CN114697209B - 一种云边协同计算资源配置方法及配置系统 - Google Patents
一种云边协同计算资源配置方法及配置系统 Download PDFInfo
- Publication number
- CN114697209B CN114697209B CN202210324999.XA CN202210324999A CN114697209B CN 114697209 B CN114697209 B CN 114697209B CN 202210324999 A CN202210324999 A CN 202210324999A CN 114697209 B CN114697209 B CN 114697209B
- Authority
- CN
- China
- Prior art keywords
- concurrent traffic
- concurrent
- probability density
- traffic
- coverage
- 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 65
- 238000004364 calculation method Methods 0.000 claims abstract description 128
- 238000013468 resource allocation Methods 0.000 claims abstract description 62
- 230000001186 cumulative effect Effects 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 63
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例涉及云边资源计算技术领域,公开了一种云边协同的资源配置方法及配置系统,该方法包括:根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得并发业务量的概率密度函数;依次通过插值和积分的计算,将概率密度模型转化为累计概率密度函数;划分出N个并发业务量覆盖等级;计算出并发业务量覆盖等级的累计概率密度值;在根据累计概率密度函数与累计概率密度值,计算出每一并发业务量覆盖等级的计算负荷值之后,再根据计算负荷值,计算出并发业务量覆盖等级的资源配置结果。实施本发明实施例,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
Description
技术领域
本发明涉及云边资源计算技术领域,尤其涉及一种云边协同的资源配置方法及配置系统。
背景技术
目前,在双碳目标的驱动下,随着分布式电源、分布式储能和配用电智能设备等的海量接入,微电网业务类型和数量呈现出不断增加的趋势,对新型电力系统的业务并发处理能力带来了严峻的挑战,基于电力物联网技术的云边协同系统应运而生,是辅助传统电力自动化系统消纳增量接入对象业务处理需求的重要手段,将成为新一代电力自动化系统的建设方向。
基于电力物联网技术的云边协同系统的计算资源合理配置一方面能有效提高新型电力系统适应并发业务处理需求的能力,另一方面能充分发挥云边资源协同的优势降低业务处理延时,因此研究云边协同的计算资源配置方法具有重要的意义。
但在实践中发现,现有云边协同的计算资源配置方法大多缺乏对并发业务量的定量评估,其往往采用盲目配置、冗余配置或根据典型日的确定性业务量配置去实施,不仅当计算资源配置量不足时,容易发生无法满足业务实时性、可靠性要求的问题,且当计算资源配置量冗余时,还容易导致发生资源得不到充分利用和成本高昂的问题。
发明内容
本发明实施例公开一种云边协同的资源配置方法及配置系统,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
本发明实施例第一方面公开一种云边协同的资源配置方法,所述方法包括:
根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得所述并发业务量的概率密度函数;
依次通过插值和积分的计算,将所述概率密度模型转化为累计概率密度函数;
划分出N个并发业务量覆盖等级;其中,所述N为大于1的自然数;
计算出所述并发业务量覆盖等级的累计概率密度值;
根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值;
根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果。
作为另一种可选的实施方式,在本发明实施例第一方面中,所述计算出所述并发业务量覆盖等级的累计概率密度值,包括:
根据允许最大容忍的失配概率,计算出并发业务量覆盖率下限;
将所述并发业务量覆盖率下限除以所述N,以计算出每一所述并发业务量覆盖等级的并发业务量覆盖率差值;
将所述并发业务量覆盖率下限与每一所述并发业务量覆盖率差值进行相加,以计算出每一所述并发业务量覆盖等级的累计概率密度值。
作为另一种可选的实施方式,在本发明实施例第一方面中,所述根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值,包括:
将单个所述并发业务量的计算复杂度与处理所述并发业务量的数据量进行相乘,以计算出处理单个所述并发业务量所需计算的时钟周期数;其中,所述计算复杂度的单位为时钟周期数/数据量;
将所述累计概率密度函数的反函数与所述累计概率密度值进行相乘,以计算出每一所述并发业务量覆盖等级下的可覆盖并发业务量;
将所述可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的计算负荷值。
作为另一种可选的实施方式,在本发明实施例第一方面中,所述根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果,包括:
将所述计算负荷值除以边缘计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的边缘计算资源配置量;
从所述可覆盖并发业务量中选择出最大可覆盖并发业务量;
