CN112492651B - 资源调度方案优化方法及装置 - Google Patents
资源调度方案优化方法及装置 Download PDFInfo
- Publication number
- CN112492651B CN112492651B CN202011319823.2A CN202011319823A CN112492651B CN 112492651 B CN112492651 B CN 112492651B CN 202011319823 A CN202011319823 A CN 202011319823A CN 112492651 B CN112492651 B CN 112492651B
- Authority
- CN
- China
- Prior art keywords
- resource scheduling
- scheduling scheme
- resource
- matching degree
- scheme
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种资源调度方案优化方法及装置,该方法包括:接收终端发送的资源调度请求;分别确定预设的各资源调度方案对应的指标参数,指标参数包括网络成本、响应延迟率和资源利用率;根据各指标参数确定匹配度最优的方案;响应于当前迭代次数小于或等于预设阈值且匹配度最优的方案对应的指标参数不满足第一预设条件,通过迭代的方式分别调整各方案并确定调整后的各方案对应的指标参数;根据调整后的各指标参数确定匹配度最优的方案;响应于当前迭代次数小于或等于预设阈值且当前确定出的匹配度最优的方案对应的指标参数满足第一预设条件,将当前匹配度最优的方案确定为方案;将方案发送给终端以使终端根据方案对资源进行调度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种资源调度方案优化方法及装置。
背景技术
随着5G(5th generation mobile networks,第五代移动通信技术)网络的迅猛发展,5G网络所指的就是在移动通信网络发展中的第五代网络,与之前的四代移动网络相比较而言,5G网络在实际应用过程中表现出更加强化的功能,并且理论上其传输速度每秒钟能够达到数十GB(十亿字节),这种速度是4G(4th generation mobile networks,第四代移动通信技术)移动网络的几百倍。对于5G网络而言,其在实际应用过程中表现出更加明显的优势及更加强大的功能。基于5G的卫星互联网的信息加密传输系统与方法迅速持续发展具有重要意义。
随着5G网络的快速发展,目前所采用的资源调度方式已逐渐无法适应日益增长的网络攻击速度更快、种类更多、破坏力更大的需求,产生的响应延迟高、网络成本高、资源利用率低等问题日益突出。
发明内容
为此,本发明提供一种资源调度方案优化方法及装置,以解决现有技术中由于资源调度方式已逐渐无法适应日益增长的网络攻击速度更快、种类更多、破坏力更大的需求而导致的响应延迟高、网络成本高、资源利用率低等问题。
为了实现上述目的,本发明第一方面提供一种资源调度方案优化方法,所述方法包括:
接收终端发送的资源调度请求;
分别确定预设的各资源调度方案对应的指标参数,所述指标参数包括网络成本、响应延迟率和资源利用率;
根据各所述指标参数确定匹配度最优的资源调度方案;
响应于当前迭代次数小于或等于预设阈值,且所述匹配度最优的资源调度方案对应的指标参数不满足第一预设条件,通过迭代的方式分别调整所述各资源调度方案,并确定调整后的各资源调度方案对应的指标参数;根据所述调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案;
响应于当前迭代次数小于或等于预设阈值,且当前确定出的匹配度最优的资源调度方案对应的指标参数满足所述第一预设条件,将所述当前确定出的匹配度最优的资源调度方案确定为资源调度方案;
将所述资源调度方案发送给所述终端,以使所述终端根据所述资源调度方案对资源进行调度。
在一些实施例中,所述根据各所述指标参数确定匹配度最优的资源调度方案,包括:
根据如下公式确定匹配度最优的资源调度方案:
其中,k为当前迭代次数,Zk为匹配参数,/>为网络成本,/>为响应延迟率,/>为资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在一些实施例中,所述匹配度最优的资源调度方案对应的指标参数满足第一预设条件,包括:
所述匹配度最优的资源调度方案对应的指标参数满足:
其中,P为指标函数,k为当前迭代次数,/>为网络成本,/>为响应延迟率,/>为资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在一些实施例中,所述分别调整所述各资源调度方案,包括:
分别调整所述各资源调度方案,以使调整后的各资源调度方案对应的指标参数满足第二预设条件。
在一些实施例中,所述第二预设条件包括:
其中,k为当前迭代次数,μ为预设的权重,为第k次迭代循环递归激励函数,为指标信息向量,/>为调整后的指标参数向量,/>为网络成本,/>为响应延迟率,为资源利用率,/>为调整后的网络成本,/>为调整后的响应延迟率,/>为调整后的资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,T为矩阵转置符,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
为了实现上述目的,本发明第二方面提供一种资源调度方案优化装置,所述装置包括:
接收模块,用于接收终端发送的资源调度请求;
第一处理模块,用于分别确定预设的各资源调度方案对应的指标参数,所述指标参数包括网络成本、响应延迟率和资源利用率;以及用于响应于当前迭代次数小于或等于预设阈值,且所述匹配度最优的资源调度方案对应的指标参数不满足第一预设条件,通过迭代的方式分别调整所述各资源调度方案,并确定调整后的各资源调度方案对应的指标参数;
第二处理模块,用于根据各所述指标参数确定匹配度最优的资源调度方案;以及用于根据所述调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案;
第三处理模块,用于响应于当前迭代次数小于或等于预设阈值,且当前确定出的匹配度最优的资源调度方案对应的指标参数满足所述第一预设条件,将所述当前确定出的匹配度最优的资源调度方案确定为资源调度方案;
发送模块,用于将所述资源调度方案发送给所述终端,以使所述终端根据所述资源调度方案对资源进行调度。
在一些实施例中,所述第二处理模块用于:
根据如下公式确定匹配度最优的资源调度方案:
其中,k为当前迭代次数,Zk为匹配参数,/>为网络成本,/>为响应延迟率,/>为资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在一些实施例中,所述匹配度最优的资源调度方案对应的指标参数满足第一预设条件,包括:
所述匹配度最优的资源调度方案对应的指标参数满足:
其中,P为指标函数,k为当前迭代次数,/>为网络成本,/>为响应延迟率,/>为资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在一些实施例中,所述第一处理模块用于:分别调整所述各资源调度方案,以使调整后的各资源调度方案对应的指标参数满足第二预设条件。
在一些实施例中,所述第二预设条件包括:
其中,k为当前迭代次数,μ为预设的权重,为第k次迭代循环递归激励函数,为指标信息向量,/>为调整后的指标参数向量,/>为网络成本,/>为响应延迟率,为资源利用率,/>为调整后的网络成本,/>为调整后的响应延迟率,/>为调整后的资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,T为矩阵转置符,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
本发明实施例提供的资源调度方案优化方法,通过迭代过程对预设的资源调度方案进行优化,利用各资源调度方案对应的指标参数确定满足第一预设条件的匹配度最优的资源调度方案,能够针对终端发送的资源调度请求,综合考虑响应延迟率、网络成本、资源利用率等指标参数来反馈资源调度方案,使得终端能够根据当前最优的资源调度方案来对信息进行加密传输,实现系统响应延迟低、网络成本低、资源利用率高等优势。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明实施例1提供的资源调度方案优化系统示意图;
图2为本发明实施例2提供的资源调度方案优化方法的流程示意图;
图3为本发明实施例3提供的深度分析原理示意图;
图4为本发明实施例4提供的资源调度请求的分析示意图;
图5为本发明实施例5提供的资源调度方案优化装置的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,本发明实施例提供的资源调度方案优化方法,可以应用于包括接入层、5G基站转发层和卫星资源层的资源调度方案优化系统。其中,接入层可以包括住宅卫星、公共单位及企事业设备、个人终端等设备,这些设备主要实现资源调度请求的生成以及资源调度方案的接收。5G基站转发层可以包括5G基站等基站,主要实现资源调度请求的转发。卫星资源层可以包括通信卫星和分析卫星等,这些卫星主要实现资源调度方案的分析与优化。
如图2所示,本发明实施例提供一种资源调度方案优化方法,该方法可以包括以下步骤:
步骤11,接收终端发送的资源调度请求。
在步骤中,该终端可以为接入层设备,资源调度方案优化装置可以为卫星资源层中的分析卫星。该资源调度请求可以由接入层设备生成后发送至5G基站转发层中的5G基站,再由5G基站将资源调度请求转发至卫星资源层中的分析卫星。
需要说明的是,该资源调度请求用于终端向资源调度方案优化装置请求最优的资源调度方案,并不用于终端向资源调度方案优化装置请求进行资源调度。
步骤12,分别确定预设的各资源调度方案对应的指标参数,指标参数包括网络成本、响应延迟率和资源利用率。
在步骤中,预设的各资源调度方案可以为初始的多个资源调度方案。资源调度方案优化装置可以分别确定各初始方案对应的指标参数。
需要说明的是,在本发明实施例中,指标参数可以包括资源利用率、响应延迟率和网络成本,但指标参数也可以包括其他任何能够体现资源调度方案的优缺点的参数。
步骤13,根据各指标参数确定匹配度最优的资源调度方案。
在步骤中,资源调度方案优化装置可以分别根据各资源调度方案对应的指标参数确定用于评价各资源调度方案的匹配度的匹配参数,再根据各资源调度方案的匹配参数确定匹配度最优的资源调度方案。
步骤14,若当前迭代次数小于或等于预设阈值,且当前匹配度最优的资源调度方案不满足第一预设条件,则将当前迭代次数加1后执行步骤15;否则,执行步骤16。
需要说明的是,若当前迭代次数大于预设阈值,则可以直接执行步骤16。本发明实施例对预设阈值并不做具体限定,预设阈值可以为50、100、150等。当然,资源调度方案优化装置也可以根据优化效率等影响因素来确定预设阈值以及调整预设阈值。
步骤15,分别调整各资源调度方案,并确定调整后的各资源调度方案对应的指标参数。
在当前迭代次数小于或等于预设阈值且当前匹配度最优的资源调度方案对应的指标参数不满足第一预设条件的情况下,资源调度方案优化装置可以分别对各资源调度方案进行调整并确定调整后的各资源调度方案对应的指标参数。
在步骤15之后,根据调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案。即在步骤15之后,执行步骤13。
资源调度方案优化装置可以根据调整后的各资源调度方案对应的指标参数重新选定当前匹配度最优的资源调度方案,并判断当前迭代次数是否小于或等于预设阈值,且当前匹配度最优的资源调度方案是否满足第一预设条件。
步骤16,将当前匹配度最优的资源调度方案确定为资源调度方案。
在本发明实施例中,在当前迭代次数小于或等于预设阈值时,若当前匹配度最优的资源调度方案对应的指标参数满足第一预设条件,则可以直接将满足第一预设条件的当前匹配度最优的资源调度方案确定为资源调度方案。在当前迭代次数大于预设阈值时,无论当前匹配度最优的资源调度方案对应的指标参数是否满足第一预设条件,均可以直接将该当前匹配度最优的资源调度方案确定为资源调度方案。
步骤17,将资源调度方案发送给终端,以使终端根据资源调度方案对资源进行调度。
资源调度方案优化装置可以将确定出的资源调度方案发送给终端,使得终端能够采用该资源调度方案对资源进行调度。
通过上述步骤11-17可以看出,本发明实施例提供的资源调度方案优化方法,通过迭代过程对预设的资源调度方案进行优化,利用各资源调度方案对应的指标参数确定满足第一预设条件的匹配度最优的资源调度方案,能够针对终端发送的资源调度请求,综合考虑响应延迟率、网络成本、资源利用率等指标参数来反馈资源调度方案,使得终端能够根据当前最优的资源调度方案来对信息进行加密传输,实现系统响应延迟低、网络成本低、资源利用率高等优势。
在一些实施例中,根据各指标参数确定匹配度最优的资源调度方案(即步骤13),可以包括:
根据如下公式确定匹配度最优的资源调度方案:
在式(1)中,k为当前迭代次数,Zk为匹配参数,为网络成本,/>为响应延迟率,为资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在本步骤中,可以根据每个资源调度方案的指标参数和/>计算每个资源调度方案的匹配参数Zk,Zk越小则对应的资源调度方案的匹配度越优,最小的Zk所对应的资源调度方案则为匹配度最优的资源调度方案。i、j和t可以用于标识资源调度方案,即不同的资源调度方案分别对应具有不同的i、j、t取值的指标参数/>和/>
在一些实施例中,匹配度最优的资源调度方案对应的指标参数满足第一预设条件,可以包括:
匹配度最优的资源调度方案对应的指标参数满足:
在式(2)中,P为指标函数,k为当前迭代次数,为网络成本,/>为响应延迟率,为资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在根据各指标参数确定匹配度最优的资源调度方案之后,可以对确定出的匹配度最优的资源调度方案进行评估检测。当确定出的匹配度最优的资源调度方案所对应的指标参数和/>满足第一预设条件时,即可认为该匹配度最优的资源调度方案通过评估检测。
在一些实施例中,分别调整各资源调度方案,并确定调整后的各资源调度方案对应的指标参数(即步骤15),可以包括:分别调整各资源调度方案,以使调整后的各资源调度方案对应的指标参数满足第二预设条件。
在根据各指标参数确定匹配度最优的资源调度方案之后,若确定出的匹配度最优的资源调度方案不满足第一预设条件,则资源调度方案优化装置可以对各资源调度方案进行调整,以便根据调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案。
在一些实施例中,上述第二预设条件可以包括:
在式(3)、式(4)中,k为当前迭代次数,μ为预设的权重,为第k次迭代循环递归激励函数,/>为指标信息向量,/>为调整后的指标参数向量,/>为网络成本,/>为响应延迟率,/>为资源利用率,/>为调整后的网络成本,/>为调整后的响应延迟率,/>为调整后的资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,T为矩阵转置符,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在本发明实施例中,上述第二预设条件可以包括式(3)、式(4)。式(4)为对式(3)中的的补充。
在一些实施例中,资源调度方案优化装置可以采用稀疏矩阵存储模型来存储资源调度请求。稀疏矩阵存储模型可以包括:
在式(5)中,A11、Av1、A1h……Avh均代表数据元素,“v”为列号,“h”为行号。
如图3所示,为深度分析原理示意图,本发明实施例通过迭代过程为资源调度请求确定相应的资源调度方案,而迭代过程涉及到深度学习。每次迭代中均涉及到多层神经元、深度学习、二阶导数共轭梯度等策略思想,在多维空间中,多个深度分析方案根据多层神经元、深度学习、二阶导数共轭梯度等策略方式向最优化方向迁移,也即图3所示实线圆球所在位置。图3所示中间部分为多层神经元、深度学习、二阶导数共轭梯度等策略,输入资源调度请求后,根据多层神经元、深度学习、二阶导数共轭梯度等策略思想进行分析后输出相应的分析结果。多层神经元网络包括:资源利用率W(W=被利用的某卫星分析能力/某卫星分析能力总量)、响应延迟率E(E=单位时间内卫星资源调度优化请求分析无效占用时间量/单位时间总量)、网络成本C(C=单位时间内分析卫星资源调度优化请求所耗网络总流量)。输出的分析结果为推荐信息,即上述步骤16确定出的资源调度方案。
如图4所示,为采用多层神经元、深度学习、二阶导数共轭梯度等策略思想的分析示意图,当到达模型后,进行多层神经元、深度学习、二阶导数共轭梯度分析,S1、S2、…Sn分别为待分析资源调度请求(资源调度请求均被转换成二进制码并被存储),被分析成相应的深度分析结果。若到来的资源调度请求被延迟,则可以将资源调度请求赋予当前较高的分析调度优先权。
基于相同的技术构思,如图5所示,本发明实施例还提供6、一种资源调度方案优化装置,该装置可以包括:
接收模块101,用于接收终端发送的资源调度请求。
第一处理模块102,用于分别确定预设的各资源调度方案对应的指标参数,指标参数包括网络成本、响应延迟率和资源利用率;以及用于响应于当前迭代次数小于或等于预设阈值,且匹配度最优的资源调度方案对应的指标参数不满足第一预设条件,通过迭代的方式分别调整各资源调度方案,并确定调整后的各资源调度方案对应的指标参数。
第二处理模块103,用于根据各指标参数确定匹配度最优的资源调度方案;以及用于根据调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案。
第三处理模块104,用于响应于当前迭代次数小于或等于预设阈值,且当前确定出的匹配度最优的资源调度方案对应的指标参数满足第一预设条件,将当前确定出的匹配度最优的资源调度方案确定为资源调度方案
发送模块105,用于将资源调度方案发送给终端,以使终端根据资源调度方案对资源进行调度。
在一些实施例中,第二处理模块103用于:
根据如下公式确定匹配度最优的资源调度方案:
其中,k为当前迭代次数,Zk为匹配参数,/>为网络成本,/>为响应延迟率,/>为资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在一些实施例中,匹配度最优的资源调度方案对应的指标参数满足第一预设条件,可以包括:
匹配度最优的资源调度方案对应的指标参数满足:
其中,P为指标函数,k为当前迭代次数,/>为网络成本,/>为响应延迟率,/>为资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
在一些实施例中,第一处理模块102用于:分别调整各资源调度方案,以使调整后的各资源调度方案对应的指标参数满足第二预设条件。
在一些实施例中,第二预设条件可以包括:
/>
其中,k为当前迭代次数,μ为预设的权重,为第k次迭代循环递归激励函数,为指标信息向量,/>为调整后的指标参数向量,/>为网络成本,/>为响应延迟率,为资源利用率,/>为调整后的网络成本,/>为调整后的响应延迟率,/>为调整后的资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,T为矩阵转置符,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (6)
1.一种资源调度方案优化方法,其特征在于,所述方法包括:
接收终端发送的资源调度请求;
分别确定预设的各资源调度方案对应的指标参数,所述指标参数包括网络成本、响应延迟率和资源利用率;所述资源利用率为被利用的某卫星分析能力/某卫星分析能力总量的比值,所述响应延迟率为单位时间内卫星资源调度优化请求分析无效占用时间量/单位时间总量的比值、网络成本为单位时间内分析卫星资源调度优化请求所耗网络总流量;
根据各所述指标参数确定匹配度最优的资源调度方案;
响应于当前迭代次数小于或等于预设阈值,且所述匹配度最优的资源调度方案对应的指标参数不满足第一预设条件,通过迭代的方式分别调整所述各资源调度方案,并确定调整后的各资源调度方案对应的指标参数;根据所述调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案;
响应于当前迭代次数小于或等于预设阈值,且当前确定出的匹配度最优的资源调度方案对应的指标参数满足所述第一预设条件,将所述当前确定出的匹配度最优的资源调度方案确定为资源调度方案;
将所述资源调度方案发送给所述终端,以使所述终端根据所述资源调度方案对资源进行调度;
所述根据各所述指标参数确定匹配度最优的资源调度方案,包括:
根据如下公式确定匹配度最优的资源调度方案:
其中,k为当前迭代次数,Zk为匹配参数,/>为网络成本,/>为响应延迟率,/>为资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限;
所述匹配度最优的资源调度方案对应的指标参数满足第一预设条件,包括:
所述匹配度最优的资源调度方案对应的指标参数满足:
其中,P为指标函数,k为当前迭代次数,/>为网络成本,/>为响应延迟率,/>为资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
2.根据权利要求1所述的方法,其特征在于,所述分别调整所述各资源调度方案,包括:
分别调整所述各资源调度方案,以使调整后的各资源调度方案对应的指标参数满足第二预设条件。
3.根据权利要求2所述的方法,其特征在于,所述第二预设条件包括:
其中,k为当前迭代次数,μ为预设的权重,为第k次迭代循环递归激励函数,/>为指标信息向量,/>为调整后的指标参数向量,/>为网络成本,/>为响应延迟率,/>为资源利用率,/>为调整后的网络成本,/>为调整后的响应延迟率,/>为调整后的资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,T为矩阵转置符,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
4.一种资源调度方案优化装置,其特征在于,所述装置包括:
接收模块,用于接收终端发送的资源调度请求;
第一处理模块,用于分别确定预设的各资源调度方案对应的指标参数,所述指标参数包括网络成本、响应延迟率和资源利用率;以及用于响应于当前迭代次数小于或等于预设阈值,且匹配度最优的资源调度方案对应的指标参数不满足第一预设条件,通过迭代的方式分别调整所述各资源调度方案,并确定调整后的各资源调度方案对应的指标参数;所述资源利用率为被利用的某卫星分析能力/某卫星分析能力总量的比值,所述响应延迟率为单位时间内卫星资源调度优化请求分析无效占用时间量/单位时间总量的比值、网络成本为单位时间内分析卫星资源调度优化请求所耗网络总流量;
第二处理模块,用于根据各所述指标参数确定匹配度最优的资源调度方案;以及用于根据所述调整后的各资源调度方案对应的指标参数确定匹配度最优的资源调度方案;
第三处理模块,用于响应于当前迭代次数小于或等于预设阈值,且当前确定出的匹配度最优的资源调度方案对应的指标参数满足所述第一预设条件,将所述当前确定出的匹配度最优的资源调度方案确定为资源调度方案;
发送模块,用于将所述资源调度方案发送给所述终端,以使所述终端根据所述资源调度方案对资源进行调度;
所述第二处理模块用于:
根据如下公式确定匹配度最优的资源调度方案:
其中,k为当前迭代次数,Zk为匹配参数,/>为网络成本,/>为响应延迟率,/>为资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限;
所述匹配度最优的资源调度方案对应的指标参数满足第一预设条件,包括:
所述匹配度最优的资源调度方案对应的指标参数满足:
其中,P为指标函数,k为当前迭代次数,/>为网络成本,/>为响应延迟率,/>为资源利用率,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
5.根据权利要求4所述的装置,其特征在于,所述第一处理模块用于:分别调整所述各资源调度方案,以使调整后的各资源调度方案对应的指标参数满足第二预设条件。
6.根据权利要求5所述的装置,其特征在于,所述第二预设条件包括:
其中,k为当前迭代次数,μ为预设的权重,为第k次迭代循环递归激励函数,/>为指标信息向量,/>为调整后的指标参数向量,/>为网络成本,/>为响应延迟率,/>为资源利用率,/>为调整后的网络成本,/>为调整后的响应延迟率,/>为调整后的资源利用率,CGmin为历史最小网络成本,EGmin为历史最小响应延迟率,WGmax为历史最大资源利用率,T为矩阵转置符,i为资源调度方案的第一标识,j为资源调度方案的第二标识,t为资源调度方案的第三标识,m为i的上限,n为j的上限,p为t的上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319823.2A CN112492651B (zh) | 2020-11-23 | 2020-11-23 | 资源调度方案优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319823.2A CN112492651B (zh) | 2020-11-23 | 2020-11-23 | 资源调度方案优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112492651A CN112492651A (zh) | 2021-03-12 |
