CN115086178B - 算力网动态重构方法和伺服装置 - Google Patents
算力网动态重构方法和伺服装置 Download PDFInfo
- Publication number
- CN115086178B CN115086178B CN202210594756.8A CN202210594756A CN115086178B CN 115086178 B CN115086178 B CN 115086178B CN 202210594756 A CN202210594756 A CN 202210594756A CN 115086178 B CN115086178 B CN 115086178B
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- network
- entropy
- node
- data
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000005192 partition Methods 0.000 claims description 19
- 238000013523 data management Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及计算机技术领域，提供一种算力网动态重构方法和伺服装置，该方法包括：根据各子网络对应的拓扑结构特征信息参数确定各新增网络节点的微观态总数，根据各新增网络节点的直接联系数、跨区联系数以及微观态总数，确定拓扑结构的微状态概率；根据微观态概率确定各新增网络节点重构熵以及总重构熵；根据微观态总数确定各新增网络节点的最大重构熵，并根据总重构熵以及最大重构熵确定极小重构熵；根据极小重构熵确定各新增网络节点的最优契合度，根据最优契合度进行算力网动态重构；基于此算法提供一种伺服装置，实现了算力网在动态过程可重构可编排。本发明实现了“在网计算”优化网络架构，提高了算力网重构的可靠性和在线编排效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种算力网动态重构方法和伺服装置。
背景技术
在算力网动态重构最优策略选择中，由于任务来源的多样性、拓扑结构的适应性、信息结构的重构性和反馈控制的随机性等不确定性，使得算力网是一个复杂网络。目前，网络架构很难在动态过程实现智能化控制的最优重构，可重构可编排概念与技术的提出，使得网络架构刚性化的缺陷得到一定程度弥补，但是“可重构可编排”技术是当前算力网中的关键技术。基于此，本发明需要解决的技术问题是“在网计算”实施动态优化网络架构，实现“可重构可编排”的动态重构。
发明内容
本发明提供一种算力网动态重构方法和伺服装置，用以解决算力网络的重构问题，通过在不改变硬件配置的条件下，实现“在网计算”优化网络架构，算力网在动态过程可重构可编排，提高了算力网重构的可靠性和在线编排效率。
本发明提供一种算力网动态重构方法，包括：
根据各子网络的特征信息参数和数量值，确定每个所述子网络对应的拓扑结构中各新增网络节点的微观态总数；
根据各所述新增网络节点的直接联系数、跨区联系数以及所述微观态总数，确定各所述子网络对应的拓扑结构的微状态概率；
根据所述微状态概率确定各所述新增网络节点的重构熵，并根据各所述新增网络节点的重构熵确定总重构熵；
根据所述微观态总数确定各所述新增网络节点的最大重构熵，并根据所述总重构熵以及所述最大重构熵确定各所述新增网络节点的极小重构熵；
根据所述极小重构熵确定各所述新增网络节点的最优契合度，根据各所述新增网络节点的最优契合度进行算力网动态重构。
在一个实施例中，所述根据所述微状态概率确定各所述新增网络节点的重构熵之后，所述方法，还包括：
若各所述新增网络节点的重构熵满足第一设定条件，则根据各所述新增网络节点的重构熵进行算力网动态重构；
若各所述新增网络节点的重构熵不满足第一设定条件，则执行根据各所述新增网络节点的重构熵确定总重构熵的步骤。
在一个实施例中，所述根据所述总重构熵以及所述最大重构熵确定各所述新增网络节点的极小重构熵之后，所述方法，还包括：
若各所述新增网络节点的极小重构熵满足第二设定条件，则根据各所述新增网络节点的极小重构熵进行算力网动态重构；
若各所述新增网络节点的极小重构熵不满足第二设定条件，则执行根据所述极小重构熵确定各所述新增网络节点的最优契合度，根据各所述新增网络节点的最优契合度进行算力网动态重构的步骤。
本发明还提供一种算力网动态重构装置，包括：
动态数据管理模块，用于记录、存储或被调用数据；
特征参数记录模块，用于记录并存储各路径子网络的特征信息参数和数量值；
重构节点预判模块，用于预判所述新增网络节点的类型；
重构子网解析模块，用于解析重构路径特征、分析过程、融合运算；
动态重构计算模块，用于计算所述极小重构熵和所述最优契合度；
重构结果存储模块，用于统计存储算力网的最优契合度单项指标计算值和综合计算值；
重构结果显示模块，用于显示随动过程数据、计算结果数据以及干预节点数据。
在一个实施例中，所述动态数据管理模块包括：
用户层，用于所述新增网络节点的数据选择、调度以及与数据层进行数据交互；
应用服务器层，设于所述用户层与所述数据层之间，用于管理数据；
所述数据层，用于存储或被调用数据。
在一个实施例中，所述重构节点预判模块包括多个预判模块，所述预判模块用于根据重构子网路径节点与所述新增网络节点的分区信息，预判所述新增网络节点的类型。
在一个实施例中，所述重构子网解析模块包括多个解析模块，所述解析模块用于解析所述预判模块的数据，以及所述重构子网路径节点的特征数据。
在一个实施例中，所述动态重构计算模块包括多个计算模块，所述计算模块用于根据所述解析模块的数据计算所述极小重构熵与判断；
所述计算模块，还用于计算所述最优契合度与判断。
在一个实施例中，所述重构结果存储模块包括多个存储模块，所述存储模块用于存储所述极小重构熵的分项计算过程数据和所述极小重构熵；
