CN117194047A - 基于数据协同的分布式系统 - Google Patents

基于数据协同的分布式系统 Download PDF

Info

Publication number
CN117194047A
CN117194047A CN202311302224.3A CN202311302224A CN117194047A CN 117194047 A CN117194047 A CN 117194047A CN 202311302224 A CN202311302224 A CN 202311302224A CN 117194047 A CN117194047 A CN 117194047A
Authority
CN
China
Prior art keywords
service data
data
cloud
service
knowledge
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.)
Granted
Application number
CN202311302224.3A
Other languages
English (en)
Other versions
CN117194047B (zh
Inventor
杨会轩
苏明
张瑞照
刘金会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huaqing Future Energy Technology Research Institute Co ltd
Huake Inno Jiangsu Energy Technology Co ltd
Huake Inno Qingdao Energy Technology Co ltd
Shandong Huake Information Technology Co ltd
Original Assignee
Beijing Huaqing Future Energy Technology Research Institute Co ltd
Huake Inno Jiangsu Energy Technology Co ltd
Huake Inno Qingdao Energy Technology Co ltd
Shandong Huake Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huaqing Future Energy Technology Research Institute Co ltd, Huake Inno Jiangsu Energy Technology Co ltd, Huake Inno Qingdao Energy Technology Co ltd, Shandong Huake Information Technology Co ltd filed Critical Beijing Huaqing Future Energy Technology Research Institute Co ltd
Priority to CN202311302224.3A priority Critical patent/CN117194047B/zh
Publication of CN117194047A publication Critical patent/CN117194047A/zh
Application granted granted Critical
Publication of CN117194047B publication Critical patent/CN117194047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G06F9/5005—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供一种基于数据协同的分布式系统，端侧采集业务数据，并将业务数据上传至边侧；边侧获取边侧第一知识图谱，将业务数据映射到目标业务数据空间上，并基于目标颗粒度拆分得到子任务；云侧获取云侧第一知识图谱，将虚拟计算单元映射为多个动态计算链；边侧计算偏好值，并基于偏好值为子任务选择动态计算链；云侧、边侧和端侧计算业务数据引力和业务数据斥力；若业务数据引力大于业务数据斥力，则合并子任务；若业务数据斥力大于业务数据引力，则按照两种子任务的数据量大小比例拆分虚拟计算单元。本公开能够能够满足多样化的数据处理需求且有效优化协同路由选择，从而提升分布式系统中数据的处理效率，缓解数据挤占计算资源的问题。

