CN114640581A - 一种基于数字孪生的算力网络处理方法及装置 - Google Patents
一种基于数字孪生的算力网络处理方法及装置 Download PDFInfo
- Publication number
- CN114640581A CN114640581A CN202210082321.5A CN202210082321A CN114640581A CN 114640581 A CN114640581 A CN 114640581A CN 202210082321 A CN202210082321 A CN 202210082321A CN 114640581 A CN114640581 A CN 114640581A
- Authority
- CN
- China
- Prior art keywords
- network
- power network
- computing power
- data
- digital twin
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 37
- 230000003993 interaction Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011068 loading method Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 39
- 238000012423 maintenance Methods 0.000 abstract description 28
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 abstract description 5
- 238000012384 transportation and delivery Methods 0.000 abstract description 4
- 230000002452 interceptive effect Effects 0.000 abstract 2
- 238000012800 visualization Methods 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于数字孪生的算力网络处理方法及装置，涉及通信技术领域，该方法包括以下步骤：网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端对应的解决方案；将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。本发明中数字孪生网络可在算力网络交付、管理、运维和优化等阶段进行差异化服务，实现低成本试错、高质量运维和智能辅助决策，进而改善用户体验。
Description
技术领域
本发明涉及算力网络技术领域，尤其涉及一种基于数字孪生的算力网络处理方法及装置。
背景技术
算力网络中相关数据的处理或者管理是指为了最大限度地利用网络资源和提高网络的运行质量及效率，通过管理方法提供的管理功能对被管理网络进行各项管理操作活动，满足各行各业对算力网络能力的要求。
面对业务运行对网络故障处理和恢复时间容忍度降低、终端联网规模激增、组网模式复杂多样的新趋势，传统以设备为中心、消防员式的网络被动运维模式不再适用于以垂直行业生产系统为服务对象的算力网络数据处理的需求。网络故障的高代价以及昂贵的试验成本，使得如何有效保障算力网络运维，主动发现并实时优化算力网络，保障垂直行业客户生产需求，助力业务创新将是网络发展亟待解决的问题。
发明内容
本发明提供一种基于数字孪生的算力网络处理方法及装置，用以解决现有技术中网络被动运维模式不再适用于以垂直行业生产系统为服务对象的算力网络的缺陷，实现低成本试错、高质量运维和智能辅助决策，进而改善用户体验。
本发明提供一种算力网络数据处理方法，包括以下步骤：
采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端设备对应的解决方案；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
根据本发明提供的算力网络数据处理方法，所述采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络，具体包括以下步骤：
采集所述算力网络中各端到端设备对应的所述配置信息、所述运行数据和所述交互数据；
基于所述配置信息和所述运行数据，构建所有所述端到端设备的共享数据库，基于所述共享数据库和所述交互数据，构建所述端到端设备的所述数字孪生网络；其中，所述数字孪生网络包括端到端设备的几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息。
根据本发明提供的算力网络数据处理方法，所述基于所述配置信息和所述运行数据，构建所有所述端到端设备的共享数据库，基于所述共享数据库和所述交互数据，构建所述端到端设备的所述数字孪生网络步骤中，通过所述共享数据库对所述配置信息和所述运行数据进行预处理和存储；其中，所述预处理包括抽取、转换、加载、清洗和加工中的其中一种或者多种。
根据本发明提供的算力网络数据处理方法，所述基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的结果，生成各所述端到端设备对应的解决方案，具体包括以下步骤：
基于所述数字孪生网络，对各所述端到端设备进行所述诊断，并生成所述诊断结果；其中，所述诊断包括对健康度、流向、日志、流量、诊断、端到端的诊断；
基于所述诊断结果，生成预测结果；
基于所述预测结果，生成所述解决方案。
根据本发明提供的算力网络数据处理方法，所述基于所述诊断结果，生成预测结果步骤中，通过将所述诊断结果输入至预测模型中，得到所述预测模型输出的所述诊断结果对应的所述预测结果；其中，所述预测模型是基于历史诊断结果和历史预测结果训练得到的；
所述基于所述预测结果，生成所述解决方案步骤中，通过将所述预测结果输入至决策模型中，得到所述决策模型输出的所述预测结果对应的所述解决方案；其中，所述决策模型是基于所述历史预测结果和历史解决方案训练得到的。
根据本发明提供的算力网络数据处理方法，所述将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行，具体包括以下步骤：
基于所述数字孪生网络和所述算力网络基础设备的算力情况，确定所述解决方案对应的所述端到端设备和/或所述算力网络基础设备；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备；
由对应的所述端到端设备和/或所述算力网络基础设备执行所述解决方案。
本发明还提供一种算力网络数据处理装置，包括：
数字孪生模块，用于采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
数据处理模块，用于基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端设备对应的解决方案；
方案执行模块，用于将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述算力网络数据处理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述算力网络数据处理方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述算力网络数据处理方法的步骤。
本发明提供的基于数字孪生的算力网络处理方法及装置，通过采集算力网络中各端到端设备的配置信息和运行数据，并结合端到端设备与算力网络基础设备之间产生的交互数据构建数字孪生网络，通过数字孪生网络实现以客户和业务为核心的自动化和智能化运维能力，提升运维效率，形成算力网络运维处理体系，同时，数字孪生网络可在算力网络交付、管理、运维和优化等阶段进行差异化服务，实现低成本试错、高质量运维和智能辅助决策，进而改善用户体验；基于数字孪生网络进行相关的诊断和决策，实现对算力网络进行主动智能化分析和管理，解决因传统运维依靠人工分析而导致的即时性差、运维效率低和工作量大问题，大幅度提升网络管理效率，提升网络对生产的可靠度要求。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的算力网络数据处理方法的流程示意图；
图2是本发明提供的算力网络数据处理方法中步骤S100具体的流程示意图；
图3是本发明提供的算力网络数据处理方法中步骤S200具体的流程示意图；
图4是本发明提供的算力网络数据处理方法中步骤S300具体的流程示意图；
图5是本发明提供的算力网络数据处理装置的结构示意图；
图6是本发明提供的算力网络数据处理装置中数字孪生模块具体的结构示意图；
图7是本发明提供的算力网络数据处理装置中数据处理模块具体的结构示意图；
图8是本发明提供的算力网络数据处理装置中方案执行模块具体的结构示意图；
图9是本发明提供的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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
现有的算力网络中相关数据的处理方法在一定程度上已经实现网络性能管理、资源管理、告警管理和运维管理等功能。其中，性能管理包括对网络性能指标管理，目的是实现性能指标查询，基于性能告警门限，实现性能告警生成及清除，支持以流水窗方式进行性能告警监控；资源管理目的是实现无线设备、传输设备、动环设备、核心网网元、网络云硬件及虚拟资源、人员客户等业务资源数据管理；告警管理目的是实现各专业、各厂家告警的厂家、设备类型、告警对象类型、专业、告警级别的归一化；运维管理目的是实现故障工单处理环节配置、工单流转管理，设备进行巡检项配置等。
但是，也可以看出现有的算力网络中相关数据的处理方法中各个功能模块都是各行其是，遇到一些非正常事件或事故的发生，各模块之间缺乏有效联动，被动的管理网络方式，对网络的调整和优化需要直接在物理网络上实施，对现有网络的影响大并且风险高。
下面结合图1描述本发明的算力网络数据处理方法，该方法包括以下步骤：
S100、采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于配置信息、运行数据和交互数据构建端到端设备的数字孪生网络。
在该方法中，端到端设备包括但不局限于入网终端设备、基站设备、传输设备、私有云、核心网设备等算力网络中的物理网络设备，算力网络基础设备包括但不局限于终端算力设备、行业专网设备、基础网络设备、数据中心设备、CPU、GPU、DPU、FPGA、边缘计算设备等泛在算力设备及网络设备。数字孪生网络包括端到端设备的几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息等。
在一些可能的实施例中，通过遥测、探针、传感器等采集方式实时采集端到端设备在构建数字孪生网络所需的关键的配置信息及运行数据。
