CN116701000B - 一种基于ai和云边协同的资源整合方法及装置 - Google Patents
一种基于ai和云边协同的资源整合方法及装置 Download PDFInfo
- Publication number
- CN116701000B CN116701000B CN202310981363.7A CN202310981363A CN116701000B CN 116701000 B CN116701000 B CN 116701000B CN 202310981363 A CN202310981363 A CN 202310981363A CN 116701000 B CN116701000 B CN 116701000B
- Authority
- CN
- China
- Prior art keywords
- resource
- target
- integration
- matching degree
- preset
- 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
- 230000010354 integration Effects 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004573 interface analysis Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002076 thermal analysis method 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于AI和云边协同的资源整合方法及装置,该方法应用于边缘计算设备,该方法包括:当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合;对于每两个资源,基于预设资源匹配度计算模型和该两个资源的特征参数信息集合,计算该两个资源之间的资源匹配度值;判断所有资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值,当判断结果为是时,则根据每个目标资源匹配度值,生成目标整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源执行相对应的资源整合操作。可见,实施本发明实施例能够提高资源整合度和资源整合效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于AI和云边协同的资源整合方法及装置。
背景技术
随着科技的快速发展,越来越多业务办理方式由线下转为了线上,给用户提供了相对丰富的业务办理服务。
但是,随着越来越多的部门将多种业务转为线上办理,用户办事所要面对的平台系统也在不断增多,相应的访问资源也分散在不同部门的不同平台之中,比如:当用户需要跨平台、跨部门办理业务时,用户需要登录不同平台的账号且部分平台之间由于不存在交互接口或者访问信息不同步,使得用户无法准确、高效的访问所需的资源,导致用户办理业务的效率降低。
可见,如何解决访问资源分散化的问题,以提高用户的资源访问效率、业务办理效率显得尤为重要。
发明内容
本发明所要解决的技术问题在于,提供一种基于AI和云边协同的资源整合方法及装置,能够提高资源整合度,以提高用户的资源访问效率、业务办理效率。
为了解决上述技术问题,本发明第一方面公开了一种基于AI和云边协同的资源整合方法,所述方法应用于边缘计算设备,所述方法包括:
当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合;
对于每两个所述资源,基于预设资源匹配度计算模型和该两个所述资源的特征参数信息集合,计算该两个所述资源之间的资源匹配度值;
判断所有所述资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值,当判断出所有所述资源匹配度值中存在至少一个所述目标资源匹配度值时,则根据每个所述目标资源匹配度值,生成目标整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源执行相对应的资源整合操作;
其中,所述目标设备包括所述边缘计算设备、所述边缘计算设备的关联计算设备中的至少一种,所述关联计算设备用于表示与所述边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备。
作为一种可选的实施方式,在本发明第一方面中,所述根据每个所述目标资源匹配度值,生成目标整合指令之前,所述方法还包括:
将所述边缘计算设备和所述边缘计算设备的关联计算设备确定为备选设备集合;
对于所述备选设备集合中的每个备选设备,确定该备选设备的当前可用算力资源,并根据该当前可用算力资源,确定该备选设备的整合处理效率;
根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备,并触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备,包括:
判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备,当判断出所述备选设备集合中存在所述目标备选设备时,则将所述目标备选设备确定为目标设备;
当判断出所述备选设备集合中不存在所述目标备选设备时,则在所述备选设备集合中,确定至少两个所述备选设备组成协同整合设备集合,并将所述协同整合设备集合确定为目标设备,所述协同整合设备集合中所有所述备选设备的整合处理效率之和大于等于所述预设整合效率阈值。
作为一种可选的实施方式,在本发明第一方面中,所述判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备之后,以及,所述根据每个所述目标资源匹配度值,生成目标整合指令之前,所述方法还包括:
将每个所述目标资源匹配度值对应的两个所述资源确定为目标资源组;
判断所有所述目标资源组中是否存在包含相同所述资源的链式匹配资源组,当判断出所有所述目标资源组中存在所述链式匹配资源组时,则根据每个所述链式匹配资源组,生成对应的匹配控制参数,以控制所述目标设备对每个所述链式匹配资源组执行相对应的资源整合操作,且对于除所有所述链式匹配资源组之外的所有所述目标资源组,触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
当判断出所有所述目标资源组中不存在所述链式匹配资源组时,则触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作。
作为一种可选的实施方式,在本发明第一方面中,所述根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合之前,所述方法还包括:
获取每个所述资源的历史整合信息;
根据所有所述历史整合信息,判断当前存在的至少两个所述资源之间是否存在相同的历史整合记录信息;
当判断出当前存在的至少两个所述资源之间存在所述历史整合记录信息时,则判断所述历史整合记录信息对应的历史访问信息与当前至少两个所述资源对应的当前访问信息是否相匹配,当判断出所述历史访问信息与所述当前访问信息相匹配时,则根据所述当前访问信息,生成目标控制参数,以控制目标设备执行与所述目标控制参数相匹配的目标访问操作;当判断出所述历史访问信息与所述当前访问信息不相匹配时,则触发执行所述的根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合的操作;
当判断出当前存在的至少两个所述资源之间不存在所述历史整合记录信息时,则触发执行所述的根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合的操作。
作为一种可选的实施方式,在本发明第一方面中,所述根据每个所述目标资源匹配度值,生成目标整合指令之前,所述方法还包括:
对于每个所述目标资源匹配度值对应的每个所述资源,确定该资源对应的关联资源集合,所述关联资源集合包括该资源的在前相邻资源和在后相邻资源;
对于每个所述目标资源匹配度值对应的每个所述资源,根据该资源对应的所述目标资源匹配度值,生成模拟整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源模拟执行相对应的资源整合操作;当所述目标设备模拟执行完毕相对应的资源整合操作时,则根据预设评估模型,计算模拟执行所述资源整合操作对该资源产生影响的第一影响分值和对该资源的关联资源集合产生影响的第二影响分值,所述第一影响分值优先级高于所述第二影响分值;
根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,所述目标整合策略包括第一策略或第二策略;
当所述目标整合策略为所述第一策略时,则触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
当所述目标整合策略为所述第二策略时,则根据该资源对应的当前访问信息,生成访问控制参数,以控制目标设备执行与所述访问控制参数相匹配的访问控制操作。
作为一种可选的实施方式,在本发明第一方面中,所述根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,包括:
判断该资源的第一影响分值是否大于等于该资源对应的预设影响阈值,当判断出该资源的第一影响分值大于等于该资源对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该资源的第一影响分值小于该资源对应的预设影响阈值时,则判断该关联资源集合的第二影响分值是否大于等于该关联资源集合对应的预设影响阈值,当判断出该关联资源集合的第二影响分值大于等于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该关联资源集合的第二影响分值小于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第一策略。
本发明第二方面公开了一种基于AI和云边协同的资源整合装置,所述装置应用于边缘计算设备,所述装置包括:
分析模块,用于当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合;
计算模块,用于对于每两个所述资源,基于预设资源匹配度计算模型和该两个所述资源的特征参数信息集合,计算该两个所述资源之间的资源匹配度值;
第一判断模块,用于判断所有所述资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值;
第一生成模块,用于当所述第一判断模块判断出所有所述资源匹配度值中存在至少一个所述目标资源匹配度值时,则根据每个所述目标资源匹配度值,生成目标整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源执行相对应的资源整合操作;
其中,所述目标设备包括所述边缘计算设备、所述边缘计算设备的关联计算设备中的至少一种,所述关联计算设备用于表示与所述边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
第一确定模块,用于在所述第一生成模块根据每个所述目标资源匹配度值,生成目标整合指令之前,将所述边缘计算设备和所述边缘计算设备的关联计算设备确定为备选设备集合;
所述第一确定模块,还用于对于所述备选设备集合中的每个备选设备,确定该备选设备的当前可用算力资源,并根据该当前可用算力资源,确定该备选设备的整合处理效率;
所述第一确定模块,还用于根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备,并触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备的具体方式包括:
判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备,当判断出所述备选设备集合中存在所述目标备选设备时,则将所述目标备选设备确定为目标设备;
当判断出所述备选设备集合中不存在所述目标备选设备时,则在所述备选设备集合中,确定至少两个所述备选设备组成协同整合设备集合,并将所述协同整合设备集合确定为目标设备,所述协同整合设备集合中所有所述备选设备的整合处理效率之和大于等于所述预设整合效率阈值。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块,还用于在所述第一确定模块判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备之后,以及,在所述第一生成模块根据每个所述目标资源匹配度值,生成目标整合指令之前,将每个所述目标资源匹配度值对应的两个所述资源确定为目标资源组;
所述第一判断模块,还用于判断所有所述目标资源组中是否存在包含相同所述资源的链式匹配资源组,当判断出所有所述目标资源组中不存在所述链式匹配资源组时,则触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
所述第一生成模块,还用于当所述第一判断模块判断出所有所述目标资源组中存在所述链式匹配资源组时,则根据每个所述链式匹配资源组,生成对应的匹配控制参数,以控制所述目标设备对每个所述链式匹配资源组执行相对应的资源整合操作,且对于除所有所述链式匹配资源组之外的所有所述目标资源组,触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
获取模块,用于在所述分析模块根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合之前,获取每个所述资源的历史整合信息;
第二判断模块,用于根据所有所述历史整合信息,判断当前存在的至少两个所述资源之间是否存在相同的历史整合记录信息;
所述第二判断模块,还用于当所述第二判断模块判断出当前存在的至少两个所述资源之间存在所述历史整合记录信息时,则判断所述历史整合记录信息对应的历史访问信息与当前至少两个所述资源对应的当前访问信息是否相匹配;当判断出所述历史访问信息与所述当前访问信息不相匹配时,则触发执行所述的根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合的操作;当判断出当前存在的至少两个所述资源之间不存在所述历史整合记录信息时,则触发执行所述的根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合的操作;
第二生成模块,用于当所述第二判断模块判断出所述历史访问信息与所述当前访问信息相匹配时,则根据所述当前访问信息,生成目标控制参数,以控制目标设备执行与所述目标控制参数相匹配的目标访问操作。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
第二确定模块,用于在所述第一生成模块根据每个所述目标资源匹配度值,生成目标整合指令之前,对于每个所述目标资源匹配度值对应的每个所述资源,确定该资源对应的关联资源集合,所述关联资源集合包括该资源的在前相邻资源和在后相邻资源;
第三生成模块,用于对于每个所述目标资源匹配度值对应的每个所述资源,根据该资源对应的所述目标资源匹配度值,生成模拟整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源模拟执行相对应的资源整合操作;
所述计算模块,还用于当所述目标设备模拟执行完毕相对应的资源整合操作时,则根据预设评估模型,计算模拟执行所述资源整合操作对该资源产生影响的第一影响分值和对该资源的关联资源集合产生影响的第二影响分值,所述第一影响分值优先级高于所述第二影响分值;
所述第二确定模块,还用于根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,所述目标整合策略包括第一策略或第二策略;且当所述目标整合策略为所述第一策略时,则触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
所述第三生成模块,还用于当所述目标整合策略为所述第二策略时,则根据该资源对应的当前访问信息,生成访问控制参数,以控制目标设备执行与所述访问控制参数相匹配的访问控制操作。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略的具体方式包括:
判断该资源的第一影响分值是否大于等于该资源对应的预设影响阈值,当判断出该资源的第一影响分值大于等于该资源对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该资源的第一影响分值小于该资源对应的预设影响阈值时,则判断该关联资源集合的第二影响分值是否大于等于该关联资源集合对应的预设影响阈值,当判断出该关联资源集合的第二影响分值大于等于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该关联资源集合的第二影响分值小于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第一策略。
本发明第三方面公开了另一种基于AI和云边协同的资源整合装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于AI和云边协同的资源整合方法。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于AI和云边协同的资源整合方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例应用于边缘计算设备,本发明实施例中,当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合;对于每两个资源,基于预设资源匹配度计算模型和该两个资源的特征参数信息集合,计算该两个资源之间的资源匹配度值;判断所有资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值,当判断出所有资源匹配度值中存在至少一个目标资源匹配度值时,则根据每个目标资源匹配度值,生成目标整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源执行相对应的资源整合操作;其中,目标设备包括边缘计算设备、边缘计算设备的关联计算设备中的至少一种,关联计算设备用于表示与边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备。可见,实施本发明实施例能够利用具体资源整合应用场景下的边缘端根据预设资源分析模型,分析检测到的每个资源的资源特征,在保证资源特征分析准确性的同时提高了资源特征分析的效率,并基于预设资源匹配度计算模型和每个资源的资源特征,计算每两个资源之间的资源匹配度值,能够有利于提高资源匹配度值的计算准确性和计算效率,以及指示目标设备将资源匹配度值大于等于预设匹配度阈值的两个资源执行相对应的资源整合操作,其中,目标设备的多种选择能够在提高资源整合度的同时,提高资源整合的效率,以提高用户的资源访问效率、业务办理效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例公开的一种基于AI和云边协同的资源整合方法的流程示意图;
图2是本发明实施例公开的另一种基于AI和云边协同的资源整合方法的流程示意图;
图3是本发明实施例公开的一种基于AI和云边协同的资源整合装置的结构示意图;
图4是本发明实施例公开的另一种基于AI和云边协同的资源整合装置的结构示意图;
图5是本发明实施例公开的又一种基于AI和云边协同的资源整合装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于AI和云边协同的资源整合方法及装置,能够利用具体资源整合应用场景下的边缘端根据预设资源分析模型,分析检测到的每个资源的资源特征,在保证资源特征分析准确性的同时提高了资源特征分析的效率,并基于预设资源匹配度计算模型和每个资源的资源特征,计算每两个资源之间的资源匹配度值,能够有利于提高资源匹配度值的计算准确性和计算效率,以及指示目标设备将资源匹配度值大于等于预设匹配度阈值的两个资源执行相对应的资源整合操作,其中,目标设备的多种选择能够在提高资源整合度的同时,提高资源整合的效率,以提高用户的资源访问效率、业务办理效率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于AI和云边协同的资源整合方法的流程示意图。其中,图1所描述的基于AI和云边协同的资源整合方法可以应用于边缘计算设备中,也可以应用于具体资源整合应用场景下的服务平台/系统中,该平台/系统用于控制该应用场景下的多个边缘计算设备和对应的云计算设备,本发明实施例不做限定。如图1所示,该基于AI和云边协同的资源整合方法可以包括以下操作:
101、当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合。
本发明实施例中,可选的,检测资源的方式可以包括以下步骤:
当检测到存在目标访问信息时,则根据目标访问信息,确定资源访问链路;
判断该资源访问链路中是否存在满足资源整合条件的待整合因子,该待整合因子包括待整合资源和该待整合资源的关联资源;当判断出该资源访问链路中存在该待整合因子时,则确定该待整合因子为资源。
可见,实施该可选的实施例能够提供一种资源的检测方式,能够初步确定出待整合因子为资源,提高资源确定准确性,减少非必要整合资源的冗余处理,能够有利于提高后续的资源整合效率,但是,需要说明的是,并不代表初步确定出的待整合因子就一定会被整合,还是需要经过本发明实施例中的后续执行方案进一步决定资源是否需要被整合,这样可以有效避免实际跨平台资源整合工程中,容易出现的平台崩溃现象,由此可以看出,实施本发明实施例能够在资源整合过程中有利于提高各个相关平台的运行稳定性,具有实际工程实用性。
进一步的,可选的,上述的判断该资源访问链路中是否存在满足资源整合条件的待整合因子可以包括:
对于该资源访问链路中的每个资源,判断该资源对应的访问属性信息集合是否与该资源的相邻资源对应的访问属性信息集合相匹配,上述的访问属性信息集合包括访问协议信息、访问格式信息、访问语言信息、访问带宽信息、访问属地信息中的至少一种,上述的相邻资源包括在前相邻资源和在后相邻资源;
当判断出该资源对应的访问属性信息集合与该资源的相邻资源对应的访问属性信息集合相匹配时,则确定该资源不为待整合资源;
当判断出该资源对应的访问属性信息集合与该资源的相邻资源对应的访问属性信息集合不相匹配时,则判断该资源与该资源的相邻资源之间是否存在对应的转换接口,该转换接口能够使得该资源对应的访问属性信息集合与该资源的相邻资源对应的访问属性信息集合相匹配;
当判断出该资源与该资源的相邻资源之间存在对应的转换接口时,则确定该资源不为待整合资源;
当判断出该资源与该资源的相邻资源之间不存在对应的转换接口时,则确定该资源为待整合资源;
当待整合资源的数量大于等于1时,则确定该资源访问链路中存在满足资源整合条件的待整合因子;
当待整合资源的数量小于1时,则确定该资源访问链路中不存在满足资源整合条件的待整合因子。
可见,实施该可选的实施例能够进一步的对资源访问链路中的每个资源进行访问属性信息集合的匹配分析,以及每个资源与其相邻资源之间的转换接口分析,从而提高待整合因子的确定准确性,进而提高了资源确定准确性,有利于提高后续的资源整合效率。
本发明实施例中,上述的预设资源分析模型本质是一种数据分析模型,该预设资源分析模型的分析方法包括但不限于事件分析、漏斗分析、用户途径分析、留存分析、Session分析、热力分析、归因分析、间隔分析、分布分析、属性分析中的至少一种分析方法。
本发明实施例中,上述的特征参数信息集合包括资源建立信息、资源架构信息、资源接口信息、资源负载信息、资源访问量信息、关联资源信息、资源平台信息、资源用户信息中的至少一种。
102、对于每两个资源,基于预设资源匹配度计算模型和该两个资源的特征参数信息集合,计算该两个资源之间的资源匹配度值。
本发明实施例中,上述的预设资源匹配度计算模型可以是集成化SDK,比如:ChatGPT、ERNIE等,还可以是应用于相似度匹配的底层模型,比如:RNN、LSTM、Bi-LSTM等,本发明对此不做具体限定。
103、判断所有资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值。
104、当判断出所有资源匹配度值中存在至少一个目标资源匹配度值时,则根据每个目标资源匹配度值,生成目标整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源执行相对应的资源整合操作。
本发明实施例中,上述的目标设备可以包括上述的边缘计算设备、上述的边缘计算设备的关联计算设备中的至少一种,以及,上述的关联计算设备用于表示与上述的边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备。
可见,实施本发明实施例能够利用具体资源整合应用场景下的边缘端根据预设资源分析模型,分析检测到的每个资源的资源特征,在保证资源特征分析准确性的同时提高了资源特征分析的效率,并基于预设资源匹配度计算模型和每个资源的资源特征,计算每两个资源之间的资源匹配度值,能够有利于提高资源匹配度值的计算准确性和计算效率,以及指示目标设备将资源匹配度值大于等于预设匹配度阈值的两个资源执行相对应的资源整合操作,其中,目标设备的多种选择能够在提高资源整合度的同时,提高资源整合的效率,以提高用户的资源访问效率、业务办理效率。
本发明实施例中,作为一种可选的实施方式,上述的根据每个目标资源匹配度值,生成目标整合指令之前,该方法还可以包括以下操作:
将边缘计算设备和边缘计算设备的关联计算设备确定为备选设备集合。
对于备选设备集合中的每个备选设备,确定该备选设备的当前可用算力资源,并根据该当前可用算力资源,确定该备选设备的整合处理效率。
根据备选设备集合中所有备选设备的整合处理效率,确定目标设备,并触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
可见,实施该可选的实施例能够根据上述备选设备集合中的每个备选设备的当前可用算力资源,分析每个备选设备的整合处理效率,进而根据每个设备的整合处理效率,确定目标设备,实现真正的云边协同,以提高资源分析和资源整合的处理效率。
该可选的实施例中,作为一种可选的实施方式,上述的当前可用算力资源的确定方式可以包括以下操作:
确定该备选设备的当前执行的任务队列。
根据任务队列中每个任务事项的执行时长、执行算力使用量,确定该备选设备的多个空闲使用时长和空闲算力空间。
根据多个空闲使用时长和空闲算力空间,确定该备选设备的当前可用算力资源。
可见,实施该可选的实施例能够根据每个备选设备的全局空闲算力资源,确定每个备选设备的当前可用算力资源,能够进一步提高目标设备的确定准确性,有利于实现真正的云边协同,以提高资源分析和资源整合的效率。
该可选的实施例中,作为另一种可选的实施方式,上述的根据备选设备集合中所有备选设备的整合处理效率,确定目标设备可以包括以下操作:
判断备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备,当判断出备选设备集合中存在目标备选设备时,则将目标备选设备确定为目标设备。
当判断出备选设备集合中不存在目标备选设备时,则在备选设备集合中,确定至少两个备选设备组成协同整合设备集合,并将协同整合设备集合确定为目标设备,协同整合设备集合中所有备选设备的整合处理效率之和大于等于预设整合效率阈值。
可见,实施该可选的实施例能够提供多种目标设备的确定方案,进而提供多种资源整合方案,一方面可以在单一备选设备的整合处理效率大于等于预设整合效率阈值时,将该单一备选设备确定为目标设备;另一方面,也可以采用多个备选设备协同整合的方式对资源进行整合,目的在于充分利用多方算力资源,进而提高资源整合效率。
该可选的实施例中,作为又一种可选的实施方式,上述的判断备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备之后,以及,根据每个目标资源匹配度值,生成目标整合指令之前,该方法还可以包括以下操作:
将每个目标资源匹配度值对应的两个资源确定为目标资源组。
判断所有目标资源组中是否存在包含相同资源的链式匹配资源组,当判断出所有目标资源组中存在链式匹配资源组时,则根据每个链式匹配资源组,生成对应的匹配控制参数,以控制目标设备对每个链式匹配资源组执行相对应的资源整合操作,且对于除所有链式匹配资源组之外的所有目标资源组,触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
当判断出所有目标资源组中不存在链式匹配资源组时,则触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
其中,上述的链式匹配资源组用于表示当多个目标资源组中都包括相同的资源时,则可以将上述的多个目标资源组组成链式的资源访问关系,提前整合为一个资源组。
可见,实施该可选的实施例能够通过将多个目标资源组尽可能的组成链式匹配资源组的方式,提高资源整合效率,以提高用户的资源访问效率、业务办理效率。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于AI和云边协同的资源整合方法的流程示意图。其中,图2所描述的基于AI和云边协同的资源整合方法可以应用于边缘计算设备中,也可以应用于具体资源整合应用场景下的服务平台/系统中,该平台/系统用于控制该应用场景下的多个边缘计算设备和对应的云计算设备,本发明实施例不做限定。如图2所示,该基于AI和云边协同的资源整合方法可以包括以下操作:
201、当检测到存在至少两个资源时,则获取每个资源的历史整合信息。
本发明实施例中,上述的历史整合信息包括历史整合匹配资源子信息、历史整合匹配平台子信息、历史整合时间子信息、历史整合未匹配资源子信息、历史整合未匹配平台子信息中的至少一种。
202、根据所有历史整合信息,判断当前存在的至少两个资源之间是否存在相同的历史整合记录信息;当判断结果为是时,则触发执行步骤203;当判断结果为否时,则触发执行步骤205。
203、判断历史整合记录信息对应的历史访问信息与当前至少两个资源对应的当前访问信息是否相匹配;当判断结果为是时,则触发执行步骤204;当判断结果为否时,则触发执行步骤205。
204、根据当前访问信息,生成目标控制参数,以控制目标设备执行与目标控制参数相匹配的目标访问操作。
本发明实施例中,上述的当前访问信息与上述的资源相匹配。
205、根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合。
206、对于每两个资源,基于预设资源匹配度计算模型和该两个资源的特征参数信息集合,计算该两个资源之间的资源匹配度值。
207、判断所有资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值。
208、当判断出所有资源匹配度值中存在至少一个目标资源匹配度值时,则根据每个目标资源匹配度值,生成目标整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源执行相对应的资源整合操作。
本发明实施例中,针对步骤205-步骤208的其它描述,请参照实施例一中针对步骤101-步骤104的详细描述,本发明实施例不再赘述。
