CN113268321A - 用于边缘计算的数据处理调配方法 - Google Patents

用于边缘计算的数据处理调配方法 Download PDF

Info

Publication number
CN113268321A
CN113268321A CN202110532718.5A CN202110532718A CN113268321A CN 113268321 A CN113268321 A CN 113268321A CN 202110532718 A CN202110532718 A CN 202110532718A CN 113268321 A CN113268321 A CN 113268321A
Authority
CN
China
Prior art keywords
classification
edge
data processing
feature
feature vector
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.)
Withdrawn
Application number
CN202110532718.5A
Other languages
English (en)
Inventor
胡怡
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.)
Hangzhou Kehan Technology Co ltd
Original Assignee
Hangzhou Kehan 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 Hangzhou Kehan Technology Co ltd filed Critical Hangzhou Kehan Technology Co ltd
Priority to CN202110532718.5A priority Critical patent/CN113268321A/zh
Publication of CN113268321A publication Critical patent/CN113268321A/zh
Withdrawn legal-status Critical Current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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F9/505—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 considering the load
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及边缘计算，更具体地，涉及一种用于边缘计算的数据处理调配方法。所述方法由边缘计算节点自身来预测其计算任务量，从而基于预测的计算任务量是否满载来向云端服务器通知其是否能够接收数据处理调配，通过这样的方式，可以合理地对边缘计算节点的计算任务进行处理调配以有效地避免某个边缘计算节点满载或计算资源的使用效率过低。

