CN115981876A - 一种基于云雾架构的健身数据处理方法、系统及装置 - Google Patents
一种基于云雾架构的健身数据处理方法、系统及装置 Download PDFInfo
- Publication number
- CN115981876A CN115981876A CN202310273453.0A CN202310273453A CN115981876A CN 115981876 A CN115981876 A CN 115981876A CN 202310273453 A CN202310273453 A CN 202310273453A CN 115981876 A CN115981876 A CN 115981876A
- Authority
- CN
- China
- Prior art keywords
- cloud
- data
- user terminal
- distribution
- computing
- 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.)
- Granted
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
本申请公开了一种基于云雾架构的健身数据处理方法、系统及装置,该方法包括:获取第一数据和第二数据;根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配。本方案能够将实际的健身活动产生的健身相关数据与云雾架构系统的整体计算能力相互匹配,使得云雾架构系统根据实际的健身相关数据分配系统内的计算资源,避免了计算资源的浪费,实现了计算资源的均衡分配。
Description
技术领域
本发明属于数据处理技术及健身数据平台应用领域,特别涉及一种基于云雾架构的健身数据处理方法、系统及装置。
背景技术
随着科技的快速发展,移动终端的数据流量急剧增长,但由于其计算性能有限,移动终端在处理计算量大和时延性要求高的数据上常常面临着能力不足的情况。为此,使用网络边缘节点来处理分析数据的边缘计算模式应运而生,并形象地称为雾计算,将传统云计算和雾计算进行模式结合互补,形成了基于云雾架构的计算资源系统。
在实际生活中,健身人群主要分为两类,一是地点比较分散进行健身活动的人群,比如使用手机上的各种健身APP的人群,二是有地点比较集中进行健身活动的人群,比如去健身馆、公园、广场等人群集中的地点进行健身的人群;从数据处理的角度来说,所有的健身人群均可作为使用健身移动终端的用户,由于用户的健身活动,健身用户终端产生相应的待处理的健身相关数据,按照上述两类健身人群的空间活动规律,将健身用户终端分为分布式健身用户终端和集中式健身用户终端,则分布式健身用户终端产生的健身相关数据的特点为:产生数据的地点分散、数据量较小;而集中式健身用户终端产生的健身相关数据的特点为:产生数据的地点集中、数据量较大。
虽然采用基于云雾架构的计算资源系统能够满足处理健身活动中用户终端产生的各种特点的健身相关数据的要求,但是仍无法根据实际的健身活动和健身相关数据的实时状态,高效合理地分配云雾架构中各计算节点进行数据处理,使各个计算节点的工作量均衡分配,避免计算资源的浪费,并合理平衡健身用户终端在使用中的数据时延性和数据处理能力。
发明内容
鉴于以上问题,本申请提供一种基于云雾架构的健身数据处理方法、系统及装置,以解决上述技术问题。
本申请提供了以下技术方案:
第一方面,本申请提供了一种基于云雾架构的健身数据处理方法,所述方法包括:
获取第一数据和第二数据;
根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;
将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;
按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配;
所述第一数据,为健身用户终端的状态数据,以及产生的待处理的健身相关数据;
所述第二数据,为云雾架构系统的状态数据;
所述云雾架构系统,为云计算和雾计算相结合的计算资源系统,包括云计算节点和雾计算节点;
所述健身用户终端,为云雾架构系统覆盖范围内接入的健身用户终端;
所述计算节点,包括本地终端、云计算节点和雾计算节点;
具体来说,所述本地终端,为以自身的计算资源进行数据处理的健身用户终端;
所述计算资源分配,为将待处理的健身相关数据分配到对应的计算节点后进行数据处理;
所述计算资源分配指标,为执行计算资源分配操作时,依据的指标;
所述计算资源分配阈值,为用于确定不同情况对应不同计算资源分配策略的基准值,与计算资源分配指标相对应;
所述计算资源分配策略,为执行计算资源分配操作时,采取的分配策略;
具体来说,所述分配策略,包括:本地终端处理,或者非本地终端处理;
所述本地终端处理,为无需云雾架构系统的协助,仅使用该健身用户终端自身的计算资源进行数据处理;
所述非本地终端处理,为需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理;
其中,所述非本地终端处理还包括:
(1)以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理
(2)以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
(3)以云雾架构系统中云计算节点为主。
本申请根据获取的第一数据(即健身用户终端的状态数据,以及产生的待处理的健身相关数据)和第二数据(即云雾架构系统的状态数据),确定所述第一数据在云雾架构系统内的计算资源分配策略,能够将实际的健身活动产生的健身相关数据与云雾架构系统的整体计算能力相互匹配,使得云雾架构系统根据实际的健身相关数据分配系统内的计算资源,避免了计算资源的浪费,实现了计算资源的均衡分配。
进一步的,所述获取第一数据和第二数据,包括:
在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端;
获取所述第一健身用户终端的数据处理速率和所需要处理的数据量,作为所述第一数据;
获取云雾架构系统中,计算节点的数量、计算节点与第一健身用户终端之间的数据传输速率,以及分配周期,作为所述第二数据;
所述第一健身用户终端,为在分配周期内,云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期;
具体来说,所述第一健身用户终端,为云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端,也就是说,所有的健身用户终端中,有的健身用户终端,数据量较小,则无需云雾架构系统的协助处理;有的健身用户终端,数据量较大,则需要云雾架构系统的协助处理;因此,所述第一健身用户终端,其实是以第一健身用户终端的本地处理能力,无法在当前的分配周期内处理完所需要处理的健身相关数据,所以需要请求云雾架构系统协助处理的健身用户终端,这部分健身用户终端,就是所述第一健身用户终端;
具体来说,在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端,具体筛选的方法较多,故不做具体限定,比如:将某一个具体数据处理量的作为筛选阈值,若健身终端所需处理数据量大于等于该筛选阈值,则标记为第一健身用户终端;若健身终端所需处理数据量小于该筛选阈值,则不标记为第一健身用户终端;
本申请首先在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端,这样能够将计算资源分配操作的数据量进一步减少,优化了前期的健身用户终端的识别和筛选过程;然后,将第一健身用户终端一侧的数据作为第一数据,云雾架构系统一侧的数据作为第二数据,且获取的第一数据和第二数据,均是当前分配周期内,与数据处理和数据传输相关的实时数据,这样,采用健身用户终端和云雾架构系统两方面的相关数据,为后续计算资源分配策略的确定提供了精确、实时的参考数据,且获取的第一数据和第二数据,都是必要的相关数据,进一步减少计算资源分配时数据处理的资源浪费,有效提高了执行计算资源分配操作的时间;
进一步的,所述根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标,还包括:
根据分配周期内,已获取的第一健身用户终端的数据处理速率,第一健身用户终端所需要处理的数据量,分配周期,云雾架构系统中计算节点的数量,以及计算节点与第一健身用户终端之间的数据传输速率,确定第一时延指标和第二时延指标;
将所述第一时延指标和第二时延指标进行比较后,确定第一分配指标;
所述第一时延指标,为在当前分配周期内,完成目前的数据处理任务,采用第一健身用户终端本地处理的时延预测值;所述第二时延指标,为在当前分配周期内,完成目前的数据处理任务,采用云雾架构系统处理的时延预测值;
所述第一分配指标,为第一时延指标和第二时延指标的比较值;
具体来说,所述第一时延指标和所述第二时延指标,均为以完成某一个第一健身用户终端所需处理的数据量为目标,经过一个分配周期的时间进行数据处理后,仍需要的处理时间,即为时延的时间;区别在于,第一时延指标,为采用第一健身用户终端本地处理的时延预测值;而第二时延指标,为采用云雾架构系统处理的时延预测值;所述第一分配指标,即第一时延指标和第二时延指标的比较值,该比较值不做具体限定,能够结合实际情况,采用数学意义上的各种比较方法获取该比较值;
进一步的,所述将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略,还包括:
将所述第一分配指标与其对应的第一分配阈值进行比较,确定所述第一健身用户终端在云雾架构系统内的计算资源分配策略,如下:
(1)若某一个第一健身用户终端的第一分配指标小于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第一分配策略;
(2)若某一个第一健身用户终端的第一分配指标大于等于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略;
所述第一分配阈值,为与所述第一分配指标对应的计算资源分配阈值;
所述第一分配策略,为本地终端处理,即无需云雾架构系统的协助,仅使用该第一健身用户终端自身的计算资源进行数据处理;
