CN116095175A - 一种用于电网边缘计算系统的数据流调度方法及装置 - Google Patents
一种用于电网边缘计算系统的数据流调度方法及装置 Download PDFInfo
- Publication number
- CN116095175A CN116095175A CN202211648061.XA CN202211648061A CN116095175A CN 116095175 A CN116095175 A CN 116095175A CN 202211648061 A CN202211648061 A CN 202211648061A CN 116095175 A CN116095175 A CN 116095175A
- Authority
- CN
- China
- Prior art keywords
- service
- target data
- bandwidth
- priority
- power grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 32
- 238000012549 training Methods 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种用于电网边缘计算系统的数据流调度方法及装置，一种用于电网边缘计算系统的数据流调度方法包括：获取电网边缘计算系统的混合数据流，对混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务；获取服务质量需求指标，利用服务质量需求指标分别对多种类型的目标数据流进行优先级划分，生成业务优先级；获取电网业务的流量预测结果；其中，流量预测结果由电网业务的历史流量数据处理生成；基于业务优先级和电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。该方法实现了带宽资源的有效分配，保证了电力时延敏感业务与非时延敏感业务的服务质量。
Description
技术领域
本发明涉及数据流调度技术领域，尤其是涉及一种用于电网边缘计算系统的数据流调度方法及装置。
背景技术
随着融合5G的电网快速发展，电力业务终端的数量和产生的流量越来越大，这对于现有的电网架构提出了很大的挑战。这些迅速增长的数据流量，不断更新的移动设备和多种多样的服务场景，以及更多种类的业务接入到智能电网中，使得电网设备之间交互传输的规模也在不断扩大。电网边缘计算系统(简称MEC)通过计算存储资源的边缘化技术，实现了电网中海量数据的边缘处理，有效缓解核心网的流量负载压力。然而，电网中不同业务对传输速率、带宽、安全性、可靠性等需求存在差异，因此，电网边缘计算系统的流量管理与调度为满足差异化业务服务质量提供有效解决措施。
然而，电网边缘计算系统中多种业务的混合数据流的存在会影响关键电力业务的快速转发，降低业务的服务质量。因此从混合数据流中识别分类出相应的数据流并按需转发是十分关键的，它可以有效地保证网络通信并提高各类应用业务的服务质量。在调度机制方面，除了业务本身特征外，业务流量大小也是影响资源调度的重要指标。因此，本文除了考虑业务优先级外，还根据一定时间的业务预测量合理调整带宽资源分配，实现服务级感知的按需转发机制。
现有技术采用的边缘计算任务卸载策略如下：
方案一：当链路发生拥塞时，确定发生拥塞的链路上当前待调度流量中优先级最低的流量，并获取所述优先级最低的流量在每条备选链路上被调走次数；判断优先级最低的流量是否在每条备选链路上都被调走过；如否，将所述优先级最低的流量作为需要被调走的流量；从所有备选链路中确定出目标链路，并将所述优先级最低的流量调度到所述目标链路。在进行流量调度时，通过引入被调走次数来判断当前待调度流量中优先级最低的流量是否适合调度，若适合，则将优先级最低的流量作为需要被调走的流量进行调度，以避免流量来回调度引起的震荡问题。
方案二：获取至少两类待处理的网络流量；计算各网络流量对应的报文传输速率之间的传输速率比例；其中，传输速率比例中的每一个比例项唯一表征一类待处理的网络流量的报文传输速率；根据传输速率比例，确定在每一个调度周期中被调度的待处理的网络流量。该方案能够确定出每个调度周期中需要被调度的网络流量，从而后续可以根据每个调度周期中的待处理的网络流量实现对各类待处理的网络流量的调度处理。
方案三：使用最优差异化QoS(Quality of Service，服务质量)参数提取方法提取工控网络流量的最优差异化QoS参数，其中，最优差异化QoS参数在工控网络流量的QoS需求波动区间和工控网络的QoS资源波动区间确定的截取区间中，使用动态带宽预留方法计算工控网络中链路可预留带宽，以粒子群算法为基础，构建最优差异化QoS参数和工控网络中链路可预留带宽构建适应度函数，从而寻找最优路径。
目前来说，以上边缘计算任务卸载策略考虑从优先级、传输速率、资源预留等角度来改进业务流量调度性能。然而，上述边缘计算任务卸载策略并不能解决电网边缘计算系统中存在混合数据流的差异化电力业务服务质量难以保证以及混合数据流识别、预测以及调度缺乏完整机制的问题。
发明内容
因此，本发明要解决：现有边缘计算任务卸载策略中存在的混合数据流的差异化电力业务服务质量难以保证，以及混合数据流识别、预测以及调度缺乏完整机制的问题，从而提供一种用于电网边缘计算系统的数据流调度方法及装置。
第一方面，本发明实施例公开了一种用于电网边缘计算系统的数据流调度方法，包括：
获取电网边缘计算系统的混合数据流，对所述混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务；
获取服务质量需求指标，利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成业务优先级；
获取电网业务的流量预测结果；其中，所述流量预测结果由电网业务的历史流量数据处理生成；
基于所述业务优先级和所述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。
本发明提供的一种用于电网边缘计算系统的数据流调度方法，从混合数据流中识别出不同电网业务后，利用服务质量需求指标对电网业务进行优先级划分，生成业务优先级，有效提高了各类电网业务的服务质量，并且基于业务优先级和流量预测结果分配业务带宽资源，从而实现服务级感知的调度机制，满足电网中差异化业务的服务质量需求，把流量预测与流量调度密切结合，实现了带宽资源的有效分配，避免了资源分配不均衡而引发的拥塞问题，从而保证了电力时延敏感业务与非时延敏感业务的服务质量。
可选地，所述对所述混合数据流进行分类，生成多种类型的目标数据流，包括：
对所述混合数据流的业务特征进行识别，确定多种电网业务特征；
基于所述电网业务特征对所述混合数据流进行分类，生成所述多种类型的目标数据流。