Description

用于边缘计算的数据处理调配方法
技术领域
本申请涉及边缘计算领域下的数据处理，且更为具体地，涉及一种用于边缘计算的数据处理调配方法、用于边缘计算的数据处理调配系统和电子设备。
背景技术
边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。
在电网配电技术领域中，配电网的末端用电设备的数量非常庞大，所形成的用电网络拓扑复杂，若直接采用云计算架构实现配电网的电能监控调配，庞大的计算任务容易给云计算平台较大的负载压力，因此采用边缘计算网络能够有效解决该问题。
通过边缘计算网络对电网配电也面临着一些亟待解决的挑战，边缘计算节点的计算能力往往比较薄弱，配电请求也具有时空不均匀特性，如在空间上，经济发达地区的配电需求明显大于经济落后地区，在时间上，白天的配电需求明显大于凌晨的配电需求，同时不同季节的用电需求同样不同，而单一边缘计算节点无法处理过量的计算任务，因此边缘计算节点需要将过量的计算任务转移到云计算平台或者其他边缘计算节点来处理，从而保证配电网的电能监控调配。
然而，边缘计算节点无法精准预测其他边缘计算节点的负载情况和负载卸载决策。一旦边缘计算节点将计算任务转移到负载严重的边缘计算节点上，不但不能加快计算任务的处理进度，反而会延长计算任务的处理进度。
因此，期望一种能够合理对边缘计算节点的计算任务进行处理调配的方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于边缘计算的数据处理调配方法、用于边缘计算的数据处理调配系统和电子设备，其由边缘计算节点自身来预测其计算任务量，从而基于预测的计算任务量是否满载来向云端服务器通知其是否能够接收数据处理调配，通过这样的方式，可以合理地对边缘计算节点的计算任务进行处理调配以有效地避免某个边缘计算节点满载或计算资源的使用效率过低。
根据本申请的一个方面，提供了一种用于边缘计算的数据处理调配方法，其包括：
获取边缘计算节点在一系列预定间隔的时间点的计算任务量；
将所述一系列计算任务量按照不同的时间维度构造为数据矩阵；
将所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；
对所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；
计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及
将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
在上述用于边缘计算的数据处理调配方法中，将所述一系列计算任务量按照不同的时间维度构造为数据矩阵，包括：将同一天的计算任务量按时间先后顺序排列成行再将不同天的计量任务量按时间先后顺序排列成列，以获得所述数据矩阵。
在上述用于边缘计算的数据处理调配方法中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，包括：以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值；以及，删除所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。
在上述用于边缘计算的数据处理调配方法中，所述预定阈值作为超参数参与到所述卷积神经网络的训练过程中。
在上述用于边缘计算的数据处理调配方法中，将所述分类特征向量通过分类器以获得分类结果，包括：将所述分类特征向量输入Softmax分类函数，以获得该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率；以及，基于所述第一概率和所述第二概率，确定所述分类结果。
在上述用于边缘计算的数据处理调配方法中，所述卷积神经网络为深度残差网络。
在上述用于边缘计算的数据处理调配方法中，所述方法，进一步包括：云服务器端通过各个边缘计算节点的分类结果，对各个边缘节点的计算任务进行处理调配。
根据本申请的另一方面，提供了一种用于边缘计算的数据处理调配系统，其包括：
任务量计算单元，用于获取边缘计算节点在一系列预定间隔的时间点的计算任务量；
数据矩阵构造单元，用于将所述任务量计算单元获得的所述一系列计算任务量按照不同的时间维度构造为数据矩阵；
分类特征图生成单元，用于将所述数据矩阵构造单元获得的所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵构造单元获得的所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；
特征向量生成单元，用于对所述分类特征图生成单元获得的所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；
分类特征向量生成单元，用于计算所述特征向量生成单元获得的所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及
分类结果生成单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
在上述用于边缘计算的数据处理调配系统中，所述数据矩阵构造单元，进一步用于：将同一天的计算任务量按时间先后顺序排列成行再将不同天的计量任务量按时间先后顺序排列成列，以获得所述数据矩阵。
在上述用于边缘计算的数据处理调配系统中，所述分类特征向量生成单元，包括：分类函数值计算子单元，用于以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值；以及，分类特征向量处理子单元，用于删除所述分类函数值计算子单元获得的所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。
在上述用于边缘计算的数据处理调配系统中，所述预定阈值作为超参数参与到所述卷积神经网络的训练过程中。
在上述用于边缘计算的数据处理调配系统中，所述分类结果生成单元，包括：概率计算子单元，用于将所述分类特征向量输入Softmax分类函数，以获得该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率；以及，分类结果确定子单元，用于基于所述第一概率和所述第二概率，确定所述分类结果。
在上述用于边缘计算的数据处理调配系统中，所述卷积神经网络为深度残差网络。
在上述用于边缘计算的数据处理调配系统中，云服务器端通过各个边缘计算节点的分类结果，对各个边缘节点的计算任务进行处理调配。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于边缘计算的数据处理调配方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于边缘计算的数据处理调配方法。
与现有技术相比，本申请的实施例提供了一种用于边缘计算的数据处理调配方法、用于边缘计算的数据处理调配系统和电子设备，其由边缘计算节点自身来预测其计算任务量，从而基于预测的计算任务量是否满载来向云端服务器通知其是否能够接收数据处理调配，通过这样的方式，可以合理地对边缘计算节点的计算任务进行处理调配以有效地避免某个边缘计算节点满载或计算资源的使用效率过低。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于边缘计算的数据处理调配方法的应用场景图。
图2为根据本申请实施例的用于边缘计算的数据处理调配方法的流程图。
图3为根据本申请实施例的用于边缘计算的数据处理调配方法的架构示意图。
图4为根据本申请实施例的用于边缘计算的数据处理调配方法中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量的流程图。
图5为根据本申请实施例的用于边缘计算的数据处理调配方法中，将所述分类特征向量通过分类器以获得分类结果的流程图。
图6为根据本申请实施例的用于边缘计算的数据处理调配系统的框图。
图7为根据本申请实施例的用于边缘计算的数据处理调配系统中分类特征向量生成单元的框图。
图8为根据本申请实施例的用于边缘计算的数据处理调配系统中分类结果生成单元的框图。
图9为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，在电网配电技术领域中，配电网的末端用电设备的数量非常庞大，所形成的用电网络拓扑复杂，若直接采用云计算架构实现配电网的电能监控调配，庞大的计算任务容易给云计算平台较大的负载压力，因此采用边缘计算网络能够有效解决该问题。但通过边缘计算网络对电网配电也面临着一些亟待解决的挑战，边缘计算节点的计算能力往往比较薄弱，配电请求也具有时空不均匀特性，如在空间上，经济发达地区的配电需求明显大于经济落后地区，在时间上，白天的配电需求明显大于凌晨的配电需求，同时不同季节的用电需求同样不同，而单一边缘计算节点无法处理过量的计算任务，因此边缘计算节点需要将过量的计算任务转移到云计算平台或者其他边缘计算节点来处理，从而保证配电网的电能监控调配。但是，边缘计算节点无法精准预测其他边缘计算节点的负载情况和负载卸载决策。一旦边缘计算节点将计算任务转移到负载严重的边缘计算节点上，不但不能加快计算任务的处理进度，反而会延长计算任务的处理进度。因此，期望一种能够合理对边缘计算节点的计算任务进行处理调配的方法，本申请的申请人考虑由边缘计算节点自身来预测其计算任务量，从而基于预测的计算任务量是否满载来向云端服务器通知其是否能够接收数据处理调配。
因此，在本申请的技术方案中，边缘计算节点获取其在一系列预定间隔的时间点的计算任务量，并按照一天中的时间点和各天这两个维度排列成输入数据矩阵，从而作为卷积神经网络的输入。这样，由于每个输入数据矩阵对应于单个地理单位，且能够同时考虑一天当中的计算量峰谷情况以及各天当中的计算量峰谷情况，从而避免时空不均匀特性导致的计算量波动。然后，将该输入数据矩阵输入卷积神经网络，从而提取各个时间点之间的计算任务量的关联信息，以便进一步通过分类器的回归来对任务量是否满载从而是否能够接收数据处理调派进行预测。
在本申请中，考虑到边缘计算节点的计算能力，以及本申请的技术方案中仅需要对于任务量是否满载进行预测，因此通过卷积神经网络所提取的模式数量并不需要太多，相应地，卷积神经网络的深度和通道数也不需要太多，从而减少计算量。这里，本申请中的卷积神经网络为10到12层，且每层的通道数为2，这样，通过卷积神经网络之后，得到210＝256到212＝1024个高维统计模式，也就是计算任务量的关联特征，这已经足够用于所需的分类任务。
并且，进一步考虑到分类器通常包括多个全连接层，而全连接层因为需要对每一个节点进行全连接计算，因此计算量较大，所以，如果能够对通过卷积神经网络获得特征图进行进一步的压缩，显然更加有利于减小计算量。因此，本申请的申请人考虑利用预分类的思想，计算特征图中的每个通道在通过回归进行分类过程中所占的权重，以便于仅保留权重大的那些通道，而删除权重小的通道，以便于减小输入全连接层的数据量。
也就是，对于所获得的特征图，如上所述，其包括256、512或者1024个通道，对于每个通道的特征矩阵进行全局平均池化，以得到长度为256、512或者1024的特征向量，然后，对于特征向量的每个位置，计算其类Softmax分类函数值，即exp(-xi)/∑iexp(-xi),并且，删除掉函数值小于预定阈值的值，从而获得分类特征向量。这里，阈值可以动态设定，以便最后得到的特征值的数目小于等于原始特征值数目的二分之一。
这样，将分类特征向量输入分类器之后，就可以获得表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派的结果。进一步地，云服务器端通过获得各个边缘计算节点的该结果，就可以合理地对边缘计算节点的计算任务进行处理调配。
基于此，本申请提出了一种用于边缘计算的数据处理调配方法，其包括：获取边缘计算节点在一系列预定间隔的时间点的计算任务量；将所述一系列计算任务量按照不同的时间维度构造为数据矩阵；将所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；对所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及，将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
图1图示了根据本申请实施例的用于边缘计算的数据处理调配方法的应用场景图。如图1所示，在该应用场景中，在端侧(例如，如图1中所示意的C)以预定的时间间隔采样边缘计算节点的计算任务量。然后，将所述一系列在预定间隔的时间点上获取的计算任务量输入至部署有用于边缘计算的数据处理调配算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以用于边缘计算的数据处理调配算法对所述获取的计算任务量进行处理，以生成用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的用于边缘计算的数据处理调配方法的流程图。如图2所示，根据本申请实施例的用于边缘计算的数据处理调配方法，包括：S110，获取边缘计算节点在一系列预定间隔的时间点的计算任务量；S120，将所述一系列计算任务量按照不同的时间维度构造为数据矩阵；S130，将所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；S140，对所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；S150，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及，S160，将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
图3图示了根据本申请实施例的用于边缘计算的数据处理调配方法的架构示意图。如图3所示，在该网络架构中，首先，以预定的时间间隔采样边缘计算节点的计算任务量(例如，如图3中所示意的TV)；接着，将所述一系列计算任务量按照不同的时间维度构造为数据矩阵(例如，如图3中所示意的DM)；然后，将所述数据矩阵通过卷积神经网络(例如，如图3中所示意的CNN)以通过所述卷积神经网络提取出所述数据矩阵中的模式以获得分类特征图(例如，如图3中所示意的Fc)；接着，对所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量；然后，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量(例如，如图3中所示意的CFV)，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一；最后，将所述分类特征向量通过分类器(例如，如图3中所示意的圈S)以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
在步骤S110中，获取边缘计算节点在一系列预定间隔的时间点的计算任务量。如前所述，在本申请的技术方案中，选择由边缘计算节点自身来预测其计算任务量从而基于预测的计算任务量是否满载来向云端服务器通知其是否能够接收数据处理调配。具体地，在本申请的实施例中，从边缘计算节点以预定的时间间隔采样其计算任务量。
在步骤S120中，将所述一系列计算任务量按照不同的时间维度构造为数据矩阵。例如，在一个具体的示例中，按照一天中的时间点和各天这两个维度排列成输入数据矩阵，从而作为卷积神经网络的输入。应可以理解，由于每个输入数据矩阵对应于单个地理单位，因此，采用不同的时间维度来构造数据矩阵能够同时考虑一天当中的计算量峰谷情况以及各天当中的计算量峰谷情况，从而避免时空不均匀特性导致的计算量波动。
也就是，在一个具体的示例中，将所述一系列计算任务量按照不同的时间维度构造为数据矩阵的过程，包括：将同一天的计算任务量按时间先后顺序排列成行再将不同天的计量任务量按时间先后顺序排列成列，以获得所述数据矩阵。
在步骤S130中，将所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵中的模式以获得分类特征图。也就是，以卷积神经网络对所述输入的数据矩阵进行处理，从而提取各个时间点之间的计算任务量的关联信息，以便进一步通过分类器的回归来对任务量是否满载从而是否能够接收数据处理调派进行预测。
应可以理解，在本申请中，考虑到边缘计算节点的计算能力，以及本申请的技术方案中仅需要对于任务量是否满载进行预测，因此通过卷积神经网络所提取的模式数量并不需要太多，相应地，卷积神经网络的深度和通道数也不需要太多，从而减少计算量。这里，本申请中的卷积神经网络选择为10到12层，且每层的通道数为2，这样，通过卷积神经网络之后，得到210＝256到212＝1024个高维统计模式，也就是计算任务量的关联特征，这已经足够用于所需的分类任务。
本领域普通技术人员应知晓，深度卷积神经网络在提取局部空间特征方面具有优异的表现。在本申请一个具体的示例中，所述卷积神经网络可被实施为深度残差网络，例如，ResNet 150。相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S140中，对所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024。以及，在步骤S150中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量。这里，因为分类器通常包括多个全连接层，而全连接层需要对每一个节点进行全连接计算，因此计算量较大，所以为了减小计算量，就需要对通过卷积神经网络获得的特征图进行进一步的压缩。因此，在本申请的技术方案中，选择利用预分类的思想，计算特征图中的每个通道在通过回归进行分类过程中所占的权重，以便于仅保留权重大的那些通道，而删除权重小的通道，这样就会便于减小输入全连接层的数据量。
具体地，在本申请的实施例中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量的过程，包括：首先，以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值。也就是，计算各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和，以得到所述特征向量中各个位置的类Softmax分类函数值。特别地，所述预定阈值作为超参数参与到所述卷积神经网络的训练过程中。
然后，删除所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。这里，阈值可以动态设定，以便最后得到的特征值的数目小于等于原始特征值数目的二分之一，也就是，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一。
图4为根据本申请实施例的用于边缘计算的数据处理调配方法中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量的流程图。如图4所示，在本申请实施例中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，包括：S210，以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值；以及，S220，删除所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。
