CN116264575A - 边缘节点调度方法、装置、计算设备及存储介质 - Google Patents
边缘节点调度方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN116264575A CN116264575A CN202211318569.3A CN202211318569A CN116264575A CN 116264575 A CN116264575 A CN 116264575A CN 202211318569 A CN202211318569 A CN 202211318569A CN 116264575 A CN116264575 A CN 116264575A
- Authority
- CN
- China
- Prior art keywords
- edge node
- attribute data
- dynamic
- edge
- attribute
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000036541 health Effects 0.000 claims abstract description 66
- 238000003066 decision tree Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 230000003862 health status Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036449 good health Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种边缘节点调度方法、装置、计算设备及存储介质，该方法包括：接收各个边缘节点的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据；根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；至少一个动态属性对应的权重具体为通过预设决策树算法计算得到的至少一个动态属性的信息增益率；根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值；响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给终端。通过上述方式，提高了对边缘节点的健康质量判定的准确率，能够实现更优的边缘调度服务。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种边缘节点调度方法、装置、计算设备及存储介质。
背景技术
随着信息时代的发展，网络请求数量激增，为了尽可能避开互联网上有可能影响数据传输速度和稳定性的瓶颈和环节，使内网传输更快更稳定，CDN(Content DeliveryNetwork，内容分发网络)应运而生。CDN是遍布多地的内容缓存边缘节点组成的分布式网络，广泛应用于音视频点播、超大文件下载、网站加速等业务领域。当终端用户发起访问请求时，会先进行DNS(Domain Name System，域名系统)解析，解析服务返回最佳边缘节点IP给终端，用户根据该IP访问边缘节点以获得具体内容。
现有技术中，通常是针对节点探活来判断节点是否异常，并将出现异常的边缘节点的用户请求调度到其他边缘节点上。但是，发明人在实现本发明的过程中发现：现有技术对边缘节点健康质量判定不够准确，对于影响边缘节点质量的各个属性，没有考虑属性对于边缘节点健康质量的影响因子存在差异，会导致健康质量判定准确率降低。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的边缘节点调度方法、装置、计算设备及存储介质。
根据本发明的一个方面，提供了一种边缘节点调度方法，方法包括：
接收各个边缘节点的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据；
根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；其中，至少一个动态属性对应的权重包括通过预设决策树算法计算得到的至少一个动态属性的信息增益率；
根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值；
响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给终端，以供终端向目标边缘节点请求内容。
根据本发明的另一方面，提供了一种边缘节点调度装置，装置包括：
接收模块，适于接收各个边缘节点的的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据；
处理模块，适于根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；其中，至少一个动态属性对应的权重包括通过预设决策树算法计算得到的至少一个动态属性的信息增益率；根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值；
