CN115460254A - 基于ai的实时云渲染中环境资源动态加载方法 - Google Patents

基于ai的实时云渲染中环境资源动态加载方法 Download PDF

Info

Publication number
CN115460254A
CN115460254A CN202211146584.4A CN202211146584A CN115460254A CN 115460254 A CN115460254 A CN 115460254A CN 202211146584 A CN202211146584 A CN 202211146584A CN 115460254 A CN115460254 A CN 115460254A
Authority
CN
China
Prior art keywords
resources
environment
resource
knowledge
independent
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.)
Pending
Application number
CN202211146584.4A
Other languages
English (en)
Inventor
梅向东
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.)
Jiangsu Cudatec Co ltd
Original Assignee
Jiangsu Cudatec Co ltd
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 Jiangsu Cudatec Co ltd filed Critical Jiangsu Cudatec Co ltd
Priority to CN202211146584.4A priority Critical patent/CN115460254A/zh
Publication of CN115460254A publication Critical patent/CN115460254A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于AI的实时云渲染中环境资源动态加载方法，用环境资源为知识本体构建开放云渲染知识体系，并采用开放式学习迭代生成领域知识和应用规则；在环境资源的领域知识学习上，根据环境资源的随机性特点，采用改进马尔可夫逻辑网络的动作模型构建方法；在精准地把握环境实际情况上，采用改进支持向量机；在动态高效投放环境资源上，采用动态加权多准则决策，本发明采用本体构建开放云渲染知识体系，迭代生成领域知识和应用规则，以环境为重点，在领域知识持续学习上采用改进马尔可夫逻辑网络，在精准地把握环境实际情况上，采用改进支持向量机，在动态高效投放环境资源上，采用动态加权多准则决策，可实现资源向业务智能汇聚，最终实现资源的自动推送。

Description

基于AI的实时云渲染中环境资源动态加载方法
技术领域
本发明属于云渲染领域，具体为基于AI的实时云渲染中环境资源动态加载方法。
背景技术
在万物上云时代，互联网服务提供商（ISP）与云服务提供商（CSP）趋向融合，随着云网融合的不断深入应用，多云互联成为主要发展趋势。在多云环境下，各种云服务提供商（CSP）的集成服务可实现服务资源的动态调整、计算资源的合理分配以及定制化的业务互通，具有动态性和弹性的特性，为用户带来弹性、自动化、智能化的多云服务。
其中，实时云渲染是一种依托于云计算的实时云端服务。在多云环境下，平台底层无缝对接多家公有云服务商，可实现计算、网络、存储等环境资源的灵活调度，为用户提供高性能计算解决方案。而面向跨云跨领域的复杂业务场景，渲染需求不尽相同，需要的环境资源也各自不同，如何实现环境资源的精准投放，满足业务需求是我们急需解决的问题。
因此，我们提出一种基于AI的实时云渲染中环境资源动态加载方法，采用AI技术将资源本体转换为知识模型，进而形成应用规则，可随着应用场景变化而变化，以实现资源的动态加载。
发明内容
本发明的目的就在于为了解决上述问题而提供基于AI的实时云渲染中环境资源动态加载方法，解决了背景技术中提到的问题。
为了解决上述问题，本发明提供了一种技术方案：
基于AI的实时云渲染中环境资源动态加载方法，包括以下步骤：
S1、用环境资源为知识本体构建开放云渲染知识体系，并采用开放式学习迭代生成领域知识和应用规则；
S2、在环境资源的领域知识学习上，根据环境资源的随机性特点，采用改进马尔可夫逻辑网络的动作模型构建方法；
S3、在精准地把握环境实际情况上，采用改进支持向量机；
S4、在动态高效投放环境资源上，采用动态加权多准则决策。
作为优选，所述S1中知识本体分为核心本体、高层本体和领域本体，其中核心本体由若干个高层本体支撑，高层本体由若干个领域本体支撑，领域本体里面有若干个领域知识。
作为优选，所述S1中环境资源的核心本体为Iaas资源和Paas资源；
环境资源的高层本体包括计算资源、存储资源、网络资源和安全资源、操作系统、软件平台、中间件和数据库资源；
环境资源的领域本体包括CPU/GPU资源、内存资源、硬盘资源、nas/sfs资源、网关资源、防火墙资源等、认证系统、消息队列、用户数据、系统数据等资源。
作为优选，所述S1中开放式学习结构，即将领域知识与其他知识进行对比，进而使领域知识进行优化和迭代。
作为优选，所述改进马尔可夫逻辑网络的动作模型构建方法包括以下步骤：
A1、将环境分为一个个独立环境的有机组合；
A2、将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；
A3、将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；
A4、在A3的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识。
作为优选，所述S3中改进支持向量机包括以下步骤：
B1、将环境分为一个个独立环境的有机组合；
B2、将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；
B3、将独立环境情况和相互配合情况均作为可用支持向量机；
B4、在B3的基础上，围绕具体渲染作业形成资源组合，进一步进行优化。
作为优选，所述动态加权多准则决策包括以下步骤：
C1、将环境分为一个个独立环境的有机组合；
C2、将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；
C3、在各自资源的投放中加权多准则决策；
C4、围绕具体渲染作业的进程和资源具体情况，权重会动态调整。
作为优选，所述独立环境采用超平面找到局部最优，如存储资源，其排序方式为：远端存储、冷存热存、小字节存储等，然后再选择组合最优。
本发明的有益效果是：基于AI的实时云渲染中环境资源动态加载方法，采用本体构建开放云渲染知识体系，迭代生成领域知识和应用规则，以环境为重点，在领域知识持续学习上采用改进马尔可夫逻辑网络，在精准地把握环境实际情况上，采用改进支持向量机，在动态高效投放环境资源上，采用动态加权多准则决策，可实现资源向业务智能汇聚，最终实现资源的自动推送。
附图说明
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1是本发明Paas资源系统拓扑示意图；
图2是本发明Iaas资源系统拓扑示意图；
图3是本发明开放式学习流程示意图；
图4是本发明超平面查找局部最优的示意图。
具体实施方式
如图1-4所示，本具体实施方式采用以下技术方案：
实施例1：
基于AI的实时云渲染中环境资源动态加载方法，包括以下步骤：
S1、用环境资源为知识本体构建开放云渲染知识体系，并采用开放式学习迭代生成领域知识和应用规则；
S2、在环境资源的领域知识学习上，根据环境资源的随机性特点，采用改进马尔可夫逻辑网络的动作模型构建方法；
S3、在精准地把握环境实际情况上，采用改进支持向量机；
S4、在动态高效投放环境资源上，采用动态加权多准则决策；
采用本体构建开放云渲染知识体系，迭代生成领域知识和应用规则，以环境为重点，在领域知识持续学习上采用改进马尔可夫逻辑网络，在精准地把握环境实际情况上，采用改进支持向量机，在动态高效投放环境资源上，采用动态加权多准则决策，可实现资源向业务智能汇聚，最终实现资源的自动推送。
其中，所述S1中知识本体分为核心本体、高层本体和领域本体，其中核心本体由若干个高层本体支撑，高层本体由若干个领域本体支撑，领域本体里面有若干个领域知识。
其中，所述S1中环境资源的核心本体为Iaas资源和Paas资源；
环境资源的高层本体包括计算资源、存储资源、网络资源和安全资源、操作系统、软件平台、中间件和数据库资源；
环境资源的领域本体包括CPU/GPU资源、内存资源、硬盘资源、nas/sfs资源、网关资源、防火墙资源等、认证系统、消息队列、用户数据、系统数据等资源。
其中，所述S1中开放式学习结构，即将领域知识与其他知识进行对比，进而使领域知识进行优化和迭代。
其中，所述改进马尔可夫逻辑网络的动作模型构建方法包括以下步骤：
A1、将环境分为一个个独立环境的有机组合；
A2、将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；
A3、将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；
A4、在A3的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识。
其中，所述S3中改进支持向量机包括以下步骤：
