CN114978908A - 算力网络节点评价及操作方法和装置 - Google Patents

算力网络节点评价及操作方法和装置 Download PDF

Info

Publication number
CN114978908A
CN114978908A CN202210515169.5A CN202210515169A CN114978908A CN 114978908 A CN114978908 A CN 114978908A CN 202210515169 A CN202210515169 A CN 202210515169A CN 114978908 A CN114978908 A CN 114978908A
Authority
CN
China
Prior art keywords
node
power
computing power
calculation
service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210515169.5A
Other languages
English (en)
Other versions
CN114978908B (zh
Inventor
蔡剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quantum Technology Yangtze River Delta Industrial Innovation Center
Original Assignee
Quantum Technology Yangtze River Delta Industrial Innovation Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Quantum Technology Yangtze River Delta Industrial Innovation Center filed Critical Quantum Technology Yangtze River Delta Industrial Innovation Center
Priority to CN202210515169.5A priority Critical patent/CN114978908B/zh
Publication of CN114978908A publication Critical patent/CN114978908A/zh
Priority to PCT/CN2022/119801 priority patent/WO2023216489A1/zh
Application granted granted Critical
Publication of CN114978908B publication Critical patent/CN114978908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • 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)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种算力网络节点评价及操作方法和装置，其中方法包括：确定算力网络的算力整体信息；基于算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对算力服务需求的算力服务进行评价，得到各算力节点的算力评价值；基于各算力节点的算力评价值，以及算力服务需求对应的时段内各算力节点的算力调用模式，确定算力服务需求对应的算力配置方案；分别向算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使算力需求节点与算力服务节点建立算力调用连接，完成算力服务需求。本发明实施例提供的算力网络节点评价及操作方法和装置，能够有效提高算力网络的算力资源利用率，增强形成协同算力。

