一种分布式闲置算力池的普惠化封装、定价及按需分配方法

摘要: 本发明涉及分布式计算资源管理,尤其是涉及一种分布式闲置算力池的普惠化封装、定价及按需分配方法。背景技术:1、随着云计算、边缘计算和人工智能技术的迅猛发展,全球范...
一种分布式闲置算力池的普惠化封装、定价及按需分配方法

本发明涉及分布式计算资源管理,尤其是涉及一种分布式闲置算力池的普惠化封装、定价及按需分配方法。

背景技术:

1、随着云计算、边缘计算和人工智能技术的迅猛发展,全球范围内存在大量分散、异构且处于闲置状态的计算资源,这些资源包括个人计算机的空闲中央处理器周期、图形处理器的闲置计算能力、数据中心非高峰时段的富余算力以及各类边缘设备的冗余处理能力。如何将这些碎片化的闲置算力进行有效聚合、标准化封装并实现普惠化的按需分配,是当前算力资源管理领域亟待解决的核心问题。

2、现有技术中,算力资源的封装通常采用虚拟机或容器技术进行标准化处理,定价机制多基于固定费率或简单的供需模型,分配策略则依赖于传统的负载均衡或队列调度算法,但存在以下缺陷:缺乏对闲置算力资源动态波动特性的有效建模;定价机制未能充分反映算力资源的时空异质性和任务差异化需求;分配策略与封装、定价环节相互割裂,未能形成协同优化的闭环体系。

技术实现思路

1、本发明提供一种分布式闲置算力池的普惠化封装、定价及按需分配方法,通过构建资源感知层、封装定价层和调度分配层的三层协同架构,实现闲置算力资源的高效聚合、精准定价与智能分配。

2、为实现上述目的,本发明采用了如下技术方案:

3、一种分布式闲置算力池的普惠化封装、定价及按需分配方法,包括:资源探针代理程序采集算力提供节点的多维特征数据并上报至算力资源注册中心;基于所述多维特征数据,采用改进模糊认知图算法进行动态稳定性评估与信誉度建模,得到信誉度分数;基于所述多维特征数据和信誉度分数,进行多层次语义特征提取与标准化封装,生成标准化封装向量并划分封装等级;根据所述标准化封装向量和封装等级,采用遗憾最小化算法与镜像下降算法的协同动态定价机制生成最终定价;基于所述标准化封装向量和最终定价,采用改进多目标萤火虫算法进行算力任务与资源的适配调度,生成最优任务-资源分配方案;执行任务并持续采集实时运行状态数据,进行任务级反馈调整和全局级反馈调整以获取实际执行数据;对执行结果进行验证并根据验证结果结算。

4、综上所述,本发明至少具有以下有益效果:

5、步骤s2的改进模糊认知图算法输出的信誉度分数直接输入步骤s4的差异化定价方案和步骤s5的适配度目标函数,使信誉良好的节点获得价格溢价和调度优先级。步骤s4的动态定价结果直接输入步骤s5的成本适配度目标函数,使调度决策自动平衡性能与成本。步骤s5的调度执行结果通过步骤s6的双层闭环反馈分别更新步骤s2的改进模糊认知图算法权重和步骤s4的需求预测模型参数,使评估和定价模型持续进化。步骤s7的结算记录进一步作为步骤s2和步骤s4的增量训练数据,实现全系统的持续优化演进。这种“评估-定价-调度-反馈-评估”的闭环协同架构,使系统能够在运行过程中不断自我校准,逐步逼近资源供给与需求之间的最优匹配状态。

1.一种分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,包括:

2.根据权利要求1所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述改进模糊认知图算法包含概念节点集合和加权有向边集合,所述概念节点集合包括在线率概念节点、稳定性概念节点、网络质量概念节点、能效概念节点、历史负载概念节点、闲置潜力概念节点和综合稳定度概念节点;所述改进模糊认知图算法通过粒子群优化算法对所述加权有向边集合进行训练优化,经迭代计算得到所述综合稳定度概念节点的输出值作为动态稳定度评估分数,基于所述动态稳定度评估分数和所述历史可用性特征数据构建信誉度模型得到所述信誉度分数。

3.根据权利要求1所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述多层次语义特征提取包括基础算力层特征提取、并行计算层特征提取和异构协同层特征提取,所述基础算力层特征提取以所述计算能力特征数据中的中央处理器的核心数量、各核心的基准主频与动态睿频上限、单精度浮点运算每秒次数和整数运算每秒操作数为输入计算基础算力指标,所述并行计算层特征提取以所述计算能力特征数据中的图形处理器的流处理器数量、张量核心数量、显存容量、显存带宽、单精度浮点运算每秒次数和半精度浮点运算每秒次数为输入计算并行计算指标,所述异构协同层特征提取以所述计算能力特征数据中的现场可编程门阵列或专用集成电路的逻辑单元数量、数字信号处理单元数量和片上存储器容量为输入计算异构协同指标;所述标准化封装向量由所述基础算力指标、所述并行计算指标、所述异构协同指标、存储性能指标、网络性能指标、所述动态稳定度评估分数和所述信誉度分数构成。

4.根据权利要求1所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述协同动态定价机制中,所述遗憾最小化算法根据需求预测模型输出的预测需求量计算初步定价策略,将所述初步定价策略输入所述镜像下降算法,所述镜像下降算法通过镜像映射函数将所述初步定价策略映射到对偶空间中进行约束优化后输出优化定价策略,将所述优化定价策略反馈至所述遗憾最小化算法用于更新累积遗憾值,所述遗憾最小化算法根据更新后的所述累积遗憾值调整学习率和正则化系数,形成闭环协同优化;所述优化定价策略与所述封装等级进行关联映射后生成所述最终定价。

5.根据权利要求1所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述改进多目标萤火虫算法包含萤火虫个体集合、荧光亮度、吸引度和位置更新规则,每个萤火虫个体的位置向量编码一个任务-资源分配方案;所述荧光亮度由计算适配度目标、存储适配度目标、网络适配度目标、成本适配度目标和时间适配度目标的加权和确定;所述改进多目标萤火虫算法引入了自适应步长机制和精英保留策略,所述自适应步长机制中随机扰动系数随迭代次数自适应调整,所述精英保留策略中每次迭代结束后保留荧光亮度最高的部分萤火虫个体直接进入下一代。

6.根据权利要求1所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述任务级反馈调整中,当检测到某算力提供节点的当前中央处理器利用率或当前图形处理器利用率超过预设的第一利用率阈值时触发任务迁移决策,调用所述改进多目标萤火虫算法以待迁移任务和当前可用算力提供节点为输入重新计算最优任务-资源分配方案;所述全局级反馈调整中,每隔全局调整周期汇总该周期内所有已调度任务的实际执行数据,将所述实际执行数据反馈至所述遗憾最小化算法和所述镜像下降算法用于更新需求预测模型,并将所述实际执行数据中的资源实际利用率反馈至所述改进模糊认知图算法用于更新加权有向边集合;所述任务级反馈调整和所述全局级反馈调整之间通过共享数据总线进行信息交互。

7.根据权利要求2所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述信誉度模型的计算公式为所述动态稳定度评估分数与在线率贡献度的加权和,所述在线率贡献度为在线总时长与在线总时长和离线总时长之和的比值,所述动态稳定度评估分数和所述在线率贡献度分别乘以对应的权重系数后相加得到所述信誉度分数。

8.根据权利要求1所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述验证包括双重验证机制,所述双重验证机制包括第一重验证和第二重验证,所述第一重验证由任务提交方提供的验证程序对执行结果进行正确性校验,所述第二重验证由所述算力资源注册中心随机选择的若干个验证节点对执行结果进行独立复核;当所述第一重验证通过且所述第二重验证中至少三分之二的验证节点验证通过时任务标记为验证通过;所述结算包括基础结算金额的确定和基于所述信誉度分数对结算金额进行普惠化调整,得到各算力提供节点的最终结算收益。

9.根据权利要求3所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述存储性能指标以所述存储能力特征数据中的内存总容量、内存读写带宽、持久化存储设备的顺序读取速度、顺序写入速度、随机读取输入输出操作每秒次数和随机写入输入输出操作每秒次数为输入计算得到;所述网络性能指标以所述网络通信特征数据中的最大上行带宽、最大下行带宽、网络延迟和网络抖动为输入计算得到。

10.根据权利要求5所述的分布式闲置算力池的普惠化封装、定价及按需分配方法,其特征在于,所述计算适配度目标由所述标准化封装向量中的计算能力相关分量向量与任务所需计算能力向量的余弦相似度确定;所述存储适配度目标由算力提供节点的可用存储容量与任务所需存储容量的比值确定;所述网络适配度目标由算力提供节点的可用网络带宽与任务所需网络带宽的比值确定;所述成本适配度目标由所述最终定价与任务预算上限的比值确定;所述时间适配度目标由算力提供节点的可用时间窗口与任务截止时间的比值确定。