将所述最大可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的最大计算负荷值;
在将所述最大计算负荷值减去所述计算负荷值之后除以云计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的云计算资源配置量。
本发明实施例第二方面公开一种配置系统,所述配置系统包括:
概率统计单元,用于根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得所述并发业务量的概率密度函数;
第一计算单元,用于依次通过插值和积分的计算,将所述概率密度模型转化为累计概率密度函数;
划分单元,用于划分出N个并发业务量覆盖等级;其中,所述N为大于1的自然数;
第二计算单元,用于计算出所述并发业务量覆盖等级的累计概率密度值;
第三计算单元,用于根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值;
第四计算单元,用于根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第二计算单元包括:
第一计算子单元,用于根据允许最大容忍的失配概率,计算出并发业务量覆盖率下限;
第二计算子单元,用于将所述并发业务量覆盖率下限除以所述N,以计算出每一所述并发业务量覆盖等级的并发业务量覆盖率差值;
第三计算子单元,用于将所述并发业务量覆盖率下限与每一所述并发业务量覆盖率差值进行相加,以计算出每一所述并发业务量覆盖等级的累计概率密度值。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第三计算单元包括:
第四计算子单元,用于将单个所述并发业务量的计算复杂度与处理所述并发业务量的数据量进行相乘,以计算出处理单个所述并发业务量所需计算的时钟周期数;其中,所述计算复杂度的单位为时钟周期数/数据量;
所述第四计算子单元,还用于将所述累计概率密度函数的反函数与所述累计概率密度值进行相乘,以计算出每一所述并发业务量覆盖等级下的可覆盖并发业务量;
所述第四计算子单元,还用于将所述可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的计算负荷值。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第四计算单元包括:
第五计算子单元,用于将所述计算负荷值除以边缘计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的边缘计算资源配置量;
选择子单元,用于从所述可覆盖并发业务量中选择出最大可覆盖并发业务量;
第六计算子单元,用于将所述最大可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的最大计算负荷值;
第七计算子单元,用于在将所述最大计算负荷值减去所述计算负荷值之后除以云计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的云计算资源配置量。
本发明实施例第三方面公开一种配置系统,所述配置系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的一种云边协同的资源配置方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的一种云边协同的资源配置方法。
本发明实施例第五方面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种云边协同的资源配置方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台,所述应用发布平台用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种云边协同的资源配置方法的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得所述并发业务量的概率密度函数;依次通过插值和积分的计算,将所述概率密度模型转化为累计概率密度函数;划分出N个并发业务量覆盖等级;其中,所述N为大于1的自然数;计算出所述并发业务量覆盖等级的累计概率密度值;根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值;根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果。可见,本发明实施例,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例公开的一种云边协同的资源配置方法的流程示意图;
图2是本发明实施例公开的并发业务概率密度曲线示意图;
图3是本发明实施例公开的并发业务累计概率密度曲线示意图;
图4是本发明实施例公开的另一种云边协同的资源配置方法的流程示意图;
图5是本发明实施例公开的一种配置系统的结构示意图;
图6是本发明实施例公开的另一种配置系统的结构示意图;
图7是本发明实施例公开的另一种配置系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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做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。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种云边协同的资源配置方法及配置系统,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
以下结合附图进行详细描述。
实施例一
请参阅图1,图1是本发明实施例公开的一种云边协同的资源配置方法的流程示意图。如图1所示,该云边协同的资源配置方法可以包括以下步骤。
101、配置系统根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得并发业务量的概率密度函数。
作为一种可选的实施方式,在本发明实施例中,本发明可对并发业务类型的集合记为A={a1,a2,L,ai,L,an},其中ai表示第i种并发业务类型,接着,本申请可针对第i种并发业务类型的历史业务量数据进行以天为单位的统计,设历史业务量数据样本共有M天个样本,统计的时间间隔为Δt,则可建立云边协同系统的并发业务量概率密度函数模型,该函数模型适用于不同并发业务类型。
作为一种可选的实施方式,在本发明实施例中,本发明建立统计的时间间隔为Δt的模型如下:其中,为一天的时间周期值,若以小时为单位则为24h,若以分钟为单位则1440min,若此类推;m为划分的时间间隔数;举例来说,例如T=24h,m等于24*60,那么Δt=1min。
作为一种可选的实施方式,在本发明实施例中,本发明建立统计的单个时间间隔并发业务量概率值如下:其中,pi为第i个并发业务量值占所有并发业务量总和的比例即概率值,ni为第i个并发业务量值,Nj,k为第k天样本内的第j个时间间隔内并发业务量,/>为M天个样本的所有业务量之和。
102、配置系统依次通过插值和积分的计算,将概率密度模型转化为累计概率密度函数。
作为一种可选的实施方式,在本发明实施例中,本申请的累计概率密度函数可建立在概率密度函数的基础上,其中,概率密度函数进行插值则可得到连续的概率密度曲线如图2所示,其中x表示并发业务量,随即,在对图2的云边协同系统的并发业务概率密度曲线进行积分,即可得到累计概率密度函数曲线,如图3所示。
103、配置系统划分出N个并发业务量覆盖等级;其中,N为大于1的自然数。
104、配置系统计算出并发业务量覆盖等级的累计概率密度值。
作为一种可选的实施方式,在本发明实施例中,本发明提出的云边协同系统的并发业务量覆盖等级模型包括了划分多个覆盖等级和求解各覆盖等级下的并发业务量两个步骤,模型如下所示:
a=1-y;
其中,a为云边协同系统的并发业务量覆盖率下限;y为允许最大容忍的失配概率;Δp为每个覆盖等级的并发业务量覆盖率差值;Q为划分的覆盖等级数量,即本申请所示的N;Ci为第i个并发业务量覆盖等级的累计概率密度值。
105、配置系统根据累计概率密度函数与累计概率密度值,计算出每一并发业务量覆盖等级的计算负荷值。
作为一种可选的实施方式,在本发明实施例中,本申请的计算负荷值建立在并发业务量覆盖等级模型的基础上,单个业务的计算负荷模型如下所示:L=θb,其中,L为处理单个业务所需计算的时钟周期数;θ为该业务的计算复杂度,单位为时钟周期数/数据量;b为处理该业务的数据量大小。
作为一种可选的实施方式,在本发明实施例中,基于并发业务量覆盖等级的计算负荷模型如下所示:
Xi=F-1(Ci),Wi=XiL
其中,Xi为第i个并发业务量覆盖等级下能覆盖的并发业务量;F-1(Ci)为云边协同系统的并发业务累计概率密度反函数;Wi为第i个并发业务量覆盖等级的计算负荷。
106、配置系统根据累计概率密度函数、累计概率密度值与计算负荷值,计算出并发业务量覆盖等级的资源配置结果。
作为一种可选的实施方式,在本发明实施例中,本申请的资源配置是建立在计算负荷模型基础上,本发明提出的基于并发业务量覆盖等级的云边协同计算资源配置模型如下:
其中,CPUedge为边缘计算资源配置量;CPUcloud为云计算资源配置量;Wedge为边缘侧需处理的并发业务量的计算负荷;Wcloud为云侧需处理的并发业务量的计算负荷;Tedge为边缘计算资源处理并发业务量的延时要求;Tcloud为云计算资源处理并发业务量的延时要求。
作为一种可选的实施方式,在本发明实施例中,为提高新型电力系统适应并发业务处理需求的能力,本发明提出了一种基于并发业务量覆盖等级的云边协同计算资源配置方法,与现有方法相比,本发明通过提出的并发业务量覆盖等级模型刻画不同累计概率密度值下的并发业务覆盖量,通过提出的基于并发业务量覆盖等级的计算负荷模型刻画云边协同系统的计算资源需求,通过提出的基于并发业务量覆盖等级的云边协同计算资源配置方法,解决现有盲目配置、冗余配置、确定性业务量按需配置的弊端,提高新型电力系统处理并发业务需求的能力,更好满足新型电力系统并发业务处理的实时性、可靠性需求。
作为一种可选的实施方式,在本发明实施例中,在每一并发业务量覆盖等级完成资源配置之后,配置系统可检测是否还有其他并发业务量覆盖等级未完成资源配置,若是,配置系统可重新执行步骤105~步骤106。
在图1所示的云边协同的资源配置方法中,以配置系统作为执行主体为例进行描述。需要说明的是,图1所示的云边协同的资源配置方法的执行主体还可以是与配置系统相关联的独立设备,本发明实施例不作限定。
可见,实施图1所描述的一种云边协同的资源配置方法,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
此外,实施图1所描述的一种云边协同的资源配置方法,具有着定量化的分析过程,能够科学有效的对资源进行配置。
实施例二
请参阅图4,图4是本发明实施例公开的另一种云边协同的资源配置方法的流程示意图。如图4所示,该云边协同的资源配置方法可以包括以下步骤:
201、配置系统根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得并发业务量的概率密度函数。
202、配置系统依次通过插值和积分的计算,将概率密度模型转化为累计概率密度函数。
203、配置系统划分出N个并发业务量覆盖等级;其中,N为大于1的自然数。
204、配置系统根据允许最大容忍的失配概率,计算出并发业务量覆盖率下限。
205、配置系统将并发业务量覆盖率下限除以N,以计算出每一并发业务量覆盖等级的并发业务量覆盖率差值。
206、配置系统将并发业务量覆盖率下限与每一并发业务量覆盖率差值进行相加,以计算出每一并发业务量覆盖等级的累计概率密度值。
作为一种可选的实施方式,在本发明实施例中,本发明提出的云边协同系统的并发业务量覆盖等级模型包括了划分多个覆盖等级和求解各覆盖等级下的并发业务量两个步骤,模型如下所示:
a=1-y;
其中,a为云边协同系统的并发业务量覆盖率下限;y为允许最大容忍的失配概率;Δp为每个覆盖等级的并发业务量覆盖率差值;Q为划分的覆盖等级数量,即本申请所示的N;Ci为第i个并发业务量覆盖等级的累计概率密度值。
举例来说,假设y为20%,而配置系统可划分出4个并发业务量覆盖等级,即Q=4,那么a=80%,继而Δp=20%÷4=5%,那么Δp可以5%为间隔,那么即可得到C0=80%,C1=85%,C2=90%,C3=95%,C4=100%。
207、配置系统将单个并发业务量的计算复杂度与处理并发业务量的数据量进行相乘,以计算出处理单个并发业务量所需计算的时钟周期数;其中,计算复杂度的单位为时钟周期数/数据量。
作为一种可选的实施方式,在本发明实施例中,本申请的计算负荷值建立在并发业务量覆盖等级模型的基础上,单个业务的计算负荷模型如下所示:L=θb,其中,L为处理单个业务所需计算的时钟周期数;θ为该业务的计算复杂度,单位为时钟周期数/数据量;b为处理该业务的数据量大小。
举例来说,若θ为20时钟周期/MB,而b为5MB,那么L=20时钟周期/MB*5MB=100时钟周期,即处理单个业务所需计算的时钟周期数为100。
208、配置系统将累计概率密度函数的反函数与累计概率密度值进行相乘,以计算出每一并发业务量覆盖等级下的可覆盖并发业务量。
209、配置系统将可覆盖并发业务量与时钟周期数进行相乘,以计算出每一并发业务量覆盖等级的计算负荷值。
作为一种可选的实施方式,在本发明实施例中,基于并发业务量覆盖等级的计算负荷模型如下所示:
Xi=F-1(Ci),Wi=XiL
其中,Xi为第i个并发业务量覆盖等级下能覆盖的并发业务量;F-1(Ci)为云边协同系统的并发业务累计概率密度反函数;Wi为第i个并发业务量覆盖等级的计算负荷。
举例来说,本申请可从图3曲线图中,取得纵坐标的反函数得到横坐标,如X0=F-1(C0=80%)=120个业务,而在i=0时,W0=X0*L=120*100=12000时钟周期,i还可以等于0,1,2,3,4。
210、配置系统将计算负荷值除以边缘计算资源处理并发业务量的延时要求,以计算出每一并发业务量覆盖等级下的边缘计算资源配置量。
211、配置系统从可覆盖并发业务量中选择出最大可覆盖并发业务量。
212、配置系统将最大可覆盖并发业务量与时钟周期数进行相乘,以计算出每一并发业务量覆盖等级的最大计算负荷值。
213、配置系统在将最大计算负荷值减去计算负荷值之后除以云计算资源处理并发业务量的延时要求,以计算出每一并发业务量覆盖等级下的云计算资源配置量。
作为一种可选的实施方式,在本发明实施例中,本申请的资源配置是建立在计算负荷模型基础上,本发明提出的基于并发业务量覆盖等级的云边协同计算资源配置模型如下:
其中,CPUedge为边缘计算资源配置量;CPUcloud为云计算资源配置量;Wedge为边缘侧需处理的并发业务量的计算负荷;Wcloud为云侧需处理的并发业务量的计算负荷;Tedge为边缘计算资源处理并发业务量的延时要求;Tcloud为云计算资源处理并发业务量的延时要求。
举例来说,场景覆盖等级为C0=80%时为例,计算一次配置结果,其余等级同理,假设Tedge为0.0001s,则CPUedge=12000时钟周期/0.0001s=0.12GHz,那么Wedge+Wcloud=max(Wi),可从Wi=XiL中获取到最大计算负荷值,随后可得max(Wi),假设max(Wi)=30000时钟周期,那么Wcloud=max(Wi)-Wedge=30000-12000=18000,继而CPUcloud=18000/0.0001s=0.18GHz。
作为一种可选的实施方式,在本发明实施例中,本申请的云计算资源配置量是应对卸载业务量的,是突发情况动态配置的,而边缘计算资源配置量是应对本地计算量,是静态配置的。
作为一种可选的实施方式,在本发明实施例中,首先,本申请可通过对以天为单位的历史业务量进行概率统计,获得并发业务量的概率密度模型;接着,本申请可提出并发业务量覆盖等级模型刻画不同累计概率密度值下的并发业务覆盖量;然后,本申请可提出基于并发业务量覆盖等级的计算负荷模型刻画云边协同系统的计算资源需求;最后,本申请可提出一种基于并发业务量覆盖等级的云边协同计算资源配置方法,以解决现有盲目配置、冗余配置、确定性业务量按需配置的弊端,提高新型电力系统处理并发业务需求的能力。
可见,实施图4所描述的另一种云边协同的资源配置方法,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
此外,实施图4所描述的另一种云边协同的资源配置方法,具有着定量化的分析过程,能够科学有效的对资源进行配置。
实施例三
请参阅图5,图5是本发明实施例公开的一种配置系统的结构示意图。如图5所示,该配置系统300可以包括概率统计单元301、第一计算单元302、划分单元303、第二计算单元304、第三计算单元305和第四计算单元306,其中:
概率统计单元301,用于根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得并发业务量的概率密度函数。
第一计算单元302,用于依次通过插值和积分的计算,将概率密度模型转化为累计概率密度函数。
划分单元303,用于划分出N个并发业务量覆盖等级;其中,N为大于1的自然数。
第二计算单元304,用于计算出并发业务量覆盖等级的累计概率密度值。
第三计算单元305,用于根据累计概率密度函数与累计概率密度值,计算出每一并发业务量覆盖等级的计算负荷值。
第四计算单元306,用于根据累计概率密度函数、累计概率密度值与计算负荷值,计算出并发业务量覆盖等级的资源配置结果。
作为一种可选的实施方式,在本发明实施例中,本发明可对并发业务类型的集合记为A={a1,a2,L,ai,L,an},其中ai表示第i种并发业务类型,接着,概率统计单元301可针对第i种并发业务类型的历史业务量数据进行以天为单位的统计,设历史业务量数据样本共有M天个样本,统计的时间间隔为Δt,则可建立云边协同系统的并发业务量概率密度函数模型,该函数模型适用于不同并发业务类型。
作为一种可选的实施方式,在本发明实施例中,本发明建立统计的时间间隔为Δt的模型如下:其中,为一天的时间周期值,若以小时为单位则为24h,若以分钟为单位则1440min,若此类推;m为划分的时间间隔数;举例来说,例如T=24h,m等于24*60,那么Δt=1min。