Description

基于数据协同的分布式系统
本申请是申请日为2023年4月13日，申请号为2023104162786、发明名称为分布式配电网云边端数据协同方法及其系统的专利申请的分案申请。
技术领域
本公开涉及新一代信息技术产业领域，特别涉及一种基于数据协同的分布式系统。
背景技术
分布式系统是由软件定义的建立在网络之上的虚拟系统，根据分布式系统中各个节点所具有的不同功能，可以将这些节点划分为云侧、边侧和端侧。其中，节点之间可以共享计算资源，并且各节点对应的用户进程可以被动态地调度和在节点之间分配。在具有一组用户的分布式系统中，计算机支持的协同工作通常需要让用户节点之间的数据一致同步。随着新型电力系统大规模地接入业务终端，形成的分布式系统对于业务数据的处理有不断变化的多样需求，并且分布式系统对于业务数据的响应能力也受到挑战。
专利号CN201710565244.8的中国专利提供一种电网调控系统与配电自动化系统快速分布式处理方法，利用配电业务数据的计算耦合特点进行业务分片，并依据节点资源空闲状态的情况配置计算资源。专利号CN201310517729.1的中国专利提供一种基于分布式存储与计算的配电网运行数据处理方法及系统，利用各分布式子站的计算资源对基础数据进行并行预处理，通过控制主站对预处理数据进行集中存储和汇总处理。
上述专利CN201710565244.8的不足之处在于，分布式系统在业务进行分片时参考的指标是业务数据的计算耦合特点，而这样的依据并未出于对业务数据自身的处理需求。另一方面，在上述专利CN201310517729.1中的大数据场景下，数据被并行处理，容易出现业务数据挤占计算资源的问题。
发明内容
本公开是有鉴于上述现有技术的状况而提出的，其目的在于提供一种分布式配电网云边端数据协同方法，能够满足多样化的业务数据处理需求且有效优化数据协同路由选择，从而提升分布式系统中数据的处理效率，缓解业务数据挤占计算资源的问题。
为此，本公开第一方面提供了一种分布式配电网云边端数据协同方法，包括：
端侧采集业务数据，并将所述业务数据上传至边侧用于初始化知识图谱，所述业务数据包含业务数据自身属性和业务数据处理约束，所述业务数据自身属性包括业务优先级和业务数据价值，所述业务数据处理约束包括业务数据处理时延约束；边侧获取第一迭代次数下得到的边侧第一知识图谱，将所述业务数据映射到目标业务数据空间上，并基于目标颗粒度拆分得到子任务；云侧获取第一迭代次数下得到的云侧第一知识图谱，并将静态计算资源拆分为多个虚拟计算单元，再将所述虚拟计算单元基于所述云侧第一知识图谱映射为多个动态计算链；边侧计算每个所述子任务选择每条所述动态计算链的偏好值，并基于所述偏好值为每个所述子任务选择动态计算链以获得每个所述子任务选择的计算路由；云侧、边侧和端侧基于所述计算路由协同处理所述业务数据，协同时在同一个所述虚拟计算单元上计算用于评估每两个所述子任务之间的相似程度的业务数据引力和业务数据斥力，再基于所述业务数据引力和所述业务数据斥力的大小关系决定每两个所述子任务在所述虚拟计算单元上的处理方式。
在这种情况下，边侧业务数据可以被用于生成知识图谱，业务数据可以在分布式系统中被结构化，被结构化后的业务数据映射到业务数据空间上得到被降维表征的业务数据，降低了自身的处理复杂度。同时业务数据结构化后的知识图谱以及后续更新的知识图谱能够反映业务数据的处理需求，由此能够在基于业务数据自身的特点对业务数据进行拆分以得到子任务，进一步降低业务数据的处理复杂度。云侧需要为业务数据选择计算路由，因此将计算资源拆分为虚拟计算单元，再进行映射获得动态计算链作为计算路由的候选项。在业务数据本身被降维并拆分以子任务的形式处理的情况下，再对子任务在分布式网络中的路由选择作优化，分布式系统协同业务数据的效率得以提升，并且在执行协同时同一虚拟计算单元可以根据业务数据间的相似度关系采取区别处理，实现计算资源的高效利用。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，基于所述业务数据自身属性和所述业务数据处理约束计算得到所述业务数据空间映射值，并以与所述映射值的差值最小的业务数据空间标准值对应的业务数据空间作为目标业务数据空间映射所述业务数据。在这种情况下，可以将业务数据用最小的代价映射至业务数据空间上，实现业务数据的业务数据空间转换。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，基于预设颗粒度计算权重、所述业务数据自身属性和所述业务数据处理约束计算所述目标颗粒度，并基于所述目标颗粒度均等地拆分所述业务数据。在这种情况下，业务数据被拆分后得到的结果被称作子任务，子任务继承了所属的业务数据的业务数据处理约束。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，所述业务数据引力的计算基于所述业务数据自身属性和所述业务数据处理约束形成的特征向量、预设引力常数和每两个所述子任务的预设质量。在这种情况下，能够通过特征向量反映两个业务数据之间在业务优先级、业务数据价值和业务数据处理时延约束的相关性(也可以称为两个业务数据的距离)，进而能够利用特征向量计算业务数据引力以通过业务数据引力反映了每两个子任务之间的相似程度，这两种业务数据可以是不同数据空间下的不同业务数据经过同一虚拟计算单元，而引力越大说明两种业务数据的相似程度越高，引力越小说明两种业务数据的相似程度越低。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，所述业务数据斥力的计算基于所述业务数据自身属性和所述业务数据处理约束形成的特征向量和预设斥力常数。在这种情况下，能够通过特征向量反映两个业务数据之间在业务优先级、业务数据价值和业务数据处理时延约束的相关性(也可以称为两个业务数据的距离)，进而能够利用特征向量计算业务数据斥力以通过业务数据斥力反映了每两个子任务之间的相似程度，这两种业务数据可以是不同数据空间下的不同业务数据经过同一虚拟计算单元，而斥力越大说明两种业务数据的相似程度越低，斥力越大说明两种业务数据的相似程度越高。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，对于每两个所述子任务，若所述业务数据引力大于所述业务数据斥力，则在所述虚拟计算单元上合并所述子任务再进行处理；若所述业务数据斥力大于所述业务数据引力，则按照两种所述子任务的数据量大小比例拆分所述虚拟计算单元。在这种情况下，被用作比较的两个子任务经过同一虚拟计算单元，意味着虚拟计算单元被两种不同子任务占用。当用作比较的两个子任务相似程度高时，通过合并子任务，使同一计算单元上引力大的业务之间能够共享数据，从而加快数据处理速度。当用作比较的两个子任务的相似程度低时，对于计算资源的需求不太有重叠的可能，因此可以根据两种子任务的数据量大小比例对虚拟计算单元作再拆分，此时计算资源能够被更加细化地定向分配到特定子任务上，避免斥力大的业务占用同一计算单元造成的计算资源浪费，提高云边端计算资源利用率。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，在所述云侧、边侧和端侧基于所述计算路由协同处理所述业务数据之后，云侧基于所述云侧第一知识图谱计算在第二迭代次数下计算得到的云侧第二知识图谱，并将所述云侧第二知识图谱下发至边侧。在这种情况下，业务数据在云侧、边侧和端侧协同之后，业务数据在各侧对应的实体以及实体间关系发生变化，进而能够将云侧的知识图谱及时地更新并反映到边侧的知识图谱上，云侧基于第一迭代次数下的云侧第一知识图谱计算在第二迭代次数下的云侧第二知识图谱，并用于下一次协同任务。
另外，在本公开第一方面所涉及的分布式配电网云边端数据协同方法中，可选地，在将所述云侧第二知识图谱下发至边侧之后，边侧获取所述云侧第二知识图谱并计算在第二迭代次数下的边侧第二知识图谱。在这种情况下，业务数据在云侧、边侧和端侧协同之后，业务数据在各侧对应的实体以及实体间关系发生变化，在作为分布式系统中具有全局控制功能的云侧实现更新知识图谱之后，边侧响应于云侧更新的知识图谱计算在第二迭代次数下的边侧第二知识图谱，并用于下一次协同任务。
本公开第二方面还提供了一种分布式配电网云边端数据协同系统，包括：配网业务终端模块配置为采集业务数据，并将所述业务数据上传用于初始化知识图谱，所述业务数据包含业务数据自身属性和业务数据处理约束，所述业务数据自身属性包括业务优先级和业务数据价值，所述业务数据处理约束包括业务数据处理时延约束；业务数据空间映射模块配置为获取第一迭代次数下得到的边侧第一知识图谱，将所述业务数据映射到目标业务数据空间上；多颗粒度业务拆分模块配置为基于目标颗粒度拆分得到子任务；动态计算链映射模块配置为获取第一迭代次数下得到的云侧第一知识图谱，并将静态计算资源拆分为多个虚拟计算单元再将所述虚拟计算单元基于所述云侧第一知识图谱映射为多个动态计算链；计算路由学习模块配置为计算每个所述子任务选择每条所述动态计算链的偏好值，并基于所述偏好值为每个所述子任务选择动态计算链以获得每个所述子任务选择的计算路由；协同场景知识图谱模块配置为基于所述计算路由协同处理所述业务数据；引力斥力计算模块配置为协同时在同一个所述虚拟计算单元上计算用于评估每两个所述子任务之间的相似程度的业务数据引力和业务数据斥力，再基于所述业务数据引力和所述业务数据斥力的大小关系决定每两个所述子任务在所述虚拟计算单元上的处理方式。
在这种情况下，边侧业务数据可以被用于生成知识图谱，业务数据可以在分布式系统中被结构化，被结构化后的业务数据映射到业务数据空间上得到被降维表征的业务数据，降低了自身的处理复杂度。同时业务数据结构化后的知识图谱以及后续更新的知识图谱能够反映业务数据的处理需求，由此能够在基于业务数据自身的特点对业务数据进行拆分以得到子任务，进一步降低业务数据的处理复杂度。云侧需要为业务数据选择计算路由，因此将计算资源拆分为虚拟计算单元，再进行映射获得动态计算链作为计算路由的候选项。在业务数据本身被降维并拆分以子任务的形式处理的情况下，再对子任务在分布式网络中的路由选择作优化，分布式系统协同业务数据的效率得以提升，并且在执行协同时同一虚拟计算单元可以根据业务数据间的相似度关系采取区别处理，实现计算资源的高效利用。
另外，在本公开第二方面所涉及的分布式配电网云边端数据协同系统中，可选地，还包括：知识图谱聚合模块配置为在基于所述计算路由协同所述业务数据之后，基于所述云侧第一知识图谱计算在第二迭代次数下计算得到的云侧第二知识图谱，并发送至协同场景知识图谱模块；协同场景知识图谱模块，配置为获取云侧第二知识图谱并计算在第二迭代次数下的边侧第二知识图谱。
在这种情况下，在分布式系统中数据在各个侧完成协同后，业务数据在各侧对应的实体以及实体间关系发生变化，会影响到下一次协同任务的计算和判断，因此需要对应更新各侧知识图谱以及各基于迭代次数的参数并用于下一次协同任务。
根据本公开，提供一种能够满足多样化的业务数据处理需求且有效优化数据协同路由选择的分布式配电网云边端数据协同方法及其系统。
附图说明
现在将仅通过参考附图的例子进一步详细地解释本公开，其中：
图1是示出了本公开示例所涉及的分布式配电网云边端数据协同方法应用场景示意图。
图2是示出了本公开示例所涉及的分布式配电网云边端数据协同方法流程示意图。
图3是示出了本公开示例所涉及的分布式配电网云边端数据协同方法中云侧和边侧知识图谱更新的流程示意图。
图4是示出了本公开示例所涉及的知识图谱数据在分布式系统中的分布示意图。
图5是示出了本公开示例所涉及的一个数据拆分成不同的子任务的示意图。
图6是示出了本公开示例所涉及的同一虚拟计算单元上根据相似程度决定的处理方式示意图。
图7是示出了本公开示例所涉及的分布式配电网云边端数据协同系统的结构示意图。
图8是示出了本公开示例所涉及的分布式配电网云边端数据协同系统的其它结构示意图。
具体实施方式
以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，在本公开的下面描述中涉及的小标题等并不是为了限制本公开的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。
本公开所涉及的分布式配电网云边端数据协同方法能够满足多样化的业务数据处理需求且有效优化数据协同路由选择，从而提升分布式系统中数据的处理效率，缓解业务数据挤占计算资源的问题。
本公开所涉及的分布式配电网云边端数据协同方法是应用在分布式场景下多用户协同工作的方法，具体表现为不同用户端数据的同步。
本公开所涉及的分布式配电网云边端数据协同方法，是应用在分布式系统的方法，分布式系统包含具有采集数据功能的端侧、具有全局控制功能的云侧以及若干边侧。具体而言，分布式系统可以是分布式配电网云边端数据协同系统。
本公开所涉及的分布式配电网云边端数据协同方法具有有限迭代次数，可以定义在测试环境下预定迭代次数t＝100，也可以定义预定迭代次数t为其他大小的数。根据预定迭代次数，迭代更新的可以是知识图谱，也可以是不同预设参数，例如预设颗粒度更新权重、业务数据预设质量、学习步长、更新权重等。