所述第二分配策略,为非本地终端处理,即需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理;
具体来说,由于在物理位置上,云雾架构系统中的雾计算节点是离健身用户终端较近的计算节点,在分配计算资源时,数据传输也较快,所以,采用云雾架构系统处理数据的方式,若使得时延较小,最优选择是寻找就近的雾计算节点进行数据处理,因此,本申请的第二时延指标所表征的云雾架构系统处理的时延预测值,优先选择以最近的雾计算节点进行数据处理的方式,确定第二时延指标;
本申请将采用第一健身用户终端本地处理的时延预测值,作为第一时延指标;将采用云雾架构系统处理的时延预测值,作为第二时延指标,而这两个指标表征的意义分别为:仅使用本地终端处理数据和仅使用云雾架构系统处理数据,采用这两种方式去处理完成第一健身用户终端所需要处理的数据量,除需要一个分配周期的时间外,分别还需要多少时间;然后,将这两个指标进行比较后,获得所述第一分配指标;那么,第一分配指标表征的意义在于,根据当前的第一健身用户终端所需数据处理量,结合云雾架构系统的当前实时状态,预测采用本地处理和云雾架构系统处理的这两种方式中,哪种方式更能够获得较低的时延性;同时,由于第一分配指标属于具体的量化值,这样,就使得分配策略的确定更加精确,并且由于是采用同一个分配周期内的实时数据获得的第一分配指标,所以,第一分配指标更加符合当前的实际情况,当然也会随具体情况的变化而变化,更加第一分配指标确定的分配策略自然也能够在本地处理和云雾架构系统处理这两种方式的计算资源分配之间平衡,得到一个较优的分配策略和分配方案,在现有的计算资源条件下,提高健身用户的实际体验。
进一步的,所述第一分配指标,采用数据时延性指标表示,具体的数据时延性指标模型,如下:
;
其中,P1为数据时延性指标,即第一分配指标;
Q01为在分配周期内,某一个第一健身用户终端所需要处理的数据量;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期,每个周期内的各参数的数据,均以当前周期内的实时数据为准;
w01为该第一健身用户终端的当前最大数据处理速率;
T为分配周期;
vx1为与该第一健身用户终端最近的雾计算节点从健身用户终端接收数据的传输速率;
vx2为与该第一健身用户终端最近的雾计算节点将数据返回健身用户终端的传输速率;
n为云雾架构系统中雾计算节点的总数量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
以上参数,均为同一个云雾架构系统中,同一个第一健身用户终端在同一个分配周期内的对应数据;
具体来说,所述数据时延性指标,表示某一个第一健身用户终端,在当前分配周期内的实时的数据时延性指标,而在实际中,有时需要对多个第一健身用户终端进行计算资源分配操作,那么,在按照预设的计算资源分配操作顺序,逐个对第一健身用户终端进行计算资源分配操作时,比如采用如下两种排序方式:
(1)按照第一健身用户终端向云雾架构系统发出协助请求的顺序,逐一计算其数据时延性指标,再确定具体分配策略;
(2)按照第一健身用户终端所需处理数据量的大小顺序,逐一计算其数据时延性指标,再确定具体分配策略;
由于本申请的数据时延性指标,是在同一分配周期下,同一个第一用户终端的所需处理的数据量,而以上两种排序方式仅是分配操作顺序的两种方式,所以,不影响最后数据时延性指标的结果,只要在计算第一健身用户终端的数据时延性指标时,采集的数据是当前实时数据,即可使得第一健身用户终端的数据时延性指标的达到较高的准确性和实时性,进而能够使得确定的计算资源分配策略也是相对准确、实时的,即获得一个符合当前实际情况的较优的计算资源分配策略;
由于本申请的数据时延性指标,是第一用户终端在两种处理方式(即本地处理方式与云雾架构系统处理方式)上延迟时间比较后获得的指标,所以,作为计算资源分配策略的划分依据,显然能够准确地表征本地处理方式与云雾架构系统处理方式在实际时延性能上的比值,进而能够对两种处理方式进行量化比较,即不仅能获得两种处理方式中,哪种的时延时间较小,或时延性能较好,而且能够获得两种处理方式在时延时间上相对地增加或者减小的具体程度,这就使得依据的数据时延性指标更加精确,那么,在确定计算资源分配策略时将会达到更好的实时性、准确性,使计算资源的分配更加均衡,而不浪费;
因此,本申请的数据时延性指标,在保证数据实时性和准确性的基础上,即使采用不同的计算资源分配操作顺序,仍然均能够在当前计算资源分配操作顺序的情况下,使得数据时延性指标达到较高的准确性,获得一个较优的计算资源分配策略。
进一步的,所述确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略之后,还包括:
将已确定为第二分配策略的第一健身用户终端,作为第二健身用户终端;
根据分配周期内,第二健身用户终端的总数量,第二健身用户终端所需要处理的数据量,云雾架构系统中计算节点的数量,计算节点的数据处理速率和处理状况,以及分配周期,确定第二分配指标;
将所述第二分配指标与其对应的各个分配阈值进行比较,确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略;
具体来说,所述第二健身用户终端,为第一分配指标大于等于第一分配阈值的第一健身用户终端,即计算资源分配策略确定为使用非本地终端处理的第一用户终端;
所述第二分配指标,为云雾架构系统当前的数据处理能力的指标,即在当前分配周期内,云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量;
进一步的,所述确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略的方法,还包括:
(1)若某一个第二健身用户终端的第二分配指标小于第二分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第三分配策略;
(2)若某一个第二健身用户终端的第二分配指标大于等于第二分配阈值,且小于等于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第四分配策略;
(3)若某一个第二健身用户终端的第二分配指标大于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第五分配策略;
所述第二分配阈值小于所述第三分配阈值;
所述第三分配策略,为以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理;
所述第四分配策略,为以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
所述第五分配策略,为以云雾架构系统中云计算节点为主;
具体来说,所述第二分配阈值和所述第三分配阈值,是所述第二分配指标的两个划分不同分配策略的标准阈值;若第二分配指标越大,则表示云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量越多,那么,就需要更多的计算资源,比如需要云计算节点的协助,而所需要分配的周期数量增加到某一程度时,则需要直接使用云计算节点进行数据处理;反之,若第二分配指标越小,则表示云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量越少,那么,只需要更少的计算资源,比如需要雾计算节点处理,而所需要分配的周期数量减小到某一程度时,则只需要雾计算节点协助本地终端进行数据处理即可;
本申请根据第二分配指标,将第二分配策略进行了更加细致的划分,使得云雾架构系统的计算资源能够根据实际处理数据量的情况去合理分配,充分发挥了云雾架构系统中的雾计算节点和云计算节点的优势,并将两者结合互补,在不浪费计算资源的前提下,进行合理的分配,不仅节省系统能耗,提高数据处理效率,而且能够根据实际情况协调控制云雾架构系统的时延性和数据处理能力,极大地优化健身用户终端的实际体验;
进一步的,所述第二分配指标,采用数据处理能力指标表示,具体的数据处理能力指标模型,如下:
;
其中,P2为数据处理能力指标,即第二分配指标;
n为云雾架构系统中雾计算节点的总数量;
Q02为在分配周期内,某一个第二健身用户终端所需要处理的数据量;
w02为该第二健身用户终端的当前最大数据处理速率;
m为分配周期内,所有第二健身用户终端的总数量;
pk为分配周期内,第k个第二健身用户终端所需要处理的数据量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
T为分配周期;
r为云雾架构系统中第一雾计算节点的数量;
wj为第一雾计算节点中第j个雾计算节点的当前最大数据处理速率;
Qj为第一雾计算节点中第j个雾计算节点的当前已分配待处理的数据量;
所述第一雾计算节点,为当前分配周期内,数据处理能力仍有余量的雾计算节点,即当前分配周期内,云雾架构系统中wiT-Qi>0的雾计算节点;
其中,Qi为云雾架构系统中第i个雾计算节点的当前已分配待处理的数据量;
以上参数,均为同一个云雾架构系统中,同一个第二健身用户终端,在同一个分配周期内的对应数据。
具体来说,所述数据处理能力指标,表示某一个第二健身用户终端,在当前分配周期内的实时的数据处理能力指标,而在实际中,有时需要对多个第二健身用户终端进行计算资源分配操作,那么,在按照预设的计算资源分配操作顺序,逐个对第一健身用户终端进行计算资源分配操作时,比如采用如下两种方式:
(1)按照第二健身用户终端向云雾架构系统发出协助请求的顺序,逐一计算其数据处理能力指标,再确定具体分配策略;
(2)按照第二健身用户终端所需处理数据量的大小顺序,逐一计算其数据处理能力指标,再确定具体分配策略;
由于本申请的数据处理能力指标,是在同一分配周期下,同一个第二用户终端的所需要处理的数据量,而以上两种排序方式只是分配操作顺序的两种方式,所以,不影响最后数据处理能力指标的结果,只要在计算第二健身用户终端的数据处理能力指标时,采集的数据是当前实时数据,即可使得第二健身用户终端的数据处理能力指标的达到较高的准确性和实时性,进而能够使得确定的计算资源分配策略也是相对准确、实时的,即获得一个符合当前实际情况的较优的计算资源分配策略。
由于在物理位置上,云雾架构系统中的雾计算节点是离健身用户终端较近的计算节点,在分配计算资源时,数据传输也较快,所以,采用云雾架构系统处理数据的方式,若使得时延较小,最优选择是寻找就近的雾计算节点进行数据处理,因此,本申请的第二分配指标所表征的云雾架构系统数据处理能力的预测值,优先选择以云雾架构系统中雾计算节点的当前最大处理速率的均值,作为数据处理能力指标的一个基准值,同时将当前情况下,第二健身用户终端所需要处理的数据量与雾计算节点的数据处理能力纳入第二分配指标中,作为两个动态因素对第二分配指标进行修正,这样就使得确定的第二分配指标,能够实时反映当前分配周期下,云雾架构系统中雾计算节点的综合数据处理能力,所以,获得的结果不仅数据准确,而且在分配周期内更新数据时,能及时根据实际情况进行调整,这样就使得在确定计算资源分配策略时将会达到更好的实时性、准确性,使计算资源的分配更加均衡,而不浪费。
因此,本申请的数据处理能力指标,在保证数据实时性和准确性的基础上,即使采用不同的计算资源分配操作顺序,仍然能够在当前计算资源分配操作顺序的情况下,使得数据处理能力指标达到较高的准确性,获得一个较优的计算资源分配策略。
综上,由于本申请能够根据云雾架构系统覆盖范围内的健身用户终端的相关数据(比如:数量,数据处理量,处理速率等),和云雾架构系统的相关数据(比如:计算节点数量,处理速率,传输速率等),以及两者的相关数据变化,实时调整第一分配指标和第二分配指标的参数,使第一分配指标和第二分配指标均能够动态实时地根据实际情况及时更新和修正,因此,本申请能够根据实际的健身活动和健身相关数据的实时状态,高效合理地分配云雾架构中各计算节点进行数据处理,使各个计算节点的工作量均衡分配,避免计算资源的浪费,并合理平衡健身用户终端在使用中的数据时延性和数据处理能力。
第二方面,本申请提供了一种基于云雾架构的健身数据处理系统,所述系统包括:
数据获取模块,用于获取第一数据和第二数据;
指标确定模块,用于根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;
策略确定模块,用于将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;
策略执行模块,用于按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配;
所述第一数据,为健身用户终端的状态数据,以及产生的待处理的健身相关数据;
所述第二数据,为云雾架构系统的状态数据;
所述云雾架构系统,为云计算和雾计算相结合的计算资源系统;
所述健身用户终端,为云雾架构系统覆盖范围内接入的健身用户终端;
所述计算资源分配,为根据待处理的健身相关数据的状态,将其在云雾架构系统中分配后进行数据处理,即将待处理数据分配到云雾架构系统的云计算节点和/或雾计算节点中进行数据处理;
所述计算资源分配指标,为执行计算资源分配操作时,依据的具体指标;
所述计算资源分配阈值,为用于确定不同情况对应不同计算资源分配策略的基准值,与计算资源分配指标相对应;
所述计算资源分配策略,为所述计算资源分配时采取的具体分配策略,即计算资源分配时,采取云计算、雾计算或者云雾结合计算的策略处理健身相关数据;
所述计算节点,为云雾架构系统中云计算节点和/或雾计算节点;
第三方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的方法。
第四方面,本申请提供了一种计算机装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序时,实现如第一方面所述的方法。
综上所述,本申请根据获取的第一数据(即健身用户终端的状态数据,以及产生的待处理的健身相关数据)和第二数据(即云雾架构系统的状态数据),确定所述第一数据在云雾架构系统内的计算资源分配策略,能够将实际的健身活动产生的健身相关数据与云雾架构系统的整体计算能力相互匹配,使得云雾架构系统根据实际的健身相关数据分配系统内的计算资源,避免了计算资源的浪费,实现了计算资源的均衡分配。
附图说明
为了易于说明,本申请由下述的具体实施及附图作以详细描述。
图1为本申请的方法流程示意图之一;
图2为本申请的方法流程示意图之二;
图3为本申请的方法流程示意图之三;
图4为本申请的系统结构示意图;
图5为本申请的计算机可读存储介质示意图;
图6为本申请的计算机装置示意图。
具体实施方式
下面将结合本申请实施例中的图,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付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。
实施例1
如图1所示,本实施例提供了一种基于云雾架构的健身数据处理方法,所述方法包括:
获取第一数据和第二数据;
根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;
将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;
按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配;
所述第一数据,为健身用户终端的状态数据,以及产生的待处理的健身相关数据;
所述第二数据,为云雾架构系统的状态数据;
所述云雾架构系统,为云计算和雾计算相结合的计算资源系统,包括云计算节点和雾计算节点;
所述健身用户终端,为云雾架构系统覆盖范围内接入的健身用户终端;
所述计算节点,包括本地终端、云计算节点和雾计算节点;
具体来说,所述本地终端,为以自身的计算资源进行数据处理的健身用户终端;
所述计算资源分配,为将待处理的健身相关数据分配到对应的计算节点后进行数据处理;
所述计算资源分配指标,为执行计算资源分配操作时,依据的指标;
所述计算资源分配阈值,为用于确定不同情况对应不同计算资源分配策略的基准值,与计算资源分配指标相对应;
所述计算资源分配策略,为执行计算资源分配操作时,采取的分配策略;
具体来说,所述分配策略,包括:本地终端处理,或者非本地终端处理;
所述本地终端处理,为无需云雾架构系统的协助,仅使用该健身用户终端自身的计算资源进行数据处理;
所述非本地终端处理,为需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理;
其中,所述非本地终端处理还包括:
(1)以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理
(2)以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
(3)以云雾架构系统中云计算节点为主。
本申请根据获取的第一数据(即健身用户终端的状态数据,以及产生的待处理的健身相关数据)和第二数据(即云雾架构系统的状态数据),确定所述第一数据在云雾架构系统内的计算资源分配策略,能够将实际的健身活动产生的健身相关数据与云雾架构系统的整体计算能力相互匹配,使得云雾架构系统根据实际的健身相关数据分配系统内的计算资源,避免了计算资源的浪费,实现了计算资源的均衡分配。
进一步的,如图2所示,所述获取第一数据和第二数据,包括:
在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端;
获取所述第一健身用户终端的数据处理速率和所需要处理的数据量,作为所述第一数据;
获取云雾架构系统中,计算节点的数量、计算节点与第一健身用户终端之间的数据传输速率,以及分配周期,作为所述第二数据;
所述第一健身用户终端,为在分配周期内,云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期;
具体来说,所述第一健身用户终端,为云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端,也就是说,所有的健身用户终端中,有的健身用户终端,数据量较小,则无需云雾架构系统的协助处理;有的健身用户终端,数据量较大,则需要云雾架构系统的协助处理;因此,所述第一健身用户终端,其实是以第一健身用户终端的本地处理能力,无法在当前的分配周期内处理完所需要处理的健身相关数据,所以需要请求云雾架构系统协助处理的健身用户终端,这部分健身用户终端,就是所述第一健身用户终端;
具体来说,在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端,具体筛选的方法较多,故不做具体限定,比如:将某一个具体数据处理量的作为筛选阈值,若健身终端所需处理数据量大于等于该筛选阈值,则标记为第一健身用户终端;若健身终端所需处理数据量小于该筛选阈值,则不标记为第一健身用户终端;
本申请首先在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端,这样能够将计算资源分配操作的数据量进一步减少,优化了前期的健身用户终端的识别和筛选过程;然后,将第一健身用户终端一侧的数据作为第一数据,云雾架构系统一侧的数据作为第二数据,且获取的第一数据和第二数据,均是当前分配周期内,与数据处理和数据传输相关的实时数据,这样,采用健身用户终端和云雾架构系统两方面的相关数据,为后续计算资源分配策略的确定提供了精确、实时的参考数据,且获取的第一数据和第二数据,都是必要的相关数据,进一步减少计算资源分配时数据处理的资源浪费,有效提高了执行计算资源分配操作的时间;
进一步的,如图2所示,所述根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标,还包括:
根据分配周期内,已获取的第一健身用户终端的数据处理速率,第一健身用户终端所需要处理的数据量,分配周期,云雾架构系统中计算节点的数量,以及计算节点与第一健身用户终端之间的数据传输速率,确定第一时延指标和第二时延指标;
将所述第一时延指标和第二时延指标进行比较后,确定第一分配指标;
所述第一时延指标,为在当前分配周期内,完成目前的数据处理任务,采用第一健身用户终端本地处理的时延预测值;所述第二时延指标,为在当前分配周期内,完成目前的数据处理任务,采用云雾架构系统处理的时延预测值;
所述第一分配指标,为第一时延指标和第二时延指标的比较值;
具体来说,所述第一时延指标和所述第二时延指标,均为以完成某一个第一健身用户终端所需处理的数据量为目标,经过一个分配周期的时间进行数据处理后,仍需要的处理时间,即为时延的时间;区别在于,第一时延指标,为采用第一健身用户终端本地处理的时延预测值;而第二时延指标,为采用云雾架构系统处理的时延预测值;所述第一分配指标,即第一时延指标和第二时延指标的比较值,该比较值不做具体限定,能够结合实际情况,采用数学意义上的各种比较方法获取该比较值;
