CN115965205A - 云边端协同资源优化方法、装置、电子设备及存储介质 - Google Patents
云边端协同资源优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115965205A CN115965205A CN202211680124.XA CN202211680124A CN115965205A CN 115965205 A CN115965205 A CN 115965205A CN 202211680124 A CN202211680124 A CN 202211680124A CN 115965205 A CN115965205 A CN 115965205A
- Authority
- CN
- China
- Prior art keywords
- computing
- task
- data
- processing
- tasks
- 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
本公开的实施例提供了云边端协同资源优化方法、装置、电子设备及存储介质,应用于电力物联网云边端协同资源优化领域。所述方法包括:接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;对所述多源异构数据进行缓存及处理,得到多个计算任务;基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略;基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。以此方式,可以根据任务的处理难易程度与边侧服务器节点资源负载的均衡情况对计算资源进行合理的分配,进而实现低时延、低功耗、低负载和高效率的数据处理。
Description
技术领域
本公开涉及电力物联网云边端协同资源优化领域,尤其涉及云边端协同资源优化方法、装置、电子设备及存储介质技术领域。
背景技术
电网和综合能源的发展拓展了电力业务,催生了电力新业态,并带来了一系列的技术发展。为适应技术发展,有源配电网规模化接入分布式电源、储能系统和充电桩等设备,提高了配电网的低碳性与智能性。传统配电网是一种“网-荷”的二元结构,随着电网特性的日趋复杂,传统配电网逐渐过渡到“源-网-荷-储”的四元结构,对配电网造成了广泛的影响,尤其是电网监测数据持续增长,数据的传输与处理对于云数据中心和边侧设备提出了巨大的挑战,云数据中心和边侧设备面临着超负荷运转的风险,电网调度也愈发困难,数据处理迟缓严重制约了源网荷储的灵活接入与配电网的友好互动,不利于电网结构的优化调整。
发明内容
本公开提供了一种云边端协同资源优化方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种云边端协同资源优化方法。该方法包括:
接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;
对所述多源异构数据进行缓存及处理,得到多个计算任务;
基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略;
基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。
进一步地,所述方法还包括:
分别获取所述多个计算任务的最大容许延迟时间;
判断所述多个计算任务在所述边侧服务器的处理时间是否小于对应的所述最大容许延迟时间;
若是,则将对应的计算任务进行资源优化分配;
若否,则将对应的计算任务发送给云端服务器处理。
进一步地,所述方法还包括:
获取当前计算任务;所述当前计算任务包括由所述边侧服务器进行资源优化分配的任务;
对所述当前计算任务生成记录信息;所述记录信息包括最终执行地信息、计算任务被分配的通道传输资源、计算任务被分配的CPU计算资源、计算任务的数据大小以及计算任务的最大容许延迟时间;
将所述记录信息传输给所述边侧服务器的所有节点,并更新任务记录集。
进一步地,所述基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略,包括:
基于战争策略优化算法得到任务队列的最优分配策略。
进一步地,所述基于战争策略优化算法得到任务队列的最优分配策略,包括:
获取分配资源延迟数据;所述分配资源延迟数据包括所述边侧服务器处理计算任务时分配的通道传输资源;所述通道传输资源包括开始分配资源与开始数据处理之间的时间延迟;
获取计算时间延迟数据;所述计算时间延迟数据包括所述边侧服务器处理计算任务时分配的CPU资源;
基于所述分配资源延迟数据和所述计算时间延迟数据得到总延时数据;
基于所述总延时数据和所述当前节点资源负载均衡数据生成最优分配策略。
根据本公开的第二方面,提供了一种云边端协同资源优化装置。该装置包括:
数据接收模块,用于接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;
任务计算模块,用于对所述多源异构数据进行缓存及处理,得到多个计算任务;
策略优化模块,用于基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略;
任务分发模块,用于基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面所述的方法。
本公开的实施例提供了一种云边端协同资源优化方法、装置、电子设备及存储介质,通过接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;对多源异构数据进行缓存及处理,得到多个计算任务;基于当前节点资源负载均衡情况以及计算任务在边侧服务器的处理时间生成最优分配策略;基于所述最优分配策略将计算任务分别发送至对应节点进行处理。可以根据任务的处理难易程度与边侧服务器节点资源负载的均衡情况对计算资源进行合理的分配,进而实现低时延、低功耗、低负载和高效率的数据处理。一方面,通过引入边缘计算资源动态协同模型,将电力新业态下,庞大的电网数据任务模块化,动态分配给边缘服务器,充分发挥边缘计算的优势,减轻中心云服务器的计算负担,提升了电网数据计算的效率。另一方面,通过战争策略优化算法进行计算任务与节点资源的联合优化分配来实现了边缘计算资源的效率最优化,并且考虑边侧服务器节点资源的负载均衡使得最优化匹配效果更好,极大的降低了计算任务的整体时间,提高了电网运作效率。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的云边端协同资源优化方法的流程图;
图2示出了本公开又一实施例中云边端协同资源优化方法流程示意图;
图3示出了本公开又一实施例中云边端协同资源优化方法流程示意图;
图4示出了根据本公开的实施例的云边端协同资源优化装置的框图;
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本公开实施例提供的一种云边端协同资源优化方法、装置、电子设备及存储介质,应用于边侧服务器,将由边侧服务器处理的任务进行汇总并重新进行优化分配,将不能由边侧服务器处理的任务交由云端服务器处理,以实现云边端分配资源的优化与协同处置。
图1示出了根据本公开实施例的云边端协同资源优化方法100的流程图。方法100包括:
步骤110,接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据。
在一些实施例中,由端侧采集设备对有源配电网下的覆盖源网荷储全量设备的多源异构数据进行采集,并将采集到的多源异构数据发送给边侧服务器。
步骤120,对所述多源异构数据进行缓存及处理,得到多个计算任务。
在一些实施例中,由边侧服务器对步骤110中采集到的端侧采集设备的多源异构数据进行缓存和处理,形成多个计算任务。
步骤130,基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略。
在一些实施例中,获取边侧服务器中所有节点的当前状态下的节点资源负载均衡情况,并计算步骤120中的每一个计算任务在边侧服务器进行处理所花时间,然后根据节点资源负载均衡情况和计算任务所花的时间来重新进行计算任务的分配和调整,形成最优的分配策略。充分考虑边侧服务器节点资源的负载均衡,使得最优化匹配效果更好,能够极大的降低边侧服务器完成多个计算任务的整体时间,提高电网运作效率。
步骤140,基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。
在一些实施例中,根据步骤130得到的最优分配策略,将对应的计算任务分配至对应的节点进行处理,以实现计算任务的再分配,实现边缘计算资源的效率最优化。
基于上述实施例,在本公开提供的又一实施例中,如图2所示,该方法还可以包括以下步骤:
步骤210,分别获取所述多个计算任务的最大容许延迟时间。
步骤220,判断所述多个计算任务在所述边侧服务器的处理时间是否小于对应的所述最大容许延迟时间。
步骤230,若是,则将对应的计算任务进行资源优化分配。
步骤240,若否,则将对应的计算任务发送给云端服务器处理。
在一些实施例中,将计算任务在边侧服务器的处理时间与其对应的最大容许延迟时间进行对比,确定由边侧服务器处理的计算任务,并由边侧服务器对这些计算任务重新进行资源的优化分配,以充分发挥边缘计算的优势。对于那些不能由边侧服务器处理的计算任务,才上传至云端服务器进行处理,减轻中心云服务器的计算负担,提升电网数据计算的效率。
基于上述实施例,在本公开提供的又一实施例中,该方法还可以包括以下步骤:
1、获取当前计算任务;所述当前计算任务包括由所述边侧服务器进行资源优化分配的任务;
2、对所述当前计算任务生成记录信息;所述记录信息包括最终执行地信息、计算任务被分配的通道传输资源、计算任务被分配的CPU计算资源、计算任务的数据大小以及计算任务的最大容许延迟时间;
3、将所述记录信息传输给所述边侧服务器的所有节点,并更新任务记录集。
在一些实施例中,对由边侧服务器进行资源优化分配的计算任务生成对应的记录信息,传输给边侧服务器的所有节点,并同步更新任务记录集。以便再次进行资源优化分配时能够直接根据记录信息进行调取所需数据信息以及根据记录信息实现资源优化分配策略的快速生成,提高分配效率。
基于上述实施例,在本公开提供的又一实施例中,上述步骤130中,基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略,其具体还可以通过如下方式生成最优分配策略:
基于战争策略优化算法得到任务队列的最优分配策略。
在一些实施例中,采用战争策略优化算法对任务队列进行优化求解的具体方法为:
1)确定算法参数:包括计算任务数量N、最大迭代次数tmax、权重因子Wi(一般设置为2×ones(l,s))、系数ρr(一般设置为0.5,然而,单模态函数取0-0.5,多模态函数取0.5-1)、‘rand’在0-1之间随机取值。
2)分别获取每个计算任务在节点上完成计算任务的时间;
3)开始进行迭代,令ρ=rand,判断是否满足ρ<ρr,若满足,则根据以下函数选取新的节点作为计算任务的完成节点:
Xi(t+1)=Xi(t)+2×ρ×(K-Xrand(t))+rand×Wi×(C-Xi(t))
其中,t表示第t次迭代,Xi(t+1)是计算任务t+1次迭代后的节点位置,Xi(t)是计算任务t次迭代后的节点位置,Xrand(t)是根据rand随机取值后的对应的节点位置,C是计算任务花费时间第二短的节点位置,K是计算任务花费时间最短的节点位置。
若不满足ρ<ρr,那么则根据以下函数选取新的节点作为计算任务的完成节点:
Xi(t+1)=Xi(t)+2×ρ×(C-K)+rand×(Wi×K-Xi(t))
其中,t表示第t次迭代,Xi(t+1)是计算任务t+1次迭代后的节点位置,Xi(t)是计算任务t次迭代后的节点位置,C是计算任务花费时间第二短的节点位置,K是计算任务花费时间最短的节点位置。
4)重新计算每个计算任务在新的节点上完成计算任务的时间,并与上述步骤2)中的计算任务在旧的节点上完成计算任务的时间进行对比,若新的节点上完成计算任务的时间不小于旧的节点上完成计算任务的时间,那么则根据以下函数对不满足条件的对应计算任务安排其他节点:
Xw(t+1)=-(1-randn)×(Xw(t)-median(x))+K
其中,Xw(t+1)是当前权重因子下计算任务更换的新的节点位置,Xw(t)是当前权重因子下计算任务的节点位置,K是计算任务花费时间最短的节点位置。
5)更新权重因子Wi,公式为:
其中,Wi′是新的权重因子,Wi是当前权重因子,Max-iter为最大迭代次数,Ri是计算任务当前花费时间与最短时间之间的差值。
6)判断t是否满足t≥tmmax,若满足,则输出结果,若不满足则返回上述步骤3),进行新一轮的迭代计算优化。
基于上述实施例,在本公开提供的又一实施例中,如图3所示,基于战争策略优化算法得到任务队列的最优分配策略,其具体还可以通过如下方式生成最优分配策略:
步骤310,获取分配资源延迟数据;所述分配资源延迟数据包括所述边侧服务器处理计算任务时分配的通道传输资源;所述通道传输资源包括开始分配资源与开始数据处理之间的时间延迟。
在一些实施例中,当边侧服务器开始处理计算任务时,通过边侧服务器为计算任务分配的通道传输资源,获取开始分配资源的时间以及开始数据处理的时间,并计算两个时间的差值,作为分配资源延迟数据。
步骤320,获取计算时间延迟数据;所述计算时间延迟数据包括所述边侧服务器处理计算任务时分配的CPU资源。
在一些实施例中,当边侧服务器开始处理计算任务时,通过边侧服务器为计算任务分配的CPU资源,得到计算时间延迟数据。
步骤330,基于所述分配资源延迟数据和所述计算时间延迟数据得到总延时数据。
在一些实施例中,将步骤310与步骤320得到的数据相加,得到总延时数据。
步骤340,基于所述总延时数据和所述当前节点资源负载均衡数据生成最优分配策略。
在一些实施例中,根据步骤330得到的总延时数据与边侧服务器所有节点的当前的节点资源负载均衡数据,使得全部计算任务执行完成的时间最小化时生成最优分配策略,提高边侧服务器处理计算任务的效率。
在一些实施例中,对总延时数据的最小化计算,可以用以下函数进行表示:
在一些实施例中,对当前的节点资源负载均衡数据的约束计算,可以用以下函数进行表示:
其中,Qij为计算任务i分配到节点资源j时该节点的负载情况,Qmax j表示j节点的最大负载,Qmin表示边侧服务器中负载最低的节点的任务负载,Qmax表示边侧服务器中负载最高的节点的任务负载。为了使得各节点的负载均衡,所以限定最大负载和最小负载的差值在10%以内。
