CN116095753B - 协同计算方法、装置、设备及存储介质 - Google Patents
协同计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116095753B CN116095753B CN202310371044.4A CN202310371044A CN116095753B CN 116095753 B CN116095753 B CN 116095753B CN 202310371044 A CN202310371044 A CN 202310371044A CN 116095753 B CN116095753 B CN 116095753B
- Authority
- CN
- China
- Prior art keywords
- task
- base station
- identification
- tasks
- base stations
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
- H04W28/0942—Management thereof using policies based on measured or predicted load of entities- or links
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
- H04W28/095—Management thereof using policies based on usage history, e.g. usage history of devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种协同计算方法、装置、设备及存储介质,属于计算机技术领域。该方法包括:接收多个基站发送的基于激光雷达点云数据的识别任务,识别任务是基站中超出其处理能力的;对识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;针对每一任务队列,执行:根据任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于任务类型的空闲基站并确定为目标基站集合;按照任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将识别任务分配至目标基站进行执行。本申请旨在解决现有技术在路侧激光雷达输出的点云数据过多时,基站无法高效地处理点云数据,造成比较高的任务延迟的问题。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种协同计算方法、装置、设备及存储介质。
背景技术
随着测量技术的发展,路侧激光雷达已经具有较成熟的检测能力。基站可以根据路侧激光雷达输出的点云数据对雷达扫描区域内的交通物体进行识别,然后信息处理平台接收多个基站识别出的交通物体,根据交通物体计算交通流量。但是一个基站往往对应管控多个路侧激光雷达,当路侧激光雷达输出的点云数据过多时,基站会出现数据过载的情况,无法高效地处理点云数据,造成比较高的任务延迟。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种协同计算方法、装置、设备及存储介质,旨在解决现有技术在路侧激光雷达输出的点云数据过多时,基站无法高效地处理点云数据,造成比较高的任务延迟的技术问题。
为实现上述目的,本申请提供一种协同计算方法,包括以下步骤:
接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;
对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;
针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。
可选地,所述对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中的步骤,包括:
将所述识别任务的时延参数和运行负载输入至预先训练得到的任务类型分类模型中,输出所述识别任务所对应的任务类型;
根据所述识别任务所对应的任务类型,将其存储至相对应的任务队列中。
可选地,所述任务类型分类模型的训练步骤,包括:
构建初始分类模型;
获取历史识别任务的时延参数和运行负载作为训练样本数据;
基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型;
将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值;
根据所述概率预测值,确定所述训练样本数据对应的历史识别任务的预测任务类型;
判断根据所述实际任务类型和所述预测任务类型计算的模型损失是否收敛,若所述模型损失未收敛,则依据所述模型损失,对所述初始分类模型进行更新,并返回执行将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值的步骤及后续步骤,直至所述模型损失收敛,以得到训练好的任务类型分类模型。
可选地,所述基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型的步骤,包括:
将所述历史识别任务表示为Si(xi,yi);其中,xi表示所述历史识别任务的时延参数,yi表示所述历史识别任务的运行负载;
初始化K个聚类中心,K个聚类中心分别为U1,U2,……,Uk;
将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,其中距离采用欧氏距离进行计算;
将每个聚类集合中的所有历史识别任务Si(xi,yi)的均值作为新的聚类中心,并返回执行步骤:将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,直至聚类中心不再发生变化;
当聚类中心不再发生变化后,对每一聚类集合中的历史识别任务进行标注,得到所述历史识别任务的实际任务类型;其中,每一聚类集合中的历史识别任务的实际任务类型是一致的。
可选地,所述可分配识别任务服务器地图中,包括一个云基站和多个空闲基站,所述空闲基站与所述云基站之间的距离为时延参数,所述空闲基站在所述可分配任务基站地图中以圆点的形式存在,且圆点的面积表示所述空闲基站中的空闲运行负载大小,则所述根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合的步骤,包括:
根据所述任务队列所对应的任务类型,从第一关系列表中,确定所述任务类型对应的时延参数范围和运行负载范围;其中,所述第一关系列表中记录了任务类型与时延参数和运行负载之间的对应关系;
从可分配任务基站地图中,选取时延参数满足所述时延参数范围且空闲运行负载满足所述运行负载范围的空闲基站,并将选取得到的空闲基站确定为目标基站集合。
可选地,所述按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行执行的步骤,包括:
将所述任务队列中排序最前的识别任务作为当前识别任务;
基于所述当前识别任务的时延参数和运行负载,从所述目标基站集合中确定所述当前识别任务所对应的目标基站,以将所述任务队列中的识别任务分配至目标基站进行执行;其中,所述目标基站的时延参数与所述当前识别任务的时延参数之间的相似度满足第一相似度阈值,所述目标基站的空闲运行负载与所述当前识别任务的运行负载之间的相似度满足第二相似度阈值。
可选地,所述接收多个基站发送的识别任务的步骤,包括:
接收多个基站发送的识别任务;其中,所述多个基站周期性自检,若待执行队列中的识别任务的数量大于预设数量,则所述基站将超出预设数量的识别任务发送至云基站。
此外,为实现上述目的,本申请还提供一种协同计算装置,所述装置包括:
接收模块,用于接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;
分类模块,用于对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;
匹配模块,用于针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。
此外,为实现上述目的,本申请还提供一种协同计算设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的协同计算程序,所述协同计算程序配置为实现如上所述的协同计算方法的步骤。
此外,为实现上述目的,本申请还提供一种存储介质,所述存储介质上存储有协同计算程序,所述协同计算程序被处理器执行时实现如上所述协同计算方法的步骤。
本申请公开了一种协同计算方法、装置、设备及存储介质,与现有技术在路侧激光雷达输出的点云数据过多时,基站无法高效地处理点云数据,造成比较高的任务延迟相比,本申请接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。所以,在本申请中,当基站中的识别任务超出其处理能力时,基站将超出其处理能力的识别任务发送至云基站,云基站将基站上传的识别任务分配至其余空闲基站进行任务执行,以此实现基站之间识别任务的协同处理,提高识别任务的处理效率,降低任务延迟。
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。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请协同计算方法第一实施例的流程示意图;
图2为本申请可分配任务基站地图的示意图;
图3为本申请协同计算装置第一实施例的流程示意图;
图4为本申请实施例方案涉及的硬件运行环境的协同计算设备结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供了一种协同计算方法,参照图1,图1为本申请协同计算方法第一实施例的流程示意图。
在本实施例中,所述协同计算方法方法包括:
步骤S10、接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;
步骤S20、对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;
步骤S30、针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。
与现有技术在路侧激光雷达输出的点云数据过多时,基站无法高效地处理点云数据,造成比较高的任务延迟相比,在本申请中,当基站中的基于激光雷达点云数据的识别任务超出其处理能力时,基站将超出其处理能力的识别任务发送至云基站,云基站将基站上传的识别任务分配至其余空闲基站进行执行,以此实现基站之间识别任务的协同处理,提高识别任务的处理效率,降低任务延迟。
具体步骤如下:
步骤S10、接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的。
需要说明的是,本实施例的协同计算方法的执行主体是云基站。其中,云基站可以是单一的基站,也可以是基站集群。
需要说明的是,云基站接收的基站发送的识别任务是基站中超出其处理能力的。也就是说,云基站接收的基站发送的识别任务是基站当前无法处理的。
需要说明的是,基站中基于激光雷达点云数据的识别任务指的是对激光雷达点云数据进行识别,识别出激光雷达点云数据对应的交通物体,其中,交通物体可以分为机动车、非机动车和行人三大类。基站识别出激光雷达点云数据对应的交通物体后,将识别出的交通物体上传至信息处理平台后,以供信息处理平台根据交通物体计算出单位时间内道路上的交通流量。
作为一种示例,基站通过以下方式,确定其内的识别任务是否超出其处理能力:
基站周期性自检,若待执行队列中的识别任务的数量大于预设数量,则基站将超出预设数量的识别任务发送至云基站。
步骤S20、对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中。
作为一种示例,所述对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中的步骤,包括:
步骤S21、将所述识别任务的时延参数和运行负载输入至预先训练得到的任务类型分类模型中,输出所述识别任务所对应的任务类型;
步骤S22、根据所述识别任务所对应的任务类型,将其存储至相对应的任务队列中。
具体地,所述任务类型分类模型的训练步骤,包括:
步骤a1、构建初始分类模型。
具体地,初始分类模型是包括Softmax函数层的神经网络模型。
步骤a2、获取历史识别任务的时延参数和运行负载作为训练样本数据。
步骤a3、基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型。
具体地,基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型的步骤,包括:
将所述历史识别任务表示为Si(xi,yi);其中,xi表示所述历史识别任务的时延参数,yi表示所述历史识别任务的运行负载;
初始化K个聚类中心,K个聚类中心分别为U1,U2,……,Uk;
将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,其中距离采用欧氏距离进行计算;
将每个聚类集合中的所有历史识别任务Si(xi,yi)的均值作为新的聚类中心,并返回执行步骤:将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,直至聚类中心不再发生变化;
当聚类中心不再发生变化后,对每一聚类集合中的历史识别任务进行标注,得到所述历史识别任务的实际任务类型;其中,每一聚类集合中的历史识别任务的实际任务类型是一致的。
需要说明的是,在本实施例中,当聚类中心不再发生变化后,用户根据每一聚类集合中的历史识别任务的时延参数和运行负载,自定义每一聚类集合中的历史识别任务的实际任务类型。
步骤a4、将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值。
步骤a5、根据所述概率预测值,确定所述训练样本数据对应的历史识别任务的预测任务类型。
作为一种示例,若概率预测值小于第一概率阈值,则确定训练样本数据对应的历史识别任务的预测任务类型为第一任务类型;若概率预测值大于等于第一概率阈值且小于第二概率阈值,则确定训练样本数据对应的历史识别任务的预测任务类型为第二任务类型;若概率预测值大于等于第二概率阈值且小于第三概率阈值,则确定训练样本数据对应的历史识别任务的预测任务类型为第三任务类型;若概率预测值大于等于第三概率阈值,则确定训练样本数据对应的历史识别任务的预测任务类型为第四任务类型。
步骤a6、判断根据所述实际任务类型和所述预测任务类型计算的模型损失是否收敛,若所述模型损失未收敛,则依据所述模型损失,对所述初始分类模型进行更新,并返回执行将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值的步骤及后续步骤,直至所述模型损失收敛,以得到训练好的任务类型分类模型。
作为一种示例,基于二值交叉熵函数,对实际任务类型和预测任务类型进行损失计算,将计算得到的损失值作为模型损失。
步骤S30、针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。
作为一种示例,如图2所示,可分配任务基站地图中,包括一个云基站和多个空闲基站,空闲基站与云基站之间的距离(图2中表示空闲基站的圆点的圆心与表示云基站的圆点的圆心之间的距离)为时延参数,空闲基站在可分配任务基站地图中以圆点的形式存在,且圆点的面积表示空闲基站中的空闲运行负载大小,则根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合的步骤,包括:
根据所述任务队列所对应的任务类型,从第一关系列表中,确定所述任务类型对应的时延参数范围和运行负载范围;其中,所述第一关系列表中记录了任务类型与时延参数和运行负载之间的对应关系;
从可分配任务基站地图中,选取时延参数满足所述时延参数范围且空闲运行负载满足所述运行负载范围的空闲基站,并将选取得到的空闲边缘服务确定为目标基站集合。
作为一种示例,按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行的步骤,包括:
将所述任务队列中排序最前的识别任务作为当前识别任务;
基于所述当前识别任务的时延参数和运行负载,从所述目标基站集合中确定所述当前识别任务所对应的目标基站,以将所述任务队列中的识别任务分配至目标基站进行执行;其中,所述目标基站的时延参数与所述当前识别任务的时延参数之间的相似度满足第一相似度阈值,所述目标基站的空闲运行负载与所述当前识别任务的运行负载之间的相似度满足第二相似度阈值。
本申请实施例提供了一种协同计算装置,参照图3,图3为本申请协同计算装置第一实施例的流程示意图。
在本实施例中,所述装置包括:
接收模块10,用于接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;
分类模块20,用于对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;
匹配模块30,用于针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行执行。
可选地,所述分类模块包括:
分类单元,用于将所述识别任务的时延参数和运行负载输入至预先训练得到的任务类型分类模型中,输出所述识别任务所对应的任务类型;
存储单元,用于根据所述识别任务所对应的任务类型,将其存储至相对应的任务队列中。
可选地,所述协同计算装置还包括模型训练模块,所述模型训练模块包括:
构建单元,用于构建初始分类模型;
训练样本获取单元,用于获取历史识别任务的时延参数和运行负载作为训练样本数据;
标注单元,用于基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型;
