CN113220372A - 一种人工智能云平台 - Google Patents
一种人工智能云平台 Download PDFInfo
- Publication number
- CN113220372A CN113220372A CN202110607974.6A CN202110607974A CN113220372A CN 113220372 A CN113220372 A CN 113220372A CN 202110607974 A CN202110607974 A CN 202110607974A CN 113220372 A CN113220372 A CN 113220372A
- Authority
- CN
- China
- Prior art keywords
- resource
- unit
- intelligent
- cloud platform
- target
- 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.)
- Granted
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种人工智能云平台,包括:资源配置模块,用于对智能云平台进行硬件资源配置,构建基础服务层;资源抽象模块,用于对所述基层服务层中的目标资源进行资源分配;资源训练模块,用于基于分配结果,构建智能模型并将所述智能模型在目标神经网络中进行训练;资源存储模块,用于将训练后的模型数据存储至所述智能云平台;通过获取基层服务层中的目标资源进行云计算以及分配,实现对资源的合理化训练,有效提高云计算的计算效率。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种人工智能云平台。
背景技术
目前,智能应用随着社会的发展也在不断地发展,云计算是信息技术领域的一场革命,其在网格计算、效用计算、软件即服务等技术基础上发展而来,随着人工智能的不断发展,出现了很多人工智能云平台;
然而,现有技术云平台没有很好的对资源进行合理分配,从而使得云计算的计算效率降低,无法完成对资源的合理训练,因此,本发明提供了一种人工智能云平台。
发明内容
本发明提供一种人工智能云平台,用以通过确定目标资源,从而对目标资源进行云计算及分配,实现对资源的合理化训练,提高云计算的计算效率。
一种人工智能云平台,包括:
资源配置模块,用于对智能云平台进行硬件资源配置,构建基础服务层;
资源抽象模块,用于对所述基层服务层中的目标资源进行资源分配;
资源训练模块,用于基于分配结果,构建智能模型并将所述智能模型在目标神经网络中进行训练;
资源存储模块,用于将训练后的模型数据存储至所述智能云平台。
优选的,一种人工智能云平台,所述资源配置模块,包括:
指令获取单元,用于接收客户域执行网络硬件资源配置操作,生成操作指令;
指令读取单元,用于获取所述操作指令的指令读取逻辑,同时根据所述读取逻辑读取与所述操作指令相关的指令信息,并将所述指令信息在预设逻辑表中进行有序排列,生成指令执行信息;
执行单元,用于根据所述执行信息在所述人工智能云平台中进行硬件资源配置,并获取配置结果;
处理单元,用于对所述配置结果进行处理,并构建与所述配置结果相对应的基础服务层。
优选的,一种人工智能云平台,所述资源抽象模块,包括:
匹配单元,用于获取所述基础服务层中目标资源的资源标识,并根据所述资源标识匹配所述基础服务层所对应的抽象阵列;
绑定单元,用于计算所述抽象阵列,并基于计算结果将所述基础服务层中的目标资源进行实例化,同时,根据实例化结果与所述智能云平台的网络资源进行匹配绑定,生成资源信息节点;
其中,所述资源信息节点等于或大于1;
云计算单元,用于为所述资源信息节点匹配对应的分配向量,并为所述分配向量配置对应的节点权重,同时,根据所述节点权重为所述分配向量在预设数据文件中进行关系映射,并根据映射结果生成与所述分配向量相对应的分配策略;
其中,所述分配策略等于或大于1;
资源分配单元,用于对所述分配策略进行评价并基于评价进行等级划分,同时,根据所述评价等级划分结果生成对应的资源分配维度并基于所述资源分配维度将所述基层服务层中的目标资源按照所述等级划分结果进行资源分配。
优选的,一种人工智能云平台,所述资源训练模块,包括:
资源节点获取单元,用于获取所述分配结果的特征,并基于所述分配结果的特征匹配所述目标资源的资源节点;
智能模型获取单元,用于将所述资源节点作为叶节点生成树状结构,获取所述树状结构的关系矩阵,并基于所述关系矩阵以及所述树状结构构建智能模型;
输入信号获取单元,用于将所述智能模型在所述智能云平台中生成控制信息,并基于所述控制信息获取生成信号的基准时间,同时,基于所述基准时间与所述控制信息生成输入信号;
目标神经网络获取单元,用于基于所述输入信号匹配对应的网络神经元,并根据所述网络神经元生成目标神经网络;
学习率获取单元,用于基于所述目标神经网络获取所述输入信号对应的特征方程,并获取所述特征方程的泰勒展开,确定所述特征方程的相关系数,基于所述相关系数确定所述智能模型在所述目标神经网络的学习率;
训练单元,用于基于所述智能模型在所述目标神经网路的学习率,确定所述智能模型的迭代次数,并在所述迭代次数完成后获取所述智能模型的预测值,并根据所述预测值确定对所述智能模型进行训练的约束条件,同时,根据所述约束条件以及所述迭代次数对所述智能模型在所述目标神经网络中进行训练;
数据获取单元,用于基于所述训练结果生成对应的模型数据。
优选的,一种人工智能云平台,所述训练单元,还包括:
权重计算单元,用于计算所述智能模型的初始权重;
第一比较单元,用于将所述初始权重与所述智能模型的预设目标权重进行比较;
当所述初始权重等于或大于所述预设目标权重时,将所述智能模型在所述目标神经网络中进行训练;
否则,将所述初始权重传输至第一计算单元;
所述第一计算单元,用于将所述初始权重与所述预设目标权重进行作差运算,获取校正权重;
校正单元,用于根据所述校正权重对所述智能模型的权重进行校正,直至所述智能模型的初始权重等于或大于所述预设目标权重。
优选的,一种人工智能云平台,所述资源存储模块,包括:
数据整理单元,用于对所述模型数据进行数据整理,确定所述模型数据中是否存在异常数据;
数据删除单元,用于将所述模型数据中的异常数据进行删除;
数据打包单元,用于将删除异常数据后的所述模型数据进行数据分装,获取模型数据包;
数据存储单元,用于对所述模型数据包进行数据存储;
断电保护单元,用于当所述模型数据包在存储时出现断电时,根据预设工作频率,将所述模型数据包存储于所述智能云平台。
优选的,一种人工智能云平台,所述资源抽象模块中,对资源进行分配后,还包括:
资源容量获取单元,用于获取所述目标资源的资源总量;
请求量获取单元,用于获取对所述目标资源的请求量;
第二计算单元,用于根据所述目标资源的资源总量以及所述目标资源的请求量计算在所述智能云平台中所述目标资源的资源利用率;
其中,Uj表示在第j维度上所述目标资源的资源利用率;N表示对所述目标资源进行分配的维度数;j表示当前维度;d表示在所述智能云平台中虚拟机到物理机中的变量常数,一般取1;rj表示在第j维度上对所述目标资源的请求量;Z表示所述目标资源的资源总量;
第三计算单元,用于根据所述目标资源的资源率计算所述目标资源的资源利用率方差;
其中,F表示所述目标资源的资源利用率方差;
第二比较单元,用于将所述目标资源的资源利用率方差与基准资源利用率方差进行比较;
当所述目标资源的资源利用率方差小于或等与所述基准资源利用率方差时,判定所述目标资源的利用率均衡;
否则,重新获取所述目标资源。
优选的,一种人工智能云平台,资源存储模块,还包括:
数据量获取单元,用于获取所述模型数据的数据总量;
数据量接收单元,用于将所述模型数据存储至所述智能云平台时,获取所述智能云平台在单位时间内对所述模型数据的接收量;
第四计算单元,用于根据所述模型数据的数据总量以及所述智能云平台在单位时间内对所述模型数据的接收量,计算对所述模型数据的存储效率;
其中,η表示对所述模型数据的存储效率;σ表示存储误差因子,其取值范围为(0.1*10-2,0.25*10-2);g表示所述智能云平台对所述模型数据的接收量;t表示单位时间;G表示所述模型数据的数据总量;c表示对所述模型数据的实际存储量;
存储时间获取单元,用于根据所述模型数据的存储效率,确定对所述模型数据进行存储的存储时间;
判断单元,用于将所述存储时间与预设存储时间进行比较;
当所述存储时间小于或等于所述预设存储时间时,则判定所述智能云平台对无需进行存储优化;
否则,需要对所述智能云平台进行存储优化;
