CN116016221A - 业务处理方法、装置及存储介质 - Google Patents
业务处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116016221A CN116016221A CN202310015443.7A CN202310015443A CN116016221A CN 116016221 A CN116016221 A CN 116016221A CN 202310015443 A CN202310015443 A CN 202310015443A CN 116016221 A CN116016221 A CN 116016221A
- Authority
- CN
- China
- Prior art keywords
- computing
- target
- resource
- computing power
- network
- 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
- 238000003672 processing method Methods 0.000 title abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims description 133
- 238000013461 design Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 15
- 238000007726 management method Methods 0.000 description 55
- 238000010586 diagram Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002071 nanotube Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- Power Sources (AREA)
Abstract
本申请提供一种业务处理方法、装置及存储介质，其中，方法包括：获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源；对所述目标算力资源和目标网络资源进行故障预测；若故障预测结果为有故障，则重新为所述用户端分配与所述算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止；若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务。本申请的方法，解决了现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
Description
技术领域
本申请涉及云计算技术领域，尤其涉及一种业务处理方法、装置及存储介质。
背景技术
为了解决算力资源的供需矛盾，提高算力资源的分配均衡性，现有技术中，采用如图1所示的算力网络编排架构对网络基础设施、边缘/核心计算节点基础设施(例如数据中心(Data Center，DC)和多接入边缘计算(Multi-Access Edge Computing，MEC)节点进行算网协同和调度，以将用户需求动态路由到不同距离的计算节点上执行计算任务，有效保障用户的算力需求，提高算力资源和网络资源的利用率，提高用户体验。算力资源和网络资源也称为算网资源。
如图1所示，现有的算网协同和调度方法为：算力网络交易平台11预先从边缘计算节点12、核心云计算节点13等计算节点，获取各计算节点的算力资源信息和网络资源信息。算力网络交易平台11基于用户端10发送的算力请求，分配相应的算网资源并建立网络连接，以使得所分配的算力资源执行算力请求对应的计算任务，并将计算结果返回给用户端10。若算力资源执行算力请求对应的计算任务过程中，发生故障，如发生业务流量拥堵或受到网络攻击，则算力资源对应的计算节点向算力网络交易平台11发送故障消息。算力网络交易平台11基于故障消息，为算力请求重新分配算网资源并重新建立网络连接。
现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
发明内容
本申请提供一种业务处理方法、装置及存储介质，以解决现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
第一方面，本申请提供一种业务处理方法，包括：
获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源；
对所述目标算力资源和目标网络资源进行故障预测；
若故障预测结果为有故障，则重新为所述用户端分配与所述算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止；
若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务。
可选的，所述对所述目标算力资源和目标网络资源进行故障预测，包括：
基于所述算力请求，确定所述目标算力资源和目标网络资源的工作时间段；
对所确定的工作时间段内所述目标算力资源的利用率和所述目标网络资源的业务流量的变化趋势分别进行模型预测，得到算力故障预测结果和网络故障预测结果。
可选的，在所述对所确定的工作时间段内所述目标算力资源的利用率和所述目标网络资源的业务流量的变化趋势分别进行模型预测，得到算力故障预测结果和网络故障预测结果之后，所述方法还包括：
若算力故障预测结果为所述目标算力资源在所述工作时间段内有故障，则对所述目标算力资源进行扩容处理，得到扩容的目标算力资源；
对所述扩容的目标算力资源进行模型预测，若得到的算力故障预测结果为所述扩容的目标算力资源在所述工作时间段内无故障，则将所述扩容的目标算力资源用于所述算力请求的计算任务的执行；
若网络故障预测结果为所述目标网络资源在所述工作时间段内有故障，则对所述目标网络资源进行网络攻击防护处理，得到防护的目标网络资源；
对所述防护的目标网络资源进行模型预测，若得到的网络故障预测结果为所述防护的目标网络资源在所述工作时间段内无故障，则将所述防护的目标网络资源用于所述算力请求的计算任务的执行。
可选的，所述目标算力资源由至少一个算力节点的算力资源组成；
所述若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务，包括：
对所述算力请求的计算任务进行算力解构，得到多个子任务；
将所述多个子任务发送到所述无故障预测结果对应的目标算力资源和目标网络资源所关联的算网资源管理平台，以使得所述目标算力资源和所述目标网络资源执行所述多个子任务。
可选的，在所述若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务之后，所述方法还包括：
将所述计算任务的执行结果，发送到所述用户端。
可选的，所述执行结果包括表征已成功执行所述计算任务的执行确认信息和计费结果；
所述将所述计算任务的执行结果，发送到所述用户端，包括：
将所述计算任务的执行确认信息和计费结果，发送到所述用户端。
可选的，所述算力请求包括算力应用的应用类型、算力容量和网络性能要求；
在所述获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源之前，所述方法还包括：
从预设模板库的多个业务模板中，确定与所述算力请求的应用类型对应的多个业务模板为备用业务模板；所述业务模板包含算力资源标识、算力容量、网络资源标识、网络性能信息；
从所述多个备用业务模板中，确定与所述算力容量和网络性能要求对应的备用业务模板为目标业务模板；
按目标业务模板中的算力资源标识和网络资源标识，为所述用户端分配目标算力资源和目标网络资源。
第二方面，本申请提供一种业务处理平台，所述业务处理平台包括：
采集和感知模块、智能引擎模块、算网服务设计模块、算网资源控制模块；
所述采集和感知模块，用于获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源；
所述智能引擎模块，用于对所述目标算力资源和目标网络资源进行故障预测；
所述算网服务设计模块，用于若故障预测结果为有故障，则重新为所述用户端分配与所述算力请求对应的目标算力资源和目标网络资源，直到所述智能引擎模块对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止；
所述算网资源控制模块，用于若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务。
第三方面，本申请提供一种业务处理装置，所述装置包括：
处理器和存储器；
所述存储器存储所述处理器可执行的可执行指令；
其中，所述处理器执行所述存储器存储的可执行指令，使得所述处理器执行如上所述的方法。
第四方面，本申请提供一种存储介质，所述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上所述的方法。
本申请提供的业务处理方法、装置及存储介质，通过在目标算力资源和目标网络资源执行用户端的算力请求对应的计算任务之前，对目标算力资源和目标网络资源进行故障预测，采用故障预测结果为无故障的目标算力资源和目标网络资源执行算力请求对应的计算任务，避免目标算力资源和目标网络资源在执行计算任务过程中发生故障，进而避免了计算任务执行失败耗时，以及计算任务执行失败后算网资源的重新分配和网络连接耗时，造成的计算任务的执行延时。本申请解决了现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为现有的算网协同和调度系统架构图；
图2为本申请实施例提供的算网调度系统架构图；
图3为本申请实施例提供的业务处理方法的流程图；
图4为本申请实施例提供的业务处理平台结构图；
图5为本申请实施例提供的业务处理装置结构图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、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，所描述的实施例是本发明一部分实施例，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，都属于本申请保护的范围。
随着经济社会向数字化、智能化转型，需要计算处理的业务场景越来越丰富，涌现出不同类型的算力需求，为了满足这些差异化的需求，算力形态呈现多样化，包括基础算力、并发型算力及智能算力。因电力供应，气候环境，经济发展差异，造成东西部算力需求和算力供给不均衡，造成算力资源利用率不均衡，算力供需之间的矛盾对算力资源的灵活调度提出了需求。要实现算力资源的灵活调度，需要将算力资源与网络资源协同。算力资源和网络资源也称为算网资源。
为了解决算力的供需矛盾，提高算力分配均衡性，现有技术中，采用如图1所示的算力网络编排架构对算力资源和网络资源进行协同和调度，以将用户的算力需求动态路由到不同距离的计算节点上执行计算任务，有效保障用户的算力需求，提高算力资源和网络资源的利用率，提高用户体验。网络资源包括网络基础设施。算力资源例如边缘/核心计算节点基础设施(例如数据中心(Data Center，DC)、多接入边缘计算(Multi-Access EdgeComputing，MEC)等计算节点。
如图1所示，现有的算网协同和调度方法为：算力网络交易平台11预先从边缘计算节点12、核心云计算节点13等计算节点，获取各计算节点的算力资源信息和网络资源信息。算力网络交易平台11基于用户端10发送的算力请求，分配相应的算力资源和网络资源并建立网络连接，以使得所分配的算力资源执行算力请求对应的计算任务，并将计算结果返回给用户端10。若算力资源执行算力请求对应的计算任务过程中，发生故障，如发生业务流量拥堵或受到网络攻击，则算力资源对应的计算节点向算力网络交易平台11发送故障消息。算力网络交易平台11基于故障消息，为算力请求重新分配算网资源并重新建立网络连接以执行计算任务。
现有的算网协同和调度方法无法对算网资源的故障进行提前预警，导致算网资源在执行计算任务过程中发生故障，故障后的算力资源和网络资源的重新分配以及网络连接造成计算任务的延时较长，因此，现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
对此，本申请提供一种业务处理方法，通过获取用户端发送的算力请求，以及为用户端分配的与算力请求对应的目标算力资源和目标网络资源；对目标算力资源和目标网络资源进行故障预测；若故障预测结果为有故障，则重新为用户端分配与算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止；若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务。本申请提供的业务处理方法，在目标算力资源和目标网络资源执行用户端的算力请求对应的计算任务之前，对目标算力资源和目标网络资源进行故障预测，采用故障预测结果为无故障的目标算力资源和目标网络资源执行算力请求对应的计算任务，避免目标算力资源和目标网络资源在执行计算任务过程中发生故障，进而避免了计算任务执行失败耗时，以及计算任务执行失败后算网资源的重新分配和网络连接耗时，造成的计算任务的执行延时。本申请提供的业务处理方法解决了现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
下面结合部分实施例对本申请提供的业务处理方法进行说明。
图2为本申请实施例提供的算网调度系统架构图。如图2所示，业务处理平台21获取用户端10发送的算力请求，以及为用户端10分配的与算力请求对应的目标算力资源和目标网络资源后，业务处理平台21对目标算力资源和目标网络资源进行故障预测。若故障预测结果为有故障，则业务处理平台21重新为用户端10分配与算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止。若故障预测结果为无故障，则业务处理平台21采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务。算力请求可以包括算力应用的应用类型、算力类型、算力容量、算力位置、网络性能要求、算力资费预算信息中的至少一项。其中，应用类型例如支撑服务链、AI模型训练、云游戏、业务访问加速、容灾保护、图像渲染等。
在业务处理平台21获取用户端10发送的算力请求，以及为用户端10分配的与算力请求对应的目标算力资源和目标网络资源之前，业务处理平台21可以按如下步骤I-II所示方式获取可用的算力资源信息和网络资源信息，并基于用户端10发送的算力请求和其所获取的可用的算力资源信息和网络资源信息，确定目标算力资源和目标网络资源并分配给用户端10。
步骤I、业务处理平台21从边缘云算网资源管理平台22获取其下辖的一个或多个边缘计算节点12的算力资源信息和网络资源信息，从中心云算网资源管理平台23获取其下辖的一个或多个核心云计算节点13的算力资源信息和网络资源信息，从终端算网资源管理平台24获取其下辖的一个或多个终端计算节点25的终端的算力资源信息和网络资源信息。
其中，算力资源信息包括但不限于算力资源的数量、状态、利用率。网络资源信息包括但不限于网络节点之间的网络拓扑信息、网络时延信息、网络性能信息等。网络性能信息如当前、当天的时延、丢包、抖动、流量信息、网络接入设备端口状态、网络接入设备端口带宽利用率等。
示例性地，算力资源信息可以包括如下a～h所示的信息：
a、算力标识(或算力类型的标识)。面向不同应用类型或业务场景的异构算力类型，包括:
通用计算处理单元:比如中央处理单元(CPU)，CPU可以是x86架构的CPU，也可以是ARM架构的CPU；
高性能计算处理单元:比如图形处理单元(GPU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、神经网络处理单元(NPU)、张量处理单元(TPU)、数据处理单元(DPU)、智能处理单元(IPU)等；
存储单元：如固态硬盘(SSD硬盘)、存储类内存SCM等；
算力资源池内网络：如InfiniBand网络、RoCE网络等。
b、算力容量(或算力度量)。算力容量衡量算力容量的指标。算力容量按照不同的业务场景或应用类型，存在如下不同的算力量纲的算力容量：
通用计算能力容量：比如开放式可插拔规范(OPS)每秒运算次数，单字长定点指令平均执行速度(MIPS)每秒处理的百万级的指令数等；
高性能计算能力容量:比如每秒浮点运算次数(FLOPS)等；
存储容量：比如存储每秒读写次数，如每秒进行读写操作的次数(IOPS)；每秒查询次数，如每秒查询率(QPS)等；
网络带宽容量：比如10Gbps、100Gbps等。
c、算力状态：例如计算处理单元、内存、存储空间、云内网络等各种算力资源的状态。算力状态包括正常、故障、占用、空闲等状态信息。
d、算力资源负荷：每个算力资源池的算力资源(计算处理单元、内存、存储、网络)利用率或者占用情况(比如GPU板卡在用数/总数)，每个算力资源池的可用算力容量。
可选地，a-d项信息的采集频度一般较高，例如边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24可以每隔15分钟向业务处理平台21通告一次算力节点的资源利用率信息，或者资源利用率超过设定阈值即时通告。
e、算力位置：算力节点或算力资源池以及应用类型软件即服务(SAAS)/增值服务(VAS)的地理化分布和地图信息。业务处理平台21通过算力位置的采集或感知，以便实现对算力位置的直观呈现。
f、算力资费。不同算力节点/算力资源池的算力使用资费可能不同，例如经济发达电力紧缺地区资费较高，经济欠发达电力制冷成本低地区资费较低。
g、算力节点能耗效率：例如算力节点的电能利用效率(PUE)、算力所在的数据中心算效(CE)等。
h、算力资源的应用场景或业务场景(也称为算力应用)。算力应用可以包括如下h1-h5所示内容：
h1、应用类型：面向不同业务应用场景的不同SAAS应用的算力类型。例如：科学计算(如超算中心)、人工智能(AI)、图像处理(如图像渲染、图像压缩)、安全应用(如WAF、IPS、DPI等)、业务访问加速等能力。AI如算法优化、模型训练，人脸识别、活体检测等。
h2、应用标识ID：对应用的调用属于任务式服务调用，运营商可以对不同的SAAS/VAS应用进行统一规划编号，为SAAS/VAS应用分配ID标识，便于算网大脑识别和调度。
h3、应用工作状态，包括正常或故障、应用上线或下线状态。
h4、应用部署位置，例如算网大脑保存SAAS/VAS应用与IAAS算力资源池的对应关系。
h5、应用资费，例如不同算力应用对应的资费。
示例性地，h2、h3项信息采集频度一般较高，例如边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24可以每隔15分钟向业务处理平台21通告一次应用工作状态；或，边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24在应用故障即时通告业务处理平台21。
示例性地，网络资源信息可以包括如下A～C所示的信息：
A、全量同步的网元信息，包括网络设备标识(如ID)、网络设备名称、网络设备IP地址、链路信息、链路性能指标等基础数据。通常，网络控制器会定期(比如每天)采集基础数据入库，业务处理平台21通过文件传输协议(FTP)方式即可从网络控制器或算网资源管理平台获取网络控制器采集的基础数据。算网资源管理平台例如图2所示的边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24。网络控制器例如图2所示的边缘网络控制器221、核心网络控制器231、终端网络控制器241。
B、网络性能指标，例如时延、丢包、抖动、流量、网络设备端口带宽利用率等。业务处理平台21可通过网络控制器或算网资源管理平台提供的应用程序接口(API接口)获取算力资源对应的网络性能指标。例如，业务处理平台21采用算力节点模型，实时地从网络控制器或算网资源管理平台提供的API接口获取算力资源对应的网络性能指标。
C、电路状态。业务处理平台21可以通过API接口从网络控制器或算网资源管理平台查询获取表征电路是否正常，是否发生电路倒换，是否发生故障的电路状态信息，以实现对故障电路的定界定位。
通常，边缘云算网资源管理平台22包含边缘网络控制器221和边缘算力管理设备222。边缘网络控制器221用于对其下辖的边缘计算节点12的网络资源进行信息采集和网络资源编排管理，边缘算力管理设备222用于对其下辖的边缘计算节点12的算力资源进行信息采集和算力资源编排管理。
类似地，中心云算网资源管理平台23包括核心网络控制器231和核心算力管理设备232。核心网络控制器231用于对其下辖的核心云计算节点13的网络资源进行信息采集和网络资源编排管理，核心算力管理设备232用于对其下辖的核心云计算节点13的算力资源进行信息采集和算力资源编排管理。
类似地，终端算网资源管理平台24包括终端网络控制器241和终端算力管理设备242。终端网络控制器241用于对其下辖的终端计算节点25的网络资源进行信息采集和网络资源编排管理，终端算力管理设备242用于对其下辖的终端计算节点25的算力资源进行信息采集和算力资源编排管理。
在本申请中，中心云算力节点也称为核心云计算节点。边缘云算力节点也称为边缘计算节点。算力节点也称为计算节点。
可选地，业务处理平台21可以基于所对接的边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24下辖的算力节点，进行算力节点建模，得到算力节点模型。通过该算力节点模型，快速地对算力节点的可用算力资源和网络资源进行信息采集和管理。示例性地，业务处理平台21可以按如下方式进行算力节点建模：1个地理区域(例如一个城市)可部署x个算力节点(包括中心云算力节点或边缘云算力节点，即每个算力节点对应一个中心DC或边缘DC)，每个算力节点可划分y个算力资源池，每个算力资源池部署1项应用类型，每个算力资源池可以为z个用户端10服务并且为每个用户端10设定算力资源配额，以上x,y,z为动态变化的0或正整数。
步骤II、业务处理平台21可以从其获取的算力资源信息和网络资源信息中，确定可用的算力资源信息和网络资源信息，并将可用的算力资源信息和网络资源信息存储于资源库中。该资源库可以存储于业务处理平台21上，也可以存储于其他具有存储功能的设备上。可选地，业务处理平台21周期性地从边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24获取算力资源信息和网络资源信息，以对资源库进行更新。可选地，业务处理平台21也可以基于用户端10发送的算力请求，从边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24获取算力资源信息和网络资源信息，对资源库进行更新。
业务处理平台21还可以将资源库中的算网能力按应用类型进行封装，以供算力需求用户端10通过发送算力请求的方式对可用的算网资源进行调用。
业务处理平台21接收用户端10发送的算力请求。业务处理平台21可以通过算力资源搜索和算网资源核查，从算网资源库所存储的可用的算力资源和网络资源中，确定与算力请求对应的目标算力资源和目标网络资源，并将目标算力资源和目标网络资源进行占用标记，实现将目标算力资源和目标网络资源分配给用户端10。用户端10对应用户即可对目标算力资源和目标网络资源进行了解、算网能力复核和预占。
算力资源核查包括：业务处理平台21根据用户端10发送的算力请求，对资源库中的算力资源信息进行算力资源搜索和算力资源核查，得到与算力请求匹配的算力节点或算力资源池，并将匹配的算力资源核查结果通过业务处理平台21的北向接口，发送到用户端10，以供用户端10的用户对算力资源核查结果中的目标算力资源进行了解、算网能力复核或进行资源预占。
网络资源核查包括：业务处理平台21根据用户端10发送的算力请求，提供接口或界面，并进行电路路径计算查询。即业务处理平台21根据用户的算力请求中的电路源、宿和约束条件等网络性能需求，从资源库中查询满足算力请求的网络性能需求的电路路径信息，并将所查询得到的满足算力请求的网络性能需求的电路路径信息通过用户端10的显示界面进行展示，以实现业务处理平台21的电路路径信息的可查可视可开通功能。电路约束条件例如传输技术、时延、带宽、电路路径须经过网络设备、网络设备跳数等。
可选地，业务处理平台21为用户端10分配与用户端10的算力请求对应的目标算力资源和目标网络资源之前，业务处理平台21可以对边缘云算网资源管理平台22、中心云算网资源管理平台23、终端算网资源管理平台24上的网络攻击类型和网络攻击内容等安全态势信息进行实时采集，基于所采集的安全态势信息，为用户端10分配与用户端10的算力请求对应的未受到网络攻击的目标算力资源和目标网络资源。
可选地，业务处理平台21还可以基于所采集的安全态势信息，对安全态势信息对应的网络攻击进行防护处理，例如，业务处理平台21可以基于安全态势信息中的特定攻击流量的特征(如特定攻击流量的源IP地址)，对诸如DDOS攻击的特定流量进行封堵。
可选地，业务处理平台21还可以对所获取的算力资源和网络资源进行网络故障AI智能识别、定位定界和容灾保护，以实现对异常的算力资源和网络资源的网络安全攻击类型智能识别和防护实现智能闭环等。
本申请实施例提供的业务处理方法，通过在目标算力资源和目标网络资源执行用户端的算力请求对应的计算任务之前，对目标算力资源和目标网络资源进行故障预测，采用故障预测结果为无故障的目标算力资源和目标网络资源执行算力请求对应的计算任务，避免目标算力资源和目标网络资源在执行计算任务过程中发生故障，进而避免了计算任务执行失败耗时，以及计算任务执行失败后算网资源的重新分配和网络连接耗时，造成的计算任务的执行延时。本申请提供的业务处理方法解决了现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。
下面结合图2和图3对本申请提供的业务处理方法进行详细说明。
图3为本申请实施例提供的业务处理方法的流程图。图3所示实施例的执行主体可以是图2所示实施例中的业务处理平台21。如图3所示，该方法包括：
S101、获取用户端发送的算力请求，以及为用户端分配的与算力请求对应的目标算力资源和目标网络资源。
具体而言，业务处理平台21获取用户端发送的算力请求，以及为用户端10分配的与算力请求对应的目标算力资源和目标网络资源。
可选地，算力请求包括应用类型、算力容量和网络性能要求。在业务处理平台21获取用户端10发送的算力请求，以及为用户端10分配的与算力请求对应的目标算力资源和目标网络资源之前，业务处理平台21从预设模板库的多个业务模板中，确定与算力请求的应用类型对应的多个业务模板为备用业务模板。业务模板包含算力资源标识、算力容量、网络资源标识、网络性能信息。业务处理平台21从多个备用业务模板中，确定与算力容量和网络性能要求对应的备用业务模板为目标业务模板。业务处理平台21按目标业务模板中的算力资源标识和网络资源标识，为用户端10分配目标算力资源和目标网络资源。
可选地，预设模板库的多个业务模板可以是采用如下步骤(1)-(4)所示方式得到的：
(1)业务处理平台21确定算力资源、算力应用、网络资源各自的最小单元(即原子能力)，以便于业务处理平台21对算力资源、算力应用、网络资源的最小单元进行管理。
(2)业务处理平台21将算网资源原子能力编排设计封装成为面向资源的服务(RFS,Service Facing Resource)。RFS包含算力资源、算力应用、网络连接。
(3)业务处理平台21按照不同的业务场景将RFS进行编排设计封装成为面向客户的服务(CFS,Service Facing Customer)。CFS是以服务模板的形式固化一定的算网资源、算力应用及配置的业务模板，以实现算网资源的通用化和标准化。CFS对应于安全防护、容灾保护、云游戏、图像渲染等应用类型中的至少一种应用类型。
(4)业务处理平台21对算网调度策略进行编排，以满足用户端10的业务需求和业务处理平台21的运营需求的各种调度策略。算网调度策略可以包括如下(4.1)-(4.4)所示的策略：
(4.1)容灾保护策略：业务处理平台21确定算力资源、网络线路出现故障后进行快速切换，故障恢复后能自动倒回的策略。
(4.2)负载均衡策略：业务处理平台21实时监控采集各计算节点的业务负荷，动态将业务流量路由到低负荷的算力节点，按需拉起应用提供算力服务；在本地算力不足时，业务处理平台21将计算任务调度至中心云端甚至社会第三方计算节点(如终端计算节点25)。
(4.3)网络质量保障策略：业务处理平台21可以根据用户端10发送的算力请求，对特定的业务流量，采取Qos、切片等保障措施，提供差异化质量保障服务。
(4.4)安全防护策略：业务处理平台21可以根据所获取的网络攻击类型，进行网络安全防护的策略。示例性地，业务处理平台21就可以根据用户端10发送的算力请求，下发配置指令给底层网络设备，使得底层网络设备对其传送的业务数据内容进行识别。底层网络设备对其传送的业务数据内容进行识别例如通过APN6技术对数据流中的应用(APP ID)识别，以便底层网络设备根据所接收的配置指令，对指定的应用内容进行流量牵引，以满足算力请求对应用户端10的业务需求。底层网络设备对指定的应用内容进行流量牵引，例如对用户端10的数据流提供高Qos保障，或对用户端10的数据流提供不同的安全策略，或将指定的业务流量引向低负荷的算力资源池。
类似地，业务处理平台21也可以采用步骤(1)-(4)所示方式，对算网资源、算网服务、调度策略进行对象设计、拓扑设计和流程设计。
业务处理平台21将算网资源进行封装，按应用类型进行归类，形成适用于不同应用场景(或业务场景)的算网服务模板或调度策略，实现基于业务特点，梳理出业务对异构算力、时延、丢包、网络设备跳数、带宽、安全等差异化、个性化要求，进行算网资源和算力应用的编排建模，形成不同业务场景下的算力、网络相关设备配置、性能参数组合模板。例如：将虚拟现实(VR)/增强现实(AR)图像渲染的场景与GPU算力、时延要求高的网络资源进行模板组合；将科学高性能计算、AI模型训练的场景与大规模的CPU/GPU算力、低时延要求的网络资源进行模板组合。
S102、对目标算力资源和目标网络资源进行故障预测。
具体而言，业务处理平台21对目标算力资源和目标网络资源进行故障预测。
可选地，业务处理平台21可以采用基于BP神经网络(Back Propagation NeuralNetwork)的预测模型，对目标算力资源和目标网络资源进行故障预测。
示例性地，业务处理平台21基于算力请求，确定目标算力资源和目标网络资源的工作时间段。业务处理平台21对所确定的工作时间段内目标算力资源的利用率和目标网络资源的业务流量的变化趋势分别进行模型预测，得到算力故障预测结果和网络故障预测结果。
可选地，在业务处理平台21对所确定的工作时间段内目标算力资源的利用率和目标网络资源的业务流量的变化趋势分别进行模型预测，得到算力故障预测结果和网络故障预测结果之后，业务处理平台21可以根据故障预测结果执行步骤S103-S104，或，执行步骤S104；业务处理平台21还可以执行如下步骤S201-S204:
S201、若算力故障预测结果为目标算力资源在工作时间段内有故障，则业务处理平台21对目标算力资源进行扩容处理，得到扩容的目标算力资源。
S202、业务处理平台21对扩容的目标算力资源进行模型预测，若得到的算力故障预测结果为扩容的目标算力资源在工作时间段内无故障，则将扩容的目标算力资源用于算力请求的计算任务的执行。
S203、若网络故障预测结果为目标网络资源在工作时间段内有故障，则业务处理平台21对目标网络资源进行网络攻击防护处理，得到防护的目标网络资源。
S204、业务处理平台21对防护的目标网络资源进行模型预测，若得到的网络故障预测结果为防护的目标网络资源在工作时间段内无故障，则将防护的目标网络资源用于算力请求的计算任务的执行。
其中，步骤S201和步骤S203可以并行进行。步骤S202和步骤S204也可以并行进行。
S103、若故障预测结果为有故障，则重新为用户端分配与算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止。
具体而言，若故障预测结果为有故障，则业务处理平台21重新为用户端分配与算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止。
可选地，若故障预测结果为有故障，业务处理平台21还可以采用优化模型对故障预测结果为有故障的目标算力资源和目标网络资源进行自学习优化、自适应调整。
S104、若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务。
具体而言，若故障预测结果为无故障，则业务处理平台21采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务。
可选地，目标算力资源由至少一个算力节点的算力资源组成。若故障预测结果为无故障，则业务处理平台21可以按如下方式采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务：业务处理平台21对算力请求的计算任务进行算力解构，得到多个子任务。业务处理平台21将多个子任务发送到无故障预测结果对应的目标算力资源和目标网络资源所关联的算网资源管理平台上，以使得目标算力资源和目标网络资源执行多个子任务。
示例性地，业务处理平台21基于用户端10的算力请求，确定执行算力请求对应计算任务的目标算力资源和目标网络资源后，对所确定的目标算力资源和目标网络资源对应的算网资源管理平台下发配置指令，以便算网资源管理平台根据所接收的配置指令，调度其下辖的算力资源和网络资源执行配置指令对应的子任务。可选地，业务处理平台21可以通过对南向API接口的调用，实现跨域、跨专业端到端业务开通和算力资源、算力应用、网络连接的配置变更或能力调用。
可选地，业务处理平台21可以按如下方式对算力请求的计算任务进行算力解构，得到多个子任务：业务处理平台21确定算力请求对应的多因子输入参数。多因子输入参数为与算力资源信息、网络资源信息关联的参数。业务处理平台21对算力请求对应的多因子输入参数进行联合计算，得到算力请求对应的业务模板。业务处理平台21对算力请求对应的业务模板进行分拆，实现对计算任务的算力解构，得到多个子任务。进一步地，业务处理平台21按照算力请求对应的应用类型，进行电路调度，将业务数据通过合适的电路发送到目标算力资源(如算力资源池)对应的算力设备进行计算任务的执行，以实现将用户的计算任务通过合适的传输技术、路由调度到合适的算力设备进行处理。
算力解构指的是将用户端10发送的算力请求中的大颗粒、复杂的计算任务，根据业务逻辑、算网资源需求、性能需求、算网资费预算等因素，分解成一个到多个子任务，将子任务派发到各个算力节点上同时进行计算，共同完成一个大的计算任务，克服单个算力节点算力容量受限的瓶颈，实现资源的高效利用。性能需求包括算力性能和网络性能。算力解构包括垂直解构和水平解构。垂直解构为根据不同类型的算力进行算力分解。水平解构为同一算力类型内的算力分配。电路调度可以是根据用户端10算力请求中的业务需求和应用类型，采用模型匹配方式，在选择合适的电路传输技术(如UTN/OTN/PON/5G)后，选择合适的路由(如时延最低、网络设备跳数最少、可用带宽最多等的路由路径)，将业务数据传送到目标算力节点。
可选地，在若故障预测结果为无故障，则业务处理平台21采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务之后，业务处理平台21将计算任务的执行结果，发送到用户端10。例如，执行结果包括表征已成功执行计算任务的执行确认信息和计费结果。业务处理平台21将计算任务的执行确认信息和计费结果，发送到用户端10。
示例性地，业务处理平台21对执行计算任务的算网资源进行多量纲计费，例如，业务处理平台21按照算网资源的如下量纲生成算网资源的计费详单：计算节点地理位置、算力资源和网络资源使用时长、算力资源用量(如计算、存储资源的具体用量)、网络带宽、网络距离(如电路起点、终点信息，本地网络、跨区域网络)、网络服务级别协议(SLA)、算网应用ID(如AI模型训练、图像渲染、安全防护)。SLA如不同的时延规格。可选地，业务处理平台21还对算网资源的使用日志进行保存。
可选地，在业务处理平台21将计算任务的执行确认信息和计费结果，发送到用户端10之后，业务处理平台21将租赁资费的支付信息发送到执行计算任务的算网资源所属的算网资源管理平台，使得算网资源管理平台将租赁资费的支付信息发送到执行计算任务的算网资源所属的用户端10。
可选地，业务处理平台21还可以接收用户端10发送的资源配置请求。资源配置请求表征用户端10请求业务处理平台21对用户端10所拥有的算网资源进行初始配置和生命周期管理，使得用户端10所拥有的算网资源作为业务处理平台21的算网资源库中的算网资源，用于业务处理平台21的算网调度，以执行其他用户端10的算力请求对应的计算任务。
本申请实施例提供的业务处理方法，通过在目标算力资源和目标网络资源执行用户端的算力请求对应的计算任务之前，对目标算力资源和目标网络资源进行故障预测，采用故障预测结果为无故障的目标算力资源和目标网络资源执行算力请求对应的计算任务，避免目标算力资源和目标网络资源在执行计算任务过程中发生故障，进而避免了计算任务执行失败耗时，以及计算任务执行失败后算网资源的重新分配和网络连接耗时，造成的计算任务的执行延时。本申请提供的业务处理方法解决了现有的算网协同和调度方法在执行用户的计算任务过程中，存在时延较长的问题。此外，本申请提供的业务处理方法，实现了对核心云、边缘云、终端的算力资源和网络资源的集中式统一调度，满足泛在算力纳管、算网资源可视、算网协同编排和一体服务需要，推动了算力成为与水电一样可“一点接入、即取即用”的基础设施建设，让用户的业务数据在不同算力节点之间灵活流转，实现新型信息基础设施赋能各行各业、资源提效更优和服务体验更极致。本申请提供的业务处理方法，提升了算网资源利用率，让各算力节点负载更均衡，网络流量分布更合理，比如“东数西算”，东部地区充分利用西部地区的低成本数据中心算力资源，实现资源利用降本增效，同时提高了用户体验感。
本申请实施例还提供一种业务处理平台。业务处理平台也可以称为算网大脑。图4为本申请实施例提供的业务处理平台结构图。如图2和图4所示，该业务处理平台包括：
采集和感知模块41、智能引擎模块42、算网服务设计模块43、算网资源控制模块44。
采集和感知模块41，用于获取用户端10发送的算力请求，以及为用户端10分配的与算力请求对应的目标算力资源和目标网络资源。
智能引擎模块42，用于对目标算力资源和目标网络资源进行故障预测。
算网服务设计模块43，用于若故障预测结果为有故障，则重新为用户端10分配与算力请求对应的目标算力资源和目标网络资源，直到智能引擎模块42对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止。
算网资源控制模块44，用于若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行算力请求对应的计算任务。
可选地，算网服务设计模块43，还用于执行图3所示实施例中的步骤(1)-(4)。
可选地，业务处理平台还包括展示模块45。展示模块45用于提供算力资源全局视图，将算力资源分布进行地理化呈现，将算力资源状态、资源利用率进行实时展示，算力资源核数，计算容量，存储容量和各类算力资源利用率展示。算力资源核数如CPU，GPU核数。算力资源利用率如算力资源池当前FLOPS利用率，GPU在用核数/GPU总核数。展示模块45还用于算力应用节点分布地理化呈现，算力应用状态实时展示，以及算力节点网络接入设备端口状态、网络接入设备端口带宽利用率展示。展示模块45还提供界面或接口查询客户电路的相关信息，如网络拓扑、时延地图、性能指标，以实现电路性能和拓扑可视。性能指标如当前、当天的时延、丢包、抖动、流量信息和走势。
可选地，业务处理平台还包括解析与核查模块46。解析与核查模块46，用于算网资源核查。
可选地，业务处理平台还包括算网服务编排模块47。算网服务编排模块47，用于对算力请求的计算任务进行算力解构，得到多个子任务。
可选地，业务处理平台还包括计费与日志存储模块48。计费与日志存储模块48，用于对执行计算任务的算网资源进行多量纲计费，还用于对算网资源的使用日志进行保存。
本申请实施例提供的业务处理平台，其具体实现原理和技术效果与图3所示实施例的具体实现原理和技术效果类似，本实施例此处不再赘述。
本申请实施例还提供一种业务处理装置。图5为本申请实施例提供的业务处理装置结构图。如图5所示，该业务处理装置包括处理器51和存储器52，存储器52存储有处理器51可执行指令，使得该处理器51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。应理解，上述处理器51可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。存储器52可能包含高速随机存取存储器(英文：Random Access Memory，简称：RAM)，也可能还包括非易失性存储器(英文：Non-volatile memory，简称：NVM)，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
本申请实施例还提供一种存储介质，该存储介质中存储有计算机执行指令，这些计算机执行指令被处理器执行时，实现上述的业务处理方法。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(英文：StaticRandom-Access Memory，简称：SRAM)，电可擦除可编程只读存储器(英文：Electrically-Erasable Programmable Read-Only Memory，简称：EEPROM)，可擦除可编程只读存储器(英文：Erasable Programmable Read-Only Memory，简称：EPROM)，可编程只读存储器(英文：Programmable Read-Only Memory，简称：PROM)，只读存储器(英文：Read-Only Memory，简称：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(英文：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。
本申请实施例还提供一种程序产品，如计算机程序，该计算机程序被处理器执行时实现本申请所涵盖的业务处理方法。
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。
最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施方式对本发明已经进行了详细的说明，但本领域的普通技术人员应当理解：其依然可以对前述实施方式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实施方式技术方案的范围。
Claims (10)
1.一种业务处理方法，其特征在于，包括：
获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源；
对所述目标算力资源和目标网络资源进行故障预测；
若故障预测结果为有故障，则重新为所述用户端分配与所述算力请求对应的目标算力资源和目标网络资源，直到对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止；
若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标算力资源和目标网络资源进行故障预测，包括：
基于所述算力请求，确定所述目标算力资源和目标网络资源的工作时间段；
对所确定的工作时间段内所述目标算力资源的利用率和所述目标网络资源的业务流量的变化趋势分别进行模型预测，得到算力故障预测结果和网络故障预测结果。
3.根据权利要求2所述的方法，其特征在于，在所述对所确定的工作时间段内所述目标算力资源的利用率和所述目标网络资源的业务流量的变化趋势分别进行模型预测，得到算力故障预测结果和网络故障预测结果之后，所述方法还包括：
若算力故障预测结果为所述目标算力资源在所述工作时间段内有故障，则对所述目标算力资源进行扩容处理，得到扩容的目标算力资源；
对所述扩容的目标算力资源进行模型预测，若得到的算力故障预测结果为所述扩容的目标算力资源在所述工作时间段内无故障，则将所述扩容的目标算力资源用于所述算力请求的计算任务的执行；
若网络故障预测结果为所述目标网络资源在所述工作时间段内有故障，则对所述目标网络资源进行网络攻击防护处理，得到防护的目标网络资源；
对所述防护的目标网络资源进行模型预测，若得到的网络故障预测结果为所述防护的目标网络资源在所述工作时间段内无故障，则将所述防护的目标网络资源用于所述算力请求的计算任务的执行。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述目标算力资源由至少一个算力节点的算力资源组成；
所述若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务，包括：
对所述算力请求的计算任务进行算力解构，得到多个子任务；
将所述多个子任务发送到所述无故障预测结果对应的目标算力资源和目标网络资源所关联的算网资源管理平台，以使得所述目标算力资源和所述目标网络资源执行所述多个子任务。
5.根据权利要求4所述的方法，其特征在于，在所述若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务之后，所述方法还包括：
将所述计算任务的执行结果，发送到所述用户端。
6.根据权利要求5所述的方法，其特征在于，所述执行结果包括表征已成功执行所述计算任务的执行确认信息和计费结果；
所述将所述计算任务的执行结果，发送到所述用户端，包括：
将所述计算任务的执行确认信息和计费结果，发送到所述用户端。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述算力请求包括算力应用的应用类型、算力容量和网络性能要求；
在所述获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源之前，所述方法还包括：
从预设模板库的多个业务模板中，确定与所述算力请求的应用类型对应的多个业务模板为备用业务模板；所述业务模板包含算力资源标识、算力容量、网络资源标识、网络性能信息；
从所述多个备用业务模板中，确定与所述算力容量和网络性能要求对应的备用业务模板为目标业务模板；
按目标业务模板中的算力资源标识和网络资源标识，为所述用户端分配目标算力资源和目标网络资源。
8.一种业务处理平台，其特征在于，所述业务处理平台包括：
采集和感知模块、智能引擎模块、算网服务设计模块、算网资源控制模块；
所述采集和感知模块，用于获取用户端发送的算力请求，以及为所述用户端分配的与所述算力请求对应的目标算力资源和目标网络资源；
所述智能引擎模块，用于对所述目标算力资源和目标网络资源进行故障预测；
所述算网服务设计模块，用于若故障预测结果为有故障，则重新为所述用户端分配与所述算力请求对应的目标算力资源和目标网络资源，直到所述智能引擎模块对所分配的目标算力资源和目标网络资源的故障预测结果为无故障为止；
所述算网资源控制模块，用于若故障预测结果为无故障，则采用无故障预测结果对应的目标算力资源和目标网络资源执行所述算力请求对应的计算任务。
9.一种业务处理装置，其特征在于，所述装置包括：
处理器和存储器；
所述存储器存储所述处理器可执行的可执行指令；
其中，所述处理器执行所述存储器存储的可执行指令，使得所述处理器执行如权利要求1-7任一项所述的方法。
10.一种存储介质，其特征在于，所述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1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015443.7A CN116016221A (zh) | 2023-01-05 | 2023-01-05 | 业务处理方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015443.7A CN116016221A (zh) | 2023-01-05 | 2023-01-05 | 业务处理方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116016221A true CN116016221A (zh) | 2023-04-25 |
Family
ID=86019288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310015443.7A Pending CN116016221A (zh) | 2023-01-05 | 2023-01-05 | 业务处理方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116016221A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116708294A (zh) * | 2023-08-08 | 2023-09-05 | 三峡科技有限责任公司 | 基于apn6网络实现智能应用感知及报文转发的方法 |
| CN116909758A (zh) * | 2023-09-13 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 算力任务的处理方法、装置及电子设备 |
| CN117234883A (zh) * | 2023-10-07 | 2023-12-15 | 方心科技股份有限公司 | 一种电力业务应用的性能评估方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100024A (zh) * | 2020-08-14 | 2020-12-18 | 北京浪潮数据技术有限公司 | 一种资源负载异常检测方法、装置及设备 |
| CN112882809A (zh) * | 2021-02-23 | 2021-06-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶任务的计算终端确定方法、装置及计算机设备 |
| CN113485841A (zh) * | 2021-07-28 | 2021-10-08 | 腾讯科技（深圳）有限公司 | 一种基于边缘计算的数据处理方法、设备及可读存储介质 |
| CN113709048A (zh) * | 2020-05-21 | 2021-11-26 | 中国移动通信有限公司研究院 | 一种路由信息的发送、接收方法、网元及节点设备 |
| WO2022188453A1 (zh) * | 2021-03-11 | 2022-09-15 | 福州大学 | 在线即分析影像与格网立方体数据存储管理方法及系统 |
-
2023
- 2023-01-05 CN CN202310015443.7A patent/CN116016221A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113709048A (zh) * | 2020-05-21 | 2021-11-26 | 中国移动通信有限公司研究院 | 一种路由信息的发送、接收方法、网元及节点设备 |
| CN112100024A (zh) * | 2020-08-14 | 2020-12-18 | 北京浪潮数据技术有限公司 | 一种资源负载异常检测方法、装置及设备 |
| CN112882809A (zh) * | 2021-02-23 | 2021-06-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶任务的计算终端确定方法、装置及计算机设备 |
| WO2022188453A1 (zh) * | 2021-03-11 | 2022-09-15 | 福州大学 | 在线即分析影像与格网立方体数据存储管理方法及系统 |
| CN113485841A (zh) * | 2021-07-28 | 2021-10-08 | 腾讯科技（深圳）有限公司 | 一种基于边缘计算的数据处理方法、设备及可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116708294A (zh) * | 2023-08-08 | 2023-09-05 | 三峡科技有限责任公司 | 基于apn6网络实现智能应用感知及报文转发的方法 |
| CN116708294B (zh) * | 2023-08-08 | 2023-11-21 | 三峡科技有限责任公司 | 基于apn6网络实现智能应用感知及报文转发的方法 |
| CN116909758A (zh) * | 2023-09-13 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 算力任务的处理方法、装置及电子设备 |
| CN116909758B (zh) * | 2023-09-13 | 2024-01-26 | 中移(苏州)软件技术有限公司 | 算力任务的处理方法、装置及电子设备 |
| CN117234883A (zh) * | 2023-10-07 | 2023-12-15 | 方心科技股份有限公司 | 一种电力业务应用的性能评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116016221A (zh) | 业务处理方法、装置及存储介质 | |
| CN104301391B (zh) | 多域光网络数据中心资源虚拟化映射方法 | |
| Sood et al. | SNA based resource optimization in optical network using fog and cloud computing | |
| CN113709048A (zh) | 一种路由信息的发送、接收方法、网元及节点设备 | |
| CN105190558A (zh) | 云资源的加速实例化 | |
| US11315125B2 (en) | Prioritized data synchronization | |
| Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
| CN105515977B (zh) | 获取网络中传输路径的方法、装置和系统 | |
| Thanh et al. | Energy-aware service function chain embedding in edge–cloud environments for IoT applications | |
| KR102646697B1 (ko) | 데이터 통신 최적화 시스템 | |
| Racheg et al. | Profit-driven resource provisioning in NFV-based environments | |
| CN105049485B (zh) | 一种面向实时视频处理的负载感知云计算系统 | |
| CN112995682A (zh) | 一种对视频云服务进行部署迁移的方法和装置 | |
| WO2020134133A1 (zh) | 一种资源配置方法、变电站及计算机可读存储介质 | |
| Gonçalves et al. | Dynamic network slicing in fog computing for mobile users in mobfogsim | |
| Ping | Load balancing algorithms for big data flow classification based on heterogeneous computing in software definition networks | |
| Zhang et al. | Ents: An edge-native task scheduling system for collaborative edge computing | |
| Lovén et al. | Weathering the reallocation storm: Large-scale analysis of edge server workload | |
| CN115604768B (zh) | 基于资源状态的电磁感知任务动态迁移方法、系统及终端 | |
| Feng et al. | COVE: Co-operative virtual network embedding for network virtualization | |
| US10986036B1 (en) | Method and apparatus for orchestrating resources in multi-access edge computing (MEC) network | |
| Midya et al. | An adaptive resource placement policy by optimizing live VM migration for ITS applications in vehicular cloud network | |
| Khalifa et al. | MobiCloud: A reliable collaborative mobilecloud management system | |
| Santos et al. | Mobility-aware service function chaining orchestration for multi-user augmented reality | |
| Vieira | Fog and cloud computing optimization in mobile iot environments |
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 |