CN115086225A - 算力网计算与存储最优路径确定方法和监测装置 - Google Patents

Abstract

本发明涉及计算机技术领域，提供一种算力网计算与存储最优路径确定方法和监测装置，该方法包括：确定算力网计算与存储路径的最大时效熵，根据总时效熵以及最大时效熵确定时效极小熵，根据时效极小熵确定信息流的最大时效；根据算力网计算与存储路径的总质量熵以及最大质量熵确定质量极小熵，根据质量极小熵确定信息流的最佳质量；根据最大时效、最佳质量以及设定权重系数，确定信息流的联合优化度，并根据联合优化度确定算力网计算与存储最优路径。本发明实现在由多个复杂网络组成的算力网分布式拓扑结构中，动态择优算力网计算与存储信息传输最优路径，提升了算力网计算与存储能力和算力网计算与存储过程的时效性、准确性和可靠性。

Description

算力网计算与存储最优路径确定方法和监测装置

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计算与存储最优路径确定方法和监测装置。

背景技术

算力网是一个多层次(包括服务能力开放层、编排调度能力层、资源调度管理层)、多个复杂网络(虚拟化区网络、综合管理区网络、核心网络区)构成的大系统，所以算力网的计算和存储资源分配调度问题，属于在不确定条件、复杂活动网络中的信息传输最优路径择优问题。

目前，由于经典计算机已经难以满足算力指数级激增的需求，采用经典计算机与量子计算机有机结合的架构方式建立新型量子算力网络，解决算力需求样式多变、算力资源有限等问题，是构架量子算力网络的需求所在。在由多个复杂网络组成的算力网分布式拓扑结构中，择优算力网计算与存储信息传输最优路径，是提升算力网计算与存储能力亟待解决的问题。

发明内容

本发明提供一种算力网计算与存储最优路径确定方法和监测装置，用以解决如何确定算力网计算与存储信息传输的最优路径的问题，通过基于算力网对应的分布式拓扑结构，确定算力网计算与存储路径的最大时效和最佳质量以及设定权重系数，确定联合优化度，然后根据联合优化度确定算力网计算与存储最优路径。

本发明提供一种算力网计算与存储最优路径确定方法，包括：

根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵；

根据所述算力网计算与存储路径的总时效熵以及所述最大时效熵确定时效极小熵，根据所述时效极小熵确定所述算力网计算与存储路径的信息流的最大时效；

根据所述算力网计算与存储路径的联系跨度确定总质量熵，根据所述算力网计算与存储路径的质量微观态确定最大质量熵；

根据所述总质量熵以及所述最大质量熵确定质量极小熵，根据所述质量极小熵确定所述算力网计算与存储路径的信息流的最佳质量；

根据所述最大时效、所述最佳质量以及设定权重系数，确定所述算力网计算与存储路径的信息流的联合优化度，并根据所述联合优化度确定算力网计算与存储最优路径。

在一个实施例中，所述根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵之前，还包括：

根据所述算力网计算与存储路径的联系跨度和联系数，确定所述时效微观态；

根据所述时效微观态确定所述总时效熵。

在一个实施例中，所述根据所述算力网计算与存储路径的质量微观态确定最大质量熵，包括：

根据所述算力网计算与存储路径的质量微观态确定所述质量微观态的实现概率值；

根据所述质量微观态的实现概率值确定所述最大质量熵。

本发明还提供一种监测装置，包括：

动态数据管理模块，用于记录、存储或被调用数据；

路径参数记录模块，用于记录并存储所述算力网计算与存储路径的特征信息值和数量值；

优选路径预判模块，用于预判所述算力网计算与存储路径的类型；

优选路径解析模块，用于解析所述算力网计算与存储路径的数据；

优选路径计算模块，用于计算所述算力网计算与存储路径的所述最大时效、所述最佳质量以及所述联合优化度；

优选结果存储模块，用于所述存储算力网计算与存储路径的单项指标计算值和综合计算值；

显示监测干预模块，用于显示所述算力网计算与存储路径的数据特征。

在一个实施例中，所述动态数据管理模块包括：

用户层，用于所述算力网计算与存储路径的数据选择、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，所述优选路径预判模块包括多个预判模块，所述预判模块用于预判所述算力网计算与存储路径的类型。

