能开锁等)、本地计算引擎的资源占用情况等数据,判断数据传输资源是否浪费、是否占用运算资源太多影响其他终端数据的传输。
步骤II、利用所述资源分配模型中的分类神经网络分析所述量化样本集的传输类型分类,得到类型序列训练集。
本发明实施例,将所述量化训练集对所述待训练资源分配模型进行数据分类重组,得到类型序列训练集,如[连续传输,触发传输……]、[摄像头,水表,门禁……]、[本地处理、上传处理]等条件集合。
步骤III、构建多层线性激活层,并利用所述多层线性激活层,对所述类型序列训练集进行激活操作,得到预测训练集。
得到类型序列训练集,如[摄像头,夜晚,CPUshare:1024,读写速率:24bit……]、[门禁,卡片触发,CPUshare:256,读写速率:10bit……]等运算出来的分配期望集合,即所述预测训练集。
步骤IV、计算所述预测训练集与预构建的历史数据上传状态集的误差值,并判断所述误差值与预设误差阈值的大小关系。
所述历史数据为不同类型数据传输时,最合理的资源消耗集合,所述最合理是指传输空间大小与传输速率大小的权重计算,可从工作人员的实验数据获取。
步骤V、若所述误差值大于所述误差阈值,根据所述梯度下降方向,调整所述资源分配模型的内部参数,并返回步骤II;
步骤VII、若所述误差值小于或等于所述误差阈值,结束所述资源分配模型的训练。
本发明实施例完成步骤I至步骤VII的操作,可以得到所述资源分配模型。
S2、通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签。
本发明实施例利用所述硬件层的指定接口连接各终端设备。
接收各个终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息进行配置标签计算,得到所述分配标签,其中所述分配标签包括CPU刷新频率、带宽宽度、内存空间大小、磁盘读写速率及数据转换协议。
S3、根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
详细地,本发明实施例中,所述根据所述分配标签及预构建的容器引擎,构建数据容器,包括:
利用预构建的容器引擎,构建初始数据容器,并根据所述分配标签,配置所述初始数据容器,得到所述数据容器。
本发明实施例利用所述资源分配模型,将所述数据信息进行配置预测,得到所述分配标签后,再利用所述分配标签对构建的容器进行配置,得到所述数据容器。
进一步的,本发明实施例中,所述利用预构建的容器引擎,构建初始数据容器,包括:
获取预构建的容器引擎,利用所述容器引擎中的Dockerfile操作指令,构建容器,并向所述容器导入CPU控制函数、磁盘控制函数及带宽控制函数,得到所述初始数据容器。
本发明实施例利用的容器引擎可以为Docker容器引擎,利用所述Docker容器引擎生成一个初始数据容器,并通过Docker容器引擎中的Cgroup来控制所述初始数据容器使用的资源配额,包括CPU、内存、磁盘三大方面。
其中,所述Cgroups技术是Linux内核提供的一种机制,这种机制可以根据进程的需求把一系列任务及其子任务整合(或分隔)到按资源分等级的不同组内,从而为系统资源提供一个统一的框架。
本发明实施例根据所述分配标签,使用Dockerfile操作指令来限制容器中的进程允许使用的系统资源:利用kubernetes.io/ingress bandwidth和kubernetes.io/egress-bandwidth这两个注解(annotation),限制最大入网带宽和出网带宽。设置CPU share来动态调整每个容器、进程使用CPU的时间比例。利用“—cpus”参数,限定能使用的CPU核数,精确设置CPU使用量;利用“-m–memory”参数,设置能使用的最大内存大小;利用设置“--memory-swap”参数限制能够使用的swap大小;利用“--device-read-bps”控制磁盘每秒最多可读比特数;利用“--device-write-bps”参数,控制磁盘每秒最多可写比特数等等。
本发明实施例,将终端传输的数据信息传输至构建好的数据容器中,根据所述分配标签的参数配置所述数据容器完成后,将所述数据信息发送至云端。
详细地,本发明实施例中,所述利用所述数据容器将所述终端设备传输的数据信息发送至云端,包括:
步骤A、判断所述网关盒子的内存及CPU的使用情况,分别得到内存资源剩余状况及CPU连接的容器的连接数;
步骤B、将所述数据信息存储至所述数据容器,并将所述数据容器连接至所述连接数最小的CPU;
步骤C、当所述内存资源剩余状况能够满足所述数据容器的资源消耗时,利用所述分配标签中的数据转换协议,将所述数据容器中存储的数据信息发送至云端;
步骤D、当所述内存资源剩余状况不能满足所述数据容器的容器资源消耗时,根据预设的淘汰策略,减少CPU连接的容器的连接数,并返回上述的步骤B。