可选地，所述利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成业务优先级，包括：
利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成静态优先级；
获取多种类型的目标数据流对应的最大时延限度和数据包排队时间，基于所述最大时延限度和所述数据包排队时间确定可调节时间；
基于所述可调节时间对所述静态优先级进行调节，并标记所述电网业务的优先级，生成所述业务优先级。
可选地，所述基于所述业务优先级和所述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流调度结果，包括：
基于所述业务优先级确定所述混合数据流的调度顺序；
基于所述业务优先级与所述电网业务的流量预测结果确定业务带宽调整比例；
基于所述混合数据流的调度顺序与所述业务带宽调整比例确定所述混合数据流的调度结果。
可选地，所述基于所述业务优先级确定混合数据流的调度顺序，包括：
基于所述业务优先级确定所述多种类型的目标数据流对应的实际网络带宽；
基于所述实际网络带宽分别为所述多种类型的目标数据流分配业务带宽，生成分配结果；
基于所述分配结果与所述业务优先级确定所述混合数据流的调度顺序。
可选地，所述基于所述业务优先级确定所述多种类型的目标数据流对应的实际网络带宽，包括：
获取任务权重、带宽总量因子和剩余带宽量，基于当前目标数据流确定网络带宽总量和数据包总量，基于所述业务优先级、所述任务权重、所述带宽总量因子、所述剩余带宽量、所述网络带宽总量和所述数据包总量确定调用带宽；其中，所述当前目标数据流属于所述多种类型的目标数据流；
获取当前目标数据流对应的最大网络容量和预设网络容量，基于所述调用带宽、所述最大网络容量和所述预设网络容量确定所述实际网络带宽。
可选地，所述基于所述实际网络带宽分别为所述多种类型的目标数据流分配业务带宽，生成分配结果，包括：
将所述网络带宽总量与所述实际网络带宽进行比较，当所述网络带宽总量小于所述实际网络带宽时，则所述剩余带宽量分配给其他目标数据流；其中，所述其他目标数据流与所述当前目标数据流的业务优先级相同；
当所述其他目标数据流对应的网络带宽符合预设条件时，生成所述分配结果。
第二方面，本发明实施例还公开了一种用于电网边缘计算系统的数据流调度装置，包括：
分类模块，用于获取电网边缘计算系统的混合数据流，对所述混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务；
划分模块，用于获取服务质量需求指标，利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成业务优先级；
获取模块，用于获取电网业务的流量预测结果；其中，所述流量预测结果由所述电网业务的历史流量数据处理生成；
分配模块，用于基于所述业务优先级和所述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。
第三方面，本发明实施例还公开了一种电子设备，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执行如第一方面或第一方面任一可选实施方式所述的一种用于电网边缘计算系统的数据流调度方法的步骤。
第四方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的一种用于电网边缘计算系统的数据流调度方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种用于电网边缘计算系统的数据流调度方法的一个具体示例的流程图；
图2为本发明实施例中一种3L-LSTM模型的结构示意图；
图3为本发明实施例中一种对所述混合数据流进行分类的流程图；
图4为本发明实施例中一种利用服务质量需求指标分别对多种类型的目标数据流进行优先级划分的流程图；
图5为本发明实施例中一种多种类型的目标数据流进行优先级划分的示意图；
图6为本发明实施例中一种对业务带宽资源进行动态分配的流程图；
图7为本发明实施例中一种ADA-HTB算法树形结构的示意图；
图8为本发明实施例中一种基于业务优先级确定混合数据流的调度顺序的流程图；
图9为本发明实施例中一种基于业务优先级确定实际网络带宽的流程图；
图10为本发明实施例中一种基于实际网络带宽分别为多种类型的目标数据流分配业务带宽的流程图；
图11为本发明实施例中一种用于电网边缘计算系统的数据流调度装置的一个具体示例的原理框图；
图12为本发明实施例中电子设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种用于电网边缘计算系统的数据流调度方法，如图1所示，所述方法包括：
S101、获取电网边缘计算系统的混合数据流，对上述混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务。
具体地，基于业务流五元组信息对上述混合数据流进行分类，生成多种类型的目标数据流；其中，五元组规则包含：源IP地址、源端口、目的IP地址、目的端口、传输层协议。
S102、获取服务质量需求指标，利用上述服务质量需求指标分别对上述多种类型的目标数据流进行优先级划分，生成业务优先级。
具体地，新一代的5G无线通信技术，峰值速率较4G提高了20倍，无线空口时延降到毫秒级，连接密度每平方千米达百万级，这使5G无线通信技术可以满足电网对网络的需求，而5G技术未来也将广泛应用于具有典型低时延、高可靠业务需求的电网控制类业务，具有大连接、大宽带需求的电网采集类业务，具有广覆盖、网络移动应用需求的移动应用类业务，在电网中不同应用场景以及不同种类的业务数据对服务质量(QoS)的需求差异化较为明显，因此以电网业务为例进行业务优先级的划分。
S103、获取电网业务的流量预测结果；其中，上述流量预测结果由电网业务的历史流量数据处理生成。
具体地，由于MEC系统边缘节点网络资源有限，准确的流量预测会帮助管理者提前制定网络资源分配策略，可以避免拥塞的发生，因此在完成混合数据流的识别后，针对每一个种类的业务，需要准确预测未来的数据流流量以便后续数据流调度或调整带宽进行资源分配。
进一步地，为了在较长时间内预测MEC系统的数据，同时避免梯度消失或梯度爆炸的问题，传统的RNN模型无法满足系统预测的需求，除此之外，基础的LSTM模型结构单一，参数较少，准确率较低；综合考虑时间序列的预测精度和降低模型的时间复杂度，提高机器学习的效率，本发明采用改进的三层LSTM(3L-LSTM)神经网络模型对MEC系统流量进行预测。
进一步地，如图2所示，由于网络层数的增加会使机器学习面临过拟合问题，因此三层LSTM模型在网络层中插入了Dropout层(Dropout是指深度学习训练过程中，对于神经网络训练单元，暂时将按照一定的概率将其从网络中移除)，Dropout可以随机断开网络层之间的连接，从而减少实际训练参与的模型的参数量，从而减少模型的实际容量，防止过拟合，模型的最后设置全连接层(简称Dense层)，将数据维度还原为一维，从而输出电网业务的流量预测结果。
进一步地，3L-LSTM模型在训练后更新，神经网络的内部状态根据前向传播算法更新，权重和偏置根据后向传播算法训练更新；其中，3L-LSTM模型的优化算法为Adam优化算法，Adam优化算法是一种对随机梯度下降法的扩展，最近在计算机视觉和自然语言处理中广泛应用于深度学习应；与传统的随机梯度下降方法不同，Adam优化算法是一种基于训练数据迭代更新神经网络权重的一阶优化算法，可以根据训练数据对神经网络的权值不断迭代更新；此外，Adam算法梯度对角缩放具有不变性，适用于解决包含高噪声或稀疏梯度的问题，Adam算法的计算公式如下所示：
其中，mt表示梯度中第一时刻平均值，
表示更新后第一时刻平均值，vt表示梯度中第二时刻未中心化方差的估计值，
表示更新后的第二时刻未中心化方差的估计值，θt表示第t次迭代下的训练参数，θt+1表示第t+1次迭代下的训练参数，
表示更新后的一阶矩的指数衰减率，
表示更新后的二阶矩的指数衰减率，η表示学习率，∈表示为了维持数值稳定而添加的常数。
进一步地，3L-LSTM模型的损失函数选择平均绝对误差(Mean Absolute Error，MAE)，3L-LSTM模型激活函数选择Relu(神经激活函数)，最终通过合理次数的迭代训练，使模型拥有相对更优的学习能力。
S104、基于上述业务优先级和上述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。
具体地，数据流调度是MEC系统网络中实现服务质量的核心机制之一，针对不同用户的不同QoS要求，实现不同业务的按需转发，提高用户满意度，进而在识别了MEC系统中的混合数据流后，得到了每个业务的流量(即多种类型的目标数据流)，考虑到CBQ(Class-BasedQueuing，基于类的队列)算法配置复杂，精度不够，PRIO算法(分类优先算法)无法限制带宽；而本发明通过自适应数据流调度机制(简称ADA-HTB)对业务带宽资源进行动态分配克服了上述算法缺陷。
本发明提供的一种用于电网边缘计算系统的数据流调度方法，从混合数据流中识别出不同电网业务后，利用服务质量需求指标对电网业务进行优先级划分，生成业务优先级，有效提高了各类电网业务的服务质量，并且基于业务优先级和流量预测结果分配业务带宽资源，从而实现服务级感知的调度机制，满足电网中差异化业务的服务质量需求，把流量预测与流量调度密切结合，实现了带宽资源的有效分配，避免了资源分配不均衡而引发的拥塞问题，从而保证了电力时延敏感业务与非时延敏感业务的服务质量；最后，为了防止网络层数的增加使机器学习面临过拟合问题，3L-LSTM模型在网络层中插入了Dropout层，其可以随机断开网络层之间的连接，从而减少模型的实际容量，防止过拟合，保证业务流量预测的准确性。
作为本发明一个可选实施方式，如图3所示，上述S101，即对上述混合数据流进行分类，生成多种类型的目标数据流，包括：
S1011、对上述混合数据流的业务特征进行识别，确定多种电网业务特征。
S1012、基于上述电网业务特征对上述混合数据流进行分类，生成上述多种类型的目标数据流。
具体地，将混合数据流按照五元组信息进行分类，五元组信息相同的数据包视为同一类型的数据流。
上述可选实施方式中，随着信息技术的高速发展，电网覆盖范围迅速扩大，因此MEC系统中的网络流量管理是很重要的，通过识别数据流的特征对其进行初步分类以便后续调度，实现数据流按需转发，感知识别混合数据流并对其分类可以有效提高各类业务的服务质量。
作为本发明一个可选实施方式，如图4-5所示，上述S102，即利用上述服务质量需求指标分别对上述多种类型的目标数据流进行优先级划分，生成业务优先级，包括：
S1021、利用上述服务质量需求指标分别对上述多种类型的目标数据流进行优先级划分，生成静态优先级。
具体地，当前电网的业务类型覆盖广泛，针对电网的三大类业务进行分析，根据现有电网业务场景下的调研结果，控制类业务包括配电自动化业务，用电负荷需求响应业务，精准负荷控制业务，分布式能源调控业务，其未来业务主站部分功能将下沉实现本地控制，业务时延要求高，达到毫秒级，可靠性要求高，业务隔离要求高，整体业务优先级要求较高；信息采集类业务包括用电信息采集业务，配电房视频综合监控业务，其未来高频采集、海量连接、实时采集对带宽和时延提出了更高的要求；移动应用类业务包括移动现场施工作业管控业务及变电站巡检机器人业务，其未来将实现智能化、自动化和远程实时交互，对时延要求高，要求在百毫秒级，对带宽要求也很高；因此根据不同业务服务质量需求指标初步分析电网业务，建立静态优先级，如表1所示。
表1
S1022、获取多种类型的目标数据流对应的最大时延限度和数据包排队时间，基于上述最大时延限度和上述数据包排队时间确定可调节时间。
具体地，在静态业务优先级的基础上，业务划分需要具有灵活性，需要适应电网不同的应用场景以及应对不同的突发状况，在移动边缘计算(MEC)系统中，针对每一个边缘结点，都具有一个根据优先级缓存数据包的缓存队列；当优先级较高的数据包进入队列准备传输时，调度器优先为这种数据包分配信道；当优先级较低的数据包进入队列时，若所有信道均被优先级比该数据包的优先级高的数据包占用时，则会发生拥塞现象，该数据包进入缓存队列；当该数据包正在传输时，也可能被更高优先级的数据包中断，重新进入缓存队列，等待重新分配；因此该数据包的时延会不断增加，进而导致丢包率的增加；当时延增加到一定限度时，应进行业务优先级动态调整，确保较低优先级的数据包的QoS。
进一步地，定义最大时延限度为tm，它表示的含义为数据包可以等待的最长时间，数据包排队时间为tq，最大时延限度与排队时间的差定义为可调节时间Δt，则可调节时间Δt的计算公式为：
Δt＝tm-tq (4)
S1023、基于上述可调节时间对上述静态优先级进行调节，并标记上述电网业务的优先级，生成上述业务优先级。
具体地，由于数据包被中断或拥塞产生的排队时间tq不断增加，在最大时延限度tm固定的前提条件下，可调节时间Δt不断减小，当其减小到一定程度达到临界值时，数据包可能会被丢弃，因此需要将该数据包的优先级提升，预留出相应的足够长的时间供数据包后续调度从而满足其时延需求；可调节时间长的数据包与可调节时间短的数据包相比可以在缓存队列中等待更长的时间，因此根据Δt的大小调节优先级确保接近最大限度时延的数据包的排队时间缩短进入相应信道。
进一步地，将上述八种业务的优先级定义为L，并分别设置为1到8，最高级为1，最低级为8，定义优先级为n的目标数据流对应数据包的可调节时间Δt的临界值为tn，则业务优先级根据以下表达式确定：
其中，t1表示最高优先级的目标数据流对应数据包的可调节时间Δt的临界值，tn-1表示优先级为n-1的目标数据流对应数据包的可调节时间Δt的临界值。