优化单元,用于对所述智能云平台进行存储优化。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图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,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种人工智能云平台系统图;
图2为本发明实施例中一种人工智能云平台中资源配置模块的系统图;
图3为本发明实施例中一种人工智能云平台中资源抽象模块的系统图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
一种人工智能云平台,如图1所示,包括:
资源配置模块,用于对智能云平台进行硬件资源配置,构建基础服务层;
资源抽象模块,用于对所述基层服务层中的目标资源进行资源分配;
资源训练模块,用于基于分配结果,构建智能模型并将所述智能模型在目标神经网络中进行训练;
资源存储模块,用于将训练后的模型数据存储至所述智能云平台。
该实施例中,基础服务层可以是对目标资源提供的硬件支持。
该实施例中,目标资源可以是用户的输入数据等,包括HTML页面、XML文档、图像、多媒体文件等等。
上述技术方案的有益效果是:通过获取基层服务层中的目标资源进行云计算以及分配,实现对资源的合理化训练,有效提高云计算的计算效率。
实施例2:
在实施例1的基础上,本实施例提供了一种人工智能云平台,如图2所示,所述资源配置模块,包括:
指令获取单元,用于接收客户域执行网络硬件资源配置操作,生成操作指令;
指令读取单元,用于获取所述操作指令的指令读取逻辑,同时根据所述读取逻辑读取与所述操作指令相关的指令信息,并将所述指令信息在预设逻辑表中进行有序排列,生成指令执行信息;
执行单元,用于根据所述执行信息在所述人工智能云平台中进行硬件资源配置,并获取配置结果;
处理单元,用于对所述配置结果进行处理,并构建与所述配置结果相对应的基础服务层。
该实施例中,指令读取逻辑包括:与或指令、异或指令、非指令等。
该实施例中,指令信息可以是包含指令逻辑的信息,将指令信息中的逻辑一个个按照指令预设的序列填写在逻辑表中,生成指令文件,根据指令文件的内容即为指令执行的信息。
上述技术方案的有益效果是:通过获取操作指令,并读取操作指令获取指令执行信息,进而实现对智能云平台的硬件资源配置,从而提高了确定基础服务层的准确率。
实施例3:
在实施例1的基础上,本实施例提供一种人工智能云平台,如图3所示,所述资源抽象模块,包括:
匹配单元,用于获取所述基础服务层中目标资源的资源标识,并根据所述资源标识匹配所述基础服务层所对应的抽象阵列;
绑定单元,用于计算所述抽象阵列,并基于计算结果将所述基础服务层中的目标资源进行实例化,同时,根据实例化结果与所述智能云平台的网络资源进行匹配绑定,生成资源信息节点;
其中,所述资源信息节点等于或大于1;
云计算单元,用于为所述资源信息节点匹配对应的分配向量,并为所述分配向量配置对应的节点权重,同时,根据所述节点权重为所述分配向量在预设数据文件中进行关系映射,并根据映射结果生成与所述分配向量相对应的分配策略;
其中,所述分配策略等于或大于1;
资源分配单元,用于对所述分配策略进行评价并基于评价进行等级划分,同时,根据所述评价等级划分结果生成对应的资源分配维度并基于所述资源分配维度将所述基层服务层中的目标资源按照所述等级划分结果进行资源分配。
该实施例中,资源标识可以是是一个用于标识某一互联网资源名称的字符串,这些资源包括HTML页面、XML文档、图像、多媒体文件等等。
该实施例中,抽象阵列计算出来的数值可以实现对目标资源进行实例化,例如,根据资源标识,确定对应的抽象阵列,当抽象阵列计算的值为1时,则对目标资源进行匹配为第一实例。
该实施例中,网络资源可以是智能云平台中所有的资源集合。
该实施例中,数据文件中包括分配策略。
上述技术方案的有益效果是:通过确定资源信息节点可以准确获取分配策略,通过对分配策略进行等级划分,有效确定资源分配维度,大大提高了对目标资源分配的的准确性。
实施例4:
在实施例1的基础上,本实施例提供了一种人工智能云平台,所述资源训练模块,包括:
资源节点获取单元,用于获取所述分配结果的特征,并基于所述分配结果的特征匹配所述目标资源的资源节点;
智能模型获取单元,用于将所述资源节点作为叶节点生成树状结构,获取所述树状结构的关系矩阵,并基于所述关系矩阵以及所述树状结构构建智能模型;