CN112492651B true CN112492651B (zh) | 2023-07-21 |
Family
ID=74933360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011319823.2A Active CN112492651B (zh) | 2020-11-23 | 2020-11-23 | 资源调度方案优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112492651B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098710B (zh) * | 2021-03-26 | 2022-07-12 | 北京赛博云睿智能科技有限公司 | 网络资源运行参数自调整与优化方法及装置 |
CN117575654B (zh) * | 2023-11-27 | 2024-05-14 | 数翊科技(北京)有限公司 | 数据加工作业的调度方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489229A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种多目标任务调度方法及系统 |
CN111262619A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院计算技术研究所 | 一种多波束卫星资源分配方法及系统 |
CN111444009A (zh) * | 2019-11-15 | 2020-07-24 | 北京邮电大学 | 一种基于深度强化学习的资源分配方法及装置 |
CN111917818A (zh) * | 2020-06-09 | 2020-11-10 | 东南大学 | 一种个性化服务需求的动态匹配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019018430A1 (en) * | 2017-07-18 | 2019-01-24 | Mytonomy Inc. | SYSTEM AND METHOD FOR PERSONALIZED PATIENT RESOURCES AND BEHAVIOR PHENOTYPING |
US11461145B2 (en) * | 2019-01-28 | 2022-10-04 | EMC IP Holding Company LLC | Building neural networks for resource allocation for iterative workloads using reinforcement learning |
-
2020
- 2020-11-23 CN CN202011319823.2A patent/CN112492651B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489229A (zh) * | 2019-07-17 | 2019-11-22 | 长沙学院 | 一种多目标任务调度方法及系统 |
CN111444009A (zh) * | 2019-11-15 | 2020-07-24 | 北京邮电大学 | 一种基于深度强化学习的资源分配方法及装置 |
CN111262619A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院计算技术研究所 | 一种多波束卫星资源分配方法及系统 |
CN111917818A (zh) * | 2020-06-09 | 2020-11-10 | 东南大学 | 一种个性化服务需求的动态匹配方法 |
Non-Patent Citations (3)
Title |
---|
"DRS: Dynamic Resource Scheduling for Real-Time Analytics over Fast Streams";Tom Z.J. Fu等;《2015 IEEE 35th International Conference on Distributed Computing Systems》;全文 * |
"基于利用率最大化的云资源调度模型仿真分析";刘岩等;《计算机仿真》;全文 * |
ZTE, ZTE Microelectronics.R1-1700270 "Discussion on dynamic TDD and Cross-link Interference Mitigation Schemes".3GPP tsg_ran\WG1_RL1.2017,(TSGR1_AH),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112492651A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112492651B (zh) | 资源调度方案优化方法及装置 | |
