一种基于云计算与传输网络提升网络利用率的方法与流程

1.本发明涉及通信技术领域，具体为一种基于云计算与传输网络提升网络利用率的方法。


背景技术：

2.客户端计算机通过传输网络将大数据传输到云计算机，云计算机计算大数据，云计算机计算大数据的结果，通过传输网络传输到客户端计算机；减少云计算机的空置率，能够提高云计算机的利用率，减少传输网络的空置率，能够提高传输网络的利用率。
3.传输网络的传输力的大小不清楚，传输网络的传输力的实时使用情况不清楚；云计算机的算力大小不清楚，云计算机的算力大小的实时使用情况不清楚；客户端计算机从传出大数据到获得大数据的结果，等待的时间要最短，单纯提高云计算机的算力利用率，和单纯提高传输网络的传输力的利用率，是很难办到的。


技术实现要素：

4.针对以上问题，本发明的目的在于在处理大数据过程中，优化云计算机的算力和传输网络的传输力的匹配关系，提升云计算机的算力的利用率和传输网络的传输力的利用率，提供一种基于云计算与传输网络提升网络利用率的方法。
5.实现本发明目的的技术解决方案为：一种基于云计算与传输网络提升网络利用率的方法，客户端计算机将大数据通过传输网络传输给云计算机，云计算机计算大数据，并将计算结果通过传输网络传输给客户端计算机，从而提升云计算机的算力网络和传输网络的传输力网络的利用率，所述方法的具体步骤如下：第一步骤, 建立云计算机的算力模型和传输网络的路径模型；第二步骤，模拟云计算机的空间位置分布和算力大小，模拟传输网络的空间位置分布和传输力的大小，采用ai算法动态采集云计算机、传输网络的使用信息；优选地，采用三维坐标定位云计算机的空间位置，并将云计算机的算力大小一一映射到云计算机的空间位置，采用三维坐标定位传输网络的空间位置，并将传输网络的传输力大小一一映射到传输网络的空间位置，模拟云计算机与传输网络的连接结构；第三步骤，采用ai算法动态管理云计算机处理数据的进程和传输网络传输数据的进程；优选地，采用ai算法根据云计算机和传输网络在空间上的分布和在时间轴上的使用信息，一一映射到云计算机的算力模型和传输网络的路径模型；采用ai算法动态获取云计算机的算力使用信息和传输网络的使用信息，动态优化调整ai算法动态获取云计算机的算力使用信息和传输网络的使用信息，并且一一映射到云计算机的算力模型和传输网络的路径模型上；第四步骤，动态匹配云计算机的算力与传输网络的传输力，提升云计算机的算力
与传输网络的传输力的利用率；优选地，客户端计算机将大数据通过传输网络传输给云计算机，云计算机计算大数据，并将计算结果通过传输网络传输给客户端计算机，这一过程所消耗的时间为最小值，云计算机的算力与传输网络的传输力之间的匹配关系达到最佳。
6.与现有技术相比，本发明的有益效果包括：（1）、建立统一的网络时钟，提高测量的时间精度和路径测量精度。
7.（2）、计算机的算力网络和传输网络的传输力网络，与模拟的计算机的算力网络和传输网络的传输力网络模型形成使用数据信息的同步化。
8.（3）、客户端计算机将大数据通过传输网络传输给云计算机，云计算机计算大数据，并将计算结果通过传输网络传输给客户端计算机，这一过程所消耗的时间为最小值，云计算机的算力与传输网络的传输力之间的匹配关系达到最佳。
9.（4）、在处理大数据过程中，优化云计算机的算力和传输网络的传输力的匹配关系，降低空置率，提升云计算机的算力网络和传输网络的传输力网络的利用率。
附图说明
10.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。
11.图1是一种基于云计算与传输网络提升网络利用率的方法的流程示意图；图2是一种基于云计算与传输网络提升网络利用率的方法的传输网络路径结构图；图3是一种基于云计算与传输网络提升网络利用率的方法的传输网络路径的拓展结构图；图4是一种基于云计算与传输网络提升网络利用率的方法的传输网络路径的再次拓展结构图。
具体实施方式
12.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。
13.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。
14.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。
15.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。
16.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。
17.云计算机的算力是运算处理数据的能力，传输网络的传输力是传输数据的能力。
18.下面结合实施例对本发明作进一步详细描述。
19.实施例：如图1至图4所示，本发明提供了一种基于云计算与传输网络提升网络利用率的方法，其中包括以下步骤：步骤一, 建立云计算机的算力模型和传输网络的路径模型；步骤二，模拟云计算机的空间位置分布和算力大小，模拟传输网络的空间位置分布和传输力的大小，采用ai算法动态采集云计算机、传输网络的使用信息；步骤三，采用ai算法动态管理云计算机处理数据的进程和传输网络传输数据的进程；步骤四，动态匹配云计算机的算力与传输网络的传输力，提升云计算机的算力与传输网络的传输力的利用率。
20.其中，步骤一, 包括云计算机的算力模型，对一个单元的云计算机的算力cp，建立的模型如下：cp=∑(ψ
×
θ
×
μ
×
τ)ψ表示某型号cpu或者gpu服务器存数，θ表示cpu或者gpu的核数，μ表示cpu或者gpu的单核主频，τ表示cpu或者gpu单个周期浮点计算值。
21.对一个单元的云计算机的算力cp建立模型，根据算力cp模型，计算出所有云计算机的算力值；动态采集云计算机的算力的使用信息，动态采集云计算机的算力的剩余信息。
22.优选的，步骤一还包括：对传输网络的路径建立模型。
23.采用统一的网络时钟t，采集数据经过交换机、路由器并记录名称r，交换机、路由器之间的距离为s，v表示数据在传输网络中传输的速度；交换机、路由器只是表示传输网路上的识别点，具有等同的效果；用数据经过交换机、路由器，采集经过交换机、路由器的名称信息和时间，将交换机、路由器作为传输网络上的点，f表示函数，建立传输网络的路径模型函数f（r，s），计算出传输网络的拓扑结构，比如，传输网络的拓扑结构是：总线型、环型、星型、网状。测量交换机、路由器之间的距离，采用的距离模型函数为s=f（t，v）。
24.数据依次经过交换机、路由器r1，交换机、路由器r2，交换机、路由器r3，交换机、路由器r4；数据经过交换机、路由器r1的时间是t1，数据经过交换机、路由器r2的时间是t2，数据经过交换机、路由器r3的时间是t3，数据经过交换机、路由器r4的时间是t4；形成网络路径r1→
r2→
r3→
r4，r4→
r3→
r2→
r1；以网络路径r1→
r2→
r3→
r4为例，交换机、路由器r1与交换机、路由器r2之间的距离为s1=（t2‑ꢀ
t1）v，交换机、路由器r2与交换机、路由器r3之间的距离为s2=（t3‑ꢀ
t2）v，交换机、路由器r4与交换机、路由器r3之间的距离为s3=（t4‑ꢀ
t3）v。
25.当数据依次经过交换机、路由器r1，交换机、路由器r5，交换机、路由器r3，交换机、路由器r4，形成网络路径r1→
r5→
r3→
r4，r4→
r3→
r5→
r1，形成新的网络拓扑图（在图2的基础上拓展，形成图3的网络拓扑图），交换机、路由器之间的距离计算采用以上的方法计算。
26.当数据依次经过交换机、路由器r1，交换机、路由器r2，交换机、路由器r6，交换机、路由器r4，形成网络路径r1→
r2→
r6→
r4，r4→
r6→
r2→
r1，形成新的网络拓扑图（在图3的基础上拓展，形成图4的网络拓扑图），交换机、路由器之间的距离计算采用以上的方法计算；
形成新的网络拓扑图，采用以上的方法类推。
27.建立传输网络的路径模型，计算每一条传输网络的路径值，并生成传输网络的网络路径结构。
28.动态采集传输网络的传输力的使用信息，动态采集传输网络的传输力的剩余信息。
29.建立云计算机的算力模型和传输网络的路径模型，这是提升网络算力和传输力的利用率的基础。
30.进一步的，或者，为了更好的实现本发明的目的，步骤二：模拟云计算机的空间位置分布和算力大小，模拟传输网络的空间位置分布和传输力的大小，采用ai算法动态采集云计算机、传输网络的使用信息；优选的，步骤二还包括：以地心为三维坐标系的原点，定位云计算机的空间位置，建立虚拟的三维坐标系，以地心为原点的三维坐标系与虚拟的三维坐标系建立一一映射的关系，将云计算机的算力模型和传输网络的路径模型加载到虚拟的三维坐标系内。
31.云计算机在以地心为原点的三维坐标系的坐标，一一映射到云计算机的算力模型在虚拟的三维坐标系的坐标；传输网络在以地心为原点的三维坐标系的路径，一一映射到传输网络的路径模型在虚拟的三维坐标系的路径。
32.将云计算机的算力大小一一映射到云计算机的算力模型上，将传输网络的传输力大小一一映射到传输网络的路径模型上。
33.云计算机和传输网络的连接关系，与云计算机的算力模型和传输网络的路径模型的连接关系一一映射。
34.ai算法将动态采集云计算机的使用信息一一映射到云计算机的算力模型，ai算法将动态采集传输网络使用信息一一映射到传输网络的路径模型。
35.以地心为三维坐标系的原点，定位云计算机的空间位置，建立虚拟的三维坐标系，以地心为原点的三维坐标系与虚拟的三维坐标系建立一一映射的关系，将云计算机的算力模型和传输网络的路径模型加载到虚拟的三维坐标系内；建立两个坐标系的映射关系；云计算机在以地心为原点的三维坐标系的坐标，一一映射到云计算机的算力模型在虚拟的三维坐标系的坐标；传输网络在以地心为原点的三维坐标系的路径，一一映射到传输网络的路径模型在虚拟的三维坐标系的路径；云计算机与云计算机的算力模型建立一一映射关系，传输网络与传输网络的路径模型建立一一映射关系；将云计算机的算力大小一一映射到云计算机的算力模型上，对云计算机的算力模型进行赋值；将传输网络的传输力大小一一映射到传输网络的路径模型上，对传输网络的路径模型进行赋值。
36.进一步的，或者，为了更好的实现本发明的目的，步骤三：采用ai算法动态管理云计算机处理数据的进程和传输网络传输数据的进程。
37.优选的，步骤三还包括：采用ai算法根据云计算机和传输网络在空间上的分布和在时间轴上的使用信息，一一映射到云计算机的算力模型和传输网络的路径模型；采用ai算法动态获取云计算机的算力使用信息和传输网络的使用信息，动态优化调整ai算法动态获取云计算机的算力使用信息和传输网络的使用信息，并且一一映射到云计算机的算力模型和传输网络的路径模型上。
38.采用ai算法动态管理云计算机处理数据的进程和传输网络传输数据的进程，实现
动态优化云计算机处理数据的进程和传输网络传输数据的进程，提升云计算机的算力网络和传输网络的传输力网络的利用率。
39.进一步的，或者，为了更好的实现本发明的目的，步骤四：动态匹配云计算机的算力与传输网络的传输力，提升云计算机的算力与传输网络的传输力的利用率；优选的，步骤四还包括：客户端计算机将大数据通过传输网络传输给云计算机，云计算机计算大数据，并将计算结果通过传输网络传输给客户端计算机，这一过程所消耗的时间为最小值，云计算机的算力与传输网络的传输力之间的匹配关系达到最佳。
40.客户端计算机将大数据通过传输网络传输给云计算机，云计算机计算大数据，并将计算结果通过传输网络传输给客户端计算机，这一过程所消耗的时间为最小值，云计算机的算力与传输网络的传输力之间的匹配关系达到最佳。
41.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。