Description

算力网络节点评价及操作方法和装置
技术领域
本发明涉及电子计算和量子计算技术领域，尤其涉及一种算力网络节点评价及操作方法和装置。
背景技术
数字经济的发展带来了高速增长的算力需求。提升算力效能和降低算力成本是计算机与互联网领域的关键技术问题。
算力网技术成为显著提升互联网和云计算信息技术价值的关键技术。现有云计算技术对算力资源的提升手段主要来自两个技术方向：一个是提升服务器的计算速度和性能，另一个是优化网络数据传输速度和性能。
然而，这两个技术方向主要采用了电子计算机内部或局部网络系统优化的方式，受限于自身的计算资源和网络传输结构体系，难以解决大规模网络中的算力优化问题。
发明内容
本发明提供一种算力网络节点评价及操作方法和装置，用以解决现有技术中云计算技术难以解决大规模网络中的算力优化问题的缺陷。
本发明提供一种算力网络节点评价及操作方法，应用于算力网络中的算力服务器，所述算力网络包括至少一个算力节点，所述方法包括：
确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；
基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值；
基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；
分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
根据本发明提供的算力网络节点评价及操作方法，所述基于所述算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值，包括：
基于所述算力整体信息和算力需求节点发送的算力服务需求，确定满足所述算力服务需求的第一候选算力节点；
基于所述算力需求节点与各第一候选算力节点之间的历史算力服务量，以及所述算力需求节点与各第一候选算力节点之间的连接关系，生成针对所述算力服务需求的算力网络矩阵，所述历史算力服务量基于所述算力整体信息确定；
对所述算力网络矩阵进行求解，得到各第一候选算力节点的算力评价值。
根据本发明提供的算力网络节点评价及操作方法，所述基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，确定满足所述算力服务需求的第一候选算力节点，包括：
确定所述算力服务需求对应的算力服务特征参数需求和算法信息；
从算力服务量化特征库中，确定出符合所述算力服务特征参数需求和算法信息的第一候选算力节点，所述算力服务量化特征库基于所述算力整体信息确定。
根据本发明提供的算力网络节点评价及操作方法，所述算力服务量化特征库基于如下步骤确定：
基于所述算力整体信息，生成算力服务特征参数；
提取所述算力服务特征参数中各算力服务节点服务的量化特征，得到各算力服务量化特征；
基于所述各算力服务量化特征，确定算力服务量化特征库。
根据本发明提供的算力网络节点评价及操作方法，所述基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，包括：
从所述第一候选算力节点中，确定出第二候选算力节点，所述第二候选算力节点为所述算力服务需求对应的时段内所述算力调用模式为开放模式的算力节点；
以算力路径中各算力节点的算力评价值之和最高、所述算力路径中各算力节点的算力价格之和最低、所述算力路径中各算力节点的算力评价值之和与算力价格之和的比率最高，中的至少一种为目标，从所述第二候选算力节点中确定出最优算力路径，并基于所述最优算力路径确定所述算力服务需求对应的算力配置方案；
所述算力价格基于所述算力节点信息确定。
根据本发明提供的算力网络节点评价及操作方法，所述分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求之后，还包括：
监督所述算力需求节点向所述算力服务节点支付算力费用，并接收所述算力需求节点返回的算力状态更新信息；
基于所述算力状态更新信息，更新所述算力整体信息。
根据本发明提供的算力网络节点评价及操作方法，所述各算力节点的算力调用模式是各算力节点针对本节点的任一算力服务需求，判断算力服务是否盈余确定的；
在所述算力服务盈余的情况下，各算力节点确定所述算力调用模式为开放模式，否则为自给模式。
本发明还提供一种算力网络节点评价及操作装置，应用于算力网中的算力服务器，所述算力服务器包括至少一个算力节点，所述装置包括：
算力信息确定单元，用于确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；
算力服务评价单元，用于基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力需求节点的算力服务进行评价，得到各算力节点的算力评价值；
配置方案确定单元，用于基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；
操作指令发送单元，用于分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
本发明还提供一种电子设备或量子设备，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电子计算机或量子计算机程序，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节点评价及操作方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有电子计算机程序和/或量子计算机程序，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节点评价及操作方法。
本发明还提供一种计算机程序产品，包括电子计算机程序和/或量子计算机程序，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节点评价及操作方法。
本发明提供的算力网络节点评价及操作方法和装置，相较于现有技术中，结构和协议以网络路由数据传输速度作为目标，并未考察到算法和算力层面，难以实现大规模算力网络的算力优化，本发明采用算力网整体信息，实现网络结构中各个算力节点的算力评价，计算出算力网算力服务的配置方案，管理和监督算力服务的交易和完成，从而做到动态实时高效的算力配置和操作。
此外，算力服务需求对应的时段内，各个开放模式的算力节点将算力并网服务，算力服务器发挥量子计算的强大算力优势，对算力网络系统进行优化配置和操控。显著提高互联网的处理器，存储器，网络路由器等算力网络资源的利用率。
算力节点以开放模式并网，能够调用算力网上更多不同类型的算力服务，实际效果是扩充了每个算力节点的处理器类型和能力。每个算力节点都可扩充形成协同算力，应用程序不依赖于硬件处理器，在不同算力节点调用算力时不需要重新修改代码和编译，大幅度增强整体协同计算效率。
