本发明属于资源分配技术领域，具体涉及一种资源分配方法和装置。
背景技术：
随着技术的发展，边缘设备，尤其是5g(5thgenerationmobilenetworks，第5代通信技术)边缘设备的数量迅速增加，同时边缘终端设备所产生的数据量已达到泽字节(zb)级别。
集中式数据处理不能有效处理边缘终端设备所产生的海量数据,边缘计算已被业界普遍认定为下一代数字化转型的主要趋势之一。边缘云是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而给运营商的运作带来全新模式，并建立全新的产业链及生态圈。
面对日益迫切的边缘计算发展需求，现有的资源分配方法在分配资源时未充分考虑边缘设备在处理数据时低效率、高功耗、低弹性的问题，导致随着边缘云业务的快速增长，这些问题日益突出。
技术实现要素：
本发明至少部分解决现有的资源分配方法在分配资源时未充分考虑边缘设备在处理数据时低效率、高功耗、低弹性的问题，提供一种低功耗、高弹性、高效率的资源分配方法和装置。
本发明的一个方面提供一种资源分配的方法，所述方法包括：
获取边缘节点的多个资源分配请求，每个所述资源分配请求包括资源分配评价指标；
对多个所述资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案；
将所述资源分配方案发送至边缘节点，以供所述边缘节点根据所述资源分配方案执行资源分配。
可选的，所述对多个所述资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案，包括：
新迭代循环开始，将迭代次数清零，设置最大迭代次数并根据多个所述资源分配请求中的资源分配评价指标设置初始迭代的迭代参数；
以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数；
判断迭代次数是否达到阈值，若是则结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出；
若不是，则根据评价函数对此次迭代获取的资源分配方案进行评价，在此次迭代获取的资源分配方案不满足评价函数的情况下，迭代次数加1并返回以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数步骤；
在此次迭代获取的资源分配方案满足评价函数的情况下，结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
进一步可选的，第k次迭代时，所述迭代参数包括功耗效率
进一步可选的，第k次迭代时的评价函数为：
进一步可选的，多层卷积神经元、量子理论、深度无监督学习策略包括优化函数，第k次迭代时的优化函数为：
本发明的另一个方面提供一种资源分配的装置，所述装置包括：
获取模块，用于获取边缘节点的多个资源分配请求，每个所述资源分配请求包括资源分配评价指标；
分析模块，用于对多个所述资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案；
发送模块，用于将所述资源分配方案发送至边缘节点，以供所述边缘节点根据所述资源分配方案执行资源分配。
可选的，所述分析模块包括：
初始单元，用于在新迭代循环开始，将迭代次数清零，设置最大迭代次数并根据多个所述资源分配请求中的资源分配评价指标设置初始迭代的迭代参数；
分析单元，用于以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数；
第一判断单元，用于判断迭代次数是否达到阈值，若是则结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出；
第二判断单元，用于在第一判断单元判断迭代次数未达到阈值的情况下，根据评价函数对此次迭代获取的资源分配方案进行评价，在此次迭代获取的资源分配方案不满足评价函数的情况下，迭代次数加1；
以及在此次迭代获取的资源分配方案满足评价函数的情况下，结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
可选的，第k次迭代时，所述迭代参数包括功耗效率
可选的，第k次迭代时的评价函数为：
进一步可选的，多层卷积神经元、量子理论、深度无监督学习策略包括优化函数，第k次迭代时的优化函数为：
本发明实施例的资源分配方法和装置中，通过对资源分配请求的分析，得到最优的资源分配方案，边缘设备根据该资源分配方案对资源进行分配，以实现高效率、低功耗、高弹性的数据处理。
附图说明
图1为本发明实施例的一种资源分配的方法的流程示意图；
图2为本发明实施例的一种资源分配的方法的部分流程的流程示意图；
图3为本发明实施例的一种资源分配的装置的组成示意框图；
图4为本发明实施例的一种资源分配的装置的分析模块的组成示意框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
可以理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。
可以理解的是，在不冲突的情况下，本发明中的各实施例及实施例中的各特征可相互组合。
可以理解的是，为便于描述，本发明的附图中仅示出了与本发明相关的部分，而与本发明无关的部分未在附图中示出。
可以理解的是，本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构，也可由多个实体结构组成，或者，多个单元、模块也可集成为一个实体结构。
可以理解的是，在不冲突的情况下，本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
可以理解的是，本发明的流程图和框图中，示出了按照本发明各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可代表一个单元、模块、程序段、代码，其包含用于实现规定的功能的可执行指令。而且，框图和流程图中的每个方框或方框的组合，可用实现规定的功能的基于硬件的系统实现，也可用硬件与计算机指令的组合来实现。
可以理解的是，本发明实施例中所涉及的单元、模块可通过软件的方式实现，也可通过硬件的方式来实现，例如单元、模块可位于处理器中。
本实施例的资源分配的方法，主要用于边缘节点(也可以说边缘设备)的资源分配场景，具体的，该场景主要由三部分组成：边缘层，包括边缘设备，具体可以是终端(如手机、电脑等)、物联网设备，实现存储数据，并生成资源分配请求以及执行资源分配方案。接入层，包括网关，实现运营商网络的接入以及数据(具体可以是资源分配请求、资源分配方案)传输。核心层，包括核心服务器，实现对资源分配请求的分析，生成资源分配方案。
其中，本实施例中的资源具体可以是算力资源(以下简称“算力”)。
边缘设备可以根据期望达到的数据处理指标，如功耗效率(单位时间节点所耗算力/单位时间节点完成任务量)、时间效率(单位时间节点完成任务量/(本节点所耗算力 本节点所耗时间))等，生成资源分配方案的评价指标(即资源分配评价指标)，进一步生成资源分配请求。
在边缘节点资源分配场景中，资源分配方法的处理流程可以是：边缘设备生成资源分配请求并通过网络发送至核心服务器，核心服务器对资源分配请求进行分析，生成资源分配方案，并将资源分配方案通过网关发送至边缘节点。
在上述应用场景中，通过核心服务器实现对资源分配请求的分析，得到最优的资源分配方案，边缘设备根据该资源分配方案对资源进行分配，以实现高效率、低功耗、高弹性的数据处理。
以下详细介绍下本实施例的核心服务器所实现的资源分配(即对资源分配请求进行分析，生成资源分配方案)的功能。
图1为本实施例提供的核心服务器所实现的资源分配方法的流程图，如图1所示，该方法包括：
s101、获取边缘节点的多个资源分配请求，每个资源分配请求包括资源分配评价指标。
具体的，可通过网关实时接收来自边缘节点的信息来获取多个资源分配请求。
s102、对多个资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案。
s103、将资源分配方案发送至边缘节点，以供边缘节点根据资源分配方案执行资源分配。
图2为本实施例提供的深度分析和深度分析评价的方法流程图，本发明的深度分析和深度分析评价思想是对资源分配请求进行判断和分析，以生成满足资源分配请求中评价指标的资源分配方案。本实施例的深度分析结合多层卷积神经元、量子理论、深度无监督学习策略方法实现边缘设备根据该资源分配方案对处理数据的资源进行分配后，边缘设备处理数据具有高效率、低功耗、高弹性的优势。
如图2所示，深度分析和深度分析评价具体包括如下步骤：
s1021、新迭代循环开始，将迭代次数清零，设置最大迭代次数并根据多个资源分配请求中的资源分配评价指标设置初始迭代的迭代参数。
其中，最大迭代次数可根据需要进行设置，具体可以为50。如果最大迭代次数的数值设置太小会导致不够精确，设置太大则浪费算力。
资源分配评价指标为功耗效率和时间效率时，则初始参数
其中，i＝1,2,…m，j＝1,2,…n，t＝1,2,…,p，m为i所有取值的最大值，n为j所有取值的最大值，p为t所有取值的最大值，m*n*p就是获取的资源分配请求的数量。
s1022、以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数。
其中，量子理论是科学史上能最精确地被实验检验的理论，是科学史上最成功的理论。量子物理实际上包含两个方面。一个是原子层次的物质理论——量子力学。正是由于它我们才能理解和操纵物质世界；另一个是量子场论，它在科学中起到一个完全不同的作用，基于量子理论可以获取效果更佳的资源分配方案。
在每次迭代的过程中，多层卷积神经元、量子理论、深度无监督学习策略的策略思想为：在多维空间中，多个资源分配方案根据多层卷积神经元、量子理论、深度无监督学习等策略方式向最优化任务优先方案确定的方向迁移，迭代参数，即
具体的，多层卷积神经元、量子理论、深度无监督学习策略包括优化函数，
第k次迭代时的优化函数为：
χ,λ∈(0,1)，χ λ＝1，mod为取余运算。
s1023、判断迭代次数是否达到阈值，若是则结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
s1024、若不是，则根据评价函数对此次迭代获取的资源分配方案进行评价，在此次迭代获取的资源分配方案不满足评价函数的情况下，迭代次数加1并返回s1022步骤。
其中，第k次迭代时的评价函数为：
评价函数中的p表示概率。
s1025、在此次迭代获取的资源分配方案满足评价函数的情况下，结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
基于上述的评价函数和优化函数，当评价函数不被满足时，即以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，使得迭代参数以及生成的资源分配方案向最优化方向迁移，以实现边缘设备根据生成的资源分配方案对处理数据的资源进行分配后，边缘设备处理数据具有高效率、低功耗、高弹性的优势。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，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操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
基于同一发明构思，在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的资源分配的装置进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3为本发明实施例提供的资源分配的装置的组成示意框图，如图3所示，该装置包括：获取模块、分析模块、发送模块。
获取模块用于获取边缘节点的多个资源分配请求，每个资源分配请求包括资源分配评价指标；分析模块用于对多个资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案；发送模块用于将资源分配方案发送至边缘节点，以供边缘节点根据资源分配方案执行资源分配。
可选的，图4为本发明实施例提供的分析模块的组成示意框图，如图4所示，该分析模块包括：初始单元、分析单元、第一判断单元、第二判断单元。
初始单元用于在新迭代循环开始，将迭代次数清零，设置最大迭代次数并根据多个资源分配请求中的资源分配评价指标设置初始迭代的迭代参数；
分析单元用于以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数；
第一判断单元用于判断迭代次数是否达到阈值，若是则结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出；
第二判断单元用于在第一判断单元判断迭代次数未达到阈值的情况下，根据评价函数对此次迭代获取的资源分配方案进行评价，在此次迭代获取的资源分配方案不满足评价函数的情况下，迭代次数加1；以及在此次迭代获取的资源分配方案满足评价函数的情况下，结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
进一步可选的，第k次迭代时，所述迭代参数包括功耗效率
其中，i＝1,2,…m，j＝1,2,…n，t＝1,2,…,p，
m为i所有取值的最大值，n为j所有取值的最大值，p为t所有取值的最大值。
可选的，第k次迭代时的评价函数为：
其中，p表示概率。
进一步可选的，多层卷积神经元、量子理论、深度无监督学习策略包括优化函数，第k次迭代时的优化函数为：
χ,λ∈(0,1)，χ λ＝1。
此外，尽管在上文详细描述中提及了资源分配装置的若干模块，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
1.一种资源分配的方法，其特征在于，所述方法包括：
获取边缘节点的多个资源分配请求，每个所述资源分配请求包括资源分配评价指标；
对多个所述资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案；
将所述资源分配方案发送至边缘节点，以供所述边缘节点根据所述资源分配方案执行资源分配。
2.根据权利要求1所述的方法，其特征在于，所述对多个所述资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案，包括：
新迭代循环开始，将迭代次数清零，设置最大迭代次数并根据多个所述资源分配请求中的资源分配评价指标设置初始迭代的迭代参数；
以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数；
判断迭代次数是否达到阈值，若是则结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出；
若不是，则根据评价函数对此次迭代获取的资源分配方案进行评价，在此次迭代获取的资源分配方案不满足评价函数的情况下，迭代次数加1并返回以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数步骤；
在此次迭代获取的资源分配方案满足评价函数的情况下，结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
3.根据权利要求2所述的方法，其特征在于，
第k次迭代时，所述迭代参数包括功耗效率
i＝1,2,…m，
j＝1,2,…n，
t＝1,2,…,p，
m为i所有取值的最大值，n为j所有取值的最大值，p为t所有取值的最大值。
4.根据权利要求3所述的方法，其特征在于，
第k次迭代时的评价函数为：
其中，p表示概率。
5.根据权利要求4所述的方法，其特征在于，多层卷积神经元、量子理论、深度无监督学习策略包括优化函数，
第k次迭代时的优化函数为：
其中，
μk为第k次迭代循环递归激励函数，
χ,λ∈(0,1)，χ λ＝1。
6.一种资源分配的装置，其特征在于，所述装置包括：
获取模块，用于获取边缘节点的多个资源分配请求，每个所述资源分配请求包括资源分配评价指标；
分析模块，用于对多个所述资源分配请求中的资源分配评价指标进行深度分析和深度分析评价，生成资源分配方案；
发送模块，用于将所述资源分配方案发送至边缘节点，以供所述边缘节点根据所述资源分配方案执行资源分配。
7.根据权利要求6所述的装置，其特征在于，所述分析模块包括：
初始单元，用于在新迭代循环开始，将迭代次数清零，设置最大迭代次数并根据多个所述资源分配请求中的资源分配评价指标设置初始迭代的迭代参数；
分析单元，用于以多层卷积神经元、量子理论、深度无监督学习策略分析迭代参数，并生成资源分配方案以及下一次迭代的迭代参数；
第一判断单元，用于判断迭代次数是否达到阈值，若是则结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出；
第二判断单元，用于在第一判断单元判断迭代次数未达到阈值的情况下，根据评价函数对此次迭代获取的资源分配方案进行评价，在此次迭代获取的资源分配方案不满足评价函数的情况下，迭代次数加1；
以及在此次迭代获取的资源分配方案满足评价函数的情况下，结束循环，并将此次迭代获取的资源分配方案作为发送至边缘节点的资源分配方案输出。
8.根据权利要求7所述的装置，其特征在于，
第k次迭代时，所述迭代参数包括功耗效率
i＝1,2,…m，
j＝1,2,…n，
t＝1,2,…,p，
m为i所有取值的最大值，n为j所有取值的最大值，p为t所有取值的最大值。
9.根据权利要求8所述的装置，其特征在于，
第k次迭代时的评价函数为：
其中，p表示概率。
10.根据权利要求9所述的装置，其特征在于，多层卷积神经元、量子理论、深度无监督学习策略包括优化函数，
第k次迭代时的优化函数为：
μk为第k次迭代循环递归激励函数，
χ,λ∈(0,1)，χ λ＝1。
技术总结