CN117319505B - 一种面向软件定义卫星共享网络的星上任务抢单*** - Google Patents
一种面向软件定义卫星共享网络的星上任务抢单*** Download PDFInfo
- Publication number
- CN117319505B CN117319505B CN202311617524.0A CN202311617524A CN117319505B CN 117319505 B CN117319505 B CN 117319505B CN 202311617524 A CN202311617524 A CN 202311617524A CN 117319505 B CN117319505 B CN 117319505B
- Authority
- CN
- China
- Prior art keywords
- task
- data
- satellite
- request
- key
- 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
Links
- 239000003016 pheromone Substances 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000586 desensitisation Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 6
- 238000013468 resource allocation Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/06—Airborne or Satellite Networks
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Radio Relay Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机网络通讯技术领域,本发明公开了一种面向软件定义卫星共享网络的星上任务抢单***,基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;基于任务节点数据经过哈希处理生成任务排序表;基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
Description
技术领域
本发明涉及计算机网络通讯技术领域,更具体地说,本发明涉及一种面向软件定义卫星共享网络的星上任务抢单***。
背景技术
软件定义卫星网络为将软件定义网络应用在卫星网络管理中的技术,软件定义卫星网络能够降低卫星网络的路由管理难度。通过使用任务抢单***,可以更有效地利用这些资源,确保它们被分配给最优先的任务,从而最大程度地提高卫星的整体效益,实现任务的发布、抢单、调度、执行和监控,以确保***的高效运行和可靠性。
中国公开号为:CN113190345A公开了一种面向软件定义卫星的神经网络模型部署的方法以及装置;通过上注文件上注到软件定义卫星,在软件定义卫星的支持下,可实现任意神经网络模型的在轨运行;
在定义卫星需要根据实时的需求和***状态动态地调整任务分配和资源配置,任务抢单***能够协调和管理这些不同来源的任务请求,确保它们之间的冲突最小化,并提供公平的资源分配。
但是还存在以下问题:
在卫星共享网络中,不同任务之间可能存在冲突,例如多个用户在对同一任务请求相同频谱,如何进行合理的分配是现在亟需解决的一个问题,奖励激励制度匮乏,距离形成灵活高效的抢单任务数据运用生态仍有较大差距。
通过实现动态的任务调度和资源分配时,等待时间较长,无法及时分配任务,因而适应新的任务需求的速度较慢,无法提升用户体验。
鉴于此,本发明提供了一种面向软件定义卫星共享网络的星上任务抢单***。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种面向软件定义卫星共享网络的星上任务抢单***。
根据本发明的一个方面,提供了一种面向软件定义卫星共享网络的星上任务抢单***,卫星共享网络通过软件定义网络架构划分为网络控制层与数据分析层,所述数据分析层和网络控制层应用于虚拟机中,所述虚拟机分别与云终端远程通信连接,包括:
所述数据分析层包括:数据接收模块、数据预处理模块和数据更新模块数据整合模块;
所述数据接收模块,接收用户在虚拟机前端上发布任务需求,基于所述任务需求生成请求文本;将请求文本发送至数据预处理模块;
数据预处理模块,基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;将关键信息素发送至数据更新模块;
数据更新模块,将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;将更新后的任务节点数据发送至数据整合模块;
数据整合模块,基于任务节点数据经过哈希处理生成任务排序表,将任务排序表发送至任务分配模块;
任务分配模块,基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
作为本发明的一种优选方案,所述请求文本的生成逻辑为:
用户在虚拟机前端输入的多模态信息,所述多模态信息包括但不限于文本信息、语音信息和图像视频信息;
将不同模态的信息整合在一个初始文本文件中,所述初始文本文件基于历史行为数据转换数据,生成贴合用户习惯的任务请求数据;
将任务请求数据进行信息整合并反馈至虚拟机前端,用户未查询到所需要的任务请求数据,则重新输入多模态信息,直至用户选取需要的任务请求数据,并将选取的任务请求数据标记为请求文本。
作为本发明的一种优选方案,所述任务请求单的获取逻辑为:
基于请求文本提取任务关键字,将任务关键字以雷达图的形式可视化表达,以当前任务需求的数据节点为中心,将每个任务关键字作为一个雷达信号,并根据任务关键字与用户任务需求之间的余弦相似距离标记为雷达信号的长度;
基于雷达信号的长度设置为任务关键字设置优先级,根据优先级排序生成任务请求单。
作为本发明的一种优选方案,所述关键信息素的获取逻辑为:
将当前数据节点上的任务关键字为网络学习模型的输入端,所述任务关键字与用户对应的任务需求之间的余弦相似距离为预测输出值;
利用网络训练结果学习逼近,所述任务关键字与用户对应的真实任务需求为目标输出值,所述目标输出值为预测输出值的预测目标;以最小化所有目标输出值和预测输出值的差值作为训练目标;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练;
任务关键字与用户对应的任务需求之间的余弦相似距离经过训练后标记为雷达信号的长度;将雷达信号的长度的倒数标记为对应任务关键字优先级的权重因子;
基于权重因子的大小划分抢单任务等级;基于抢单任务等级依次进行概率赋值,从而获得任务关键字的信息素;
将所有关键字的信息素累计获得当前任务需求的关键信息素。
作为本发明的一种优选方案,所述任务节点数据的更新逻辑为:
将任务发布所在虚拟机前端对应位置的通信链路速率和能源消耗率通过公式更新当前虚拟机前端对应位置的关键信息素;
所述公式为:
式中,为第/>个抢单时刻,/>为第/>个抢单时刻的信息素,/>为第/>个抢单时刻后经过/>的目标抢单时刻,/>为经过***计算的目标抢单时刻;/>为目标抢单时刻的信息素,/>为第/>个抢单时刻数据能源消耗率;/>为第/>个抢单时刻数据传输的带宽;/>表示第/>个抢单时刻对应数据节点的雷达长度;
判断更新后的当前虚拟机前端对应位置的关键信息素是否大于预设任务信息阈值,
若某个任务关键字的关键信息素大于任务信息阈值,则对对应任务关键字进行数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,更新虚拟机前端对应位置的任务请求单,并标记为任务节点数据。
作为本发明的一种优选方案,所述任务排序表的应用逻辑为:
基于所有任务的关键信息素构成任务排序初始表;
提取当前虚拟机前端对应位置对应关键信息素大于预设任务信息阈值的任务关键字被数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,得到任务排序表。
作为本发明的一种优选方案,所述任务排序表的生成逻辑为:
基于所有任务的任务节点数据提取对应任务节点的卫星节点位置,构成抢单序列表;
将任务请求单进行哈希散列处理,得到所述任务请求的哈希散列值,将哈希散列值与卫星节点位置确定抢单序列表的映射关系;
通过抢单序列表查找抢单任务,并对所有的任务请求单都遍历完一次迭代获得所有任务节点数据对应在同一维度下的关键信息素,对关键信息素进行排序,并根据排序结果对卫星节点的能力和任务需求进行任务分配和调度。
作为本发明的一种优选方案,动态地调整卫星的工作模式包括以下步骤:
基于任务排序表中的任务关键信息素确定卫星节点位置对应的抢单任务,确定初始化蚁群算法中的信息素初始值;
每个卫星节点位置对应的抢单任务按照概率公式选择下一个卫星节点位置对应的抢单任务;具体概率公式为:
;
其中,为第/>个卫星节点,寻找下一个卫星节点j+1,/>为第/>个卫星节点的信息素,/>为第/>个卫星节点能量损耗率,/>、/>为蚁群算法参数;
所有卫星节点中的每个卫星节点都遍历完一次迭代,获得所有抢单任务量一致的解,对所有抢单任务量一致的解进行计算分析,获得***处理数据的数量,选择***处理数据的数量最大对应的解去更新信息素;
对于更新后的信息素,重复上述步骤使得所有解一致,从而更新任务排序表;根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
根据本发明的另一个方面,提供了一种面向软件定义卫星共享网络的星上任务抢单方法,基于所述的一种面向软件定义卫星共享网络的星上任务抢单***,包括以下步骤:
接收用户在虚拟机前端上发布任务需求,基于所述任务需求生成请求文本;
基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;
将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;
基于任务节点数据经过哈希处理生成任务排序表;
基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
根据本发明的又一个方面,提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述一种面向软件定义卫星共享网络的星上任务抢单***。
本发明一种面向软件定义卫星共享网络的星上任务抢单***的技术效果和优点:
本发明涉及的星上任务抢单***通过智能的任务处理和资源优化,提高卫星***的整体性能和用户体验,首先通过软件定义网络架构和蚁群算法,快速地调整任务执行顺序和卫星工作模式,以适应不同任务需求和卫星状态的变化;并实时监控任务的执行进度,交互性提高了用户体验。
附图说明
图1为本发明一种面向软件定义卫星共享网络的星上任务抢单***模块图;
图2为本发明一种面向软件定义卫星共享网络的星上任务抢单***流程图;
图3为本发明一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
面向软件定义卫星共享网络的星上任务抢单***是一种用于卫星任务管理和资源分配的***。该***旨在提高卫星资源的利用率,通过动态地分配任务和调整卫星的工作模式来满足不同用户和应用的需求。因此使用软件定义网络架构实现对卫星网络的灵活控制和管理。
卫星共享网络通过软件定义网络架构划分为网络控制层200与数据分析层100,实现动态的任务调度和资源分配;所述数据分析层负责处理卫星采集到的数据,并根据用户的需求进行分析,可以帮助用户更好地理解卫星数据,但在任务抢单***中,更关键的是任务管理和资源分配。因此,可能需要进一步明确任务管理模块的角色,以确保任务分配的智能性和***的动态性。
通过数据分析层100与网络控制层200的连接,可以提交任务请求和获取任务执行的状态,连接到云终端可用于更广泛的数据处理、存储和用户界面等方面,使***更加全面。
实施例1
本发明提供了如图1所示的一种面向软件定义卫星共享网络的星上任务抢单***,卫星共享网络通过软件定义网络架构划分为网络控制层200与数据分析层100,所述数据分析层100和网络控制层200应用于虚拟机中,所述虚拟机分别与云终端远程通信连接;上述各个模块通过有线和/或无线连接的方式连接,实现各个模块间的数据传输;
所述数据分析层100包括:数据接收模块101、数据预处理模块102和数据更新模块103;
所述数据接收模块101,接收用户在虚拟机前端上发布任务需求,基于所述任务需求生成请求文本;将请求文本发送至数据预处理模块102;
具体所述请求文本的生成逻辑为:
用户在虚拟机前端输入的多模态信息,所述多模态信息包括但不限于文本信息、语音信息和图像视频信息;
将不同模态的信息整合在一个初始文本文件中,所述初始文本文件基于历史行为数据转换数据,生成贴合用户习惯的任务请求数据;
具体示例:将文本信息直接提取为文本文件,将语音信息通过语音识别转换为文本,将图像信息中的文字通过光学字符识别提取为文本。最终将这些文本信息整合到一个初始文本文件中。
所述虚拟机前端为用户常用机器设备,可以通过客户同意,获取用户的历史行为数据,例如过去的喜好、点击记录、购买记录等,对初始文本文件进行进一步的数据转换,基于用户习惯推荐任务请求数据;这可避免用户在数据请求时,不清楚抢单规则,下错单的问题,可以根据用户历史行为数据,包含过去用户的偏好、点击过的话题、参与的抢单任务等信息,可以初步了解用户,在了解用户的基础上推荐抢单任务或生成个性化信息。
将任务请求数据进行信息整合并反馈至虚拟机前端,用户未查询到所需要的任务请求数据,则重新输入多模态信息,直至用户选取需要的任务请求数据,并将选取的任务请求数据标记为请求文本。
示例:最终的请求文本包括用户的个人资料、多模态信息、历史行为数据等,以便后续分析和应用。将用户的多模态信息和历史行为数据整合到一个结构化的文本文件中,以方便后续处理、分析和应用。最终文本文件可以用于构建个性化推荐***、社交网络分析等应用场景。实际实现中,具体的转换和整合步骤可能根据***需求和数据类型进行调整。
数据预处理模块102,基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;将关键信息素发送至数据更新模块103;
具体可以理解为:如果有多个用户发布了任务需求,根据关键字、任务优先级等信息,智能化地决定哪个任务应该被优先执行,从而降低任务之间的冲突,确保任务的有序执行,从而提高整体任务执行效率。
另外,智能化也是按照事先预设的规则,但是在实际应用中,发布抢单任务的人和执行抢单任务的人存在差异化,可能因为理解的差异对抢单的选择会存在偏差,基于这种情况,就需要针对任务需求进行个性化的定制,因此对于任务请求单中的关键字首先通过智能化的展示在用户面前,用户可以根据个性化需求,对关键字设置优先级。
所述任务请求单的获取逻辑为:
基于请求文本提取任务关键字,将任务关键字以雷达图的形式可视化表达,以当前任务需求的数据节点为中心,将每个任务关键字作为一个雷达信号,并根据任务关键字与用户任务需求之间的余弦相似距离标记为雷达信号的长度;
基于雷达信号的长度设置为任务关键字设置优先级,根据优先级排序生成任务请求单。
所述关键信息素的获取逻辑为:
将当前数据节点上的任务关键字为网络学习模型的输入端,所述任务关键字与用户对应的任务需求之间的余弦相似距离为预测输出值;
利用网络训练结果学习逼近,所述任务关键字与用户对应的真实任务需求为目标输出值,所述目标输出值为预测输出值的预测目标;以最小化所有目标输出值和预测输出值的差值作为训练目标;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练;
任务关键字与用户对应的任务需求之间的余弦相似距离经过训练后标记为雷达信号的长度;将雷达信号的长度的倒数标记为对应任务关键字优先级的权重因子;
基于权重因子的大小划分抢单任务等级;基于抢单任务等级依次进行概率赋值,从而获得任务关键字的信息素;
将所有关键字的信息素累计获得当前任务需求的关键信息素。
这里需要说明的是:任务关键字优先级的权重因子对应表示的是任务关键字对应任务需求的重要程度,更加明确界限任务关键字的优先级。进而最后生成关键信息素,用于后续的任务抢单等级划分和概率赋值,以提高任务关键字的处理效率和优先级。
数据更新模块103,将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;将更新后的任务节点数据发送至数据整合模块201;
所述任务节点数据的更新逻辑为:
将任务发布所在虚拟机前端对应位置的通信链路速率和能源消耗率通过公式更新当前虚拟机前端对应位置的关键信息素;
所述公式为:
式中,为第/>个抢单时刻,/>为第/>个抢单时刻的信息素,/>为第/>个抢单时刻后经过/>的目标抢单时刻,/>为经过***计算的目标抢单时刻;/>为目标抢单时刻的信息素,/>为第/>个抢单时刻数据能源消耗率;/>为第/>个抢单时刻数据传输的带宽;/>表示第/>个抢单时刻对应数据节点的雷达长度;
判断更新后的当前虚拟机前端对应位置的关键信息素是否大于预设任务信息阈值,
若某个任务关键字的关键信息素大于任务信息阈值,则对对应任务关键字进行数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,更新虚拟机前端对应位置的任务请求单,并标记为任务节点数据。
网络控制层200包括数据整合模块201和任务分配模块202;
数据整合模块201,基于任务节点数据经过哈希处理生成任务排序表,将任务排序表发送至任务分配模块202;
具体可以理解为:任务排序表优化卫星资源的利用,具体根据卫星的当前状态、通信链路质量等信息,动态地决定将哪个卫星分配给哪个任务,以最大程度地提高卫星资源的使用效率。
所述任务排序表的生成逻辑为:
基于所有任务的任务节点数据提取对应任务节点的卫星节点位置,构成抢单序列表;
将任务请求单进行哈希散列处理,得到所述任务请求的哈希散列值,将哈希散列值与卫星节点位置确定抢单序列表的映射关系;