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节点评价及操作方法的流程示意图之一；
图2是本发明提供的算力网络的示意图；
图3是本发明提供的算力网络节点评价及操作方法的流程示意图之二；
图4是本发明提供的算力网络节点评价及操作装置的结构示意图；
图5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。
在提升服务器计算速度和性能方向，FaaS(功能即服务)技术提供了一种基础性的云计算服务模式。然而，FaaS平台冷启动时间，即启动新容器以执行功能所需的时间，可能导致数秒的执行延迟，硬件异构性使得预测功能的执行时间变得困难，复杂的触发机制可能导致某些平台上的功能执行出现明显延迟，从而限制了算力资源的利用。
在优化网络数据传输速度和性能方面，软件定义网络(Software DefinedNetwork，SDN)技术优化的是网络流量的传输，并不能从本质上优化控制算力网算力性能。
此外，现有的被动缩减路由传输路径信息的方案有两种：一种是在路由表中将目的地址设置为网络地址而非主机地址，同一网络上的所有主机作为一表项，以节约路由表的存储空间，提高查表效率；二是在路由表中只保留到达目的地的下一跳路由，而非全部路径，以简化路由表，让每个路由器独立选择路径。
由于网络中的计算资源随时处于动态变化当中，对于亿级算力节点的大规模网络，电子计算机的查表和路径计算速度赶不上算力资源变化速度，因此这两种被动缩减信息方案都无法解决复杂网络的动态算力配置问题。
基于此，本发明实施例提供一种算力网络节点评价及操作方法，该方法应用于包括至少一个算力节点的算力网络中，采用算力网整体信息，实现网络结构中各个算力节点的算力评价，计算出算力网算力服务的配置方案，管理和监督算力服务的交易和完成，从而做到动态实时高效的算力配置和操作。
图1是本发明实施例提供的算力网络节点评价及操作方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤110，确定算力网络的算力整体信息，算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系。
具体地，算力整体信息可反映算力网络中各个算力节点的算力节点信息和网络信息。算力服务器可定期收集和更新算力网的算力整体信息。算力服务器通过算力网中算力节点网络端口获得各算力节点的算力节点信息，或者通过应用程序接口(ApplicationProgram Interface，API)或专用算力监控端口收集算力节点信息。
此处各算力节点可包括电子计算机，量子计算机，服务器，路由器，移动计算设备，传感器等。
算力节点信息具体可包括各算力节点的信息输入参数、数据计算参数和信息输出参数。
其中，信息输入参数包括算力节点调用自身存储器的信息速度，以及互联网传输信息速度。数据计算参数包括处理器类型，例如CPU，GPU，专用处理器，嵌入式处理器等硬件参数，以及处理器在各种计算环境下对不同算法加数据组合的处理速度。信息输出参数包括各算力节点计算数据存储和网络传输方式，以及在各种网络环境下的数据输出速度。
各算力节点之间的连接关系，即网络信息，此处的连接关系通常是指动态连接关系。具体可包括任意两个算力节点之间存在的连接方式，网络协议，连接端口，路由方式等。连接关系还包括算力节点在特定时间提供的互联网连接的协议和端口。
步骤120，基于算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对算力服务需求的算力服务进行评价，得到各算力节点的算力评价值。
具体地，算力需求节点发送的算力服务需求是指算力网络中，任意一个算力需求节点向服务器发送的算力服务需求。算力服务需求包括待算力服务的算力性能指标信息，算法信息，计算数据信息，算力服务价格上限信息，算力服务完成时间要求等。
服务器收到该算力服务需求后，即可根据算力整体信息，查询到符合该算力服务需求的各个算力节点。根据算力整体信息中的历史算力服务量，对符合该算力服务需求的各个算力节点的算力服务进行评价，得到各算力节点的算力评价值。
由此得到的算力评价值可以反映各个算力节点针对该算力服务需求的重要程度。算力评价值越高，则其对应的算力节点针对该算力服务需求的重要程度越高，服务器在进行算力配置时，被调用的可能性越高；算力评价值越低，则其对应的算力节点针对该算力服务需求的重要程度越低，服务器在进行算力配置时，被调用的可能性越低。
步骤130，基于各算力节点的算力评价值，以及算力服务需求对应的时段内各算力节点的算力调用模式，确定算力服务需求对应的算力配置方案，算力调用模式为自给模式或开放模式。
具体地，在得到各算力节点的算力评价值的基础上，结合算力服务需求对应的时段内各算力节点的算力调用模式，对该算力服务需求进行方案配置，得到该算力服务需求对应的算力配置方案。
此处，算力调用模式为自给模式或开放模式。其中，自给模式表示该算力节点调用本机处理器和存储器进行计算处理；开放模式表示该算力节点需调用外部算力节点的处理器，同时本机算力被其他算力节点调用。
可理解的是，服务器可根据算力服务需求对应的时段内各算力节点的算力调用模式，确定是否调用各个算力节点参与算力服务需求对应的计算任务。算力服务需求对应的时段内，处于开放模式的各算力节点是可以被调用的。
随即，服务器综合考虑各算力节点的算力评价值，对该算力服务需求进行方案配置，得到该算力服务需求对应的算力配置方案。算力配置方案用于指示算力需求节点和对应的算力服务节点，相应的网络路径，以及需要完成的算力任务等。
步骤140，分别向算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使算力需求节点与算力服务节点建立算力调用连接，完成算力服务需求。
具体地，服务器在得到算力配置方案的基础上，按照算力配置方案向算力需求节点和算力服务节点发送算力操作指令，算力节点回应算力服务器的指令，并确认算力配置方案，算力服务器接收确认信息。
算力需求节点接收并确认采用算力配置方案，算力需求节点向确认请求的算力服务节点建立算力调用网络连接，发出方程调用和数据，算力服务节点将计算完成数据通过网络连接返回算力需求节点或者传输到下一个算力服务节点，直至完成整个算力过程。
本发明实施例提供的算力网络节点评价及操作方法，相较于现有技术中，结构和协议以网络路由数据传输速度作为目标，并未考察到算法和算力层面，难以实现大规模算力网络的算力优化，本发明采用算力网整体信息，实现网络结构中各个算力节点的算力评价，计算出算力网算力服务的配置方案，管理和监督算力服务的交易和完成，从而做到动态实时高效的算力配置和操作。
此外，算力服务需求对应的时段内，各个开放模式的算力节点将算力并网服务，算力服务器发挥量子计算的强大算力优势，对算力网络系统进行优化配置和操控。显著提高互联网的处理器，存储器，网络路由器等算力网络资源的利用率。
算力节点以开放模式并网，能够调用算力网上更多不同类型的算力服务，实际效果是扩充了每个算力节点的处理器类型和能力。每个算力节点都可扩充形成协同算力，应用程序不依赖于硬件处理器，在不同算力节点调用算力时不需要重新修改代码和编译，大幅度增强整体协同计算效率。
基于上述实施例，步骤120具体包括：
步骤121，基于算力整体信息和算力需求节点发送的算力服务需求，确定满足算力服务需求的第一候选算力节点；
步骤122，基于算力需求节点与各第一候选算力节点之间的历史算力服务量，以及算力需求节点与各第一候选算力节点之间的连接关系，生成针对算力服务需求的算力网络矩阵，历史算力服务量基于算力整体信息确定；
步骤123，对算力网络矩阵进行求解，得到各第一候选算力节点的算力评价值。
具体地，服务器收到算力需求节点发送的算力服务需求，可根据收集得到的算力整体信息，确定满足算力服务需求的第一候选算力节点。此处的第一候选算力节点是指能够为算力需求节点提供算力服务的节点，即能够被算力需求节点调用算力服务的节点。
在一个算力网络中，算力节点A为算力节点B提供算力服务有两个必要条件：1)服务提供者A的算力服务特征参数与服务需求者B相匹配；2)两者之间存在能够实现算力调用的网络连接。算力网络中所有满足这两个必要条件的第一候选算力节点构成一个算力服务子网络，进而生成第一候选算力节点针对所述算力服务需求的算力网络矩阵。
算力评价是对每个算力节点针对给定算力服务需求的相对重要程度进行定量计算。在这个算力服务子网络中，最简单的算法是任一算力节点在其可能服务对象当中均分互动的概率，一个算力节点i可调用的算力节点越多，在特定时刻算力节点i调用某个可调用算力节点算力服务的概率越小。在任意时刻，算力节点i可选择调用自己的算力，也可选择调用其他算力节点的算力，调用的时间t越长，获得的算力服务量越大，因此，算力节点i获得的算力服务量S′i的概率期望值由以下公式计算：
Figure BDA0003639217260000111
式中，S′i为第i个算力节点获得的算力服务量期望值，di为第i个算力节点调用其他算力节点的概率，t为算力调用的时长，Sj为第j个第一候选算力节点对外提供的算力服务量，cj为与第j个算力节点存在算力调用关系的节点数。
同样的，算力节点i提供的算力服务量Si的概率期望值由以下公式计算：
Figure BDA0003639217260000112
式中，Si为第i个节点提供的算力服务量期望值，di为第i个算力节点被其他算力节点调用的概率，t为算力调用的时长，S′j为第j个算力节点获得的算力服务量期望值，cj′为与第j个算力节点存在被调用关系的节点数。
单位时间算力服务的量为算力价值量，算力节点i获得的算力价值量的概率期望值vi′由以下公式计算：
Figure BDA0003639217260000121
式中，vi′为第i个算力节点获得的算力价值量，vj为第j个算力节点提供的算力价值量。
同样的，算力节点i提供的算力价值量的概率期望值vi由以下公式计算：
Figure BDA0003639217260000122
vi为第i个算力节点提供的算力价值量，vj′为第j个算力节点获得的算力价值量。
对于一个特定的算力网络矩阵，各第一候选算力节点的算力价值量，即算力评价值，可通过以上算法迭代计算。各第一候选算力节点的算力评价值在有限次迭代中会收敛为一个稳定值，全部第一候选算力节点构成的向量即为算力需求节点连接的算力网络结构矩阵针对该算力服务需求对应的特征向量。
需要说明的是，在满足算力服务需求的基础上，第一候选算力节点的算力评价值vi越高，其重要程度相对越高，其网络安全级别越高。对于调用高价值算力节点的算力服务，算力服务器依据网络安全规则进行判断，例如，对于密码破译，核反应模拟，生化模拟计算等算力服务，如果一个算力节点的安全级别不够，算力服务器将阻断其对重要的高价值算力节点的算力调用。
各个节点的算力评价值可定期更新，如一小时更新一次，或者根据需要及时更新，本发明实施例对此不作具体限定。
本发明实施例提供的方法，首先确定满足算力服务需求的第一候选算力节点，再生成针对所述算力服务需求的算力网络矩阵，对算力网络矩阵进行求解，得到各第一候选算力节点的算力评价值。由此得到的算力评价值为服务器进行算力配置提供了数据基础，从而实现动态高效的算力配置和操作。
此外，对于涉及到诸如密码破译算法之类的安全层级的算力服务需求，算力服务器可在满足算力服务需求的基础上，进一步通过算力评价值，对算力节点进行验证审核和阻断，这种安全机制从算力层面防止了威胁到公众和社会安全的网络攻击。
基于上述任一实施例，步骤121具体包括：
步骤121-1，确定算力服务需求对应的算力服务特征参数需求和算法信息；
步骤122-1，从算力服务量化特征库中，确定出符合算力服务特征参数需求和算法信息的第一候选算力节点，算力服务量化特征库基于算力整体信息确定。
具体地，满足算力服务需求的第一候选算力节点可基于如下步骤确定：
首先，根据算力服务需求，确定与该算力服务需求对应的算力服务特征参数需求和算法信息。
再从算力服务量化特征库中，进行查找确定出符合算力服务特征参数需求和算法信息的第一候选算力节点。
在一个实施例中，算力服务量化特征库基于如下步骤确定：
步骤210，基于算力整体信息，生成算力服务特征参数；
步骤220，提取算力服务特征参数中各算力服务节点服务的量化特征，得到各算力服务量化特征；
步骤230，基于各算力服务量化特征，确定算力服务量化特征库。
具体地，算力服务器将收集的算力整体信息生成算力服务特征参数，提取算力服务特征参数中每一算力服务节点服务的量化特征，将所有算力服务的量化特征生成算力服务量化特征库。
一个算力服务量化特征包括一组算力特征维度构成的向量。例如，算力特征维度包括：算法类型，数据类型，计算速度，输入数据量，输出数据量，网络连接速度，计算错误率，开始时间，结束时间，收费价格，购买价格，交易方式等。
任意两个算力节点构成一个算力关系，每个算力关系对应多个可能的算力服务量化特征。所有算力服务的量化特征构成算力服务量化特征库。
作为算力网根节点的算力服务器定时收集和更新算力服务量化特征库，对收集到的各个算力节点的节点算力信息建立算力服务特征值，对信息不完整或收集不到的算力节点，采用机器学习方式模拟所述算力服务量化特征。收集到的算力服务量化特征比模拟的算力服务量化特征具有更高信度和更新优先级。
本发明实施例提供的方法，将算力整体信息转化成算力服务特征参数，并据此构建算力服务量化特征库，通过分析任意一个算力需求节点发送的算力服务需求所对应的算力服务特征参数需求和算法信息，与构建的算力服务量化特征库进行匹配，从而实现更加精准可靠的动态算力配置和操作。
此外，通过对算力服务特征参数的分析，算力服务器能够对全网络的算力服务配置和操作进行监督。对于涉及到诸如密码破译算法之类的安全层级的算力服务需求，算力服务器可基于算力服务量化特征库，对算力节点进行验证审核和阻断，这种安全机制从算力层面防止了威胁到公众和社会安全的网络攻击。
