一种电力系统云原生组件适配方法及相关装置与流程

摘要: 本技术涉及电力业务系统领域,尤其涉及一种电力系统云原生组件适配方法及相关装置。背景技术:1、随着云计算技术从虚拟化阶段向云原生体系演进,容器化、微服务架构与动态...
一种电力系统云原生组件适配方法及相关装置与流程

本技术涉及电力业务系统领域,尤其涉及一种电力系统云原生组件适配方法及相关装置。

背景技术:

1、随着云计算技术从虚拟化阶段向云原生体系演进,容器化、微服务架构与动态编排技术已成为企业级云平台的主流技术形态。依托容器编排引擎实现集群自动化部署与资源调度,云原生平台凭借高弹性、高敏捷与易运维等特性,在能源、金融、政务等行业实现规模化落地。在电力行业数字化转型进程中,传统业务系统逐步从单体架构向云原生微服务架构迁移,云原生平台承载调度、监控、交易等核心业务。电力云原生业务具有任务异构性强、时延约束严苛、任务等级分明、组件安全可用性要求高及集群负载动态波动等特征,因此任务与组件的智能适配成为保障平台服务质量、提升资源利用率的核心技术环节。

2、云原生组件适配本质上属于多目标优化问题,需同时平衡时延、资源利用率、可靠性与安全性等多个相互冲突的优化目标。现有技术演进大致分为四条路线:一是以原生调度器为代表的传统规则调度,依靠人工预设规则与阈值完成静态匹配;二是以非支配排序遗传算法为代表的经典多目标优化算法,通过种群迭代实现多目标折衷求解;三是基于卷积神经网络、图神经网络或注意力机制的深度学习特征匹配,通过提取任务与组件深层特征提升匹配精度;四是基于深度强化学习的动态调度方案,通过环境交互自主学习调度策略以应对动态场景。随着集群规模扩大与环境动态性增强,单一技术路线的局限性逐渐显现。

3、但是目前的技术仍然存在一些局限,首先,缺乏统一的任务与组件特征标准化体系及组件质量量化机制,导致特征匹配精度不足;其次,多数方案采用静态决策架构,对负载波动、组件故障等动态环境的鲁棒性较差;其三,多目标优化与动态决策环节相互脱节,无法在兼顾多个冲突优化目标的同时适应环境动态变化;其四,技术路线单一,纯知识驱动方案缺乏环境自适应能力,纯数据驱动方案难以保证业务规则合理性,二者优势无法协同发挥;其五,端到端决策空间过大或优化流程冗长,难以同时满足调度精度与实时响应速度的双重要求。这些问题直接制约了电力系统的云原生组件适配技术在高可靠、高动态业务场景下的应用效果。

技术实现思路

1、本技术提供了一种电力系统云原生组件适配方法及相关装置,用于解决现有技术缺乏组件量化和抗干扰能力,技术路线单一且无法兼顾多个优化目标适应动态变化,而决策计算复杂度又较高,导致电力系统云原生组件适配缺乏准确性、可靠性和高效性的技术问题。

2、有鉴于此,本技术第一方面提供了一种电力系统云原生组件适配方法,包括:

3、获取电力系统中的任务集合,以及云原生组件集合,所述任务集合包括任务类型、时延要求、资源需求和紧急程度;

4、对所述任务集合与所述云原生组件集合进行标准化特征提取,同时对所述云原生组件集合进行主客观融合量化分析,生成任务特征向量、质量属性标准值向量和融合权重;

5、基于预设硬约束、匹配度筛选机制和多目标筛选机制,根据所述任务特征向量、所述质量属性标准值向量和所述融合权重进行任务组件适配筛选,得到候选组件列表;

6、采用ppo算法根据所述候选组件列表进行动态决策分析,生成目标任务组件适配方案。

7、优选地,所述对所述任务集合与所述云原生组件集合进行标准化特征提取,同时对所述云原生组件集合进行主客观融合量化分析,生成任务特征向量、质量属性标准值向量和融合权重,包括:

8、采用min-max算法分别对所述任务集合与所述云原生组件集合进行标准化特征提取,生成任务特征向量和质量属性标准值向量;

9、通过层次分析法对所述云原生组件集合中的质量属性进行评分,构建并校验判断矩阵,得到主观权重;

10、基于熵权法对所述云原生组件集合中各个质量属性对应的属性数据进行离散程度分析,得到客观权重;

11、结合所述主观权重和所述客观权重进行加权计算,得到融合权重。

12、优选地,所述基于预设硬约束、匹配度筛选机制和多目标筛选机制,根据所述任务特征向量、所述质量属性标准值向量和所述融合权重进行任务组件适配筛选,得到候选组件列表,包括:

13、将组件质量属性转换为组件质量数组,并通过逻辑运算生成过滤掩码;

14、对所述过滤掩码进行时间降维后,结合预设硬约束进行组件初筛选,得到初始筛选组件;

15、依据所述任务特征向量、所述质量属性标准值向量和所述融合权重的组件质量属性向量进行余弦相似度计算,得到匹配程度;

16、依据所述匹配程度对云原生组件进行排序,保留预设数量的组件作为匹配筛选组件;

17、分别计算组件时延匹配度、资源利用率和可靠性得分,并进行基于预置任务紧急程度的加权计算,得到综合加权得分;

18、基于所述综合加权得分对所述匹配筛选组件进行降序排列,生成候选组件列表。

19、优选地,所述采用ppo算法根据所述候选组件列表进行动态决策分析,生成目标任务组件适配方案,包括:

20、基于ppo算法将所述候选组件列表配置为动作空间,将实时系统状态配置为当前状态;

21、依据所述动作空间和所述当前状态,结合策略网络与价值网络进行动态决策分析,输出候选组件适配概率;

22、选取最大的所述候选组件适配概率对应的组件作为目标适配组件,生成目标任务组件适配方案。

23、本技术第二方面提供了一种电力系统云原生组件适配装置,包括:

24、信息获取单元,用于获取电力系统中的任务集合,以及云原生组件集合,所述任务集合包括任务类型、时延要求、资源需求和紧急程度;

25、特征量化单元,用于对所述任务集合与所述云原生组件集合进行标准化特征提取,同时对所述云原生组件集合进行主客观融合量化分析,生成任务特征向量、质量属性标准值向量和融合权重;

26、组件筛选单元,用于基于预设硬约束、匹配度筛选机制和多目标筛选机制,根据所述任务特征向量、所述质量属性标准值向量和所述融合权重进行任务组件适配筛选,得到候选组件列表;

27、适配决策单元,用于采用ppo算法根据所述候选组件列表进行动态决策分析,生成目标任务组件适配方案。

28、优选地,所述特征量化单元,具体用于:

29、采用min-max算法分别对所述任务集合与所述云原生组件集合进行标准化特征提取,生成任务特征向量和质量属性标准值向量;

30、通过层次分析法对所述云原生组件集合中的质量属性进行评分,构建并校验判断矩阵,得到主观权重;

31、基于熵权法对所述云原生组件集合中各个质量属性对应的属性数据进行离散程度分析,得到客观权重;

32、结合所述主观权重和所述客观权重进行加权计算,得到融合权重。

33、优选地,所述组件筛选单元,具体用于:

34、将组件质量属性转换为组件质量数组,并通过逻辑运算生成过滤掩码;

35、对所述过滤掩码进行时间降维后,结合预设硬约束进行组件初筛选,得到初始筛选组件;

36、依据所述任务特征向量、所述质量属性标准值向量和所述融合权重的组件质量属性向量进行余弦相似度计算,得到匹配程度;

37、依据所述匹配程度对云原生组件进行排序,保留预设数量的组件作为匹配筛选组件;

38、分别计算组件时延匹配度、资源利用率和可靠性得分,并进行基于预置任务紧急程度的加权计算,得到综合加权得分;

39、基于所述综合加权得分对所述匹配筛选组件进行降序排列,生成候选组件列表。

40、优选地,所述适配决策单元,具体用于:

41、基于ppo算法将所述候选组件列表配置为动作空间,将实时系统状态配置为当前状态;

42、依据所述动作空间和所述当前状态,结合策略网络与价值网络进行动态决策分析,输出候选组件适配概率;

43、选取最大的所述候选组件适配概率对应的组件作为目标适配组件,生成目标任务组件适配方案。

44、本技术第三方面提供了一种电力系统云原生组件适配设备,所述设备包括处理器以及存储器;

45、所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;

46、所述处理器用于根据所述程序代码中的指令执行第一方面所述的电力系统云原生组件适配方法。

47、本技术第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的电力系统云原生组件适配方法。

48、从以上技术方案可以看出,本技术实施例具有以下优点:

49、本技术中,提供了一种电力系统云原生组件适配方法,包括:获取电力系统中的任务集合,以及云原生组件集合,任务集合包括任务类型、时延要求、资源需求和紧急程度;对任务集合与云原生组件集合进行标准化特征提取,同时对云原生组件集合进行主客观融合量化分析,生成任务特征向量、质量属性标准值向量和融合权重;基于预设硬约束、匹配度筛选机制和多目标筛选机制,根据任务特征向量、质量属性标准值向量和融合权重进行任务组件适配筛选,得到候选组件列表;采用ppo算法根据候选组件列表进行动态决策分析,生成目标任务组件适配方案。

50、本技术提供的电力系统云原生组件适配方法,通过标准化特征提取和主客观融合分析方法分别对任务集合与云原生组件集合进行量化特征表达,生成标准化的向量与融合权重,建立了统一的特征表达与质量评估基准。而构建多目标筛选与动态决策的流程中既保证了多目标优化平衡,又保留了决策的动态适应能力,强化了优化过程对动态变化的抵抗力,可以克服多目标优化与动态决策脱节的问题。另外,通过硬约束规则、匹配度筛选与多目标加权筛选的知识驱动约束,以及ppo强化学习的数据驱动约束,实现了双约束协同分析,既可以保障业务规则合理性,又可以提高环境自适应能力,兼顾了规则确定性与动态适应性。而且,通过三级筛选机制较大程度地削减了组件规模,压缩了ppo算法的动作空间维度,能够保证决策质量的同时显著降低了计算开销,实现了精度与效率的平衡。再者,采用ppo算法执行动态决策使得模型具备环境交互与自主适应能力,可以提升决策鲁棒性。因此,本技术能够解决现有技术缺乏组件量化和抗干扰能力,技术路线单一且无法兼顾多个优化目标适应动态变化,而决策计算复杂度又较高,导致电力系统云原生组件适配缺乏准确性、可靠性和高效性的技术问题。