所述存储模块，还用于存储所述最优契合度的分项计算过程数据和所述最优契合度。
在一个实施例中，所述重构结果显示模块包括：
随动过程显示模块，用于调用所述数据层的第一数据，并显示；
计算结果显示模块，用于调用各所述存储模块的数据，并显示；
干预节点显示模块，用于调用所述数据层的第二数据，并显示。
本发明提供的算力网动态重构方法和伺服装置，通过根据各子网络的特征信息参数和数量值，确定每个子网络对应的拓扑结构中各新增网络节点的微观态总数；根据各新增网络节点的直接联系数、跨区联系数以及微观态总数，确定各子网络对应的拓扑结构的微状态概率；根据微状态概率确定各新增网络节点的重构熵，并根据各新增网络节点的重构熵确定总重构熵；根据微观态总数确定各新增网络节点的最大重构熵，并根据总重构熵以及最大重构熵确定各新增网络节点的极小重构熵；根据极小重构熵确定各新增网络节点的最优契合度，根据各新增网络节点的最优契合度进行算力网动态重构。基于此，在不改变硬件配置的条件下，实现“在网计算”优化网络架构，算力网在动态过程可重构可编排，通过设计算力网动态重构伺服装置，实现软件驾驭网络系统的重构动态优化，提高了算力网重构的可靠性和在线编排效率。
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动态重构方法的流程示意图；
图2是本发明提供的算力网动态重构的极小重构熵和最优契合度计算的流程图；
图3是本发明提供的伺服装置的结构示意图；
图4是本发明提供的算力网服务网络动态重构拓扑结构图；
图5是本发明提供的算力网动态重构极小重构熵和最优契合度的计算数值示意图；
图6是本发明提供的算力网动态重构智能化随动控制伺服装置工作的流程图。
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。
下面结合图1-图6描述本发明的算力网动态重构方法和伺服装置。
具体地，本发明提供了一种算力网动态重构方法，参照图1，图1是本发明提供的算力网动态重构方法的流程示意图。
本发明实施例提供的算力网动态重构方法，包括：
步骤S10，根据各子网络的特征信息参数和数量值，确定每个所述子网络对应的拓扑结构中各新增网络节点的微观态总数；
需要说明的是，本发明的执行主体为伺服装置，其中，伺服装置嵌入在量子算力服务器平台中，可以实现算力网动态重构最优策略智能随动控制，量子算力服务器平台，用于软件系统的运行、利用、管理。
本发明实施例基于CPU，QPU算力网操作控制兼容模式，在服务层与计算层间建立一一对应关系，从拓扑结构的时效性、准确性出发，提出了基于算力网计算层架构动态重构活动网络拓扑结构，通过熵式度量活动网络拓扑结构极小重构熵和最优契合度方法，给出算力网动态重构最优目标网络策略，实现算力网动态重构最优策略抉择。
需要说明的是，在本发明实施例中，算力网动态重构优化技术路径是：摒弃算力网活动网络本身的物理意义，考虑算力网动态重构活动网络对应的拓扑结构，给出算力网动态重构最优契合度算法，使得在不改变硬件配置的条件下，“在网计算”优化网络架构，实现算力网在动态过程可重构可编排，通过求算力网动态重构活动网络拓扑结构最优目标，即极小重构熵和最优契合度对应的网络，给出算力网动态重构最优策略优化算法和智能化随动控制伺服装置系统。
具体地，针对算力网动态重构的活动网络，记录算力网活动网络分布式拓扑结构路径集(或活动网络结构)的各个路径子网络的特征信息参数与数量值，包括：子网总数l(l＝1,2,…,m)，因环境或任务需求变化所在的子网i(i＝1,2，…,n)，拓扑结构重构新增网络k(k＝k1,k2，…,N)节点，所导致的动态活动网络信息通道联系长度tk(tk＝1,2,…,n)。
在算力网动态重构活动网络拓扑结构中，假设有l(l＝1,2,…,m)个子网，将第i(i＝1,2，…,n)个子网因环境或任务需求变化新增网络k(k＝k1,k2，…,N)节点所导致的动态活动网络信息通道联系长度tk(tk＝1,2,…,n)微观态发生变化，称为k节点的网络系统微观态数，记为并将微观态发生变化之和，称为k节点的网络系统微观态总数，记为其中，新增网络k节点的网络系统微观态总数的计算公式为：
步骤S20，根据各所述新增网络节点的直接联系数、跨区联系数以及所述微观态总数，确定各所述子网络对应的拓扑结构的微状态概率；
在本发明实施例中，伺服装置根据各新增网络节点的直接联系数、跨区联系数以及微观态总数，确定各子网络对应的拓扑结构的微状态概率，具体地，在算力网动态重构活动网络拓扑结构中，针对第i(i＝1,2，…,n)个子网新增网络k(k＝k1,k2，…,N)节点，直接与k节点联结的最近节点联系数，称为k节点直接联系数，记作Li(k)，定义单个节点内部联结联系数Li(k)为1。
在算力网动态重构活动网络拓扑结构中，针对第i(i＝1,2，…,n)个子网新增网络k(k＝k1,k2，…,N)节点，定义不同分区(或不同层级)之间的网络节点间联系数称为跨区联系数，记为Hi(k)，定义同级分区(或同一层级)之间联结的联系数Hi(k)为1，跨一个区联系数Hi(k)增加1。
其中，与新增网络k节点有关的跨区联系数Hi(k)的确定方法如下：
情况1：当j节点与k节点在同一分区(同一层级)时，联系数为1。
情况2：当j节点与k节点在不同分区(或不同层级)时，属于跨一个分区导致的微观态变化，此时k节点与j节点之间联结的联系数加1，即联系数为2。
情况3：当j节点与k节点在不同分区(或不同层级)时，属于跨m个分区时，此时j节点与k节点之间联结的联系数加m，即联系数为m+1。
在算力网动态重构活动网络拓扑结构中，假设有l(l＝1,2,…,m)个子网，其中，在第i(i＝1,2，…,n)个子网中，记新增网络k(k＝k1,k2，…,N)节点，在网络环境或任务需求变化过程中，第i个子网信息沟通消耗的微状态概率记为定义如下：
步骤S30，根据所述微状态概率确定各所述新增网络节点的重构熵，并根据各所述新增网络节点的重构熵确定总重构熵；
