CN117707523B - 一种自定义组态可视化管理方法及管理应用平台 - Google Patents
一种自定义组态可视化管理方法及管理应用平台 Download PDFInfo
- Publication number
- CN117707523B CN117707523B CN202410161700.2A CN202410161700A CN117707523B CN 117707523 B CN117707523 B CN 117707523B CN 202410161700 A CN202410161700 A CN 202410161700A CN 117707523 B CN117707523 B CN 117707523B
- Authority
- CN
- China
- Prior art keywords
- configuration
- time period
- custom configuration
- tool
- custom
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 238000012512 characterization method Methods 0.000 claims description 97
- 230000003993 interaction Effects 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/36—Software reuse
-
- 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)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及组态管理领域,尤其涉及一种自定义组态可视化管理方法及管理应用平台,本发明通过记录各用户端所创建自定义组态的运行参数,计算自定义组态的运行表征系数,根据运行表征系数划分所述自定义组态的类别,识别特征时间周期,尤其是根据自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量,根据数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量,进入特征时间周期前预先对工具服务器的计算节点进行适应性调整,保证自定义组态运行稳定,减少算力浪费,减少自定义组态出现过载以及响应延迟的问题。
Description
技术领域
本发明涉及组态管理领域,尤其涉及一种自定义组态可视化管理方法及管理应用平台。
背景技术
组态通常指的是在软件环境中,用户通过选择和应用预设的工具和方法来构建特定的软件功能和任务,由于配置功能的自定义性,被广泛应用于工业控制、数字管理、工作流管理等领域,组态管控被人们所重视,相关管控管理***以及平台应运而生。
例如,中国专利公开号:CN106569801A,公开了一种基于复杂参数的组态化显控***,包括数据配置模块、控件设计模块、界面配置模块以及显示终端模块。数据配置模块实现对测试覆盖参数、数据帧帧协议、参数处理公式以及用户登录权限的配置。控件设计模块实现组态化控件设计,支持用户自定义控件。界面配置模块用于快速配置满足测试任务的终端界面。显示终端模块加载当前用户可访问的测试任务终端界面,与数据中心进行交互,接收每个组态化控件发送的测试参数数据和属性,并进行显示。该发明达到一套软件应用于多个型号的通用化目标,为控件设计了通用化接口,能够在现有功能的基础上进行自定义功能的开发,实现飞行器复杂参数测试数据的实时监控,降低成本,提高了开发效率。
但是,现有技术中还存在以下问题,
现有技术中,未考虑多个用户端接入进行组态自定义时,所配置服务器的节点数量算力消耗较大,且由于所配置组态的功能以及用户使用习惯的不同,在不同时间段内对于服务器的算力需求起伏较大,在部分时间段内容易使得组态服务***过载、响应延迟。
发明内容
为此,本发明提供一种自定义组态可视化管理方法及管理应用平台,用以克服现有技术中未考虑多个用户端接入进行组态自定义时,所配置服务器的节点数量算力消耗较大,且由于所配置组态的功能以及用户使用习惯的不同,在不同时间段内对于服务器的算力需求起伏较大,在部分时间段内容易使得组态服务***过载、响应延迟的问题。
为实现上述目的,本发明提供一种自定义组态可视化管理方法,其包括:
步骤S1,用户端构建自定义组态,包括,构建若干组态工具,所述组态工具被配置为用以执行特定的功能;
步骤S2,记录各用户端所创建自定义组态的运行参数,根据所述运行参数计算所述自定义组态的运行表征系数,根据所述运行表征系数划分所述自定义组态的类别,其中,所述运行参数包括各组态工具被执行时与工具服务器的数据交互量以及自定义组态的执行次数;
步骤S3,根据历史不同时间周期内全部用户端执行各类自定义组态的数量比值确定特征时间周期;
步骤S4,根据当前所处时间周期选定针对自定义组态的工具服务器调整策略,包括,
