CN117596122B - 一种通算融合网络架构及资源适配方法 - Google Patents
一种通算融合网络架构及资源适配方法 Download PDFInfo
- Publication number
- CN117596122B CN117596122B CN202410065417.XA CN202410065417A CN117596122B CN 117596122 B CN117596122 B CN 117596122B CN 202410065417 A CN202410065417 A CN 202410065417A CN 117596122 B CN117596122 B CN 117596122B
- Authority
- CN
- China
- Prior art keywords
- computing
- optimal
- task
- quantum
- calculation
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006978 adaptation Effects 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000013468 resource allocation Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 28
- 210000000349 chromosome Anatomy 0.000 claims description 28
- 230000002068 genetic effect Effects 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0894—Policy-based network configuration management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0895—Configuration of virtualised networks or elements, e.g. virtualised network function or OpenFlow elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种通算融合网络架构及资源适配方法,涉及工业网络技术领域,通算融合网络架构包括计算服务层、资源融合适配层和计算与网络组件层。计算服务层用于,对于计算用户的每一计算任务,根据计算任务的服务质量要求和体验质量要求对进行特征提取,得到计算任务的属性特征;资源融合适配层用于根据总计算资源和所有计算任务的属性特征进行任务调度和资源分配得到最优任务调度决策和最优资源分配决策;计算与网络组件层,包括多个类型的网络组件,用于根据最优任务调度决策和最优资源分配决策,对计算任务进行转发和处理。本发明实现对海量高并发计算任务的全局高效编排调度,并有效保证计算任务的多样化服务需求。
Description
技术领域
本发明涉及工业网络技术领域,特别是涉及一种通算融合网络架构及资源适配方法。
背景技术
随着万物智能时代的到来,出现了各种新型网络场景,例如元宇宙、超高速铁路、智能工业物联网等。众多的终端连接到互联网,在网络边缘产生大量需要高效的传输和处理的数据。所以如何促进高效的计算,对于支持新型网络场景中丰富的高级业务至关重要。在强大的计算能力的推动下,云计算极大程度促进了智能业务的发展。然而,长距离数据传输受到漫长响应延迟的困扰。为了提供低延迟的计算服务,多访问边缘计算应运而生,即计算资源从云端汇聚到边缘,例如基站、工业网关或路边单元。此外,考虑到数据隐私法律法规,分布式计算可以协同利用分散的计算资源。然而,随着计算任务向多样化、定制化、智能化发展,单一的计算模式已经无法满足日益复杂的QoS(Quality of Service,服务质量)和QoE(Quality of Experience,体验质量)需求。在这种情况下,如果能够将多种计算范式融合到一个统一的计算平台中,则可以更有效地对海量并发计算任务进行全局编排,并有效地保证高级服务需求。因此,开发一种智能的资源适配算法来实现多维资源在统一计算平台上的动态分配是非常必要的。为了提高计算效率,需要进一步研究如何在满足差异化和严格要求的情况下调度海量并发计算任务。
发明内容
本发明的目的是提供一种通算融合网络架构及资源适配方法,可将多种计算范式融合到一个统一的计算平台,弥补了传统网络架构通信与计算适配松散的缺陷,实现对海量高并发计算任务的全局高效编排调度,并有效保证计算任务的多样化服务需求。
为实现上述目的,本发明提供了如下方案。
第一方面,本发明提供一种通算融合网络架构,包括计算服务层、资源融合适配层和计算与网络组件层。
其中,所述计算服务层用于,对于计算用户的每一计算任务,根据所述计算任务的服务质量要求和体验质量要求对进行特征提取,得到所述计算任务的属性特征;所述计算任务包括判断列车的开关启停和列车中音视频信号的处理。