作为一种可选的实施方式,在本发明实施例中,概率统计单元301建立统计的单个时间间隔并发业务量概率值如下:其中,pi为第i个并发业务量值占所有并发业务量总和的比例即概率值,ni为第i个并发业务量值,Nj,k为第k天样本内的第j个时间间隔内并发业务量,/>为M天个样本的所有业务量之和。
作为一种可选的实施方式,在本发明实施例中,本申请的累计概率密度函数可建立在概率密度函数的基础上,其中,概率密度函数进行插值则可得到连续的概率密度曲线如图2所示,其中x表示并发业务量,随即,第一计算单元302在对图2的云边协同系统的并发业务概率密度曲线进行积分,即可得到累计概率密度函数曲线,如图3所示。
作为一种可选的实施方式,在本发明实施例中,本发明提出的云边协同系统的并发业务量覆盖等级模型包括了划分单元303划分多个覆盖等级和第二计算单元304求解各覆盖等级下的并发业务量两个步骤,模型如下所示:
a=1-y;
其中,a为云边协同系统的并发业务量覆盖率下限;y为允许最大容忍的失配概率;Δp为每个覆盖等级的并发业务量覆盖率差值;Q为划分的覆盖等级数量,即本申请所示的N;Ci为第i个并发业务量覆盖等级的累计概率密度值。
作为一种可选的实施方式,在本发明实施例中,本申请的计算负荷值建立在并发业务量覆盖等级模型的基础上,单个业务的计算负荷模型如下所示:L=θb,其中,L为处理单个业务所需计算的时钟周期数;θ为该业务的计算复杂度,单位为时钟周期数/数据量;b为处理该业务的数据量大小。
作为一种可选的实施方式,在本发明实施例中,第三计算单元305基于并发业务量覆盖等级的计算负荷模型如下所示:
Xi=F-1(Ci),Wi=XiL
其中,Xi为第i个并发业务量覆盖等级下能覆盖的并发业务量;F-1(Ci)为云边协同系统的并发业务累计概率密度反函数;Wi为第i个并发业务量覆盖等级的计算负荷。
作为一种可选的实施方式,在本发明实施例中,本申请的资源配置是建立在计算负荷模型基础上,第四计算单元306提出的基于并发业务量覆盖等级的云边协同计算资源配置模型如下:
其中,CPUedge为边缘计算资源配置量;CPUcloud为云计算资源配置量;Wedge为边缘侧需处理的并发业务量的计算负荷;Wcloud为云侧需处理的并发业务量的计算负荷;Tedge为边缘计算资源处理并发业务量的延时要求;Tcloud为云计算资源处理并发业务量的延时要求。
作为一种可选的实施方式,在本发明实施例中,为提高新型电力系统适应并发业务处理需求的能力,本发明提出了一种基于并发业务量覆盖等级的云边协同计算资源配置方法,与现有方法相比,本发明通过提出的并发业务量覆盖等级模型刻画不同累计概率密度值下的并发业务覆盖量,通过提出的基于并发业务量覆盖等级的计算负荷模型刻画云边协同系统的计算资源需求,通过提出的基于并发业务量覆盖等级的云边协同计算资源配置方法,解决现有盲目配置、冗余配置、确定性业务量按需配置的弊端,提高新型电力系统处理并发业务需求的能力,更好满足新型电力系统并发业务处理的实时性、可靠性需求。
作为一种可选的实施方式,在本发明实施例中,在第四计算单元306对每一并发业务量覆盖等级完成资源配置之后,配置系统可检测是否还有其他并发业务量覆盖等级未完成资源配置,若是,第三计算单元305和第四计算单元306可重新执行操作。
可见,实施图5所描述的配置系统,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
此外,实施图5所描述的配置系统,具有着定量化的分析过程,能够科学有效的对资源进行配置。
实施例四
请参阅图6,图6是本发明实施例公开的另一种配置系统的结构示意图。其中,图6所示的配置系统是由图5所示的配置系统进行优化得到的。与图5所示的配置系统相比较,图6所示的第二计算单元304包括:
第一计算子单元3041,用于根据允许最大容忍的失配概率,计算出并发业务量覆盖率下限。
第二计算子单元3042,用于将并发业务量覆盖率下限除以N,以计算出每一并发业务量覆盖等级的并发业务量覆盖率差值。
第三计算子单元3043,用于将并发业务量覆盖率下限与每一并发业务量覆盖率差值进行相加,以计算出每一并发业务量覆盖等级的累计概率密度值。
作为一种可选的实施方式,在本发明实施例中,本发明提出的云边协同系统的并发业务量覆盖等级模型包括了划分多个覆盖等级和求解各覆盖等级下的并发业务量两个步骤,模型如下所示:
a=1-y;
其中,a为云边协同系统的并发业务量覆盖率下限;y为允许最大容忍的失配概率;Δp为每个覆盖等级的并发业务量覆盖率差值;Q为划分的覆盖等级数量,即本申请所示的N;Ci为第i个并发业务量覆盖等级的累计概率密度值。
举例来说,假设y为20%,而划分单元303可划分出4个并发业务量覆盖等级,即Q=4,那么第一计算子单元3041可计算出a=80%,继而第二计算子单元3042可计算出Δp=20%÷4=5%,那么Δp可以5%为间隔,那么第三计算子单元3043可计算出C0=80%,C1=85%,C2=90%,C3=95%,C4=100%。
与图5所示的配置系统相比较,图6所示的第三计算单元305包括:
第四计算子单元3051,用于将单个并发业务量的计算复杂度与处理并发业务量的数据量进行相乘,以计算出处理单个并发业务量所需计算的时钟周期数;其中,计算复杂度的单位为时钟周期数/数据量。
作为一种可选的实施方式,在本发明实施例中,本申请的计算负荷值建立在并发业务量覆盖等级模型的基础上,单个业务的计算负荷模型如下所示:L=θb,其中,L为处理单个业务所需计算的时钟周期数;θ为该业务的计算复杂度,单位为时钟周期数/数据量;b为处理该业务的数据量大小。
举例来说,若θ为20时钟周期/MB,而b为5MB,那么第四计算子单元3051可计算出L=20时钟周期/MB*5MB=100时钟周期,即处理单个业务所需计算的时钟周期数为100。
作为一种可选的实施方式,在本发明实施例中,第四计算子单元3051还用于将累计概率密度函数的反函数与累计概率密度值进行相乘,以计算出每一并发业务量覆盖等级下的可覆盖并发业务量。
作为一种可选的实施方式,在本发明实施例中,第四计算子单元3051还用于将可覆盖并发业务量与时钟周期数进行相乘,以计算出每一并发业务量覆盖等级的计算负荷值。
作为一种可选的实施方式,在本发明实施例中,基于并发业务量覆盖等级的计算负荷模型如下所示:
Xi=F-1(Ci),Wi=XiL
其中,Xi为第i个并发业务量覆盖等级下能覆盖的并发业务量;F-1(Ci)为云边协同系统的并发业务累计概率密度反函数;Wi为第i个并发业务量覆盖等级的计算负荷。
举例来说,本申请可从图5曲线图中,第四计算子单元3051可取纵坐标的反函数得到横坐标,如X0=F-1(C0=80%)=120个业务,而在i=0时,第四计算子单元3051可计算出W0=X0*L=120*100=12000时钟周期,i还可以等于0,1,2,3,4。
与图5所示的配置系统相比较,图6所示的第四计算单元306包括:
第五计算子单元3061,用于将计算负荷值除以边缘计算资源处理并发业务量的延时要求,以计算出每一并发业务量覆盖等级下的边缘计算资源配置量。
选择子单元3062,用于从可覆盖并发业务量中选择出最大可覆盖并发业务量。
第六计算子单元3063,用于将最大可覆盖并发业务量与时钟周期数进行相乘,以计算出每一并发业务量覆盖等级的最大计算负荷值。
第七计算子单元3064,用于在将最大计算负荷值减去计算负荷值之后除以云计算资源处理并发业务量的延时要求,以计算出每一并发业务量覆盖等级下的云计算资源配置量。
作为一种可选的实施方式,在本发明实施例中,本申请的资源配置是建立在计算负荷模型基础上,本发明提出的基于并发业务量覆盖等级的云边协同计算资源配置模型如下:
其中,CPUedge为边缘计算资源配置量;CPUcloud为云计算资源配置量;Wedge为边缘侧需处理的并发业务量的计算负荷;Wcloud为云侧需处理的并发业务量的计算负荷;Tedge为边缘计算资源处理并发业务量的延时要求;Tcloud为云计算资源处理并发业务量的延时要求。
举例来说,场景覆盖等级为C0=80%时为例,计算一次配置结果,其余等级同理,假设Tedge为0.0001s,则第五计算子单元3061可计算出CPUedge=12000时钟周期/0.0001s=0.12GHz,那么Wedge+Wcloud=max(Wi),选择子单元3062可从Wi=XiL中获取到最大计算负荷值,随后第六计算子单元3063可计算出max(Wi),假设max(Wi)=30000时钟周期,那么第七计算子单元3064可计算出Wcloud=max(Wi)-Wedge=30000-12000=18000,继而CPUcloud=18000/0.0001s=0.18GHz。
作为一种可选的实施方式,在本发明实施例中,本申请的云计算资源配置量是应对卸载业务量的,是突发情况动态配置的,而边缘计算资源配置量是应对本地计算量,是静态配置的。
作为一种可选的实施方式,在本发明实施例中,首先,本申请可通过对以天为单位的历史业务量进行概率统计,获得并发业务量的概率密度模型;接着,本申请可提出并发业务量覆盖等级模型刻画不同累计概率密度值下的并发业务覆盖量;然后,本申请可提出基于并发业务量覆盖等级的计算负荷模型刻画云边协同系统的计算资源需求;最后,本申请可提出一种基于并发业务量覆盖等级的云边协同计算资源配置方法,以解决现有盲目配置、冗余配置、确定性业务量按需配置的弊端,提高新型电力系统处理并发业务需求的能力。
可见,实施图6所描述的另一种配置系统,能够提高新型电力系统处理并发业务需求的能力,以更好满足新型电力系统并发业务处理的实时性、可靠性需求。
此外,实施图6所描述的另一种配置系统,具有着定量化的分析过程,能够科学有效的对资源进行配置。
实施例五
请参阅图7,图7是本发明实施例公开的另一种配置系统的结构示意图。
如图7所示,该配置系统可以包括:
存储有可执行程序代码的存储器701;
与存储器701耦合的处理器702;
其中,处理器702调用存储器701中存储的可执行程序代码,执行图1~图4任意一种云边协同的资源配置方法。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行图1~图2任意一种云边协同的资源配置方法。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一种计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种云边协同的资源配置方法及配置系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种云边协同的资源配置方法,其特征在于,包括:
根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得所述并发业务量的概率密度函数;
依次通过插值和积分的计算,将所述概率密度模型转化为累计概率密度函数;
划分出N个并发业务量覆盖等级;其中,所述N为大于1的自然数;
计算出所述并发业务量覆盖等级的累计概率密度值;
根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值;
根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果;
所述计算出所述并发业务量覆盖等级的累计概率密度值,包括:
根据允许最大容忍的失配概率,计算出并发业务量覆盖率下限;
将所述并发业务量覆盖率下限除以所述N,以计算出每一所述并发业务量覆盖等级的并发业务量覆盖率差值;
将所述并发业务量覆盖率下限与每一所述并发业务量覆盖率差值进行相加,以计算出每一所述并发业务量覆盖等级的累计概率密度值;
所述根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值,包括:
将单个所述并发业务量的计算复杂度与处理所述并发业务量的数据量进行相乘,以计算出处理单个所述并发业务量所需计算的时钟周期数;其中,所述计算复杂度的单位为时钟周期数/数据量;
将所述累计概率密度函数的反函数与所述累计概率密度值进行相乘,以计算出每一所述并发业务量覆盖等级下的可覆盖并发业务量;
将所述可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的计算负荷值;
所述根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果,包括:
将所述计算负荷值除以边缘计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的边缘计算资源配置量;
从所述可覆盖并发业务量中选择出最大可覆盖并发业务量;
将所述最大可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的最大计算负荷值;
在将所述最大计算负荷值减去所述计算负荷值之后除以云计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的云计算资源配置量。
2.一种配置系统,其特征在于,所述配置系统包括:
概率统计单元,用于根据设定的单位时间间隔和统计天数,对并发业务量的历史数据进行概率统计,以获得所述并发业务量的概率密度函数;
第一计算单元,用于依次通过插值和积分的计算,将所述概率密度模型转化为累计概率密度函数;
划分单元,用于划分出N个并发业务量覆盖等级;其中,所述N为大于1的自然数;
第二计算单元,用于计算出所述并发业务量覆盖等级的累计概率密度值;
第三计算单元,用于根据所述累计概率密度函数与所述累计概率密度值,计算出每一所述并发业务量覆盖等级的计算负荷值;
第四计算单元,用于根据所述累计概率密度函数、所述累计概率密度值与所述计算负荷值,计算出所述并发业务量覆盖等级的资源配置结果;
所述第二计算单元包括:
第一计算子单元,用于根据允许最大容忍的失配概率,计算出并发业务量覆盖率下限;
第二计算子单元,用于将所述并发业务量覆盖率下限除以所述N,以计算出每一所述并发业务量覆盖等级的并发业务量覆盖率差值;
第三计算子单元,用于将所述并发业务量覆盖率下限与每一所述并发业务量覆盖率差值进行相加,以计算出每一所述并发业务量覆盖等级的累计概率密度值;
所述第三计算单元包括:
第四计算子单元,用于将单个所述并发业务量的计算复杂度与处理所述并发业务量的数据量进行相乘,以计算出处理单个所述并发业务量所需计算的时钟周期数;其中,所述计算复杂度的单位为时钟周期数/数据量;
所述第四计算子单元,还用于将所述累计概率密度函数的反函数与所述累计概率密度值进行相乘,以计算出每一所述并发业务量覆盖等级下的可覆盖并发业务量;
所述第四计算子单元,还用于将所述可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的计算负荷值;
所述第四计算单元包括:
第五计算子单元,用于将所述计算负荷值除以边缘计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的边缘计算资源配置量;
选择子单元,用于从所述可覆盖并发业务量中选择出最大可覆盖并发业务量;
第六计算子单元,用于将所述最大可覆盖并发业务量与所述时钟周期数进行相乘,以计算出每一所述并发业务量覆盖等级的最大计算负荷值;
第七计算子单元,用于在将所述最大计算负荷值减去所述计算负荷值之后除以云计算资源处理并发业务量的延时要求,以计算出每一所述并发业务量覆盖等级下的云计算资源配置量。
3.一种配置系统,其特征在于,所述配置系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行权利要求1所述的云边协同的资源配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210324999.XA CN114697209B (zh) | 2022-03-30 | 2022-03-30 | 一种云边协同计算资源配置方法及配置系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210324999.XA CN114697209B (zh) | 2022-03-30 | 2022-03-30 | 一种云边协同计算资源配置方法及配置系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114697209A CN114697209A (zh) | 2022-07-01 |
CN114697209B true CN114697209B (zh) | 2023-12-22 |
Family
ID=82140595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210324999.XA Active CN114697209B (zh) | 2022-03-30 | 2022-03-30 | 一种云边协同计算资源配置方法及配置系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114697209B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107947179A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 一种考虑风电调度策略的多点线性化随机潮流计算方法 |
CN108304349A (zh) * | 2018-02-13 | 2018-07-20 | 贵州电网有限责任公司 | 一种输变电设备特征参量离散化方法 |
WO2019024445A1 (zh) * | 2017-07-31 | 2019-02-07 | 上海交通大学 | 地理分布交互服务云资源协同优化方法 |
CN110377352A (zh) * | 2019-05-20 | 2019-10-25 | 中国人民解放军军事科学院战争研究院 | 基于移动设备云系统的任务处理方法和装置 |
CN110826890A (zh) * | 2019-10-29 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 一种考虑风险的虚拟电厂的利益分配方法及装置 |
CN112087423A (zh) * | 2020-07-29 | 2020-12-15 | 深圳市国电科技通信有限公司 | 用于终端设备云边协同管理的方法、装置和系统 |
CN112883589A (zh) * | 2021-03-18 | 2021-06-01 | 中国人民解放军国防科技大学 | 一种场景关联度计算方法、装置、计算机设备和存储介质 |
