1.本發明涉及算力體系布局技術領域，具體為一種算力體系預測布局優化方法。
背景技術：
2.隨著5g技術的發展，5g的海量機器類通信，將會實現萬物互聯，產生的海量數據需要傳輸和計算。城市街道的天眼系統，每天都會采集海量的視頻信息，要讓這些視頻信息發揮更大的作用，需要將視頻信息傳輸到云計算機，經過云計算機的計算而獲得結果，將計算結果回傳。這只是兩個很有代表性的運用領域，隨著數字經濟的發展，各行各業產生的大數據，需要計算，挖掘大數據的價值。
3.簡單地布局云計算機，面對未來大數據的發展，會受到傳輸網絡的限制，傳輸網絡的傳輸力是有上限的，云計算機的算力也是有上限的；面對暴增的大數據，傳輸網絡的傳輸力達到上限，大數據無法低延時送達云計算機，無法提高云計算機的使用效率；面對自然災害、不可預知的事故，造成部分傳輸網絡或者部分云計算機不能工作，傳輸網絡不能穩定和及時地傳輸大數據，云計算機不能穩定和及時地處理大數據。
技術實現要素：
4.針對以上問題，本發明的目的在于動態檢測算力的區域需求，動態計算算力的區域增量，模擬算力體系的架構，進行算力體系的虛擬布局，提供一種算力體系預測布局優化方法。
5.實現本發明目的的技術解決方案為：一種算力體系預測布局優化方法，實現所述方法的具體步驟如下：步驟一, 進行三維模擬，分別將云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小，模擬到優化服務器的三維模型空間中；需要說明的是，將云計算機的空間分布和算力大小，實時映射到所述優化服務器的三維模型空間中，將準確模擬云計算機的空間分布和算力大小，這是整個優化系統的數據基礎，需要準確性和及時性；將傳輸網絡的連接結構和傳輸力大小，實時映射到所述優化服務器的三維模型空間中，將準確模擬傳輸網絡的連接結構和傳輸力大小，這是整個優化系統的數據基礎，需要準確性和及時性；將大數據的產生區域和數據量大小，實時映射到所述優化服務器的三維模型空間中，采用統計函數統計大數據在產生區域內數據量的變化趨勢，為整個優化系統提供優化的基礎數據；進一步地，所述優化服務器設置5g通信模組；在云計算機的所在地設置定位芯片、5g通信模組，實現所述優化服務器對所述云計算機的定位，以5g通信方式采集所述云計算機的算力大小和算力使用情況；在傳輸網絡的節點設置定位芯片、5g通信模組，實現所述優化服務器對所述傳輸網絡節點的路由器或者交換機的定位，以5g通信方式采集所述傳輸網絡節點的路由器或者交換機的傳輸力大小和傳輸力使用情況；對大數據的產生區域和數據量大小監控，通過對數據接入的路由器或者交換機接口進行監控；
進一步地，三維模型空間實現對所述云計算機和所述傳輸網絡的三維坐標定位，所述三維模型空間的模型，內置卷積神經網絡和ai算法；更進一步地，在三維模型空間中，一一映射現實的運行關系：云計算機與傳輸網絡的連接關系，傳輸網絡傳輸大數據的傳輸路徑關系，云計算機處理大數據及回饋處理結果的關系；步驟二，收集建立結構單元模型的基礎數據，采用卷積神經網絡提取云計算機、傳輸網絡、大數據的特征，訓練模型內置的卷積神經網絡和ai算法；需要說明的是，收集建立結構單元模型的基礎數據，所述基礎數據就是采用卷積神經網絡提取的具體特征，所述具體特征為：云計算機的空間分布、算力大小、算力的有效上限、算力的使用情況、算力的空置情況，傳輸網絡的連接結構、傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況，大數據的產生區域和數據量大??；需要進一步說明的是，采用ai算法動態采集云計算機、傳輸網絡和大數據的信息，不斷比對實現中的云計算機、傳輸網絡和大數據的信息，并不斷訓練模型中內置的卷積神經網絡和ai算法，達到實現中與模型中的云計算機、傳輸網絡和大數據的實時信息趨同的目的；步驟三，建立所述云計算機與所述傳輸網絡的結構單元模型；需要說明的是，結構單元模型包括：數據發散模型、數據二分模型、數據三分模型，所述云計算機與所述傳輸網絡的結構，可以采用單一的數據發散模型、數據二分模型、數據三分模型，可以是數據發散模型與數據二分模型、數據二分模型與數據三分模型、數據發散模型與數據三分模型兩者的組合，更可以是數據發散模型、數據二分模型、數據三分模型三者的組合；步驟四ai中區域文本的使用，采用結構單元模型優化算力體系的布局，動態采集大數據增量的產生區域和數據增量的趨勢，在三維模型空間中，采用ai算法智能優化算力體系的布局；需要說明的是，用ai算法虛擬調整結構單元模型，調整的內容包括：云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大??；優選的，在三維模型空間中，采用ai算法模擬隨機故障，檢驗算力體系布局的應急能力。
6.與現有技術相比，本發明的有益效果包括：（1）、云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小，模擬到優化服務器的三維模型空間中，算力體系的布局，采用模擬的布局優化，以ai算法結合卷積神經網絡，提升布局優化智能水平，能夠提升算力體系布局的優化效果，減少現實的試錯成本；（2）、結構單元模型采用數據發散模型、數據二分模型、數據三分模型，進行智能組合，提升模型的組合效率；提升訓練模型效率和效果，提升了模型的智能水平；（3）、模擬系統能夠測試算力體系布局的應急能力。
附圖說明
7.為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
8.圖1是一種算力體系預測布局優化方法的流程示意圖；圖2是一種算力體系預測布局優化方法的數據發散模型示意圖；圖3是一種算力體系預測布局優化方法的數據二分模型示意圖；圖4是一種算力體系預測布局優化方法的數據三分模型示意圖。
具體實施方式
9.為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合附圖，對本發明實施例中的技術方案進行清楚、完整的描述。顯然，所描述的實施例是本發明的一部分實施例，而不是全部的實施例。
10.因此，以下對本發明的實施例的詳細描述并非旨在限制要求保護的本發明的范圍，而是僅僅表示本發明的部分實施例?；诒景l明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
11.需要說明的是，在不沖突的情況下，本發明中的實施例及實施例中的特征和技術方案可以相互組合。
12.應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。
13.具體的實施例是對一種采用公共數據壓縮二進制代碼組幀的方法的數據進行還原。
14.下面結合實施例對本發明作進一步詳細描述。
15.實施例：如圖1至圖4所示，本發明提供了一種算力體系預測布局優化方法，實現所述方法的具體步驟如下：步驟一, 進行三維模擬，分別將云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小，模擬到優化服務器的三維模型空間中；步驟二，收集建立結構單元模型的基礎數據，采用卷積神經網絡提取云計算機、傳輸網絡、大數據的特征，訓練模型內置的卷積神經網絡和ai算法；步驟三，建立所述云計算機與所述傳輸網絡的結構單元模型；步驟四，采用結構單元模型優化算力體系的布局，動態采集大數據增量的產生區域和數據增量的趨勢，在三維模型空間中，采用ai算法智能優化算力體系的布局。
16.其中，步驟一, 包括進行三維模擬，分別將云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小，模擬到優化服務器的三維模型空間中；在三維模型空間中，用計算機的三維模型圖表示云計算機，計算機的三維模型圖與現實的云計算機的空間位置，形成一一映射的關系；計算機的三維模型圖內置卷積神經網絡和ai算法，模擬現實的云計算機的算力，并采用數字的方式顯示，實時顯示算力大小、算力的有效上限、算力的使用情況和算力的空置情況；在三維模型空間中，用三維的管道表示傳輸網絡，三維的管道內置卷積神經網絡和ai算法，模擬現實的傳輸網絡的傳輸力ai中區域文本的使用，并采用數字的方式顯示，實時顯示傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況；在三維模型空間中，用容器內的流動液體表示大數據，容器內的流動液體
內置卷積神經網絡和ai算法，模擬現實的大數據的數據量大??；在三維模型空間中，傳輸網絡將大數據傳輸到云計算機的流程是：容器內的流動液體經過三維的管道，流向計算機的三維模型圖；在三維模型空間中，云計算機將處理大數據的結果反饋給客戶端的流程是：云計算機內的流動液體變少，表示從大數據變成處理大數據的結果，數據量變小，云計算機內的流動液體經過三維的管道，流向客戶端，客戶端用小人頭像表示。
17.優選的，步驟一還包括：三維模型空間是模型在三維空間中能實現三維坐標定位，模型內置卷積神經網絡和ai算法；模型包括：計算機的三維模型圖、三維的管道、容器內的流動液體、小人頭像，采用模型表示云計算機、傳輸網絡、大數據和客戶端，直觀地表示四者的關系；將卷積神經網絡和ai算法內置到模型中形成模塊，模型的刪減和增加，對應的是卷積神經網絡和ai算法的刪減和增加，模型之間的關系通過模型的圖形連接，內在的邏輯關系由卷積神經網絡和ai算法智能連接。
18。為了更好的實現本發明的目的，步驟二：收集建立結構單元模型的基礎數據，采用卷積神經網絡提取云計算機、傳輸網絡、大數據的特征，訓練模型內置的卷積神經網絡和ai算法；需要說明的是，采用卷積神經網絡提取云計算機、傳輸網絡、大數據的特征，用ai算法虛擬調整：云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小；卷積神經網絡和ai算法相互融合；將云計算機的空間分布、算力大小、算力的有效上限、算力的使用情況、算力的空置情況顯示在計算機的三維模型圖上；將傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況顯示在三維的管道上；將大數據的數據量大小顯示在容器內的流動液體上；優選的，步驟二還包括：訓練模型內置的卷積神經網絡和ai算法，采用ai算法動態采集云計算機、傳輸網絡和大數據的信息，不斷比對實現中的云計算機、傳輸網絡和大數據的信息，并不斷訓練模型中內置的卷積神經網絡和ai算法，達到實現中的云計算機、傳輸網絡和大數據的實時信息，與模型中的云計算機、傳輸網絡和大數據的實時信息趨同的目的；首先，采用一一映射的方式，采用ai算法將現實中的大數據的產生區域和數據量大小映射到對應的容器內的流動液體上，采用ai算法將現實中的傳輸網絡的傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況映射到三維的管道上，采用ai算法將云計算機的算力大小、算力的有效上限、算力的使用情況、算力的空置情況映射到計算機的三維模型圖上，完成卷積神經網絡和ai算法的初步訓練；其次，采用一一映射的方式，采用ai算法連續采集現實中的大數據的產生區域和數據量大小，采用ai算法間斷采集現實中的傳輸網絡的傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況映射到三維的管道上，讓卷積神經網絡和ai算法模擬運算，不斷地比對現實中的傳輸網絡的傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況，在模型中修正卷積神經網絡和ai算法，采用ai算法間斷采集現實中的云計算機的算力大小、算力的有效上限、算力的使用情況、算力的空置情況映射到計算機的三維模型圖上，讓卷積神經網絡和ai算法模擬運算，不斷地比對現實中的的云計算機的算力大小、算力的有效上限、算力的使用情況、算力的空置情況，在模型中修正卷積神經網絡和ai算法；最后，采用一一映射的方式，采用ai算法連續采集現實中的大數據的產生區域和數據量大小，達到的目的是：采用ai算法間斷采集現實中的傳輸網絡的傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況，與模型中卷積神經網絡和ai算法模擬的傳輸網絡的傳輸力大小、傳輸力的有效上
限、傳輸力的使用情況、傳輸力的空置情況一致；采用ai算法間斷采集現實中的云計算機的算力大小、算力的有效上限、算力的使用情況、算力的空置情況，與模型中卷積神經網絡和ai算法模擬的云計算機的算力大小、算力的有效上限、算力的使用情況、算力的空置情況一致。
19。為了更好的實現本發明的目的，步驟三：建立所述云計算機與所述傳輸網絡的結構單元模型；結構單元模型包括：數據發散模型、數據二分模型、數據三分模型；需要說明的是，圖2至圖4的傳輸網絡的雙箭頭表示數據的雙向傳輸；結合圖2，數據發散模型由第一處大數據源頭201、第一組云計算機101、第二組云計算機102、第三組云計算機103、第一傳輸網絡301、第二傳輸網絡302、第三傳輸網絡303組成，第一處大數據源頭201通過第一傳輸網絡301與第一組云計算機101建立相互通信的關系；第一處大數據源頭201通過第二傳輸網絡302與第二組云計算機102建立相互通信的關系；第一處大數據源頭201通過第三傳輸網絡303與第三組云計算機103建立相互通信的關系，需要說明的是，圖2的數據發散模型實現了第一處大數據源頭201的發散處理模式，第一處大數據源頭201的大數據可以由第一組云計算機101、第二組云計算機102、第三組云計算機103共同處理，也可選擇部分的云計算機處理數據，同時，當第一處大數據源頭201的大數據暴增，第一處大數據源頭201可以通過第一傳輸網絡301、第二傳輸網絡302、第三傳輸網絡303分散地向外傳輸，發散的傳輸網絡數量可以增加，對應地增加云計算機；結合圖3，數據二分模型由第二處大數據源頭202、第三處大數據源頭203、第四處大數據源頭204、第四組云計算機104、第五組云計算機105、第六組云計算機106、第四傳輸網絡304、第五傳輸網絡305、第六傳輸網絡306、第七傳輸網絡307、第八傳輸網絡308、第九傳輸網絡309組成，第二處大數據源頭202通過第四傳輸網絡304與第四組云計算機104建立相互通信的關系，第二處大數據源頭202通過第五傳輸網絡305與第五組云計算機105建立相互通信的關系，第三處大數據源頭203通過第六傳輸網絡306與第五組云計算機105建立相互通信的關系，第三處大數據源頭203通過第七傳輸網絡307與第六組云計算機106建立相互通信的關系，第四處大數據源頭204通過第八傳輸網絡308與第六組云計算機106建立相互通信的關系，第四處大數據源頭204通過第九傳輸網絡309與第四組云計算機104建立相互通信的關系，需要說明的是，圖3的數據二分模型，第二處大數據源頭202、第三處大數據源頭203、第四處大數據源頭204都有兩條傳輸網絡負責數據的傳輸，第二處大數據源頭202、第三處大數據源頭203、第四處大數據源頭204都有相鄰的兩組云計算機；結合圖4，數據三分模型由第五處大數據源頭205、第六處大數據源頭206、第七處大數據源頭207、第七組云計算機107、第八組云計算機108、第九組云計算機109、第十組云計算機110、第十傳輸網絡310、第十一傳輸網絡311、第十二傳輸網絡312、第十三傳輸網絡313、第十四傳輸網絡314、第十五傳輸網絡315、第十六傳輸網絡316、第十七傳輸網絡317、第十八傳輸網絡318組成，第五處大數據源頭205通過第十傳輸網絡310與第七組云計算機107建立相互通信的關系，第五處大數據源頭205通過第十一傳輸網絡311與第八組云計算機108建立相互通信的關系，第五處大數據源頭205通過第十六傳輸網絡316與第十組云計算機110建立相互通信的關系；第六處大數據源頭206通過第十二傳輸網絡312與第八組云計算機108建立相互通信的關系，第六處大數據源頭206通過第十三傳輸網絡313與第九組云計算機109建立相互通信的關系，第六處大數據源頭206通過第十七傳輸網絡317與第十
組云計算機110建立相互通信的關系；第七處大數據源頭207通過第十四傳輸網絡314與第九組云計算機109建立相互通信的關系，第七處大數據源頭207通過第十五傳輸網絡315與第七組云計算機107建立相互通信的關系，第七處大數據源頭207通過第十八傳輸網絡318與第十組云計算機110建立相互通信的關系；需要說明的是，圖4的數據三分模型，第五處大數據源頭205、第六處大數據源頭206、第七處大數據源頭207都有三條傳輸網絡負責數據的傳輸，第五處大數據源頭205、第六處大數據源頭206、第七處大數據源頭207都有相鄰的三組云計算機。
20.為了更好的實現本發明的目的，步驟四：采用結構單元模型優化算力體系的布局，動態采集大數據增量的產生區域和數據增量的趨勢，在三維模型空間中，采用ai算法智能優化算力體系的布局；根據實際情況，選擇數據發散模型、數據二分模型、數據三分模型，對云計算機、傳輸網絡進行布局，算力體系包括云計算機的算力和傳輸網絡的傳輸力；需要說明的是，動態采集大數據增量的產生區域和數據量大小，在三維模型空間中，采用ai算法智能優化算力體系的布局；根據大數據增量的產生區域和數據量大小，優化云計算機的空間分布和算力大小，并重新優化云計算機、傳輸網絡、大數據的連接關系，采用一一映射的方式，采用ai算法連續采集現實中的大數據的產生區域和數據量大小，采用卷積神經網絡和ai算法模擬運算，將傳輸網絡的傳輸力大小、傳輸力的有效上限、傳輸力的使用情況、傳輸力的空置情況顯示到三維的管道上，將云計算機的算力大小、算力的有效上限、算力的使用情況、算力的空置情況顯示到計算機的三維模型圖上；以預測的方式不斷調整算力體系，達到預測布局優化的目的。
21.以上實施例僅用以說明本發明而并非限制本發明所描述的技術方案，盡管本說明書參照上述的各個實施例對本發明已進行了詳細的說明，但本發明不局限于上述具體實施方式，因此任何對本發明進行修改或等同替換；而一切不脫離發明的精神和范圍的技術方案及其改進，其均涵蓋在本發明的權利要求范圍當中。
技術特征：
1.一種算力體系預測布局優化方法，其特征在于，實現所述方法的具體步驟如下：步驟一, 進行三維模擬，分別將云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小，模擬到優化服務器的三維模型空間中；步驟二，收集建立結構單元模型的基礎數據，采用卷積神經網絡提取云計算機、傳輸網絡、大數據的特征，訓練模型內置的卷積神經網絡和ai算法；步驟三，建立所述云計算機與所述傳輸網絡的結構單元模型；步驟四，采用結構單元模型優化算力體系的布局，動態采集大數據增量的產生區域和數據增量的趨勢，在三維模型空間中，采用ai算法智能優化算力體系的布局。2.根據權利要求1所述的一種算力體系預測布局優化方法，其特征在于：在步驟一中，所述優化服務器設置5g通信模組；在云計算機的所在地設置定位芯片、5g通信模組，實現所述優化服務器對所述云計算機的定位，以5g通信方式采集所述云計算機的算力大小和算力使用情況；在傳輸網絡的節點設置定位芯片、5g通信模組，實現所述優化服務器對所述傳輸網絡節點的路由器或者交換機的定位，以5g通信方式采集所述傳輸網絡節點的路由器或者交換機的傳輸力大小和傳輸力使用情況；對大數據的產生區域和數據量大小監控，通過對數據接入的路由器或者交換機接口進行監控。
3.根據權利要求1所述的一種算力體系預測布局優化方法，其特征在于：在步驟一中，三維模型空間實現對所述云計算機和所述傳輸網絡的三維坐標定位，所述三維模型空間的模型，內置卷積神經網絡和ai算法。4.根據權利要求1所述的一種算力體系預測布局優化方法，其特征在于：在步驟一中，在三維模型空間中，一一映射現實的運行關系：云計算機與傳輸網絡的連接關系，傳輸網絡傳輸大數據的傳輸路徑關系，云計算機處理大數據及回饋處理結果的關系。5.根據權利要求1所述的一種算力體系預測布局優化方法，其特征在于：在步驟三中，結構單元模型包括：數據發散模型、數據二分模型、數據三分模型。6.根據權利要求5所述的一種算力體系預測布局優化方法，其特征在于：在步驟三中，所述云計算機與所述傳輸網絡的結構，可以采用單一的數據發散模型、數據二分模型、數據三分模型，可以是數據發散模型與數據二分模型、數據二分模型與數據三分模型、數據發散模型與數據三分模型兩者的組合，更可以是數據發散模型、數據二分模型、數據三分模型三者的組合。7.根據權利要求6所述的一種算力體系預測布局優化方法，其特征在于：在步驟三中，數據發散模型由第一處大數據源頭（201）、第一組云計算機（101）、第二組云計算機（102）、第三組云計算機（103）、第一傳輸網絡（301）、第二傳輸網絡（302）、第三傳輸網絡（303）組成。
8.根據權利要求6所述的一種算力體系預測布局優化方法，其特征在于：在步驟三中，數據二分模型由第二處大數據源頭（202）、第三處大數據源頭（203）、第四處大數據源頭（204）、第四組云計算機（104）、第五組云計算機（105）、第六組云計算機（106）、第四傳輸網絡（304）、第五傳輸網絡（305）、第六傳輸網絡（306）、第七傳輸網絡（307）、第八傳輸網絡（308）、第九傳輸網絡（309）組成。9.根據權利要求6所述的一種算力體系預測布局優化方法，其特征在于：在步驟三中，數據三分模型由第五處大數據源頭（205）、第六處大數據源頭（206）、第七處大數據源頭
（207）、第七組云計算機（107）、第八組云計算機（108）、第九組云計算機（109）、第十組云計算機（110）、第十傳輸網絡（310）、第十一傳輸網絡（311）、第十二傳輸網絡（312）、第十三傳輸網絡（313）、第十四傳輸網絡（314）、第十五傳輸網絡（315）、第十六傳輸網絡（316）、第十七傳輸網絡（317）、第十八傳輸網絡（318）組成。10.根據權利要求1所述的一種算力體系預測布局優化方法，其特征在于：在步驟四中，在三維模型空間中，采用ai算法模擬隨機故障，檢驗算力體系布局的應急能力。
技術總結
一種算力體系預測布局優化方法，涉及算力體系布局技術領域，實現所述方法的具體步驟如下：步驟一,進行三維模擬，分別將云計算機的空間分布和算力大小，傳輸網絡的連接結構和傳輸力大小，大數據的產生區域和數據量大小，模擬到優化服務器的三維模型空間中；步驟二，收集建立結構單元模型的基礎數據，采用卷積神經網絡提取云計算機、傳輸網絡、大數據的特征，訓練模型內置的卷積神經網絡和AI算法；步驟三，建立所述云計算機與所述傳輸網絡的結構單元模型；步驟四，采用結構單元模型優化算力體系的布局，動態采集大數據增量的產生區域和數據增量的趨勢，在三維模型空間中，采用AI算法智能優化算力體系的布局。優化算力體系的布局。優化算力體系的布局。
技術研發人員：才虹麗 李瑤 喬楚 易濱 程小芳 曾奇
受保護的技術使用者：四川通信科研規劃設計有限責任公司
技術研發日：2022.10.30
技術公布日：2023/1/19