CN112650583A - 一种资源分配方法、装置、可读介质及电子设备 - Google Patents

一种资源分配方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN112650583A
CN112650583A CN202011539609.8A CN202011539609A CN112650583A CN 112650583 A CN112650583 A CN 112650583A CN 202011539609 A CN202011539609 A CN 202011539609A CN 112650583 A CN112650583 A CN 112650583A
Authority
CN
China
Prior art keywords
joint learning
determining
mathematical model
share
participant
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
Application number
CN202011539609.8A
Other languages
English (en)
Inventor
吕宏强
刘嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202011539609.8A priority Critical patent/CN112650583A/zh
Publication of CN112650583A publication Critical patent/CN112650583A/zh
Pending legal-status Critical Current

Links

Images

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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Power Sources (AREA)

Abstract

本发明公开了一种资源分配方法、装置、可读介质及电子设备，该方法包括：确定目标数学模型对应的联合学习参与方；确定各个所述联合学习参与方分别对应的数据提供量和计算能力；基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。本发明提供的技术方案根据目标数学模型的联合学习参与方分别对应的数据提供量和计算能力，确定目标数学模型获取的虚拟资源中各个联合学习参与方分别对应的资源分配方案，实现资源的合理分配。

Description

一种资源分配方法、装置、可读介质及电子设备
技术领域
本发明涉及能源领域，尤其涉及一种资源分配方法、装置、可读介质及电子设备。
背景技术
随着互联网技术的快速发展，用户数据成为了越来越重要的资源，基于用户数据可以训练出各种预测模型，准确的预测结果是能源系统高效运行的基础。然而并不是每一个能源用户均可以收集海量的用户数据，训练出准确的预测模型，这使得联合学习成为了一种趋势，为了鼓励各个能源用户参与联邦学习，确定一种合理的资源分配方法是至关重要的。
发明内容
本发明提供了一种资源分配方法、装置、可读介质及电子设备，根据目标数学模型的联合学习参与方分别对应的数据提供量和计算能力，确定目标数学模型获取的虚拟资源中各个联合学习参与方分别对应的资源分配方案，实现资源的合理分配。
第一方面，本发明提供了一种资源分配方法，包括：
确定目标数学模型对应的联合学习参与方；
确定各个所述联合学习参与方分别对应的数据提供量和计算能力；
基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；
基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
优选地，
所述方法还包括：
确定所述数据提供量和所述计算能力分别对应的权重系数；
则，所述基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额，包括：
基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额。
优选地，
所述基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额，包括：
确定各个所述联合学习参与方对应的数据提供总量和计算能力总和；
基于所述数据提供总量、所述计算能力总和以及各个所述联合学习参与方分别对应的数据提供量、计算能力，确定各个所述联合学习参与方对应的数据提供份额和计算能力份额；
基于所述各个所述联合学习参与方对应的数据提供份额、计算能力份额、以及所述数据提供量和所述计算能力分别对应的权重系数，确定各个所述联合学习参与方分别对应的分配份额。
优选地，
所述计算能力包括中央处理器等级、内部存储空间等级、外部存储空间等级。
优选地，
所述方法还包括：
确定联合学习平台的分配份额；
则，所述基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案，包括：
基于所述联合学习平台的分配份额和所述目标数学模型获取的虚拟资源，确定待分配虚拟资源；
基于各个所述联合学习参与方分别对应的分配份额和所述待分配虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
优选地，
在所述基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案前，所述方法还包括：
基于所述目标数学模型的调用次数，确定所述目标数学模型获取的虚拟资源。
优选地，
在所述基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案前，所述方法还包括：
基于所述目标数学模型的使用时长，确定所述目标数学模型获取的虚拟资源。
第二方面，本发明提供了一种资源分配装置，包括：
参与方确定模块，用于确定目标数学模型对应的联合学习参与方；
信息确定模块，用于确定各个所述联合学习参与方分别对应的数据提供量和计算能力；
分配份额确定模块，用于基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；
分配方案确定模块，用于基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
优选地，
所述装置还包括：
权重系数确定模块，用于确定数据提供量和所述计算能力分别对应的权重系数；
则，所述分配份额确定模块，用于基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种资源分配方法、装置、可读介质及电子设备，该方法通过确定目标数据模型对应的联合学习参与方，然后确定各个联合学习参与方分别对应的数据提供量和计算能力，进一步根据确定的数据提供量和计算能力，确定出各个联合学习参与方分别对应的分配份额，进而可以根据各个联合学习参与方分别对应的分配份额和目标数学模型获取的虚拟资源，确定各个联合学习参与方分别对应的资源分配方案，实现根据各个联合学习参与方的参与程度，确定出资源分配方案，使得该资源分配具有合理性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的一种资源分配方法的流程示意图；
图2为本发明实施例中提供的另一种资源分配方法的流程示意图；
图3为本发明实施例中提供的又一种资源分配方法的流程示意图；
图4为本发明实施例中提供的一种资源分配装置的结构示意图；
图5为本发明实施例中提供的另一种资源分配装置的结构示意图；
图6为本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种资源分配方法，该方法包括：
步骤11，确定目标数学模型对应的联合学习参与方；
步骤12，确定各个所述联合学习参与方分别对应的数据提供量和计算能力；
步骤13，基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；
步骤14，基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
在上述实施例中，确定出目标数学模型，目标数学模型是指当前被选定的数学模型，不同的数学模型对应不同的联合学习参与方，因此在确定了目标数学模型后需要确定出与目标数学模型对应的联合学习参与方，联合学习参与方是指为构建该目标数学模型提供了数据和计算资源的能源用户，不同的能源用户对应不同的数据提供量和计算资源，则在确定了联合学习参与方后，进一步确定出各个联合学习参与方分别对应的数据提供量和计算能力，数据提供量和计算能力可以表征联合学习参与方参与联合学习的程度，从而根据数据提供量和计算能力，确定各个联合学习参与方分别对应的分配份额，数据提供方提供的数据量越大，并且该能源用户的计算能力越强，则对应的分配份额越高；进一步根据联合学习参与方分别对应的分配份额和目标数学模型获取的虚拟资源，确定联合学习参与方分别对应的资源分配方案，该资源分配方案是根据各个联合学习参与方的参与程度确定出的，具有合理性，可以鼓励更多的能源用户参与到联合学习中。
在一种可能的实现方式中，所述计算能力包括中央处理器等级、内部存储空间等级、外部存储空间等级。能源用户拥有的中央处理器、内部存储空间、外部存储空间均与能源用户的计算能力有关，因此可以通过确定出作为联合学习参与方的能源用户的中央处理器等级、内部存储空间等级和外部存储空间等级准确的确定出联合学习参与方的计算能力。具体地，中央处理器等级、内部存储空间等级和外部存储空间等级均为能源用户对应的真实数据，例如，能源用户A作为目标数学模型M的联合学习参与方，能源用户A的中央处理器等级对应8核、内部存储器等级对应16GB，外部存储器等级对应100GB。
如图2所示，在本发明一个实施例中，所述方法还包括：
步骤15，确定所述数据提供量和所述计算能力分别对应的权重系数；
则，所述步骤13基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额，包括：
步骤131，基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额。
在上述实施例中，考虑到数据和计算资源对目标数学模型的影响不同，因此预先确定出数据提供量和计算能力分别对应的权重系数，然后根据数据提供量、计算能力和权重系数，确定各个联合学习参与方分别对应的分配份额，从而使得确定出的分配份额充分考虑联合学习参与方的数据提供量和计算能力，保证确定的分配份额的合理性。
在一种可能的实现方式中，确定各个所述联合学习参与方对应的数据提供总量和计算能力总和；基于所述数据提供总量、所述计算能力总和以及各个所述联合学习参与方分别对应的数据提供量、计算能力，确定各个所述联合学习参与方对应的数据提供份额和计算能力份额；基于所述各个所述联合学习参与方对应的数据提供份额、计算能力份额、以及所述数据提供量和所述计算能力分别对应的权重系数，确定各个所述联合学习参与方分别对应的分配份额。举例来说，目标数学模型M存在联合学习参与方A、联合学习参与方B和联合学习参与方C，其中联合学习参与方A的数据提供量为10000条，中央处理器等级为8核，内部存储等级为16GB，外部存储等级为100GB，联合学习参与方B的数据提供量为20000条，中央处理器等级为16核，内部存储等级为32GB，外部存储等级为500GB，联合学习参与方C的数据提供量为30000条，中央处理器等级为32核，内部存储等级为64GB，外部存储等级为800GB，通过下述公式确定联合学习参与方的分配份额：
Figure BDA0002854531060000071
其中，MS(i)为第i个联合学习参与方的分配份额；D(i)为第i个联合学习参与方的数据提供量；a1为数据提供量对应的权重系数；C(i)为第i个联合学习参与方的中央处理器等级；a2为中央处理器等级对应的权重系数；Mem(i)为第i个联合学习参与方的内部存储等级；a3为内部存储等级对应的权重系数；St(i)为第i个联合学习参与方的外部存储等级；a4为外部存储等级对应的权重系数；N为联合学习参与方个数。若，a1、a2、a3、a4的取值均为0.25，则：
MS(A)＝0.25*(10000/(10000+20000+30000))+0.25*(8/(8+16+32))+0.25*(16/16+32+64)+0.25*(100/(100+500+800))＝13.09％；
MS(B)＝0.25*(20000/(10000+20000+30000))+0.25*(16/(8+16+32))+0.25*(32/16+32+64)+0.25*(500/(100+500+800))＝31.55％；
MS(C)＝0.25*(30000/(10000+20000+30000))+0.25*(32/(8+16+32))+0.25*(64/16+32+64)+0.25*(800/(100+500+800))＝55.36％。
由此可以看出，因联合学习参与方C数据提供量最大，计算能力最强，从而确定出的分配份额越大，该分配具有合理性。
如图3所示，在本发明以实施例中，所述方法还包括：
步骤16，确定联合学习平台的分配份额；
则，所述步骤14基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案，包括：
步骤141，基于所述联合学习平台的分配份额和所述目标数学模型获取的虚拟资源，确定待分配虚拟资源；
步骤142，基于各个所述联合学习参与方分别对应的分配份额和所述待分配虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
在上述实施例中，在目标数学模型获取到虚拟资源后需要向联合学习平台进行资源分配，因此确定出联合学习平台的分配份额，从而在向联合学习参与方进行资源分配前，需要先根据联合学习平台的分配份额和目标数学模型获取的虚拟资源，确定待分配虚拟资源，待分配虚拟资源是目标数学模型获取的虚拟资源向联合学习平台分配后剩余的虚拟资源，然后根据联合学习参与方分别对应的分配份额对待分配虚拟资源进行划分，以确定出各个联合学习参与方分别对应的资源分配方案。在本实施例中，不仅向联合学习参与方进行资源分配，还向联合学习平台进行资源分配，从而保证联合学习平台可以正常高效运行。
在一种可能的实现方式中，在构建了目标数学模型后，将该目标数学模型分配给需求方使用，需求方调用该目标数学模型，从而可以根据目标数学模型的调用次数确定目标数学模型获取的虚拟资源，例如确定每次调用目标数学模型的使用费用，根据使用次数和使用费用的乘积确定出目标数学模型获取的虚拟资源。当然可以对调用次数进行级别划分，不同的调用次数级别对应着需求方不同的付费比例，目标数学模型被调用的次数越多，则该需求方的付费比例越低，从而鼓励需求方使用目标数学模型，为联合学习平台和联合学习参与方获取更多的虚拟资源。
在另一种可能的实现方式中，确定目标数学模型的使用时长，进而根据目标数学模型的使用时长确定出目标数学模型获取的虚拟资源，例如确定每天的使用费用，根据使用时长所对应的天数与每天的使用费用的乘积确定目标数学模型获取的虚拟资源。当然也可以进行时长级别划分，需求方使用目标数学模型的时间越长，则其付费比例越低，鼓励更多需求方使用该目标数学模型。
基于与上述方法相同的发明构思，如图4所示，本发明实施例提供了一种资源分配装置，包括：
参与方确定模块41，用于确定目标数学模型对应的联合学习参与方；
信息确定模块42，用于确定各个所述联合学习参与方分别对应的数据提供量和计算能力；
分配份额确定模块43，用于基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；
分配方案确定模块44，用于基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
如图5所示，在本发明一个实施例中，所述装置还包括：
权重系数确定模块45，用于确定数据提供量和所述计算能力分别对应的权重系数；
则，所述分配份额确定模块43，用于基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额。
为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图6是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器601以及存储有执行指令的存储器602，可选地还包括内部总线603及网络接口604。其中，存储器602可能包含内存6021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器6022(non-volatile memory)，例如至少1个磁盘存储器等；处理器601、网络接口604和存储器602可以通过内部总线603相互连接，该内部总线603可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线603可以分为地址总线、数据总线、控制总线等，为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器601执行存储器602存储的执行指令时，处理器601执行本发明任意一个实施例中的方法，并至少用于执行如图1至图3所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种资源分配装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种资源分配方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图6所示的电子设备；执行指令是一种资源分配装置所对应计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者锅炉不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者锅炉所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者锅炉中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种资源分配方法，其特征在于，包括：
确定目标数学模型对应的联合学习参与方；
确定各个所述联合学习参与方分别对应的数据提供量和计算能力；
基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；
基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
2.根据权利要求1所述的资源分配方法，其特征在于，所述方法还包括：
确定所述数据提供量和所述计算能力分别对应的权重系数；
则，所述基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额，包括：
基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额。
3.根据权利要求2所述的资源分配方法，其特征在于，所述基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额，包括：
确定各个所述联合学习参与方对应的数据提供总量和计算能力总和；
基于所述数据提供总量、所述计算能力总和以及各个所述联合学习参与方分别对应的数据提供量、计算能力，确定各个所述联合学习参与方对应的数据提供份额和计算能力份额；
基于所述各个所述联合学习参与方对应的数据提供份额、计算能力份额、以及所述数据提供量和所述计算能力分别对应的权重系数，确定各个所述联合学习参与方分别对应的分配份额。
4.根据权利要求1所述的资源分配方法，其特征在于，所述计算能力包括中央处理器等级、内部存储空间等级、外部存储空间等级。
5.根据权利要求1所述的资源分配方法，其特征在于，所述方法还包括：
确定联合学习平台的分配份额；
则，所述基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案，包括：
基于所述联合学习平台的分配份额和所述目标数学模型获取的虚拟资源，确定待分配虚拟资源；
基于各个所述联合学习参与方分别对应的分配份额和所述待分配虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
6.根据权利要求1所述的资源分配方法，其特征在于，在所述基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案前，所述方法还包括：
基于所述目标数学模型的调用次数，确定所述目标数学模型获取的虚拟资源；
或，基于所述目标数学模型的使用时长，确定所述目标数学模型获取的虚拟资源。
7.一种资源分配装置，其特征在于，包括：
参与方确定模块，用于确定目标数学模型对应的联合学习参与方；
信息确定模块，用于确定各个所述联合学习参与方分别对应的数据提供量和计算能力；
分配份额确定模块，用于基于所述数据提供量和所述计算能力，确定各个所述联合学习参与方分别对应的分配份额；
分配方案确定模块，用于基于各个所述联合学习参与方分别对应的分配份额和所述目标数学模型获取的虚拟资源，确定各个所述联合学习参与方分别对应的资源分配方案。
8.根据权利要求7所述的资源分配装置，其特征在于，所述装置还包括：
权重系数确定模块，用于确定数据提供量和所述计算能力分别对应的权重系数；
则，所述分配份额确定模块，用于基于所述数据提供量、所述计算能力和所述权重系数，确定各个所述联合学习参与方分别对应的分配份额。
9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至6中任一所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至6中任一所述的方法。
CN202011539609.8A 2020-12-23 2020-12-23 一种资源分配方法、装置、可读介质及电子设备 Pending CN112650583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011539609.8A CN112650583A (zh) 2020-12-23 2020-12-23 一种资源分配方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011539609.8A CN112650583A (zh) 2020-12-23 2020-12-23 一种资源分配方法、装置、可读介质及电子设备

Publications (1)

Publication Number Publication Date
CN112650583A true CN112650583A (zh) 2021-04-13

Family

ID=75359712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011539609.8A Pending CN112650583A (zh) 2020-12-23 2020-12-23 一种资源分配方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN112650583A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723623A (zh) * 2021-08-10 2021-11-30 深圳致星科技有限公司 联邦学习审计装置、系统及方法
WO2023134181A1 (zh) * 2022-01-17 2023-07-20 新智我来网络科技有限公司 一种基于联合学习的资源分配方法、装置及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130022953A1 (en) * 2011-07-11 2013-01-24 Ctb/Mcgraw-Hill, Llc Method and platform for optimizing learning and learning resource availability
WO2017152788A1 (zh) * 2016-03-11 2017-09-14 阿里巴巴集团控股有限公司 一种资源分配方法及装置
CN109191202A (zh) * 2018-08-28 2019-01-11 拉扎斯网络科技（上海）有限公司 资源分配方法、装置、电子设备及计算机可读存储介质
CN109426894A (zh) * 2017-08-22 2019-03-05 阿里巴巴集团控股有限公司 用户信息共享、竞价方法、装置、系统及电子设备
US20190132422A1 (en) * 2017-10-30 2019-05-02 Nec Europe Ltd. Method and system for server assignment using predicted network metrics
CN111245903A (zh) * 2019-12-31 2020-06-05 烽火通信科技股份有限公司 一种基于边缘计算的联合学习方法及系统
US20200225724A1 (en) * 2019-03-28 2020-07-16 Intel Corporation Platform slicing of central processing unit (cpu) resources
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
CN111522669A (zh) * 2020-04-29 2020-08-11 深圳前海微众银行股份有限公司 横向联邦学习系统优化方法、装置、设备及可读存储介质
CN111538598A (zh) * 2020-04-29 2020-08-14 深圳前海微众银行股份有限公司 联邦学习建模方法、装置、设备及可读存储介质
CN111666954A (zh) * 2020-06-05 2020-09-15 北京联合大学 一种显著区域的联合学习提取方法及系统
KR20200110257A (ko) * 2019-03-15 2020-09-23 주식회사 앨리스헬스케어 클라우드 서버 기반의 기계학습 관절정보 추출 시스템 및 그 방법
CN111738488A (zh) * 2020-05-14 2020-10-02 华为技术有限公司 一种任务调度方法及其装置
US20200358599A1 (en) * 2019-05-07 2020-11-12 International Business Machines Corporation Private and federated learning
CN112015562A (zh) * 2020-10-27 2020-12-01 北京淇瑀信息科技有限公司 基于迁移学习的资源分配方法、装置及电子设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130022953A1 (en) * 2011-07-11 2013-01-24 Ctb/Mcgraw-Hill, Llc Method and platform for optimizing learning and learning resource availability
WO2017152788A1 (zh) * 2016-03-11 2017-09-14 阿里巴巴集团控股有限公司 一种资源分配方法及装置
CN109426894A (zh) * 2017-08-22 2019-03-05 阿里巴巴集团控股有限公司 用户信息共享、竞价方法、装置、系统及电子设备
US20190132422A1 (en) * 2017-10-30 2019-05-02 Nec Europe Ltd. Method and system for server assignment using predicted network metrics
CN109191202A (zh) * 2018-08-28 2019-01-11 拉扎斯网络科技（上海）有限公司 资源分配方法、装置、电子设备及计算机可读存储介质
KR20200110257A (ko) * 2019-03-15 2020-09-23 주식회사 앨리스헬스케어 클라우드 서버 기반의 기계학습 관절정보 추출 시스템 및 그 방법
US20200225724A1 (en) * 2019-03-28 2020-07-16 Intel Corporation Platform slicing of central processing unit (cpu) resources
US20200358599A1 (en) * 2019-05-07 2020-11-12 International Business Machines Corporation Private and federated learning
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
CN111245903A (zh) * 2019-12-31 2020-06-05 烽火通信科技股份有限公司 一种基于边缘计算的联合学习方法及系统
CN111522669A (zh) * 2020-04-29 2020-08-11 深圳前海微众银行股份有限公司 横向联邦学习系统优化方法、装置、设备及可读存储介质
CN111538598A (zh) * 2020-04-29 2020-08-14 深圳前海微众银行股份有限公司 联邦学习建模方法、装置、设备及可读存储介质
CN111738488A (zh) * 2020-05-14 2020-10-02 华为技术有限公司 一种任务调度方法及其装置
CN111666954A (zh) * 2020-06-05 2020-09-15 北京联合大学 一种显著区域的联合学习提取方法及系统
CN112015562A (zh) * 2020-10-27 2020-12-01 北京淇瑀信息科技有限公司 基于迁移学习的资源分配方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林伟伟等: "云计算资源调度研究综述", 计算机科学, no. 10, 15 October 2012 (2012-10-15), pages 1 - 6 *
陈前斌等: "基于深度强化学习的异构云无线接入网自适应无线资源分配算法", 电子与信息学报, no. 06, 15 June 2020 (2020-06-15), pages 1468 - 1477 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723623A (zh) * 2021-08-10 2021-11-30 深圳致星科技有限公司 联邦学习审计装置、系统及方法
CN113723623B (zh) * 2021-08-10 2022-06-17 深圳致星科技有限公司 联邦学习审计装置、系统及方法
WO2023134181A1 (zh) * 2022-01-17 2023-07-20 新智我来网络科技有限公司 一种基于联合学习的资源分配方法、装置及系统

