CN115934340A - 一种任务协同处理方法、装置和计算机可读介质 - Google Patents
一种任务协同处理方法、装置和计算机可读介质 Download PDFInfo
- Publication number
- CN115934340A CN115934340A CN202211638901.4A CN202211638901A CN115934340A CN 115934340 A CN115934340 A CN 115934340A CN 202211638901 A CN202211638901 A CN 202211638901A CN 115934340 A CN115934340 A CN 115934340A
- Authority
- CN
- China
- Prior art keywords
- task
- processed
- scheme
- party
- processing
- 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
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种任务协同处理方法、装置和计算机可读介质,获取任务需求方提交的待处理任务的任务需求描述信息,根据其确定与待处理任务匹配的方案定制方,并将任务需求描述信息发送给确定出的方案定制方,获取方案定制方根据任务需求描述信息,为待处理任务制定的任务处理部署方案,确定并获取任务处理部署方案所需的定制化资源,根据任务处理部署方案和定制化资源,部署用于执行待处理任务的执行环境,在部署的执行环境中执行待处理任务,得到待处理任务的任务处理结果。本申请通过执行定制方定制的任务处理部署方案,结合定制化资源,协同完成待处理任务,解决在进行任务协同处理服务的过程中与用户实际需求的任务处理预期匹配度不高的问题。
Description
技术领域
本申请属于数据分析与处理技术领域,尤其涉及一种任务协同处理方法、装置和计算机可读介质。
背景技术
大数据分析、机器学习算法分析等专业领域的数据智能计算,往往需要领域内专业知识和人才协同参与才能实现数据分析任务,这一过程通常借助云部署方式实现。已知技术一般是将备用好的计算资源、存储资源、软件资源、网络资源等直接按指定的用户资源需求进行实例化,然而基于该方式进行相应的数据智能计算服务,由于各种软硬件资源是提前备用的,缺乏定制化,尤其是缺乏领域内专家人才和知识资源的配置和参与优化指导,与用户实际需求的数据分析任务预期匹配度不高。
发明内容
有鉴于此,本申请提供一种任务协同处理方法、装置和计算机可读介质,以用于解决在进行数据智能计算服务的过程中出现的与用户实际需求的数据分析任务预期匹配度不高的问题。
为解决上述问题,本申请提供如下方案:
一种任务协同处理方法,包括:
获取任务需求方提交的待处理任务的任务需求描述信息;
根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方;
获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案;
确定并获取所述任务处理部署方案所需的定制化资源;
根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境;
在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
可选的,在根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方之前,还包括:
确定所述任务需求方是否提交有对所述待处理任务的任务处理部署方案;
如果所述任务需求方提交有所述任务处理部署方案,转至执行所述确定并获取所述任务处理部署方案中所需的定制化资源的步骤;
如果所述任务需求方未提交所述任务处理部署方案,执行所述根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方的步骤。
可选的,所述获取任务需求方提交的待处理任务的任务需求描述信息,包括:
获取任务需求方提交的所述待处理任务的需求描述模型;
其中,所述需求描述模型包括如下信息中的至少部分信息:所述待处理任务所对应数据源的元数据信息,所述待处理任务的任务目标,以及任务结果的形式需求信息。
可选的,所述根据任务需求描述信息,确定与所述待处理任务匹配的方案定制方,包括:
根据所述任务需求描述信息,从方案定制方的信息集合中匹配与所述待处理任务对应的方案定制方;
其中,所述方案定制方的信息集合中至少包括多个专家的专家信息。
可选的,所述获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案,包括:
获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的如下内容中的至少部分内容,作为所述任务处理部署方案:计算模型、推荐的计算算法、分析和调优处理策略、计算资源需求、计算流程、预期结果信息。
可选的,所述获取所述任务处理部署方案所需的定制化资源,包括:
从预置的算法模型集合中,获取与所述任务处理部署方案和/或所述任务需求描述信息相匹配的任务计算模型;或,获取由开发人员通过领取所述任务处理部署方案对应的模型定制开发任务所定制开发的任务计算模型;
其中,所述算法模型集合包括历史上所定制开发并存储的各个算法模型。
