CN115269159B - 基于人工智能与边缘计算支持的调度***与方法 - Google Patents

基于人工智能与边缘计算支持的调度***与方法 Download PDF

Info

Publication number
CN115269159B
CN115269159B CN202211179073.2A CN202211179073A CN115269159B CN 115269159 B CN115269159 B CN 115269159B CN 202211179073 A CN202211179073 A CN 202211179073A CN 115269159 B CN115269159 B CN 115269159B
Authority
CN
China
Prior art keywords
scheduling
edge
format
scheduling instruction
instruction
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.)
Active
Application number
CN202211179073.2A
Other languages
English (en)
Other versions
CN115269159A (zh
Inventor
李勇
韩懿彤
邹会宏
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.)
Suzhou Meiji Supply Chain Management Co ltd
Original Assignee
Suzhou Meiji Supply Chain Management 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 Suzhou Meiji Supply Chain Management Co ltd filed Critical Suzhou Meiji Supply Chain Management Co ltd
Priority to CN202211179073.2A priority Critical patent/CN115269159B/zh
Publication of CN115269159A publication Critical patent/CN115269159A/zh
Application granted granted Critical
Publication of CN115269159B publication Critical patent/CN115269159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/48—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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出基于人工智能与边缘计算支持的调度***与方法，属于智能调度技术领域。方法包括步骤S1:接收多个用户终端并行输入的多个调度指令；S2：预测运行所述运输优化模型所需的资源量；S3：获取当前时间点可用的边缘资源；S4：依次对调度队列中的调度指令进行响应；S5：更新可用的边缘资源，返回步骤S1。调度***包括运输优化模型、多个用户终端、边缘资源获取单元、资源需求参数预测单元、资源调度单元。多个用户终端包括多个目标边缘计算终端；或者，多个用户终端均为边缘计算终端。本发明的调度方案能够充分利用当前已有的边缘计算资源，结合人工智能引擎实现最大效率的资源调度与优化。

Description

基于人工智能与边缘计算支持的调度***与方法
技术领域
本发明属于智能调度技术领域，尤其涉及一种基于人工智能与边缘计算支持的调度***与方法。
背景技术
物流运输资源在仓储企业和多个运输车辆中合理分配，其目标是在众多物流服务商中选择合适的运输节点，以最低的成本满足请求者的需求。电子商务和区块链技术飞速发展的时代的到来，为现代物流业提供了新的发展方向，促使物流业考虑分布式物流资源配置方法，以消除信息不对称，并使得物流服务请求者和提供者之间可以通过信息共享提高资源利用效率。
在综合性的物流运输场合中，在同一时间会接收到大量调度需求参数，这些调度需求参数各自携带不同的目标运输重量、目标运输时段和运输目的地等目标调度需求参数。为了避免瞬时大量负载给调度引擎和服务器带来过载压力，这些调度需求参数需要排队依次处理；而为了提升用户体验避免排队延迟时间过程，通常引入分布式、并行化调度处理引擎，这些分布式、并行化调度处理引擎各自具有不同的运输优化模型，通过接受需求人员输入的调度需求参数，这些分布式、并行化调度处理引擎就可以自动化的以最优化目的为原则，给出最优化的调度建议。
但是，不同的分布式、并行化调度处理引擎所需的资源量不同，而每个调度时刻能使用的可用资源量都存在变化，由此导致调度模型的运行可能无法达到最优。
发明内容
为解决上述技术问题，本发明提出一种基于人工智能与边缘计算支持的调度***与方法。
在本发明的第一个方面，提出一种基于人工智能与边缘计算支持的调度方法，所述方法包括如下步骤：
S1:接收多个用户终端并行输入的多个调度指令，所述多个调度指令为运输优化模型的输入参数；
S2：基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
S3：获取当前时间点可用的边缘资源；
S4：基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应；
S5：更新可用的边缘资源，返回步骤S1；
其中，在所述步骤S1之后，在所述步骤S2之前，所述方法还包括如下步骤：
S11：基于人工智能引擎解析当前接收的调度指令是否符合预定格式；
当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到所述调度队列的队尾位置；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中。
所述边缘资源包括多个边缘计算终端；
所述多个用户终端包括所述多个边缘计算终端；
或者，所述多个用户终端均为边缘计算终端。
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中，具体包括：
基于所述格式调度指令包含的资源需求参数，确定所述格式调度指令的优先级；
基于所述优先级，确定所述格式调度指令在所述调度队列的***位置；
基于所述***位置，将所述格式调度指令***到所述调度队列中。
所述步骤S4具体包括：将所述调度队列中的调度指令分批次发送至多个目标边缘计算终端。
所述人工智能引擎包括语义分析引擎和格式转换引擎；
所述语义分析引擎用于抽取所述调度指令中的语义关键词；
所述格式转换引擎用于基于所述语义关键词将所述不符合预定格式的调度指令转换为格式调度指令。
所述资源需求参数包括运输优化模型运算所需资源；
所述运输优化模型运算所需资源由所述运输优化模型当前接收的输入调度值确定；
所述输入调度值由M个用户终端并行输入，M为大于1的整数。
所述M个用户终端包括N个边缘计算终端；
或者，所述M个用户终端均为边缘计算终端；N为大于1的整数。
在本发明的第二个方面，提出一种基于人工智能与边缘计算支持的调度***，所述调度***包括运输优化模型、多个用户终端、边缘资源获取单元、资源需求参数预测单元、资源调度单元；
所述多个用户终端用于并行输入所述运输优化模型的多个调度指令；
边缘资源获取单元用于获取当前时间点可用的边缘资源；
资源需求参数预测单元基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
资源调度单元基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应；
所述响应包括将调度指令分批次发送至多个目标边缘计算终端；
所述多个用户终端包括所述多个目标边缘计算终端；
或者，所述多个用户终端均为边缘计算终端。
所述***还包括调度指令解析单元；
所述调度指令解析单元基于人工智能引擎解析当前接收的调度指令是否符合预定格式；
当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到调度队列的队尾位置；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到调度队列中。
所述人工智能引擎包括语义分析引擎和格式转换引擎；
所述语义分析引擎用于抽取所述调度指令中的语义关键词；
所述格式转换引擎用于基于所述语义关键词将所述不符合预定格式的调度指令转换为格式调度指令。
本发明的调度方案能够充分利用当前已有的边缘计算资源，结合人工智能引擎实现最大效率的资源调度与优化。
本发明的更多实施例和改进效果将结合附图和具体实施例进一步介绍。
附图说明
图1是本发明一个实施例的一种基于人工智能与边缘计算支持的调度方法的步骤流程图；
图2是图1所述调度方法中调度指令进入调度队列的原理流程图；
图3是本发明再一个实施例的一种基于人工智能与边缘计算支持的调度方法的步骤流程图；
图4是本发明一个实施例的一种基于人工智能与边缘计算支持的调度***的模块架构示意图；
图5是图4所述调度***的部分模块的内部组成示意图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
图1是本发明一个实施例的一种基于人工智能与边缘计算支持的调度方法的步骤流程图；
图1所述方法实施例包括步骤S1-S5的循环迭代步骤，具体如下：
S1:接收多个用户终端并行输入的多个调度指令，所述多个调度指令为运输优化模型的输入参数；
S2：基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
S3：获取当前时间点可用的边缘资源；
S4：基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应；
S5：更新可用的边缘资源，返回步骤S1。
在图1基础上，进一步参见图2，图2是图1所述调度方法中调度指令进入调度队列的原理流程图。
具体的，在所述步骤S1之前，所述方法还包括：
S0：建立调度队列；
在所述步骤S1之后，在所述步骤S2之前，所述方法还包括如下步骤：
S11：基于人工智能引擎解析当前接收的调度指令是否符合预定格式；
当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到所述调度队列的队尾位置；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中。
调度指令可以是限定目标运输重量、目标运输时段和运输目的地的调度需求参数。
下面给出一个调度指令的具体实施例说明。
在第一种情况下，调度指令按照预定格式输入，采用固定格式表达，例如：
目标运输重量：XX吨、体积为a（cm）xb（cm）xc（cm）……
目标运输时段：8：00-12：00am；或者，14：00-18：00pm；
运输目的地：途径A、B，到达C；
此时，所述当前接收的调度指令符合预定格式，将所述当前接收的调度指令***到所述调度队列的队尾位置；
在第二种情况下，调度指令可以采用自然语言表达，例如：
“需要在每天的8：00-12：00am；或者，14：00-18：00pm，运输XX吨、体积为a（cm）xb（cm）xc（cm）的XX物资，途径A、B，到达C”。
此时，所述当前接收的调度指令不符合预定格式，需要所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，例如转换成前述第一种情况下的预定格式，将所述格式调度指令***到所述调度队列中。
之所以会存在此种差异，是因为输入调度指令的用户终端的权限不同，对于用户权限较低的用户终端，只能按照预定格式输入调度指令；而对于用户权限较高的用户终端，则可以自由输入（例如语音输入）调度指令。
因此，第一用户终端输入的调度指令符合预定格式，第二用户终端输入的调度指令不符合预定格式，第二用户终端的用户权限高于第一用户终端。
此时，第一用户终端输入的调度指令符合预定格式，并且第一用户终端权限较低，因此，直接将其***到所述调度队列的队尾位置；
而对于第一用户终端输入的调度指令，则需要确定优先级后确定***位置。
具体的，当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中，具体包括：
基于所述格式调度指令包含的资源需求参数，确定所述格式调度指令的优先级；
基于所述优先级，确定所述格式调度指令在所述调度队列的***位置；
优先级越高，***位置越靠近队列出队位置；
基于所述***位置，将所述格式调度指令***到所述调度队列中。
然后，基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应，
具体的，可以是分布式、并行化调度处理引擎依次从调度队列取出元素进行响应。
作为进一步的改进，在本发明中，分布式、并行化调度处理引擎所需的资源来自于各个边缘计算终端，即利用边缘资源完成调度响应。
每个分布式、并行化调度处理引擎所需的资源量不同。
具体的，每个分布式、并行化调度处理引擎所需的资源由当次输入的多个调度指令决定。
作为一个例子，可以通过数据库记录历史输入的调度指令在不同分布式、并行化调度处理引擎中运行日志，统计不同的调度指令在历史运行中在不同调度处理引擎执行过程的调用资源量，建立不同的调度指令、不同调度处理引擎与对应的调用资源量之间的对应关系；
当接收到当前调度指令后，可以根据上述对应关系，预测出运行运输优化模型所需的资源量。
分布式、并行化调度处理引擎可以是运输优化模型，例如现有技术常见的AI运输调度模型。
此时，所述资源需求参数包括运输优化模型运算所需资源；所述运输优化模型运算所需资源由所述运输优化模型当前接收的输入调度值确定；
所述输入调度值由M个用户终端并行输入，M为大于1的整数。
因此，所述方法进一步包括：
基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
获取当前时间点可用的边缘资源；
基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应。
具体的，可将所述调度队列中的调度指令分批次发送至多个目标边缘计算终端。
当每个分布式、并行化调度处理引擎进行响应调度后，由于每个分布式、并行化调度处理引擎已经占用了一定的边缘资源，因此，此时需要更新可用的边缘资源之后，重复上述步骤，即回到步骤S1。
在上述实施例中，所述边缘资源包括多个边缘计算终端；所述多个用户终端包括所述多个边缘计算终端；或者，所述多个用户终端均为边缘计算终端。
显然，上述配置使得物流服务请求者和提供者之间可以通过信息共享提高资源利用效率。
为了更好介绍本发明方法的技术方案，图3示出了本发明再一个实施例的一种基于人工智能与边缘计算支持的调度方法的步骤流程图。
在图3中，所述方法包括调度指令解析步骤、边缘资源获取步骤、资源调度步骤以及边缘资源更新步骤，各个步骤具体实现如下：
调度指令解析步骤：用于解析当前接收的调度指令是否符合预定格式；
边缘资源获取步骤：用于获取当前时间点可用的边缘资源；
资源调度步骤：基于当前时间点可用的边缘资源，依次对调度队列中的调度指令进行响应；
所述调度指令包含至少一个资源需求参数；
调度指令解析步骤基于人工智能引擎解析当前接收的调度指令是否符合预定格式；
当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到所述调度队列的队尾位置；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中。
所述人工智能引擎包括语义分析引擎和格式转换引擎；
所述语义分析引擎用于抽取所述调度指令中的语义关键词；
所述格式转换引擎用于基于所述语义关键词将所述不符合预定格式的调度指令转换为格式调度指令。
如前所述，所述边缘资源包括多个边缘计算终端； 所述多个用户终端包括所述多个边缘计算终端；或者，所述多个用户终端均为边缘计算终端，可使得物流服务请求者和提供者之间可以通过信息共享提高资源利用效率。
上述过程可以采用计算机程序化语言，通过指令编程自动化实现。
为此，采用参数化表达如下：
所述边缘资源包括N个边缘计算终端
Figure 458035DEST_PATH_IMAGE001
，对应N个状态参数
Figure 806846DEST_PATH_IMAGE002
状态参数
Figure 85380DEST_PATH_IMAGE003
；
其中：
Figure 780935DEST_PATH_IMAGE004
表示第i个边缘计算终端
Figure 195736DEST_PATH_IMAGE005
每次工作的最大时间长度，单位秒；
Figure 455728DEST_PATH_IMAGE006
表示第i个边缘计算终端
Figure 221558DEST_PATH_IMAGE007
包含的计算节点数量；
Figure 455225DEST_PATH_IMAGE008
表示第i个边缘计算终端
Figure 131057DEST_PATH_IMAGE009
的存储空间大小，单位为兆字节；
Figure 306823DEST_PATH_IMAGE010
表示第i个边缘计算终端
Figure 809218DEST_PATH_IMAGE011
的最大缓冲区大小，单位为兆字节；
所述资源调度步骤基于当前时间点可用的边缘资源，依次对调度队列中的调度指令进行响应，具体包括：
将所述调度队列中的调度指令分批次发送至k个目标边缘计算终端
Figure 95842DEST_PATH_IMAGE012
上，k>1;
所述k个目标边缘计算终端满足如下条件：
对于
Figure 235968DEST_PATH_IMAGE013
Figure 848215DEST_PATH_IMAGE014
Figure 572326DEST_PATH_IMAGE015
表示取集合
Figure 803587DEST_PATH_IMAGE016
中任一个元素；
其中，
Figure 47487DEST_PATH_IMAGE017
为所述调度队列的元素入队等待时间，单位秒；
Figure 315788DEST_PATH_IMAGE018
为所述调度队 列包含的调度指令对应的数据量大小，单位为兆字节。
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中，具体包括：
基于所述格式调度指令包含的资源需求参数，确定所述格式调度指令的优先级；
基于所述优先级，确定所述格式调度指令在所述调度队列的***位置；
所述优先级PR基于格式调度指令对应的原始调度指令（即不符合预定格式的调度 指令）对应的用户终端的权限等级A和资源需求参数与已有的可用的边缘资源的相似性B确 定：
Figure 543507DEST_PATH_IMAGE019
；
等级A采用1-10之间的数字量化，数字值越大，等级越高；
相似性B为（0，1）之间的百分数，可以基于资源需求参数预测运行所述运输优化模型所需的资源量，与对应的可用的边缘资源的相似性（差异度）确定。相似性的计算有多种方法，例如余弦相似度等，本发明实施例对此不做具体限制，相似度的计算方法也不是本发明的重点，对此不作具体展开。
基于所述***位置，将所述格式调度指令***到所述调度队列中。
所述方法还包括边缘资源更新步骤；
所述边缘资源更新步骤用于更新N个边缘计算终端
Figure 421202DEST_PATH_IMAGE020
的状 态参数；
在将所述调度队列中的调度指令分批次发送至k个目标边缘计算终端之后，执行所述边缘资源更新步骤。
所述资源需求参数包括运输优化模型运算所需资源；
所述运输优化模型运算所需资源由所述运输优化模型当前接收的输入调度值确定；
所述输入调度值由M个第一终端并行输入。 所述M个第一终端包括所述N个边缘计算终端；或者，所述M个第一终端均为边缘计算终端。
基于图1-图3的实施例，图4示出了本发明一个实施例的一种基于人工智能与边缘计算支持的调度***的模块架构示意图。
在图4中，所述***包括运输优化模型、多个用户终端、边缘资源获取单元、资源需求参数预测单元、资源调度单元；
所述多个用户终端用于并行输入所述运输优化模型的多个调度指令；
边缘资源获取单元用于获取当前时间点可用的边缘资源；
资源需求参数预测单元基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
资源调度单元基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应；
所述响应包括将调度指令分批次发送至多个目标边缘计算终端；
所述多个用户终端包括所述多个目标边缘计算终端；
或者，所述多个用户终端均为边缘计算终端。
所述***还包括调度指令解析单。
图5示出了调度指令解析单元的工作原理，即人工智能引擎。
所述人工智能引擎包括语义分析引擎和格式转换引擎。
所述调度指令解析单元基于人工智能引擎解析当前接收的调度指令是否符合预定格式；
当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到调度队列的队尾位置；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到调度队列中。
所述语义分析引擎用于抽取所述调度指令中的语义关键词；
所述格式转换引擎用于基于所述语义关键词将所述不符合预定格式的调度指令转换为格式调度指令。
本发明的调度方案能够充分利用当前已有的边缘计算资源，结合人工智能引擎实现最大效率的资源调度与优化。
具体的，本发明针对不同等级权限用户终端输入的多个调度指令，首先基于人工智能引擎解析当前接收的调度指令是否符合预定格式从而确定其***到队列中的位置，然后基于所述多个调度指令，预测运行所述运输优化模型所需的资源量，在获取当前时间点可用的边缘资源之后，基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应，然后更新边缘资源，并且所述边缘资源包括多个边缘计算终端；所述多个用户终端包括所述多个边缘计算终端；或者，所述多个用户终端均为边缘计算终端，不仅充分利用当前已有的边缘计算资源，结合人工智能引擎实现最大效率的资源调度与优化，而且体现了物流服务请求者和提供者之间的信息共享，提高资源利用效率。
需要注意的是，本发明的每个实施例均可以单独解决部分技术问题，其组合可以解决全部技术问题，但是并不要求每一个单独的实施例都解决所有技术问题并达到所有技术效果。
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。

