CN115550407A - 车机端的任务处理方法、系统及存储介质 - Google Patents

Abstract

本发明提供一种车机端的任务处理方法、系统及存储介质，该方法包括：获取车机端的待处理的任务数据；采集云虚拟机计算中心的云算力资源；确定所述待处理的任务数据所需的算力资源；若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。本发明通过采集云虚拟机计算中心的云算力资源并将云算力资源分配给车机端的待处理的任务，将车机系统的系统架构扩充至云端，解决了车机系统本地算力不足的问题，提高了车机系统执行任务的效率，提高了响应速度。

Description

车机端的任务处理方法、系统及存储介质

技术领域

本发明涉及无线通信技术领域，尤其涉及一种车机端的任务处理方法、系统及存储介质。

背景技术

车机系统是安装在汽车里面的车载信息娱乐产品的简称，车机系统在功能上能够实现人与车，车与外界的信息通讯，为用户提供车辆相关服务以及娱乐服务等。

现有技术中，当前的车机系统为车机本地端运行，但是车机系统往往存在本地算力不足的问题，导致车机系统执行任务效率低下，响应延迟。

发明内容

本发明提供一种车机端的任务处理方法、系统及存储介质，用以解决车机系统存在的本地算力不足，导致车机系统执行任务效率低下、响应延问题。

第一方面，本发明提供一种车机端的任务处理方法，应用于云车机中台系统，所述方法包括：

获取车机端的待处理的任务数据；

采集云虚拟机计算中心的云算力资源；

确定所述待处理的任务数据所需的算力资源；

若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。

第二方面，本发明提供一种云车机中台系统，包括：

获取模块，用于获取车机端的待处理的任务数据；

采集模块，用于采集云虚拟机计算中心的云算力资源；

确定模块，用于确定所述待处理的任务数据所需的算力资源；

分配模块，用于若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。

第三方面，本发明提供一种云车机中台系统，包括：

业务中台和数据中台，所述业务中台包括消息服务引擎和数据采集中心；所述数据中台包括：数据中心和云算力智能调度引擎；

所述消息服务引擎数据搜索引擎，用于获取车机端的待处理的任务数据，并将所述任务数据存储至所述数据采集中心中；

所述云算力智能调度引擎，用于采集云虚拟机计算中心的云算力资源；

所述数据中心，用于确定所述待处理的任务数据所需的算力资源；

所述云算力智能调度引擎，还用于若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。

第四方面，本发明提供一种计算机存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如实现如上第一方面以及第一方面各种可能的设计所述的方法。

第五方面，本发明提供一种计算机程序产品，所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现如实现如上第一方面以及第一方面各种可能的设计所述的方法。

本申请提供的车机端的任务处理方法、系统及存储介质，通过采集云虚拟机计算中心的云算力资源并将云算力资源分配给车机端的待处理的任务，将车机系统的系统架构扩充至云端，解决了车机系统本地算力不足的问题，提高了车机系统执行任务的效率，提高了响应速度。

附图说明

为了更清楚地说明本发明实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的车机端的任务处理方法的应用场景示意图；

图2为本发明实施例提供的车机端的任务处理方法流程示意图一；

图3为本发明实施例提供的车机端的任务处理方法流程示意图二；

图4为本发明实施例提供的云中台系统的结构示意图一；

图5为本发明实施例提供的云中台系统的结构示意图二。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。

车机系统是安装在汽车里面的车载信息娱乐产品的简称，车机系统在功能上能够实现人与车，车与外界的信息通讯，为用户提供车辆相关服务以及娱乐服务等。

现有技术中，当前的车机系统的处理任务在车机本地端运行，在逐渐趋向于软件定义汽车的大背景下，对于各个控制域、线束、信号传输、芯片算力等要求不断变高。因此车机系统往往存在本地算力不足的问题，空中下载(Over-the-Air，OTA)迭代速度慢及迭代成本高，单纯依赖车机本地端只能为客户提供有限的服务，无法满足客户的需求。