CN107343268B (zh) | 非正交多播和单播传输波束赋型方法及系统 | |
KR20200066220A (ko) | 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치 | |
Liu et al. | Joint laser charging and DBS placement for drone-assisted edge computing | |
CN113037358B (zh) | 基于吸引子选择算法的低轨卫星物联网业务模型建立方法及多星负载均衡方法 | |
CN112492586B (zh) | 加密传输方案优化方法及装置 | |
US11646778B2 (en) | Method and apparatus for controlling beam adaptively in wireless communication system | |
Liu et al. | UcnPowerNet: residual learning based clustering and interference coordination in 5G user‐centric networks | |
Naeem et al. | Efficient scheduling of video camera sensor networks for IoT systems in smart cities | |
Majid Butt et al. | Relay selection schemes to minimise outage in wireless powered communication networks | |
Luan et al. | Correntropy induced joint power and admission control algorithm for dense small cell network | |
CN112364365A (zh) | 工业数据加密方法、边缘服务器及计算机可读存储介质 | |
CN117076121A (zh) | 一种面向无线供能辅助移动边缘计算的智能任务分配方法 | |
CN112363840B (zh) | 资源负载均衡方案优化方法及装置 | |
US20230297885A1 (en) | Big data-based modular ai engine server and driving method of the same | |
Mehta | Recursive quadratic programming for constrained nonlinear optimization of session throughput in multiple‐flow network topologies | |
CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
Wu et al. | Max–min fair wireless energy transfer for multiple‐input multiple‐output wiretap channels | |
Ma | Communication Resource Allocation Strategy of Internet of Vehicles Based on MEC. | |
Shariatpanahi et al. | Caching gain in interference‐limited wireless networks | |
Lv et al. | [Retracted] Radio Frequency Link and User Selection Algorithm for 5G Mobile Communication System | |
Chen | VANET-based Secure Information Exchange for Smart Charging | |
Liu et al. | The channel estimation and modeling in high altitude platform station wireless communication dynamic network | |
Li et al. | Retransmission scheme for contention‐based data transmission systems | |
Pang et al. | An Efficient Computing Offloading Scheme Based on Privacy‐Preserving in Mobile Edge Computing 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 |