B1、将环境分为一个个独立环境的有机组合；
B2、将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；
B3、将独立环境情况和相互配合情况均作为可用支持向量机；
B4、在B3的基础上，围绕具体渲染作业形成资源组合，进一步进行优化。
其中，所述动态加权多准则决策包括以下步骤：
C1、将环境分为一个个独立环境的有机组合；
C2、将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；
C3、在各自资源的投放中加权多准则决策；
C4、围绕具体渲染作业的进程和资源具体情况，权重会动态调整。
其中，所述独立环境采用超平面找到局部最优，如存储资源，其排序方式为：远端存储、冷存热存、小字节存储等，然后再选择组合最优。
实施例2：
以环境资源的核心本体、高层本体和领域本体构建开放云渲染知识体系，并将领域知识与其他知识进行对比，其对比流程为：先输入样本集，并对样本集进行测试，随后将测试的样本集发送至分类器中，将分类器中的数据发送至知识本体中，通过学习整合将训练集与知识本题中的数据进行整合并发送给分类器，随后输入其他知识，在开放法学系结构的作用下进行对比，从而使领域知识进行优化和迭代，采用超平面找到局部最优，优选顺序为远端存储、冷存热存、小字节存储等，然后再选择组合最优，将环境分为一个个独立环境的有机组合；将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；在一阶逻辑的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识；将环境分为一个个独立环境的有机组合；将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；将独立环境情况和相互配合情况均作为可用支持向量机；在向量机的基础上，围绕具体渲染作业形成资源组合，进一步进行优化；将环境分为一个个独立环境的有机组合；将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；在各自资源的投放中加权多准则决策；围绕具体渲染作业的进程和资源具体情况，权重会动态调整，即根据渲染作业历史情况进行预判，如实时传输、算力要求大，然后实际反馈，动态调整资源加权情况。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.基于AI的实时云渲染中环境资源动态加载方法，其特征在于，包括以下步骤：
S1、用环境资源为知识本体构建开放云渲染知识体系，并采用开放式学习迭代生成领域知识和应用规则；
S2、在环境资源的领域知识学习上，根据环境资源的随机性特点，采用改进马尔可夫逻辑网络的动作模型构建方法；
S3、在精准地把握环境实际情况上，采用改进支持向量机；
S4、在动态高效投放环境资源上，采用动态加权多准则决策。
2.根据权利要求1所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述S1中知识本体分为核心本体、高层本体和领域本体，其中核心本体由若干个高层本体支撑，高层本体由若干个领域本体支撑，领域本体里面有若干个领域知识。
3.根据权利要求1所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述S1中环境资源的核心本体为Iaas资源和Paas资源；
环境资源的高层本体包括计算资源、存储资源、网络资源和安全资源、操作系统、软件平台、中间件和数据库资源；
环境资源的领域本体包括CPU/GPU资源、内存资源、硬盘资源、nas/sfs资源、网关资源、防火墙资源等、认证系统、消息队列、用户数据、系统数据等资源。
4.根据权利要求1所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述S1中开放式学习结构，即将领域知识与其他知识进行对比，进而使领域知识进行优化和迭代。
5.根据权利要求1所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述改进马尔可夫逻辑网络的动作模型构建方法包括以下步骤：
A1、将环境分为一个个独立环境的有机组合；
A2、将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；
A3、将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；
A4、在A3的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识。
6.根据权利要求1所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述S3中改进支持向量机包括以下步骤：
B1、将环境分为一个个独立环境的有机组合；
B2、将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；
B3、将独立环境情况和相互配合情况均作为可用支持向量机；
B4、在B3的基础上，围绕具体渲染作业形成资源组合，进一步进行优化。
7.根据权利要求1所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述动态加权多准则决策包括以下步骤：
C1、将环境分为一个个独立环境的有机组合；
C2、将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；
C3、在各自资源的投放中加权多准则决策；
C4、围绕具体渲染作业的进程和资源具体情况，权重会动态调整。
8.根据权利要求5所述的基于AI的实时云渲染中环境资源动态加载方法，其特征在于，所述独立环境采用超平面找到局部最优，如存储资源，其排序方式为：远端存储、冷存热存、小字节存储等，然后再选择组合最优。
CN202211146584.4A 2022-09-20 2022-09-20 基于ai的实时云渲染中环境资源动态加载方法 Pending CN115460254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211146584.4A CN115460254A (zh) 2022-09-20 2022-09-20 基于ai的实时云渲染中环境资源动态加载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211146584.4A CN115460254A (zh) 2022-09-20 2022-09-20 基于ai的实时云渲染中环境资源动态加载方法

Publications (1)

Publication Number Publication Date
CN115460254A true CN115460254A (zh) 2022-12-09

Family

ID=84304560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211146584.4A Pending CN115460254A (zh) 2022-09-20 2022-09-20 基于ai的实时云渲染中环境资源动态加载方法

Country Status (1)

Country Link
CN (1) CN115460254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116860300A (zh) * 2023-09-01 2023-10-10 武汉理工大学 面向多子网多ecu的车载ota并行升级方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116860300A (zh) * 2023-09-01 2023-10-10 武汉理工大学 面向多子网多ecu的车载ota并行升级方法及系统
CN116860300B (zh) * 2023-09-01 2023-11-28 武汉理工大学 面向多子网多ecu的车载ota并行升级方法及系统

Similar Documents

Publication Publication Date Title
Zhao et al. Federated learning with non-IID data in wireless networks
Chen et al. Energy-efficient offloading for DNN-based smart IoT systems in cloud-edge environments
Lin et al. A time-driven data placement strategy for a scientific workflow combining edge computing and cloud computing
Lin et al. Task offloading for wireless VR-enabled medical treatment with blockchain security using collective reinforcement learning
Shi et al. Machine learning for large-scale optimization in 6g wireless networks
Cui et al. Cloud service reliability modelling and optimal task scheduling
Wang et al. Utility optimization for resource allocation in multi-access edge network slicing: A twin-actor deep deterministic policy gradient approach
Yadav et al. Ga-pso: Service allocation in fog computing environment using hybrid bio-inspired algorithm
Khowaja et al. Toward energy-efficient distributed federated learning for 6G networks
CN111813539B (zh) 一种基于优先级与协作的边缘计算资源分配方法
Babar et al. Intelligent computation offloading for IoT applications in scalable edge computing using artificial bee colony optimization
Khansari et al. Virtual sensor as a service: a new multicriteria QoS-aware cloud service composition for IoT applications
CN111984419A (zh) 一种边缘环境可靠性约束的复杂任务计算迁移方法
Wu et al. Optimal deploying IoT services on the fog computing: A metaheuristic-based multi-objective approach
CN115460254A (zh) 基于ai的实时云渲染中环境资源动态加载方法
Wei et al. Joint optimization across timescales: Resource placement and task dispatching in edge clouds
Jere et al. Distributed learning meets 6G: A communication and computing perspective
Wakil et al. Method for replica selection in the Internet of Things using a hybrid optimisation algorithm
Wei et al. Quantum assisted scheduling algorithm for federated learning in distributed networks
Qiu et al. Bring intelligence among edges: A blockchain-assisted edge intelligence approach
Zanbouri et al. A new fog-based transmission scheduler on the Internet of multimedia things using a fuzzy-based quantum genetic algorithm
Santos et al. Reinforcement learning for service function chain allocation in fog computing
Wang et al. Distributed event‐triggered scheme for economic dispatch in power systems with uncoordinated step‐sizes
Hussein et al. Efficient Computation Offloading of IoT-Based Workflows Using Discrete Teaching Learning-Based Optimization.
Ren et al. Smig-rl: An evolutionary migration framework for cloud services based on deep reinforcement learning

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