在一个实施例中，所述优选路径解析模块包括多个解析模块，所述解析模块用于解析所述算力网计算与存储路径的初始态数据、中间运算数据、分析过程数据、分项运算数据；

所述解析模块，还用于解析所述算力网计算与存储路径的所述联合优化度中最大时效的权重系数和最佳质量的权重系数。

在一个实施例中，所述优选路径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最大时效、所述最佳质量以及所述联合优化度。

在一个实施例中，所述优选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算力网计算与存储路径的所述最大时效的分项计算过程数据和所述最大时效；

所述存储模块，还用于存储所述算力网计算与存储路径的所述最佳质量的分项计算过程数据和所述最佳质量；

所述存储模块，还用于存储所述算力网计算与存储路径的所述最大时效的权重系数、所述最佳质量的权重系数以及所述联合优化度的计算值。

在一个实施例中，所述显示监测干预模块包括：

过程显示模块，用于显示所述算力网计算与存储路径的初始态数据以及中间运算过程数据；

干预显示模块，用于显示所述算力网计算与存储路径参与优选运算过程中相关参数的调整数据、所述最大时效的权重系数以及所述最佳质量的权重系数；

结果显示模块，用于显示所述最大时效以及所述最大时效的分项计算值、所述最佳质量以及所述最佳质量的分项计算值、所述联合优化度。

本发明提供的算力网计算与存储最优路径确定方法和监测装置，通过根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵；根据算力网计算与存储路径的总时效熵以及最大时效熵确定时效极小熵，根据时效极小熵确定算力网计算与存储路径的信息流的最大时效；根据算力网计算与存储路径的联系跨度确定总质量熵，根据算力网计算与存储路径的质量微观态确定最大质量熵；根据总质量熵以及最大质量熵确定质量极小熵，根据质量极小熵确定算力网计算与存储路径的信息流的最佳质量；根据最大时效、最佳质量以及设定权重系数，确定算力网计算与存储路径的信息流的联合优化度，并根据联合优化度确定算力网计算与存储最优路径。基于此，实现了在由多个复杂网络组成的算力网分布式拓扑结构中，动态择优算力网计算与存储信息传输最优路径，提升了算力网计算与存储能力和算力网计算与存储过程的时效性、准确性和可靠性。

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计算与存储最优路径确定方法的流程示意图；

图2是本发明提供的监测装置的结构示意图；

图3是本发明提供的算力网计算与存储路径网策略集的分布式拓扑结构示意图；

图4是本发明提供的算力网计算与存储路径网络的集中式拓扑结构示意图；

图5是本发明提供的算力网计算与存储路径网络的矩阵式拓扑结构示意图；

图6是本发明提供的算力网计算与存储路径网络的分布式拓扑结构示意图；

图7是本发明提供的基于算力网计算与存储最优路径确定方法的监测装置系统工作流程图。

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7描述本发明的算力网计算与存储最优路径确定方法和监测装置。

具体地，本发明提供了一种算力网计算与存储最优路径确定方法，参照图1，图1是本发明提供的算力网计算与存储最优路径确定方法的流程示意图。

本发明实施例提供的算力网计算与存储最优路径确定方法，包括：

步骤S10，根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵；

需要说明的是，在算力网计算与存储信息传输过程中，信息流通的速度存在不确定性，导致信息流动的效率有慢有快，其中，描述算力网计算与存储路径选择时效的不确定性大小用“时效熵”表示，描述算力网信息传输路径最大时效用“信息流的最大时效”表示。

关于算力网计算与存储路径策略集：

算力网计算与存储路径策略集是指依托算力网活动网络的拓扑结构所组成信息传输路径方案的集合，例如，参考图3算力网计算与存储路径网集的分布式拓扑结构图。

关于算力网计算与存储路径网：

在算力网计算与存储路径策略集中，任意一条依托算力网对应的分布式拓扑结构层与层之间的关系构造的计算与存储路径网络，称为算力网计算与存储路径网，其中，每个节点表示算力网络所在的层；每个节点上存在一个初始值为0的访问量，每当该节点被访问(即有箭杆联结时)，则访问节点的访问值加1。

需要说明的是，将算力网对应的分布式拓扑结构的计算与存储路径策略集中任意一个路径网，简称为算力网计算与存储路径(某一路径网，如参考图4算力网计算与存储路径网集的集中式拓扑结构图，参考图5算力网计算与存储路径网络的矩阵式拓扑结构图)。

用算力网计算与存储路径描述，也即，在算力网计算与存储路径中，当信息流通过该节点1次，则流通量为1，直接联结的长度也为1，联结的长度每中转一次长度加1；当信息流通过该节点n次，则流通量为n。

关于节点跨度：

在算力网计算与存储路径中，信息流通过节点的流通量定义为该节点跨度，所有节点跨度的最大值定义为该算力网计算与存储路径的跨度。

其中，如果某一算力网计算与存储路径共有n个割，信息流通过第i个节点流通量为k_i，则该节点跨度为k_i；

则算力网计算与存储路径的跨度为N。

例如，如图3所示，节点1的跨度为5；节点1的最大跨度为(n-31)；算力网计算与存储路径最大跨度是节点1的最大跨度，也即，图3所示的这一算力网计算与存储路径的最大跨度为(n-31)。

关于信息流时效：

在算力网计算与存储路径中，用以度量信息流在传递过程中流通迅速程度大小的测度，定义为信息流时效。

关于割联系度：

在算力网计算与存储路径中，将割的节点间最短路径的总流量定义为割的联系度。

可以描述为：在算力网计算与存储路径中，第i个子网，第j个割的联系度记作l_ij。l_ij的计算由割节点间分支的总流量的最短路径来确定，直接联结的长度为1，每中转一次长度加1。

与节点i有直接联系的联结长度数量，定义为联系跨度k_i，k_i为自然数。例如，联系跨度k_i＝1，表示对该节点只有一次访问，即直接联结长度为1的只有一个。

关于系统遍历微观态：

从某一角度考察系统时，系统可能呈现所经历的所有微观状态，定义为系统遍历微观态。

关于微观态总数：

状态的微观态总数，是指系统演变成某一种状态的可能的途径微观状态数叫做状态的微观态总数。

关于时效微观态：

将割j中第i节点的跨度个数k_i称为联系数，记为

它与自然数集对应，算力网计算与存储路径的时效微观态记为

定义如下：

其中，

为跨度k_i时对应割j的联系数。

例如，联系跨度k_i＝1，表示直接联结的长度为1，k_i＝2，表示该节点直接联结长度为1的有2个，即跨度为2，依次类推。

在算力网计算与存储路径中，有l个子网，第i个子网有j个割，信息流时效微观态为

则总的时效联系度记为A^T，定义如下：

关于时效熵：

在算力网计算与存储路径中，信息流通过“网”的时效不确定性大小的度量称为算力网计算与存储路径的时效熵，记作

定义如下：

其中，

为第i个子网，第j个割，联系跨度为k_i的节点间联系时实现的概率。

在算力网计算与存储路径中，有l个子网，概率

定义如下：

关于总时效熵：

在算力网计算与存储路径中，有l个子网，总时效熵记为

定义如下：

其中，k_i为第i个子网的联系数；m为算力网计算与存储路径中割的个数。

关于最大时效熵：

在算力网计算与存储路径中，l个子网，时效微观态为

记最大联系度为A_max，算力网计算与存储路径的最大时效熵记为

定义如下：

其中，

也即，微观态

的算力网计算与存储路径的最大时效熵测度为：

步骤S20，根据所述算力网计算与存储路径的总时效熵以及所述最大时效熵确定时效极小熵，根据所述时效极小熵确定所述算力网计算与存储路径的信息流的最大时效；

需要说明的是，在算力网计算与存储路径中，l个子网，总时效熵为

最大时效熵为

算力网计算与存储路径的时效极小熵记为

定义如下：

关于信息流的最大时效：

在算力网计算与存储路径策略空间中，某一路径的信息流的最大时效记为

定义如下：

以信息流的最大时效

作为对算力网计算与存储路径的拓扑结构最大时效定量化测度值。也即，最大时效

值越大，表征算力网计算与存储路径越优化，反之亦然。

步骤S30，根据所述算力网计算与存储路径的联系跨度确定总质量熵，根据所述算力网计算与存储路径的质量微观态确定最大质量熵；

需要说明的是，在算力网计算与存储信息传输过程中，信息流传递过程中出错机会存在着不确定性，导致信息质量有好有坏，其中，描述算力网计算与存储路径选择的质量不确定性大小用“质量熵”表示，描述算力网信息传输的路径最佳质量用网络“信息流的最佳质量”表示。