本公开所涉及的分布式配电网云边端数据协同方法中，业务数据空间的个数可以为1至m个，其中m为预定业务数据空间数目；业务数据的个数可以为1至k个，其中k为预定业务数据数目。在本公开中的示例中，业务数据被称作第k种业务数据，第k种业务数据可以映射在第m个业务数据空间上，获得的结果可以被称为第m个业务数据空间上的第k种业务数据，因此业务数据映射后的结果可以被看作是附加了业务数据空间属性的业务数据。
以下结合附图进行详细地描述本公开。此外，本公开的示例描述的结构示意图是为了更加清楚的说明本公开的技术方案，并不构成对于本公开提供的技术方案的限定。
图1是示出了本公开示例所涉及的分布式配电网云边端数据协同方法应用场景示意图。
在一些示例中，见图1，端侧1、边侧2和云侧3形成大型分布式配电网数据协同网络。其中端侧1可以包含若干个配网业务终端用于采集业务数据。边侧2具有多个用户端，是组成分布式配电网云边端数据协同系统的一部分。云侧3具有全局控制功能，可以是一个或多个中央型终端。在分布式配电网数据协同系统中分布有静态计算资源，这些静态计算资源可以成为处理、传输业务数据的资源支撑。
图2是示出了本公开示例所涉及的分布式配电网云边端数据协同方法流程示意图。
在一些示例中，见图2，本公开涉及的分布式配电网云边端数据协同方法包括如下步骤：端侧1采集业务数据并上传至边侧2初始化知识图谱(步骤100)；边侧2获取边侧第一知识图谱，将业务数据映射到目标业务数据空间后基于目标颗粒度拆分业务数据(步骤S200)；云侧3获取云侧第一知识图谱，将静态计算资源拆分为多个虚拟计算单元，再映射出多个动态计算链(步骤S300)；边侧2计算业务数据的不同偏好值，并基于偏好值选择动态计算链获得计算路由(步骤S400)；云侧、边侧2和端侧1基于计算路由协同业务数据，并在同一虚拟计算单元上决定每两个子任务的处理方式(步骤S500)。
在步骤S100中，端侧1采集业务数据并上传至边侧2初始化知识图谱。
在一些示例中，其中端侧1包含若干个配网业务终端，用于采集原始业务数据。
在一些示例中，业务数据包含了业务数据自身属性以及对自身处理的业务数据处理约束，其中业务数据自身属性包括业务优先级和业务数据价值；业务数据处理约束包括业务数据处理时延约束和业务数据空间映射值，并且，业务数据自身属性和业务数据处理约束作为业务数据的元数据部分自始至终与业务数据关联，例如业务数据被拆分后获得的目标业务数据同样继承上一业务数据的相关业务数据自身属性和业务数据处理约束。
在一些示例中，业务数据自身属性描述了业务数据的特点，包括业务优先级和业务数据价值。在一些示例中，业务优先级可以反映业务数据的处理缓急程度，可以指示业务数据之间的先后处理顺序。在一些示例中，业务数据价值表示了业务数据的重要程度，当业务数据价值越高，业务数据也越重要。
在一些示例中，业务数据处理约束描述了业务数据的处理需求，即该业务数据如何被分布式系统处理或传输，所述业务数据处理约束包括业务数据处理时延约束和业务数据空间映射值。在一些示例中，业务数据处理时延约束限制了业务数据在被处理或传输所需时间的约束条件。在一些示例中，业务数据空间映射值反映的是业务数据在业务数据空间上的映射值，可以用来选择目标业务数据空间。
在一些示例中，边侧业务数据可以被用于生成知识图谱，能够将海量处于无序状态的业务数据结构化，其中知识图谱包含实体集合、实体间关系集合以及时间戳集合。被结构化后的业务数据映射到业务数据空间上得到被降维表征的业务数据，降低了自身的处理复杂度。同时业务数据结构化后的知识图谱以及后续更新的知识图谱能够反映业务数据的处理需求，由此能够在基于业务数据自身的特点对业务数据进行拆分以得到子任务，进一步降低业务数据的处理复杂度。
在一些示例中，从端侧1上传至边侧的2业务数据可以用于初始化边侧知识图谱，也可以用于发往云侧3初始化云侧知识图谱。
在步骤S200中，边侧2获取边侧第一知识图谱，将业务数据映射到目标业务数据空间后基于目标颗粒度拆分业务数据。其中边侧2获得的第一迭代次数下的边侧第一知识图谱可以是基于先于第一迭代次数下的知识图谱计算获得，也可以是基于端侧1上传的业务数据初始化获得。
在一些示例中，边侧第一知识图谱定义为：
Ge(t)＝{Ee(t),Re(t),Te(t)}
其中，Ee(t)为第t次迭代的边侧知识图谱实体集合，包含数据处理结果、数据处理时延等实体信息；Re(t)表示第t次迭代的边侧知识图谱实体间的关系集合；Te(t)表示第t次迭代的边侧知识图谱时间戳集合。
在一些示例中，基于业务数据自身属性和业务数据处理约束计算业务数据的业务数据空间映射值，并以与映射值的差值最小的业务数据空间标准值对应的业务数据空间作为目标业务数据空间映射业务数据。由此，可以将业务数据用最小的代价映射至业务数据空间上，实现业务数据的业务数据空间转换。
在一些示例中，业务数据空间映射值的计算满足关系式：
φk(t)＝σk(t)lnρk(t)+νk(t)lnVk(t)+εk(t)ln Dk(t)
其中，ρk(t)表示第k种业务优先级，Vk(t)表示第k种业务数据价值，Dk(t)表示第k种业务数据处理时延约束。σk(t)、νk(t)、εk(t)分别表示第k种业务的业务数据空间映射权重。
在一些示例中，基于预设颗粒度计算权重、业务数据自身属性和业务数据处理约束计算目标颗粒度，并基于目标颗粒度平均地拆分业务数据。由此，业务数据被拆分后得到的结果被称作子任务，子任务继承了所属的业务数据的业务数据处理约束。
在一些示例中，目标颗粒度反映了业务数据在目标业务数据空间上映射后的子任务的大小，通过将业务数据均等地拆分为颗粒度大小为目标颗粒度的子任务，可以降低业务数据的处理复杂度。
在一些示例中，子任务的目标颗粒度的计算满足关系式：
其中，αm,k(t)和βm,(t)分别为第t次迭代第m个业务数据空间中的第k种业务颗粒度计算权重，用以调节业务优先级、数据价值、数据处理时延约束在颗粒度计算中的占比并统一数量级。
在步骤S300中，云侧3获取云侧第一知识图谱，将静态计算资源拆分为多个虚拟计算单元，再映射出多个动态计算链。
在一些示例中，云侧3获得的第一迭代次数下的云侧第一知识图谱可以是基于先于第一迭代次数下的知识图谱计算获得，也可以是基于端侧1上传的业务数据初始化获得。
在一些示例中，云侧第一知识图谱定义为：
Gc(t)＝{Ec(t),Rc(t),Tc(t)}
