DE112020006449T5 - Verteilen von arbeitslasten bei berechnungen auf der grundlage einer berechneten berechnungsschwerkraft innerhalb unterschiedlicher datenverarbeitungsparadigmen - Google Patents

Verteilen von arbeitslasten bei berechnungen auf der grundlage einer berechneten berechnungsschwerkraft innerhalb unterschiedlicher datenverarbeitungsparadigmen Download PDF

Info

Publication number
DE112020006449T5
DE112020006449T5 DE112020006449.2T DE112020006449T DE112020006449T5 DE 112020006449 T5 DE112020006449 T5 DE 112020006449T5 DE 112020006449 T DE112020006449 T DE 112020006449T DE 112020006449 T5 DE112020006449 T5 DE 112020006449T5
Authority
DE
Germany
Prior art keywords
computing
paradigm
computing node
cloud
algorithm
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.)
Pending
Application number
DE112020006449.2T
Other languages
English (en)
Inventor
Aaron Baughman
Stephen Hammer
Gray Franklin Cannon
Shikhar KWATRA
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE112020006449T5 publication Critical patent/DE112020006449T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5055—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 software capabilities, i.e. software resources associated or available to the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/80—Quantum programming, e.g. interfaces, languages or software-development kits for creating or handling programs capable of running on quantum computers; Platforms for simulating or accessing quantum computers, e.g. cloud-based quantum computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Information Transfer Between Computers (AREA)
  • Multi Processors (AREA)

Abstract

Ein Verteilen einer Arbeitslast bei Berechnungen auf Datenverarbeitungsknoten mit unterschiedlichen Datenverarbeitungsparadigmen wird bereitgestellt. Die Berechnungsschwerkraft jedes Datenverarbeitungsknotens in einem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in einem Client-Netzwerk-Datenverarbeitungsparadigma innerhalb eines Internet von Systemen wird berechnet. Jeder Bestandteil eines Algorithmus wird auf der Grundlage der berechneten Berechnungsschwerkraft jedes jeweiligen Datenverarbeitungsknotens innerhalb des Internet von Systemen auf einen geeigneten Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas verteilt. Die Arbeitslast bei Berechnungen für jeden Bestandteil des Algorithmus wird auf einen jeweiligen Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas mit einem entsprechenden Bestandteil des Algorithmus zur Verarbeitung verteilt.

Description

  • HINTERGRUND
  • Anwendungsgebiet
  • Die Offenbarung betrifft im Allgemeinen Netzwerke zum Bereitstellen von Inhalten und im Besonderen ein Berechnen der Berechnungsschwerkraft (compute gravity) jedes Datenverarbeitungsknotens innerhalb unterschiedlicher Datenverarbeitungsparadigmen eines Internet von Systemen, um die Arbeitslast bei Berechnungen einer großen Anwendung mit komplexen Komponenten künstlicher Intelligenz auf die Datenverarbeitungsknoten der unterschiedlichen Datenverarbeitungsparadigmen zu verteilen.
  • BESCHREIBUNG DES STANDES DER TECHNIK
  • Ein Netzwerk zum Bereitstellen von Inhalten bezieht sich auf eine geografisch verteilte Gruppe von Servern, die zusammenarbeiten, um eine schnelle Bereitstellung von Dateninhalten bereitzustellen. Ein Netzwerk zum Bereitstellen von Inhalten ermöglicht die schnelle Übertragung von Assets, die zum Laden von Dateninhalten wie zum Beispiel HTML-Seiten, JavaScript-Dateien, Stylesheets, Bilder, Videos und dergleichen benötigt werden. Die Beliebtheit von Netzdiensten zum Bereitstellen von Inhalten nimmt weiter zu, und derzeit wird ein Großteil des Internetverkehrs über Netzwerke zum Bereitstellen von Inhalten abgewickelt, was auch den Verkehr von großen Websites wie zum Beispiel von Social-Media-Websites umfasst.
  • Ein Netzwerk zum Bereitstellen von Inhalten stellt zwar keine Inhalte per Hosting zur Verfügung und kann den Bedarf an Webhosting nicht ersetzen, aber ein Netzwerk zum Bereitstellen von Inhalten hilft beim Zwischenspeichern von Inhalten an dem Netzwerkrand (network edge), was die Leistung der Website verbessert. Viele Websites haben Schwierigkeiten, ihre Leistungsanforderungen mit herkömmlichen Hosting-Diensten zu erfüllen, weshalb bei diesen Websites die Entscheidung auf Netzwerke zum Bereitstellen von Inhalten fällt. Durch ein Einsetzen von Zwischenspeichern zum Verringern der Hosting-Bandbreite, was dabei hilft, Unterbrechungen des Dienstes zu verhindern und die Sicherheit erhöht, sind Netzwerke zum Bereitstellen von Inhalten eine beliebte Wahl, um einige der mit herkömmlichem Web-Hosting verbundenen Probleme zu lösen.
  • Ein Netzwerk zum Bereitstellen von Inhalten lokalisiert Server an Austauschpunkten zwischen verschiedenen Netzwerken. Bei diesen Austauschpunkten handelt es sich um die wichtigsten Orte, an denen sich verschiedene Datenanbieter miteinander verbinden, um sich gegenseitig Zugang zu Datenverkehr bereitzustellen, der aus ihren verschiedenen Netzwerken stammt. Bei einem Edge-Server eines Netzwerks zum Bereitstellen von Inhalten handelt es sich um einen Computer, der sich an dem logischen Ende oder Rand des Netzwerks befindet. Ein Edge-Server dient oft als Verbindung zwischen den verschiedenen Netzwerken. Ein Hauptzweck eines Edge-Servers eines Netzwerks zum Bereitstellen von Inhalten besteht darin, Dateninhalte so nah wie möglich an einer anfordernden Client-Einheit zwischenzuspeichern, wodurch die Latenzzeit verringert und Ladezeiten verbessert werden.
  • Bei Fog-Computing handelt es sich um eine Architektur, die Edge-Server verwendet, um einen erheblichen Anteil an Berechnungen, Speicherung und Datenübertragung durchzuführen. Fog-Networking besteht aus einer Steuerungsebene und einer Datenebene. Zum Beispiel ermöglicht Fog-Computing auf der Datenebene, dass sich Datenverarbeitungsdienste am Rande des Netzwerks und nicht auf Servern in einem Rechenzentrum befinden können. Im Vergleich zu Cloud-Computing liegt der Schwerpunkt beim Fog-Computing auf der Nähe zu den Endbenutzern und Client-Einheiten, einer dichten geografischen Verteilung und einem Bündeln von lokalen Ressourcen, einer Verringerung von Latenzzeiten und einem Einsparen von Backbone-Bandbreite, um eine bessere Servicequalität zu erreichen, sowie auf Edge-Analytics/Stream-Mining, was zu einem besseren Nutzererlebnis führt. Fog-Computing ermöglicht den Betrieb von Berechnungs-, Speicherungs- und Vernetzungsdiensten zwischen Endpunkteinheiten und Cloud-Computing-Rechenzentren. Während Edge-Computing in der Regel als der Ort bezeichnet wird, an dem Dienste instanziiert werden, bedeutet Fog-Computing die Verteilung der Datenübertragung, Berechnung, Speicherressourcen und Dienste auf oder in der Nähe von Einheiten und Systemen, die sich in der Kontrolle von Endbenutzern befinden.
  • Große Datenverarbeitungssysteme mit komplexen Datenverarbeitungs-Pipelines laufen im Allgemeinen in einer Hybrid Cloud. Bei einer Datenverarbeitungs-Pipeline handelt es sich um einen Satz von Datenverarbeitungseinheiten, die in Reihe geschaltet sind, wobei der Ausgang einer Einheit der Eingang der nächsten Einheit in der Reihe ist. Ephemere Dienste sind über die Hybrid Cloud als zustandslose Mikrodienste verfügbar, die Nutzdaten akzeptieren. Platform as a Service, wie zum Beispiel Kubernetes mit Docker, stellt einen großen Teil der Berechnungsressourcen für diese rechenintensiven Anwendungen bereit. Andere Computeralgorithmen, die eine hohe Eingabe/Ausgabe, Netzwerk-Bandbreite und spezielle Hardware-Anforderungen benötigen, erfordern Infrastructure as a Service oder gemeinsam mit virtuellen Maschinen nutzbare Maschinen, die ein herkömmliches Kubernetes nicht liefern kann. Allerdings bricht das herkömmliche Cloud-Computing-Paradigma bei hoher Nachfrage der Benutzer zusammen.
  • In diesen Fällen mit hohem Nutzungsbedarf werden Ursprungsserver durch Edge-Server des Netzwerks zum Bereitstellen von Inhalten abgeschirmt. Die Edge-Server stellen eine Web-Beschleunigungsebene für statische Server-Inhalte bereit. Allerdings erzeugen auf künstlicher Intelligenz beruhende Anwendungen und andere dynamische Plattformen zur Erzeugung von Inhalten täglich Petabytes an Daten. Der Umfang an Informationen entspricht der kombinatorischen Explosion des Merkmalsraums. Die Kombination aus Milliarden von Anfragen und dynamisch erzeugten Daten macht das Edge-Computing in Netzwerken zum Bereitstellen von Inhalten und Hybrid Cloud-Computing unzureichend.
  • KURZDARSTELLUNG
  • Gemäß einer veranschaulichenden Ausführungsform wird ein auf einem Computer ausgeführtes Verfahren zum Verteilen einer Arbeitslast bei Berechnungen auf Datenverarbeitungsknoten mit unterschiedlichen Datenverarbeitungsparadigmen bereitgestellt. Die Berechnungsschwerkraft jedes Datenverarbeitungsknotens in einem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in einem Client-Netzwerk-Datenverarbeitungsparadigma innerhalb eines Internet von Systemen wird berechnet. Jeder Bestandteil eines Algorithmus wird auf der Grundlage der berechneten Berechnungsschwerkraft jedes jeweiligen Datenverarbeitungsknotens innerhalb des Internet von Systemen auf einen geeigneten Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas verteilt. Die Arbeitslast bei Berechnungen für jeden Bestandteil des Algorithmus wird auf einen jeweiligen Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas mit einem entsprechenden Bestandteil des Algorithmus zur Verarbeitung verteilt. Gemäß anderen veranschaulichenden Ausführungsformen werden ein Computersystem und ein Computerprogrammprodukt zum Verteilen der Arbeitslast bei Berechnungen auf Datenverarbeitungsknoten mit unterschiedlichen Datenverarbeitungsparadigmen bereitgestellt.
  • Gemäß den verschiedenen veranschaulichenden Ausführungsformen werden Ergebnisse jeder jeweiligen Arbeitslast bei Berechnungen, die jedem Bestandteil des Algorithmus entsprechen, auf Edge-Servern des Netzwerks zum Bereitstellen von Inhalten zwischengespeichert, welche die Ergebnisse anderen Client-Datenverarbeitungsknoten bereitstellen, ohne Berechnungen zu wiederholen. Darüber hinaus werden in den weiteren veranschaulichenden Ausführungsformen Bestandteile des Algorithmus identifiziert, der sich in dem Cloud-Computing-Paradigma des Internet von Systemen befindet. Des Weiteren werden in den verschiedenen veranschaulichenden Ausführungsformen eine Eingabe zum Einsetzen eines Bestandteils des Algorithmus in dem Internet von Systemen empfangen und die Berechnungsschwerkraft jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma in Bezug auf den Bestandteil des Algorithmus, der in dem Internet von Systemen eingesetzt werden soll, berechnet. Dann werden in den verschiedenen veranschaulichenden Ausführungsformen auf der Grundlage der Berechnungsschwerkraft, die jedem Datenverarbeitungsknoten in dem Cloud-Computing-Paradigma und jedem Datenverarbeitungsknoten in dem Client-Datenverarbeitungsparadigma entspricht, ein Datenverarbeitungsknoten mit der höchsten Punktzahl für die Berechnungsschwerkraft in dem Internet von Systemen für ein Einsetzen des Bestandteils des Algorithmus ermittelt und der Bestandteil des Algorithmus auf dem Datenverarbeitungsknoten mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen eingesetzt.
  • Infolgedessen stellen die verschiedenen veranschaulichenden Ausführungsformen einen technischen Effekt und eine praktische Anwendung auf dem Gebiet der Datenverarbeitung bereit, indem eine Berechnungsschwerkraft jedes Datenverarbeitungsknotens innerhalb unterschiedlicher Datenverarbeitungsparadigmen des Internet von Systemen berechnet wird, um die Arbeitslast bei Berechnungen der Bestandteile des Algorithmus auf die Datenverarbeitungsknoten der unterschiedlichen Datenverarbeitungsparadigmen zu verteilen. So gehören zu Vorteilen der verschiedenen veranschaulichenden Ausführungsformen eine verringerte Arbeitslast für den Berechnungsknoten innerhalb der unterschiedlichen Datenverarbeitungsparadigmen, eine verringerte Netzwerk-Latenzzeit, verringerte Ladezeiten, eine erhöhte Geschwindigkeit und Leistung beim Datentransport sowie verringerte Reaktionszeiten auf Benutzeranfragen.
  • Figurenliste
  • Ausführungsformen der Erfindung werden nun lediglich beispielhaft unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, in denen:
    • 1 eine bildliche Darstellung eines Netzwerks von Datenverarbeitungssystemen zeigt, in dem veranschaulichende Ausführungsformen umgesetzt werden können;
    • 2 ein Schaubild eines Datenverarbeitungssystems zeigt, in dem veranschaulichende Ausführungsformen umgesetzt werden können;
    • 3 ein Schaubild zeigt, das eine Cloud-Computing-Umgebung veranschaulicht, in der veranschaulichende Ausführungsformen umgesetzt werden können;
    • 4 ein Schaubild zeigt, das ein Beispiel für Abstraktionsschichten einer Cloud-Computing-Umgebung gemäß einer veranschaulichenden Ausführungsform veranschaulicht;
    • 5 ein Schaubild zeigt, das ein Beispiel für ein Internet von Systemen gemäß einer veranschaulichenden Ausführungsform veranschaulicht;
    • 6 einen Ablaufplan zeigt, der einen Prozess zum Einsetzen einer Anwendung der künstlichen Intelligenz innerhalb eines Internet von Systemen gemäß einer veranschaulichenden Ausführungsform veranschaulicht; und
    • 7 einen Ablaufplan zeigt, der einen Prozess zum Verteilen der Arbeitslast bei Berechnungen von Bestandteilen einer Anwendung der künstlichen Intelligenz auf der Grundlage einer Berechnungsschwerkraft innerhalb eines Internet von Systemen gemäß einer veranschaulichenden Ausführungsform veranschaulicht.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt auf jeder möglichen technischen Detailstufe der Integration handeln. Das Computerprogrammprodukt kann ein durch einen Computer lesbares Speichermedium (oder -medien) mit durch einen Computer lesbaren Programmanweisungen darauf umfassen, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
  • Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch ein System zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine auswechselbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein auswechselbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch kodierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. Lichtwellenleiterkabel durchlaufende Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
  • Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server umfassen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
  • Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten, Konfigurationsdaten für integrierte Schaltungen oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, vor Ort programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
  • Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern mittels durch einen Computer lesbare Programmanweisungen ausgeführt werden können.
  • Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Computers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt umfasst, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen.
  • Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
  • Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) umfassen. In einigen alternativen Ausführungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zum Beispiel können zwei nacheinander gezeigte Blöcke in Wirklichkeit als ein Schritt ausgeführt werden, der gleichzeitig, im Wesentlichen gleichzeitig, teilweise oder ganz zeitlich überlappend erfolgt, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
  • Unter Bezugnahme auf die Figuren, und insbesondere unter Bezugnahme auf die 1 bis 5, werden Schaubilder von Datenverarbeitungsumgebungen bereitgestellt, in denen veranschaulichende Ausführungsformen umgesetzt werden können. Man sollte sich darüber im Klaren sein, dass die 1 bis 5 lediglich als Beispiele zu verstehen sind und keinerlei Einschränkungen in Bezug auf die Umgebungen, in denen verschiedene Ausführungsformen umgesetzt werden können, anführen oder mit sich bringen sollen. Es können viele Abwandlungen an den abgebildeten Umgebungen vorgenommen werden.
  • 1 zeigt eine bildliche Darstellung eines Netzwerks von Datenverarbeitungssystemen, in dem veranschaulichende Ausführungsformen umgesetzt werden können. Bei einem Netzwerk-Datenverarbeitungssystem 100 handelt es sich um ein Netzwerk von Computern, Datenverarbeitungssystemen und anderen Einheiten wie zum Beispiel ein Internet von Systemen, in dem die veranschaulichenden Ausführungsformen umgesetzt werden können. Das Netzwerk-Datenverarbeitungssystem 100 enthält ein Netzwerk 102, bei dem es sich um das Medium handelt, das zum Bereitstellen von Datenübertragungsverbindungen zwischen den Computern, Datenverarbeitungssystemen und anderen Einheiten verwendet wird, die innerhalb des Netzwerk-Datenverarbeitungssystems 100 miteinander verbunden sind. Bei dem Netzwerk 102 kann es sich zum Beispiel um ein Netzwerk zum Bereitstellen von Inhalten handeln, das Edge-Server mit Verbindungen wie zum Beispiel drahtgestützte Datenübertragungsverbindungen, drahtlose Datenübertragungsverbindungen, Lichtwellenleiter-Kabel und dergleichen umfasst.
  • In dem abgebildeten Beispiel sind ein Server 104 und ein Server 106 gemeinsam mit einem Speicher 108 mit dem Netzwerk 102 verbunden. Bei dem Server 104 und dem Server 106 kann es sich zum Beispiel um Server-Computer mit Hochgeschwindigkeitsverbindungen zu dem Netzwerk 102 handeln. Zusätzlich können der Server 104 und der Server 106 einen oder mehrere Dienste wie zum Beispiel Datendienste mit künstlicher Intelligenz und dergleichen für Client-Einheiten bereitstellen. Es sei auch darauf hingewiesen, dass der Server 104 und der Server 106 jeweils mehrere Server-Computer darstellen können, wie zum Beispiel zentralisierte klassische Computer und Quanten-Computer in einem Cloud-Computing-Paradigma oder einer Cloud-Computing-Umgebung.
  • Ein Client 110, ein Client 112 und ein Client 114 sind ebenfalls mit dem Netzwerk 102 verbunden. Bei den Clients 110, 112 und 114 handelt es sich um Clients des Servers 104 und des Servers 106. Die Clients 110, 112 und 114 stellen eine Mehrzahl von Client-Datenverarbeitungsknoten oder -einheiten innerhalb eines/einer Client-Netzwerk-Datenverarbeitungsparadigmas oder -umgebung dar. In diesem Beispiel sind die Clients 110, 112 und 114 als Desktop- oder Personal Computer mit drahtgebundenen Datenübertragungsverbindungen zu dem Netzwerk 102 gezeigt. Allerdings sei darauf hingewiesen, dass es sich bei den Clients 110, 112 und 114 lediglich um Beispiele handelt und sie andere Arten von Datenverarbeitungssystemen darstellen können, wie zum Beispiel Netzwerkcomputer, Laptop-Computer, Handheld-Computer, Smartphones, Smartwatches, intelligente Fernsehgeräte, intelligente Geräte, intelligente Haustechnik, intelligente Fahrzeuge, Spiele-Einheiten, Kioske und dergleichen, die über drahtgebundene oder drahtlose Datenübertragungsverbindungen zu dem Netzwerk 102 verfügen. Benutzer der Clients 110, 112 und 114 können die Clients 110, 112 und 114 nutzen, um die von Server 104 und Server 106 bereitgestellten Dienste anzufordern.
  • Bei dem Speicher 108 handelt es sich um eine Netzwerk-Speichereinheit, in der jede beliebige Art von Daten in einem strukturierten Format oder einem unstrukturierten Format gespeichert sein kann. Zusätzlich kann der Speicher 108 eine Mehrzahl von Netzwerk-Speichereinheiten darstellen. Darüber hinaus kann der Speicher 108 Anwendungen der künstlichen Intelligenz oder Computeralgorithmen speichern, die eine Mehrzahl von Bestandteilen, Kennungen und Netzwerkadressen der Mehrzahl von Bestandteilen jeder jeweiligen Anwendung der künstlichen Intelligenz oder jedes jeweiligen Computeralgorithmus, eine Berechnungskomplexität und Berechnungsforderungen jedes jeweiligen Bestandteils jeder jeweiligen Anwendung der künstlichen Intelligenz oder jedes Algorithmus und dergleichen aufweisen. Darüber hinaus können in dem Speicher 108 auch andere Arten von Daten gespeichert sein, wie zum Beispiel Identitätsnachweis- oder Berechtigungsdaten, die zum Beispiel Benutzernamen, Passwörter und biometrische Daten umfassen können, die Benutzern von Client-Einheiten zugehörig sind.
  • Zusätzlich sei darauf hingewiesen, dass das Netzwerk-Datenverarbeitungssystem 100 eine beliebige Anzahl von zusätzlichen Servern, Clients, Speichereinheiten und anderen, nicht gezeigten Einheiten umfassen kann. Der in dem Netzwerk-Datenverarbeitungssystem 100 befindliche Programmcode kann auf einem durch einen Computer lesbaren Speichermedium gespeichert sein und auf einen Computer oder eine andere Datenverarbeitungseinheit zur Verwendung heruntergeladen werden. Zum Beispiel kann der Programmcode auf einem durch einen Computer lesbaren Speichermedium auf dem Server 104 gespeichert sein und über das Netzwerk 102 auf den Client 110 zur Verwendung auf dem Client 110 heruntergeladen werden.
  • In dem abgebildeten Beispiel kann das Netzwerk-Datenverarbeitungssystem 100 als eine Reihe verschiedener Arten von Datenübertragungsnetzwerken umgesetzt sein, wie zum Beispiel ein Internet, ein Intranet, ein lokales Netzwerk (LAN), ein Weitverkehrsnetz (WAN), ein Telekommunikationsnetz oder eine beliebige Kombination davon. 1 soll lediglich als Beispiel und nicht als Einschränkung hinsichtlich des Aufbaus der verschiedenen veranschaulichenden Ausführungsformen dienen.
  • Unter Bezugnahme auf 2 ist ein Schaubild eines Datenverarbeitungssystems gemäß einer veranschaulichenden Ausführungsform abgebildet. Ein Datenverarbeitungssystem 200 ist ein Beispiel für einen Computer, wie zum Beispiel den Server 104 oder den Client 110 in 1, in dem sich durch einen Computer lesbarer Programmcode bzw. Anweisungen befinden können, die Prozesse von veranschaulichenden Ausführungsformen umsetzen. In diesem Beispiel umfasst das Datenverarbeitungssystem 200 ein Datenübertragungsnetz 202, das einen Austausch von Daten zwischen einer Prozessoreinheit 204, einem Hauptspeicher 206, einem dauerhaften Speicher 208, einer Datenübertragungseinheit 210, einer Eingabe/Ausgabe- (E/A-) Einheit 212 und einer Anzeige 214 bereitstellt.
  • Die Prozessoreinheit 204 dient zum Ausführen von Anweisungen für Software-Anwendungen und Programme, die in den Hauptspeicher 206 geladen werden können. Abhängig von der jeweiligen Umsetzung kann es sich bei der Prozessoreinheit 204 um einen Satz von einem oder mehreren Hardware-Prozessoreinheiten oder einen Mehrkernprozessor handeln.
  • Der Hauptspeicher 206 und der dauerhafte Speicher 208 sind Beispiele für Speichereinheiten 216. Bei einer durch einen Computer lesbaren Speichereinheit handelt es sich um eine beliebige Hardware, die Informationen speichern kann, wie zum Beispiel Daten, durch einen Computer lesbaren Programmcode in funktionaler Form und/oder andere geeignete Daten entweder auf vorübergehender Grundlage oder auf dauerhafter Grundlage, ohne Beschränkung darauf. Darüber hinaus schließt eine durch einen Computer lesbare Speichereinheit ein Weiterleitungsmedium aus. Bei dem Hauptspeicher 206 kann es sich in diesen Beispielen zum Beispiel um einen Direktzugriffsspeicher (RAM) oder jede beliebige andere geeignete flüchtige oder nichtflüchtige Speichereinheit wie zum Beispiel einen Flash-Speicher handeln. Abhängig von der jeweiligen Umsetzung kann der dauerhafte Speicher 208 verschiedene Formen annehmen. Zum Beispiel kann der dauerhafte Speicher 208 eine oder mehrere Einheiten enthalten. Zum Beispiel kann es sich bei dem dauerhaften Speicher 208 um ein Festplattenlaufwerk, eine Halbleiter-Speicherplatte, eine wiederbeschreibbare optische Platte, ein wiederbeschreibbares Magnetband oder eine Kombination aus diesen handeln. Die von dem dauerhaften Speicher 208 verwendeten Medien können auswechselbar sein. Zum Beispiel kann ein Wechselplattenlaufwerk für den dauerhaften Speicher 208 verwendet werden.
  • Die Datenübertragungseinheit 210 sorgt in diesem Beispiel für die Datenübertragung zu anderen Computern, Datenverarbeitungssystemen und Einheiten über das Netzwerk wie zum Beispiel das Netzwerk 102 in 1. Die Datenübertragungseinheit 210 kann Datenübertragungen durch die Verwendung von sowohl physischen als auch drahtlosen Datenübertragungsverbindungen bereitstellen. Die physische Datenübertragungsverbindung kann zum Beispiel einen Draht, ein Kabel, einen universellen seriellen Bus oder jede beliebige andere physische Technologie nutzen, um eine physische Datenübertragungsverbindung für das Datenverarbeitungssystem 200 herzustellen. Die drahtlose Datenübertragungsverbindung kann zum Beispiel Kurzwelle, Hochfrequenz, Ultrahochfrequenz, Mikrowelle, Wireless Fidelity (Wi-Fi), Bluetooth®-Technologie, GSM (Global System for Mobile Communications), CDMA (Code Division Multiple Access), 2G (zweite Generation), 3G (dritte Generation), 4G (vierte Generation), 4G LTE (Long Term Evolution), LTE Advanced, 5G (fünfte Generation) oder eine beliebige andere drahtlose Datenübertragungstechnologie oder einen beliebigen anderen drahtlosen Datenübertragungsstandard nutzen, um eine drahtlose Datenübertragungsverbindung für das Datenverarbeitungssystem 200 herzustellen.
  • Die Eingabe/Ausgabe-Einheit 212 ermöglicht die Eingabe und Ausgabe von Daten von/zu anderen Einheiten, die gegebenenfalls mit dem Datenverarbeitungssystem 200 verbunden sind. Zum Beispiel kann die Eingabe/Ausgabe-Einheit 212 eine Verbindung für Benutzereingaben über einen Ziffernblock, eine Tastatur, eine Maus, ein Mikrofon und/oder eine andere geeignete Eingabeeinheit bereitstellen. Die Anzeige 214 stellt einen Mechanismus zum Anzeigen von Informationen für einen Benutzer bereit und kann Touchscreen-Funktionen umfassen, um es dem Benutzer zu ermöglichen, zum Beispiel über Benutzerschnittstellen oder Eingabedaten auf dem Bildschirm eine Auswahl zu treffen.
  • Anweisungen für das Betriebssystem, die Anwendungen und/oder Programme können sich in den Speichereinheiten 216 befinden, die über das Datenübertragungsnetz 202 mit der Prozessoreinheit 204 Daten austauschen. In diesem veranschaulichenden Beispiel befinden sich die Anweisungen in funktionaler Form auf dem dauerhaften Speicher 208. Diese Anweisungen können in den Hauptspeicher 206 geladen werden, um von der Prozessoreinheit 204 ausgeführt zu werden. Die Prozesse der verschiedenen Ausführungsformen können von der Prozessoreinheit 204 unter Verwendung von auf einem Computer ausgeführten Anweisungen durchgeführt werden, die sich in einem Hauptspeicher wie zum Beispiel dem Hauptspeicher 206 befinden können. Diese Programmanweisungen werden Programmcode, von einem Computer verwendbarer Programmcode oder durch einen Computer lesbarer Programmcode, der von einem Prozessor in der Prozessoreinheit 204 gelesen und ausgeführt werden kann, genannt. Die Programmanweisungen in den verschiedenen Ausführungsformen können auf verschiedenen physischen, durch einen Computer lesbaren Speichereinheiten wie zum Beispiel dem Hauptspeicher 206 oder dem dauerhaften Speicher 208 enthalten sein.
  • Ein Programmcode 218 befindet sich in einer funktionalen Form auf durch einen Computer lesbaren Medien 220, die wahlweise entfernbar sind, und kann zur Ausführung durch die Prozessoreinheit 204 in das Datenverarbeitungssystem 200 geladen oder auf dieses übertragen werden. Der Programmcode 218 und das durch einen Computer lesbare Medium 220 bilden ein Computerprogrammprodukt 222. In einem Beispiel kann es sich bei den durch einen Computer lesbaren Medien 220 um durch einen Computer lesbare Speichermedien 224 oder durch einen Computer lesbare Signalmedien 226 handeln. Die durch einen Computer lesbaren Speichermedien 224 können zum Beispiel eine optische oder magnetische Platte umfassen, die in ein Laufwerk oder eine andere Einheit, die Teil des dauerhaften Speichers 208 ist, eingelegt oder platziert wird, um auf eine Speichereinheit wie zum Beispiel eine Festplatte, die Teil des dauerhaften Speichers 208 ist, übertragen zu werden. Die durch einen Computer lesbaren Speichermedien 224 können auch die Form eines dauerhaften Speichers wie zum Beispiel ein Festplattenlaufwerk, ein Thumb-Drive oder ein Flash-Speicher annehmen, der mit dem Datenverarbeitungssystem 200 verbunden ist. In einigen Fällen sind die durch einen Computer lesbaren Speichermedien 224 möglicherweise nicht aus dem Datenverarbeitungssystem 200 entfernbar.
  • Alternativ kann der Programmcode 218 unter Verwendung der durch einen Computer lesbaren Signalmedien 226 an das Datenverarbeitungssystem 200 übertragen werden. Bei den durch einen Computer lesbaren Signalmedien 226 kann es sich zum Beispiel um ein weitergeleitetes Datensignal handeln, das den Programmcode 218 enthält. Zum Beispiel kann es sich bei den durch einen Computer lesbaren Signalmedien 226 um ein elektromagnetisches Signal, ein optisches Signal und/oder jede beliebige andere geeignete Signalart handeln. Diese Signale können über Datenübertragungsverbindungen wie zum Beispiel drahtlose Datenübertragungsverbindungen, ein Lichtwellenleiterkabel, ein Koaxialkabel, einen Draht und/oder jede beliebige andere geeignete Art von Datenübertragungsverbindung übermittelt werden. Mit anderen Worten können die Datenübertragungsverbindung und/oder die Verbindung in den veranschaulichenden Beispielen physisch oder drahtlos sein. Die durch einen Computer lesbaren Medien können auch die Form von nicht physischen Medien wie zum Beispiel Datenübertragungsverbindungen oder drahtlose Übertragungen annehmen, die den Programmcode enthalten.
  • In einigen veranschaulichenden Ausführungsformen kann der Programmcode 218 zur Verwendung innerhalb des Datenverarbeitungssystems 200 von einer anderen Einheit oder einem anderen Datenverarbeitungssystem über die durch einen Computer lesbaren Signalmedien 226 über ein Netzwerk auf den dauerhaften Speicher 208 heruntergeladen werden. Zum Beispiel kann ein Programmcode, der auf einem durch einen Computer lesbaren Speichermedium in einem Datenverarbeitungssystem gespeichert ist, über ein Netzwerk von dem Datenverarbeitungssystem auf das Datenverarbeitungssystem 200 heruntergeladen werden. Bei dem den Programmcode 218 bereitstellenden Datenverarbeitungssystem kann es sich um einen Server-Computer, einen Client-Computer oder eine andere Einheit handeln, die in der Lage ist, den Programmcode 218 zu speichern und zu übermitteln.
  • Die verschiedenen für das Datenverarbeitungssystem 200 veranschaulichten Komponenten sollen keinerlei Einschränkungen hinsichtlich des Aufbaus für die Art und Weise, in der verschiedene Ausführungsformen umgesetzt werden können, bereitstellen. Die verschiedenen veranschaulichenden Ausführungsformen können in einem Datenverarbeitungssystem umgesetzt werden, das zusätzlich zu oder an Stelle der für das Datenverarbeitungssystem 200 veranschaulichten Komponenten andere Komponenten enthält. Andere in 2 gezeigte Komponenten können gegenüber den veranschaulichten Beispielen variiert werden. Die verschiedenen Ausführungsformen können unter Verwendung beliebiger Hardware-Einheiten oder -Systeme umgesetzt werden, die Programmcode ausführen können. Als ein Beispiel kann das Datenverarbeitungssystem 200 organische Komponenten aufweisen, die mit anorganischen Komponenten verflochten sind, und/oder kann vollständig aus organischen Komponenten bestehen, mit Ausnahme von Menschen. Zum Beispiel kann eine Speichereinheit aus einem organischen Halbleiter bestehen.
  • Als ein anderes Beispiel kann es sich bei der durch einen Computer lesbaren Speichereinheit in dem Datenverarbeitungssystem 200 um jede beliebige Hardware-Vorrichtung handeln, die Daten speichern kann. Der Hauptspeicher 206, der dauerhafte Speicher 208 und die durch einen Computer lesbaren Speichermedien 224 sind Beispiele für physische Speichereinheiten in einer physischen Form.
  • In einem anderen Beispiel kann ein Bussystem zum Umsetzen des Datenübertragungsnetzes 202 verwendet werden und dabei aus einem oder mehreren Bussen wie zum Beispiel einem Systembus oder einem Eingabe/Ausgabe-Bus bestehen. Natürlich kann das Bussystem unter Verwendung einer beliebigen Art von Architektur umgesetzt werden, die eine Übertragung von Daten zwischen verschiedenen an das Bussystem angeschlossenen Komponenten oder Einheiten gewährleistet. Zusätzlich kann eine Datenübertragungseinheit eine oder mehrere zum Übermitteln und Empfangen von Daten verwendete Einheiten wie zum Beispiel ein Modem oder einen Netzwerkadapter enthalten. Darüber hinaus kann es sich bei einem Hauptspeicher zum Beispiel um den Hauptspeicher 206 oder einen Cache handeln, wie man ihn zum Beispiel in einem Schnittstellen- und Speicher-Steuereinheiten-Hub findet, der in dem Datenübertragungsnetz 202 vorhanden sein kann.
  • Es sei von vornherein klargestellt, dass das Umsetzen der hierin angeführten Lehren nicht auf eine Cloud-Computing-Umgebung beschränkt ist, obwohl diese Offenbarung eine ausführliche Beschreibung von Cloud-Computing umfasst. Stattdessen können veranschaulichende Ausführungsformen gemeinsam mit jeder beliebigen Art von jetzt bekannter oder später erfundener Datenverarbeitungsumgebung umgesetzt werden. Cloud-Computing ist ein Servicebereitstellungsmodell zum Ermöglichen eines problemlosen bedarfsgesteuerten Netzwerkzugriffs auf einen gemeinsam genutzten Pool von konfigurierbaren Datenverarbeitungsressourcen wie zum Beispiel Netzwerke, Netzwerkbandbreite, Server, Verarbeitung, Hauptspeicher, Speicher, Anwendungen, virtuelle Maschinen und Dienste, die mit minimalem Verwaltungsaufwand bzw. minimaler Interaktion mit einem Anbieter des Service schnell bereitgestellt und freigegeben werden können. Dieses Cloud-Modell kann mindestens fünf Eigenschaften umfassen, mindestens drei Dienstmodelle und mindestens vier Implementierungsmodelle.
  • Zu den Eigenschaften gehören zum Beispiel On-Demand Self-Service, Broad Network Access, Resource-Pooling, Rapid Elasticity und Measured Service. Der On-Demand-Self-Service ermöglicht es einem Cloud-Nutzer, einseitig automatisch nach Bedarf für Datenverarbeitungsfunktionen wie Serverzeit und Netzwerkspeicher zu sorgen, ohne dass eine menschliche Interaktion mit dem Anbieter der Dienste erforderlich ist. Broad Network Access stellt Funktionen bereit, die über ein Netzwerk verfügbar sind, auf die durch Standardmechanismen zugegriffen wird, welche die Verwendung durch heterogene Thin- oder Thick-Client-Plattformen wie zum Beispiel Mobiltelefone, Laptops und digitale Assistenten (PDAs, personal digital assistants) unterstützen. Resource-Pooling ermöglicht, dass die Datenverarbeitungsressourcen des Anbieters zusammengeschlossen werden können, um mehreren Nutzern unter Verwendung eines Multi-Tenant-Modells zu dienen, wobei verschiedene physische und virtuelle Ressourcen dynamisch nach Bedarf zugewiesen und neu zugewiesen werden. Es gibt eine gefühlte Standortunabhängigkeit, da der Nutzer allgemein keine Kontrolle bzw. Kenntnis über den genauen Standort der bereitgestellten Ressourcen hat, aber in der Lage sein kann, einen Standort auf einer höheren Abstraktionsebene festzulegen wie zum Beispiel Land, Staat oder Rechenzentrum. Rapid Elasticity stellt Funktionen bereit, die für eine schnelle horizontale Skalierung (scale out) schnell und elastisch bereitgestellt werden können, in einigen Fällen auch automatisch, und für ein schnelles Scale-in schnell freigegeben werden. Für den Nutzer erscheinen die für das Bereitstellen verfügbaren Funktionen häufig unbegrenzt und sie können jederzeit in jeder beliebigen Menge gekauft werden. Measured Service ermöglicht Cloud-Systemen die Verwendung von Ressourcen automatisch zu steuern und zu optimieren, indem sie eine Messfunktion auf einer gewissen Abstraktionsebene nutzen, die für die Art von Dienst geeignet ist wie zum Beispiel Speicher, Verarbeitung, Bandbreite sowie aktive Benutzerkonten. Die Nutzung von Ressourcen kann überwacht, gesteuert und gemeldet werden, wodurch sowohl für den Anbieter als auch für den Nutzer des verwendeten Dienstes Transparenz geschaffen wird.
  • Zu Dienstmodellen können zum Beispiel Software as a Service (SaaS), Platform as a Service (PaaS) und Infrastructure as a Service (laaS) gehören. Bei Software as a Service handelt es sich um die dem Nutzer bereitgestellte Funktion, die in einer Cloud-Infrastruktur laufenden Anwendungen des Anbieters zu verwenden. Die Anwendungen sind über eine Thin-Client-Schnittstelle wie zum Beispiel einen Web-Browser (z.B. auf dem Web beruhende E-Mail) von verschiedenen Client-Einheiten her zugänglich. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter das Netzwerk, Server, Betriebssysteme, Speicher bzw. sogar einzelne Anwendungsfunktionen, mit der möglichen Ausnahme von eingeschränkten benutzerspezifischen Anwendungskonfigurationseinstellungen. Bei Platform as a Service handelt es sich um die dem Nutzer bereitgestellte Funktion, durch einen Nutzer erstellte bzw. erhaltene Anwendungen, die unter Verwendung von durch den Anbieter unterstützten Programmiersprachen und Tools erstellt wurden, in der Cloud-Infrastruktur einzusetzen. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter Netzwerke, Server, Betriebssysteme bzw. Speicher, hat aber die Kontrolle über die eingesetzten Anwendungen und möglicherweise über Konfigurationen des Application Hosting Environment. Bei Infrastructure as a Service handelt es sich um die dem Nutzer bereitgestellte Funktion, das Verarbeiten, Speicher, Netzwerke und andere grundlegende Datenverarbeitungsressourcen bereitzustellen, wobei der Nutzer in der Lage ist, beliebige Software einzusetzen und auszuführen, zu der Betriebssysteme und Anwendungen gehören können. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, hat aber die Kontrolle über Betriebssysteme, Speicher, eingesetzte Anwendungen und möglicherweise eine eingeschränkte Kontrolle über ausgewählte Netzwerkkomponenten wie zum Beispiel Host-Firewalls.
  • Zu Einsatzmodellen können zum Beispiel eine Private Cloud, eine Community Cloud, eine Public Cloud und eine Hybrid Cloud gehören. Bei einer Private Cloud handelt es sich um eine Cloud-Infrastruktur, die einzig und allein für eine Organisation betrieben wird. Die Private Cloud kann durch die Organisation oder einen Dritten verwaltet werden und kann sich in den eigenen Räumen oder in fremden Räumen befinden. Bei einer Community Cloud handelt es sich um eine Cloud-Infrastruktur, die von mehreren Organisationen gemeinsam genutzt wird und eine spezielle Benutzergemeinschaft unterstützt, die gemeinsame Angelegenheiten hat, wie zum Beispiel eine Mission, Sicherheitsanforderungen, Richtlinien sowie Überlegungen bezüglich der Einhaltung von Vorschriften. Die Community Cloud kann durch die Organisationen oder einen Dritten verwaltet werden und kann sich in den eigenen Räumen oder fremden Räumen befinden. Bei einer Public Cloud handelt es sich um eine Cloud-Infrastruktur, die der allgemeinen Öffentlichkeit oder einer großen Industriegruppe zur Verfügung gestellt wird, und sie gehört einer Cloud-Dienste verkaufenden Organisation. Bei einer Hybrid Cloud handelt es sich um eine Cloud-Infrastruktur, die aus zwei oder mehreren Clouds besteht, wie zum Beispiel Private, Community und Public Clouds, die zwar als einzelne Einheiten bestehen bleiben, aber durch eine standardisierte oder proprietäre Technologie miteinander verbunden sind, die Daten- und Anwendungsportierbarkeit ermöglicht, wie zum Beispiel Cloud-Zielgruppenverteilung für den Lastenausgleich zwischen Clouds.
  • Eine Cloud-Computing-Umgebung ist dienstorientiert mit Fokus auf Statusunabhängigkeit, geringer Kopplung, Modularität und semantischer Interoperabilität. Im Herzen von Cloud-Computing liegt eine Infrastruktur, die ein Netzwerk aus zusammengeschalteten Knoten aufweist.
  • Unter Bezugnahme auf 3 ist ein Schaubild abgebildet, das eine Cloud-Computing-Umgebung veranschaulicht, in der veranschaulichende Ausführungsformen umgesetzt werden können. In diesem veranschaulichenden Beispiel umfasst eine Cloud-Computing-Umgebung 300 einen Satz von einem oder mehreren Cloud-Computing-Knoten 310, mit denen von Cloud-Nutzern verwendete lokale Datenverarbeitungseinheiten wie zum Beispiel ein elektronischer Assistent (PDA, personal digital assistant) oder ein Smartphone 320A, ein Desktop-Computer 320B, ein Laptop-Computer 320C und/oder ein Automobil-Computer-System 320N Daten austauschen können. Bei den Cloud-Computing-Knoten 310 kann es sich zum Beispiel um den Server 104 und den Server 106 in 1 handeln und sie können klassische Computer und Quantencomputer umfassen. Bei den lokalen Datenverarbeitungseinheiten 320A bis 320N kann es sich zum Beispiel um die Clients 110 bis 114 in 1 handeln.
  • Die Cloud-Computing-Knoten 310 können miteinander Daten austauschen und sie können physisch oder virtuell in ein oder mehrere Netzwerke wie Private, Community, Public oder Hybrid Clouds gruppiert werden, wie sie vorstehend beschrieben wurden, oder in eine Kombination daraus. Dies ermöglicht es der Cloud-Computing-Umgebung 300, Infrastruktur, Plattformen und/oder Software als Dienst anzubieten, für die ein Cloud-Nutzer keine Ressourcen auf einer lokalen Datenverarbeitungseinheit wie zum Beispiel den lokalen Datenverarbeitungseinheiten 320A bis 320N vorhalten muss. Es sei darauf hingewiesen, dass die Arten von lokalen Datenverarbeitungseinheiten 320A bis 320N lediglich veranschaulichend sein sollen und dass die Cloud-Computing-Knoten 310 und die Cloud-Computing-Umgebung 300 zum Beispiel über eine beliebige Art Netzwerk und/oder über eine beliebige Art von über ein Netzwerk aufrufbarer Verbindung wie zum Beispiel unter Verwendung eines Web-Browsers mit einer beliebigen Art von computergestützter Einheit Daten austauschen können.
  • Unter Bezugnahme auf 4 wird ein Schaubild gemäß einer Ausführungsform dargestellt, das Abstraktionsmodellschichten veranschaulicht. Der in diesem veranschaulichenden Beispiel gezeigte Satz von funktionalen Abstraktionsschichten kann von einer Cloud-Computing-Umgebung wie zum Beispiel der Cloud-Computing-Umgebung 300 in 3 bereitgestellt werden. Es sollte von vornherein klar sein, dass die in 4 gezeigten Komponenten, Schichten und Funktionen lediglich veranschaulichend sein sollen und Ausführungsformen der Erfindung nicht darauf beschränkt sind. Wie abgebildet ist, werden die folgenden Schichten und entsprechenden Funktionen bereitgestellt.
  • Abstraktionsschichten einer Cloud-Computing-Umgebung 400 umfassen eine Hardware- und Softwareschicht 402, eine Virtualisierungsschicht 404, eine Verwaltungsschicht 406 und eine Arbeitslastenschicht 408. Die Hardware- und SoftwareSchicht 402 umfasst die Hardware- und Software-Komponenten der Cloud-Computing-Umgebung. Zu Beispielen für die Hardware-Komponenten können zum Beispiel Mainframe-Computer 410, auf der RISC- (Reduced Instruction Set Computer) Architektur beruhende Server 412, Server 414, Blade-Server416, Speichereinheiten 418 und Netzwerke sowie Netzwerkkomponenten 420 gehören. In einigen veranschaulichenden Ausführungsformen können die Software-Komponenten zum Beispiel eine Netzwerk-Anwendungsserver-Software 422 und eine Datenbank-Software 424 umfassen.
  • Eine Virtualisierungsschicht 404 stellt eine Abstraktionsschicht bereit, aus der die folgenden Beispiele für virtuelle Einheiten bereitgestellt werden können: virtuelle Server 426; virtueller Speicher 428; virtuelle Netzwerke 430; darunter virtuelle private Netzwerke; virtuelle Anwendungen und Betriebssysteme 432; und virtuelle Clients 434.
  • In einem Beispiel kann die Verwaltungsschicht 406 die nachfolgend beschriebenen Funktionen bereitstellen. Eine Ressourcen-Bereitstellung 436 stellt die dynamische Beschaffung von Datenverarbeitungsressourcen sowie anderen Ressourcen bereit, die zum Durchführen von Aufgaben innerhalb der Cloud-Computing-Umgebung verwendet werden. Ein Messen und eine Preisfindung 438 stellen die Kostenverfolgung beim Verwenden von Ressourcen innerhalb der Cloud-Computing-Umgebung sowie die Abrechnung oder Rechnungsstellung für die Inanspruchnahme dieser Ressourcen bereit. In einem Beispiel können diese Ressourcen Anwendungs-Software-Lizenzen umfassen. Eine Sicherheit stellt die Identitätsüberprüfung für Cloud-Nutzer und Aufgaben sowie Schutz für Daten und andere Ressourcen bereit. Ein Benutzerportal 440 stellt Nutzern und Systemadministratoren den Zugang zu der Cloud-Computing-Umgebung bereit. Eine Verwaltung des Dienstumfangs 442 stellt die Zuordnung und Verwaltung von Cloud-Computing-Ressourcen bereit, so dass die benötigten Dienstziele erreicht werden. Ein Planen und Erfüllen von Vereinbarungen zum Dienstumfang (SLA, Service Level Agreement) 444 stellt die Anordnung vorab und die Beschaffung von Cloud-Computing-Ressourcen, für die eine zukünftige Anforderung vorausgesehen wird, gemäß einem SLA bereit.
  • Eine Arbeitslastschicht 408 stellt Beispiele für die Funktionalität bereit, für welche die Cloud-Computing-Umgebung verwendet werden kann. Zu beispielhaften Arbeitslasten und Funktionen, die von dieser Arbeitslastschicht 408 bereitgestellt werden können, können Abbildung und Navigation 446, Software-Entwicklung und Lebenszyklusverwaltung 448, Bereitstellung von Ausbildung in virtuellen Klassenzimmern 450, Datenanalytikverarbeitung 452, Transaktionsverarbeitung 454 und Verwaltung der Verteilung der Arbeitslast bei Berechnungen 456 gehören.
  • Fog-Computing-Schwerkraftkomponenten wie zum Beispiel das Internet der Dinge können vorschlagen, welche Teile eines Computeralgorithmus auf unterschiedliche Datenverarbeitungsparadigmen aufgeteilt werden können. Es sei darauf hingewiesen, dass Schritte eines Computeralgorithmus parallel, auf spezialisierter Hardware und dergleichen ablaufen können. In veranschaulichenden Ausführungsformen wird die Fog-Computing-Schwerkraft berechnet, so dass in veranschaulichenden Ausführungsformen Computeralgorithmen und entsprechende statische Daten zur Datenverarbeitung an Client-Edge-Einheiten geschickt werden können. Die Mobilisierung von Algorithmen auf einer Client-Edge-Einheit mit verschiedenen Programmiersprachen wie zum Beispiel Swift, C# oder JavaScript schafft eine Pipeline für Fog-Computing.
  • In veranschaulichenden Ausführungsformen werden ein Computeralgorithmus oder Bestandteile eines Algorithmus auf Client-Edge-Einheiten verteilt, so dass jeder Client-seitige Edge-Computer einen Teil der Arbeitslast bei Berechnungen des Algorithmus ausführen und dann ein Ergebnis dieses Teils der Arbeitslast bei Berechnungen auf einem Edge-Server des Netzwerks zum Bereitstellen von Inhalten zwischenspeichern kann, so dass andere Client-Computer es nutzen können, ohne die Berechnungen zu wiederholen. In veranschaulichenden Ausführungsformen wird ein auf der Fog-Computing-Schwerkraft beruhender Algorithmus geteilt und transportiert. Bei der Fog-Computing-Schwerkraft handelt es sich um die Zuweisung einer Arbeitslast bei Berechnungen an einen Edge-Computing-Knoten oder eine Edge-Computing-Einheit auf der Grundlage der Eignung dieser bestimmten Arbeitslast bei Berechnungen für diesen bestimmten Edge-Computing-Knoten.
  • In veranschaulichenden Ausführungsformen werden Edge-Computing in Netzwerken zum Bereitstellen von Inhalten und Hybrid Cloud-Computing innerhalb großer Anwendungen der künstlichen Intelligenz mit hochkomplexen Komponenten der künstlichen Intelligenz verbunden. Zum Beispiel kann eine virtuelle Profisportanwendung über 14 Datenerkenntnisdienste mit künstlicher Intelligenz und angepasste mathematische und maschinelle Lernansätze nutzen. Jeden Tag kann ein Datendienst mit künstlicher Intelligenz über 10 Milliarden Benutzeranfragen von Endbenutzern empfangen. Derzeit sind das Edge-Computing in Netzwerken zum Bereitstellen von Inhalten und Hybrid Cloud-Computing zum Beispiel aufgrund des kombinatorischen Merkmalsraums des Optimierens einer Mannschaftsaufstellung, des Vorschlagens eines Spielertauschs oder des Bewertens des Wertes einer Mannschaft nicht in der Lage, Datenerkenntnisse durch künstliche Intelligenz vorab zu berechnen. In veranschaulichenden Ausführungsformen wird es ermöglicht, die geeigneten Bestandteile der Anwendung der künstlichen Intelligenz (oder des Computeralgorithmus) über die Fog-Computing-Schwerkraft an den Client-seitigen Computerknoten zu schicken.
  • In veranschaulichenden Ausführungsformen können andere Bestandteile des Computeralgorithmus auf ein anderes Datenverarbeitungsparadigma umgestellt werden, wie zum Beispiel die Quantendatenverarbeitung. Die Quantendatenverarbeitung ist in diesem Zusammenhang ein Berechnungsbeschleuniger für konkrete Probleme. In veranschaulichenden Ausführungsformen kann die Anwendung und das Trainieren einer Support-Vektor-Maschine unter Verwendung eines Quantencomputers in einem Cloud-Computing-Paradigma beschleunigt werden. Bei einer Support-Vektor-Maschine handelt es sich um ein überwachtes Lernmodell mit zugehörigen Lernalgorithmen, die Daten analysieren, die zur Klassifizierung und Regressionsanalyse verwendet werden. Ein neuromorpher Computerchip wie zum Beispiel ein TrueNorth-Chip kann die Verarbeitung neuronaler Netze beschleunigen, wie zum Beispiel bei Anwendungen der künstlichen Intelligenz.
  • In veranschaulichenden Ausführungsformen werden Arbeitslasten bei Berechnungen auf zentralisierte Cloud-basierte klassische Computer, zentralisierte Cloud-basierte Quantencomputer und Client-Netzwerk-Edge-Computer innerhalb des Internet von Systemen verteilt, das unterschiedliche Datenverarbeitungsparadigmen aufweist. In veranschaulichenden Ausführungsformen werden Ergebnisse von Arbeitslastberechnungen von Computern der unterschiedlichen Datenverarbeitungsparadigmen auf Edge-Servern des Netzwerks zum Bereitstellen von Inhalten zwischengespeichert, die die Ergebnisse Client-Netzwerk-Berechnungsknoten bereitstellen, ohne die Berechnungen zu wiederholen. Beim Berechnen der Fog-Computing-Schwerkraft wird in veranschaulichenden Ausführungsformen die Komplexität von Berechnungen, die den verschiedenen Komponenten des Computeralgorithmus zugehörig sind, die Verfügbarkeit der Berechnungsknoten und die Eignung für die Arbeitslast bei Berechnungen berücksichtigt, um zu ermitteln, welcher Datenverarbeitungsknoten mit einer bestimmten Arbeitslast bei Berechnungen beauftragt werden sollte.
  • Edge-Computing bringt die Verarbeitung näher an die Datenquelle. Anders ausgedrückt, die Daten müssen nicht an eine entfernt angeordnete Cloud oder andere zentralisierte Systeme zur Verarbeitung gesendet werden. Durch ein Beseitigen der Strecke und des Zeitaufwands für das Senden der Daten an ein zentralisiertes System zur Verarbeitung werden in veranschaulichenden Ausführungsformen die Geschwindigkeit und Leistung des Datentransports erhöht. Es sei darauf hingewiesen, dass der Datentransport auch Anfragen von Benutzern umfasst.
  • Fog-Computing ist ein Standard, der definiert, wie Edge-Computing funktioniert. Fog-Computing ermöglicht den Betrieb von Berechnungs-, Speicherungs- und Vernetzungsdiensten zwischen Edge-Datenverarbeitungseinheiten und Cloud-Computing-Einheiten. Bei Cloud-Computing werden Datenverarbeitungsressourcen über das Internet als Service bereitgestellt, bei dem es sich um ein zentral verfügbares Dienstprogramm handelt.
  • In veranschaulichenden Ausführungsformen werden Komponenten der Fog-Computing-Schwerkraft eingesetzt, die Berechnungs-Edge-Knoten umfassen, um die Entstehung von Algorithmus-Transportpipelines zu ermitteln. Eine Algorithmus-Transportpipeline nimmt eine Vorverarbeitung von Daten vor, um die Daten für die Berechnung durch einen Ziel-Edge-Computing-Knoten oder eine Ziel-Edge-Computing-Einheit vorzubereiten. In veranschaulichenden Ausführungsformen werden Algorithmus-Transport-Pipeline-Tangenten verwendet, um bestimmte Operatoren (z.B. Komponenten der Anwendung der künstlichen Intelligenz) zu verschiedenen Datenverarbeitungsparadigmenkomponenten auf Edge-Datenverarbeitungseinheiten zu verschieben. Anders ausgedrückt, eine Algorithmus-Transport-Pipeline-Tangente verlagert das Berechnen in ein anderes Datenverarbeitungsparadigma, das eine grundlegend andere Datendarstellung erfordert. In veranschaulichenden Ausführungsformen wird eine Algorithmus-Transport-Pipeline-Affinität auf der Grundlage eines Problems (d.h. einer Arbeitslast bei Berechnungen) verstärkt, das für einen Edge-Server des Netzwerks zum Bereitstellen von Inhalten geeignet ist. In veranschaulichenden Ausführungsformen wird auch eine Algorithmus-Transport-Pipeline-Affinität auf der Grundlage eines Problems (d.h. einer Arbeitslast bei Berechnungen) verstärkt, das für Cloud-Computing geeignet ist. In veranschaulichenden Ausführungsformen wird eine auftauchende Cloud aus einer Kombination verschiedener Datenverarbeitungsparadigmen (z.B. verschiedener Netzwerke) und Edge-Datenverarbeitungseinheiten ermittelt, die zum Lösen eines vollständigen Berechnungsproblems verwendet wurden (d.h. Ergebnisse der vollständigen Arbeitslast bei Berechnungen, die auf die verschiedenen Datenverarbeitungsparadigmen und Edge-Einheiten verteilt wurde).
  • In veranschaulichenden Ausführungsformen befindet sich auf jeder Endpunkteinheit eines Internet von Systemen eine Gleichung für die Berechnungsschwerkraft, die aus Speicher, Chips, Kernen, Festplatten und dergleichen besteht. In veranschaulichenden Ausführungsformen wird jeder möglichen Algorithmus-Transport-Pipeline eine Kraft zugewiesen, die an Algorithmen oder Teilen von Algorithmen zieht, die sich in der Cloud befinden. Zusätzlich weist die Cloud eine Schwerkraft auf, die an der Gesamtheit von Algorithmen zieht, wobei es sich um alle Algorithmen handelt, die in dem Internet von Systemen ausgeführt werden und sich auf Edge-Servern befinden. Ein Beispiel für die Gleichung für die Berechnungsschwerkraft lautet wie folgt: wobei „F“ die Kraft ist; „G“ die Gravitationskonstante ist, die gleich der Signatur der Client-Datenverarbeitung, der Netzwerkbandbreite, dem Volumen von Anfragen und der Größe der Datennutzlast ist; „m“ die Masse ist; und „r“ der Radius der Netzwerke ist; und G ( x ¯ , c ¯ ) = B t B t + V r ∗ P s + S ( x ¯ , c ¯ ) + P i ,
    Figure DE112020006449T5_0001
    wobei „x“ das Berechnungsproblem beschreibt (z.B. wie viele Berechnungen);„c" die Hardware des Rechenknotens beschreibt; „Bt“ die Bandbreite des Netzwerks zu dem Berechnungsknoten ist; „Vr“ das Volumen an Anfragen ist;„Ps" die Datengröße ist; „S“ die Signaturfunktion ist, welche die Signatur eines Modells abruft, das zum Lösen des Berechnungsproblems verwendet wird; und „Pi“ die Wichtigkeit des Problems ist, wobei es sich im Allgemeinen um eine Konstante ähnlich der physikalischen Gravitationskonstante von 9,8 m/s2 handelt. Es sei darauf hingewiesen, dass in veranschaulichenden Ausführungsformen die Problemwichtigkeitskonstante angepasst werden kann, um einen relativen Wichtigkeitsfaktor für einen bestimmten Datenverarbeitungsknoten zu erstellen.
  • Ein Eingabedatenschema für ein Vektormodell, das zusammen mit den Funktionen eines Computerknotens in einen Algorithmus für tiefes Lernen (z.B. eine Anwendung der künstlichen Intelligenz) eingegeben wird, stellt eine Softmax-Klasse und eine Wahrscheinlichkeit für eine gute Art der Datenverarbeitung bereit (d.h. eine Art von Datenverarbeitungsparadigma wie zum Beispiel Quanten-Datenverarbeitung). Softmax weist jeder Klasse in einem Mehrklassenproblem dezimale Wahrscheinlichkeiten zu. Diese dezimalen Wahrscheinlichkeiten müssen in der Summe 1,0 ergeben. Softmax wird durch eine neuronale Netzschicht unmittelbar vor der Ausgangsschicht umgesetzt. Die Softmax-Schicht muss die gleiche Anzahl von Knoten aufweisen wie die Ausgangsschicht. Softmax errechnet für jede mögliche Klasse eine Wahrscheinlichkeit. Beim Erstellen eines Klassifikators für Probleme mit nur einer richtigen Antwort wird eine Softmax auf die Rohausgaben angewendet. Beim Anwenden von Softmax werden alle Elemente der Rohausgabe in dem Nenner berücksichtigt, was bedeutet, dass die verschiedenen Wahrscheinlichkeiten, die von der Softmax-Funktion erzeugt werden, miteinander zusammenhängen.
  • Jeder der Datenverarbeitungsknoten innerhalb der Hybrid Cloud berechnet eine Berechnungsschwerkraft-Komponente-Punktzahl für jedes Anwendungsmodell der künstlichen Intelligenz oder für jeden Teil einer Pipeline des maschinellen Lernens (z.B. ein Ensemble von Anwendungsmodellen der künstlichen Intelligenz). Die siegreichen Komponenten der Berechnungsschwerkraft (d.h. Berechnungsendpunktknoten mit der höchsten Punktzahl für die Berechnungsschwerkraft) ziehen das Anwendungsmodell der künstlichen Intelligenz zu ihren Positionen innerhalb des Internet von Systemen.
  • So stellen veranschaulichende Ausführungsformen eine oder mehrere technische Lösungen bereit, die ein technisches Problem beim Verteilen der Arbeitslast bei Berechnungen auf unterschiedliche Datenverarbeitungsparadigmen lösen. Infolgedessen stellen diese eine oder diese mehreren technischen Lösungen eine technische Auswirkung und eine praktische Anwendung im Bereich der Datenverarbeitung bereit, indem eine Berechnungsschwerkraft jedes Datenverarbeitungsknotens innerhalb unterschiedlicher Datenverarbeitungsparadigmen eines Internet von Systemen berechnet wird, um die Arbeitslast bei Berechnungen einer großen Anwendung mit komplexen Komponenten der künstlichen Intelligenz auf die Datenverarbeitungsknoten der unterschiedlichen Datenverarbeitungsparadigmen zu verteilen. Daher gehören zu Vorteilen von veranschaulichenden Ausführungsformen eine verringerte Arbeitslast für den Berechnungsknoten innerhalb der unterschiedlichen Datenverarbeitungsparadigmen, eine verringerte Netzwerk-Latenzzeit, verringerte Ladezeiten, eine erhöhte Geschwindigkeit und Leistung beim Datentransport sowie verringerte Reaktionszeiten auf Benutzeranfragen.
  • Unter Bezugnahme auf 5 ist ein Schaubild abgebildet, das ein Beispiel für ein Internet von Systemen gemäß einer veranschaulichenden Ausführungsform veranschaulicht. Ein Internet von Systemen 500 kann in einem Netzwerk von Datenverarbeitungssystemen wie zum Beispiel in dem Netzwerk des Datenverarbeitungssystems 100 in 1 umgesetzt werden. Das Internet von Systemen 500 ist eine Kombination aus Netzwerken, Hardware und Software zum Verteilen einer Arbeitslast bei Berechnungen einer großen Anwendung mit komplexen Komponenten der künstlichen Intelligenz auf Datenverarbeitungsknoten mit unterschiedlichen Datenverarbeitungsparadigmen innerhalb des Internet von Systemen 500 auf der Grundlage einer berechneten Berechnungsschwerkraft, die jedem jeweiligen Datenverarbeitungsknoten innerhalb der unterschiedlichen Datenverarbeitungsparadigmen entspricht.
  • In diesem Beispiel umfasst das Internet von Systemen 500 ein Cloud-Computing-Paradigma 502, ein Client-Netzwerk-Datenverarbeitungsparadigma 504 und ein Netzwerk 506 zum Bereitstellen von Inhalten. Das Cloud-Computing-Paradigma 502 umfasst eine Anwendung der künstlichen Intelligenz 508, einen zentralisierten klassischen Computer 510 und einen zentralisierten Quantencomputer 512. Die Anwendung 508 der künstlichen Intelligenz kann jede beliebige Art von Anwendung der künstlichen Intelligenz oder Computeralgorithmus darstellen. Bei dem zentralisierten klassischen Computer 510 und dem zentralisierten Quantencomputer 512 kann es sich zum Beispiel um den Server 104 und den Server 106 in 1 handeln. Es sei auch darauf hingewiesen, dass der zentralisierte klassische Computer 510 mehrere klassische Computer und der zentralisierte Quantencomputer 512 mehrere Quantencomputer innerhalb des Cloud-Computing-Paradigmas 502 darstellen kann.
  • Das Client-Netzwerk-Datenverarbeitungsparadigma 504 umfasst einen Client-seitigen Edge-Computer 514 und einen anderen Client-Computer 516. Bei dem Client-seitigen Edge-Computer 514 und dem anderen Client-Computer 516 kann es sich zum Beispiel um den Client 110 und den Client 112 in 1 handeln. Zusätzlich sei darauf hingewiesen, dass der Client-seitige Edge-Computer 514 mehrere Client-seitige Edge-Computing-Knoten darstellen kann und der andere Client-Computer 516 mehrere andere Client-Datenverarbeitungsknoten innerhalb des Client-Netzwerk-Datenverarbeitungsparadigmas 504 darstellen kann.
  • Das Netzwerk 506 zum Bereitstellen von Inhalten umfasst einen Edge-Server 518. Bei dem Edge-Server 518 handelt es sich um einen Computer, der sich am logischen Rand des Netzwerks 506 zum Bereitstellen von Inhalten befindet und als Verbindungspunkt zwischen den unterschiedlichen Datenverarbeitungsparadigmen, dem Cloud-Computing-Paradigma 502 und dem Client-Netzwerkparadigma 504 dient.
  • Die Anwendung der künstlichen Intelligenz 508 umfasst Bestandteile 520. Die Bestandteile 520 stellen eine Mehrzahl von verschiedenen Softwarekomponenten dar, welche die Anwendung der künstlichen Intelligenz 508 umfassen. Jeder Bestandteil der Bestandteile 520 weist eine unterschiedliche Funktionalität mit einer unterschiedlichen Berechnungskomplexität auf, die unterschiedliche Datenverarbeitungsressourcen erfordert.
  • In veranschaulichenden Ausführungsformen werden die verschiedenen Bestandteile der Anwendung 508 der künstlichen Intelligenz auf die Datenverarbeitungsknoten der unterschiedlichen Datenverarbeitungsparadigmen innerhalb des Internet von Systemen 500 auf der Grundlage der berechneten Berechnungsschwerkraft, die jedem jeweiligen Datenverarbeitungsknoten innerhalb der verschiedenen Datenverarbeitungsparadigmen entspricht, verteilt. Zum Beispiel wird in veranschaulichenden Ausführungsformen unter Verwendung einer Gleichung für die Berechnungsschwerkraft wie zum Beispiel der oben gezeigten Gleichung für die Berechnungsschwerkraft eine Berechnungsschwerkraft 522 für den zentralisierten klassischen Computer 510, eine Berechnungsschwerkraft 524 für den zentralisierten Quantencomputer 512 und eine Berechnungsschwerkraft 526 für den Client-seitigen Edge-Computer 514 berechnet, und zwar zum Beispiel auf der Grundlage der Berechnungskomplexität, die jedem der Bestandteile 520 der Anwendung 508 der künstlichen Intelligenz entspricht, der Verfügbarkeit der Berechnungsknoten, der Eignung des Berechnungsknotens für die Arbeitslast bei Berechnungen und dergleichen.
  • Auf der Grundlage der berechneten Berechnungsschwerkraft 522 des zentralisierten klassischen Computers 510, der Berechnungsschwerkraft 524 des zentralisierten Quantencomputers 512 und der Berechnungsschwerkraft 526 des Client-seitigen Edge-Computers 514 wird in veranschaulichenden Ausführungsformen jeweils ein bestimmter Bestandteil der Bestandteile 520 wie zum Beispiel ein Bestandteil 528 der künstlichen Intelligenz, ein Bestandteil 530 der künstlichen Intelligenz und ein Bestandteil 532 der künstlichen Intelligenz auf den zentralisierten klassischen Computer 510, den zentralisierten Quantencomputer 512 bzw. den Client-seitigen Edge-Computer 514 verteilt. Darüber hinaus wird auf der Grundlage dessen, welcher bestimmte Bestandteil der Bestandteile 520 sich auf einem bestimmten Datenverarbeitungsknoten befindet, wie zum Beispiel der Bestandteil 528 der künstlichen Intelligenz, der sich auf dem zentralisierten klassischen Computer 510 befindet, der Bestandteil 530 der künstlichen Intelligenz, der sich auf dem zentralisierten Quantencomputer 512 befindet und der Bestandteil 532 der künstlichen Intelligenz, der sich auf dem Client-seitigen Edge-Computer 514 befindet, in veranschaulichenden Ausführungsformen eine entsprechende Arbeitslast bei Berechnungen auf diesen bestimmten Datenverarbeitungsknoten verteilt, wie zum Beispiel eine Arbeitslast 534, eine Arbeitslast 536 und eine Arbeitslast 538 auf dem zentralisierten klassischen Computer 510, dem zentralisierten Quantencomputer 512 bzw. dem Client-seitigen Edge-Computer 514.
  • Jede jeweilige Arbeitslast bei Berechnungen, die auf dem zentralisierten klassischen Computer 510, dem zentralisierten Quantencomputer 512 und dem Client-seitigen Edge-Computer 514 verteilt ist, erzeugt ein Berechnungsergebnis wie zum Beispiel ein Ergebnis 540, ein Ergebnis 542 bzw. ein Ergebnis 544. In veranschaulichenden Ausführungsformen werden das Ergebnis 540, das Ergebnis 542 und das Ergebnis 544 auf Edge-Servern innerhalb des Netzwerks 506 zum Bereitstellen von Inhalten zwischengespeichert, wie zum Beispiel ein zwischengespeichertes Berechnungsergebnis 546 auf dem Edge-Server 518. Es sei darauf hingewiesen, dass das zwischengespeicherte Berechnungsergebnis 546 eine Mehrzahl von zwischengespeicherten Berechnungsergebnissen darstellt, die auf einer Mehrzahl von verschiedenen Edge-Servern innerhalb des Netzwerks 506 zum Bereitstellen von Inhalten gespeichert sind. Des Weiteren wird in veranschaulichenden Ausführungsformen die Mehrzahl von zwischengespeicherten Berechnungsergebnissen, die auf der Mehrzahl von verschiedenen Edge-Servern gespeichert sind, anderen Client-Computern wie zum Beispiel dem anderen Client-Computer 516 bereitgestellt, so dass die anderen Client-Computer die Berechnungen nicht wiederholen müssen. Außerdem kann in veranschaulichenden Ausführungsformen eine auftauchende Cloud gebildet werden, die aus dem zentralisierten klassischen Computer 510, dem zentralisierten Quantencomputer 512 und dem Client-seitigen Edge-Computer 514 bestehen, die zum Erzeugen von Ergebnissen der vollständigen Arbeitslast bei Berechnungen beigetragen haben, die auf die unterschiedlichen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten verteilt wurden.
  • Unter Bezugnahme auf 6 ist ein Ablaufplan gezeigt, der einen Prozess zum Einsetzen einer Anwendung der künstlichen Intelligenz innerhalb eines Internet von Systemen gemäß einer veranschaulichenden Ausführungsform veranschaulicht. Der in 6 gezeigte Prozess kann auf einem Computer wie zum Beispiel dem Datenverarbeitungssystem 200 in 2 umgesetzt werden.
  • Der Prozess beginnt, wenn der Computer eine Eingabe zum Berechnen einer Berechnungsschwerkraft einer Mehrzahl von Datenverarbeitungsknoten in einer Mehrzahl von verschiedenen Datenverarbeitungsparadigmen empfängt (Schritt 602). Der Computer identifiziert jeden Datenverarbeitungsknoten eines Cloud-Computing-Paradigmas, jeden Edge-Computing-Knoten eines Client-Netzwerk-Datenverarbeitungsparadigmas und jeden Edge-Computing-Knoten eines Datenverarbeitungsparadigmas für Netzwerke zum Bereitstellen von Inhalten (Schritt 604). Der Computer bildet auf der Grundlage der Identifizierung jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma, jedes Edge-Computing-Knotens in dem Client-Netzwerk-Datenverarbeitungsparadigma und jedes Edge-Computing-Knotens in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten ein Internet von Systemen (Schritt 606).
  • Anschließend empfängt der Computer eine Eingabe zum Einsetzen eines Bestandteils einer Anwendung der künstlichen Intelligenz in dem Internet von Systemen (Schritt 608). Der Computer berechnet eine Berechnungsschwerkraft jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma, jedes Edge-Computing-Knotens in dem Client-Netzwerk-Datenverarbeitungsparadigma und jedes Edge-Computing-Knotens in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten in Bezug auf den Bestandteil der Anwendung der künstlichen Intelligenz, der in dem Internet von Systemen eingesetzt werden soll (Schritt 610). Der Computer ermittelt auf der Grundlage der Berechnungsschwerkraft, die jedem Datenverarbeitungsknoten in dem Cloud-Computing-Paradigma, jedem Edge-Computing-Knoten in dem Netzwerk-Client-Datenverarbeitungsparadigma und jedem Edge-Computing-Knoten in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten entspricht, einen Datenverarbeitungsknoten mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen zum Einsetzen des Bestandteils der Anwendung der künstlichen Intelligenz (Schritt 612).
  • Der Computer setzt den Bestandteil der Anwendung der künstlichen Intelligenz auf dem Datenverarbeitungsknoten mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen ein (Schritt 614). Zusätzlich verschiebt der Computer Cloud-Container des Cloud-Computing-Paradigmas, um eine auftauchende Cloud zu bilden, bei der es sich um eine Kombination aus verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten handelt, die zum Erzeugen von Ergebnissen einer vollständigen Arbeitslast bei Berechnungen verwendet werden, die auf die unterschiedlichen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten verteilt wurde (Schritt 616). Es sei darauf hingewiesen, dass die auftauchende Cloud den Datenverarbeitungsknoten mit dem höchsten Berechnungsschwerkraft-Punktwert umfasst.
  • Danach ermittelt der Computer, ob eine Eingabe zum Einsetzen einer anderen Komponente der Anwendung der künstlichen Intelligenz in dem Internet von Systemen empfangen wurde (Schritt 618). Wenn der Computer ermittelt, dass eine Eingabe zum Einsetzen einer anderen Komponente der Anwendung der künstlichen Intelligenz in dem Internet von Systemen empfangen wurde, Ja-Ausgabe von Schritt 618, kehrt der Prozess zu Schritt 610 zurück, wo der Computer eine Berechnungsschwerkraft jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma, jedes Edge-Computing-Knotens in dem Client-Netzwerk-Datenverarbeitungsparadigma und jedes Edge-Computing-Knotens in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten in Bezug auf die andere Komponente der Anwendung der künstlichen Intelligenz berechnet, die in dem Internet von Systemen eingesetzt werden soll. Wenn der Computer ermittelt, dass keine Eingabe zum Einsetzen einer anderen Komponente der Anwendung der künstlichen Intelligenz in dem Internet von Systemen empfangen wurde, Nein-Ausgabe von Schritt 618, wird der Prozess danach beendet.
  • Unter Bezugnahme auf 7 ist ein Ablaufplan gezeigt, der einen Prozess zum Verteilen der Arbeitslast bei Berechnungen von Bestandteilen einer Anwendung der künstlichen Intelligenz auf der Grundlage einer Berechnungsschwerkraft innerhalb eines Internet von Systemen gemäß einer veranschaulichenden Ausführungsform veranschaulicht. Der in 7 gezeigte Prozess kann auf einem Computer wie zum Beispiel dem Datenverarbeitungssystem 200 in 2 umgesetzt werden.
  • Der Prozess beginnt, wenn der Computer Bestandteile einer Anwendung der künstlichen Intelligenz (oder eines Algorithmus) identifiziert, die sich in einem Cloud-Computing-Paradigma eines Internet von Systemen befinden (Schritt 702). Der Computer berechnet eine Berechnungsschwerkraft jedes zentralisierten klassischen und Quantencomputers in dem Cloud-Computing-Paradigma und jedes Edge-Computers in einem Client-Netzwerk-Datenverarbeitungsparadigma innerhalb des Internet von Systemen unter Berücksichtigung der Berechnungskomplexität, die den Bestandteilen der Anwendung der künstlichen Intelligenz entspricht, der Computerverfügbarkeit und der Eignung des Computers für die Arbeitslast bei Berechnungen (Schritt 704).
  • Der Computer verteilt jeden Bestandteil der Anwendung der künstlichen Intelligenz an einen geeigneten zentralisierten klassischen Computer des Cloud-Computing-Paradigmas, einen zentralisierten Quantencomputer des Cloud-Computing-Paradigmas oder einen Edge-Computer des Client-Netzwerk-Datenverarbeitungsparadigmas, und zwar auf der Grundlage der berechneten Berechnungsschwerkraft jedes jeweiligen Computers (Schritt 706). Darüber hinaus verteilt der Computer die Arbeitslast bei Berechnungen jedes Bestandteils der Anwendung der künstlichen Intelligenz an einen entsprechenden zentralisierten klassischen Computer des Cloud-Computing-Paradigmas, einen zentralisierten Quantencomputer des Cloud-Computing-Paradigmas oder einen Edge-Computer des Client-Netzwerk-Datenverarbeitungsparadigmas, der einen entsprechenden Bestandteil der Anwendung der künstlichen Intelligenz zur Verarbeitung hat (Schritt 708).
  • Der Computer speichert Ergebnisse jeder jeweiligen Arbeitslast bei Berechnungen zwischen, die jedem Bestandteil der Anwendung der künstlichen Intelligenz entsprechen, auf Edge-Servern des Netzwerks zum Bereitstellen von Inhalten, welche die Ergebnisse anderen Client-Computern bereitstellen, ohne Berechnungen zu wiederholen (Schritt 710). Danach endet der Prozess.
  • Daher stellen veranschaulichende Ausführungsformen der vorliegenden Erfindung ein auf einem Computer ausgeführtes Verfahren, ein Computersystem und ein Computerprogrammprodukt zum Verteilen der Arbeitslast bei Berechnungen einer großen Anwendung mit komplexen Komponenten der künstlichen Intelligenz auf Datenverarbeitungsknoten unterschiedlicher Datenverarbeitungsparadigmen innerhalb eines Internet von Systemen auf der Grundlage der berechneten Berechnungsschwerkraft bereit, die jedem jeweiligen Datenverarbeitungsknoten innerhalb der unterschiedlichen Datenverarbeitungsparadigmen entspricht. Die Beschreibungen der verschiedenen Ausführungsformen der vorliegenden Erfindung wurden zum Zwecke der Veranschaulichung aufgeführt, sollen jedoch nicht gesamthaft stehen für bzw. begrenzt sein auf die offenbarten Ausführungsformen. Für den Fachmann werden viele Abänderungen und Abwandlungen ersichtlich sein, ohne von dem Umfang und dem Sinngehalt der beschriebenen Ausführungsformen abzuweichen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsformen, die praktische Anwendung oder technische Verbesserung gegenüber auf dem Markt vorgefundenen Technologien bestmöglich zu erläutern oder um es anderen Fachleuten zu ermöglichen, die hierin dargelegten Ausführungsformen zu verstehen.

Claims (25)

  1. Verfahren, aufweisend: Berechnen einer Berechnungsschwerkraft jedes Datenverarbeitungsknotens in einem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in einem Client-Netzwerk-Datenverarbeitungsparadigma innerhalb eines Internet von Systemen; Verteilen jedes Bestandteils eines Algorithmus auf der Grundlage der berechneten Berechnungsschwerkraft jedes jeweiligen Datenverarbeitungsknotens innerhalb des Internet von Systemen auf einen geeigneten Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas; und Verteilen der Arbeitslast bei Berechnungen für jeden Bestandteil des Algorithmus auf einen jeweiligen Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas mit einem entsprechenden Bestandteil des Algorithmus zur Verarbeitung.
  2. Verfahren nach Anspruch 1, darüber hinaus aufweisend: Zwischenspeichern von Ergebnissen jeder jeweiligen Arbeitslast bei Berechnungen, die jedem Bestandteil des Algorithmus entsprechen, auf Edge-Servern des Netzwerks zum Bereitstellen von Inhalten, welche die Ergebnisse anderen Client-Datenverarbeitungsknoten bereitstellen, ohne Berechnungen zu wiederholen.
  3. Verfahren nach Anspruch 1, darüber hinaus aufweisend: Identifizieren von Bestandteilen des Algorithmus, der sich in dem Cloud-Computing-Paradigma des Internet von Systemen befindet.
  4. Verfahren nach Anspruch 1, darüber hinaus aufweisend: Empfangen einer Eingabe zum Einsetzen eines Bestandteils des Algorithmus in dem Internet von Systemen; und Berechnen der Berechnungsschwerkraft jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma in Bezug auf den Bestandteil des Algorithmus, der in dem Internet von Systemen eingesetzt werden soll.
  5. Verfahren nach Anspruch 4, darüber hinaus aufweisend: Ermitteln eines Datenverarbeitungsknotens mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen zum Einsetzen des Bestandteils des Algorithmus auf der Grundlage der Berechnungsschwerkraft, die jedem Datenverarbeitungsknoten in dem Cloud-Computing-Paradigma und jedem Datenverarbeitungsknoten in dem Client-Netzwerk-Datenverarbeitungsparadigma entspricht; und Einsetzen des Bestandteils des Algorithmus an dem Datenverarbeitungsknoten mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen.
  6. Verfahren nach Anspruch 1, darüber hinaus aufweisend: Verschieben von Cloud-Containern des Cloud-Computing-Paradigmas, um eine auftauchende Cloud zu bilden, bei der es sich um eine Kombination aus verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten handelt, die zum Erzeugen von Ergebnissen einer vollständigen Arbeitslast bei Berechnungen verwendet werden, die auf die verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten verteilt wurde.
  7. Verfahren nach Anspruch 1, darüber hinaus aufweisend: Identifizieren jedes Datenverarbeitungsknotens des Cloud-Computing-Paradigmas, jedes Datenverarbeitungsknotens des Client-Netzwerk-Datenverarbeitungsparadigmas und jedes Edge-Computing-Knotens eines Datenverarbeitungsparadigmas für Netzwerke zum Bereitstellen von Inhalten; und Bilden des Internet von Systemen auf der Grundlage der Identifizierung jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma, jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma und jedes Edge-Computing-Knotens in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten.
  8. Verfahren nach Anspruch 1, wobei eine Algorithmus-Transportpipeline Daten vorverarbeitet, um die Daten für die Berechnung durch einen Ziel-Edge-Computing-Knoten vorzubereiten.
  9. Verfahren nach Anspruch 1, wobei Datenverarbeitungsknoten in dem Cloud-Computing-Paradigma zentralisierte klassische Computer und zentralisierte Quantencomputer umfassen, und wobei Datenverarbeitungsknoten in dem Client-Netzwerk-Datenverarbeitungsparadigma Edge-Computer umfassen.
  10. Verfahren nach Anspruch 1, wobei beim Berechnen der Berechnungsschwerkraft jedes Datenverarbeitungsknotens die Bestandteilen des Algorithmus entsprechende Berechnungskomplexität, die Verfügbarkeit von Datenverarbeitungsknoten und die Eignung von Datenverarbeitungsknoten für die Arbeitslast bei Berechnungen berücksichtigt werden.
  11. Verfahren nach Anspruch 1, wobei es sich bei dem Algorithmus um eine Anwendung der künstlichen Intelligenz mit komplexen Komponenten der künstlichen Intelligenz handelt.
  12. Computersystem, aufweisend: ein Bussystem; eine Speichereinheit, die mit dem Bussystem verbunden ist, wobei auf der Speichereinheit Programmanweisungen gespeichert sind; und einen Prozessor, der mit dem Bussystem verbunden ist, wobei der Prozessor die Programmanweisungen ausführt zum: Berechnen einer Berechnungsschwerkraft jedes Datenverarbeitungsknotens in einem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in einem Client-Netzwerk-Datenverarbeitungsparadigma innerhalb eines Internet von Systemen; Verteilen jedes Bestandteils eines Algorithmus auf der Grundlage der berechneten Berechnungsschwerkraft jedes jeweiligen Datenverarbeitungsknotens innerhalb des Internet von Systemen auf einen geeigneten Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas; und Verteilen der Arbeitslast bei Berechnungen für jeden Bestandteil des Algorithmus auf einen jeweiligen Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas mit einem entsprechenden Bestandteil des Algorithmus zur Verarbeitung.
  13. Computersystem nach Anspruch 12, wobei der Prozessor darüber hinaus die Programmanweisungen ausführt zum: Zwischenspeichern von Ergebnissen jeder jeweiligen Arbeitslast bei Berechnungen, die jedem Bestandteil des Algorithmus entsprechen, auf Edge-Servern es Netzwerks zum Bereitstellen von Inhalten, welche die Ergebnisse anderen Client-Datenverarbeitungsknoten bereitstellen, ohne Berechnungen zu wiederholen.
  14. Computersystem nach Anspruch 12, wobei der Prozessor darüber hinaus die Programmanweisungen ausführt zum: Identifizieren von Bestandteilen des Algorithmus, der sich in dem Cloud-Computing-Paradigma des Internet von Systemen befindet.
  15. Computersystem nach Anspruch 12, wobei der Prozessor darüber hinaus die Programmanweisungen ausführt zum: Empfangen einer Eingabe zum Einsetzen eines Bestandteils des Algorithmus in dem Internet von Systemen; und Berechnen der Berechnungsschwerkraft jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma in Bezug auf den Bestandteil des Algorithmus, der in dem Internet von Systemen eingesetzt werden soll.
  16. Computersystem nach Anspruch 15, wobei der Prozessor darüber hinaus die Programmanweisungen ausführt zum: Ermitteln eines Datenverarbeitungsknotens mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen zum Einsetzen des Bestandteils des Algorithmus auf der Grundlage der Berechnungsschwerkraft, die jedem Datenverarbeitungsknoten in dem Cloud-Computing-Paradigma und jedem Datenverarbeitungsknoten in dem Client-Netzwerk-Datenverarbeitungsparadigma entspricht; und Einsetzen des Bestandteils des Algorithmus an dem Datenverarbeitungsknoten mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen.
  17. Computersystem nach Anspruch 12, wobei der Prozessor darüber hinaus die Programmanweisungen ausführt zum: Verschieben von Cloud-Containern des Cloud-Computing-Paradigmas, um eine auftauchende Cloud zu bilden, bei der es sich um eine Kombination aus verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten handelt, die zum Erzeugen von Ergebnissen einer vollständigen Arbeitslast bei Berechnungen verwendet werden, die auf die verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten verteilt wurde.
  18. Computersystem nach Anspruch 12, wobei der Prozessor darüber hinaus die Programmanweisungen ausführt zum: Identifizieren jedes Datenverarbeitungsknotens des Cloud-Computing-Paradigmas, jedes Datenverarbeitungsknotens des Client-Netzwerk-Datenverarbeitungsparadigmas und jedes Edge-Computing-Knotens eines Datenverarbeitungsparadigmas für Netzwerke zum Bereitstellen von Inhalten; und Bilden des Internet von Systemen auf der Grundlage der Identifizierung jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma, jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma und jedes Edge-Computing-Knotens in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten.
  19. Computerprogrammprodukt, das ein durch einen Computer lesbares Speichermedium mit darauf enthaltenen Programmanweisungen aufweist, wobei die Programmanweisungen durch einen Computer ausführbar sind, um den Computer zu veranlassen, ein Verfahren durchzuführen, das Folgendes aufweist: Berechnen einer Berechnungsschwerkraft jedes Datenverarbeitungsknotens in einem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in einem Client-Netzwerk-Datenverarbeitungsparadigma innerhalb eines Internet von Systemen; Verteilen jedes Bestandteils eines Algorithmus auf der Grundlage der berechneten Berechnungsschwerkraft jedes jeweiligen Datenverarbeitungsknotens innerhalb des Internet von Systemen auf einen geeigneten Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas; und Verteilen der Arbeitslast bei Berechnungen für jeden Bestandteil des Algorithmus auf einen jeweiligen Datenverarbeitungsknoten des Cloud-Computing-Paradigmas und des Client-Netzwerk-Datenverarbeitungsparadigmas mit einem entsprechenden Bestandteil des Algorithmus zur Verarbeitung.
  20. Computerprogrammprodukt nach Anspruch 19, darüber hinaus aufweisend: Zwischenspeichern von Ergebnissen jeder jeweiligen Arbeitslast bei Berechnungen, die jedem Bestandteil des Algorithmus entsprechen, auf Edge-Servern des Netzwerks zum Bereitstellen von Inhalten, welche die Ergebnisse anderen Client-Datenverarbeitungsknoten bereitstellen, ohne Berechnungen zu wiederholen.
  21. Computerprogrammprodukt nach Anspruch 19, darüber hinaus aufweisend: Identifizieren von Bestandteilen des Algorithmus, der sich in dem Cloud-Computing-Paradigma des Internet von Systemen befindet.
  22. Computerprogrammprodukt nach Anspruch 19, darüber hinaus aufweisend: Empfangen einer Eingabe zum Einsetzen eines Bestandteils des Algorithmus in dem Internet von Systemen; und Berechnen der Berechnungsschwerkraft jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma und jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma in Bezug auf den Bestandteil des Algorithmus, der in dem Internet von Systemen eingesetzt werden soll.
  23. Computerprogrammprodukt nach Anspruch 22, darüber hinaus aufweisend: Ermitteln eines Datenverarbeitungsknotens mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen zum Einsetzen des Bestandteils des Algorithmus auf der Grundlage der Berechnungsschwerkraft, die jedem Datenverarbeitungsknoten in dem Cloud-Computing-Paradigma und jedem Datenverarbeitungsknoten in dem Client-Netzwerk-Datenverarbeitungsparadigma entspricht; und Einsetzen des Bestandteils des Algorithmus an dem Datenverarbeitungsknoten mit der höchsten Berechnungsschwerkraft-Punktzahl in dem Internet von Systemen.
  24. Computerprogrammprodukt nach Anspruch 19, darüber hinaus aufweisend: Verschieben von Cloud-Containern des Cloud-Computing-Paradigmas, um eine auftauchende Cloud zu bilden, bei der es sich um eine Kombination aus verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten handelt, die zum Erzeugen von Ergebnissen einer vollständigen Arbeitslast bei Berechnungen verwendet werden, die auf die verschiedenen Datenverarbeitungsparadigmen und Datenverarbeitungsknoten verteilt wurde.
  25. Computerprogrammprodukt nach Anspruch 19, darüber hinaus aufweisend: Identifizieren jedes Datenverarbeitungsknotens des Cloud-Computing-Paradigmas, jedes Datenverarbeitungsknotens des Client-Netzwerk-Datenverarbeitungsparadigmas und jedes Datenverarbeitungsknotens eines Datenverarbeitungsparadigmas für Netzwerke zum Bereitstellen von Inhalten; und Bilden des Internet von Systemen auf der Grundlage der Identifizierung jedes Datenverarbeitungsknotens in dem Cloud-Computing-Paradigma, jedes Datenverarbeitungsknotens in dem Client-Netzwerk-Datenverarbeitungsparadigma und jedes Datenverarbeitungsknotens in dem Datenverarbeitungsparadigma für Netzwerke zum Bereitstellen von Inhalten.
DE112020006449.2T 2020-01-07 2020-12-18 Verteilen von arbeitslasten bei berechnungen auf der grundlage einer berechneten berechnungsschwerkraft innerhalb unterschiedlicher datenverarbeitungsparadigmen Pending DE112020006449T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/736,449 2020-01-07
US16/736,449 US11481259B2 (en) 2020-01-07 2020-01-07 Distributing computation workloads based on calculated compute gravity within differing computing paradigms
PCT/IB2020/062205 WO2021140394A1 (en) 2020-01-07 2020-12-18 Distributing computation workloads based on calculated compute gravity within differing computing paradigms

Publications (1)

Publication Number Publication Date
DE112020006449T5 true DE112020006449T5 (de) 2022-11-03

Family

ID=76655181

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112020006449.2T Pending DE112020006449T5 (de) 2020-01-07 2020-12-18 Verteilen von arbeitslasten bei berechnungen auf der grundlage einer berechneten berechnungsschwerkraft innerhalb unterschiedlicher datenverarbeitungsparadigmen

Country Status (8)

Country Link
US (1) US11481259B2 (de)
JP (1) JP2023510217A (de)
KR (1) KR20220103130A (de)
CN (1) CN114930296A (de)
AU (1) AU2020421463B2 (de)
DE (1) DE112020006449T5 (de)
GB (1) GB2607477A (de)
WO (1) WO2021140394A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11163544B2 (en) * 2020-03-23 2021-11-02 David Lee Vertical solution integrator
US11316757B1 (en) * 2020-06-23 2022-04-26 Amdocs Development Limited System, method, and computer program for consumer requirement based management for physical edge deployment of an application
CN112073542B (zh) * 2020-11-12 2021-02-05 腾讯科技（深圳）有限公司 雾节点调度方法、装置、计算机设备和存储介质
US20230051225A1 (en) * 2021-08-10 2023-02-16 Visa International Service Association System, Method, and Computer Program Product for Segmenting Accounts
US11783220B1 (en) 2022-03-25 2023-10-10 Bank Of America Corporation Quantum dynamic network sever load management system

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9258765B1 (en) 2003-05-08 2016-02-09 Dynamic Mesh Networks, Inc. Chirp networks
US7865582B2 (en) * 2004-03-24 2011-01-04 Hewlett-Packard Development Company, L.P. System and method for assigning an application component to a computing resource
WO2011009652A2 (en) * 2009-07-21 2011-01-27 International Business Machines Corporation A method and system for job scheduling in distributed data processing system with identification of optimal network topology
US8892740B2 (en) * 2010-09-10 2014-11-18 International Business Machines Corporation Dynamic application provisioning in cloud computing environments
US9507630B2 (en) 2012-02-09 2016-11-29 Cisco Technology, Inc. Application context transfer for distributed computing resources
US20150143366A1 (en) * 2012-06-29 2015-05-21 Shiva Prakash Suragi Math Optimizing placement of virtual machines
US10397039B2 (en) 2012-12-05 2019-08-27 Origin Wireless, Inc. Apparatus, systems and methods for fall-down detection based on a wireless signal
US20140136952A1 (en) 2012-11-14 2014-05-15 Cisco Technology, Inc. Improving web sites performance using edge servers in fog computing architecture
US9753947B2 (en) * 2013-12-10 2017-09-05 Weather Decision Technologies, Inc. Four dimensional weather data storage and access
US20160179063A1 (en) * 2014-12-17 2016-06-23 Microsoft Technology Licensing, Llc Pipeline generation for data stream actuated control
US11073006B2 (en) * 2015-01-26 2021-07-27 Baker Hughes, A Ge Company, Llc Directional permeability upscaling of a discrete fracture network
CN106155807A (zh) * 2015-04-15 2016-11-23 阿里巴巴集团控股有限公司 一种实现资源调度的方法与设备
CN106933669B (zh) 2015-12-29 2021-01-08 伊姆西Ip控股有限责任公司 用于数据处理的装置和方法
CN105610944B (zh) 2015-12-29 2019-03-05 北京物联远信息技术有限公司 一种面向物联网的雾计算架构
US10628222B2 (en) * 2016-05-17 2020-04-21 International Business Machines Corporation Allocating compute offload resources
US9870273B2 (en) 2016-06-13 2018-01-16 1Qb Information Technologies Inc. Methods and systems for quantum ready and quantum enabled computations
US10162362B2 (en) 2016-08-29 2018-12-25 PerceptIn, Inc. Fault tolerance to provide robust tracking for autonomous positional awareness
CN107682416B (zh) 2017-09-19 2020-05-19 东南大学 基于播存网络的雾计算架构内容协同分发方法及应用***
CN107872539B (zh) 2017-12-15 2021-01-15 安徽长泰信息安全服务有限公司 一种基于云计算平台的数据处理***及方法
US10642656B2 (en) * 2018-04-17 2020-05-05 Cognizant Technology Solutions India Pvt. Ltd. System and method for efficiently and securely managing a network using fog computing
EP3844689A4 (de) * 2018-08-30 2022-06-08 Rigetti & Co, LLC Niedriglatentes, leistungsstarkes hybrid-computing
US20200314204A1 (en) * 2019-03-27 2020-10-01 Siemens Aktiengesellschaft Method for operating a network-aware container orchestration system
US20210021130A1 (en) * 2019-07-19 2021-01-21 BluWave Inc. Systems and methods for distributed hierarchical artificial intelligence in smart grids

Also Published As

Publication number Publication date
US11481259B2 (en) 2022-10-25
AU2020421463A1 (en) 2022-06-16
WO2021140394A1 (en) 2021-07-15
JP2023510217A (ja) 2023-03-13
CN114930296A (zh) 2022-08-19
GB2607477A (en) 2022-12-07
AU2020421463B2 (en) 2024-02-22
KR20220103130A (ko) 2022-07-21
GB202211239D0 (en) 2022-09-14
US20210208943A1 (en) 2021-07-08

Similar Documents

Publication Publication Date Title
US11521090B2 (en) Collaborative distributed machine learning
DE112020006449T5 (de) Verteilen von arbeitslasten bei berechnungen auf der grundlage einer berechneten berechnungsschwerkraft innerhalb unterschiedlicher datenverarbeitungsparadigmen
DE112018002984T5 (de) Konformitätsbewusste Laufzeiterzeugung auf Grundlage von Anwendungsmustern und Risikobeurteilung
DE112020003820T5 (de) Erkennung von Anomalien und Abweichungen unter Verwendung eines domänenindizierten Einschränkungs-Repository
DE112021006130T5 (de) Automatisierte orchestrierung von containern durch bewerten von mikrodiensten
DE112020002110T5 (de) Ressourcenarme entitätsauflösung mit transfer learning
DE112021003908T5 (de) Föderales maschinenlernen durch verwenden von ortsabhängigem hashing
DE112020005323T5 (de) Elastische ausführung von machine-learning-arbeitslasten unter verwendung einer anwendungsbasierten profilierung
DE102016105062A1 (de) Nähengestützte Berechtigungsprüfung für einheitenübergreifend verteilte Daten
DE112021002820T5 (de) Dynamische automatisierung einer auswahl von pipeline-artefakten
DE102021123135A1 (de) Leistungs- und upgrade-verwaltung für anlagegüter mit hilfe von digitalen zwillingen
DE112021000390T5 (de) Anpassen der leistung eines datenverarbeitungssystems
DE112020005306T5 (de) Implementierung von arbeitslasten in einer multi-cloud-umgebung
DE112022002615T5 (de) Kontinuierliche funktionsfähigkeit und integrität von anwendungen während eines migrationsvorgangs
DE112020000545T5 (de) Deep-forest-modell-entwicklung und -training
DE112020003744T5 (de) Durch dienstqualitätskriterien vorgegebenes automatisiertes betriebsdatenmanagement
DE112021005636T5 (de) Migrieren von komplexen legacy-anwendungen
DE102014116744A1 (de) Management von Informationstechnologieressourcen
DE112021003274T5 (de) Ressourcenzuordnung zum optimieren von hyperparametern bei umfangreichen deep-learning-arbeitslasten
DE112021004234T5 (de) Einsetzen von metalernen zum optimieren der automatischen auswahl von pipelinesdes maschinellen lernens
DE112019002052T5 (de) Datenschutzsensibilisierung bei der bereitstellung von arbeitslasten
DE112020004801T5 (de) Intelligenter datenpool
DE112021006167T5 (de) Automatische anpassung von datenzugriffsrichtlinien in der datenanalytik
DE112022000347T5 (de) Edge-time-sharing über cluster hinweg durch dynamische aufgabenmigration
DE112021004483T5 (de) Vergleichen von tensoren in einer verteilten umgebung für maschinelles lernen

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R084 Declaration of willingness to licence