基于上述任一实施例，步骤130具体包括：
步骤131，从第一候选算力节点中，确定出第二候选算力节点，第二候选算力节点为算力服务需求对应的时段内算力调用模式为开放模式的算力节点；
步骤132，以算力路径中各算力节点的算力评价值之和最高、算力路径中各算力节点的算力价格之和最低、算力路径中各算力节点的算力评价值之和与算力价格之和的比率最高，中的至少一种为目标，从第二候选算力节点中确定出最优算力路径，并基于最优算力路径确定算力服务需求对应的算力配置方案；
算力价格基于算力节点信息确定。
具体地，在得到第一候选算力节点的基础上，可从第一候选算力节点中，将算力服务需求对应的时段内算力调用模式为开放模式的算力节点，确定为第二候选算力节点。
可理解的是，第二候选算力节点为算力需求节点在完成该算力服务需求的时段内，可以调用的节点。
随即，算力服务器根据该算力服务需求进行智能搜索选出最优的算力配置方案和程序。
在进行算力配置时，算力度量标准为完成该算力服务需求对应的计算任务所需的相对成本。算力度量标准包括算力价值度量标准和算力价格度量标准。
算力价值度量标准指从起始算力节点到达结束算力节点所调用的算力节点和路由器的算力价值量总和，此处的算力价值量即算力评价值。
算力价格度量标准指从起始算力节点到达结束算力节点所花费的算力价格和传输数据成本总和，此处的算力价格可根据算力整体信息中的算力节点信息得到。
假设完成该算力服务需求所使用的算力节点数目为n，完成算力任务存在多个算力路径，算力服务器计算最优算力路径。算力服务器在计算最优算力路径的时候，可采用最高价值路径策略，最低成本路径策略，也可采用开放最高性价比路径优先(Open ValuablePath First，OVPF)协议，例如OVPF协议选择价值度量标准值高而价格度量标准值低的路径。
此处，最高价值路径策略，即以算力路径中各算力节点的算力评价值之和最高为目标；最低成本路径策略，即以算力路径中各算力节点的算力价格之和最低为目标；开放最高性价比路径，即以算力路径中各算力节点的算力评价值之和与算力价格之和的比率最高为目标
需要说明的是，OVPF不同于现有技术的开放最短路径优先(Open Shortest PathFirst，OSPF)协议，该协议是一个内部网关协议，用于在大型或特大型互联网络中交换路由信息，最多可支持几百台路由器，不适用于大规模网络路由。本实施例的OVPF协议采用量子算力服务器以实现亿级大规模算力网的操作配置。
可采用算法计算得到算力路径，并基于所述算力路径确定算力服务需求对应的算力配置方案。
优选的，在一个实施例中，算力网最优算力路径路的选择采用Dijkstra迪杰斯特拉算法和Floyd算法相结合的方式。算力网节点之间的连接权重标识算力效率，连接的路径越短，表示算力调用的效率(例如，算力性价比)越高。Dijkstra迪杰斯特拉算法是一个单源的求最短路径，从一个顶点出发，Dijkstra算法只能求一个顶点到其他点的最短距离而不能任意两点。Floyd算法可以求出一张图中任意两点的最短路径，且允许图中存在负权重边的情况。Floyd算法是一种利用动态规划思想寻找给定的加权图(有向图和无向图均可)中多源点之间最短路径的算法，即两点之间的最短距离为两点之间的当前距离和引入中介节点后的距离之中取最短。Floyd算法可以算出图中任何两个顶点之间的最短路径，时间复杂度为O(n^3)，而单源点最短路径Dijkstra算法的时间复杂度为O(n^2)。对大规模复杂网络，Floyd算法和Dijkstra算法的路径规划的计算时间相对较长，而期间算力网络的结构和参数会出现动态变化，这就导致路径规划结果不及时和不准确。在实施中采用量子算力服务器或超级计算机才能保障路径规划的计算时间远小于算力调用的时间。
基于上述任一实施例，步骤140之后，还包括：
步骤141，监督算力需求节点向算力服务节点支付算力费，并接收算力需求节点返回的算力状态更新信息；
步骤142，基于算力状态更新信息，更新算力整体信息。
具体地，算力需求节点完成每次算力调用后，向算力服务节点支付算力费用，向算力服务器发出算力信息状态更新信息。
算力服务器对算力过程进行评价，监督算力需求节点向算力服务节点费用支付过程。算力服务器根据接收到的算力状态更新信息，更新算力整体信息。
基于上述任一实施例，各算力节点的算力调用模式是任一算力节点针对本节点的任一算力服务需求，判断算力服务是否盈余确定的；
在算力服务盈余的情况下，任一算力节点确定算力调用模式为开放模式，否则为自给模式。
具体地，算力调用模式分为两类，第一类为自给模式，即算力节点调用本机处理器和存储器进行计算处理；第二类为开放模式，即算力节点调用外部算力节点的处理器，本机算力被其他算力节点调用。
对于任意一个算力节点，在特定算题任务时，即针对本节点的任一算力服务需求时，在计算程序中将该任务分解为一个由信息处理计算方程(Function)构成的计算服务过程，即为一个方程和数据调用的关系模型，对每个计算方程和计算数据构成的算力服务需求，该算力节点做出如下判断：
算力出口价格Po×任务时长to×出口概率ro>算力进口价格Pi×任务时长ti×进口概率ri
其中，算力出口价格Po、任务时长to、算力进口价格Pi和任务时长ti可通过算力整体信息中的算力节点信息确定；出口概率ro和进口概率ri由算力服务器基于算力操作统计得出。
针对任一算力服务需求，各算力节点经过计算，如果满足上式，则判断算力服务盈余，同时选择算力调用模式为开放模式；如果不满足上式，则判断算力服务没有盈余，同时选择算力调用模式为自给模式。同时各算力节点与服务器进行通信，使得服务器及时知晓各算力节点的算力调用模式。
本发明实施例提供的方法，各算力节点通过计算判断算力服务是否盈余，在算力服务盈余的情况下，选择算力服务模式为开放模式，避免对算力资源的浪费。
此外，算力节点以开放模式并网，能够调用算力网上更多不同类型的算力服务，实际效果是扩充了每个算力节点的处理器类型和能力。每个算力节点都可扩充形成协同算力，应用程序不依赖于硬件处理器，在不同算力节点调用算力时不需要重新修改代码和编译，大幅度增强整体协同计算效率。
基于上述任一实施例，图2是本发明实施例提供的算力网络的示意图，如图2所示，该算力网包括算力服务器200和N个算力节点。算力服务器200与各算力节点之间实现数据传输。
图3是本发明提供的算力网络节点评价及操作方法的流程示意图之二，如图3所示，该方法包括：
步骤310，算力服务器定期收集和更新算力网络的算力整体信息。
所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系。
步骤320，基于算力整体信息，对算力服务进行评价，得到各算力节点的算力评价值。
步骤330，算力节点对计算方程和计算数据构成的算力服务需求进行判断。
判断算力服务是否盈余，在所述算力服务盈余的情况下，算力节点确定算力调用模式为开放模式，否则为自给模式。
步骤340，算力服务器根据该算力服务需求进行智能搜索，选出最优的算力配置方案和程序。