通过抢单序列表查找抢单任务,并对所有的任务请求单都遍历完一次迭代获得所有任务节点数据对应在同一维度下的关键信息素,对关键信息素进行排序,并根据排序结果对卫星节点的能力和任务需求进行任务分配和调度。
此处任务节点数据已经发送至虚拟机后端,虚拟机后端获取所有任务的任务节点数据,每个任务节点数据对应有一个卫星节点位置,这里的卫星节点位置包括任务节点所在的卫星的地理位置或标识符。将提取的卫星节点位置信息构成抢单序列表,可以描述任务节点所在卫星的位置顺序,任务请求单哈希散列处理获取唯一地标识每个任务请求。将哈希散列值与卫星节点位置建立映射关系,以确定每个任务请求的哈希散列值对应的抢单序列表的位置。
基于上述配置,再将任务节点数据中包含的关键信息素,通过关键信息素确定任务的优先级和排序结果,以最大程度地提高卫星***的效率,以最大程度地提高卫星***的效率,可以在不同的任务和场景下进行调整和优化。
任务分配模块202,基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
动态地调整卫星的工作模式包括以下步骤:
基于任务排序表中的任务关键信息素确定卫星节点位置对应的抢单任务,确定初始化蚁群算法中的信息素初始值;
每个卫星节点位置对应的抢单任务按照概率公式选择下一个卫星节点位置对应的抢单任务;具体概率公式为:
;
其中,为第/>个卫星节点,寻找下一个卫星节点j+1,/>为第/>个卫星节点的信息素,/>为第/>个卫星节点能量损耗率,/>、/>为蚁群算法参数;
所有卫星节点中的每个卫星节点都遍历完一次迭代,获得所有抢单任务量一致的解,对所有抢单任务量一致的解进行计算分析,获得***处理数据的数量,选择***处理数据的数量最大对应的解去更新信息素;
对于更新后的信息素,重复上述步骤使得所有解一致,从而更新任务排序表;根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
需要说明的是:在任务执行的过程中,实时监控卫星节点和任务的状态。根据实时监控数据,可以进行进一步的调整和优化,设置任务执行的反馈机制,以收集任务执行的结果和性能数据。这些反馈数据可以用于进一步优化算法和工作模式,以处理任务执行中可能出现的异常情况,例如任务失败或卫星节点故障。***应该能够适应这些情况并重新规划任务,持续优化任务分配算法和卫星工作模式,包括对蚁群算法参数的调整、机器学习模型的再训练等。
本发明采用的星上任务抢单***,通过数据分析层100的处理,并结合蚁群算法的智能分析生成任务排序表,然后通过网络控制层200将这个顺序应用于卫星***的任务分配和工作模式调整,目标是最大程度地提高卫星***的效率和性能,通过智能算法、实时监控和反馈机制,***可以灵活地适应不同任务需求和卫星节点状态的变化,满足不同用户和应用的需求,提高了***的灵活性和效率。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置;
实施例2
如图2所示,本实施例提供一种面向软件定义卫星共享网络的星上任务抢单方法,卫星共享网络通过软件定义网络架构划分为网络控制层200与数据分析层100,所述数据分析层100和网络控制层200应用于虚拟机中,所述虚拟机分别与云终端远程通信连接,包括以下步骤:
接收用户在虚拟机前端上发布任务需求,基于所述任务需求生成请求文本;
基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;
将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;
基于任务节点数据经过哈希处理生成任务排序表;
基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
作为本发明的一种优选方案,所述请求文本的生成逻辑为:
用户在虚拟机前端输入的多模态信息,所述多模态信息包括但不限于文本信息、语音信息和图像视频信息;
将不同模态的信息整合在一个初始文本文件中,所述初始文本文件基于历史行为数据转换数据,生成贴合用户习惯的任务请求数据;
将任务请求数据进行信息整合并反馈至虚拟机前端,用户未查询到所需要的任务请求数据,则重新输入多模态信息,直至用户选取需要的任务请求数据,并将选取的任务请求数据标记为请求文本。
作为本发明的一种优选方案,所述任务请求单的获取逻辑为:
基于请求文本提取任务关键字,将任务关键字以雷达图的形式可视化表达,以当前任务需求的数据节点为中心,将每个任务关键字作为一个雷达信号,并根据任务关键字与用户任务需求之间的余弦相似距离标记为雷达信号的长度;
基于雷达信号的长度设置为任务关键字设置优先级,根据优先级排序生成任务请求单。
作为本发明的一种优选方案,所述关键信息素的获取逻辑为:
将当前数据节点上的任务关键字为网络学习模型的输入端,所述任务关键字与用户对应的任务需求之间的余弦相似距离为预测输出值;
利用网络训练结果学习逼近,所述任务关键字与用户对应的真实任务需求为目标输出值,所述目标输出值为预测输出值的预测目标;以最小化所有目标输出值和预测输出值的差值作为训练目标;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练;
任务关键字与用户对应的任务需求之间的余弦相似距离经过训练后标记为雷达信号的长度;将雷达信号的长度的倒数标记为对应任务关键字优先级的权重因子;
基于权重因子的大小划分抢单任务等级;基于抢单任务等级依次进行概率赋值,从而获得任务关键字的信息素;
将所有关键字的信息素累计获得当前任务需求的关键信息素。
作为本发明的一种优选方案,所述任务节点数据的更新逻辑为:
将任务发布所在虚拟机前端对应位置的通信链路速率和能源消耗率通过公式更新当前位置的关键信息素;
所述公式为:
式中,为第/>个抢单时刻,/>为第/>个抢单时刻的信息素,/>为第/>个抢单时刻后经过/>的目标抢单时刻,/>为经过***计算的目标抢单时刻;/>为目标抢单时刻的信息素,/>为第/>个抢单时刻数据能源消耗率;/>为第/>个抢单时刻数据传输的带宽;/>表示第/>个抢单时刻对应数据节点的雷达长度;