关于信息流质量：

在算力网计算与存储路径中，用以度量信息流在传递过程中流通准确程度大小的测度，定义为信息流质量。

关于质量微观态：

在算力网计算与存储路径中，有l个子网，第i个子网，联系跨度为k_i，第j个割的质量微观态总数记为

定义如下：

其中，k_i为第i个节点的联系跨度。

在算力网计算与存储路径中，有l个子网，第i个子网，联系跨度为k_i，第j个割的质量微观态实现概率值记为

定义如下：

关于质量熵：

信息流通过算力网计算与存储“路径网”的质量不确定性大小的度量称为算力网计算与存储路径的质量熵记为

定义如下：

将公式(12)代入公式(13)可得：

关于总质量熵：

在算力网计算与存储路径中，有l个子网，第i个子网，联系跨度为k_i，第j个割的系统总质量熵记为

定义如下：

在算力网计算与存储路径中，有l个子网，第i个子网，联系跨度为k_i，第j个割的质量微观态

算力网计算与存储路径最大质量熵记为

定义如下：

步骤S40，根据所述总质量熵以及所述最大质量熵确定质量极小熵，根据所述质量极小熵确定所述算力网计算与存储路径的信息流的最佳质量；

需要说明的是，在算力网计算与存储路径中，l个子网，总质量熵记为

最大质量熵为

算力网计算与存储路径的质量极小熵记为

定义如下：

关于信息流的最佳质量：

算力网计算与存储路径的信息流的最佳质量记为

定义如下：

以信息流的最大质量

作为对算力网计算与存储路径的拓扑结构最优质量定量化测度值。也即，最大质量

值越大，表征算力网计算与存储路径越优化，反之亦然。

步骤S50，根据所述最大时效、所述最佳质量以及设定权重系数，确定所述算力网计算与存储路径的信息流的联合优化度，并根据所述联合优化度确定算力网计算与存储最优路径。

需要说明的是，在算力网计算与存储信息传输过程中，信息流通的速度存在着不确定性，导致信息流动的效率有快有慢；信息流传递过程中出错机会存在着不确定性，导致信息质量有好有坏，当在计算与存储最优路径选择时，既要注重时效性，又要兼顾准确性时，因此本发明实施例引入算力网计算与存储路径的联合优化度的定义。

关于联合优化度：

在算力网计算与存储路径策略空间中，某一路径的信息流的最大时效记为

信息流的最佳质量记为

将最优路径选择标准满足的条件是：即要求最大时效，又要求最佳质量的测度定义为信息流的联合优化度，用

表示，定义如下：

其中，α₁≥0，α₂≥0，α₁+α₂＝1。

也即，联合优化度

值越大，表征算力网计算与存储路径越优化，反之亦然。

在一个具体实施例中，基于算力网计算与存储路径智能化最优调度工作整体流程，选取算力网计算与存储的两条路径：

路径1：网络的矩阵式拓扑结构(参考图5)

路径2：网络的分布式拓扑结构(参考图6)

分别计算对应网络拓扑结构的最佳质量(见表1)，最大时效(见表2)。

表1算力网计算与存储路径网络的矩阵式拓扑结构的最佳质量

表2算力网计算与存储路径网络分布式拓扑结构的最大时效

本发明实施例提供的算力网计算与存储最优路径确定方法，通过根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵；根据算力网计算与存储路径的总时效熵以及最大时效熵确定时效极小熵，根据时效极小熵确定算力网计算与存储路径的信息流的最大时效；根据算力网计算与存储路径的联系跨度确定总质量熵，根据算力网计算与存储路径的质量微观态确定最大质量熵；根据总质量熵以及最大质量熵确定质量极小熵，根据质量极小熵确定算力网计算与存储路径的信息流的最佳质量；根据最大时效、最佳质量以及设定权重系数，确定算力网计算与存储路径的信息流的联合优化度，并根据联合优化度确定算力网计算与存储最优路径。基于此，实现了在由多个复杂网络组成的算力网分布式拓扑结构中，动态择优算力网计算与存储信息传输最优路径，提升了算力网计算与存储能力和算力网计算与存储过程的时效性、准确性和可靠性。

需要说明的是，针对经典计算机已经难以满足算力指数级激增的需求，采用经典计算机与量子计算机有机结合的架构方式建立新型量子算力网络，解决算力需求样式多变、算力资源有限等问题，是构架量子算力网络的需求所在。

本发明实施例提出从算力网计算与存储路径策略集中优选最优路径的策略，给出一种算力网计算与存储最优路径确定的极小熵法，包括：

从信息流时效性出发，基于不同复杂网络路径下最优调度信息流的路径，给出算力网计算与存储路径最大时效确定的极小熵模型及算法；

从信息流准确性出发，基于不同复杂网络路径下最优调度信息流的路径，给出算力网计算与存储路径最佳质量确定的极小熵模型及算法；

从信息流时效性、准确性同时出发，给出算力网计算与存储路径联合优化度确定方法，实现算力网计算与存储路径在动态网络下资源的最优调度。

同时，设计算力网计算与存储路径的最大时效、最佳质量、最优路径实现最优调度的基本流程。

具体地，按照算力网计算与存储路径的最大时效实现最优调度，基本流程包括：

步骤一：记录算力网计算与存储路径对应的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(子网总数l、割j、节点i、跨度k_i)与数量值，并存储在动态数据管理模块；

步骤二：计算第j个割中，第i节点，割中节点的跨度个数k_i，并存储在优选路径解析模块；

步骤三：计算第j个割中，第i节点，跨度为k_i的联系数

并存储在优选路径解析模块；

步骤四：计算第j个割中，第i节点，跨度为k_i的时效微观态

并存储在优选路径解析模块；

步骤五：计算第j个割中，第i节点，跨度为k_i的总的时效联系度A^T，并存储在优选路径解析模块；

步骤六：计算第i个子网，第j个割,联系数为k_i，节点间联系时实现概率

并存储在优选路径解析模块；

步骤七：计算第j个割中，第i节点，概率为

的时效熵

并存储在优选路径解析模块；

步骤八：计算l个子网的总时效熵

并存储在优选路径解析模块；

步骤九：计算l个子网，时效微观态为

的最大联系度A_max，并存储在优选路径解析模块；

步骤十：计算l个子网的最大时效熵

并存储在优选路径解析模块；

步骤十一：计算l个子网的时效极小熵

并存储在优选路径解析模块；

步骤十二：计算通过l个子网该路径上信息流通过的最大时效

并存储在优选结果存储模块。

按照算力网计算与存储路径的最佳质量实现最优调度，基本流程包括：

步骤1：记录算力网计算与存储路径对应的分布式拓扑结构路径集(或活动网络结构)总的路径网络特征与子网数量l，并存储在动态数据管理模块；

步骤2：计算第i个子网，跨度k_i，并存储在优选路径解析模块；

步骤3：计算第i个子网，跨度为k_i，第j个割的质量微观态总数

并存储在优选路径解析模块；

步骤4：计算第i个子网，跨度为k_i，第j个割的质量微观态实现概率

并存储在优选路径解析模块；

步骤5：计算第i个子网，跨度为k_i，第j个割，实现概率为

的质量熵

并存储在优选路径解析模块；

步骤6：计算l个子网的总质量熵记为

并存储在优选路径解析模块；

步骤7：计算l个子网的最大质量熵

并存储在优选路径解析模块；

步骤8：计算l个子网的质量极小熵

并存储在优选路径解析模块；

步骤9：计算通过l个子网该路径上信息流通过的最佳质量

并存储在优选结果存储模块。

按照算力网计算与存储路径的联合优化度实现最优调度，基本流程包括：

步骤a：调用存储模块中，某一路径的信息流最大时效记为

信息流最佳质量记为

并存储优选结果存储模块；

步骤b：给出α₁≥0，α₂≥0，α₁+α₂＝1，并记录在解析模块中；

步骤c：计算

并存储在优选结果存储模块。

参考图2，图2是本发明提供的监测装置的结构示意图。

本发明实施例提供的监测装置，应用于上述实施例的算力网计算与存储最优路径确定方法，该监测装置包括：

动态数据管理模块210，用于记录、存储或被调用数据；

路径参数记录模块220，用于记录并存储所述算力网计算与存储路径的特征信息值和数量值；

优选路径预判模块230，用于预判所述算力网计算与存储路径的类型；

优选路径解析模块240，用于解析所述算力网计算与存储路径的数据；

优选路径计算模块250，用于计算所述算力网计算与存储路径的所述最大时效、所述最佳质量以及所述联合优化度；

优选结果存储模块260，用于所述存储算力网计算与存储路径的单项指标计算值和综合计算值；

显示监测干预模块270，用于显示所述算力网计算与存储路径的数据特征。

在本发明实施例中，从工程化实践过程出发，基于算力网计算与存储最优路径确定方法，设计了AI智能监测装置，并给出了算力网计算与存储最优路径的监测装置设计方法，和监测装置系统工作流程图(参考图7)，将一个物理监测装置转变成AI智能系统，起到用软件定义数据中心的作用，实现了算力网计算与存储路径最优调度的智能化决策。

以下是对监测装置中各个模块的详细说明：

1、动态数据管理模块210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，分别包括以下用户层、应用服务器层和数据层等。

用户层S1：能够同时满足算力网计算与存储路径的数据选择、调度，以及实现数据层数据交互。也就是在算力网中，该模块层关于待选的计算与存储“路径”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S2：应用服务器层是数据层与用户层之间设置的中间层，用于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。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S3：用于存储或被调用数据，包括满足算力网计算与存储路径优化数据和待优化的算力网计算与存储路径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计算与存储路径相关联的时效数据和质量数据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、路径参数记录模块220包括，记录算力网计算与存储路径对应的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(子网总数l、割j、节点i、跨度k_i)与数量值，并存储；记录待选优的算力网计算与存储路径单项参数信息，并存储；记录算力网计算与存储路径相关联的时效、质量的初始态数据、待处理的中间数据，并存储；记录动态数据管理模块数据层的所有信息。

3、优选路径预判模块230包括给出选优计算与存储路径单项优选的类别，区分不同分类，进行判断。

预判模块B1：判断被选优的计算与存储路径，求最大时效时分类记为类1。

预判模块B2：判断被选优的计算与存储路径，求最佳质量时分类记为类2。

预判模块B3：判断被选优的计算与存储路径，求联合优化度时分类记为类3。

4、优选路径解析模块240包括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：

解析模块C1：解析被选优的算力网计算与存储路径初始态数据、中间运算数据、分析过程数据、分项运算数据；

解析模块C2：解析被选优的算力网计算与存储路径的最大时效、最佳质量权重系数值。

5、优选路径计算模块250包括用算力网计算与存储路径的最大时效、最佳质量、联合优化度的公式、算法和模型，区分被选优的算力网计算与存储路径的类型。若按照选优的算力网计算与存储路径的最大时效、最佳质量、联合优化度等，采用相对应的计算公式、算法和模型，分别转入以下模块：

计算模块D1：对待选优的算力网计算与存储路径的信息流，调用解析模块B1的解析数据，按照最大时效实现最优调度的基本步骤：步骤二至步骤十二，代入对应的公式、算法和模型；

计算模块D2：对待选优的算力网计算与存储路径的信息流，调用解析模块B1的解析数据，按照最佳质量实现最优调度的基本步骤：步骤2至步骤9代入对应的公式、算法和模型；

计算模块D3：对待选优的算力网计算与存储路径的信息流，调用解析模块B2的解析数据，按照联合优化度实现最优调度的基本步骤：步骤a至步骤c代入对应的公式、算法和模型。

6、优选结果存储模块260包括统计存储待选优的算力网计算与存储路径的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E1：存储算力网计算与存储路径的最大时效的分项计算过程数据和最大时效；

存储模块E2：存储算力网计算与存储路径最佳质量的分项计算过程数据和最佳质量；

存储模块E3：存储算力网计算与存储路径的最大时效权系数、最佳质量权系数以及联合优化度计算值。

7、显示监测干预模块270包括过程显示、干预显示、结果显示，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：

过程显示模块F1：调用数据层中，算力网计算与存储路径的初始态数据、中间运算过程数据显示。

干预显示模块F2：调用数据层中，算力网计算与存储路径参与优选运算过程中相关参数的调整数据、最大时效的权重系数以及最佳质量的权重系数显示。

结果显示模块F3：调用数据层中最大时效以及得到最大时效的分项计算值，最佳质量以及得到最佳质量的分项计算值，以及联合优化度计算值，判断类型，转入以下显示模块：

结果显示模块F31：显示最大时效以及得到最大时效的分项计算值；

结果显示模块F32：显示最佳质量以及得到最佳质量的分项计算值。

结果显示模块F33：显示联合优化度计算值。

按照以上流程，形成算力网计算与存储路径智能化最优调度工作模块流程。

本发明实施例提供的监测装置，实现了在由多个复杂网络组成的算力网分布式拓扑结构中，择优算力网计算与存储信息传输最优路径，提升了算力网计算与存储能力和算力网计算与存储过程的时效性、准确性和可靠性。