在步骤S160，将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。具体地，在本申请的实施例中，将所述分类特征向量通过分类器以获得分类结果的过程，包括：首先将所述分类特征向量输入Softmax分类函数，以获得该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率。也就是，将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于分类标签的概率值，具体地，包括：该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率。然后，基于所述第一概率和所述第二概率，确定所述分类结果。具体地，当所述第一概率大于第二概率时，所述分类结果为该边缘计算节点的任务量不满载；当所述第一概率小于第二概率时，所述分类结果为该边缘计算节点的任务量满载。进一步地，云服务器端通过获得各个边缘计算节点的该结果，就可以合理地对边缘计算节点的计算任务进行处理调配。
图5为根据本申请实施例的用于边缘计算的数据处理调配方法中，将所述分类特征向量通过分类器以获得分类结果的流程图。如图4所示，在本申请实施例中，将所述分类特征向量通过分类器以获得分类结果，包括：S310，将所述分类特征向量输入Softmax分类函数，以获得该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率；以及，S320，基于所述第一概率和所述第二概率，确定所述分类结果。
综上，基于本申请实施例的用于边缘计算的数据处理调配方法被阐明，其考虑由边缘计算节点自身来预测其计算任务量，从而基于预测的计算任务量是否满载来向云端服务器通知其是否能够接收数据处理调配。通过这样的方式，可以合理地对边缘计算节点的计算任务进行处理调配。
示例性系统
图6图示了根据本申请实施例的用于边缘计算的数据处理调配系统的框图。如图6所示，根据本申请实施例的用于边缘计算的数据处理调配系统600，包括：任务量计算单元610，用于获取边缘计算节点在一系列预定间隔的时间点的计算任务量；数据矩阵构造单元620，用于将所述任务量计算单元610获得的所述一系列计算任务量按照不同的时间维度构造为数据矩阵；分类特征图生成单元630，用于将所述数据矩阵构造单元620获得的所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵构造单元620获得的所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；特征向量生成单元640，用于对所述分类特征图生成单元630获得的所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；分类特征向量生成单元650，用于计算所述特征向量生成单元640获得的所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及，分类结果生成单元660，用于将所述分类特征向量生成单元650获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
在一个示例中，在用于边缘计算的数据处理调配系统600中，所述数据矩阵构造单元620，进一步用于：将同一天的计算任务量按时间先后顺序排列成行再将不同天的计量任务量按时间先后顺序排列成列，以获得所述数据矩阵。
在一个示例中，在用于边缘计算的数据处理调配系统600中，如图7所示，所述分类特征向量生成单元650，包括：分类函数值计算子单元651，用于以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值；以及，分类特征向量处理子单元652，用于删除所述分类函数值计算子单元获得的所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。
在一个示例中，在用于边缘计算的数据处理调配系统600中，所述预定阈值作为超参数参与到所述卷积神经网络的训练过程中。
在一个示例中，在用于边缘计算的数据处理调配系统600中，如图8所示，所述分类结果生成单元660，包括：概率计算子单元661，用于将所述分类特征向量输入Softmax分类函数，以获得该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率；以及，分类结果确定子单元662，用于基于所述第一概率和所述第二概率，确定所述分类结果。
在一个示例中，在用于边缘计算的数据处理调配系统600中，所述卷积神经网络为深度残差网络。
在一个示例中，在用于边缘计算的数据处理调配系统600中，云服务器端通过各个边缘计算节点的分类结果，对各个边缘节点的计算任务进行处理调配。
这里，本领域技术人员可以理解，上述用于边缘计算的数据处理调配系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的用于边缘计算的数据处理调配方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的用于边缘计算的数据处理调配系统600可以实现在各种终端设备中，例如用于边缘计算的数据处理调配算法的服务器等。在一个示例中，根据本申请实施例的用于边缘计算的数据处理调配系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于边缘计算的数据处理调配系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于边缘计算的数据处理调配系统600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于边缘计算的数据处理调配系统600与该终端设备也可以是分立的设备，并且该用于边缘计算的数据处理调配系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
如图9所示，所述电子设备10包括至少一个处理器11和至少一个存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括至少一个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储至少一个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于边缘计算的数据处理调配方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以特征向量、分类特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于边缘计算的数据处理调配方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于边缘计算的数据处理调配方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有至少一个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

