CN117539619A - 基于云边融合的算力调度方法、系统、设备和存储介质 - Google Patents

基于云边融合的算力调度方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN117539619A
CN117539619A CN202311425519.XA CN202311425519A CN117539619A CN 117539619 A CN117539619 A CN 117539619A CN 202311425519 A CN202311425519 A CN 202311425519A CN 117539619 A CN117539619 A CN 117539619A
Authority
CN
China
Prior art keywords
computing
task
cloud
tasks
computing power
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
Application number
CN202311425519.XA
Other languages
English (en)
Inventor
罗伟峰
邱子良
赖丹晖
任彬华
黄建华
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.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply 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 Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN202311425519.XA priority Critical patent/CN117539619A/zh
Publication of CN117539619A publication Critical patent/CN117539619A/zh
Pending legal-status Critical Current

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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种基于云边融合的算力调度方法、系统、设备和存储介质，其中，该方法包括：根据终端设备中的用户数据，确定若干计算任务；基于分配规则和计算任务的任务信息，将计算任务分配至对应的目标设备；在目标设备中，将计算任务拆分为若干计算子任务，根据目标设备的算力资源，按顺序执行计算子任务。通过本申请，能够结合计算任务的任务信息，将计算任务分配至对应的目标设备进行处理，以平衡边缘节点、云端以及终端设备的任务负载，解决了边缘节点的传输时延高，影响资源利用率的问题。

Description

基于云边融合的算力调度方法、系统、设备和存储介质
技术领域
本申请涉及边缘计算技术领域，特别是涉及一种基于云边融合的算力调度方法、系统、设备和存储介质。
背景技术
云边融合是指将云计算和边缘计算相融合，利用云计算和边缘计算的优势实现更高效、更便捷、更智能的数据处理和应用服务。在云边融合中，边缘计算作为云计算的扩展，起到连接、处理和应用的重要作用，而云计算提供了存储、计算以及安全等支撑服务，使得数据能够在边缘和云之间传输流通，可以广泛应用于人工智能、智慧城市、智能工厂等领域。
在传统云计算模式中，需要将边缘节点的大量待处理数据传输于云数据中心进行处理，这种方式下数据传输的耗时长，会产生较高的传输时延，影响资源的利用率。
针对相关技术中存在边缘节点的传输时延高，影响资源利用率的问题，目前还没有提出有效的解决方案。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效降低边缘节点的传输时延，提高资源利用率的基于云边融合的算力调度方法、系统、设备和存储介质。
第一个方面，在本实施例中提供了一种基于云边融合的算力调度方法，应用于边缘节点，所述方法包括：
根据终端设备中的用户数据，确定若干计算任务；
基于分配规则和所述计算任务的任务信息，将所述计算任务分配至对应的目标设备；
在所述目标设备中，将所述计算任务拆分为若干计算子任务，根据所述目标设备的算力资源，按顺序执行所述计算子任务。
在其中的一些实施例中，所述方法还包括：
通过传感器采集所述终端设备中各用户设备的用户数据。
在其中的一些实施例中，所述根据终端设备中的用户数据，确定若干计算任务，包括：
对所述用户数据进行分簇处理；
根据每个簇对应的用户数据，生成相应的所述计算任务。
在其中的一些实施例中，所述根据分配规则和所述计算任务的任务信息，将所述计算任务分配至对应的目标设备，包括：
根据当前的计算量、通信时延，以及云端的吞吐量，构建所述计算任务的处理等待时间的优化目标；
通过对所述优化目标进行优化，结合所述计算任务的任务信息，将所述计算任务分配至对应的目标设备。
在其中的一些实施例中，所述将所述计算任务拆分为若干计算子任务，根据所述目标设备的算力资源，按顺序执行所述计算子任务，包括：
将所述计算任务拆分为若干计算子任务，并根据所述计算子任务的算力需求级别对所述计算子任务进行排序；
根据所述目标设备的算力资源，按照所述算力需求级别从低到高的顺序为所述计算子任务分配所需的任务资源。
在其中的一些实施例中，所述方法还包括：
通过孤立森林算法对所述用户数据进行异常检测。
第二个方面，在本实施例中提供了一种基于云边融合的算力调度系统，包括：终端设备、云端以及如第一个方面所述的边缘节点；
所述终端设备，用于向所述边缘节点传输所述用户数据，并接收来自所述边缘节点的计算任务；
所述云端，用于提供云服务，并接受来自所述边缘节点的计算任务；
所述边缘节点，用于根据所述用户数据，确定若干计算任务；基于分配规则和所述计算任务的任务信息，将所述计算任务分配至目标设备进行处理；所述目标设备为所述终端设备、所述云端以及所述边缘节点中的任一设备。
在其中的一些实施例中，所述云端还用于：
通过容器推送策略，为所述系统的工作流程参与者提供差异化访问。
第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以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，所述处理器执行所述计算机程序时实现上述第一个方面所述的基于云边融合的算力调度方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的基于云边融合的算力调度方法。
与相关技术相比，在本实施例中提供的一种基于云边融合的算力调度方法、系统、设备和存储介质，通过根据终端设备中的用户数据，确定若干计算任务；基于分配规则和所述计算任务的任务信息，将所述计算任务分配至对应的目标设备；在所述目标设备中，将所述计算任务拆分为若干计算子任务，根据所述目标设备的算力资源，按顺序执行所述计算子任务。本申请能够结合计算任务的任务信息，将计算任务分配至对应的目标设备进行处理，以平衡边缘节点、云端以及终端设备的任务负载，解决了边缘节点的传输时延高，影响资源利用率的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是一个实施例中基于云边融合的算力调度方法的应用环境图；
图2是一个实施例中基于云边融合的算力调度系统的架构示意图；
图3是一个实施例中基于云边融合的算力调度方法的流程图；
图4是另一个实施例中基于云边融合的算力调度方法的流程图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
本申请实施例提供的基于云边融合的算力调度方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种物联网设备和移动设备等，如智能手机、智能电脑、智能音箱、智能电视、智能空调、智能车载设备等。服务器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。
云边融合是指将云计算和边缘计算相融合，利用云计算和边缘计算的优势实现更高效、更便捷、更智能的数据处理和应用服务。在云边融合中，边缘计算作为云计算的扩展，起到连接、处理和应用的重要作用，而云计算提供了存储、计算以及安全等支撑服务，使得数据能够在边缘和云之间传输流通，可以广泛应用于人工智能、智慧城市、智能工厂等领域。
在传统云计算模式中，需要将边缘节点的大量待处理数据传输于云数据中心进行处理，这种方式下数据传输的耗时长，会产生较高的传输时延，影响资源的利用率。
在本实施例中提供了一种基于云边融合的算力调度系统，图2是本实施例中基于云边融合的算力调度系统的架构示意图，如图2所示，该系统包括：终端设备、云端以及边缘节点；
其中，终端设备用于向边缘节点传输用户数据，并接受来自边缘节点的计算任务。
云端，用于提供云服务，并接收来自边缘节点的计算任务。
边缘节点，用于根据用户数据，确定若干计算任务；基于分配规则和计算任务的任务信息，将计算任务分配至目标设备进行处理；目标设备为终端设备、云端以及边缘节点中的任一设备。
具体的，边缘节点分布在云端和终端设备之间，可以是物理设备、虚拟机或容器，具体可以分布在边缘设备和边缘服务器等位置，通常将边缘节点部署在用户密集区域或数据生成的地方，如城市中心和工厂等。边缘节点具备一定的计算和存储能力，能够提供基本的计算服务，并进行数据缓存和预处理，以降低数据传输延迟和网络负载。边缘节点在使用边缘算力资源之前，需要先进行注册和身份验证，这可以通过区块链技术中的智能合约来实现，注册过程中会收集节点的身份信息，并验证其合法性和可信度。
本实施例中，边缘节点根据终端设备传输的用户数据，确定若干计算任务，并结合计算任务的任务信息，基于分配规则将计算任务合理分配终端设备、边缘节点以及云端三方中进行处理。计算任务的任务信息包括任务描述、优先级以及计算需求等信息，对于复杂度较高，规模较大的计算任务，则将其分配到云端进行处理；对于实时性要求较高的计算任务，可以分配至边缘节点或终端设备进行处理，以进行快速响应和处理，其中进一步通过动态分析当前网络的拥塞情况，结合问题的本身复杂情况，综合来决定计算任务的分配，实现终端设备、边缘节点以及云端之间的协作调度。
终端设备中包括用户设备、移动设备以及物联网设备，比如，智能手机、平板电脑以及各种物联网设备等。终端设备通过网络与云端和边缘节点进行通信，将采集得到的用户数据传输至边缘节点，并且接收来自边缘节点分配的计算任务，由终端设备对计算任务进行处理。
云端作为云数据中心，具有强大的计算能力、存储能力和网络连接性，负责为整个系统架构提供云计算资源和服务，接收来自边缘节点分配的计算任务，由云端对计算任务进行处理。其中，网络连接承载着云端、边缘节点和终端设备之间的数据传输，可以包括有线和无线网络，如光纤、以太网、无线局域网等。网络连接需要提供足够的带宽和可靠性，以支持大规模数据传输和实时应用。
本实施例的基于云边融合的算力调度系统可以应用于集变电站、数据中心、充电站构成的多站合一数据中心。其中，数据端可以是部署于变电站、充电站、集装箱式微模块数据中心的物联网设备，边缘节点可以是通信及能源站点，如5G基站、北斗基站、配电站、输电终端站等。本实施例的系统还可以应用于基于数字电网平台，通过该系统评估各个用户端口用电环境的状态，预测供配电系统运行态势，提前发现问题，确保生产用电环境的安全和稳定。或者，应用于智慧输电应用场景，通过该系统实现项目配网设施智能巡检与分析、配网线路验收巡检、配电房安全行为分析、安全生产监控、电网智慧安全监督、电气施工安全监、配电设施巡检、电力运行与电气安全识别等，将南网云、分布式节点和边缘节点有机形成互动的整体，实现边缘算力节点的调度、管理和运维，解决边缘区域广和无人值守问题，减少传统运维的复杂度和人力物力的投入，以及服务依赖。
进一步地，上述系统中南网云、分布式节点和边缘节点的整体互动可以通过节点的扩充和裁剪以及新节点的融合来实现。当需要增加算力时，可以通过扩充节点数量或增加节点的计算资源来提供更多的计算能力。例如，可以增加边缘节点或分布式节点的数量，或者增加节点的处理能力(如CPU和内存等)。相反，当需要减少算力时，可以裁剪不再需要的节点，释放资源。
通过本实施例中提供的系统，能够结合计算任务的任务信息，将计算任务分配至对应的目标设备进行处理，以平衡边缘节点、云端以及终端设备的任务负载，解决了边缘节点的传输时延高，影响资源利用率的问题。
在其中的一些实施例中，云端还用于：通过容器推送策略，为系统的工作流程参与者提供差异化访问。
具体的，将数字文件或原子单元进行分类，根据其敏感性、重要性等确定访问控制级别，为系统的每个工作流程参与者分配特定的角色，并为每个角色定义相应的访问权限。这样，不同角色的用户可以根据其在工作流程中的角色访问相应的数字文件或原子单元；为每个工作流程参与者分配相应的密钥，确保密钥的类型和数目与其在工作流程中的角色和职责相匹配。
另外，实施访问审计机制，以监控和记录每个工作流程参与者对数字文件或原子单元的访问活动。使用动态访问控制策略，根据工作流程的进展和特定条件动态调整访问权限；对于敏感操作或访问，考虑使用多因素身份验证来增加安全性；对数字文件进行加密，确保即使访问权限泄漏，也难以获取敏感信息。这些措施共同提供了一种综合的差异化访问控制系统，可以根据工作流程参与者的角色、职责和工作流程阶段提供不同类型和数目的密钥，以确保数字文件和原子单元的安全访问。
在本实施例中提供了一种基于云边融合的算力调度方法，应用于以上实施例中的边缘节点，图3是本实施例的基于云边融合的算力调度方法的流程图，如图3所示，该方法包括以下步骤：
步骤S310，根据终端设备中的用户数据，确定若干计算任务。
具体的，终端设备中包括用户设备、移动设备以及物联网设备，比如，智能手机、平板电脑以及各种物联网设备等。终端设备通过网络与云端和边缘节点进行通信，将采集到的用户数据传输至边缘节点。在边缘节点中，利用分类算法对采集到的用户数据进行分簇，根据每个簇的用户数据确定相应的计算任务，由此得到若干计算任务。其中，用户数据包括但不限于用户的用电数据、配电设施的运行监控数据等。
步骤S320，基于分配规则和计算任务的任务信息，将计算任务分配至对应的目标设备。
具体的，边缘节点根据计算任务的任务信息，通过任务发布机制提交计算任务，结合分配规则将计算任务合理分配终端设备、边缘节点以及云端三方中进行处理。计算任务的任务信息包括任务描述、优先级以及计算需求等信息。
对于复杂度较高，规模较大的计算任务，则将其分配到云端进行处理；对于实时性要求较高的计算任务，可以分配至边缘节点或终端设备进行处理，以进行快速响应和处理，其中进一步通过动态分析当前网络的拥塞情况，结合问题的本身复杂情况，综合来决定计算任务的分配，实现终端设备、边缘节点以及云端之间的协作调度。
步骤S330，在目标设备中，将计算任务拆分为若干计算子任务，根据目标设备的算力资源，按顺序执行计算子任务。
具体的，在将计算任务分配至目标设备进行执行处理后，进一步将计算任务进行拆分，并根据拆分得到的计算子任务所需的算力资源，确定其算力需求级别。在目标设备中，按照算力需求级别的顺序，依次为计算子任务分配算力资源。
通过上述步骤，能够结合计算任务的任务信息，将计算任务分配至对应的目标设备进行处理，以平衡边缘节点、云端以及终端设备的任务负载，解决了边缘节点的传输时延高，影响资源利用率的问题。
在其中的一些实施例中，通过传感器采集终端设备中各用户设备的用户数据。
具体的，针对不同应用场景下的算力调度，终端设备包括用户设备、移动设备以及物联网设备，比如，智能手机、平板电脑以及各种物联网设备等。
以电网运行监控中的算力调度为例，通过传感器等设备收集用户的用电数据，用户数据包括各个端口的多种状态数据，比如电压、电流以及功率，以及用电量和使用时间等信息。通过将状态数据传输至边缘节点，以在边缘节点中对应形成计算任务。
在其中的一些实施例中，上述步骤S310中根据终端设备中的用户数据，确定若干计算任务，包括以下步骤：
对用户数据进行分簇处理；根据每个簇对应的用户数据，生成相应的计算任务。
具体的，分簇是指通过将网络节点划分成若干个节点组，即簇来实现。每个簇中有一个(或多个)节点负责转发簇间数据，被称为簇头(节点)，它可以指定产生，也可以根据某种选举算法产生。
根据划分后的网络节点，将用户数据中的状态数据进行分簇，不同的分簇算法具有不同的优化目标，包括最小化簇计算和维护开销、最小化簇头、最大化簇稳定性和最大化节点生存时间等，由此针对每个簇中的优化目标，对应生成相应的计算任务。
以电网运行监控中的算力调度为例，各端口的状态数据包括电压、电流以及功率，进一步根据状态数据确定该发电设备在一定电压和功率下的发电效益，进而根据状态数据和发电效益等确定计算任务。
采用分簇方式可以大大减少路由开销，具有较好的网络可扩充性，网络中可以通过增加簇的个数或网络的级数来提高网络的容量，网络规模也不受限制，并且可以减少共享相同信道的节点的数目，从而降低碰撞概率。
在其中的一些实施例中，上述步骤S320中根据分配规则和计算任务的任务信息，将计算任务分配至对应的目标设备，包括以下步骤：
根据当前的计算量、通信时延，以及云端的吞吐量，构建计算任务的处理等待时间的优化目标；通过对优化目标进行优化，结合计算任务的任务信息，将计算任务分配至对应的目标设备。
具体的，根据计算任务的任务信息，得到计算任务的任务描述、优先级以及计算需求等信息，从而能够确定计算任务的复杂度、数据规模以及实时性要求。对于复杂度较高、规模较大的计算任务，则将其分配到云端进行处理；对于实时性要求较高的计算任务，可以分配至边缘节点或终端设备进行处理，以进行快速响应和处理，轻量级任务可在终端设备本地执行，减少传输延迟和网络负担；中等复杂度的任务可以在边缘节点上执行，减少与云端的通信延迟。
其中进一步通过动态分析当前网络的拥塞情况，结合问题的本身复杂情况，综合来决定计算任务的分配。基于分配规则，通过构建计算任务的处理等待时间作为优化目标，通过对优化目标进行优化，以最优的原则寻找低计算量、大吞吐量以及低时延。
其中，计算量可以用不同的指标来衡量，如浮点运算次数(FLOPs)、指令执行次数等，具体的计算量取决于应用的复杂度和算法的运算要求。
云端服务器的吞吐量是指其单位时间内能够处理的请求或任务数量，这个指标受到服务器硬件配置、网络带宽、负载均衡和调度算法等因素的影响。
网络通信时延是指从发送方发送数据到接收方接收到数据所需的时间。它包括传输延迟、传播延迟、队列延迟等多个方面，具体的网络通信时延取决于网络拓扑、链路质量、传输协议等因素。
以下为将计算任务的处理等待时间作为优化目标的一种表达式：
其中，n表示计算任务的动态资源总量；i表示动态资源里的每个资源流量；/>表示吞吐量的倒数；θi表示资源流量i对端到端的权重；τi表示通信时延；/>表示用于平衡完成时间和吞吐率之间的关系系数；/>表示计算量的系数。
本实施例中通过对优化目标进行优化，以最优的原则寻找低计算量、大吞吐量以及低时延，从而将计算任务分配至对应的目标设备，实现终端设备、边缘节点以及云端之间的协作调度。
在其中的一些实施例中，上述步骤S330中将计算任务拆分为若干计算子任务，根据目标设备的算力资源，按顺序执行计算子任务，包括以下步骤：
将计算任务拆分为若干计算子任务，并根据计算子任务的算力需求级别对计算子任务进行排序；根据目标设备的算力资源，按照算力需求级别从低到高的顺序为计算子任务分配所需的任务资源。
具体的，根据拆分得到的计算子任务所需的算力资源，确定其算力需求级别。在目标设备中，按照算力需求级别从低到高的顺序，依次为计算子任务分配算力资源。
先为算力需求级别最低的计算子任务分配资源，分配资源的上限为算力需求预期值，并将目标设备中剩余算力资源分配给算力需求级别高一级的计算子任务，该算力需求级别高一级的计算子任务所分配资源的上限为算力需求预期值与目标设备中剩余算力资源之和，若有剩余算力资源，则将此时的剩余算力资源分配给算力需求级别再高一级的计算子任务，以此类推以实现目标设备中算力需求的分配调度。
其中，算力需求预期值是指对于特定任务或应用程序所需的计算资源的预测值。计算资源可以包括处理器、内存、存储等硬件资源，算力需求预期值的确定需要考虑任务的性质、规模和复杂度，以及用户的需求和预期性能，另外还需要考虑具体的数据规模、处理复杂度、响应时间要求等因素。
进一步的，通过该目标设备执行第三方的算力调度中心下发的计算任务，降低了用户获取算力的复杂度，并且用户可以通过第三方的算力调度中心获知该云算力平台分配给该用户的目标运算设备的真实算力信息，保证了算力分配的真实可靠性。
本实施例中通过将计算任务拆分为若干计算子任务，在目标设备中按照算力需求级别从低到高的顺序为计算子任务分配所需的任务资源，实现了任务资源的可靠分配。
在其中的一些实施例中，上述方法还包括：通过孤立森林算法对用户数据进行异常检测。
具体的，基于孤立森林的异常分值提取技术可以用于根据用户数据对其进行分级，具体是一种无监督学习方法，通过构建孤立森林模型来检测存在异常行为的用户数据。
对终端设备中用户数据进行预处理和特征提取，输入孤立森林模型进行训练，孤立森林模型通过对用户数据进行建模，生成每个用户数据相应的异常分值，根据生成的异常分值，将用户进行分级划分，从而确定异常的用户数据。
以电网运行监控中的算力调度为例，采集用户的用电数据，比如用电量、用电时间、用电模式等信息，经过预处理和特征提取后，提取每个用户的用电平均值、用电峰值以及用电波动性等特征。将提取的特征输入孤立森林模型进行训练，模型将对每个用户的用电行为进行评估，并生成一个与其相对应的异常分值。异常分值反映了用户用电行为是否与正常模式相符，根据这些异常分值，可以将用户分为不同的级别，分值越高的用户表示其用电行为越异常；根据用户的级别，可以采取不同的措施。例如，正常用户保持监测，轻微异常用户可能需要额外的确认或提醒，而明显异常用户可能需要进行深入调查和处理。
下面通过优选实施例对本实施例进行描述和说明。
在本实施例中还提供了一种基于云边融合的算力调度方法。图4是本实施例的另一种基于云边融合的算力调度方法的流程图，如图4所示，该方法包括以下步骤：
步骤S410，通过传感器采集终端设备中各用户设备的用户数据。
步骤S420，对用户数据进行分簇处理；根据每个簇对应的用户数据，生成相应的计算任务。
步骤S430，根据当前的计算量、通信时延，以及云端的吞吐量，构建计算任务的处理等待时间的优化目标；通过对优化目标进行优化，结合计算任务的任务信息，将计算任务分配至对应的目标设备。
步骤S440，将计算任务拆分为若干计算子任务，并根据计算子任务的算力需求级别对计算子任务进行排序；根据目标设备的算力资源，按照算力需求级别从低到高的顺序为计算子任务分配所需的任务资源。
步骤S450，通过孤立森林算法对用户数据进行异常检测。
通过上述步骤，能够结合计算任务的任务信息，将计算任务分配至对应的目标设备进行处理，以平衡边缘节点、云端以及终端设备的任务负载，解决了边缘节点的传输时延高，影响资源利用率的问题。进一步的，采用分簇方式可以大大减少路由开销，具有较好的网络可扩充性，网络中可以通过增加簇的个数或网络的级数来提高网络的容量，网络规模也不受限制，并且可以减少共享相同信道的节点的数目，从而降低碰撞概率。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，步骤S450进行异常检测的执行也可以在用户数据采集后进行。
在本实施例中还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述计算机设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的基于云边融合的算力调度方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于云边融合的算力调度方法。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其他实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其他实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于云边融合的算力调度方法，其特征在于，应用于边缘节点，所述方法包括：
根据终端设备中的用户数据，确定若干计算任务；
基于分配规则和所述计算任务的任务信息，将所述计算任务分配至对应的目标设备；
在所述目标设备中，将所述计算任务拆分为若干计算子任务，根据所述目标设备的算力资源，按顺序执行所述计算子任务。
2.根据权利要求1所述的基于云边融合的算力调度方法，其特征在于，还包括：
通过传感器采集所述终端设备中各用户设备的用户数据。
3.根据权利要求1所述的基于云边融合的算力调度方法，其特征在于，所述根据终端设备中的用户数据，确定若干计算任务，包括：
对所述用户数据进行分簇处理；
根据每个簇对应的用户数据，生成相应的所述计算任务。
4.根据权利要求1所述的基于云边融合的算力调度方法，其特征在于，所述根据分配规则和所述计算任务的任务信息，将所述计算任务分配至对应的目标设备，包括：
根据当前的计算量、通信时延，以及云端的吞吐量，构建所述计算任务的处理等待时间的优化目标；
通过对所述优化目标进行优化，结合所述计算任务的任务信息，将所述计算任务分配至对应的目标设备。
5.根据权利要求1所述的基于云边融合的算力调度方法，其特征在于，所述将所述计算任务拆分为若干计算子任务，根据所述目标设备的算力资源，按顺序执行所述计算子任务，包括：
将所述计算任务拆分为若干计算子任务，并根据所述计算子任务的算力需求级别对所述计算子任务进行排序；
根据所述目标设备的算力资源，按照所述算力需求级别从低到高的顺序为所述计算子任务分配所需的任务资源。
6.根据权利要求1所述的基于云边融合的算力调度方法，其特征在于，还包括：
通过孤立森林算法对所述用户数据进行异常检测。
7.一种基于云边融合的算力调度系统，其特征在于，包括：终端设备、云端以及如权利要求1-6中任一项所述的边缘节点；
所述终端设备，用于向所述边缘节点传输所述用户数据，并接收来自所述边缘节点的计算任务；
所述云端，用于提供云服务，并接受来自所述边缘节点的计算任务；
所述边缘节点，用于根据所述用户数据，确定若干计算任务；基于分配规则和所述计算任务的任务信息，将所述计算任务分配至目标设备进行处理；所述目标设备为所述终端设备、所述云端以及所述边缘节点中的任一设备。
8.根据权利要求7所述的基于云边融合的算力调度系统，其特征在于，所述云端还用于：
通过容器推送策略，为所述系统的工作流程参与者提供差异化访问。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的基于云边融合的算力调度方法。
10.一种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权利要求1至6中任一项所述的基于云边融合的算力调度方法的步骤。
CN202311425519.XA 2023-10-31 2023-10-31 基于云边融合的算力调度方法、系统、设备和存储介质 Pending CN117539619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311425519.XA CN117539619A (zh) 2023-10-31 2023-10-31 基于云边融合的算力调度方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311425519.XA CN117539619A (zh) 2023-10-31 2023-10-31 基于云边融合的算力调度方法、系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117539619A true CN117539619A (zh) 2024-02-09

Family

ID=89783168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311425519.XA Pending CN117539619A (zh) 2023-10-31 2023-10-31 基于云边融合的算力调度方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117539619A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117971440A (zh) * 2024-04-01 2024-05-03 上海采日能源科技有限公司 电池储能系统中算力任务处理方法、装置及系统
CN118171470A (zh) * 2024-03-18 2024-06-11 广西电网有限责任公司 一种用于电力调度的多源数据融合智能巡检系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118171470A (zh) * 2024-03-18 2024-06-11 广西电网有限责任公司 一种用于电力调度的多源数据融合智能巡检系统及方法
CN117971440A (zh) * 2024-04-01 2024-05-03 上海采日能源科技有限公司 电池储能系统中算力任务处理方法、装置及系统

Similar Documents

Publication Publication Date Title
Xu et al. Adaptive computation offloading with edge for 5G-envisioned internet of connected vehicles
Mebrek et al. Efficient green solution for a balanced energy consumption and delay in the IoT-Fog-Cloud computing
Xu et al. Trust-aware service offloading for video surveillance in edge computing enabled internet of vehicles
Hao et al. Deep reinforcement learning for edge service placement in softwarized industrial cyber-physical system
CN117539619A (zh) 基于云边融合的算力调度方法、系统、设备和存储介质
Zhu et al. Foundation study on wireless big data: Concept, mining, learning and practices
CN108170530B (zh) 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法
CN112187891B (zh) 基于多业务的边缘计算节点集合的负载优化方法及装置
Liu et al. Task scheduling in fog enabled Internet of Things for smart cities
Zhang et al. Virtual machine placement strategy using cluster-based genetic algorithm
CN111709582B (zh) 一种无人机边缘计算资源动态优化方法、系统及存储介质
Li et al. Research on QoS service composition based on coevolutionary genetic algorithm
Wang et al. Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system
He et al. DROI: Energy-efficient virtual network embedding algorithm based on dynamic regions of interest
Mebrek et al. Intelligent resource allocation and task offloading model for IoT applications in fog networks: a game-theoretic approach
CN116720132A (zh) 电力业务识别系统、方法、设备、介质和产品
Shao et al. A learning based framework for MEC server planning with uncertain BSs demands
Fan et al. Node essentiality assessment and distributed collaborative virtual network embedding in datacenters
Li et al. Fairness-aware task offloading and load balancing with delay constraints for power internet of things
Huang et al. Collaborative computation offloading for smart cities in mobile edge computing
Yun et al. Intelligent Traffic Scheduling for Mobile Edge Computing in IoT via Deep Learning.
Xu et al. Joint optimization of energy conservation and migration cost for complex systems in edge computing
Zhang et al. An edge server placement method with cyber-physical-social systems in 5G
Rahbari et al. A two-stage technique for quick and low power offloading in iot
CN112948054A (zh) 一种基于虚拟化技术的公交混合云平台系统

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