训练单元,用于将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值;并根据所述概率预测值,确定所述训练样本数据对应的历史识别任务的预测任务类型;以及判断根据所述实际任务类型和所述预测任务类型计算的模型损失是否收敛,若所述模型损失未收敛,则依据所述模型损失,对所述初始分类模型进行更新,并返回执行将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值的步骤及后续步骤,直至所述模型损失收敛,以得到训练好的任务类型分类模型。
可选地,所述标注单元用于实现:
将所述历史识别任务表示为Si(xi,yi);其中,xi表示所述历史识别任务的时延参数,yi表示所述历史识别任务的运行负载;
初始化K个聚类中心,K个聚类中心分别为U1,U2,……,Uk;
将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,其中距离采用欧氏距离进行计算;
将每个聚类集合中的所有历史识别任务Si(xi,yi)的均值作为新的聚类中心,并返回执行步骤:将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,直至聚类中心不再发生变化;
当聚类中心不再发生变化后,对每一聚类集合中的历史识别任务进行标注,得到所述历史识别任务的实际任务类型;其中,每一聚类集合中的历史识别任务的实际任务类型是一致的。
可选地,所述可分配任务基站地图中,包括一个云基站和多个空闲基站,所述空闲基站与所述云基站之间的距离为时延参数,所述空闲基站在所述可分配任务基站地图中以圆点的形式存在,且圆点的面积表示所述空闲基站中的空闲运行负载大小,则所述匹配模块具体用于实现:
根据所述任务队列所对应的任务类型,从第一关系列表中,确定所述任务类型对应的时延参数范围和运行负载范围;其中,所述第一关系列表中记录了任务类型与时延参数和运行负载之间的对应关系;
从可分配任务基站地图中,选取时延参数满足所述时延参数范围且空闲运行负载满足所述运行负载范围的空闲基站,并将选取得到的空闲基站确定为目标基站集合。
可选地,所述匹配模块还具体用于实现:
将所述任务队列中排序最前的识别任务作为当前识别任务;
基于所述当前识别任务的时延参数和运行负载,从所述目标基站集合中确定所述当前识别任务所对应的目标基站,以将所述任务队列中的识别任务分配至目标基站进行执行;其中,所述目标基站的时延参数与所述当前识别任务的时延参数之间的相似度满足第一相似度阈值,所述目标基站的空闲运行负载与所述当前识别任务的运行负载之间的相似度满足第二相似度阈值。
可选地,所述接收模块具体用于实现:
接收多个基站发送的识别任务;其中,所述多个基站周期性自检,若待执行队列中的识别任务的数量大于预设数量,则所述基站将超出预设数量的识别任务发送至云基站。
本申请协同计算装置具体实施方式与上述协同计算方法各实施例基本相同,在此不再赘述。
参照图4,图4为本申请实施例方案涉及的硬件运行环境的协同计算设备结构示意图。
如图4所示,该协同计算设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。其中,应用于雷达领域的网络接口1004可以为光纤接口(SRIO接口)、网络接口和PCIe接口等。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图4中示出的结构并不构成对协同计算设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及协同计算程序。
在图4所示的协同计算设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请协同计算设备中的处理器1001、存储器1005可以设置在协同计算设备中,所述协同计算设备通过处理器1001调用存储器1005中存储的协同计算程序,并执行本申请上述实施例提供的协同计算方法。
本申请实施例还提供一种存储介质,所述存储介质上存储有协同计算程序,所述协同计算程序被处理器执行时实现如上所述协同计算方法的步骤。
本申请存储介质具体实施方式与上述协同计算方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种协同计算方法,其特征在于,所述协同计算方法包括以下步骤:
接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;
对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;
针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。
2.如权利要求1所述的协同计算方法,其特征在于,所述对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中的步骤,包括:
将所述识别任务的时延参数和运行负载输入至预先训练得到的任务类型分类模型中,输出所述识别任务所对应的任务类型;
根据所述识别任务所对应的任务类型,将其存储至相对应的任务队列中。
3.如权利要求2所述的协同计算方法,其特征在于,所述任务类型分类模型的训练步骤,包括:
构建初始分类模型;
获取历史识别任务的时延参数和运行负载作为训练样本数据;
基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型;
将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值;
根据所述概率预测值,确定所述训练样本数据对应的历史识别任务的预测任务类型;
判断根据所述实际任务类型和所述预测任务类型计算的模型损失是否收敛,若所述模型损失未收敛,则依据所述模型损失,对所述初始分类模型进行更新,并返回执行将所述训练样本数据输入至所述初始分类模型,输出所述训练样本数据对应的概率预测值的步骤及后续步骤,直至所述模型损失收敛,以得到训练好的任务类型分类模型。
