CN116614385A - 基于数字孪生的业务调度路径规划方法、装置和设备 - Google Patents
基于数字孪生的业务调度路径规划方法、装置和设备 Download PDFInfo
- Publication number
- CN116614385A CN116614385A CN202310602643.2A CN202310602643A CN116614385A CN 116614385 A CN116614385 A CN 116614385A CN 202310602643 A CN202310602643 A CN 202310602643A CN 116614385 A CN116614385 A CN 116614385A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- network
- digital
- twin
- 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 71
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000003016 pheromone Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种提供的基于数字孪生的业务调度路径规划方法、装置和设备,属于计算机技术领域。该方法通过获取用户业务数据;将用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使业务孪生模型对用户业务数据进行模拟,生成用户业务数据的业务运行时序预测数据;将业务运行时序预测数据输入至数字孪生应用系统的数字孪生算网中,利用路径规划模型对业务运行时序预测数据在数字孪生算网中的运行路径进行计算,得到目标调度路径。本发明通过建立适用于通用业务的数字孪生应用系统,实现不同用户业务模型的业务运行预测,并基于业务运行预测对算力资源进行合理分配,能够使得有限的算力网络得到最大化的有效利用,保障业务正常运行。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于数字孪生的业务调度路径规划方法、装置和设备。
背景技术
随着数字化转型的深入发展,算力网络(简称算网)已成为万物智联时代的重要基础设施。算力,可以理解为云计算中心处理数据的能力,由于信息化的高度发展,各行各业对于算力的需求不断走高,例如自动驾驶、云游戏、机器视觉、信息安全、家庭物联网等领域都有实时计算的需要。
算力网络能够根据不同业务的需求提供算力资源,包含计算、存储和连接的各种算力服务,不需要用户自己购买设备、搭建自己的算力网络平台,节约成本且能够满足自己的业务需求,能够起到降本增效的作用。
但由于算力网络是一种有限资源,需要对资源加以合理利用,例如不同用户的需求实现按需分配,使得算力资源能够更多用户的需要且能保证用户的业务质量,目前可以使用数字孪生技术对用户业务模型和算力资源进行模拟,实现算力资源的监控和调度。
但这种算网调度方案中,仅能根据每个用户的实际业务情况进行模型搭建,还无法适用于所有用户业务,即无法有效地还原通用业务的状态和资源调度过程,另外现有方案仅能进行实时监控和分配资源,无法对通用业务的调度路径进行预测性推演和判断,对于算力资源的利用率还有待进一步优化。
发明内容
本发明提供一种基于数字孪生的业务调度路径规划方法、装置和设备,用以解决现有技术中无法预测用户业务的算力资源需求,导致算力资源利用率不高的缺陷,实现对不同业务的统一建模,并对业务的算力资源需求进行推演和预测,从而统一规划算力资源的调度路径,合理分配算力资源,提高算力资源的利用率。
本发明提供一种基于数字孪生的业务调度路径规划方法,包括:
获取用户业务数据;
将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;
将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
根据本发明提供的一种基于数字孪生的业务调度路径规划方法,所述获取用户业务数据之前,所述方法包括:
对当前算力网络的实体网络、逻辑网络、拓扑关系进行三维建模,得到初始算网模型;
通过网络遥测方法获取当前算力网络的实时环境运行数据;
利用数字孪生方法对所述实时环境运行数据在所述初始算网模型中进行模拟,得到所述数字孪生算网。
根据本发明提供的一种基于数字孪生的业务调度路径规划方法,所述实时环境运行数据包括所述当前算力网络的实时性能数据、实时故障数据、实时配置数据和实时资源数据。
根据本发明提供的一种基于数字孪生的业务调度路径规划方法,所述获取用户业务数据之前,还包括:
获取通用业务参数;
通过数字线程技术对所述通用业务参数进行实时处理,生成所述业务孪生模型。
根据本发明提供的一种基于数字孪生的业务调度路径规划方法,所述路径规划模型是基于动态权值和蚁群算法生成的。
根据本发明提供的一种基于数字孪生的业务调度路径规划方法,所述用户业务数据包括业务类型、业务量、业务算力需求、业务网络需求、业务指标和业务性能需求。
根据本发明提供的一种基于数字孪生的业务调度路径规划方法,所述获取用户业务数据之前,还包括:
利用3D可视化引擎对所述业务孪生模型和所述数字孪生算网进行初始化,显示所述初始化后的业务孪生模型和初始化后的数字孪生算网。
本发明还提供一种基于数字孪生的业务调度路径规划装置,包括:
业务数据获取模块,用于获取用户业务数据;
业务运行预测模块,用于将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;
目标调度路径计算模块,用于将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
本发明还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述基于数字孪生的业务调度路径规划方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于数字孪生的业务调度路径规划方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于数字孪生的业务调度路径规划方法。
本发明提供的基于数字孪生的业务调度路径规划方法、装置和设备,通过获取用户业务数据;将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。本发明通过建立适用于通用业务的数字孪生应用系统,能够实现不同用户业务模型的业务运行预测,得到用户在未来一段时间内的算力资源需求,将上述算力资源需求结合当前的数字孪生算网进行模型,得到匹配当前用户需求的最优算力资源调度路径,不仅满足了用户的算力需求,还能够做到对当前区域内的算力资源进行全局统筹,合理分配,能够使得有限的算力网络得到最大化的有效利用,达到了降本增效的目的。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的基于数字孪生的业务调度路径规划方法的应用环境示意图;
图2是本发明提供的基于数字孪生的业务调度路径规划方法的流程示意图;
图3是本发明提供的基于数字孪生的业务调度路径规划装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要说明的是,在本发明实施例的描述中,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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合图1-图4描述本发明的具体实施方式。
本申请实施例提供的基于数字孪生的业务调度路径规划方法,可以应用于如图1所示的应用环境中。其中,用户节点集群101通过网络与服务器集群103进行通信。数据存储系统可以存储服务器集群103需要处理的数据。服务器102用于监控用户节点集群101和服务器集群103的各种运行数据,运行与用户节点集群101对应的业务孪生模型和与服务器集群103对应的数字孪生算网;数据存储系统可以集成在服务器集群103上,也可以放在云上或其他网络服务器上。其中,用户节点集群101中的各节点可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器集群104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。值得注意的是,图1中的应用环境仅是各节点的逻辑连接关系示意图,并非与实际环境的各节点的位置关系一一对应,实际上,用户节点集群101和服务器集群103中的各节点均散乱地分布于一定区域范围内。
在一个实施例中,如图2所示,提供了一种基于数字孪生的业务调度路径规划方法,以该方法应用于图1中的服务器102为例进行说明,包括以下步骤:
步骤201,获取用户业务数据;
其中,用户业务数据是指当前需要进行算力资源路径规划的用户业务数据,例如若当前用户业务为某电商APP的业务,则相应的用户业务数据为包括当前APP的使用情况以及该电商APP在即将到来的业务高峰所需要的业务计划数据。
优选地,用户业务数据包括当前用户业务的业务类型、业务量、业务算力需求、业务网络需求、业务指标和业务性能需求。
具体地,服务器102通过网络监控能够获取与当前用户相关的用户业务数据,还可以是当前用户根据实际情况向服务器102提交的用户业务数据,报告了自己在未来的需求计划。
步骤202,将用户业务数据输入至数字孪生系统的业务孪生模型中,以使以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;
其中,数字孪生系统是通过数字孪生技术预先搭建的模型,包括业务孪生模型和数字孪生算网。数字孪生技术是指充分利用物理模型、传感器、当前算力网络运行历史数据、当地各类用户业务历史数据等信息,集成多学科、多尺度的仿真过程,它作为虚拟空间中对实体产品的镜像,反映了相对应物理实体产品的全生命周期过程。本发明中的数字孪生系统都是对一定区域内的用户业务和算力网络资源进行模拟得到的,例如对A市内的所有用户业务和A市内现有的算力网络资源进行数字孪生搭建的模型。
业务孪生模型是指针对当地所有用户业务进行数字孪生后的得到的虚拟模型,能够抽象出当地所有用户业务的共性参数得到的模型,例如各用户业务的网络流量、业务类型分类、数据高峰时段的最大流量等。
数字孪生算网是指对当地的算力网络的结构、数量、性能参数等进行虚拟仿真后得到的映射模型。
具体地,将待规划资源调度路径的用户业务数据输入至数字孪生应用系统的业务孪生模型中,该业务孪生模型能够根据当前用户业务的类型,结合当前用户业务过去的运行规律预测得到该用户业务在未来预设时间段内的业务运行时序预测数据。
步骤203,将上述业务运行时序预测数据输入至数字孪生应用系统的数字孪生算网中,利用路径规划模型对上述业务运行时序预测数据在上述数字孪生算网中的运行路径进行计算,得到目标调度路径。
具体地,将上述业务运行时序预测数据输入至数字孪生算网,由于数字孪生算网是当前该地区内的各算力资源的分布位置和运行状态的虚拟映射,通过一定的路径规划算法,将上述业务运行时序预测数据在上述数字孪生算网进行模拟计算,结合该地区其他用户业务在未来预设时间段的业务数据分布规律,能够得到目标调度路径,该目标调度路径可以是满足用户需求的最优路径,例如,若用户业务对于时延要求高,则该目标调度路径能够根据用户的高时延需求将离用户较近且空闲的算力资源分配给该用户。
上述实施例,过建立适用于通用业务的数字孪生应用系统,能够实现不同用户业务模型的业务运行预测,得到用户在未来一段时间内的算力资源需求,将上述算力资源需求结合当前的数字孪生算网进行模型,得到匹配当前用户需求的最优算力资源调度路径,不仅满足了用户的算力需求,还能够做到对当前区域内的算力资源进行全局统筹,合理分配,能够使得有限的算力网络得到最大化的有效利用,达到了降本增效的目的。
在一实施例中,在上述步骤201之前,该方法还包括:对当前算力网络的实体网络、逻辑网络、拓扑关系进行三维建模,得到初始算网模型;通过网络遥测方法获取当前算力网络的实时环境运行数据;利用数字孪生方法对所述实时环境运行数据在所述初始算网模型中进行模拟,得到所述数字孪生算网。
其中,当前算力网络是指该地区内当前的算力资源实际情况,包括设备数量、节点分布位置、各节点的当前状态、各节点的性能参数等。实时环境运行数据包括所述当前算力网络的实时性能数据、实时故障数据、实时配置数据和实时资源数据。
具体地,在当前区域内(即当前调度范围内),基于三维建模技术将当前算力网络的实体网络、逻辑网络、拓扑关系进行建模,得到初始算网模型;通过网络遥测方法获取当前算力网络的实时环境运行数据,即通过分布于网络的中的传感器获取当前算力网络的实时性能数据、实时故障数据、实时配置数据和实时资源数据,利用数字孪生方法对上述实时环境运行数据在初始算网模型中进行模拟,得到所述数字孪生算网。
本实施例,通过使用数字孪生方法对当地的算力网络分布和当前算力网络的实时运行状态进行模拟,得到当地的算力网络的实时运行模型,为后续根据用户需求分配算力资源提供有效的计算模型。
在一实施例中,在一实施例中,上述步骤201之前,还包括:获取通用业务参数;通过数字线程技术对所述通用业务参数进行实时处理,生成所述业务孪生模型。
其中,数字线程技术数字孪生技术中的关键技术之一,数字线程是一种通信框架,它能展示资产数据在整个生命周期(从原材料到最终产品)的互联的数据流和集成视图,能够屏蔽不同类型数据、模型格式,支撑全类数据和模型快速流转和无缝集成。
具体地,使用数字线程获取通用业务参数,通用业务参数为该地区内所用用户业务的共性参数,这些参数是事先设定的,例如网络流量数据、各业务的流量高峰时间等。通过使用数字线程技术对上述通用业务参数进行模拟、流转得到与该地区所有用户业务对应的业务孪生模型。
上述实施例,通过使用数字线程技术生成该地区所有业务对应的通用业务孪生模型,为后续为某一特定用户业务实现算子资源分配和路径规划提供数据基础。
在一实施例中,上述步骤203中的路径规划模型是基于动态权值和蚁群算法生成的。
其中蚁群算法是一种用来寻找优化路径的概率型算法,应用于解决优化问题,其基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。
具体地,基于动态权值和优化的蚁群算法,通过AI智能决策,完成算网资源区域内的调度路径规划,并在数字孪生算网中仿真调度结果并持续优化,寻找到最优调度路径(即目标调度路径)。
在本实施例中,每只蚂蚁的行走路径代表一种资源分配方案,其该资源分配方案中包括服务器节点数量和节点标识。
首先通过动态权值确定判决标准,再基于优化的蚁群算法确定最优路径。
动态权值是通过对多变的算网区域环境进行有效的分析来组建基于动态权重的多路径选择模型,以算网特定区域内网络路径的带宽、时延、抖动、丢包率属性特征为网络路径选择的判决标准,根据该判决标准决定蚁群算法中的适应度函数。
优化的蚁群算法思路是将所有蚂蚁分为k个蚁群,每个蚁群包括m只蚂蚁,在一次迭代中一共有k×m只蚂蚁参与路径搜索。蚂蚁在搜索路径的过程中,释放的信息素只作用于同一个蚁群内,不相互干扰。设定一个资源占用表,实时记录所有蚂蚁在搜索过程中的网络资源占用信息,如果两只以上蚂蚁沿不同路径在同一时刻到达某网络节点,并对同一网络资源提出使用请求时,采用基于综合度量关键网络资源调度策略,决定该资源的分配方案或者使用的优先顺序。如果蚂蚁在约束范围内到达目标节点,则表示存在完成相应任务的网络路径。当所有k只蚂蚁完成搜索,记录网络路径集,计算任务完成率,局部更新网络信息素。如果k×m只蚂蚁完成一次搜索,则表示完成一次迭代,记录任务完成率最高的路径规划方案,并更新该路径规划方案上各路径的信息素。
优选地,上述用户业务数据包括业务状态数据和用户感知数据;根据业务状态数据和用户感知数据诊断当前业务所处的状态,通过AI智能判断通用业务是否能够正常完成:若是,则基于前期规划的算网资源调度路径保证通用业务正常运行;否则,通过数字孪生仿真技术,基于数据变化趋势,预测生产业务在未来一定时间内的状态,并从数字孪生算网中搜索区域内算网资源状态情况,基于动态权值和优化的蚁群算法,通过AI智能决策,完成算网资源区域内的调度路径规划,并在数字孪生算网中仿真调度结果并持续优化,寻找到最优调度路径,进而保证通用业务的正常运行。
上述实施例,通过使用蚁群算法结合动态权值,能够根据当前用户的业务特点预测得到最优算力资源调度路径。
在一实施例中,上述步骤201之前,还包括:利用3D可视化引擎对所述业务孪生模型和所述数字孪生算网进行初始化,显示所述初始化后的业务孪生模型和初始化后的数字孪生算网。
具体地,通过3D可视化引擎对数字孪生算网和业务孪生模型进行应用初始化,实现数字孪生算网和业务孪生模型的可视化。
本实施例,通过使用3D可视化引擎实现数字孪生算网和业务孪生模型的可视化,使得该数字孪生应用系统上的资源调度更加直观,为该地区的算力资源使用情况监控更加方便。
下面对本发明提供的基于数字孪生的业务调度路径规划装置进行描述,下文描述的基于数字孪生的业务调度路径规划装置与上文描述的基于数字孪生的业务调度路径规划方法可相互对应参照。
在一个实施例中,如图3所示,提供了一种基于数字孪生的业务调度路径规划装置,包括:业务数据获取模块301、业务运行预测模块302和目标调度路径计算模块303,其中,
业务数据获取模块301,用于获取用户业务数据;
业务运行预测模块302,用于将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;
目标调度路径计算模块303,用于将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
在一实施例中,上述装置还包括:数字孪生模型生成单元,用于对当前算力网络的实体网络、逻辑网络、拓扑关系进行三维建模,得到初始算网模型;通过网络遥测方法获取当前算力网络的实时环境运行数据;利用数字孪生方法对所述实时环境运行数据在所述初始算网模型中进行模拟,得到所述数字孪生算网。
在一实施例中,所述实时环境运行数据包括所述当前算力网络的实时性能数据、实时故障数据、实时配置数据和实时资源数据。
在一实施例中,上述数字孪生模型生成单元,还用于获取通用业务参数;通过数字线程技术对所述通用业务参数进行实时处理,生成所述业务孪生模型。
在一实施例中,所述路径规划模型是基于动态权值和蚁群算法生成的。
在一实施例中,所述用户业务数据包括业务类型、业务量、业务算力需求、业务网络需求、业务指标和业务性能需求。
在一实施例中,上述数字孪生模型生成单元,还用于利用3D可视化引擎对所述业务孪生模型和所述数字孪生算网进行初始化,显示所述初始化后的业务孪生模型和初始化后的数字孪生算网。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于数字孪生的业务调度路径规划方法,该方法包括:获取用户业务数据;将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于数字孪生的业务调度路径规划方法,该方法包括:获取用户业务数据;将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于数字孪生的业务调度路径规划方法,该方法包括:获取用户业务数据;将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于数字孪生的业务调度路径规划方法,其特征在于,包括:
获取用户业务数据;
将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;
将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
2.根据权利要求1所述的基于数字孪生的业务调度路径规划方法,其特征在于,所述获取用户业务数据之前,所述方法包括:
对当前算力网络的实体网络、逻辑网络、拓扑关系进行三维建模,得到初始算网模型;
通过网络遥测方法获取当前算力网络的实时环境运行数据;
利用数字孪生方法对所述实时环境运行数据在所述初始算网模型中进行模拟,得到所述数字孪生算网。
3.根据权利要求2所述的基于数字孪生的业务调度路径规划方法,其特征在于,
所述实时环境运行数据包括所述当前算力网络的实时性能数据、实时故障数据、实时配置数据和实时资源数据。
4.根据权利要求1所述的基于数字孪生的业务调度路径规划方法,其特征在于,所述获取用户业务数据之前,所述方法还包括:
获取通用业务参数;
通过数字线程技术对所述通用业务参数进行实时处理,生成所述业务孪生模型。
5.根据权利要求1所述的于数字孪生的业务调度路径规划方法,其特征在于,所述路径规划模型是基于动态权值和蚁群算法生成的。
6.根据权利要求1所述的基于数字孪生的业务调度路径规划方法,其特征在于,
所述用户业务数据包括业务类型、业务量、业务算力需求、业务网络需求、业务指标和业务性能需求。
7.根据权利要求1至6任一项所述的基于数字孪生的业务调度路径规划方法,其特征在于,所述获取用户业务数据之前,还包括:
利用3D可视化引擎对所述业务孪生模型和所述数字孪生算网进行初始化,显示所述初始化后的业务孪生模型和初始化后的数字孪生算网。
8.一种基于数字孪生的业务调度路径规划装置,其特征在于,包括:
业务数据获取模块,用于获取用户业务数据;
业务运行预测模块,用于将所述用户业务数据输入至数字孪生应用系统的业务孪生模型中,以使所述业务孪生模型对所述用户业务数据进行模拟,生成所述用户业务数据的业务运行时序预测数据;
目标调度路径计算模块,用于将所述业务运行时序预测数据输入至所述数字孪生应用系统的数字孪生算网中,利用路径规划模型对所述业务运行时序预测数据在所述数字孪生算网中的运行路径进行计算,得到目标调度路径。
9.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于数字孪生的业务调度路径规划方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于数字孪生的业务调度路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310602643.2A CN116614385A (zh) | 2023-05-24 | 2023-05-24 | 基于数字孪生的业务调度路径规划方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310602643.2A CN116614385A (zh) | 2023-05-24 | 2023-05-24 | 基于数字孪生的业务调度路径规划方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116614385A true CN116614385A (zh) | 2023-08-18 |
Family
ID=87681436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310602643.2A Pending CN116614385A (zh) | 2023-05-24 | 2023-05-24 | 基于数字孪生的业务调度路径规划方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116614385A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195580A (zh) * | 2023-09-21 | 2023-12-08 | 国网江苏省电力有限公司南通供电分公司 | 一种配电网智能规划方法及系统 |
CN117236599A (zh) * | 2023-09-11 | 2023-12-15 | 国网江苏省电力有限公司南通供电分公司 | 基于多元化算力融合的供电服务提升方法及系统 |
CN117252407A (zh) * | 2023-11-20 | 2023-12-19 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
CN117370022A (zh) * | 2023-10-25 | 2024-01-09 | 国网江苏省电力有限公司南通供电分公司 | 一种用于电网运行的算力资源分配方法及系统 |
CN117389732A (zh) * | 2023-10-23 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数字孪生的算力资源配置优化方法及系统 |
CN117453398A (zh) * | 2023-10-27 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种提高供电可靠性的算力调度的智能优化方法及系统 |
-
2023
- 2023-05-24 CN CN202310602643.2A patent/CN116614385A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236599A (zh) * | 2023-09-11 | 2023-12-15 | 国网江苏省电力有限公司南通供电分公司 | 基于多元化算力融合的供电服务提升方法及系统 |
CN117195580A (zh) * | 2023-09-21 | 2023-12-08 | 国网江苏省电力有限公司南通供电分公司 | 一种配电网智能规划方法及系统 |
CN117195580B (zh) * | 2023-09-21 | 2024-06-11 | 国网江苏省电力有限公司南通供电分公司 | 一种配电网智能规划方法及系统 |
CN117389732A (zh) * | 2023-10-23 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数字孪生的算力资源配置优化方法及系统 |
CN117370022A (zh) * | 2023-10-25 | 2024-01-09 | 国网江苏省电力有限公司南通供电分公司 | 一种用于电网运行的算力资源分配方法及系统 |
CN117453398A (zh) * | 2023-10-27 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种提高供电可靠性的算力调度的智能优化方法及系统 |
CN117252407A (zh) * | 2023-11-20 | 2023-12-19 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
CN117252407B (zh) * | 2023-11-20 | 2024-03-29 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Resource scheduling in edge computing: A survey | |
CN116614385A (zh) | 基于数字孪生的业务调度路径规划方法、装置和设备 | |
Vakili et al. | Comprehensive and systematic review of the service composition mechanisms in the cloud environments | |
Shakarami et al. | An autonomous computation offloading strategy in Mobile Edge Computing: A deep learning-based hybrid approach | |
Kashani et al. | Load balancing algorithms in fog computing | |
US10841241B2 (en) | Intelligent placement within a data center | |
Nashaat et al. | IoT application placement algorithm based on multi-dimensional QoE prioritization model in fog computing environment | |
US8140682B2 (en) | System, method, and apparatus for server-storage-network optimization for application service level agreements | |
CN112425137A (zh) | 建模和模拟IoT系统的系统和方法 | |
Jayasena et al. | Optimized task scheduling on fog computing environment using meta heuristic algorithms | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
Mechalikh et al. | PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments | |
Kong et al. | A reliable and efficient task offloading strategy based on multifeedback trust mechanism for IoT edge computing | |
CN103581339A (zh) | 基于云计算的存储资源分配监控处理方法 | |
CN112870726B (zh) | 图形处理器的资源分配方法、装置和存储介质 | |
CN105340311B (zh) | 网络设备、网络业务预测装置和方法 | |
CN103595815A (zh) | 基于云计算的存储资源分配方法 | |
Huang et al. | Enabling DNN acceleration with data and model parallelization over ubiquitous end devices | |
Chen et al. | A deep reinforcement learning-based wireless body area network offloading optimization strategy for healthcare services | |
Battula et al. | A generic stochastic model for resource availability in fog computing environments | |
Ghafouri et al. | Mobile-kube: Mobility-aware and energy-efficient service orchestration on kubernetes edge servers | |
CN113014649B (zh) | 一种基于深度学习的云物联负载均衡方法、装置及设备 | |
Alonso et al. | A Review on Deep Reinforcement Learning for the management of SDN and NFV in Edge-IoT | |
Zhang | Storage optimization algorithm design of cloud computing edge node based on artificial intelligence technology | |
Samikwa et al. | Disnet: Distributed micro-split deep learning in heterogeneous dynamic iot |
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 |