输入信号获取单元,用于将所述智能模型在所述智能云平台中生成控制信息,并基于所述控制信息获取生成信号的基准时间,同时,基于所述基准时间与所述控制信息生成输入信号;
目标神经网络获取单元,用于基于所述输入信号匹配对应的网络神经元,并根据所述网络神经元生成目标神经网络;
学习率获取单元,用于基于所述目标神经网络获取所述输入信号对应的特征方程,并获取所述特征方程的泰勒展开,确定所述特征方程的相关系数,基于所述相关系数确定所述智能模型在所述目标神经网络的学习率;
训练单元,用于基于所述智能模型在所述目标神经网路的学习率,确定所述智能模型的迭代次数,并在所述迭代次数完成后获取所述智能模型的预测值,并根据所述预测值确定对所述智能模型进行训练的约束条件,同时,根据所述约束条件以及所述迭代次数对所述智能模型在所述目标神经网络中进行训练;
数据获取单元,用于基于所述训练结果生成对应的模型数据。
该实施例中,资源节点可以是通过分配结果的特征与目标资源进行匹配后的数据节点。
该实施例中,叶节点与资源节点一致,用来构成树状结构。
该实施例中,关系矩阵可以是对树状结构的刻画,通过获取树状结构中的叶节点之间的关系从而确定的关系矩阵。
该实施例中,基准时间可以是通过控制信息确定的用来生成输入信号的时间。
该实施例中,特征方程可以是描述输入信号的数学函数。
该实施例中,约束条件可以是通过预测值确定的,用来对智能模型进行训练时进行约束的条件,可以有效避免冲破预测值而导致训练时出现“损失Loss为Nan”时的情况。
上述技术方案的有益效果是:通过确定目标资源的资源节点可以有效生成树状结构,并根据树状结构以及关系矩阵准确生成智能模型,通过获取目标神经网络,并确定约束条件,可以有效避免智能模型在训练时出现失误的情况,从而提高对模型训练的准确性。
实施例5:
在实施例4的基础上,本实施例提供一种人工智能云平台,所述训练单元,还包括:
权重计算单元,用于计算所述智能模型的初始权重;
第一比较单元,用于将所述初始权重与所述智能模型的预设目标权重进行比较;
当所述初始权重等于或大于所述预设目标权重时,将所述智能模型在所述目标神经网络中进行训练;
否则,将所述初始权重传输至第一计算单元;
所述第一计算单元,用于将所述初始权重与所述预设目标权重进行作差运算,获取校正权重;
校正单元,用于根据所述校正权重对所述智能模型的权重进行校正,直至所述智能模型的初始权重等于或大于所述预设目标权重。
该实施例中,预设目标权重是提前设定好的,是用于区分智能模型的初始权重的一种参数。
该实施例中,初始权重可以是用来体现智能模型相比较其他模型的重要程度。
该实施例中,校正权重可以是需要对初始权重校正至预设目标权重时的校正值。
上述技术方案的有益效果是:通过确定智能模型的初始权重,并与预设目标权重进行比较,便于根据不同情况对智能模型进行不同的处理,提高了智能模型运算的精确度。
实施例6:
在实施例1的基础上,本实施例提供一种人工智能云平台,所述资源存储模块,包括:
数据整理单元,用于对所述模型数据进行数据整理,确定所述模型数据中是否存在异常数据;
数据删除单元,用于将所述模型数据中的异常数据进行删除;
数据打包单元,用于将删除异常数据后的所述模型数据进行数据分装,获取模型数据包;
数据存储单元,用于对所述模型数据包进行数据存储;
断电保护单元,用于当所述模型数据包在存储时出现断电时,根据预设工作频率,将所述模型数据包存储于所述智能云平台。
该实施例中,异常数据可以是模型数据中发生数据缺失或数据乱码等的类似数据。
该实施例中,模型数据包可以是将剔除异常数据后的其他数据进行打包后的数据,内部包含多个数据。
该实施例中,预设工作频率是提前设定好的,是用来表示转移数据的快慢程度值。
上述技术方案的有益效果是:通过将模型数据中的异常数据进行删除,确保存储的数据足够准确,同时增加了掉电保护功能,进一步增强了数据存储的安全性,便于实现对资源的合理化训练,有效提高云计算的计算效率。
实施例7:
在实施例1的基础上,本实施例提供了一种人工智能云平台,所述资源抽象模块中,对资源进行分配后,还包括:
资源容量获取单元,用于获取所述目标资源的资源总量;
请求量获取单元,用于获取对所述目标资源的请求量;
第二计算单元,用于根据所述目标资源的资源总量以及所述目标资源的请求量计算在所述智能云平台中所述目标资源的资源利用率;