本发明实施例中,所述淘汰策略可以利用Redis淘汰策略中的volatile-lru淘汰策略。所述Redis作为缓存使用,难免会遇到内存空间存储瓶颈,当Redis内存超出物理内存限制时,内存数据就会与磁盘产生频繁交换,使Redis性能急剧下降。本发明实施例利用volatile-lru淘汰策略设置所述CPU使用时间过期的数据集(server.db[i].expires)中挑选出最近最少使用的数据淘汰,完成清理资源工作。
本发明实施例利用各终端的历史数据集,训练出资源分配模型,利用神经网络,高效准确,判断出不同类型终端、不同传输速率等不同场景下最合适的资源分配标签;利用容器技术构建数据容器,隔绝运算空间、存储空间,使得数据间彼此独立;利用分配标签配置数据容器的数据协议、资源大小,使得数据先进行边缘部署,协调不同终端,使各终端数据传输时避免冲突,保证各终端的响应速度。因此,本发明实施例所述的基于网关盒子的终端数据传输方法、装置、电子设备及存储介质能够在大量终端同时工作时,协调不同终端,使各终端数据传输时避免冲突,保证各终端的响应速度。
如图2所示,是本发明基于网关盒子的终端数据传输装置的模块示意图。
本发明所述基于网关盒子的终端数据传输装置100可以安装于电子设备中。根据实现的功能,所述基于网关盒子的终端数据传输装置可以包括模型构造模块101、配置预测模块102、数据传输模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型构造模块101,用于在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型。
本发明实施例中,所述网关盒子是一种将终端设备传输的数据转换形式后,发送至云端或服务器的转接工具。其中,所述网关盒子包括:硬件层、软件嵌入层、带宽层等结构,本发明实施例利用API接口在所述网关盒子的软件嵌入层构建所述资源分配模型。
本发明实施例中,所述终端数据集为各个终端传输的历史数据集,其中包括:终端类型、转换协议、工作场景等环境信息集,及传输频率、平均带宽、CPU占用水平等数据传输状况的信息集。
本发明实施例通过所述终端数据集训练出的所述资源分配模型,要求根据不同终端、不同环境的信息得出最优的数据传输资源需求,保证资源不浪费,避免影响其他数据的运算与传输。
详细地,本发明实施例中,所述模型构造模块101具体用于:
获取预构建的终端数据集,并将所述终端数据集进行量化及清洗操作,得到量化样本集;设置梯度下降方向,并根据所述梯度下降方向,对预构建的资源分配模型进行训练。
本发明实施例中,所述量化操作为将所述终端数据集的float32数据类型转换为适合模型训练的uint8数据类型,方便所述资源分配模型的训练;本发明实施例利用清洗操作可以将量化完成的数据进行去重、填补空值等操作,得到所述量化数据,能够使得所述资源分配模型训练过程更加高效。其中,本发明实施例的所述量化及所述清洗操作可以Python中特有函数进行操作。
本发明实施例可以利用动量算法,确定所述训练过程的梯度下降方向,其中,所述动量算法为根据梯度下降的惯性,减少训练过程中横向自变量因素的干扰的散发,可以增加梯度下降过程的稳定性。
进一步的,本发明实施例中,所述模型构造模块101还可以用于:
步骤I、构建资源分配模型;
本发明实施例利用预构建的包含分类神经网络的Tensorflow模型框架进行训练,得到所述资源分配模型。
其中,所述Transform模型框架是一种可实现分类或拟合的深度学习模型框架。所述分类神经网络为根据不同“条件”进行多次判断,从而将各个数据信息进行划分的线图网络。本发明实施例通过某一终端,如不同类型的摄像头,判断在不同场景下(白天与黑夜)传输的数据种类(白天是彩色图像,夜晚是红外构成的灰度图像)、数据传输频率(触发不同指令,比如人脸识别、智能开锁等)、本地计算引擎的资源占用情况等数据,判断数据传输资源是否浪费、是否占用运算资源太多影响其他终端数据的传输。
步骤II、利用所述资源分配模型中的分类神经网络分析所述量化样本集的传输类型分类,得到类型序列训练集;
本发明实施例,将所述量化训练集对所述待训练资源分配模型进行数据分类重组,得到类型序列训练集,如[连续传输,触发传输……]、[摄像头,水表,门禁……]、[本地处理、上传处理]等条件集合。
步骤III、构建多层线性激活层,并利用所述多层线性激活层,对所述类型序列训练集进行激活操作,得到预测训练集;
得到类型序列训练集,如[摄像头,夜晚,CPUshare:1024,读写速率:24bit……]、[门禁,卡片触发,CPUshare:256,读写速率:10bit……]等运算出来的分配期望集合,即所述预测训练集。
步骤IV、计算所述预测训练集与预构建的历史数据上传状态集的误差值,并判断所述误差值与预设误差阈值的大小关系;
所述历史数据为不同类型数据传输时,最合理的资源消耗集合,所述最合理是指传输空间大小与传输速率大小的权重计算,可从工作人员的实验数据获取。
步骤V、若所述误差值大于所述误差阈值,根据所述梯度下降方向,调整所述资源分配模型的内部参数,并返回步骤II;
步骤VII、若所述误差值小于或等于所述误差阈值,结束所述资源分配模型的训练。
所述配置预测模块102,用于通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签。