其中，EC(t)为第t次迭代的云侧知识图谱实体集合，包含配网业务优先级、数据价值和数据处理时延约束等实体信息；RC(t)表示第t次迭代的云侧知识图谱实体间的关系集合；Tc(t)表示第t次迭代的云侧知识图谱时间戳集合。
在一些示例中，静态计算资源是分布在整个分布式系统中的计算资源。为了最大化利用这些计算资源，将其拆分获得虚拟计算单元，其中虚拟计算单元是单位个处理业务数据的计算资源。
在一些示例中，在虚拟计算单元形成后基于云侧第一知识图谱映射为多个动态计算链。其中动态计算链是用于路由业务数据传输的虚拟链路，一个虚拟计算单元可以映射出多条动态计算链。云侧第一知识图谱中的实体间关系集合可以被用作生成动态计算链的参考。
在步骤S400中，边侧2计算业务数据的不同偏好值，并基于偏好值选择动态计算链获得计算路由。其中偏好值可以用于衡量某个业务数据选择特定动态计算链的取向情况，偏好值越大表明该业务数据越倾向于优先选择对应的动态计算链。偏好值的计算基于学习步长、业务数据选择动态计算链的次数，以及动态计算链的性能估计值、历史平均性能估计值、被选择次数。
在一些示例中，偏好值的计算满足关系式：
其中，νm,k(t)表示第t次迭代时第m个数据空间中的第k种业务的学习步长；Nm,k,l(t)表示截止第t次迭代之前，第m个业务数据空间中的第k种业务选择第l条动态计算链的次数，ηm,k,l(t)表示第t次迭代时第m个业务数据空间中的第k种业务数据对第l条动态计算链的性能估计值。
在一些示例中，云侧3需要为业务数据选择计算路由，因此将计算资源拆分为虚拟计算单元，再进行映射获得动态计算链作为计算路由的候选项。
在步骤S500中，云侧、边侧2和端侧1基于计算路由协同业务数据，并在同一虚拟计算单元上决定每两个子任务的处理方式。
在一些示例中，云侧3、边侧2和端侧1共同构成了分布式系统，因此数据的协同在云侧3、边侧2和端侧1上共同完成。业务数据在分布式系统上的同一虚拟计算单元上可以进一步地被决定处理方式，具体是计算业务数据引力和业务数据斥力来评估每两个子任务之间的相似程度。
在一些示例中，对于每两个子任务，若业务数据引力大于所述业务数据斥力，则在虚拟计算单元上被合并再进行处理；若业务数据斥力大于业务数据引力，则按照两种业务数据的数据量大小比例拆分计算单元。
在一些示例中，业务数据引力的计算基于业务数据自身属性和业务数据处理约束形成的特征向量、预设引力常数和每两个子任务的预设质量。业务数据引力的计算满足关系式：
其中，g为预设的引力常数，Mm,k和Mn,j分别为第m个业务数据空间中第k种业务数据和第n个业务数据空间中第j种业务的预设质量。Zm,k(t)和Zn,j(t)分别为业务的特征向量，由业务优先级、数据价值、数据处理时延约束指标组成，||Zm,k(t)-Zn,j(t)||2表示Zm,k(t)和Zn,j(t)之间的二范数，即第m个业务数据空间中第k种业务和第n个业务数据空间中第j种业务之间的距离。
由此，能够通过特征向量反映两个业务数据之间在业务优先级、业务数据价值和业务数据处理时延约束的相关性(也可以称为两个业务数据的距离)，进而能够利用特征向量计算业务数据引力以通过业务数据引力反映了每两个子任务之间的相似程度，这两种业务数据可以是不同数据空间下的不同业务数据经过同一虚拟计算单元，而引力越大说明两种业务数据的相似程度越高，引力越小说明两种业务数据的相似程度越低。
在一些示例中，所述预设质量取决于业务数据自身属性，如业务优先级、业务数据价值等。
在一些示例中，业务数据斥力的计算基于业务数据自身属性和业务数据处理约束形成的特征向量和预设斥力常数。业务数据斥力的计算满足关系式：
其中，h为预设的斥力系数，Zm,k(t)和Zn,j(t)分别为业务的特征向量，由业务优先级、数据价值、数据处理时延约束指标组成，||Zm,k(t)-Zn,j(t)2表示Zm,k(t)和Zn,j(t)之间的二范数，即第m个业务数据空间中第k种业务和第n个业务数据空间中第j种业务之间的距离。
根据本公开示例所提供的分布式配电网云边端数据协同方法，在业务数据本身被降维并拆分以子任务的形式处理的情况下，再对子任务在分布式网络中的路由选择作优化，分布式系统协同业务数据的效率得以提升，并且在执行协同时同一虚拟计算单元可以根据业务数据间的相似度关系采取区别处理，实现计算资源的高效利用。
由此，能够通过特征向量反映两个业务数据之间在业务优先级、业务数据价值和业务数据处理时延约束的相关性(也可以称为两个业务数据的距离)，进而能够利用特征向量计算业务数据斥力以通过业务数据斥力反映了每两个子任务之间的相似程度，这两种业务数据可以是不同数据空间下的不同业务数据经过同一虚拟计算单元，而斥力越大说明两种业务数据的相似程度越低，斥力越大说明两种业务数据的相似程度越高。
在一些示例中，对于每两个所述子任务，若所述业务数据引力大于所述业务数据斥力，则在所述虚拟计算单元上合并所述子任务再进行处理；若所述业务数据斥力大于所述业务数据引力，则按照两种所述子任务的数据量大小比例拆分所述虚拟计算单元。
由此，被用作比较的两个子任务经过同一虚拟计算单元，意味着虚拟计算单元被两种不同子任务占用。当用作比较的两个子任务相似程度高时，通过合并子任务，使同一计算单元上引力大的业务之间能够共享数据，从而加快数据处理速度。当用作比较的两个子任务的相似程度低时，对于计算资源的需求不太有重叠的可能，因此可以根据两种子任务的数据量大小比例对虚拟计算单元作再拆分，此时计算资源能够被更加细化地定向分配到特定子任务上，避免斥力大的业务占用同一计算单元造成的计算资源浪费，提高云边端计算资源利用率。
图3是示出了本公开示例所涉及的分布式配电网云边端数据协同方法中云侧和边侧知识图谱更新的流程示意图。
在一些示例中，见图3，云侧、边侧、端侧实现数据协同之后，还包括如下步骤：云侧基于云侧第一知识图谱计算云侧第二知识图谱(步骤S601)；云侧将云侧第二知识图谱下发至边侧(步骤S602)；边侧获取云侧第二知识图谱并计算边侧第二知识图谱(步骤S603)；更新计算路由的学习步长(步骤S604)。
在步骤S601中，云侧基于云侧第一知识图谱计算在第二迭代次数下计算得到的云侧第二知识图谱。
在一些示例中，云侧第二知识图谱Gc(t+1)的更新满足关系式：
其中，和/>分别表示Ec(t)中的主实体集合和相关实体集合；/>表示的单跳相邻实体集合；/>表示Rc(t)中连接到/>的时间戳集合；/>表示向内连接到/>的关系集合；/>表示Tc(t)与/>相关的时间戳集合；/>表示向内连接到/>的时间戳集合；/>分别表示所涉及的实体嵌入、关系嵌入和时间戳嵌入的平均值；/>表示/>和/>之间的关系集合；tc(t)表示第t次迭代时嵌入的云侧知识图谱时间戳；LeakyReLU(.)表示LeakyReLU激活函数；||表示集合中的元素个数。
