水务智联设备及其控制方法与流程

本技术涉及智能化控制，并且更具体地，涉及一种水务智联设备及其控制方法。

背景技术：

1、因为水务行业具有大量数据采集及集成应用需求，同时采集的数据也存在于工控业务网内，所以对安全及互联有着相对较高的要求。传统的数据传输结构方面主要是通过虚拟化+前置机的方式来实现，在一定程度上完成了安全隔离。

2、为了保证业务的稳定性，在网内也预留了业务互联端口来保证远程运维通道的开放。现在通过水务管理数字安全智能终端的应用，端业务的安全得到了保障，但是还缺乏统一并安全的管理手段。

3、因此，期待一种水务智联解决方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种水务智联设备及其控制方法，其获取分布式服务器集群中各个服务器在预定时间段内多个预定时间点的剩余计算资源量；采用基于深度学习的人工智能技术，以所述分布式服务器集群为切入点并以所述分布式服务器集群中各个服务器的实时计算资源的剩余情况来自适应地分配计算资源承担比例，以更为合理地利用各个服务器之间的协同性以及各个服务器自身的特异性。

2、第一方面，提供了一种水务智联设备，其包括：数据获取模块，用于获取分布式服务器集群中各个服务器在预定时间段内多个预定时间点的剩余计算资源量；向量排列模块，用于将所述各个服务器在预定时间段内多个预定时间点的剩余计算资源量分别按照时间维度排列为输入向量以得到多个计算资源时序输入向量；时序特征提取模块，用于将所述多个计算资源时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到多个计算资源时序特征向量；拓扑矩阵构造模块，用于构造所述分布式服务器集群中各个服务器之间的通信距离拓扑矩阵；特征提取模块，用于将所述通信距离拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到通信拓扑特征矩阵；图神经网络模块，用于将所述多个计算资源时序特征向量和所述通信拓扑特征矩阵通过图神经网络模型以得到拓扑全局计算资源时序特征矩阵；优化模块，用于对所述拓扑全局计算资源时序特征矩阵进行特征分布的整体性加强以得到优化拓扑全局计算资源时序特征矩阵；矩阵乘积计算模块，用于以所述多个计算资源时序特征向量中各个计算资源时序特征向量作为查询特征向量，计算其与所述优化拓扑全局计算资源时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；归一化处理模块，用于将所述多个分类特征向量通过分类器以得到多个概率值，并将所述多个概率值进行基于最大值的归一化处理以得到多个归一化概率值；以及任务量分配计算模块，用于以所述多个归一化概率值作为分配比例，为所述分布式服务器集群中各个服务器分配计算任务量。

3、在上述水务智联设备中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

4、在上述水务智联设备中，所述时序特征提取模块，包括：第一尺度特征提取单元，用于将所述多个计算资源时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度计算资源特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；第二尺度特征提取单元，用于将所述多个计算资源时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度计算资源特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，多尺度级联单元，用于将所述第一尺度计算资源特征向量和所述第二尺度计算资源特征向量进行级联以得到所述多个计算资源时序特征向量。

5、在上述水务智联设备中，所述特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述通信拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述通信距离拓扑矩阵。

6、在上述水务智联设备中，所述优化模块，用于：以如下优化公式对所述拓扑全局计算资源时序特征矩阵进行特征分布的整体性加强以得到优化拓扑全局计算资源时序特征矩阵；其中，所述优化公式为：，其中，是所述拓扑全局计算资源时序特征矩阵，是所述优化拓扑全局计算资源时序特征矩阵， 是所述拓扑全局计算资源时序特征矩阵的转置矩阵，且 是所述拓扑全局计算资源时序特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，是所述距离矩阵的转置矩阵， 表示所述拓扑全局计算资源时序特征矩阵的各个行向量，表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值为幂的自然指数函数值， 和分别表示按位置点乘和矩阵加法。

7、在上述水务智联设备中，所述归一化处理模块，用于：使用所述分类器以如下分类公式对所述多个分类特征向量进行处理以得到所述多个概率值；其中，所述分类公式为：，其中，表示所述多个分类特征向量， 为全连接层的权重矩阵，表示全连接层的偏向向量。

8、第二方面，提供了一种水务智联控制方法，其包括：获取分布式服务器集群中各个服务器在预定时间段内多个预定时间点的剩余计算资源量；将所述各个服务器在预定时间段内多个预定时间点的剩余计算资源量分别按照时间维度排列为输入向量以得到多个计算资源时序输入向量；将所述多个计算资源时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到多个计算资源时序特征向量；构造所述分布式服务器集群中各个服务器之间的通信距离拓扑矩阵；将所述通信距离拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到通信拓扑特征矩阵；将所述多个计算资源时序特征向量和所述通信拓扑特征矩阵通过图神经网络模型以得到拓扑全局计算资源时序特征矩阵；对所述拓扑全局计算资源时序特征矩阵进行特征分布的整体性加强以得到优化拓扑全局计算资源时序特征矩阵；以所述多个计算资源时序特征向量中各个计算资源时序特征向量作为查询特征向量，计算其与所述优化拓扑全局计算资源时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；将所述多个分类特征向量通过分类器以得到多个概率值，并将所述多个概率值进行基于最大值的归一化处理以得到多个归一化概率值；以及以所述多个归一化概率值作为分配比例，为所述分布式服务器集群中各个服务器分配计算任务量。

9、在上述水务智联控制方法中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

10、在上述水务智联控制方法中，将所述多个计算资源时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到多个计算资源时序特征向量，包括：将所述多个计算资源时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度计算资源特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；将所述多个计算资源时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度计算资源特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度计算资源特征向量和所述第二尺度计算资源特征向量量进行级联以得到所述多个计算资源时序特征向量。

11、在上述水务智联控制方法中，将所述通信距离拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到通信拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述通信拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述通信距离拓扑矩阵。

12、与现有技术相比，本技术提供的水务智联设备及其控制方法，其获取分布式服务器集群中各个服务器在预定时间段内多个预定时间点的剩余计算资源量；采用基于深度学习的人工智能技术，以所述分布式服务器集群为切入点并以所述分布式服务器集群中各个服务器的实时计算资源的剩余情况来自适应地分配计算资源承担比例，以更为合理地利用各个服务器之间的协同性以及各个服务器自身的特异性。