本发明实施例利用所述硬件层的指定接口连接各终端设备。
所述配置预测模块102接收各个终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息进行配置标签计算,得到所述分配标签,其中所述分配标签包括CPU刷新频率、带宽宽度、内存空间大小、磁盘读写速率及数据转换协议。
所述数据传输模块103,用于根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
详细地,本发明实施例中,所述数据传输模块103具体用于:
利用预构建的容器引擎,构建初始数据容器,并根据所述分配标签,配置所述初始数据容器,得到所述数据容器。
本发明实施例利用所述资源分配模型,将所述数据信息进行配置预测,得到所述分配标签后,再利用所述分配标签对构建的容器进行配置,得到所述数据容器。
进一步的,本发明实施例中,所述利数据传输模块103还用于:
获取预构建的容器引擎,利用所述容器引擎中的Dockerfile操作指令,构建容器,并向所述容器导入CPU控制函数、磁盘控制函数及带宽控制函数,得到所述初始数据容器。
本发明实施例利用的容器引擎可以为Docker容器引擎,利用所述Docker容器引擎生成一个初始数据容器,并通过Docker容器引擎中的Cgroup来控制所述初始数据容器使用的资源配额,包括CPU、内存、磁盘三大方面。
其中,所述Cgroups技术是Linux内核提供的一种机制,这种机制可以根据进程的需求把一系列任务及其子任务整合(或分隔)到按资源分等级的不同组内,从而为系统资源提供一个统一的框架。
本发明实施例根据所述分配标签,使用Dockerfile操作指令来限制容器中的进程允许使用的系统资源:利用kubernetes.io/ingress bandwidth和kubernetes.io/egress-bandwidth这两个注解(annotation),限制最大入网带宽和出网带宽。设置CPU share来动态调整每个容器、进程使用CPU的时间比例。利用“—cpus”参数,限定能使用的CPU核数,精确设置CPU使用量;利用“-m–memory”参数,设置能使用的最大内存大小;利用设置“--memory-swap”参数限制能够使用的swap大小;利用“--device-read-bps”控制磁盘每秒最多可读比特数;利用“--device-write-bps”参数,控制磁盘每秒最多可写比特数等等。
本发明实施例,将终端传输的数据信息传输至构建好的数据容器中,根据所述分配标签的参数配置所述数据容器完成后,将所述数据信息发送至云端。
详细地,本发明实施例中,所述数据传输模块103还用于:
步骤A、判断所述网关盒子的内存及CPU的使用情况,分别得到内存资源剩余状况及CPU连接的容器的连接数;
步骤B、将所述数据信息存储至所述数据容器,并将所述数据容器连接至所述连接数最小的CPU;
步骤C、当所述内存资源剩余状况能够满足所述数据容器的资源消耗时,利用所述分配标签中的数据转换协议,将所述数据容器中存储的数据信息发送至云端;
步骤D、当所述内存资源剩余状况不能满足所述数据容器的容器资源消耗时,根据预设的淘汰策略,减少CPU连接的容器的连接数,并返回上述的步骤B。
本发明实施例中,所述淘汰策略可以利用Redis淘汰策略中的volatile-lru淘汰策略。所述Redis作为缓存使用,难免会遇到内存空间存储瓶颈,当Redis内存超出物理内存限制时,内存数据就会与磁盘产生频繁交换,使Redis性能急剧下降。本发明实施例利用volatile-lru淘汰策略设置所述CPU使用时间过期的数据集(server.db[i].expires)中挑选出最近最少使用的数据淘汰,完成清理资源工作。
如图3所示,是本发明实现基于网关盒子的终端数据传输方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于网关盒子的终端数据传输程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于网关盒子的终端数据传输程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于网关盒子的终端数据传输程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于网关盒子的终端数据传输程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;
通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;
根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;
通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;
根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于网关盒子的终端数据传输方法,其特征在于,所述方法包括:
在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;
通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;
根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端;
其中,根据梯度下降方向,对预构建的资源分配模型进行训练,包括:步骤I、构建资源分配模型;步骤II、利用所述资源分配模型中的分类神经网络分析量化样本集的传输类型分类,得到类型序列训练集;步骤III、利用所述资源分配模型的多层线性激活层,对所述类型序列训练集进行激活操作,得到预测训练集;步骤IV、计算所述预测训练集与预构建的历史数据上传状态集的误差值,并判断所述误差值与预设误差阈值的大小关系;步骤V、若所述误差值大于所述误差阈值,根据所述梯度下降方向,调整所述资源分配模型的内部参数,并返回步骤II;步骤VII、若所述误差值小于或等于所述误差阈值,结束所述资源分配模型的训练;
所述利用所述数据容器将所述终端设备传输的数据信息发送至云端,包括:步骤A、判断所述网关盒子的内存及CPU的使用情况,分别得到内存资源剩余状况及CPU连接的容器的连接数;步骤B、将所述数据信息存储至所述数据容器,并将所述数据容器连接至所述连接数最小的CPU;步骤C、当所述内存资源剩余状况能够满足所述数据容器的资源消耗时,利用所述分配标签中的数据转换协议,将所述数据容器中存储的数据信息发送至云端;步骤D、当所述内存资源剩余状况不能满足所述数据容器的容器资源消耗时,根据预设的淘汰策略,减少CPU连接的容器的连接数,并返回上述的步骤B。
2.如权利要求1所述的基于网关盒子的终端数据传输方法,其特征在于,所述利用预构建的终端数据集构建资源分配模型,包括:
获取预构建的终端数据集,并将所述终端数据集进行量化及清洗操作,得到量化样本集;
设置梯度下降方向,并根据所述梯度下降方向,对预构建的资源分配模型进行训练。
3.如权利要求1所述的基于网关盒子的终端数据传输方法,其特征在于,所述分配标签包括CPU刷新频率、带宽宽度、内存空间大小、磁盘读写速率及数据转换协议。
4.如权利要求3所述的基于网关盒子的终端数据传输方法,其特征在于,所述根据所述分配标签及预构建的容器引擎,构建数据容器,包括:
利用预构建的容器引擎,构建初始数据容器,并根据所述分配标签,配置所述初始数据容器,得到所述数据容器。
5.如权利要求4所述的基于网关盒子的终端数据传输方法,其特征在于,所述利用预构建的容器引擎,构建初始数据容器,包括:
获取预构建的容器引擎,利用所述容器引擎中的Dockerfile操作指令,构建容器,并向所述容器导入CPU控制函数、磁盘控制函数及带宽控制函数,得到所述初始数据容器。
6.一种基于网关盒子的终端数据传输装置,用于实现如权利要求1至5中任一项所述的基于网关盒子的终端数据传输方法,其特征在于,所述装置包括:
模型构造模块,用于在预构建的网关盒子中,利用预构建的终端数据集构建资源分配模型;
配置预测模块,用于通过所述网关盒子接收终端设备传输的数据信息,并利用所述资源分配模型对所述数据信息执行标签计算,得到所述数据信息的分配标签;
数据传输模块,用于根据所述分配标签及预构建的容器引擎,构建数据容器,并利用所述数据容器将所述终端设备传输的数据信息发送至云端。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一项所述基于网关盒子的终端数据传输方法。
8.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于网关盒子的终端数据传输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466827.3A CN112445622B (zh) | 2020-12-14 | 2020-12-14 | 基于网关盒子的终端数据传输方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011466827.3A CN112445622B (zh) | 2020-12-14 | 2020-12-14 | 基于网关盒子的终端数据传输方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112445622A CN112445622A (zh) | 2021-03-05 |
CN112445622B true CN112445622B (zh) | 2024-02-13 |
Family