判断更新后的当前虚拟机前端对应位置的关键信息素是否大于预设任务信息阈值,
若某个任务关键字的关键信息素大于任务信息阈值,则对对应任务关键字进行数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,更新虚拟机前端对应位置的任务请求单,并标记为任务节点数据。
作为本发明的一种优选方案,所述任务排序表的应用逻辑为:
基于所有任务的关键信息素构成任务排序初始表;
提取当前虚拟机前端对应位置对应关键信息素大于预设任务信息阈值的任务关键字被数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,得到任务排序表。
作为本发明的一种优选方案,所述任务排序表的生成逻辑为:
基于所有任务的任务节点数据提取对应任务节点的卫星节点位置,构成抢单序列表;
将任务请求单进行哈希散列处理,得到所述任务请求的哈希散列值,将哈希散列值与卫星节点位置确定抢单序列表的映射关系;
通过抢单序列表查找抢单任务,并对所有的任务请求单都遍历完一次迭代获得所有任务节点数据对应在同一维度下的关键信息素,对关键信息素进行排序,并根据排序结果对卫星节点的能力和任务需求进行任务分配和调度。
作为本发明的一种优选方案,动态地调整卫星的工作模式包括以下步骤:
基于任务排序表中的任务关键信息素确定卫星节点位置对应的抢单任务,确定初始化蚁群算法中的信息素初始值;
每个卫星节点位置对应的抢单任务按照概率公式选择下一个卫星节点位置对应的抢单任务;具体概率公式为:
;
其中,为第/>个卫星节点,寻找下一个卫星节点j+1,/>为第/>个卫星节点的信息素,/>为第/>个卫星节点能量损耗率,/>、/>为蚁群算法参数;
所有卫星节点中的每个卫星节点都遍历完一次迭代,获得所有抢单任务量一致的解,对所有抢单任务量一致的解进行计算分析,获得***处理数据的数量,选择***处理数据的数量最大对应的解去更新信息素;
对于更新后的信息素,重复上述步骤使得所有解一致,从而更新任务排序表;根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
实施例3
根据示例性实施例示出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种面向软件定义卫星共享网络的星上任务抢单***。
图3是本申请实施例提供的一种电子设备的结构示意图,该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上处理器(Central ProcessingUnits,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该至少一条计算机程序由该处理器加载并执行以实现上述各个方法实施例提供的基于深度神经网络的股票算法交易方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有线或无线网络接口以及输入输出接口等部件,以便进行输入输出。本申请实施例在此不做赘述。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种面向软件定义卫星共享网络的星上任务抢单***,卫星共享网络通过软件定义网络架构划分为网络控制层与数据分析层,所述数据分析层和网络控制层应用于虚拟机中,所述虚拟机分别与云终端远程通信连接,其特征在于:包括:
所述数据分析层包括:数据接收模块、数据预处理模块和数据更新模块;
所述数据接收模块,接收用户在虚拟机前端上发布任务需求,基于所述任务需求生成请求文本;将请求文本发送至数据预处理模块;
数据预处理模块,基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;将关键信息素发送至数据更新模块;
数据更新模块,将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;将更新后的任务节点数据发送至数据整合模块;
网络控制层包括数据整合模块和任务分配模块;
数据整合模块,基于任务节点数据经过哈希处理生成任务排序表,将任务排序表发送至任务分配模块;
任务分配模块,基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式;
动态地调整卫星的工作模式包括以下步骤:
基于任务排序表中的任务关键信息素确定卫星节点位置对应的抢单任务,确定初始化蚁群算法中的信息素初始值;
每个卫星节点位置对应的抢单任务按照概率公式选择下一个卫星节点位置对应的抢单任务;具体概率公式为:
;
其中,为第/>个卫星节点,寻找下一个卫星节点j+1,/>为第/>个卫星节点的信息素,/>为第/>个卫星节点能量损耗率,/>、/>为蚁群算法参数;
所有卫星节点中的每个卫星节点都遍历完一次迭代,获得所有抢单任务量一致的解,对所有抢单任务量一致的解进行计算分析,获得***处理数据的数量,选择***处理数据的数量最大对应的解去更新信息素;
对于更新后的信息素,重复上述步骤使得所有解一致,从而更新任务排序表;根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
2.根据权利要求1所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于,所述请求文本的生成逻辑为:
用户在虚拟机前端输入的多模态信息,所述多模态信息包括但不限于文本信息、语音信息和图像视频信息;
将不同模态的信息整合在一个初始文本文件中,所述初始文本文件基于历史行为数据转换数据,生成贴合用户习惯的任务请求数据;
将任务请求数据进行信息整合并反馈至虚拟机前端,用户未查询到所需要的任务请求数据,则重新输入多模态信息,直至用户选取需要的任务请求数据,并将选取的任务请求数据标记为请求文本。
3.根据权利要求2所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于:所述任务请求单的获取逻辑为:
基于请求文本提取任务关键字,将任务关键字以雷达图的形式可视化表达,以当前任务需求的数据节点为中心,将每个任务关键字作为一个雷达信号,并根据任务关键字与用户任务需求之间的余弦相似距离标记为雷达信号的长度;
基于雷达信号的长度设置为任务关键字设置优先级,根据优先级排序生成任务请求单。
4.根据权利要求3所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于:所述关键信息素的获取逻辑为:
将当前数据节点上的任务关键字为网络学习模型的输入端,所述任务关键字与用户对应的任务需求之间的余弦相似距离为预测输出值;
利用网络训练结果学习逼近,所述任务关键字与用户对应的真实任务需求为目标输出值,所述目标输出值为预测输出值的预测目标;以最小化所有目标输出值和预测输出值的差值作为训练目标;对机器学习模型进行训练,直至预测准确度之和达到收敛时停止训练;
任务关键字与用户对应的任务需求之间的余弦相似距离经过训练后标记为雷达信号的长度;将雷达信号的长度的倒数标记为对应任务关键字优先级的权重因子;
基于权重因子的大小划分抢单任务等级;基于抢单任务等级依次进行概率赋值,从而获得任务关键字的信息素;
将所有关键字的信息素累计获得当前任务需求的关键信息素。
5.根据权利要求4所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于:所述任务节点数据的更新逻辑为:
将任务发布所在虚拟机前端对应位置的通信链路速率和能源消耗率通过公式更新当前虚拟机前端对应位置的关键信息素;
所述公式为:
式中,为第/>个抢单时刻,/>为第/>个抢单时刻的信息素,/>为第/>个抢单时刻后经过/>的目标抢单时刻,/>为经过***计算的目标抢单时刻;/>为目标抢单时刻的信息素,/>为第/>个抢单时刻数据能源消耗率;/>为第/>个抢单时刻数据传输的带宽;/>表示第/>个抢单时刻对应数据节点的雷达长度;
判断更新后的当前虚拟机前端对应位置的关键信息素是否大于预设任务信息阈值,
若某个任务关键字的关键信息素大于任务信息阈值,则对对应任务关键字进行数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,更新虚拟机前端对应位置的任务请求单,并标记为任务节点数据。
6.根据权利要求5所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于:所述任务排序表的应用逻辑为:
基于所有任务的关键信息素构成任务排序初始表;
提取当前虚拟机前端对应位置对应关键信息素大于预设任务信息阈值的任务关键字被数据脱敏;
重复上述步骤,直至大于任务信息阈值的任务排序初始表中的每条任务节点数据的每个任务关键字被数据脱敏,则停止循环,得到任务排序表。
7.根据权利要求6所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于:所述任务排序表的生成逻辑为:
基于所有任务的任务节点数据提取对应任务节点的卫星节点位置,构成抢单序列表;
将任务请求单进行哈希散列处理,得到所述任务请求的哈希散列值,将哈希散列值与卫星节点位置确定抢单序列表的映射关系;
通过抢单序列表查找抢单任务,并对所有的任务请求单都遍历完一次迭代获得所有任务节点数据对应在同一维度下的关键信息素,对关键信息素进行排序,并根据排序结果对卫星节点的能力和任务需求进行任务分配和调度。
8.一种面向软件定义卫星共享网络的星上任务抢单方法,基于权利要求1-7任一项所述的一种面向软件定义卫星共享网络的星上任务抢单***,其特征在于,包括以下步骤:
接收用户在虚拟机前端上发布任务需求,基于所述任务需求生成请求文本;
基于请求文本提取任务关键字,基于任务关键字设置优先级并根据优先级排序生成任务请求单,基于所述任务请求单对抢单任务等级进行概率赋值,将抢单任务等级的概率赋值作为对应任务的关键信息素;
将每个任务的关键信息素结合当前通信链路速率和能源消耗率生成任务节点数据;
基于任务节点数据经过哈希处理生成任务排序表;
基于任务排序表构建蚁群算法,基于蚁群算法获得抢单任务的分配情况,根据更新后的任务排序表中抢单任务的分配情况,动态地调整卫星的工作模式。
9.一种计算机可读存储介质,其特征在于:包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行如权利要求1-7任意一项所述的一种面向软件定义卫星共享网络的星上任务抢单***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617524.0A CN117319505B (zh) | 2023-11-30 | 2023-11-30 | 一种面向软件定义卫星共享网络的星上任务抢单*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617524.0A CN117319505B (zh) | 2023-11-30 | 2023-11-30 | 一种面向软件定义卫星共享网络的星上任务抢单*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117319505A CN117319505A (zh) | 2023-12-29 |
CN117319505B true CN117319505B (zh) | 2024-02-06 |
Family
ID=89281585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617524.0A Active CN117319505B (zh) | 2023-11-30 | 2023-11-30 | 一种面向软件定义卫星共享网络的星上任务抢单*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117319505B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117527911B (zh) * | 2024-01-04 | 2024-03-22 | 广东信聚丰科技股份有限公司 | 一种5g网络环境下虚拟同步教学***及其工作方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932422A (zh) * | 2012-09-29 | 2013-02-13 | 南京邮电大学 | 基于改进蚁群算法的云环境任务调度方法 |