需要说明的是，在算力网动态重构的活动网络拓扑结构中，所在的分区任务来源当受到外部条件冲击或任务改变时，信息流在算力网活动网络拓扑结构的流通时具有不确定性，这种不确定性被看作重构变化使得算力网动态重构的活动网络拓扑结构的改变，信息流也发生质的变化，在本发明实施例中，采用算力网动态重构活动网络重构熵来刻画这一变化。可以理解的是，重构熵是指网络系统在受到任务“冲击”时需要改变原有的拓扑结构，对信息流通过拓扑结构重构过程的不确定性度量。
在本发明实施例中，伺服装置根据各子网络对应的拓扑结构的微状态概率确定各新增网络节点的重构熵，然后根据各新增网络节点的重构熵确定总重构熵。具体地，在算力网动态重构活动网络拓扑结构中，假设有l(l＝1,2,…,m)个子网，其中，有N个新增网络参与重构，完成新的“任务”，第i(i＝1,2，…,n)个子网，新增网络k(k＝k1,k2，…,N)节点的重构熵记为定义如下：
可以理解的是，重构熵是对算力网重构过程不确定性的度量，/>值越小说明算力网重构的不确定性越小，准确度越高，反之亦然。
在算力网动态重构活动网络拓扑结构中，假设有l(l＝1,2,…,m)个子网，其中，第i(i＝1,2，…,n)个子网络中，当新增网络第k(k＝k1,k2，…,N)个节点重构熵为网络系统的总重构熵记为/>定义如下：
在一个实施例中，如果各新增网络节点的重构熵满足第一设定条件，则根据各新增网络节点的重构熵值越小越好的原则进行算力网动态重构。例如，如果各新增网络节点的重构熵各不相同，则确定最小的重构熵对应的新增网络节点，然后该新增网络节点作为子网络的重构节点。可以理解的是，如果基于重构熵值越小越好的原则可以确定最优的新增网络节点，则直接基于最优的新增网络节点进行算力网动态重构。
如果各新增网络节点的重构熵不满足第一设定条件，则执行根据各新增网络节点的重构熵确定总重构熵的步骤。例如，如果各新增网络节点的重构熵均相同，则无法判断哪个新增网络节点为最优新增网络节点，此时需要进一步计算新增网络节点的极小重构熵。
本发明实施在各新增网络节点的重构熵满足第一设定条件时，直接根据各新增网络节点的重构熵进行算力网动态重构，使得避免了计算各新增网络节点的极小重构熵和最优契合度，从而提高了算力网重构在线计算效率。
步骤S40，根据所述微观态总数确定各所述新增网络节点的最大重构熵，并根据所述总重构熵以及所述最大重构熵确定各所述新增网络节点的极小重构熵；
在本发明实施例中，伺服装置根据各新增网络节点的微观态总数确定各新增网络节点的最大重构熵，然后根据总重构熵以及各新增网络节点的最大重构熵，确定各新增网络节点的极小重构熵。
具体地，在算力网动态重构活动网络拓扑结构中，假设有l(l＝1,2,…,m)个子网，其中，第i(i＝1,2，…,n)个子网络中，新增网络k(k＝k1,k2，…,N)节点的网络系统微观态总数为网络系统最大重构熵记为/>定义如下：
在算力网动态重构活动网络拓扑结构中，假设有l(l＝1,2,…,m)个子网，其中，第i(i＝1,2，…,n)个子网总重构熵为最大重构熵为/>算力网动态重构网络系统的极小重构熵记为/>定义如下：
在一个实施例中，如果各新增网络节点的极小重构熵满足第二设定条件，则根据各新增网络节点的极小重构熵值越小越好的原则进行算力网动态重构。例如，如果各新增网络节点的极小重构熵各不相同，则确定最小的极小重构熵对应的新增网络节点，然后该新增网络节点作为子网络的重构节点。可以理解的是，如果基于极小重构熵值越小越好的原则可以确定最优的新增网络节点，则直接基于最优的新增网络节点进行算力网动态重构。
如果各新增网络节点的极小重构熵不满足第二设定条件，则执行根据各新增网络节点的极小重构熵确定各新增网络节点的最优契合度的步骤。例如，如果各新增网络节点的极小重构熵相同，则无法判断哪个新增网络节点为最优新增网络节点，此时需要进一步计算新增网络节点的最优契合度。
本发明实施在各新增网络节点的极小重构熵满足第二设定条件时，直接根据各新增网络节点的极小重构熵值越小越好的原则进行算力网动态重构，使得避免了计算各新增网络节点的最优契合度，从而提高了算力网重构在线计算效率。
步骤S50，根据所述极小重构熵确定各所述新增网络节点的最优契合度，根据各所述新增网络节点的最优契合度进行算力网动态重构。
需要说明的是，在算力网动态重构活动网络拓扑结构中，网络重构契合度是指算力网动态重构的活动网络拓扑结构在网络环境或任务需求变化时重构网络的能力以及局部信息流通的效率。
在本发明实施例中，伺服装置根据各新增网络节点的极小重构熵确定各新增网络节点的最优契合度，然后根据各新增网络节点的最优契合度值越大越好的原则进行算力网动态重构。
具体地，网络系统的活动网络拓扑结构对网络重构变化的最大重构契合度，称为最优契合度，记为定义如下：
以最优契合度值作为对算力网动态重构的活动网络拓扑结构策略网最优重构策略的定量化测度值。
当有几个子网络i(i＝1,2，…)得到动态重构的最优解时，可以比较不同子网络的最优契合度，可以理解的是，最优契合度值越大，表征算力网动态重构后的算力网架构越优化，重构网络的能力越强，局部信息流通的效率也越高，反之亦然。
在一个具体实施例中，参考图4，试分别给出新增网络2节点、4节点的算力网动态重构的极小重构熵、最优契合度，并根据结果分析，给出算力网动态重构的最佳策略。
新增网络2节点路径：1节点，2节点，8节点，…，10节点，7节点，16节点。
新增网络4节点路径：1节点，4节点，14节点，15节点，16节点。
分别计算网络对应的拓扑结构新增网络2节点路径和4节点路径的重构熵、极小重构熵、最优契合度等测度值，其中，基于算力网动态重构的极小重构熵和最优契合度计算如图5所示。
给出结论：
结论1：计算重构的新增网络节点：k1＝2，k2＝4，从网络系统对重构变化的极小重构熵值来看：
所以，表征算力网动态重构新增网络4节点后的算力网比动态重构新增网络2节点更加优化。
结论2：计算重构的新增网络节点：k1＝2，k2＝4，从网络系统对重构变化的最优契合度值来看：
所以，表征算力网动态重构新增网络4节点后的算力网比动态重构新增网络2节点更加契合。也即，新增网络4节点对应的算力网动态重构网络架构比新增网络2节点对应的算力网动态重构网络更优化，重构网络的能力更强，局部信息流通的效率更高。