在一些示例中，业务数据在云侧、边侧和端侧协同之后，业务数据在各侧对应的实体以及实体间关系发生变化，进而能够将云侧的知识图谱及时地更新并反映到边侧的知识图谱上，云侧基于第一迭代次数下的云侧第一知识图谱计算在第二迭代次数下的云侧第二知识图谱，并用于下一次协同任务。
在步骤S602中，云侧将计算得到的云侧第二知识图谱下发至边侧。
在步骤S603中，边侧获取云侧第二知识图谱并计算在第二迭代次数下获得的边侧第二知识图谱。
在一些示例中，边侧第二知识图谱Ge(t+1)的更新满足关系式：
其中，和/>分别表示EC(t)中的主实体集合和相关实体集合；/>表示Ee(t)的单跳相邻实体集合；/>表示Re(t)中连接到/>的时间戳集合；/>表示向内连接到/>的关系集合；/>表示Te(t)与/>相关的时间戳集合；/>表示向内连接到/>的时间戳集合；/>分别表示所涉及的实体嵌入、关系嵌入、时间戳嵌入以及云侧实体嵌入平均值；/>表示/>和/>之间的关系集合；te(t)表示第t次迭代时嵌入的边侧知识图谱时间戳。
在一些示例中，在作为分布式系统中具有全局控制功能的云侧实现更新知识图谱之后，边侧响应于云侧更新的知识图谱计算在第二迭代次数下的边侧第二知识图谱，并用于下一次协同任务。
在步骤S604中，在云侧和边侧的知识获得第二迭代次数下的更新后，同时对应更新第二迭代次数下的学习步长，用于被更新后的业务数据在下一次计算业务数据偏好值时使用。学习步长在偏好值计算中反映了业务数据颗粒度和业务数据的数据处理时延对动态计算链选择的影响。
在一些示例中，计算路由学习步长的更新满足关系式：
vm,k(t+1)＝m,(t)+Δv[λm,k(t)lnGm,k(t)+m,k(t)lnτm,k()
其中，λm,k(t)和μm,k(t)表示学习步长更新权重，用以调节颗粒度和时延在学习步长更新中的占比并统一数量级；τm,()表示第t次迭代时第m个业务数据空间中的第k种业务的数据处理时延；Δv表示单位学习步长。
在一些示例中，第一迭代次数与所述第二迭代次数相差单位次数。
图4是示出了本公开示例所涉及的知识图谱数据在分布式系统中的分布示意图。
在一些示例中，见图4，在本公开分布式配电网云边端数据协同方法中涉及的知识图谱包括：云侧第一知识图谱Gc(t)、边侧第一知识图谱Ge(t)、云侧第二知识图谱Gc(t+1)和边侧第二知识图谱Ge(t+1)。见图，其中云侧第一知识图谱可表示为Gc(t)，边侧第一知识图谱可表示为Ge(t)。
在一些示例中，在第一迭代次数下的知识图谱可以被通称为第一知识图谱，在第二迭代次数下的知识图谱可以被通称为第二知识图谱。在一些示例中，根据知识图谱所存储的位置，可以被称为云侧知识图谱或边侧知识图谱。换言之，参见图4，云侧第一知识图谱和边侧第一知识图谱可以是第t次迭代次数下的云侧的知识图谱和边侧的知识图谱；云侧第二知识图谱可表示为Gc(t+1)，边侧第二知识图谱可表示为Ge(t+1)，云侧第二知识图谱和边侧第二知识图谱可以是第t+1次迭代次数下的云侧的知识图谱和边侧的知识图谱。
图5是示出了本公开示例所涉及的一个数据拆分成不同的子任务的示意图。
在一些示例中，见图5，图中的业务数据T1已经为业务数据映射到业务数据空间上具有一定数据量的业务数据，计算业务数据T1的目标颗粒度，并基于目标颗粒度拆分业务数据T1得到子任务T11、子任务T12和子任务T13，子任务T11、子任务T12和子任务T13合并起来的数据量等于拆分前业务数据T1的数据量，并且子任务T11、子任务T12和子任务T13的数据量均等。
图6是示出了本公开示例所涉及的同一虚拟计算单元上根据相似程度决定的处理方式示意图。
在一些示例中，见图6，一块虚拟计算单元由静态计算资源拆分得到，当两个子任务经过同一虚拟计算单元，子任务之间的相似程度可以由业务数据引力和业务数据斥力衡量，其中两种子任务可以是不同数据空间下的不同业务数据经过同一虚拟计算单元。对于每两个业务数据，业务数据引力大于业务数据斥力，则两个业务数据经过同一虚拟计算单元时意味着虚拟计算单元被两种不同子任务占用，此时对业务数据作合并处理，即处理两种子任务时共享同样部分的虚拟计算单元。对于每两个业务数据，业务数据斥力大于所述业务数据引力，则两个业务数据经过同一虚拟计算单元时对于计算资源的需求不太有重叠的可能，因此可以根据两种子任务的数据量大小比例对虚拟计算单元作再拆分，此时计算资源能够被更加细化地分配到特定业务数据上。
在一些示例中，见图6，子任务可以包括子任务A和子任务B，子任务A和子任务B经过同一虚拟计算单元y1，其中y1为子任务A和子任务B共同经过的虚拟计算单元；经过计算后，子任务A和子任务B之间的业务数据引力大于业务数据斥力，因此合并子任务A和子任务B：之前的虚拟计算单元y1将子任务A和子任务B串行处理，合并后虚拟计算单元y1将子任务A和子任务B并行处理。
在一些示例中，见图6，子任务C和子任务D经过同一虚拟计算单元y3，其中虚拟计算单元y3为子任务C和子任务D共同经过的虚拟计算单元；经过计算后，子任务C和子任务D之间的业务数据斥力大于业务数据引力，因此对虚拟计算单元y3进行拆分，虚拟计算单元y3拆分为虚拟计算单元y31和虚拟计算单元y32。图7是示出了本公开示例所涉及的分布式配电网云边端数据协同系统的结构示意图。
在一些示例中，见图7，分布式配电网云边端数据协同方法所应用的分布式系统包括：端侧1、边侧2和云侧3，端侧1可以包括配网业务终端模块10，边侧2可以包括协同场景知识图谱模块20、业务数据空间映射模块21、多颗粒度业务拆分模块22、动态计算链映射模块30、计算路由学习模块23、协同场景知识图谱模块20和引力斥力计算模块24，云侧3可以包括动态计算链映射模块30。
在一些示例中，配网业务终端模块10配置为采集业务数据，并将所述业务数据上传至协同场景知识图谱模块20用于初始化知识图谱，所述业务数据包含业务数据自身属性和业务数据处理约束，所述业务数据自身属性包括业务优先级和业务数据价值，所述业务数据处理约束包括业务数据处理时延约束。
在一些示例中，业务数据空间映射模块21配置为获取第一迭代次数下得到的边侧第一知识图谱，将所述业务数据映射到目标业务数据空间上。
在一些示例中，多颗粒度业务拆分模块22配置为基于目标颗粒度拆分得到子任务。
在一些示例中，动态计算链映射模块30配置为获取第一迭代次数下得到的云侧第一知识图谱，并将静态计算资源拆分为多个虚拟计算单元再将所述虚拟计算单元基于所述云侧第一知识图谱映射为多个动态计算链。