可选的,所述根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境,包括:
根据所述任务处理部署方案和所述定制化资源,部署执行所述待处理任务所需的计算模型、数据、知识和/或计算资源,得到用于执行所述待处理任务的执行环境。
可选的,还包括:
将所述任务处理结果或由数据分析方对所述任务处理结果进行数据分析后所得的数据分析结果,反馈至所述任务需求方。
可选的,所述方法应用于公有云环境平台,所述公有云环境平台以任务实例云模式获取所述任务需求方提交的实例云计算任务,作为所述待处理任务,并通过对所述实例云计算任务的生命周期管理,实现对所述待处理任务的处理;
所述方法还包括:
获取所述任务需求方对所述实例云计算任务的销毁请求或迁移请求;
销毁所述实例云计算任务的实例云数据,并回收相关资源;或将所述实例云计算任务的实例云数据及相关资源迁移到所述任务需求方对应的私有云环境中。
一种任务协同处理装置,包括:
第一获取单元,用于获取任务需求方提交的待处理任务的任务需求描述信息;
发送单元,用于根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方;
第二获取单元,用于获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案;
第三获取单元,用于确定并获取所述任务处理部署方案所需的定制化资源;
执行环境部署单元,用于根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境;
待处理任务执行单元,用于在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时,能用于实现如上文任一项所述的任务协同处理方法。
由以上方案可知,本申请公开的任务协同处理方法、装置和计算机可读介质,获取任务需求方提交的待处理任务的任务需求描述信息,根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方,获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案,确定并获取所述任务处理部署方案所需的定制化资源,根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境,在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
基于本申请方案,可依据待处理任务的特定任务需求,去匹配方案定制方这一智力资源,并基于匹配的方案制定方对待处理任务进行需求分析、任务处理部署方案的制定,及此基础上的资源定制化开发、动态组合与部署等等,可有效解决在进行任务协同处理服务的过程中与用户实际需求的任务处理预期匹配度不高的问题,能够更好的满足数据智能计算的用例部署需求。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本申请提供的任务协同处理方法的一种流程示意图;
图2是本申请提供的任务协同处理方法的主要模块关系图;
图3是本申请提供的任务协同处理方法的另一种流程示意图;
图4是本申请提供的任务协同处理方法的另一种流程示意图;
图5是本申请提供的任务协同装置的组成结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
大数据分析、机器学习算法等各个专业领域的数据智能计算,需要领域内的专业知识以及领域内的各种人才协同工作才能解决具体的应用问题。比如,在工业生产领域,进行数据分析,人才方面可能需要工业生产领域专业的算法工程师、数据分析工程师、结果检验工程师等等,结合工业生产领域的相关知识,比如各种算法模型,计算资源等等,协同完成数据分析任务。
实际的生产生活中,很少有具备整合上述资源的组织或者公司,实现协同计算的情况,已知技术中,一般通过云部署将备用好的计算资源、存储资源、软件资源、网络资源等直接按指定的用户资源需求进行实例化,然而基于该方式进行相应的数据智能计算服务,由于各种软硬件资源是提前备用的,缺乏定制化,尤其是缺乏领域内专家人才和知识资源的配置和参与优化指导,从而与用户实际需求的数据分析任务预期匹配度不高。
基于此,本申请提出了一种任务协同处理方法、装置和计算机可读介质,用于解决在进行任务协同处理服务的过程中与用户实际需求的任务处理预期匹配度不高的问题,更好的满足数据智能计算的用例云部署需求。
参见图1所示,本申请提供的任务协同处理方法的实现流程,包括:
步骤101、获取任务需求方提交的待处理任务的任务需求描述信息。
本申请应用于公有云环境平台,该平台以任务实例云模式获取任务需求方提交的实例云计算任务,作为待处理任务,并通过对实例云计算任务的生命周期管理,实现对待处理任务的处理。
具体的,本申请借助数据智能计算用例的云部署模型和相应的方法,针对每个特定的数据智能计算用例的云实例,整合领域内的相关数据资源、专家资源、计算资源等等内容,定制相应的数据智能计算方案,解决数据的相应专业计算问题。在这个过程中,整个案例云都是一个逻辑隔离、独立的、安全可控的云实例。
这里的待处理任务可以是特定数据智能计算任务,本申请实施例通过获取任务需求方提交的特定数据智能计算任务的需求描述模型,实现获取任务需求方提交的待处理任务的任务需求描述信息。任务需求描述信息模型用于描述特定数据智能计算的任务,需求和目标,包括特定数据智能计算任务对应的数据源的元数据信息、特定数据智能计算任务的任务目标、特定数据智能计算任务的任务结果形式需求信息。特定数据智能计算任务对应数据源的元数据信息可以包括但不限于数据项、属性、编码、加解密方式、链接访问方式等。特定数据智能计算任务的任务目标可以包括但不限于任务需达到的各种指标目标,对功能和性能的要求等。特定数据智能计算任务的任务结果形式需求信息可以包括但不限于对任务在结果报表、计算结果形式、输出文件、输出报表、输出图形展示等方面的需求信息。
步骤102、根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方。
在进行数据智能计算任务的过程中,方案定制方可以是相应领域的专家,也可以是具备同等能力的相关人工智能主体。方案定制方的信息集合可以是专家资源库,具体的,系统会根据数据智能计算任务的需求描述中的关键字信息在专家资源库中推荐与该数据智能计算任务匹配的专家列表,专家列表中包括各个专家详细信息(专家姓名,主要工作单位、专业、成就介绍、成功案例等内容),任务需求方可以根据推荐的各个专家的详细信息选择合适的专家,然后通过系统平台将该数据智能计算任务的需求描述发送至专家端。任务需求方选择的专家可以为一个,也可以为多个,如果专家端接受该任务,就可以参与到数据智能计算任务中,并且,当任务需求方选中多个专家并且这些专家都接收该任务时,由专家自行协商专家组的组长以及组员,也可以由任务需求方直接指定专家组的组长以及组员。
任务需求方改变或者细化关键字,平台都可以帮助其进行动态智能匹配,得到与其数据智能计算任务需求描述相符的专家列表。比如,数据智能计算任务的需求描述为:心脏病患者基于自身采集的心脏数据,有进行心脏病发展趋势分析的数据计算需求,系统会根据该需求描述中的关键字信息:心脏、病情趋势分析等,匹配出在医疗健康领域,专业为心脏病专业的专家列表,来进行数据智能计算以及结果分析指导。
步骤103、获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案。
方案制定方接收到任务需求描述信息后,根据任务需求描述信息为待处理任务制定计算模型、推荐的计算算法、分析和调优处理策略、计算资源需求、计算流程、以及预期结果信息等内容。
具体的,以方案制定方为确定出的与待处理任务匹配的专家为例,专家端接收到数据智能计算任务需求描述之后,开始制定相应的计算任务处理部署方案,包括但不限于计算模型、推荐的计算方法、分析和调优处理策略、计算资源需求(计算资源、存储资源、网络带宽等),计算流程,预期结果报告,预期结果分析等。
步骤104、确定并获取所述任务处理部署方案所需的定制化资源。
其中,定制化资源中可以包括算法模型,算法模型可以是根据需求实时开发式定制,或者也是从已有的“定制算法模型库”中获取,具体的,系统平台依据任务处理部署方案中推荐的计算算法,或者需求描述中的适用算法以及定制要求,从“定制算法模型库”中匹配并获取相应的算法模型,如果需要定制算法模型,则需要将定制开发任务下发于算法开发人员,以子任务模型要求领取该任务的算法开发人员完成开发任务,进行模型样本训练,完成定制的算法模型,并将该定制的算法模型入定制算法模型库中,供之后有匹配的任务使用。还有,定制化资源中的存储资源、网络带宽等可以在系统平台中直接配置。
步骤105、根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境。
具体的,根据任务需求描述以及配置和准备的各种资源,比如任务所需的计算性能配置要求和节点数、存储容量、网络带宽、数据库配置、算法模型、安全加解密算法、任务程序包、服务时间节点等,系统动态的部署一个安全的数据智能计算任务的执行环境,具体需要部署执行任务所需的计算模型、数据、知识以及计算资源等,然后执行该任务。
步骤106、在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
可以理解的是,执行算法模型,进行相应的数据计算,产生数据计算结果。
以个人健康数据监测为例,通过对健康数据进行专业化处理再结合身体状况的监测,进行疾病预防、疾病辅助诊断或者得到个人健康趋势分析。
在疾病辅助诊断的过程中,机器学习算法(如K-Means聚合算法)通过聚类分析,可以发现健康数据中呈现的特点,通过对大量的患者的临床诊断数据进行学习训练后,对数据进行一个系统的分析和整理,并且在分析和整理的基础上可以发现对于疾病的诊疗方法,进一步汇总成针对该疾病的诊断模型。在诊断新的患者的时候,将患者的健康监测数据输入到具有机器学习算法的诊断模型中进行研究分析,可以得到辅助诊断结论,通过诊断模型得到的结果是相对客观的,可以减少人为因素在诊断过程中带来的干扰。
参见图2,进一步提供了本申请的一应用实例中涉及的模块之间的关系。
具体的,本申请可以在用例云安全执行环境进行对用例云计算任务的生命周期管理,从而实现对于待处理任务的处理。在云平台中获取待处理任务的任务需求描述,然后根据任务需求描述从定制算法模型库、专家知识库以及专家资源库中智能匹配待处理任务所需要的算法模型、专家信息以及对应领域的知识内容,协同完成待处理任务。
需要说明的是,云平台相当于运营方,也就是平台提供方,可以为每一个用户的用例云提供一个安全的执行环境,按需求配置的资源收取费用。定制算法模型库结合算法设计人员的操作,可以提供开发或者定制算法,进行学习训练,并且能随着任务的积累不断更新算法模型。数据生产方或者数据分析业务的需求方,可以源源不断的提供数据,寻求对数据的最合理的分析功能。专家资源库提供领域内业务数据分析员,借助云平台积累的专家知识库等知识和工具的支持,提供专业的数据处理和分析服务。具体的,系统得到一个任务需之后,对应的就可以启动一个数据沙箱的安全数据执行的虚拟环境,根据数据和任务需求说明,系统自动进行匹配业务数据分析员,数据分析员进行算法的选择,进行机器学习,模型测试,模型分析执行等操作,业务数据分析员可以是对应业务领域的专家,或者是具备同等能力的可以利用共享平台积累下来的相关专业领域知识的相关人工智能主体。
综上所述,本申请提供的任务协同处理方法,获取任务需求方提交的待处理任务的任务需求描述信息,根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方,获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定任务处理部署方案,确定并获取所述任务处理部署方案所需的定制化资源,根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境,在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。基于本申请方案,可依据待处理任务的特定任务需求,去匹配方案定制方这一智力资源,并基于匹配的方案制定方对待处理任务进行需求分析、任务处理部署方案的制定,及此基础上的资源定制化开发、动态组合与部署等等,可有效解决在进行任务协同处理服务的过程中与用户实际需求的任务处理预期匹配度不高的问题,能够更好的满足数据智能计算的用例部署需求。
可选的,在一实施例中,如图3所示,本申请提供的任务协同处理方法,在根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方之前,还包括以下处理:
步骤201、确定所述任务需求方是否提交有对所述待处理任务的任务处理部署方案。
需要进行判断任务需求方是否提交有任务处理部署方案,如果包括任务处理部署方案,直接执行步骤104以及其后续步骤。如果不包括任务处理部署方案,则执行步骤102以及其后续步骤。
该实施例的其余步骤与上一实施例一致,这里不多加赘述,需要说明的是,本申请在公有云环境平台进行对实例云计算任务的生命周期管理,实现对待处理任务的处理,首先通过对数据智能计算用例的抽象描述和模型化表示,基于用例任务需求书,动态配置云环境的人才智力资源、计算模型、知识库资源,制定计算用例的部署实施方案,并将该方案由需求方共同确认后,基于该方案定制调优计算模型并部署,实现模型学习和模型计算,再由专家分析计算结果,提供图形化展示和交互工具,从而实现对实例云计算任务的生命周期管理。
在部署的执行环境中执行完待处理任务,得到任务处理结果后,可将任务处理结果或由数据分析方对任务处理结果进行数据分析后所得的数据分析结果,反馈至任务需求方。
可选的,如果任务处理部署方案由任务需求方提交,不需要相应的数据分析人力专家进行分析,可以直接由任务需求方根据获得的任务结果(如任务的计算结果报告)进行数据分析。如果任务处理部署方案由方案定制方确定,任务结果分析报告可以由平台联动的数据分析方的相关专家成员分析得出,并向任务需求方进行反馈。
另外,可选的,为了保证用户的数据安全,可以将任务处理过程中用到的数据、算法、模型、结果以及知识库中的相关内容迁移到私有云环境中或者将其进行销毁。其中,如果获取到销毁请求,需要销毁实例云计算任务的实例云数据,并回收相关资源,如果接收到迁移请求,则需要将实例云计算任务的实例云数据以及相关资源迁移到任务需求方对应的私有云云环境中。
以下提供本申请方法的一应用示例。参见图4,本申请提供的任务协同处理方法的一流程示意图。
结合图2,本申请提供的任务协同处理的主要模块关系图。
以个人健康监测数为例,本申请通过用户实际需要的用例云,在提供健康服务的公共云平台,为各个用户建立特有的安全的私有云用例模式,从而构建成用户完全自主可控的数据处理模式和环境,实时动态的实现任务需求描述与定制算法模型库、专家知识库以及专家资料库的对接,协同完成用户用例的数据分析任务。其中,用户自主可控具体可以为用户数据可控、参与分析专家可控,计算模型可控、处理过程可控、后续实例云处理可控。在整个过程中,用例云在安全的执行环境中执行数据分析任务,不仅能获得专业的健康数据处理结果,而且能够保护用户的个人隐私:在获得数据分析任务结果之后还可以直接销毁整个用户的用户云实例。
整个过程如下:
用户,也可以是健康人员或者特定病例患者,通过智能手机或者可穿戴设备终端将一段时间内的健康监测数据整理加密打包,以及用户的想要达到的数据分析计算的任务目标,比如个人健康检测或者是特定疾病发展变化趋势监测等,以计算任务实例云模型,提交到健康云平台,由健康云平台启动用户实例云计算任务的全生命周期管理。
然后,基于用户提交的数据计算任务需求,健康云平台动态分析任务需求的各类型资源,基于任务需求匹配得到专业的医务数据分析师,由医务数据分析师决定用什么算法进行任务分析(或者健康云平台基于任务需求从算法模型库中自行匹配),再匹配算法工程师进行定制化算法,将定制化算法加载到可用的算法库中,然后,针对新开发或调优的算法,云平台基于样本数据,进行机器学习后,就可以形成直接可用的计算预测模型了。比如,可以用深度卷积神经网络和BP神经网络算法进行学习训练和模型计算。
将健康监测数据输入计算预测模型中,结合云平台中配置的医疗资源库以及对应知识库的数据内容,得到对应的特定用户的健康治疗方案或者健康监测案例的计算和结果分析。
对于上述任务协同处理方法,本申请还提供了一种任务协同处理装置,该装置的组成如图5所示,包括:
第一获取单元10,用于获取任务需求方提交的待处理任务的任务需求描述信息;
发送单元20,用于根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方;
第二获取单元30,用于获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案;
第三获取单元40,用于确定并获取所述任务处理部署方案所需的定制化资源;
执行环境部署单元50,用于根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境;
待处理任务执行单元60,用于在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
在一实施方式中,在根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方之前,上述装置还包括:
兼容处理单元,用于确定所述任务需求方是否提交有对所述待处理任务的任务处理部署方案;
如果所述任务需求方提交有所述任务处理部署方案,转至执行所述确定并获取所述任务处理部署方案中所需的定制化资源的步骤;
如果所述任务需求方未提交所述任务处理部署方案,执行所述根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方的步骤。
在一实施方式中,第一获取单元10,具体用于:
获取任务需求方提交的所述待处理任务的需求描述模型;
其中,所述需求描述模型包括如下信息中的至少部分信息:所述待处理任务所对应数据源的元数据信息,所述待处理任务的任务目标,以及任务结果的形式需求信息。
在一实施方式中,发送单元20,具体用于:
根据所述任务需求描述信息,从方案定制方的信息集合中匹配与所述待处理任务对应的方案定制方;
其中,所述方案定制方的信息集合中至少包括多个专家的专家信息。
在一实施方式中,第二获取单元30,具体用于:
获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的如下内容中的至少部分内容,作为所述任务处理部署方案:计算模型、推荐的计算算法、分析和调优处理策略、计算资源需求、计算流程、预期结果信息。
在一实施方式中,第三获取单元40,具体用于:
从预置的算法模型集合中,获取与所述任务处理部署方案和/或所述任务需求描述信息相匹配的任务计算模型;或,获取由开发人员通过领取所述任务处理部署方案对应的模型定制开发任务所定制开发的任务计算模型;
其中,所述算法模型集合包括历史上所定制开发并存储的各个算法模型。
在一实施方式中,执行环境部署单元50,具体用于:
根据所述任务处理部署方案和所述定制化资源,部署执行所述待处理任务所需的计算模型、数据、知识和/或计算资源,得到用于执行所述待处理任务的执行环境。
在一实施方式中,待处理任务执行单元60,具体用于:
在所述执行环境中执行算法模型,得到所述待处理任务的任务处理结果。
在一实施方式中,上述装置还包括:
数据分析反馈单元,用于将所述任务处理结果或由数据分析方对所述任务处理结果进行数据分析后所得的数据分析结果,反馈至所述任务需求方。
在一实施方式中,所述装置应用于公有云环境平台,所述公有云环境平台以任务实例云模式获取所述任务需求方提交的实例云计算任务,作为所述待处理任务,并通过对所述实例云计算任务的生命周期管理,实现对所述待处理任务的处理;上述装置还包括:
请求获取单元,用于获取所述任务需求方对所述实例云计算任务的销毁请求或迁移请求;
销毁与迁移单元,用于销毁所述实例云计算任务的实例云数据,并回收相关资源,或将所述实例云计算任务的实例云数据及相关资源迁移到所述任务需求方对应的私有云环境中。
另外,本申请实施例还提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时,能用于实现如上文任一实施例所述的任务协同处理方法的各个处理步骤。
在本申请的上下文中,计算机可读介质(机器可读介质)可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
为了描述的方便,描述以上系统或装置时以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的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)执行本申请各个实施例或者实施例的某些部分所述的方法。
最后,还需要说明的是,在本文中,诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种任务协同处理方法,其特征在于,包括:
获取任务需求方提交的待处理任务的任务需求描述信息;
根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方;
获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案;
确定并获取所述任务处理部署方案所需的定制化资源;
根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境;
在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
2.根据权利要求1所述的方法,其特征在于,在根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方之前,还包括:
确定所述任务需求方是否提交有对所述待处理任务的任务处理部署方案;
如果所述任务需求方提交有所述任务处理部署方案,转至执行所述确定并获取所述任务处理部署方案中所需的定制化资源的步骤;
如果所述任务需求方未提交所述任务处理部署方案,执行所述根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方的步骤。
3.根据权利要求1所述的方法,其特征在于,所述获取任务需求方提交的待处理任务的任务需求描述信息,包括:
获取任务需求方提交的所述待处理任务的需求描述模型;
其中,所述需求描述模型包括如下信息中的至少部分信息:所述待处理任务所对应数据源的元数据信息,所述待处理任务的任务目标,以及任务结果的形式需求信息。
4.根据权利要求1所述的方法,其特征在于,所述根据任务需求描述信息,确定与所述待处理任务匹配的方案定制方,包括:
根据所述任务需求描述信息,从方案定制方的信息集合中匹配与所述待处理任务对应的方案定制方;
其中,所述方案定制方的信息集合中至少包括多个专家的专家信息。
5.根据权利要求1所述的方法,其特征在于,所述获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案,包括:
获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的如下内容中的至少部分内容,作为所述任务处理部署方案:
计算模型、推荐的计算算法、分析和调优处理策略、计算资源需求、计算流程、预期结果信息。
6.根据权利要求1所述的方法,其特征在于,所述获取所述任务处理部署方案所需的定制化资源,包括:
从预置的算法模型集合中,获取与所述任务处理部署方案和/或所述任务需求描述信息相匹配的任务计算模型;或,获取由开发人员通过领取所述任务处理部署方案对应的模型定制开发任务所定制开发的任务计算模型;
其中,所述算法模型集合包括历史上所定制开发并存储的各个算法模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境,包括:
根据所述任务处理部署方案和所述定制化资源,部署执行所述待处理任务所需的计算模型、数据、知识和/或计算资源,得到用于执行所述待处理任务的执行环境。
8.根据权利要求1所述的方法,其特征在于,还包括:
将所述任务处理结果或由数据分析方对所述任务处理结果进行数据分析后所得的数据分析结果,反馈至所述任务需求方。
9.根据权利要求1所述的方法,其特征在于,所述方法应用于公有云环境平台,所述公有云环境平台以任务实例云模式获取所述任务需求方提交的实例云计算任务,作为所述待处理任务,并通过对所述实例云计算任务的生命周期管理,实现对所述待处理任务的处理;
所述方法还包括:
获取所述任务需求方对所述实例云计算任务的销毁请求或迁移请求;
销毁所述实例云计算任务的实例云数据,并回收相关资源;或将所述实例云计算任务的实例云数据及相关资源迁移到所述任务需求方对应的私有云环境中。
10.一种任务协同处理装置,其特征在于,包括:
第一获取单元,用于获取任务需求方提交的待处理任务的任务需求描述信息;
发送单元,用于根据所述任务需求描述信息,确定与所述待处理任务匹配的方案定制方,并将所述任务需求描述信息发送给确定出的所述方案定制方;
第二获取单元,用于获取所述方案定制方根据接收的所述任务需求描述信息,为所述待处理任务制定的任务处理部署方案;
第三获取单元,用于确定并获取所述任务处理部署方案所需的定制化资源;
执行环境部署单元,用于根据所述任务处理部署方案和所述定制化资源,部署用于执行所述待处理任务的执行环境;
待处理任务执行单元,用于在部署的所述执行环境中执行所述待处理任务,得到所述待处理任务的任务处理结果。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,能用于实现如权利要求1-9任一项所述的任务协同处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211638901.4A CN115934340A (zh) | 2022-12-20 | 2022-12-20 | 一种任务协同处理方法、装置和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211638901.4A CN115934340A (zh) | 2022-12-20 | 2022-12-20 | 一种任务协同处理方法、装置和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115934340A true CN115934340A (zh) | 2023-04-07 |
Family
ID=86557405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211638901.4A Pending CN115934340A (zh) | 2022-12-20 | 2022-12-20 | 一种任务协同处理方法、装置和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115934340A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993307A (zh) * | 2023-09-28 | 2023-11-03 | 广东省信息工程有限公司 | 一种具有人工智能学习能力的协同办公方法及系统 |
-
2022
- 2022-12-20 CN CN202211638901.4A patent/CN115934340A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993307A (zh) * | 2023-09-28 | 2023-11-03 | 广东省信息工程有限公司 | 一种具有人工智能学习能力的协同办公方法及系统 |
CN116993307B (zh) * | 2023-09-28 | 2024-01-05 | 广东省信息工程有限公司 | 一种具有人工智能学习能力的协同办公方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dey et al. | Big data analytics for intelligent healthcare management | |
CN112036577B (zh) | 基于数据形式的应用机器学习的方法、装置和电子设备 | |
US9710767B1 (en) | Data science project automated outcome prediction | |
US20130111583A1 (en) | System and method for hybrid role mining | |
CN111368064B (zh) | 调查信息处理方法、装置、设备及存储介质 | |
Tapia García et al. | A consensus model for group decision-making problems with interval fuzzy preference relations | |
CN111797327B (zh) | 社交网络建模的方法及装置 | |
CN115934340A (zh) | 一种任务协同处理方法、装置和计算机可读介质 | |
Buldakova et al. | Multi-agent architecture for medical diagnostic systems | |
Habibi et al. | Determination of hospital rank by using technique for order preference by similiarity to ideal solution (TOPSIS) and multi objective optimization on the basis of ratio analysis (MOORA) | |
Bokharaei Nia et al. | Wearable IoT intelligent recommender framework for a smarter healthcare approach | |
Sumesh et al. | Game theory-based reasoning of opposing non-functional requirements using inter-actor dependencies | |
Baykasoglu et al. | Agent-based dynamic part family formation for cellular manufacturing applications | |
CN112307028A (zh) | 跨数据信息知识模态的面向本质计算的差分内容推荐方法 | |
Ambika | An augmented edge architecture for AI-IoT services deployment in the modern era | |
Büyüközkan et al. | A hesitant fuzzy based TOPSIS approach for smart glass evaluation | |
KR101550672B1 (ko) | 소프트웨어 프로세스 개선을 추천하는 장치 및 방법 | |
Ilczuk et al. | Rough set techniques for medical diagnosis systems | |
Jergler et al. | Geo-distribution of flexible business processes over publish/subscribe paradigm | |
Pio et al. | A review on preprocessing algorithm selection with meta-learning | |
Rodríguez et al. | Unsupervised learning for detecting refactoring opportunities in service-oriented applications | |
CN107798249A (zh) | 行为模式数据的发布方法及终端设备 | |
Pla et al. | Context-aware case-based reasoning | |
Parra-Ullauri et al. | History-aware explanations: towards enabling human-in-the-loop in self-adaptive systems | |
CN115545627A (zh) | 审批任务处理方法、装置、存储介质及电子设备 |
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 |