本发明实施例提供的算力网动态重构方法，通过根据各子网络的特征信息参数和数量值，确定每个子网络对应的拓扑结构中各新增网络节点的微观态总数；根据各新增网络节点的直接联系数、跨区联系数以及微观态总数，确定各子网络对应的拓扑结构的微状态概率；根据微状态概率确定各新增网络节点的重构熵，并根据各新增网络节点的重构熵确定总重构熵；根据微观态总数确定各新增网络节点的最大重构熵，并根据总重构熵以及最大重构熵确定各新增网络节点的极小重构熵；根据极小重构熵确定各新增网络节点的最优契合度，根据各新增网络节点的最优契合度进行算力网动态重构。基于此，在不改变硬件配置的条件下，实现“在网计算”优化网络架构，算力网在动态过程可重构可编排，通过设计算力网动态重构伺服装置，实现软件驾驭网络系统的重构动态优化，提高了算力网重构的可靠性和在线计算效率。
参考图2，图2是本发明提供的算力网动态重构的极小重构熵和最优契合度计算的流程图。
在本发明实施例中，当子网络i(i＝1,2，…)新增多个k(k＝k1,k2，…,N)节点时，则根据算力网动态重构的极小重构熵和最优契合度算法，具体包括以下步骤：
步骤10：针对算力网动态重构的活动网络，记录算力网活动网络分布式拓扑结构路径集(或活动网络结构)的各个路径子网络特征信息参数与数量值，包括：子网总数l(l＝1,2,…,m)，因环境或任务需求变化所在的子网i(i＝1,2，…,n)，重构新增网络k(k＝k1,k2，…,N)节点，所导致的动态活动网络信息通道联系长度tk(tk＝1,2,…,n)；
步骤20：在第i个子网中，新增网络k(k＝k1,k2，…,N)节点，计算k节点的网络系统微观态数
步骤30：在第i个子网中，新增网络k(k＝k1,k2，…,N)节点，计算所有k(k＝k1,k2，…,N)节点的信息通道网络系统微观态总数
步骤40：在第i个子网中，新增网络k(k＝k1,k2，…,N)节点，计算k节点的直接联系数Li(k)；
步骤50：判断对于每个新增网络k(k＝k1,k2，…,N)节点有关的跨区联系数Hi(k)情况类型；
情况1：当j节点与k节点在同一分区时，跨区联系数为1；
情况2：当j节点与k节点在不同分区时，属于跨一个分区导致的微观态变化，此时k节点与j节点之间联结的跨区联系数加1，即跨区联系数为2；
情况3：当k节点与j节点之间跨m个分区时，此时k节点与j节点之间联结的跨区联系数加m，即跨区联系数为m+1。
步骤60：根据判断，计算在第i个子网中，与新增网络k(k＝k1,k2，…,N)节点有关的跨区联系数Hi(k)；
步骤70：在第i个子网中，新增网络k节点，对于每个新增网络k(k＝k1,k2，…,N)节点有关的跨区联系数Hi(k)，有效直接联系数Li(k)，微观态总数计算总信息沟通消耗的微状态概率/>
步骤80：在第i个子网中，对于每个新增网络k(k＝k1,k2，…,N)节点有关的跨区联系数Hi(k)，微状态概率计算重构熵/>
步骤90：判断：如果仅计算重构熵转入步骤100判断；
步骤100：判断：当有几个子网络i(i＝1,2，…)时，如果选择通过重构熵确定子网络i(i＝1,2，…)的策略优劣时，给出结论：
重构熵是对重构过程不确定性的度量，/>值越小说明重构的不确定性越小，准确度越高，反之亦然。
转步骤170，结束。
步骤110：在第i个子网中，对于每个新增网络k(k＝k1,k2，…,N)节点，重构熵计算总重构熵/>
步骤120：在第i个子网中，对于N个新增网络k(k＝k1,k2，…,N)节点的网络系统微观态总数为计算网络系统最大重构熵/>
步骤130：在第i个子网中，对于N个新增网络k(k＝k1,k2，…,N)节点的网络系统微观态总数及对应网络系统最大重构熵/>计算N个新增网络k节点重构的极小重构熵/>
步骤140：判断：如果仅计算极小重构熵转入步骤150判断；
步骤150：判断：当有几个子网络i(i＝1,2，…)时，如果选择通过信息极小重构熵确定子网络i(i＝1,2，…)的策略优劣时，给出结论：
极小重构熵是对重构过程不确定性的度量，极小重构熵/>值越小说明重构的不确定性越小，准确度越高，反之亦然。
转步骤170，结束。
步骤160：在第i个子网中，由N个新增网络k(k＝k1,k2，…,N)节点的总重构熵极小重构熵/>计算算力网系统对重构信息变化的最优契合度/>给出结论：
算力网系统对重构信息变化的最优契合度值越大，表征算力网动态重构后不确定性就越小，算力网动态重构后的架构越优化，重构网络的能力越强，局部信息流通的效率也越高，反之亦然。
步骤170：结束
可以理解的是，根据图2可知，本发明的算力网动态重构包括以下三种情况：
情况1：当仅比较子网络i(i＝1,2，…)新增节点k(k＝k1,k2，…,N)的重构熵优劣时，通过计算子网络i(i＝1,2，…)的重构熵给出判据：重构熵是对重构过程不确定性的度量，/>值越小说明重构的不确定性越小，准确度就越高。
当有子网络i(i＝1,2，…)时，如果仅比较不同新增节点的策略优劣时，通过重构熵就可以确定子网络i(i＝1,2，…)不同新增节点的策略优劣。
情况2：当仅比较子网络i(i＝1,2，…)重构的策略优劣，通过计算子网络i(i＝1,2，…)的新增节点k(k＝k1,k2，…,N)的极小重构熵给出判据：极小重构熵/>是对网络系统重构不确定性的度量，/>值越小说明网络系统重构的不确定性越小，准确度就越高。
当有子网络i(i＝1,2，…)时，如果仅比较不同新增节点k(k＝k1,k2，…,N)的策略优劣时，通过极小重构熵就可以确定子网络i(i＝1,2，…)不同新增节点后子网络重构的策略优劣。
情况3：当子网络i(i＝1,2，…)新增多个节点k(k＝k1,k2，…,N)时，当计算子网络i(i＝1,2，…)的算力网动态重构最优契合度时，给出判据：对于子网络i(i＝1,2，…,n)，网络系统拓扑结构对重构信息变化的最优契合度越大，子网络i(i＝1,2，…,n)的重构越优。
本发明实施例基于算力网计算层架构动态重构活动网络拓扑结构，通过熵式度量活动网络拓扑结构极小重构熵和最优契合度方法，给出算力网动态重构最优目标网络策略，实现算力网动态重构最优策略抉择，以及实现“在网计算”优化网络架构，算力网在动态过程可重构可编排，提高了算力网重构的可靠性和在线计算效率。
参考图3，图3是本发明提供的伺服装置的结构示意图。
在发明实施例提供的伺服装置应用于上述实施例提供的算力网动态重构方法，伺服装置包括：
动态数据管理模块310，用于记录、存储或被调用数据；
特征参数记录模块320，用于记录并存储各路径子网络的特征信息参数和数量值；
重构节点预判模块330，用于预判新增网络节点的类型；
重构子网解析模块340，用于解析重构路径特征、分析过程、融合运算；
动态重构计算模块350，用于计算极小重构熵和最优契合度；
重构结果存储模块360，用于统计存储算力网的最优契合度单项指标计算值和综合计算值；
重构结果显示模块370，用于显示随动过程数据、计算结果数据以及干预节点数据。
需要说明的是，本发明从工程化实践过程出发，基于算力网动态重构确定的极小重构熵和最优契合度方法，设计了AI智能化随动控制伺服装置，给出了算力网动态重构随动控制伺服装置设计方法。进一步地，参考图6，本发明给出了算力网动态重构最优契合度计算基本步骤和算力网动态重构智能化随动控制伺服装置工作流程图，将一个物理伺服装置转变成AI智能系统，起到用软件驾驭智能化随动控制系统的作用，实现了算力网动态重构最优策略智能化随动控制抉择。
具体地，算力网动态重构智能化随动控制伺服装置，包括动态数据管理模块310、特征参数记录模块320、重构节点预判模块330、重构子网解析模块340、动态重构计算模块350、重构结果存储模块360、重构结果显示模块370等组成，以下是对各个模块的详细说明：
1、动态数据管理模块310包括：
用户层，用于新增网络节点的数据选择、调度以及与数据层进行数据交互；
应用服务器层，设于用户层与数据层之间，用于管理数据；
数据层，用于存储或被调用数据。
需要说明的是，动态数据管理模块包括与各个功能模块实现数据库交流的各类数据，记录、存储或被调用的数据，提前预置数据，需要存储的中间数据等，分别包括用户层、应用服务器层和数据层。
用户层A1：能够同时满足算力网动态重构新增网络节点的数据选择、调度，以及实现数据层数据交互。也即，在算力网中，该模块层关于待选的新增网络节点动态重构策略在优化过程中，与各个功能模块实现数据交流。
应用服务器层A2：应用服务器层是数据层与用户层之间设置的中间层，实现统一数据库管理，知识库管理，用户对数据库的访问，保护数据库的安全与工作效率等，其中，用户界面通过中间层与数据层相连接。
数据库管理，包括用户和权限管理，不同的用户分配不同的权限。
知识库管理是对资料库、信息统计数据库等进行管理和维护，包括信息的添加、删除、编辑和查询等。
数据层A3：用于存储或被调用数据，包括满足算力网活动网络分布式拓扑结构路径集(或活动网络结构)的各个路径网络特征参数与数量值，包括子网总数l(l＝1,2，…,m)，因环境或任务需求变化所在的子网(i＝1,2，…,n)，重构新增网络k(k＝k1,k2，…,N)节点，所导致的动态活动网络信息通道联系长度tk(tk＝1,2,…,n),l,i,k,t∈R。
数据和待优化的算力网活动网络分布式拓扑结构路径集在各个环节功能模块中的存储或被调用数据，与数据库交流的部分数据，提前预置数据，需要存储的中间数据等，起到数据存储库作用。
存储或被调用数据包括算力网活动网络分布式拓扑结构路径集相关联的数据和待计算的初始态数据、中间运算数据、分析过程数据、分项运算数据、综合数据等。
2、特征参数记录模块320包括记录并存储算力网活动网络拓扑结构路径集(或活动网络结构)的各个路径网络特征信息参数与数量值，包括，子网总数l(l＝1,2，…,m)，因环境或任务需求变化所在的子网(i＝1,2，…,n)，重构新增网络k(k＝k1,k2，…,N)节点，所导致的动态活动网络信息通道联系长度tk(tk＝1,2,…,n),l,i,k,t∈R。
特征参数记录模块用于记录算力网动态重构的重构熵相关联的初始态数据、待处理的中间数据，并存储；记录待选优的算力网动态重构的重构变化的单项参数信息，并存储；同时传递到动态数据管理模块数据层。
3、重构节点预判模块330包括多个预判模块，预判模块用于根据重构子网路径节点与新增网络节点的分区信息，预判新增网络节点的类型。
需要说明的是，根据被选优的算力网重构网络i，区分新增网络k节点的类型，不同分类进行判断，分别转入以下模块：
预判模块C1：判断被选优的重构子网路径节点j，当j节点与新增网络k节点在同一分区时，分类记为类1，并存储至解析模块D1；
预判模块C2：判断被选优的重构子网路径节点j，当j节点与新增网络k节点在不同分区时，属于跨一个分区导致的微观态变化时，分类记为类2，并存储至解析模块D2；
预判模块C3：判断被选优的重构子网路径节点j，当j节点与新增网络k节点之间跨m个分区时，分类记为类3，并存储至解析模块D3。
4、重构子网解析模块340包括多个解析模块，解析模块用于解析预判模块的数据，以及重构子网路径节点的特征数据。
需要说明的是，重构子网解析模块包括解析被选优的算力网重构路径特征数据、分析过程数据、融合运算数据等，包括：
解析模块D1：解析重构节点预判分类1的数据；解析被选优的算力网重构路径初始态数据；
解析模块D2：解析重构节点预判分类2的数据；解析被选优的算力网重构路径节点特征数据；
解析模块D3：解析重构节点预判分类3的数据；解析被选优的算力网重构路径、分析过程中间运算数据、分项运算数据和融合运算数据。
5、动态重构计算模块350包括多个计算模块，计算模块用于根据解析模块的数据计算极小重构熵；
计算模块，还用于计算最优契合度。
需要说明的是，动态重构计算模块包括应用算力网动态重构的极小重构熵法，实现网络重构最优配置基本流程计算；区分被选优的算力网重构子网i上路径，新增网络j节点的重构类型，分别转入以下模块：
