CN116647874B - 一种5g高性能网络服务器数据优化传输方法及系统 - Google Patents
一种5g高性能网络服务器数据优化传输方法及系统 Download PDFInfo
- Publication number
- CN116647874B CN116647874B CN202310926515.3A CN202310926515A CN116647874B CN 116647874 B CN116647874 B CN 116647874B CN 202310926515 A CN202310926515 A CN 202310926515A CN 116647874 B CN116647874 B CN 116647874B
- Authority
- CN
- China
- Prior art keywords
- edge computing
- data
- hidden state
- computing nodes
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 230000007704 transition Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
Abstract
本发明涉及数据传输技术领域,具体涉及一种5G高性能网络服务器数据优化传输方法及系统,包括:获取全部边缘计算节点的负载数据,通过隐马尔可夫模型获取负载状态数据的预测结果,通过边缘计算节点的负载状态数据的预测结果获取边缘计算节点的聚类优化因子,通过分布式计算需要的边缘节点数量进行聚类分析,制定分布式计算策略,根据分布式计算策略进行数据流量的转发,开始边缘节点的并行计算。本发明通过隐马尔可夫模型进行预测并通过预测结果进行边缘计算节点的聚类,确定最优的并行计算任务执行节点。相较于选择实时负载状态最低的边缘计算节点进行并行计算任务,使得分布式计算任务可以以最高的效率进行。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及一种5G高性能网络服务器数据优化传输方法及系统。
背景技术
5G网络允许设备同时建立多个连接,可以通过同时使用多个连接来提高数据传输速度与可靠性。服务器可以利用这个特性,与终端设备之间建立多个并行连接来传输数据。对于5G高性能网络服务器,即5G网络的云通信服务器,其作用即为对于用户的网络访问请求进行管理和处理,并在该网络服务器中进行路由。因为5G网络具有高带宽与低延迟特性,那么在边缘网络服务器的负载均衡过程中就需要对于数据流量进行更为完善的分配。将数据流量分配到不同的网络路径或节点上,从而保证5G网络的低延迟特性。
在现有的5G网络服务器的负载均衡模块中,首先需要对网络流量实时监测,了解各个网络路径或节点的使用情况。之后基于网络流量的实时监测结果将新的数据流量引导到当前负载较低的网络路径或节点上。
在现有的5G高性能网络服务器在分布式环境下的负载均衡过程中,因为分布式环境中对于数据流量具有数据一致性的需求,如果将待计算内容分布到多个边缘计算节点中进行并行计算,那么在结果汇总的阶段,需要确保各个服务器计算出的结果能够正确合并,以保证整体计算的准确性。
在通过5G高性能网络进行分布式并行计算的过程中的网络服务器数据传输负载均衡模块中,对于数据流量的边缘计算节点选择是通过已知的边缘计算节点负载状态进行实时选择。但是当边缘计算节点需要进行不同的计算任务时。因为不同的任务所造成的边缘计算节点的负载是不同的,所以仅通过实时的边缘节点负载情况进行边缘节点的选择会导致在选择时边缘计算节点的负载状态是正常的,但是在后续的计算任务分配过程中会导致边缘计算节点的高负载。这样就会导致分布式计算环境中出现边缘计算完成时间不同。
本发明在高性能网络的负载均衡模块中对于需要分布式计算的数据流量(数据包)进行传输的过程中通过5G高性能网络服务器中的负载均衡模块中对于可用边缘计算节点的实时负载监测数据对边缘节点的负载状态进行预测,并通过预测的结果与边缘节点的分布状态进行分布式计算流量的节点选择,从而优化数据传输过程。
发明内容
本发明提供一种5G高性能网络服务器数据优化传输方法及系统,以解决现有的问题。
本发明的一种5G高性能网络服务器数据优化传输方法及系统采用如下技术方案:
本发明一个实施例提供了一种5G高性能网络服务器数据优化传输方法,该方法包括以下步骤:
获取每个边缘计算节点的负载状态数据,所述负载状态数据是多维的;
获取边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点的隐藏状态,根据边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点对应的隐藏状态,得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率;
根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子,根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,根据优化后的距离和密度聚类算法对负载状态数据空间中的边缘计算节点进行聚类,得到若干簇类;
获取用户所需的边缘计算节点数量,选取簇类中包含边缘计算节点的数量最接近且大于等于用户所需的边缘计算节点数量/>的簇类,记为目标簇类,通过目标簇类中的边缘计算节点进行分布式计算任务的传输。
进一步地,所述隐藏状态的具体获取方法如下:
通过预设隐藏状态双阈值对多维数据点的状态进行比较,得到负载状态数据中多维数据点的隐藏状态。
进一步地,所述得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率,包括的具体步骤如下:
将负载状态数据构成的多维时序序列以及负载状态数据的隐藏状态输入到隐马尔可夫模型中,并通过维特比方法获取隐藏状态的预测结果,所述的预测结果为状态转移概率矩阵以及隐藏状态序列,状态转移概率矩阵包括隐藏状态的转移概率。
进一步地,所述根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子,包括的具体步骤如下:
其中,表示第/>个边缘计算节点的隐藏状态序列中/>时刻与第/>个边缘计算节点隐藏状态序列中/>时刻之间的时间差值的绝对值,/>表示第/>个边缘计算节点的隐藏状态序列中/>时刻对应的隐藏状态转移到第/>个边缘计算节点隐藏状态序列中/>时刻对应的隐藏状态的转移概率;
表示第/>个边缘计算节点的隐藏状态序列中时刻的总个数,/>表示对第/>个边缘计算节点隐藏状态序列中每一个时刻的整体计算结果进行线性归一化,/>表示取线性归一化结果中的最大值,/>表示第/>个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子。
进一步地,所述根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,包括的具体步骤如下:
其中,表示第/>个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子,/>表示第/>个边缘计算节点与第/>个边缘计算节点在负载状态数据空间中的欧式距离,/>表示第/>个边缘计算节点与第/>个边缘计算节点优化后的欧式距离。
进一步地,所述负载状态数据空间的具体获取方法如下:
由于负载状态数据是多维的,因此多个维度可以构成一个维度空间,将维度空间记为负载状态数据空间。
本发明的另一个实施例提供了一种5G高性能网络服务器数据优化传输系统,该系统包括以下模块:
数据采集模块:获取每个边缘计算节点的负载状态数据,所述负载状态数据是多维的;
隐藏状态评估模块:获取边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点的隐藏状态,根据边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点对应的隐藏状态,得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率;
聚类优化因子获取模块:根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子;
聚类模块:根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,根据优化后的距离和密度聚类算法对负载状态数据空间中的边缘计算节点进行聚类,得到若干簇类;
数据传输模块:获取用户所需的边缘计算节点数量,选取簇类中包含边缘计算节点的数量最接近且大于等于用户所需的边缘计算节点数量/>的簇类,记为目标簇类,通过目标簇类中的边缘计算节点进行分布式计算任务的传输。
本发明的技术方案的有益效果是:本发明所述的在5G高性能服务器负载均衡模块中通过边缘节点的实时负载状态通过隐马尔可夫模型进行预测并通过预测结果进行边缘计算节点的聚类,从中确定最优的并行计算任务执行节点。相较于选择实时负载状态最低的边缘计算节点进行并行计算任务,可以保证在5G网络环境下分布式计算的计算任务一致性需求。使得分布式计算任务可以以最高的效率进行。
本发明所述的通过边缘节点的负载预测结果所获取到的隐藏状态转移矩阵结果对边缘节点聚类过程中对应的负载数据之间的距离进行优化,相较于直接通过边缘节点对应的负载数据进行聚类可以通过状态转移矩阵中出现的状态间转移概率来根据状态的可能性进行分布式计算中边缘节点的选择。
附图说明
为了更清楚地说明本发明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,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为本发明一个实施例所提供的一种5G高性能网络服务器数据优化传输方法的步骤流程图。
图2为本发明一个实施例所提供的一种5G高性能网络服务器数据优化传输系统的系统框架图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种5G高性能网络服务器数据优化传输方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种5G高性能网络服务器数据优化传输方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种5G高性能网络服务器数据优化传输方法的步骤流程图,该方法包括以下步骤:
步骤S001、通过5G高性能网络服务器中的负载监测模块获取全部边缘计算节点的负载数据。
需要说明的是,在基于5G高性能网络的分布式计算中,对于用户的分布式运算请求,需要通过网络服务器将用户的并行计算数据包进行数据流量转发。也就是对于分布式计算的需求,在5G高性能网络服务器中进行并行计算任务的分配与并行计算结果的整合。这个过程因为5G网络高带宽,低延迟与高连接密度的特性所以更需要站在服务器中的负载均衡模块进行每一个数据块(并行计算中每一个边缘计算节点需要分配的待计算数据)的边缘节点的分配。
因为分布式计算环境中对于数据包具有运算性能实时性的需求,也就是对于在本实施例所述的5G高性能网络服务器中将数据包进行分发,当边缘结算节点返回计算结果之后,同样也需要在高性能网络服务器中进行计算结果的合并,从而完成一个分布式计算请求。在这个过程中,如果边缘计算节点出现了计算速度的差异那么就会占用更多的网络服务器的资源,从而降低了5G高性能网络服务器的性能,所以对于分布式计算请求,网络服务器需要确定负载状态相似的边缘计算节点来进行并行计算,这样可以保证边缘计算节点具有相同的计算结果返回时间,避免网络服务器中数据等待的占用。
具体的,综上,在5G高性能网络服务器中的负载监测模块中,实时采集每个边缘计算节点的负载状态数据,对于每一个监测时刻记录每一个边缘计算服务器的负载状态,得到一个负载状态数据,本实施例中以监测时刻为1秒进行叙述,具体实施时可以设置为其他值。
至此,得到了每个边缘计算节点的负载状态数据。
需要说明的是,在获取到每个边缘计算节点的实时负载状态之后,即可以通过当前的负载状态对每个边缘节点的未来负载状态进行预测,从而在用户发出新的分布式计算请求时,通过边缘节点的负载状态预测结果进行边缘计算节点的选取,并根据选取结果制定数据传输策略,使得5G高性能服务器将数据流量转发至对应的边缘计算节点,完成分布式计算场景中的服务器数据传输。
步骤S002、对于边缘计算服务器负载状态数据通过隐马尔可夫模型获取负载状态数据的预测结果。
需要特别说明的是,本实施例中边缘计算节点代指边缘计算服务器。对于负载监测模块获取到的全部边缘计算节点的负载状态数据,其中第个边缘计算节点的第/>次监测到的负载状态数据包括了对于该边缘计算节点在此次负载状态监测中获取到的边缘计算服务器CPU利用率,内存利用率,网络带宽,磁盘空间利用率,响应时间和连接数,即边缘计算节点的负载状态数据是多维的。
具体的,获取每一个边缘计算节点的最近100次负载状态数据,再次需要说明的是,负载状态数据是多维的。将最近100次负载状态数据记为多维时序数据,对于每一个边缘计算节点的多维时序数据中的每一次负载状态数据的多维数据点,通过其最高占用资源项进行其对应隐藏状态的评估,获取到每个负载状态数据的多维数据点的隐藏状态,包括,高负载,中负载,低负载。
所述评估过程的评估标准为:对于利用率通过预设利用率占比的三等分阈值(33%和66%)来进行评估,当负载状态数据中CPU利用率低于33%为低负载,当负载状态数据中CPU利用率在33%66%之间为中负载,当负载状态数据中CPU利用率高于66%为高负载,同理对内存利用率、磁盘空间利用率进行评估;对于负载状态数据中连接数通过实际场景中当前连接数与边缘计算节点的最高承载量比值进行评估,当实际场景中当前连接数与边缘计算节点的最高承载量比值低于33%为低负载,当实际场景中当前连接数与边缘计算节点的最高承载量比值在33%/>66%之间为中负载,当实际场景中当前连接数与边缘计算节点的最高承载量比值高于66%为高负载;对于响应时间通过预设双阈值进行划分,设定双阈值/>和。
进一步地,在获取到每一个边缘计算节点的多维时序数据中每个时间节点对应的隐藏状态之后,建立隐马尔可夫模型并通过维特比方法获取隐藏状态的预测结果,所述的预测结果为根据状态转移概率矩阵获取的最可能边缘计算节点的隐藏状态序列,所述状态转移概率矩阵由隐马尔可夫模型获取。需要说明的是,对于获取到的隐藏状态序列预测结果,同时可以获取到隐藏状态序列对应的状态转移概率矩阵。
至此,得到了边缘计算节点的隐藏状态序列。
步骤S003、通过边缘计算节点的负载状态数据的预测结果获取边缘计算节点的聚类优化因子。
需要说明的是,在获取到每个边缘计算节点的负载状态数据的预测结果之后,即可以通过全部边缘计算节点的负载状态数据的预测结果通过聚类的方法选取出最合适当前分布式计算任务所需的边缘计算节点。但是在通过边缘计算节点隐藏状态序列预测结果进行聚类的过程中,存在着边缘计算节点的负载数值的变化,而对于边缘计算节点的选取,需要考虑到每个节点的预测结果中全部的负载状态。所以在聚类过程中对于每一个边缘计算节点与其他边缘计算节点在负载状态数据空间中的距离需要通过预测结果中的隐藏状态序列与状态概率转移矩阵进行优化。
具体的,获取第个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子/>,具体获取如下:
其中,表示第/>个边缘计算节点的隐藏状态序列中/>时刻与第/>个边缘计算节点隐藏状态序列中/>时刻之间的时间差值的绝对值,/>表示第/>个边缘计算节点的隐藏状态序列中/>时刻对应的隐藏状态转移到第/>个边缘计算节点隐藏状态序列中/>时刻对应的隐藏状态的转移概率,转移概率可由第/>个边缘计算节点在隐马尔可夫模型中的状态概率转移矩阵获取,/>表示第/>个边缘计算节点的隐藏状态序列中时刻的总个数,表示对第/>个边缘计算节点隐藏状态序列中每一个时刻的整体计算结果进行线性归一化,/>表示取线性归一化结果中的最大值,/>表示第/>个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子。
进一步地,获取所有边缘节点之间的聚类优化因子。
需要说明的是,在5G网络服务器中的负载监测模块获取到全部边缘计算节点的负载数据并通过预测模块获取到每个边缘计算节点负载状态的预测信息之后继续要通过预测信息来对分布式计算场景中的边缘计算节点选择进行优化。在聚类过程中,需要确定负载状态相似的边缘计算节点来指派并行计算任务,也就是通过负载数据之间的差异来判断。而在边缘节点负载数据空间中的数据点之间的距离计算中,因为并行计算任务是一个需要一段时间执行的任务,所以仅通过单一的预测结果进行距离衡量是不准确的,这仍然会导致边缘计算节点在执行计算任务时出现的负载变化导致计算任务的执行效率降低。
因此对于两个边缘计算节点需要通过其各自在预测模块中获取的隐藏状态序列预测结果来进行负载数据的数值调整。也就是预测结果作为影响边缘计算节点之间的距离优化因子,而不是通过预测结果进行选取。那么就可以通过边缘计算节点的预测结果的整体信息进行边缘计算节点之间的距离优化。
需要说明的是,在上式中通过第个边缘计算节点的/>时刻与第/>个边缘计算节点的/>时刻之间的差异/>,来度量两个边缘计算节点不同的预测时间,也就是根据固定的负载监测时间间隔获取预测结果中不同时间点之间的时间点差异。也就是当两个时间点的差异越大,则说明这两个时间点的状态相似性对于两个边缘计算节点的距离优化因子的影响越小。
进一步需要说明的是,对于进行对比的两个边缘计算节点,通过对比的两个时刻的状态概率转移矩阵对应的转移概率进行衡量。最后对于第/>个边缘计算节点中每一个时刻的预测结果针对于第/>个边缘计算节点的一个时刻的对比结果获取均值,并对于第/>个边缘计算节点的所有时刻进行线性归一化,从中提取最高的优化程度值作为后续两个边缘计算节点在聚类过程中的聚类优化因子。
上式的有益效果:基于上式所述的通过边缘节点的负载预测结果所获取到的隐藏状态转移矩阵结果对边缘节点聚类过程中对应的负载数据之间的距离进行优化,相较于直接通过边缘节点对应的负载数据进行聚类可以通过状态转移矩阵中出现的状态间转移概率来根据状态的可能性进行分布式计算中边缘节点的选择。
至此,得到了聚类优化因子。
步骤S004、通过分布式计算需要的边缘节点数量进行聚类分析,制定分布式计算任务的传输规则。
需要说明的是,在获取到边缘计算服务器的聚类优化因子之后,即可通过该聚类优化因子对边缘计算节点在聚类过程中进行优化。在选取用于分布式计算任务的边缘计算节点的过程中,需要选取负载状态最相似的部分边缘节点,从而使得分布式计算任务可以在相近的时间内完成。这样就可以使得5G高性能网络服务器的占用最低,从而最大程度地发挥出5G网络的高带宽与低延迟的特性。
具体的,根据用户发出的分布式计算请求获取到用户所需的边缘计算节点数量。通过/>密度聚类的方法进行边缘计算节点的选取。需要说明的是,在聚类的过程中因为需要通过簇类选取用户分布式计算所需要的边缘计算节点数量;所以需要通过密度聚类延伸的方式进行边缘计算节点的选取。在确定用户所需的边缘计算节点数量/>之后,在边缘计算节点的负载状态数据空间中,预设/>聚类的邻域密度半径与邻域密度阈值,本实施例中预设邻域密度半径/>,邻域密度阈值/>,所述负载状态数据空间具体为:由于负载状态数据是多维的,因此多个维度可以构成一个维度空间,将维度空间记为负载状态数据空间。
进一步地,根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的欧氏距离进行优化,具体如下:
其中,表示第/>个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子,/>表示第/>个边缘计算节点与第/>个边缘计算节点在负载状态数据空间中的欧式距离,/>表示第/>个边缘计算节点与第/>个边缘计算节点优化后的欧式距离。
进一步地,根据边缘计算节点间优化后的欧式距离和密度聚类算法进行聚类,得到若干簇类,选取簇类中包含边缘计算节点的数量最接近且大于等于用户所需的边缘计算节点数量的簇类,记为目标簇类,通过目标簇类中的边缘计算节点进行分布式计算任务的传输,即制定了分布式计算任务的传输规则。
至此,制定了分布式计算任务的传输规则。
步骤S005、根据分布式计算策略进行数据流量的转发,开始边缘节点的并行计算。
具体的,在获取到5G高性能网络服务器在分布式计算任务的传输规则后,即可根据制定的分布式计算任务的传输规则进行数据流量转发,将分布式计算的数据包传输至边缘计算节点(边缘计算服务器)开始并行计算。
通过以上步骤,完成一种5G高性能网络服务器数据优化传输方法。
本发明的另一个实施例提供了一种5G高性能网络服务器数据优化传输系统,如图2所示,该系统包括以下模块:
数据采集模块:获取每个边缘计算节点的负载状态数据,所述负载状态数据是多维的;
隐藏状态评估模块:获取边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点的隐藏状态,根据边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点对应的隐藏状态,得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率;
聚类优化因子获取模块:根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子;
聚类模块:根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,根据优化后的距离和密度聚类算法对负载状态数据空间中的边缘计算节点进行聚类,得到若干簇类;
数据传输模块:获取用户所需的边缘计算节点数量,选取簇类中包含边缘计算节点的数量最接近且大于等于用户所需的边缘计算节点数量/>的簇类,记为目标簇类,通过目标簇类中的边缘计算节点进行分布式计算任务的传输。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种5G高性能网络服务器数据优化传输方法,其特征在于,该方法包括以下步骤:
获取每个边缘计算节点的负载状态数据,所述负载状态数据是多维的;
获取边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点的隐藏状态,根据边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点对应的隐藏状态,得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率;
根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子,根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,根据优化后的距离和密度聚类算法对负载状态数据空间中的边缘计算节点进行聚类,得到若干簇类;
获取用户所需的边缘计算节点数量,选取簇类中包含边缘计算节点的数量最接近且大于等于用户所需的边缘计算节点数量/>的簇类,记为目标簇类,通过目标簇类中的边缘计算节点进行分布式计算任务的传输。
2.根据权利要求1所述一种5G高性能网络服务器数据优化传输方法,其特征在于,所述隐藏状态的具体获取方法如下:
通过预设隐藏状态双阈值对多维数据点的状态进行比较,得到负载状态数据中多维数据点的隐藏状态。
3.根据权利要求1所述一种5G高性能网络服务器数据优化传输方法,其特征在于,所述得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率,包括的具体步骤如下:
将负载状态数据构成的多维时序序列以及负载状态数据的隐藏状态输入到隐马尔可夫模型中,并通过维特比方法获取隐藏状态的预测结果,所述的预测结果为状态转移概率矩阵以及隐藏状态序列,状态转移概率矩阵包括隐藏状态的转移概率。
4.根据权利要求1所述一种5G高性能网络服务器数据优化传输方法,其特征在于,所述根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子,包括的具体步骤如下:
其中,表示第/>个边缘计算节点的隐藏状态序列中/>时刻与第/>个边缘计算节点隐藏状态序列中/>时刻之间的时间差值的绝对值,/>表示第/>个边缘计算节点的隐藏状态序列中/>时刻对应的隐藏状态转移到第/>个边缘计算节点隐藏状态序列中/>时刻对应的隐藏状态的转移概率;
表示第/>个边缘计算节点的隐藏状态序列中时刻的总个数,/>表示对第/>个边缘计算节点隐藏状态序列中每一个时刻的整体计算结果进行线性归一化,/>表示取线性归一化结果中的最大值,/>表示第/>个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子。
5.根据权利要求1所述一种5G高性能网络服务器数据优化传输方法,其特征在于,所述根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,包括的具体步骤如下:
其中,表示第/>个边缘计算节点在聚类过程中与第/>个边缘计算节点的聚类优化因子,表示第/>个边缘计算节点与第/>个边缘计算节点在负载状态数据空间中的欧式距离,/>表示第/>个边缘计算节点与第/>个边缘计算节点优化后的欧式距离。
6.根据权利要求5所述一种5G高性能网络服务器数据优化传输方法,其特征在于,所述负载状态数据空间的具体获取方法如下:
由于负载状态数据是多维的,因此多个维度可以构成一个维度空间,将维度空间记为负载状态数据空间。
7.一种5G高性能网络服务器数据优化传输系统,其特征在于,该系统包括以下模块:
数据采集模块:获取每个边缘计算节点的负载状态数据,所述负载状态数据是多维的;
隐藏状态评估模块:获取边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点的隐藏状态,根据边缘计算节点的负载状态数据中每一次负载状态数据的多维数据点对应的隐藏状态,得到边缘计算节点的隐藏状态序列以及隐藏状态的转移概率;
聚类优化因子获取模块:根据转移概率和不同边缘计算节点的隐藏状态序列中时刻的差异得到聚类优化因子;
聚类模块:根据聚类优化因子对密度聚类过程中的边缘计算节点在负载状态数据空间中的距离进行优化,根据优化后的距离和密度聚类算法对负载状态数据空间中的边缘计算节点进行聚类,得到若干簇类;
数据传输模块:获取用户所需的边缘计算节点数量,选取簇类中包含边缘计算节点的数量最接近且大于等于用户所需的边缘计算节点数量/>的簇类,记为目标簇类,通过目标簇类中的边缘计算节点进行分布式计算任务的传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926515.3A CN116647874B (zh) | 2023-07-27 | 2023-07-27 | 一种5g高性能网络服务器数据优化传输方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926515.3A CN116647874B (zh) | 2023-07-27 | 2023-07-27 | 一种5g高性能网络服务器数据优化传输方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116647874A CN116647874A (zh) | 2023-08-25 |
CN116647874B true CN116647874B (zh) | 2023-09-29 |
Family
ID=87625160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926515.3A Active CN116647874B (zh) | 2023-07-27 | 2023-07-27 | 一种5g高性能网络服务器数据优化传输方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116647874B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101396394B1 (ko) * | 2013-03-20 | 2014-05-19 | 주식회사 스마티랩 | 모바일 클라우드 환경에서 클러스터링을 이용한 자율 성능 최적화 방법 |
CN114745725A (zh) * | 2022-03-16 | 2022-07-12 | 云南升玥信息技术有限公司 | 一种基于边缘计算工业物联网的资源分配管理系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542949B2 (en) * | 2004-05-12 | 2009-06-02 | Mitsubishi Electric Research Laboratories, Inc. | Determining temporal patterns in sensed data sequences by hierarchical decomposition of hidden Markov models |
US20210117860A1 (en) * | 2019-10-17 | 2021-04-22 | Ambeent Wireless | Method and system for distribution of computational and storage capacity using a plurality of moving nodes in different localities: a new decentralized edge architecture |
US20230047986A1 (en) * | 2021-07-30 | 2023-02-16 | Samsung Electronics Co., Ltd. | System and method for communication load balancing in unseen traffic scenarios |
-
2023
- 2023-07-27 CN CN202310926515.3A patent/CN116647874B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101396394B1 (ko) * | 2013-03-20 | 2014-05-19 | 주식회사 스마티랩 | 모바일 클라우드 환경에서 클러스터링을 이용한 자율 성능 최적화 방법 |
CN114745725A (zh) * | 2022-03-16 | 2022-07-12 | 云南升玥信息技术有限公司 | 一种基于边缘计算工业物联网的资源分配管理系统 |
Non-Patent Citations (2)
Title |
---|
基于时序相关性的云平台多负载序列联合预测;张志华;王梦情;毛文涛;刘春红;程渤;;北京邮电大学学报(第04期);全文 * |
边缘计算环境下服务质量可信的任务迁移节点选择;王妍;韩笑;曾辉;刘荆欣;夏长清;;计算机科学(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116647874A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11888744B2 (en) | Spin-leaf network congestion control method, node, system, and storage medium | |
CN111966289B (zh) | 基于Kafka集群的分区优化方法和系统 | |
WO2022237086A1 (zh) | 一种基于机器学习模型的控制方法和装置 | |
WO2021169294A1 (zh) | 更新应用识别模型的方法、装置及存储介质 | |
CN111385226B (zh) | 应用于在线办公的网络资源分配方法、系统及网络设备 | |
CN113515351A (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
CN114465945B (zh) | 一种基于sdn的标识解析网络构建方法 | |
CN113485792B (zh) | 一种kubernetes集群内Pod调度方法、终端设备及存储介质 | |
CN115794407A (zh) | 计算资源分配方法、装置、电子设备及非易失性存储介质 | |
CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN115220916A (zh) | 视频智能分析平台的自动算力调度方法、装置及系统 | |
CN116647874B (zh) | 一种5g高性能网络服务器数据优化传输方法及系统 | |
CN113328953B (zh) | 网络拥塞调整的方法、装置和存储介质 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN112003900B (zh) | 实现分布式系统中高负载场景下服务高可用的方法、系统 | |
CN114925313A (zh) | 一种基于分布式链路追踪动态采样率的自适应方法及系统 | |
CN111131083B (zh) | 节点间数据传输方法、装置、设备及计算机可读存储介质 | |
CN115866678B (zh) | 一种基于网络能耗热点探测的移动边缘缓存资源优化方法 | |
CN117472589B (zh) | 一种园区网络服务管理方法及系统 | |
CN115314500B (zh) | 基于改进topsis模型的动态负载均衡方法 | |
Sun et al. | A Resource Allocation Scheme for Edge Computing Network in Smart City Based on Attention Mechanism | |
CN117350052A (zh) | 一种基于算力网络的算力服务能力模型构建方法和系统 | |
WO2022111403A1 (zh) | 一种机器学习方法、装置和系统 | |
CN114090203A (zh) | 配用电物联网边缘计算任务卸载方法、装置及系统 | |
CN117827427A (zh) | 一种存算分离的多集群资源调度方法、系统及存储介质 |
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 |