数字孪生是指针对物理世界中的物体，通过数字化的手段构建一个在数字世界中一模一样的镜像或者复制的实体，借此来实现对物理实体的了解、分析和优化，在该方法中，数字孪生网络是基于多类数据与模型的集成融合实现对算力网络精准且全面的刻画，从而构建与物理网络一致的数字孪生网络。
S200、基于数字孪生网络，对各端到端设备进行诊断，并基于诊断的诊断结果，生成各端到端设备对应的解决方案。
在一些可能的实施例中，可以将诊断结果、解决方案以及基于诊断结果生成解决方案过程中的中间结果以可视化的方式进行展示，优选的，可视化包括三维的可视化沙盘、端到端可视、仿真可视、拓扑可视、流程可视和业务可视，通过三维可视化方式，实现网络的预测性管理及维护，并且全程可视化，主动管理过程包括诊断、预测和决策阶段的管理。
三维可视化方式还可以呈现算力网络质量、业务场景与生产工况，进行主动业务质量预警、监控、网络分析与优化，进一步开展有效的业务保障，保证行业客户的使用感知。
S300、将解决方案下发给对应的端到端设备和/或算力网络基础设备并执行。
本发明的算力网络数据处理方法，通过采集算力网络中各端到端设备的配置信息和运行数据，并结合端到端设备与算力网络基础设备之间产生的交互数据构建数字孪生网络，通过数字孪生网络实现以客户和业务为核心的自动化和智能化运维能力，提升运维效率，形成算力网络运维处理体系，同时，数字孪生网络可在算力网络交付、管理、运维和优化等阶段进行差异化服务，实现低成本试错、高质量运维和智能辅助决策，进而改善用户体验；基于数字孪生网络进行相关的诊断和决策，实现对算力网络进行主动智能化分析和管理，解决因传统运维依靠人工分析而导致的即时性差、运维效率低和工作量大问题，大幅度提升网络管理效率，提升网络对生产的可靠度要求。
下面结合图2描述本发明的算力网络数据处理方法，步骤S100具体包括以下步骤：
S110、采集算力网络中各端到端设备对应的配置信息、运行数据和交互数据。
S120、基于配置信息和运行数据，构建所有端到端设备的共享数据库，基于共享数据库和交互数据，构建端到端设备的数字孪生网络。
在本实施例中，数字孪生网络中的几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息等可以通过建模的方式来表征和存储，例如，几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息分别通过相应的几何模型、数据模型、环境模型、拓扑模型、业务模型和逻辑模型表征和存储。
具体的，几何模型是对端到端设备的几何形状的数字化描述，数字化描述包括对物理设备三维空间的坐标的定义和表述。包括长、宽、高和各个点，将物体设备的规则或者不规则的形状通过三维坐标系进行描述；数据模型是指物理设备基本的配置信息的存储；环境模型是对端到端设备所处的空间环境，如温度、湿度等可能会对物理设备产生影响的信息的存储；拓扑模型是对指算力网络端到端设备的路由的建模；业务模型是对运行在算力网络的端到端设备上的业务内容的建模；逻辑模型是指端到端设备及业务间的逻辑关系的建模。
业务指运行在端到端设备上的应用或系统，例如视频检测，不同业务涉及的设备逻辑不同，例如视频检测需要端到端设备提供带宽、路由关系、转发规则、处理流程、调度方式、处理规则、接口等逻辑关系。
在该方法中，通过共享数据库对配置信息和运行数据进行预处理和存储，预处理包括抽取、转换、加载、清洗和加工中的其中一种或者多种。
因此，共享数据仓库主要用于数据预处理和数据存储，并基于预处理和存储，还能用于数据服务和数据管理。在一些可能的实施例中，数据存储利用多种数据存储技术，完成数据的高效存储；数据服务包括快速检索、并发冲突、批量服务、统一接口；数据管理包括数据的资产管理、安全管理、质量管理和元数据管理。
下面结合图3描述本发明的算力网络数据处理方法，步骤S200具体包括以下步骤：
S210、基于数字孪生网络，对各端到端设备进行诊断，并生成诊断结果，在该方法中，诊断包括对健康度、流向、日志、流量、诊断、端到端的诊断。
S220、基于诊断结果，生成预测结果。
在本实施例中，通过将诊断结果输入至预测模型中，得到预测模型输出的诊断结果对应的预测结果。预测模型是基于历史诊断结果和历史预测结果训练得到的。
S230、基于预测结果，生成解决方案。
在本实施例中，通过将预测结果输入至决策模型中，得到决策模型输出的预测结果对应的解决方案，决策模型是基于历史预测结果和历史解决方案训练得到的。
下面结合图4描述本发明的算力网络数据处理方法，步骤S300具体包括以下步骤：
S310、基于数字孪生网络和算力网络基础设备当前的算力情况，确定解决方案对应的端到端设备和/或算力网络基础设备。
S320、将解决方案下发给对应的端到端设备和/或算力网络基础设备。
S330、由对应的端到端设备和/或算力网络基础设备执行解决方案。
预测模型是基于历史诊断的结果，结合大数据分析、人工智能算法、深度学习等技术对算力网络进行预测，使网络运维模式从被动响应到主动预防，预测包括综合态势、仿真预测、流量预测、隐患预测、故障预测和业务预测。决策模型是对预测模型得到的历史预测结果形成相应的历史解决方案，并将历史解决方案在数字孪生网络中反复验证调优，寻找到最优结果，使得输入预测结果时得到相应的最优结果的解决方案，并将最优结果的解决方案在物理网络中下发执行，决策包括事件处理、方案评估、仿真验证、效果评价、执行管理和创新试验。
下面对本发明提供的算力网络数据处理装置进行描述，下文描述的算力网络数据处理装置与上文描述的算力网络数据处理方法可相互对应参照。
下面结合图5描述本发明的算力网络数据处理装置，该装置包括以下步骤：
数字孪生模块100，被配置为采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于配置信息、运行数据和交互数据构建端到端设备的数字孪生网络。
在该装置中，端到端设备包括但不局限于入网终端设备、基站设备、传输设备、私有云、核心网设备等算力网络中的物理网络设备，算力网络基础设备包括但不局限于终端算力设备、行业专网设备、基础网络设备、数据中心设备、CPU、GPU、DPU、FPGA、边缘计算设备等。数字孪生网络包括端到端设备的几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息等。
在一些可能的实施例中，通过遥测、探针、传感器等采集方式实时采集端到端设备在构建数字孪生网络所需的关键的配置信息及运行数据。
数字孪生是指针对物理世界中的物体，通过数字化的手段构建一个在数字世界中一模一样的镜像或者复制的实体，借此来实现对物理实体的了解、分析和优化，在该装置中，数字孪生网络是基于多类数据与模型的集成融合实现对算力网络精准且全面的刻画，从而构建与物理网络一致的数字孪生网络。
数据处理模块200，被配置为基于数字孪生网络，对各端到端设备进行诊断，并基于诊断的诊断结果，生成各端到端设备对应的解决方案。
在一些可能的实施例中，可以将诊断结果、解决方案以及基于诊断结果生成解决方案过程中的中间结果以可视化的方式进行展示，优选的，可视化包括三维的可视化沙盘、端到端可视、仿真可视、拓扑可视、流程可视和业务可视，通过三维可视化方式，实现网络的预测性管理及维护，并且全程可视化，主动管理过程包括诊断、预测和决策阶段的管理。
三维可视化方式还可以呈现算力网络质量、业务场景与生产工况，进行主动业务质量预警、监控、网络分析与优化，进一步开展有效的业务保障，保证行业客户的使用感知。
方案执行模块300，被配置为将解决方案下发给对应的端到端设备和/或算力网络基础设备并执行。
本发明的算力网络数据处理装置，通过采集算力网络中各端到端设备的配置信息和运行数据，并结合端到端设备与算力网络基础设备之间产生的交互数据构建数字孪生网络，通过数字孪生网络实现以客户和业务为核心的自动化和智能化运维能力，提升运维效率，形成算力网络运维处理体系，同时，数字孪生网络可在算力网络交付、管理、运维和优化等阶段进行差异化服务，实现低成本试错、高质量运维和智能辅助决策，进而改善用户体验；基于数字孪生网络进行相关的诊断和决策，实现对算力网络进行主动智能化分析和管理，解决因传统运维依靠人工分析而导致的即时性差、运维效率低和工作量大问题，大幅度提升网络管理效率，提升网络对生产的可靠度要求。
下面结合图6描述本发明的算力网络数据处理装置，数字孪生模块100具体包括：
采集单元110，被配置为采集算力网络中各端到端设备对应的配置信息、运行数据和交互数据。
孪生单元120，被配置为基于配置信息和运行数据，构建所有端到端设备的共享数据库，基于共享数据库和交互数据，构建端到端设备的数字孪生网络。
在本实施例中，数字孪生网络中的几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息等可以通过建模的方式来表征和存储，例如，几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息分别通过相应的几何模型、数据模型、环境模型、拓扑模型、业务模型和逻辑模型表征和存储。
具体的，几何模型是对端到端设备的几何形状的数字化描述，数字化描述包括对物理设备三维空间的坐标的定义和表述。包括长、宽、高和各个点，将物体设备的规则或者不规则的形状通过三维坐标系进行描述；数据模型是指物理设备基本的配置信息的存储；环境模型是对端到端设备所处的空间环境，如温度、湿度等可能会对物理设备产生影响的信息的存储；拓扑模型是对指算力网络端到端设备的路由的建模；业务模型是对运行在算力网络的端到端设备上的业务内容的建模；逻辑模型是指端到端设备及业务间的逻辑关系的建模。
业务指运行在端到端设备上的应用或系统，例如视频检测，不同业务涉及的设备逻辑不同，例如视频检测需要端到端设备提供带宽、路由关系、转发规则、处理流程、调度方式、处理规则、接口等逻辑关系。
在该装置中，通过共享数据库对配置信息和运行数据进行预处理和存储，预处理包括抽取、转换、加载、清洗和加工中的其中一种或者多种。
因此，共享数据仓库主要用于数据预处理和数据存储，并基于预处理和存储，还能用于数据服务和数据管理。在一些可能的实施例中，数据存储利用多种数据存储技术，完成数据的高效存储；数据服务包括快速检索、并发冲突、批量服务、统一接口；数据管理包括数据的资产管理、安全管理、质量管理和元数据管理。
下面结合图7描述本发明的算力网络数据处理装置，数据处理模块200具体包括：
诊断单元210，被配置为基于数字孪生网络，对各端到端设备进行诊断，并生成诊断结果，在该装置中，诊断包括对健康度、流向、日志、流量、诊断、端到端的诊断。
预测单元220，被配置为基于诊断结果，生成预测结果。
在本实施例中，通过将诊断结果输入至预测模型中，得到预测模型输出的诊断结果对应的预测结果。预测模型是基于历史诊断结果和历史预测结果训练得到的。
决策单元230，被配置为基于预测结果，生成解决方案。
在本实施例中，通过将预测结果输入至决策模型中，得到决策模型输出的预测结果对应的解决方案，决策模型是基于历史预测结果和历史解决方案训练得到的。
下面结合图8描述本发明的算力网络数据处理装置，方案执行模块300具体包括：
确定单元310，被配置为基于数字孪生网络和算力网络基础设备当前的算力情况，确定解决方案对应的端到端设备和/或算力网络基础设备。
下发单元320，被配置为将解决方案下发给对应的端到端设备和/或算力网络基础设备。
执行单元330，被配置为由对应的端到端设备和/或算力网络基础设备执行解决方案。
预测模型是基于历史诊断的结果，结合大数据分析、人工智能算法、深度学习等技术对算力网络进行预测，使网络运维模式从被动响应到主动预防，预测包括综合态势、仿真预测、流量预测、隐患预测、故障预测和业务预测。决策模型是对预测模型得到的历史预测结果形成相应的历史解决方案，并将历史解决方案在数字孪生网络中反复验证调优，寻找到最优结果，使得输入预测结果时得到相应的最优结果的解决方案，并将最优结果的解决方案在物理网络中下发执行，决策包括事件处理、方案评估、仿真验证、效果评价、执行管理和创新试验。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行算力网络数据处理方法，该方法包括以下步骤：
采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端对应的解决方案；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的算力网络数据处理方法，该方法包括以下步骤：
采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端对应的解决方案；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的算力网络数据处理方法，该方法包括以下步骤：
采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端对应的解决方案；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种算力网络数据处理方法，其特征在于，包括以下步骤：
采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端设备对应的解决方案；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
2.根据权利要求1所述的算力网络数据处理方法，其特征在于，所述采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络，具体包括以下步骤：
采集所述算力网络中各端到端设备对应的所述配置信息、所述运行数据和所述交互数据；
基于所述配置信息和所述运行数据，构建所有所述端到端设备的共享数据库，基于所述共享数据库和所述交互数据，构建所述端到端设备的所述数字孪生网络；其中，所述数字孪生网络包括端到端设备的几何信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息。
3.根据权利要求2所述的算力网络数据处理方法，其特征在于，所述基于所述配置信息和所述运行数据，构建所有所述端到端设备的共享数据库，基于所述共享数据库和所述交互数据，构建所述端到端设备的所述数字孪生网络步骤中，通过所述共享数据库对所述配置信息和所述运行数据进行预处理和存储；其中，所述预处理包括抽取、转换、加载、清洗和加工中的其中一种或者多种。
4.根据权利要求1所述的算力网络数据处理方法，其特征在于，所述基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的结果，生成各所述端到端设备对应的解决方案，具体包括以下步骤：
基于所述数字孪生网络，对各所述端到端设备进行所述诊断，并生成所述诊断结果；其中，所述诊断包括对健康度、流向、日志、流量、诊断、端到端的诊断；
基于所述诊断结果，生成预测结果；
基于所述预测结果，生成所述解决方案。
5.根据权利要求4所述的算力网络数据处理方法，其特征在于，所述基于所述诊断结果，生成预测结果步骤中，通过将所述诊断结果输入至预测模型中，得到所述预测模型输出的所述诊断结果对应的所述预测结果；其中，所述预测模型是基于历史诊断结果和历史预测结果训练得到的；
所述基于所述预测结果，生成所述解决方案步骤中，通过将所述预测结果输入至决策模型中，得到所述决策模型输出的所述预测结果对应的所述解决方案；其中，所述决策模型是基于所述历史预测结果和历史解决方案训练得到的。
6.根据权利要求1所述的算力网络数据处理方法，其特征在于，所述将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行，具体包括以下步骤：
基于所述数字孪生网络和所述算力网络基础设备的算力情况，确定所述解决方案对应的所述端到端设备和/或所述算力网络基础设备；
将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备；
由对应的所述端到端设备和/或所述算力网络基础设备执行所述解决方案。
7.一种算力网络数据处理装置，其特征在于，包括：
数字孪生模块，用于采集算力网络中各端到端设备对应的配置信息、运行数据和与算力网络基础设备间的交互数据，并基于所述配置信息、所述运行数据和所述交互数据构建所述端到端设备的数字孪生网络；
数据处理模块，用于基于所述数字孪生网络，对各所述端到端设备进行诊断，并基于所述诊断的诊断结果，生成各所述端到端设备对应的解决方案；
方案执行模块，用于将所述解决方案下发给对应的所述端到端设备和/或所述算力网络基础设备并执行。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述算力网络数据处理方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述算力网络数据处理方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述算力网络数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082321.5A CN114640581B (zh) | 2022-01-24 | 2022-01-24 | 一种基于数字孪生的算力网络处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082321.5A CN114640581B (zh) | 2022-01-24 | 2022-01-24 | 一种基于数字孪生的算力网络处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114640581A true CN114640581A (zh) | 2022-06-17 |
| CN114640581B CN114640581B (zh) | 2024-05-28 |
Family
ID=81945610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210082321.5A Active CN114640581B (zh) | 2022-01-24 | 2022-01-24 | 一种基于数字孪生的算力网络处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114640581B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115361280A (zh) * | 2022-08-15 | 2022-11-18 | 中国联合网络通信集团有限公司 | 算力网络调用方法、装置、设备及存储介质 |
| CN115361300A (zh) * | 2022-08-10 | 2022-11-18 | 安世亚太科技股份有限公司 | 一种网络系统数字孪生体建模方法 |
| CN116170324A (zh) * | 2022-11-30 | 2023-05-26 | 杭州东方通信软件技术有限公司 | 一种适用于算力网络的可视化视图生成方法及装置 |
| CN116614344A (zh) * | 2023-05-29 | 2023-08-18 | 北京城建智控科技股份有限公司 | 一种基于数字孪生的故障诊断方法及系统 |
| CN117318033A (zh) * | 2023-09-27 | 2023-12-29 | 国网江苏省电力有限公司南通供电分公司 | 一种结合数据孪生的电网数据管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| CN112187547A (zh) * | 2020-10-09 | 2021-01-05 | 南京邮电大学 | 一种基于数字孪生的网络模型 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN113064351A (zh) * | 2021-03-26 | 2021-07-02 | 京东数字科技控股股份有限公司 | 数字孪生模型构建方法、装置、存储介质及电子设备 |
| US20210319156A1 (en) * | 2020-04-09 | 2021-10-14 | Wuhan University | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
-
2022
- 2022-01-24 CN CN202210082321.5A patent/CN114640581B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210319156A1 (en) * | 2020-04-09 | 2021-10-14 | Wuhan University | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
| CN112187547A (zh) * | 2020-10-09 | 2021-01-05 | 南京邮电大学 | 一种基于数字孪生的网络模型 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN113064351A (zh) * | 2021-03-26 | 2021-07-02 | 京东数字科技控股股份有限公司 | 数字孪生模型构建方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 白浩;周长城;袁智勇;雷金勇;: "基于数字孪生的数字电网展望和思考", 南方电网技术, no. 08, 20 August 2020 (2020-08-20) * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115361300A (zh) * | 2022-08-10 | 2022-11-18 | 安世亚太科技股份有限公司 | 一种网络系统数字孪生体建模方法 |
| CN115361300B (zh) * | 2022-08-10 | 2023-08-25 | 安世亚太科技股份有限公司 | 一种网络系统数字孪生体建模方法 |
| CN115361280A (zh) * | 2022-08-15 | 2022-11-18 | 中国联合网络通信集团有限公司 | 算力网络调用方法、装置、设备及存储介质 |
| CN115361280B (zh) * | 2022-08-15 | 2023-11-28 | 中国联合网络通信集团有限公司 | 算力网络调用方法、装置、设备及存储介质 |
| CN116170324A (zh) * | 2022-11-30 | 2023-05-26 | 杭州东方通信软件技术有限公司 | 一种适用于算力网络的可视化视图生成方法及装置 |
| CN116170324B (zh) * | 2022-11-30 | 2024-06-11 | 杭州东方通信软件技术有限公司 | 一种适用于算力网络的可视化视图生成方法及装置 |
| CN116614344A (zh) * | 2023-05-29 | 2023-08-18 | 北京城建智控科技股份有限公司 | 一种基于数字孪生的故障诊断方法及系统 |
| CN116614344B (zh) * | 2023-05-29 | 2024-03-26 | 北京城建智控科技股份有限公司 | 一种基于数字孪生的故障诊断方法及系统 |
| CN117318033A (zh) * | 2023-09-27 | 2023-12-29 | 国网江苏省电力有限公司南通供电分公司 | 一种结合数据孪生的电网数据管理方法及系统 |
| CN117318033B (zh) * | 2023-09-27 | 2024-05-24 | 国网江苏省电力有限公司南通供电分公司 | 一种结合数据孪生的电网数据管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114640581B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114640581B (zh) | 一种基于数字孪生的算力网络处理方法及装置 | |
| CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
| CN112269718B (zh) | 一种业务系统故障分析方法及装置 | |
| CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
| CN106165345A (zh) | 标识用于化解网络故障的故障排除选项 | |
| CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
| CN106940678B (zh) | 一种系统实时健康度评估分析方法及装置 | |
| CN115122155A (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
| CN111083013A (zh) | 基于流量回放的测试方法、装置、电子设备及存储介质 | |
| CN116089218A (zh) | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及系统 | |
| Foidl et al. | An approach for assessing industrial IoT data sources to determine their data trustworthiness | |
| CN111901156B (zh) | 一种监控故障的方法及装置 | |
| CN116614344B (zh) | 一种基于数字孪生的故障诊断方法及系统 | |
| JP7062505B2 (ja) | 設備管理支援システム | |
| CN114757448B (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
| CN115150255B (zh) | 一种自适应的基于知识图谱的应用故障自动根因定位方法 | |
| Larrinaga et al. | Implementation of a reference architecture for cyber physical systems to support condition based maintenance | |
| US11782923B2 (en) | Optimizing breakeven points for enhancing system performance | |
| CN115622862A (zh) | 基于数字孪生的算力网络系统及算力处理方法 | |
| CN112035905B (zh) | 一种自学习的三维建模方法和系统 | |
| CN115222069A (zh) | 一种设备预诊维护算法及集成该算法的智能工厂管控架构 | |
| CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
| CN112711508A (zh) | 面向大规模客户端系统的智能运维服务系统 | |
| CN113971172A (zh) | 数据处理方法以及数据处理装置 | |
| CN116208473B (zh) | 基础设施故障定位方法、装置及相关设备 |
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 |