CN116126515A - 一种基于算力的网络流程编排方法、存储介质及设备 - Google Patents

一种基于算力的网络流程编排方法、存储介质及设备 Download PDF

Info

Publication number
CN116126515A
CN116126515A CN202211524831.XA CN202211524831A CN116126515A CN 116126515 A CN116126515 A CN 116126515A CN 202211524831 A CN202211524831 A CN 202211524831A CN 116126515 A CN116126515 A CN 116126515A
Authority
CN
China
Prior art keywords
service
network
user
module
demand
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
Application number
CN202211524831.XA
Other languages
English (en)
Inventor
朱文进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Digital Intelligence Technology Co Ltd
Original Assignee
China Telecom Digital Intelligence Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Digital Intelligence Technology Co Ltd filed Critical China Telecom Digital Intelligence Technology Co Ltd
Priority to CN202211524831.XA priority Critical patent/CN116126515A/zh
Publication of CN116126515A publication Critical patent/CN116126515A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于算力的网络流程编排方法、存储介质及设备，该网络流程编排方法包括：采用帕累托分析法构建需求分类模型，通过需求分类模型对用户需求历史数据日志进行分类，生成用户需求历史数据日志的Pareto最优解；根据用户需求历史数据日志的Pareto最优解构建算力流程编排平台；构建算力量化模型，根据不同的需求场景匹配算力需求，在算力流程编排平台中选用合适的模块进行流程编排。本发明的网络流程编排方法根据需求场景及用户需求，选择最合适的算力节点，进行网络流程编排，可实现快速分配算力资源的特点。

Description

一种基于算力的网络流程编排方法、存储介质及设备
技术领域
本发明涉及算力网络流程编排技术领域，具体地，涉及一种基于算力的网络流程编排方法、存储介质及设备。
背景技术
阿里云向全球公共科研机构免费开放一切AI算力，腾讯云为腾讯会议8天扩容超100万核等，可见信息基础资源如：计算、存储、网终在科学研究、日常工作生活中的重要性越来越高，而且各行各业的用户需要结合不断变化的需求来综合利用资源。
从资源的建设和占有角度看，大部分企业用户并非财力雄厚的大型互联网企业，显然不具备足够的资源储备，需要一种灵活的资源获取和使用方式。而从资源提供的角度看，信息基础资源的所有方也是分散的，很难有某方能够占据所有的资源。因此，业界一直在研究资源整合利用的技术，以提供灵活可行的整体解决方案。从早期的网格计算、雾计算到如今的云计算等，各种类型的方案不断涌现，但是，随着时间的推移，在很多业务场景中，资源的整合会存在资源分配不均、资源浪费等问题。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于算力的网络流程编排方法、存储介质及设备，根据需求场景及用户需求，选择最合适的算力节点，进行网络流程编排，可实现算力资源的快速分配。
为实现上述技术目的，本发明采用如下技术方案：一种基于算力的网络流程编排方法，具体包括如下步骤：
步骤1、采用帕累托分析法构建需求分类模型，通过需求分类模型对用户需求历史数据日志进行分类，生成用户需求历史数据日志的Pareto最优解；所述Pareto最优解包括：业务需求、算法需求、算力需求和网络需求；
步骤2、根据用户需求历史数据日志的Pareto最优解构建算力流程编排平台；
步骤3、构建算力量化模型，根据不同的需求场景匹配算力需求，在算力流程编排平台中选用合适的模块进行流程编排。
进一步地，所述需求分类模型的构建过程具体为：
minf(x)＝(f1(x)，...，fp(x))T
其中，f1(x)，...，fp(x)表示p个目标函数，使得目标f(x)达到最小，x表示满足约束条件的可行解，S表示由所有满足约束条件的解组成的集合，是其变量的约束集合，相应的目标可行域Z＝f(S)，给定一个可行点x*∈S，有 表示任一个，若f(x*)＜f(x)，则x*称为多目标规划问题的绝对最优解。
进一步地，所述算力流程编排平台中的模块包括：算法选择模块、算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台。
进一步地，所述算力量化模型包括：总算力需求、平均时延和平均能耗；
所述总算力需求的计算过程为：
其中，Cbr为分布式组网内各地方边缘点的算力节点的总算力需求，n为逻辑运算芯片数量，i为n的索引，f(ai)为逻辑运算的映射函数，αi为第i个逻辑运算芯片的映射比例系数，q1(TOPS)为逻辑运算的冗余算力；m为并行计算芯片数量，j为m的索引，f(bj)为并行计算的映射函数，βj为第j个并行计算芯片的映射比例系数，q2(FLOPS)为并行计算的冗余算力；p为神经网络加速芯片的数量，k为p的索引，f(ck)为神经网络加速的映射函数，γk为第k个神经网络加速芯片的映射比例系数，q3(FLOPS)为神经网络加速的冗余算力；
所述平均时延的计算过程为：
其中，q∑p(t)表示平均时延，T表示总的决策时间，t为T的索引，Sk(t)表示决策时间t卸载到云数据中心服务器端计算任务队列，Qk(t)表示决策时间t边缘计算节点上存在的任务队列；
所述平均能耗的计算过程为：
其中，P∑k(t)表示平均能耗，wk表示边缘计算节点的能耗权重，p1，k(t)表示边缘计算节点的能耗，p2,k(t)表示网络资源平均能耗，WN+1表示云数据中心服务器端的能耗权重，p3，k(t)表示云数据中心服务器端的能耗。
进一步地，在用户给出业务需求、算法需求、算力需求和网络需求四种用户需求，而算力网络只承担资源分配的角色，根据用户输入，直接分配相应的基础资源并建立连接，交付给用户使用的场景下，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块进行流程编排，具体过程为：将四种用户需求输入算力调度模块中，通过算力量化模型分别匹配算力资源，将对应的算力资源接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
进一步地，在用户选定业务处理的算法，明确了算力的需求，但没有提出网络需求的场景下，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块、需求解析模块进行流程编排，具体过程为：
步骤301、将用户需求输入需求解析模块中进行解析，解析结果为：优先以部署算力中平均时延最短为指标选择算力任务执行节点；若存在多个相同算力节点的平均时延相同，则采用平均能耗最小为指标选择本算力任务执行节点；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点；
步骤303、将解析结果和SLA选择业务的部署节点输入算力调度模块中，匹配算力资源，将对应的算力资源接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
进一步地，在用户指定了业务处理算法，但不清楚多少算力可以满足业务需求，也没有提出网络需求的场景下，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台进行流程编排，具体过程为：
步骤301、将用户需求输入需求解析模块中进行解析，根业务处理算法的算力需求，通过AI赋能平台中的机器学习算法为用户分配足够的算力资源；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，输入算力调度模块中，根据业务要求的SLA以平均时延最短为指标选择业务部署节点；
步骤303、将为用户分配足够的算力资源以及业务部署节点接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
进一步地，在用户只提供业务需求的场景下，选用算力流程编排平台中的算法选择模块、算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台进行流程编排，具体过程为：
步骤301、将用户业务需求输入需求解析模块中进行解析，通过算法选择模块选择匹配的业务处理算法，根业务处理算法，通过AI赋能平台中的机器学习算法为用户分配足够的算力资源；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，输入算力调度模块中，根据业务要求的SLA以平均时延最短为指标选择业务部署节点；
步骤303、将为用户分配足够的算力资源以及业务部署节点接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
进一步地，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行所述的基于算力的网络流程编排方法。
进一步地，本发明还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现所述的基于算力的网络流程编排方法。
与现有技术相比，本发明具有如下有益效果：本发明基于算力的网络流程编排方法通过历史数据日志的Pareto最优解构建算力流程编排平台，构建算力量化模型，结合需求场景匹配算力需求，在算力流程编排平台中选用合适的模块进行流程编排，选择最合适的算力节点，进行网络流程编排，可以根据用户需求自动计算所需算力，并可快速分配算力资源。
附图说明
图1为本发明基于算力的网络流程编排方法的流程图；
图2为本发明中需求场景一下的流程编排示意图；
图3为本发明中需求场景二下的流程编排示意图；
图4为本发明中需求场景三下的流程编排示意图；
图5为本发明中需求场景四下的流程编排示意图。
具体实施方式
下面将结合本发明的附图和实施例，对本发明中的技术方案进行清楚、完整的描述，显然，所描述仅仅是本发明一部分，而不是全部。基于本发明中的具体实施方式，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。
如图1为本发明基于算力的网络流程编排方法的流程图，该网络流程编排方法具体包括如下步骤：
步骤1、采用帕累托分析法构建需求分类模型，通过需求分类模型对用户需求历史数据日志进行分类，生成用户需求历史数据日志的Pareto最优解，通过需求分类模型将一些模糊的分类进行了清晰的划分，也解决了可能的隐藏分类未发现的隐患。本发明中Pareto最优解包括：业务需求、算法需求、算力需求和网络需求，业务需求为用户AI业务所要实现的实际效果，如处理时延、数据建模等；算法需求为针对同种AI业务具有多种处理算法，侧重点不同，用户可以指定使用何种AI算法和模型；算力需求为部署用户业务所需要的算力资源，用户可以指定需要的算力资源规模；网络需求为用户业务接入处理节点的网络需求，用户可以指定接入的网络节点。
本发明中需求分类模型的构建过程具体为：
minf(x)＝(f1(x)，...，fp(x))T
其中，f1(x)，...，fp(x)表示p个目标函数，使得目标f(x)达到最小，x表示满足约束条件的可行解，S表示由所有满足约束条件的解组成的集合，是其变量的约束集合，相应的目标可行域Z＝f(S)，给定一个可行点x*∈S，有 表示任一个，若f(x*)＜f(x)，则x*称为多目标规划问题的绝对最优解。
步骤2、根据用户需求历史数据日志的Pareto最优解构建算力流程编排平台；本发明中算力流程编排平台中的模块包括：算法选择模块、算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台，按照用户提出的需求场景组合不同的模块，处理流程编排。
步骤3、构建算力量化模型，根据不同的需求场景匹配算力需求，在算力流程编排平台中选用合适的模块进行流程编排，可根据不同需求场景，匹配对应的算力节点，并自动进入进行算力网络流程编排，实现算力资源的快速分配。
本发明中算力量化模型包括：、平均时延和平均能耗，通过总算力需求计算各算力节点空闲算力后，给业务请求分配空闲算力较多的算力节点；同时，通过对网络资源、算力资源的合理分配，确保在资源有限、任务优先级等约束条件下优化平均时延和平均能耗，提高资源利用率；
总算力需求的计算过程为：
其中，Cbr为分布式组网内各地方边缘点的算力节点的总算力需求，n为逻辑运算芯片数量，i为n的索引，f(ai)为逻辑运算的映射函数，αi为第i个逻辑运算芯片的映射比例系数，q1(TOPS)为逻辑运算的冗余算力；m为并行计算芯片数量，j为m的索引，f(bj)为并行计算的映射函数，βj为第j个并行计算芯片的映射比例系数，q2(FLOPS)为并行计算的冗余算力；p为神经网络加速芯片的数量，k为p的索引，f(ck)为神经网络加速的映射函数，γk为第k个神经网络加速芯片的映射比例系数，q3(FLOPS)为神经网络加速的冗余算力；
平均时延的计算过程为：
其中，q∑p(t)表示平均时延，T表示总的决策时间，t为T的索引，Sk(t)表示决策时间t卸载到云数据中心服务器端计算任务队列，Qk(t)表示决策时间t边缘计算节点上存在的任务队列；
平均能耗的计算过程为：
其中，P∑k(t)表示平均能耗，wk表示边缘计算节点的能耗权重，p1，k(t)表示边缘计算节点的能耗，p2，k(t)表示网络资源平均能耗，WN+1表示云数据中心服务器端的能耗权重，p3，k(t)表示云数据中心服务器端的能耗。
实施例1
场景一为：用户给出业务需求、算法需求、算力需求和网络需求四种用户需求，而算力网络只承担资源分配的角色，根据用户输入，直接分配相应的基础资源并建立连接，交付给用户使用，在此场景下，如图2，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块进行流程编排，具体过程为：将四种用户需求输入算力调度模块中，通过算力量化模型分别匹配算力资源，将对应的算力资源接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
实施例2
场景二为：用户选定业务处理的算法，明确了算力的需求，但没有提出网络需求，在此场景下，此时算力网络将自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，分配对应的算力，并进行业务部署。如图3，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块、需求解析模块进行流程编排，具体过程为：
步骤301、将用户需求输入需求解析模块中进行解析，解析结果为：优先以部署算力中平均时延最短为指标选择算力任务执行节点；若存在多个相同算力节点的平均时延相同，则采用平均能耗最小为指标选择本算力任务执行节点；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点；
步骤303、将解析结果和SLA选择业务的部署节点输入算力调度模块中，匹配算力资源，将对应的算力资源接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
实施例3
场景三为：用户指定了业务处理算法，但不清楚多少算力可以满足业务需求，也没有提出网络需求，在此场景下，算力网络将根据业务的SLA和算法的算力需求，利用机器学习算法为用户分配足够的算力资源，并按照时延需求选择业务部署节点。如图4，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台进行流程编排，具体过程为：
步骤301、将用户需求输入需求解析模块中进行解析，根业务处理算法的算力需求，通过AI赋能平台中的机器学习算法为用户分配足够的算力资源；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，输入算力调度模块中，根据业务要求的SLA以平均时延最短为指标选择业务部署节点；
步骤303、将为用户分配足够的算力资源以及业务部署节点接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
实施例4
场景四为：用户只提供业务需求，在此场景下，算力网络将根据业务类型选择处理算法，再根据SLA等级和算法计算算力需求，并分配对应的算力资源和网络资源。如图5，选用算力流程编排平台中的算法选择模块、算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台进行流程编排，具体过程为：
步骤301、将用户业务需求输入需求解析模块中进行解析，通过算法选择模块选择匹配的业务处理算法，根业务处理算法，通过AI赋能平台中的机器学习算法为用户分配足够的算力资源；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，输入算力调度模块中，根据业务要求的SLA以平均时延最短为指标选择业务部署节点；
步骤303、将为用户分配足够的算力资源以及业务部署节点接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
在本申请所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种基于算力的网络流程编排方法，其特征在于，具体包括如下步骤：
步骤1、采用帕累托分析法构建需求分类模型，通过需求分类模型对用户需求历史数据日志进行分类，生成用户需求历史数据日志的Pareto最优解；所述Pareto最优解包括：业务需求、算法需求、算力需求和网络需求；
步骤2、根据用户需求历史数据日志的Pareto最优解构建算力流程编排平台；
步骤3、构建算力量化模型，根据不同的需求场景匹配算力需求，在算力流程编排平台中选用合适的模块进行流程编排。
2.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，所述需求分类模型的构建过程具体为：
minf(x)＝(f1(x)，...，fp(x))T
其中，f1(x),…,fp(x)表示p个目标函数，使得目标f(x)达到最小，
Figure FDA0003972662090000011
x表示满足约束条件的可行解，S表示由所有满足约束条件的解组成的集合，
Figure FDA0003972662090000012
是其变量的约束集合，相应的目标可行域Z＝f(S)，给定一个可行点x*∈S，有
Figure FDA0003972662090000013
Figure FDA0003972662090000014
表示任一个，若f(x*)＜f(x)，则x*称为多目标规划问题的绝对最优解。
3.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，所述算力流程编排平台中的模块包括：算法选择模块、算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台。
4.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，所述算力量化模型包括：总算力需求、平均时延和平均能耗；
所述总算力需求的计算过程为：
Figure FDA0003972662090000015
其中，Cbr为分布式组网内各地方边缘点的算力节点的总算力需求，n为逻辑运算芯片数量，i为n的索引，f(ai)为逻辑运算的映射函数，αi为第i个逻辑运算芯片的映射比例系数，q1(TOPS)为逻辑运算的冗余算力；m为并行计算芯片数量，j为m的索引，f(bj)为并行计算的映射函数，βj为第j个并行计算芯片的映射比例系数，q2(FLOPS)为并行计算的冗余算力；p为神经网络加速芯片的数量，k为p的索引，f(ck)为神经网络加速的映射函数，γk为第k个神经网络加速芯片的映射比例系数，q3(FLOPS)为神经网络加速的冗余算力；
所述平均时延的计算过程为：
Figure FDA0003972662090000021
其中，q∑p(t)表示平均时延，T表示总的决策时间，t为T的索引，Sk(t)表示决策时间t卸载到云数据中心服务器端计算任务队列，Qk(t)表示决策时间t边缘计算节点上存在的任务队列；
所述平均能耗的计算过程为：
Figure FDA0003972662090000022
其中，P∑k(t)表示平均能耗，wk表示边缘计算节点的能耗权重，p1,k(t)表示边缘计算节点的能耗，p2,k(t)表示网络资源平均能耗，wN+1表示云数据中心服务器端的能耗权重，p3,k(t)表示云数据中心服务器端的能耗。
5.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，在用户给出业务需求、算法需求、算力需求和网络需求四种用户需求，而算力网络只承担资源分配的角色，根据用户输入，直接分配相应的基础资源并建立连接，交付给用户使用的场景下，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块进行流程编排，具体过程为：将四种用户需求输入算力调度模块中，通过算力量化模型分别匹配算力资源，将对应的算力资源接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
6.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，在用户选定业务处理的算法，明确了算力的需求，但没有提出网络需求的场景下，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块、需求解析模块进行流程编排，具体过程为：
步骤301、将用户需求输入需求解析模块中进行解析，解析结果为：优先以部署算力中平均时延最短为指标选择算力任务执行节点；若存在多个相同算力节点的平均时延相同，则采用平均能耗最小为指标选择本算力任务执行节点；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点；
步骤303、将解析结果和SLA选择业务的部署节点输入算力调度模块中，匹配算力资源，将对应的算力资源接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
7.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，在用户指定了业务处理算法，但不清楚多少算力可以满足业务需求，也没有提出网络需求的场景下，选用算力流程编排平台中的算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台进行流程编排，具体过程为：
步骤301、将用户需求输入需求解析模块中进行解析，根业务处理算法的算力需求，通过AI赋能平台中的机器学习算法为用户分配足够的算力资源；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，输入算力调度模块中，根据业务要求的SLA以平均时延最短为指标选择业务部署节点；
步骤303、将为用户分配足够的算力资源以及业务部署节点接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
8.根据权利要求1所述的一种基于算力的网络流程编排方法，其特征在于，在用户只提供业务需求的场景下，选用算力流程编排平台中的算法选择模块、算力调度模块、网络调度模块、应用部署模块、需求解析模块、AI赋能平台进行流程编排，具体过程为：
步骤301、将用户业务需求输入需求解析模块中进行解析，通过算法选择模块选择匹配的业务处理算法，根业务处理算法，通过AI赋能平台中的机器学习算法为用户分配足够的算力资源；
步骤302、网络调度模块自动解析用户业务的网络接入点，根据业务要求的SLA选择业务的部署节点，输入算力调度模块中，根据业务要求的SLA以平均时延最短为指标选择业务部署节点；
步骤303、将为用户分配足够的算力资源以及业务部署节点接入网络调度模块，分配对应的网络资源，并在应用部署模块部署业务，将业务交付给用户使用。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-8任一项所述的基于算力的网络流程编排方法。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-8任一项所述的基于算力的网络流程编排方法。
CN202211524831.XA 2022-11-30 2022-11-30 一种基于算力的网络流程编排方法、存储介质及设备 Pending CN116126515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211524831.XA CN116126515A (zh) 2022-11-30 2022-11-30 一种基于算力的网络流程编排方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211524831.XA CN116126515A (zh) 2022-11-30 2022-11-30 一种基于算力的网络流程编排方法、存储介质及设备

Publications (1)

Publication Number Publication Date
CN116126515A true CN116126515A (zh) 2023-05-16

Family

ID=86305392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211524831.XA Pending CN116126515A (zh) 2022-11-30 2022-11-30 一种基于算力的网络流程编排方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116126515A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117149663A (zh) * 2023-10-30 2023-12-01 合肥中科类脑智能技术有限公司 多目标检测算法的部署方法、装置、电子设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117149663A (zh) * 2023-10-30 2023-12-01 合肥中科类脑智能技术有限公司 多目标检测算法的部署方法、装置、电子设备和介质
CN117149663B (zh) * 2023-10-30 2024-02-02 合肥中科类脑智能技术有限公司 多目标检测算法的部署方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
Hamad et al. Genetic-based task scheduling algorithm in cloud computing environment
CN103927229B (zh) 在动态可用服务器集群中调度映射化简作业的方法和系统
Phanden et al. Integration of process planning and scheduling: a state-of-the-art review
US9020829B2 (en) Quality of service aware scheduling for composite web service workflows
CN106330987A (zh) 动态负荷均衡方法
Han et al. Task scheduling of high dynamic edge cluster in satellite edge computing
CN116126515A (zh) 一种基于算力的网络流程编排方法、存储介质及设备
CN104077634A (zh) 基于多目标优化的主动-反应式动态项目调度方法
CN115794341A (zh) 基于人工智能的任务调度方法、装置、设备及存储介质
Yang et al. Mathematical modeling of multi-plant order allocation problem and solving by genetic algorithm with matrix representation
Panadero et al. Multi criteria biased randomized method for resource allocation in distributed systems: Application in a volunteer computing system
CN111105050B (zh) 风机维护计划的生成方法、装置、设备及存储介质
Xu et al. Hybrid scheduling deadline-constrained multi-DAGs based on reverse HEFT
CN115545329A (zh) 一种适用于服装制造产线的一体化动态排程方法
Brintha et al. A Modified Ant Colony based optimization for managing Cloud resources in manufacturing sector
CN115665157A (zh) 一种基于应用资源类型的均衡调度方法和系统
Suma et al. Study on multi-task oriented service composition and optimization problem of customer order scheduling problem using fuzzy min-max algorithm
Salam et al. A novel framework for web service composition
Somasundaram et al. Task resource allocation in grid using swift scheduler
Aristotelous et al. An empirical analysis of a set of hybrid heuristics for the solution of the resource leveling problem
Rajeshwari et al. Efficient task scheduling and fair load distribution among federated clouds
Wang et al. A genetic algorithm based efficient static load distribution strategy for handling large-scale workloads on sustainable computing systems
Kurilov Investigating the impact of customer service priority on optimizing the location problem of hierarchical allocation of crowded facilities in the framework of queue systems
Horng et al. Staffing Optimization of One-Period Multi-Skill Call Center
Paul et al. Multi-objective evolution based dynamic job scheduler in grid

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