CN106648852A (zh) * | 2016-11-18 | 2017-05-10 | 合肥工业大学 | 基于双蚁群的多星任务调度方法和装置 |
CN108418623A (zh) * | 2018-03-21 | 2018-08-17 | 大连大学 | 一种基于改进蚁群算法的卫星QoS路由算法 |
CN109343945A (zh) * | 2018-09-11 | 2019-02-15 | 中国空间技术研究院 | 一种基于合同网算法的多任务动态分配方法 |
CN110730131A (zh) * | 2019-10-22 | 2020-01-24 | 电子科技大学 | 基于改进蚁群的SDN卫星网络多QoS约束路由方法 |
CN111913788A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 成像卫星的任务调度方法和*** |
CN112084035A (zh) * | 2020-09-21 | 2020-12-15 | 西安理工大学 | 一种基于蚁群算法的任务调度方法及*** |
CN114781950A (zh) * | 2022-06-22 | 2022-07-22 | 中国人民解放军32035部队 | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 |
CN114968510A (zh) * | 2021-12-27 | 2022-08-30 | 中国空间技术研究院 | 一种基于改进蚁群算法的多目标动态任务调度方法和*** |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及*** |
CN115794323A (zh) * | 2021-09-10 | 2023-03-14 | 大唐移动通信设备有限公司 | 任务调度方法、装置、服务器和存储介质 |
CN115866788A (zh) * | 2022-11-18 | 2023-03-28 | 北京理工大学 | 面向mec任务主动迁移的天地融合网络3c资源调度方法 |
CN116089083A (zh) * | 2023-01-17 | 2023-05-09 | 国网黑龙江省电力有限公司信息通信公司 | 一种多目标数据中心资源调度方法 |
CN116107692A (zh) * | 2022-12-16 | 2023-05-12 | 长沙理工大学 | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 |
CN116302389A (zh) * | 2023-01-05 | 2023-06-23 | 上海应用技术大学 | 一种基于改进蚁群算法的任务调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776612A (zh) * | 2018-04-11 | 2018-11-09 | 深圳大学 | 一种云计算任务分配方法、装置、设备及存储介质 |
US20200019435A1 (en) * | 2018-07-13 | 2020-01-16 | Raytheon Company | Dynamic optimizing task scheduling |
-
2023
- 2023-11-30 CN CN202311617524.0A patent/CN117319505B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932422A (zh) * | 2012-09-29 | 2013-02-13 | 南京邮电大学 | 基于改进蚁群算法的云环境任务调度方法 |
CN106648852A (zh) * | 2016-11-18 | 2017-05-10 | 合肥工业大学 | 基于双蚁群的多星任务调度方法和装置 |
CN108418623A (zh) * | 2018-03-21 | 2018-08-17 | 大连大学 | 一种基于改进蚁群算法的卫星QoS路由算法 |
CN109343945A (zh) * | 2018-09-11 | 2019-02-15 | 中国空间技术研究院 | 一种基于合同网算法的多任务动态分配方法 |
CN110730131A (zh) * | 2019-10-22 | 2020-01-24 | 电子科技大学 | 基于改进蚁群的SDN卫星网络多QoS约束路由方法 |
CN111913788A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 成像卫星的任务调度方法和*** |
CN112084035A (zh) * | 2020-09-21 | 2020-12-15 | 西安理工大学 | 一种基于蚁群算法的任务调度方法及*** |
CN115794323A (zh) * | 2021-09-10 | 2023-03-14 | 大唐移动通信设备有限公司 | 任务调度方法、装置、服务器和存储介质 |
CN114968510A (zh) * | 2021-12-27 | 2022-08-30 | 中国空间技术研究院 | 一种基于改进蚁群算法的多目标动态任务调度方法和*** |
CN114781950A (zh) * | 2022-06-22 | 2022-07-22 | 中国人民解放军32035部队 | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 |
CN115480876A (zh) * | 2022-09-15 | 2022-12-16 | 史志 | 基于蚁群算法优化的云计算任务调度方法及*** |
CN115866788A (zh) * | 2022-11-18 | 2023-03-28 | 北京理工大学 | 面向mec任务主动迁移的天地融合网络3c资源调度方法 |
CN116107692A (zh) * | 2022-12-16 | 2023-05-12 | 长沙理工大学 | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 |
CN116302389A (zh) * | 2023-01-05 | 2023-06-23 | 上海应用技术大学 | 一种基于改进蚁群算法的任务调度方法 |
CN116089083A (zh) * | 2023-01-17 | 2023-05-09 | 国网黑龙江省电力有限公司信息通信公司 | 一种多目标数据中心资源调度方法 |
Non-Patent Citations (3)
Title |
---|
Yangyang Dai ; Yuansheng Lou ; Xin Lu.A Task Scheduling Algorithm Based on Genetic Algorithm and Ant Colony Optimization Algorithm with Multi-QoS Constraints in Cloud Computing.《2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics》.2015,全文. * |
基于改进蚁群优化算法的云计算任务调度研究;于淑香;周洪斌;;四川职业技术学院学报(第06期);全文 * |
基于蚁群优化的云任务调度策略的研究;任金霞;刘敏;;贵州师范大学学报(自然科学版)(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117319505A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117319505B (zh) | 一种面向软件定义卫星共享网络的星上任务抢单*** | |
US11838387B2 (en) | Fog node scheduling method and apparatus, computer device, and storage medium | |
CN109451072A (zh) | 一种基于Kafka的消息缓存***和方法 | |
US20170329643A1 (en) | Distributed node intra-group task scheduling method and system | |
US11784939B2 (en) | Cloud resource management using externally-sourced data | |
CN109936473B (zh) | 基于深度学习预测的分布计算***及其运行方法 | |
CN106445473B (zh) | 一种容器部署方法及装置 | |
WO2022001941A1 (zh) | 网元管理方法、网管***、独立计算节点、计算机设备、存储介质 | |
CN108566242B (zh) | 一种针对遥感数据传输业务的空间信息网络资源调度*** | |
CN111105006A (zh) | 一种深度学习网络训练***及方法 | |
CN107040608A (zh) | 一种数据处理方法及*** | |
CN111314862B (zh) | 雾无线接入网中深度强化学习下带有推荐的缓存方法 | |
WO2023087658A1 (zh) | 一种任务调度方法、装置、设备及可读存储介质 | |
CN115129463A (zh) | 算力调度方法及装置、***及存储介质 | |
CN117891568A (zh) | 任务处理方法及计算设备 | |
CN114205317A (zh) | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 | |
CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
CN115562841B (zh) | 一种云视频服务自适应资源调度***和方法 | |
CN110727511A (zh) | 应用程序的控制方法、网络侧设备和计算机可读存储介质 | |
Krishna Priya et al. | Crossover-based improved sine cosine algorithm for multimedia content distribution in cloud environment | |
CN113783798B (zh) | 数据传输方法及***、边缘服务设备 | |
CN115334010A (zh) | 查询信息的处理方法和装置、存储介质及电子装置 | |
Xu et al. | Fair resource allocation based on deep reinforcement learning in fog networks | |
CN111784029A (zh) | 一种雾节点资源分配方法 | |
US20130073561A1 (en) | Random sampling from distributed streams |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Zhiyong Inventor after: Chen Zijian Inventor after: Liu Xin Inventor before: Zhao Junsuo Inventor before: Li Zhiyong Inventor before: Chen Zijian Inventor before: Liu Xin |
|
CB03 | Change of inventor or designer information |