以算力路径中各算力节点的算力评价值之和最高、所述算力路径中各算力节点的算力价格之和最低、所述算力路径中各算力节点的算力评价值之和与算力价格之和的比率最高，中的至少一种为目标，从所述第二候选算力节点中确定出最优算力路径，并基于所述最优算力路径确定所述算力服务需求对应的算力配置方案。
步骤350，算力需求节点接收并确认采用算力配置方案完成计算过程，更新算力网信息。
参照图2，根据算力配置方案，算力需求节点201向确认请求的算力服务节点202建立算力调用网络连接203，发出方程调用和数据，算力服务节点202将计算完成数据通过网络连接204返回算力需求节点201或者传输到下一个算力服务节点205，直至完成整个算力过程。
可选地，关于步骤310-350的进一步说明和解释，可以参照上述各实施例的说明和解释，且能达到相同的技术效果，为避免重复，在此不再赘述。
下面对本发明提供的算力网络节点评价及操作装置进行描述，下文描述的算力网络节点评价及操作装置与上文描述的算力网络节点评价及操作方法可相互对应参照。
图4是本发明提供的算力网络节点评价及操作装置的结构示意图，如图4所示，该装置包括：
算力信息确定单元410，用于确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；
算力服务评价单元420，用于基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力需求节点的算力服务进行评价，得到各算力节点的算力评价值；
配置方案确定单元430，用于基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；
操作指令发送单元440，用于分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
本发明实施例提供的算力网络节点评价及操作装置，采用算力网整体信息，实现网络结构中各个算力节点的算力评价，计算出算力网算力服务的配置方案，管理和监督算力服务的交易和完成，从而做到动态实时高效的算力配置和操作。
此外，算力服务需求对应的时段内，各个开放模式的算力节点将算力并网服务，算力服务器发挥量子计算的强大算力优势，对算力网络系统进行优化配置和操控。显著提高互联网的处理器，存储器，网络路由器等算力网络资源的利用率。
算力节点以开放模式并网，能够调用算力网上更多不同类型的算力服务，实际效果是扩充了每个算力节点的处理器类型和能力。每个算力节点都可扩充形成协同算力，应用程序不依赖于硬件处理器，在不同算力节点调用算力时不需要重新修改代码和编译，大幅度增强整体协同计算效率。
基于上述任一实施例，算力服务评价单元420进一步用于：
基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，确定满足所述算力服务需求的第一候选算力节点；
基于所述算力需求节点与各第一候选算力节点之间的历史算力服务量，以及所述算力需求节点与各第一候选算力节点之间的连接关系，生成针对所述算力服务需求的算力网络矩阵，所述历史算力服务量基于所述算力整体信息确定；
对所述算力网络矩阵进行求解，得到各第一候选算力节点的算力评价值。
基于上述任一实施例，算力服务评价单元420进一步用于：
确定所述算力服务需求对应的算力服务特征参数需求和算法信息；
从算力服务量化特征库中，确定出符合所述算力服务特征参数需求和算法信息的第一候选算力节点，所述算力服务量化特征库基于所述算力整体信息确定。
基于上述任一实施例，算力网络节点评价及操作装置还包括特征库确定单元，用于：
基于所述算力整体信息，生成算力服务特征参数；
提取所述算力服务特征参数中各算力服务节点服务的量化特征，得到各算力服务量化特征；
基于所述各算力服务量化特征，确定算力服务量化特征库。
基于上述任一实施例，配置方案确定单元440进一步用于：
从所述第一候选算力节点中，确定出第二候选算力节点，所述第二候选算力节点为所述算力服务需求对应的时段内所述算力调用模式为开放模式的算力节点；
以算力路径中各算力节点的算力评价值之和最高、所述算力路径中各算力节点的算力价格之和最低、所述算力路径中各算力节点的算力评价值之和与算力价格之和的比率最高，中的至少一种为目标，从所述第二候选算力节点中确定出最优算力路径，并基于所述最优算力路径确定所述算力服务需求对应的算力配置方案；
所述算力价格基于所述算力节点信息确定。
基于上述任一实施例，算力网络节点评价及操作装置还包括信息更新单元，用于：
监督所述算力需求节点向所述算力服务节点支付算力费用，并接收所述算力需求节点返回的算力状态更新信息；
基于所述算力状态更新信息，更新所述算力整体信息。
基于上述任一实施例，各算力节点的算力调用模式是各算力节点针对本节点的任一算力服务需求，判断算力服务是否盈余确定的；在所述算力服务盈余的情况下，各算力节点确定所述算力调用模式为开放模式，否则为自给模式。
图5示例了一种电子设备或量子设备的实体结构示意图，如图5所示，该电子设备或量子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线550，其中，处理器510，通信接口520，存储器530通过通信总线550完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行算力网络节点评价及操作方法，该方法包括：确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值；基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
此外，上述的存储器530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电子计算机和/或量子计算机程序，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节点评价及操作方法，该方法包括：确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值；基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有电子计算机和/或量子计算机程序，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节点评价及操作方法，该方法包括：确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；基于所述算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值；基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
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)