在一些示例中，计算路由学习模块23配置为计算每个所述子任务选择每条所述动态计算链的偏好值，并基于所述偏好值为每个所述子任务选择动态计算链以获得每个所述子任务选择的计算路由。
在一些示例中，协同场景知识图谱模块20配置为基于所述计算路由协同所述业务数据。
在一些示例中，引力斥力计算模块24配置为在同一个所述虚拟计算单元上计算用于评估每两个所述子任务之间的相似程度的业务数据引力和业务数据斥力，再基于所述业务数据引力和所述业务数据斥力的大小关系决定每两个所述子任务在所述虚拟计算单元上的处理方式。
图8是示出了本公开示例所涉及的分布式配电网云边端数据协同系统的其它结构示意图。
在一些示例中，见图8，本公开设计的分布式配电网云边端数据协同系统还包括知识图谱聚合模块31，并与协同场景知识图谱模块20配合工作。换言之，云侧3可以包括知识图谱聚合模块31和动态计算链映射模块30。
在一些示例中，知识图谱聚合模块31配置为在基于所述计算路由协同所述业务数据之后，基于所述云侧第一知识图谱计算在第二迭代次数下计算得到的云侧第二知识图谱，并发送至协同场景知识图谱模块。
在一些示例中，协同场景知识图谱模块20配置为获取云侧第二知识图谱并计算在第二迭代次数下的边侧第二知识图谱。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上对本发明实施例公开的一种分布式配电网云边端数据协同方法进行了详细介绍，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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于数据协同的分布式系统，其特征在于，所述分布式系统包含端侧、云侧和边侧，
端侧采集业务数据，并将所述业务数据上传至边侧用于初始化知识图谱；
边侧获取第一迭代次数下得到的边侧第一知识图谱，将所述业务数据映射到目标业务数据空间上，并基于目标颗粒度拆分得到子任务；
云侧获取第一迭代次数下得到的云侧第一知识图谱，并将静态计算资源拆分为多个虚拟计算单元，再将所述虚拟计算单元基于所述云侧第一知识图谱映射为多个动态计算链；
边侧计算每个所述子任务选择每条所述动态计算链的偏好值，并基于所述偏好值为每个所述子任务选择动态计算链以获得每个所述子任务选择的计算路由；
云侧、边侧和端侧基于所述计算路由协同处理所述业务数据，协同时在同一个所述虚拟计算单元上计算用于评估每两个所述子任务之间的相似程度的业务数据引力和业务数据斥力；对于每两个所述子任务，若所述业务数据引力大于所述业务数据斥力，则在所述虚拟计算单元上合并所述子任务再进行处理；
若所述业务数据斥力大于所述业务数据引力，则按照两种所述子任务的数据量大小比例拆分所述虚拟计算单元。
2.如权利要求1所述的分布式系统，其特征在于，
所述业务数据包含业务数据自身属性和业务数据处理约束，所述业务数据自身属性包括业务优先级和业务数据价值，所述业务数据处理约束包括业务数据处理时延约束。
3.如权利要求1所述的分布式系统，其特征在于，
从端侧上传至边侧的所述业务数据用于发往云侧以初始化云侧知识图谱。
4.如权利要求1所述的分布式系统，其特征在于，在所述虚拟计算单元上合并所述子任务后，所述虚拟计算单元将所述子任务并行处理。
5.如权利要求1所述的分布式系统，其特征在于，第一迭代次数与第二迭代次数相差单位次数。
6.如权利要求1所述的分布式系统，其特征在于，在云侧、边侧和端侧协同处理所述业务数据之后，还包括：
云侧基于所述云侧第一知识图谱计算在第二迭代次数下计算得到的云侧第二知识图谱，并将所述云侧第二知识图谱下发至边侧。
7.如权利要求6所述的分布式系统，其特征在于，云侧更新所述云测第二知识图谱之后，边侧响应于所述云侧第二知识图谱计算在第二迭代次数下的边侧第二知识图谱，并用于下一次协同任务。
8.如权利要求1所述的分布式系统，其特征在于，在云侧和边侧的知识图谱获得第二迭代次数下的更新后，同时对应更新第二迭代次数下的学习步长，用于被更新后的所述业务数据在下一次计算所述业务数据的偏好值时使用。
9.如权利要求2所述的分布式系统，其特征在于，所述业务数据引力的计算满足关系式：
其中，g为预设的引力常数，Mm，k和Mn，j分别为第m个业务数据空间中第k种所述业务数据和第n个所述业务数据空间中第j种所述业务数据的预设质量；Zm，k(t)和Zn，j(t)分别为所述业务数据的特征向量，由所述业务优先级、所述业务数据价值以及所述数据处理时延约束组成，||Zm，k(t)-Zn，j(t)||2表示Zm，k(t)和Zn，j(t)之间的二范数，即第m个所述业务数据空间中第k种所述业务数据和第n个所述业务数据空间中第j种所述业务数据之间的距离。
10.如权利要求2所述的分布式系统，其特征在于，所述业务数据斥力的计算满足关系式：
其中，h为预设的斥力系数，Zm，k(t)和Zn，j(t)分别为所述业务数据的特征向量，由所述业务优先级、所述业务数据价值以及所述数据处理时延约束组成，||Zm，k(t)-Zn，j(t)||2表示Zm，k(t)和Zn，j(t)之间的二范数，即第m个业务数据空间中第k种所述业务数据和第n个所述业务数据空间中第j种所述业务数据之间的距离。
CN202311302224.3A 2023-04-13 2023-04-13 基于数据协同的分布式系统 Active CN117194047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311302224.3A CN117194047B (zh) 2023-04-13 2023-04-13 基于数据协同的分布式系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202311302224.3A CN117194047B (zh) 2023-04-13 2023-04-13 基于数据协同的分布式系统
CN202310416278.6A CN116431349B (zh) 2023-04-13 2023-04-13 分布式配电网云边端数据协同方法及其系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202310416278.6A Division CN116431349B (zh) 2023-04-13 2023-04-13 分布式配电网云边端数据协同方法及其系统