本公开的实施例提供的一种云边端协同资源优化方法,通过接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;对多源异构数据进行缓存及处理,得到多个计算任务;基于当前节点资源负载均衡情况以及计算任务在边侧服务器的处理时间生成最优分配策略;基于所述最优分配策略将计算任务分别发送至对应节点进行处理。可以根据任务的处理难易程度与边侧服务器节点资源负载的均衡情况对计算资源进行合理的分配,进而实现低时延、低功耗、低负载和高效率的数据处理。一方面,通过引入边缘计算资源动态协同模型,将电力新业态下,庞大的电网数据任务模块化,动态分配给边缘服务器,充分发挥边缘计算的优势,减轻中心云服务器的计算负担,提升了电网数据计算的效率。另一方面,通过战争策略优化算法进行计算任务与节点资源的联合优化分配来实现了边缘计算资源的效率最优化,并且考虑边侧服务器节点资源的负载均衡使得最优化匹配效果更好,极大的降低了计算任务的整体时间,提高了电网运作效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例的云边端协同资源优化装置400的方框图。如图4所示,装置400包括:
数据接收模块410,用于接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;
任务计算模块420,用于对所述多源异构数据进行缓存及处理,得到多个计算任务;
策略优化模块430,用于基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略;
任务分发模块440,用于基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种云边端协同资源优化方法,应用于边侧服务器,其特征在于,包括:
接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;
对所述多源异构数据进行缓存及处理,得到多个计算任务;
基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略;
基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分别获取所述多个计算任务的最大容许延迟时间;
判断所述多个计算任务在所述边侧服务器的处理时间是否小于对应的所述最大容许延迟时间;
若是,则将对应的计算任务进行资源优化分配;
若否,则将对应的计算任务发送给云端服务器处理。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取当前计算任务;所述当前计算任务包括由所述边侧服务器进行资源优化分配的任务;
对所述当前计算任务生成记录信息;所述记录信息包括最终执行地信息、计算任务被分配的通道传输资源、计算任务被分配的CPU计算资源、计算任务的数据大小以及计算任务的最大容许延迟时间;
将所述记录信息传输给所述边侧服务器的所有节点,并更新任务记录集。
4.根据权利要求1所述的方法,其特征在于,所述基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略,包括:
基于战争策略优化算法得到任务队列的最优分配策略。
5.根据权利要求4所述的方法,其特征在于,所述基于战争策略优化算法得到任务队列的最优分配策略,包括:
获取分配资源延迟数据;所述分配资源延迟数据包括所述边侧服务器处理计算任务时分配的通道传输资源;所述通道传输资源包括开始分配资源与开始数据处理之间的时间延迟;
获取计算时间延迟数据;所述计算时间延迟数据包括所述边侧服务器处理计算任务时分配的CPU资源;
基于所述分配资源延迟数据和所述计算时间延迟数据得到总延时数据;
基于所述总延时数据和所述当前节点资源负载均衡数据生成最优分配策略。
6.一种云边端协同资源优化装置,其特征在于,包括:
数据接收模块,用于接收端侧采集设备采集的有源配电网下的覆盖源网荷储全量设备的多源异构数据;
任务计算模块,用于对所述多源异构数据进行缓存及处理,得到多个计算任务;
策略优化模块,用于基于当前节点资源负载均衡情况以及所述多个计算任务在边侧服务器的处理时间生成最优分配策略;
任务分发模块,用于基于所述最优分配策略将所述多个计算任务分别发送至对应节点进行处理。
7.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211680124.XA CN115965205A (zh) | 2022-12-26 | 2022-12-26 | 云边端协同资源优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211680124.XA CN115965205A (zh) | 2022-12-26 | 2022-12-26 | 云边端协同资源优化方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115965205A true CN115965205A (zh) | 2023-04-14 |