确定所述自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
确定当前时间周期内所述自定义组态各组态工具被执行时与工具服务器的数据交互波动量,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量。
进一步地,所述步骤S2中,根据公式(1)计算自定义组态的运行表征系数,
公式(1)中,E表示运行表征系数,n表示所记录时间周期数量,Ei表示第i时间周期内运行表征系数,H表示各组态工具在第i时间周期的统计时长内与工具服务器的数据交互量平均值,H0表示预设的数据交互量标准阈值,T表示统计时长,Hm表示第m时刻各组态工具与工具服务器的数据交互量平均值,Ns表示第i时间周期的统计时长内各自定义组态执行次数总量,Ns0表示预设的自定义组态执行数量标准阈值,
其中,若自定义组态中的任意工具组件被执行,则判定所述自定义组态被执行。
进一步地,所述步骤S2中,根据运行表征系数划分所述自定义组态的类别的过程包括,
将所述运行表征系数与预设的组态运行表征对比阈值进行对比,
若所述运行表征系数大于或等于所述组态运行表征对比阈值,则划分所述自定义组态的类别为复杂执行类别;
若所述运行表征系数小于所述组态运行表征对比阈值,则划分所述自定义组态的类别为非复杂执行类别。
进一步地,所述步骤S3中,确定特征时间周期的过程包括,
根据步骤S2中所记录数据,计算时间周期内全部用户端所执行复杂执行类别自定义组态与所执行非复杂执行类别自定义组态的数量比值,
将所述数量比值与预设的比值参考阈值进行对比,若所述数量比值大于所述比值参考阈值,则判定所述时间周期为特征时间周期。
进一步地,所述步骤S4中,选定针对自定义组态的工具服务器调整策略,其中,
若当前所处时间周期邻接的下一时间周期属于特征时间周期,则选定需确定所述自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
若当前所处时间周期属于特征时间周期,则选定需确定当前时间周期内所述自定义组态各组态工具被执行时与工具服务器的数据交互波动量,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量。
进一步地,所述步骤S4中,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量的过程包括,
若自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数减小,则确定运行表征系数减小量,提前减小工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的减小量与运行表征系数减小量呈正相关;
若自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数增大,则确定运行表征系数增大量,提前增大工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的增大量与运行表征系数增大量呈正相关。
进一步地,所述步骤S4中,根据公式(2)确定当前时间周期内自定义组态的组态工具被执行时与工具服务器的数据交互波动量,
公式(2)中,M表示数据交互波动量,t0表示当前时间周期时长,h(j)表示第j时刻各组态工具被执行时与工具服务器的数据交互量平均值,h(j-1)表示第j-1时刻各组态工具被执行时与工具服务器的数据交互量平均值。
进一步地,增大工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的增大量与所述数据交互波动量呈正相关。
进一步地,所述步骤S4中,还包括,通过显示终端实时显示各自定义组态的类别以及各自定义组态被执行时工具服务器中用以为所述自定义组态提供计算服务的节点数量。
进一步地,还提供一种自定义组态可视化管理应用平台,其包括:
数据采集模块,其分别与各用户端连接,用以采集用户端所创建自定义组态的运行参数;
数据存储模块,其与所述数据采集模块连接,用以存储记录各用户端所创建自定义组态的运行参数;
工具服务器,包括若干用以为服务器组件提供计算服务的计算节点;
数据处理模块,其分别与所述数据采集模块、数据存储模块以及工具服务器连接,用以根据运行参数计算自定义组态的运行表征系数,根据运行表征系数划分自定义组态的类别,
以及,用以选定针对自定义组态的工具服务器调整策略,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
显示终端,其与所述数据处理模块连接,用以根据数据处理模块所发出的数据显示对应内容。
与现有技术相比,本发明通过记录各用户端所创建自定义组态的运行参数,计算自定义组态的运行表征系数,根据运行表征系数划分所述自定义组态的类别,并且识别特征时间周期,尤其是根据自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量,以及根据数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量,在进入特征时间周期前预先对工具服务器的计算节点进行适应性调整,保证自定义组态运行稳定,减少算力浪费,减少自定义组态出现过载以及响应延迟的问题。
尤其,本发明计算运行表征系数划分所创建自定义组态的类别,在实际情况中,由于不同的需求,用户端所创建自定义组态中组态工具各不相同,因此,在实际的运行过程中,对于算力的需求,以及运行稳定性均不同,尤其是在较多用户端创建不同自定义组态后,后续集中运行过程中,在不同时间周期内容易造成过载、响应延迟等问题,因此,运行表征系数计算时考虑了历史数据中自定义组态的各组态工具被执行时与工具服务器的数据交互量以及自定义组态的执行次数,在一定程度上表征自定义组态的运行稳定以及复杂情况,为后续分类以及调整工具服务器的节点数量提供数据支持,进而,保证自定义组态运行稳定,减少算力浪费,减少自定义组态出现过载以及响应延迟的问题。
尤其,本发明考虑识别特征时间周期,特征时间周期中复杂执行类别自定义组态的比例较高,在实际情况中,复杂执行类别自定义组态由于运行表征系数较高,因此,其算力占用较高,且容易出现波动,尤其是较多用户端的情况下会加剧上述现象,在特征时间周期内体现较为明显,因此本发明识别特征时间周期,并作为依据,在进入特征时间周期前,预先结合历史数据中特征时间周期的运行表征系数相对当前周期的运行表征系数的变化情况,适应性的预先对工具服务器的节点数量进行调整,进而,预先对工具服务器进行适应性调整并保证算力的相对合理,避免自定义组态后续出现过载以及响应延迟的情况。
尤其,本发明在处于特征时间周期内时,考虑自定义组态的波动情况,对工具服务器的节点数量进行调整,在实际情况中,复杂执行类别自定义组态在执行时算力需求会存在较大波动,尤其是特征时间周期内存在较多复杂执行类别自定义组态,加剧上述现象,因此,在提前进行适应性调整的基础上,进一步的依据自定义组态的各组态工具被执行时与工具服务器的数据交互波动量对工具服务器的节点数量进行调整,进而,保证自定义组态运行稳定,减少算力浪费,减少自定义组态出现过载以及响应延迟的问题。
附图说明
图1为发明实施例的自定义组态可视化管理方法的步骤图;
图2为发明实施例的划分自定义组态的类别的逻辑流程图;
图3为发明实施例的确定特征时间周期的逻辑流程图;
图4为发明实施例的自定义组态可视化管理应用平台的结构框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1至图3所示,图1为发明实施例的自定义组态可视化管理方法的步骤图,图2为发明实施例的划分自定义组态的类别的逻辑流程图,图3为发明实施例的确定特征时间周期的逻辑流程图,本发明的自定义组态可视化管理方法,其包括:
步骤S1,用户端构建自定义组态,包括,构建若干组态工具,所述组态工具被配置为用以执行特定的功能;
步骤S2,记录各用户端所创建自定义组态的运行参数,根据所述运行参数计算所述自定义组态的运行表征系数,根据所述运行表征系数划分所述自定义组态的类别,其中,所述运行参数包括各组态工具被执行时与工具服务器的数据交互量以及自定义组态的执行次数;
步骤S3,根据历史不同时间周期内全部用户端执行各类自定义组态的数量比值确定特征时间周期;
步骤S4,根据当前所处时间周期选定针对自定义组态的工具服务器调整策略,包括,
确定所述自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
确定当前时间周期内所述自定义组态各组态工具被执行时与工具服务器的数据交互波动量,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量。
具体而言,本发明对组态工具的类别以及功能不做具体限定,组态工具被配置为执行特定的功能,具体功能本领域技术人员可根据具体需求进行设定,此为现有技术,不再赘述。
具体而言,本发明对自定义组态的具体方式不做限定,可采用开源的组态创建工具,例如,Grafana工具,可创建自定义的仪表板和组态,组态可以由若干被配置为特定功能的组态工具构成,组态工具被执行时通过工具服务器提供计算服务能执行对应的功能,此为现有技术,不再赘述。
具体而言,本发明对划分时间周期的具体方式不做限定,在本实施例中,时间周期的划分维度为单日的24小时,单个时间周期的长度为一小时,进而时间周期可以被划分为24个,例如,0点至1点为第一周期,1点至2点为第二周期,以此类推,此不再赘述。
具体而言,所述步骤S2中,根据公式(1)计算自定义组态的运行表征系数,
公式(1)中,E表示运行表征系数,n表示所记录时间周期数量,Ei表示第i时间周期内运行表征系数,H表示各组态工具在第i时间周期的统计时长内与工具服务器的数据交互量平均值,H0表示预设的数据交互量标准阈值,T表示统计时长,Hm表示第m时刻各组态工具与工具服务器的数据交互量平均值,Ns表示第i时间周期的统计时长内各自定义组态执行次数总量,Ns0表示预设的自定义组态执行数量标准阈值,
其中,若自定义组态中的任意工具组件被执行,则判定所述自定义组态被执行,在本实施例中,统计时长可根据当前时间周期t0设定,T=γ×t0,γ表示周期设定系数,0.2<γ<0.5。
具体而言,可以理解的是,数据交互量包括数据上传量以及数据下载量。
具体而言,所述步骤S2中,根据运行表征系数划分所述自定义组态的类别的过程包括,
将所述运行表征系数与预设的组态运行表征对比阈值进行对比,
若所述运行表征系数大于或等于所述组态运行表征对比阈值,则划分所述自定义组态的类别为复杂执行类别;
若所述运行表征系数小于所述组态运行表征对比阈值,则划分所述自定义组态的类别为非复杂执行类别。
具体而言,组态运行表征对比阈值E0为预先设定所得,其中,记录各用户端所创建自定义组态的运行参数,计算若干自定义组态的运行表征系数,并求解运行表征系数平均值ΔE,设定E0=α×ΔE,其中α表示偏移系数,1.1<α<1.3。
本发明计算运行表征系数划分所创建自定义组态的类别,在实际情况中,由于不同的需求,用户端所创建自定义组态中组态工具各不相同,因此,在实际的运行过程中,对于算力的需求,以及运行稳定性均不同,尤其是在较多用户端创建不同自定义组态后,后续集中运行过程中,在不同时间周期内容易造成过载、响应延迟等问题,因此,运行表征系数计算时考虑了历史数据中自定义组态的各组态工具被执行时与工具服务器的数据交互量以及自定义组态的执行次数,在一定程度上表征自定义组态的运行稳定以及复杂情况,为后续分类以及调整工具服务器的节点数量提供数据支持,进而,保证自定义组态运行稳定,减少算力浪费,减少自定义组态出现过载以及响应延迟的问题。
具体而言,所述步骤S3中,确定特征时间周期的过程包括,
根据步骤S2中所记录数据,计算时间周期内全部用户端所执行复杂执行类别自定义组态与所执行非复杂执行类别自定义组态的数量比值,
将所述数量比值与预设的比值参考阈值进行对比,若所述数量比值大于所述比值参考阈值,则判定所述时间周期为特征时间周期。
具体而言,在本实施例中,为表征复杂执行类别自定义组态占比较高的情况,比值参考阈值在区间[1.5,3]内选定。
具体而言,所述步骤S4中,选定针对自定义组态的工具服务器调整策略,其中,
若当前所处时间周期邻接的下一时间周期属于特征时间周期,则选定需确定所述自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
若当前所处时间周期属于特征时间周期,则选定需确定当前时间周期内所述自定义组态各组态工具被执行时与工具服务器的数据交互波动量,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量。
具体而言,所述步骤S4中,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量的过程包括,
若自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数减小,则确定运行表征系数减小量,提前减小工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的减小量与运行表征系数减小量呈正相关;
若自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数增大,则确定运行表征系数增大量,提前增大工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的增大量与运行表征系数增大量呈正相关。
具体而言,在本实施例中,提供调整节点数量的示例,其中,
将运行表征系数的减小量El或运行表征系数的增大量Eh与预设的第一运行表征系数调整参量E01以及第二表征系数调整参量E02进行对比,E02>E01,
若El>E02,则节点数量的减小量为第一减小量nl1,设定,nl1=[g1×N0],
若E01≤El≤E02,则节点数量的减小量为第二减小量nl2,nl2=[g2×N0],
若El<E01,则节点数量的减小量为第三减小量nl3,nl3=[g3×N0],
若Eh>E02,则节点数量的增加量为第一增加量nh1,设定,nh1=[g1×N0]×1.1,
若E01≤Eh≤E02,则节点数量的增加量为第二增加量nh2,nh2=[g2×N0]×1.1,
若Eh<E01,则节点数量的增加量为第三增加量nh3,nh3=[g3×N0]×1.1,
其中,g1表示第一调整系数,g2表示第二调整系数,g3表示第三调整系数,0.45>g1>0.4>g2>0.35>g3>0.3,N0表示当前工具服务器中用以所述自定义组态的节点数量。
在本实施例中,E01以及E02为预先设定所得,设定,E01=E0×0.15,E02=E0×0.3。
本发明考虑识别特征时间周期,特征时间周期中复杂执行类别自定义组态的比例较高,在实际情况中,复杂执行类别自定义组态由于运行表征系数较高,因此,其算力占用较高,且容易出现波动,尤其是较多用户端的情况下会加剧上述现象,在特征时间周期内体现较为明显,因此本发明识别特征时间周期,并作为依据,在进入特征时间周期前,预先结合历史数据中特征时间周期的运行表征系数相对当前周期的运行表征系数的变化情况,适应性的预先对工具服务器的节点数量进行调整,进而,预先对工具服务器进行适应性调整并保证算力的相对合理,避免自定义组态后续出现过载以及响应延迟的情况。
具体而言,所述步骤S4中,根据公式(2)确定当前时间周期内自定义组态的组态工具被执行时与工具服务器的数据交互波动量,
公式(2)中,M表示数据交互波动量,t0表示当前时间周期时长,h(j)表示第j时刻各组态工具被执行时与工具服务器的数据交互量平均值,h(j-1)表示第j-1时刻各组态工具被执行时与工具服务器的数据交互量平均值。
具体而言,增大工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的增大量与所述数据交互波动量呈正相关。
具体而言,本实施例提供依据数据交互波动量调整节点数量的示例,
数据交互波动量M与预设的第一数据交互波动量对比阈值M1以及第二数据交互波动量对比阈值M2进行对比,
若M>M2,则节点数量的增加量为第四增加量nh4,设定,nh4=[r1×N0],
若M1≤M≤M2,则节点数量的增加量为第五增加量nh5,nh5=[r2×N0],
若M<M1,则节点数量的增加量为第六增加量nh6,nh6=[r3×N0],
其中,r1表示第一修正系数,r2表示第二修正系数,r3表示第三修正,0.3>r1>0.255>r2>0.2>r3>0.15,N0表示当前工具服务器中用以所述自定义组态的节点数量,
M1以及M2为预先设定所得,其中,预先记录各用户端所创建自定义组态的运行参数,计算单个时间周期内被执行的若干自定义组态的数据交互波动量平均值并记录,求解若干时间周期内数据交互波动量平均值的平均值M0,设定M1=β1×M0,设定M2=β2×M0,β1表示第一精度系数,β2表示第二精度系数,1.15<β1<1.3,1.3<β2<1.45。
具体而言,所述步骤S4中,还包括,通过显示终端实时显示各自定义组态的类别以及各自定义组态被执行时工具服务器中用以为所述自定义组态提供计算服务的节点数量。
本发明在处于特征时间周期内时,考虑自定义组态的波动情况,对工具服务器的节点数量进行调整,在实际情况中,复杂执行类别自定义组态在执行时算力需求会存在较大波动,尤其是特征时间周期内存在较多复杂执行类别自定义组态,加剧上述现象,因此,在提前进行适应性调整的基础上,进一步的依据自定义组态的各组态工具被执行时与工具服务器的数据交互波动量对工具服务器的节点数量进行调整,进而,保证自定义组态运行稳定,减少算力浪费,减少自定义组态出现过载以及响应延迟的问题。
具体而言,请参阅图4所示,图4为发明实施例的自定义组态可视化管理应用平台的结构框图,自定义组态可视化管理应用平台包括:
数据采集模块,其分别与各用户端连接,用以采集用户端所创建自定义组态的运行参数;
数据存储模块,其与所述数据采集模块连接,用以存储记录各用户端所创建自定义组态的运行参数;
工具服务器,包括若干用以为服务器组件提供计算服务的计算节点;
数据处理模块,其分别与所述数据采集模块、数据存储模块以及工具服务器连接,用以根据运行参数计算自定义组态的运行表征系数,根据运行表征系数划分自定义组态的类别,
以及,用以选定针对自定义组态的工具服务器调整策略,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
显示终端,其与所述数据处理模块连接,用以根据数据处理模块所发出的数据显示对应内容。
具体而言,本发明对工具服务器的具体形式不做限定,可以理解的是,服务器中通常包括若干计算节点,各计算节点能为组态工具提供计算服务,当然,服务器需预先与服务对象建立通信协议,以实现数据传输,此为现有技术,不再赘述。
具体而言,本发明对数据存储模块的具体结构不做限定,其可以为数据库,只需能实现数据存储即可,此为现有技术,不再赘述。
具体而言,本发明对数据采集模块的具体结构不做限定,其只需能监测自定义组态的运行参数即可,例如,可采用流量监测设备监测各组态工具被执行时与工具服务器的数据交互量,通过调用自定义组件的执行日志获取各组态工具被执行次数,此为现有技术,不再赘述。
具体而言,本发明对数据处理模块的具体结构不作限定,数据处理模块可以由逻辑部件构成,逻辑部件包括现场可编程部件、微处理器或计算机。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (6)
1.一种自定义组态可视化管理方法,其特征在于,包括:
步骤S1,用户端构建自定义组态,包括,构建若干组态工具,所述组态工具被配置为用以执行特定的功能;
步骤S2,记录各用户端所创建自定义组态的运行参数,根据所述运行参数计算所述自定义组态的运行表征系数,根据所述运行表征系数划分所述自定义组态的类别,其中,所述运行参数包括各组态工具被执行时与工具服务器的数据交互量以及自定义组态的执行次数;
步骤S3,根据历史不同时间周期内全部用户端执行各类自定义组态的数量比值确定特征时间周期;
步骤S4,根据当前所处时间周期选定针对自定义组态的工具服务器调整策略,包括,
确定所述自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
确定当前时间周期内所述自定义组态各组态工具被执行时与工具服务器的数据交互波动量,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量;
所述步骤S2中,根据公式(1)计算自定义组态的运行表征系数,
公式(1)中,E表示运行表征系数,n表示所记录时间周期数量,Ei表示第i时间周期内运行表征系数,H表示各组态工具在第i时间周期的统计时长内与工具服务器的数据交互量平均值,H0表示预设的数据交互量标准阈值,T表示统计时长,Hm表示第m时刻各组态工具与工具服务器的数据交互量平均值,Ns表示第i时间周期的统计时长内各自定义组态执行次数总量,Ns0表示预设的自定义组态执行数量标准阈值,
其中,若自定义组态中的任意工具组件被执行,则判定所述自定义组态被执行;
所述步骤S2中,根据运行表征系数划分所述自定义组态的类别的过程包括,
将所述运行表征系数与预设的组态运行表征对比阈值进行对比,
若所述运行表征系数大于或等于所述组态运行表征对比阈值,则划分所述自定义组态的类别为复杂执行类别;
若所述运行表征系数小于所述组态运行表征对比阈值,则划分所述自定义组态的类别为非复杂执行类别;
所述步骤S3中,确定特征时间周期的过程包括,
根据步骤S2中所记录数据,计算时间周期内全部用户端所执行复杂执行类别自定义组态与所执行非复杂执行类别自定义组态的数量比值,
将所述数量比值与预设的比值参考阈值进行对比,若所述数量比值大于所述比值参考阈值,则判定所述时间周期为特征时间周期;
所述步骤S4中,选定针对自定义组态的工具服务器调整策略,其中,
若当前所处时间周期邻接的下一时间周期属于特征时间周期,则选定需确定所述自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数的变化情况,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
若当前所处时间周期属于特征时间周期,则选定需确定当前时间周期内所述自定义组态各组态工具被执行时与工具服务器的数据交互波动量,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量。
2.根据权利要求1所述的自定义组态可视化管理方法,其特征在于,所述步骤S4中,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量的过程包括,
若自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数减小,则确定运行表征系数减小量,提前减小工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的减小量与运行表征系数减小量呈正相关;
若自定义组态在邻接的特征时间周期内的运行表征系数相对当前时间周期内运行表征系数增大,则确定运行表征系数增大量,提前增大工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的增大量与运行表征系数增大量呈正相关。
3.根据权利要求1所述的自定义组态可视化管理方法,其特征在于,所述步骤S4中,根据公式(2)确定当前时间周期内自定义组态的组态工具被执行时与工具服务器的数据交互波动量,
公式(2)中,M表示数据交互波动量,t0表示当前时间周期时长,h(j)表示第j时刻各组态工具被执行时与工具服务器的数据交互量平均值,h(j-1)表示第j-1时刻各组态工具被执行时与工具服务器的数据交互量平均值。
4.根据权利要求3所述的自定义组态可视化管理方法,其特征在于,所述步骤S4中,根据所述数据交互波动量调整当前工具服务器中用以为所述自定义组态提供计算服务的节点数量,其中,
增大工具服务器中用以为所述自定义组态提供计算服务的节点数量,节点数量的增大量与所述数据交互波动量呈正相关。
5.根据权利要求1所述的自定义组态可视化管理方法,其特征在于,所述步骤S4中,还包括,通过显示终端实时显示各自定义组态的类别以及各自定义组态被执行时工具服务器中用以为所述自定义组态提供计算服务的节点数量。
6.一种应用权利要求1-5任一项所述自定义组态可视化管理方法的管理应用平台,其特征在于,包括:
数据采集模块,其分别与各用户端连接,用以采集用户端所创建自定义组态的运行参数;
数据存储模块,其与所述数据采集模块连接,用以存储记录各用户端所创建自定义组态的运行参数;
工具服务器,包括若干用以为服务器组件提供计算服务的计算节点;
数据处理模块,其分别与所述数据采集模块、数据存储模块以及工具服务器连接,用以根据运行参数计算自定义组态的运行表征系数,根据运行表征系数划分自定义组态的类别,
以及,用以选定针对自定义组态的工具服务器调整策略,调整工具服务器中用以为所述自定义组态提供计算服务的节点数量;
显示终端,其与所述数据处理模块连接,用以根据数据处理模块所发出的数据显示对应内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161700.2A CN117707523B (zh) | 2024-02-05 | 2024-02-05 | 一种自定义组态可视化管理方法及管理应用平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161700.2A CN117707523B (zh) | 2024-02-05 | 2024-02-05 | 一种自定义组态可视化管理方法及管理应用平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117707523A CN117707523A (zh) | 2024-03-15 |
CN117707523B true CN117707523B (zh) | 2024-06-07 |
Family
ID=90162793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161700.2A Active CN117707523B (zh) | 2024-02-05 | 2024-02-05 | 一种自定义组态可视化管理方法及管理应用平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117707523B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1798141A (zh) * | 2004-12-22 | 2006-07-05 | 中国科学院沈阳自动化研究所 | 符合opc标准的远程组态监控*** |
CN110232515A (zh) * | 2019-06-04 | 2019-09-13 | 中铁四局集团有限公司城市轨道交通工程分公司 | 一种bim项目实时监测***及评价方法 |
CN112199150A (zh) * | 2020-08-13 | 2021-01-08 | 北京航空航天大学 | 一种基于微服务调用依赖感知的在线应用动态扩缩容方法 |
CN114911615A (zh) * | 2022-05-06 | 2022-08-16 | 江苏安超云软件有限公司 | 微服务运行时智能预测调度的方法及应用 |
CN115525394A (zh) * | 2022-09-26 | 2022-12-27 | 苏州浪潮智能科技有限公司 | 容器数量的调整方法及装置 |
CN116661753A (zh) * | 2023-06-19 | 2023-08-29 | 华能澜沧江水电股份有限公司 | 一种基于逻辑图组态的用户自定义逻辑计算方法及*** |
CN116980316A (zh) * | 2023-07-19 | 2023-10-31 | 华南理工大学 | 面向时延和资源利用率的微服务弹性伸缩调度方法和*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769843B2 (en) * | 2006-09-22 | 2010-08-03 | Hy Performix, Inc. | Apparatus and method for capacity planning for data center server consolidation and workload reassignment |
US8060857B2 (en) * | 2009-01-31 | 2011-11-15 | Ted J. Biggerstaff | Automated partitioning of a computation for parallel or other high capability architecture |
JP5458308B2 (ja) * | 2010-06-11 | 2014-04-02 | 株式会社日立製作所 | 仮想計算機システム、仮想計算機システムの監視方法及びネットワーク装置 |
US20170177895A1 (en) * | 2015-12-21 | 2017-06-22 | Datanomix, Inc. | In-situ cloud data management solution |
-
2024
- 2024-02-05 CN CN202410161700.2A patent/CN117707523B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1798141A (zh) * | 2004-12-22 | 2006-07-05 | 中国科学院沈阳自动化研究所 | 符合opc标准的远程组态监控*** |
CN110232515A (zh) * | 2019-06-04 | 2019-09-13 | 中铁四局集团有限公司城市轨道交通工程分公司 | 一种bim项目实时监测***及评价方法 |
CN112199150A (zh) * | 2020-08-13 | 2021-01-08 | 北京航空航天大学 | 一种基于微服务调用依赖感知的在线应用动态扩缩容方法 |
CN114911615A (zh) * | 2022-05-06 | 2022-08-16 | 江苏安超云软件有限公司 | 微服务运行时智能预测调度的方法及应用 |
CN115525394A (zh) * | 2022-09-26 | 2022-12-27 | 苏州浪潮智能科技有限公司 | 容器数量的调整方法及装置 |
CN116661753A (zh) * | 2023-06-19 | 2023-08-29 | 华能澜沧江水电股份有限公司 | 一种基于逻辑图组态的用户自定义逻辑计算方法及*** |
CN116980316A (zh) * | 2023-07-19 | 2023-10-31 | 华南理工大学 | 面向时延和资源利用率的微服务弹性伸缩调度方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN117707523A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130332516A1 (en) | Polling protocol for automatic load limiting | |
Eick et al. | The physics of the Mt/G/∞ queue | |
CN108599995B (zh) | 网络线路故障判定方法及服务器 | |
US20070136285A1 (en) | Method and apparatus for globally approximating quantiles in a distributed monitoring environment | |
CN102375810B (zh) | 整体帐户搜索关键词的估计值反馈方法及服务器 | |
Henderson et al. | Performance evaluation and policy selection in multiclass networks | |
CN111787570B (zh) | 物联网设备的数据传输方法、装置、计算机设备 | |
CN109726885A (zh) | 用电量异常评估方法、装置、设备和计算机存储介质 | |
CN111626780B (zh) | 信息推送方法、装置、服务端及存储介质 | |
CN110933698A (zh) | 一种物联网卡的监控管理方法、装置及设备 | |
Niño-Mora | Restless bandit marginal productivity indices, diminishing returns, and optimal control of make-to-order/make-to-stock M/G/1 queues | |
CN110896357A (zh) | 流量预测方法、装置和计算机可读存储介质 | |
CN117707523B (zh) | 一种自定义组态可视化管理方法及管理应用平台 | |
US9852433B2 (en) | Systems and methods for predicting occurrences of consumers returning purchased devices | |
CN107766098A (zh) | 应用后台定位管理方法、移动终端及存储介质 | |
Kasbekar et al. | Dynamic contract trading in spectrum markets | |
CN112565391A (zh) | 调整工业互联网平台中实例的方法、装置、设备和介质 | |
CN102804742B (zh) | 用于终端的使用的父母控制方法和应用 | |
CN107124314B (zh) | 数据监控方法及装置 | |
Borisov et al. | Filtering of the Markov jump process given the observations of multivariate point process | |
CN114861909A (zh) | 模型质量监控方法、装置、电子设备以及存储介质 | |
CN114553869A (zh) | 基于联合学习的确定资源贡献度的方法、装置和电子设备 | |
WO2020189399A1 (ja) | 通信帯域算出装置、通信帯域算出方法及びプログラム | |
CN111311039B (zh) | 敏感用户的确定方法、装置、设备和介质 | |
CN110955728A (zh) | 用电数据传输方法、服务器及存储介质 |
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 |