进一步的,如图2所示,所述将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略,还包括:
将所述第一分配指标与其对应的第一分配阈值进行比较,确定所述第一健身用户终端在云雾架构系统内的计算资源分配策略,如下:
(1)若某一个第一健身用户终端的第一分配指标小于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第一分配策略;
(2)若某一个第一健身用户终端的第一分配指标大于等于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略;
所述第一分配阈值,为与所述第一分配指标对应的计算资源分配阈值;
所述第一分配策略,为本地终端处理,即无需云雾架构系统的协助,仅使用该第一健身用户终端自身的计算资源进行数据处理;
所述第二分配策略,为非本地终端处理,即需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理;
具体来说,由于在物理位置上,云雾架构系统中的雾计算节点是离健身用户终端较近的计算节点,在分配计算资源时,数据传输也较快,所以,采用云雾架构系统处理数据的方式,若使得时延较小,最优选择是寻找就近的雾计算节点进行数据处理,因此,本申请的第二时延指标所表征的云雾架构系统处理的时延预测值,优先选择以最近的雾计算节点进行数据处理的方式,确定第二时延指标;
本申请将采用第一健身用户终端本地处理的时延预测值,作为第一时延指标;将采用云雾架构系统处理的时延预测值,作为第二时延指标,而这两个指标表征的意义分别为:仅使用本地终端处理数据和仅使用云雾架构系统处理数据,采用这两种方式去处理完成第一健身用户终端所需要处理的数据量,除需要一个分配周期的时间外,分别还需要多少时间;然后,将这两个指标进行比较后,获得所述第一分配指标;那么,第一分配指标表征的意义在于,根据当前的第一健身用户终端所需数据处理量,结合云雾架构系统的当前实时状态,预测采用本地处理和云雾架构系统处理的这两种方式中,哪种方式更能够获得较低的时延性;同时,由于第一分配指标属于具体的量化值,这样,就使得分配策略的确定更加精确,并且由于是采用同一个分配周期内的实时数据获得的第一分配指标,所以,第一分配指标更加符合当前的实际情况,当然也会随具体情况的变化而变化,更加第一分配指标确定的分配策略自然也能够在本地处理和云雾架构系统处理这两种方式的计算资源分配之间平衡,得到一个较优的分配策略和分配方案,在现有的计算资源条件下,提高健身用户的实际体验。
进一步的,所述第一分配指标,采用数据时延性指标表示,具体的数据时延性指标模型,如下:
;
其中,P1为数据时延性指标,即第一分配指标;
Q01为在分配周期内,某一个第一健身用户终端所需要处理的数据量;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期,每个周期内的各参数的数据,均以当前周期内的实时数据为准;
w01为该第一健身用户终端的当前最大数据处理速率;
T为分配周期;
vx1为与该第一健身用户终端最近的雾计算节点从健身用户终端接收数据的传输速率;
vx2为与该第一健身用户终端最近的雾计算节点将数据返回健身用户终端的传输速率;
n为云雾架构系统中雾计算节点的总数量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
以上参数,均为同一个云雾架构系统中,同一个第一健身用户终端在同一个分配周期内的对应数据;
具体来说,所述数据时延性指标,表示某一个第一健身用户终端,在当前分配周期内的实时的数据时延性指标,而在实际中,需要对多个第一健身用户终端进行计算资源分配操作,那么,在按照预设的计算资源分配操作顺序,逐个对第一健身用户终端进行计算资源分配操作时,比如采用如下两种排序方式:
(1)按照第一健身用户终端向云雾架构系统发出协助请求的顺序,逐一计算其数据时延性指标,再确定具体分配策略;
(2)按照第一健身用户终端所需处理数据量的大小顺序,逐一计算其数据时延性指标,再确定具体分配策略;
由于本申请的数据时延性指标,是在同一分配周期下,同一个第一用户终端的所需处理的数据量,而以上两种排序方式仅是分配操作顺序的两种方式,所以,不影响最后数据时延性指标的结果,只要在计算第一健身用户终端的数据时延性指标时,采集的数据是当前实时数据,即可使得第一健身用户终端的数据时延性指标的达到较高的准确性和实时性,进而能够使得确定的计算资源分配策略也是相对准确、实时的,即获得一个符合当前实际情况的较优的计算资源分配策略;
由于本申请的数据时延性指标,是第一用户终端在两种处理方式(即本地处理方式与云雾架构系统处理方式)上延迟时间比较后获得的指标,所以,作为计算资源分配策略的划分依据,显然能够准确地表征本地处理方式与云雾架构系统处理方式在实际时延性能上的比值,进而能够对两种处理方式进行量化比较,即不仅能获得两种处理方式中,哪种的时延时间较小,或时延性能较好,而且能够获得两种处理方式在时延时间上相对地增加或者减小的具体程度,这就使得依据的数据时延性指标更加精确,那么,在确定计算资源分配策略时将会达到更好的实时性、准确性,使计算资源的分配更加均衡,而不浪费;
因此,本申请的数据时延性指标,在保证数据实时性和准确性的基础上,即使采用不同的计算资源分配操作顺序,仍然均能够在当前计算资源分配操作顺序的情况下,使得数据时延性指标达到较高的准确性,获得一个较优的计算资源分配策略。
进一步的,如图3所示,所述确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略之后,还包括:
将已确定为第二分配策略的第一健身用户终端,作为第二健身用户终端;
根据分配周期内,第二健身用户终端的总数量,第二健身用户终端所需要处理的数据量,云雾架构系统中计算节点的数量,计算节点的数据处理速率和处理状况,以及分配周期,确定第二分配指标;
将所述第二分配指标与其对应的各个分配阈值进行比较,确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略;
具体来说,所述第二健身用户终端,为第一分配指标大于等于第一分配阈值的第一健身用户终端,即计算资源分配策略确定为使用非本地终端处理的第一用户终端;
所述第二分配指标,为云雾架构系统当前的数据处理能力的指标,即在当前分配周期内,云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量;
进一步的,如图3所示,所述确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略的方法,还包括:
(1)若某一个第二健身用户终端的第二分配指标小于第二分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第三分配策略;
(2)若某一个第二健身用户终端的第二分配指标大于等于第二分配阈值,且小于等于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第四分配策略;
(3)若某一个第二健身用户终端的第二分配指标大于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第五分配策略;
所述第二分配阈值小于所述第三分配阈值;
所述第三分配策略,为以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理;
所述第四分配策略,为以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
所述第五分配策略,为以云雾架构系统中云计算节点为主;
具体来说,所述第二分配阈值和所述第三分配阈值,是所述第二分配指标的两个划分不同分配策略的标准阈值;若第二分配指标越大,则表示云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量越多,那么,就需要更多的计算资源,比如需要云计算节点的协助,而所需要分配的周期数量增加到某一程度时,则需要直接使用云计算节点进行数据处理;反之,若第二分配指标越小,则表示云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量越少,那么,只需要更少的计算资源,比如需要雾计算节点处理,而所需要分配的周期数量减小到某一程度时,则只需要雾计算节点协助本地终端进行数据处理即可;
本申请根据第二分配指标,将第二分配策略进行了更加细致的划分,使得云雾架构系统的计算资源能够根据实际处理数据量的情况去合理分配,充分发挥了云雾架构系统中的雾计算节点和云计算节点的优势,并将两者结合互补,在不浪费计算资源的前提下,进行合理的分配,不仅节省系统能耗,提高数据处理效率,而且能够根据实际情况协调控制云雾架构系统的时延性和数据处理能力,极大地优化健身用户终端的实际体验;
进一步的,所述第二分配指标,采用数据处理能力指标表示,具体的数据处理能力指标模型,如下:
;
其中,P2为数据处理能力指标,即第二分配指标;
n为云雾架构系统中雾计算节点的总数量;
Q02为在分配周期内,某一个第二健身用户终端所需要处理的数据量;
w02为该第二健身用户终端的当前最大数据处理速率;
m为分配周期内,所有第二健身用户终端的总数量;
pk为分配周期内,第k个第二健身用户终端所需要处理的数据量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
T为分配周期;
r为云雾架构系统中第一雾计算节点的数量;
wj为第一雾计算节点中第j个雾计算节点的当前最大数据处理速率;
Qj为第一雾计算节点中第j个雾计算节点的当前已分配待处理的数据量;
所述第一雾计算节点,为当前分配周期内,数据处理能力仍有余量的雾计算节点,即当前分配周期内,云雾架构系统中wiT-Qi>0的雾计算节点;
其中,Qi为云雾架构系统中第i个雾计算节点的当前已分配待处理的数据量;
以上参数,均为同一个云雾架构系统中,同一个第二健身用户终端,在同一个分配周期内的对应数据。
具体来说,所述数据处理能力指标,表示某一个第二健身用户终端,在当前分配周期内的实时的数据处理能力指标,而在实际中,有时需要对多个第二健身用户终端进行计算资源分配操作,那么,在按照预设的计算资源分配操作顺序,逐个对第一健身用户终端进行计算资源分配操作时,比如采用如下两种方式:
(1)按照第二健身用户终端向云雾架构系统发出协助请求的顺序,逐一计算其数据处理能力指标,再确定具体分配策略;
(2)按照第二健身用户终端所需处理数据量的大小顺序,逐一计算其数据处理能力指标,再确定具体分配策略;
由于本申请的数据处理能力指标,是在同一分配周期下,同一个第二用户终端的所需要处理的数据量,而以上两种排序方式只是分配操作顺序的两种方式,所以,不影响最后数据处理能力指标的结果,只要在计算第二健身用户终端的数据处理能力指标时,采集的数据是当前实时数据,即可使得第二健身用户终端的数据处理能力指标的达到较高的准确性和实时性,进而能够使得确定的计算资源分配策略也是相对准确、实时的,即获得一个符合当前实际情况的较优的计算资源分配策略。
由于在物理位置上,云雾架构系统中的雾计算节点是离健身用户终端较近的计算节点,在分配计算资源时,数据传输也较快,所以,采用云雾架构系统处理数据的方式,若使得时延较小,最优选择是寻找就近的雾计算节点进行数据处理,因此,本申请的第二分配指标所表征的云雾架构系统数据处理能力的预测值,优先选择以云雾架构系统中雾计算节点的当前最大处理速率的均值,作为数据处理能力指标的一个基准值,同时将当前情况下,第二健身用户终端所需要处理的数据量与雾计算节点的数据处理能力纳入第二分配指标中,作为两个动态因素对第二分配指标进行修正,这样就使得确定的第二分配指标,能够实时反映当前分配周期下,云雾架构系统中雾计算节点的综合数据处理能力,所以,获得的结果不仅数据准确,而且在分配周期内更新数据时,能及时根据实际情况进行调整,这样就使得在确定计算资源分配策略时将会达到更好的实时性、准确性,使计算资源的分配更加均衡,而不浪费。
因此,本申请的数据处理能力指标,在保证数据实时性和准确性的基础上,即使采用不同的计算资源分配操作顺序,仍然能够在当前计算资源分配操作顺序的情况下,使得数据处理能力指标达到较高的准确性,获得一个较优的计算资源分配策略。
综上,由于本申请能够根据云雾架构系统覆盖范围内的健身用户终端的相关数据(比如:数量,数据处理量,处理速率等),和云雾架构系统的相关数据(比如:计算节点数量,处理速率,传输速率等),以及两者的相关数据变化,实时调整第一分配指标和第二分配指标的参数,使第一分配指标和第二分配指标均能够动态实时地根据实际情况及时更新和修正,因此,本申请能够根据实际的健身活动和健身相关数据的实时状态,高效合理地分配云雾架构中各计算节点进行数据处理,使各个计算节点的工作量均衡分配,避免计算资源的浪费,并合理平衡健身用户终端在使用中的数据时延性和数据处理能力。
实施例2
如图4所示,本实施例提供了一种基于云雾架构的健身数据处理系统,所述系统包括:
数据获取模块,用于获取第一数据和第二数据;
指标确定模块,用于根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;
策略确定模块,用于将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;
策略执行模块,用于按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配;
所述第一数据,为健身用户终端的状态数据,以及产生的待处理的健身相关数据;
所述第二数据,为云雾架构系统的状态数据;
所述云雾架构系统,为云计算和雾计算相结合的计算资源系统,包括云计算节点和雾计算节点;
所述健身用户终端,为云雾架构系统覆盖范围内接入的健身用户终端;
所述计算节点,包括本地终端、云计算节点和雾计算节点;
具体来说,所述本地终端,为以自身的计算资源进行数据处理的健身用户终端;
所述计算资源分配,为将待处理的健身相关数据分配到对应的计算节点后进行数据处理;
所述计算资源分配指标,为执行计算资源分配操作时,依据的指标;
所述计算资源分配阈值,为用于确定不同情况对应不同计算资源分配策略的基准值,与计算资源分配指标相对应;
所述计算资源分配策略,为执行计算资源分配操作时,采取的分配策略;
具体来说,所述分配策略,包括:本地终端处理,或者非本地终端处理;
所述本地终端处理,为无需云雾架构系统的协助,仅使用该健身用户终端自身的计算资源进行数据处理;
所述非本地终端处理,为需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理;
其中,所述非本地终端处理还包括:
(1)以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理
(2)以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
(3)以云雾架构系统中云计算节点为主。
本申请根据获取的第一数据(即健身用户终端的状态数据,以及产生的待处理的健身相关数据)和第二数据(即云雾架构系统的状态数据),确定所述第一数据在云雾架构系统内的计算资源分配策略,能够将实际的健身活动产生的健身相关数据与云雾架构系统的整体计算能力相互匹配,使得云雾架构系统根据实际的健身相关数据分配系统内的计算资源,避免了计算资源的浪费,实现了计算资源的均衡分配。
进一步的,如图2所示,所述获取第一数据和第二数据,包括:
在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端;
获取所述第一健身用户终端的数据处理速率和所需要处理的数据量,作为所述第一数据;
获取云雾架构系统中,计算节点的数量、计算节点与第一健身用户终端之间的数据传输速率,以及分配周期,作为所述第二数据;
所述第一健身用户终端,为在分配周期内,云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期;
具体来说,所述第一健身用户终端,为云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端,也就是说,所有的健身用户终端中,有的健身用户终端,数据量较小,则无需云雾架构系统的协助处理;有的健身用户终端,数据量较大,则需要云雾架构系统的协助处理;因此,所述第一健身用户终端,其实是以第一健身用户终端的本地处理能力,无法在当前的分配周期内处理完所需要处理的健身相关数据,所以需要请求云雾架构系统协助处理的健身用户终端,这部分健身用户终端,就是所述第一健身用户终端;
具体来说,在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端,具体筛选的方法较多,故不做具体限定,比如:将某一个具体数据处理量的作为筛选阈值,若健身终端所需处理数据量大于等于该筛选阈值,则标记为第一健身用户终端;若健身终端所需处理数据量小于该筛选阈值,则不标记为第一健身用户终端;
本申请首先在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端,这样能够将计算资源分配操作的数据量进一步减少,优化了前期的健身用户终端的识别和筛选过程;然后,将第一健身用户终端一侧的数据作为第一数据,云雾架构系统一侧的数据作为第二数据,且获取的第一数据和第二数据,均是当前分配周期内,与数据处理和数据传输相关的实时数据,这样,采用健身用户终端和云雾架构系统两方面的相关数据,为后续计算资源分配策略的确定提供了精确、实时的参考数据,且获取的第一数据和第二数据,都是必要的相关数据,进一步减少计算资源分配时数据处理的资源浪费,有效提高了执行计算资源分配操作的时间;
进一步的,如图2所示,所述根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标,还包括:
根据分配周期内,已获取的第一健身用户终端的数据处理速率,第一健身用户终端所需要处理的数据量,分配周期,云雾架构系统中计算节点的数量,以及计算节点与第一健身用户终端之间的数据传输速率,确定第一时延指标和第二时延指标;
将所述第一时延指标和第二时延指标进行比较后,确定第一分配指标;
所述第一时延指标,为在当前分配周期内,完成目前的数据处理任务,采用第一健身用户终端本地处理的时延预测值;所述第二时延指标,为在当前分配周期内,完成目前的数据处理任务,采用云雾架构系统处理的时延预测值;
所述第一分配指标,为第一时延指标和第二时延指标的比较值;
具体来说,所述第一时延指标和所述第二时延指标,均为以完成某一个第一健身用户终端所需处理的数据量为目标,经过一个分配周期的时间进行数据处理后,仍需要的处理时间,即为时延的时间;区别在于,第一时延指标,为采用第一健身用户终端本地处理的时延预测值;而第二时延指标,为采用云雾架构系统处理的时延预测值;所述第一分配指标,即第一时延指标和第二时延指标的比较值,该比较值不做具体限定,能够结合实际情况,采用数学意义上的各种比较方法获取该比较值;
进一步的,如图2所示,所述将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略,还包括:
将所述第一分配指标与其对应的第一分配阈值进行比较,确定所述第一健身用户终端在云雾架构系统内的计算资源分配策略,如下:
(1)若某一个第一健身用户终端的第一分配指标小于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第一分配策略;
(2)若某一个第一健身用户终端的第一分配指标大于等于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略;
所述第一分配阈值,为与所述第一分配指标对应的计算资源分配阈值;
所述第一分配策略,为本地终端处理,即无需云雾架构系统的协助,仅使用该第一健身用户终端自身的计算资源进行数据处理;
所述第二分配策略,为非本地终端处理,即需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理;
具体来说,由于在物理位置上,云雾架构系统中的雾计算节点是离健身用户终端较近的计算节点,在分配计算资源时,数据传输也较快,所以,采用云雾架构系统处理数据的方式,若使得时延较小,最优选择是寻找就近的雾计算节点进行数据处理,因此,本申请的第二时延指标所表征的云雾架构系统处理的时延预测值,优先选择以最近的雾计算节点进行数据处理的方式,确定第二时延指标;