Similar Documents

Publication Publication Date Title
Leme et al. The curse of simultaneity
CN112650583A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN113079189B (zh) 能力开放平台的容量控制方法、装置及电子设备
CN112650921A (zh) 一种对象推荐方法、装置、设备及存储介质
CN114386349A (zh) 系统级数字电路的布线方法及装置、设备、存储介质
CN111563829A (zh) 电力价格预测方法、电力价格预测模型训练方法及装置
CN110908804A (zh) 计算资源分配方法、装置及其模型的训练方法、装置
CN109636438B (zh) 一种虚拟资源业务系统、虚拟资源的处理方法和装置
CN115169992B (zh) 基于区块链的数据要素权益分配方法、装置和系统
CN108536645B (zh) 用于电力市场交易业务的内核并行计算方法及装置
CN116777518A (zh) 事务管理方法、装置、存储介质及设备
CN108958931B (zh) 一种计算迁移方法及装置
CN114580806A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN110795132A (zh) 第三方应用处理方法、系统以及存储介质
CN114580814A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114638449A (zh) 一种售电方案确定方法、装置、可读介质及电子设备
CN112836971A (zh) 配额资源的确定方法和装置、电子设备和存储介质
CN114548471A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN108804462B (zh) 一种广告推荐方法、装置及服务器
CN114548472A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114580816A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114580805A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN114548473A (zh) 一种资源分配方法、装置、可读介质及电子设备
CN110838976B (zh) 业务链路交叉的执行方法及装置和电子设备
CN114841010B (zh) 等值电导矩阵存储量化方法、装置、设备及可读存储介质

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