调度模块，适于响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给终端，以供终端向目标边缘节点请求内容。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述边缘节点调度方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述边缘节点调度方法对应的操作。
根据本发明的边缘节点调度方法、装置、计算设备及存储介质，接收各个边缘节点的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据；根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；其中，至少一个动态属性对应的权重包括通过预设决策树算法计算得到的至少一个动态属性的信息增益率；根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值；响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给终端，以供终端向目标边缘节点请求内容。通过上述方式，考虑边缘节点的动态属性对其健康级别的影响因子不同，对动态属性进行加权，提高了对边缘节点的健康质量判定的准确率，并且，在此基础上计算边缘节点的优先级值，根据优先级值调度边缘节点响应用户访问请求，能够实现更优的边缘调度服务。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的边缘节点调度方法的流程图；
图2示出了本发明另一实施例提供的边缘节点调度方法的流程图；
图3示出了本发明实施例中提供的CDN系统的架构示意图；
图4示出了本发明一个实施例中提供的决策树模型的示意图；
图5示出了本发明另一实施例中提供的边缘节点调度的架构图；
图6示出了本发明实施例提供的边缘节点调度装置的结构示意图；
图7示出了本发明另一实施例提供的边缘节点调度系统的结构示意图；
图8示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的边缘节点调度方法的流程图，该方法应用于任意具有计算能力的设备中，如图1所示，该方法包括以下步骤：
步骤S101，接收各个边缘节点的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据。
接收各个边缘节点的属性数据，用于衡量各个边缘节点的健康状态。属性数据至少包括动态属性数据，动态属性数据是指动态属性的指标值，动态属性会影响边缘节点服务质量(也即健康质量)，并且属性值会随着网络环境及所属业务的不同而发生改变，主要包括网络类属性和业务类属性。
步骤S102，根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值。
其中，至少一个动态属性对应的权重可以为通过预设决策树算法计算得到的至少一个动态属性的信息增益率。决策树分析法是数据挖掘技术中一项应用较为广泛的分类方法，它利用树结构进行分类分析，从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到达到叶子节点，将叶子节点存放的类别作为决策树结果。
预先根据样本属性数据及其标记结果，采用决策树算法，计算得到各个动态属性的信息增益率，动态属性的信息增益率越大，表示动态属性的选择性越好，则将动态属性的信息增益率作为动态属性的权重。其中，标记结果表征边缘节点是健康状态还是亚健康状态。
其中，动态属性数据会影响边缘节点的健康质量，而动态属性的权重代表着对边缘节点的健康质量的影响因子，因而，在此基础上所计算的动态级别值能够准确地表示边缘节点的健康质量级别。
步骤S103，根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值。
其中，优先级值用于判定边缘节点的健康级别，基于此，本实施例的方法在判定边缘节点的健康级别时，充分考虑了边缘节点的动态属性对其健康级别的影响因子不同对动态属性进行加权，提高了对边缘节点的健康质量判定的准确率。
步骤S104，响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给终端，以供终端向目标边缘节点请求内容。
图3示出了本发明实施例中提供的CDN系统的架构示意图，终端用户发起访问请求，用户的访问请求会首先会先进行DNS解析，经由网站授权DNS服务解析以及智能DNS调度服务处理，最终会向用户返回最佳边缘节点IP，用户根据这个IP访问最佳边缘节点以获得访问内容。
本申请实施例中，终端发起访问请求时，具体根据各个边缘节点的优先级值实现边缘节点调度，根据优先级值筛选出健康级别最高的目标边缘节点，并将目标边缘节点的IP返回给终端，终端根据该IP向目标边缘节点请求内容。
根据本实施例所提供的边缘节点调度方法，接收各个边缘节点的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据；根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；其中，至少一个动态属性对应的权重包括通过预设决策树算法计算得到的至少一个动态属性的信息增益率；根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值；响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给所述终端，以供终端向目标边缘节点请求内容。通过上述方式，考虑边缘节点的动态属性对其健康级别的影响因子不同，对动态属性进行加权，提高了对边缘节点的健康质量判定的准确率，并且，在此基础上计算边缘节点的优先级值，根据优先级值调度边缘节点响应用户访问请求，能够实现更优的边缘调度服务。
图2示出了本发明另一实施例提供的边缘节点调度方法的流程图，该方法应用于任意具有计算能力的设备中，如图2所示，该方法包括以下步骤：
步骤S201，获取各个边缘节点的至少一个历史属性数据，对各个边缘节点的至少一个历史属性数据进行健康状态的标定处理。
本实施例的方法中，将CDN系统中各个边缘节点的历史时间内的属性数据作为属性样本数据，进行决策树模型构建以及信息增益率计算等处理，具体可通过读取历史日志或者网络探针的方式，获取各个边缘节点的历史属性数据。
具体地，获取各个边缘节点的属性数据的方式为：接收各个边缘节点对应的代理服务所上报的属性数据，通过在每个边缘节点中都设置有代理服务，代理服务主动监测边缘节点的状态并记录属性数据，并且上报属性数据。
其中，历史属性数据包括历史的至少一个动态属性数据以及历史的至少一个静态属性数据。其中，动态属性会影响边缘节点健康质量，并且属性值会随着网络环境及所属业务的不同而发生改变，静态属性是指边缘节点固有的属性。
动态属性主要包括网络类属性以及业务类属性，可以通过网络探测工具探测得到，例如iperf工具。网络类属性侧重于对代理服务到边缘节点之间的网络链路的探测，可以包括连接数、网络丢包率和/或网络抖动属性等等，网络抖动表示网络延迟的变化量，网络丢包率是指丢失的数据包数量占所发送数据包数量的比率。业务类属性侧重于关注边缘节点当前的服务状况，可以包括TPS(Transaction Per Second，每秒事务处理量)负载率和/或服务出口带宽利用率等等，TPS负载率是指每秒事务处理量与每秒最大承载量的占比，服务出口带宽利用率表示带宽的使用情况。参见表一，其示出了探测到的部分动态属性数据。
表一
静态属性主要是指性能类属性，性能类属性侧重于关注边缘节点自身的性能，可以包括带宽和/或并发数等等，带宽表示给定时间内可以传输的数据量，最大并发数表示同时访问服务能承载的最大连接数。
对边缘节点的历史属性数据进行健康状态的标定处理，标定历史属性数据对应为健康状态或者亚健康状态，即对历史属性数据划分类别，从而形成属性值到类别之间的映射关系。现有技术中边缘节点状态分为健康状态与异常状态，而没有考虑由健康状态转变为异常状态的过程中所出现的亚健康状态，本实施例的方法中增加亚健康状态。具体地，当TPS负载率大于85％或服务出口带宽利用率大于85％或网络抖动大于20ms或网络丢包率大于1％，则标定为亚健康状态。
步骤S202，根据各个边缘节点的至少一个历史属性数据以及标定结果，采用预设决策树算法计算至少一个动态属性的信息增益率。
可选地，对获取到的初始历史属性数据进行规范化和标准化处理，得到经过预处理的历史属性数据。之后，根据各个边缘节点的历史属性数据以及标定结果，采用决策树算法，计算各个动态属性的信息增益率。
以C4.5决策树算法为例，具体计算过程如下：
设T为边缘节点的数据集，类别集合为{C1,C2}，分为健康和亚健康两类，选择一个动态属性A，动态属性A的取值分别为:{a1,a2,…,an}，将T分为多个子集：{T1,T2,…,Tn}。
类别Ci的发生概率为：
其中，|Ci|为类别Ci的大小，|T|为数据集T的大小；
属性A＝ai的发生概率为：
其中，|Ti|为子集Ti的大小；
当前节点的类别熵为：
其中，k为类别总数量；
当前节点的属性A的类别条件熵为：
进而求得信息增益为：Gain(A)＝Entropy(T)-EntropyA(T)；
属性A的分裂信息熵为：
属性A的信息增益率定义为：
按照上述计算过程，计算出各个动态属性的信息增益率，作为各个动态属性的权重值，信息增益率越大，则说明属性的选择性越好，对边缘节点的健康质量的影响因子越大。
步骤S203，采用预设决策树算法，根据各个边缘节点的至少一个历史属性数据以及标定结果进行机器学习训练，得到训练后的分类模型。
决策树分析法是数据挖掘技术中一项应用较为广泛的分类方法，它利用树结构进行分类分析，从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到达到叶子节点，将叶子节点存放的类别作为决策树结果。
具体地，根据上述各个动态属性的信息增益率，将信息增益率最大的属性作为根节点，并根据各个动态属性的信息增益率由大到小的顺序依次排列，形成决策树的叶节点，进而构建决策树分类模型。
与其他分类算法相比，决策树分类速度快，只要沿着根节点往下一直走到叶节点，沿途的分裂条件就能够唯一确定一条分类的路径；同时挖掘出的分类规则准确性较高，树的模型一目了然，由于使用信息增益率来选择最优的划分属性，可以清晰地显示出每个属性的重要性，故根据信息增益率的大小，即重要性的大小对每个属性进行加权。图4示出了本发明一个实施例中提供的决策树模型的示意图，如图4所示，各个动态属性的信息增益率按照从大到小排列为：TPS负载率、服务出口带宽利用率、网络丢包率、网络抖动。
步骤S204，接收各个边缘节点的至少一个动态属性数据以及至少一个静态属性数据。
接收边缘节点的代理服务所上报的动态属性数据以及静态属性数据，动态属性数据也就是动态属性对应的值，静态属性数据也就是静态属性对应的值。其中，动态属性包含网络类属性以及业务类属性，网络类属性包括：连接数、网络丢包率和/或网络抖动属性，业务类属性包括TPS负载率和/或服务出口带宽利用率等等，动态属性的指标值越小，则边缘节点的健康质量越高，边缘节点的服务性能越高；静态属性包括带宽和/或并发数，带宽越大、能承载的并发数越多，则边缘节点的健康质量越高，边缘节点的服务性能越高。
步骤S205，根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值。
各个动态属性对应的权重就是上述通过决策树算法所计算的各个动态属性信息增益率。针对于动态属性数据，根据各个动态属性数据及各个动态属性对应的权重计算加权和，计算得到的加权和即为得到动态级别值。
步骤S206，对于各个边缘节点中的任一边缘节点，对该边缘节点的至少一个静态属性数据进行求和处理，对求和结果取相反数，得到该边缘节点的静态级别值。
静态属性在一般情况下都保持恒定不变，针对于各个静态属性数据进行求和处理，对求和结果取相反数，得到静态级别值。
其中，动态属性的指标值越小，则边缘节点的健康状况越好，而静态属性的指标值与节点健康状况的关系正好相悖，静态属性的指标值越大(比如带宽越大、能承载的并发数越多)，则边缘节点的健康状况越好，因此，对于静态指标值的求和后取相反数。
步骤S207，对各个边缘节点的动态级别值与静态级别值进行求和处理，得到各个边缘节点的优先级值。
将边缘节点的动态级别值与静态级别值相加，得到的和即为边缘节点的优先级值，优先级值用于对边缘节点进行排序。
具体地，优先级值的计算公式如下：
其中，m表示动态属性的个数，value(i)表示动态属性i对应的值，w表示静态级别值，因而边缘节点的优先级值越小，则其健康级别就越高。
步骤S208，对于各个边缘节点中的任一边缘节点，将该边缘节点的至少一个属性数据输入至训练后的分类模型中进行计算，得到该边缘节点的健康状态识别信息；若健康状态识别信息表示该边缘节点为健康状态，将该边缘节点记录在服务调度列表中。
将边缘节点的动态属性数据以及静态属性数据输入至训练后的分类模型中，分类模型通过计算输出边缘节点的健康状态识别信息，健康状态识别信息用于表示边缘节点为健康状态还是亚健康状态，从而可以准确地检测出边缘节点的健康状况，便于及时筛选出亚健康状态的边缘节点。
如果边缘节点的健康识别信息表示该边缘节点为健康状态，则将该边缘节点记录在服务调度列表中，服务调度列表用于记录健康状态的至少一个边缘节点。具体地，服务调度列表记录有以下字段：边缘节点IP、边缘节点的优先级值。
另外，若边缘节点的健康识别信息表示该边缘节点为亚健康状态，则向运维终端发送告警信息，以通知运维人员进行优化恢复处理，通过该方式，能够及时筛选出亚健康状态的边缘节点并进行告警处理，有助于降低边缘节点出现异常的概率。
步骤S209，响应于终端的访问请求，根据优先级值从服务调度列表所记录的各个边缘节点中筛选目标边缘节点，将目标边缘节点的IP返回给终端，以供终端向目标边缘节点请求内容。
终端发起访问请求时，从服务调度列表中所记录的各个边缘节点中筛选出优先极值最低即健康级别最高的边缘节点作为目标边缘节点，并将目标边缘节点的IP返回给终端，终端根据该IP向目标边缘节点请求内容。
在一种可选的方式中，本实施例的方法还包括如下步骤：接收服务调度列表记录的任一边缘节点的至少一个监测属性数据，并输入至训练后的分类模型中进行计算，得到该边缘节点的监测健康状态识别信息；若监测健康状态识别信息表示边缘节点为亚健康状态，将该边缘节点从服务调度列表中剔除。对服务调度列表中记录的各个边缘节点的健康状态进行监测，同样地，接收各个边缘节点的代理服务所上报的属性数据，并将属性数据输入至训练后的分类模型中，如果监测到任一边缘节点为亚健康状态，则将其从服务调度列表中进行剔除，从而保证服务调度列表中始终记录健康状况良好的边缘节点，保证用户访问请求始终由健康状态良好的边缘节点进行响应。
相应地，若检测到任一边缘节点为亚健康状态，则向运维终端发送告警信息，以通知运维人员进行优化恢复处理，从而增加对边缘节点可用性的预测告警功能，能够及时筛选出亚健康状态的边缘节点并进行相应的告警处理，降低边缘节点出现异常的概率。
进一步地，对于从服务调度列表的剔除的边缘节点，继续获取其属性数据以监测健康状态，一旦监测到恢复为健康状态，则将该边缘节点更新到服务调度列表中，并更新该边缘节点的优先级值。
图5示出了本发明另一实施例中提供的边缘节点调度的架构图，如图5所示，在每个边缘节点服务中都设置代理，该代理主动监测边缘节点服务状态，记录节点服务的属性信息，并主动上报给监控中心；监控中心收集边缘节点服务的各个属性信息并进行C4.5决策树分类，计算各个属性的信息增益率，以此对节点服务的各个属性加权，进而得出边缘节点服务IP对应的优先级值，发送给调度中心；调度中心始终维护着服务调度列表，并接收用户请求，反馈最佳IP信息给用户。与此同时，监控中心基于分类算法，筛选出亚健康状态的边缘节点，并启动告警通知运维人员及时处理优化修复。取消告警之后，该边缘节点将再次加入到服务列表中，参与服务调度。
根据本实施例所提供的边缘节点调度方法，采集各个边缘节点的历史属性数据，并进行健康状态的标定，形成训练数据集，将训练数据作为决策树模型的输入进行模型训练，得到健康状态检测模型，用于监测边缘节点的健康状态，能够提高边缘节点健康状况判定的效率和准确率；并且，在现有的服务可用性健康和异常的定义之间加入了亚健康判定指标，增加对节点可用性的预测告警功能，对于出现亚健康状态的边缘节点及时进行告警，降低边缘节点出现异常的概率；另一方面，在训练模型期间计算各个动态属性的信息增益率，将动态属性的信息增益率作为权重，计算各个动态属性值的加权和，在此基础上结合静态属性值计算优先级值，能够充分考虑边缘节点的各个动态属性对健康质量的影响不同确定调度优先级，能够提高边缘节点健康质量判定的准确率；再一方面，将健康状态的边缘节点记录在服务调度列表中，将亚健康状态的边缘节点剔出服务调度列表，根据服务调度列表中各个边缘节点的优先级值筛选响应用户请求的最优边缘节点，能够实现更优的边缘节点服务调度。
图6示出了本发明实施例提供的边缘节点调度装置的结构示意图。如图6所示，该装置包括：
接收模块61，适于接收各个边缘节点的至少一个属性数据；至少一个属性数据包含至少一个动态属性数据；
处理模块62，适于根据各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；其中，至少一个动态属性对应的权重包括通过预设决策树算法计算得到的至少一个动态属性的信息增益率；根据各个边缘节点的动态级别值，确定各个边缘节点的优先级值；
调度模块63，适于响应于终端的访问请求，将根据优先级值从各个边缘节点中筛选出的目标边缘节点的IP返回给终端，以供终端向目标边缘节点请求内容。
在一种可选的方式中，至少一个属性数据还包括至少一个静态属性数据；处理模块62进一步适于：对于各个边缘节点中的任一边缘节点，对该边缘节点的至少一个静态属性数据进行求和处理，对求和结果取相反数，得到该边缘节点的静态级别值；对该边缘节点的动态级别值与静态级别值进行求和处理，得到该边缘节点的优先级值。
在一种可选的方式中，装置还包括：数据采集模块，适于获取各个边缘节点的至少一个历史属性数据；其中，至少一个历史属性数据包括历史的至少一个动态属性数据；
标定模块，适于对各个边缘节点的至少一个历史属性数据进行健康状态的标定处理；
算法处理模块，适于根据各个边缘节点的至少一个历史属性数据以及标定结果，采用预设决策树算法计算至少一个动态属性的信息增益率。
在一种可选的方式中，装置还包括：检测模块，适于对于各个边缘节点中的任一边缘节点，将该边缘节点的至少一个属性数据输入至训练后的分类模型中进行计算，得到该边缘节点的健康状态识别信息。
在一种可选的方式中，装置还包括：记录模块，适于若边缘节点的健康状态识别信息表示边缘节点为健康状态，将边缘节点记录在服务调度列表中；其中，目标边缘节点从服务调度列表所记录的各个边缘节点中筛选得到。
在一种可选的方式中，检测模块进一步适于：接收服务调度列表记录的任一边缘节点的至少一个监测属性数据，并输入至训练后的分类模型中进行计算，得到该边缘节点的监测健康状态识别信息；
记录模块进一步适于：若监测健康状态识别信息表示该边缘节点为亚健康状态，将该边缘节点从服务调度列表中剔除。
在一种可选的方式中，装置还包括：模型训练模块，适于采用预设决策树算法，对各个边缘节点的至少一个历史属性数据以及标定结果进行机器学习训练，得到训练后的分类模型。
图7示出了本发明另一实施例提供的边缘节点调度系统的结构示意图，其中，服务状态数据采集模块71主要负责采集边缘节点服务动态属性和静态属性信息；针对历史数据，将其作为决策树模型模块72的输入进行模型训练，形成健康检测模型；期间计算动态属性的信息增益率，并输入到属性加权模块73得到各个动态属性的权重；针对当前边缘节点服务数据，将其直接输入到健康检测模块74进行亚健康节点的筛选。若是亚健康节点，则输入到告警模块75进行人工优化节点处理，等处理完成之后，再次输入到健康检测模块74进行分类筛选检测；若是健康节点，则输入到调度列表更新模块76，更新服务调度列表中的优先级值，以此进行更准确地CDN边缘节点服务调度。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的边缘节点调度方法。
图8示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图8所示，该计算设备可以包括：处理器(processor)802、通信接口(Communications Interface)804、存储器(memory)806、以及通信总线808。
其中：处理器802、通信接口804、以及存储器806通过通信总线808完成相互间的通信。通信接口804，用于与其它设备比如客户端或其它服务器等的网元通信。处理器802，用于执行程序810，具体可以执行上述用于计算设备的边缘节点调度方法实施例中的相关步骤。
具体地，程序810可以包括程序代码，该程序代码包括计算机操作指令。
处理器802可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器806，用于存放程序810。存储器806可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种边缘节点调度方法，其特征在于，所述方法包括：
接收各个边缘节点的至少一个属性数据；所述至少一个属性数据包含至少一个动态属性数据；
根据所述各个边缘节点的至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到各个边缘节点的动态级别值；
其中，所述至少一个动态属性对应的权重包括通过预设决策树算法计算得到的所述至少一个动态属性的信息增益率；
根据所述各个边缘节点的动态级别值，确定所述各个边缘节点的优先级值；
响应于终端的访问请求，将根据优先级值从所述各个边缘节点中筛选出的目标边缘节点的IP返回给所述终端，以供所述终端向所述目标边缘节点请求内容。
2.根据权利要求1所述的方法，其特征在于，所述至少一个属性数据还包括至少一个静态属性数据；所述方法还包括：
对于各个边缘节点中的任一边缘节点，对该边缘节点的所述至少一个静态属性数据进行求和处理，对求和结果取相反数，得到该边缘节点的静态级别值；
所述根据所述各个边缘节点的动态级别值，确定所述各个边缘节点的优先级值进一步包括：
对于各个边缘节点中的任一边缘节点，对该边缘节点的所述动态级别值与所述静态级别值进行求和处理，得到该边缘节点的优先级值。
3.根据权利要求1或2所述的方法，其特征在于，所述方法进一步包括：
获取各个边缘节点的至少一个历史属性数据，对所述各个边缘节点的至少一个历史属性数据进行健康状态的标定处理；
其中，所述至少一个历史属性数据包括历史的至少一个动态属性数据；
根据各个边缘节点的至少一个历史属性数据以及标定结果，采用预设决策树算法计算至少一个动态属性的信息增益率。
4.根据权利要求1或2所述的方法，其特征在于，所述方法进一步包括：
对于所述各个边缘节点中的任一边缘节点，将该边缘节点的至少一个属性数据输入至训练后的分类模型中进行计算，得到该边缘节点的健康状态识别信息。
5.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：
若边缘节点的健康状态识别信息表示边缘节点为健康状态，将边缘节点记录在服务调度列表中；其中，所述目标边缘节点从所述服务调度列表所记录的各个边缘节点中筛选得到。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
接收所述服务调度列表记录的任一边缘节点的至少一个监测属性数据，并输入至训练后的分类模型中进行计算，得到该边缘节点的监测健康状态识别信息；
若监测健康状态识别信息表示该边缘节点为亚健康状态，将该边缘节点从所述服务调度列表中剔除。
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
采用预设决策树算法，对各个边缘节点的至少一个历史属性数据以及标定结果进行机器学习训练，得到所述训练后的分类模型。
8.一种边缘节点调度装置，其特征在于，所述装置包括：
接收模块，适于接收各个边缘节点的至少一个属性数据；所述至少一个属性数据包含至少一个动态属性数据；
处理模块，适于根据所述各个边缘节点的所述至少一个动态属性数据及至少一个动态属性对应的权重进行加权计算，得到所述各个边缘节点的动态级别值；其中，所述至少一个动态属性对应的权重包括通过预设决策树算法计算得到的所述至少一个动态属性的信息增益率；根据所述各个边缘节点的动态级别值，确定所述各个边缘节点的优先级值；
调度模块，适于响应于终端的访问请求，将根据优先级值从所述各个边缘节点中筛选出的目标边缘节点的IP返回给所述终端，以供所述终端向所述目标边缘节点请求内容。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的边缘节点调度方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的边缘节点调度方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211318569.3A CN116264575A (zh) | 2022-10-26 | 2022-10-26 | 边缘节点调度方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211318569.3A CN116264575A (zh) | 2022-10-26 | 2022-10-26 | 边缘节点调度方法、装置、计算设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116264575A true CN116264575A (zh) | 2023-06-16 |
Family
ID=86722793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211318569.3A Pending CN116264575A (zh) | 2022-10-26 | 2022-10-26 | 边缘节点调度方法、装置、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116264575A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195110A (zh) * | 2023-11-07 | 2023-12-08 | 湖南大学 | 一种opc_ua节点感知自适应优先级分类方法 |
-
2022
- 2022-10-26 CN CN202211318569.3A patent/CN116264575A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195110A (zh) * | 2023-11-07 | 2023-12-08 | 湖南大学 | 一种opc_ua节点感知自适应优先级分类方法 |
| CN117195110B (zh) * | 2023-11-07 | 2024-01-26 | 湖南大学 | 一种opc_ua节点感知自适应优先级分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111159564A (zh) | 信息推荐方法、装置、存储介质及计算机设备 | |
| CN110417591B (zh) | 投票节点配置方法及系统 | |
| CN101505243B (zh) | 一种Web应用性能异常侦测方法 | |
| US9043317B2 (en) | System and method for event-driven prioritization | |
| CN108234247B (zh) | 一种检测网络质量的方法和系统 | |
| US20170068747A1 (en) | System and method for end-to-end application root cause recommendation | |
| JPWO2006046297A1 (ja) | 分析方法及び装置 | |
| US20070030853A1 (en) | Sampling techniques | |
| JP2002268922A (ja) | Ｗｗｗサイトの性能監視装置 | |
| CN112527448A (zh) | 基于openstack的动态负载调整方法及其系统 | |
| CN114513470B (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
| CN116264575A (zh) | 边缘节点调度方法、装置、计算设备及存储介质 | |
| CN116781563A (zh) | 一种网页服务细粒度的评估装置、评估方法和评估系统 | |
| CN115237804A (zh) | 性能瓶颈的评估方法、装置、电子设备、介质和程序产品 | |
| US9397921B2 (en) | Method and system for signal categorization for monitoring and detecting health changes in a database system | |
| Qiao et al. | Trace-driven optimization on bitrate adaptation for mobile video streaming | |
| US7797136B2 (en) | Metrics to evaluate process objects | |
| CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
| CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
| US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
| CN116244131A (zh) | 服务器接口测试方法、装置、电子设备和介质 | |
| US20100235204A1 (en) | Improved apparatus and method using a matrix repository | |
| CN114154668A (zh) | It系统扩容预测方法及装置 | |
| Vaadaala et al. | Classification of web services using JForty Eight | |
| CN115277436B (zh) | 一种基于拓扑结构的微服务软件架构识别方法 |
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 |