CN119316377A - 物联网设备资源管理方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种物联网设备资源管理方法、装置、设备及存储介质，涉及物联网技术领域，包括：采集预设物模型中各物联网设备的特性数据，其中，特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；基于预设分组指标及特性数据对预设物模型中的所有物联网设备进行分组，得到至少一个设备组；将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；根据各设备组的资源分配方案对各设备组中的物联网设备进行资源管理。本申请能够确保物联网设备在复杂环境下高效运行。

Description

物联网设备资源管理方法、装置、设备及存储介质

技术领域

本申请涉及物联网技术领域，尤其涉及一种物联网设备资源管理方法、装置、设备及存储介质。

背景技术

随着物联网（IoT）技术的飞速发展，物联网设备的种类和数量急剧增加。从智能家居中的智能灯泡、智能插座，到工业互联网中的传感器、控制器，再到智慧城市中的各种监控设备，物联网设备的应用范围越来越广泛。

‌物模型是物联网平台中用于描述产品功能的数据模型，它将物理空间中的实体数字化并在云端构建数据模型，物模型广泛应用于各种物联网设备中，如传感器、车载装置、楼宇和工厂等。通过定义物模型，可以清晰地描述这些设备的功能和行为，实现设备的智能化管理和控制。但是，传统的物模型通常只能描述和管理有限数量的设备，且缺乏足够的灵活性和扩展性。当设备数量和种类增加时，单一层次的模型难以有效管理物联网设备资源的配置，导致系统性能下降、资源利用率低下，甚至出现设备过载和系统故障等问题。

因此，如何提高复杂环境下物联网设备的运行效果，成为一个亟待解决的问题。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明内容

本申请的主要目的在于提供一种物联网设备资源管理方法、装置、设备及存储介质，旨在解决如何提高复杂环境下物联网设备的运行效果的技术问题。

为实现上述目的，本申请提出一种物联网设备资源管理方法，所述物联网设备资源管理方法包括：

采集预设物模型中各物联网设备的特性数据，其中，所述特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；

基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组；

将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；

根据各所述设备组的资源分配方案对各所述设备组中的物联网设备进行资源管理。

在一实施例中，所述采集预设物模型中各物联网设备的特性数据的步骤之前，包括：

依据预设物模型中各物联网设备的功能特性，对各所述物联网设备进行分层处理，其中，所述功能特性为各所述物联网设备在预设物模型中承担的职责或功能；

将各所述物联网设备中用于进行数据采集的传感器设备分配至预设的感知层；

将各所述物联网设备中用于执行数据预处理和初步分析的边缘计算节点设备分配至预设的边缘层；

将各所述物联网设备中用于管理各设备间网络通信的设备分配至预设的网络层；

将各所述物联网设备中用于进行高级数据处理和复杂计算的高性能设备或云资源设备分配至预设的核心层；

将各所述物联网设备中用于提供用户服务接口的设备分配至预设的应用层。

在一实施例中，所述基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组的步骤，包括：

根据预设分组指标从各所述物联网设备的特性数据中提取与所述预设分组指标对应的第一特性数据，所述预设分组指标包含设备性能、功能类型和工作状态中至少一种类型的指标；

对归属于所述感知层的所有物联网设备的第一特性数据进行聚类处理，得到感知层聚类结果，依据所述感知层聚类结果将归属于所述感知层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述边缘层的所有物联网设备的第一特性数据进行聚类处理，得到边缘层聚类结果，依据所述边缘层聚类结果将归属于所述边缘层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述网络层的所有物联网设备的第一特性数据进行聚类处理，得到网络层聚类结果，依据所述网络层聚类结果将归属于所述网络层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述核心层的所有物联网设备的第一特性数据进行聚类处理，得到核心层聚类结果，依据所述核心层聚类结果将归属于所述核心层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述应用层的所有物联网设备的第一特性数据进行聚类处理，得到应用层聚类结果，依据所述应用层聚类结果将归属于所述应用层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

在一实施例中，所述将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案的步骤，包括：

获取预设资源配置优化模型的目标资源函数，确定所述目标资源函数的约束条件，其中，所述目标资源函数为计算总资源消耗量的函数；

将各所述设备组的特性数据输入所述目标资源函数进行优化，并根据所述约束条件对所述目标资源函数的优化结果进行限制，确定总资源消耗量最小的优化结果；

根据所述总资源消耗最小的优化结果生成每个所述设备组的各物联网设备的资源分配方案，其中，所述资源分配方案包括所述物联网设备的各种资源类型的资源配置方案、任务分配方案和负载调整方案。

在一实施例中，所述约束条件包括：

对于每种资源类型，所有物联网设备各所述资源类型的总资源使用量不超过所述资源类型的预设资源最大可用量；

每个所述物联网设备的设备负载不超过所述物联网设备的预设最大允许负载；

每个所述物联网设备的任务完成时间在所述预设截止时间之前。

在一实施例中，所述根据所述总资源消耗最小的优化结果生成每个所述设备组的各物联网设备的资源分配方案的步骤，包括：

解析所述总资源消耗最小的优化结果，得到目标矩阵，其中，所述目标矩阵包含每个物联网设备的资源配置、任务分配和负载调整信息；

从所述目标矩阵中提取每个物联网设备在各个资源类型上的资源分配量；

从所述目标矩阵中提取每个物联网设备分配的任务列表及任务优先级；

从所述目标矩阵中提取每个物联网设备的负载调整量；

根据所述各个资源类型上的资源分配量、所述任务列表及任务优先级和所述负载调整量生成每个物联网设备的资源分配方案。

在一实施例中，所述物联网设备资源管理方法还包括：

持续监控所述预设物模型中各层次物联网设备的实时状态数据；

基于时间序列将多个所述实时状态数据存储为状态数据序列；

将各所述物联网设备的所述状态数据序列输入预设预测模型进行预测，得到各所述物联网设备的未来状态数据；

根据所述未来状态数据确定异常设备，并根据所述未来状态数据调整所述异常设备的任务列表、任务优先级和负载调整量。

此外，为实现上述目的，本申请还提出一种物联网设备资源管理装置，所述物联网设备资源管理装置包括：

采集模块，用于采集预设物模型中各物联网设备的特性数据，其中，所述预设物模型中物联网设备的特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；

分组模块，用于基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组；

优化模块，用于对于每个设备组，将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；

管理模块，用于根据各所述设备组的资源分配方案对各所述设备组中的物联网设备进行资源管理。

此外，为实现上述目的，本申请还提出一种物联网设备资源管理设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的物联网设备资源管理方法的步骤。

此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的物联网设备资源管理方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的物联网设备资源管理方法的步骤。

本申请通过采集预设物模型中各物联网设备的特性数据，其中，特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；基于预设分组指标及特性数据对预设物模型中的所有物联网设备进行分组，得到至少一个设备组；将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；根据各设备组的资源分配方案对各设备组中的物联网设备进行资源管理。本申请基于物模型进行全面的数据采集、合理的设备分组、优化的资源分配和有效的资源管理，实现了复杂环境下对物联网设备的高效、自适应和稳定的资源管理，不仅提高了资源利用率，降低了能耗和运营成本，还增强了物联网系统的可靠性和灵活性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请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，对于本领域普通技术人员而言，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为本申请物联网设备资源管理方法实施例一提供的流程示意图；

图2为本申请实施例一中预设物模型的层次结构示意图；

图3为本申请物联网设备资源管理方法实施例二提供的流程示意图；

图4为本申请实施例物联网设备资源管理装置的模块结构示意图；

图5为本申请实施例中物联网设备资源管理方法涉及的硬件运行环境的设备结构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请的技术方案，并不用于限定本申请。

为了更好的理解本申请的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。

基于此，本申请实施例提供了一种物联网设备资源管理方法，参照图1，图1为本申请物联网设备资源管理方法第一实施例的流程示意图。

本实施例中，所述物联网设备资源管理方法包括步骤S10~S40：

步骤S10，采集预设物模型中各物联网设备的特性数据，其中，特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据。

需要说明的是，预设物模型即本实施例采用的超级物模型。物模型（Thing Model）是物联网设备的一种抽象表示，用于描述设备的属性、功能和服务。物模型提供了一种标准化的方式来管理和控制设备，使得不同设备之间的交互更加容易和一致。而本申请提供了一种增强的物模型，即超级物模型，用于描述和管理大规模、异构的物联网设备，超级物模型通常包括以下关键组件：

硬件描述：涵盖设备的计算资源（如CPU、内存、存储）及其利用率。

软件功能：描述设备运行的操作系统、支持的协议及应用程序。

网络状态：包含设备的网络连接状态、带宽利用率和通信延迟等信息。

环境参数：反映设备所在环境的物理特性，如温度、湿度、位置。

实时状态：跟踪设备的当前运行状态，包括负载情况、健康状况和故障记录。

每个物联网设备都具备特性数据，特性数据对应上述关键组件中的数据，一般情况下，只有网络状态数据中的设备的网络延迟，实时状态数据中的CPU使用率、内存使用率、存储使用率、任务状态、设备当前能耗和设备的当前负载在后续步骤中应用到。

在一种可行的实施方式中，在步骤S10之前，还包括步骤S01~S06：

步骤S01，依据预设物模型中各物联网设备的功能特性，对各物联网设备进行分层处理，其中，功能特性为各物联网设备在预设物模型中承担的职责或功能。

步骤S02，将各物联网设备中用于进行数据采集的传感器设备分配至预设的感知层。

步骤S03，将各物联网设备中用于执行数据预处理和初步分析的边缘计算节点设备分配至预设的边缘层。

步骤S04，将各物联网设备中用于管理各设备间网络通信的设备分配至预设的网络层。

步骤S05，将各物联网设备中用于进行高级数据处理和复杂计算的高性能设备或云资源设备分配至预设的核心层。

步骤S06，将各物联网设备中用于提供用户服务接口的设备分配至预设的应用层。

需要说明的是，在本实施例中，预设物模型根据物联网设备的功能和特性将各所述物联网设备分为五个层次，参见图2，包括：

感知层1，包含用于数据采集的传感器设备；

边缘层2，包含执行数据预处理和初步分析的边缘计算节点设备；

网络层3，包含管理各设备间网络通信的设备；

核心层4，包含进行高级数据处理和复杂计算的高性能设备或云资源设备；

应用层5，包含提供用户服务接口的设备。

本申请提供的预设物模型为超级物模型，通过将设备按功能和特性分成多个层次，简化管理复杂性。其中，感知层的主要功能是采集环境中的各种数据，如温度、湿度、光照、声音等，如温湿度传感器、光照传感器、声音传感器、加速度传感器等。边缘层的功能包括如温湿度传感器、光照传感器、声音传感器、加速度传感器等，进行简单的数据分析，如阈值判断、异常检测，根据预处理和分析结果，做出本地决策，如触发警报、控制设备，边缘层的设备例如边缘网关、边缘服务器、嵌入式计算设备。网络层的功能包括管理各设备间的网络通信，根据网络拓扑结构，进行数据包的路由和转发，以及保障网络通信的安全，防止数据泄露和攻击，设备类型包括路由器、交换机和网关等。核心层的功能包括进行复杂的数据处理和分析，如大数据分析、机器学习，执行高性能计算任务，如图像处理、视频分析以及提供大规模的数据存储和管理，设备类型可以包括高性能设备，如高性能服务器、超级计算机，云资源设备，如云计算平台、大数据平台。应用层的功能包括提供用户与物联网系统的交互接口，如Web界面、移动应用，处理业务逻辑，如订单管理、用户管理，将处理后的数据以图表、报表等形式展示给用户，设备类型包括前端设备，如Web服务器、移动应用服务器，用户终端：如智能手机、平板电脑、PC。

分层结构为超级物模型提供了逻辑组织方式，而各关键组件(硬件描述、软件功能等)在不同层次中具体化。例如：感知层强调传感器硬件描述，边缘层和核心层可能更多涉及软件功能和实时状态。

可以理解的是，超级物模型将物联网设备分为感知层、边缘层、网络层、核心层和应用层，每个层次的设备承担特定的职责，共同构建了一个高效、可靠的物联网系统。这种层次划分不仅有助于明确各设备的功能和特性，还便于系统的管理和优化，提高了系统的整体性能和用户体验。

步骤S20，基于预设分组指标及特性数据对预设物模型中的所有物联网设备进行分组，得到至少一个设备组。

需要说明的是，在优化前需要进行初步的数据分析和聚类，可以利用K-means或DBSCAN等聚类算法，将各层设备按照其特性和性能指标进行分组。聚类结果能够帮助识别性能瓶颈和过载设备，为优化过程提供依据。

预设分组指标是用于将设备分组的标准和依据。这些指标可以根据实际需求进行选择和调整，可以包括设备性能(CPU、内存、网络能力)、功能类型(传感器、边缘计算节点、核心服务器)和工作状态(负载、健康状况)。由于预设分组指标与S10中采集的特性数据存在对应关系，因此可以将特性数据作为预设分组指标评估的依据。分组方法可以采用多种技术和算法，确保分组的合理性和有效性。

常见的分组方法包括：基于规则的分组：根据预设的规则和条件进行分组；聚类算法：使用机器学习中的聚类算法（如K-means、DBSCAN）进行分组；图论方法：使用图论方法（如社区检测算法）进行分组。

在一种可行的实施方式中，步骤S20可以包括步骤S21~S26：

步骤S21，根据预设分组指标从各物联网设备的特性数据中提取与预设分组指标对应的第一特性数据，预设分组指标包含设备性能、功能类型和工作状态中至少一种类型的指标。

需要说明的是，根据实际需求选择合适的分组指标，选择设备性能、功能类型和工作状态中的至少一种类型的指标。其中，设备性能如CPU利用率、内存使用率、网络带宽使用量、功能类型如传感器、边缘计算节点、核心服务器，和工作状态如负载量。

从特性数据中提取与预设分组指标相关类型的数据为第一特性数据，第一特性数据用于后续的分组。可以将预设物模型中每一层次的物联网设备对应的第一特性数据输入预设聚类算法，得到每一层次的物联网设备的聚类结果，并根据聚类结果将每一层次的物联网设备分成至少一个设备组。

需要说明的是，聚类算法是将一组对象划分为多个簇的过程，使得同一簇内的对象相似度较高，而不同簇之间的对象相似度较低。常见的聚类算法包括：K-means，适用于大规模数据集，能够快速收敛；DBSCAN，适用于密度分布不均匀的数据集，能够发现任意形状的聚类；层次聚类，适用于较小的数据集，能够生成树状结构的聚类结果；谱聚类，适用于非线性数据，能够发现复杂的聚类结构。

以K-means算法为例，将各层标准化后的CPU利用率、内存使用率、网络带宽使用量、功能类型和工作状态数据输入K-means算法，得到每个层次设备的聚类结果，聚类算法输出的结果通常是每个设备所属的簇标签。通过这些标签，可以将设备分组。

步骤S22，对归属于感知层的所有物联网设备的第一特性数据进行聚类处理，得到感知层聚类结果，依据感知层聚类结果将归属于感知层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

步骤S23，对归属于边缘层的所有物联网设备的第一特性数据进行聚类处理，得到边缘层聚类结果，依据边缘层聚类结果将归属于边缘层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

步骤S24，对归属于网络层的所有物联网设备的第一特性数据进行聚类处理，得到网络层聚类结果，依据网络层聚类结果将归属于网络层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

步骤S25，对归属于核心层的所有物联网设备的第一特性数据进行聚类处理，得到核心层聚类结果，依据核心层聚类结果将归属于核心层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

步骤S26，对归属于应用层的所有物联网设备的第一特性数据进行聚类处理，得到应用层聚类结果，依据应用层聚类结果将归属于应用层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

需要说明的是，聚类结果通常是一个标签列表，每个标签表示该设备所属的簇（即设备组）。从聚类算法输出的标签列表中获取每个设备所属的簇标签，从聚类算法输出的标签列表中获取每个设备所属的簇标签，为每个簇创建一个空的设备组，根据设备ID与簇标签的映射关系，将设备分配到相应的设备组。

示例性的，假设我们选择K-means算法进行聚类，并将感知层的设备分为3个组，首先，需要获取感知层各设备的第一特性数据，包括CPU利用率、内存使用率、网络带宽使用量、功能类型、工作状态。将标准化后的CPU利用率、内存使用率、网络带宽使用量、功能类型和工作状态数据输入K-means算法，设置聚类数为3。得到的聚类结果可以为：组1：包含CPU利用率较低、内存使用率适中、网络带宽使用量较低、功能类型为数据采集、工作状态为在线的设备；组2：包含CPU利用率较高、内存使用率较高、网络带宽使用量较高、功能类型为数据处理、工作状态为在线的设备；组3：包含CPU利用率适中、内存使用率较低、网络带宽使用量适中、功能类型为网络管理、工作状态为离线的设备。

本实施方式基于预设分组指标及特性数据对预设物模型中的所有物联网设备进行分组，得到每一层次的设备组，能够对各设备进行细分，提高资源管理的效率。

步骤S30，将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案。

需要说明的是，资源配置优化模型是用于优化资源分配的数学模型或算法，旨在根据设备的特性数据和系统的需求，生成最优的资源分配方案。常见的资源配置优化模型包括线性规划，适用于资源分配问题，目标函数和约束条件均为线性。优化模型输出的结果通常是每个设备组的资源分配方案，包括每个设备的资源分配量和分配策略，其中，资源分配量包括每个设备分配到的资源量，如CPU使用量、内存使用量、网络带宽等，分配策略包括资源分配的具体策略，如负载均衡、优先级分配等。

可以理解的是，设备按照特性分组后，优化模型无需处理所有设备的单独优化问题，可以将每个组作为一个整体被纳入优化计算，从而将原始问题的规模从设备级别降低到组级别。例如，原始问题中需要优化1000台设备，分组后只需优化10个设备组，显著减少计算复杂度。通过对资源分配进行优化，能够提高资源利用率，负载优化能够实现负载均衡，避免某些设备过载，同时对某些性能进行提升，提高系统整体性能，减少响应时间。

在一种可行的实施方式中，步骤S30可以包括步骤S31~S33：

步骤S31，获取预设资源配置优化模型的目标资源函数，确定目标资源函数的约束条件，其中，目标资源函数为计算总资源消耗量的函数。

需要说明的是，目标资源函数是用来计算总资源消耗量的数学表达式。它的目的是最小化整个系统中的资源消耗，从而提高资源利用效率和系统性能。常见的目标资源函数形式包括线性目标函数和非线性目标函数。线性目标函数是最常用的形式，适用于资源消耗量与资源分配量呈线性关系的情况。约束条件是确保优化结果可行的条件。常见的约束条件包括资源上限、资源下限、负载均衡、任务依赖等。

在一种可行的实施方式中，预设资源配置优化模型的目标资源函数为：

，

其中，C为总资源消耗量，Minimize表示将总资源消耗量最小化，为第i层物联网设备所有资源类型的能耗，为第i层物联网设备的数据传输延迟，为第i层物联网设备的设备负载，、和为权重系数。

需要说明的是，优化函数的目标是最小化总资源消耗量C，该总资源消耗量由三个主要因素组成：能耗、数据传输延迟和设备负载。每个因素都有一个对应的权重系数、和，这些权重系数反映了不同因素在总资源消耗量中的相对重要性。

其中，物联网设备存在多种资源类型的资源，例如网络带宽、计算资源（CPU、内存）、存储资源等，这些资源会直接影响物联网设备的能耗，因此能耗是所需的资源类型的能耗的总和。

约束条件包括：

对于每种资源类型，所有物联网设备各资源类型的总资源使用量不超过资源类型的预设资源最大可用量；

每个物联网设备的设备负载不超过物联网设备的预设最大允许负载；

每个物联网设备的任务完成时间在预设截止时间之前。

需要说明的是，本实施例中一共存在资源限制、负载限制和任务完成时间限制三条约束，资源限制以公式的方式可以表示为：

，

该约束的含义表示对于每种资源类型，所有设备i在该资源上的总资源使用量不得超过该资源的预设资源最大可用量。例如，如果某种资源是网络带宽，那么所有设备在网络带宽上的总资源使用量不能超过网络的最大带宽容量。

负载限制以公式的方式可以表示为：

，

该约束的含义表示每个设备i的负载不得超过其最大允许负载。例如，如果某个设备的最大允许负载是80%，那么它的实际负载不能超过80%.

任务完成时间限制以公式的方式可以表示为：

，

该约束的含义表示每个任务k的完成时间必须在其截止时间之前，例如，如果某个任务的截止时间是10分钟，那么该任务必须在10分钟内完成。

步骤S32，将各设备组的特性数据输入目标资源函数进行优化，并根据约束条件对目标资源函数的优化结果进行限制，确定总资源消耗量最小的优化结果。

需要说明的是，本申请采用线性规划模型来优化资源配置。具体的，根据步骤S31中定义的目标资源函数，将特性数据输入目标资源函数进行优化，可以根据线性规划求解器（如Python的scipy.optimize.linprog）进行优化计算，根据优化计算的结果，确定每个设备的资源分配量，同时，需要检查优化结果是否满足所有的约束条件，确保结果的可行性。

具体的，可以使用遗传算法（GA）或粒子群优化算法（PSO）在高维空间中搜索资源分配的最优解。其中，GA通过选择、交叉和变异等操作生成新的资源分配方案，PSO通过模拟粒子群体的运动轨迹优化资源配置。

步骤S33，根据总资源消耗最小的优化结果生成每个设备组的各物联网设备的资源分配方案，其中，资源分配方案包括物联网设备的各种资源类型的资源配置方案、任务分配方案和负载调整方案。

需要说明的是，根据步骤S32中得到的总资源消耗最小的优化结果，生成每个设备组的各物联网设备的资源分配方案。这个方案应包括以下三个方面：资源配置方案，包括每个设备的资源分配量，如CPU使用量、内存使用量、网络带宽使用量等；任务分配方案包括每个任务在哪个设备上执行；负载调整方案，包括如何调整设备的负载，确保负载均衡。

本实施方式通过优化模型，可以根据实时的设备状态和系统需求动态调整资源分配方案，提高系统的灵活性和可扩展性，实现对物联网设备的资源优化配置。

在一种可行的实施方式中，步骤S33可以包括步骤S331~S335：

步骤S331，解析总资源消耗最小的优化结果，得到目标矩阵，其中，目标矩阵包含每个物联网设备的资源配置、任务分配和负载调整信息。

需要说明的是，优化结果通常是一个包含每个设备资源分配量、任务分配和负载调整信息的向量或矩阵。目标矩阵应包含每个物联网设备的资源配置、任务分配和负载调整信息，从优化结果中提取每个设备的资源配置、任务分配和负载调整信息，并将这些信息填入目标矩阵。目标矩阵可以通过创建一个二维数组或表格定义，其中，每行表示一个设备，每列表示一个属性（如CPU使用量、内存使用量、网络带宽使用量、任务列表、任务优先级和负载调整量）。

步骤S332，从目标矩阵中提取每个物联网设备在各个资源类型上的资源分配量。

步骤S333，从目标矩阵中提取每个物联网设备分配的任务列表及任务优先级。

步骤S334，从目标矩阵中提取每个物联网设备的负载调整量。

示例性的，目标矩阵如下表1所示：

表 1

在上述表1中，CPU使用量、内存使用量、网络带宽使用量三列表示三种资源类型上的资源分配量，任务列表以及任务优先级两列表示任务列表及任务优先级，负载调整量一列表示负载调整量。

步骤S335，根据各个资源类型上的资源分配量、任务列表及任务优先级和负载调整量生成每个物联网设备的资源分配方案。

需要说明的是，在前面的步骤中已经读取了各种数据，将同一设备ID的资源分配量、任务列表及任务优先级和负载调整量整合在一起，形成每个设备的资源分配方案。例如，D：CPU使用量：10，内存使用量：20，网络带宽使用量：50，任务列表：[T1]，任务优先级：[1]，负载调整量：0。

在实际的调节过程中，如果某层能耗过高，可以减少其任务分配或增加低能耗设备；如果延迟过高，可以优先选择更快的网络路径或邻近节点；如果负载过高，可以动态迁移部分任务到其他层。

本实施方式可以生成每个物联网设备的资源分配方案，从而实现资源的优化配置，提高资源利用效率，确保系统的高效运行和优化管理。

步骤S40，根据各设备组的资源分配方案对各设备组中的物联网设备进行资源管理。

需要说明的是，在步骤S335中已经生成了每个物联网设备的资源分配方案，首先，根据资源分配方案，设置每个设备的CPU使用量、内存使用量和网络带宽使用量，将配置应用到相应的设备上，确保设备按照指定的资源使用量运行。根据任务列表，将任务分配到相应的设备上，并根据任务优先级，确保高优先级任务优先执行。根据负载调整量，动态调整设备的负载，确保负载均衡，并实时监控设备的负载情况，确保调整后的负载符合预期。

可以理解的是，每个设备的资源使用量符合优化结果，能够减少资源浪费，提高资源利用效率，同时，通过动态调整负载，可以确保各个设备的负载均衡，避免某些设备过载，提高系统的响应速度和稳定性，而且能够适应变化的系统需求。

此外，在实际运行中，系统需要持续监控优化效果，并通过反馈机制实时调整优化模型参数，包括三种权重，确保资源配置在动态环境下始终处于最优状态。

本实施例通过采集预设物模型中各物联网设备的特性数据，其中，特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；基于预设分组指标及特性数据对预设物模型中的所有物联网设备进行分组，得到至少一个设备组；将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；根据各设备组的资源分配方案对各设备组中的物联网设备进行资源管理。本实施例基于物模型进行全面的数据采集、合理的设备分组、优化的资源分配和有效的资源管理，实现了对物联网设备的高效、自适应和稳定的资源管理，不仅提高了资源利用率，降低了能耗和运营成本，还增强了物联网系统的可靠性和灵活性。

基于本申请第一实施例，在本申请第二种实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，请参照图3，所述物联网设备资源管理方法还包括步骤A10~A40：

步骤A10，持续监控预设物模型中各层次物联网设备的实时状态数据。

需要说明的是，实时状态数据可以包括资源使用量，例如CPU使用量、内存使用量、网络带宽使用量等，环境参数，例如温度、湿度等，以及其他参数，例如电池电量、信号强度等。

步骤A20，基于时间序列将多个实时状态数据存储为状态数据序列。

需要说明的是，每个状态数据点包含设备的各种属性值，如CPU使用量、内存使用量、网络带宽使用量、温度、湿度等，每个状态数据点都应附带一个时间戳，表示该数据点的采集时间。可以为每个设备创建一个空的状态数据序列，将每个采集到的数据点按时间顺序添加到对应设备的状态数据序列中，保持了数据的连续性，便于后续进行趋势分析和异常检测。

步骤A30，将各物联网设备的状态数据序列输入预设预测模型进行预测，得到各物联网设备的未来状态数据。

需要说明的是，预设预测模型可以为ARIMA或LSTM。其中，ARIMA（自回归积分滑动平均模型）适用于线性时间序列数据，能够捕捉时间序列的趋势和季节性，而LSTM（长短期记忆网络）适用于非线性时间序列数据，能够捕捉长期依赖关系。

在预设预测模型的训练中，首先需要根据数据特点选择合适的预测模型，并使用历史数据训练预测模型。

将最新的状态数据作为输入，输入到训练好的模型中，模型可以直接输出预测的未来状态数据。

步骤A40，根据未来状态数据确定异常设备，并根据未来状态数据调整异常设备的任务列表、任务优先级和负载调整量。

需要说明的是，异常设备的确定需要设定异常检测规则，例如定义阈值，设定各种状态数据的正常范围，例如CPU使用量、内存使用量、网络带宽使用量等，然后根据未来状态数据，判断设备是否超出正常范围，如果超出则标记为异常设备。

异常设备的调整方式包括多种，例如移除一些低优先级任务，减轻异常设备的负担；将部分任务迁移到其他正常设备，分散负载；也可以降低异常设备上高优先级任务的优先级，确保其他设备能够优先处理这些任务；或者根据新的任务列表，重新分配任务的优先级；根据未来状态数据，减少异常设备的负载，确保其不会过载；根据实时数据，动态调整负载，确保负载均衡。

本实施例根据实时监控数据自动调整各层设备的配置和资源分配，确保系统在各种条件下的最佳性能，实现对物联网设备的智能管理和优化。

需要说明的是，上述示例仅用于理解本申请，并不构成对本申请物联网设备资源管理方法的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。

本申请还提供一种物联网设备资源管理装置，请参照图4，所述物联网设备资源管理装置包括：

采集模块10，用于采集预设物模型中各物联网设备的特性数据，其中，所述特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；

分组模块20，用于基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组；

优化模块30，用于将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；

管理模块40，用于根据各所述设备组的资源分配方案对各所述设备组中的物联网设备进行资源管理。

本申请提供的物联网设备资源管理装置，采用上述实施例中的物联网设备资源管理方法，能够解决如何提高复杂环境下物联网设备的运行效果的技术问题。与现有技术相比，本申请提供的物联网设备资源管理装置的有益效果与上述实施例提供的物联网设备资源管理方法的有益效果相同，且所述物联网设备资源管理装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

本申请提供一种物联网设备资源管理设备，物联网设备资源管理设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的物联网设备资源管理方法。

下面参考图5，其示出了适于用来实现本申请实施例的物联网设备资源管理设备的结构示意图。本申请实施例中的物联网设备资源管理设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（Personal Digital Assistant：个人数字助理）、PAD（Portable Application Description：平板电脑）、PMP（Portable Media Player：便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的物联网设备资源管理设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，物联网设备资源管理设备可以包括处理装置1001（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM：Read Only Memory）1002中的程序或者从存储装置1003加载到随机访问存储器（RAM：Random Access Memory）1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有物联网设备资源管理设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出（I/O）接口1006也连接至总线。通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器（LCD：Liquid Crystal Display）、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许物联网设备资源管理设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的物联网设备资源管理设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。

本申请提供的物联网设备资源管理设备，采用上述实施例中的物联网设备资源管理方法，能解决如何提高复杂环境下物联网设备的运行效果的技术问题。与现有技术相比，本申请提供的物联网设备资源管理设备的有益效果与上述实施例提供的物联网设备资源管理方法的有益效果相同，且该物联网设备资源管理设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令（即计算机程序），计算机可读程序指令用于执行上述实施例中的物联网设备资源管理方法。

本申请提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM：Random Access Memory）、只读存储器（ROM：Read Only Memory）、可擦式可编程只读存储器（EPROM：Erasable Programmable Read Only Memory或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM：CD-Read Only Memory）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（RadioFrequency：射频）等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是物联网设备资源管理设备中所包含的；也可以是单独存在，而未装配入物联网设备资源管理设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被物联网设备资源管理设备执行时，使得物联网设备资源管理设备：采集预设物模型中各物联网设备的特性数据，其中，特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；基于预设分组指标及特性数据对预设物模型中的所有物联网设备进行分组，得到至少一个设备组；将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；根据各设备组的资源分配方案对各设备组中的物联网设备进行资源管理。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN：Local Area Network）或广域网（WAN：Wide Area Network）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本申请提供的可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述物联网设备资源管理方法的计算机可读程序指令（即计算机程序），能够解决如何提高复杂环境下物联网设备的运行效果的技术问题。与现有技术相比，本申请提供的计算机可读存储介质的有益效果与上述实施例提供的物联网设备资源管理方法的有益效果相同，在此不做赘述。

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的物联网设备资源管理方法的步骤。

本申请提供的计算机程序产品能够解决如何提高复杂环境下物联网设备的运行效果的技术问题。与现有技术相比，本申请提供的计算机程序产品的有益效果与上述实施例提供的物联网设备资源管理方法的有益效果相同，在此不做赘述。

以上所述仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (10)

1.一种物联网设备资源管理方法，其特征在于，所述物联网设备资源管理方法包括：

采集预设物模型中各物联网设备的特性数据，其中，所述特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；

基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组；

将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；

根据各所述设备组的资源分配方案对各所述设备组中的物联网设备进行资源管理。

2.如权利要求1所述的物联网设备资源管理方法，其特征在于，所述采集预设物模型中各物联网设备的特性数据的步骤之前，包括：

依据预设物模型中各物联网设备的功能特性，对各所述物联网设备进行分层处理，其中，所述功能特性为各所述物联网设备在预设物模型中承担的职责或功能；

将各所述物联网设备中用于进行数据采集的传感器设备分配至预设的感知层；

将各所述物联网设备中用于执行数据预处理和初步分析的边缘计算节点设备分配至预设的边缘层；

将各所述物联网设备中用于管理各设备间网络通信的设备分配至预设的网络层；

将各所述物联网设备中用于进行高级数据处理和复杂计算的高性能设备或云资源设备分配至预设的核心层；

将各所述物联网设备中用于提供用户服务接口的设备分配至预设的应用层。

3.如权利要求2所述的物联网设备资源管理方法，其特征在于，所述基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组的步骤，包括：

根据预设分组指标从各所述物联网设备的特性数据中提取与所述预设分组指标对应的第一特性数据，所述预设分组指标包含设备性能、功能类型和工作状态中至少一种类型的指标；

对归属于所述感知层的所有物联网设备的第一特性数据进行聚类处理，得到感知层聚类结果，依据所述感知层聚类结果将归属于所述感知层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述边缘层的所有物联网设备的第一特性数据进行聚类处理，得到边缘层聚类结果，依据所述边缘层聚类结果将归属于所述边缘层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述网络层的所有物联网设备的第一特性数据进行聚类处理，得到网络层聚类结果，依据所述网络层聚类结果将归属于所述网络层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述核心层的所有物联网设备的第一特性数据进行聚类处理，得到核心层聚类结果，依据所述核心层聚类结果将归属于所述核心层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组；

对归属于所述应用层的所有物联网设备的第一特性数据进行聚类处理，得到应用层聚类结果，依据所述应用层聚类结果将归属于所述应用层的所有物联网设备中，簇标签相同的物联网设备分成一个设备组。

4.如权利要求1所述的物联网设备资源管理方法，其特征在于，所述将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案的步骤，包括：

获取预设资源配置优化模型的目标资源函数，确定所述目标资源函数的约束条件，其中，所述目标资源函数为计算总资源消耗量的函数；

将各所述设备组的特性数据输入所述目标资源函数进行优化，并根据所述约束条件对所述目标资源函数的优化结果进行限制，确定总资源消耗量最小的优化结果；

根据所述总资源消耗最小的优化结果生成每个所述设备组的各物联网设备的资源分配方案，其中，所述资源分配方案包括所述物联网设备的各种资源类型的资源配置方案、任务分配方案和负载调整方案。

5.如权利要求4所述的物联网设备资源管理方法，其特征在于，所述约束条件包括：

对于每种资源类型，所有物联网设备各所述资源类型的总资源使用量不超过所述资源类型的预设资源最大可用量；

每个所述物联网设备的设备负载不超过所述物联网设备的预设最大允许负载；

每个所述物联网设备的任务完成时间在所述预设截止时间之前。

6.如权利要求5所述的物联网设备资源管理方法，其特征在于，所述根据所述总资源消耗最小的优化结果生成每个所述设备组的各物联网设备的资源分配方案的步骤，包括：

解析所述总资源消耗最小的优化结果，得到目标矩阵，其中，所述目标矩阵包含每个物联网设备的资源配置、任务分配和负载调整信息；

从所述目标矩阵中提取每个物联网设备在各个资源类型上的资源分配量；

从所述目标矩阵中提取每个物联网设备分配的任务列表及任务优先级；

从所述目标矩阵中提取每个物联网设备的负载调整量；

根据所述各个资源类型上的资源分配量、所述任务列表及任务优先级和所述负载调整量生成每个物联网设备的资源分配方案。

7.如权利要求1-6任一所述的物联网设备资源管理方法，其特征在于，所述物联网设备资源管理方法还包括：

持续监控所述预设物模型中各层次物联网设备的实时状态数据；

基于时间序列将多个所述实时状态数据存储为状态数据序列；

将各所述物联网设备的所述状态数据序列输入预设预测模型进行预测，得到各所述物联网设备的未来状态数据；

根据所述未来状态数据确定异常设备，并根据所述未来状态数据调整所述异常设备的任务列表、任务优先级和负载调整量。

8.一种物联网设备资源管理装置，其特征在于，所述物联网设备资源管理装置包括：

采集模块，用于采集预设物模型中各物联网设备的特性数据，其中，所述特性数据包括硬件描述数据、软件功能数据、网络状态数据、环境参数数据和实时状态数据；

分组模块，用于基于预设分组指标及所述特性数据对所述预设物模型中的所有物联网设备进行分组，得到至少一个设备组；

优化模块，用于将各设备组的特性数据输入预设资源配置优化模型，得到输出的各设备组的资源分配方案；

管理模块，用于根据各所述设备组的资源分配方案对各所述设备组中的物联网设备进行资源管理。

9.一种物联网设备资源管理设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至7中任一项所述的物联网设备资源管理方法的步骤。

10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的物联网设备资源管理方法的步骤。