上述可选实施方式进行实时动态优先级调节后，可以很大程度减少由于阻塞导致的数据包时延过长或丢包率提升的问题；除此之外，当一些紧急情况或特殊情况发生时，例如设备异常或设备损坏时，相关业务数据包的优先级需要提升为较高的优先级，确保电网的服务质量可靠性和安全性。
作为本发明一个可选实施方式，如图6所示，上述S104，即基于上述业务优先级和上述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流调度结果，包括：
S1041、基于上述业务优先级确定上述混合数据流的调度顺序。
具体地，以多种类型的目标数据流作为叶子节点，以不同网络区域的目标数据流构建树，并为各叶子节点标记业务优先级；如图7所示，1表示网络管理节点，video表示视频数据流，chat表示语音数据流，基于视频数据流的类型构建树，对各类视频流标记优先级1:24、1:25、1:26、1:27、1:28，将视频流的类型中的子类作为子节点，将子节点的上一级作为父节点，以此确定连接关系；同理，语音数据流也是以上述方法确定叶子结点与连接关系；其中，子节点可以从父节点借用空闲带宽。
S1042、基于上述业务优先级与上述电网业务的流量预测结果确定业务带宽调整比例。
具体地，每个业务的带宽调整比例ai的公式如下：
ai＝f(pi)+g(ti) (6)
其中，pi表示业务优先级的大小，pi的值越小优先级越高，ti表示预测的业务流量大小(即电网业务的流量预测结果)，ti的值越大表示预测量越大业务优先级越高，其数据量一般较小，分配的带宽资源相对越少，业务流量预测的结果越大，分配的带宽资源越多。
S1043、基于上述混合数据流的调度顺序与上述业务带宽调整比例确定上述混合数据流的调度结果。
上述可选实施方式中，为满足业务对带宽资源的动态变化需求，ADA-HTB算法相比于传统算法在按照优先级进行流量管理的基础上，根据业务的优先级和各项业务的流量预测结果针对不同类别的数据流进行优先级管理，动态调整带宽资源，保证了带宽资源的共享与自适应调度，实现服务级感知的调度，有效提升了业务转发时延与转发成功率的。
作为本发明一个可选实施方式，如图8所示，上述S1041，即基于上述业务优先级确定混合数据流的调度顺序，包括：
S10411、基于上述业务优先级确定上述多种类型的目标数据流对应的实际网络带宽。
S10412、基于上述实际网络带宽分别为上述多种类型的目标数据流分配业务带宽，生成分配结果。
具体地，ADA-HTB算法中设置了链路共享，在网卡空闲时共享链路，在繁忙时根据各类目标流量数据对应的实际速率实现带宽分配。
S10413、基于上述分配结果与上述业务优先级确定上述混合数据流的调度顺序。
具体地，在MEC系统的网络环境中，高优先级的数据流往往具备的特征是数据量较小，但时延等QoS指标的要求极高，所以这一类数据流网络节点优先级设置为高，但带宽分配较低，这样可以保证关键数据流的QoS，同时不占用过多的带宽；对于数据量较大的业务，其优先级设置较低，但带宽分配较高；进而，应当综合考虑优先级与带宽的分配结果决定调度顺序。
进一步地，ADA-HTB算法的具体原理是：从树的底部开始，向上寻找处于网络带宽充足状态的类(即各类目标数据流)，即发送数据流的速率(即各类目标数据流对应的实际网络带宽)小于令牌流的速率(即各类目标数据流对应的网络带宽总量)，如果在某一层找到具有这种状态的类，则停止；如果在该层有多个处于该状态的类，则选择优先级最高的类，如果仍有多个优先级最高的类，则在这些类中轮询处理；由于只有叶子节点可以缓存网络数据包，如果内部节点在上述步骤中被选中，则顺着树向下走，得到一个叶子节点，并且叶子节点处于没有令牌但可以被借用的状态，即发送的数据流率大于令牌流率但不超过带宽限制率，此时，内部节点将其多余的令牌(剩余网络容量)借给叶子节点，供其发送数据包，如果叶子节点有多个处于这种状态的子类，则在这些类中轮询处理。
作为本发明一个可选实施方式，如图9所示，上述S10411，即基于上述业务优先级确定上述多种类型的目标数据流对应的实际网络带宽，包括：
S104111、获取任务权重、带宽总量因子和剩余带宽量，基于当前目标数据流确定网络带宽总量和数据包总量，基于上述业务优先级、上述任务权重、上述带宽总量因子、上述剩余带宽量、上述网络带宽总量和上述数据包总量确定调用带宽；其中，上述当前目标数据流属于上述多种类型的目标数据流。
具体地，假设C类目标数据流的上一节点为P，则上一级别的目标数据流的调用带宽Bc的计算公式如下所示：
其中，w1表示带宽总量因子，Qc表示C类目标数据流的网络带宽总量，Qi表示i类目标数据流的网络带宽总量，Dp表示P的所有数据包堆积的子孙节点(即数据包总量)，Si表示节点i的数据包总量，w2表示任务权重，Sc表示C类目标数据流的数据包总量，Rp表示P的剩余带宽量，Pc表示C类目标数据流的业务优先级。
S10412、获取当前目标数据流对应的最大网络容量和预设网络容量，基于上述调用带宽、上述最大网络容量和上述预设网络容量确定上述实际网络带宽。
具体地，实际网络带宽的计算公式如下所示：
Rc＝min(CRc，ARc+Bc) (9)
上式中，Rc表示实际网络带宽，CRc表示C类目标数据流对应的最大网络容量，ARc表示C类目标数据流对应的预设网络容量，Bc表示调用带宽。
作为本发明一个可选实施方式，如图10所示，上述S10412，即基于上述实际网络带宽分别为上述多种类型的目标数据流分配业务带宽，生成分配结果，包括：
S104121、将上述网络带宽总量与上述实际网络带宽进行比较，当上述网络带宽总量小于上述实际网络带宽时，则上述剩余带宽量分配给其他目标数据流；其中，上述其他目标数据流与上述当前目标数据流的业务优先级相同。
具体地，当某类目标数据流有带宽需求且其网络带宽的没有达到实际网络带宽时，则预设网络容量保持不变，而剩余带宽量被所有相同的拥有最高优先级的叶子节点平分，进而基于上述公式(8)与公式(9)继续进行调用带宽的计算。
S104122、当上述其他目标数据流对应的网络带宽符合预设条件时，生成上述分配结果。
具体地，当当前目标数据流对应的网络带宽总量大于上述实际网络带宽时，则确定下一叶子节点的网络带宽，直至所有的叶子结点的网络带宽分配完成后，生成分配结果。
本发明实施例还公开了一种用于电网边缘计算系统的数据流调度装置，如图11所示，包括：
分类模块111，用于获取电网边缘计算系统的混合数据流，对上述混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务。
具体地，基于业务流五元组信息对上述混合数据流进行分类，生成多种类型的目标数据流；其中，五元组规则包含：源IP地址、源端口、目的IP地址、目的端口、传输层协议。
划分模块112，用于获取服务质量需求指标，利用上述服务质量需求指标分别对上述多种类型的目标数据流进行优先级划分，生成业务优先级。
获取模块113，用于获取电网业务的流量预测结果；其中，上述流量预测结果由上述电网业务的历史流量数据处理生成。
具体地，为了在较长时间内预测MEC系统的数据，同时避免梯度消失或梯度爆炸的问题，传统的RNN模型无法满足系统预测的需求，除此之外，基础的LSTM模型结构单一，参数较少，准确率较低；综合考虑时间序列的预测精度和降低模型的时间复杂度，提高机器学习的效率，本发明采用改进的三层LSTM(3L-LSTM)神经网络模型对MEC系统流量进行预测。
进一步地，由于网络层数的增加会使机器学习面临过拟合问题，因此三层LSTM模型在网络层中插入了Dropout层(Dropout是指深度学习训练过程中，对于神经网络训练单元，暂时将按照一定的概率将其从网络中移除)，Dropout可以随机断开网络层之间的连接，从而减少实际训练参与的模型的参数量，从而减少模型的实际容量，防止过拟合，模型的最后设置全连接层(简称Dense层)，将数据维度还原为一维，从而输出电网业务的流量预测结果。
进一步地，3L-LSTM模型在训练后更新，神经网络的内部状态根据前向传播算法更新，权重和偏置根据后向传播算法训练更新；其中，3L-LSTM模型的优化算法为Adam优化算法，Adam优化算法是一种对随机梯度下降法的扩展，最近在计算机视觉和自然语言处理中广泛应用于深度学习应；与传统的随机梯度下降方法不同，Adam优化算法是一种基于训练数据迭代更新神经网络权重的一阶优化算法，可以根据训练数据对神经网络的权值不断迭代更新；此外，Adam算法梯度对角缩放具有不变性，适用于解决包含高噪声或稀疏梯度的问题，Adam算法的计算公式如下所示：
其中，mt表示梯度中第一时刻平均值，
表示更新后第一时刻平均值，vt表示梯度中第二时刻未中心化方差的估计值，
表示更新后的第二时刻未中心化方差的估计值，θt表示第t次迭代下的训练参数，θt+1表示第t+1次迭代下的训练参数，β1 t表示更新后的一阶矩的指数衰减率，
表示更新后的二阶矩的指数衰减率，η表示学习率，∈表示为了维持数值稳定而添加的常数。
进一步地，3L-LSTM模型的损失函数选择平均绝对误差(Mean Absolute Error，MAE)，3L-LSTM模型激活函数选择Relu(神经激活函数)，最终通过合理次数的迭代训练，使模型拥有相对更优的学习能力。
分配模块114，用于基于上述业务优先级和上述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。
具体地，数据流调度是MEC系统网络中实现服务质量的核心机制之一，针对不同用户的不同QoS要求，实现不同业务的按需转发，提高用户满意度，进而在识别了MEC系统中的混合数据流后，得到了每个业务的流量(即多种类型的目标数据流)，考虑到CBQ(Class-BasedQueuing，基于类的队列)算法配置复杂，精度不够，PRIO算法(分类优先算法)无法限制带宽；而本发明通过自适应数据流调度机制(简称ADA-HTB)对业务带宽资源进行动态分配克服了上述算法缺陷。
本发明提供的一种用于电网边缘计算系统的数据流调度装置，从混合数据流中识别出不同电网业务后，利用服务质量需求指标对电网业务进行优先级划分，生成业务优先级，有效提高了各类电网业务的服务质量，并且基于业务优先级和流量预测结果分配业务带宽资源，从而实现服务级感知的调度机制，满足电网中差异化业务的服务质量需求，把流量预测与流量调度密切结合，实现了带宽资源的有效分配，避免了资源分配不均衡而引发的拥塞问题，从而保证了电力时延敏感业务与非时延敏感业务的服务质量。
作为本发明一个可选实施方式，上述分类模块111，包括：
识别子模块，用于对上述混合数据流的业务特征进行识别，确定多种电网业务特征。
分类子模块，用于基于上述电网业务特征对上述混合数据流进行分类，生成上述多种类型的目标数据流。
具体地，将混合数据流按照五元组信息进行分类，五元组信息相同的数据包视为同一类型的数据流。
作为本发明一个可选实施方式，上述划分模块112，包括：
划分子模块，用于利用上述服务质量需求指标分别对上述多种类型的目标数据流进行优先级划分，生成静态优先级。
具体地，当前电网的业务类型覆盖广泛，针对电网的三大类业务进行分析，根据现有电网业务场景下的调研结果，控制类业务包括配电自动化业务，用电负荷需求响应业务，精准负荷控制业务，分布式能源调控业务，其未来业务主站部分功能将下沉实现本地控制，业务时延要求高，达到毫秒级，可靠性要求高，业务隔离要求高，整体业务优先级要求较高；信息采集类业务包括用电信息采集业务，配电房视频综合监控业务，其未来高频采集、海量连接、实时采集对带宽和时延提出了更高的要求；移动应用类业务包括移动现场施工作业管控业务及变电站巡检机器人业务，其未来将实现智能化、自动化和远程实时交互，对时延要求高，要求在百毫秒级，对带宽要求也很高；因此根据不同业务服务质量需求指标初步分析电网业务，建立静态优先级。
获取子模块，用于获取多种类型的目标数据流对应的最大时延限度和数据包排队时间，基于上述最大时延限度和上述数据包排队时间确定可调节时间。
具体地，在静态业务优先级的基础上，业务划分需要具有灵活性，需要适应电网不同的应用场景以及应对不同的突发状况，在移动边缘计算(MEC)系统中，针对每一个边缘结点，都具有一个根据优先级缓存数据包的缓存队列；当优先级较高的数据包进入队列准备传输时，调度器优先为这种数据包分配信道；当优先级较低的数据包进入队列时，若所有信道均被优先级比该数据包的优先级高的数据包占用时，则会发生拥塞现象，该数据包进入缓存队列；当该数据包正在传输时，也可能被更高优先级的数据包中断，重新进入缓存队列，等待重新分配；因此该数据包的时延会不断增加，进而导致丢包率的增加；当时延增加到一定限度时，应进行业务优先级动态调整，确保较低优先级的数据包的QoS。
进一步地，定义最大时延限度为tm，它表示的含义为数据包可以等待的最长时间，数据包排队时间为tq，最大时延限度与排队时间的差定义为可调节时间Δt，则可调节时间Δt的计算公式为：
Δt＝tm-tq (4)
标记子模块，用于基于上述可调节时间对上述静态优先级进行调节，并标记上述电网业务的优先级，生成上述业务优先级。
具体地，由于数据包被中断或拥塞产生的排队时间tq不断增加，在最大时延限度tm固定的前提条件下，可调节时间Δt不断减小，当其减小到一定程度达到临界值时，数据包可能会被丢弃，因此需要将该数据包的优先级提升，预留出相应的足够长的时间供数据包后续调度从而满足其时延需求；可调节时间长的数据包与可调节时间短的数据包相比可以在缓存队列中等待更长的时间，因此根据Δt的大小调节优先级确保接近最大限度时延的数据包的排队时间缩短进入相应信道。
进一步地，将上述八种业务的优先级定义为L，并分别设置为1到8，最高级为1，最低级为8，定义优先级为n的目标数据流对应数据包的可调节时间Δt的临界值为tn，则业务优先级根据以下表达式确定：
其中，t1表示最高优先级的目标数据流对应数据包的可调节时间Δt的临界值，tn-1表示优先级为n-1的目标数据流对应数据包的可调节时间Δt的临界值。
作为本发明一个可选实施方式，上述分配模块114，包括：
第一确定子模块，用于基于上述业务优先级确定上述混合数据流的调度顺序。
具体地，以多种类型的目标数据流作为叶子节点，以不同网络区域的目标数据流构建树，并为各叶子节点标记业务优先级；如图7所示，1表示网络管理节点，video表示视频数据流，chat表示语音数据流，基于视频数据流的类型构建树，对各类视频流标记优先级1:24、1:25、1:26、1:27、1:28，将视频流的类型中的子类作为子节点，将子节点的上一级作为父节点，以此确定连接关系；同理，语音数据流也是以上述方法确定叶子结点与连接关系；其中，子节点可以从父节点借用空闲带宽。
第二确定子模块，用于基于上述业务优先级与上述电网业务的流量预测结果确定业务带宽调整比例。
具体地，每个业务的带宽调整比例ai的公式如下：
ai＝f(pi)+g(ti) (6)
其中，pi表示业务优先级的大小，pi的值越小优先级越高，ti表示预测的业务流量大小(即电网业务的流量预测结果)，ti的值越大表示预测量越大业务优先级越高，其数据量一般较小，分配的带宽资源相对越少，业务流量预测的结果越大，分配的带宽资源越多。
第三确定子模块，用于基于上述混合数据流的调度顺序与上述业务带宽调整比例确定上述混合数据流的调度结果。
作为本发明一个可选实施方式，上述第一确定子模块，包括：
第一确定单元，用于基于上述业务优先级确定上述多种类型的目标数据流对应的实际网络带宽。
生成单元，用于基于上述实际网络带宽分别为上述多种类型的目标数据流分配业务带宽，生成分配结果。
具体地，ADA-HTB算法中设置了链路共享，在网卡空闲时共享链路，在繁忙时根据各类目标流量数据对应的实际速率实现带宽分配。
第二确定单元，用于基于上述分配结果与上述业务优先级确定上述混合数据流的调度顺序。
具体地，在MEC系统的网络环境中，高优先级的数据流往往具备的特征是数据量较小，但时延等QoS指标的要求极高，所以这一类数据流网络节点优先级设置为高，但带宽分配较低，这样可以保证关键数据流的QoS，同时不占用过多的带宽；对于数据量较大的业务，其优先级设置较低，但带宽分配较高；进而，应当综合考虑优先级与带宽的分配结果决定调度顺序。
进一步地，ADA-HTB算法的具体原理是：从树的底部开始，向上寻找处于网络带宽充足状态的类(即各类目标数据流)，即发送数据流的速率(即各类目标数据流对应的实际网络带宽)小于令牌流的速率(即各类目标数据流对应的网络带宽总量)，如果在某一层找到具有这种状态的类，则停止；如果在该层有多个处于该状态的类，则选择优先级最高的类，如果仍有多个优先级最高的类，则在这些类中轮询处理；由于只有叶子节点可以缓存网络数据包，如果内部节点在上述步骤中被选中，则顺着树向下走，得到一个叶子节点，并且叶子节点处于没有令牌但可以被借用的状态，即发送的数据流率大于令牌流率但不超过带宽限制率，此时，内部节点将其多余的令牌(剩余网络容量)借给叶子节点，供其发送数据包，如果叶子节点有多个处于这种状态的子类，则在这些类中轮询处理。
作为本发明一个可选实施方式，上述第一确定单元，包括：
确定子单元，用于获取任务权重、带宽总量因子和剩余带宽量，基于当前目标数据流确定网络带宽总量和数据包总量，基于上述业务优先级、上述任务权重、上述带宽总量因子、上述剩余带宽量、上述网络带宽总量和上述数据包总量确定调用带宽；其中，上述当前目标数据流属于上述多种类型的目标数据流。
具体地，假设C类目标数据流的上一节点为P，则上一级别的目标数据流的调用带宽Bc的计算公式如下所示：
其中，w1表示带宽总量因子，Qc表示C类目标数据流的网络带宽总量，Qi表示i类目标数据流的网络带宽总量，Dp表示P的所有数据包堆积的子孙节点(即数据包总量)，Si表示节点i的数据包总量，w2表示任务权重，Sc表示C类目标数据流的数据包总量，Rp表示P的剩余带宽量，Pc表示C类目标数据流的业务优先级。
获取子单元，用于获取当前目标数据流对应的最大网络容量和预设网络容量，基于上述调用带宽、上述最大网络容量和上述预设网络容量确定上述实际网络带宽。
具体地，实际网络带宽的计算公式如下所示：
Rc＝min(CRc，ARc+Bc) (9)
上式中，Rc表示实际网络带宽，CRc表示C类目标数据流对应的最大网络容量，ARc表示C类目标数据流对应的预设网络容量，Bc表示调用带宽。
作为本发明一个可选实施方式，上述生成单元，包括：
比较子单元，用于将上述网络带宽总量与上述实际网络带宽进行比较，当上述网络带宽总量小于上述实际网络带宽时，则上述剩余带宽量分配给其他目标数据流；其中，上述其他目标数据流与上述当前目标数据流的业务优先级相同。
具体地，当某类目标数据流有带宽需求且其网络带宽的没有达到实际网络带宽时，则预设网络容量保持不变，而剩余带宽量被所有相同的拥有最高优先级的叶子节点平分，进而基于上述公式(8)与公式(9)继续进行调用带宽的计算。
生成子单元，用于当上述其他目标数据流对应的网络带宽符合预设条件时，生成上述分配结果。
具体地，当当前目标数据流对应的网络带宽总量大于上述实际网络带宽时，则确定下一叶子节点的网络带宽，直至所有的叶子结点的网络带宽分配完成后，生成分配结果。
另外，本发明实施例还提供了一种电子设备，如图12所示，该电子设备可以包括处理器110和存储器120，其中处理器110和存储器120可以通过总线或者其他方式连接，图7中以通过总线连接为例。此外，该电子设备中还包括至少一个接口130，该至少一个接口130可以是通信接口或其他接口，本实施例对此不做限制。
其中，处理器110可以为中央处理器(Central Processing Unit，CPU)。处理器110还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器120作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的视频合成方法对应的程序指令/模块。处理器110通过运行存储在存储器120中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的一种用于电网边缘计算系统的数据流调度方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器110所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至处理器110。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
另外，至少一个接口130用于电子设备与外部设备的通信，比如与服务器通信等。可选的，至少一个接口130还可以用于连接外设输入、输出设备，比如键盘、显示屏等。
所述一个或者多个模块存储在所述存储器120中，当被所述处理器110执行时，执行上述方法实施例中的一种用于电网边缘计算系统的数据流调度方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种用于电网边缘计算系统的数据流调度方法，其特征在于，所述方法包括：
获取电网边缘计算系统的混合数据流，对所述混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务；
获取服务质量需求指标，利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成业务优先级；
获取电网业务的流量预测结果；其中，所述流量预测结果由电网业务的历史流量数据处理生成；
基于所述业务优先级和所述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述混合数据流进行分类，生成多种类型的目标数据流，包括：
对所述混合数据流的业务特征进行识别，确定多种电网业务特征；
基于所述电网业务特征对所述混合数据流进行分类，生成所述多种类型的目标数据流。
3.根据权利要求1所述的方法，其特征在于，所述利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成业务优先级，包括：
利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成静态优先级；
获取多种类型的目标数据流对应的最大时延限度和数据包排队时间，基于所述最大时延限度和所述数据包排队时间确定可调节时间；
基于所述可调节时间对所述静态优先级进行调节，并标记所述电网业务的优先级，生成所述业务优先级。
4.根据权利要求1所述的方法，其特征在于，所述基于所述业务优先级和所述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流调度结果，包括：
基于所述业务优先级确定所述混合数据流的调度顺序；
基于所述业务优先级与所述电网业务的流量预测结果确定业务带宽调整比例；
基于所述混合数据流的调度顺序与所述业务带宽调整比例确定所述混合数据流的调度结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述业务优先级确定混合数据流的调度顺序，包括：
基于所述业务优先级确定所述多种类型的目标数据流对应的实际网络带宽；
基于所述实际网络带宽分别为所述多种类型的目标数据流分配业务带宽，生成分配结果；
基于所述分配结果与所述业务优先级确定所述混合数据流的调度顺序。
6.根据权利要求5所述的方法，其特征在于，所述基于所述业务优先级确定所述多种类型的目标数据流对应的实际网络带宽，包括：
获取任务权重、带宽总量因子和剩余带宽量，基于当前目标数据流确定网络带宽总量和数据包总量，基于所述业务优先级、所述任务权重、所述带宽总量因子、所述剩余带宽量、所述网络带宽总量和所述数据包总量确定调用带宽；其中，所述当前目标数据流属于所述多种类型的目标数据流；
获取当前目标数据流对应的最大网络容量和预设网络容量，基于所述调用带宽、所述最大网络容量和所述预设网络容量确定所述实际网络带宽。
7.根据权利要求6所述的方法，其特征在于，所述基于所述实际网络带宽分别为所述多种类型的目标数据流分配业务带宽，生成分配结果，包括：
将所述网络带宽总量与所述实际网络带宽进行比较，当所述网络带宽总量小于所述实际网络带宽时，则所述剩余带宽量分配给其他目标数据流；其中，所述其他目标数据流与所述当前目标数据流的业务优先级相同；
当所述其他目标数据流对应的网络带宽符合预设条件时，生成所述分配结果。
8.一种用于电网边缘计算系统的数据流调度装置，其特征在于，包括：
分类模块，用于获取电网边缘计算系统的混合数据流，对所述混合数据流进行分类，生成多种类型的目标数据流；其中，目标数据流用于传输电网业务；
划分模块，用于获取服务质量需求指标，利用所述服务质量需求指标分别对所述多种类型的目标数据流进行优先级划分，生成业务优先级；
获取模块，用于获取电网业务的流量预测结果；其中，所述流量预测结果由所述电网业务的历史流量数据处理生成；
分配模块，用于基于所述业务优先级和所述电网业务的流量预测结果，对业务带宽资源进行动态分配，生成混合数据流的调度结果。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器与所述处理器耦合；
所述存储器上存储有计算机可读程序指令，当所述指令被所述处理器执行时，实现如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质，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实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211648061.XA CN116095175B (zh) | 2022-12-21 | 2022-12-21 | 一种用于电网边缘计算系统的数据流调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211648061.XA CN116095175B (zh) | 2022-12-21 | 2022-12-21 | 一种用于电网边缘计算系统的数据流调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116095175A true CN116095175A (zh) | 2023-05-09 |
| CN116095175B CN116095175B (zh) | 2024-02-02 |
Family
ID=86209491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211648061.XA Active CN116095175B (zh) | 2022-12-21 | 2022-12-21 | 一种用于电网边缘计算系统的数据流调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116095175B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110242978A1 (en) * | 2010-03-31 | 2011-10-06 | Alcatel-Lucent Usa, Incorporated | System and method for dynamically adjusting quality of service configuration based on real-time traffic |
| CN108683611A (zh) * | 2018-05-17 | 2018-10-19 | 国网山东省电力公司经济技术研究院 | 基于ptn网络的电力通信业务流量分类控制方法及系统 |
| CN109922479A (zh) * | 2019-01-11 | 2019-06-21 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
| CN113286269A (zh) * | 2020-10-31 | 2021-08-20 | 国网河南省电力公司经济技术研究院 | 一种基于边缘计算的电力通信网络资源管理方法 |
| CN114422447A (zh) * | 2021-12-25 | 2022-04-29 | 中国海洋大学 | 多业务多网络融合通信调度方法及系统、介质、终端、应用 |
| CN114885028A (zh) * | 2022-05-25 | 2022-08-09 | 国网北京市电力公司 | 业务调度方法、装置及计算机可读存储介质 |
-
2022
- 2022-12-21 CN CN202211648061.XA patent/CN116095175B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110242978A1 (en) * | 2010-03-31 | 2011-10-06 | Alcatel-Lucent Usa, Incorporated | System and method for dynamically adjusting quality of service configuration based on real-time traffic |
| CN108683611A (zh) * | 2018-05-17 | 2018-10-19 | 国网山东省电力公司经济技术研究院 | 基于ptn网络的电力通信业务流量分类控制方法及系统 |
| CN109922479A (zh) * | 2019-01-11 | 2019-06-21 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
| CN113286269A (zh) * | 2020-10-31 | 2021-08-20 | 国网河南省电力公司经济技术研究院 | 一种基于边缘计算的电力通信网络资源管理方法 |
| CN114422447A (zh) * | 2021-12-25 | 2022-04-29 | 中国海洋大学 | 多业务多网络融合通信调度方法及系统、介质、终端、应用 |
| CN114885028A (zh) * | 2022-05-25 | 2022-08-09 | 国网北京市电力公司 | 业务调度方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 梁根;梁活民;: "多业务流量预测动态带宽分配方法", 计算机工程与应用, no. 18, pages 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116095175B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114268537B (zh) | 面向确定性网络的网络切片生成及动态配置系统及方法 | |
| CN112543508A (zh) | 面向5g网络切片的无线资源分配方法及网络架构 | |
| CN111181873B (zh) | 数据发送方法、装置、存储介质和电子设备 | |
| CN102461091B (zh) | 用于拥塞控制的方法和装置 | |
| CN104219167A (zh) | 网络资源调度方法和服务器 | |
| CN109257304A (zh) | 一种带宽调整方法、装置、存储介质和网络设备 | |
| CN109150756A (zh) | 一种基于sdn电力通信网的队列调度权值量化方法 | |
| Tshiningayamwe et al. | A priority rate-based routing protocol for wireless multimedia sensor networks | |
| CN116743669A (zh) | 一种深度强化学习分组调度方法、系统、终端及介质 | |
| CN118055024A (zh) | 动态自适应网络流量管理系统及方法 | |
| CN118102318A (zh) | 一种基于5g技术的数据传输系统 | |
| CN107613510A (zh) | 基于QoS的智能电力通信业务差分调度机制优化方法 | |
| CN117834552A (zh) | 通信队列调度优化方法、装置、设备及介质 | |
| CN117880177A (zh) | 一种基于sdn的物联网服务质量保障方法与系统 | |
| CN116095175B (zh) | 一种用于电网边缘计算系统的数据流调度方法及装置 | |
| CN110247854B (zh) | 一种多等级业务调度方法和调度系统以及调度控制器 | |
| US20230024678A1 (en) | Scheduling in cloud radio access network | |
| Liang et al. | Queue‐based congestion detection and multistage rate control in event‐driven wireless sensor networks | |
| CN110636013B (zh) | 一种消息队列的动态调度方法及装置 | |
| CN113784395A (zh) | 一种5g网络切片资源分配方法及系统 | |
| CN114338428A (zh) | 配电物联网业务流量预测方法及装置 | |
| CN112714037A (zh) | 一种线上服务质量的保障性能评估方法、装置及设备 | |
| Li et al. | The design methodology for mac strategies and protocols supporting ultra-low delay services in next generation IEEE 802.11 WLAN | |
| Lygdenov | Priority Service in Data Transmission Networks with Non-Stationary Flows | |
| CN112199179B (zh) | 业务调度方法、装置、电子设备及存储介质 |
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 |