新闻资讯

    1.本发明涉及算力体系布局技术领域,具体为一种算力体系预测布局优化方法。

    背景技术:

    2.随着5g技术的发展,5g的海量机器类通信,将会实现万物互联,产生的海量数据需要传输和计算。城市街道的天眼系统,每天都会采集海量的视频信息,要让这些视频信息发挥更大的作用,需要将视频信息传输到云计算机,经过云计算机的计算而获得结果,将计算结果回传。这只是两个很有代表性的运用领域,随着数字经济的发展,各行各业产生的大数据,需要计算,挖掘大数据的价值。

    3.简单地布局云计算机,面对未来大数据的发展,会受到传输网络的限制,传输网络的传输力是有上限的,云计算机的算力也是有上限的;面对暴增的大数据,传输网络的传输力达到上限,大数据无法低延时送达云计算机,无法提高云计算机的使用效率;面对自然灾害、不可预知的事故,造成部分传输网络或者部分云计算机不能工作,传输网络不能稳定和及时地传输大数据,云计算机不能稳定和及时地处理大数据。

    技术实现要素:

    4.针对以上问题,本发明的目的在于动态检测算力的区域需求,动态计算算力的区域增量,模拟算力体系的架构,进行算力体系的虚拟布局,提供一种算力体系预测布局优化方法。

    5.实现本发明目的的技术解决方案为:一种算力体系预测布局优化方法,实现所述方法的具体步骤如下:步骤一, 进行三维模拟,分别将云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小,模拟到优化服务器的三维模型空间中;需要说明的是,将云计算机的空间分布和算力大小,实时映射到所述优化服务器的三维模型空间中,将准确模拟云计算机的空间分布和算力大小,这是整个优化系统的数据基础,需要准确性和及时性;将传输网络的连接结构和传输力大小,实时映射到所述优化服务器的三维模型空间中,将准确模拟传输网络的连接结构和传输力大小,这是整个优化系统的数据基础,需要准确性和及时性;将大数据的产生区域和数据量大小,实时映射到所述优化服务器的三维模型空间中,采用统计函数统计大数据在产生区域内数据量的变化趋势,为整个优化系统提供优化的基础数据;进一步地,所述优化服务器设置5g通信模组;在云计算机的所在地设置定位芯片、5g通信模组,实现所述优化服务器对所述云计算机的定位,以5g通信方式采集所述云计算机的算力大小和算力使用情况;在传输网络的节点设置定位芯片、5g通信模组,实现所述优化服务器对所述传输网络节点的路由器或者交换机的定位,以5g通信方式采集所述传输网络节点的路由器或者交换机的传输力大小和传输力使用情况;对大数据的产生区域和数据量大小监控,通过对数据接入的路由器或者交换机接口进行监控;

    word中文本 带格式 rtf文本_ai中区域文本的使用_html表示文本区域

    进一步地,三维模型空间实现对所述云计算机和所述传输网络的三维坐标定位,所述三维模型空间的模型,内置卷积神经网络和ai算法;更进一步地,在三维模型空间中,一一映射现实的运行关系:云计算机与传输网络的连接关系,传输网络传输大数据的传输路径关系,云计算机处理大数据及回馈处理结果的关系;步骤二,收集建立结构单元模型的基础数据,采用卷积神经网络提取云计算机、传输网络、大数据的特征,训练模型内置的卷积神经网络和ai算法;需要说明的是,收集建立结构单元模型的基础数据,所述基础数据就是采用卷积神经网络提取的具体特征,所述具体特征为:云计算机的空间分布、算力大小、算力的有效上限、算力的使用情况、算力的空置情况,传输网络的连接结构、传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况,大数据的产生区域和数据量大小;需要进一步说明的是,采用ai算法动态采集云计算机、传输网络和大数据的信息,不断比对实现中的云计算机、传输网络和大数据的信息,并不断训练模型中内置的卷积神经网络和ai算法,达到实现中与模型中的云计算机、传输网络和大数据的实时信息趋同的目的;步骤三,建立所述云计算机与所述传输网络的结构单元模型;需要说明的是,结构单元模型包括:数据发散模型、数据二分模型、数据三分模型,所述云计算机与所述传输网络的结构,可以采用单一的数据发散模型、数据二分模型、数据三分模型,可以是数据发散模型与数据二分模型、数据二分模型与数据三分模型、数据发散模型与数据三分模型两者的组合,更可以是数据发散模型、数据二分模型、数据三分模型三者的组合;步骤四ai中区域文本的使用,采用结构单元模型优化算力体系的布局,动态采集大数据增量的产生区域和数据增量的趋势,在三维模型空间中,采用ai算法智能优化算力体系的布局;需要说明的是,用ai算法虚拟调整结构单元模型,调整的内容包括:云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小;优选的,在三维模型空间中,采用ai算法模拟随机故障,检验算力体系布局的应急能力。

    6.与现有技术相比,本发明的有益效果包括:(1)、云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小,模拟到优化服务器的三维模型空间中,算力体系的布局,采用模拟的布局优化,以ai算法结合卷积神经网络,提升布局优化智能水平,能够提升算力体系布局的优化效果,减少现实的试错成本;(2)、结构单元模型采用数据发散模型、数据二分模型、数据三分模型,进行智能组合,提升模型的组合效率;提升训练模型效率和效果,提升了模型的智能水平;(3)、模拟系统能够测试算力体系布局的应急能力。

    附图说明

    7.为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。

    8.图1是一种算力体系预测布局优化方法的流程示意图;图2是一种算力体系预测布局优化方法的数据发散模型示意图;图3是一种算力体系预测布局优化方法的数据二分模型示意图;图4是一种算力体系预测布局优化方法的数据三分模型示意图。

    具体实施方式

    ai中区域文本的使用_word中文本 带格式 rtf文本_html表示文本区域

    9.为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。

    10.因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的部分实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

    11.需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征和技术方案可以相互组合。

    12.应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。

    13.具体的实施例是对一种采用公共数据压缩二进制代码组帧的方法的数据进行还原。

    14.下面结合实施例对本发明作进一步详细描述。

    word中文本 带格式 rtf文本_html表示文本区域_ai中区域文本的使用

    15.实施例:如图1至图4所示,本发明提供了一种算力体系预测布局优化方法,实现所述方法的具体步骤如下:步骤一, 进行三维模拟,分别将云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小,模拟到优化服务器的三维模型空间中;步骤二,收集建立结构单元模型的基础数据,采用卷积神经网络提取云计算机、传输网络、大数据的特征,训练模型内置的卷积神经网络和ai算法;步骤三,建立所述云计算机与所述传输网络的结构单元模型;步骤四,采用结构单元模型优化算力体系的布局,动态采集大数据增量的产生区域和数据增量的趋势,在三维模型空间中,采用ai算法智能优化算力体系的布局。

    16.其中,步骤一, 包括进行三维模拟,分别将云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小,模拟到优化服务器的三维模型空间中;在三维模型空间中,用计算机的三维模型图表示云计算机,计算机的三维模型图与现实的云计算机的空间位置,形成一一映射的关系;计算机的三维模型图内置卷积神经网络和ai算法,模拟现实的云计算机的算力,并采用数字的方式显示,实时显示算力大小、算力的有效上限、算力的使用情况和算力的空置情况;在三维模型空间中,用三维的管道表示传输网络,三维的管道内置卷积神经网络和ai算法,模拟现实的传输网络的传输力ai中区域文本的使用,并采用数字的方式显示,实时显示传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况;在三维模型空间中,用容器内的流动液体表示大数据,容器内的流动液体

    内置卷积神经网络和ai算法,模拟现实的大数据的数据量大小;在三维模型空间中,传输网络将大数据传输到云计算机的流程是:容器内的流动液体经过三维的管道,流向计算机的三维模型图;在三维模型空间中,云计算机将处理大数据的结果反馈给客户端的流程是:云计算机内的流动液体变少,表示从大数据变成处理大数据的结果,数据量变小,云计算机内的流动液体经过三维的管道,流向客户端,客户端用小人头像表示。

    17.优选的,步骤一还包括:三维模型空间是模型在三维空间中能实现三维坐标定位,模型内置卷积神经网络和ai算法;模型包括:计算机的三维模型图、三维的管道、容器内的流动液体、小人头像,采用模型表示云计算机、传输网络、大数据和客户端,直观地表示四者的关系;将卷积神经网络和ai算法内置到模型中形成模块,模型的删减和增加,对应的是卷积神经网络和ai算法的删减和增加,模型之间的关系通过模型的图形连接,内在的逻辑关系由卷积神经网络和ai算法智能连接。

    18。为了更好的实现本发明的目的,步骤二:收集建立结构单元模型的基础数据,采用卷积神经网络提取云计算机、传输网络、大数据的特征,训练模型内置的卷积神经网络和ai算法;需要说明的是,采用卷积神经网络提取云计算机、传输网络、大数据的特征,用ai算法虚拟调整:云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小;卷积神经网络和ai算法相互融合;将云计算机的空间分布、算力大小、算力的有效上限、算力的使用情况、算力的空置情况显示在计算机的三维模型图上;将传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况显示在三维的管道上;将大数据的数据量大小显示在容器内的流动液体上;优选的,步骤二还包括:训练模型内置的卷积神经网络和ai算法,采用ai算法动态采集云计算机、传输网络和大数据的信息,不断比对实现中的云计算机、传输网络和大数据的信息,并不断训练模型中内置的卷积神经网络和ai算法,达到实现中的云计算机、传输网络和大数据的实时信息,与模型中的云计算机、传输网络和大数据的实时信息趋同的目的;首先,采用一一映射的方式,采用ai算法将现实中的大数据的产生区域和数据量大小映射到对应的容器内的流动液体上,采用ai算法将现实中的传输网络的传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况映射到三维的管道上,采用ai算法将云计算机的算力大小、算力的有效上限、算力的使用情况、算力的空置情况映射到计算机的三维模型图上,完成卷积神经网络和ai算法的初步训练;其次,采用一一映射的方式,采用ai算法连续采集现实中的大数据的产生区域和数据量大小,采用ai算法间断采集现实中的传输网络的传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况映射到三维的管道上,让卷积神经网络和ai算法模拟运算,不断地比对现实中的传输网络的传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况,在模型中修正卷积神经网络和ai算法,采用ai算法间断采集现实中的云计算机的算力大小、算力的有效上限、算力的使用情况、算力的空置情况映射到计算机的三维模型图上,让卷积神经网络和ai算法模拟运算,不断地比对现实中的的云计算机的算力大小、算力的有效上限、算力的使用情况、算力的空置情况,在模型中修正卷积神经网络和ai算法;最后,采用一一映射的方式,采用ai算法连续采集现实中的大数据的产生区域和数据量大小,达到的目的是:采用ai算法间断采集现实中的传输网络的传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况,与模型中卷积神经网络和ai算法模拟的传输网络的传输力大小、传输力的有效上

    限、传输力的使用情况、传输力的空置情况一致;采用ai算法间断采集现实中的云计算机的算力大小、算力的有效上限、算力的使用情况、算力的空置情况,与模型中卷积神经网络和ai算法模拟的云计算机的算力大小、算力的有效上限、算力的使用情况、算力的空置情况一致。

    html表示文本区域_ai中区域文本的使用_word中文本 带格式 rtf文本

    19。为了更好的实现本发明的目的,步骤三:建立所述云计算机与所述传输网络的结构单元模型;结构单元模型包括:数据发散模型、数据二分模型、数据三分模型;需要说明的是,图2至图4的传输网络的双箭头表示数据的双向传输;结合图2,数据发散模型由第一处大数据源头201、第一组云计算机101、第二组云计算机102、第三组云计算机103、第一传输网络301、第二传输网络302、第三传输网络303组成,第一处大数据源头201通过第一传输网络301与第一组云计算机101建立相互通信的关系;第一处大数据源头201通过第二传输网络302与第二组云计算机102建立相互通信的关系;第一处大数据源头201通过第三传输网络303与第三组云计算机103建立相互通信的关系,需要说明的是,图2的数据发散模型实现了第一处大数据源头201的发散处理模式,第一处大数据源头201的大数据可以由第一组云计算机101、第二组云计算机102、第三组云计算机103共同处理,也可选择部分的云计算机处理数据,同时,当第一处大数据源头201的大数据暴增,第一处大数据源头201可以通过第一传输网络301、第二传输网络302、第三传输网络303分散地向外传输,发散的传输网络数量可以增加,对应地增加云计算机;结合图3,数据二分模型由第二处大数据源头202、第三处大数据源头203、第四处大数据源头204、第四组云计算机104、第五组云计算机105、第六组云计算机106、第四传输网络304、第五传输网络305、第六传输网络306、第七传输网络307、第八传输网络308、第九传输网络309组成,第二处大数据源头202通过第四传输网络304与第四组云计算机104建立相互通信的关系,第二处大数据源头202通过第五传输网络305与第五组云计算机105建立相互通信的关系,第三处大数据源头203通过第六传输网络306与第五组云计算机105建立相互通信的关系,第三处大数据源头203通过第七传输网络307与第六组云计算机106建立相互通信的关系,第四处大数据源头204通过第八传输网络308与第六组云计算机106建立相互通信的关系,第四处大数据源头204通过第九传输网络309与第四组云计算机104建立相互通信的关系,需要说明的是,图3的数据二分模型,第二处大数据源头202、第三处大数据源头203、第四处大数据源头204都有两条传输网络负责数据的传输,第二处大数据源头202、第三处大数据源头203、第四处大数据源头204都有相邻的两组云计算机;结合图4,数据三分模型由第五处大数据源头205、第六处大数据源头206、第七处大数据源头207、第七组云计算机107、第八组云计算机108、第九组云计算机109、第十组云计算机110、第十传输网络310、第十一传输网络311、第十二传输网络312、第十三传输网络313、第十四传输网络314、第十五传输网络315、第十六传输网络316、第十七传输网络317、第十八传输网络318组成,第五处大数据源头205通过第十传输网络310与第七组云计算机107建立相互通信的关系,第五处大数据源头205通过第十一传输网络311与第八组云计算机108建立相互通信的关系,第五处大数据源头205通过第十六传输网络316与第十组云计算机110建立相互通信的关系;第六处大数据源头206通过第十二传输网络312与第八组云计算机108建立相互通信的关系,第六处大数据源头206通过第十三传输网络313与第九组云计算机109建立相互通信的关系,第六处大数据源头206通过第十七传输网络317与第十

    组云计算机110建立相互通信的关系;第七处大数据源头207通过第十四传输网络314与第九组云计算机109建立相互通信的关系,第七处大数据源头207通过第十五传输网络315与第七组云计算机107建立相互通信的关系,第七处大数据源头207通过第十八传输网络318与第十组云计算机110建立相互通信的关系;需要说明的是,图4的数据三分模型,第五处大数据源头205、第六处大数据源头206、第七处大数据源头207都有三条传输网络负责数据的传输,第五处大数据源头205、第六处大数据源头206、第七处大数据源头207都有相邻的三组云计算机。

    20.为了更好的实现本发明的目的,步骤四:采用结构单元模型优化算力体系的布局,动态采集大数据增量的产生区域和数据增量的趋势,在三维模型空间中,采用ai算法智能优化算力体系的布局;根据实际情况,选择数据发散模型、数据二分模型、数据三分模型,对云计算机、传输网络进行布局,算力体系包括云计算机的算力和传输网络的传输力;需要说明的是,动态采集大数据增量的产生区域和数据量大小,在三维模型空间中,采用ai算法智能优化算力体系的布局;根据大数据增量的产生区域和数据量大小,优化云计算机的空间分布和算力大小,并重新优化云计算机、传输网络、大数据的连接关系,采用一一映射的方式,采用ai算法连续采集现实中的大数据的产生区域和数据量大小,采用卷积神经网络和ai算法模拟运算,将传输网络的传输力大小、传输力的有效上限、传输力的使用情况、传输力的空置情况显示到三维的管道上,将云计算机的算力大小、算力的有效上限、算力的使用情况、算力的空置情况显示到计算机的三维模型图上;以预测的方式不断调整算力体系,达到预测布局优化的目的。

    21.以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均涵盖在本发明的权利要求范围当中。

    技术特征:

    1.一种算力体系预测布局优化方法,其特征在于,实现所述方法的具体步骤如下:步骤一, 进行三维模拟,分别将云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小,模拟到优化服务器的三维模型空间中;步骤二,收集建立结构单元模型的基础数据,采用卷积神经网络提取云计算机、传输网络、大数据的特征,训练模型内置的卷积神经网络和ai算法;步骤三,建立所述云计算机与所述传输网络的结构单元模型;步骤四,采用结构单元模型优化算力体系的布局,动态采集大数据增量的产生区域和数据增量的趋势,在三维模型空间中,采用ai算法智能优化算力体系的布局。2.根据权利要求1所述的一种算力体系预测布局优化方法,其特征在于:在步骤一中,所述优化服务器设置5g通信模组;在云计算机的所在地设置定位芯片、5g通信模组,实现所述优化服务器对所述云计算机的定位,以5g通信方式采集所述云计算机的算力大小和算力使用情况;在传输网络的节点设置定位芯片、5g通信模组,实现所述优化服务器对所述传输网络节点的路由器或者交换机的定位,以5g通信方式采集所述传输网络节点的路由器或者交换机的传输力大小和传输力使用情况;对大数据的产生区域和数据量大小监控,通过对数据接入的路由器或者交换机接口进行监控。

    3.根据权利要求1所述的一种算力体系预测布局优化方法,其特征在于:在步骤一中,三维模型空间实现对所述云计算机和所述传输网络的三维坐标定位,所述三维模型空间的模型,内置卷积神经网络和ai算法。4.根据权利要求1所述的一种算力体系预测布局优化方法,其特征在于:在步骤一中,在三维模型空间中,一一映射现实的运行关系:云计算机与传输网络的连接关系,传输网络传输大数据的传输路径关系,云计算机处理大数据及回馈处理结果的关系。5.根据权利要求1所述的一种算力体系预测布局优化方法,其特征在于:在步骤三中,结构单元模型包括:数据发散模型、数据二分模型、数据三分模型。6.根据权利要求5所述的一种算力体系预测布局优化方法,其特征在于:在步骤三中,所述云计算机与所述传输网络的结构,可以采用单一的数据发散模型、数据二分模型、数据三分模型,可以是数据发散模型与数据二分模型、数据二分模型与数据三分模型、数据发散模型与数据三分模型两者的组合,更可以是数据发散模型、数据二分模型、数据三分模型三者的组合。7.根据权利要求6所述的一种算力体系预测布局优化方法,其特征在于:在步骤三中,数据发散模型由第一处大数据源头(201)、第一组云计算机(101)、第二组云计算机(102)、第三组云计算机(103)、第一传输网络(301)、第二传输网络(302)、第三传输网络(303)组成。

    word中文本 带格式 rtf文本_html表示文本区域_ai中区域文本的使用

    8.根据权利要求6所述的一种算力体系预测布局优化方法,其特征在于:在步骤三中,数据二分模型由第二处大数据源头(202)、第三处大数据源头(203)、第四处大数据源头(204)、第四组云计算机(104)、第五组云计算机(105)、第六组云计算机(106)、第四传输网络(304)、第五传输网络(305)、第六传输网络(306)、第七传输网络(307)、第八传输网络(308)、第九传输网络(309)组成。9.根据权利要求6所述的一种算力体系预测布局优化方法,其特征在于:在步骤三中,数据三分模型由第五处大数据源头(205)、第六处大数据源头(206)、第七处大数据源头

    (207)、第七组云计算机(107)、第八组云计算机(108)、第九组云计算机(109)、第十组云计算机(110)、第十传输网络(310)、第十一传输网络(311)、第十二传输网络(312)、第十三传输网络(313)、第十四传输网络(314)、第十五传输网络(315)、第十六传输网络(316)、第十七传输网络(317)、第十八传输网络(318)组成。10.根据权利要求1所述的一种算力体系预测布局优化方法,其特征在于:在步骤四中,在三维模型空间中,采用ai算法模拟随机故障,检验算力体系布局的应急能力。

    技术总结

    一种算力体系预测布局优化方法,涉及算力体系布局技术领域,实现所述方法的具体步骤如下:步骤一,进行三维模拟,分别将云计算机的空间分布和算力大小,传输网络的连接结构和传输力大小,大数据的产生区域和数据量大小,模拟到优化服务器的三维模型空间中;步骤二,收集建立结构单元模型的基础数据,采用卷积神经网络提取云计算机、传输网络、大数据的特征,训练模型内置的卷积神经网络和AI算法;步骤三,建立所述云计算机与所述传输网络的结构单元模型;步骤四,采用结构单元模型优化算力体系的布局,动态采集大数据增量的产生区域和数据增量的趋势,在三维模型空间中,采用AI算法智能优化算力体系的布局。优化算力体系的布局。优化算力体系的布局。

    技术研发人员:才虹丽 李瑶 乔楚 易滨 程小芳 曾奇

    受保护的技术使用者:四川通信科研规划设计有限责任公司

    技术研发日:2022.10.30

    技术公布日:2023/1/19

网站首页   |    关于我们   |    公司新闻   |    产品方案   |    用户案例   |    售后服务   |    合作伙伴   |    人才招聘   |   

地址:北京市海淀区    电话:010-     邮箱:@126.com

备案号:冀ICP备2024067069号-3 北京科技有限公司版权所有