CN113590571B - 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 PDFInfo
- Publication number
- CN113590571B CN113590571B CN202111147977.2A CN202111147977A CN113590571B CN 113590571 B CN113590571 B CN 113590571B CN 202111147977 A CN202111147977 A CN 202111147977A CN 113590571 B CN113590571 B CN 113590571B
- Authority
- CN
- China
- Prior art keywords
- computing
- data
- request
- public 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 244000035744 Hura crepitans Species 0.000 claims abstract description 84
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
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
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,其中,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,每一个具有与其对应的集合,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为计算特征向量集中特征向量的数量。
将计算特征向量集作为神经网络的输入和输出,输入至神经网络模型中,训练得到输入层到隐含层的函数,其中,输入层到隐含层的阈值、隐含层到输出层的阈值均为预设的值,为隐含层到输出层的函数,,其中,e为自然常数。
将得到的所需计算能力的性能参数输入至中,计算得到所需的计算能力。其中,为调整常数,是经验值,取值1.785; 为第j个性能参数对计算能力影响的权重;为第j个性能参数;为得到该计算请求所需计算能力的性能参数的数量。
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,其中,为第1个计算响应参数、为第2个计算响应参数、为第个计算响应参数,为集合中元素的数量。例如:为CPU的处理速度、为内存的存取速度、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,通过公式计算得到对数据沙箱的计算能力的评价值,其中,为第个计算响应参数的预期值,为记录的第个计算响应参数,为第个计算响应参数对评价值影响的权重,,且。
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;
若计算得到的评价值大于预设的取值范围的最大值,即:,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和隐含层到输出层的权值,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:,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和隐含层到输出层的权值。
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,其中,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,每一个具有与其对应的集合,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为计算特征向量集中特征向量的数量。
将计算特征向量集作为神经网络的输入和输出,输入至神经网络模型中,训练得到输入层到隐含层的函数,其中,输入层到隐含层的阈值、隐含层到输出层的阈值均为预设的值,为隐含层到输出层的函数,,其中,e为自然常数。
将得到的所需计算能力的性能参数输入至中,计算得到所需的计算能力。其中,为调整常数,是经验值,取值1.785; 为第j个性能参数对计算能力影响的权重;为第j个性能参数;为得到该计算请求所需计算能力的性能参数的数量。
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,其中,为第1个计算响应参数、为第2个计算响应参数、为第个计算响应参数,为集合中元素的数量。例如:为CPU的处理速度、为内存的存取速度、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,通过公式计算得到对数据沙箱的计算能力的评价值,其中,为第个计算响应参数的预期值,为记录的第个计算响应参数,为第个计算响应参数对评价值影响的权重,,且。
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。
若计算得到的评价值大于预设的取值范围的最大值,即:,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和隐含层到输出层的权值,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:,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和隐含层到输出层的权值,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;
其中,代表原始数据的n个参数,为所需计算能力的g个性能参数;为输入层到隐含层的权值,为隐含层到输出层的权值,并且,;为输入层到隐含层的函数,为隐含层到输出层的函数,,其中,e为自然常数;为输入层到隐含层的阈值,为隐含层到输出层的阈值,和均为预设的值;
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;
其中,代表原始数据的n个参数,为所需计算能力的g个性能参数;为输入层到隐含层的权值,为隐含层到输出层的权值,并且,;为输入层到隐含层的函数,为隐含层到输出层的函数,,其中,e为自然常数;为输入层到隐含层的阈值,为隐含层到输出层的阈值,和均为预设的值;
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。
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 CN113590571A (zh) | 2021-11-02 |
CN113590571B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10484460B2 (en) * | 2016-07-22 | 2019-11-19 | Microsoft Technology Licensing, Llc | Access services in hybrid cloud computing systems |
-
2021
- 2021-09-29 CN CN202111147977.2A patent/CN113590571B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113590571A (zh) | 2021-11-02 |
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 | |
CN112367109B (zh) | 空地网络中由数字孪生驱动的联邦学习的激励方法 | |
US20230019669A1 (en) | Systems and methods for enhanced feedback for cascaded federated machine learning | |
EP3103038B1 (en) | Systems, apparatuses and methods for communication flow modification | |
CN103746957A (zh) | 一种基于隐私保护的信任评估系统及其构建方法 | |
CN115412374B (zh) | 一种基于信誉共识机制的安全的数据共享方法 | |
CN110795768B (zh) | 基于私有数据保护的模型学习方法、装置及系统 | |
CN112399413A (zh) | 基于深度支持向量描述方法的物理层身份认证方法 | |
CN110730064A (zh) | 一种群智感知网络中基于隐私保护的数据融合方法 | |
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 | |
CN113691594A (zh) | 一种基于二阶导数解决联邦学习中数据不平衡问题的方法 | |
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 | |
Zheng et al. | Energy-Efficient Semantic Communication for Aerial-Aided Edge Networks | |
CN103702406A (zh) | 异构网络中基于博弈论的联合用户功率和速率控制方法 | |
KR102657690B1 (ko) | 거래소 내 제출된 호가의 유효성 검증 방법 | |
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 | |
KR102619380B1 (ko) | 암호화폐 시장 유동성 공급 장치 및 방법 | |
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 | |
CN117035063A (zh) | 基于bls签名和梯度稀疏化的可验证联邦学习方法 |
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 |