CN113590571A - 一种私有云资源和公有云资源的共享方法及系统 - Google Patents

一种私有云资源和公有云资源的共享方法及系统 Download PDF

Info

Publication number
CN113590571A
CN113590571A CN202111147977.2A CN202111147977A CN113590571A CN 113590571 A CN113590571 A CN 113590571A CN 202111147977 A CN202111147977 A CN 202111147977A CN 113590571 A CN113590571 A CN 113590571A
Authority
CN
China
Prior art keywords
computing
data
public cloud
cloud
private cloud
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
Application number
CN202111147977.2A
Other languages
English (en)
Other versions
CN113590571B (zh
Inventor
石俊杰
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.)
Ruizhi Technology Group Co ltd
Original Assignee
Ruizhi Technology Group 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 Ruizhi Technology Group Co ltd filed Critical Ruizhi Technology Group Co ltd
Priority to CN202111147977.2A priority Critical patent/CN113590571B/zh
Publication of CN113590571A publication Critical patent/CN113590571A/zh
Application granted granted Critical
Publication of CN113590571B publication Critical patent/CN113590571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/176—Support for shared access to files; File sharing support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及云计算技术领域，尤其涉及一种私有云资源和公有云资源的共享方法及系统，包括：私有云向公有云发送计算请求；公有云接收到私有云发送的计算请求后，依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力；依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数；建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中；对原始数据进行计算，并且对数据沙箱的计算能力进行评价；依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力。本申请可以满足快速增长的云计算需求。

Description

一种私有云资源和公有云资源的共享方法及系统
技术领域
本申请涉及云计算技术领域，尤其涉及一种私有云资源和公有云资源的共享方法及系统。
背景技术
如今越来越多的应用正在迁移到“云”上，比如我们生活中接触的各种“云盘”存储。实际上，“云”并不新潮，已经持续了超过10年，并还在不断扩大到所有领域。可以预见，下一个10年中，几乎所有的应用都会部署到云端，以通过“云”为我们提供各种各样的服务。
那么，随着越来越多的应用部署至云端，对云计算系统中的资源的需求也呈井喷式增长，因此如何满足快速增长的云计算需求，是目前本领域技术人员急需解决的技术问题。
发明内容
本申请提供了一种私有云资源和公有云资源的共享方法及系统，以满足快速增长的云计算需求。
为解决上述技术问题，本申请提供如下技术方案：
一种私有云资源和公有云资源的共享方法,包括如下步骤：步骤S110、私有云向公有云发送计算请求；步骤S120、公有云接收到私有云发送的计算请求后，依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力；步骤S130、依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数；步骤S140、建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中；步骤S150、在数据沙箱中，对原始数据进行计算，并且对数据沙箱的计算能力进行评价；步骤S160、依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力。
如上所述的私有云资源和公有云资源的共享方法,其中，优选的是，私有云接收到终端发送的访问请求，分析访问请求是获取原始数据、获取分析结果或者获取中间数据的访问请求，其中分析结果和中间数据均是依赖原始数据得到的；若访问请求是获取原始数据，则私有云将其存储的原始数据作为响应数据发送给终端；若访问请求是获取分析结果和/或获取中间数据，则私有云向公有云发出计算请求。
如上所述的私有云资源和公有云资源的共享方法,其中，优选的是，计算请求中携带了待计算的原始数据的参数，公有云接收到计算请求后，依据计算请求中携带的待计算的原始数据的参数和预先训练的神经网络模型，计算得到处理该计算请求所需的计算能力。
如上所述的私有云资源和公有云资源的共享方法,其中，优选的是，在公有云的数据沙箱中对原始数据进行计算时，还记录对原始数据计算的每个计算响应参数；利用记录的计算响应参数，得到对数据沙箱的计算能力的评价值。
如上所述的私有云资源和公有云资源的共享方法,其中，优选的是，若计算得到的评价值大于预设的评价值的取值范围的最大值，增大预先训练的神经网络模型的权值；若计算得到的评价值小于预设的评价值的取值范围的最小值，减小预先训练的神经网络模型的权值。
一种私有云资源和公有云资源的共享系统,包括：私有云和公有云；其中，私有云包括：计算请求发送模块；公有云包括：能力计算单元、设置模块、通道建立模块、计算模块、评价模块和调整模块；私有云的计算请求发送模块向公有云发送计算请求；公有云接收到私有云发送的计算请求后，能力计算单元依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力；设置模块依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数；通道建立模块建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中；在数据沙箱中，计算模块对原始数据进行计算，并且评价模块对数据沙箱的计算能力进行评价；调整模块依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力。
如上所述的私有云资源和公有云资源的共享系统,其中，优选的是，私有云还包括：分析模块和响应数据发送模块；私有云接收到终端发送的访问请求，分析模块分析访问请求是获取原始数据、获取分析结果或者获取中间数据的访问请求，其中分析结果和中间数据均是依赖原始数据得到的；若访问请求是获取原始数据，则私有云的响应数据发送模块将其存储的原始数据作为响应数据发送给终端；若访问请求是获取分析结果和/或获取中间数据，则私有云的计算请求发送模块向公有云发出计算请求。
如上所述的私有云资源和公有云资源的共享系统,其中，优选的是，计算请求中携带了待计算的原始数据的参数，公有云接收到计算请求后，依据计算请求中携带的待计算的原始数据的参数和预先训练的神经网络模型，计算得到处理该计算请求所需的计算能力。
如上所述的私有云资源和公有云资源的共享系统,其中，优选的是，在公有云的数据沙箱中对原始数据进行计算时，评价模块还记录对原始数据计算的每个计算响应参数，利用记录的计算响应参数，得到对数据沙箱的计算能力的评价值。
如上所述的私有云资源和公有云资源的共享系统,其中，优选的是，若计算得到的评价值大于预设的评价值的取值范围的最大值，增大预先训练的神经网络模型的权值；若计算得到的评价值小于预设的评价值的取值范围的最小值，减小预先训练的神经网络模型的权值。
为解决上述技术问题，本申请提供的私有云资源和公有云资源的共享方法及系统可以将原始数据存储在私有云中，所以利用了私有云的安全性，同时在对原始数据进行计算时，还利用了公有云的计算资源，更高效快捷地完成了工作，因此本申请可以满足快速增长的云计算需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的私有云资源和公有云资源的共享方法的流程图；
图2是本申请实施例提供的私有云资源和公有云资源的共享系统的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
实施例一
如图1所示，本申请提供了一种私有云资源和公有云资源的共享方法,包括如下步骤：
步骤S110、私有云向公有云发送计算请求；
私有云(Private Clouds)是为一个客户单独使用而构建的，部署在企业数据中心的防火墙内，也可以将它们部署在一个安全的主机托管场所，因而提供对数据、安全性和服务质量的最有效控制。公有云通常指第三方提供商为用户提供的能够使用的云，公有云一般可通过 Internet 使用，可能是免费或成本低廉的，公有云的核心属性是共享资源服务。私有云的安全性超越公有云，而公有云的计算资源又是私有云无法企及的，因此如何既利用私有云的安全性，将内部重要数据保存在本地数据中心，同时也使用公有云的计算资源，更高效快捷地完成工作。
因此，本申请的私有云接收到终端发送的访问请求后，首先会分析访问请求是获取原始数据的访问请求，是获取分析结果的访问请求，还是获取中间数据的访问请求，其中分析结果和中间数据均是依赖原始数据得到的。
若访问请求是获取原始数据的访问请求，则私有云会将其存储的原始数据作为响应数据发送给终端。
若访问请求是获取分析结果和/或获取中间数据的访问请求，则私有云会向公有云发出计算请求，以借助公有云的计算资源进行计算，从而获得分析结果和/或中间数据。
步骤S120、公有云接收到私有云发送的计算请求后，依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力；
计算请求中携带了待计算的原始数据的参数，公有云接收到计算请求后，依据计算请求中携带的待计算的原始数据的参数和预先训练的神经网络模型，计算得到处理该计算请求所需的计算能力。
预先收集不同计算请求中的待计算的原始数据的参数以及计算相应计算请求所需计算能力的性能参数，形成计算特征向量集
Figure 988095DEST_PATH_IMAGE001
，其中
Figure 436393DEST_PATH_IMAGE002
，
Figure 950551DEST_PATH_IMAGE003
代表原始数据的n个参数，例如：原始数据的数据量、原始数据的类型、原始数据的存储路径等，每一个
Figure 142498DEST_PATH_IMAGE004
具有与其对应的集合
Figure 691291DEST_PATH_IMAGE005
，
Figure 310491DEST_PATH_IMAGE006
为所需计算能力的g个性能参数，例如：所需CPU的量、所需内存的量、所需硬盘的量等，m为计算特征向量集
Figure 577525DEST_PATH_IMAGE007
中特征向量的数量。
将计算特征向量集
Figure 510846DEST_PATH_IMAGE008
作为神经网络的输入和输出，输入至神经网络模型
Figure 727194DEST_PATH_IMAGE009
中，训练得到输入层到隐含层的函数
Figure 454979DEST_PATH_IMAGE010
，其中，输入层到隐含层的阈值
Figure 6046DEST_PATH_IMAGE011
、隐含层到输出层的阈值
Figure 477479DEST_PATH_IMAGE012
均为预设的值，
Figure 797602DEST_PATH_IMAGE013
为隐含层到输出层的函数，
Figure 961867DEST_PATH_IMAGE014
，其中，e为自然常数。
另外，通过公式
Figure 230DEST_PATH_IMAGE015
得到输入层到隐含层的权值的集合
Figure 9774DEST_PATH_IMAGE016
，其中
Figure 200715DEST_PATH_IMAGE017
是神经网络的隐含层的输出，argmin是
Figure 270302DEST_PATH_IMAGE018
具有最小值的
Figure 795962DEST_PATH_IMAGE019
的集合，通过粒子群优化算法计算集合
Figure 609197DEST_PATH_IMAGE020
中的最优值，将得到的该最优值作为输入层到隐含层的权值
Figure 107174DEST_PATH_IMAGE021
，并且
Figure 675559DEST_PATH_IMAGE022
。
同理， 通过公式
Figure 360618DEST_PATH_IMAGE023
得到隐含层到输出层的权值的集合
Figure 39861DEST_PATH_IMAGE024
，其中，argmin是
Figure 126766DEST_PATH_IMAGE025
具有最小值的
Figure 616784DEST_PATH_IMAGE026
的集合，通过粒子群优化算法计算集合
Figure 789140DEST_PATH_IMAGE027
中的最优值，将得到的该最优值作为隐含层到输出层的权值
Figure 740915DEST_PATH_IMAGE028
，并且
Figure 10222DEST_PATH_IMAGE029
。
由于训练得到了输入层到隐含层的权值
Figure 858093DEST_PATH_IMAGE021
、隐含层到输出层的权值
Figure 783323DEST_PATH_IMAGE028
和输入层到隐含层的函数
Figure 804369DEST_PATH_IMAGE030
，因此就训练好了上述神经网络模型
Figure 600287DEST_PATH_IMAGE031
。
在使用时，将计算请求中的待计算的原始数据的参数
Figure 429178DEST_PATH_IMAGE032
输入至上述训练好的神经网络模型中，得到该计算请求所需计算能力的性能参数
Figure 576125DEST_PATH_IMAGE033
。
将得到的所需计算能力的性能参数
Figure 400862DEST_PATH_IMAGE034
输入至
Figure 316865DEST_PATH_IMAGE035
中，计算得到所需的计算能力
Figure 303276DEST_PATH_IMAGE036
。其中，
Figure 937520DEST_PATH_IMAGE037
为调整常数，是经验值，取值1.785;
Figure 300368DEST_PATH_IMAGE038
为第j个性能参数对计算能力影响的权重；
Figure 602036DEST_PATH_IMAGE039
为第j个性能参数；
Figure 697031DEST_PATH_IMAGE040
为得到该计算请求所需计算能力的性能参数的数量。
作为举例，CPU可以是第1个性能参数，CPU对计算能力影响的权重为
Figure 631620DEST_PATH_IMAGE041
；内存可以是第2个性能参数，内存对计算能力影响的权重为
Figure 735842DEST_PATH_IMAGE042
；硬盘可以是第3个性能参数，硬盘对计算能力影响的权重为
Figure 423176DEST_PATH_IMAGE043
。
步骤S130、依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数；
数据沙箱是一种用于存放数据的系统，每个数据沙箱均是一个独立的运行环境，允许在数据沙箱中对数据进行操作和计算。公有云中的数据沙箱是预先设置的，待计算得到处理计算请求所需的计算能力后，依据计算能力调整数据沙箱的性能参数。例如：按照计算能力的指示，将数据沙箱的CPU、内存、硬盘等性能参数均调整到所要求的值。
步骤S140、建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中；
公有云向私有云发送鉴权认证请求，私有云对公有云发送的鉴权认证请求进行校验，若校验成功，则在公有云的数据沙箱与私有云之间建立安全通道，并且将计算请求所要处理的原始数据通过安全通道传输至公有云的数据沙箱中，以在数据沙箱中利用公有云的计算资源进行计算，从而获得分析结果和/或中间数据；若校验失败，则终止流程。
步骤S150、在数据沙箱中，对原始数据进行计算，并且对数据沙箱的计算能力进行评价；
具体的，在公有云的数据沙箱中对原始数据进行计算时，还记录对原始数据计算的每个计算响应参数，并且将计算响应参数集合在一起，从而构成了计算响应参数集
Figure 954651DEST_PATH_IMAGE044
，其中，
Figure 360225DEST_PATH_IMAGE045
为第1个计算响应参数、
Figure 268138DEST_PATH_IMAGE046
为第2个计算响应参数、
Figure 75557DEST_PATH_IMAGE047
为第
Figure 777934DEST_PATH_IMAGE048
个计算响应参数，
Figure 421536DEST_PATH_IMAGE049
为集合中元素的数量。例如：
Figure 867561DEST_PATH_IMAGE050
为CPU的处理速度、
Figure 529486DEST_PATH_IMAGE051
为内存的存取速度、
Figure 402764DEST_PATH_IMAGE052
为硬盘的存取速度。
利用记录的计算响应参数，得到对数据沙箱的计算能力的评价值。具体的，通过公式
Figure 782930DEST_PATH_IMAGE053
计算得到对数据沙箱的计算能力的评价值
Figure 767066DEST_PATH_IMAGE054
，其中，
Figure 549078DEST_PATH_IMAGE055
为第
Figure 593257DEST_PATH_IMAGE056
个计算响应参数的预期值，
Figure 211451DEST_PATH_IMAGE057
为记录的第
Figure 999279DEST_PATH_IMAGE058
个计算响应参数，
Figure 635796DEST_PATH_IMAGE059
为第
Figure 116456DEST_PATH_IMAGE056
个计算响应参数对评价值影响的权重，
Figure 143318DEST_PATH_IMAGE060
，且
Figure 797153DEST_PATH_IMAGE061
。
步骤S160、依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力；
具体的，在本申请中，还预先设置有评价值的取值范围
Figure 225861DEST_PATH_IMAGE062
，其中，
Figure 674160DEST_PATH_IMAGE063
为评价值所取的最小值，
Figure 453897DEST_PATH_IMAGE064
为评价值所取的最大值。
若计算得到的评价值大于预设的取值范围的最大值，即：
Figure 393646DEST_PATH_IMAGE065
,则证明记录的计算响应参数要小于计算响应参数的预期值，也就证明此时公有云中的数据沙箱的计算响应较差，而数据沙箱的计算响应较差也就证明了调整后的数据沙箱的性能参数较小，也就是计算得到的计算能力较小，因此增大输入层到隐含层的权值
Figure 676860DEST_PATH_IMAGE066
和隐含层到输出层的权值
Figure 561640DEST_PATH_IMAGE067
，就能够得到较大的性能参数；反之，若计算得到的评价值小于预设的取值范围的最小值，即：
Figure 563094DEST_PATH_IMAGE068
,则证明记录的计算响应参数要大于计算响应参数的预期值，也就证明此时公有云中的数据沙箱的计算响应较好，而数据沙箱的计算响应较好也就证明了调整后的数据沙箱的性能参数较大，也就是计算得到的计算能力较大，因此减小输入层到隐含层的权值
Figure 558732DEST_PATH_IMAGE066
和隐含层到输出层的权值
Figure 696452DEST_PATH_IMAGE067
。
通过评价值调整预设的标准单位下的性能参数所对应的数据量，从而构成了闭环调节机构，进而可以获得增加准确的计算能力，使得构建的数据沙箱更加适合计算请求，以减小得到的性能参数。
实施例二
如图2所示，本申请还提供了一种私有云资源和公有云资源的共享系统200,包括：私有云210和公有云220；其中，私有云210包括：计算请求发送模块211；公有云220包括：能力计算单元221、设置模块222、通道建立模块223、计算模块224、评价模块225和调整模块226。
私有云210的计算请求发送模块211向公有云220发送计算请求。
私有云210(Private Clouds)是为一个客户单独使用而构建的，部署在企业数据中心的防火墙内，也可以将它们部署在一个安全的主机托管场所，因而提供对数据、安全性和服务质量的最有效控制。公有云220通常指第三方提供商为用户提供的能够使用的云，公有云220一般可通过 Internet 使用，可能是免费或成本低廉的，公有云220的核心属性是共享资源服务。私有云210的安全性超越公有云220，而公有云220的计算资源又是私有云210无法企及的，因此如何既利用私210有云的安全性，将内部重要数据保存在本地数据中心，同时也使用公有云220的计算资源，更高效快捷地完成工作。
因此，私有云210还包括：分析模块212和响应数据发送模块213。本申请的私有云210接收到终端发送的访问请求后，首先分析模块212会分析访问请求是获取原始数据的访问请求，是获取分析结果的访问请求，还是获取中间数据的访问请求，其中分析结果和中间数据均是依赖原始数据得到的。
若访问请求是获取原始数据的访问请求，则私有云的响应数据发送模块213会将其存储的原始数据作为响应数据发送给终端。
若访问请求是获取分析结果和/或获取中间数据的访问请求，则私有云的计算请求发送模块211会向公有云发220出计算请求，以借助公有云220的计算资源进行计算，从而获得分析结果和/或中间数据。
公有云220接收到私有云210发送的计算请求后，能力计算单元221依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力。
计算请求中携带了待计算的原始数据的参数，公有云220接收到计算请求后，能力计算单元221依据计算请求中携带的待计算的原始数据的参数和预先训练的神经网络模型，计算得到处理该计算请求所需的计算能力。
预先收集不同计算请求中的待计算的原始数据的参数以及计算相应计算请求所需计算能力的性能参数，形成计算特征向量集
Figure 955395DEST_PATH_IMAGE069
，其中
Figure 506462DEST_PATH_IMAGE070
，
Figure 977895DEST_PATH_IMAGE071
代表原始数据的n个参数，例如：原始数据的数据量、原始数据的类型、原始数据的存储路径等，每一个
Figure 48750DEST_PATH_IMAGE072
具有与其对应的集合
Figure 213015DEST_PATH_IMAGE073
，
Figure 985799DEST_PATH_IMAGE074
为所需计算能力的g个性能参数，例如：所需CPU的量、所需内存的量、所需硬盘的量等，m为计算特征向量集
Figure 260922DEST_PATH_IMAGE075
中特征向量的数量。
将计算特征向量集
Figure 701131DEST_PATH_IMAGE076
作为神经网络的输入和输出，输入至神经网络模型
Figure 770718DEST_PATH_IMAGE077
中，训练得到输入层到隐含层的函数
Figure 296377DEST_PATH_IMAGE078
，其中，输入层到隐含层的阈值
Figure 375192DEST_PATH_IMAGE079
、隐含层到输出层的阈值
Figure 607590DEST_PATH_IMAGE080
均为预设的值，
Figure 661128DEST_PATH_IMAGE081
为隐含层到输出层的函数，
Figure 611766DEST_PATH_IMAGE082
，其中，e为自然常数。
另外，通过公式
Figure 291009DEST_PATH_IMAGE083
得到输入层到隐含层的权值的集合
Figure 643493DEST_PATH_IMAGE084
，其中
Figure 320462DEST_PATH_IMAGE085
是神经网络的隐含层的输出，argmin是
Figure 555135DEST_PATH_IMAGE086
具有最小值的
Figure 710172DEST_PATH_IMAGE087
的集合，通过粒子群优化算法计算集合
Figure 979480DEST_PATH_IMAGE088
中的最优值，将得到的该最优值作为输入层到隐含层的权值
Figure 827350DEST_PATH_IMAGE066
，并且
Figure 487001DEST_PATH_IMAGE089
。
同理， 通过公式
Figure 258780DEST_PATH_IMAGE090
得到隐含层到输出层的权值的集合
Figure 320276DEST_PATH_IMAGE091
，其中，argmin是
Figure 401365DEST_PATH_IMAGE092
具有最小值的
Figure 813892DEST_PATH_IMAGE093
的集合，通过粒子群优化算法计算集合
Figure 310732DEST_PATH_IMAGE094
中的最优值，将得到的该最优值作为隐含层到输出层的权值
Figure 289052DEST_PATH_IMAGE095
，并且
Figure 478725DEST_PATH_IMAGE096
。
由于训练得到了输入层到隐含层的权值
Figure 175286DEST_PATH_IMAGE066
、隐含层到输出层的权值
Figure 741396DEST_PATH_IMAGE095
和输入层到隐含层的函数
Figure 511906DEST_PATH_IMAGE097
，因此就训练好了上述神经网络模型
Figure 682600DEST_PATH_IMAGE098
。
在使用时，将计算请求中的待计算的原始数据的参数
Figure 804140DEST_PATH_IMAGE099
输入至上述训练好的神经网络模型中，得到该计算请求所需计算能力的性能参数
Figure 705100DEST_PATH_IMAGE100
。
将得到的所需计算能力的性能参数
Figure 861275DEST_PATH_IMAGE101
输入至
Figure 392750DEST_PATH_IMAGE102
中，计算得到所需的计算能力
Figure 798324DEST_PATH_IMAGE103
。其中，为调整常数，是经验值，取值1.785;
Figure 706237DEST_PATH_IMAGE104
为第j个性能参数对计算能力影响的权重；
Figure 513656DEST_PATH_IMAGE105
为第j个性能参数；
Figure 481612DEST_PATH_IMAGE106
为得到该计算请求所需计算能力的性能参数的数量。
作为举例，CPU可以是第1个性能参数，CPU对计算能力影响的权重为
Figure 312165DEST_PATH_IMAGE107
；内存可以是第2个性能参数，内存对计算能力影响的权重为
Figure 305660DEST_PATH_IMAGE108
；硬盘可以是第3个性能参数，硬盘对计算能力影响的权重为
Figure 170847DEST_PATH_IMAGE109
。
设置模块222依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数。
数据沙箱是一种用于存放数据的系统，每个数据沙箱均是一个独立的运行环境，允许在数据沙箱中对数据进行操作和计算。公有云中的数据沙箱是预先设置的，待计算得到处理计算请求所需的计算能力后，依据计算能力设置数据沙箱的性能参数。例如：按照计算能力的指示，将数据沙箱的CPU、内存、硬盘等性能参数均设置到所要求的值。
通道建立模块223建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中。
公有云220向私有云210发送鉴权认证请求，私有云210对公有云220发送的鉴权认证请求进行校验，若校验成功，则在公有云220的数据沙箱与私有云210之间建立安全通道，并且将计算请求所要处理的原始数据通过安全通道传输至公有云220的数据沙箱中，以在数据沙箱中利用公有云220的计算资源进行计算，从而获得分析结果和/或中间数据；若校验失败，则终止流程。
在数据沙箱中，计算模块224对原始数据进行计算，并且评价模块225对数据沙箱的计算能力进行评价。
具体的，在公有云220的数据沙箱中对原始数据进行计算时，评价模块225还记录对原始数据计算的每个计算响应参数，并且将计算响应参数集合在一起，从而构成了计算响应参数集
Figure 106442DEST_PATH_IMAGE110
，其中，
Figure 689870DEST_PATH_IMAGE111
为第1个计算响应参数、
Figure 674007DEST_PATH_IMAGE112
为第2个计算响应参数、
Figure 456018DEST_PATH_IMAGE113
为第
Figure 500198DEST_PATH_IMAGE114
个计算响应参数，
Figure 367659DEST_PATH_IMAGE114
为集合中元素的数量。例如：
Figure 421066DEST_PATH_IMAGE111
为CPU的处理速度、
Figure 995267DEST_PATH_IMAGE112
为内存的存取速度、
Figure 23397DEST_PATH_IMAGE115
为硬盘的存取速度。
评价模块225利用记录的计算响应参数，得到对数据沙箱的计算能力的评价值。具体的，通过公式
Figure 50259DEST_PATH_IMAGE116
计算得到对数据沙箱的计算能力的评价值
Figure 704094DEST_PATH_IMAGE117
，其中，
Figure 398380DEST_PATH_IMAGE118
为第
Figure 784362DEST_PATH_IMAGE119
个计算响应参数的预期值，
Figure 626417DEST_PATH_IMAGE120
为记录的第
Figure 756047DEST_PATH_IMAGE119
个计算响应参数，
Figure 101577DEST_PATH_IMAGE121
为第
Figure 924040DEST_PATH_IMAGE119
个计算响应参数对评价值影响的权重，
Figure 191073DEST_PATH_IMAGE122
，且
Figure 937443DEST_PATH_IMAGE123
。
调整模块226依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力。
具体的，在本申请中，还预先设置有评价值的取值范围
Figure 403060DEST_PATH_IMAGE124
，其中，
Figure 662003DEST_PATH_IMAGE125
为评价值所取的最小值，
Figure 885174DEST_PATH_IMAGE126
为评价值所取的最大值。
若计算得到的评价值大于预设的取值范围的最大值，即：
Figure 684502DEST_PATH_IMAGE127
,则证明记录的计算响应参数要小于计算响应参数的预期值，也就证明此时公有云中的数据沙箱的计算响应较差，而数据沙箱的计算响应较差也就证明了调整后的数据沙箱的性能参数较小，也就是计算得到的计算能力较小，因此增大输入层到隐含层的权值
Figure 942308DEST_PATH_IMAGE128
和隐含层到输出层的权值
Figure 651114DEST_PATH_IMAGE129
，就能够得到较大的性能参数；反之，若计算得到的评价值小于预设的取值范围的最小值，即：
Figure 627160DEST_PATH_IMAGE130
,则证明记录的计算响应参数要大于计算响应参数的预期值，也就证明此时公有云中的数据沙箱的计算响应较好，而数据沙箱的计算响应较好也就证明了调整后的数据沙箱的性能参数较大，也就是计算得到的计算能力较大，因此减小输入层到隐含层的权值
Figure 495759DEST_PATH_IMAGE128
和隐含层到输出层的权值
Figure 608072DEST_PATH_IMAGE129
，以减小得到的性能参数。
通过评价值调整预设的标准单位下的性能参数所对应的数据量，从而构成了闭环调节机构，进而可以获得增加准确的计算能力，使得构建的数据沙箱更加适合计算请求。
本申请中将原始数据存储在私有云中，因此利用了私有云的安全性，同时在对原始数据进行计算时，还利用了公有云的计算资源，更高效快捷地完成了工作。
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囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种私有云资源和公有云资源的共享方法,其特征在于，包括如下步骤：
步骤S110、私有云向公有云发送计算请求；
步骤S120、公有云接收到私有云发送的计算请求后，依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力；
步骤S130、依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数；
步骤S140、建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中；
步骤S150、在数据沙箱中，对原始数据进行计算，并且对数据沙箱的计算能力进行评价；
步骤S160、依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力。
2.根据权利要求1所述的私有云资源和公有云资源的共享方法,其特征在于，
私有云接收到终端发送的访问请求，分析访问请求是获取原始数据、获取分析结果或者获取中间数据的访问请求，其中分析结果和中间数据均是依赖原始数据得到的；
若访问请求是获取原始数据，则私有云将其存储的原始数据作为响应数据发送给终端；
若访问请求是获取分析结果和/或获取中间数据，则私有云向公有云发出计算请求。
3.根据权利要求1或2所述的私有云资源和公有云资源的共享方法,其特征在于，
计算请求中携带了待计算的原始数据的参数，公有云接收到计算请求后，依据计算请求中携带的待计算的原始数据的参数和预先训练的神经网络模型，计算得到处理该计算请求所需的计算能力。
4.根据权利要求1或2所述的私有云资源和公有云资源的共享方法,其特征在于，在公有云的数据沙箱中对原始数据进行计算时，还记录对原始数据计算的每个计算响应参数；
利用记录的计算响应参数，得到对数据沙箱的计算能力的评价值。
5.根据权利要求4所述的私有云资源和公有云资源的共享方法,其特征在于，
若计算得到的评价值大于预设的评价值的取值范围的最大值，增大预先训练的神经网络模型的权值；
若计算得到的评价值小于预设的评价值的取值范围的最小值，减小预先训练的神经网络模型的权值。
6.一种私有云资源和公有云资源的共享系统,其特征在于，包括：私有云和公有云；其中，私有云包括：计算请求发送模块；公有云包括：能力计算单元、设置模块、通道建立模块、计算模块、评价模块和调整模块；
私有云的计算请求发送模块向公有云发送计算请求；
公有云接收到私有云发送的计算请求后，能力计算单元依据计算请求和预先训练的神经网络模型，获得待计算数据所需的计算能力；
设置模块依据所需的计算能力，设置公有云中预先设置的数据沙箱的性能参数；
通道建立模块建立公有云的数据沙箱与私有云之间的安全通道，并将计算请求所对应的原始数据通过安全通道传输至公有云的数据沙箱中；
在数据沙箱中，计算模块对原始数据进行计算，并且评价模块对数据沙箱的计算能力进行评价；
调整模块依据对数据沙箱的计算能力的评价值，调整预先训练的神经网络模型的权值，以获得更加准确的计算能力。
7.根据权利要求6所述的私有云资源和公有云资源的共享系统,其特征在于，私有云还包括：分析模块和响应数据发送模块；
私有云接收到终端发送的访问请求，分析模块分析访问请求是获取原始数据、获取分析结果或者获取中间数据的访问请求，其中分析结果和中间数据均是依赖原始数据得到的；
若访问请求是获取原始数据，则私有云的响应数据发送模块将其存储的原始数据作为响应数据发送给终端；
若访问请求是获取分析结果和/或获取中间数据，则私有云的计算请求发送模块向公有云发出计算请求。
8.根据权利要求6或7所述的私有云资源和公有云资源的共享系统,其特征在于，
计算请求中携带了待计算的原始数据的参数，公有云接收到计算请求后，依据计算请求中携带的待计算的原始数据的参数和预先训练的神经网络模型，计算得到处理该计算请求所需的计算能力。
9.根据权利要求6或7所述的私有云资源和公有云资源的共享系统,其特征在于，在公有云的数据沙箱中对原始数据进行计算时，评价模块还记录对原始数据计算的每个计算响应参数，利用记录的计算响应参数，得到对数据沙箱的计算能力的评价值。
10.根据权利要求9所述的私有云资源和公有云资源的共享系统,其特征在于，
若计算得到的评价值大于预设的评价值的取值范围的最大值，增大预先训练的神经网络模型的权值；
若计算得到的评价值小于预设的评价值的取值范围的最小值，减小预先训练的神经网络模型的权值。
CN202111147977.2A 2021-09-29 2021-09-29 一种私有云资源和公有云资源的共享方法及系统 Active CN113590571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111147977.2A CN113590571B (zh) 2021-09-29 2021-09-29 一种私有云资源和公有云资源的共享方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111147977.2A CN113590571B (zh) 2021-09-29 2021-09-29 一种私有云资源和公有云资源的共享方法及系统

Publications (2)

Publication Number Publication Date
CN113590571A true CN113590571A (zh) 2021-11-02
CN113590571B CN113590571B (zh) 2022-01-18

Family

ID=78242650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111147977.2A Active CN113590571B (zh) 2021-09-29 2021-09-29 一种私有云资源和公有云资源的共享方法及系统

Country Status (1)

Country Link
CN (1) CN113590571B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114389902A (zh) * 2022-03-24 2022-04-22 北京中科金财科技股份有限公司 一种基于区块链的网络安全监控方法及系统
CN114547209A (zh) * 2022-04-26 2022-05-27 睿至科技集团有限公司 一种基于区块链的数据共享交互方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180027050A1 (en) * 2016-07-22 2018-01-25 Microsoft Technology Licensing, Llc Access services in hybrid cloud computing systems
CN108009023A (zh) * 2017-11-29 2018-05-08 武汉理工大学 混合云中基于bp神经网络时间预测的任务调度方法
CN108021400A (zh) * 2017-11-29 2018-05-11 腾讯科技（深圳）有限公司 数据处理方法及装置、计算机存储介质及设备
CN109670340A (zh) * 2018-12-29 2019-04-23 湖南网数科技有限公司 一种医疗数据的安全可信交换共享方法和系统
CN109981333A (zh) * 2018-12-28 2019-07-05 华为技术有限公司 一种应用于数据中心的运维方法和运维设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180027050A1 (en) * 2016-07-22 2018-01-25 Microsoft Technology Licensing, Llc Access services in hybrid cloud computing systems
CN108009023A (zh) * 2017-11-29 2018-05-08 武汉理工大学 混合云中基于bp神经网络时间预测的任务调度方法
CN108021400A (zh) * 2017-11-29 2018-05-11 腾讯科技（深圳）有限公司 数据处理方法及装置、计算机存储介质及设备
CN109981333A (zh) * 2018-12-28 2019-07-05 华为技术有限公司 一种应用于数据中心的运维方法和运维设备
CN109670340A (zh) * 2018-12-29 2019-04-23 湖南网数科技有限公司 一种医疗数据的安全可信交换共享方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114389902A (zh) * 2022-03-24 2022-04-22 北京中科金财科技股份有限公司 一种基于区块链的网络安全监控方法及系统
CN114389902B (zh) * 2022-03-24 2022-06-10 北京中科金财科技股份有限公司 一种基于区块链的网络安全监控方法及系统
CN114547209A (zh) * 2022-04-26 2022-05-27 睿至科技集团有限公司 一种基于区块链的数据共享交互方法及系统
CN114547209B (zh) * 2022-04-26 2022-07-29 睿至科技集团有限公司 一种基于区块链的数据共享交互方法及系统

Also Published As

Publication number Publication date
CN113590571B (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN113590571B (zh) 一种私有云资源和公有云资源的共享方法及系统
CN112288097B (zh) 联邦学习数据处理方法、装置、计算机设备及存储介质
CN113112027B (zh) 一种基于动态调整模型聚合权重的联邦学习方法
US20230019669A1 (en) Systems and methods for enhanced feedback for cascaded federated machine learning
US10506101B2 (en) Systems, apparatuses and methods for communication flow modification
Jiau et al. Multimedia services in cloud-based vehicular networks
CN113313264B (zh) 车联网场景下的高效联邦学习方法
CN103746957A (zh) 一种基于隐私保护的信任评估系统及其构建方法
CN110795768B (zh) 基于私有数据保护的模型学习方法、装置及系统
CN115242800B (zh) 一种基于博弈论的移动边缘计算资源优化方法及装置
CN115412374A (zh) 一种基于信誉共识机制的安全的数据共享方法
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
Li et al. Human in the loop: distributed deep model for mobile crowdsensing
Saputra et al. Federated learning framework with straggling mitigation and privacy-awareness for AI-based mobile application services
US11720900B1 (en) Systems and methods for adaptive learning to replicate peak performance of human decision making
CN111866181A (zh) 一种基于区块链的雾网络中任务卸载优化方法
CN116936090A (zh) 一种应用于青少年的近视管理系统
CN112183612B (zh) 一种基于参数扩充的联合学习方法、装置及系统
CN115174033B (zh) 移动群智感知中抗感知平台和用户共谋攻击的方法及系统
KR102619380B1 (ko) 암호화폐 시장 유동성 공급 장치 및 방법
CN114745444B (zh) 基于5g网络流量分析的调控业务访问控制方法及系统
Chen et al. Bilateral privacy-preserving task assignment with personalized participant selection for mobile crowdsensing
Fu et al. A Secure Personalized Federated Learning Algorithm for Autonomous Driving
CN116418562A (zh) 一种基于边缘计算和联邦学习的群智感知隐私保护方法
Wang et al. PrVFL: Pruning-Aware Verifiable Federated Learning for Heterogeneous Edge Computing

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