基于AI的实时云渲染中环境资源动态加载方法与流程

基于ai的实时云渲染中环境资源动态加载方法
技术领域
1.本发明属于云渲染领域，具体为基于ai的实时云渲染中环境资源动态加载方法。


背景技术：

2.在万物上云时代，互联网服务提供商（isp）与云服务提供商（csp）趋向融合，随着云网融合的不断深入应用，多云互联成为主要发展趋势。在多云环境下，各种云服务提供商（csp）的集成服务可实现服务资源的动态调整、计算资源的合理分配以及定制化的业务互通，具有动态性和弹性的特性，为用户带来弹性、自动化、智能化的多云服务。
3.其中，实时云渲染是一种依托于云计算的实时云端服务。在多云环境下，平台底层无缝对接多家公有云服务商，可实现计算、网络、存储等环境资源的灵活调度，为用户提供高性能计算解决方案。而面向跨云跨领域的复杂业务场景，渲染需求不尽相同，需要的环境资源也各自不同，如何实现环境资源的精准投放，满足业务需求是我们急需解决的问题。
4.因此，我们提出一种基于ai的实时云渲染中环境资源动态加载方法，采用ai技术将资源本体转换为知识模型，进而形成应用规则，可随着应用场景变化而变化，以实现资源的动态加载。


技术实现要素：

5.本发明的目的就在于为了解决上述问题而提供基于ai的实时云渲染中环境资源动态加载方法，解决了背景技术中提到的问题。
6.为了解决上述问题，本发明提供了一种技术方案：基于ai的实时云渲染中环境资源动态加载方法，包括以下步骤：s1、用环境资源为知识本体构建开放云渲染知识体系，并采用开放式学习迭代生成领域知识和应用规则；s2、在环境资源的领域知识学习上，根据环境资源的随机性特点，采用改进马尔可夫逻辑网络的动作模型构建方法；s3、在精准地把握环境实际情况上，采用改进支持向量机；s4、在动态高效投放环境资源上，采用动态加权多准则决策。
7.作为优选，所述s1中知识本体分为核心本体、高层本体和领域本体，其中核心本体由若干个高层本体支撑，高层本体由若干个领域本体支撑，领域本体里面有若干个领域知识。
8.作为优选，所述s1中环境资源的核心本体为iaas资源和paas资源；环境资源的高层本体包括计算资源、存储资源、网络资源和安全资源、操作系统、软件平台、中间件和数据库资源；环境资源的领域本体包括cpu/gpu资源、内存资源、硬盘资源、nas/sfs资源、网关资源、防火墙资源等、认证系统、消息队列、用户数据、系统数据等资源。
9.作为优选，所述s1中开放式学习结构，即将领域知识与其他知识进行对比，进而使
领域知识进行优化和迭代。
10.作为优选，所述改进马尔可夫逻辑网络的动作模型构建方法包括以下步骤：a1、将环境分为一个个独立环境的有机组合；a2、将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；a3、将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；a4、在a3的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识。
11.作为优选，所述s3中改进支持向量机包括以下步骤：b1、将环境分为一个个独立环境的有机组合；b2、将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；b3、将独立环境情况和相互配合情况均作为可用支持向量机；b4、在b3的基础上，围绕具体渲染作业形成资源组合，进一步进行优化。
12.作为优选，所述动态加权多准则决策包括以下步骤：c1、将环境分为一个个独立环境的有机组合；c2、将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；c3、在各自资源的投放中加权多准则决策；c4、围绕具体渲染作业的进程和资源具体情况，权重会动态调整。
13.作为优选，所述独立环境采用超平面找到局部最优，如存储资源，其排序方式为：远端存储、冷存热存、小字节存储等，然后再选择组合最优。
14.本发明的有益效果是：基于ai的实时云渲染中环境资源动态加载方法，采用本体构建开放云渲染知识体系，迭代生成领域知识和应用规则，以环境为重点，在领域知识持续学习上采用改进马尔可夫逻辑网络，在精准地把握环境实际情况上，采用改进支持向量机，在动态高效投放环境资源上，采用动态加权多准则决策，可实现资源向业务智能汇聚，最终实现资源的自动推送。
附图说明
15.为了易于说明，本发明由下述的具体实施及附图作以详细描述。
16.图1是本发明paas资源系统拓扑示意图；图2是本发明iaas资源系统拓扑示意图；图3是本发明开放式学习流程示意图；图4是本发明超平面查找局部最优的示意图。
具体实施方式
17.如图1-4所示，本具体实施方式采用以下技术方案：实施例1：基于ai的实时云渲染中环境资源动态加载方法，包括以下步骤：
s1、用环境资源为知识本体构建开放云渲染知识体系，并采用开放式学习迭代生成领域知识和应用规则；s2、在环境资源的领域知识学习上，根据环境资源的随机性特点，采用改进马尔可夫逻辑网络的动作模型构建方法；s3、在精准地把握环境实际情况上，采用改进支持向量机；s4、在动态高效投放环境资源上，采用动态加权多准则决策；采用本体构建开放云渲染知识体系，迭代生成领域知识和应用规则，以环境为重点，在领域知识持续学习上采用改进马尔可夫逻辑网络，在精准地把握环境实际情况上，采用改进支持向量机，在动态高效投放环境资源上，采用动态加权多准则决策，可实现资源向业务智能汇聚，最终实现资源的自动推送。
18.其中，所述s1中知识本体分为核心本体、高层本体和领域本体，其中核心本体由若干个高层本体支撑，高层本体由若干个领域本体支撑，领域本体里面有若干个领域知识。
19.其中，所述s1中环境资源的核心本体为iaas资源和paas资源；环境资源的高层本体包括计算资源、存储资源、网络资源和安全资源、操作系统、软件平台、中间件和数据库资源；环境资源的领域本体包括cpu/gpu资源、内存资源、硬盘资源、nas/sfs资源、网关资源、防火墙资源等、认证系统、消息队列、用户数据、系统数据等资源。
20.其中，所述s1中开放式学习结构，即将领域知识与其他知识进行对比，进而使领域知识进行优化和迭代。
21.其中，所述改进马尔可夫逻辑网络的动作模型构建方法包括以下步骤：a1、将环境分为一个个独立环境的有机组合；a2、将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；a3、将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；a4、在a3的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识。
22.其中，所述s3中改进支持向量机包括以下步骤：b1、将环境分为一个个独立环境的有机组合；b2、将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；b3、将独立环境情况和相互配合情况均作为可用支持向量机；b4、在b3的基础上，围绕具体渲染作业形成资源组合，进一步进行优化。
23.其中，所述动态加权多准则决策包括以下步骤：c1、将环境分为一个个独立环境的有机组合；c2、将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；c3、在各自资源的投放中加权多准则决策；c4、围绕具体渲染作业的进程和资源具体情况，权重会动态调整。
24.其中，所述独立环境采用超平面找到局部最优，如存储资源，其排序方式为：远端
存储、冷存热存、小字节存储等，然后再选择组合最优。
25.实施例2：以环境资源的核心本体、高层本体和领域本体构建开放云渲染知识体系，并将领域知识与其他知识进行对比，其对比流程为：先输入样本集，并对样本集进行测试，随后将测试的样本集发送至分类器中，将分类器中的数据发送至知识本体中，通过学习整合将训练集与知识本题中的数据进行整合并发送给分类器，随后输入其他知识，在开放法学系结构的作用下进行对比，从而使领域知识进行优化和迭代，采用超平面找到局部最优，优选顺序为远端存储、冷存热存、小字节存储等，然后再选择组合最优，将环境分为一个个独立环境的有机组合；将环境围绕具体渲染作业进行资源投放，并视为环境的独立动作与相互动作的组合；将独立动作和相互动作作为构建相应的马尔可夫逻辑网络，并形成相应的一阶逻辑；在一阶逻辑的基础上，围绕具体渲染作业形成资源组合，进一步进行相应马尔可夫逻辑网络构建，形成相应的泛一阶逻辑，产生相关增量知识；将环境分为一个个独立环境的有机组合；将环境围绕具体渲染作业进行资源投放，并视为独立环境的相互配合；将独立环境情况和相互配合情况均作为可用支持向量机；在向量机的基础上，围绕具体渲染作业形成资源组合，进一步进行优化；将环境分为一个个独立环境的有机组合；将环境围绕具体渲染作业进行资源投放，并视为独立环境资源投放和配合资源投放；在各自资源的投放中加权多准则决策；围绕具体渲染作业的进程和资源具体情况，权重会动态调整，即根据渲染作业历史情况进行预判，如实时传输、算力要求大，然后实际反馈，动态调整资源加权情况。
26.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。