其中,Uj表示在第j维度上所述目标资源的资源利用率;N表示对所述目标资源进行分配的维度数;j表示当前维度;d表示在所述智能云平台中虚拟机到物理机中的变量常数,一般取1;rj表示在第j维度上对所述目标资源的请求量;Z表示所述目标资源的资源总量;
第三计算单元,用于根据所述目标资源的资源率计算所述目标资源的资源利用率方差;
其中,F表示所述目标资源的资源利用率方差;
第二比较单元,用于将所述目标资源的资源利用率方差与基准资源利用率方差进行比较;
当所述目标资源的资源利用率方差小于或等与所述基准资源利用率方差时,判定所述目标资源的利用率均衡;
否则,重新获取所述目标资源。
该实施例中,请求量可以是对目标资源的调度量。
该实施例中,维度数可以是将目标资源分配至不同维度的维度总数。
上述技术方案的有益效果是:通过确定资源利用率,并且通过资源利用率准确计算资源利用率方差可以有效确定目标资源利用率是否均衡,从而可以精确判断目标资源是否造成浪费。
实施例8:
在实施例1的基础上,本实施例提供一种人工智能云平台,资源存储模块,还包括:
数据量获取单元,用于获取所述模型数据的数据总量;
数据量接收单元,用于将所述模型数据存储至所述智能云平台时,获取所述智能云平台在单位时间内对所述模型数据的接收量;
第四计算单元,用于根据所述模型数据的数据总量以及所述智能云平台在单位时间内对所述模型数据的接收量,计算对所述模型数据的存储效率;
其中,η表示对所述模型数据的存储效率;σ表示存储误差因子,其取值范围为(0.1*10-2,0.25*10-2);g表示所述智能云平台对所述模型数据的接收量;t表示单位时间;G表示所述模型数据的数据总量;c表示对所述模型数据的实际存储量;
存储时间获取单元,用于根据所述模型数据的存储效率,确定对所述模型数据进行存储的存储时间;
判断单元,用于将所述存储时间与预设存储时间进行比较;
当所述存储时间小于或等于所述预设存储时间时,则判定所述智能云平台对无需进行存储优化;
否则,需要对所述智能云平台进行存储优化;
优化单元,用于对所述智能云平台进行存储优化。
该实施例中,预设存储时间是提前设定好的,是用来衡量存储数据所用的事件是否合格,是经过多次训练确定的。
该实施例中,存储误差因子可以是在存储过程中可能存在的误差,影响到模型数据的存储效率,而且存储误差因子是不可避免的,将存储误差因子考虑在公式中使得存储效率更具备客观性。
上述技术方案的有益效果是:通过计算对所述模型数据的存储效率,便于对智能云平台进行存储优化,提高了数据存储速度,有效进行云计算以及分配,实现对资源的合理化训练,有效提高云计算的计算效率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种人工智能云平台,其特征在于,包括:
资源配置模块,用于对智能云平台进行硬件资源配置,构建基础服务层;
资源抽象模块,用于对所述基层服务层中的目标资源进行资源分配;
资源训练模块,用于基于分配结果,构建智能模型并将所述智能模型在目标神经网络中进行训练;
资源存储模块,用于将训练后的模型数据存储至所述智能云平台。
2.根据权利要求1所述的一种人工智能云平台,其特征在于,所述资源配置模块,包括:
指令获取单元,用于接收客户域执行网络硬件资源配置操作,生成操作指令;
指令读取单元,用于获取所述操作指令的指令读取逻辑,同时根据所述读取逻辑读取与所述操作指令相关的指令信息,并将所述指令信息在预设逻辑表中进行有序排列,生成指令执行信息;
执行单元,用于根据所述执行信息在所述人工智能云平台中进行硬件资源配置,并获取配置结果;
处理单元,用于对所述配置结果进行处理,并构建与所述配置结果相对应的基础服务层。
3.根据权利要求1所述的一种人工智能云平台,其特征在于,所述资源抽象模块,包括:
匹配单元,用于获取所述基础服务层中目标资源的资源标识,并根据所述资源标识匹配所述基础服务层所对应的抽象阵列;
绑定单元,用于计算所述抽象阵列,并基于计算结果将所述基础服务层中的目标资源进行实例化,同时,根据实例化结果与所述智能云平台的网络资源进行匹配绑定,生成资源信息节点;
其中,所述资源信息节点等于或大于1;
云计算单元,用于为所述资源信息节点匹配对应的分配向量,并为所述分配向量配置对应的节点权重,同时,根据所述节点权重为所述分配向量在预设数据文件中进行关系映射,并根据映射结果生成与所述分配向量相对应的分配策略;
