CN114721833B - 一种基于平台业务类型的智能云端协调方法和装置 - Google Patents
一种基于平台业务类型的智能云端协调方法和装置 Download PDFInfo
- Publication number
- CN114721833B CN114721833B CN202210533763.7A CN202210533763A CN114721833B CN 114721833 B CN114721833 B CN 114721833B CN 202210533763 A CN202210533763 A CN 202210533763A CN 114721833 B CN114721833 B CN 114721833B
- Authority
- CN
- China
- Prior art keywords
- matching
- resources
- service
- scheduling
- entity
- 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 30
- 238000000605 extraction Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F9/50—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种基于平台业务类型的智能云端协调方法和装置,涉及云计算领域,通过构建基于业务类型的全知识图谱,通过相似度匹配形成包括业务类型部分的需求子图,将业务类型部分的需求子图与全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策,根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。本发明通过匹配合适的资源调度,随时响应边缘设备的请求调度资源和服务,提高了边缘节点处理器资源的利用率和调用效率,大大提升了用户体验。
Description
技术领域
本发明涉及云计算领域,尤其是涉及一种基于平台业务类型的智能云端协调方法和装置。
背景技术
由于边缘节点的计算能力资源非常有限,而接入边缘节点的AI业务、视频业务等具有较高的突发性,固定的业务算力分配方法难以满足业务高峰期的性能需求,并且业务闲时也会造成边缘算力资源的浪费。
同时,对话系统(Dialogue System)是一种基于自然语言的人机交互系统。通过对话系统,人可以使用自然语言和计算机进行多轮交互来完成特定的任务,如信息查询、服务获取等。对话系统提供了一种更自然、便捷的人机交互方式,广泛应用于车载、家居、客服等场景。但人机对话应用于资源分配领域,缺乏有效的技术保证。
并且随着计算机技术的快速发展,特别是云计算、大数据、移动计算、物联网和社会计算等技术的广泛应用,人机物融合的应用形式开始不断出现。与传统应用相比,人机物应用中云网端多方参与协同计算和存储,动态性需求强烈;关联的实体种类更加广泛,多样性突出;物理实体除了受限于计算等属性,还依赖于物理条件。这些使得支撑人机物应用的资源也表现出自适应性、异构性和物理受限的属性(比如,物理时空属性)。
目前,虚拟化平台产品如VMware ESXi等都提供了虚拟机集群高可用性、负载均衡等虚拟机调度决策功能。但是,用户对于虚拟机调度策略的需求是多种多样的,而现有的虚拟化平台提供的虚拟机调度策略是固定的,不支持策略模板以及策略模板的定制,无法根据用户需求定制虚拟机的调度策略,不能满足用户对于虚拟机调度的高级需求。
目前研究大都集中在传统云资源或物联网领域具体应用的描述规约上,无法全面描述人机物应用的资源需求模型。特别的,人机物应用的资源需求与具体实体之间没有建立有效的映射,不同层次的实体之间也没有建立有效的关联,难以支撑人机物应用对资源需求的新特性、难以保障应用的服务质量,应用类型也难以拓展。
并且,虚拟机调度决策方式存在如下缺陷:不支持策略模板以及策略模板的定制,不能满足用户对于虚拟机调度策略的多样性需求。
因此,本领域的技术人员致力于开发一种解决上述问题的方法。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于平台业务类型的智能云端协调方法和装置,通过人机交互操作获取用户调度请求,并匹配合适的资源调度,随时应边缘设备的请求调度资源和服务,有效提升资源利用率和用户体验。
本申请实施例提供一种基于平台业务类型的智能云端协调方法和装置,能灵活配置用户需求,及时调度资源和服务,灵活性强。
本公开所采用的技术方案是:
本发明实施例的第一方面提出一种基于平台业务类型的智能云端协调方法,其特征在于,应用在边缘云端网络中,用户终端与云端服务器进行通信,云端资源由多边缘节点集群构成,通过云端服务器中的处理器执行以下步骤:知识图谱的构建步骤:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图;用户需求采集步骤:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度;意图识别步骤:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,所述关键信息包括业务类型、触发条件、资源需求;需求子图构建步骤:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图;方案匹配步骤:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源;调度决策计算步骤:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策;业务分配执行步骤:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。
可选的,在本发明实施例第一方面的第一种实现方式中,所述知识图谱包括:以业务类型为单元,构建基于业务类型的单元知识图谱,所述单元知识图谱为描述实体关系的基本单元为三元组,包括头实体、实体关系、尾实体,其中,实体包括资源ID,实体关系包括故障关系、包含关系、因果关系、位于关系、从属关系、作用关系中的一种或多种。
可选的,在本发明实施例第一方面的第一种实现方式中,所述边缘节点提供计算、存储、网络、虚拟化基础设施资源,同时提供设备自身配置、监控、维护、优化等生命周期API;云端提供资源调度管理策略,包括边缘节点的设备管理、资源管理以及网络联接管理,随时应边缘设备的请求调度资源和服务。
本发明实施例的第二方面提供了一种基于平台业务类型的智能云端协调的装置,所述装置应用在边缘云端网络中,用户终端与云端服务器进行通信,云端资源由多边缘节点集群构成,通过云端服务器中的处理器执行上述的基于平台业务类型的智能云端协调的方法,所述装置包括:知识图谱的构建模块:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图;用户需求采集模块:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度;意图识别模块:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,所述关键信息包括业务类型、触发条件、资源需求;需求子图构建模块:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图;方案匹配模块:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源;调度决策计算模块:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策;业务分配执行模块:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。
本发明实施例的第三方面提供了一种电子设备,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,所述处理器执行所述计算机程序时实现所述的基于平台业务类型的智能云端协调的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行任意一项所述的基于平台业务类型的智能云端协调的方法。
本项发明的上述技术方案有益结果如下:
本发明实施例提供的技术方案中,通过构建基于业务类型的全知识图谱,获取用户发送的业务需求对话文本,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图,将业务类型部分的需求子图与全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策,根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。本发明实施例,全方位满足用户需求,提高服务的及时性,同时考虑了处理器功耗,有效提升资源利用率,提高用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,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它的附图。
图1是硬件总体结构图 ;
图2实现任务调度流程示意图;
图3实现任务调度模块示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
本发明实施例提供一种基于平台业务类型的智能云端协调方法及装置,应用于如图1所示的通信网络的架构中;该网络结构包括:云端服务器、多用户终端,其中终端通过移动网络与云计算平台进行通信。云端资源由多边缘节点集群构成。
可选地,通信网络模块可以为,但不限于无线保真(Wireless Fidelity,简称WIFI)通信模块、蓝牙通信 (Harold Bluetooth,简称BLE)模块、Zigbee通信模块等。
请参阅图2,本发明实施例提供的基于平台业务类型的智能云端协调方法的流程图,具体包括: 知识图谱的构建步骤:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图;用户需求采集步骤:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度;意图识别步骤:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,所述关键信息包括业务类型、触发条件、资源需求;需求子图构建步骤:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图;方案匹配步骤:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源;调度决策计算步骤:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策;业务分配执行步骤:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。
S110、知识图谱的构建步骤:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图。
可选的,图作为一种通用的数据结构,被普遍用于表示复杂的结构化数据。相对于其他数据结构,它能更好地存储和表达实体及其联系。已有的全知识图谱是通过实体提取和实体关系提取两个步骤,例如,采用双向LSTM模型进行命名实体识别及关系提取,从搜索引擎缓存中中获取信息构建的,并经过少量人工调整使其准确度满足方案匹配所需。该图谱由实体和实体关系两部分组成。以业务类型为核心构建知识图谱子图,子图包括规则和资源分配方案,将多个子图组合在一起,构建基于业务类型的全知识图谱。
描述实体关系的基本单元为三元组:[头实体(Head),实体关系(Relation),尾实体(Tail)],许多个三元组将实体连接起来形成知识图谱。可选的,实体包括头实体和尾实体,例如在智能交通领域,作为起点的路段的信息可以看成头实体,历史出行的信息可以看成关联关系,作为终点的路段的信息可以看成尾实体。实体间的关联关系可以为两个路段以及两个路段对应的历史出行的信息间的关联关系或目标出行的信息作为关联关系。
S120、用户需求采集步骤:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度