ID=74739659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011466827.3A Active CN112445622B (zh) | 2020-12-14 | 2020-12-14 | 基于网关盒子的终端数据传输方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112445622B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884937B (zh) * | 2022-05-27 | 2024-01-09 | 宁夏中宁县京能新能源有限公司 | 一种新能源集控系统数据断点续传方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326844A (zh) * | 2013-06-19 | 2013-09-25 | 成都飞鱼星科技开发有限公司 | 基于802.11协议混合模式下的资源分配方法 |
CN104041109A (zh) * | 2012-12-18 | 2014-09-10 | 华为技术有限公司 | 控制流量的方法、终端网关、终端设备和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10884816B2 (en) * | 2017-03-28 | 2021-01-05 | International Business Machines Corporation | Managing system resources in containers and virtual machines in a coexisting environment |
-
2020
- 2020-12-14 CN CN202011466827.3A patent/CN112445622B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104041109A (zh) * | 2012-12-18 | 2014-09-10 | 华为技术有限公司 | 控制流量的方法、终端网关、终端设备和系统 |
CN103326844A (zh) * | 2013-06-19 | 2013-09-25 | 成都飞鱼星科技开发有限公司 | 基于802.11协议混合模式下的资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112445622A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Toward Green Metaverse Networking: Technologies, Advancements, and Future Directions | |
CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN107133645A (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN108428114A (zh) | 项目的信息处理方法及装置、存储介质、电子装置 | |
CN112445622B (zh) | 基于网关盒子的终端数据传输方法、装置、设备及介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN111401691B (zh) | 业务进度监控方法、装置及计算机可读存储介质 | |
CN115373826B (zh) | 一种基于云计算的任务调度方法及装置 | |
CN113535379A (zh) | 一种基于物联网的变电边缘计算方法、系统及设备 | |
CN116820714A (zh) | 一种算力设备的调度方法、装置、设备和存储介质 | |
CN116434934A (zh) | 基于消息队列的患者候诊方法、装置、电子设备及介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN115334001A (zh) | 基于优先关系的数据资源调度方法及装置 | |
CN107563578A (zh) | 基于云计算的电动车充电信息查询系统 | |
CN111784029A (zh) | 一种雾节点资源分配方法 | |
KR101979161B1 (ko) | 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ai 학습 데이터 생산성 향상 시스템 및 그 방법 | |
CN112596675A (zh) | 数据的多存储方法、装置、电子设备及计算机存储介质 | |
CN114640618B (zh) | 集群路由调度方法、装置、电子设备及可读存储介质 | |
CN113793037B (zh) | 基于数据分析的业务分配方法、装置、设备及存储介质 | |
CN115509740A (zh) | 基于区块链的资源智能调度方法、装置、设备及存储介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
CN116416776A (zh) | 基于大数据的车辆统一调度方法、装置、设备及存储介质 |
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 |