所述资源融合适配层用于根据总计算资源和所有所述计算任务的属性特征进行任务调度和资源分配得到最优任务调度决策和最优资源分配决策。
所述计算与网络组件层,包括多个类型的网络组件,用于根据所述最优任务调度决策和所述最优资源分配决策,对所述计算任务进行转发和处理。
第二方面,本发明提供了一种基于第一方面所述的一种通算融合网络架构的资源适配方法,包括以下步骤。
获取总计算资源、计算用户的所有计算任务以及每一所述计算任务的属性特征;所述计算任务包括判断列车的开关启停和列车中音视频信号的处理。
根据所述总计算资源和所有所述计算任务的属性特征,对所有所述计算任务进行任务调度和资源分配,得到最优任务调度决策和最优资源分配决策。
根据所述最优任务调度决策和所述最优资源分配决策对所有所述计算任务进行转发和处理。
可选的,根据所述总计算资源和所有所述计算任务的属性特征,对所有所述计算任务进行任务调度和资源分配,得到最优任务调度决策和最优资源分配决策,具体包括:根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器对所述计算任务进行调度,得到最优任务调度决策;所述最优任务调度决策为计算任务的联合调度方案,包括每一所述计算任务的计算域分配;所述总计算资源包括所有计算域的可用资源信息;对于每一所述计算域,根据所述计算域的可用资源信息和所述最优任务调度决策,利用域内控制器对调度到所述计算域内的计算任务进行资源分配,得到所述计算域对应的最优资源分配决策;所述可用资源信息由域内控制器从异构计算平台采集得到。
可选的,根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器对所述计算任务进行调度,得到最优任务调度决策,具体包括:根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器,采用量子遗传算法对所述计算任务进行决策,得到最优任务调度决策。
可选的,根据所述计算域的可用资源信息和所述最优任务调度决策,利用域内控制器对调度到所述计算域内的计算任务进行资源分配,得到所述计算域对应的最优资源分配决策,具体包括:根据所述计算域的可用资源信息和所述最优任务调度决策,利用域内控制器,采用量子遗传算法对所述计算域对应的计算任务进行资源分配,得到所述计算域对应的最优资源分配决策。
可选的,根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器,采用量子遗传算法对所述计算任务进行决策,得到最优任务调度决策,具体包括以下步骤。
S101:对每一初始联合任务调度方案进行编码生成初始种群;所述种群包括若干个体,所述个体用量子染色体表示,每一所述个体对应一所述初始联合任务调度;所述初始联合任务调度方案包括每一所述计算任务的计算域分配结果。
S102:计算当前迭代次数对应的量子种群中个体的适应度,并根据当前迭代次数对应的量子种群中所有个体的适应度得到最优个体。
S103:基于所述最优个体当前迭代次数对应的量子种群进行选择操作、交叉操作和突变操作,得到下一代量子种群。
S104:重复步骤S102和S103,直至达到迭代终止条件,得到任务调度决策的最优解;所述任务调度决策的最优解为最优任务调度决策。
可选的,根据当前迭代次数对应的量子种群中所有个体的适应度得到最优个体,具体包括:将当前迭代次数对应的量子种群中所有个体的适应度中值最大适应度对应的个体确定为最优个体。
可选的,基于所述最优个体当前迭代次数对应的量子种群进行选择操作、交叉操作和突变操作,得到下一代量子种群,具体包括:采用锦标赛方法选择下一代亲本种群;下一代亲本种群包括若干亲本个体;利用量子交叉算子对下一代亲本种群中的亲本个体进行组合,得到下一代交叉种群;采用量子门通过反转量子染色体的振幅对下一代交叉种群中的个体进行突变操作,得到下一代量子种群。
可选的,对每一初始联合任务调度方案进行编码生成初始种群,具体包括:采用量子比特和量子叠加态对每一初始联合任务调度方案进行编码生成初始种群。
根据本发明提供的具体实施例,本发明公开了以下技术效果:一种通算融合网络架构及资源适配方法,通算融合网络架构包括计算服务层、资源融合适配层和计算与网络组件层;其中,计算服务层用于,对于计算用户的每一计算任务,根据计算任务的服务质量要求和体验质量要求对进行特征提取,得到计算任务的属性特征;计算任务包括判断列车的开关启停和列车中音视频信号的处理;资源融合适配层用于根据总计算资源和所有计算任务的属性特征进行任务调度和资源分配得到最优任务调度决策和最优资源分配决策;计算与网络组件层,包括多个类型的网络组件,用于根据最优任务调度决策和最优资源分配决策,对计算任务进行转发和处理。本发明将多种计算范式融合到一个统一的计算平台,弥补了传统网络架构通信与计算适配松散的缺陷,实现对海量高并发计算任务的全局高效编排调度,并有效保证计算任务的多样化服务需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种通算融合网络架构示意图。
图2为本发明实施例2提供的一种资源适配方法流程示意图。
图3为本发明实施例2提供的基于QGA的资源适配算法迭代过程示意图。
图4为本发明实施例2提供的(Com)2Net信令交互流程示意图。
图5为本发明实施例2提供的任务调度和最优资源分配决策流程示意图。
图6为本发明实施例2提供的计算任务的计算处理过程示意图。
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。
本发明的目的是提供一种通算融合网络架构及资源适配方法,通过无处不在的连接和协作计算集成,通算融合网络架构(Communication and Computation IntegratedNetwork,(Com)2Net)可以有效地对大量并发计算任务进行全局编排,并有效地支持具有不同需求的各种计算服务。同时提出一种基于量子遗传算法(Quantum Genetic Algorithm,QGA)的资源适配算法来支持域间任务调度和域内资源适配。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1。
如图1所示,本实施例提供了一种通算融合网络架构,包括计算服务层、资源融合适配层以及计算与网络组件层三个层次。将多种计算范式融合到一个统一的计算平台。层次间互相协同实现任务跨域调度,计算任务跨域协同完成。
其中,所述计算服务层,用于:对于计算用户的每一计算任务,根据所述计算任务的服务质量要求和体验质量要求对进行特征提取,得到所述计算任务的属性特征;所述计算任务包括判断列车的开关启停和列车中音视频信号的处理。
所述资源融合适配层用于根据总计算资源和所有所述计算任务的属性特征进行任务调度和资源分配得到最优任务调度决策和最优资源分配决策。
所述计算与网络组件层,包括多个类型的网络组件,用于根据所述最优任务调度决策和所述最优资源分配决策,对所述计算任务进行转发和处理。
计算与网络组件层用于为计算任务提供计算和网络服务。所述计算与网络组件层包括:网络设备、计算设备和集成设备三种类型的组件,所有的网络组件都配备一个计算单元来处理计算任务。
对于超高速铁路领域,以列车运行场景来举例,所述计算任务包括实时结合列车运行中的多维参数及其状态,综合判断列车的开关启停、列车中的音视频信号处理等带有计算性质的任务。列车开关启停中产生的往往是对时间比较敏感的控制流,而音视频信号的数据量往往偏大,所需的计算资源更多,但对时延要求稍低。
因此对于判断开关启停这类计算任务,提取其时延属性,将其调度到较近且资源适中的计算域进行分析;对于处理音视频信号这类计算任务,提取其数据量大小属性,将其调度到处理能力较强且资源分配更多的域内。网络设备包括路由器、交换机、网关等,构成核心网络,主要负责逐跳任务转发。
网络设备包括路由器、交换机、网关等,构成核心网络,主要负责逐跳任务转发。
计算设备由中央处理器(Central Processing Unit,CPU)、图形处理器(GraphicsProcessing Unit,GPU)、现场可编程门阵列(Field Programmable Gate Array,FPGA)等一个或多个处理模块组成,负责即时任务处理。
集成设备将上述两类设备合二为一,为计算任务提供转发和处理服务。
通过引入计算能力,路由器设备可以同时具备转发和计算功能。当计算任务通过计算增强的路由器设备时,它可以在本地处理任务,也可以将任务转发到其他设备。
计算服务层用于为计算和网络融合调度提供服务级支持。所述计算服务层包括:根据各种计算服务的服务质量要求和体验质量要求对其属性特征进行抽象,并获得有用信息,有用信息包括计算任务是否需要在多个计算设备上进行处理,以及需要调度多少个计算设备来完成计算任务。由此有用信息将计算任务分为通用计算任务和智能计算任务,便于进行全局任务管理和计算设备划分与协调,这些关键信息(有用信息)可以为计算和网络融合调度提供服务级支持。
一般计算任务的计算过程不能拆分,需要在单独的计算设备上执行。以FFT(FastFourier Transform,快速傅里叶变换)为例,可以在安装了相应数学工具的MEC(MobileEdge Computing,边缘计算)服务器上进行计算。相反,智能计算任务的计算过程可以在多个计算设备之间进行划分和协调。例如,联邦训练需要DNN(Deep Neural Network,深度神经网络)模型在集中式服务器和分散的终端设备之间频繁交互。在协调过程中,需要灵活分配包括网络、计算和存储在内的多维资源,以支持高效的联合训练。
资源融合适配层用于对多维资源进行有效的管理和调度。所述资源融合适配层包括:网络内计算(In-Network Computing,INC)、网络外计算(Out-Network Computing,ONC)、端-边缘-云协同计算(End-Edge-Cloud Synergy Computing,EECSC)三种计算范式来支持协同计算服务。不同计算范式应用于不同重量级计算任务。
INC范式可以应用于轻量级计算任务,通过沿任务传输路径部署的集成设备提供路上计算服务。
ONC范式可以应用于重量级计算任务,通过将计算任务调度到地理上分散的数据中心、智能计算中心和超级计算中心或将一个完整的计算任务分成几个部分共同完成的方式来提高计算能力。
EECSC范式能够在终端、边缘和云之间编排不同的部分。
上述计算范式关键在于为服务、集群和组件建立关系,为此,开发了“服务到集群”和“集群到组件”的动态映射机制,通过精准感知差异化任务需求和多维资源属性,构建域间调度、域内调度、面向计算的路由、计算与网络融合适配、QoS与QoE保障等功能模块,实现业务与组件之间的动态映射,高效地支持协同计算服务。
实施例2。
如图2所示,本实施例提供了一种基于实施例1所述的一种通算融合网络架构的资源适配方法,包括以下步骤。
S1:获取总计算资源、计算用户的所有计算任务以及每一所述计算任务的属性特征;所述计算任务包括判断列车的开关启停和列车中音视频信号的处理。
S2:根据所述总计算资源和所有所述计算任务的属性特征,对所有所述计算任务进行任务调度和资源分配,得到最优任务调度决策和最优资源分配决策。
S3:根据所述最优任务调度决策和所述最优资源分配决策对所有所述计算任务进行转发和处理。
本实施例提供的资源适配算法包括域间控制器和域内控制器的协同。根据部署差异分为进行跨域任务调度的域间控制器与进行域内资源自适应配置的域内控制器。
S2中根据所述总计算资源和所有所述计算任务的属性特征,对所有所述计算任务进行任务调度和资源分配,得到最优任务调度决策和最优资源分配决策,具体包括以下步骤。
(1)根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器对所述计算任务进行调度,得到最优任务调度决策;所述最优任务调度决策为计算任务的联合调度方案,包括每一所述计算任务的计算域分配;所述总计算资源包括所有计算域的可用资源信息。
本实施例资源适配方法包括(Com)2Net架构下的信令交互过程。基于QGA的资源分配方法通过离线优化和在线决策实现域间任务调度和域内资源分配。其实现过程涉及计算用户、域间控制器、域内控制器和计算平台之间的信令交互,如图4所示,包括如下步骤。
步骤S201:计算用户生成不同需求的计算任务,并要求适度的计算资源(总计算资源)来完成任务。
步骤S202:将用户信息和服务信息上报给域间控制器进行全局管理,如任务调度。
步骤S203:域间控制器查询所选域内控制器的可用资源信息。
步骤S204:域内控制器通过动态资源遥测从异构计算平台收集所需的可用资源信息,即每一计算域的可用资源信息包括可用的计算和存储资源、剩余能源供应、资源使用价格等。
步骤S205:向域内控制器报告所需的可用资源信息,并进一步向域间控制器报告。
域间控制器中部署基于QGA的资源适配算法,可以做出全局最优任务调度决策,负责从全局角度跨多个域执行任务调度,做出任务调度和资源分配的最佳决策。在最优任务调度决策确定后,还可以生成两种附加策略。一方面,基于QGA的资源适配算法将为每个具有不同计算资源需求的任务生成面向计算的路由策略,通过实现到相应网络组件集群的路由策略,可以将海量任务转发到目标计算节点;另一方面,生成合理的网络带宽资源分配策略,促进任务高效传输。通过这些决策和策略,所建立的***可以实现高效的协同计算。
(2)对于每一所述计算域,根据所述计算域的可用资源信息和所述最优任务调度决策,利用域内控制器对调度到所述计算域内的计算任务进行资源分配,得到所述计算域对应的最优资源分配决策;所述可用资源信息由域内控制器从异构计算平台采集得到。
如图5所示,任务调度和最优资源分配决策流程具体包括以下步骤。
步骤S301:域间控制器运行基于QGA的资源适配算法,根据获取的实时信息进行决策。
步骤S302:将确定的最优任务调度决策(例如,将计算任务分配到相应的主机)部署到域内控制器。
步骤S303:域内控制器运行基于QGA的资源适配算法,为相应的计算任务分配计算和存储资源。
步骤S304:计算用户执行接收到的任务调度和最优资源分配决策。
域内控制器中部署基于QGA的资源适配算法,可以本地对调度到相应域的计算任务进行最优资源分配决策。首先,动态遥测计算域的资源信息,包括可用的计算和存储资源、剩余能源供应和资源使用价格;其次,异构计算和存储资源协同调度,支持任务处理。经过充分的迭代,基于QGA的资源适配算法能够实时提取动态任务信息,生成准确的最优资源分配决策。这样可以有效地保证计算任务的QoS和QoE需求。
根据所述总计算资源和所述域内控制器分配结果对所述计算任务进行资源分配,得到最优资源分配决策,具体包括:根据所述总计算资源和所述域内控制器分配结果,采用量子遗传算法对所述计算任务进行资源分配,得到最优资源分配决策。
在本实施例中的一个具体示例中,以最优资源分配决策为例,对量子遗传算法QGA迭代过程进行具体介绍。根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器,采用量子遗传算法对所述计算任务进行决策,得到最优任务调度决策,具体包括以下步骤。
S101:对每一初始联合任务调度方案进行编码生成初始种群;所述种群包括若干个体,所述个体用量子染色体表示,每一所述个体对应一所述初始联合任务调度;所述初始联合任务调度方案包括每一所述计算任务的计算域分配结果。
S102:计算当前迭代次数对应的量子种群中个体的适应度,并根据当前迭代次数对应的量子种群中所有个体的适应度得到最优个体。
S103:基于所述最优个体当前迭代次数对应的量子种群进行选择操作、交叉操作和突变操作,得到下一代量子种群。
S104:重复步骤S102和S103,直至达到迭代终止条件,得到最优资源分配决策的最优解。
S101中,对所述计算任务和所述总计算资源进行编码生成初始种群,具体包括:采用量子比特和量子叠加态对所述计算任务和所述总计算资源进行编码生成初始种群。
S102中,根据当前迭代次数对应的量子种群中所有个体的适应度得到最优个体,具体包括:将当前迭代次数对应的量子种群中所有个体的适应度中值最大适应度对应的个体确定为最优个体。
S103中,基于所述最优个体当前迭代次数对应的量子种群进行选择操作、交叉操作和突变操作,得到下一代量子种群,具体包括以下步骤。
采用锦标赛方法选择下一代亲本种群;下一代亲本种群包括若干亲本个体。
利用量子交叉算子对下一代亲本种群中的亲本个体进行组合,得到下一代交叉种群。
采用量子门通过反转量子染色体的振幅对下一代交叉种群中的个体进行突变操作,得到下一代量子种群。
基于QGA的资源适配算法包括:使用量子比特和量子叠加状态对染色体进行编码,这使得每个染色体同时表示来自多个状态的信息;利用量子旋转门对种群进行更新,并根据当前迭代中最优个体的知识指导进化;在迭代过程中,每个量子比特的叠加状态逐渐趋于确定性状态并趋于收敛,从而实现优化目标。
本实施例中资源适配方法基于QGA算法实现,该算法与传统遗传算法的区别主要体现在种群编码和进化策略上,如图3所示,
以任务调度决策迭代过程为例,对基于QGA的资源适配算法的迭代过程进行说明,其包括如下步骤。
步骤S101:量子染色体构建与种群初始化。
利用种群表征所述所有计算任务的域间联合调度或域内资源分配方案集合,种群中的每个个体表征其中的一种方案。以染色体来表示个体,则染色体上的基因(编码)表示对某个计算任务的调度方式或资源分配情况。
用量子染色体来表示种群中的个体,/>,其中D为染色体的长度,染色体上的基因/>,需要说明的是,当基于量子遗传算法QGA进行计算任务调度决策迭代时,/>表示该方案中对第/>个计算任务的任务调度决策。当基于量子遗传算法QGA进行资源分配决策迭代时,/>表示该方案中队第/>个计算任务的域内资源分配决策。两种决策对应的/>不同,即对于任务调度决策,多个计算任务可以通过域间控制器宏观调度到可用资源丰富性不同的x个处理域;对于资源分配决策,在域内,分配既定资源(既定资源为计算域内的可用资源信息)给多个计算任务的方案有/>种。
不同于传统遗传算法的二进制编码和整数编码方法,染色体的构建采用量子比特(即量子位)和量子叠加态进行编码,从而使每个染色体同时表示来自多个状态的信息。
个体组成种群,其中/>为第/>次迭代后种群中的个体/>,/>为种群内个体数量,该种群对应于联合任务调度(任务调度决策)的潜在解,当基于量子遗传算法QGA进行资源分配决策迭代时,该种群对应于资源分配优化问题的潜在解。
算法的开始,初始化种群,即,其中/>为种群大小。
此外,利用哈达玛门(Hadamard gate)对染色体的每个基因进行转化,使得染色体可以用一个均匀的叠加态来表示。
步骤S102:制定合适的适应度函数,计算适应度并选出最优个体。
将适应度函数作为选择最优个体的指标,通过计算其对应值来衡量种群中的每个个体,排除适应度低的个体。
适应度函数的计算公式为。
其中,为算法的目标函数,/>为用以平衡公式的常数,确保/>值非负。
同时,利用生存性来评估遗传迭代过程的求解质量,即。显然,生存性越大意味着适应值越大,个体越好。而生存性越大的个体在下一代中有更多的再生机会,反之则更少。因此,制定合适的适应度函数来保证候选个体的可行性是很重要的。
步骤S103:量子染色体选择、交叉和突变。
以当前迭代的最优个体为进化目标,通过量子旋转门操作,修改染色体的量子比特编码,形成下一代种群。在迭代过程中,每个量子比特的叠加状态逐渐趋于确定性和收敛,从而实现优化目标。具体来说,执行以下三个过程来迭代接近最优解。
步骤S1031:在量子染色体选择过程中,采用锦标赛方法选择下一代亲本种群。首先从种群中随机抽取个个体,然后选择生存能力最高的两个个体作为亲本种群成员。重复此过程,直到亲本成员数达到/>。
步骤S1032:在量子染色体交叉过程中,利用量子交叉算子对亲本个体的量子染色体进行组合,使算法能够利用量子原理(如纠缠、叠加等)探索更大的解空间。
步骤S1033:在量子染色体突变过程中,采用量子门(如Pauli-X门)通过反转量子染色体的振幅来避免局部最优。
S104:最优解搜索与迭代。重复步骤S103进行量子染色体选择、交叉和突变,直到迭代终止条件,即可得到资源分配的最优解,即最优任务调度决策。
确定每一计算域对应的最优资源分配决策时,种群是对调度到该计算域内的计算任务进行资源分配的方案的集合,个体(量子染色体)为对调度到该计算域内的计算任务进行资源分配的一个方案,染色体上的基因(编码)表示对调度到该计算域内的某个计算任务的资源分配情况。迭代确定每一计算域对应的最优资源分配决策的过程与上述最优任务调度决策确定过程类似,在此不再赘述。
由于采用了独特的编码和更新技术,基于QGA的资源适配算法在种群多样性、收敛速度和收敛精度方面都优于经典遗传算法。
如图6所示,计算任务的计算处理过程包括以下步骤。
步骤S401:使用分配的网络和计算资源支持计算业务请求。例如,DNN推理任务可以使用频谱资源卸载到MEC服务器。
步骤S402:计算任务使用分配的计算资源进行处理。例如,联邦学习任务可以使用GPU和FPGA资源来加速。
步骤S403:计算结果发回初始计算用户进一步利用。例如,可以将故障诊断应用程序的推理精度值返回给工业控制器,用于确定是否对工业设备采取维护措施。
在学习阶段,重复步骤S201-S403,直到基于QGA的资源适配算法达到收敛。对于每个在线决策周期,步骤S201-S403是一次性的,并且具有快速的响应时间。具体而言,在离线优化阶段,算法需要多次迭代来逼近最优解,包括染色体构建、初始化、选择、交叉、突变等,通常耗时较长。在在线决策阶段,可以将获得的调度决策部署到控制器中,以支持域间任务调度和域内资源分配,从而实现低时延。
本发明具有以下有益效果:通过该通算融合网络架构巨大的计算任务可以跨天-空-地域、端-边缘-云域和多数据中心域调度,促进无处不在的连接和协同计算,从而支持多种先进的计算服务。进一步地,提出了一种面向海量并发计算任务的多维资源动态协调的智能资源适配方法,利用量子遗传算法对域间任务调度和域内资源分配进行最佳联合决策,可以有效地保证计算任务的QoS和QoE需求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种通算融合网络架构,其特征在于,包括计算服务层、资源融合适配层和计算与网络组件层;
其中,所述计算服务层用于,对于计算用户的每一计算任务,根据所述计算任务的服务质量要求和体验质量要求进行特征提取,得到所述计算任务的属性特征;所述计算任务包括判断列车的开关启停和列车中音视频信号的处理;
所述资源融合适配层用于:根据总计算资源和所有所述计算任务的属性特征进行任务调度和资源分配得到最优任务调度决策和最优资源分配决策,具体包括:
根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器,采用量子遗传算法对所述计算任务进行决策,得到最优任务调度决策;所述最优任务调度决策为计算任务的联合调度方案,包括每一所述计算任务的计算域分配;所述总计算资源包括所有计算域的可用资源信息;
对于每一所述计算域,根据所述计算域的可用资源信息和所述最优任务调度决策,利用域内控制器,采用量子遗传算法对所述计算域对应的计算任务进行资源分配,得到所述计算域对应的最优资源分配决策;所述可用资源信息由域内控制器从异构计算平台采集得到;
所述计算与网络组件层,包括多个类型的网络组件,用于根据所述最优任务调度决策和所述最优资源分配决策,对所述计算任务进行转发和处理。
2.一种基于权利要求1所述的一种通算融合网络架构的资源适配方法,其特征在于,包括:
获取总计算资源、计算用户的所有计算任务以及每一所述计算任务的属性特征;所述计算任务包括判断列车的开关启停和列车中音视频信号的处理;
根据所述总计算资源和所有所述计算任务的属性特征,对所有所述计算任务进行任务调度和资源分配,得到最优任务调度决策和最优资源分配决策,具体包括:
根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器,采用量子遗传算法对所述计算任务进行决策,得到最优任务调度决策;所述最优任务调度决策为计算任务的联合调度方案,包括每一所述计算任务的计算域分配;所述总计算资源包括所有计算域的可用资源信息;
对于每一所述计算域,根据所述计算域的可用资源信息和所述最优任务调度决策,利用域内控制器,采用量子遗传算法对所述计算域对应的计算任务进行资源分配,得到所述计算域对应的最优资源分配决策;所述可用资源信息由域内控制器从异构计算平台采集得到;
根据所述最优任务调度决策和所述最优资源分配决策对所有所述计算任务进行转发和处理。
3.根据权利要求2所述的一种资源适配方法,其特征在于,根据所述总计算资源和所有所述计算任务的属性特征,利用域间控制器,采用量子遗传算法对所述计算任务进行决策,得到最优任务调度决策,具体包括:
S101:对每一初始联合任务调度方案进行编码生成初始种群;所述种群包括若干个体,所述个体用量子染色体表示,每一所述个体对应一所述初始联合任务调度;所述初始联合任务调度方案包括每一所述计算任务的计算域分配结果;
S102:计算当前迭代次数对应的量子种群中个体的适应度,并根据当前迭代次数对应的量子种群中所有个体的适应度得到最优个体;
S103:基于所述最优个体当前迭代次数对应的量子种群进行选择操作、交叉操作和突变操作,得到下一代量子种群;
S104:重复步骤S102和S103,直至到达迭代终止条件,得到任务调度决策的最优解;所述任务调度决策的最优解为最优任务调度决策。
4.根据权利要求3所述的一种资源适配方法,其特征在于,根据当前迭代次数对应的量子种群中所有个体的适应度得到最优个体,具体包括:
将当前迭代次数对应的量子种群中所有个体的适应度中值最大适应度对应的个体确定为最优个体。
5.根据权利要求3所述的一种资源适配方法,其特征在于,基于所述最优个体当前迭代次数对应的量子种群进行选择操作、交叉操作和突变操作,得到下一代量子种群,具体包括:
采用锦标赛方法选择下一代亲本种群;下一代亲本种群包括若干亲本个体;
利用量子交叉算子对下一代亲本种群中的亲本个体进行组合,得到下一代交叉种群;
采用量子门通过反转量子染色体的振幅对下一代交叉种群中的个体进行突变操作,得到下一代量子种群。
6.根据权利要求3所述的一种资源适配方法,其特征在于,对每一初始联合任务调度方案进行编码生成初始种群,具体包括:
采用量子比特和量子叠加态对每一初始联合任务调度方案进行编码生成初始种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065417.XA CN117596122B (zh) | 2024-01-17 | 2024-01-17 | 一种通算融合网络架构及资源适配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065417.XA CN117596122B (zh) | 2024-01-17 | 2024-01-17 | 一种通算融合网络架构及资源适配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117596122A CN117596122A (zh) | 2024-02-23 |
CN117596122B true CN117596122B (zh) | 2024-04-09 |
Family
ID=89920373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410065417.XA Active CN117596122B (zh) | 2024-01-17 | 2024-01-17 | 一种通算融合网络架构及资源适配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117596122B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118267718A (zh) * | 2024-06-04 | 2024-07-02 | 四川物通科技有限公司 | 一种基于元宇宙的多场景运行管理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113411369A (zh) * | 2020-03-26 | 2021-09-17 | 山东管理学院 | 一种云服务资源协同优化调度方法、***、介质及设备 |
CN114567933A (zh) * | 2022-01-28 | 2022-05-31 | 南京邮电大学 | 基于改进遗传算法的异构云雾协同网络中的资源分配方法 |
CN115665227A (zh) * | 2022-12-28 | 2023-01-31 | 北京交通大学 | 一种普适的异构融合算网资源智慧适配网络架构及方法 |
CN116916272A (zh) * | 2023-07-24 | 2023-10-20 | 深圳信息职业技术学院 | 基于自动驾驶汽车网络的资源分配和任务卸载方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219074A (zh) * | 2021-12-14 | 2022-03-22 | 西安电子科技大学 | 一种按需动态调整的无线通信网络资源分配算法 |
-
2024
- 2024-01-17 CN CN202410065417.XA patent/CN117596122B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113411369A (zh) * | 2020-03-26 | 2021-09-17 | 山东管理学院 | 一种云服务资源协同优化调度方法、***、介质及设备 |
CN114567933A (zh) * | 2022-01-28 | 2022-05-31 | 南京邮电大学 | 基于改进遗传算法的异构云雾协同网络中的资源分配方法 |
CN115665227A (zh) * | 2022-12-28 | 2023-01-31 | 北京交通大学 | 一种普适的异构融合算网资源智慧适配网络架构及方法 |
CN116916272A (zh) * | 2023-07-24 | 2023-10-20 | 深圳信息职业技术学院 | 基于自动驾驶汽车网络的资源分配和任务卸载方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117596122A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113316118B (zh) | 基于任务认知的无人机集群网络自组织***及方法 | |
Cao et al. | Resource allocation in 5G IoV architecture based on SDN and fog-cloud computing | |
Liu et al. | DRL-R: Deep reinforcement learning approach for intelligent routing in software-defined data-center networks | |
Kaiwartya et al. | Virtualization in wireless sensor networks: Fault tolerant embedding for internet of things | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN109714263B (zh) | 一种在卫星通信网络中的路径选择方法及装置 | |
Huang et al. | Scalable orchestration of service function chains in NFV-enabled networks: A federated reinforcement learning approach | |
Zhang et al. | Model and algorithms for the planning of fog computing networks | |
Xing et al. | An integer encoding grey wolf optimizer for virtual network function placement | |
CN104115165A (zh) | 使用机器学习来用于映射媒体组件的方法 | |
CN117596122B (zh) | 一种通算融合网络架构及资源适配方法 | |
CN107172166A (zh) | 面向工业智能化服务的云雾计算*** | |
CN113435472A (zh) | 车载算力网络用户需求预测方法、***、设备、介质 | |
CN112187535B (zh) | 雾计算环境下服务器部署方法及装置 | |
Ning et al. | Social-oriented resource management in cloud-based mobile networks | |
El Mensoum et al. | MuSC: A multi-stage service chains embedding approach | |
Henna et al. | Distributed and collaborative high-speed inference deep learning for mobile edge with topological dependencies | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
Guzel et al. | Fair and energy-aware IoT service composition under QoS constraints | |
Zhang et al. | (Com) 2 Net: A Novel Communication and Computation Integrated Network Architecture | |
Wu et al. | AI-empowered virtual network embedding: a comprehensive survey | |
CN112698944A (zh) | 基于人脑模拟的分布式云计算***及方法 | |
Oikonomou et al. | On the use of intelligent models towards meeting the challenges of the edge mesh | |
Nagasundaram et al. | Analysis of the requirement and artificial intelligence-based resource management system in cloud | |
Kumar et al. | Knowledge-based flexible resource allocation optimisation strategy for multi-tenant radio access network slicing in 5G and B5G |
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 |