1.一种算力网络节点评价及操作方法，其特征在于，应用于算力网络中的算力服务器，所述算力网络包括至少一个算力节点，所述方法包括：
确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；
基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值；
基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；
分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
2.根据权利要求1所述的算力网络节点评价及操作方法，其特征在于，所述基于所述算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力服务需求的算力服务进行评价，得到各算力节点的算力评价值，包括：
基于所述算力整体信息和算力需求节点发送的算力服务需求，确定满足所述算力服务需求的第一候选算力节点；
基于所述算力需求节点与各第一候选算力节点之间的历史算力服务量，以及所述算力需求节点与各第一候选算力节点之间的连接关系，生成针对所述算力服务需求的算力网络矩阵，所述历史算力服务量基于所述算力整体信息确定；
对所述算力网络矩阵进行求解，得到各第一候选算力节点的算力评价值。
3.根据权利要求2所述的算力网络节点评价及操作方法，其特征在于，所述基于所述算力网络的算力整体信息和算力需求节点发送的算力服务需求，确定满足所述算力服务需求的第一候选算力节点，包括：
确定所述算力服务需求对应的算力服务特征参数需求和算法信息；
从算力服务量化特征库中，确定出符合所述算力服务特征参数需求和算法信息的第一候选算力节点，所述算力服务量化特征库基于所述算力整体信息确定。
4.根据权利要求3所述的算力网络节点评价及操作方法，其特征在于，所述算力服务量化特征库基于如下步骤确定：
基于所述算力整体信息，生成算力服务特征参数；
提取所述算力服务特征参数中各算力服务节点服务的量化特征，得到各算力服务量化特征；
基于所述各算力服务量化特征，确定算力服务量化特征库。
5.根据权利要求2所述的算力网络节点评价及操作方法，其特征在于，所述基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，包括：
从所述第一候选算力节点中，确定出第二候选算力节点，所述第二候选算力节点为所述算力服务需求对应的时段内所述算力调用模式为开放模式的算力节点；
以算力路径中各算力节点的算力评价值之和最高、所述算力路径中各算力节点的算力价格之和最低、所述算力路径中各算力节点的算力评价值之和与算力价格之和的比率最高，中的至少一种为目标，从所述第二候选算力节点中确定出最优算力路径，并基于所述最优算力路径确定所述算力服务需求对应的算力配置方案；
所述算力价格基于所述算力节点信息确定。
6.根据权利要求1所述的算力网络节点评价及操作方法，其特征在于，所述分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求之后，还包括：
监督所述算力需求节点向所述算力服务节点支付算力费用，并接收所述算力需求节点返回的算力状态更新信息；
基于所述算力状态更新信息，更新所述算力整体信息。
7.根据权利要求1至6中任一项所述的算力网络节点评价及操作方法，其特征在于，所述各算力节点的算力调用模式是任一算力节点针对本节点的任一算力服务需求，判断算力服务是否盈余确定的；
在所述算力服务盈余的情况下，所述任一算力节点确定所述算力调用模式为开放模式，否则为自给模式。
8.一种算力网络节点评价及操作装置，其特征在于，应用于算力网中的算力服务器，所述算力服务器包括至少一个算力节点，所述装置包括：
算力信息确定单元，用于确定算力网络的算力整体信息，所述算力整体信息包括各算力节点的算力节点信息和各算力节点之间的连接关系；
算力服务评价单元，用于基于所述算力整体信息和算力需求节点发送的算力服务需求，对各算力节点针对所述算力需求节点的算力服务进行评价，得到各算力节点的算力评价值；
配置方案确定单元，用于基于所述各算力节点的算力评价值，以及所述算力服务需求对应的时段内所述各算力节点的算力调用模式，确定所述算力服务需求对应的算力配置方案，所述算力调用模式为自给模式或开放模式；
操作指令发送单元，用于分别向所述算力配置方案中指示的算力需求节点和算力服务节点发送算力操作指令，以使所述算力需求节点与所述算力服务节点建立算力调用连接，完成所述算力服务需求。
9.一种电子设备或量子设备，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7任一项所述算力网络节点评价及操作方法。
10.一种非暂态计算机可读存储介质，其上存储有电子计算机和/或量子计算机程序，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7任一项所述算力网络节点评价及操作方法。
CN202210515169.5A 2022-05-11 2022-05-11 算力网络节点评价及操作方法和装置 Active CN114978908B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210515169.5A CN114978908B (zh) 2022-05-11 2022-05-11 算力网络节点评价及操作方法和装置
PCT/CN2022/119801 WO2023216489A1 (zh) 2022-05-11 2022-09-20 算力网络节点评价及操作方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210515169.5A CN114978908B (zh) 2022-05-11 2022-05-11 算力网络节点评价及操作方法和装置

Publications (2)

Publication Number Publication Date
CN114978908A true CN114978908A (zh) 2022-08-30
CN114978908B CN114978908B (zh) 2023-09-26

Family

ID=82981454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210515169.5A Active CN114978908B (zh) 2022-05-11 2022-05-11 算力网络节点评价及操作方法和装置

Country Status (2)

Country Link
CN (1) CN114978908B (zh)
WO (1) WO2023216489A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115421386A (zh) * 2022-09-22 2022-12-02 量子科技长三角产业创新中心 一种量子与电子混合算力网络的控制方法及随动控制装置
CN116382926A (zh) * 2023-06-05 2023-07-04 支付宝(杭州)信息技术有限公司 针对推荐系统的算力优化的方法和装置
WO2023216489A1 (zh) * 2022-05-11 2023-11-16 量子科技长三角产业创新中心 算力网络节点评价及操作方法和装置
CN117472551A (zh) * 2023-12-27 2024-01-30 四川弘智远大科技有限公司 基于gpu集成的云计算硬件加速控制系统及方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118034941B (zh) * 2024-04-12 2024-06-25 深圳市捷易科技有限公司 集群算力优化方法、装置、设备及存储介质
CN118034942B (zh) * 2024-04-12 2024-06-25 深圳市捷易科技有限公司 集群算力管理方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000349A1 (zh) * 2018-06-29 2020-01-02 财团法人交大思源基金会 分布式计算方法与管理系统
CN112132447A (zh) * 2020-09-21 2020-12-25 江苏省未来网络创新研究院 一种基于区块链的算力网络信任评估与保障算法
CN112346854A (zh) * 2020-09-28 2021-02-09 北京大学深圳研究生院 一种分层协同决策的网内资源调度方法及系统、存储介质
CN112600887A (zh) * 2020-12-03 2021-04-02 中国联合网络通信集团有限公司 算力管理方法和装置
CN112600919A (zh) * 2020-12-10 2021-04-02 中国科学院深圳先进技术研究院 一种基于PoW共识机制的设备算力评价方法及系统
CN113079218A (zh) * 2021-04-09 2021-07-06 网络通信与安全紫金山实验室 一种面向服务的算力网络系统、工作方法及存储介质
CN113553192A (zh) * 2021-09-18 2021-10-26 深圳时空云科技有限公司 基于区块链的算力设备算力调配方法与装置
CN114048857A (zh) * 2021-10-22 2022-02-15 天工量信(苏州)科技发展有限公司 算力分配方法、装置及算力服务器
CN114157667A (zh) * 2021-10-28 2022-03-08 山东浪潮科学研究院有限公司 一种面向网关设备的算力网络服务系统及方法
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10439870B2 (en) * 2015-11-24 2019-10-08 International Business Machines Corporation Assessment and dynamic provisioning of computing resources for multi-tiered application
CN113840317A (zh) * 2020-06-08 2021-12-24 中国移动通信有限公司研究院 算力上报方法、获取方法、算力网元及算力感知控制网元
CN114095579B (zh) * 2020-08-04 2024-03-22 中国移动通信有限公司研究院 算力处理的网络系统、业务处理方法及设备
CN113590282A (zh) * 2021-07-19 2021-11-02 海宁奕斯伟集成电路设计有限公司 算力调度方法、系统、电子设备及计算机可读存储介质
CN114978908B (zh) * 2022-05-11 2023-09-26 量子科技长三角产业创新中心 算力网络节点评价及操作方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000349A1 (zh) * 2018-06-29 2020-01-02 财团法人交大思源基金会 分布式计算方法与管理系统
CN112132447A (zh) * 2020-09-21 2020-12-25 江苏省未来网络创新研究院 一种基于区块链的算力网络信任评估与保障算法
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
CN112346854A (zh) * 2020-09-28 2021-02-09 北京大学深圳研究生院 一种分层协同决策的网内资源调度方法及系统、存储介质
CN112600887A (zh) * 2020-12-03 2021-04-02 中国联合网络通信集团有限公司 算力管理方法和装置
CN112600919A (zh) * 2020-12-10 2021-04-02 中国科学院深圳先进技术研究院 一种基于PoW共识机制的设备算力评价方法及系统
CN113079218A (zh) * 2021-04-09 2021-07-06 网络通信与安全紫金山实验室 一种面向服务的算力网络系统、工作方法及存储介质
CN113553192A (zh) * 2021-09-18 2021-10-26 深圳时空云科技有限公司 基于区块链的算力设备算力调配方法与装置
CN114048857A (zh) * 2021-10-22 2022-02-15 天工量信(苏州)科技发展有限公司 算力分配方法、装置及算力服务器
CN114157667A (zh) * 2021-10-28 2022-03-08 山东浪潮科学研究院有限公司 一种面向网关设备的算力网络服务系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘弘;: "面向普适计算的多Agent协同设计系统模型", 计算机辅助设计与图形学学报, no. 06 *
黄光平;罗鉴;周建锋;: "算力网络架构与场景分析", 信息通信技术, no. 04 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023216489A1 (zh) * 2022-05-11 2023-11-16 量子科技长三角产业创新中心 算力网络节点评价及操作方法和装置
CN115421386A (zh) * 2022-09-22 2022-12-02 量子科技长三角产业创新中心 一种量子与电子混合算力网络的控制方法及随动控制装置
CN116382926A (zh) * 2023-06-05 2023-07-04 支付宝(杭州)信息技术有限公司 针对推荐系统的算力优化的方法和装置
CN116382926B (zh) * 2023-06-05 2023-08-22 支付宝(杭州)信息技术有限公司 针对推荐系统的算力优化的方法和装置
CN117472551A (zh) * 2023-12-27 2024-01-30 四川弘智远大科技有限公司 基于gpu集成的云计算硬件加速控制系统及方法
CN117472551B (zh) * 2023-12-27 2024-03-01 四川弘智远大科技有限公司 基于gpu集成的云计算硬件加速控制系统及方法

Also Published As

Publication number Publication date
CN114978908B (zh) 2023-09-26
WO2023216489A1 (zh) 2023-11-16

Similar Documents

Publication Publication Date Title
CN114978908B (zh) 算力网络节点评价及操作方法和装置
Wang et al. Algorithms for a facility location problem with stochastic customer demand and immobile servers
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
Wang et al. Reliability-oriented and resource-efficient service function chain construction and backup
Velasquez et al. A rank-based mechanism for service placement in the fog
CN113364831A (zh) 基于区块链的多域异构算网资源可信协同方法
CN115022231B (zh) 一种基于深度强化学习的最优路径规划的方法和系统
Nguyen et al. Toward adaptive joint node and link mapping algorithms for embedding virtual networks: A conciliation strategy
CN117596246A (zh) 基于异构资源度量特征的算力网络工作流调度方法及系统
Nguyen et al. Efficient virtual network embedding with node ranking and intelligent link mapping
CN111385151A (zh) 一种基于多目标优化的虚拟网络的映射方法及装置
Ruan et al. Edge in-network computing meets blockchain: A multi-domain heterogeneous resource trust management architecture
Asheralieva et al. Ultra-reliable low-latency slicing in space-air-ground multi-access edge computing networks for next-generation internet of things and mobile applications
Lin et al. Sft-box: An online approach for minimizing the embedding cost of multiple hybrid sfcs
Cao et al. Mapping strategy for virtual networks in one stage
Shefu et al. Fruit fly optimization algorithm for network-aware web service composition in the cloud
CN116055330B (zh) 一种基于知识图谱的数字孪生网络切片的方法和装置
US6785736B1 (en) Method and system for optimizing the network path of mobile programs
CN115150335B (zh) 一种基于深度强化学习的最优流量分割的方法和系统
CN116089083A (zh) 一种多目标数据中心资源调度方法
JP5049316B2 (ja) ネットワークトポロジ設計装置、ネットワークトポロジ設計方法、およびプログラム
Wakgra et al. Multi-Objective Offloading Optimization in MEC and Vehicular-Fog Systems: A Distributed-TD3 Approach
Xu et al. On the Joint Design of Microservice Deployment and Routing in Cloud Data Centers
Naseri et al. Task offloading in an optimized power‐performance manner
Gonen et al. Probabilistic Trans-Algorithmic search for automated network management and configuration

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