其中,所述分配策略等于或大于1;
资源分配单元,用于对所述分配策略进行评价并基于评价进行等级划分,同时,根据所述评价等级划分结果生成对应的资源分配维度并基于所述资源分配维度将所述基层服务层中的目标资源按照所述等级划分结果进行资源分配。
4.根据权利要求1所述的一种人工智能云平台,其特征在于,所述资源训练模块,包括:
资源节点获取单元,用于获取所述分配结果的特征,并基于所述分配结果的特征匹配所述目标资源的资源节点;
智能模型获取单元,用于将所述资源节点作为叶节点生成树状结构,获取所述树状结构的关系矩阵,并基于所述关系矩阵以及所述树状结构构建智能模型;
输入信号获取单元,用于将所述智能模型在所述智能云平台中生成控制信息,并基于所述控制信息获取生成信号的基准时间,同时,基于所述基准时间与所述控制信息生成输入信号;
目标神经网络获取单元,用于基于所述输入信号匹配对应的网络神经元,并根据所述网络神经元生成目标神经网络;
学习率获取单元,用于基于所述目标神经网络获取所述输入信号对应的特征方程,并获取所述特征方程的泰勒展开,确定所述特征方程的相关系数,基于所述相关系数确定所述智能模型在所述目标神经网络的学习率;
训练单元,用于基于所述智能模型在所述目标神经网路的学习率,确定所述智能模型的迭代次数,并在所述迭代次数完成后获取所述智能模型的预测值,并根据所述预测值确定对所述智能模型进行训练的约束条件,同时,根据所述约束条件以及所述迭代次数对所述智能模型在所述目标神经网络中进行训练;
数据获取单元,用于基于所述训练结果生成对应的模型数据。
5.根据权利要求4所述的一种人工智能云平台,其特征在于,所述训练单元,还包括:
权重计算单元,用于计算所述智能模型的初始权重;
第一比较单元,用于将所述初始权重与所述智能模型的预设目标权重进行比较;
当所述初始权重等于或大于所述预设目标权重时,将所述智能模型在所述目标神经网络中进行训练;
否则,将所述初始权重传输至第一计算单元;
所述第一计算单元,用于将所述初始权重与所述预设目标权重进行作差运算,获取校正权重;
校正单元,用于根据所述校正权重对所述智能模型的权重进行校正,直至所述智能模型的初始权重等于或大于所述预设目标权重。
6.根据权利要求1所述的一种人工智能云平台,其特征在于,所述资源存储模块,包括:
数据整理单元,用于对所述模型数据进行数据整理,确定所述模型数据中是否存在异常数据;
数据删除单元,用于将所述模型数据中的异常数据进行删除;
数据打包单元,用于将删除异常数据后的所述模型数据进行数据分装,获取模型数据包;
数据存储单元,用于对所述模型数据包进行数据存储;
断电保护单元,用于当所述模型数据包在存储时出现断电时,根据预设工作频率,将所述模型数据包存储于所述智能云平台。
7.根据权利要求1所述的一种人工智能云平台,其特征在于,所述资源抽象模块中,对资源进行分配后,还包括:
资源容量获取单元,用于获取所述目标资源的资源总量;
请求量获取单元,用于获取对所述目标资源的请求量;
第二计算单元,用于根据所述目标资源的资源总量以及所述目标资源的请求量计算在所述智能云平台中所述目标资源的资源利用率;
其中,Uj表示在第j维度上所述目标资源的资源利用率;N表示对所述目标资源进行分配的维度数;j表示当前维度;d表示在所述智能云平台中虚拟机到物理机中的变量常数,一般取1;rj表示在第j维度上对所述目标资源的请求量;Z表示所述目标资源的资源总量;
第三计算单元,用于根据所述目标资源的资源率计算所述目标资源的资源利用率方差;
其中,F表示所述目标资源的资源利用率方差;
第二比较单元,用于将所述目标资源的资源利用率方差与基准资源利用率方差进行比较;
当所述目标资源的资源利用率方差小于或等与所述基准资源利用率方差时,判定所述目标资源的利用率均衡;
否则,重新获取所述目标资源。
8.根据权利要求1所述的一种人工智能云平台,其特征在于,资源存储模块,还包括:
数据量获取单元,用于获取所述模型数据的数据总量;
数据量接收单元,用于将所述模型数据存储至所述智能云平台时,获取所述智能云平台在单位时间内对所述模型数据的接收量;
第四计算单元,用于根据所述模型数据的数据总量以及所述智能云平台在单位时间内对所述模型数据的接收量,计算对所述模型数据的存储效率;