Publications (2)

Publication Number Publication Date
CN117194047A true CN117194047A (zh) 2023-12-08
CN117194047B CN117194047B (zh) 2024-04-09

Family

ID=87086962

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202310416278.6A Active CN116431349B (zh) 2023-04-13 2023-04-13 分布式配电网云边端数据协同方法及其系统
CN202311302250.6A Active CN117194048B (zh) 2023-04-13 2023-04-13 用于业务数据的协同方法
CN202311302224.3A Active CN117194047B (zh) 2023-04-13 2023-04-13 基于数据协同的分布式系统

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202310416278.6A Active CN116431349B (zh) 2023-04-13 2023-04-13 分布式配电网云边端数据协同方法及其系统
CN202311302250.6A Active CN117194048B (zh) 2023-04-13 2023-04-13 用于业务数据的协同方法

Country Status (1)

Country Link
CN (3) CN116431349B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633636A (zh) * 2024-01-25 2024-03-01 江苏省特种设备安全监督检验研究院 一种云端互联的特检数据处理系统及其处理设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103546566A (zh) * 2013-10-28 2014-01-29 珠海许继芝电网自动化有限公司 基于分布式存储与计算的配电网运行数据处理方法及系统
CN107423890A (zh) * 2017-07-12 2017-12-01 国电南瑞科技股份有限公司 电网调控系统与配电自动化系统快速分布式处理方法
CN112348172A (zh) * 2020-11-13 2021-02-09 之江实验室 一种基于端边云架构的深度神经网络协同推理方法
CN113784373A (zh) * 2021-08-24 2021-12-10 苏州大学 云边协同网络中时延和频谱占用联合优化方法及系统
CN114375011A (zh) * 2021-06-28 2022-04-19 山东华科信息技术有限公司 基于匹配理论的配电物联网任务卸载方法
CN115580582A (zh) * 2022-09-30 2023-01-06 中国通信建设集团设计院有限公司 一种应用于算力网的网络流量集中控制系统
CN115907398A (zh) * 2022-12-05 2023-04-04 广东电网有限责任公司 一种基于云边协同的低压配用电数据处理方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102088719A (zh) * 2011-01-24 2011-06-08 中兴通讯股份有限公司 一种业务调度方法、系统及设备
CN105117283A (zh) * 2015-08-26 2015-12-02 深圳市华验防伪科技有限公司 一种任务拆分方法及系统
CN106919584B (zh) * 2015-12-26 2020-07-07 华为技术有限公司 一种拓扑图的布局方法及装置
CN106534302A (zh) * 2016-11-10 2017-03-22 北京航空航天大学 多任务需求服务组合方法和系统
US10824675B2 (en) * 2017-11-17 2020-11-03 Microsoft Technology Licensing, Llc Resource-efficient generation of a knowledge graph
CN110851429B (zh) * 2019-11-21 2022-03-29 嘉兴学院 一种基于影响力自适应聚合的边缘计算可信协同服务方法
CN113238865A (zh) * 2021-05-18 2021-08-10 苏明 基于Excel一键导入的快速构建知识图谱的方法
CN113298137B (zh) * 2021-05-21 2023-02-24 青岛星科瑞升信息科技有限公司 一种基于局部相似度数据引力的高光谱影像分类方法
CN113254670A (zh) * 2021-06-16 2021-08-13 中国科学院自动化研究所 基于力导向的知识图谱可视化方法
CN115757771A (zh) * 2021-08-23 2023-03-07 好心情健康产业集团有限公司 基于模糊逻辑的临床业务处理方法、装置和系统
CN114385833B (zh) * 2022-03-23 2023-05-12 支付宝(杭州)信息技术有限公司 更新知识图谱的方法及装置
CN114866593B (zh) * 2022-05-13 2023-03-28 上海交通大学 一种端边协同的工业网络控制架构及资源联合分配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103546566A (zh) * 2013-10-28 2014-01-29 珠海许继芝电网自动化有限公司 基于分布式存储与计算的配电网运行数据处理方法及系统
CN107423890A (zh) * 2017-07-12 2017-12-01 国电南瑞科技股份有限公司 电网调控系统与配电自动化系统快速分布式处理方法
CN112348172A (zh) * 2020-11-13 2021-02-09 之江实验室 一种基于端边云架构的深度神经网络协同推理方法
CN114375011A (zh) * 2021-06-28 2022-04-19 山东华科信息技术有限公司 基于匹配理论的配电物联网任务卸载方法
CN113784373A (zh) * 2021-08-24 2021-12-10 苏州大学 云边协同网络中时延和频谱占用联合优化方法及系统
CN115580582A (zh) * 2022-09-30 2023-01-06 中国通信建设集团设计院有限公司 一种应用于算力网的网络流量集中控制系统
CN115907398A (zh) * 2022-12-05 2023-04-04 广东电网有限责任公司 一种基于云边协同的低压配用电数据处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周振宇: "电力物联网 5G 云–边–端协同框架与资源调度方法", 《电网技术》, vol. 46, no. 5, 31 May 2022 (2022-05-31), pages 1641 - 1651 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633636A (zh) * 2024-01-25 2024-03-01 江苏省特种设备安全监督检验研究院 一种云端互联的特检数据处理系统及其处理设备
CN117633636B (zh) * 2024-01-25 2024-05-03 江苏省特种设备安全监督检验研究院 一种云端互联的特检数据处理系统及其处理设备

Also Published As

Publication number Publication date
CN117194047B (zh) 2024-04-09
CN117194048B (zh) 2024-04-09
CN117194048A (zh) 2023-12-08
CN116431349B (zh) 2023-11-03
CN116431349A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
Huang et al. An optimistic job scheduling strategy based on QoS for cloud computing
CN111027736A (zh) 多目标优化下的微服务组合部署与调度方法
CN105117292B (zh) 随机扩散动态负载均衡方法
CN117194047B (zh) 基于数据协同的分布式系统
US20210255899A1 (en) Method for Establishing System Resource Prediction and Resource Management Model Through Multi-layer Correlations
Mostafa et al. Fog resource selection using historical executions
CN111666151B (zh) 拓扑图转换系统及其方法
CN112764940B (zh) 多级分布式数据处理部署系统及其方法
CN114679451B (zh) 面向边缘计算的服务调度系统及其调度方法
CN102497419B (zh) 一种面向大规模请求的esb任务调度方法及调度系统
CN104346220A (zh) 一种任务调度方法与系统
Li et al. Joint optimization of auto-scaling and adaptive service placement in edge computing
CN112631750A (zh) 面向云数据中心的基于压缩感知的预测性在线调度与混合任务部署方法
Anwar et al. Recommender system for optimal distributed deep learning in cloud datacenters
CN111092755B (zh) 一种基于资源占用的边缘服务迁移仿真方法
CN112989251B (zh) 一种基于协同计算的移动Web增强现实3D模型数据服务方法
CN111444183B (zh) 一种键值存储系统中的分布式自适应用户请求调度方法
CN115469994A (zh) 边缘计算站点与核心数据中心之间的自动化服务分层
CN106357676A (zh) 一种云服务资源开销优化方法
Uchechukwu et al. Scalable analytic models for performance efficiency in the cloud
CN114745282B (zh) 资源配置模型预测方法、装置及电子设备
CN117194053B (zh) 一种基于大数据的云管理方法及系统
CN118396140B (zh) 一种分布式模型训练系统及方法
Wang et al. De‐centralized job scheduling on computational Grids using distributed backfilling
Xie Performance Optimization of Distributed Machine Learning Algorithms Based on Cloud Computing in Big Data Analysis

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