计算模块E1：对待选优的算力网重构子网i上路径节点j与新增网络k节点属于类1时，调用存储在解析模块D1的分类1数据，根据极小重构熵，实现最优配置计算流程基本步骤，代入对应的公式、算法和模型，计算极小重构熵，转入计算模块E4；
计算模块E2：对待选优的算力网重构子网i上路径节点j与新增网络k节点属于类2时，调用存储在解析模块D2的分类2数据，根据极小重构熵，实现最优配置计算流程基本步骤，代入对应的公式、算法和模型，完成计算，转入计算模块E4；
计算模块E3：对待选优的算力网重构子网i上路径节点j与新增网络k节点属于类3时，调用并存储解析模块D3的分类3数据，根据极小重构熵实现最优配置计算流程基本步骤，代入对应的公式、算法和模型，完成计算，转入计算模块E4；
计算模块E4：根据选优的算力网重构子网i上新增网络k节点网络系统重构的极小重构熵等，按照计算最优契合度实现最优调度计算流程基本步骤，代入对应的公式、算法和模型，完成计算，转入重构结果存储模块。
6、重构结果存储模块360包括多个存储模块，存储模块用于存储极小重构熵的分项计算过程数据和极小重构熵；
存储模块，还用于存储最优契合度的分项计算过程数据和最优契合度。
需要说明的是，重构结果存储模块包括，统计存储待选优的算力网最优契合度单项指标计算值和综合计算值，同时转入动态数据管理模块的数据层，根据被选优的算力网计算与存储路径的数据特征，分别转入以下模块：
存储模块F1：存储算力网重构子网i上新增网络k节点极小重构熵的分项计算过程数据和极小重构熵值；
存储模块F2：存储算力网重构子网i上新增网络k节点网络系统重构的最小重构熵的分项计算过程数据和最小重构熵值；
存储模块F3：存储算力网重构子网i上新增网络k节点最优契合度的分项计算过程数据和最优契合度值。
7、重构结果显示模块370包括：
随动过程显示模块，用于调用数据层的第一数据，并显示；
计算结果显示模块，用于调用各存储模块的数据，并显示；
干预节点显示模块，用于调用数据层的第二数据，并显示。
需要说明的是，重构结果显示模块包括过程显示、结果显示，根据被选优的算力网重构子网上新增网络节点的重构数据特征，分别转入以下模块：
随动过程显示模块H1：调用数据层中，算力网，重构子网上新增网络节点重构数据初始态数据、动态变化数据、中间运算数据，并显示。
计算结果显示模块H2：调用存储模块F1、F2、F3的计算模块，显示算力网重构子网上路径新增网络节点极小重构熵的分项计算值和综合值，最小重构熵的分项计算值和综合值，最优契合度的分项计算值和综合值等。
干预节点显示模块H3：调用数据层中，算力网重构子网上新增网络节点重构参与干预节点优选运算过程调整的重构特征参数数据等，并显示。
本发明实施例的伺服装置嵌入在量子算力服务器平台中，可以实现算力网动态重构最优策略智能随动控制，基于算力网计算层架构动态重构活动网络拓扑结构，通过熵式度量活动网络拓扑结构极小重构熵和最优契合度方法，给出算力网动态重构最优目标网络策略，实现算力网动态重构最优策略抉择，以及实现“在网计算”优化网络架构，算力网在动态过程可重构可编排，提高了算力网重构的可靠性和在线计算效率。
以上所描述的伺服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)
1.一种算力网动态重构方法，其特征在于，包括：
根据各子网络的特征信息参数和数量值，确定每个所述子网络对应的拓扑结构中各新增网络节点的微观态总数；
根据各所述新增网络节点的直接联系数、跨区联系数以及所述微观态总数，确定各所述子网络对应的拓扑结构的微状态概率；
根据所述微状态概率确定各所述新增网络节点的重构熵，并根据各所述新增网络节点的重构熵确定总重构熵；
根据所述微观态总数确定各所述新增网络节点的最大重构熵，并根据所述总重构熵以及所述最大重构熵确定各所述新增网络节点的极小重构熵；
根据所述极小重构熵确定各所述新增网络节点的最优契合度，根据各所述新增网络节点的最优契合度进行算力网动态重构；
其中，所述微观态总数的计算公式为：
式中，表示网络系统微观态数，k表示新增网络节点，i表示第i个子网，tk表示动态活动网络信息的通道联系长度；
所述微状态概率的计算公式为：
式中，Hi(k)表示节点k的跨区联系数，Li(k)表示节点k的直接联系数；
所述重构熵的计算公式为：
所述总重构熵的计算公式为：
式中，N表示新增网络节点的数量；
所述最大重构熵的计算公式为：
式中，l表示子网的数量；
所述极小重构熵的计算公式为：
所述最优契合度的计算公式为：
2.根据权利要求1所述的算力网动态重构方法，其特征在于，所述根据所述微状态概率确定各所述新增网络节点的重构熵之后，所述方法，还包括：
若各所述新增网络节点的重构熵满足第一设定条件，则根据各所述新增网络节点的重构熵进行算力网动态重构；
若各所述新增网络节点的重构熵不满足第一设定条件，则执行根据各所述新增网络节点的重构熵确定总重构熵的步骤。
3.根据权利要求1所述的算力网动态重构方法，其特征在于，所述根据所述总重构熵以及所述最大重构熵确定各所述新增网络节点的极小重构熵之后，所述方法，还包括：
若各所述新增网络节点的极小重构熵满足第二设定条件，则根据各所述新增网络节点的极小重构熵进行算力网动态重构；
若各所述新增网络节点的极小重构熵不满足第二设定条件，则执行根据所述极小重构熵确定各所述新增网络节点的最优契合度，根据各所述新增网络节点的最优契合度进行算力网动态重构的步骤。
4.一种伺服装置，其特征在于，应用于权利要求1至3中任一项所述的算力网动态重构方法，包括：
动态数据管理模块，用于记录、存储或被调用数据；
特征参数记录模块，用于记录并存储各路径子网络的特征信息参数和数量值；
重构节点预判模块，用于预判所述新增网络节点的类型；
重构子网解析模块，用于解析重构路径特征、分析过程、融合运算；
动态重构计算模块，用于计算所述极小重构熵和所述最优契合度；
重构结果存储模块，用于统计存储算力网的最优契合度单项指标计算值和综合计算值；
重构结果显示模块，用于显示随动过程数据、计算结果数据以及干预节点数据。