本发明实施例中,上述的目标设备可以包括上述的边缘计算设备、上述的边缘计算设备的关联计算设备中的至少一种,以及,上述的关联计算设备用于表示与上述的边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备。
可见,实施该可选的实施例能够将历史相互匹配过的资源进行筛选,避免占用目标设备算力资源以及进行冗余的后续判断操作,在保证资源整合度的基础上,进一步的有利于提高资源匹配效率。
本发明实施例中,作为一种可选的实施方式,上述的根据每个目标资源匹配度值,生成目标整合指令之前,该方法还可以包括以下操作:
对于每个目标资源匹配度值对应的每个资源,确定该资源对应的关联资源集合,关联资源集合包括该资源的在前相邻资源和在后相邻资源。
对于每个目标资源匹配度值对应的每个资源,根据该资源对应的目标资源匹配度值,生成模拟整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源模拟执行相对应的资源整合操作;当目标设备模拟执行完毕相对应的资源整合操作时,则根据预设评估模型,计算模拟执行资源整合操作对该资源产生影响的第一影响分值和对该资源的关联资源集合产生影响的第二影响分值,第一影响分值优先级高于第二影响分值。
其中,上述的预设评估模型通过全局评估整合资源后对资源访问的影响程度,进而得到上述的影响分值。该预设评估模型可以包括粒子群优化算法、LSTM、Bi-LSTM中的一种或多种底层模型的结合。
根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,目标整合策略包括第一策略或第二策略。
当目标整合策略为第一策略时,则触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
当目标整合策略为第二策略时,则根据该资源对应的当前访问信息,生成访问控制参数,以控制目标设备执行与访问控制参数相匹配的访问控制操作。
可见,实施该可选的实施例能够在执行资源整合操作之前,模拟计算资源整合后对每个资源的访问影响程度,以计算资源整合后用户访问的影响程度,防止出现资源整合后平台出现崩溃的风险,能够提高资源整合的风险管控能力和平台的运行稳定性,以及实际工程实用性。
该可选的实施例中,作为一种可选的实施方式,上述的根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略可以包括以下操作:
判断该资源的第一影响分值是否大于等于该资源对应的预设影响阈值,当判断出该资源的第一影响分值大于等于该资源对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该资源的第一影响分值小于该资源对应的预设影响阈值时,则判断该关联资源集合的第二影响分值是否大于等于该关联资源集合对应的预设影响阈值,当判断出该关联资源集合的第二影响分值大于等于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该关联资源集合的第二影响分值小于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第一策略。
可见,实施该可选的实施例能够进一步提高资源整合的风险管控能力,以资源整合对资源本身以及关联资源影响最小为基准,提高资源整合度,以提高用户的资源访问效率、业务办理效率。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于AI和云边协同的资源整合装置的结构示意图。其中,图3所描述的基于AI和云边协同的资源整合装置可以应用于边缘计算设备中,也可以应用于具体资源整合应用场景下的服务平台/系统中,该平台/系统用于控制该应用场景下的多个边缘计算设备和对应的云计算设备,本发明实施例不做限定。如图3所示,该基于AI和云边协同的资源整合装置可以包括:
分析模块301,用于当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合。
计算模块302,用于对于每两个资源,基于预设资源匹配度计算模型和该两个资源的特征参数信息集合,计算该两个资源之间的资源匹配度值。
第一判断模块303,用于判断所有资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值。
第一生成模块304,用于当第一判断模块303判断出所有资源匹配度值中存在至少一个目标资源匹配度值时,则根据每个目标资源匹配度值,生成目标整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源执行相对应的资源整合操作。
其中,目标设备包括边缘计算设备、边缘计算设备的关联计算设备中的至少一种,关联计算设备用于表示与边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备。
可见,实施本发明实施例能够利用具体资源整合应用场景下的边缘端根据预设资源分析模型,分析检测到的每个资源的资源特征,在保证资源特征分析准确性的同时提高了资源特征分析的效率,并基于预设资源匹配度计算模型和每个资源的资源特征,计算每两个资源之间的资源匹配度值,能够有利于提高资源匹配度值的计算准确性和计算效率,以及指示目标设备将资源匹配度值大于等于预设匹配度阈值的两个资源执行相对应的资源整合操作,其中,目标设备的多种选择能够在提高资源整合度的同时,提高资源整合的效率,以提高用户的资源访问效率、业务办理效率。
本发明实施例中,作为一种可选的实施方式,如图4所示,该装置还可以包括:
第一确定模块305,用于在第一生成模块304根据每个目标资源匹配度值,生成目标整合指令之前,将边缘计算设备和边缘计算设备的关联计算设备确定为备选设备集合。
第一确定模块305,还用于对于备选设备集合中的每个备选设备,确定该备选设备的当前可用算力资源,并根据该当前可用算力资源,确定该备选设备的整合处理效率。
第一确定模块305,还用于根据备选设备集合中所有备选设备的整合处理效率,确定目标设备,并触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
可见,实施该可选的实施例能够根据上述备选设备集合中的每个备选设备的当前可用算力资源,分析每个备选设备的整合处理效率,进而根据每个设备的整合处理效率,确定目标设备,实现真正的云边协同,以提高资源分析和资源整合的处理效率。
该可选的实施例中,作为一种可选的实施方式,上述的第一确定模块305根据备选设备集合中所有备选设备的整合处理效率,确定目标设备的具体方式包括:
判断备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备,当判断出备选设备集合中存在目标备选设备时,则将目标备选设备确定为目标设备。
当判断出备选设备集合中不存在目标备选设备时,则在备选设备集合中,确定至少两个备选设备组成协同整合设备集合,并将协同整合设备集合确定为目标设备,协同整合设备集合中所有备选设备的整合处理效率之和大于等于预设整合效率阈值。
可见,实施该可选的实施例能够提供多种目标设备的确定方案,进而提供多种资源整合方案,一方面可以在单一备选设备的整合处理效率大于等于预设整合效率阈值时,将该单一备选设备确定为目标设备;另一方面,也可以采用多个备选设备协同整合的方式对资源进行整合,目的在于充分利用多方算力资源,进而提高资源整合效率。
本发明实施例中,作为另一种可选的实施方式,上述的第一确定模块305,还用于在第一确定模块305判断备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备之后,以及,在第一生成模块304根据每个目标资源匹配度值,生成目标整合指令之前,将每个目标资源匹配度值对应的两个资源确定为目标资源组。
第一判断模块303,还用于判断所有目标资源组中是否存在包含相同资源的链式匹配资源组,当判断出所有目标资源组中不存在链式匹配资源组时,则触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
第一生成模块304,还用于当第一判断模块303判断出所有目标资源组中存在链式匹配资源组时,则根据每个链式匹配资源组,生成对应的匹配控制参数,以控制目标设备对每个链式匹配资源组执行相对应的资源整合操作,且对于除所有链式匹配资源组之外的所有目标资源组,触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
可见,实施该可选的实施例能够通过将多个目标资源组尽可能的组成链式匹配资源组的方式,提高资源整合效率,以提高用户的资源访问效率、业务办理效率。
在一个可选的实施例中,如图4所示,该装置还可以包括:
获取模块306,用于在分析模块根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合之前,获取每个资源的历史整合信息。
第二判断模块307,用于根据所有历史整合信息,判断当前存在的至少两个资源之间是否存在相同的历史整合记录信息。
第二判断模块307,还用于当第二判断模块307判断出当前存在的至少两个资源之间存在历史整合记录信息时,则判断历史整合记录信息对应的历史访问信息与当前至少两个资源对应的当前访问信息是否相匹配;当判断出历史访问信息与当前访问信息不相匹配时,则触发执行的根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合的操作;当判断出当前存在的至少两个资源之间不存在历史整合记录信息时,则触发执行的根据预设资源分析模型,分析每个资源的资源特征,得到每个资源的特征参数信息集合的操作。
第二生成模块308,用于当第二判断模块307判断出历史访问信息与当前访问信息相匹配时,则根据当前访问信息,生成目标控制参数,以控制目标设备执行与目标控制参数相匹配的目标访问操作。
可见,实施该可选的实施例能够将历史相互匹配过的资源进行筛选,避免占用目标设备算力资源以及进行冗余的后续判断操作,在保证资源整合度的基础上,进一步的有利于提高资源匹配效率。
在另一个可选的实施例中,如图4所示,该装置还可以包括:
第二确定模块309,用于在第一生成模块304根据每个目标资源匹配度值,生成目标整合指令之前,对于每个目标资源匹配度值对应的每个资源,确定该资源对应的关联资源集合,关联资源集合包括该资源的在前相邻资源和在后相邻资源。
第三生成模块310,用于对于每个目标资源匹配度值对应的每个资源,根据该资源对应的目标资源匹配度值,生成模拟整合指令,以指示目标设备对每个目标资源匹配度值对应的两个资源模拟执行相对应的资源整合操作。
计算模块302,还用于当目标设备模拟执行完毕相对应的资源整合操作时,则根据预设评估模型,计算模拟执行资源整合操作对该资源产生影响的第一影响分值和对该资源的关联资源集合产生影响的第二影响分值,第一影响分值优先级高于第二影响分值。
第二确定模块309,还用于根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,目标整合策略包括第一策略或第二策略;且当目标整合策略为第一策略时,则触发执行的根据每个目标资源匹配度值,生成目标整合指令的操作。
第三生成模块310,还用于当目标整合策略为第二策略时,则根据该资源对应的当前访问信息,生成访问控制参数,以控制目标设备执行与访问控制参数相匹配的访问控制操作。
可见,实施该可选的实施例能够在执行资源整合操作之前,模拟计算资源整合后对每个资源的访问影响程度,以计算资源整合后用户访问的影响程度,防止出现资源整合后平台出现崩溃的风险,能够提高资源整合的风险管控能力和平台的运行稳定性,以及实际工程实用性。
该可选的实施例中,作为一种可选的实施方式,上述的第二确定模块309根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略的具体方式包括:
判断该资源的第一影响分值是否大于等于该资源对应的预设影响阈值,当判断出该资源的第一影响分值大于等于该资源对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该资源的第一影响分值小于该资源对应的预设影响阈值时,则判断该关联资源集合的第二影响分值是否大于等于该关联资源集合对应的预设影响阈值,当判断出该关联资源集合的第二影响分值大于等于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该关联资源集合的第二影响分值小于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第一策略。
可见,实施该可选的实施例能够进一步提高资源整合的风险管控能力,以资源整合对资源本身以及关联资源影响最小为基准,提高资源整合度,以提高用户的资源访问效率、业务办理效率。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于AI和云边协同的资源整合装置的结构示意图。如图5所示,该基于AI和云边协同的资源整合装置可以包括:
存储有可执行程序代码的存储器401。
与存储器401耦合的处理器402。
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的基于AI和云边协同的资源整合方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的基于AI和云边协同的资源整合方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于AI和云边协同的资源整合方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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。
通过以上的实施例的具体描述,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,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于AI和云边协同的资源整合方法及装置所揭露的仅为本发明较佳实施例而已,仅用于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项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于AI和云边协同的资源整合方法,其特征在于,所述方法应用于边缘计算设备,所述方法包括:
当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合;
对于每两个所述资源,基于预设资源匹配度计算模型和该两个所述资源的特征参数信息集合,计算该两个所述资源之间的资源匹配度值;
判断所有所述资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值,当判断出所有所述资源匹配度值中存在至少一个所述目标资源匹配度值时,则根据每个所述目标资源匹配度值,生成目标整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源执行相对应的资源整合操作;
其中,所述目标设备包括所述边缘计算设备、所述边缘计算设备的关联计算设备中的至少一种,所述关联计算设备用于表示与所述边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备;
以及,所述根据每个所述目标资源匹配度值,生成目标整合指令之前,所述方法还包括:
将所述边缘计算设备和所述边缘计算设备的关联计算设备确定为备选设备集合;
对于所述备选设备集合中的每个备选设备,确定该备选设备的当前可用算力资源,并根据该当前可用算力资源,确定该备选设备的整合处理效率;
根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备,并触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
以及,所述根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备,包括:
判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备,当判断出所述备选设备集合中存在所述目标备选设备时,则将所述目标备选设备确定为目标设备;
当判断出所述备选设备集合中不存在所述目标备选设备时,则在所述备选设备集合中,确定至少两个所述备选设备组成协同整合设备集合,并将所述协同整合设备集合确定为目标设备,所述协同整合设备集合中所有所述备选设备的整合处理效率之和大于等于所述预设整合效率阈值。
2.根据权利要求1所述的基于AI和云边协同的资源整合方法,其特征在于,所述判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备之后,以及,所述根据每个所述目标资源匹配度值,生成目标整合指令之前,所述方法还包括:
将每个所述目标资源匹配度值对应的两个所述资源确定为目标资源组;
判断所有所述目标资源组中是否存在包含相同所述资源的链式匹配资源组,当判断出所有所述目标资源组中存在所述链式匹配资源组时,则根据每个所述链式匹配资源组,生成对应的匹配控制参数,以控制所述目标设备对每个所述链式匹配资源组执行相对应的资源整合操作,且对于除所有所述链式匹配资源组之外的所有所述目标资源组,触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
当判断出所有所述目标资源组中不存在所述链式匹配资源组时,则触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作。
3.根据权利要求1所述的基于AI和云边协同的资源整合方法,其特征在于,所述根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合之前,所述方法还包括:
获取每个所述资源的历史整合信息;
根据所有所述历史整合信息,判断当前存在的至少两个所述资源之间是否存在相同的历史整合记录信息;
当判断出当前存在的至少两个所述资源之间存在所述历史整合记录信息时,则判断所述历史整合记录信息对应的历史访问信息与当前至少两个所述资源对应的当前访问信息是否相匹配,当判断出所述历史访问信息与所述当前访问信息相匹配时,则根据所述当前访问信息,生成目标控制参数,以控制目标设备执行与所述目标控制参数相匹配的目标访问操作;当判断出所述历史访问信息与所述当前访问信息不相匹配时,则触发执行所述的根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合的操作;
当判断出当前存在的至少两个所述资源之间不存在所述历史整合记录信息时,则触发执行所述的根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合的操作。
4.根据权利要求1-3任一项所述的基于AI和云边协同的资源整合方法,其特征在于,所述根据每个所述目标资源匹配度值,生成目标整合指令之前,所述方法还包括:
对于每个所述目标资源匹配度值对应的每个所述资源,确定该资源对应的关联资源集合,所述关联资源集合包括该资源的在前相邻资源和在后相邻资源;
对于每个所述目标资源匹配度值对应的每个所述资源,根据该资源对应的所述目标资源匹配度值,生成模拟整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源模拟执行相对应的资源整合操作;当所述目标设备模拟执行完毕相对应的资源整合操作时,则根据预设评估模型,计算模拟执行所述资源整合操作对该资源产生影响的第一影响分值和对该资源的关联资源集合产生影响的第二影响分值,所述第一影响分值优先级高于所述第二影响分值;
根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,所述目标整合策略包括第一策略或第二策略;
当所述目标整合策略为所述第一策略时,则触发执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
当所述目标整合策略为所述第二策略时,则根据该资源对应的当前访问信息,生成访问控制参数,以控制目标设备执行与所述访问控制参数相匹配的访问控制操作。
5.根据权利要求4所述的基于AI和云边协同的资源整合方法,其特征在于,所述根据该资源的第一影响分值和该关联资源集合的第二影响分值,确定该资源的目标整合策略,包括:
判断该资源的第一影响分值是否大于等于该资源对应的预设影响阈值,当判断出该资源的第一影响分值大于等于该资源对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该资源的第一影响分值小于该资源对应的预设影响阈值时,则判断该关联资源集合的第二影响分值是否大于等于该关联资源集合对应的预设影响阈值,当判断出该关联资源集合的第二影响分值大于等于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第二策略,当判断出该关联资源集合的第二影响分值小于该关联资源集合对应的预设影响阈值时,则确定该资源的目标整合策略为第一策略。
6.一种基于AI和云边协同的资源整合装置,其特征在于,所述装置应用于边缘计算设备,所述装置包括:
分析模块,用于当检测到存在至少两个资源时,则根据预设资源分析模型,分析每个所述资源的资源特征,得到每个所述资源的特征参数信息集合;
计算模块,用于对于每两个所述资源,基于预设资源匹配度计算模型和该两个所述资源的特征参数信息集合,计算该两个所述资源之间的资源匹配度值;
第一判断模块,用于判断所有所述资源匹配度值中是否存在至少一个大于等于预设匹配度阈值的目标资源匹配度值;
第一生成模块,用于当所述第一判断模块判断出所有所述资源匹配度值中存在至少一个所述目标资源匹配度值时,则根据每个所述目标资源匹配度值,生成目标整合指令,以指示目标设备对每个所述目标资源匹配度值对应的两个所述资源执行相对应的资源整合操作;
其中,所述目标设备包括所述边缘计算设备、所述边缘计算设备的关联计算设备中的至少一种,所述关联计算设备用于表示与所述边缘计算设备具有通信关联关系的其他边缘计算设备或云计算设备;
以及,所述装置还包括:
第一确定模块,用于在所述第一生成模块根据每个所述目标资源匹配度值,生成目标整合指令之前,将所述边缘计算设备和所述边缘计算设备的关联计算设备确定为备选设备集合;
所述第一确定模块,还用于对于所述备选设备集合中的每个备选设备,确定该备选设备的当前可用算力资源;
所述第一确定模块,还用于根据该当前可用算力资源,确定该备选设备的整合处理效率;
所述第一确定模块,还用于根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备,并触发所述第一生成模块执行所述的根据每个所述目标资源匹配度值,生成目标整合指令的操作;
以及,所述第一确定模块根据所述备选设备集合中所有所述备选设备的整合处理效率,确定目标设备的具体方式包括:
判断所述备选设备集合中是否存在整合处理效率大于等于预设整合效率阈值的目标备选设备,当判断出所述备选设备集合中存在所述目标备选设备时,则将所述目标备选设备确定为目标设备;
当判断出所述备选设备集合中不存在所述目标备选设备时,则在所述备选设备集合中,确定至少两个所述备选设备组成协同整合设备集合,并将所述协同整合设备集合确定为目标设备,所述协同整合设备集合中所有所述备选设备的整合处理效率之和大于等于所述预设整合效率阈值。
7.一种基于AI和云边协同的资源整合装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-5任一项所述的基于AI和云边协同的资源整合方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-5任一项所述的基于AI和云边协同的资源整合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981363.7A CN116701000B (zh) | 2023-08-07 | 2023-08-07 | 一种基于ai和云边协同的资源整合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981363.7A CN116701000B (zh) | 2023-08-07 | 2023-08-07 | 一种基于ai和云边协同的资源整合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701000A CN116701000A (zh) | 2023-09-05 |
CN116701000B true CN116701000B (zh) | 2024-03-08 |
Family
ID=87824328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310981363.7A Active CN116701000B (zh) | 2023-08-07 | 2023-08-07 | 一种基于ai和云边协同的资源整合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701000B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343965A (zh) * | 2018-10-31 | 2019-02-15 | 北京金山云网络技术有限公司 | 资源调整方法、装置、云平台和服务器 |
CN112579891A (zh) * | 2020-12-14 | 2021-03-30 | 软通动力信息技术(集团)股份有限公司 | 一种云资源的推荐方法、装置、电子终端及存储介质 |
CN113886006A (zh) * | 2021-09-13 | 2022-01-04 | 中铁信弘远(北京)软件科技有限责任公司 | 一种资源调度方法、装置、设备及可读存储介质 |
CN114911604A (zh) * | 2021-02-10 | 2022-08-16 | 华为技术有限公司 | 资源调度方法、装置和管理设备 |
CN116204293A (zh) * | 2023-02-28 | 2023-06-02 | 北京奇艺世纪科技有限公司 | 一种资源调度方法、装置、计算机设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210119937A1 (en) * | 2019-10-17 | 2021-04-22 | Bank Of America Corporation | System for consolidating and processing multiple resource requests |
-
2023
- 2023-08-07 CN CN202310981363.7A patent/CN116701000B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343965A (zh) * | 2018-10-31 | 2019-02-15 | 北京金山云网络技术有限公司 | 资源调整方法、装置、云平台和服务器 |
CN112579891A (zh) * | 2020-12-14 | 2021-03-30 | 软通动力信息技术(集团)股份有限公司 | 一种云资源的推荐方法、装置、电子终端及存储介质 |
CN114911604A (zh) * | 2021-02-10 | 2022-08-16 | 华为技术有限公司 | 资源调度方法、装置和管理设备 |
CN113886006A (zh) * | 2021-09-13 | 2022-01-04 | 中铁信弘远(北京)软件科技有限责任公司 | 一种资源调度方法、装置、设备及可读存储介质 |
CN116204293A (zh) * | 2023-02-28 | 2023-06-02 | 北京奇艺世纪科技有限公司 | 一种资源调度方法、装置、计算机设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于云服务的图书馆数据库资源整合研究;高燕;;现代电子技术(第15期);全文 * |
高燕 ; .基于云服务的图书馆数据库资源整合研究.现代电子技术.2020,(第15期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116701000A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316198B (zh) | 账户风险识别方法及装置 | |
WO2013072232A1 (en) | Method to manage performance in multi-tier applications | |
CN109587125B (zh) | 一种网络安全大数据分析方法、系统及相关装置 | |
CN110222504B (zh) | 用户操作的监控方法、装置、终端设备及介质 | |
CN111917878A (zh) | 消息处理方法、装置、设备及存储介质 | |
CN112036762B (zh) | 行为事件的识别方法和装置、电子设备和存储介质 | |
CN107168844B (zh) | 一种性能监控的方法及装置 | |
CN113949652A (zh) | 基于人工智能的用户异常行为检测方法、装置及相关设备 | |
US20160085664A1 (en) | Generating a fingerprint representing a response of an application to a simulation of a fault of an external service | |
CN110796591A (zh) | 一种gpu卡的使用方法及相关设备 | |
CN116701000B (zh) | 一种基于ai和云边协同的资源整合方法及装置 | |
CN117376228A (zh) | 一种网络安全测试工具确定方法及装置 | |
CN116955148A (zh) | 业务系统测试方法、装置、设备、存储介质及产品 | |
CN112631577B (zh) | 一种模型的调度方法、模型调度器以及模型安全测试平台 | |
CN110502495A (zh) | 一种应用服务器的日志收集方法及装置 | |
US8949832B2 (en) | Techniques for workload toxic mapping | |
CN115134399A (zh) | 一种用户识别的方法及装置 | |
CN114531253A (zh) | 一种威胁情报生成方法、设备、系统及存储介质 | |
CN112527606A (zh) | 数据流程分析方法、装置、计算机设备及存储介质 | |
Gupta et al. | Diagnosing heterogeneous hadoop clusters | |
CN108073502B (zh) | 一种测试方法及其系统 | |
CN115563657B (zh) | 一种数据信息安全处理方法、系统及云平台 | |
CN117195568B (zh) | 一种基于离散事件的仿真引擎性能分析方法及装置 | |
CN115277370B (zh) | 一种运维系统的根因节点的确定方法、装置及设备 | |
CN116112203B (zh) | 基于风险模型的网络通信风险预测方法及装置 |
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 |