其中,η表示对所述模型数据的存储效率;σ表示存储误差因子,其取值范围为(0.1*10-2,0.25*10-2);g表示所述智能云平台对所述模型数据的接收量;t表示单位时间;G表示所述模型数据的数据总量;c表示对所述模型数据的实际存储量;
存储时间获取单元,用于根据所述模型数据的存储效率,确定对所述模型数据进行存储的存储时间;
判断单元,用于将所述存储时间与预设存储时间进行比较;
当所述存储时间小于或等于所述预设存储时间时,则判定所述智能云平台对无需进行存储优化;
否则,需要对所述智能云平台进行存储优化;
优化单元,用于对所述智能云平台进行存储优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607974.6A CN113220372B (zh) | 2021-06-01 | 2021-06-01 | 一种人工智能云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607974.6A CN113220372B (zh) | 2021-06-01 | 2021-06-01 | 一种人工智能云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113220372A true CN113220372A (zh) | 2021-08-06 |
CN113220372B CN113220372B (zh) | 2022-05-27 |
Family
ID=77082130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607974.6A Active CN113220372B (zh) | 2021-06-01 | 2021-06-01 | 一种人工智能云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220372B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699440A (zh) * | 2012-09-27 | 2014-04-02 | 北京搜狐新媒体信息技术有限公司 | 一种云计算平台系统为任务分配资源的方法和装置 |
US9378044B1 (en) * | 2015-03-28 | 2016-06-28 | Vmware, Inc. | Method and system that anticipates deleterious virtual-machine state changes within a virtualization layer |
US20160323374A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Optimal Allocation of Dynamic Cloud Computing Platform Resources |
CN108153594A (zh) * | 2017-12-25 | 2018-06-12 | 联想(北京)有限公司 | 一种人工智能云平台的资源碎片整理方法及电子设备 |
CN112148427A (zh) * | 2020-09-04 | 2020-12-29 | 北京浪潮数据技术有限公司 | 一种云平台资源分配方法、装置和计算机可读存储介质 |
-
2021
- 2021-06-01 CN CN202110607974.6A patent/CN113220372B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699440A (zh) * | 2012-09-27 | 2014-04-02 | 北京搜狐新媒体信息技术有限公司 | 一种云计算平台系统为任务分配资源的方法和装置 |
US9378044B1 (en) * | 2015-03-28 | 2016-06-28 | Vmware, Inc. | Method and system that anticipates deleterious virtual-machine state changes within a virtualization layer |