5.根据权利要求4所述的伺服装置，其特征在于，所述动态数据管理模块包括：
用户层，用于所述新增网络节点的数据选择、调度以及与数据层进行数据交互；
应用服务器层，设于所述用户层与所述数据层之间，用于管理数据；
所述数据层，用于存储或被调用数据。
6.根据权利要求4所述的伺服装置，其特征在于，所述重构节点预判模块包括多个预判模块，所述预判模块用于根据重构子网路径节点与所述新增网络节点的分区信息，预判所述新增网络节点的类型。
7.根据权利要求6所述的伺服装置，其特征在于，所述重构子网解析模块包括多个解析模块，所述解析模块用于解析所述预判模块的数据，以及所述重构子网路径节点的特征数据。
8.根据权利要求7所述的伺服装置，其特征在于，所述动态重构计算模块包括多个计算模块，所述计算模块用于根据所述解析模块的数据计算所述极小重构熵与判断；
所述计算模块，还用于计算所述最优契合度与判断。
9.根据权利要求8所述的伺服装置，其特征在于，所述重构结果存储模块包括多个存储模块，所述存储模块用于存储所述极小重构熵的分项计算过程数据和所述极小重构熵；
所述存储模块，还用于存储所述最优契合度的分项计算过程数据和所述最优契合度。
10.根据权利要求9所述的伺服装置，其特征在于，所述重构结果显示模块包括：
随动过程显示模块，用于调用所述数据层的第一数据，并显示；
计算结果显示模块，用于调用各所述存储模块的数据，并显示；
干预节点显示模块，用于调用所述数据层的第二数据，并显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594756.8A CN115086178B (zh) | 2022-05-27 | 2022-05-27 | 算力网动态重构方法和伺服装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594756.8A CN115086178B (zh) | 2022-05-27 | 2022-05-27 | 算力网动态重构方法和伺服装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115086178A CN115086178A (zh) | 2022-09-20 |
| CN115086178B true CN115086178B (zh) | 2024-03-15 |
Family
ID=83250262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210594756.8A Active CN115086178B (zh) | 2022-05-27 | 2022-05-27 | 算力网动态重构方法和伺服装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115086178B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818392A (zh) * | 2016-09-14 | 2018-03-20 | 广州杰赛科技股份有限公司 | 评估信息化系统流程时效性的方法和装置 |
| CN109347680A (zh) * | 2018-11-08 | 2019-02-15 | 深圳大学 | 一种网络拓扑重构方法、装置及终端设备 |
| CN111462077A (zh) * | 2020-03-31 | 2020-07-28 | 南京大学 | 一种利用非线性信息熵定征生物组织的方法 |
| CN113170161A (zh) * | 2020-08-31 | 2021-07-23 | 深圳市大疆创新科技有限公司 | 图像编码方法、图像解码方法、装置和存储介质 |
| CN113411821A (zh) * | 2021-06-18 | 2021-09-17 | 北京航空航天大学 | 一种复杂网络的体系重构能力测评方法及系统 |
| CN113780542A (zh) * | 2021-09-08 | 2021-12-10 | 北京航空航天大学杭州创新研究院 | 一种面向fpga的多目标网络结构的构建方法 |
| CN113792871A (zh) * | 2021-08-04 | 2021-12-14 | 北京旷视科技有限公司 | 神经网络训练方法、目标识别方法、装置和电子设备 |
-
2022
- 2022-05-27 CN CN202210594756.8A patent/CN115086178B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818392A (zh) * | 2016-09-14 | 2018-03-20 | 广州杰赛科技股份有限公司 | 评估信息化系统流程时效性的方法和装置 |
| CN109347680A (zh) * | 2018-11-08 | 2019-02-15 | 深圳大学 | 一种网络拓扑重构方法、装置及终端设备 |
| CN111462077A (zh) * | 2020-03-31 | 2020-07-28 | 南京大学 | 一种利用非线性信息熵定征生物组织的方法 |
| CN113170161A (zh) * | 2020-08-31 | 2021-07-23 | 深圳市大疆创新科技有限公司 | 图像编码方法、图像解码方法、装置和存储介质 |
| CN113411821A (zh) * | 2021-06-18 | 2021-09-17 | 北京航空航天大学 | 一种复杂网络的体系重构能力测评方法及系统 |
| CN113792871A (zh) * | 2021-08-04 | 2021-12-14 | 北京旷视科技有限公司 | 神经网络训练方法、目标识别方法、装置和电子设备 |
| CN113780542A (zh) * | 2021-09-08 | 2021-12-10 | 北京航空航天大学杭州创新研究院 | 一种面向fpga的多目标网络结构的构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于熵的高等院校研究生教学管理系统评价";昝欣等;《科学技术与工程》;第6卷(第12期);正文第1-2页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115086178A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Dynamic multiservice load balancing in cloud-based multimedia system | |
| EP2742648B1 (en) | Network capacity management system and method | |
| WO2023246568A1 (zh) | 一种数字孪生架构、模型评价体系以及模型运行方法 | |
| Wang et al. | Reliability-oriented and resource-efficient service function chain construction and backup | |
| Tos et al. | Dynamic replication strategies in data grid systems: a survey | |
| Liao et al. | Accurate sub-swarms particle swarm optimization algorithm for service composition | |
| Sahoo et al. | Optimal controller selection in software defined network using a greedy-SA algorithm | |
| CN116662010B (zh) | 基于分布式系统环境下的动态资源分配方法及系统 | |
| CN112332984A (zh) | 一种基于sdn的广域量子密钥分发路由方法及装置 | |
| Rudec et al. | A fast work function algorithm for solving the k-server problem | |
| Wang et al. | QoS-aware virtual SDN network planning | |
| Mahmoudi et al. | SDN-DVFS: an enhanced QoS-aware load-balancing method in software defined networks | |
| Santos et al. | Availability-aware and energy-aware dynamic SFC placement using reinforcement learning | |
| Thakur et al. | Multi-domain virtual network embedding with dynamic flow migration in software-defined networks | |
| CN115086178B (zh) | 算力网动态重构方法和伺服装置 | |
| Zhang | Reliable virtual network mapping algorithm with network characteristics and associations | |
| Wen et al. | Towards reliable virtual data center embedding in software defined networking | |
| CN108829956B (zh) | 一种基于有色广义随机Petri网的IT架构服务可靠性建模方法 | |
| Zhu et al. | Automated application component placement in data centers using mathematical programming | |
| CN115086225B (zh) | 算力网计算与存储最优路径确定方法和监测装置 | |
| Rolim et al. | Comparison of a multi output adaptative neuro-fuzzy inference system (manfis) and multi layer perceptron (mlp) in cloud computing provisioning | |
| Ali et al. | Hybrid architecture for autonomous load balancing in distributed systems based on smooth fuzzy function | |
| Araujo et al. | A demand aware strategy for a machine learning approach to vnf-pc problem | |
| Symvoulidis et al. | A User Mobility-based Data Placement Strategy in a Hybrid Cloud/Edge Environment using a Causal-aware Deep Learning Network | |
| Ali et al. | Design and analysis of distributed load management: Mobile agent based probabilistic model and fuzzy integrated model |
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 |