[go: up one dir, main page]

CN116566831A - 一种基于云计算的移动网络资源管理方法及系统 - Google Patents

一种基于云计算的移动网络资源管理方法及系统 Download PDF

Info

Publication number
CN116566831A
CN116566831A CN202310633356.8A CN202310633356A CN116566831A CN 116566831 A CN116566831 A CN 116566831A CN 202310633356 A CN202310633356 A CN 202310633356A CN 116566831 A CN116566831 A CN 116566831A
Authority
CN
China
Prior art keywords
data
resource
network
network resource
dynamic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202310633356.8A
Other languages
English (en)
Inventor
李卓君
范子豪
袁唯凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202310633356.8A priority Critical patent/CN116566831A/zh
Publication of CN116566831A publication Critical patent/CN116566831A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0895—Configuration of virtualised networks or elements, e.g. virtualised network function or OpenFlow elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H04L41/122—Discovery or management of network topologies of virtualised topologies, e.g. software-defined networks [SDN] or network function virtualisation [NFV]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及网络资源智能管理技术领域，尤其涉及一种基于云计算的移动网络资源管理方法及系统。所述方法包括以下步骤：获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据；对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，其中动态网络资源数据包括网络传输带宽、网络数据流量、网络IP地址，静态网络资源数据包括图片文件、视频文件以及音频文件；基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据；本发明通过对移动网络资源进行分类智能管理，以实现基于云计算的移动网络资源管理方法。