WO2022057940A1 (zh) * | 2020-09-21 | 2022-03-24 | 中国移动通信有限公司研究院 | 一种计算节点资源信息更新方法、节点和存储介质 |
-
2022
- 2022-03-30 CN CN202210324999.XA patent/CN114697209B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024445A1 (zh) * | 2017-07-31 | 2019-02-07 | 上海交通大学 | 地理分布交互服务云资源协同优化方法 |
CN107947179A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 一种考虑风电调度策略的多点线性化随机潮流计算方法 |
CN108304349A (zh) * | 2018-02-13 | 2018-07-20 | 贵州电网有限责任公司 | 一种输变电设备特征参量离散化方法 |
CN110377352A (zh) * | 2019-05-20 | 2019-10-25 | 中国人民解放军军事科学院战争研究院 | 基于移动设备云系统的任务处理方法和装置 |
CN110826890A (zh) * | 2019-10-29 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 一种考虑风险的虚拟电厂的利益分配方法及装置 |
CN112087423A (zh) * | 2020-07-29 | 2020-12-15 | 深圳市国电科技通信有限公司 | 用于终端设备云边协同管理的方法、装置和系统 |
WO2022057940A1 (zh) * | 2020-09-21 | 2022-03-24 | 中国移动通信有限公司研究院 | 一种计算节点资源信息更新方法、节点和存储介质 |
CN112883589A (zh) * | 2021-03-18 | 2021-06-01 | 中国人民解放军国防科技大学 | 一种场景关联度计算方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
考虑卸载成本的配电网能量管理业务云边协同调度方法;康逸群等;CNKI;第15卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114697209A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111427679B (zh) | 面向边缘计算的计算任务调度方法、系统、装置 | |
Gai et al. | Efficiency-aware workload optimizations of heterogeneous cloud computing for capacity planning in financial industry | |
CN104216782A (zh) | 高性能计算和云计算混合环境中的动态资源管理方法 | |
CN109039727B (zh) | 基于深度学习的消息队列监控方法及装置 | |
CN110764714B (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN101609417A (zh) | 基于VxWorks操作系统的混合任务集调度方法 | |
CN114697209B (zh) | 一种云边协同计算资源配置方法及配置系统 | |
CN115438073A (zh) | 一种基于云计算的大数据信息分析系统 | |
CN111985851A (zh) | 银行网点资源调度方法及装置 | |
CN103685014A (zh) | 利用时间序列预测模型增强路由计算可靠性的系统及方法 | |
CN112288562A (zh) | 一种基于大数据的银行柜员智能排班方法及系统 | |
CN112214328A (zh) | 一种用于同构多链中交易处理的负载均衡方法 | |
RU2609076C2 (ru) | Способ и система интеллектуального управления распределением ресурсов в облачных вычислительных средах | |
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 | |
CN115712506A (zh) | 一种资源分配方法以及加速器 | |
Lee et al. | Deep reinforcement learning-based resource allocation in vehicular fog computing | |
CN114138453A (zh) | 一种适合边缘计算环境的资源优化分配方法与系统 | |
Gupta et al. | Fractional difference based hybrid model for resource prediction in cloud network | |
CN109739513B (zh) | 一种多边缘云下服务请求动态调度方法及装置 | |
CN112215394A (zh) | 换流变压器振动信号的预测方法、装置、设备及存储介质 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN117851072A (zh) | 一种容器扩缩容方法、装置、设备及可读存储介质 | |
CN114610491A (zh) | 一种基于随机场景的微电网边缘计算终端资源配置方法 | |
Yang et al. | An Optimization Method for Reliable Cloud Service Composition with Low Resource Occupancy | |
CN112769942B (zh) | 一种基于QoS的微服务动态编排方法 |
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 |