US20160323374A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Optimal Allocation of Dynamic Cloud Computing Platform Resources |
CN108153594A (zh) * | 2017-12-25 | 2018-06-12 | 联想(北京)有限公司 | 一种人工智能云平台的资源碎片整理方法及电子设备 |
CN112148427A (zh) * | 2020-09-04 | 2020-12-29 | 北京浪潮数据技术有限公司 | 一种云平台资源分配方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
龚坤: "面向多计算框架的容器云资源调度方法研究与实现", 《中国游戏与博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113220372B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10713597B2 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
Szabo et al. | Science in the cloud: Allocation and execution of data-intensive scientific workflows | |
CN110502323B (zh) | 一种云计算任务实时调度方法 | |
CN112436992B (zh) | 基于图卷积网络的虚拟网络映射方法及装置 | |
US8661042B2 (en) | Collaborative filtering with hashing | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN115828831A (zh) | 基于深度强化学习的多芯粒芯片算子放置策略生成方法 | |
CN113568759B (zh) | 一种基于云计算的大数据处理方法及其系统 | |
CN113220372B (zh) | 一种人工智能云平台 | |
CN110489142A (zh) | 设备软件升级的评估方法及装置、存储介质、终端 | |
CN117406844B (zh) | 一种基于神经网络的显卡风扇控制方法及相关装置 | |
CN117971475A (zh) | 一种gpu算力池智能管理方法及系统 | |
CN117349023A (zh) | 应用部署方法、设备及存储介质 | |
CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
CN115757002A (zh) | 一种能耗确定方法、装置、设备及计算机可读存储介质 | |
CN114678114A (zh) | 应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统 | |
CN116508035A (zh) | 将经训练的人工智能模型转换为可信赖的人工智能模型 | |
CN106776892A (zh) | 基于音乐平台数据评估音乐作品网络关注数据方法及系统 | |
CN110728289B (zh) | 一种家庭宽带用户的挖掘方法及设备 | |
CN111026661A (zh) | 一种软件易用性全面测试方法及系统 | |
Nayak et al. | Capacity value of wind power using kd tree and nearest neighbor search algorithm | |
CN116090348B (zh) | 一种馈线线损集成学习估计方法、设备及存储介质 | |
CN116646932B (zh) | 基于配电网云边端资源协同的高比例负荷接入方法及系统 | |
CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 | |
CN108009190B (zh) | 一种数据导出方法、数据导出系统及计算机装置 |
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 |