Claims (4)

1.一种基于人工智能与边缘计算支持的调度方法，其特征在于，所述方法包括如下步骤：
S1:接收多个用户终端并行输入的多个调度指令，所述多个调度指令为运输优化模型的输入参数；
S2：基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
S3：获取当前时间点可用的边缘资源；
S4：基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应；
S5：更新可用的边缘资源，返回步骤S1；
所述边缘资源包括多个边缘计算终端；
所述多个用户终端包括所述多个边缘计算终端；或者，所述多个用户终端均为边缘计算终端；
步骤S4具体包括：将所述调度队列中的调度指令分批次发送至多个目标边缘计算终端；
其中，在步骤S1之后，在步骤S2之前，所述方法还包括如下步骤：
S11：基于人工智能引擎解析当前接收的调度指令是否符合预定格式；当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到所述调度队列的队尾位置；当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中，具体包括：基于所述格式调度指令包含的资源需求参数，确定所述格式调度指令的优先级；基于所述优先级，确定所述格式调度指令在所述调度队列的***位置；基于所述***位置，将所述格式调度指令***到所述调度队列中；
所述资源需求参数包括运输优化模型运算所需资源；所述运输优化模型运算所需资源由所述运输优化模型当前接收的输入调度值确定；所述输入调度值由M个用户终端并行输入，M为大于1的整数；
所述边缘资源包括N个边缘计算终端{Edge1，Edge2，…，EdgeN}，对应N个状态参数{EdgeT1，EdgeT2，…，EdgeTN}，N＞1；
状态参数EdgeTi＝(TimeLeni,numNodei,Memi,Bufferi)；i＝1,2,3,…,N；
其中：
TimeLeni表示第i个边缘计算终端Edgei每次工作的最大时间长度，单位为秒；
numNodei表示第i个边缘计算终端Edgei包含的计算节点数量；
Memi表示第i个边缘计算终端Edgei的存储空间大小，单位为兆字节；
Bufferi表示第i个边缘计算终端Edgei的最大缓冲区大小，单位为兆字节；
资源调度步骤基于当前时间点可用的边缘资源，依次对调度队列中的调度指令进行响应，具体包括：
将所述调度队列中的调度指令分批次发送至k个目标边缘计算终端{Edgeo1，Edgeo2，…，Edgeok}上，k＞1，并且k≤N；
所述k个目标边缘计算终端满足如下条件：
对于
Figure FDA0004185182200000021
Figure FDA0004185182200000022
Figure FDA0004185182200000023
Figure FDA0004185182200000024
表示取集合{o1,o2,...，ok}中任一个元素；
其中，Tqueue为所述调度队列的元素入队等待时间，单位为秒；Dqueue为所述调度队列包含的调度指令对应的数据量大小，单位为兆字节；
所述优先级PR基于以下公式确定：
Figure FDA0004185182200000025
A为格式调度指令对应的原始调度指令对应的用户终端的权限等级，A采用1-10之间的数字量化，数字值越大，等级越高；
B表示已有的可用的边缘资源的相似性，相似性B为(0，1)之间的百分数。
2.如权利要求1所述的一种基于人工智能与边缘计算支持的调度方法，其特征在于，
所述人工智能引擎包括语义分析引擎和格式转换引擎；
所述语义分析引擎用于抽取所述调度指令中的语义关键词；
所述格式转换引擎用于基于所述语义关键词将所述不符合预定格式的调度指令转换为格式调度指令。
3.一种基于人工智能与边缘计算支持的调度***，所述调度***包括运输优化模型；
其特征在于，所述***还包括：
多个用户终端，所述多个用户终端用于并行输入所述运输优化模型的多个调度指令；
边缘资源获取单元：用于获取当前时间点可用的边缘资源；
资源需求参数预测单元，基于所述多个调度指令，预测运行所述运输优化模型所需的资源量；
资源调度单元：基于当前时间点可用的边缘资源与所述运行所述运输优化模型所需的资源量，依次对调度队列中的调度指令进行响应；
所述响应包括将调度指令分批次发送至多个目标边缘计算终端；
所述多个用户终端包括所述多个目标边缘计算终端；或者，所述多个用户终端均为边缘计算终端；
所述***还包括调度指令解析单元；所述调度指令解析单元基于人工智能引擎解析当前接收的调度指令是否符合预定格式；当所述当前接收的调度指令符合预定格式时，将所述当前接收的调度指令***到调度队列的队尾位置；当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到调度队列中；
当所述当前接收的调度指令不符合预定格式时，所述人工智能引擎对所述当前接收的调度指令进行格式转换后得到格式调度指令，将所述格式调度指令***到所述调度队列中，具体包括：基于所述格式调度指令包含的资源需求参数，确定所述格式调度指令的优先级；基于所述优先级，确定所述格式调度指令在所述调度队列的***位置；基于所述***位置，将所述格式调度指令***到所述调度队列中；
所述资源需求参数包括运输优化模型运算所需资源；所述运输优化模型运算所需资源由所述运输优化模型当前接收的输入调度值确定；所述输入调度值由M个用户终端并行输入，M为大于1的整数；
所述边缘资源包括N个边缘计算终端{Edge1，Edge2，…，EdgeN}，对应N个状态参数{EdgeT1，EdgeT2，…，EdgeTN}，N＞1；
状态参数EdgeTi＝(TimeLeni,numNodei,Memi,Bufferi)；i＝1,2,3,…,N；
其中：
TimeLeni表示第i个边缘计算终端Edgei每次工作的最大时间长度，单位为秒；
numNodei表示第i个边缘计算终端Edgei包含的计算节点数量；
Memi表示第i个边缘计算终端Edgei的存储空间大小，单位为兆字节；
Bufferi表示第i个边缘计算终端Edgei的最大缓冲区大小，单位为兆字节；
资源调度步骤基于当前时间点可用的边缘资源，依次对调度队列中的调度指令进行响应，具体包括：
将所述调度队列中的调度指令分批次发送至k个目标边缘计算终端{Edgeo1，Edgeo2，…，Edgeok}上，k＞1，并且k≤N；
所述k个目标边缘计算终端满足如下条件：
对于
Figure FDA0004185182200000041
Figure FDA0004185182200000042
Figure FDA0004185182200000043
Figure FDA0004185182200000044
表示取集合{o1,o2,...，ok}中任一个元素；
其中，Tqueue为所述调度队列的元素入队等待时间，单位为秒；Dqueue为所述调度队列包含的调度指令对应的数据量大小，单位为兆字节；
所述优先级PR基于以下公式确定：
Figure FDA0004185182200000045
A为格式调度指令对应的原始调度指令对应的用户终端的权限等级，A采用1-10之间的数字量化，数字值越大，等级越高；
B表示已有的可用的边缘资源的相似性，相似性B为(0，1)之间的百分数。
4.如权利要求3所述的一种基于人工智能与边缘计算支持的调度***，其特征在于：
所述人工智能引擎包括语义分析引擎和格式转换引擎；
所述语义分析引擎用于抽取所述调度指令中的语义关键词；
所述格式转换引擎用于基于所述语义关键词将所述不符合预定格式的调度指令转换为格式调度指令。
CN202211179073.2A 2022-09-27 2022-09-27 基于人工智能与边缘计算支持的调度***与方法 Active CN115269159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211179073.2A CN115269159B (zh) 2022-09-27 2022-09-27 基于人工智能与边缘计算支持的调度***与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211179073.2A CN115269159B (zh) 2022-09-27 2022-09-27 基于人工智能与边缘计算支持的调度***与方法

Publications (2)

Publication Number Publication Date
CN115269159A CN115269159A (zh) 2022-11-01
CN115269159B true CN115269159B (zh) 2023-05-30

Family

ID=83756618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211179073.2A Active CN115269159B (zh) 2022-09-27 2022-09-27 基于人工智能与边缘计算支持的调度***与方法

Country Status (1)

Country Link
CN (1) CN115269159B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439028B (zh) * 2022-11-08 2023-03-24 苏州美集供应链管理股份有限公司 一种跟随数据动态变化的运输资源优化***与方法
CN116560838B (zh) * 2023-05-05 2024-03-29 上海玫克生储能科技有限公司 边缘计算终端设备、综合能源站、管理平台及其控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407196A (zh) * 2015-07-29 2017-02-15 成都诺铱科技有限公司 应用于物流管理软件的语义分析智能指令机器人
CN111427681B (zh) * 2020-02-19 2023-02-17 上海交通大学 边缘计算中基于资源监控的实时任务匹配调度***和方法
CN111901573A (zh) * 2020-08-17 2020-11-06 泽达易盛（天津）科技股份有限公司 一种基于边缘计算的细颗粒度实时监管***
CN112738225B (zh) * 2020-12-29 2022-06-10 浙江经贸职业技术学院 基于人工智能的边缘计算方法
CN113360265B (zh) * 2021-06-18 2021-12-28 特斯联科技集团有限公司 一种大数据运算任务调度和监控***及方法
CN113791906A (zh) * 2021-08-09 2021-12-14 戴西(上海)软件有限公司 基于gpu资源在人工智能与工程领域调度***及优化算法

Also Published As

Publication number Publication date
CN115269159A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115269159B (zh) 基于人工智能与边缘计算支持的调度***与方法
CN109271015B (zh) 一种降低大规模分布式机器学习***能耗的方法
CN107181776B (zh) 一种数据处理方法及相关设备、***
CN111752708A (zh) 一种基于深度学习的存储***自适应参数调优方法
CN114679451B (zh) 面向边缘计算的服务调度***及其调度方法
CN111291054B (zh) 一种数据处理方法、装置、计算机设备和存储介质
CN114064261A (zh) 基于工业边缘计算***的多维异构资源量化方法及装置
CN109656712B (zh) 一种提取grib码数据的方法及***
CN113434303A (zh) 批处理的遥感影像智能处理模型预测性能优化***及方法
CN117573328B (zh) 基于多模型驱动的并行任务快速处理方法及***
CN114356712A (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
CN117707759A (zh) 一种多租户gpu集群弹性配额调度方法和***
CN116974994A (zh) 一种基于集群的高效能文件协作***
CN106844024A (zh) 一种自学习运行时间预测模型的gpu/cpu调度方法及***
CN115357651A (zh) 一种基于调度中心的etl***
CN112272231B (zh) 一种面向智能制造场景的边云协同服务编排方法
CN114756376A (zh) 一种跨领域多业务资源自动适配维护平台
CN112187894B (zh) 一种基于负载相关性预测的容器动态调度方法
CN117170886B (zh) 一种面向大连接视频分析的连续学习资源调度方法及装置
CN116938934B (zh) 一种基于报文的任务切换控制方法及***
Alashqar et al. Examining the Design Patterns of Microservices for Achieving Performance Quality Tactics
CN118069331B (zh) 一种基于数字孪生的智能采集任务调度方法及装置
CN113162962B (zh) 一种传感器接收***及其接收方法
CN117555695B (zh) 一种基于并行计算实现异构计算的优化方法及***
CN116578406B (zh) 面向分布式机器学***台连续运行调度方法

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