CN116471333A - 一种混合算力网络资源调度优化方法及随动控制装置 - Google Patents
一种混合算力网络资源调度优化方法及随动控制装置 Download PDFInfo
- Publication number
- CN116471333A CN116471333A CN202310398653.9A CN202310398653A CN116471333A CN 116471333 A CN116471333 A CN 116471333A CN 202310398653 A CN202310398653 A CN 202310398653A CN 116471333 A CN116471333 A CN 116471333A
- Authority
- CN
- China
- Prior art keywords
- node
- quantum
- determining
- scheduled
- electronic
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005192 partition Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical class O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- 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
Abstract
本发明公开了一种双引擎下的混合算力网络资源调度优化方法及随动控制装置,应用于算力网络技术领域,包括基于拓扑结构中对应的分层,确定节点对应的标签;基于拓扑结构中对应的分块,确定节点对应的标识;对于电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;对于量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;当获取到目标任务时,从待调度电子节点和待调度量子节点中确定待调度节点,确定调度路径。基于量子电子混合算力网络节点的特殊性,针对量子电子算力网络资源在“混合控制”、“混合算力”和“混合度量”情况下,实现在混合算力网络中对目标任务的调度。
Description
技术领域
本发明涉及算力网络技术领域,特别是涉及一种混合算力网络资源调度优化方法、一种混合算力网络资源调度优化装置、一种混合算力网络资源调度优化设备以及一种计算机可读存储介质。
背景技术
基于量子与电子计算机的混合算力网络的网络资源全局优化调度控制,是一个算力网络基于网络资源全局优化决策问题。面对复杂的混合算力网络系统以及群、边、端的架构,其对应算力网络拓扑结构中有大量算力节点,如,量子计算机群和电子计算机群,算力节点与服务算力如何匹配,算力资源、算力类型、算力编号、算力地址等多种不确定性因素,都会制约量子电子混合算力网络资源的全局优化调度。
量子电子混合算力网络资源全局优化调度(配置)是在不确定条件下和多个约束条件下的求解全局最优问题。现有算力网络资源体系是由算力网络资源层、算力网络控制层、算力网络服务层以及算力网络编排管理层等多层构成。算、网融合一体化就必须实现算力节点调度(配置)全局优化。目前,在技术层面上还没有解决在量子计算机和电子计算机混合算力网络资源全局优化调度的算法。所以如何提供一种对于量子电子混合算力网络的网络资源调度优化方法是本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种双引擎下的混合算力网络资源调度优化方法,可以对混合算力网络资源进行优化调度;本发明的另一目的在于提供一种双引擎下的混合算力网络资源调度优化装置、一种混合算力网络资源调度优化设备以及一种计算机可读存储介质,可以对混合算力网络资源进行优化调度。
为解决上述技术问题,本发明提供一种双引擎下的混合算力网络资源调度优化方法,包括:
获取目标混合算力网络的拓扑结构;
基于所述拓扑结构中各个节点所对应的分层,确定所述节点对应的标签;所述标签至少包括群组控制节点标签和非群组控制节点标签;
基于所述拓扑结构中各个节点所对应的分块,确定所述节点对应的标识;所述标识至少包括电子节点标识和量子节点标识;
对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;
对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;
当获取到目标任务时,从所述待调度电子节点和所述待调度量子节点中确定待调度节点,并根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
可选的,获取目标混合算力网络的拓扑结构包括:
获取目标混合算力网络中节点的子网拓扑结构和特征参数。
可选的,根据所述标签确定调度路径包括:
当所述标签表征所述节点为群组控制节点时,基于所述节点对应的子网拓扑结构确定所述节点对应的最优路径;
基于所述最优路径对所述目标任务进行调度。
可选的,对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点包括:
对于所述电子节点标识所对应的节点,根据所述拓扑结构,以及约束指标的算法,确定约束指标测度值;
根据所述约束指标测度值大小的顺序确定所述节点的顺序,得到排序后的待调度电子节点。
可选的,当包括多种约束指标时,对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点包括:
对于所述电子节点标识所对应的节点,根据所述拓扑结构,以及约束指标的算法,确定多个约束指标测度值,生成多个约束指标测度向量;
根据所述约束指标测度向量形成综合评判矩阵;
根据所述综合评判矩阵以及各个所述约束指标对应的权重,确定偏好向量作为全局最优解向量;
根据所述全局最优解向量确定所述节点的顺序,得到排序后的待调度电子节点。
可选的,对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点包括:
对于所述量子节点标识所对应的节点,根据所述拓扑结构,以及基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的性能参数集训练,量化损失函数,确定损失函数测度值;
根据所述损失函数测度值,并通过损失函数测度值来寻找最小值得到待调度的量子节点。可选的,当包括多种约束指标时,对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点包括:
对于所述量子节点标识所对应的节点,根据所述拓扑结构,基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的多个约束指标性能参数集训练,量化损失函数,确定多个约束指标性能参数集的损失函数测度值;
通过量子机器学习算法,根据多个所述性能参数集的损失函数测度值确定所述节点的顺序,得到排序后的待调度量子节点。
本发明还提供了一种双引擎下的混合算力网络资源调度优化装置,包括:
拓扑结构获取模块,用于获取目标混合算力网络的拓扑结构;
标签模块,用于基于所述拓扑结构中各个节点所对应的分层,确定所述节点对应的标签;所述标签至少包括群组控制节点标签和非群组控制节点标签;
标识模块,用于基于所述拓扑结构中各个节点所对应的分块,确定所述节点对应的标识;所述标识至少包括电子节点标识和量子节点标识;
电子节点模块,用于对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;
量子节点模块,用于对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;
调度模块,用于当获取到目标任务时,从所述待调度电子节点和所述待调度量子节点中确定待调度节点,并根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
本发明还提供了一种混合算力网络资源调度优化设备,所述设备包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序时实现如上述任一项所述混合算力网络资源调度优化方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质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上述任一项所述混合算力网络资源调度优化方法的步骤。
本发明所提供的一种双引擎下的混合算力网络资源调度优化方法,包括:获取目标混合算力网络的拓扑结构;基于拓扑结构中各个节点所对应的分层,确定节点对应的标签;标签至少包括群组控制节点标签和非群组控制节点标签;基于拓扑结构中各个节点所对应的分块,确定节点对应的标识;标识至少包括电子节点标识和量子节点标识;对于电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;对于量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;当获取到目标任务时,从待调度电子节点和待调度量子节点中确定待调度节点,并根据待调度节点对应的群组控制节点标签或非群组控制节点标签确定调度路径,以通过待调度节点处理目标任务。
基于量子电子混合算力网络节点的特殊性,针对量子电子算力网络资源在“混合控制”条件下任意节点的状态事件,给出双引擎混合算力网络资源控制技术进行标签引导,从而确定出调度路径;针对量子电子算力节点在“混合算力”条件下节点特征属性,给出双引擎混合算力网络资源标识技术进行标识引导,以提供不同类型的节点;针对量子电子算力节点在“混合度量”情况下,给出经典运筹非线性优化算法全局调度,和量子机器学习智能全局调度算法双引擎调度方法,以确定最终的待调度节点,从而实现在混合算力网络中对目标任务的调度。
本发明还提供了一种双引擎下的混合算力网络资源调度优化装置、一种混合算力网络资源调度优化设备以及一种计算机可读存储介质,同样具有上述有益效果,在此不再进行赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例所提供的一种双引擎下的混合算力网络资源调度优化方法的流程图;
图2为一种算力网络结构示意图;
图3为本发明实施例所提供的一种具体的混合算力网络资源调度优化方法的流程图;
图4为本发明实施例所提供的另一种具体的混合算力网络资源调度优化方法的流程图;
图5为本发明实施例所提供的一种混合算力网络资源调度优化装置的结构框图;
图6为本发明实施例所提供的一种混合算力网络资源调度优化设备结构框图。
具体实施方式
本发明的核心是提供一种混合算力网络资源调度优化方法。在现有技术中,现有算力网络资源体系是由算力网络资源层、算力网络控制层、算力网络服务层以及算力网络编排管理层等多层构成。算、网融合一体化就必须实现算力节点调度全局优化。目前,在技术层面上还没有解决在量子计算机和电子计算机混合算力网络资源全局优化调度的算法。
而本发明所提供的一种双引擎下的混合算力网络资源调度优化方法,包括:获取目标混合算力网络的拓扑结构;基于拓扑结构中各个节点所对应的分层,确定节点对应的标签;标签至少包括群组控制节点标签和非群组控制节点标签;基于拓扑结构中各个节点所对应的分块,确定节点对应的标识;标识至少包括电子节点标识和量子节点标识;对于电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;对于量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;当获取到目标任务时,从待调度电子节点和待调度量子节点中确定待调度节点,并根据待调度节点对应的群组控制节点标签或非群组控制节点标签确定调度路径,以通过待调度节点处理目标任务。
基于量子电子混合算力网络节点的特殊性,针对量子电子算力网络资源在“混合控制”条件下任意节点的状态事件,给出双引擎混合算力网络资源控制技术进行标签引导,从而确定出调度路径;针对量子电子算力节点在“混合算力”条件下节点特征属性,给出双引擎混合算力网络资源标识技术进行标识引导,以提供不同类型的节点;针对量子电子算力节点在“混合度量”情况下,给出经典运筹非线性优化算法全局调度,和量子机器学习智能全局调度算法双引擎调度方法,以确定最终的待调度节点,从而实现在混合算力网络中对目标任务的调度。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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。
请参考图1以及图2,图1为本发明实施例所提供的一种混合算力网络资源调度优化方法的流程图;图2为一种算力网络结构示意图。
参见图1,在本发明实施例中,混合算力网络资源调度优化方法包括:
S101:获取目标混合算力网络的拓扑结构。
在本步骤中首先可以通过对目标混合算力网络进行搜索,得到该目标混合算力网络中各个节点的信息,以获取目标混合算力网络的拓扑结构。在后续步骤中,会基于上述拓扑结构对各个节点施加对应的标签以及标识。上述拓扑结构具体可以包括各个节点的位置信息,该位置信息可以表征对应节点具体的位置,例如具体所属的子网,具体所属子网的割等等。除了该位置信息之外,该包括该节点的特征参数,该特征参数至少可以表示对应节点的类型,例如该节点具体为电子节点还是量子节点等等。有关该特征参数的具体类型可以根据实际情况自行设定,在此不做具体限定。
S102:基于拓扑结构中各个节点所对应的分层,确定节点对应的标签。
在本发明实施例中,所述标签至少包括群组控制节点标签和非群组控制节点标签。对于混合算力网络中任意节点的状态事件存在两种类型:有些节点是群组控制节点,有些节点不是群组控制节点。而在本步骤中就是给各个节点赋予其是否为群组控制节点的标签。
上述标签主要用于针对量子电子算力网络资源在“混合控制”条件下任意节点的状态事件,给出双引擎混合算力网络资源控制技术进行标签引导,该引导过程主要用于调度路径的确定过程。上述标签主要可以表征对应节点为群组控制节点还是非群组控制节点。对于非群组控制节点,由于其在目标混合算力网络中连接关系相对唯一,因此该节点对应的调度路径也相对唯一。而对于群组控制节点,由于其位于一个群组之中,连接到该节点的路径通常有很多条,因此对于群组控制节点,通常需要进一步确定其优选的调度路径,进而实现任务调度。
如图2所示,基于量子与电子节点的混合算力网络是一个复杂网络系统。而复杂网络系统通常可以看成是分层、分块体系。其底层工作任务相对固定,上层工作任务相对灵活;在每一层上任务及子系统或模块,即节点间具有交互关系或产生交互作用,因此,整个复杂网络系统既是分层又是分块的,可以将算力网络的这种结构,称为分层分块型结构。所以,对混合算力网络的混合群组控制既要进行分层控制,又要进行分块控制。具体的在本实施例中需要先对将目标混合算力网络分层分块,其中分层是指根据目标混合算力网络中树状连接关系,确定各个节点的对应的分层;而分块是指在目标混合算力网络中,具体会将临近的属于同一类型的节点作为同一区块的节点。“分层”设计目的,是对全局分配调度过程节点状态分类设置标签;“分块”设计目的,是对量子电子算力节点进行不同属性设置标识。
而在本步骤中会根据节点所属分层,对其赋予对应的标签;对量子电子算力网络资源,首先区别不同的“分层”级,这一设计对应网络资源的群、边、端中的“边”,给出任意节点ai群组控制的判断,即对于任意节点ai的状态事件存在两种:ψ={ψ1,ψ2}
状态1(ψ1):表征节点ai是群组控制节点;
状态2(ψ2):表征节点ai不是群组控制节点。
设置状态集ψ={ψ1,ψ2}下的双引擎标签:
根据算力网络节点状态事件,设置双引擎标签。对应节点ai是群组控制节点及节点ai不是群组控制节点,ai是群组控制节点对应标签消息标准{Y},ai不是群组控制节点对应标签消息标准{N},之后根据该标签消息标准确定各个节点设置双引擎标签。
S103:基于拓扑结构中各个节点所对应的分块,确定节点对应的标识。
在本发明实施例中,所述标识至少包括电子节点标识和量子节点标识。围绕量子电子算力节点在“混合算力”条件下的双引擎标识引导,对于节点特征属性进行标识也存在两种情况:用量子算力能力标识,或用电子算力能力标识。而在本步骤中就是给各个节点赋予其属于电子节点还是量子节点的标识。
上述标识主要用于针对量子电子算力节点在“混合算力”条件下节点特征属性,给出双引擎混合算力网络资源标识技术进行标识引导,该引导过程主要用于待调度节点的确定过程。上述标识主要可以表征对应节点为电子节点还是量子节点,对于电子节点与量子节点,由于其结构的不同,导致其算力的不同。因此针对目标任务的不同,可以将该目标任务调度至不同类型的节点。
在本步骤中会根据节点所属的分块,对其赋予对应的标识。具体的,对量子电子算力网络资源,在区分层级的基础上区别不同的“分块”,这一设计对应网络资源的群、边、端中的“端”,给出任意节点ai特征属性判断,即对任意节点ai的节点特征属性存在两种:
属性1节点ai是量子计算机节点;
属性2节点ai是电子计算机节点。
设置属性集下的双引擎标识:
根据算力网络节点特征属性,设置双引擎标识。对应量子计算机及电子计算机接口标识编码消息标准,量子计算机节点对应标识编码消息标准{.QID},电子计算机节点对应标识编码消息标准{.IID}。根据{.IID}这一标识可以确定该节点为电子节点;根据{.QID}这一标识可以确定该节点为量子节点。
S104:对于电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点。
对于上述电子节点,在本步骤中具体会基于经典运筹非线性优化全局调度算法实现任务调度,有关经典运筹非线性优化全局调度算法的具体内容将在下述发明实施例中做详细介绍,在此不再进行赘述。
S105:对于量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点。
对于上述量子节点,在本步骤中具体会基于量子机器学习智能全局调度算法实现任务调度,有关量子机器学习智能全局调度算法的具体内容将在下述发明实施例中做详细介绍,在此不再进行赘述。
在本实施例中,围绕量子电子算力节点在“混合度量”情况下的双引擎调度,对于资源全局优化调度算法也分为两种情况:经典运筹非线性优化算法全局调度,和量子机器学习智能全局调度算法。相应的在本实施例中具体给出经典运筹非线性优化算法全局调度和量子机器学习智能全局调度算法双引擎调度方法。
上述两种调度算法的融合形成双引擎算力网络资源算力全局调度算法引导机制,针对具体节点的调度在本申请中称为“对点”设计,其目的是对量子电子算力节点融合量子机器学习智能全局调度算法或经典运筹非线性优化智能全局调度算法,基于节点不同的标识,设计不同的优化调度算法,对全网节点设计双引擎调度,即当节点标识为{.QID}时,节点参与量子机器学习智能全局调度;当节点标识为{.IID}时,节点参与经典运筹非线性优化全局调度。全局调度引导机制融合了经典运筹非线性优化全局调度算法引擎,和量子机器学习智能全局调度算法引擎。
根据上述引导机制,给出混合算力网络各个节点的标签设置和标识设置,确定双引擎算力网络资源算力全局调度过程。
S106:当获取到目标任务时,从待调度电子节点和待调度量子节点中确定待调度节点,并根据待调度节点对应的群组控制节点标签或非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
在本步骤中对于目标任务,会根据目标任务的内容跟类型,确定执行该目标任务的节点类型,从待调度电子节点和待调度量子节点中确定待调度节点,并根据该待调度节点的标签确定其对应的调度路径,通常需要确定该待调度节点对应的最优路径,从而将目标任务通过该调度路径调度至待调度节点,通过该待调度节点处理目标任务,实现算力网络资源算力的调度。
具体的,在本步骤中,上述根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径包括:当所述标签表征所述节点为群组控制节点时,基于所述节点对应的子网拓扑结构确定所述节点对应的最优路径;基于所述最优路径对所述目标任务进行调度。
对于非群组控制节点标签所对应的节点,由于其调度路径唯一,则可以直接确定其调度路径。对于群组控制节点,由于其控制路径不唯一,因此需要基于该节点对应的子网拓扑结构,确定该节点对应的最优路径,之后基于该最优路径进行调度。有关最优路径的确定可以参考现有技术,在此不再进行赘述。
本发明实施例所提供的一种混合算力网络资源调度优化方法,基于量子电子混合算力网络节点的特殊性,针对量子电子算力网络资源在“混合控制”条件下任意节点的状态事件,给出双引擎混合算力网络资源控制技术进行标签引导,从而确定出调度路径;针对量子电子算力节点在“混合算力”条件下节点特征属性,给出双引擎混合算力网络资源标识技术进行标识引导,以提供不同类型的节点;针对量子电子算力节点在“混合度量”情况下,给出经典运筹非线性优化算法全局调度,和量子机器学习智能全局调度算法双引擎调度方法,以确定最终的待调度节点,从而实现在混合算力网络中对目标任务的调度。
有关本发明所提供的一种混合算力网络资源调度优化方法的具体内容将在下述发明实施例中做详细介绍。
请参考图3,图3为本发明实施例所提供的一种具体的混合算力网络资源调度优化方法的流程图。
参见图3,在本发明实施例中,混合算力网络资源调度优化方法包括:
S201:获取目标混合算力网络的拓扑结构。
S202:基于拓扑结构中各个节点所对应的分层,确定节点对应的标签。
S203:基于拓扑结构中各个节点所对应的分块,确定节点对应的标识。
上述S201至S203与上述发明实施例中S101至S103基本一致,详细内容已在上述发明实施例中做详细介绍,在此不再进行赘述。
S204:对于电子节点标识所对应的节点,根据拓扑结构,以及约束指标的算法,确定约束指标测度值。
在本实施例中具体设置有多种约束指标,各个约束指标具有其对应的算法,基于约束指标的算法,可以确定出对应的约束指标测度值。根据约束指标的不同,对应的约束指标测度值可以反映出目标混合算力网络中各个节点在某一方面的性能。
在本实施例中上述约束指标具体可以包括算力网络信息流通时效性、算力节点控制质量准确性、服务器负载均衡一致性、网络链路负载均衡稳定性、网络资源物理特质可靠性、网络安全防护手段有效度等方面确定目标混合算力网络中各个极点对应的性能。在本步骤中具体可以基于上述约束指标确定对应的约束指标测度值。
S205:根据约束指标测度值大小的顺序确定节点的顺序,得到排序后的待调度电子节点。
在本步骤中会根据上述约束指标测度值大小的顺序,来确定同一标识对应的节点的性能。依据对应约束指标条件下测度值的大小,来对节点进行排序,得到排序后的待调度电子节点。此时具体会得到一个排序后的队列,在该队列中排名靠前的节点表征该节点具有较高对应约束指标条件的性能,反之则具有较低对应约束指标条件的性能。例如,对于网络安全防护手段有效度,由该约束指标生成的待调度电子节点中,排名靠前的节点具有更高的安全性,排名靠后的节点具有更低的安全性。
S206:对于量子节点标识所对应的节点,根据拓扑结构,以及基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的性能参数集训练,量化损失函数,确定损失函数测度值。
对于量子节点,在本实施例中同样可以设置多种性能参数,采用最小化损失函数方法,对量子节点的性能参数集训练,,可以确定出对应的损失函数测度值。根据性能参数的不同,对应性能参数的损失函数测度值可以反映出目标混合算力网络中各个节点在某一方面的性能。有关具体性能参数的种类可以根据实际情况自行设定,在此不做具体限定。
需要说明的是,上述量子节点对应的性能参数与上述电子节点所对应的约束指标可以相同也可以不同,视具体情况而定。通常情况下,量子节点所对应的性能参数与上述电子节点所对应的约束指标可以相同,均具体包括算力网络信息流通时效性、算力节点控制质量准确性、服务器负载均衡一致性、网络链路负载均衡稳定性、网络资源物理特质可靠性、网络安全防护手段有效度等。
S207:根据损失函数测度值,并通过损失函数测度值得到待调度量子节点。
对于量子节点,在本步骤中通过量子机器学习算法,根据多个所述性能参数集的损失函数测度值确定所述量子节点的顺序,得到排序后的待调度量子节点。此时具体会得到一个排序后的队列,在该队列中排名靠前的节点表征该节点具有较高对应的性能,反之则具有较低对应的性能。有关基于任务的监督学习模型算法、损失函数、量子机器学习算法等具体定义可以参考现有技术,在此不再进行赘述。
在本实施例中将以服务器负载均衡一致性以及网络资源物理特质可靠性两种约束指标进行举例说明,介绍根据约束指标的算法,确定约束指标测度值的具体过程。需要说明的是,在下述约束指标测度值的计算过程中,其通常依据节点的标识区分电子节点与量子节点,因此在本下述描述中具体会统一用节点进行描述。
第一种,对于网络资源负载均衡一致性,首先需要求解目标混合算力网络中节点ai(i=1,2,...,n)所属子网Pi对应服务器负载均衡一致性这一约束指标对应的约束指标测度值以及网络链路负载均衡稳定性这一约束指标对应的的约束指标测度值/>即在本实施例中网络资源负载均衡一致性与服务器负载均衡一致性和网络链路负载均衡稳定性有关。
其计算步骤分别如下:
S11:调用节点的拓扑结构,以及记录节点对应的负载均衡不确定性对应的参数。
在本步骤中,具体可以根据节点ai(i=1,2,…,n)对应子网拓扑结构Pi(i=1,2,…,n),第s(s=s1,s2,...,sx)割,确定节点对应的约束目标测度值记为并存储;
在本步骤中需要记录并存储第i(i=1,2,…,n)个子网,第s(s=s1,…,sx)割节点的服务器负载均衡不确定性对应的指标参数,该服务器负载均衡不确定性对应的指标包括服务器响应时间的不确定性、服务器扩展应用不确定性、服务器缓存容积不确定性和安全手段防护的不确定性其相应的指标属性,如最快响应时间和最快响应时间标准值扩展应用数目/>和扩展应用数目标准值/>存储库缓存容积值/>和存储库缓存容积标准值/>加密标准使用数值/>和加密标准安全手段使用标准值/>等。
在本步骤中还需要记录并存储第i(i=1,2,…,N)个子网,第s(s=s1,…,sx)割节点的网络链路负载均衡不确定性对应的指标参数,该网络链路负载均衡不确定性对应的指标包括链路智能带宽控制不确定性、链路健康及时诊断不确定性其相应的指标属性,如链路智能带宽控制数量和链路智能带宽控制标准值/>链路健康诊断时长/>和链路健康诊断最佳时间标准值/>等;
在本步骤中还需要记录并存储服务器负载均衡优化度网络链路负载均衡稳定度/>分别记录上述服务器负载均衡优化度对应加权熵对应的权重系数值/>以及网络链路负载均衡稳定度对应加权熵对应的权重系数值/>
S12:基于拓扑结构和负载均衡不确定性对应的参数,确定测度值。
在本步骤中,针对服务器负载均衡不确定性,具体会计算第i(i=1,2,…,N)个子网,第s(s=s1,…,sx)割节点以下测度:
最快响应时间相对熵记作即
扩展应用相对熵记作即
缓存容积相对熵记作即
安全手段相对熵记作即
针对网络链路负载均衡不确定性,需要计算第i(i=1,2,…,n)个子网,第s(s=s1,…,sx)割节点以下测度:
链路智能带宽控制相对熵记作即
链路健康及时诊断的相对熵记作即:
S13:根据所述测度值,计算服务器负载均衡优化度、链路负载均衡优化度和网络资源负载均衡优化度。
对于服务器负载均衡优化度的计算,会根据服务器负载均衡加权相对熵/>确定服务器负载均衡优化度/>测量值:/>
其中,为对应于/>的权重系数;
对于链路负载均衡优化度的计算,会根据链路负载均衡加权相对熵/>确定网络链路负载均衡优化度/>测量值:
其中,为对应于/>的权重系数;
对于网络资源负载均衡优化度的计算,在本实施例中具体需要求n个节点ai(i=1,2,…,n)所在对应子网拓扑结构Pi(i=1,2,…,n)的服务器负载均衡一致性对应的测度最优解向量继续:
以及求n个节点ai(i=1,2,…,n)所在子网对应的拓扑结构Pi(i=1,2,…,n)的网络链路负载均衡稳定性对应的测度最优解向量
之后计算节点ai(i=1,2,…,n)的单目标全局网络资源负载均衡一致性最优解:将该单目标网络资源负载均衡一致性局部最优解记为X(k)*(k=3,4),作为约束指标测度值。
第二种,对于网络资源物理特质可靠性,其计算步骤分别如下:
S21:调用节点的拓扑结构,以及记录节点对应的物理特质可靠性参数。
在本步骤中,具体可以根据节点ai(i=1,2,…,n)对应子网拓扑结构Pi(i=1,2,…,n),第s(s=s1,s2,...,sx)割节点确定对应的约束目标的测度值记为并存储;记录网络资源物理特质可靠性为x5i(i=1,2,…,n)并存储;
在本步骤中需要记录并存储第i(i=1,2,…,n)个子网,第s(s=s1,…,sx)割节点,记为第i个子网,第s个节点的网络带宽测量值;/>为第i个子网,第s个节点网络带宽基准值(或允许最大网络带宽值);/>为第i个子网,第s个节点传输速度;/>为第i个子网,第s个节点传输速度基准值(或网络设备最大允许传输速度值);/>第i个子网,第s个节点传输长度;/>第i个子网,第s个节点传输长度基准值(或网络设备最大允许传输长度值);/>第i个子网,第s个节点经过的跳数测量值;/>第i个子网,第s个节点经过的跳数基准值(或网络设备最大允许跳数值);为第i个子网,第s个节点地理位置与入网节点的距离测量值、/>第i个子网,第s个节点地理位置与入网点的距离基准值(或网络设备最大允许距离值)。
S22:根据物理特质可靠性参数计算网络资源物理特质可靠熵。
S23:根据网络资源物理特质可靠熵计算网络资源物理特性加权相对熵
其中为/>的权重系数。
S24:根据网络资源物理特性加权相对熵计算网络资源物理特质可靠性
S25:根据网络资源物理特质可靠性,确定对应的约束指标测度值。
对应于约束目标网络资源物理特质可靠性,在本步骤中需要确定n个优化节点ai(i=1,2,…,n)所在的网络资源对应子网拓扑结构Pi(i=1,2,…,n)网络资源物理特质可靠性对应的约束指标测度值:
即为全局网络资源物理特质可靠性向量R(5):
上述全局网络资源物理特质可靠性向量R(5)即根据网络资源物理特质可靠性所对应的约束指标测度值所排序得到的待调度节点。
S208:当获取到目标任务时,从待调度电子节点和待调度量子节点中确定待调度节点,并根据待调度节点对应的群组控制节点标签或非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
本步骤与上述S106基本一致,详细内容请参考上述发明实施例,在此不再进行赘述。
请参考图4,图4为本发明实施例所提供的另一种具体的混合算力网络资源调度优化方法的流程图。
参见图4,在本发明实施例中,混合算力网络资源调度优化方法包括:
S301:获取目标混合算力网络的拓扑结构。
S302:基于拓扑结构中各个节点所对应的分层,确定节点对应的标签。
S303:基于拓扑结构中各个节点所对应的分块,确定节点对应的标识。
上述S201至S203与上述发明实施例中S101至S103基本一致,详细内容已在上述发明实施例中做详细介绍,在此不再进行赘述。
S304:对于电子节点标识所对应的节点,根据拓扑结构,以及约束指标的算法,确定多个约束指标测度值,生成多个约束指标测度向量。
在本实施例中,对于电子节点,具体设置有多种约束指标,在本步骤中可以根据各个约束指标对应的算法,确定各个约束指标测度值,并根据约束指标测度值的大小进行排序,生成对应的约束指标测度向量,一共会生成多个约束指标测度向量。
S305:根据约束指标测度向量形成综合评判矩阵。
在本步骤中会调用存储模块中存储的电子节点ai(i=1,2,...,n)所对应的多个约束目标的评价值xij(i=1,2,...,n,j=1,2,…,5),形成矩阵。一般的,基于约束目标oj(j=1,2,…,m),根据节点ai(i=1,2,...,n)策略测度值xij(i=1,2,...,n,j=1,2,…,m)确定的数学方法,调用数据生综合评判矩阵:X=(xij)n×m;
之后,在本步骤中会对xij关于i归一化处理,计算规范化矩阵B=(bij)n×m,其中,作为后续步骤所使用的评判矩阵。
S306:根据综合评判矩阵以及各个约束指标对应的权重,确定偏好向量作为全局最优解向量。
在本步骤之前首先需要计算约束目标oj(j=1,2,…,m)的权重wj(j=1,2,...,m),该权重具体可以由结构熵权法得到,有关结构熵权法的具体内容可以参考现有技术,在此不再进行赘述。
在本步骤中,具体会求节点{ai}(i=1,2,...,n)对应策略集A{i,j}的全局最优解,其具体会先计算偏好向量其中:
S307:根据全局最优解向量确定节点的顺序,得到排序后的待调度电子节点。
在本步骤中会记录并存储节点{ai}(i=1,2,...,n)策略集A中的算力网络资源全局最优解值形成解向量,作为最终的约束指标测度向量。
之后在本步骤中会根据的大小进行重新排序得到新的排序向量/>最优解集/>对应的排序就是算力网络资源全局最优配置对应的节点策略集/>即为全局最优配置节点对应的最优解向量对应的节点集,也就是算力网络资源全局最优配置节点集,得到排序后的待调度电子节点。
最后在本步骤中通常会对算力网络资源全局最优配置节点集取/>即为算力网络资源全局最优解对应的电子节点,对该电子节点执行调度操作。
S308:对于量子节点标识所对应的节点,根据拓扑结构,以及基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的多个性能参数集训练,量化损失函数,确定多个性能参数集的损失函数测度值。
在本实施例中,对于量子节点,具体也可以设置有多种性能参数,在本步骤中可以根据各个性能参数,采用最小化损失函数方法,对节点的多个性能参数集训练,量化损失函数,确定各个性能参数集各自对应的损失函数测度值。
S309:通过量子机器学习算法,根据多个性能参数集的损失函数测度值确定节点的顺序,得到排序后的待调度量子节点。
在本实施例中具体会基于量子机器学习算法,预先训练出量子机器学习模型,然后调用该量子机器学习模型,采用最小化损失函数方法,对节点的性能参数集训练,量化损失函数,根据所述损失函数测度值,并通过损失函数测度值来寻找其最小值得到待调度的量子节点。量子机器学习算法主要借助量子计算的高并行性,实现进一步优化传统机器学习的目的。有关量子机器学习算法的具体内容可以参考现有技术,在此不再进行赘述。在本步骤中主要基于量子机器学习算法得到排序后的待调度量子节点。
S310:当获取到目标任务时,从待调度电子节点和待调度量子节点中确定待调度节点,并根据待调度节点对应的群组控制节点标签或非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
本步骤与上述S106基本一致,详细内容请参考上述发明实施例,在此不再进行赘述。
本发明实施例所提供的一种混合算力网络资源调度优化方法,双引擎基于量子电子算力节点的混合算力网络资源全局优化调度算法,解决的是对于多层次、多维度,具有量子电子的混合算力节点、随机动态活动网络集群(或簇群)的复杂系统;针对现有技术对随机活动网路配置是基于某些重点技术指标需求实现局部最优,给出双引擎量子电子混合算力网络资源全局优化算法;在多个约束条件下,面对复杂活动网络集群(量子计算机集群和电子计算机集群),给出双引擎调度机制下的混合算力网络资源全局调度算法,实属重大突破。
下面对本发明实施例所提供的一种混合算力网络资源调度优化随动控制装置进行介绍,下文描述的混合算力网络资源调度优化随动控制装置与上文描述的混合算力网络资源调度优化方法可相互对应参照。
在本发明实施例中,随动控制装置包括基于硬件的软件控制模块,用于承载上述软件控制模块的存储器、处理器、以及用于实现上述各发明实施例,存储有计算机程序的计算机可读存储介质。
请参考图5,图5为本发明实施例所提供的一种混合算力网络资源调度优化装置的结构框图。
参见图9,在本发明实施例中,混合算力网络资源调度优化装置可以包括:
拓扑结构获取模块100,用于获取目标混合算力网络的拓扑结构;
标签模块200,用于基于所述拓扑结构中各个节点所对应的分层,确定所述节点对应的标签;所述标签至少包括群组控制节点标签和非群组控制节点标签;
标识模块300,用于基于所述拓扑结构中各个节点所对应的分块,确定所述节点对应的标识;所述标识至少包括电子节点标识和量子节点标识;
电子节点模块400,用于对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;
量子节点模块500,用于对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;
调度模块600,用于当获取到目标任务时,从所述待调度电子节点和所述待调度量子节点中确定待调度节点,并根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
作为优选的,在本发明实施例中,拓扑结构获取模块100用于:
获取目标混合算力网络中节点的子网拓扑结构和特征参数。
作为优选的,在本发明实施例中,调度模块600包括:
最优路径单元,用于当所述标签表征所述节点为群组控制节点时,基于所述节点对应的子网拓扑结构确定所述节点对应的最优路径;
调度单元,用于基于所述最优路径对所述目标任务进行调度。
作为优选的,在本发明实施例中,对于所述电子节点标识所对应的节点,电子节点模块400包括:
电子约束指标测度值单元,用于对于所述电子节点标识所对应的节点,根据所述拓扑结构,以及约束指标的算法,确定约束指标测度值;
电子排序单元,用于根据所述约束指标测度值大小的顺序确定所述节点的顺序,得到排序后的待调度电子节点。
作为优选的,在本发明实施例中,当包括多种约束指标时,对于所述电子节点标识所对应的节点,电子节点模块400包括:
约束指标测度向量单元,用于对于所述电子节点标识所对应的节点,根据所述拓扑结构,以及约束指标的算法,确定多个约束指标测度值,生成多个约束指标测度向量;
综合评判矩阵单元,用于根据所述约束指标测度向量形成综合评判矩阵;
全局最优解向量单元,用于根据所述综合评判矩阵以及各个所述约束指标对应的权重,确定偏好向量作为全局最优解向量;
电子综合排序单元,用于根据所述全局最优解向量确定所述节点的顺序,得到排序后的待调度电子节点。
作为优选的,在本发明实施例中,对于所述量子节点标识所对应的节点,量子节点模块500包括:
量子约束指标测度值单元,用于对于所述量子节点标识所对应的节点,根据所述拓扑结构,以及基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的性能参数集训练,量化损失函数,确定损失函数测度值;
量子排序单元,用于根据所述损失函数测度值,并通过损失函数测度值来寻找最小值得到待调度的量子节点。
作为优选的,在本发明实施例中,当包括多种性能参数时,量子节点模块500包括:
量子多约束指标测度值单元,用于对于所述量子节点标识所对应的节点,根据所述拓扑结构,以及多个性能参数集训练,量化损失函数,确定多个性能参数集的损失函数测度值;量子机器学习单元,用于通过量子机器学习算法,根据多个所述性能参数集的损失函数测度值确定所述节点的顺序,得到排序后的待调度量子节点。
本实施例的混合算力网络资源调度优化装置用于实现前述的混合算力网络资源调度优化方法,因此混合算力网络资源调度优化装置中的具体实施方式可见前文中混合算力网络资源调度优化方法的实施例部分,例如,拓扑结构获取模块100,标签模块200,标识模块300,电子节点模块400,量子节点模块500,调度模块600分别用于实现上述混合算力网络资源调度优化方法中步骤S101至S106,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
下面对本发明实施例提供的一种混合算力网络资源调度优化设备进行介绍,下文描述的混合算力网络资源调度优化设备与上文描述的混合算力网络资源调度优化方法以及混合算力网络资源调度优化装置可相互对应参照。
请参考图6,图6为本发明实施例所提供的一种混合算力网络资源调度优化设备结构框图。
参照图6,该混合算力网络资源调度优化设备可以包括处理器11和存储器12。
所述存储器12用于存储计算机程序;所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述混合算力网络资源调度优化方法。
本实施例混合算力网络资源调度优化控制设备中处理器11用于安装上述发明实施例中所述的混合算力网络资源调度优化随动控制装置,同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述混合算力网络资源调度优化方法。因此,混合算力网络资源调度优化设备中的具体实施方式可见前文中混合算力网络资源调度优化方法的实施例部分,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质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上述任一发明实施例中所介绍的一种混合算力网络资源调度优化方法。其余内容可以参照现有技术,在此不再进行展开描述。
本发明还提供了一种混合算力网络资源调度优化控制系统,该系统通常包括用户层、应用服务器层和数据层等。
用户层S1:能够同时满足基于上述任一发明实施例所提供方法中数据选择、调度,以及实现数据层数据交互。也就是在该系统关于待选的优选节点在择优过程中,与各个功能模块实现数据交流。
应用服务器层S2:应用服务器层是数据层与用户层之间设置的中间层。实现统一数据库管理,知识库管理,用户对数据库的访问,保护数据库的安全与工作效率等。用户界面通过中间层与数据层相连接。
数据库管理,包括用户和权限管理,不同的用户分配不同的权限。知识库管理是对优化对象特征参数的资料库、统计数据库等进行管理和维护,包括信息的添加、删除、编辑和查询等。
数据层S3:用于存储或被调用数据,包括满足优化数据、优化策略集和全局最优解等在各个环节功能模块中的存储或被调用数据,与数据库交流的部分数据,提前预置数据,需要存储的中间数据等。起到数据存储库作用。
存储或被调用数据,包括,混合算力网络对应的优选节点集合,其约束条件下得到的测度值对应的相关待计算的初始态数据,中间运算数据、分析过程数据、分项运算数据、综合运算数据等。
基于上述混合算力网络资源调度优化系统,可以具体实现上述任一发明实施例所提供的一种混合算力网络资源调度优化方法。其具体内容已在上述发明实施例中做详细介绍,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种混合算力网络资源调度优化方法及随动控制装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种混合算力网络资源调度优化方法,其特征在于,包括:
获取目标混合算力网络的拓扑结构;
基于所述拓扑结构中各个节点所对应的分层,确定所述节点对应的标签;所述标签至少包括群组控制节点标签和非群组控制节点标签;
基于所述拓扑结构中各个节点所对应的分块,确定所述节点对应的标识;所述标识至少包括电子节点标识和量子节点标识;
对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;
对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;
当获取到目标任务时,从所述待调度电子节点和所述待调度量子节点中确定待调度节点,并根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
2.根据权利要求1所述的方法,其特征在于,获取目标混合算力网络的拓扑结构包括:
获取目标混合算力网络中节点的子网拓扑结构和特征参数。
3.根据权利要求2所述的方法,其特征在于,根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径包括:
当所述标签表征所述节点为群组控制节点时,基于所述节点对应的子网拓扑结构确定所述节点对应的最优路径;
基于所述最优路径对所述目标任务进行调度。
4.根据权利要求1所述的方法,其特征在于,对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点包括:
对于所述电子节点标识所对应的节点,根据所述拓扑结构,以及约束指标的算法,确定约束指标测度值;
根据所述约束指标测度值大小的顺序确定所述节点的顺序,得到排序后的待调度电子节点。
5.根据权利要求4所述的方法,其特征在于,当包括多种约束指标时,对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点包括:
对于所述电子节点标识所对应的节点,根据所述拓扑结构,以及约束指标的算法,确定多个约束指标测度值,生成多个约束指标测度向量;
根据所述约束指标测度向量形成综合评判矩阵;
根据所述综合评判矩阵以及各个所述约束指标对应的权重,确定偏好向量作为全局最优解向量;
根据所述全局最优解向量确定所述节点的顺序,得到排序后的待调度电子节点。
6.根据权利要求1所述的方法,其特征在于,对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点包括:
对于所述量子节点标识所对应的节点,根据所述拓扑结构,以及基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的性能参数集训练,量化损失函数,确定损失函数测度值;
根据所述损失函数测度值,并通过损失函数测度值来寻找最小值得到待调度量子节点。
7.根据权利要求6所述的方法,其特征在于,当包括多种性能参数时,对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点包括:
对于所述量子节点标识所对应的节点,根据所述拓扑结构,以及基于任务的监督学习模型算法,采用最小化损失函数方法,对节点的多个性能参数集训练,量化损失函数,确定多个性能参数集的损失函数测度值;
通过量子机器学习算法,根据多个所述性能参数集的损失函数测度值,确定所述节点的顺序,得到排序后的待调度量子节点。
8.一种混合算力网络资源调度优化装置,其特征在于,包括:
拓扑结构获取模块,用于获取目标混合算力网络的拓扑结构;
标签模块,用于基于所述拓扑结构中各个节点所对应的分层,确定所述节点对应的标签;所述标签至少包括群组控制节点标签和非群组控制节点标签;
标识模块,用于基于所述拓扑结构中各个节点所对应的分块,确定所述节点对应的标识;所述标识至少包括电子节点标识和量子节点标识;
电子节点模块,用于对于所述电子节点标识所对应的节点,基于经典运筹非线性优化全局调度算法确定待调度电子节点;
量子节点模块,用于对于所述量子节点标识所对应的节点,基于量子机器学习智能全局调度算法确定待调度量子节点;
调度模块,用于当获取到目标任务时,从所述待调度电子节点和所述待调度量子节点中确定待调度节点,并根据所述待调度节点对应的所述群组控制节点标签或所述非群组控制节点标签确定调度路径,以通过待调度节点处理所述目标任务。
9.一种混合算力网络资源调度优化设备,其特征在于,所述设备包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序时实现如权利要求1至8任一项所述混合算力网络资源调度优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至8任一项所述混合算力网络资源调度优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310398653.9A CN116471333A (zh) | 2023-04-14 | 2023-04-14 | 一种混合算力网络资源调度优化方法及随动控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310398653.9A CN116471333A (zh) | 2023-04-14 | 2023-04-14 | 一种混合算力网络资源调度优化方法及随动控制装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116471333A true CN116471333A (zh) | 2023-07-21 |
Family
ID=87173001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310398653.9A Pending CN116471333A (zh) | 2023-04-14 | 2023-04-14 | 一种混合算力网络资源调度优化方法及随动控制装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116471333A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116846818A (zh) * | 2023-09-01 | 2023-10-03 | 北京邮电大学 | 一种算力网络流量调度方法、系统、装置及存储介质 |
-
2023
- 2023-04-14 CN CN202310398653.9A patent/CN116471333A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116846818A (zh) * | 2023-09-01 | 2023-10-03 | 北京邮电大学 | 一种算力网络流量调度方法、系统、装置及存储介质 |
CN116846818B (zh) * | 2023-09-01 | 2023-12-01 | 北京邮电大学 | 一种算力网络流量调度方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1956457B (zh) | 用于安排网格计算系统中的网格作业的方法和设备 | |
CN1956456B (zh) | 用于在网格计算系统中呈现资源要求的方法和设备 | |
CN102782673B (zh) | 用于对象迁移波的系统和方法 | |
US9246777B2 (en) | Computer program and monitoring apparatus | |
He et al. | Hybrid genetic algorithms for telecommunications network back-up routeing | |
CN106708622A (zh) | 集群资源处理方法和系统、资源处理集群 | |
Ayoubi et al. | An autonomous IoT service placement methodology in fog computing | |
Wang et al. | Trust‐based robust scheduling and runtime adaptation of scientific workflow | |
CN116471333A (zh) | 一种混合算力网络资源调度优化方法及随动控制装置 | |
CN113723810A (zh) | 基于图数据库的电网建模方法 | |
He et al. | Web service composition optimization based on improved artificial bee colony algorithm | |
Ziafat et al. | A hierarchical structure for optimal resource allocation in geographically distributed clouds | |
CN116865952A (zh) | 一种数据的加密管理方法及系统 | |
CN116614385A (zh) | 基于数字孪生的业务调度路径规划方法、装置和设备 | |
CN117453398A (zh) | 一种提高供电可靠性的算力调度的智能优化方法及系统 | |
Corriveau et al. | Review of phenotypic diversity formulations for diagnostic tool | |
CN115904737A (zh) | 一种算力网络计算资源优化调度方法及随动控制装置 | |
Zhang | Reliable virtual network mapping algorithm with network characteristics and associations | |
US20100131317A1 (en) | Organization assessment and representation system and method | |
CN113852204B (zh) | 一种基于数字孪生的变电站三维全景监视系统及方法 | |
CN115169634A (zh) | 一种任务分配优化处理方法及装置 | |
CN109522352A (zh) | 工业数据管理系统及方法 | |
CN112769620B (zh) | 一种网络部署方法、设备和计算机可读存储介质 | |
Hillmann et al. | Modeling the location selection of mirror servers in content delivery networks | |
Gan et al. | Dependability modelling and analysis of networks as taking routing and traffic into account |
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 |