本申请将采用第一健身用户终端本地处理的时延预测值,作为第一时延指标;将采用云雾架构系统处理的时延预测值,作为第二时延指标,而这两个指标表征的意义分别为:仅使用本地终端处理数据和仅使用云雾架构系统处理数据,采用这两种方式去处理完成第一健身用户终端所需要处理的数据量,除需要一个分配周期的时间外,分别还需要多少时间;然后,将这两个指标进行比较后,获得所述第一分配指标;那么,第一分配指标表征的意义在于,根据当前的第一健身用户终端所需数据处理量,结合云雾架构系统的当前实时状态,预测采用本地处理和云雾架构系统处理的这两种方式中,哪种方式更能够获得较低的时延性;同时,由于第一分配指标属于具体的量化值,这样,就使得分配策略的确定更加精确,并且由于是采用同一个分配周期内的实时数据获得的第一分配指标,所以,第一分配指标更加符合当前的实际情况,当然也会随具体情况的变化而变化,更加第一分配指标确定的分配策略自然也能够在本地处理和云雾架构系统处理这两种方式的计算资源分配之间平衡,得到一个较优的分配策略和分配方案,在现有的计算资源条件下,提高健身用户的实际体验。
进一步的,所述第一分配指标,采用数据时延性指标表示,具体的数据时延性指标模型,如下:
;
其中,P1为数据时延性指标,即第一分配指标;
Q01为在分配周期内,某一个第一健身用户终端所需要处理的数据量;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期,每个周期内的各参数的数据,均以当前周期内的实时数据为准;
w01为该第一健身用户终端的当前最大数据处理速率;
T为分配周期;
vx1为与该第一健身用户终端最近的雾计算节点从健身用户终端接收数据的传输速率;
vx2为与该第一健身用户终端最近的雾计算节点将数据返回健身用户终端的传输速率;
n为云雾架构系统中雾计算节点的总数量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
以上参数,均为同一个云雾架构系统中,同一个第一健身用户终端在同一个分配周期内的对应数据;
具体来说,所述数据时延性指标,表示某一个第一健身用户终端,在当前分配周期内的实时的数据时延性指标,而在实际中,需要对多个第一健身用户终端进行计算资源分配操作,那么,在按照预设的计算资源分配操作顺序,逐个对第一健身用户终端进行计算资源分配操作时,比如采用如下两种排序方式:
(1)按照第一健身用户终端向云雾架构系统发出协助请求的顺序,逐一计算其数据时延性指标,再确定具体分配策略;
(2)按照第一健身用户终端所需处理数据量的大小顺序,逐一计算其数据时延性指标,再确定具体分配策略;
由于本申请的数据时延性指标,是在同一分配周期下,同一个第一用户终端的所需处理的数据量,而以上两种排序方式仅是分配操作顺序的两种方式,所以,不影响最后数据时延性指标的结果,只要在计算第一健身用户终端的数据时延性指标时,采集的数据是当前实时数据,即可使得第一健身用户终端的数据时延性指标的达到较高的准确性和实时性,进而能够使得确定的计算资源分配策略也是相对准确、实时的,即获得一个符合当前实际情况的较优的计算资源分配策略;
由于本申请的数据时延性指标,是第一用户终端在两种处理方式(即本地处理方式与云雾架构系统处理方式)上延迟时间比较后获得的指标,所以,作为计算资源分配策略的划分依据,显然能够准确地表征本地处理方式与云雾架构系统处理方式在实际时延性能上的比值,进而能够对两种处理方式进行量化比较,即不仅能获得两种处理方式中,哪种的时延时间较小,或时延性能较好,而且能够获得两种处理方式在时延时间上相对地增加或者减小的具体程度,这就使得依据的数据时延性指标更加精确,那么,在确定计算资源分配策略时将会达到更好的实时性、准确性,使计算资源的分配更加均衡,而不浪费;
因此,本申请的数据时延性指标,在保证数据实时性和准确性的基础上,即使采用不同的计算资源分配操作顺序,仍然均能够在当前计算资源分配操作顺序的情况下,使得数据时延性指标达到较高的准确性,获得一个较优的计算资源分配策略。
进一步的,如图3所示,所述确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略之后,还包括:
将已确定为第二分配策略的第一健身用户终端,作为第二健身用户终端;
根据分配周期内,第二健身用户终端的总数量,第二健身用户终端所需要处理的数据量,云雾架构系统中计算节点的数量,计算节点的数据处理速率和处理状况,以及分配周期,确定第二分配指标;
将所述第二分配指标与其对应的各个分配阈值进行比较,确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略;
具体来说,所述第二健身用户终端,为第一分配指标大于等于第一分配阈值的第一健身用户终端,即计算资源分配策略确定为使用非本地终端处理的第一用户终端;
所述第二分配指标,为云雾架构系统当前的数据处理能力的指标,即在当前分配周期内,云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量;
进一步的,如图3所示,所述确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略的方法,还包括:
(1)若某一个第二健身用户终端的第二分配指标小于第二分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第三分配策略;
(2)若某一个第二健身用户终端的第二分配指标大于等于第二分配阈值,且小于等于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第四分配策略;
(3)若某一个第二健身用户终端的第二分配指标大于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第五分配策略;
所述第二分配阈值小于所述第三分配阈值;
所述第三分配策略,为以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理;
所述第四分配策略,为以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
所述第五分配策略,为以云雾架构系统中云计算节点为主;
具体来说,所述第二分配阈值和所述第三分配阈值,是所述第二分配指标的两个划分不同分配策略的标准阈值;若第二分配指标越大,则表示云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量越多,那么,就需要更多的计算资源,比如需要云计算节点的协助,而所需要分配的周期数量增加到某一程度时,则需要直接使用云计算节点进行数据处理;反之,若第二分配指标越小,则表示云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量越少,那么,只需要更少的计算资源,比如需要雾计算节点处理,而所需要分配的周期数量减小到某一程度时,则只需要雾计算节点协助本地终端进行数据处理即可;
本申请根据第二分配指标,将第二分配策略进行了更加细致的划分,使得云雾架构系统的计算资源能够根据实际处理数据量的情况去合理分配,充分发挥了云雾架构系统中的雾计算节点和云计算节点的优势,并将两者结合互补,在不浪费计算资源的前提下,进行合理的分配,不仅节省系统能耗,提高数据处理效率,而且能够根据实际情况协调控制云雾架构系统的时延性和数据处理能力,极大地优化健身用户终端的实际体验;
进一步的,所述第二分配指标,采用数据处理能力指标表示,具体的数据处理能力指标模型,如下:
;
其中,P2为数据处理能力指标,即第二分配指标;
n为云雾架构系统中雾计算节点的总数量;
Q02为在分配周期内,某一个第二健身用户终端所需要处理的数据量;
w02为该第二健身用户终端的当前最大数据处理速率;
m为分配周期内,所有第二健身用户终端的总数量;
pk为分配周期内,第k个第二健身用户终端所需要处理的数据量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
T为分配周期;
r为云雾架构系统中第一雾计算节点的数量;
wj为第一雾计算节点中第j个雾计算节点的当前最大数据处理速率;
Qj为第一雾计算节点中第j个雾计算节点的当前已分配待处理的数据量;
所述第一雾计算节点,为当前分配周期内,数据处理能力仍有余量的雾计算节点,即当前分配周期内,云雾架构系统中wiT-Qi>0的雾计算节点;
其中,Qi为云雾架构系统中第i个雾计算节点的当前已分配待处理的数据量;
以上参数,均为同一个云雾架构系统中,同一个第二健身用户终端,在同一个分配周期内的对应数据。
具体来说,所述数据处理能力指标,表示某一个第二健身用户终端,在当前分配周期内的实时的数据处理能力指标,而在实际中,有时需要对多个第二健身用户终端进行计算资源分配操作,那么,在按照预设的计算资源分配操作顺序,逐个对第一健身用户终端进行计算资源分配操作时,比如采用如下两种方式:
(1)按照第二健身用户终端向云雾架构系统发出协助请求的顺序,逐一计算其数据处理能力指标,再确定具体分配策略;
(2)按照第二健身用户终端所需处理数据量的大小顺序,逐一计算其数据处理能力指标,再确定具体分配策略;
由于本申请的数据处理能力指标,是在同一分配周期下,同一个第二用户终端的所需要处理的数据量,而以上两种排序方式只是分配操作顺序的两种方式,所以,不影响最后数据处理能力指标的结果,只要在计算第二健身用户终端的数据处理能力指标时,采集的数据是当前实时数据,即可使得第二健身用户终端的数据处理能力指标的达到较高的准确性和实时性,进而能够使得确定的计算资源分配策略也是相对准确、实时的,即获得一个符合当前实际情况的较优的计算资源分配策略。
由于在物理位置上,云雾架构系统中的雾计算节点是离健身用户终端较近的计算节点,在分配计算资源时,数据传输也较快,所以,采用云雾架构系统处理数据的方式,若使得时延较小,最优选择是寻找就近的雾计算节点进行数据处理,因此,本申请的第二分配指标所表征的云雾架构系统数据处理能力的预测值,优先选择以云雾架构系统中雾计算节点的当前最大处理速率的均值,作为数据处理能力指标的一个基准值,同时将当前情况下,第二健身用户终端所需要处理的数据量与雾计算节点的数据处理能力纳入第二分配指标中,作为两个动态因素对第二分配指标进行修正,这样就使得确定的第二分配指标,能够实时反映当前分配周期下,云雾架构系统中雾计算节点的综合数据处理能力,所以,获得的结果不仅数据准确,而且在分配周期内更新数据时,能及时根据实际情况进行调整,这样就使得在确定计算资源分配策略时将会达到更好的实时性、准确性,使计算资源的分配更加均衡,而不浪费。
因此,本申请的数据处理能力指标,在保证数据实时性和准确性的基础上,即使采用不同的计算资源分配操作顺序,仍然能够在当前计算资源分配操作顺序的情况下,使得数据处理能力指标达到较高的准确性,获得一个较优的计算资源分配策略。
综上,由于本申请能够根据云雾架构系统覆盖范围内的健身用户终端的相关数据(比如:数量,数据处理量,处理速率等),和云雾架构系统的相关数据(比如:计算节点数量,处理速率,传输速率等),以及两者的相关数据变化,实时调整第一分配指标和第二分配指标的参数,使第一分配指标和第二分配指标均能够动态实时地根据实际情况及时更新和修正,因此,本申请能够根据实际的健身活动和健身相关数据的实时状态,高效合理地分配云雾架构中各计算节点进行数据处理,使各个计算节点的工作量均衡分配,避免计算资源的浪费,并合理平衡健身用户终端在使用中的数据时延性和数据处理能力。
实施例3
如图5所示,本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的方法。
实施例
如图6所示,本实施例提供了一种计算机装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序时,实现如第一方面所述的方法。
综上所述,本申请根据获取的第一数据(即健身用户终端的状态数据,以及产生的待处理的健身相关数据)和第二数据(即云雾架构系统的状态数据),确定所述第一数据在云雾架构系统内的计算资源分配策略,能够将实际的健身活动产生的健身相关数据与云雾架构系统的整体计算能力相互匹配,使得云雾架构系统根据实际的健身相关数据分配系统内的计算资源,避免了计算资源的浪费,实现了计算资源的均衡分配。
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,上述描述的系统、介质、装置、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个模块或单元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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的,作为模块或单元显示的部件可以是或者也可以不是物理模块或单元,即可以位于一个地方,或者也可以分布到多个网络模块或单元上。可以根据实际的需要选择其中的部分或者全部模块或单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块或单元可以集成在一个处理模块或单元中,也可以是各个模块或单元单独物理存在,也可以两个或两个以上模块或单元集成在一个模块或单元中。上述集成的模块或单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的系统、模块、单元等,如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于云雾架构的健身数据处理方法,其特征在于,所述方法包括:
获取第一数据和第二数据;
根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;
将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;
按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配;
所述第一数据,为健身用户终端的状态数据,以及产生的待处理的健身相关数据;
所述第二数据,为云雾架构系统的状态数据;
所述云雾架构系统,为云计算和雾计算相结合的计算资源系统,包括云计算节点和雾计算节点;
所述健身用户终端,为云雾架构系统覆盖范围内接入的健身用户终端;
所述计算节点,包括本地终端、云计算节点和雾计算节点;
所述计算资源分配,为将待处理的健身相关数据分配到对应的计算节点后进行数据处理;
所述计算资源分配指标,为执行计算资源分配操作时,依据的指标;
所述计算资源分配阈值,为用于确定不同情况对应不同计算资源分配策略的基准值,与计算资源分配指标相对应;
所述计算资源分配策略,为执行计算资源分配操作时,采取的分配策略。
2.根据权利要求1所述的基于云雾架构的健身数据处理方法,其特征在于,所述获取第一数据和第二数据,包括:
在云雾架构系统覆盖范围内的所有健身用户终端中,通过健身用户终端所需处理数据量的大小,筛选出第一健身用户终端;
获取所述第一健身用户终端的数据处理速率和所需要处理的数据量,作为所述第一数据;
获取云雾架构系统中,计算节点的数量、计算节点与第一健身用户终端之间的数据传输速率,以及分配周期,作为所述第二数据;
所述第一健身用户终端,为在分配周期内,云雾架构系统覆盖范围内的所有健身用户终端中,需要请求云雾架构系统协助处理的健身用户终端;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期。
3.根据权利要求2所述的基于云雾架构的健身数据处理方法,其特征在于,所述根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标,还包括:
根据分配周期内,已获取的第一健身用户终端的数据处理速率,第一健身用户终端所需要处理的数据量,分配周期,云雾架构系统中计算节点的数量,以及计算节点与第一健身用户终端之间的数据传输速率,确定第一时延指标和第二时延指标;
将所述第一时延指标和第二时延指标进行比较后,确定第一分配指标;
所述第一时延指标,为在当前分配周期内,完成目前的数据处理任务,采用第一健身用户终端本地处理的时延预测值;所述第二时延指标,为在当前分配周期内,完成目前的数据处理任务,采用云雾架构系统处理的时延预测值;
所述第一分配指标,为第一时延指标和第二时延指标的比较值。
4.根据权利要求3所述的基于云雾架构的健身数据处理方法,其特征在于,所述将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略,还包括:
将所述第一分配指标与其对应的第一分配阈值进行比较,确定所述第一健身用户终端在云雾架构系统内的计算资源分配策略,如下:
(1)若某一个第一健身用户终端的第一分配指标小于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第一分配策略;
(2)若某一个第一健身用户终端的第一分配指标大于等于第一分配阈值,则确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略;
所述第一分配阈值,为与所述第一分配指标对应的计算资源分配阈值;
所述第一分配策略,为本地终端处理,即无需云雾架构系统的协助,仅使用该第一健身用户终端自身的计算资源进行数据处理;
所述第二分配策略,为非本地终端处理,即需要云雾架构系统的协助,使用本地终端和云雾架构系统内的计算节点共同进行数据处理。
5.根据权利要求3所述的基于云雾架构的健身数据处理方法,其特征在于,所述第一分配指标,采用数据时延性指标表示,具体的数据时延性指标模型,如下:
;
其中,P1为数据时延性指标,即第一分配指标;
Q01为在分配周期内,某一个第一健身用户终端所需要处理的数据量;
所述分配周期,为云雾架构系统中执行计算资源分配操作的时间周期,每个周期内的各参数的数据,均以当前周期内的实时数据为准;
w01为该第一健身用户终端的当前最大数据处理速率;
T为分配周期;
vx1为与该第一健身用户终端最近的雾计算节点从健身用户终端接收数据的传输速率;
vx2为与该第一健身用户终端最近的雾计算节点将数据返回健身用户终端的传输速率;
n为云雾架构系统中雾计算节点的总数量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
以上参数,均为同一个云雾架构系统中,同一个第一健身用户终端在同一个分配周期内的对应数据。
6.根据权利要求4所述的基于云雾架构的健身数据处理方法,其特征在于,所述确定该第一健身用户终端在云雾架构系统内的计算资源分配策略为:第二分配策略之后,还包括:
将已确定为第二分配策略的第一健身用户终端,作为第二健身用户终端;
根据分配周期内,第二健身用户终端的总数量,第二健身用户终端所需要处理的数据量,云雾架构系统中计算节点的数量,计算节点的数据处理速率和处理状况,以及分配周期,确定第二分配指标;
将所述第二分配指标与其对应的各个分配阈值进行比较,确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略;
所述第二分配指标,为云雾架构系统当前的数据处理能力的指标,即在当前分配周期内,云雾架构系统以当前的计算能力,完成某一个第二健身用户终端所需要处理的数据量时,所需要的分配周期数量。
7.根据权利要求6所述的基于云雾架构的健身数据处理方法,其特征在于,所述确定所述第二健身用户终端的在云雾架构系统内的计算资源分配策略的方法,还包括:
(1)若某一个第二健身用户终端的第二分配指标小于第二分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第三分配策略;
(2)若某一个第二健身用户终端的第二分配指标大于等于第二分配阈值,且小于等于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第四分配策略;
(3)若某一个第二健身用户终端的第二分配指标大于第三分配阈值,则确定该第二健身用户终端在云雾架构系统内的计算资源分配策略为:第五分配策略;
所述第二分配阈值小于所述第三分配阈值;
所述第三分配策略,为以本地终端处理为主,根据实际所需数据处理量,优先使用云雾架构系统中雾计算节点进行协助处理;
所述第四分配策略,为以云雾架构系统中雾计算节点为主,根据实际所需数据处理量优先使用云计算节点进行协助处理;
所述第五分配策略,为以云雾架构系统中云计算节点为主。
8.根据权利要求6所述的基于云雾架构的健身数据处理方法,其特征在于,所述第二分配指标,采用数据处理能力指标表示,具体的数据处理能力指标模型,如下:
;
其中,P2为数据处理能力指标,即第二分配指标;
n为云雾架构系统中雾计算节点的总数量;
Q02为在分配周期内,某一个第二健身用户终端所需要处理的数据量;
w02为该第二健身用户终端的当前最大数据处理速率;
m为分配周期内,所有第二健身用户终端的总数量;
pk为分配周期内,第k个第二健身用户终端所需要处理的数据量;
wi为云雾架构系统中第i个雾计算节点的当前最大数据处理速率;
T为分配周期;
r为云雾架构系统中第一雾计算节点的数量;
wj为第一雾计算节点中第j个雾计算节点的当前最大数据处理速率;
Qj为第一雾计算节点中第j个雾计算节点的当前已分配待处理的数据量;
所述第一雾计算节点,为当前分配周期内,数据处理能力仍有余量的雾计算节点,即当前分配周期内,云雾架构系统中wiT-Qi>0的雾计算节点;
其中,Qi为云雾架构系统中第i个雾计算节点的当前已分配待处理的数据量;
以上参数,均为同一个云雾架构系统中,同一个第二健身用户终端,在同一个分配周期内的对应数据。
9.一种基于云雾架构的健身数据处理系统,其特征在于,所述系统包括:
数据获取模块,用于获取第一数据和第二数据;
指标确定模块,用于根据获取的所述第一数据和所述第二数据,确定健身用户终端的计算资源分配指标;
策略确定模块,用于将已确定的计算资源分配指标,与对应的计算资源分配阈值比较后,确定所述健身用户终端在云雾架构系统内的计算资源分配策略;
策略执行模块,用于按照已确定的不同的计算资源分配策略,将相关数据传输至对应的计算节点,进行计算资源分配;
所述第一数据,为健身用户终端的状态数据,以及产生的待处理的健身相关数据;
所述第二数据,为云雾架构系统的状态数据;
所述云雾架构系统,为云计算和雾计算相结合的计算资源系统,包括云计算节点和雾计算节点;
所述健身用户终端,为云雾架构系统覆盖范围内接入的健身用户终端;
所述计算节点,包括本地终端、云计算节点和雾计算节点;
所述计算资源分配,为将待处理的健身相关数据分配到对应的计算节点后进行数据处理;
所述计算资源分配指标,为执行计算资源分配操作时,依据的指标;
所述计算资源分配阈值,为用于确定不同情况对应不同计算资源分配策略的基准值,与计算资源分配指标相对应;
所述计算资源分配策略,为执行计算资源分配操作时,采取的分配策略。
10.一种计算机装置,其特征在于,所述装置包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序时,实现如权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273453.0A CN115981876B (zh) | 2023-03-21 | 2023-03-21 | 一种基于云雾架构的健身数据处理方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273453.0A CN115981876B (zh) | 2023-03-21 | 2023-03-21 | 一种基于云雾架构的健身数据处理方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115981876A true CN115981876A (zh) | 2023-04-18 |
CN115981876B CN115981876B (zh) | 2023-06-16 |
Family
ID=85965259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310273453.0A Active CN115981876B (zh) | 2023-03-21 | 2023-03-21 | 一种基于云雾架构的健身数据处理方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115981876B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600355A (zh) * | 2018-04-13 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种雾计算负载均衡调度系统及方法 |
US20190310892A1 (en) * | 2018-04-04 | 2019-10-10 | Micron Technology, Inc. | Determination of Workload Distribution across Processors in a Memory System |
CN110730138A (zh) * | 2019-10-21 | 2020-01-24 | 中国科学院空间应用工程与技术中心 | 天基云雾计算架构的动态资源配置方法、系统和存储介质 |
CN111199316A (zh) * | 2019-12-31 | 2020-05-26 | 中国电力科学研究院有限公司 | 一种基于执行时间评估的云雾协同计算电网调度方法 |
CN112163734A (zh) * | 2020-08-28 | 2021-01-01 | 中国南方电网有限责任公司 | 基于云平台整定计算资源动态调度方法及装置 |
CN113014649A (zh) * | 2021-02-26 | 2021-06-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的云物联负载均衡方法、装置及设备 |
CN115794407A (zh) * | 2022-12-15 | 2023-03-14 | 中国电信股份有限公司 | 计算资源分配方法、装置、电子设备及非易失性存储介质 |
-
2023
- 2023-03-21 CN CN202310273453.0A patent/CN115981876B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190310892A1 (en) * | 2018-04-04 | 2019-10-10 | Micron Technology, Inc. | Determination of Workload Distribution across Processors in a Memory System |
CN108600355A (zh) * | 2018-04-13 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种雾计算负载均衡调度系统及方法 |
CN110730138A (zh) * | 2019-10-21 | 2020-01-24 | 中国科学院空间应用工程与技术中心 | 天基云雾计算架构的动态资源配置方法、系统和存储介质 |
CN111199316A (zh) * | 2019-12-31 | 2020-05-26 | 中国电力科学研究院有限公司 | 一种基于执行时间评估的云雾协同计算电网调度方法 |
CN112163734A (zh) * | 2020-08-28 | 2021-01-01 | 中国南方电网有限责任公司 | 基于云平台整定计算资源动态调度方法及装置 |
CN113014649A (zh) * | 2021-02-26 | 2021-06-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的云物联负载均衡方法、装置及设备 |
CN115794407A (zh) * | 2022-12-15 | 2023-03-14 | 中国电信股份有限公司 | 计算资源分配方法、装置、电子设备及非易失性存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115981876B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208915A1 (zh) | 算力共享方法及相关设备 | |
CN108776612A (zh) | 一种云计算任务分配方法、装置、设备及存储介质 | |
CN111641973B (zh) | 一种雾计算网络中基于雾节点协作的负载均衡方法 | |
CN104901989B (zh) | 一种现场服务提供系统及方法 | |
CN111182637A (zh) | 一种基于生成对抗强化学习的无线网络资源分配方法 | |
CN109819032B (zh) | 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 | |
CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
CN112261120B (zh) | 一种配电物联网云边协同任务卸载方法及装置 | |
CN105607952B (zh) | 一种虚拟化资源的调度方法及装置 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN112162863B (zh) | 一种边缘卸载决策方法、终端及可读存储介质 | |
CN113159190B (zh) | 联邦激励分配方法、装置、计算机设备及存储介质 | |
Wang et al. | Reputation-enabled federated learning model aggregation in mobile platforms | |
CN113407249A (zh) | 一种面向位置隐私保护的任务卸载方法 | |
CN114327811A (zh) | 一种任务调度方法、装置、设备及可读存储介质 | |
KR20230035024A (ko) | 클라우드 무선 접속 네트워크의 동적 리소스를 할당하는 장치 및 방법 | |
CN110167031B (zh) | 一种面向集中式基站的资源分配方法、设备及存储介质 | |
CN112465371B (zh) | 一种资源数据分配方法、装置及设备 | |
CN112445617A (zh) | 一种基于移动边缘计算的负载策略选择方法及系统 | |
CN115981876A (zh) | 一种基于云雾架构的健身数据处理方法、系统及装置 | |
CN115665869A (zh) | 基于边缘计算和有向无环图的多用户协作平台及其方法 | |
Han et al. | Opportunistic coded distributed computing: An evolutionary game approach | |
CN116775237A (zh) | 任务调度方法、装置、网络设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |