[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117014389A - 算网资源配置方法及系统、电子设备、存储介质 - Google Patents

算网资源配置方法及系统、电子设备、存储介质 Download PDF

Info

Publication number
CN117014389A
CN117014389A CN202310987923.XA CN202310987923A CN117014389A CN 117014389 A CN117014389 A CN 117014389A CN 202310987923 A CN202310987923 A CN 202310987923A CN 117014389 A CN117014389 A CN 117014389A
Authority
CN
China
Prior art keywords
task
task scheduling
scheduling
data
resource pool
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
CN202310987923.XA
Other languages
English (en)
Inventor
徐丹
邓桓
曹亚平
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.)
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Original Assignee
China Telecom Technology Innovation Center
China Telecom Corp 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 China Telecom Technology Innovation Center, China Telecom Corp Ltd filed Critical China Telecom Technology Innovation Center
Priority to CN202310987923.XA priority Critical patent/CN117014389A/zh
Publication of CN117014389A publication Critical patent/CN117014389A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/78—Architectures of resource allocation
    • H04L47/783—Distributed allocation of resources, e.g. bandwidth brokers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开涉及云网融合技术领域，具体涉及一种算网资源配置及系统、电子设备、存储介质；所述方法包括：接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度和到目标云资源池的网络带宽调度信息；将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。本方案能够实现对网络和算力资源的统一调度，提升任务处理的运行性能。

Description

算网资源配置方法及系统、电子设备、存储介质
技术领域
本公开涉及云网融合技术领域，具体涉及一种算网资源配置方法、一种算网资源配置系统、一种电子设备，以及一种存储介质。
背景技术
在现有的互联网技术、云技术的快速发展，各种应用、业务的相关数据量不断增加，对算力的需求、对计算性能的要求逐渐提升，导致计算成本会随之增加。因此，跨云环境会成为越来越多云服务使用者的必然选择。由于跨云环境较为复杂，如何实现跨云资源的高效利用，如何合理的调度用户任务并将其分配到最佳的跨云资源上执行，以及如何进行云网资源的统一调度分配一直是跨云环境中需要解决的难题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种算网资源配置方法、一种算网资源配置系统、一种电子设备，以及一种存储介质；能够实现对网络资源的统一调度，提升任务处理的运行性能。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种算网资源配置方法，所述方法包括：
接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；
将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度信息和到目标云资源池的网络带宽调度信息；
将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。
在本公开的一种示例性实施例中，在获取所述任务调度请求对应的任务调度策略后，所述方法还包括：
获取所述任务调度策略对应的目标云资源池的当前运行状态信息；
将所述当前运行状态信息与所述目标云资源池调度信息进行比对以进行任务调度策略的可行性验证，以用于在任务调度策略通过可行性验证后分配至对应的目标云资源池。
在本公开的一种示例性实施例中，所述任务属性数据包括：所述任务属性数据包括：任务基本信息、任务效果目标数据；
所述对所述任务调度请求进行解析以获取任务属性数据，包括：
对所述任务调度请求进行解析，提取所述任务调度请求对应的任务基本信息；以及
获取所述任务调度请求对应的服务等级协议，并基于所述服务等级协议确定所述任务效果目标数据。
在本公开的一种示例性实施例中，所述任务基本信息包括：任务请求类型、任务数据容量；
所述任务效果目标数据包括：任务耗时目标、任务能耗目标、任务成本目标中的任意一项或任意多项。
在本公开的一种示例性实施例中，所述任务属性数据中的任务请求类型包括：任务类型信息、任务时延类型；
所述方法还包括：
根据所述任务时延类型配置目标资源类型，并目标资源类型标记所述任务属性数据。
在本公开的一种示例性实施例中，所述方法还包括：预先训练基于深度神经网络的任务调度模型，包括：
采集历史任务调度数据构建训练数据集；其中，所述历史任务调度数据包括：历史任务属性数据、历史任务调度策略、历史任务调度效果数据；所述历史任务属性数据包括历史任务基本信息、历史任务效果目标数据；
将所述训练数据集中历史任务属性数据、历史任务调度策略配置为模型输入参数，对深度神经网络模型进行训练，获取模型输出的当前任务效果数据；根据该任务效果目标数据与对应的所述历史任务调度效果数据确定损失函数；基于所述损失函数对神经网络模型进行训练，以获取所述任务调度模型。
在本公开的一种示例性实施例中，所述任务调度策略包括：
云资源池类型、调度的目标云资源池，以及到目标云资源池的带宽调度信息、目标云资源池计算资源调度信息、目标云资源池存储资源调度信息。
据本公开的第二方面，提供一种算网资源配置系统，包括：
任务接收及解析模块，用于接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；
调度决策模块，用于将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池调度信息；
调度策略执行模块，用于将所述任务调度策略分配至对应的目标云资源池，以用于目标云资源池执行所述任务调度请求对应的数据处理任务。
据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来如上述实施例中任一项所述的资源配置方法。
据本公开的第四方面，提供一种存储介质，其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述实施例中任一项所述的算网资源配置方法。
本公开的一种实施例所提供的算网资源配置方法中，通过对接收的任务调度请求进行解析可以获取对应的任务属性数据，从而可以利用任务调度模型基于任务属性数据进行运算，确定针对云资源池的任务调度策略，进而可以令对应的目标云资源池执行任务调度请求对应的数据处理任务；从而可以实现对云资源池的统一调度，提升任务处理的运行性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种算网资源配置方法的示意图；
图2示意性示出本公开示例性实施例中一种任务调度模型的训练方法的示意图；
图3示意性示出本公开示例性实施例中一种基于深度神经网络的任务调度模型的模型架构的示意图；
图4示意性示出本公开示例性实施例中一种算网资源配置系统的示意图；
图5示意性示出本公开示例性实施例中一种电子设备的示意图；
图6示意性示出本公开示例性实施例中一种存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在相关的现有技术中，由于跨云环境较为复杂，如何实现跨云资源的高效利用，如何合理的调度用户任务并将其分配到最佳的跨云资源上执行，以及如何进行云网资源的统一调度分配一直是跨云环境中需要解决的难题。
本示例实施方式中，为了解决现有技术中存在的技术缺陷，首先提供了一种算网资源配置方法。参考图1所示，具体可以包括：
步骤S11，接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；