Claims (10)

1.一种用于边缘计算的数据处理调配方法，其特征在于，包括：
获取边缘计算节点在一系列预定间隔的时间点的计算任务量；
将所述一系列计算任务量按照不同的时间维度构造为数据矩阵；
将所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；
对所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；
计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及
将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
2.根据权利要求1所述的用于边缘计算的数据处理调配方法，其中，将所述一系列计算任务量按照不同的时间维度构造为数据矩阵，包括：
将同一天的计算任务量按时间先后顺序排列成行再将不同天的计量任务量按时间先后顺序排列成列，以获得所述数据矩阵。
3.根据权利要求1所述的用于边缘计算的数据处理调配方法，其中，计算所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，包括：
以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值；以及
删除所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。
4.根据权利要求3所述的用于边缘计算的数据处理调配方法，其中，所述预定阈值作为超参数参与到所述卷积神经网络的训练过程中。
5.根据权利要求1所述的用于边缘计算的数据处理调配方法，其中，将所述分类特征向量通过分类器以获得分类结果，包括：
将所述分类特征向量输入Softmax分类函数，以获得该边缘计算节点的任务量不满载的第一概率和该边缘计算节点的任务量满载的第二概率；以及
基于所述第一概率和所述第二概率，确定所述分类结果。
6.根据权利要求1所述的用于边缘计算的数据处理调配方法，其中，所述卷积神经网络为深度残差网络。
7.根据权利要求1所述的用于边缘计算的数据处理调配方法，进一步包括：
云服务器端通过各个边缘计算节点的分类结果，对各个边缘节点的计算任务进行处理调配。
8.一种用于边缘计算的数据处理调配系统，其特征在于，包括：
任务量计算单元，用于获取边缘计算节点在一系列预定间隔的时间点的计算任务量；
数据矩阵构造单元，用于将所述任务量计算单元获得的所述一系列计算任务量按照不同的时间维度构造为数据矩阵；
分类特征图生成单元，用于将所述数据矩阵构造单元获得的所述数据矩阵通过卷积神经网络以通过所述卷积神经网络提取出所述数据矩阵构造单元获得的所述数据矩阵中的模式以获得分类特征图，其中，所述卷积神经网络的层数为10层-12层且每层的通道数为2；
特征向量生成单元，用于对所述分类特征图生成单元获得的所述分类特征图的每个通道的特征矩阵进行全局平均池化，以获得特征向量，其中，所述特征向量的尺度为256、512或者1024；
分类特征向量生成单元，用于计算所述特征向量生成单元获得的所述特征向量中各个位置的类Softmax分类函数值并删除掉类Softmax函数值小于预设阈值的值，以获得分类特征向量，所述分类特征向量的尺度小于等于所述特征向量的尺度的二分之一，其中，各个位置的类Softmax分类函数值为以各个位置的特征值的负数为幂的自然指数函数值除以以各个位置的特征值的负数为幂的自然指数函数值的加权和；以及
分类结果生成单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示该边缘计算节点的任务量是否满载从而是否能够接收数据处理调派。
9.根据权利要求8所述的用于边缘计算的数据处理调配系统，其中，所述分类特征向量生成单元，包括：
分类函数值计算子单元，用于以如下公式计算所述特征向量中各个位置的类Softmax分类函数值，其中，所述公式为y＝exp(-xi)/∑iexp(-xi)，xi表示所述特征向量中各个位置的特征值；以及
分类特征向量处理子单元，用于删除所述分类函数值计算子单元获得的所述类Softmax函数值中小于预定阈值的部分，以获得所述分类特征向量。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的用于边缘计算的数据处理调配方法。
CN202110532718.5A 2021-05-17 2021-05-17 用于边缘计算的数据处理调配方法 Withdrawn CN113268321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110532718.5A CN113268321A (zh) 2021-05-17 2021-05-17 用于边缘计算的数据处理调配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110532718.5A CN113268321A (zh) 2021-05-17 2021-05-17 用于边缘计算的数据处理调配方法

Publications (1)

Publication Number Publication Date
CN113268321A true CN113268321A (zh) 2021-08-17

Family

ID=77231121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110532718.5A Withdrawn CN113268321A (zh) 2021-05-17 2021-05-17 用于边缘计算的数据处理调配方法

Country Status (1)

Country Link
CN (1) CN113268321A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114338675A (zh) * 2021-12-30 2022-04-12 六安市空间数据应用有限公司 一种基于边缘计算的遥感卫星大数据处理方法及系统
CN116095089A (zh) * 2023-04-11 2023-05-09 云南远信科技有限公司 遥感卫星数据处理方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114338675A (zh) * 2021-12-30 2022-04-12 六安市空间数据应用有限公司 一种基于边缘计算的遥感卫星大数据处理方法及系统
CN114338675B (zh) * 2021-12-30 2023-10-13 六安市空间数据应用有限公司 一种基于边缘计算的遥感卫星大数据处理方法及系统
CN116095089A (zh) * 2023-04-11 2023-05-09 云南远信科技有限公司 遥感卫星数据处理方法及系统
CN116095089B (zh) * 2023-04-11 2023-06-16 云南远信科技有限公司 遥感卫星数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN110389820B (zh) 一种基于v-TGRU模型进行资源预测的私有云任务调度方法
Mitrovic et al. Low-dimensional models for compressed sensing and prediction of large-scale traffic data
CN113268321A (zh) 用于边缘计算的数据处理调配方法
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
Zhou et al. Multivariate probabilistic collocation method for effective uncertainty evaluation with application to air traffic flow management
CN113852432B (zh) 基于rcs-gru模型的频谱预测感知方法
CN113705959A (zh) 网络资源分配方法及电子设备
Yu et al. Spectrum availability prediction for cognitive radio communications: A DCG approach
Li et al. Research on QoS service composition based on coevolutionary genetic algorithm
KR20210147240A (ko) 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템
CN115618008A (zh) 账户状态模型构建方法、装置、计算机设备和存储介质
CN114172819A (zh) Nfv网元的需求资源预测方法、系统、电子设备和存储介质
Nguyen et al. Graph-PHPA: graph-based proactive horizontal pod autoscaling for microservices using LSTM-GNN
CN117453398A (zh) 一种提高供电可靠性的算力调度的智能优化方法及系统
CN115499511B (zh) 一种基于时空图神经网络负载预测的微服务主动伸缩方法
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
KR102158051B1 (ko) 컴퓨터 수행 가능한 클라우드 기반의 인공지능 연산 서비스 방법
CN113722668B (zh) 处理单元、相关装置和张量运算方法
CN116109058A (zh) 一种基于深度强化学习的变电站巡视管理方法和装置
Lisovskaya et al. On the total customers’ capacity in multi-server queues
CN115269176A (zh) 任务分配方法、装置、计算机设备、存储介质和产品
CN114281544A (zh) 一种基于边缘计算的电力任务执行方法及装置
CN112245937A (zh) 基于复杂网络的资源特征提取方法、装置、设备及介质
Amelina Scheduling networks with variable topology in the presence of noise and delays in measurements

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210817

WW01 Invention patent application withdrawn after publication