可选的,人机交互操作的形式多种多样,例如,可以通过预设的表单的形式,预设多个设置项,用户根据需要进行实际填写来收集;还可以通过问答对话的形式,由用户对预设的问题进行回答。其中,用户回答的输入形式多种多样,可以为文本输入,图片识别或语音输入。
由于大量的信息采集工作将加大用户端的操作复杂度,影响业务入网速度。因此,采集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度,可以有助于优化对资源的选择问题。
S130、意图识别步骤:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,所述关键信息包括业务类型、触发条件、资源需求;
所述意图识别模型通过训练的方式得到,具体包括:
S2.1、获取用户终端上传的历史行为数据,对历史行为数据进行处理,并为每条历史行为数据轨迹打上真实意图标签;
S2.2、将处理后的历史行为数据输入预设的初始意图识别模型中;
S2.3、通过意图识别模型提取多维语义特征;
S2.4、将多维语义特征与真实意图标签进行匹配,得到匹配数据对;
S2.5、根据匹配数据对,训练初始识别模型,得到意图识别模型。
优选的,所述意图要素抽取模型是基于双向的长短时记忆(LSTM)的循环神经网络预先建立的。
优选的,所述根据所述意图要素抽取模型包括正向LSTM层和反向LSTM层,所述正向LSTM层和反向LSTM层均包括多个LSTM单元,所述根据所述意图要素抽取模型和所述词向量,从所述对话文本信息中确定出表达所述意图类型所需要的意图要素的关键词信息,包括:获取所述正向LSTM层的初始隐向量f0和所述反向LSTM层的初始隐向量bN;从中间变量i的取值等于1开始,执行步骤S1,将中间变量i的取值增加1之后所获得的取值作为中间变量i的当前取值,重复执行步骤S1,直至中间变量i的取值等于N-1,其中,N为所述文本信息中分词的总数;其中,所述步骤S1,将第二隐向量fi-1和所述第i个分词的词向量Vi输入所述正向LSTM层中的第i个LSTM单元,以通过所述正向LSTM层中的第i个LSTM单元生成所述第i个分词的第二隐向量fi和第一输出向量y1,i;从中间变量i的取值等于N开始,执行步骤S2,将中间变量i的取值减1之后所获得的取值作为中间变量i的当前取值,重复执行步骤S2,直至中间变量i的取值等于2;其中,所述步骤S2,将第三隐向量bi和所述第i个分词的词向量Vi输入所述反向LSTM层中的第i个LSTM单元,以通过所述反向LSTM层中的第i个LSTM单元生成所述第i个分词的第二隐向量bi-1和第二输出向量y2,i;针对反向LSTM层中的第1个LSTM单元,将第三隐向量b1和第1个分词的词向量V1输入反向LSTM层中的第1个LSTM单元,以通过反向LSTM层中的第1个LSTM单元生成第1个分词的第二输出向量y2,1;根据每个分词的第一输出向量y1,i和第二输出向量y2,i,分别确定每个分词对应的意图要素标签的概率信息;根据每个分词对应的意图要素标签的概率信息,确定出表达所述意图类型所需要的意图要素的关键词信息。
S140、需求子图构建步骤:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图。
优选的,为了将任务调度领域的用户诉求与文本形式的方案库相匹配,需要利用知识图谱来进行专业领域问题的搜索。因此,用户输入需求文本时,获取关键信息,将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图;再利用知识图谱进行图搜索,将用户的需求子图与方案库的子图相匹配,最终得出调度方案。
S150、方案匹配步骤:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源。
优选的,所述规则模板的配置开发方法包括:
S5.1、收集云端服务器上传的对资源进行调度和协调分配的集群运行历史处理数据;
S5.2、提取历史处理数据中的业务类型、触发条件、资源需求三者之间的对应关系,并存储于表单中;
S5.3、根据类型类型对表单数据进行整理;
S5.4、得到以类型类型为主键的规则模板,配置规则引擎。
优选的,所述将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源,包括:
S6.1,将业务类型映射到全知识图谱中;
S6.2,判断业务类型所在的子图的实体节点在全知识图谱中是否存在完全匹配;
S6.3,如果是,则匹配成功,依次获得匹配规则和调度资源;
S6.4,否则,跳转到子图的该实体的相邻节点,继续执行步骤S2,直至对每个节点单独进行方案匹配。
S160、调度决策计算步骤:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策。
优选的,所述根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策,包括:
S170、业务分配执行步骤:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。
优选的,所述根据最优决策和所述网络环境参数,对资源进行调度和协调分配包括:对网络环境参数中的网络类型、网络剩余资源和信号强度进行加权计算,得到最优网络路线选择,所述路线中包括剩余资源节点;根据最优决策从剩余资源节点中挑选目标资源节点,对资源进行调度和协调分配。
所述边缘节点提供计算、存储、网络、虚拟化基础设施资源,同时提供设备自身配置、监控、维护、优化等生命周期API;云端提供资源调度管理策略,包括边缘节点的设备管理、资源管理以及网络联接管理,随时应边缘设备的请求调度资源和服务。
其中,本发明实施例中的功耗值是一系列固定的数值,它不随调度任务的多少而变化,仅随着芯片的设计以及制作工艺而变化,通常在芯片出厂时已经写到芯片内部,比如,存储在L1Cache中。当然,处理器核的功耗电气特性也可以存储在存储器中,本发明实施例对此不作具体限定。
所述R个多边缘节点的处理器核的功耗值包括第r个cluster的功耗值是指,所述R个cluster的功耗值包括第1个cluster的功耗值,……,第R-1个cluster的功耗值,第R个cluster的功耗值。其中,根据cluster的功耗值,可以计算cluster的能耗。如具体实施方式前序部分所述,cluster的能耗,是指该cluster中电路、L2Cache等公共区域的能耗。cluster的功耗值是一系列固定的数值,它不随调度任务的多少而变化,仅随着芯片的设计以及制作工作而变化。
本发明实施例还提供一种增强云计算协作数据处理的装置,应用于如图1所示的基于平台业务类型的智能云端协调的通信网络中。
如图3所示,该装置包括:知识图谱的构建模块1、用户需求采集模块2、意图识别模块3、需求子图构建模块4、方案匹配模块5、调度决策计算模块6、业务分配执行模块7。
信息收集模块1用于通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度。
知识图谱的构建模块1:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图。
用户需求采集模块2:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度。
意图识别模块3:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,所述关键信息包括业务类型、触发条件、资源需求。
需求子图构建模块4:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图。
方案匹配模块5:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源。
调度决策计算模块6:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策。
业务分配执行模块7:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线。
本发明实施例还提供一种电子设备,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,所述处理器执行所述计算机程序时实现所述的基于平台业务类型的智能云端协调的方法。
本发明实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行所述的基于平台业务类型的智能云端协调的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于平台业务类型的智能云端协调方法,其特征在于,应用在边缘云端网络中,用户终端与云端服务器进行通信,云端资源由多边缘节点集群构成,通过云端服务器中的处理器执行以下步骤:
知识图谱的构建步骤:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图;
用户需求采集步骤:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度;
意图识别步骤:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键信息,所述关键信息包括业务类型和触发条件和资源需求;
需求子图构建步骤:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图;
方案匹配步骤:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源;
调度决策计算步骤:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策;
业务分配执行步骤:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线;
所述知识图谱包括:以业务类型为单元,构建基于业务类型的单元知识图谱,所述单元知识图谱为描述实体关系的基本单元为三元组,包括头实体、实体关系、尾实体,其中,实体包括资源ID,实体关系实体间的关联关系为两个路段以及两个路段对应的历史出行的信息间的关联关系或目标出行的信息作为关联关系;
所述根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策,包括:
所述意图识别模型通过训练的方式得到,具体包括:
获取用户终端上传的历史行为数据,对历史行为数据进行处理,并为每条历史行为数据轨迹打上真实意图标签;
将处理后的历史行为数据输入预设的初始意图识别模型中;
通过意图识别模型提取多维语义特征;
将多维语义特征与真实意图标签进行匹配,得到匹配数据对;
根据匹配数据对,训练初始识别模型,得到意图识别模型。
2.根据权利要求1所述的一种基于平台业务类型的智能云端协调方法,其特征在于,所述将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源,包括:
S1,将业务类型映射到全知识图谱中;
S2,判断业务类型所在的子图的实体节点在全知识图谱中是否存在完全匹配;
S3,如果是,则匹配成功,依次获得匹配规则和调度资源;
S4,否则,跳转到子图的该实体的相邻节点,继续执行步骤S2,直至对每个节点单独进行方案匹配。
3.根据权利要求1所述的一种基于平台业务类型的智能云端协调方法,其特征在于,所述匹配规则的规则模板的配置开发方法包括:
收集云端服务器上传的对资源进行调度和协调分配的集群运行历史处理数据;
提取历史处理数据中的业务类型、触发条件、资源需求三者之间的对应关系,并存储于表单中;
根据类型对表单数据进行整理;
得到以类型为主键的规则模板,配置规则引擎。
4.根据权利要求1所述的一种基于平台业务类型的智能云端协调方法,其特征在于,
所述边缘节点提供计算、存储、网络、虚拟化基础设施资源,同时提供设备自身配置、监控、维护、优化生命周期API;云端提供资源调度管理策略,包括边缘节点的设备管理、资源管理以及网络连接管理,随时响应边缘设备的请求调度资源和服务。
5.一种基于平台业务类型的智能云端协调的装置,所述装置应用在边缘云端网络中,应用在边缘云端网络中,用户终端与云端服务器进行通信,云端资源由多边缘节点集群构成,通过云端服务器中的处理器执行如权利要求1-4中任意一项所述的一种基于平台业务类型的智能云端协调方法,所述装置包括:
知识图谱的构建模块:从搜索引擎缓存中提取成功完成案例的用户历史数据,结合策略库中的规则和调度模板库中的资源,通过实体提取和实体关系提取构建基于业务类型的全知识图谱,其中,所述全知识图谱包括由规则和资源建立的子图;
用户需求采集模块:通过多次人机交互操作获取用户发送的业务需求对话文本,同时收集网络环境参数,所述网络环境参数包括网络类型、网络剩余资源和信号强度;
意图识别模块:对业务需求文件进行解析,提取所述对话文本信息中每个分词的词向量,输入意图识别模型通过相似度匹配确定与意图要素相关的关键词信息,所述关键信息包括业务类型和触发条件和资源需求;
需求子图构建模块:将关键信息中的业务类型映射到知识图谱中,形成包括业务类型部分的需求子图;
方案匹配模块:将所述业务类型部分的需求子图与所述全知识图谱进行匹配,通过图搜索匹配算法,依次获得匹配规则和调度资源;
调度决策计算模块:采用规则引擎对匹配规则和调度资源进行运算,根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策;
业务分配执行模块:根据最优决策和所述网络环境参数,计算多边缘节点的处理器核的功耗值,根据所述功耗值对资源进行调度和协调分配,最后将用户需求部署在实际设备中,实现业务上线;
所述知识图谱包括:以业务类型为单元,构建基于业务类型的单元知识图谱,所述单元知识图谱为描述实体关系的基本单元为三元组,包括头实体、实体关系、尾实体,其中,实体包括资源ID,实体关系实体间的关联关系为两个路段以及两个路段对应的历史出行的信息间的关联关系或目标出行的信息作为关联关系;
所述根据得到的任务总能耗、任务完成总成本和任务完成总时间获取最优决策,包括:
所述意图识别模型通过训练的方式得到,具体包括:
获取用户终端上传的历史行为数据,对历史行为数据进行处理,并为每条历史行为数据轨迹打上真实意图标签;
将处理后的历史行为数据输入预设的初始意图识别模型中;
通过意图识别模型提取多维语义特征;
将多维语义特征与真实意图标签进行匹配,得到匹配数据对;
根据匹配数据对,训练初始识别模型,得到意图识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533763.7A CN114721833B (zh) | 2022-05-17 | 2022-05-17 | 一种基于平台业务类型的智能云端协调方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533763.7A CN114721833B (zh) | 2022-05-17 | 2022-05-17 | 一种基于平台业务类型的智能云端协调方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114721833A CN114721833A (zh) | 2022-07-08 |
CN114721833B true CN114721833B (zh) | 2022-08-23 |
Family
ID=82231074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533763.7A Active CN114721833B (zh) | 2022-05-17 | 2022-05-17 | 一种基于平台业务类型的智能云端协调方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114721833B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114979281B (zh) * | 2022-07-11 | 2022-11-08 | 成都信息工程大学 | 一种应用于工业互联网云服务平台的数据交互方法 |
CN115185663B (zh) * | 2022-07-26 | 2023-04-07 | 贵州开放大学(贵州职业技术学院) | 一种基于大数据的智慧化数据处理系统 |
CN115511086B (zh) * | 2022-11-03 | 2024-05-24 | 上海人工智能创新中心 | 一种针对超大模型的分布式推理部署系统 |
CN115759256A (zh) * | 2022-11-24 | 2023-03-07 | 中安华邦(北京)安全生产技术研究院股份有限公司 | 一种安全生产数字化知识库构建方法、系统、介质及设备 |
CN116774946B (zh) * | 2023-07-17 | 2024-01-05 | 广州华企联信息科技有限公司 | 基于云边融合的几何数据存储优化方法及系统 |
CN117150138B (zh) * | 2023-09-12 | 2024-06-18 | 广东省华南技术转移中心有限公司 | 一种基于高维空间映射的科技资源组织方法及系统 |
CN117421107B (zh) * | 2023-12-14 | 2024-03-08 | 江西飞尚科技有限公司 | 监测平台调度方法、系统、可读存储介质及计算机 |
CN117555586B (zh) * | 2024-01-11 | 2024-03-22 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
CN117648444B (zh) * | 2024-01-30 | 2024-04-30 | 广东省华南技术转移中心有限公司 | 基于图卷积属性聚合的专利聚类方法和系统 |
CN118338327B (zh) * | 2024-06-13 | 2024-09-10 | 武汉攀升鼎承科技有限公司 | 一种基于无线通信的QoS架构管理系统及其工作方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127292B2 (en) * | 2012-12-03 | 2018-11-13 | Ut-Battelle, Llc | Knowledge catalysts |
CN105956053B (zh) * | 2016-04-27 | 2019-07-16 | 海信集团有限公司 | 一种基于网络信息的搜索方法及装置 |
CN109240821B (zh) * | 2018-07-20 | 2022-01-14 | 北京航空航天大学 | 一种基于边缘计算的分布式跨域协同计算与服务系统及方法 |
CN110825882B (zh) * | 2019-10-09 | 2022-03-01 | 西安交通大学 | 一种基于知识图谱的信息系统管理方法 |
CN111061859B (zh) * | 2019-12-02 | 2023-09-12 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置和计算机设备 |
KR102183053B1 (ko) * | 2020-02-14 | 2020-11-25 | 국방과학연구소 | 지식 그래프를 정제하기 위한 장치, 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 |
CN112749284B (zh) * | 2020-12-31 | 2021-12-17 | 平安科技(深圳)有限公司 | 知识图谱构建方法、装置、设备及存储介质 |
CN113434634A (zh) * | 2021-06-28 | 2021-09-24 | 国网北京市电力公司 | 知识图谱构建方法、装置 |
CN114357190A (zh) * | 2021-12-30 | 2022-04-15 | 绿盟科技集团股份有限公司 | 一种数据检测方法、装置、电子设备及存储介质 |
CN114090271B (zh) * | 2022-01-24 | 2022-04-29 | 中诚华隆计算机技术有限公司 | 云计算资源分配方法、装置、计算设备及存储介质 |
CN114416891B (zh) * | 2022-03-28 | 2022-07-15 | 支付宝(杭州)信息技术有限公司 | 在知识图谱中进行数据处理的方法、系统、装置和介质 |
-
2022
- 2022-05-17 CN CN202210533763.7A patent/CN114721833B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114721833A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114721833B (zh) | 一种基于平台业务类型的智能云端协调方法和装置 | |
CN114915630B (zh) | 基于物联网设备的任务分配方法、网络训练方法及装置 | |
CN111984381A (zh) | 一种基于历史数据预测的Kubernetes资源调度优化方法 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
Kumar et al. | Mobile cloud networking for efficient energy management in smart grid cyber-physical systems | |
CN111489095A (zh) | 一种风险用户管理方法、装置、计算机设备和存储介质 | |
Guo et al. | Optimization technology in cloud manufacturing | |
Vu et al. | Distributed adaptive model rules for mining big data streams | |
CN110119399B (zh) | 基于机器学习的业务流程优化方法 | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
CN102945283A (zh) | 一种语义Web服务组合方法 | |
Dong et al. | A hybrid algorithm for workflow scheduling in cloud environment | |
CN117241393A (zh) | 一种基于服务意图的算力网络协同业务调度方法和系统 | |
Shukla et al. | FAT-ETO: Fuzzy-AHP-TOPSIS-Based efficient task offloading algorithm for scientific workflows in heterogeneous fog–cloud environment | |
CN111209105A (zh) | 扩容处理方法、装置、设备及可读存储介质 | |
CN117271101A (zh) | 一种算子融合方法、装置、电子设备及存储介质 | |
CN117290090A (zh) | 节点协同资源分配方法、装置、设备及存储介质 | |
Zhang et al. | A Novel Ant Colony Optimization Algorithm for Large Scale QoS‐Based Service Selection Problem | |
Zhang et al. | A dynamic web service composition algorithm based on TOPSIS | |
Shao et al. | An improved artificial bee colony-based approach for zoning protected ecological areas | |
CN116896591A (zh) | 网络数据分析模型调度方法、装置和计算机设备 | |
Zhang et al. | Web service composition algorithm based on TOPSIS | |
CN114385359B (zh) | 一种物联网云边端任务时序协同方法 | |
CN112257977B (zh) | 模糊工时下资源受限的物流项目工期优化方法及系统 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 |
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 |