4.如权利要求3所述的协同计算方法,其特征在于,所述基于均值聚类算法,对所述历史识别任务进行标注,得到所述历史识别任务的实际任务类型的步骤,包括:
将所述历史识别任务表示为Si(xi,yi);其中,xi表示所述历史识别任务的时延参数,yi表示所述历史识别任务的运行负载;
初始化K个聚类中心,K个聚类中心分别为U1,U2,……,Uk;
将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,其中距离采用欧氏距离进行计算;
将每个聚类集合中的所有历史识别任务Si(xi,yi)的均值作为新的聚类中心,并返回执行步骤:将所有历史识别任务Si(xi,yi),按照最小距离的原则,将其分配到最近的聚类中心所对应的聚类集合中,直至聚类中心不再发生变化;
当聚类中心不再发生变化后,对每一聚类集合中的历史识别任务进行标注,得到所述历史识别任务的实际任务类型;其中,每一聚类集合中的历史识别任务的实际任务类型是一致的。
5.如权利要求1所述的协同计算方法,其特征在于,所述可分配任务基站地图中,包括一个云基站和多个空闲基站,所述空闲基站与所述云基站之间的距离为时延参数,所述空闲基站在所述可分配任务基站地图中以圆点的形式存在,且圆点的面积表示所述空闲基站中的空闲运行负载大小,则所述根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合的步骤,包括:
根据所述任务队列所对应的任务类型,从第一关系列表中,确定所述任务类型对应的时延参数范围和运行负载范围;其中,所述第一关系列表中记录了任务类型与时延参数和运行负载之间的对应关系;
从可分配任务基站地图中,选取时延参数满足所述时延参数范围且空闲运行负载满足所述运行负载范围的空闲基站,并将选取得到的空闲基站确定为目标基站集合。
6.如权利要求1所述的协同计算方法,其特征在于,所述按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行的步骤,包括:
将所述任务队列中排序最前的识别任务作为当前识别任务;
基于所述当前识别任务的时延参数和运行负载,从所述目标基站集合中确定所述当前识别任务所对应的目标基站,以将所述任务队列中的识别任务分配至目标基站进行任务执行;其中,所述目标基站的时延参数与所述当前识别任务的时延参数之间的相似度满足第一相似度阈值,所述目标基站的空闲运行负载与所述当前识别任务的运行负载之间的相似度满足第二相似度阈值。
7.如权利要求1所述的协同计算方法,其特征在于,所述接收多个基站发送的识别任务的步骤,包括:
接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述多个基站周期性自检,若待执行队列中的识别任务的数量大于预设数量,则所述基站将超出预设数量的识别任务发送至云基站。
8.一种协同计算装置,其特征在于,所述装置包括:
接收模块,用于接收多个基站发送的基于激光雷达点云数据的识别任务;其中,所述识别任务是所述基站中超出其处理能力的;
分类模块,用于对所述识别任务进行分类,并将分类后的识别任务存储至相对应的任务队列中;
匹配模块,用于针对每一任务队列,执行步骤:根据所述任务队列所对应的任务类型,从可分配任务基站地图中,选取归属于所述任务类型的空闲基站并确定为目标基站集合;按照所述任务队列中识别任务的排序顺序,依次对相应顺序的识别任务进行任务分配,以将所述任务队列中的识别任务分配至目标基站进行任务执行。
9.一种协同计算设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的协同计算程序,所述协同计算程序配置为实现如权利要求1至7中任一项所述的协同计算方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有协同计算程序,所述协同计算程序被处理器执行时实现如权利要求1至7任一项所述协同计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310371044.4A CN116095753B (zh) | 2023-04-10 | 2023-04-10 | 协同计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310371044.4A CN116095753B (zh) | 2023-04-10 | 2023-04-10 | 协同计算方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116095753A CN116095753A (zh) | 2023-05-09 |
CN116095753B true CN116095753B (zh) | 2023-06-30 |
Family
ID=86187306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310371044.4A Active CN116095753B (zh) | 2023-04-10 | 2023-04-10 | 协同计算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116095753B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102342148A (zh) * | 2009-01-05 | 2012-02-01 | 英特尔公司 | 用于管理无线网络内的网络业务的方法 |
CN103294531A (zh) * | 2012-03-05 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 一种任务分配方法及系统 |
CN113411874A (zh) * | 2021-06-23 | 2021-09-17 | 中国电信股份有限公司 | 基站节能方法、基站节能装置、电子设备及介质 |
CN113934535A (zh) * | 2021-10-11 | 2022-01-14 | 广东科诺勘测工程有限公司 | 海量点云数据处理方法、装置、服务器及系统 |
CN113986534A (zh) * | 2021-10-15 | 2022-01-28 | 腾讯科技(深圳)有限公司 | 任务调度方法、装置、计算机设备和计算机可读存储介质 |
CN114089344A (zh) * | 2020-06-30 | 2022-02-25 | 比亚迪股份有限公司 | 基于三维模型的基站定位方法和系统 |
CN114269007A (zh) * | 2020-09-15 | 2022-04-01 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及方法存储介质 |
-
2023
- 2023-04-10 CN CN202310371044.4A patent/CN116095753B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102342148A (zh) * | 2009-01-05 | 2012-02-01 | 英特尔公司 | 用于管理无线网络内的网络业务的方法 |
CN103294531A (zh) * | 2012-03-05 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 一种任务分配方法及系统 |
CN114089344A (zh) * | 2020-06-30 | 2022-02-25 | 比亚迪股份有限公司 | 基于三维模型的基站定位方法和系统 |
CN114269007A (zh) * | 2020-09-15 | 2022-04-01 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及方法存储介质 |
CN113411874A (zh) * | 2021-06-23 | 2021-09-17 | 中国电信股份有限公司 | 基站节能方法、基站节能装置、电子设备及介质 |
CN113934535A (zh) * | 2021-10-11 | 2022-01-14 | 广东科诺勘测工程有限公司 | 海量点云数据处理方法、装置、服务器及系统 |
CN113986534A (zh) * | 2021-10-15 | 2022-01-28 | 腾讯科技(深圳)有限公司 | 任务调度方法、装置、计算机设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116095753A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200364664A1 (en) | Method for determining transportation scheme, method for training fast loading model, and device | |
US10099864B1 (en) | Carton induction optimization in order fulfillment picking system | |
CN108596630B (zh) | 基于深度学习的欺诈交易识别方法、系统及存储介质 | |
KR102497361B1 (ko) | 객체 검출 시스템 및 방법 | |
US20170084040A1 (en) | Systems And Methods For Containerizing Multilayer Image Segmentation | |
CN111930524A (zh) | 一种计算资源分配的方法和系统 | |
CN116095753B (zh) | 协同计算方法、装置、设备及存储介质 | |
CN113674425B (zh) | 点云采样方法、装置、设备及计算机可读存储介质 | |
CN109062683B (zh) | 主机资源分配的方法、装置及计算机可读存储介质 | |
CN117407178B (zh) | 一种自适应负载分配的加速子卡管理方法及系统 | |
CN110908797A (zh) | 调用请求数据处理方法、装置、设备、存储介质及系统 | |
CN112559078B (zh) | 一种移动边缘计算服务器分级卸载任务方法及系统 | |
CN110555473A (zh) | 行车线路规划方法、服务器及系统 | |
CN114650321A (zh) | 用于边缘计算的任务调度方法及边缘计算终端 | |
US20230297885A1 (en) | Big data-based modular ai engine server and driving method of the same | |
CN112560953B (zh) | 私家车非法营运的识别方法、系统、设备及存储介质 | |
CN115185658A (zh) | 一种基于时间和通信可靠的任务卸载调度方法及相关产品 | |
CN112930692B (zh) | 通信范围控制装置、方法以及计算机可读取的存储介质 | |
CN106888237B (zh) | 一种数据调度方法及系统 | |
CN112633742A (zh) | 客户资源的分配方法、装置、设备及存储介质 | |
CN115913994B (zh) | 基于故障分类的光网络抗毁方法及装置 | |
CN115065683B (zh) | 基于车辆聚类的车辆边缘网络任务分配卸载方法 | |
Singh et al. | Congestion and Accident Alerts Using Cloud Load Balancing & Random Forest in VANET | |
CN117151444B (zh) | 汽车充电调度方法、系统、设备及存储介质 | |
CN113867960B (zh) | 基于文件类型的云负载均衡混合模型 |
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 |