Family
ID=87358146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211680124.XA Pending CN115965205A (zh) | 2022-12-26 | 2022-12-26 | 云边端协同资源优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965205A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
CN117478351A (zh) * | 2023-07-21 | 2024-01-30 | 振宁(无锡)智能科技有限公司 | 一种工业互联网边缘计算的智能优化方法及系统 |
-
2022
- 2022-12-26 CN CN202211680124.XA patent/CN115965205A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
CN117478351A (zh) * | 2023-07-21 | 2024-01-30 | 振宁(无锡)智能科技有限公司 | 一种工业互联网边缘计算的智能优化方法及系统 |
CN117478351B (zh) * | 2023-07-21 | 2024-04-30 | 振宁(无锡)智能科技有限公司 | 一种工业互联网边缘计算的智能优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
CN113961351B (zh) | 深度学习模型的分布式训练方法、装置、设备及存储介质 | |
CN115965205A (zh) | 云边端协同资源优化方法、装置、电子设备及存储介质 | |
CN112948079B (zh) | 任务调度方法、装置、设备和计算机存储介质 | |
CN114298322B (zh) | 联邦学习方法和装置、系统、电子设备、计算机可读介质 | |
CN114065864B (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
US20220391780A1 (en) | Method of federated learning, electronic device, and storage medium | |
CN112104693B (zh) | 非均匀移动边缘计算网络的任务卸载方法及装置 | |
CN114819084A (zh) | 模型推理方法、装置、设备及存储介质 | |
CN112667368A (zh) | 一种任务数据处理方法和装置 | |
CN114265692A (zh) | 服务调度方法、装置、设备以及存储介质 | |
CN114879832A (zh) | 用于运算装置的功耗控制方法、装置、芯片、设备及介质 | |
CN113590666B (zh) | 一种ai集群中数据缓存方法、系统、设备及计算机介质 | |
CN115269145A (zh) | 一种面向海上无人设备的高能效异构多核调度方法及装置 | |
CN114139605A (zh) | 分布式的模型训练方法、系统、设备以及存储介质 | |
CN113778645A (zh) | 基于边缘计算的任务调度方法、装置、设备及存储介质 | |
CN112560210A (zh) | 用于调整电网结构的方法、相关装置及计算机程序产品 | |
CN115906982B (zh) | 分布式训练方法、梯度通信方法、装置及电子设备 | |
CN116546009B (zh) | 资产发现的方法、装置、电子设备和存储介质 | |
CN114860341B (zh) | 线程配置方法、设备、装置、存储介质 | |
CN113963433B (zh) | 运动搜索方法、装置、电子设备及存储介质 | |
CN113762510B (zh) | 针对目标模型的数据处理方法、装置、电子设备和介质 | |
CN113886842B (zh) | 基于测试的动态智能调度方法及装置 | |
CN116614379B (zh) | 迁移服务的带宽调整方法、装置及相关设备 | |
EP4036861A2 (en) | Method and apparatus for processing point cloud data, electronic device, storage medium, computer program product |
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 |