CN112346854A - 一种分层协同决策的网内资源调度方法及***、存储介质 - Google Patents
一种分层协同决策的网内资源调度方法及***、存储介质 Download PDFInfo
- Publication number
- CN112346854A CN112346854A CN202011039260.1A CN202011039260A CN112346854A CN 112346854 A CN112346854 A CN 112346854A CN 202011039260 A CN202011039260 A CN 202011039260A CN 112346854 A CN112346854 A CN 112346854A
- Authority
- CN
- China
- Prior art keywords
- network
- network node
- computing power
- forwarding
- interface
- 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
Links
Images
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
- G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1017—Server selection for load balancing based on a round robin mechanism
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种分层协同决策的网内资源调度方法及***、存储介质,其中网内资源调度方法包括:获取算力网络内上游网络节点请求的算力需求兴趣包;判断当前网络节点是否满足所述算力需求兴趣包的算力需求,若是则根据部署的功能函数为算力需求兴趣包内的数据提供算力服务,若否则为算力需求兴趣包提供转发服务。本申请技术方案借助全局信息优化细粒度局部调度层的调度决策机制,从而提高了算力网络的全局算力、存储等资源的利用率,实现网内资源的负载均衡;此外,通过粗粒度全局调度层和细粒度局部调度层相结合的方式,提供非端到端的分层协同决策的网内资源调度能力,利于从技术层面实现高效、均衡的网内资源调度功能,也提高算力网络的整体性能。
Description
技术领域
本发明涉及网络信息处理技术领域,具体涉及一种分层协同决策的网内资源调度方法及***、存储介质。
背景技术
传统的数据处理方式是在核心云中执行具体的任务,然而通过云计算架构中的集中式编排层进行数据处理,该方式的往返时延较长,不能满足各类新型应用(如VR、自动驾驶等)的高实时性要求。凭借着更接近用户的计算、存储等网络资源,边缘计算将内容和服务推送到了离用户更近的位置,有效缓解了云计算架构中时延过高的问题。边缘计算具有低时延、高带宽和邻近用户等优势,边缘计算的发展促进了基础资源层面网络与计算的融合,在云计算、边缘计算的发展趋势下,未来社会中在靠近用户的不同距离将遍布大量不同规模的算力,为用户提供多类型的个性化服务,算力网络(Computing First Network,CFN)因此应运而生。
算力网络要求协同考虑网络和计算融合演进的需求,实现算力的灵活调度,给现有的资源调度机制提出了新的挑战。在算力网络中,算力调度面临着如下几个挑战:1)实时性是目前所有资源调度方法共同面临的挑战,由于现有的资源调度策略大多是集中式的,存在收敛慢且可扩展性差的问题,通过离线训练得到的解决方案无法对环境变化进行实时响应。2)网络和算力的全局优化,由于算力网络中单边缘站点资源有限,多边缘站点间缺乏协同,调度策略需要综合网络和算力状况进行合理地调度,实现算网全局优化和负载均衡。3)大规模调度,目前的调度方式在应对大规模的资源量和任务量时存在严重的局限性,集中式的端到端的调度策略在解决大规模调度问题时存在包括搜索格局过于复杂和局部最优解太多等缺点,如何解决大规模调度问题是调度策略设计的关键。 4)高效的路由寻址,静态预先配置或基于DNS解析的路由寻址方式存在效率低、开销大的问题,不适用于轻量级的计算资源。
发明内容
本发明主要解决的技术问题是如何高效、均衡地对算力网络的网内资源进行调度。为解决上述技术问题,本申请提供一种分层协同决策的网内资源调度方法及***、存储介质。
根据第一方面,一种实施例中提供一种分层协同决策的网内资源调度方法,其包括:获取算力网络内上游网络节点请求的算力需求兴趣包;所述算力需求兴趣包内包括数据和所需的运算配置参数;判断当前网络节点是否满足所述算力需求兴趣包的算力需求,若是则根据部署的功能函数为所述算力需求兴趣包内的数据提供算力服务,若否则为所述算力需求兴趣包提供转发服务;在所述算力服务中,将运算结果形成第一算力服务响应包,并通过原路径将所述第一算力服务响应包发送至上游网络节点;在所述转发服务中,根据当前网络节点的路由信息表查找所述算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,并通过所述转发接口将所述算力需求兴趣包转发至所述算力网络内的下游网络节点。
所述判断当前网络节点是否满足所述算力需求兴趣包的算力需求,包括:判断当前网络节点上部署的功能函数、自身剩余的空闲算力资源和空闲存储资源与所述算力需求兴趣包内的运算配置参数相适配,并且判断相适配的功能函数当前没有执行计算任务或者能够结束执行当前计算任务的情况下,则认定判断结果为是。
所述根据当前网络节点的路由信息表查找所述算力需求兴趣包对应的可选网络接口,包括:检查当前网络节点的路由信息表,并从中找到与所述算力需求兴趣包相适配的功能函数所对应的路由条目;根据所述路由条目选定一个或多个网络接口作为所述算力需求兴趣包对应的可选网络接口。
所述根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,包括:配置所述可选网络接口中各网络接口的偏好值;所述偏好值由对应网络接口所连接的网络节点的综合状态评估信息和相邻一跳的网络状态信息通过评价而得到;根据网络接口偏好顺序选取最大偏好值对应的网络接口以作为转发接口。
在确定所述转发接口之后,配置形成当前网络节点的转发信息表,在所述转发信息表中创建所述算力需求兴趣包对应的转发条目,以及通过对应的转发条目记录所述转发接口。
在检查当前网络节点的路由信息表之前,还包括:检查当前网络节点的转发信息表中是否存在与所述算力需求兴趣包相适配的转发条目;若否则检查当前网络节点的路由信息表,以从中找到与所述算力需求兴趣包相适配的功能函数所对应的路由条目;若是则在相适配的转发条目中添加接收接口,该接收接口为当前网络接口接收上游网络节点请求的算力需求兴趣包的网络接口。
在通过所述转发接口将所述算力需求兴趣包转发至所述算力网络内的下游网络节点之后,还包括:从下游网络节点获取第二算力服务响应包,所述第二算力服务响应包包括所述下游网络节点为所述算力需求兴趣包提供算力服务并得到的运算结果;通过所述算力需求兴趣包相适配的转发条目中的接收接口,向上游网络节点发送所述第二算力服务响应包;在发送所述第二算力服务响应包之后清除所述转发信息表中相适配的转发条目。
所述配置所述可选网络接口中各网络接口的偏好值,包括:响应于一上层控制器的信息收集请求,向所述上层控制器上报信息收集数据包;所述信息收集数据包包括任意网络节点的综合状态评估信息和相邻一跳的网络状态信息;所述上层控制器用于根据所述算力网络内各网络节点上报的信息收集数据包构建网内资源分布状态图,并根据所述网内资源分布状态图计算各网络节点的综合状态评估值;所述网内资源分布状态图包括每个网络节点的算力状态、网内各网络节点之间的连接状态和网内各网络节点之间的链路质量状态;从所述上层控制器获取当前网络节点相邻的网络节点的综合状态评估值,并将与每个网络节点的综合状态评估值配置为对应连接的网络接口的偏好值。
根据第二方面,一种实施例中提供一种算力网络的网内资源调度***,其包括细粒度局部调度层和粗粒度全局调度层,所述细粒度局部调度层包括多个相互连接的网络节点,所述粗粒度全局调度层包括至少一个上层控制器;所述上层控制器与至少一个网络节点通信连接且形成对所连接网络节点的管理范围;对于每个网络节点,该网络节点用于根据上述第一方面中所述的网内资源调度方法为上游网络节点请求的算力需求兴趣包提供算力服务或者转发服务;所述上层控制器与所管理范围内的各网络节点建立通信,用于根据各网络节点上报的信息收集数据包计算各网络节点的综合状态评估值;所述综合状态评估值用于配置对应网络节点所连接网络接口的偏好顺序。
根据第三方面,一种实施例中提供一种计算机可读存储介质,其包括程序,所述程序能够被处理器执行以实现上述第一方面中所述的网内资源调度方法。
本申请的有益效果是:
依据上述实施例的一种分层协同决策的网内资源调度方法及***、存储介质,其中网内资源调度方法包括:获取算力网络内上游网络节点请求的算力需求兴趣包;判断当前网络节点是否满足所述算力需求兴趣包的算力需求,若是则根据部署的功能函数为算力需求兴趣包内的数据提供算力服务,若否则为算力需求兴趣包提供转发服务;在算力服务中,将运算结果形成第一算力服务响应包,并通过原路径将所述第一算力服务响应包发送至上游网络节点;在转发服务中,根据当前网络节点的路由信息表查找算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,并通过转发接口将算力需求兴趣包转发至算力网络内的下游网络节点。第一方面,由于判断当前网络节点不能满足算力需求兴趣包的算力需求情况下,为算力需求兴趣包提供转发服务,使得***的转发策略具备独立调度决策的能力,即便没有上层控制器的协调作用下,也能根据一跳的节点和网络状态进行快速、灵活地调度决策;第二方面,由于在转发服务中,根据当前网络节点的路由信息表查找算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口并转发算力需求兴趣包,使得***的细粒度局部调度层能够综合考虑各相邻网络节点的算力情况和网络通信状态,从而选择最佳的网络节点作为算力需求兴趣包的转发目的节点,提升算力网络的性能;第三方面,由于粗粒度全局调度层周期性地下发各网络节点的综合状态评估值,从而对细粒度局部调度层中的各网络节点进行网络接口偏好顺序的配置,使得***能够根据全局视野来优化细粒度局部调度层的调度决策,实现网内资源调度的时效性和全局优化的对立统一;第四方面,本申请技术方案借助全局信息优化细粒度局部调度层的调度决策机制,从而提高了算力网络的全局算力、存储等资源的利用率,实现网内资源的负载均衡;第五方面,本技术方案通过全局粗粒度全局调度层和局部细粒度局部调度层相结合的方式,提供非端到端的分层协同决策的网内资源调度能力,利于从技术层面实现高效、均衡的网内资源调度功能,也提高算力网络的整体性能。
附图说明
图1为实施例一中网内资源调度***的结构示意图;
图2为网络资源调度***的通信原理示意图;
图3为另一种实施例中网内资源调度***的结构示意图;
图4为上层控制器的时序控制图;
图5为网内资源分布状态图的示意图;
图6为实施例二中网内资源调度方法的流程图;
图7为提供转发服务的流程图;
图8为实施例三中网内资源调度方法的流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
本申请的发明构思是:现有的资源调度策略大多是集中式的,将调度问题视作一个整体,通过离线训练得到的解决方案给出端到端的调度决策,即便如此也不能满足新型应用实时性的需求。针对大规模调度问题,常采用启发式资源调度策略,其包括基于遗传算法的资源调度机制、基于蚁群优化算法的资源调度机制以及基于粒子群优化算法的资源调度机制。上述启发式的资源调度策略都是通过集中式地迭代搜索全局最优解来给出端到端的调度决策,不能满足算力网络中对泛在计算的需求,由于算力网络不再仅仅是传统的客户端-服务器的服务方式,分散的、碎片化的网内算力、存储等资源亟需一种更加灵活动态的调度策略,具备良好的网络感知能力,能够满足实时性需求的同时,还能够实现算力网络的协同优化和网内算力、存储、通信资源的负载均衡。针对当前算力网络资源调度策略中存在的不足,本发明提出了一种基于分层协同决策的网内资源调度方法,利用细粒度局部调度层中类命名数据网络的转发机制,通过全局慢控制和局部快控制相结合的方式,提供非端到端的分层协同决策的网内资源调度,实现高效、均衡的网内资源调度功能,从而提高算力网络的整体性能。
下面将结合实施例对本申请技术方案进行具体说明。
实施例一、
请参考图1,一种实施例中公开一种算力网络的网内资源调度***,其包括细粒度局部调度层2和粗粒度全局调度层1;其中,细粒度局部调度层2包括多个相互连接的网络节点,粗粒度全局调度层包括至少一个上层控制器,此外,上层控制器与至少一个网络节点通信连接且形成对所连接网络节点的管理范围。
在本实施例中,细粒度局部调度层2包括至少一个网络节点,比如网络节点21、22、23、24、25、26;粗粒度全局调度层1包括至少一个上层控制器,如上层控制器11。其中,上层控制器与至少一个网络节点通信连接且形成对所连接网络节点的管理范围,由于图1中只有一个上层控制器11,所以上层控制器11可以与网络节点21、22、23、24、25、26均进行通信连接,并且形成对该些网络节点的管理范围。细粒度局部调度层2内的每个网络节点包括部署于该网络节点的下层控制单元,比如网络节点21、22、23、24、25、26均包括部署与对应网络节点的下层控制单元。此外,为便于细粒度局部调度层2内包括的多个网络节点之间能够进行通信,可以在网络节点21、22、23、24、25、26 之间建立通信连接并以现有的网络协议进行通信。比如网络节点21、22均与网络节点23通信连接,网络节点23、24、25之间相互通信连接,网络节点26与网络节点25通信连接。
在本实施例中,上层控制器11用于与所管理范围内的各网络节点建立通信,以及依据预设的网内资源调度方法向所管理范围内的任意网络节点下发相邻网络节点的综合状态评估值,综合状态评估值用于配置对应网络节点所连接网络接口的偏好顺序。比如上层控制器11通过请求获取细粒度局部调度层2内各网络节点21、22、23、24、25、26的信息收集数据包,随后计算产生各网络节点的综合状态评估值。比如,部署于每个网络节点的下层控制单元用于接收所部署网络节点相邻网络节点的综合状态评估值,以及根据接收到的综合状态评估值调整自身路由表中各网络接口的偏好顺序,从而影响转发路径和任务执行节点的选择。
在本实施例中,对于细粒度局部调度层2中每个网络节点,该网络节点用于根据预设的网内资源调度方法为上游网络节点请求的算力需求兴趣包提供算力服务或者转发服务。比如,上游网络节点21向当前网络节点23发送请求的算力需求兴趣包,当前网络节点23判断自身是否满足该算力需求兴趣包的算力需求,若是则根据部署的功能函数为算力需求兴趣包内的数据提供算力服务,若否则为算力需求兴趣包提供转发服务(将算力需求兴趣包转发至下游网络节点22、24、25)。需要说明的是,上游网络节点、当前网络节点、下游网络节点是依据算力需求兴趣包的传输方向而人为定义的网络节点名称,没有严格限制哪一个网络节点必须为上游、当前或者下游的网络节点;若将网络节点26向网络节点发送请求的算力需求兴趣包,且算力需求兴趣包被转发至网络节点24,则网络节点26、25、24就是分别为上游网络节点、当前网络节点、下游网络节点。
需要说明的是,当前网络节点为算力需求兴趣包提供算力服务的过程中,将运算结果形成第一算力服务响应包,并通过原路径将第一算力服务响应包发送至上游网络节点。当前网络节点为算力需求兴趣包提供转发服务的过程中,根据当前网络节点的路由信息表查找算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,并通过该转发接口将算力需求兴趣包转发至算力网络内的下游网络节点。关于算力服务、转发服务的实现过程可以具体参考实施例二中的方法实施例。
需要说明的是,粗粒度全局调度层1内的上层控制器11可以采用SDN控制器,该SDN控制器可以是软件定义网络(SDN)中的应用程序,主要负责流量控制以确保智能网络管理;SDN控制器是基于如OpenFlow等协议的网络服务器,允许服务器告诉交换机向哪里发送数据包。在细粒度局部调度层2内,部署于网络节点的下层控制单元可以是交换机、路由器等设备。
为进一步清楚说明粗粒度全局调度层和细粒度局部调度层之间的交互功能,这里将对粗粒度全局调度层和细粒度局部调度层进行具体功能说明。
参见图2,在粗粒度全局调度层中设置上层控制器11,具有全局网络资源调度控制的作用;在细粒度局部调度层中设置网络节点21、22、23等多个网络节点,具有局部网络资源调度控制的作用。交互过程表述为:a)上层控制器向所管理范围内各网络节点分别发送信息收集兴趣包的请求;b)每个网络节点响应于请求并上报对应的信息收集数据包,信息收集兴趣包包括网络节点自身状态和相邻网络通信状态的请求内容;c)上层控制器11根据上报的信息收集数据包生成网络资源分布向量图,计算得到各网络节点的综合状态评估值,以及向所管理范围内的任意网络节点下发相邻网络节点的综合状态评估值。
参见图2,对于上层控制器11,上层控制器11获取所管理范围内各网络节点21、22、23分别上报的信息收集数据包,并形成网内收集信息。这里的信息收集数据包包括对应网络节点的综合状态评估信息和网络节点相邻一跳的网络状态信息,其中网络节点的综合状态评估信息由节点算力资源状态和节点计算任务执行状态通过预设的状态评估算法计算得到;节点算力资源状态包括CPU 核心数、CPU周期频率数、空闲缓存量的数值状态,节点计算任务执行状态包括任务持续占用CPU时间的数值状态;其中网络节点相邻一跳的网络状态信息包括相邻网络节点标识,与相邻网络节点之间的通信往返时延、数据传输速度和链路带宽。然后,上层控制器11根据网内收集信息中每个网络节点的综合状态评估信息计算该网络节点的算力状态,以及根据每个网络节点相邻一跳的网络状态信息确定网内各网络节点之间的连接状态,从而利用每个网络节点的算力状态和网内各网络节点之间的连接状态构建网内资源分布状态图。接着,上层控制器11根据网内资源分布状态图计算各网络节点的综合状态评估值;比如,根据网内资源分布状态图获得任意网络节点的算力状态,以及相邻网络节点的算力状态,然后通过预设的评估算法对任意网络节点及其相邻网络节点的算力状态进行处理,得到任意网络节点的综合状态评估值。最后,上层控制器11将与任意网络节点相邻的网络节点的综合状态评估值下发至该网络节点,以使得该网络节点调整与相邻网络节点连接的网络接口的偏好顺序。
参见图2,对于网络节点21,网络节点21响应于一上层控制器11的信息收集请求,向上层控制器上报信息收集数据包,信息收集数据包包括任意网络节点的综合状态评估信息和相邻一跳的网络状态信息。此外,网络节点21收到自身相邻的网络节点的综合状态评估值之后,调整与相邻网络节点连接的网络接口的偏好顺序。
在一个具体实施例中,粗粒度全局调度层中的上层控制器可以构建网络资源分布状态图且表示为G(V,E),V为网络节点集,E为网络节点之间边的集合,那么可以得到t时刻任意网络节点v∈V的资源状态的原始评分是Scorev,t(即算力状态数值),网络节点v和网络节点u之间的边为两者的网络链路,边的权重Wv,u,t表示t时刻网络节点v、u之间的链路质量,通常权重越大则链路质量越差。比如,在图5示意的网络资源分布状态图中,每个网络节点的算力状态可以参见对应的数值,网络节点A、B、C、D、E、F、G、H、I、J的算力状态分别数值化表示为50、35、100、20、50、30、40、10、70、80;各网络节点之间的链路质量可以参考图5中边的数值(如数值1、2、3,1表示链路质量好)。根据构建的网络资源分布状态图G(V,E),并按照优邻辐射的思想就可以计算每个网络节点的综合状态评估值。可以设定网络节点v的邻居网络节点为m,且有(v,m)∈E,考虑到网络节点m可达的n跳内网络延时和链路质量满足要求的节点集Q(q∈Q且 q≠v),则网络节点m和网络节点q之间存在至少一条不经过网络节点v的路径,且不存在(v,q)∈E,即网络节点v和网络节点q不直接相连,那么,网络节点m在 t时刻的综合状态评估值表示为
其中,αq为算力状态的缩放权重,βq为链路质量的缩放权重。网络节点m和网络节点q之间的链路质量为
其中,(m,u1,u2,...,un,q)为网络节点m和网络节点q之间最优的一条不经过节点v且满足网络延时和链路质量要求的有效网络路径。
进一步地,网络节点m在t+1时刻的综合状态评估值表示为
Scorem,t+1=min(Score′m,t,maxq∈QScoreq,t)。
可以理解,在上层控制器得到网络节点m在t时刻的综合状态评估值之后,就可以将网络节点v的相邻网络节点m的综合状态评估值下发至网络节点v。
在另一个具体实施例中,上层控制器还可以通过加权叠加对任意网络节点及其相邻网络节点的算力状态进行处理,得到各网络节点的综合状态评估值。比如图5,网络节点F自身的算力状态为30,其相邻网络节点B、D、E、G、H 的算力状态分别为35、20、50、40、10,那么加权叠加方法来计算网络节点F 的综合状态评估值。在第一种方法中,可以用邻居节点评分值的最大值来作为自己的新评分(即综合状态评估值),这样网络节点F的邻居节点最大评分值为 max(F,max(BDEGH))=50。在第二种方法中,直接叠加取平均 sum(BDEFGH)/6=31来得到网络节点F的综合状态评估值。在第三种方法中,指定权值叠加且不超过邻居的最大值,设置一跳的权值为0.5,则计算 (0.5B+0.5D+0.5E+0.5G+0.5H+F)=107.5,该值超过了邻居节点的最大值70,则将70作为网络节点F的综合状态评估值。
在另一个实施例中,请参考图3,粗粒度全局调度层1中包括多个上层控制器,各上层控制器之间通信连接,如上层控制器11、12、13;细粒度局部调度层2包括多个网络节点,比如网络节点21、22、23、24、25、26。每个上层控制器与细粒度局部调度层2内至少一个网络节点通信连接且形成对所连接网络节点的管理范围。
参见图3,上层控制器11与网络节点21、22通信连接并形成对网络节点 21、22的管理范围,上层控制器12与网络节点23、24通信连接并形成对网络节点23、24的管理范围,上层控制器13与网络节点25、26通信连接并形成对网络节点25、26的管理范围。细粒度局部调度层2内的每个网络节点包括部署于该网络节点的下层控制单元,比如网络节点21、22、23、24、25、26均包括部署与对应网络节点的下层控制单元。为便于粗粒度全局调度层1内包括的多个上层控制器之间能够进行通信,可以在上层控制器11、12、13之间相互建立通信连接并以现有的网络协议进行通信,实现控制器之间的控制协调、信息同步功能。类似地,为便于细粒度局部调度层2内包括的多个网络节点之间能够进行通信,可以在网络节点21、22、23、24、25、26之间建立通信连接并以现有的网络协议进行通信。比如网络节点21、22均与网络节点23通信连接,网络节点23、24、25之间相互通信连接,网络节点26与网络节点25通信连接。
对于图3中示意的网络资源调度***,若将任意一个上层控制器之外的上层控制器作为其它控制器,则其它控制器用于获取所管理范围内各网络节点分别上报的信息收集数据包,以及利用获取的信息收集数据包形成同步信息并发送至该上层控制器。参见图3,上层控制器11用于与所管理范围内的各网络节点21、22建立通信,以及依据预设的网内资源调度方法请求获取各网络节点21、 22上报的信息收集数据包;上层控制器11还用于与其它控制器建立通信,并请求获取其它控制器发送过来的同步信息(同步信息包括其它控制器所管理范围内各网络节点分别上报的信息收集数据包),随后上层控制器11计算产生所管理范围内任意网络节点(如网络节点21)相邻的网络节点(如网络节点23)的综合状态评估值,以及向该网络节点(如网络节点21)下发相邻的网络节点(如网络节点23)的综合状态评估值。基于相同的道理,上层控制器12与所管理范围内的各网络节点23、24建立通信,并向每个网络节点下发相邻网络节点综合状态评估值;上层控制器13与所管理范围内的各网络节点21、22建立通信,并向每个网络节点下发相邻网络节点的综合状态评估值。
比如图3和图4,上层控制器11向网络节点21分别发送信息收集兴趣包的请求,则网络节点21在收到信息收集兴趣包之后,上报对应的信息收集数据包。上层控制器11还可以从其它上层控制器(如上层控制器12、13)获取同步信息,从上层控制器12获取的同步信息包括上层控制器12所管理范围内各网络节点 23、24分别上报的信息收集数据包,从上层控制器13获取的同步信息包括上层控制器13所管理范围内各网络节点25、26分别上报的信息收集数据包。然后,上层控制器11根据获取的信息收集数据包和同步信息内包含的信息收集数据包形成网内收集信息,依此构建网内资源分布状态图,根据网内资源分布状态图计算各网络节点的综合状态评估值,将与网络节点(如23)相邻的网络节点(如 21、22、24、25)的综合状态评估值下发至该网络节点(如23),以使得该网络节点调整与相邻网络节点连接的网络接口的偏好顺序。
本领域的技术人员可以理解,在本实施例中,由于粗粒度全局调度层周期性地下发各网络节点的综合状态评估值,从而对快控制层中的各网络节点进行网络接口偏好顺序的配置,使得***能够根据全局视野来优化细粒度局部调度层的调度决策,实现网内资源调度的时效性和全局优化的对立统一。此外,粗粒度、细粒度均是时间粒度上的概念,反映了时间管理方面的利用效率;由于细粒度局部调度层位于下层且直接控制各网络节点之间的信息调度过程,时间粒度细且调度响应快,所以在时间上具有相对较快的控制策略(即快调度决策机制);而粗粒度全局调度层位于上层且需要周期性地对下层分布的各网络节点进行全局调优和参数配置,时间粒度粗且响应速度慢,所以相对于细粒度局部调度层在时间上则具有相对较慢的控制策略(即慢调度决策机制)。那么,通过两个调度层之间的交互和协同作用,可以实现全局慢控制和局部快控制相结合的控制方式。
实施例二、
在实施例一中公开的网内资源调度***的基础上,本实施中公开了一种分层协同决策的网内资源调度方法,该网络资源调度方法主要应用于细粒度局部调度层内的任意网络节点以实现相应的功能。
请参考图6,本实施例中的网内资源调度方法包括步骤S110-S140,下面分别说明。
步骤S110,获取算力网络内上游网络节点请求的算力需求兴趣包;这里的算力需求兴趣包内包括数据和所需的运算配置参数。
比如图3,在网内资源调度***形成的算力网络内,对于当前网络节点23,则其可以获取上游网络节点21请求的算力需求兴趣包,该算力需求兴趣包内包括数据和所需的运算配置参数,其中运算配置参数可以包括请求的功能函数名称、网络的链路质量阈值、空闲算力资源和存储资源要求参数、数据的输入和输出要求参数等。
步骤S120,判断当前网络节点是否满足算力需求兴趣包的算力需求,若是进入步骤S130,若否则进入步骤S140。
在一个具体实施例中,当前网络节点判断自身是否满足算力需求兴趣包的算力需求时,可以判断当前网络节点上部署的功能函数、自身剩余的空闲算力资源和空闲存储资源与算力需求兴趣包内的运算配置参数相适配,并且判断相适配的功能函数当前没有执行计算任务或者能够结束执行当前计算任务的情况下,则认定判断结果为是,即可进入步骤S130。
步骤S130,根据部署的功能函数为算力需求兴趣包内的数据提供算力服务。在算力服务中,当前网络节点将运算结果形成第一算力服务响应包,并通过原路径将第一算力服务响应包发送至上游网络节点。
比如图1,当前网络节点23为上游网络节点21请求的算力需求兴趣包提供了算力服务,则形成的第一算力服务响应包将通过原路径反馈至上游网络节点21。
步骤S140,为算力需求兴趣包提供转发服务。在转发服务中,当前网络节点根据自身的路由信息表查找算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,并通过该转发接口将算力需求兴趣包转发至算力网络内的下游网络节点。
在一个具体实施中,参见图7,上述步骤S140具体包括步骤S141-S144,分别说明如下。
步骤S141,当前网络节点检查自身的路由信息表,并从中找到与算力需求兴趣包相适配的功能函数所对应的路由条目;根据该路由条目选定一个或多个网络接口作为算力需求兴趣包对应的可选网络接口。
比如图1,对于当前网络节点23,若它的路由信息表中一个路由条目与算力需求兴趣包请求的功能函数相适配,并且该路由条目中包括连接至网络节点 21、24的网络接口,那么就可以将连接至网络节点21、24的网络接口作为算力需求兴趣包对应的可选网络接口。
步骤S142,配置可选网络接口中各网络接口的偏好值,根据网络接口偏好顺序选取最大偏好值对应的网络接口以作为转发接口。偏好值由对应网络接口所连接的网络节点的综合状态评估信息和相邻一跳的网络状态信息通过评价而得到。
在一个具体实施例中,参见图3,将任意一个网络节点作为当前网络节点,则当前网络节点响应于上层控制器11的信息收集请求,向上层控制器11上报信息收集数据包,该信息收集数据包包括任意网络节点的综合状态评估信息和相邻一跳的网络状态信息。从而,上层控制器11可以根据算力网络内各网络节点上报的信息收集数据包构建网内资源分布状态图,并根据网内资源分布状态图计算各网络节点的综合状态评估值;这里的网内资源分布状态图包括每个网络节点的算力状态、网内各网络节点之间的连接状态和网内各网络节点之间的链路质量状态。进而,上层控制器11将当前网络节点的相邻网络节点的综合状态评估值下发至当前网络节点。最后,当前网络节点从上层控制器11获取当前网络节点相邻的网络节点的综合状态评估值,并将与每个网络节点的综合状态评估值配置为对应连接的网络接口的偏好值。
需要说明的是,关于上层控制器11计算得到各个网络节点的综合状态评估值的技术说明,可以参考上述实施例一中的相关内容,这里不再进行赘述。
比如图5中的网络资源分布状态图,对于网络节点F,其邻居的网络节点为 B、D、E、G、H,且在网络节点F的路由信息表中设定连接至这几个网络节点的网络接口作为可选网络接口。当网络节点F收到一个算力需求兴趣包,且自身无法满足算力需求时,该网络节点会直接根据转发策略进行资源需求调度。由于网络节点H与网络节点I、J相连,网络节点D与网络节点C相连,且都存在链路质量的总和小于算力配置参数中对链路质量的阈值(比如值为2)的要求,但由于网络节点H和网络节点D本身的算力状态分值相对网络节点F的其他邻居节点低,故按照加权叠加计算综合状态评估值的方法进行网络接口偏好设置的话,网络节点H和网络节点D将很可能不会被选择。但是,粗粒度全局调度层周期性地收集全网信息,更新网内资源状态分布图,根据资源状态评分调整策略,对网络节点F邻居的网络节点的综合状态评估值进行更新,网络节点B、 E、G由于没有其它满足条件的辐射节点,其评分值保持不变,网络节点D满足条件的辐射节点为网络节点C,则不妨设αq取值为0.8,βq取值为0.5,则网络节点D的综合状态评估值可以通过下式计算得到
Scorem,t+1=min(Score′m,t,maxq∈QScoreq,t)。
如此可以计算得到网络节点D最新的综合状态评估值为70。同理,网络节点H最新的综合状态评估值为66。这种情况下,如果将网络节点B、D、E、G、 H的综合状态评估值都配置给网络节点F的话,则根据调整后的网络接口偏好顺序,网络节点D和网络节点H相对调整前会更会被选中,甚至连接至网络节点D的网络接口将被作为转发接口。可以理解,上面公开的技术手段在一定程度上实现了资源调度的负载均衡,提高了网络节点C或者网络节点I、J的网络资源利用率。
步骤S143,通过转发接口将算力需求兴趣包转发至算力网络内的下游网络节点。
比如图5,对于当前网络节点F,若连接至网络节点D的网络接口被作为了转发接口,则当前网络节点F可将算力需求兴趣包转发至下游网络节点D。
进一步地,参见图7,本实施例中公开的网络资源调度方法还包括步骤S144。
步骤S144,在确定转发接口之后,配置形成当前网络节点的转发信息表,在转发信息表中创建算力需求兴趣包对应的转发条目,以及通过对应的转发条目记录转发接口。
可以理解,设置转发信息表的目的就是记录算力需求兴趣包的转发路径,既可以将相同的算力需求兴趣包按照该转发路线进行转发,还利于下游网络节点形成的算力服务响应包按照该转发路线进行回传。
本领域的技术人员可以理解,在本实施例中,由于判断当前网络节点不能满足算力需求兴趣包的算力需求情况下,为算力需求兴趣包提供转发服务,使得***的转发策略具备独立调度决策的能力,即便没有上层控制器的协调作用下,也能根据一跳的节点和网络状态进行快速、灵活地调度决策。再者,由于在转发服务中,根据当前网络节点的路由信息表查找算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口并转发算力需求兴趣包,使得***的细粒度局部调度层能够综合考虑各相邻网络节点的算力情况和网络通信状态,从而选择最佳的网络节点作为算力需求兴趣包的转发目的节点,提升算力网络的性能。
实施例三、
在实施例二中公开的网内资源调度方法的基础上,本申请公开一种改进的网内资源调度方法,该网络资源调度方法同样应用于细粒度局部调度层内的任意网络节点以实现相应的功能。
请参考图8,改进的网内资源调度方法包括步骤S210-S290,下面分别说明。
步骤S210,接收算力网络内上游网络节点请求的算力需求兴趣包,算力需求兴趣包内包括数据和所需的运算配置参数。
步骤S220,判断当前网络节点是否满足算力需求兴趣包的算力需求,若是则进入步骤S230,若否则进入步骤S240。
比如,当前网络节点在判断自身是否满足算力需求兴趣包的算力需求时,可以判断当前网络节点上部署的功能函数、自身剩余的空闲算力资源和空闲存储资源与算力需求兴趣包内的运算配置参数相适配,并且判断相适配的功能函数当前没有执行计算任务或者能够结束执行当前计算任务的情况下,则认定判断结果为是。
步骤S230,根据部署的功能函数为算力需求兴趣包内的数据提供算力服务。在算力服务中,当前网络节点可以将运算结果形成第一算力服务响应包,并通过原路径将第一算力服务响应包发送至上游网络节点。
步骤S240,检查当前网络节点的转发信息表中是否存在与算力需求兴趣包相适配的转发条目,若否则进入步骤S250,若是则进入步骤S270。
需要说明的是,转发信息表中存在与算力需求兴趣包相适配的转发条目是指,转发信息表内所记录的转发信息与算力需求兴趣包内的运算配置参数相一致,比如请求的功能函数名称、网络的链路质量阈值、空闲算力资源和存储资源要求参数、数据的输入和输出要求参数等。
需要说明的是,不同于命名数据网络中的转发策略,算力需求兴趣包只要请求的是同名数据就汇聚到同一转发条目上。但是在本实施例中,转发策略中算力需求兴趣包即使请求的是同名的功能函数,如果是来自不同的用户或者是请求对不同数据的处理,则不能通过记录接收接口进行汇聚。这里因为每一个不同的算力请求都会消耗对应的算力、存储等资源,如果待处理数据不同,则返回的结果也不相同。
步骤S250,在当前网络节点提供算力服务的情况下,检查当前网络节点的路由信息表,以从中找到与算力需求兴趣包相适配的功能函数所对应的路由条目。具体参见实施例二中的步骤S141,这里不再进行赘述。
步骤S260,配置可选网络接口中各网络接口的偏好值,根据网络接口偏好顺序选取最大偏好值对应的网络接口以作为转发接口,通过转发接口将算力需求兴趣包转发至算力网络内的下游网络节点。这里的偏好值由对应网络接口所连接的网络节点的综合状态评估信息和相邻一跳的网络状态信息通过评价而得到。具体参见实施例二中的步骤S142和步骤S143,这里不再进行赘述。
需要说明的是,由于当前网络节点通过转发接口将算力需求兴趣包转发至算力网络内的下游网络节点,则表明当前网络节点不仅形成了相适配的转发信息表,还找到了算力需求兴趣包的转发路径,为了接下来能够及时向上游网络节点反馈算力服务响应包,那么步骤S260之后可直接进入步骤S270。
步骤S270,在当前网络节点的转发信息表中存在与算力需求兴趣包相适配的转发条目时,则在相适配的转发条目中添加接收接口。这里的接收接口为当前网络接口接收上游网络节点请求的算力需求兴趣包的网络接口。
比如图1,对于当前网络节点23,由于其获取了上游网络节点21请求的算力需求兴趣包,则当前网络节点23需要在相适配的转发条目中添加转发接口,该转发接口就是连接至上游网络节点21的网络接口。
步骤S280,从下游网络节点获取第二算力服务响应包,这里的第二算力服务响应包包括下游网络节点为算力需求兴趣包提供算力服务并得到的运算结果。
参见图1,若网络节点24为当前网络节点23的下游网络节点,则下游网络节点24会在获取到转发的算力需求响应包之后继续采用本实施例中步骤S220 的方式进行是否满足算力需求的判断,若是则下游网络节点24将运算结果形成第二算力服务响应包,若否则下游网络节点24继续转发算力需求兴趣包,直至由其它网络节点能够满足算力需求时为止。
可以理解,在下游网络节点形成第二算力服务响应包或者接收到其它网络节点反馈的第二算力服务响应包之后,当前网络节点就可以从下游网络节点获取第二算力服务响应包。
步骤S290,通过算力需求兴趣包相适配的转发条目中的接收接口,向上游网络节点发送第二算力服务响应包,以及在发送第二算力服务响应包之后清除转发信息表中相适配的转发条目。
可以理解,由于当前网络节点的转发信息表中配置有相适配的转发条目(记录有接收接口和转发杰阔),那么当前网络节点就可以通过转发接口接收来自下游网络节点的第二算力服务响应包,还可以通过接收接口向上游网络节点反馈第二算力服务响应包。还可以理解,发送第二算力服务响应包之后,上游网络节点请求的计算任务完成,则直接清除转发信息表中相适配的转发条目即可。
本领域的技术人员可以理解,在本实施例中,由于借助全局信息优化细粒度局部调度层的调度决策机制,从而提高了算力网络的全局算力、存储等资源的利用率,实现网内资源的负载均衡。此外,本实施例技术方案通过全局粗粒度全局调度层和局部细粒度局部调度层相结合的方式,提供非端到端的分层协同决策的网内资源调度能力,利用从技术层面实现高效、均衡的网内资源调度功能,也提高算力网络的整体性能。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的***进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种分层协同决策的网内资源调度方法,其特征在于,包括:
获取算力网络内上游网络节点请求的算力需求兴趣包;所述算力需求兴趣包内包括数据和所需的运算配置参数;
判断当前网络节点是否满足所述算力需求兴趣包的算力需求,若是则根据部署的功能函数为所述算力需求兴趣包内的数据提供算力服务,若否则为所述算力需求兴趣包提供转发服务;
在所述算力服务中,将运算结果形成第一算力服务响应包,并通过原路径将所述第一算力服务响应包发送至上游网络节点;
在所述转发服务中,根据当前网络节点的路由信息表查找所述算力需求兴趣包对应的可选网络接口,以及根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,并通过所述转发接口将所述算力需求兴趣包转发至所述算力网络内的下游网络节点。
2.如权利要求1所述的网内资源调度方法,其特征在于,所述判断当前网络节点是否满足所述算力需求兴趣包的算力需求,包括:
判断当前网络节点上部署的功能函数、自身剩余的空闲算力资源和空闲存储资源与所述算力需求兴趣包内的运算配置参数相适配,并且判断相适配的功能函数当前没有执行计算任务或者能够结束执行当前计算任务的情况下,则认定判断结果为是。
3.如权利要求2所述的网内资源调度方法,其特征在于,所述根据当前网络节点的路由信息表查找所述算力需求兴趣包对应的可选网络接口,包括:
检查当前网络节点的路由信息表,并从中找到与所述算力需求兴趣包相适配的功能函数所对应的路由条目;
根据所述路由条目选定一个或多个网络接口作为所述算力需求兴趣包对应的可选网络接口。
4.如权利要求3所述的网内资源调度方法,其特征在于,所述根据配置的网络接口偏好顺序确定其中一个网络接口作为转发接口,包括:
配置所述可选网络接口中各网络接口的偏好值;所述偏好值由对应网络接口所连接的网络节点的综合状态评估信息和相邻一跳的网络状态信息通过评价而得到;
根据网络接口偏好顺序选取最大偏好值对应的网络接口以作为转发接口。
5.如权利要求4所述的网内资源调度方法,其特征在于,在确定所述转发接口之后,配置形成当前网络节点的转发信息表,在所述转发信息表中创建所述算力需求兴趣包对应的转发条目,以及通过对应的转发条目记录所述转发接口。
6.如权利要求5所述的网内资源调度方法,其特征在于,在检查当前网络节点的路由信息表之前,还包括:
检查当前网络节点的转发信息表中是否存在与所述算力需求兴趣包相适配的转发条目;
若否则检查当前网络节点的路由信息表,以从中找到与所述算力需求兴趣包相适配的功能函数所对应的路由条目;
若是则在相适配的转发条目中添加接收接口,该接收接口为当前网络接口接收上游网络节点请求的算力需求兴趣包的网络接口。
7.如权利要求6所述的网内资源调度方法,其特征在于,在通过所述转发接口将所述算力需求兴趣包转发至所述算力网络内的下游网络节点之后,还包括:
从下游网络节点获取第二算力服务响应包,所述第二算力服务响应包包括所述下游网络节点为所述算力需求兴趣包提供算力服务并得到的运算结果;
通过所述算力需求兴趣包相适配的转发条目中的接收接口,向上游网络节点发送所述第二算力服务响应包;
在发送所述第二算力服务响应包之后清除所述转发信息表中相适配的转发条目。
8.如权利要求4所述的网内资源调度方法,其特征在于,所述配置所述可选网络接口中各网络接口的偏好值,包括:
响应于一上层控制器的信息收集请求,向所述上层控制器上报信息收集数据包;所述信息收集数据包包括任意网络节点的综合状态评估信息和相邻一跳的网络状态信息;所述上层控制器用于根据所述算力网络内各网络节点上报的信息收集数据包构建网内资源分布状态图,并根据所述网内资源分布状态图计算各网络节点的综合状态评估值;所述网内资源分布状态图包括每个网络节点的算力状态、网内各网络节点之间的连接状态和网内各网络节点之间的链路质量状态;
从所述上层控制器获取当前网络节点相邻的网络节点的综合状态评估值,并将与每个网络节点的综合状态评估值配置为对应连接的网络接口的偏好值。
9.一种算力网络的网内资源调度***,其特征在于,包括细粒度局部调度层和粗粒度全局调度层,所述细粒度局部调度层包括多个相互连接的网络节点,所述粗粒度全局调度层包括至少一个上层控制器;所述上层控制器与至少一个网络节点通信连接且形成对所连接网络节点的管理范围;
对于每个网络节点,该网络节点用于根据权利要求1-8中任一项所述的网内资源调度方法为上游网络节点请求的算力需求兴趣包提供算力服务或者转发服务;
所述上层控制器与所管理范围内的各网络节点建立通信,用于根据各网络节点上报的信息收集数据包计算各网络节点的综合状态评估值;所述综合状态评估值用于配置对应网络节点所连接网络接口的偏好顺序。
10.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的网内资源调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011039260.1A CN112346854B (zh) | 2020-09-28 | 2020-09-28 | 一种分层协同决策的网内资源调度方法及***、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011039260.1A CN112346854B (zh) | 2020-09-28 | 2020-09-28 | 一种分层协同决策的网内资源调度方法及***、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112346854A true CN112346854A (zh) | 2021-02-09 |
CN112346854B CN112346854B (zh) | 2023-02-03 |
Family
ID=74361174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011039260.1A Active CN112346854B (zh) | 2020-09-28 | 2020-09-28 | 一种分层协同决策的网内资源调度方法及***、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112346854B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114070854A (zh) * | 2021-11-26 | 2022-02-18 | 中国联合网络通信集团有限公司 | 算力网络中算力感知和路由方法、***、设备及介质 |
CN114615180A (zh) * | 2022-03-09 | 2022-06-10 | 阿里巴巴达摩院(杭州)科技有限公司 | 算力网络***、算力调用方法以及装置 |
CN114866593A (zh) * | 2022-05-13 | 2022-08-05 | 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 |
CN114978908A (zh) * | 2022-05-11 | 2022-08-30 | 量子科技长三角产业创新中心 | 算力网络节点评价及操作方法和装置 |
CN115002862A (zh) * | 2021-03-02 | 2022-09-02 | ***通信有限公司研究院 | 算力处理的网络***、业务处理方法及算力网元节点 |
WO2022222550A1 (zh) * | 2021-04-20 | 2022-10-27 | 中兴通讯股份有限公司 | 算力资源的通告方法及装置、存储介质、电子装置 |
WO2023273957A1 (zh) * | 2021-06-28 | 2023-01-05 | 华为技术有限公司 | 算力发布方法、算力更新方法及装置 |
CN116382926A (zh) * | 2023-06-05 | 2023-07-04 | 支付宝(杭州)信息技术有限公司 | 针对推荐***的算力优化的方法和装置 |
CN116437409A (zh) * | 2023-06-13 | 2023-07-14 | 微网优联科技(成都)有限公司 | 一种无线路由器的信道切换方法及装置 |
CN116566992A (zh) * | 2023-07-10 | 2023-08-08 | 北京智芯微电子科技有限公司 | 边缘计算的动态协同方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530312A (zh) * | 2015-12-26 | 2016-04-27 | 中国人民解放军信息工程大学 | 网络服务路径选择***及其选择方法 |
US20180262443A1 (en) * | 2015-10-12 | 2018-09-13 | Fujitsu Limited | Just-enough-time provisioning of service function chain resources |
CN110851529A (zh) * | 2019-11-01 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 算力调度方法及相关设备 |
CN111314236A (zh) * | 2020-04-14 | 2020-06-19 | 杭州迪普科技股份有限公司 | 报文转发方法及装置 |
CN111475276A (zh) * | 2020-05-29 | 2020-07-31 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的任务管理方法及其装置 |
-
2020
- 2020-09-28 CN CN202011039260.1A patent/CN112346854B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180262443A1 (en) * | 2015-10-12 | 2018-09-13 | Fujitsu Limited | Just-enough-time provisioning of service function chain resources |
CN105530312A (zh) * | 2015-12-26 | 2016-04-27 | 中国人民解放军信息工程大学 | 网络服务路径选择***及其选择方法 |
CN110851529A (zh) * | 2019-11-01 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 算力调度方法及相关设备 |
CN111314236A (zh) * | 2020-04-14 | 2020-06-19 | 杭州迪普科技股份有限公司 | 报文转发方法及装置 |
CN111475276A (zh) * | 2020-05-29 | 2020-07-31 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的任务管理方法及其装置 |
Non-Patent Citations (2)
Title |
---|
G.SUDHA ANIL KUMAR等: "Energy-Aware Scheduling of Real-Time Tasks in Wireless Networked Embedded Systems", 《28TH IEEE INTERNATIONAL REAL-TIME SYSTEM SYMPOSIUM(RTSS 2007)》 * |
黄光平等: "算力网络架构与场景分析", 《信息通信技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002862A (zh) * | 2021-03-02 | 2022-09-02 | ***通信有限公司研究院 | 算力处理的网络***、业务处理方法及算力网元节点 |
WO2022222550A1 (zh) * | 2021-04-20 | 2022-10-27 | 中兴通讯股份有限公司 | 算力资源的通告方法及装置、存储介质、电子装置 |
WO2023273957A1 (zh) * | 2021-06-28 | 2023-01-05 | 华为技术有限公司 | 算力发布方法、算力更新方法及装置 |
CN114070854B (zh) * | 2021-11-26 | 2023-06-27 | 中国联合网络通信集团有限公司 | 算力网络中算力感知和路由方法、***、设备及介质 |
CN114070854A (zh) * | 2021-11-26 | 2022-02-18 | 中国联合网络通信集团有限公司 | 算力网络中算力感知和路由方法、***、设备及介质 |
CN114615180A (zh) * | 2022-03-09 | 2022-06-10 | 阿里巴巴达摩院(杭州)科技有限公司 | 算力网络***、算力调用方法以及装置 |
CN114978908A (zh) * | 2022-05-11 | 2022-08-30 | 量子科技长三角产业创新中心 | 算力网络节点评价及操作方法和装置 |
CN114978908B (zh) * | 2022-05-11 | 2023-09-26 | 量子科技长三角产业创新中心 | 算力网络节点评价及操作方法和装置 |
CN114866593A (zh) * | 2022-05-13 | 2022-08-05 | 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 |
CN116382926A (zh) * | 2023-06-05 | 2023-07-04 | 支付宝(杭州)信息技术有限公司 | 针对推荐***的算力优化的方法和装置 |
CN116382926B (zh) * | 2023-06-05 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 针对推荐***的算力优化的方法和装置 |
CN116437409A (zh) * | 2023-06-13 | 2023-07-14 | 微网优联科技(成都)有限公司 | 一种无线路由器的信道切换方法及装置 |
CN116437409B (zh) * | 2023-06-13 | 2023-08-22 | 微网优联科技(成都)有限公司 | 一种无线路由器的信道切换方法及装置 |
CN116566992A (zh) * | 2023-07-10 | 2023-08-08 | 北京智芯微电子科技有限公司 | 边缘计算的动态协同方法、装置、计算机设备和存储介质 |
CN116566992B (zh) * | 2023-07-10 | 2023-11-28 | 北京智芯微电子科技有限公司 | 边缘计算的动态协同方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112346854B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112346854B (zh) | 一种分层协同决策的网内资源调度方法及***、存储介质 | |
CN113079218B (zh) | 一种面向服务的算力网络***、工作方法及存储介质 | |
Qian et al. | Survey on reinforcement learning applications in communication networks | |
CN108259367B (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
Bi et al. | Intelligent quality of service aware traffic forwarding for software-defined networking/open shortest path first hybrid industrial internet | |
Shang et al. | Service-aware adaptive link load balancing mechanism for Software-Defined Networking | |
CN109614215A (zh) | 基于深度强化学习的流调度方法、装置、设备及介质 | |
Khandaker et al. | A functional taxonomy of caching schemes: Towards guided designs in information-centric networks | |
JP2017515244A (ja) | オンサイトサービスを提供するシステム及び方法 | |
Torkzadeh et al. | Energy-aware routing considering load balancing for SDN: a minimum graph-based Ant Colony Optimization | |
CN112153153B (zh) | 一种协调分布式的网内资源调度方法及***、存储介质 | |
CN114827284B (zh) | 工业物联网中服务功能链编排方法、装置及联邦学习*** | |
Huang et al. | Predictive switch-controller association and control devolution for SDN systems | |
Zhu et al. | Traffic flow optimization for UAVs in multi-layer information-centric software-defined FANET | |
CN115361333A (zh) | 一种基于QoS边缘自适应的网云融合信息传输方法 | |
Schneider et al. | Every node for itself: Fully distributed service coordination | |
Chiang et al. | Deep Q-learning-based dynamic network slicing and task offloading in edge network | |
Du et al. | A VDTN scheme with enhanced buffer management | |
Li et al. | Optimal service selection and placement based on popularity and server load in multi-access edge computing | |
Zhou et al. | Multi-task deep learning based dynamic service function chains routing in SDN/NFV-enabled networks | |
Zheng et al. | Application of improved ant colony algorithm in load balancing of software-defined networks | |
Wu | Deep reinforcement learning based multi-layered traffic scheduling scheme in data center networks | |
Al-Hammadi et al. | Independent tasks scheduling of collaborative computation offloading for SDN-powered MEC on 6G networks | |
Liu et al. | Distributed traffic engineering for multi-domain SDN without trust | |
WO2022166348A1 (zh) | 路由方法、路由装置、控制器和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |