资源处理调度方法、装置、计算机设备和存储介质与流程

本公开涉及数据处理技术领域，特别是涉及资源处理调度方法、装置、计算机设备和存储介质。

背景技术：

传统的资源调度方法中，一般在资源处理调度系统有足够的剩余可调度资源量的情况下，服务器请求调度多少资源量，就调度多少资源量，但所述服务器请求调度的资源量为所述服务器判断的处理任务需要占用的资源量，故会存在即使资源处理调度系统调度的资源量少于服务器请求调度的资源量，也足够满足所述服务器的处理任务的需要的情况，这时若按照服务器请求调度的资源量进行调度，无疑会产生巨大的资源浪费，延长其他任务的等待时间，导致系统卡顿，降低任务处理效率。

公开内容

基于此，为解决相关技术中资源处理调度不合理产生资源浪费的技术问题，本公开提供了一种资源处理调度方法、装置、计算机设备和存储介质。

第一方面，提供了一种资源处理调度方法，包括：

接收服务器的资源调度请求，所述资源调度请求包括请求的资源量和资源凭证；

识别所述资源凭证出自的服务器；

根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许资源量；

识别所述资源凭证的凭证信息，所述凭证信息包括所述资源凭证的凭证资源量；

对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度。

在其中一个实施例中，所述资源调度请求包括请求调度的类型，在接收所述服务器的资源调度请求之后，所述方法还包括：

判断所述资源调度请求的请求调度的类型；

根据请求调度的类型，查询所述资源处理调度系统的剩余可调度资源量；

若所述剩余可调度资源量小于所述资源调度请求中请求的资源量，拒绝所述资源调度请求。

在其中一个实施例中，所述资源凭证为图片格式，所述识别所述资源凭证出自的服务器的步骤包括：

扫描所述资源凭证，提取所述资源凭证的第一凭证特征；

将所述提取的凭证特征输入机器学习模型，所述机器学习模型输出所述资源凭证出自的服务器。

在其中一个实施例中，所述第一机器学习模型如下训练出：

获取包括出自各个服务器的资源凭证的凭证样本集合，所述凭证样本集合中的每个资源凭证样本事先贴有服务器标签；

获取所述凭证样本集合中的每个资源凭证样本的第一凭证特征；

将所述凭证样本集合中的每个资源凭证样本的第一凭证特征逐一输入第一机器学习模型，第一机器学习模型输出判定的所述资源凭证出自的服务器，与贴有的服务器标签比对，如不一致，则调整所述第一机器学习模型，使所述机器学习模型输出的服务器与标签一致。

在其中一个实施例中，所述根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪的步骤包括：

获取所述资源凭证出自的服务器的标准凭证；

提取所述标准凭证与所述资源凭证的第二凭证特征；

将所述标准凭证与所述资源凭证的第二凭证特征一起输入第二机器学习模型，所述第二机器学习模型输出所述资源凭证与所述标准凭证是否相同的结果；

根据所述第二机器学习模型输出的结果，判断所述资源调度请求的真伪。

在其中一个实施例中，所述第二机器学习模型如下训练出：

用出自同一服务器的资源凭证作为正样本对，出自不同服务器的资源凭证作为负样本对，所述正样本对与所述负样本对构成样本对集；

分别识别样本对集中的每个样本对的资源凭证的第二凭证特征；

将所述样本对集中的每一个样本对中的资源凭证的第二凭证特征逐一输入第二机器学习模型中进行学习，所述第二机器学习模型输出是否相同的判断结果，如果对于正样本对输出不相同的判断结果，或对于负样本对输出相同的判断结果，调整第二机器学习模型，使第二机器学习模型输出相反判断结果。

在其中一个实施例中，所述对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度，具体包括：

对比凭证资源量和请求的资源量，确定最小的资源量为预定资源量；

对比预定资源量以及允许资源量，确定最小的资源量为最终调用的资源量，进行资源调度。

第二方面，提供了一种资源处理调度装置，包括：

请求接收单元，用于接收服务器的资源调度请求，所述资源调度请求包括请求的资源量和资源凭证；

服务器识别单元，用于识别所述资源凭证出自的服务器；

真伪识别单元，用于根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许资源量；

信息识别单元，用于识别所述资源凭证的凭证信息，所述凭证信息包括所述资源凭证的凭证资源量；

资源调度单元，用于对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度。

第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述资源处理调度方法的步骤。

第四方面，提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述资源处理调度方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述资源处理调度方法、装置、计算机设备和存储介质，通过在接收所述服务器的包含有包括请求的资源量和资源凭证的资源调度请求后，识别所述资源凭证出自的服务器，根据识别出的资源凭证出自的服务器，识别所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许资源量，所述允许资源量与资源凭证出自的服务器相关，一般的，所述资源凭证出自的服务器不一样，其请求的任务类型和任务需要占用的资源大小均不相同，但同一服务器请求的任务类型便基本一样，每次调用需要占用的资源大小也不会差别过大，故可以根据数据凭证出自的服务器确定允许资源量。然后在识别出资源凭证的凭证信息，凭证信息中含有凭证资源量。最后对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度，这样就可以更合理的进行资源调度，节约资源，提高任务处理效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

图1是一个实施例中提供的资源处理调度方法的实施环境图。

图2是根据一示例性实施例示出的一种资源处理调度方法的流程图。

图3是根据图2对应实施例示出的另一种资源处理调度方法的流程图。

图4是根据图2对应实施例示出的资源处理调度方法中步骤s120的一种具体实现流程图。

图5是根据图2对应实施例示出的资源处理调度方法中步骤s130的一种具体实现流程图。

图6是根据图2对应实施例示出的资源处理调度方法中步骤s150的一种具体实现流程图。

图7是根据一示例性实施例示出的一种资源处理调度装置的框图。

图8示意性示出一种用于实现上述资源处理调度方法的电子设备示例框图。

图9示意性示出一种用于实现上述资源处理调度方法的计算机可读存储介质。

具体实施方式

为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。

图1为一个实施例中提供的资源处理调度方法的实施环境图，如图1所示，在该实施环境中，包括资源调度系统100以及服务器200。

资源调度系统100例如为调度系统维护人员使用的电脑、服务器等计算机设备。服务器200上安装有进行资源调度请求的客户端。服务器200在通过客户端发送资源调度请求至资源调度系统100后，资源调度系统100先根据资源调度请求中的资源凭证识别所述资源凭证的来源，再根据识别出的来源判断所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许资源量，然后再识别出所述资源凭证的凭证信息，读取所述凭证信息中包含的所述资源凭证的凭证资源量。最后对比凭证资源量和包含在资源调度请求中的请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度。

需要说明的是，服务器200以及资源调度系统100可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。资源调度系统100以及服务器200可以通过蓝牙、usb(universalserialbus，通用串行总线)或者其他通讯连接方式进行连接，本公开在此不做限制。

如图2所示，在一个实施例中，提出了一种资源处理调度方法，该资源处理调度方法可以应用于上述的资源调度系统100中，具体可以包括以下步骤：

步骤s110，接收服务器的资源调度请求，所述资源调度请求包括请求的资源量和资源凭证；

步骤s120，识别所述资源凭证出自的服务器；

步骤s130，根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许资源量；

步骤s140，识别所述资源凭证的凭证信息，所述凭证信息包括所述资源凭证的凭证资源量；

步骤s150，对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度。

在本公开的一个实施例中，所说资源调度为数据资源的调度，所述数据资源包括处理器资源、存储器资源、设备资源以及信息资源等，对应地其资源量即为线程数、存储量、节点数以及文件量等。

例如，当资源调度系统100接收到服务器的存储器资源调度请求(包含有请求的需要占用存储量和资源凭证)后，先根据资源凭证上所记载的特征，判断所述资源凭证出自的服务器，在根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许存储量，所述确定方式可以是对不同的服务器设定不同的允许存储量，所述存储量为预定阈值，例如是12mb、25mb以及51mb等，与服务器的任务相关，本公开在此不做限定。然后再确定所述资源凭证上记载的凭证信息，所述凭证信息中记载有凭证存储量，作为所述服务器请求的需要占用存储量的凭证。最后对比凭证存储量、请求的需要占用存储量和允许存储量，确定最终给所述服务器调用的存储量，进行资源调度。所述确定方式例如是先对比凭证存储量和请求的需要占用存储量，选择最大的一个与允许存储量对比，若未超过允许存储量的值，则选取所述凭证存储量和请求的需要占用存储量中最大的一个存储量作为最终给所述服务器调用的存储量，进行资源调度；若超过允许存储量的值，则以允许存储量的值作为最终给所述服务器调用的存储量，进行资源调度。还可以是对比凭证存储量、请求的需要占用存储量和允许存储量，选取最小的一个作为最终给所述服务器调用的存储量，进行资源调度。本公开在此不做限定。

图3示出了在一个实施例中，所述资源调度请求还包括请求调度的类型，图2对应实施例中的步骤s110之后，该资源处理调度方法还可以包括以下步骤：

步骤s101，判断所述资源调度请求的请求调度的类型；

步骤s102，根据请求调度的类型，查询所述资源处理调度系统的剩余可调度资源量；

步骤s103，若所述剩余可调度资源量小于所述资源调度请求中请求的资源量，拒绝所述资源调度请求。

其中，所述请求调度的类型包括调度处理器资源、调度存储器资源、调度设备资源以及调度信息资源等，对应地其资源量即为线程数、存储量、节点数以及文件量等。

在本公开的一个实施例中，资源调度系统100在接收到服务器200的资源调用请求后，在进行调度之前，还会判断其剩余可调度资源量是否满足此次调度的需求，若不满足，则拒绝所述资源调度请求，若满足，则再进行调度，以免资源占用过高导致，其在判断时，会先甄别所述资源调度请求的请求调度的类型，再根据调用类型查询资源处理调度系统100的剩余可调度资源量，因为不同的程序所需要占用的资源类型不同，需要占用的资源量也不一样。

可选的，图4是根据图2对应实施例示出的资源处理调度方法中步骤s120的细节描述，该资源处理调度方法中，所述资源凭证为图片格式，步骤s120可以包括以下步骤：

步骤s121，扫描所述资源凭证，提取所述资源凭证的第一凭证特征；

步骤s122，将所述提取的凭证特征输入机器学习模型，所述机器学习模型输出所述资源凭证出自的服务器。

在其中一个实施例中，所述第一凭证特征包括记载在所述资源凭证上的特征码，所述特征码为一串字符，例如是afbecgd。在本实施例中，机器学习模型通过所述特征码来确定所述资源凭证出自的服务器。例如是计算(a+c)×(b+d)的值，然后根据所述计算出的值判断所述资源凭证出自的服务器。

在另一个实施例中，所述第一凭证特征包括所述资源凭证图片的rgb值。扫描所述资源凭证，提取所述资源凭证的第一凭证特征后，将所述第一凭证特征输入第一机器学习模型，所述第一机器学习模型找出与所述第一凭证特征判断其出自的服务器。

所述第一机器学习模型如下训练出：

获取包括出自各个服务器的资源凭证的凭证样本集合，所述凭证样本集合中的每个资源凭证样本事先贴有服务器标签；

获取所述凭证样本集合中的每个资源凭证样本的第一凭证特征；

将所述凭证样本集合中的每个资源凭证样本的第一凭证特征逐一输入第一机器学习模型，第一机器学习模型输出判定的所述资源凭证出自的服务器，与贴有的服务器标签比对，如不一致，则调整所述第一机器学习模型，使所述机器学习模型输出的服务器与标签一致。

由于所述样本上已经贴有服务器标签，所以所述资源凭证样本出自的服务器是已知的。将该已知的结果作为期望的输出，训练该机器学习模型。学习的方式为：在外界输入样本的刺激下不断改变网络的连接权值。学习的本质是对各连接权重进行动态调整。由于期望的输出是已知的，如果机器学习模型输出的结果与该期望的输出不符，就自动调整各连接权重，直到得到的输出结果和期望的输出一致。这样，就训练好了第一机器学习模型。当第一机器学习模型训练得足够好后，只要将从所述资源凭证中提取的第一凭证特征一组一组输入第一机器学习模型，第一机器学习模型就会输出资源凭证出自的服务器。

可选的，图5是根据图2对应实施例示出的资源处理调度方法中步骤s130的细节描述，该资源处理调度方法中，步骤s130可以包括以下步骤：

步骤s131，获取所述资源凭证出自的服务器的标准凭证。

所述获取方式例如是向所述资源凭证出自的服务器发送获取标准凭证的请求后，接收所述服务器发送的标准凭证。

还可以是在所述资源调度系统中预先存储所述标准凭证，在需要使用时，直接调用所述预先存储的标准凭证。

步骤s132，提取所述标准凭证与所述资源凭证的第二凭证特征。

在本公开的一个实施例中，所述第二凭证特征包括所述资源凭证图片的长度、宽度以及在预定位置的灰度、对比度值。所述预定位置例如是图片的四角、两边或者中间等。

步骤s133，将所述标准凭证与所述资源凭证的第二凭证特征一起输入第二机器学习模型，所述第二机器学习模型输出所述资源凭证与所述标准凭证是否相同的结果。

在提取出所述标准凭证与所述资源凭证的第二凭证特征后，就可以将将所述标准凭证与所述资源凭证的第二凭证特征一起输入第二机器学习模型，第二机器学习模型求出所述将所述标准凭证与所述资源凭证的第二凭证特征之间的每一个差值，然后判断所述差值是否都在允许误差范围内，若是，则判断所述资源凭证与所述标准凭证相同，若不是，则所述资源凭证与所述标准凭证不相同。

步骤s134，根据所述第二机器学习模型输出的结果，判断所述资源调度请求的真伪。

最后若第二机器学习模型输出的结果为判断所述资源凭证与所述标准凭证相同，则可以判断所述资源调度请求为真，若第二机器学习模型输出的结果为判断所述资源凭证与所述标准凭证不相同，则可以判断所述资源调度请求为假，就可以拒绝所述调用请求。

所述第二机器学习模型如下训练出：

用出自同一服务器的资源凭证作为正样本对，出自不同服务器的资源凭证作为负样本对，所述正样本对与所述负样本对构成样本对集；

分别识别样本对集中的每个样本对的资源凭证的第二凭证特征；

将所述样本对集中的每一个样本对中的资源凭证的第二凭证特征逐一输入第二机器学习模型中进行学习，所述第二机器学习模型输出是否相同的判断结果，如果对于正样本对输出不相同的判断结果，或对于负样本对输出相同的判断结果，调整第二机器学习模型，使第二机器学习模型输出相反判断结果。

由于已知该样本对是正样本对还是负样本对，所以样本对中的两个数据凭证是否相同是已知的。将该已知的结果作为期望的输出，训练该机器学习模型。学习的方式为：在外界输入样本的刺激下不断改变网络的连接权值。学习的本质是对各连接权重进行动态调整。由于期望的输出是已知的，如果机器学习模型输出的结果与该期望的输出不符，就自动调整各连接权重，直到得到的输出结果和期望的输出一致。这样，就训练好了第二机器学习模型。当第二机器学习模型训练得足够好后，只要将从人脸照片中提取的两组人脸特征一组一组输入第二机器学习模型，第二机器学习模型就会输出所述资源凭证与所述标准凭证是否相同的结果。

可选的，图6是根据图2对应实施例示出的资源处理调度方法中步骤s150的细节描述，该资源处理调度方法中，步骤s150可以包括以下步骤：

步骤s151，对比凭证资源量和请求的资源量，确定最小的资源量为预定资源量；

步骤s152，对比预定资源量以及允许资源量，确定最小的资源量为最终调用的资源量，进行资源调度。

在本公开的一个实施例中，所述资源量为节点个数，例如是1个、2个、9个等。在本实施例中，所述请求的资源量为5个节点，所述凭证资源量为4个节点，确定的允许资源量为6个节点。则首先对比凭证资源量和请求的资源量，选取最小的资源量4个阶段作为预定资源量，所述预定资源量即为判断的所述服务器实际需要请求的资源量，然后再与允许资源量对比，选取最小的资源量4个节点为最终调用的资源量，进行资源调度，这样做也可以理解为对比预定资源量和允许资源量，判断预定资源量是否超出允许资源量，若超出，则以允许资源量作为最终调用的资源量，反之，则以预定资源量为最终调用的资源量。

在本公开的一个实施例中，所说资源调度为资金资源的调度，具体到本实施例中，即为报销，对应地，所述资源调度请求即为报销信息，所述请求的资源量即为报销金额，所述资源凭证即为票据，所述允许资源量即为允许额度金额。

故在本实施例中，所述报销方法的具体步骤为，报销系统在接收到报销金额和票据图片报销信息后，根据票据图片，识别票据的类型，其中，所述票据的票据类型包括火车票、汽车发票、飞机发票以及其他发票等，不同类型的票据其出自的服务器也各不相同，即本实施例在识别出所述票据的票据类型后，也就识别出了所述票据出自的服务器。在识别出票据类型后，再根据票据类型识别票据真伪，并确定所能允许此次报销的允许额度金额，然后识别票据的票据信息，所述票据信息包括票据的票据金额，最后对比票据金额和报销金额以及允许额度金额，确定报销的额度，进行报销。

在本公开的另一个实施例中，所述报销信息还可以包括报销人的身份信息。在传统的人工报销过程中，也会要求填写报销人的身份信息，以辅助判断是否报销以及报销的额度。所述报销人的身份信息，可以是报销人的姓名、工号、身份证号、护照号等证件号和指纹、虹膜人脸等生物信息以及其它可以唯一标识报销人身份的信息均可。其中，所述身份信息可以是提前录入设备后，每一次报销时直接调取身份信息，此方法适合私人设备，免去了重复录入的麻烦。也可以是每一次报销都录入一次身份信息，以确保正在操作的是报销人本人，此方法适合公用设备，可以供多人一起使用，节约成本。

在本公开的另一个实施例中，在识别票据类型时，是使用机器学习模型进行判断的，其具体步骤如下：

提取票据图片中的图片特征，所述图片特征包括票据的长度、宽度以及票据图片上的文字信息；

将票据图片的图片特征输入机器学习模型，机器学习模型输出票据类型。

所述机器学习模型如下训练：

获取各种类型的票据样本，形成票据样本集，所述票据样本集中的票据样本都贴有类型标签；

将所述票据样本集中的票据样本的图片特征输入机器学习模型，机器学习模型输出判定的票据类型，与贴有的类型标签比对，如不一致，则调整所述机器学习模型，使所述机器学习模型输出的类型与标签一致。

若判断出所述票据的票据类型是发票，根据所述发票的发票类型，在相应区域识别所述发票的识别特征，所述识别特征至少包括发票代码和发票号码中的任意一项；然后根据所述发票的识别特征，验证发票的真伪。同时若判断出所述票据的票据类型是发票，还要识别所述发票的用途和票据金额，所述其他发票可能是餐饮发票，也可能是住宿发票也可能是其他用途的发票，不同的用途的发票的允许报销的额度往往也不是一样的。例如，餐饮发票的报销金额往往要低于住宿发票的发票金额，故需要根据发票的用途辅助判断是否超过允许报销的金额。

若判断出所述票据的票据类型是飞机票，除验证所述发票的真伪外，还要在相应区域识别所述与发票一起的行程单的识别特征，验证行程单的真伪。

若判断出所述票据的票据类型为火车票，识别出所述车票的识别特征，所述识别特征至少包括火车票的21位码、二维码以及票号中的任意一项；然后根据所述发票的识别特征，验证发票的真伪。

此外，若判断出所述票据的票据类型是飞机票或者汽车发票以及火车票，还要识别所述发票的始发站和终到站，因为不同的行车区间往往允许报销的额度是不一样的，例如深圳到广州和深圳到北京的同等坐席的票价差距很大，其报销额度肯定是不一样的，故需要根据行车区间辅助判断是否超过允许报销的金额。

在本公开的一个事实例中所述确定报销额度的步骤可以包括以下步骤：

对比票据金额和报销金额，确定最小的金额为预定报销金额；

对比预定报销金额以及允许额度金额，确定最小的金额为报销的额度，进行报销。

在报销过程中，为了杜绝报销人故意多报的情况发生，故要设置报销金额、票据金额和允许报销额度三个数据综合判断此次报销应给予的报销额度。

首先要以报销人填写的报销金额为准，判断报销人上传的票据上的票据金额是否满足所述报销金额，若所述票据金额不小于报销金额，则应该以报销金额为准，进行报销，即选取报销金额为预报销金额。若所述票据金额小于报销金额，则证明此次实际花费的金额小于报销金额，应以实际花费金额为准，进行报销，即选取票据金额为预定报销金额。在获取预报销金额后，还需要确定所述预报销金额是否超过了允许的额度，若其超过了允许的额度，则只报销允许额度内的金额，若其未超出允许的额度，则报销所有预报销金额。

如图7所示，在一个实施例中，提供了一种资源处理调度装置，该资源处理调度装置可以集成于上述的资源调度系统100中，具体可以包括：请求接收单元110、服务器识别单元120、真伪识别单元130、信息识别单元140、资源调度单元150。

请求接收单元110，用于接收服务器的资源调度请求，所述资源调度请求包括请求的资源量和资源凭证；

服务器识别单元120，用于识别所述资源凭证出自的服务器；

真伪识别单元130，用于根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪；

信息识别单元140，用于识别所述资源凭证的凭证信息，所述凭证信息包括所述资源凭证的凭证资源量；

资源调度单元150，用于对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度。

上述装置中各个模块的功能和作用的实现过程具体详见上述资源处理调度方法中对应步骤的实现过程，在此不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施方式的电子设备500。图8显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示的步骤s110，接收服务器的资源调度请求，所述资源调度请求包括请求的资源量和资源凭证；步骤s120，识别所述资源凭证出自的服务器；步骤s130，根据所述资源凭证出自的服务器，识别所述资源调度请求的真伪，并确定所述资源调度系统允许所述资源凭证出自的服务器调度的允许资源量；步骤s140，识别所述资源凭证的凭证信息，所述凭证信息包括所述资源凭证的凭证资源量；步骤s150，对比凭证资源量和请求的资源量以及允许资源量，确定最终调用的资源量，进行资源调度。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。