Description

一种基于云计算的移动网络资源管理方法及系统
技术领域
本发明涉及网络资源智能管理技术领域，尤其涉及一种基于云计算的移动网络资源管理方法及系统。
背景技术
云计算在移动网络资源管理中扮演着重要的角色，随着移动设备的普及和移动应用的增长，用户对于随时随地访问云服务的需求日益增加。云计算提供了高度可扩展的计算和存储资源，使移动设备能够通过云服务获取强大的计算能力和存储容量，其次，云计算提供了强大的网络基础设施，如云数据中心和内容分发网络(CDN)，为移动设备提供了稳定、可靠的网络连接和高速数据传输。通过将移动网络与云网络进行整合，移动设备可以快速访问云服务，实现远程数据存储和计算。然而，目前在移动网络资源管理中仍存在一些挑战和缺陷，面对大量的移动网络资源无法通过具体区分进行资源调度从而造成资源管理的损耗和不精确以及由于移动网络资源管理涉及多个参与者从而导致网络管理不协调，缺乏建立相应的管理机制。
发明内容
基于此，有必要提供一种基于云计算的移动网络资源管理方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于云计算的移动网络资源管理方法，所述方法包括以下步骤：
步骤S1：获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据；
步骤S2：对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，其中动态网络资源数据包括网络传输带宽、网络数据流量、网络IP地址，静态网络资源数据包括图片文件、视频文件以及音频文件；
步骤S3：基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据；根据用户提交的时间对动态优先级数据进行时间日志扫描，从而得到动态网络时延数据；
步骤S4：通过动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；根据资源繁忙数据对动态网络资源数据进行资源分配处理，若资源分配正常，则生成正常资源分配数据，若资源分配不正常，则生成异常资源分配数据；
步骤S5：基于网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件构建网络资源预模型，利用正常资源分配数据对网络资源预模型进行历史资源训练处理，从而生成网络资源调度模型；
步骤S6：利用网络资源调度模型对动态网络资源数据和静态网络资源数据进行资源调度处理，生成动态资源调度数据和静态资源调度数据；根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；将动态资源调度数据和资源响应数据进行数据整合处理，生成移动网络资源管理数据库。
本发明通过获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据，通过虚拟化，可以将移动网络资源信息进行抽象和整合，可以更灵活地管理和调度资源，实现资源的动态分配和优化，提高资源利用率和灵活性，为进一步优化资源分配和提升网络性能提供了更多的可能性；对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，可以实现对网络资源的合理分配和调度，数据的规划和管理有助于优化网络资源的利用率，提升网络性能和用户体验。动态网络资源数据可以实时适应网络状况和用户需求，静态网络资源数据则提供了对媒体资源的有效存储和传输，通过合理规划和管理这些数据，可以实现高效的网络资源调度和管理，提高移动网络的效率和可靠性；基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据，可以确保重要任务和紧急任务优先得到网络资源的分配和处理。这有助于提高任务的响应速度和处理效率，保证关键任务的及时完成，根据用户提交的时间对动态优先级数据进行时间日志扫描，以便分析任务的执行情况和时延，可以及时发现问题并进行优化，从而提升移动网络的性能和用户体验；通过资源繁忙度计算和资源分配处理，可以提供对动态网络资源的有效管理和调度，以优化网络资源的利用和提升系统性能，实现对网络资源的动态管理和优化，有助于提高网络的性能和资源利用效率，确保任务的及时完成和用户的满意度；基于网络资源预模型和历史资源训练处理生成的网络资源调度模型，能够通过智能化的方法对网络资源进行优化和管理，提高资源利用效率、降低时延，并提供更好的服务质量和用户体验；通过生成移动网络资源管理数据库，可以实现对网络资源的集中管理和综合分析，从而优化资源的利用和提升系统的性能。这有助于提高网络的可靠性、服务质量和用户体验，实现更高效的移动网络资源管理。因此，本发明的一种基于云计算的移动网络资源管理方法利用云计算对移动网络资源进行区分，以实现移动网络资源的细致辨别与智能调度，提升移动网络资源管理的高效性和准确性。
优选地，步骤S1包括以下步骤：
步骤S11：基于云平台获取移动网络资源信息；
步骤S12：对移动网络资源信息进行数据清洗处理，得到网络资源清洗数据；通过迭代对称集成法对网络资源清洗数据进行数据集成处理，生成网络资源集成数据；对网络资源集成数据进行数据标准化处理，从而得到标准网络资源数据；
步骤S13：根据移动网络特性和需求设计构建资源虚拟化模型，生成网络资源虚拟机；基于资源网络虚拟机利用负载均衡技术对标准网络资源数据进行虚拟资源映射分配处理，从而生成网络资源映射数据集；
步骤S14：根据网络资源虚拟机的配置信息、网络拓扑结构对网络资源映射数据集进行Lasso正则化处理，生成虚拟网络资源数据。
本发明通过获取移动网络资源信息，对获取的移动网络资源信息进行数据清洗处理，去除重复、错误或不完整的数据，得到网络资源清洗数据，采用迭代对称集成法将多个数据源的网络资源清洗数据进行整合，生成网络资源集成数据，可以消除数据源之间的不一致性，提高数据的准确性和一致性，对网络资源集成数据进行数据标准化处理，使得数据符合一定的标准和规范，得到标准网络资源数据；根据移动网络的特性和需求，设计和构建资源虚拟化模型，资源虚拟化模型可以将实际的网络资源抽象为虚拟的资源实体，提供更灵活、可扩展的资源管理方式，利用负载均衡技术对标准网络资源数据进行虚拟资源映射分配处理，可以提高资源的利用效率、降低资源的浪费；根据网络资源虚拟机的配置信息和网络拓扑结构，对网络资源映射数据集进行Lasso正则化处理，可以通过稀疏化网络资源映射数据，将无关或冗余的映射关系剔除，从而生成更精简的虚拟网络资源数据，可以为移动网络资源管理提供更准确、可靠的数据支持。
优选地，步骤S2包括以下步骤：
步骤S21：对虚拟网络资源数据进行数据源监控处理，生成虚拟网络监控数据；
步骤S22：根据朴素贝叶斯算法对虚拟网络监控数据进行数据类型甄别处理，剔除半静态数据，生成虚拟网络全类型数据；
步骤S23：基于预设的时间计时器对虚拟网络全类型数据按照一定时间间隔内的频率更新检测，若虚拟网络全类型数据进行了更新，则将虚拟网络全类型数据中更新的数据标记为动态网络资源数据，其余没有更新的数据标记为静态网络资源数据。
本发明通过对虚拟网络资源数据进行数据源监控处理，生成虚拟网络监控数据，可以监控虚拟网络资源的状态和性能指标，帮助我们实时了解虚拟网络的运行情况；根据朴素贝叶斯算法对虚拟网络监控数据进行数据类型甄别处理，剔除半静态数据，生成虚拟网络全类型数据，将具有不同类型的数据进行标记，以便后续处理；基于预设的时间计时器对虚拟网络全类型数据按照一定时间间隔内的频率更新检测。如果虚拟网络全类型数据在设定的时间间隔内进行了更新，我们将更新的数据标记为动态网络资源数据，表示其具有变化的特性。而没有更新的数据则被标记为静态网络资源数据，表示其保持不变，可以帮助我们识别虚拟网络中的动态变化，以便更好地进行资源调度和管理，提高网络的性能和资源利用效率，有助于针对不同类型的资源进行不同的管理策略，进一步优化网络资源的利用。
优选地，步骤S3包括以下步骤：
步骤S31：基于先到先服务策略对动态网络资源数据进行任务优先级标记处理，生成动态网络标记数据；
步骤S32：对动态网络标记数据按照预设的时间戳进行排序，生成动态时间戳数据；
步骤S33：根据PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，从而生成动态优先级数据；
步骤S34：通过获取用户提交网络资源数据的时间，对网络资源数据的日志文件进行时间扫描提取处理，生成用户时间日志；
步骤S35：对用户时间日志进行时间信息解析处理，得到任务开始时间和任务结束时间；对任务开始时间和任务结束时间进行任务执行时延计算处理，得到动态网络时延数据。
本发明通过基于先到先服务策略对动态网络资源数据进行任务优先级标记处理，生成动态网络标记数据，根据任务的到达顺序，为动态网络资源数据分配不同的优先级标记，以确保任务按照到达的顺序进行处理；对动态网络标记数据按照预设的时间戳进行排序，生成动态时间戳数据，可以确保后续的处理能够按照时间的顺序进行；根据PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，从而生成动态优先级数据，可以根据不同任务的优先级因素进行计算，以确定任务的优先级顺序；通过获取用户提交网络资源数据的时间，对网络资源数据的日志文件进行时间扫描提取处理，生成用户时间日志，以便后续的时间信息解析和时延计算；对用户时间日志进行时间信息解析处理，得到任务开始时间和任务结束时间，对任务开始时间和任务结束时间进行任务执行时延计算处理，得到动态网络时延数据，有助于资源调度和性能优化，为后续的资源繁忙度计算和资源分配提供了重要的信息基础。
优选地，步骤S4包括以下步骤：
步骤S41：利用动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；
步骤S42：根据资源繁忙数据对动态网络资源数据进行资源分配处理，生成动态网络资源分配数据；
步骤S43：基于预设的资源利用率阈值范围对动态网络资源分配数据进行资源利用率检测处理，处于阈值范围内的动态网络资源分配数据标记为正常资源分配数据，不处于阈值范围内的动态网络资源分配数据标记为异常资源分配数据；
步骤S44：对异常资源分配数据进行异常行为检测处理，若异常资源分配数据结果检测为任务分配受阻时，则对异常资源分配数据进行资源抢占处理，直至重新生成为正常资源分配数据。
本发明通过利用动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据，可以帮助我们判断资源的利用程度和是否出现资源拥塞，提高资源利用率；根据资源繁忙数据对动态网络资源数据进行资源分配处理，生成动态网络资源分配数据，有利于对动态网络资源数据进行合理分配，优化资源的利用和满足不同任务的需求；基于预设的资源利用率阈值范围对动态网络资源分配数据进行资源利用率检测处理，处于阈值范围内的动态网络资源分配数据标记为正常资源分配数据，不处于阈值范围内的动态网络资源分配数据标记为异常资源分配数据，可以避免网络资源的过度配置和低效利用，提高网络资源利用率，同时节省成本；对异常资源分配数据进行异常行为检测处理，若异常资源分配数据结果检测为任务分配受阻时，则对异常资源分配数据进行资源抢占处理，直至重新生成为正常资源分配数据，可以实现对网络资源的有效管理和调度，提高资源利用率、避免资源拥塞以及保障任务的正常执行，降低网络故障率，提高网络稳定性。
优选地，步骤S41中的动态资源繁忙检测公式具体如下：
式中，B(t)表示为在时间t时刻的资源繁忙程度，即动态资源繁忙指数，Ri(t)表示为第i个动态资源在时间t时刻的使用情况，Sj(t)表示为第j个动态资源服务在时间t时刻的运行效率，W(u)表示为在时间u时刻的工作负载，Wmax表示为动态资源工作负载的最大值，表示为对时间t的导数运算，即对时间的变化率进行求解，n表示为动态资源的总数，m表示为动态资源服务的总数，μ表示为动态资源繁忙程度异常修正值。
本发明构建了一种动态资源繁忙检测公式，该公式充分考虑了第i个动态资源在时间t时刻的使用情况Ri(t)、第j个动态资源服务在时间t时刻的运行效率Sj(t)、在时间u时刻的工作负载W(u)、动态资源工作负载的最大值Wmax、对时间t的变化率进行求解动态资源的总数n、动态资源服务的总数m、动态资源繁忙程度异常修正值μ，根据动态资源工作负载的最大值与对时间的变化率进行求解以及函数之间的相互作用，以形成函数关系：
通过第i个动态资源在时间t时刻的使用情况以及在时间u时刻的工作负载的相互作用关系，保证区域数据精确的情况下进行动态资源工作负载计算，生成动态资源工作负载的最大值和第j个动态资源服务在时间t时刻的运行效率，并利用对时间的变化率，保证数据准确的情况下减少数据冗余，节约了算力，使计算达到快速收敛，通过动态资源繁忙程度异常修正值μ对动态资源繁忙度检测进行调整，更加准确的生成在时间t时刻的资源繁忙程度B(t)，提高了动态资源繁忙检测的准确性和可靠性。同时该公式中的动态资源的总数、动态资源服务的总数、第i个动态资源在时间t时刻的使用情况等参数可以根据实际情况进行调整，从而适应不同的动态资源检测场景，提高了算法的适用性和灵活性。
优选地，步骤S5包括以下步骤：
步骤S51：对网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件进行数据整合处理，得到网络资源整合数据；
步骤S52：对网络资源整合数据进行数据预处理，生成标准网络资源数据；对标准网络资源数据进行数据特征提取处理，生成网络资源特征数据；
步骤S53：利用卷积神经网络模型对网络资源特征数据进行模型设计，从而得到网络资源预模型；
步骤S54：对正常资源分配数据进行历史数据收集处理，得到历史资源分配数据；基于监督学习方法使用历史资源分配数据对网络资源预模型进行历史资源数据训练处理，生成网络资源调度初期模型；
步骤S55：根据交叉验证法对网络资源调度初期模型进行模型迭代优化处理，从而生成网络资源调度模型。
本发明通过对网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件进行数据整合处理，得到网络资源整合数据，可以将大量数据整合成一个统一的数据集，提高数据的简洁性，减少数据的冗杂程度；对网络资源整合数据进行数据预处理，生成标准网络资源数据，对标准网络资源数据进行数据特征提取处理，生成网络资源特征数据，可以消除数据中的噪声和冗余信息，从而提高数据质量和可用性，特征提取能够从大量的数据中提取出最重要的信息，减少数据冗余，提高数据利用效率；利用卷积神经网络模型对网络资源特征数据进行模型设计，从而得到网络资源预模型，对正常资源分配数据进行历史数据收集处理，得到历史资源分配数据；基于监督学习方法使用历史资源分配数据对网络资源预模型进行历史资源数据训练处理，可以提高资源调度效率和精度，降低资源浪费和成本；根据交叉验证法对网络资源调度初期模型进行模型迭代优化处理，从而生成网络资源调度模型，可以提高模型的准确性和泛化能力，减少模型的误差和风险。
优选地，步骤S6包括以下步骤：
步骤S61：根据网络资源调度模型内的实时资源使用情况和调度策略对动态网络资源数据进行调度处理，生成虚拟网络请求调度资源；根据资源调度策略对虚拟网络请求调度资源进行调度结果计算，得到网络资源调度结果数据集；对网络资源调度结果数据集进行时间点记录处理，从而生成动态资源调度数据；
步骤S62：基于网络资源调度模型内的虚拟网络拓扑结构和资源约束对静态网络资源数据进行离线资源调度仿真处理，生成静态离线资源调度数据；根据预定义的任务对静态离线资源调度数据进行调度资源记录处理，从而生成静态资源调度数据；
步骤S63：根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；
步骤S64：对动态资源调度数据和资源响应数据进行数据归一化处理，生成动态资源归一化数据和资源响应归一化数据；利用线性回归算法对动态资源归一化数据和资源响应归一化数据进行数据类型合并处理，生成资源管理数据集；
步骤S65：通过Oracle关系型数据库对资源管理数据集进行数据存储处理，得到移动网络资源管理数据库。
本发明通过根据网络资源调度模型内的实时资源使用情况和调度策略对动态网络资源数据进行调度处理，生成虚拟网络请求调度资源，可以对资源进行动态分配和调度，从而避免了资源浪费和资源过载等问题，提高了资源利用率和系统的性能，根据资源调度策略对虚拟网络请求调度资源进行调度结果计算，得到网络资源调度结果数据集，对网络资源调度结果数据集进行时间点记录处理，从而生成动态资源调度数据，可以对系统的资源调度情况进行分析和评估，为系统的优化和调整提供数据支持和参考；基于网络资源调度模型内的虚拟网络拓扑结构和资源约束对静态网络资源数据进行离线资源调度仿真处理，生成静态离线资源调度数据，可以减少资源浪费和过载，提高系统的稳定性和可靠性，根据预定义的任务对静态离线资源调度数据进行调度资源记录处理，从而生成静态资源调度数据，可以记录不同任务的资源调度情况，从而对系统的资源调度效果进行评估和分析，为系统能优化和资源管理提供指导；根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据，可以确定最优的静态资源调度策略，提高系统的性能和资源利用率；对动态资源调度数据和资源响应数据进行数据归一化处理，生成动态资源归一化数据和资源响应归一化数据，利用线性回归算法对动态资源归一化数据和资源响应归一化数据进行数据类型合并处理，生成资源管理数据集，可以提高数据的可行性，优化系统的数据管理和处理效率，为系统的智能化管理和决策提供支持和基础；通过Oracle关系型数据库对资源管理数据集进行数据存储处理，得到移动网络资源管理数据库，可以实现数据的高效存储和快速查询，提高系统的数据管理和处理效率，可以实现资源的自动化调度和管理。
优选地，步骤S63中的资源响应判别公式具体如下：
式中，C表示为静态网络资源的响应判别值，z表示为代表一个趋向无穷大的变量，f表示为静态网络资源并发连接数，gi表示为第i个静态网络资源中硬盘写入和读取数据的速率，ei表示为第i个静态网络资源请求服务器的处理速度，b表示为静态网络资源相关的指标，x表示为用户访问静态网络资源的访问频率，n表示为静态网络资源数目，ε表示为静态网络资源响应判别异常调整值。
本发明构建了一种资源响应判别公式，该公式充分考虑了趋向无穷大的变量z、静态网络资源并发连接数f、第i个静态网络资源中硬盘写入和读取数据的速率gi、第i个静态网络资源请求服务器的处理速度ei、静态网络资源相关的指标b、用户访问静态网络资源的访问频率x、静态网络资源数目q、静态网络资源响应判别异常调整值ε，根据静态网络资源并发连接数与静态网络资源相关的指标以及函数之间的相互作用，以形成函数关系：
通过静态网络资源并发连接数以及第i个静态网络资源请求服务器的处理速度的相互作用关系，保证区域数据精确的情况下进行静态资源响应判别，生成用户访问静态网络资源的访问频率，并利用第i个静态网络资源中硬盘写入和读取数据的速率，保证数据准确的情况下减少数据冗余，节约了算力，使计算达到快速收敛，通过静态网络资源响应判别异常调整值ε对静态网络资源响应速度进行调整，更加准确的生成静态网络资源的响应判别值C，提高了静态网络资源响应判别的准确性和可靠性。同时该公式中的静态网络资源并发连接数、静态网络资源数目等参数可以根据实际情况进行调整，从而适应不同的静态网络资源判别场景，提高了算法的适用性和灵活性。
在本说明书中，提供一种基于云计算的移动网络资源管理系统，包括，
至少一个处理器；
与所述至少一个处理器通信连接的存储器；
所述存储器内存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的基于云计算的移动网络资源管理方法。
本发明通过获取移动网络资源信息并进行数据资源虚拟化处理，可以有效管理和利用移动网络资源，提高资源的灵活性和可扩展性，通过对虚拟网络资源数据进行网络资源规划处理，可以根据实际需求生成动态和静态网络资源数据，从而满足不同类型资源的管理和调度要求，通过任务优先级排序和时间日志扫描，可以对动态网络资源进行有效的调度和时延计算，提高任务执行效率和用户体验，通过资源繁忙度计算和资源分配处理，可以优化动态网络资源的利用和分配，确保资源分配的正常性，提高网络性能和资源利用效率，通过构建网络资源预模型并进行历史资源训练，可以生成网络资源调度模型，提供准确的资源调度策略，以优化资源分配和提高网络性能，通过网络资源调度模型对动态和静态网络资源数据进行资源调度处理，并根据静态网络资源响应判别公式计算资源响应度，可以生成动态资源调度数据、静态资源调度数据和资源响应数据。整合这些数据可以建立移动网络资源管理数据库，提供全面的资源管理和调度支持，以实现高效的移动网络资源管理和优化。因此，本发明的一种基于云计算的移动网络资源管理方法利用云计算对移动网络资源进行区分，以实现移动网络资源的细致辨别与智能调度，提升移动网络资源管理的高效性和准确性。
附图说明
图1为一种基于云计算的移动网络资源管理方法的步骤流程示意图；
图2为图1中步骤S1的详细实施步骤流程示意图；
图3为图1中步骤S2的详细实施步骤流程示意图；
图4为图1中步骤S3的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、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。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种基于云计算的移动网络资源管理方法，所述方法包括以下步骤：
步骤S1：获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据；
步骤S2：对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，其中动态网络资源数据包括网络传输带宽、网络数据流量、网络IP地址，静态网络资源数据包括图片文件、视频文件以及音频文件；
步骤S3：基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据；根据用户提交的时间对动态优先级数据进行时间日志扫描，从而得到动态网络时延数据；
步骤S4：通过动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；根据资源繁忙数据对动态网络资源数据进行资源分配处理，若资源分配正常，则生成正常资源分配数据，若资源分配不正常，则生成异常资源分配数据；
步骤S5：基于网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件构建网络资源预模型，利用正常资源分配数据对网络资源预模型进行历史资源训练处理，从而生成网络资源调度模型；
步骤S6：利用网络资源调度模型对动态网络资源数据和静态网络资源数据进行资源调度处理，生成动态资源调度数据和静态资源调度数据；根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；将动态资源调度数据和资源响应数据进行数据整合处理，生成移动网络资源管理数据库。
本发明通过获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据，通过虚拟化，可以将移动网络资源信息进行抽象和整合，可以更灵活地管理和调度资源，实现资源的动态分配和优化，提高资源利用率和灵活性，为进一步优化资源分配和提升网络性能提供了更多的可能性；对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，可以实现对网络资源的合理分配和调度，数据的规划和管理有助于优化网络资源的利用率，提升网络性能和用户体验。动态网络资源数据可以实时适应网络状况和用户需求，静态网络资源数据则提供了对媒体资源的有效存储和传输，通过合理规划和管理这些数据，可以实现高效的网络资源调度和管理，提高移动网络的效率和可靠性；基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据，可以确保重要任务和紧急任务优先得到网络资源的分配和处理。这有助于提高任务的响应速度和处理效率，保证关键任务的及时完成，根据用户提交的时间对动态优先级数据进行时间日志扫描，以便分析任务的执行情况和时延，可以及时发现问题并进行优化，从而提升移动网络的性能和用户体验；通过资源繁忙度计算和资源分配处理，可以提供对动态网络资源的有效管理和调度，以优化网络资源的利用和提升系统性能，实现对网络资源的动态管理和优化，有助于提高网络的性能和资源利用效率，确保任务的及时完成和用户的满意度；基于网络资源预模型和历史资源训练处理生成的网络资源调度模型，能够通过智能化的方法对网络资源进行优化和管理，提高资源利用效率、降低时延，并提供更好的服务质量和用户体验；通过生成移动网络资源管理数据库，可以实现对网络资源的集中管理和综合分析，从而优化资源的利用和提升系统的性能。这有助于提高网络的可靠性、服务质量和用户体验，实现更高效的移动网络资源管理。因此，本发明的一种基于云计算的移动网络资源管理方法利用云计算对移动网络资源进行区分，以实现移动网络资源的细致辨别与智能调度，提升移动网络资源管理的高效性和准确性。
本发明实施例中，参考图1所述，为本发明一种基于云计算的移动网络资源管理方法的步骤流程示意图，在本实例中，所述一种基于云计算的移动网络资源管理方法包括以下步骤：
步骤S1：获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据；
本发明实施例中，通过与移动网络提供商或相关网络设备进行通信，获取移动网络的资源信息，这些资源信息可以包括网络带宽、数据流量、IP地址等，基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据，其中数据资源虚拟化处理子步骤包括：
根据移动网络资源信息和需求，设计虚拟网络的拓扑结构和组件，这可以包括虚拟路由器、虚拟交换机、虚拟防火墙等；
使用云计算平台的管理工具或API，创建虚拟网络实例。这些实例代表虚拟网络中的各个组件和资源；
在虚拟网络中，根据需要分配和管理网络带宽、数据流量和IP地址等资源。这可以通过配置虚拟设备的属性和规则来实现；
利用云计算平台提供的虚拟化技术，如虚拟机、容器等，将移动网络资源虚拟化为可管理和分配的虚拟资源。
步骤S2：对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，其中动态网络资源数据包括网络传输带宽、网络数据流量、网络IP地址，静态网络资源数据包括图片文件、视频文件以及音频文件；
本发明实施例中，根据虚拟网络资源数据，进行资源规划和分配，以满足网络需求和性能要求，生成动态网络资源数据和静态网络资源数据，其中根据网络负载和需求预测，确定虚拟网络中各个连接的带宽分配比例，确定网络传输带宽，对虚拟网络中的数据流量进行监控和控制，确定网络数据流量，根据虚拟网络中的设备和用户需求，进行IP地址的分配和管理，确定网络IP地址，根据文件存储和管理、文件格式和编码处理、缓存和预取技术等针对静态网络资源数据的处理，确定图片文件、视频文件以及音频文件。
步骤S3：基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据；根据用户提交的时间对动态优先级数据进行时间日志扫描，从而得到动态网络时延数据；
本发明实施例中，根据任务的到达时间，按照先到先服务的原则对任务进行排序，确定任务的优先级顺序，将任务按照优先级进行标记或排序，生成动态优先级数据，根据用户提交任务的时间信息，对动态优先级数据进行时间日志扫描，从日志文件或记录中提取用户提交任务的时间信息，对时间日志进行解析，提取出任务的开始时间和结束时间，根据任务的开始时间和结束时间，通过计算任务的开始时间和结束时间之间的时间差，得到任务的执行时延，即任务完成所需的时间，将计算得到的任务执行时延记录下来，形成动态网络时延数据。
步骤S4：通过动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；根据资源繁忙数据对动态网络资源数据进行资源分配处理，若资源分配正常，则生成正常资源分配数据，若资源分配不正常，则生成异常资源分配数据；
本发明实施例中，根据系统需求和资源利用情况设计动态资源繁忙度计算公式，计算每个时间点的资源繁忙度值，设定资源繁忙度阈值或规则，判断资源分配是否正常，根据判断结果，将动态网络资源数据分为正常资源分配数据和异常资源分配数据，并进行记录和标记。
步骤S5：基于网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件构建网络资源预模型，利用正常资源分配数据对网络资源预模型进行历史资源训练处理，从而生成网络资源调度模型；
本发明实施例中，根据需求和数据属性，确定网络资源预模型的结构和包含的特征。网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件可以作为模型的输入特征，收集和整合与网络资源相关的数据，包括网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件，对收集到的数据进行预处理，包括数据清洗、去除异常值、特征选择等，以准备用于模型训练的数据集，将正常资源分配数据作为训练集，将网络资源预模型与训练数据进行训练，根据网络资源预模型的结构，对训练数据进行特征提取和转换，根据卷积神经网络模型，对网络资源预模型进行训练和优化，从而生成网络资源调度模型。
步骤S6：利用网络资源调度模型对动态网络资源数据和静态网络资源数据进行资源调度处理，生成动态资源调度数据和静态资源调度数据；根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；将动态资源调度数据和资源响应数据进行数据整合处理，生成移动网络资源管理数据库。
本发明实施例中，根据已生成的网络资源调度模型，将其应用于动态网络资源数据和静态网络资源数据，以进行资源调度处理，生成动态资源调度数据和静态资源调度数据，根据静态网络资源响应判别公式，对静态调度资源数据进行数据响应度计算处理，包括对资源分配的效率、响应时间等指标进行计算和评估，将动态资源调度数据和资源响应数据进行整合处理，确保数据格式统一并关联相关信息，将整合后的数据存储到移动网络资源管理数据库中，例如使用关系型数据库(如Oracle)或其他适合的存储方案，生成移动网络资源管理数据库。
优选地，步骤S1包括以下步骤：
步骤S11：基于云平台获取移动网络资源信息；
步骤S12：对移动网络资源信息进行数据清洗处理，得到网络资源清洗数据；通过迭代对称集成法对网络资源清洗数据进行数据集成处理，生成网络资源集成数据；对网络资源集成数据进行数据标准化处理，从而得到标准网络资源数据；
步骤S13：根据移动网络特性和需求设计构建资源虚拟化模型，生成网络资源虚拟机；基于资源网络虚拟机利用负载均衡技术对标准网络资源数据进行虚拟资源映射分配处理，从而生成网络资源映射数据集；
步骤S14：根据网络资源虚拟机的配置信息、网络拓扑结构对网络资源映射数据集进行Lasso正则化处理，生成虚拟网络资源数据。
本发明通过获取移动网络资源信息，对获取的移动网络资源信息进行数据清洗处理，去除重复、错误或不完整的数据，得到网络资源清洗数据，采用迭代对称集成法将多个数据源的网络资源清洗数据进行整合，生成网络资源集成数据，可以消除数据源之间的不一致性，提高数据的准确性和一致性，对网络资源集成数据进行数据标准化处理，使得数据符合一定的标准和规范，得到标准网络资源数据；根据移动网络的特性和需求，设计和构建资源虚拟化模型，资源虚拟化模型可以将实际的网络资源抽象为虚拟的资源实体，提供更灵活、可扩展的资源管理方式，利用负载均衡技术对标准网络资源数据进行虚拟资源映射分配处理，可以提高资源的利用效率、降低资源的浪费；根据网络资源虚拟机的配置信息和网络拓扑结构，对网络资源映射数据集进行Lasso正则化处理，可以通过稀疏化网络资源映射数据，将无关或冗余的映射关系剔除，从而生成更精简的虚拟网络资源数据，可以为移动网络资源管理提供更准确、可靠的数据支持。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S1包括：
步骤S11：基于云平台获取移动网络资源信息；
本发明实施例中，建立和配置与移动网络资源相关的云平台，如基础设施、网络设备和管理工具，通过云平台提供的API、插件或其他方式，与移动网络进行集成，获取移动网络资源信息。
步骤S12：对移动网络资源信息进行数据清洗处理，得到网络资源清洗数据；通过迭代对称集成法对网络资源清洗数据进行数据集成处理，生成网络资源集成数据；对网络资源集成数据进行数据标准化处理，从而得到标准网络资源数据；
本发明实施例中，通过对移动网络资源信息进行清洗，包括去除重复数据、处理缺失值、修复错误数据等，并采用迭代对称集成法将多个数据源的数据进行整合，通过比较和匹配不同数据源的记录，识别和合并相似的数据，生成网络资源集成数据，根据单位转换、数据范围调整等操作，对网络资源集成数据进行标准化处理，以使其符合统一的数据格式和规范，得到标准网络资源数据。
步骤S13：根据移动网络特性和需求设计构建资源虚拟化模型，生成网络资源虚拟机；基于资源网络虚拟机利用负载均衡技术对标准网络资源数据进行虚拟资源映射分配处理，从而生成网络资源映射数据集；
本发明实施例中，分析移动网络的特性和需求，包括网络拓扑结构、资源分配策略等，以确定资源虚拟化模型的设计方案，根据分析结果，设计和定义合适的资源网络虚拟机，包括虚拟化的网络传输带宽、数据流量、IP地址等资源，利用负载均衡技术，将标准网络资源数据进行虚拟资源映射分配处理，生成网络资源映射数据集。
步骤S14：根据网络资源虚拟机的配置信息、网络拓扑结构对网络资源映射数据集进行Lasso正则化处理，生成虚拟网络资源数据。
本发明实施例中，根据网络资源虚拟机的配置信息和网络拓扑结构，进行Lasso正则化处理，通过Lasso正则化处理，生成虚拟网络资源数据，通过对网络资源映射数据集进行特征选择和权重调整，以获得更准确的虚拟网络资源数据。
优选地，步骤S2包括以下步骤：
步骤S21：对虚拟网络资源数据进行数据源监控处理，生成虚拟网络监控数据；
步骤S22：根据朴素贝叶斯算法对虚拟网络监控数据进行数据类型甄别处理，剔除半静态数据，生成虚拟网络全类型数据；
步骤S23：基于预设的时间计时器对虚拟网络全类型数据按照一定时间间隔内的频率更新检测，若虚拟网络全类型数据进行了更新，则将虚拟网络全类型数据中更新的数据标记为动态网络资源数据，其余没有更新的数据标记为静态网络资源数据。
本发明通过对虚拟网络资源数据进行数据源监控处理，生成虚拟网络监控数据，可以监控虚拟网络资源的状态和性能指标，帮助我们实时了解虚拟网络的运行情况；根据朴素贝叶斯算法对虚拟网络监控数据进行数据类型甄别处理，剔除半静态数据，生成虚拟网络全类型数据，将具有不同类型的数据进行标记，以便后续处理；基于预设的时间计时器对虚拟网络全类型数据按照一定时间间隔内的频率更新检测。如果虚拟网络全类型数据在设定的时间间隔内进行了更新，我们将更新的数据标记为动态网络资源数据，表示其具有变化的特性。而没有更新的数据则被标记为静态网络资源数据，表示其保持不变，可以帮助我们识别虚拟网络中的动态变化，以便更好地进行资源调度和管理，提高网络的性能和资源利用效率，有助于针对不同类型的资源进行不同的管理策略，进一步优化网络资源的利用。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S2包括：
步骤S21：对虚拟网络资源数据进行数据源监控处理，生成虚拟网络监控数据；
本发明实施例中，对虚拟网络资源数据源进行监控，包括网络传输带宽、数据流量、IP地址等数据源，定期或实时采集虚拟网络资源数据源的数据，生成虚拟网络监控数据。
步骤S22：根据朴素贝叶斯算法对虚拟网络监控数据进行数据类型甄别处理，剔除半静态数据，生成虚拟网络全类型数据；
本发明实施例中，需要收集虚拟网络的监控数据，包括本地节点、远程节点、流量、延迟等数据，将所收集的虚拟网络监控数据使用朴素贝叶斯算法进行数据类型甄别处理，判断数据的类型，例如本地节点数据、远程节点数据、流量数据、延迟数据等，并剔除半静态数据(如节点名称、网络拓扑等)，保留完整的虚拟网络全类型数据，将剔除半静态数据后的虚拟网络监控数据进行整合和处理，生成虚拟网络的全类型数据，包括节点连接、网络拓扑、节点状态、链路质量等数据。
步骤S23：基于预设的时间计时器对虚拟网络全类型数据按照一定时间间隔内的频率更新检测，若虚拟网络全类型数据进行了更新，则将虚拟网络全类型数据中更新的数据标记为动态网络资源数据，其余没有更新的数据标记为静态网络资源数据。
本发明实施例中，根据系统的需要和实际应用场景，设置一个预设的时间计时器，用于定时更新和检测虚拟网络全类型数据，当时间计时器到达预设的时间间隔时，通过使用轮询或回调函数实现对虚拟网络全类型数据进行一次更新检测，通过比较更新前后的数据差异或通过设置标志位等标记动态网络资源数据，如果虚拟网络全类型数据进行了更新，则将更新的数据标记为动态网络资源数据，将没有更新的数据标记为静态网络资源数据。
优选地，步骤S3包括以下步骤：
步骤S31：基于先到先服务策略对动态网络资源数据进行任务优先级标记处理，生成动态网络标记数据；
步骤S32：对动态网络标记数据按照预设的时间戳进行排序，生成动态时间戳数据；
步骤S33：根据PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，从而生成动态优先级数据；
步骤S34：通过获取用户提交网络资源数据的时间，对网络资源数据的日志文件进行时间扫描提取处理，生成用户时间日志；
步骤S35：对用户时间日志进行时间信息解析处理，得到任务开始时间和任务结束时间；对任务开始时间和任务结束时间进行任务执行时延计算处理，得到动态网络时延数据。
本发明通过基于先到先服务策略对动态网络资源数据进行任务优先级标记处理，生成动态网络标记数据，根据任务的到达顺序，为动态网络资源数据分配不同的优先级标记，以确保任务按照到达的顺序进行处理；对动态网络标记数据按照预设的时间戳进行排序，生成动态时间戳数据，可以确保后续的处理能够按照时间的顺序进行；根据PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，从而生成动态优先级数据，可以根据不同任务的优先级因素进行计算，以确定任务的优先级顺序；通过获取用户提交网络资源数据的时间，对网络资源数据的日志文件进行时间扫描提取处理，生成用户时间日志，以便后续的时间信息解析和时延计算；对用户时间日志进行时间信息解析处理，得到任务开始时间和任务结束时间，对任务开始时间和任务结束时间进行任务执行时延计算处理，得到动态网络时延数据，有助于资源调度和性能优化，为后续的资源繁忙度计算和资源分配提供了重要的信息基础。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S3包括：
步骤S31：基于先到先服务策略对动态网络资源数据进行任务优先级标记处理，生成动态网络标记数据；
本发明实施例中，采用先到先服务策略利用队列等数据结构对动态网络资源数据进行任务优先级标记处理，即先提交的任务优先级较高，后提交的任务优先级较低，将任务优先级标记后的数据，生成动态网络标记数据。
步骤S32：对动态网络标记数据按照预设的时间戳进行排序，生成动态时间戳数据；
本发明实施例中，基于动态网络标记数据中记录的时间戳，按照从小到大的顺序对时间戳进行排序，根据排序后的数据生成动态时间戳数据。
步骤S33：根据PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，从而生成动态优先级数据；
本发明实施例中，使用PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，基于PingCode优先级计算算法，计算任务的优先级，根据优先级从高到低进行排序，将计算得到的任务优先级标记在动态时间戳数据中，生成动态优先级数据。
步骤S34：通过获取用户提交网络资源数据的时间，对网络资源数据的日志文件进行时间扫描提取处理，生成用户时间日志；
本发明实施例中，通过从用户提交的网络资源数据中，获取数据提交的时间，即时间戳，基于时间戳，对网络资源数据的日志文件进行时间扫描和提取处理，将与时间相关的信息提取出来，并按照时间顺序进行排序，将提取出来的时间相关信息，如任务提交时间、任务开始时间、任务结束时间等，整合成用户时间日志。
步骤S35：对用户时间日志进行时间信息解析处理，得到任务开始时间和任务结束时间；对任务开始时间和任务结束时间进行任务执行时延计算处理，得到动态网络时延数据。
本发明实施例中，通过对用户时间日志中的时间信息进行解析处理，得到任务开始时间和任务结束时间，计算出任务的执行时间，通过任务开始时间和结束时间，计算出任务的执行时延，即动态网络时延数据。
优选地，步骤S4包括以下步骤：
步骤S41：利用动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；
步骤S42：根据资源繁忙数据对动态网络资源数据进行资源分配处理，生成动态网络资源分配数据；
步骤S43：基于预设的资源利用率阈值范围对动态网络资源分配数据进行资源利用率检测处理，处于阈值范围内的动态网络资源分配数据标记为正常资源分配数据，不处于阈值范围内的动态网络资源分配数据标记为异常资源分配数据；
步骤S44：对异常资源分配数据进行异常行为检测处理，若异常资源分配数据结果检测为任务分配受阻时，则对异常资源分配数据进行资源抢占处理，直至重新生成为正常资源分配数据。
本发明通过利用动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据，可以帮助我们判断资源的利用程度和是否出现资源拥塞，提高资源利用率；根据资源繁忙数据对动态网络资源数据进行资源分配处理，生成动态网络资源分配数据，有利于对动态网络资源数据进行合理分配，优化资源的利用和满足不同任务的需求；基于预设的资源利用率阈值范围对动态网络资源分配数据进行资源利用率检测处理，处于阈值范围内的动态网络资源分配数据标记为正常资源分配数据，不处于阈值范围内的动态网络资源分配数据标记为异常资源分配数据，可以避免网络资源的过度配置和低效利用，提高网络资源利用率，同时节省成本；对异常资源分配数据进行异常行为检测处理，若异常资源分配数据结果检测为任务分配受阻时，则对异常资源分配数据进行资源抢占处理，直至重新生成为正常资源分配数据，可以实现对网络资源的有效管理和调度，提高资源利用率、避免资源拥塞以及保障任务的正常执行，降低网络故障率，提高网络稳定性。
本发明通过选取具有代表性的网络路径，每隔一段时间向这些路径发送探测包，并记录探测包的发送时间和接收时间，根据时间差计算网络时延数据，根据网络时延数据，计算资源繁忙度相关的指标，生成资源繁忙数据，根据系统或用户需求，将要执行的动态网络资源数据任务分解为多个子任务，将子任务分配到合适的计算节点或网络设备上，形成动态网络资源分配数据，根据预设的资源利用率阈值范围，计算动态网络资源分配数据的利用率，判断利用率是否在预设的范围内，若在范围内，则标记为正常资源分配数据；若不在范围内，则标记为异常资源分配数据，针对异常资源分配数据，进行监测和分析，判断是否存在任务分配受阻的情况，如果存在受阻情况，则进行资源抢占，即通过系统自动干预，使得该任务的子任务得到更加优质的计算节点或网络设备资源，直至任务分配恢复正常并重新生成为正常资源分配数据。
优选地，步骤S41中的动态资源繁忙检测公式具体如下：
式中，B(t)表示为在时间t时刻的资源繁忙程度，即动态资源繁忙指数，Ri(t)表示为第i个动态资源在时间t时刻的使用情况，Sj(t)表示为第j个动态资源服务在时间t时刻的运行效率，W(u)表示为在时间u时刻的工作负载，Wmax表示为动态资源工作负载的最大值，表示为对时间t的导数运算，即对时间的变化率进行求解，n表示为动态资源的总数，m表示为动态资源服务的总数，μ表示为动态资源繁忙程度异常修正值。
本发明构建了一种动态资源繁忙检测公式，该公式充分考虑了第i个动态资源在时间t时刻的使用情况Ri(t)、第j个动态资源服务在时间t时刻的运行效率Sj(t)、在时间u时刻的工作负载W(u)、动态资源工作负载的最大值Wmax、对时间t的变化率进行求解动态资源的总数n、动态资源服务的总数m、动态资源繁忙程度异常修正值μ，根据动态资源工作负载的最大值与对时间的变化率进行求解以及函数之间的相互作用，以形成函数关系：
通过第i个动态资源在时间t时刻的使用情况以及在时间u时刻的工作负载的相互作用关系，保证区域数据精确的情况下进行动态资源工作负载计算，生成动态资源工作负载的最大值和第j个动态资源服务在时间t时刻的运行效率，并利用对时间的变化率，保证数据准确的情况下减少数据冗余，节约了算力，使计算达到快速收敛，通过动态资源繁忙程度异常修正值μ对动态资源繁忙度检测进行调整，更加准确的生成在时间t时刻的资源繁忙程度B(t)，提高了动态资源繁忙检测的准确性和可靠性。同时该公式中的动态资源的总数、动态资源服务的总数、第i个动态资源在时间t时刻的使用情况等参数可以根据实际情况进行调整，从而适应不同的动态资源检测场景，提高了算法的适用性和灵活性。
优选地，步骤S5包括以下步骤：
步骤S51：对网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件进行数据整合处理，得到网络资源整合数据；
步骤S52：对网络资源整合数据进行数据预处理，生成标准网络资源数据；对标准网络资源数据进行数据特征提取处理，生成网络资源特征数据；
步骤S53：利用卷积神经网络模型对网络资源特征数据进行模型设计，从而得到网络资源预模型；
步骤S54：对正常资源分配数据进行历史数据收集处理，得到历史资源分配数据；基于监督学习方法使用历史资源分配数据对网络资源预模型进行历史资源数据训练处理，生成网络资源调度初期模型；
步骤S55：根据交叉验证法对网络资源调度初期模型进行模型迭代优化处理，从而生成网络资源调度模型。
本发明通过对网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件进行数据整合处理，得到网络资源整合数据，可以将大量数据整合成一个统一的数据集，提高数据的简洁性，减少数据的冗杂程度；对网络资源整合数据进行数据预处理，生成标准网络资源数据，对标准网络资源数据进行数据特征提取处理，生成网络资源特征数据，可以消除数据中的噪声和冗余信息，从而提高数据质量和可用性，特征提取能够从大量的数据中提取出最重要的信息，减少数据冗余，提高数据利用效率；利用卷积神经网络模型对网络资源特征数据进行模型设计，从而得到网络资源预模型，对正常资源分配数据进行历史数据收集处理，得到历史资源分配数据；基于监督学习方法使用历史资源分配数据对网络资源预模型进行历史资源数据训练处理，可以提高资源调度效率和精度，降低资源浪费和成本；根据交叉验证法对网络资源调度初期模型进行模型迭代优化处理，从而生成网络资源调度模型，可以提高模型的准确性和泛化能力，减少模型的误差和风险。
本发明实施例中，通过采用数据采集工具或数据接口数据进行提取和收集，将不同类型的网络资源数据进行整合，包括网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件等。对网络资源整合数据进行预处理，包括数据清洗、缺失值填充、异常值处理等，预处理后，对数据进行标准化处理，使得数据各自的取值范围相同，不同特征之间可以进行比较，针对标准网络资源数据，进行特征提取处理，提取最具有代表性和区分性的特征数据，特征提取技术包括主成分分析、小波分析、傅里叶变换、离散余弦变换等。使用卷积神经网络(CNN)模型进行网络资源预测和调度，提取输入数据的空间和时间特征，并在不同的层次上进行特征表示和特征学习，得到网络资源预模型，构建一个历史数据集，用于训练网络资源调度初期模型，基于监督学习方法，使用历史数据对网络资源预模型进行训练，生成网络资源调度初期模型，通过交叉验证法对网络资源调度初期模型进行模型迭代优化处理，通过交叉验证法对网络资源调度初期模型进行模型迭代优化处理，生成网络资源调度模型。
优选地，步骤S6包括以下步骤：
步骤S61：根据网络资源调度模型内的实时资源使用情况和调度策略对动态网络资源数据进行调度处理，生成虚拟网络请求调度资源；根据资源调度策略对虚拟网络请求调度资源进行调度结果计算，得到网络资源调度结果数据集；对网络资源调度结果数据集进行时间点记录处理，从而生成动态资源调度数据；
步骤S62：基于网络资源调度模型内的虚拟网络拓扑结构和资源约束对静态网络资源数据进行离线资源调度仿真处理，生成静态离线资源调度数据；根据预定义的任务对静态离线资源调度数据进行调度资源记录处理，从而生成静态资源调度数据；
步骤S63：根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；
步骤S64：对动态资源调度数据和资源响应数据进行数据归一化处理，生成动态资源归一化数据和资源响应归一化数据；利用线性回归算法对动态资源归一化数据和资源响应归一化数据进行数据类型合并处理，生成资源管理数据集；
步骤S65：通过Oracle关系型数据库对资源管理数据集进行数据存储处理，得到移动网络资源管理数据库。
本发明通过根据网络资源调度模型内的实时资源使用情况和调度策略对动态网络资源数据进行调度处理，生成虚拟网络请求调度资源，可以对资源进行动态分配和调度，从而避免了资源浪费和资源过载等问题，提高了资源利用率和系统的性能，根据资源调度策略对虚拟网络请求调度资源进行调度结果计算，得到网络资源调度结果数据集，对网络资源调度结果数据集进行时间点记录处理，从而生成动态资源调度数据，可以对系统的资源调度情况进行分析和评估，为系统的优化和调整提供数据支持和参考；基于网络资源调度模型内的虚拟网络拓扑结构和资源约束对静态网络资源数据进行离线资源调度仿真处理，生成静态离线资源调度数据，可以减少资源浪费和过载，提高系统的稳定性和可靠性，根据预定义的任务对静态离线资源调度数据进行调度资源记录处理，从而生成静态资源调度数据，可以记录不同任务的资源调度情况，从而对系统的资源调度效果进行评估和分析，为系统能优化和资源管理提供指导；根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据，可以确定最优的静态资源调度策略，提高系统的性能和资源利用率；对动态资源调度数据和资源响应数据进行数据归一化处理，生成动态资源归一化数据和资源响应归一化数据，利用线性回归算法对动态资源归一化数据和资源响应归一化数据进行数据类型合并处理，生成资源管理数据集，可以提高数据的可行性，优化系统的数据管理和处理效率，为系统的智能化管理和决策提供支持和基础；通过Oracle关系型数据库对资源管理数据集进行数据存储处理，得到移动网络资源管理数据库，可以实现数据的高效存储和快速查询，提高系统的数据管理和处理效率，可以实现资源的自动化调度和管理。
本发明实施例中，通过根据网络资源调度模型内部的实时资源使用情况和调度策略，利用模型对实时资源数据进行调度处理，生成虚拟网络请求调度资源，根据预定义的资源调度策略对虚拟网络请求调度资源进行调度结果计算，得到网络资源调度结果数据集，对网络资源调度结果数据集进行时间点记录处理，从而生成动态资源调度数据。基于网络资源调度模型内的虚拟网络拓扑结构和资源约束，对静态网络资源数据进行离线资源调度仿真处理，使用仿真软件进行离线网络资源调度仿真，仿真过程中模拟正常和异常情况，并记录网络资源调度策略和结果，从而生成静态离线资源调度数据，通过预定义的任务进行静态资源调度数据分类和记录处理，例如根据网络类型、用户群体、业务流量等。根据静态网络资源响应判别公式，对静态调度资源数据进行数据响应度计算处理，静态资源响应度计算可以基于预设的指标进行计算，例如资源利用率、带宽分配等。利用将数据转化到相同的尺度范围内、去除量纲和调整数据分布等方法对动态资源调度数据和资源响应数据进行数据归一化处理，通过线性回归算法将动态资源归一化数据和资源响应归一化数据进行数据类型合并处理，生成资源管理数据集，其中数据类型合并处理可以将不同类型的数据进行融合，例如实时资源数据和静态资源数据的融合。通过Oracle关系型数据库对资源管理数据集进行数据存储处理，得到移动网络资源管理数据库。
优选地，步骤S63中的资源响应判别公式具体如下：
式中，C表示为静态网络资源的响应判别值，z表示为代表一个趋向无穷大的变量，f表示为静态网络资源并发连接数，gi表示为第i个静态网络资源中硬盘写入和读取数据的速率，ei表示为第i个静态网络资源请求服务器的处理速度，b表示为静态网络资源相关的指标，x表示为用户访问静态网络资源的访问频率，n表示为静态网络资源数目，ε表示为静态网络资源响应判别异常调整值。
本发明构建了一种资源响应判别公式，该公式充分考虑了趋向无穷大的变量z、静态网络资源并发连接数f、第i个静态网络资源中硬盘写入和读取数据的速率gi、第i个静态网络资源请求服务器的处理速度ei、静态网络资源相关的指标b、用户访问静态网络资源的访问频率x、静态网络资源数目q、静态网络资源响应判别异常调整值ε，根据静态网络资源并发连接数与静态网络资源相关的指标以及函数之间的相互作用，以形成函数关系：
通过静态网络资源并发连接数以及第i个静态网络资源请求服务器的处理速度的相互作用关系，保证区域数据精确的情况下进行静态资源响应判别，生成用户访问静态网络资源的访问频率，并利用第i个静态网络资源中硬盘写入和读取数据的速率，保证数据准确的情况下减少数据冗余，节约了算力，使计算达到快速收敛，通过静态网络资源响应判别异常调整值ε对静态网络资源响应速度进行调整，更加准确的生成静态网络资源的响应判别值C，提高了静态网络资源响应判别的准确性和可靠性。同时该公式中的静态网络资源并发连接数、静态网络资源数目等参数可以根据实际情况进行调整，从而适应不同的静态网络资源判别场景，提高了算法的适用性和灵活性。
在本说明书中，提供一种基于云计算的移动网络资源管理系统，包括，
至少一个处理器；
与所述至少一个处理器通信连接的存储器；
所述存储器内存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的基于云计算的移动网络资源管理方法。
本发明通过获取移动网络资源信息并进行数据资源虚拟化处理，可以有效管理和利用移动网络资源，提高资源的灵活性和可扩展性，通过对虚拟网络资源数据进行网络资源规划处理，可以根据实际需求生成动态和静态网络资源数据，从而满足不同类型资源的管理和调度要求，通过任务优先级排序和时间日志扫描，可以对动态网络资源进行有效的调度和时延计算，提高任务执行效率和用户体验，通过资源繁忙度计算和资源分配处理，可以优化动态网络资源的利用和分配，确保资源分配的正常性，提高网络性能和资源利用效率，通过构建网络资源预模型并进行历史资源训练，可以生成网络资源调度模型，提供准确的资源调度策略，以优化资源分配和提高网络性能，通过网络资源调度模型对动态和静态网络资源数据进行资源调度处理，并根据静态网络资源响应判别公式计算资源响应度，可以生成动态资源调度数据、静态资源调度数据和资源响应数据。整合这些数据可以建立移动网络资源管理数据库，提供全面的资源管理和调度支持，以实现高效的移动网络资源管理和优化。因此，本发明的一种基于云计算的移动网络资源管理方法利用云计算对移动网络资源进行区分，以实现移动网络资源的细致辨别与智能调度，提升移动网络资源管理的高效性和准确性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于云计算的移动网络资源管理方法，其特征在于，包括以下步骤：
步骤S1：获取移动网络资源信息；基于云计算对移动网络资源信息进行数据资源虚拟化处理，生成虚拟网络资源数据；
步骤S2：对虚拟网络资源数据进行网络资源规划处理，生成动态网络资源数据和静态网络资源数据，其中动态网络资源数据包括网络传输带宽、网络数据流量、网络IP地址，静态网络资源数据包括图片文件、视频文件以及音频文件；
步骤S3：基于先到先服务策略对动态网络资源数据进行任务优先级排序处理，生成动态优先级数据；根据用户提交的时间对动态优先级数据进行时间日志扫描，从而得到动态网络时延数据；
步骤S4：通过动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；根据资源繁忙数据对动态网络资源数据进行资源分配处理，若资源分配正常，则生成正常资源分配数据，若资源分配不正常，则生成异常资源分配数据；
步骤S5：基于网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件构建网络资源预模型，利用正常资源分配数据对网络资源预模型进行历史资源训练处理，从而生成网络资源调度模型；
步骤S6：利用网络资源调度模型对动态网络资源数据和静态网络资源数据进行资源调度处理，生成动态资源调度数据和静态资源调度数据；根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；将动态资源调度数据和资源响应数据进行数据整合处理，生成移动网络资源管理数据库。
2.根据权利要求1所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S1包括以下步骤：
步骤S11：基于云平台获取移动网络资源信息；
步骤S12：对移动网络资源信息进行数据清洗处理，得到网络资源清洗数据；通过迭代对称集成法对网络资源清洗数据进行数据集成处理，生成网络资源集成数据；对网络资源集成数据进行数据标准化处理，从而得到标准网络资源数据；
步骤S13：根据移动网络特性和需求设计构建资源虚拟化模型，生成网络资源虚拟机；基于资源网络虚拟机利用负载均衡技术对标准网络资源数据进行虚拟资源映射分配处理，从而生成网络资源映射数据集；
步骤S14：根据网络资源虚拟机的配置信息、网络拓扑结构对网络资源映射数据集进行Lasso正则化处理，生成虚拟网络资源数据。
3.根据权利要求2所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对虚拟网络资源数据进行数据源监控处理，生成虚拟网络监控数据；
步骤S22：根据朴素贝叶斯算法对虚拟网络监控数据进行数据类型甄别处理，剔除半静态数据，生成虚拟网络全类型数据；
步骤S23：基于预设的时间计时器对虚拟网络全类型数据按照一定时间间隔内的频率更新检测，若虚拟网络全类型数据进行了更新，则将虚拟网络全类型数据中更新的数据标记为动态网络资源数据，其余没有更新的数据标记为静态网络资源数据。
4.根据权利要求3所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S3包括以下步骤：
步骤S31：基于先到先服务策略对动态网络资源数据进行任务优先级标记处理，生成动态网络标记数据；
步骤S32：对动态网络标记数据按照预设的时间戳进行排序，生成动态时间戳数据；
步骤S33：根据PingCode优先级排序工具对动态时间戳数据进行优先级计算处理，从而生成动态优先级数据；
步骤S34：通过获取用户提交网络资源数据的时间，对网络资源数据的日志文件进行时间扫描提取处理，生成用户时间日志；
步骤S35：对用户时间日志进行时间信息解析处理，得到任务开始时间和任务结束时间；对任务开始时间和任务结束时间进行任务执行时延计算处理，得到动态网络时延数据。
5.根据权利要求4所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S4包括以下步骤：
步骤S41：利用动态资源繁忙检测公式对动态网络时延数据进行资源繁忙度计算处理，得到资源繁忙数据；
步骤S42：根据资源繁忙数据对动态网络资源数据进行资源分配处理，生成动态网络资源分配数据；
步骤S43：基于预设的资源利用率阈值范围对动态网络资源分配数据进行资源利用率检测处理，处于阈值范围内的动态网络资源分配数据标记为正常资源分配数据，不处于阈值范围内的动态网络资源分配数据标记为异常资源分配数据；
步骤S44：对异常资源分配数据进行异常行为检测处理，若异常资源分配数据结果检测为任务分配受阻时，则对异常资源分配数据进行资源抢占处理，直至重新生成为正常资源分配数据。
6.根据权利要求5所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S41中的动态资源繁忙检测公式如下所示：
式中，B(t)表示为在时间t时刻的资源繁忙程度，即动态资源繁忙指数，Ri(t)表示为第i个动态资源在时间t时刻的使用情况，Sj(t)表示为第j个动态资源服务在时间t时刻的运行效率，W(u)表示为在时间u时刻的工作负载，Wmax表示为动态资源工作负载的最大值，表示为对时间t的导数运算，即对时间的变化率进行求解，n表示为动态资源的总数，m表示为动态资源服务的总数，μ表示为动态资源繁忙程度异常修正值。
7.根据权利要求5所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S5包括以下步骤：
步骤S51：对网络传输带宽、网络数据流量、网络IP地址、图片文件、视频文件以及音频文件进行数据整合处理，得到网络资源整合数据；
步骤S52：对网络资源整合数据进行数据预处理，生成标准网络资源数据；对标准网络资源数据进行数据特征提取处理，生成网络资源特征数据；
步骤S53：利用卷积神经网络模型对网络资源特征数据进行模型设计，从而得到网络资源预模型；
步骤S54：对正常资源分配数据进行历史数据收集处理，得到历史资源分配数据；基于监督学习方法使用历史资源分配数据对网络资源预模型进行历史资源数据训练处理，生成网络资源调度初期模型；
步骤S55：根据交叉验证法对网络资源调度初期模型进行模型迭代优化处理，从而生成网络资源调度模型。
8.根据权利要求7所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S6包括以下步骤：
步骤S61：根据网络资源调度模型内的实时资源使用情况和调度策略对动态网络资源数据进行调度处理，生成虚拟网络请求调度资源；根据资源调度策略对虚拟网络请求调度资源进行调度结果计算，得到网络资源调度结果数据集；对网络资源调度结果数据集进行时间点记录处理，从而生成动态资源调度数据；
步骤S62：基于网络资源调度模型内的虚拟网络拓扑结构和资源约束对静态网络资源数据进行离线资源调度仿真处理，生成静态离线资源调度数据；根据预定义的任务对静态离线资源调度数据进行调度资源记录处理，从而生成静态资源调度数据；
步骤S63：根据静态网络资源响应判别公式对静态调度资源数据进行数据响应度计算处理，生成资源响应数据；
步骤S64：对动态资源调度数据和资源响应数据进行数据归一化处理，生成动态资源归一化数据和资源响应归一化数据；利用线性回归算法对动态资源归一化数据和资源响应归一化数据进行数据类型合并处理，生成资源管理数据集；
步骤S65：通过Oracle关系型数据库对资源管理数据集进行数据存储处理，得到移动网络资源管理数据库。
9.根据权利要求5所述的一种基于云计算的移动网络资源管理方法，其特征在于，步骤S63中的资源响应判别公式如下所示：
式中，C表示为静态网络资源的响应判别值，z表示为代表一个趋向无穷大的变量，f表示为静态网络资源并发连接数，gi表示为第i个静态网络资源中硬盘写入和读取数据的速率，ei表示为第i个静态网络资源请求服务器的处理速度，b表示为静态网络资源相关的指标，x表示为用户访问静态网络资源的访问频率，q表示为静态网络资源数目，ε表示为静态网络资源响应判别异常调整值。
10.一种基于云计算的移动网络资源管理系统，其特征在于，
至少一个处理器；
与所述至少一个处理器通信连接的存储器；
所述存储器内存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任一项所述的基于云计算的移动网络资源管理方法。
CN202310633356.8A 2023-05-31 2023-05-31 一种基于云计算的移动网络资源管理方法及系统 Withdrawn CN116566831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310633356.8A CN116566831A (zh) 2023-05-31 2023-05-31 一种基于云计算的移动网络资源管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310633356.8A CN116566831A (zh) 2023-05-31 2023-05-31 一种基于云计算的移动网络资源管理方法及系统

Publications (1)

Publication Number Publication Date
CN116566831A true CN116566831A (zh) 2023-08-08

Family

ID=87489924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310633356.8A Withdrawn CN116566831A (zh) 2023-05-31 2023-05-31 一种基于云计算的移动网络资源管理方法及系统

Country Status (1)

Country Link
CN (1) CN116566831A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117194053A (zh) * 2023-11-06 2023-12-08 北京宏数科技有限公司 一种基于大数据的云管理方法及系统
CN117459399A (zh) * 2023-09-28 2024-01-26 中国海洋大学 一种基于网络空间测绘生成拓扑图及其路径展示方法
CN117834694A (zh) * 2023-12-29 2024-04-05 广东云达智能物联科技有限公司 基于云计算的工业数据传输系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117459399A (zh) * 2023-09-28 2024-01-26 中国海洋大学 一种基于网络空间测绘生成拓扑图及其路径展示方法
CN117194053A (zh) * 2023-11-06 2023-12-08 北京宏数科技有限公司 一种基于大数据的云管理方法及系统
CN117834694A (zh) * 2023-12-29 2024-04-05 广东云达智能物联科技有限公司 基于云计算的工业数据传输系统

Similar Documents

Publication Publication Date Title
CN116566831A (zh) 一种基于云计算的移动网络资源管理方法及系统
TWI725744B (zh) 透過多層次相關性建立系統資源預測及資源管理模型的方法
CN118017564B (zh) 一种基于开源鸿蒙系统的储能方法
EP3207432B1 (en) A method for managing subsystems of a process plant using a distributed control system
US9772871B2 (en) Apparatus and method for leveraging semi-supervised machine learning for self-adjusting policies in management of a computer infrastructure
CN117667585B (zh) 一种基于运维质量管理数据库的运维效率评估方法及系统
CN118446671A (zh) 一种一体化智慧运维控制方法及系统
CN118013043B (zh) 档案数据的管理方法、装置、设备及存储介质
CN118760561A (zh) 针对服务集群中服务的工作负载预测方法和装置
CN119065831A (zh) 一种基于大数据网络的边缘计算优化方法
CN115883392B (zh) 算力网络的数据感知方法、装置、电子设备及存储介质
CN114757448B (zh) 一种基于数据空间模型的制造环节间最优价值链构建方法
CN113297415B (zh) 面向电力边缘侧的边缘视频分析智能服务方法及系统
WO2023110059A1 (en) Method and system trace controller for a microservice system
Jehangiri et al. Distributed predictive performance anomaly detection for virtualised platforms
TWI783685B (zh) 伺服器計算資源使用率之分散式預測方法及其系統
CN113377521B (zh) 通过多层次相关性建立系统资源预测及管理模型的方法
CN117808602B (zh) 基于子账户扩展的热点账户记账方法及相关装置
CN113949624B (zh) 链路采样数的分配方法、装置、设备及介质
CN115658283A (zh) 资源分配方法、装置、设备、介质及程序产品
CN119324925A (zh) 基于应用节点分组的流量分发方法、装置、设备及介质
CN119201880A (zh) 一种基于大数据的电子文件数据处理方法及系统
CN119201620A (zh) SaaS系统的云计算分析方法、装置、设备及存储介质
CN119065840A (zh) 一种基于云技术的计算机网络信息服务管理方法及系统
CN118214739A (zh) 一种eni-ip池容量动态调整方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20230808

WW01 Invention patent application withdrawn after publication