为了解决上述技术问题，本发明实施例提出以下技术方案：提供一种云车机中台系统，通过引入云车机中台系统，将车机端的系统架构扩充至云端，实现车机端处理任务的云端迭代，解决了车机系统本地算力不足的问题，支持多个车机端共享云虚拟机计算中心，提升算力资源利用率。

下面采用详细的实施例进行详细说明。

图1是本发明实施例提供的云车机中台系统的应用场景示意图。如图1所示，车机端10中的应用接收用户输入的请求，云车机中台系统11从车机端10中的应用中获取待处理的任务数据，从云虚拟机计算中心12获取云算力资源，云车机中台系统11根据车机端10中的应用中的用户任务需求，分配云虚拟机计算中心12的云算力资源，云虚拟机计算中心12与车机端10中的应用点对点完成计算。

本发明中，云虚拟机计算中心12可以承载多种类型的车机端的应用，当用户打开车机端10中的某种应用程序，触发该应用程序的任务需求时，云虚拟机计算中心12采集到用户的任务需求，调度云虚拟机计算中心12的云算力资源对用户的任务需求进行处理。

图2为本发明实施例提供的车机端的任务处理方法流程示意图一，本实施例的执行主体可以为图1所示实施例中的云车机中台系统11，中台可以通过软件方式、硬件方式，或者软件和硬件相结合的方式实现以下方法，本实施例此处不做特别限制。如图2所示，该方法包括：

S201：获取车机端的待处理的任务数据。

本实施例中，车机端可以在接收到用户触发的任务后向中台系统发起任务处理，即由车机端发送消息至云车机中台系统，云车机中台系统接收车机端发来的消息，获取到车机端的待处理的任务数据。或者，还可以由云车机中台系统周期性向车机端查询待处理的任务。其中，待处理的任务通常可以是用户发起的对车机端应用程序的操作，该操作涉及的或者调用的数据即待处理的任务数据。

具体的，车机端是车机承载的各种类型的应用程序。消息的格式遵循云车机中台系统和车机端所采用的通信协议指定，不同的通常场景下，也可以使用不同的消息格式/模板来发送消息。消息格式/模板可以通过自定义等方式设置，并且由车机端和云车机中台系统之前预先约定。

S202：采集云虚拟机计算中心的云算力资源。

本实施例中，云虚拟机计算中心内具有云算力资源池，云算力资源池中的云算力资源可供多个车机端共享。云车机中台系统可以从云虚拟机计算中心的云算力资源池中采集云算力资源。

S203：确定待处理的任务数据所需的算力资源。

本实施例中，待处理的任务数据所需的算力资源由以下方法进行确定：

算力资源主要由待处理的任务在执行过程中所需的算力来确定，其任务执行过程一般而言主要涉及数据调用过程，数据的清洗、加工等预处理过程，以及基于清洗、加工后的数据进行数据分析、计算等过程，通过预估上述处理过程所需的算力资源来确定待处理任务所需的算力资源。而其算力资源的估算过程可以通过各种算法实现，例如：机器学习模型预测的方法。

S204：若云虚拟机计算中心的云算力资源满足待处理数据所需的算力资源，则为待处理的任务数据分配云算力资源。

云车机中台系统采集云虚拟机计算中心的云算力资源数据可以包括：例如云算力利用率、用户镜像、用户实例和应用程序等；用户镜像是指针对不同车型给用户分配的算力资源适配性不同；用户实例是指针对不同的用户上次上线时保存的算力占用数据和镜像配置等；应用程序是指使用了云算力的应用程序的情况，如个数等。还可以进一步包括云虚拟计算中心的健康数据等，健康数据一般可以指运行状况、异常数据等。

本实施例中，若云虚拟机计算中心的云算力资源满足待处理数据所需的算力资源，则云车机中台系统从云虚拟机计算中心获取云算力资源，云车机中台系统将获取得到的云算力资源分配给车机端，云虚拟机计算中心与车机端中的应用程序点对点完成计算。

综上，本实施例提供的车机端的任务处理方法，通过采集云虚拟机计算中心的云算力资源并将云算力资源分配给车机端的待处理的任务，将车机系统的系统架构扩充至云端，解决了车机系统本地算力不足的问题，提高了车机系统执行任务的效率，提高了响应速度。

图3为本发明实施例提供的车机端的任务处理方法流程示意图二。在本发明实施例中，在图2提供的实施例的基础上，S204中为待处理的任务数据分配云算力资源的具体实现方法进行了详细说明。如图3所示，该方法包括：

S301：确定待处理任务在不同时间段所需的算力资源。

为了进一步提高对云虚拟机计算中心的云算力资源利用率，可以根据待处理任务的处理过程在时间上的连续性，对云虚拟机计算中心的云算力资源进行动态分配。因此，在分配之前可以首先确定待处理任务的处理时间段，已经每个时间段所需的算力资源。

S302：在待处理任务的当前时间段到达之前，对待处理任务在当前时间段所需的云虚拟机计算中心中的云算力资源进行预分配。

本实施例中，在步骤S302确定了待处理的任务在不同时间段所需的算力资源后，通可以在该时间段到达之前，提前对所需云算力进行预分配。

当待处理任务的当前时间段到达时，云虚拟机计算中心与车机端中的应用程序可以直接进行点对点计算，而不用等待处理任务到达时再去进行云算力资源的分配。云算力资源的分配可能存在时间延迟，比如云算力资源的分配需要10秒，对云算力资源进行预分配可以降低分配存在的延迟，进一步提高任务处理的效率及任务响应速度。

S303：若待处理任务的处理时间为非连续性时间段，则在当前时间段到达之后，释放为当前时间段分配的云算力资源；

本实施例中，若待处理任务的处理时间为非连续性时间段，即客户对云算力资源的使用为非连续性的，则当用户在非连续性时间段内不使用云算力资源的时间段内将该云算力资源进行释放。比如用户对分配的云算力资源使用十分钟，暂停30分钟，再使用十分钟，接着暂停三十分钟，当云算力资源暂停使用5分钟时就将云算力资源进行释放，暂停使用25分钟时再通过步骤S302对云算力资源进行预分配。

综上，本实施例提供的车机端的任务处理方法，通过对云算力资源进行预分配和释放，可以减少云算力资源分配的时间延迟，并提高云算力资源的利用率，增强用户体验。

在本发明实施例中，在图2提供的实施例的基础上，车机端的任务处理方法还包括：

S401：采集用户对车机端各个应用程序的历史任务数据；

本实施例中，采集的用户对车机端各个应用程序的历史任务数据包括：用户使用的车机端中的应用程序类型及功能、用户的操作信息以及用户的使用时间等。

S402：根据历史任务数据，确定待处理任务的算力分配优先级；

本实施例中，基于S401采集到的历史任务数据，去优化对车机端上的用户任务数据的处理，确定待处理任务的算力分配优先级。举例而言：在采集到多个待处理用户任务时，可以根据用户对车机端应用程序的使用数据，确定待处理任务用户的优先级，根据优先级对待处理任务的响应顺序进行排序，优先处理优先级高的待处理任务。

S403：根据待处理任务的算力分配优先级，确定为待处理的任务数据分配云算力资源的分配顺序。

本实施例中，确定待处理任务的算力分配优先级后，根据优先级对待处理任务的响应顺序进行排序，为优先级高的待初级任务分配更为充足的算力资源。

综上，本实施例提供的车机端的任务处理方法，通过根据历史任务数据确定待处理任务的算力分配优先级，优选处理优先级高的待处理任务，以使对用户任务数据的处理过程及处理结果更加满足用户的需求。

图4为本发明实施例提供的云中台系统的结构示意图一。如图4所示，该云中台系统包括：获取模块401、采集模块402、确定模块403以及分配模块404。

获取模块401，用于获取车机端的待处理的任务数据；

采集模块402，用于采集云虚拟机计算中心的云算力资源；

确定模块403，用于确定待处理的任务数据所需的算力资源；

分配模块404，用于若云虚拟机计算中心的云算力资源满足待处理数据所需的算力资源，则为待处理的任务数据分配云算力资源。

在一种可能的实现方式中，确定模块403，具体用于根据待处理任务数据，通过机器学习模型预测待处理任务数据所需的算力资源。

在一种可能的实现方式中，确定模块403，还具体用于确定待处理任务在不同时间段所需的算力资源。

在一种可能的实现方式中，分配模块404，具体用于在待处理任务的当前时间段到达之前，对待处理任务在当前时间段所需的云虚拟机计算中心中的云算力资源进行预分配。

在一种可能的实现方式中，分配模块404，还具体用于若待处理任务的处理时间为非连续性时间段，则在当前时间段到达之后，释放为当前时间段分配的云算力资源。

在一种可能的实现方式中，云中台系统还包括第二采集模块405，用于采集用户对车机端各个应用程序的历史任务数据。

在一种可能的实现方式中，云中台系统还包括第二确定模块406，用于根据历史任务数据，确定待处理任务的算力分配优先级。

在一种可能的实现方式中，云中台系统还包括第三确定模块407，用于根据待处理任务的算力分配优先级，确定为待处理的任务数据分配云算力资源的分配顺序。

本实施例提供的云中台系统，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。

图5为本发明实施例提供的云中台系统的结构示意图一，如图5所示，云车机中台系统包括：业务中台和数据中台，其中：

业务中台按照功能逻辑划分，可以包括：消息服务引擎和数据采集中心；数据中台按照功能逻辑划分，可以包括：数据中心和云算力智能调度引擎。

消息服务引擎模块，用于消息接收和发送，在云车机中台系统中实现消息管理，实现云车机中台系统和车机端之间的双向消息发送。

具体的，消息管理是基于模板的消息管理，通过消息服务引擎中的消息中心实现云车机中台系统和车机端之间的双向消息的发送。消息的格式遵循云车机中台系统和车机端所采用的通信协议指定，不同的通常场景下，也可以使用不同的消息格式/模板来发送消息。例如，从云车机中台系统发送给车机端的用于提醒用户类的消息，则可以使用提醒类的消息模板，该消息模板可以通过自定义等方式设置，并且由车机端和云车机中台系统之前预先约定。

数据采集中心，用于采集车机端中的应用上的车机的运行数据，还用于采集云虚拟机计算中心的数据。

本实施例中，数据采集中心采集的车机端中的车机的运行数据包括：车机端中的应用的运行情况、车机的内存使用率、出现的异常情况等。

进一步的，数据采集中心还可以采集包括用户对车机端应用程序的使用数据，可以包括：用户使用的车机端中的应用程序类型及功能，用户的操作信息，以及用户的使用时间等。

作为一种可行的实施方式，可以基于上述采集到的用户对车机端应用程序的使用数据，去优化对车机端上的用户任务数据的处理。以使对用户任务数据的处理过程及处理结果更加满足用户的用户，举例而言：在采集到多个待处理用户任务时，可以根据用户对车机端应用程序的使用数据，确定待处理任务用户的优先级，根据优先级对待处理任务的响应顺序进行排序，优先处理优先级高的待处理任务，或者为优先级高的待初级任务分配更为充足的算力资源。

数据采集中心采集云虚拟机计算中心的数据，包括：云虚拟机计算中心的运行情况数据，例如云算力资源数据、健康数据等。其中，云算力资源数据可以包括：例如云算力利用率、用户镜像、用户实例和应用程序等；还可以进一步包括云虚拟计算中心的健康数据等，健康数据一般可以指运行状况、异常数据等。

具体的，数据采集中心采集的数据为车机端和云虚拟机计算中心中的埋点数据。

数据中心，用于获取数据采集中心采集到的数据，并对获取的数据进行数据清洗、数据加工和数据存储等。其中，数据中心获取的数据可以包括：在线实时采集到的数据和离线数据。

具体的，数据清洗可以是发现并纠正数据文件中可识别的错误，包括检查数据一致性，处理无效值和缺失值等。数据加工可以是当进行业务需求处理，如数据可视化、模型构建等开发时，对清洗后的数据进行数据关联汇总等操作。

本实施例中，数据中心还用于构建数据存储表、实时/离线计算任务、机器学习模型及数据服务接口。

构建数据存储表用于数据获取之后的存储，以及数据清洗、加工后的存储。

构建实时/离线计算任务：对数据的统计类分析通常采用离线计算，构建离线计算任务可以对数据进行统计类分析；而对数据的实时类响应需要实时数据流，构建实时计算任务可以实现对数据的实时响应。

构建机器学习模型，使用数据中心获取、清洗后的数据训练模型，通常数据对模型的影响随着时间而逐渐衰减，越实时的数据，对模型影响越大。

构建数据服务接口，针对各类的应用服务提供多种开放式接口，基于不同的业务可以针对性开放接口。

云算力智能调度引擎，用于基于数据中心获取在线实时采集到的数据和离线数据对云虚拟计算中心的云算力进行调度，分配所需要的云算力给车机端服务，云虚拟机计算中心与车机端点对点完成计算，计算完成后云算力智能调度引擎把分配的这部分云算力进行释放。

具体的，云算力智能调度引擎主要是基于数据中心获取的数据，通过机器学习模型预测车机端中的应用未来对算力的需求量，并根据需求量对云虚拟计算中心的云算力进行调度。

并且还通过机器学习模型根据车机端的待处理的任务数据进行云算力资源的预分配和动态算力资源回收，云算力资源的预分配是指，基于对车机端的待处理的任务数据对云算力的需求量的预测提前把云虚拟机计算中心中的云算力资源分配好。云算力资源的分配可能存在时间延迟，比如云算力资源的分配需要10秒；对用户算力资源进行预分配可以减少时间延迟，增强用户体验。

具体的，机器学习模型包括数据中心构建的机器学习模型。

动态算力资源回收是指，当云算力资源分配给客户后，当用户对这部分云算力资源不进行连续使用时，在不使用的时间段将云算力资源进行释放。比如用户对分配的云算力资源使用十分钟，暂停30分钟，再使用十分钟，接着暂停三十分钟；当云算力资源暂停使用5分钟时就将这部分云算力资源进行释放，暂停使用25分钟时再通过云算力资源的预分配将云算力资源加载回来。

本发明实施例中，业务中台还包括：云虚拟机智能管理引擎，用于对接云虚拟机计算中心的接口，对云虚拟机计算中心进行维护操作。

本实施例中，维护操作包括：监控管理、镜像管理、实例管理、应用管理、存储管理以及分析诊断等。

具体的，监控管理用于监控云虚拟机计算中心中总体的云算力资源是否够用，分配给某个用户部分云算力资源是否够用，分配的部分云算力资源在运行过程中是否出错或出现异常。

镜像管理用于针对不同的车型进行管理，针对不同的车型给用户分配的算力资源适配性不一样，比如针对不同车型分配的算力资源的规模不一样，需要以镜像的形式进行管理。例如，对A型车要配置A型车对应的镜像，做针对A型车的算力资源的分配；如果云车机中台系统要在B型车上上线，就要配置针对B型车的镜像。

实例管理用于针对不同的用户进行管理，所有的用户相关的数据加镜像配置组成实例，每个用户不管占不占用云算力，都存在一个实例；管理实例是为了给客户提供持续服务，保留用户上次上线时的相关算力占用数据和镜像配置。

应用管理用于对应用程序进行管理，不同的用户实例对应有多个应用程序，例如一个用户实例有10个或20个应用程序，通过应用管理可以做用户实例上应用程序的升级、新增或删减。

存储管理用于，云虚拟机计算中心使用过程中用户产生数据存储在云虚拟机计算中心，存储管理对这些数据进行统一的管理，例如每个用户产生的数据存在云虚拟机计算中心中的哪个位置，如何存放的，数据量是多少，如何去加载等。

分析诊断用于，对云虚拟机计算中心的运行状况进行分析和诊断，判断可能出现的紧急或常规的问题。

本发明实施例中，业务中台还包括：Open API网关，用于负责云车机中台系统的服务封装接口的开放和调用，实现云虚拟机计算中心调用的接入。

具体的，当云虚拟机计算中心需要调用云车机中台系统做操作的时候，则云虚拟机计算中心通过Open API网关对云车机中台系统的服务封装接口进行开放和调用，比如云虚拟机计算中心出现了错误需要立即通知云车机中台系统，这时云虚拟机计算中心通过Open API网关开放和调用云车机中台系统的服务封装接口，将错误及时通知云车机中台系统，具体的，将错误对接至云车机中台系统的云虚拟机智能管理引擎，云虚拟机智能管理引擎对云虚拟机计算中心进行分析诊断。

本发明实施例中，业务中台还包括：管理可视化控制台，用于主要用于数据采集中心采集的数据的可视化；

将数据采集中心采集的数据进行可视化可以帮助人更好的分析数据，数据可视化借助图形化的手段，清晰有效地传达与沟通信息。数据可视化可以：数据显示的多维性，在可视化的分析下，数据将每一维的值分类、排序、组合和显示，这样就可以看到表示对象或事件的数据的多个属性或变量。更直观的展示信息，大数据可视化报告使我们能够用一些简短的图形就能体现那些复杂信息，甚至单个图形也能做到。决策者可以轻松地解释各种不同的数据源。丰富但有意义的图形有助于让忙碌的主管和业务伙伴了解问题和未决的计划。

本发明实施例中，业务中台还包括：双端安全认证模块，用于负责认证鉴权功能，保证云车机中台系统对外通信的保密性和可靠性。

具体的，认证鉴权是基于签名或接口的形式实现。其中，签名形式是基于证书的双端认证；接口形式是基于用户名和密码，比如，云车机中台系统通过短信网关下发验证码至车机端，用于车机端上传车辆以及用户信息进行登录验证。

本发明实施例中，业务中台还包括：数据搜索引擎，用于搜索用户在车机端的应用程序中输入的待搜索内容。

本实施例中，用户在车机端的应用中输入待搜索的内容，待搜索内容通过消息服务引擎从车机端发送至云车机中台系统中的数据搜索引擎，数据搜索引擎进行搜索，得到搜索结果并对搜索结果进行优化。得到优化后的搜索结果后，搜索结果以消息的形式通过消息服务引擎发送至车机端。

具体的，用户在车机端的应用中输入待搜索的内容，输入的内容可以是文字也可以是语音；当输入的内容是语音时，车机端的应用首先将语音转换为文字，再将文字以消息的形式发送至数据搜索引擎。

本发明实施例中，数据中台还包括：GC智能中枢，用于基于云虚拟机计算中心的云算力和数据中心获取的数据，借助机器学习和深度学习进行用户流失预测、系统异常告警以及用户图谱。

本实施例中，GC智能中枢借助机器学习以及深度学习实现云车机中台系统服务的智能化，机器学习和深度学习的模型包括用户流失预测、系统异常告警以及用户图谱。

具体的，用户流失预测模型用于预测用户的流失情况，可以通过用户的流失情况预测云车机中台系统和云虚拟机计算中心的云算力服务质量，作为后续进行系统优化的依据，如果预测到用户流失情况严重，则需要对系统进行优化和更新。

系统异常告警模型用于对云车机中台系统出现的异常进行告警，从而可以对云车机中台系统出现的问题进行及时修复和补救。

用户图谱模型，用于通过对用户信息进行分析来构建用户图谱。具体可以根据用户属性、对车机端应用程序的使用数据等来构建用户模型。

GC智能中枢可以为云算力智能调度引擎提供调度策略，帮助云算力智能调度引擎提高算力资源利用率和云算力调度性能的实现。

本发明实施例中，数据中台还包括：数据可视化平台，用于负责整合数据中心获取的数据，对数据进行分析并可视化输出。

本实施例中，数据可视化平台对数据进行分析主要包括算力使用分析、应用使用分析以及用户活跃分析等。

具体的，算力使用分析是指对云虚拟机计算中心的云算力的使用情况进行分析；应用使用分析是指对用户在车机端使用哪些应用以及应用的使用情况进行分析；用户活跃分析是指对车机端的用户活跃度进行分析。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上述的车机端的任务处理方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器执行本申请各个实施例表述方法的部分步骤。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本发明还提供一种计算机程序产品，该计算机程序产品包括计算机程序/指令，该计算机程序/指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质中读取该计算机程序/指令，至少一个处理器执行该计算机程序/指令使得设备实施上述的各种实施方式提供的方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (12)

1.一种车机端的任务处理方法，其特征在于，应用于云车机中台系统，所述方法包括：

获取车机端的待处理的任务数据；

采集云虚拟机计算中心的云算力资源；

确定所述待处理的任务数据所需的算力资源；

若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。

2.根据权利要求1所述的方法，其特征在于，所述确定所述待处理的任务数据所需的算力资源，包括：

根据所述待处理任务数据，通过机器学习模型预测所述待处理任务数据所需的算力资源。

3.根据权利要求2所述的方法，其特征在于，所述确定所述待处理的任务数据所需的算力资源，还包括：

确定所述待处理任务在不同时间段所需的算力资源；

所述为所述待处理的任务数据分配所述云算力资源，包括：

在所述待处理任务的当前时间段到达之前，对所述待处理任务在所述当前时间段所需的所述云虚拟机计算中心中的云算力资源进行预分配。

4.根据权利要求3所述的方法，其特征在于，所述为所述待处理的任务数据分配所述云算力资源之后，还包括：

若所述待处理任务的处理时间为非连续性时间段，则在所述当前时间段到达之后，释放为所述当前时间段分配的云算力资源。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

采集用户对车机端各个应用程序的历史任务数据；

根据所述历史任务数据，确定所述待处理任务的算力分配优先级；

根据所述待处理任务的算力分配优先级，确定为所述待处理的任务数据分配所述云算力资源的分配顺序。

6.一种云车机中台系统，其特征在于，包括：

获取模块，用于获取车机端的待处理的任务数据；

采集模块，用于采集云虚拟机计算中心的云算力资源；

确定模块，用于确定所述待处理的任务数据所需的算力资源；

分配模块，用于若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。

7.一种云车机中台系统，其特征在于，包括：业务中台和数据中台，所述业务中台包括消息服务引擎和数据采集中心；所述数据中台包括：数据中心和云算力智能调度引擎；

所述消息服务引擎，用于获取车机端的待处理的任务数据，并将所述任务数据存储至所述数据采集中心中；

所述云算力智能调度引擎，用于采集云虚拟机计算中心的云算力资源；

所述数据中心，用于确定所述待处理的任务数据所需的算力资源；

所述云算力智能调度引擎，还用于若所述云虚拟机计算中心的云算力资源满足所述待处理数据所需的算力资源，则为所述待处理的任务数据分配所述云算力资源。

8.根据权利要求7所述的系统，其特征在于，所述数据中心具体用于根据所述待处理任务数据，通过机器学习模型预测所述待处理任务数据所需的算力资源。

9.根据权利要求7所述的系统，其特征在于，所述数据中心具体用于确定所述待处理任务在不同时间段所需的算力资源。

10.根据权利要求7所述的系统，其特征在于，所述云算力智能调度引擎具体用于在所述待处理任务的当前时间段到达之前，对所述待处理任务在所述当前时间段所需的所述云虚拟机计算中心中的云算力资源进行预分配。

11.根据权利要求7所述的系统，其特征在于，所述云算力智能调度引擎还用于若所述待处理任务的处理时间为非连续性时间段，则在当前时间段到达之后，释放为当前时间段分配的云算力资源。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-5中任一项所述的方法。

Images