步骤S12，将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度信息和到目标云资源池的网络带宽调度信息；
步骤S13，将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。
本示例实施方式所提供的资源配置方法中，通过预先训练任务调度模型，从而可以在接收任务调度请求后进行解析，可以获取对应的任务属性数据，从而可以利用已训练的任务调度模型对任务属性数据进行运算而确定具体的任务调度策略，进而可以令对应的目标云资源池执行任务调度请求对应的数据处理任务；从而可以实现对云资源池的统一调度，提升任务处理的运行性能。
下面，将结合附图及实施例对本示例实施方式中的资源配置方法的各个步骤进行更详细的说明。
本示例实施方式中，上述的资源配置方法可以应用于对云资源池的调度、资源分配。其中，云资源池可以是指云计算环境中服务器、存储空间、数据库资源的集合；可以是虚拟环境。云环境可以包括公有云和私有云。
所述的资源配置方法可以包括：预先训练基于深度神经网络的任务调度模型；具体的，参考图2所示，可以包括：
步骤S21，采集历史任务调度数据构建训练数据集；其中，所述历史任务调度数据包括：历史任务属性数据、历史任务调度策略；所述历史任务属性数据包括历史任务基本信息、历史任务效果目标数据、、历史任务调度效果数据；
步骤S22，将所述训练数据集中历史任务属性数据、历史任务调度策略配置为模型输入参数，对深度神经网络模型进行训练，获取模型输出的当前任务效果数据；根据该当前任务效果数据与对应的所述历史任务调度效果数据确定损失函数；基于所述损失函数对神经网络模型进行训练，以获取所述任务调度模型。
具体而言，预先训练的任务调度模型可以是基于深度神经网络DNN(Deep-Learning Neural Network)的任务调度模型。具体的，可以预先采集一定数量的任务调度的相关历史数据，来构建数据集作为样本数据。
其中，历史任务调度数据可以包括历史任务在云资源池调度过程中涉及的相关参数，用于描述历史任务的各数据之间的关联性。具体的，历史任务调度数据可以包括：历史任务属性数据、历史任务调度策略。
具体的，所述历史任务属性数据可以用于表述调度任务的基本特征，可以包括历史任务基本信息、历史任务效果目标数据。其中，历史任务的任务基本信息包括：任务请求类型；和任务数据容量，即任务数据大小。
其中，任务请求类型可以包括：任务类型信息、任务时延类型。其中，任务类型信息可以用于描述当前任务的应用场景、数据计算结果的用途；例如，任务类型信息可以是云游戏渲染任务、视频云存储，应用数据云间迁移、超算任务、大规模数据计算任务，或者是自动驾驶/辅助驾驶场景的数据计算、气象数据计算等等。同时，根据任务应用场景对数据计算时延的要求，任务时延类型可以划分为时延敏感型任务、非时延敏感型任务。对于不同的时延需求，可以预先配置对应的云资源池类型。具体的，对于时延敏感型任务，可以配置对应的被调度的云资源池为边缘云；例如，面对导航、辅助驾驶等应用场景的任务。对于非时延敏感型任务，考虑传输和计算成本等因素，可以配置对应的被调度的云资源池为中心云。
其中，历史任务调度效果数据可以用于描述该任务完成时实现的效果，至少可以包括：任务耗时(即任务总完成时间)，任务处理能耗和任务成本，等历史数据；其中任务成本可以是资金成本，例如云资源池的调用资金成本。
其中，历史任务调度策略可以用于描述对云资源池的具体调度方式，至少可以包括：被调度的目标云资源池与服务请求端之间的传输带宽，以及各目标云资源池被调度分配的计算资源、存储资源；其中，计算资源可以是分配的CPU内核数量，或者算力；存储资源可以是分配的存储空间的大小。例如，在历史任务为云游戏渲染服务时，上述的传输带宽可以是云游戏服务器与被调用的云资源池之间的带宽。
此外，还可以采集各云资源池当时的资源状态，例如各传输路径的可用带宽，各云资源池的可用计算资源和存储资源，作为资源池的状态参数，对历史数据添加标记。
对于采集的历史数据，可以建立历史任务属性数据、历史任务调度策略之间的关联关系。
在任务调度模型训练时，由于任务的完成时间、任务所消耗的能量和成本，均与任务输入数据的大小、传输路径选择，以及分配的资源有关；通过挖掘调度任务请求、任务被分配的资源和任务调度效果指标之间的关系来建立模型。具体的，可以配置模型的输入为任务的输入数据大小R，与被调度的云资源池j之间的带宽分配B，云资源池j被调度分配的计算资源C和存储资源D；对应的，模型输出为任务调度效果相关指标，如任务的完成时间T、能耗E和成本O中的至少一类指标数据。
对于深度神经网络模型DNN而言，是一种多层无监督神经网络，能够将上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。深度神经网络具有多个非线性映射的特征变换，可以对高度复杂的函数进行拟合。
参考图3所示，在深度神经网络模型训练时，可以将上述配置的输入数据作为模型的输入，即将任务输入数据小R、传输带宽B、分配的计算资源C、分配的存储资源D作为模型的输入，利用模型的输入层对输入数据进行数据特征提取，利用模型的隐含层对数据特征进行逐层映射，实现网络权值计算，从而在模型输出层输出的针对当前输入数据对应的当前任务效果数据，即任务完成时间T、任务处理能耗E、任务处理成本O。对于当前输出的指标数据，可以与输入数据关联的历史任务调度效果数据进行比对，以确定损失函数，从而可以利用损失函数来训练深度神经网络模型，从而得到已训练的任务调度模型。其中，损失函数可以是交叉熵损失函数。其中，上述的深度神经网络模型采用现有的模型结构和损失函数即可，本公开对深度神经网络模型不做特殊限定。通过利用历史数据训练任务调度模型，可以使模型在训练过程中学习到任务类型、任务时延需求，与被分配的云资源池的类型，具体选择的云资源池以及被分配的计算资源、存储资源之间的关联关系，从而可以在后期使用过程中根据任务属性来配置对应的资源调度策略。
在步骤S11中，接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；
本示例实施方式中，可以提供一任务调度系统，该任务调度系统可以布置在服务器端。用户可以通过终端设备向任务调度系统提交任务调度请求。任务调度请求可以用于请求对云资源池的资源分配，用于利用分配的云资源池处理当前的任务调度请求的数据处理任务。
本示例实施方式中，在步骤S11中，对所述任务调度请求进行解析以获取任务属性数据，具体可以包括：
步骤S111，对所述任务调度请求进行解析，提取所述任务调度请求对应的任务基本信息；以及
步骤S112，获取所述任务调度请求对应的服务等级协议，并基于所述服务等级协议确定所述任务效果目标数据。
具体而言，任务属性数据包括：任务基本信息、任务效果目标数据。对于用户在终端设备侧发起的任务调度请求，可以携带用户标识、任务标识，以及任务属性信息。其中，任务基本信息包括：任务请求类型、任务数据容量；所述任务效果目标数据包括：任务耗时目标、任务能耗目标、任务成本目标中的任意一项或任意多项。
对系统侧而言，对于接收的任务调度请求，可以对接收的任务调度请求i进行解析，根据任务请求类型分析其所需的数据大小Ri；以及分析服务等级协议SLA要求，获取对应的任务调度效果预期目标。其中，任务效果目标数据中的任务耗时数据可以是分析后确定的当前任务可接受的最大完成时间，任务能耗数据可以是可接受的最低能耗参数，任务成本数据可以是分析后获取的最低成本参数。
本示例实施方式中，所述任务属性数据中的任务请求类型包括：任务类型信息、任务时延类型。
所述方法还包括：根据所述任务时延类型配置目标资源类型，并目标资源类型标记所述任务属性数据。
具体而言，对于接收的任务调度请求，还可以携带任务时延类型信息，即当前任务为时延敏感类型或非时延敏感类型。若当前的任务调度请求包括时延敏感类型或非时延敏感类型的标识信息时，则可以标记目标资源池的类型为边缘云或中心云，从而可以使得任务调度模型在输出资源池调度信息时符合已标记的目标资源池的类型。
在步骤S12中，将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度信息和到目标云资源池的网络带宽调度信息。
本示例实施方式中，对于分析后获取的任务属性数据，可以作为模型的输入数据，输入已训练的任务调度模型，利用任务调度模型进行评估，输出对应的任务调度策略。任务调度请求解析得到的任务效果目标作为任务调度模型输出的对应值，从而可以获取任务调度请求所对应的任务调度策略。
其中，任务调度策略为针对云资源池的调度策略，可以包括：目标云资源池算力调度信息和到目标云资源池的网络带宽调度信息；其中，目标云资源池算法调度信息可以是基于当前任务调度请求的任务内容、任务类型选定的目标云资源池，以及目标云资源池被调度的计算资源和存储资源的具体分配；网络带宽调度信息可以是发起任务调度请求的终端或服务器与目标云资源池之间的传输带宽。例如，若当前的任务调度请求对应为云游戏渲染任务时，可以计算云游戏服务器与目标云资源池之间的传输带宽分配；若当前的任务调度请求对应为自动驾驶/辅助驾驶场景的数据计算任务时，可以计算车机终端与目标云资源池之间的传输带宽分配。
本示例实施方式中，在获取所述任务调度请求对应的任务调度策略后，所述方法还包括：
步骤S31，获取所述任务调度策略对应的目标云资源池的当前运行状态信息；
步骤S32，将所述当前运行状态信息与所述目标云资源池调度信息进行比对以进行任务调度策略的可行性验证，以用于在任务调度策略通过可行性验证后分配至对应的目标云资源池。
具体而言，在处理任务调度请求时，还可以获取云资源池当前的运行状态，即各云资源池当前的存储资源状态、计算资源状态，例如当前的存储资源、计算资源的空闲资源、资源总量的信息。在获取模型输出的目标云资源池的调度信息后，可以将调度信息中目标云资源池的传输带宽、被调度的计算资源和存储资源，与目标资源池的当前资源状态进行比对，判断当前对目标资源池的资源调度的具体参数是否与当前的资源状态是否冲突；例如，可以计算目标资源池当前调度的计算资源、存储资源是否超出目标资源池当前可用的计算资源、存储资源，若未超出，则可以判定当前的任务调度策略通过可行性验证。或者，若计算当前调度的计算资源和/或存储资源超出目标资源池当前的可用资源，则可以判定当前的任务调度策略未通过可行性验证。
在步骤S13中，将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。
本示例实施方式中，在确定当前的任务调度策略通过可行性验证后，便可以首先将任务调度策略分配至目标云资源池对应的目标算网资源控制节点，再由算网资源控制节点根据任务调度策略确定选定的目标云资源池，以及目标云资源池的具体调度参数推送至对应的目标云资源池，从而使得目标云资源池根据当前调度的计算资源、存储资源处理任务调度请求对应的数据运算任务。其中，算网资源控制节点可以与任务调度系统通讯连接，接收任务调度系统下发的指令信息；并与对应管理的云资源池连接，用于向云资源池分发具体的调度指令。
在一些示例性实施方式中，还可以采集基于任务调度策略的任务执行结果的反馈信息，利用反馈信息对任务调度模型进行优化。其中，反馈信息可以包括选择的目标云资源池，以及云资源池的计算资源、存储资源、带宽的调度情况；以及任务的实际完成时间、实际能耗、实际成本等参数。
在一些示例性实施方式中，对于时延敏感任务和非时延敏感任务，可以分别训练对应的任务调度模型。在确定当前任务调度请求对应的时延要求类型后，可以调用对应类型的任务调度模型来计算具体的资源池调度策略。
在一些示例性实施方式中，对于时延敏感任务，可以采用基于云边协同的调度策略。具体的，可以采集多个历史任务请求类型和输入数据大小，与被调度的目标云资源池之间的传输带宽，被调度分配的计算资源、存储资源，任务调度效果数据如任务总完成时间，任务处理能耗和成本等历史数据，以及当前的资源现状如各传输路径的可用带宽，各云资源池的可用计算和存储资源；作为训练样本数据。利用训练样本数据，可以训练基于DNN的任务调度模型，模型的输入为任务的输入数据大小R，与被调度的云资源池j之间的带宽分配B，云资源池j被调度分配的计算资源C和存储资源D，输出为任务调度效果相关指标如任务的完成时间T、能耗E和成本O中的至少一类指标数据。从而实现对调度任务请求、任务被分配的资源和任务调度效果指标之间的关系挖掘，继而建立AI模型。在接收到当前的任务调度请求时，可以对接收任务请求i进行解析，根据任务请求类型分析其所需的数据大小Ri，以及分析SLA要求对应的时延要求Ti。根据训练得到的任务调度模型,分析任务完成时间Ti作为输出以及对应的任务输入数据Ri，所要调度的云资源池，以及相应的计算和存储资源分配，由于为时延敏感的任务，则所要调度云资源池为边缘云j，且与j之间的传输带宽Bij，被调度分配的计算资源Cij和存储资源分配Dij，不超过监控的边缘云j可用带宽、计算、存储资源，则将资源分配Bij，Cij和Dij作为最优任务调度决策发送给边缘云j。另外，还可以根据任务调度决策对应的任务调度执行结果反馈，不断优化任务调度模型。
在一些示例性实施方式中，可以配置非时延敏感任务的多云协同调度的基本策略。在模型训练时，可以配置其输入为任务的输入数据大小R，与被调度的云资源池j之间的带宽分配B，云资源池j被调度分配的计算资源C和存储资源D，输出为任务调度效果相关指标如任务的完成时间T、能耗E和成本O中的至少一类指标数据。在接收到任务调度请求后，可以对接收的任务调度请求m进行解析，根据其非时延敏感的任务请求类型分析其所需的数据大小Rm，以及分析SLA要求对应的成本Om、能耗Em等要求。将其做为输入数据输入已训练的任务调度模型，分析任务处理成本Om、能耗Em作为输出以及对应的任务输入数据Rm，所要调度的云资源池，以及相应的计算和存储资源分配，由于为非时延敏感的任务，考虑传输和计算成本等因素，则所要调度云资源池为成本较低的中心云c，且与c之间的传输带宽Bmc，被调度分配的计算资源Cmc和存储资源分配Dmc，不超过监控的中心云c可用带宽、计算、存储资源，则将资源分配Bmc，Cmc和Dmc作为最优任务调度决策发送给中心云c。另外此处中心c不仅代指某一个云资源池，也代指多于一个的云资源池集合，例如超大规模计算和批量存储等任务，则输出多云资源调度决策。另外，可以根据任务调度决策对应的任务调度执行结果反馈，不断优化任务调度模型。
本公开实施例所提供的资源配置方法，可以用于广域跨云任务调度的应用场景；通过采集任务调度相关的历史数据，预先训练任务调度模型；对于当前的任务调度请求，可以对其进行解析来确定对应的数据大小、任务类型，根据任务SLA要求分析任务调度效果，作为模型的输入数据，实现在资源调度过程的对云资源池资源布局和应用SLA要求的全局考虑。利用任务调度模型对当前的任务调度请求进行处理，得到对应的云资源池调度策略，实现基于AI的智能跨云任务调度方案，实现对计算资源、存储资源的统一调度，有效提升任务处理的运行性能。并且，本方案提出的基于AI的智能跨云任务调度方案，支持任务调度模型训练且可以根据调度执行反馈及时更新和优化模型；能对系统资源实时监控，可以实时捕捉真实环境变化，本方案拥有很好的可适应性和应用效果，实现广域跨云的计算、存储、网络的一体化服务的最优调度。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图4所示，本示例的实施方式中还提供一种资源配置系统40，所述系统40包括：任务接收及解析模块41、调度决策模块42、调度策略执行模块43；其中，
所述任务接收及解析模块41可以用于接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据。
所述调度决策模块42可以用于将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度信息和到目标云资源池的网络带宽调度信息。
所述调度策略执行模块43可以用于将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。
在一些示例性实施方式中，所述系统还包括：验证处理模块。
所述验证处理模块可以用于在获取所述任务调度请求对应的任务调度策略后，获取所述任务调度策略对应的目标云资源池的当前运行状态信息；将所述当前运行状态信息与所述目标云资源池调度信息进行比对以进行任务调度策略的可行性验证，以用于在任务调度策略通过可行性验证后分配至对应的目标云资源池。
在一些示例性实施方式中，所述任务属性数据包括：所述任务属性数据包括：任务基本信息、任务效果目标数据。
所述任务接收及解析模块41可以用于对所述任务调度请求进行解析，提取所述任务调度请求对应的任务基本信息；以及获取所述任务调度请求对应的服务等级协议，并基于所述服务等级协议确定所述任务效果目标数据。
在一些示例性实施方式中，所述任务基本信息包括：任务请求类型、任务数据容量；
所述任务效果目标数据包括：任务耗时目标、任务能耗目标、任务成本目标中的任意一项或任意多项。
在一些示例性实施方式中，所述任务属性数据中的任务请求类型包括：任务类型信息、任务时延类型。所述系统还包括：时延类型配置模块。
所述时延类型配置模块可以用于根据所述任务时延类型配置目标资源类型，并目标资源类型标记所述任务属性数据。
在一些示例性实施方式中，所述系统还包括：模型训练模块。
所述模型训练模块可以用于采集历史任务调度数据构建训练数据集；其中，所述历史任务调度数据包括：历史任务属性数据、历史任务调度策略；所述历史任务属性数据包括历史任务基本信息、历史任务调度效果数据；将所述训练数据集中历史任务属性数据、历史任务调度策略配置为模型输入参数，对深度神经网络模型进行训练，获取模型输出的当前任务效果数据；根据该当前任务效果数据与对应的所述历史任务调度效果数据确定损失函数；基于所述损失函数对神经网络模型进行训练，以获取所述任务调度模型。
在一些示例性实施方式中，所述任务调度策略包括：云资源池类型、调度的目标云资源池，以及目标云资源池带宽调度信息、目标云资源池计算资源调度信息、目标云资源池存储资源调度信息。
上述的资源配置系统中各模块的具体细节已经在对应的资源配置方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
进一步的，本示例的实施方式中提供一种能够实现上述方法的电子设备400。图5显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图1中所示的步骤。
存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。
存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机系统400也可以与一个或多个外部设备50(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机系统400交互的设备通信，和/或与使得该计算机系统400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，计算机系统400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与计算机系统400的其它模块通信。处理单元410通过总线430连接显示单元440应当明白，尽管图中未示出，可以结合计算机系统400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种算网资源配置方法，其特征在于，所述方法包括：
接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；
将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度信息和到目标云资源池的网络带宽调度信息；
将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。
2.根据权利要求1所述的算网资源配置方法，其特征在于，在获取所述任务调度请求对应的任务调度策略后，所述方法还包括：
获取所述任务调度策略对应的目标云资源池的当前运行状态信息；
将所述当前运行状态信息与所述目标云资源池调度信息进行比对以进行任务调度策略的可行性验证，以用于在任务调度策略通过可行性验证后分配至对应的目标云资源池。
3.根据权利要求1所述的算网资源配置方法，其特征在于，所述任务属性数据包括：所述任务属性数据包括：任务基本信息、任务效果目标数据；
对所述任务调度请求进行解析以获取任务属性数据，包括：
对所述任务调度请求进行解析，提取所述任务调度请求对应的任务基本信息；以及
获取所述任务调度请求对应的服务等级协议，并基于所述服务等级协议确定所述任务效果目标数据。
4.根据权利要求3所述的算网资源配置方法，其特征在于，所述任务基本信息包括：任务请求类型、任务数据量；
所述任务效果目标数据包括：任务耗时目标、任务能耗目标、任务成本目标中的任意一项或任意多项。
5.根据权利要求1所述的算网资源配置方法，其特征在于，所述任务属性数据中的任务请求类型包括：任务类型信息、任务时延类型；
所述方法还包括：
根据所述任务时延类型配置目标资源类型，并目标资源类型标记所述任务属性数据。
6.根据权利要求1所述的算网资源配置方法，其特征在于，所述方法还包括：预先训练基于深度神经网络的任务调度模型，包括：
采集历史任务调度数据构建训练数据集；其中，所述历史任务调度数据包括：历史任务属性数据、历史任务调度策略、历史任务调度效果数据；
将所述训练数据集中历史任务属性数据、历史任务调度策略配置为模型输入参数，对深度神经网络模型进行训练，获取模型输出的当前任务效果数据；根据该当前任务效果数据与对应的所述历史任务调度效果数据确定损失函数；基于所述损失函数对神经网络模型进行训练，以获取所述任务调度模型。
7.根据权利要求1所述的算网资源配置方法，其特征在于，所述任务调度策略包括：
云资源池类型、调度的目标云资源池，以及到目标云资源池的带宽调度信息、目标云资源池计算资源调度信息、目标云资源池存储资源调度信息。
8.一种算网资源配置系统，其特征在于，所述系统包括：
任务接收及解析模块，用于接收任务调度请求，对所述任务调度请求进行解析以获取任务属性数据；
调度决策模块，用于将所述任务属性数据输入已训练的任务调度模型，以获取所述任务调度请求对应的任务调度策略；其中，所述任务调度策略包括目标云资源池算力调度和到目标云资源池的网络带宽调度信息；
调度策略执行模块，用于将所述任务调度策略分配至对应的目标算网资源控制节点，以用于控制目标云资源池执行所述任务调度请求对应的数据处理任务。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的算网资源配置方法。
10.一种存储介质，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如权利要求1至7中任一项所述的算网资源配置方法。
CN202310987923.XA 2023-08-07 2023-08-07 算网资源配置方法及系统、电子设备、存储介质 Pending CN117014389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310987923.XA CN117014389A (zh) 2023-08-07 2023-08-07 算网资源配置方法及系统、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310987923.XA CN117014389A (zh) 2023-08-07 2023-08-07 算网资源配置方法及系统、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN117014389A true CN117014389A (zh) 2023-11-07

Family

ID=88561547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310987923.XA Pending CN117014389A (zh) 2023-08-07 2023-08-07 算网资源配置方法及系统、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN117014389A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117785488A (zh) * 2024-02-27 2024-03-29 矩阵起源(深圳)信息科技有限公司 查询调度方法、装置、设备及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117785488A (zh) * 2024-02-27 2024-03-29 矩阵起源(深圳)信息科技有限公司 查询调度方法、装置、设备及计算机可读存储介质
CN117785488B (zh) * 2024-02-27 2024-04-26 矩阵起源(深圳)信息科技有限公司 查询调度方法、装置、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN110851529B (zh) 算力调度方法及相关设备
CN109803004B (zh) 区块链智能合约管理方法与装置、电子设备、存储介质
US11704123B2 (en) Automated orchestration of containers by assessing microservices
US7552152B2 (en) Risk-modulated proactive data migration for maximizing utility in storage systems
CN108809694B (zh) 业务编排方法、系统、装置与计算机可读存储介质
EP4293965A1 (en) Information processing method, apparatus, system, electronic device and storage medium
Mechalikh et al. PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
JP2014532247A (ja) 容易にクラウド化可能なアプリケーションの発見型の識別および移行
CN111352711B (zh) 多计算引擎调度方法、装置、设备及存储介质
CN111586146B (zh) 基于概率转移深度强化学习的无线物联网资源分配方法
JP2023508076A (ja) アプリケーション・ベースのプロファイリングを用いた機械学習ワークロードの弾力的な実行
US20230145025A1 (en) Modeling cloud inefficiencies using domain-specific templates
CN113485833B (zh) 资源预测方法和装置
CN117014389A (zh) 算网资源配置方法及系统、电子设备、存储介质
CN117311973A (zh) 计算设备调度方法、装置、非易失性存储介质及电子设备
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
US20100306308A1 (en) Scalable system for resource management and/or resource allocation based on online constraint satisfaction solving
US20230137184A1 (en) Incremental machine learning for a parametric machine learning model
CN115713216A (zh) 一种机器人调度方法及相关设备
US11288046B2 (en) Methods and systems for program optimization utilizing intelligent space exploration
CN115016911A (zh) 面向大规模联邦学习的任务编排方法、装置、设备和介质
CN115002215A (zh) 面向云上政企的资源分配模型训练方法以及资源分配方法
US20210248072A1 (en) Optimized hierarchical scratchpads for enhanced artificial intelligence accelerator core utilization
CN115080197A (zh) 计算任务调度方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination