一种基于深度学习的云物联负载均衡方法、装置及设备

本说明书涉及物联网领域，尤其涉及一种基于深度学习的云物联负载均衡方法、装置及设备。

近年来，云计算、物联网、雾计算技术不断融合发展，与现今比较成熟的云计算相比，雾计算将云和端之间的管道形成资源平台，在靠近用户的网络边缘侧构建业务平台，提供统一的存储、计算、网络等资源，并将部分关键业务应用下沉到接入网络边缘，减轻云端的压力。另一方面，随着万物互联时代的到来，海量的设备需要连接到云端，将会产生海量的数据，而智能设备与云端的交互也将更加频繁，特别是物联网设备端需要保持长连接，完成与云端的实时交互。

针对物联网应用，需要提供更加合理的均衡服务，减轻云数据中心的压力。

本说明书一个或多个实施例提供了一种基于深度学习的云物联负载均衡方法、装置及设备，用于解决如下技术问题：针对物联网应用，需要提供更加合理的均衡服务，减轻云数据中心的压力。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种基于深度学习的云物联负载均衡方法，其特征在于，所述方法包括：云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案；所述云物联应用根据所述资源申请方案在云数据中心与雾计算节点分配网络，以构建出云物联应用对应的业务网络；所述云物联应用根据对应的业务网络选取负载均衡服务，以便所述云数据中心将预先确定的云物联负载均衡模型分发至对应的云中心和雾计算节点，并对所述云物联应用提供负载均衡服务；所述云物联应用通过所述负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源，实现云物联负载均衡。

进一步地，云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案，具体包括：所述云物联应用在所述云数据中心发出资源申请指令，根据所述云物联应用的资源需求与所述云中心全局负载均衡模型，确定出资源申请方案，其中，所述资源申请方案包括资源情况、弹性伸缩要求与网络连接情况中的一项或多项。

进一步地，云物联应用根据对应的业务网络选取负载均衡服务，以便所述云数据中心将预先确定的云物联负载均衡模型分发至对应的云数据中心和雾计算节点，具体包括：所述云物联应用根据对应的业务网络选取负载均衡服务，以便所述云数据中心根据预先训练的通用云物联负载均衡模型与所述云物联应用的实际资源情况，确定出符合所述云物联应用的云物联负载均衡模型，并将所述符合所述云物联应用的云物联负载均衡模型分发至对应的云数据中心和雾计算节点。

进一步地，将所述符合所述云物联应用的云物联负载均衡模型分发至对应的云中心和雾计算节点，具体包括：所述云数据中心根据对应的云中心与雾计算节点的资源情况，确定出多个负载均衡服务节点，并将所述符合所述云物联应用的云物联负载均衡模型分发至对应的负载均衡服务节点。

进一步地，云物联应用通过所述负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源之前，所述方法还包括：所述云数据中心通过所述符合所述云物联应用的云物联负载均衡模型，确定出预测性负载均衡策略，并将所述预测性负载均衡策略下发至对应的负载均衡服务节点，以便所述负载均衡服务节点根据所述负载均衡服务节点更新所述云物联负载均衡模型。

进一步地，对所述云物联应用提供负载均衡服务，具体包括：所述云数据中心的负载均衡服务节点基于本地业务情况，并结合对应的云物联负载均衡模型，对所述云物联应用提供负载均衡服务。

进一步地，将所述符合所述云物联应用的云物联负载均衡模型分发至对应的负载均衡服务节点之前，所述方法还包括：将所述符合所述云物联应用的云物联负载均衡模型进行应用分析，以对负载均衡服务节点资源分配进行优化。

进一步地，通过预先训练的云中心全局负载均衡模型确定出资源申请方案之前，所述方法还包括：所述云数据中心收集云中心与雾计算节点的资源情况，并基于所述云中心与雾计算节点的资源情况训练云中心全局负载均衡模型；所述云数据中心收集云中心与雾计算节点的资源情况，并基于所述云中心与雾计算节点的资源情况优化所述云中心全局负载均衡模型。

本说明书一个或多个实施例提供一种基于深度学习的云物联负载均衡装置，包括：发送单元，用于云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案；分配单元，用于云物联应用根据所述资源申请方案在云数据中心与雾计算节点分配网络，以构建出云物联应用对应的业务网络；选取单元，用于云物联应用根据对应的业务网络选取负载均衡服务，以便所述云数据中心将预先确定的云物联负载均衡模型分发至对应的云中心和雾计算节点，并对所述云物联应用提供负载均衡服务；确定单元，用于云物联应用通过所述负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源，实现云物联负载均衡。

本说明书一个或多个实施例提供一种基于深度学习的云物联负载均衡设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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：云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案；所述云物联应用根据所述资源申请方案在云数据中心与雾计算节点分配网络，以构建出云物联应用对应的业务网络；所述云物联应用根据对应的业务网络选取负载均衡服务，以便所述云数据中心将预先确定的云物联负载均衡模型分发至对应的云中心和雾计算节点，并对所述云物联应用提供负载均衡服务；所述云物联应用通过所述负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源，实现云物联负载均衡。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过云中心全局负载均衡模型，合理的分配资源；另外，针对雾计算节点形成符合该节点的负载均衡模型，结合本地资源情况，实现物联网应用场景下的预测性负载均衡，更加高效合理的完成业务应用需求，减轻云数据中心的压力。

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书一个或多个实施例提供的一种基于深度学习的云物联负载均衡方法流程示意图；

图2为本说明书一个或多个实施例提供的一种基于深度学习的云物联负载均衡装置的结构示意图；

图3为本说明书一个或多个实施例提供的一种基于深度学习的云物联负载均衡设备的结构示意图。

本说明书实施例提供一种基于深度学习的云物联负载均衡方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

随着人工智能技术发展迅速，以深度学习为核心的算法演进，其超强的进化能力，在大数据的支持下，通过训练构建得到类似人脑结构的大规模神经网络，已经可以解决各类问题。通过神经网络已经在多个场景达到了很好的应用实践效果，这也打破了传统的模式识别方式，对整个各个理领域产生了颠覆性的变革。

近年来，云计算、物联网、雾计算技术不断融合发展，与现今比较成熟的云计算相比，雾计算将云和端之间的管道形成资源平台，在靠近用户的网络边缘侧构建业务平台，提供统一的存储、计算、网络等资源，并将部分关键业务应用下沉到接入网络边缘，减轻云端的压力。另一方面，随着万物互联时代的到来，海量的设备需要连接到云端，将会产生海量的数据，而智能设备与云端的交互也将更加频繁，特别是物联网设备端需要保持长连接，完成与云端的实时交互。针对物联网应用，通过在云端应用服务和设备端之间增加一层新的网络计算架构，将业务分发到最接近用户的网络“边缘”，提高交互的响应速度，传统的负载均衡方法一定程度上无法满足新的场景。在这种情况下，如何有效利用深度学习技术，结合云物联应用的特点，更加合理的提供物联网场景的负载均衡服务成为亟需解决的问题。

本说明书实施例提供了一种基于深度学习的云物联负载均衡方法、装置及设备，以解决如何有效利用深度学习技术，结合云物联应用的特点，更加合理的提供物联网场景的负载均衡服务的技术问题。下面结合附图进行说明。

图1为本说明书实施例提供的一种基于深度学习的云物联负载均衡方法流程图，如图1所示，基于深度学习的云物联负载均衡方法主要包括以下步骤：

步骤S101，云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案。

进一步地，在本说明书的一个实施例中，步骤S101具体可以包括：

云物联应用在所述云数据中心发出资源申请指令，根据所述云物联应用的资源需求与所述云中心全局负载均衡模型，确定出资源申请方案，其中，所述资源申请方案包括资源情况、弹性伸缩要求与网络连接情况中的一项或多项。

在本说明书的一个实施例中，云物联应用在云数据中心申请资源，根据云数据中心提供的业务规模、数据需求、计算需求等资源需求，通过云中心全局负载均衡模型为云物联应用提供资源建议申请方案，其中资源申请方案包括资源规模、资源分布情况、弹性伸缩要求及网络连接情况等。需要说明的是，云数据中心聚集大量的硬件资源，为业务应用提供云基础设施服务及平台支撑服务，多个云数据中心通过交互可以实现跨云管理和协同，同时管理雾计算节点，运行云物联应用业务。

通过预先训练的云中心全局负载均衡模型确定出资源申请方案之前，所述方法还包括：所述云数据中心收集云中心与雾计算节点的资源情况，并基于所述云中心与雾计算节点的资源情况训练云中心全局负载均衡模型；所述云数据中心收集云中心与雾计算节点的资源情况，并基于所述云中心与雾计算节点的资源情况优化所述云中心全局负载均衡模型。

在本说明书的一个实施例中，在通过云中心全局负载均衡模型为云物联应用提供资源建议申请方案之前，需要对云中心全局负载模型进行训练并优化。具体地，云数据中心收集云中心和雾计算节点的历史数据，其中，历史数据包括业务应用访问情况、资源利用情况等历史数据，将海量的与云中心和雾计算节点的历史数据输入至云中心全局负载均衡模型中，对云中心全局负载均衡模型进行训练；云数据中心收集云中心与雾计算节点的资源情况，并基于云中心与雾计算节点的资源情况优化云中心全局负载均衡模型。

需要说明的是，云中心全局负载均衡模型主要是由CNN卷积神经网络结合注意力机制形成的神经网络模型，同时结合了传统的规则判断模型，基于云数据中心以及雾计算节点的全局实际运行资源状况实现业务应用系统的负载均衡。雾计算节点是部署在云端与设备端之间管道上的资源节点，具有较强的计算存储网络能力，同时与云数据中心连接，由云数据中心统一管理，将云端服务推送到雾计算节点，承载靠近用户侧运行的服务和应用。

在本说明书的一个实施例中，云数据中心根据云物联应用的特点，将资源划分成数据型资源、物联网连接型资源、计算型资源以及网络型资源等多种资源类型。

在本说明书的一个实施例中，云中心全局负载均衡模型采集与云物联应用有关的资源数据，将收集到的与云物联应用有关的资源数据输入至云物联负载均衡模型中，对云物联负载均衡模型进行训练。需要说明的是，云物联负载均衡模型主要是针对物联网场景，运行在云数据中心或者雾计算节点上的模型。云物联负载均衡模型是基于CNN卷积神经网络结合注意力机制形成的神经网络模型，并结合传统的规则模型形成的，通过划分业务应用场景，设置不同的负载均衡策略，并针对物联网设备需要长连接的特点，将设备长连接负载和数据业务负载分离，形成更有效的负载均衡策略，同时基于物联网周期性访问以及其位置信息等特点，通过训练形成的有针对性的模型。

步骤S102，云物联应用根据资源申请方案在云数据中心与雾计算节点分配网络，以构建出云物联应用对应的业务网络。

在本说明书的一个实施例中，在确定资源申请方案之后，云物联应用根据资源申请方案，在云数据中心、云中心以及雾计算节点分配网络，构建云物联应用对应的业务网络。

步骤S103，云物联应用根据对应的业务网络选取负载均衡服务，以便云数据中心将预先确定的云物联负载均衡模型分发至对应的云中心和雾计算节点，并对云物联应用提供负载均衡服务。

进一步地，在本说明书的一个实施例中，步骤S103具体可以包括：

所述云物联应用根据对应的业务网络选取负载均衡服务，以便所述云数据中心根据预先训练的通用云物联负载均衡模型与所述云物联应用的实际资源情况，确定出符合所述云物联应用的云物联负载均衡模型，并将所述符合所述云物联应用的云物联负载均衡模型分发至对应的云数据中心和雾计算节点。

在本说明书的一个实施例中，云物联应用根据步骤S102中对应的业务网络选取负载均衡服务，云数据中心根据通用的云物联负载均衡模型以及云物联应用的实际资源情况，为云物联应用生成符合该云物联应用的云物联负载均衡模型。需要说明的是，负载均衡服务主要是面向云数据中心以及雾计算节点，通过服务形式为云物联应用提供高效的负载均衡功能。

在本说明书的一个实施例中，云数据中心对云物联负载均衡模型进行个性化的优化和分发。具体为，云数据中心收集云中心与雾计算节点的资源情况，基于云中心与雾计算节点的资源情况优化云物联负载均衡模型，并将优化后的云物联负载均衡模型分发到云中心主机和雾计算节点。

所述将所述符合所述云物联应用的云物联负载均衡模型分发至对应的云中心和雾计算节点，具体包括：所述云数据中心根据对应的云中心与雾计算节点的资源情况，确定出多个负载均衡服务节点，并将所述符合所述云物联应用的云物联负载均衡模型分发至对应的负载均衡服务节点。

具体地，云数据中心根据云物联应用对应的云中心的物理环境、雾计算节点的资源状况与资源的分布情况，形成多个负载均衡服务节点。云数据中心通过对云中心与雾计算节点的云物联负载均衡模型的分析判断，将符合云物联应用的云物联负载均衡模型提前下发至负载均衡服务节点。

所述云物联应用通过所述负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源之前，方法还包括：所述云数据中心通过所述符合所述云物联应用的云物联负载均衡模型，确定出预测性负载均衡策略，并将所述预测性负载均衡策略下发至对应的负载均衡服务节点，以便所述负载均衡服务节点根据所述负载均衡服务节点更新所述云物联负载均衡模型。

具体地，云数据中心根据符合云物联应用的对应的云物联负载均衡模型确定预测性负载均衡策略，并将预测性负载均衡策略下发至对应的负载均衡服务节点。负载均衡服务节点根据本地的云物联负载均衡模型，并结合云数据中心形成的预测性负载均衡策略，更新位于该负载均衡服务节点的云物联负载均衡模型。

所述对所述云物联应用提供负载均衡服务，具体包括：所述云数据中心的负载均衡服务节点基于本地业务情况，并结合对应的云物联负载均衡模型，对所述云物联应用提供负载均衡服务。

具体地，负载均衡服务节点根据本地的业务情况，结合本地的云物联负载均衡模型，对云物联应用提供负载均衡服务。需要说明的是，持续收集对应云物联应用运行期间的资源、流量、访问等日志数据，在网络空闲时刻，汇聚到云数据中心。云数据中心根据对应云物联应用的实际运行数据，对相应的云物联负载均衡模型进行训练，形成面向该云物联应用的有针对性的模型。

所述将所述符合所述云物联应用的云物联负载均衡模型分发至对应的负载均衡服务节点之前，所述方法还包括：将所述符合所述云物联应用的云物联负载均衡模型进行应用分析，以对负载均衡服务节点资源分配进行优化。

具体地，云数据中心对符合云物联应用的云物联负载均衡模型进行应用分析，对负载均衡服务节点资源分配进行优化，通过分发云物联负载均衡模型，实现个性化的负载均衡，提高资源利用率。

步骤S104，云物联应用通过负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源，实现云物联负载均衡。

在本说明书一个实施例中，云物联应用通过负载均衡服务确定出符合预设要求的资源，其中符合预设要求的资源为雾计算节点或云中心的资源，最后，实现云物联负载均衡。

图2为本说明书一个实施例提供的一种基于深度学习的云物联负载均衡装置的结构示意图。基于深度学习的云物联负载均衡装置包括：发送单元202，用于云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案；分配单元204，用于云物联应用根据资源申请方案在云数据中心与雾计算节点分配网络，以构建出云物联应用对应的业务网络；选取单元206，用于云物联应用根据对应的业务网络选取负载均衡服务，以便云数据中心将预先确定的云物联负载均衡模型分发至对应的云中心和雾计算节点，并对云物联应用提供负载均衡服务；确定单元208，用于云物联应用通过负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源，实现云物联负载均衡。

图3为本说明书一个实施例提供的一种基于深度学习的云物联负载均衡设备的结构示意图，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：云物联应用在云数据中心发出资源申请指令，通过预先训练的云中心全局负载均衡模型确定出资源申请方案；云物联应用根据资源申请方案在云数据中心与雾计算节点分配网络，以构建出云物联应用对应的业务网络；云物联应用根据对应的业务网络选取负载均衡服务，以便云数据中心将预先确定的云物联负载均衡模型分发至对应的云中心和雾计算节点，并对云物联应用提供负载均衡服务；云物联应用通过负载均衡服务确定出符合预设要求的雾计算节点或云中心的资源，实现云物联负载均衡。

本说明书的一个或多个实施例提出的技术方案中，基于深度学习的云物联负载均衡方法，利用深度学习技术，同时结合传统的规则判定模型，形成负载均衡模型，并根据海量的云物联应用数据对模型进行训练；采用注意力机制的卷积神经网络主要结构，能够更好的挖掘物联网应用业务周期性、时序性以及位置属性产生的业务特征，形成更加合理的预测性负载均衡；在本说明书的一个或多个实施例中，综合考虑物联网应用的特点，将资源划分成数据型资源、物联网连接型资源、计算型资源、网络型资源等多种资源，结合云物联业务，将南向物联网设备连接、数据采集业务、指令下发业务、设备管理服务以及北向应用业务，采用不同的负载策略，云数据中心和雾计算节点采用统一规划业务负载均衡服务，通过跨云协同和云雾协同，形成有针对性的负载均衡解决方案，同时改善云物联业务的整体资源分配，尽量将南北向业务负载推送至最接近业务的边缘侧，提升处理效率；针对雾计算节点，将采用符合该节点本地实际资源使用状况的模型，同时与云端保持联动，持续优化本地模型，针对具体云物联应用形成个性化的的预测性云物联负载均衡模型，更加高效合理的完成业务应用需求，减轻云数据中心的压力，提升业务访问效率和用户体验，更加合理的利用资源，进而降低用户成本。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。