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)

1.一种算力网计算与存储最优路径确定方法，其特征在于，包括：

根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵；

根据所述算力网计算与存储路径的总时效熵以及所述最大时效熵确定时效极小熵，根据所述时效极小熵确定所述算力网计算与存储路径的信息流的最大时效；

根据所述算力网计算与存储路径的联系跨度确定总质量熵，根据所述算力网计算与存储路径的质量微观态确定最大质量熵；

根据所述总质量熵以及所述最大质量熵确定质量极小熵，根据所述质量极小熵确定所述算力网计算与存储路径的信息流的最佳质量；

根据所述最大时效、所述最佳质量以及设定权重系数，确定所述算力网计算与存储路径的信息流的联合优化度，并根据所述联合优化度确定算力网计算与存储最优路径。

2.根据权利要求1所述的算力网计算与存储最优路径确定方法，其特征在于，所述根据算力网对应的分布式拓扑结构，确定算力网计算与存储路径的时效微观态确定最大时效熵之前，还包括：

根据所述算力网计算与存储路径的联系跨度和联系数，确定所述时效微观态；

根据所述时效微观态确定所述总时效熵。

3.根据权利要求1所述的算力网计算与存储最优路径确定方法，其特征在于，所述根据所述算力网计算与存储路径的质量微观态确定最大质量熵，包括：

根据所述算力网计算与存储路径的质量微观态确定所述质量微观态的实现概率值；

根据所述质量微观态的实现概率值确定所述最大质量熵。

4.一种监测装置，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计算与存储最优路径确定方法，包括：

动态数据管理模块，用于记录、存储或被调用数据；

路径参数记录模块，用于记录并存储所述算力网计算与存储路径的特征信息值和数量值；

优选路径预判模块，用于预判所述算力网计算与存储路径的类型；

优选路径解析模块，用于解析所述算力网计算与存储路径的数据；

优选路径计算模块，用于计算所述算力网计算与存储路径的所述最大时效、所述最佳质量以及所述联合优化度；

优选结果存储模块，用于所述存储算力网计算与存储路径的单项指标计算值和综合计算值；

显示监测干预模块，用于显示所述算力网计算与存储路径的数据特征。

5.根据权利要求4所述的监测装置，其特征在于，所述动态数据管理模块包括：

用户层，用于所述算力网计算与存储路径的数据选择、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所述的监测装置，其特征在于，所述优选路径预判模块包括多个预判模块，所述预判模块用于预判所述算力网计算与存储路径的类型。

7.根据权利要求4所述的监测装置，其特征在于，所述优选路径解析模块包括多个解析模块，所述解析模块用于解析所述算力网计算与存储路径的初始态数据、中间运算数据、分析过程数据、分项运算数据；

所述解析模块，还用于解析所述算力网计算与存储路径的所述联合优化度中最大时效的权重系数和最佳质量的权重系数。

8.根据权利要求7所述的监测装置，其特征在于，所述优选路径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最大时效、所述最佳质量以及所述联合优化度。

9.根据权利要求4所述的监测装置，其特征在于，所述优选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算力网计算与存储路径的所述最大时效的分项计算过程数据和所述最大时效；

所述存储模块，还用于存储所述算力网计算与存储路径的所述最佳质量的分项计算过程数据和所述最佳质量；

所述存储模块，还用于存储所述算力网计算与存储路径的所述最大时效的权重系数、所述最佳质量的权重系数以及所述联合优化度的计算值。

10.根据权利要求4所述的监测装置，其特征在于，所述显示监测干预模块包括：

过程显示模块，用于显示所述算力网计算与存储路径的初始态数据以及中间运算过程数据；

干预显示模块，用于显示所述算力网计算与存储路径参与优选运算过程中相关参数的调整数据、所述最大时效的权重系数以及所述最佳质量的权重系数；

结果显示模块，用于显示所述最大时效以及所述最大时效的分项计算值、所述最佳质量以及所述最佳质量的分项计算值、所述联合优化度。

Images