CN121745577A - 基于产业拓扑网络的资源调度方法和装置 - Google Patents

Abstract

本公开的实施例公开了基于产业拓扑网络的资源调度方法和装置。该方法的一具体实施方式包括：生成对应的运行信息集基于运行信息集，生成对应的异常分数序列集；调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络；将异常分数序列集和产业拓扑网络同步存储至共享存储单元；通过硬件加速器的并行计算流水线，执行以下生成步骤：生成目标生产平台的综合异常信息；生成产业链断链概率信息；生成对应的资源调度指令；控制资源控制终端执行对资源的调度操作。该实施方式可以实现了产业链资源的精准调度，节约了时间资源，并降低了因供应链中断造成的生产损失。

Description

基于产业拓扑网络的资源调度方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及基于产业拓扑网络的资源调度方法和装置。

背景技术

目前，在产业链风险预警与应急资源调度领域，现有技术主要依赖于基于单一数据源的孤立监测系统以及依赖人工经验的调度决策机制。

然而，当采用上述方式进行资源调度时，经常会存在如下技术问题：多源数据融合困难，无法快速构建反映多个生产平台全貌的产业拓扑网络，进而导致预警与资源调度脱节，无法快速实现从风险感知到干预执行的自动化闭环，导致资源调度响应时间的延长，造成了生产的损失。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了基于产业拓扑网络的资源调度方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种基于产业拓扑网络的资源调度，包括：响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集；利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集；基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络；将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问；通过上述硬件加速器的并行计算流水线，执行以下生成步骤：基于上述异常分数序列及和上述产业拓扑网络，生成目标生产平台的综合异常信息；基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息；基于上述预警等级信息，生成对应的资源调度指令；响应于接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，上述调度操作包括：目标产品相关的零部件的存储、上述零部件的运输。

第二方面，本公开的一些实施例提供了一种基于产业拓扑网络的资源调度装置，包括：第一生成单元，被配置成响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集；第二生成单元，被配置成利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集；调用单元，被配置成基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络；存储单元，被配置成将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问；执行单元，被配置成通过上述硬件加速器的并行计算流水线，执行以下生成步骤：基于上述异常分数序列及和上述产业拓扑网络，生成目标生产平台的综合异常信息；基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息；第三生成单元，被配置成基于上述预警等级信息，生成对应的资源调度指令；控制单元，被配置成响应于接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，上述调度操作包括：目标产品相关的零部件的存储、上述零部件的运输。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于产业拓扑网络的资源调度方法，实现了对生产平台产业链断链的自动化干预（资源调度），节约了时间资源，并降低了供应链中断损失。具体来说，造成供应链中断损失的原因在于：现有技术数据孤岛严重，难以关联多源异构原始数据，且缺乏产业链视角的风险传播分析，导致风险识别滞后、断点预测不足，无法及时采取干预措施引发供应链中断。基于此，本公开的一些实施例的基于产业拓扑网络的资源调度方法，首先，响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集。将多源异构原始数据统一编码为标准化时序向量，形成可连续、可度量的运行信息集，为后续分析提供统一、可比的基础数据表征。然后，利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集。通过生成异常分数序列集，精准量化生产平台状态偏离程度，提升早期微弱异常信号识别敏感度，为风险评估提供直观量化依据。再然后，基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络。通过构建产业拓扑网络，可以高效挖掘生产平台间供应关联，支持大规模生产平台实时监测，清晰呈现产业链结构。其次，将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问。消除了CPU与硬件加速器间的数据复制开销，确保了数据一致性，为后续硬件加速计算提供了低延迟、高带宽的数据供给通道。再次，通过上述硬件加速器的并行计算流水线，执行以下生成步骤：基于上述异常分数序列集和上述产业拓扑网络，生成目标生产平台的综合异常信息。并行计算流水线提升多源数据融合效率，整合异常分数与拓扑关联，实现生产平台风险的全面评估，避免孤立分析的片面性。基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息。量化产业链断链风险，通过预警等级直观呈现风险程度，便于快速响应，解决风险等级模糊导致的应对滞后问题。接着，基于上述预警等级信息，生成对应的资源调度指令。实现异常与调度策略的精准匹配，确保调度指令的针对性与有效性。最后，响应于接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，上述调度操作包括：目标产品相关的零部件的存储、上述零部件的运输。快速落地零部件存储、运输调度，及时补充生产资源，降低产业链断链概率，保障目标产品生产连续性，快速响应风险，降低产业链断链损失。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的基于产业拓扑网络的资源调度方法的一些实施例的流程图；

图2是根据本公开的基于产业拓扑网络的资源调度装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，示出了根据本公开的基于产业拓扑网络的资源调度方法的一些实施例的流程100。该基于产业拓扑网络的资源调度，包括以下步骤：

步骤101，响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集。

在一些实施例中，上述基于产业拓扑网络的资源调度方法的执行主体（例如，电子设备）可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

在另一些实施例中，上述执行主体可以响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集。其中，上述目标产品可以是需要进行生产的具体产品（包括多个零部件，且需要多个生产平台供货），例如，新能源汽车，手机。上述目标阈值可以是预先设定的目标产品库存量的临界值（例如，新能源汽车的目标阈值可以是200辆）。上述多源异构原始数据可以是来自不同渠道、不同格式的生产平台经营数据。例如，多源异构原始数据可以包括：工商变更记录（文本）、招聘频次（数值）、舆情评论（文本）。上述生产平台行为轨迹向量序列集可以是将多源异构原始数据按时间顺序排列的经过量化后的多维度状态向量的集合。上述运行信息可以是某个时间点上，由多个标准化经营维度值构成的向量，用于表征生产平台在特定时间点的综合状态。例如，上述运行信息可以是[工商变更：0，招聘指数：0.7，物流指数：0.5，发票强度：0.8，舆情风险：0.2]。例如，运行信息集可以包括：{生产平台A的运行信息，生产平台B的运行信息，生产平台C的运行信息}，每个序列是按日期排列的多维向量。

在一些实施例的一些可选的实现方式中，上述执行主体可以响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集，可以包括以下步骤：

第一步，对上述多个生产平台的多源异构原始数据中的每个生产平台多源异构原始数据执行以下步骤：

子步骤一，对上述生产平台多源异构原始数据进行异构数据时序同构化处理，得到同构化时间序列数据。其中，上述异构数据时序同构化可以是将不同类型的数据统一处理成可在时间轴上对齐和比较的序列格式。上述同构化时间序列数据可以是将生产平台多源异构原始数据经过统一时间粒度和格式转换后的时序数据，例如，把工商变更（事件）转为0/1脉冲序列（每日维度）。实践中，首先，根据生产平台多源异构原始数据的类型，区分事件型数据（例如，工商变更）和连续型数据（例如，发票金额）。然后，对事件型数据，在发生日标记为1，无事件日标记为0，生成脉冲序列。对连续型数据，按日聚合（例如，求和、计数），生成数值序列。最后，将各个序列按统一的时间戳（例如，每日）进行对齐，缺失日进行标记，以得到同构化时间序列数据。

子步骤二，基于上述同构化时间序列数据，构建标准多维轨迹向量。其中，上述标准多维轨迹向量可以是生产平台在多个时间点上，各维度已标准化后的向量。实践中，首先，针对每个时间点（例如，每日），从各个生产平台各自的同构化序列中提取该时间点的各个维度的值。然后，对每个连续型维度的值，使用该生产平台近期（例如，过去90天）的历史极值进行归一化，将其缩放到[0，1]区间。最后，将每个生产平台在每个时间点的各维度（事件型为0/1，连续型为归一化值）组合成一个固定维度的向量。

子步骤三，对上述标准多维轨迹向量进行连续性保持处理，以生成对应的运行信息。实践中，首先，确定每个生产平台的每日向量序列是否存在缺失日。然后，对每个生产平台的缺失日向量，使用其前后相邻日的向量进行线性插值填充。最后，确定填充后每个生产平台的向量序列在时间上是否连续（无断点）且可计算一阶差商（近似可微），从而生成完整的生产平台行为轨迹向量序列集。

第二步，将各个运行信息整合为运行信息集。

步骤102，利用异常检测引擎，基于运行信息集，生成对应的异常分数序列集。

在一些实施例中，上述执行主体可以利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集。其中，上述异常分数序列表征生产平台状态偏离程度。其中，上述异常检测引擎可以是用于自动化分析生产平台行为轨迹、识别异常状态的服务器。上述异常检测引擎可以通过确定多个生产平台对应的运行信息集（例如，生产、能耗、订单的量化信息），确定生产平台行为的异常程度，生成连续数值序列。上述异常分数序列集可以是多个生产平台的异常量化序列组合。例如，上述异常分数序列可以是A生产平台近7天每日异常得分集合。例如，上述异常分数序列可以是[0.1，0.15，0.3，0.5，0.8，0.9，0.95]。上述生产平台状态偏离程度可以是生产平台当前经营状态与正常基准的差异。

在一些实施例的一些可选的实现方式中，上述执行主体可以利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集，可以包括以下步骤：

第一步，针对上述运行信息集的每个运行信息，执行以下步骤：

子步骤一，利用异常检测引擎的第一节点，生成上述运行信息对应的轨迹曲率变化序列。其中，上述第一节点可以是异常检测引擎中专门负责计算轨迹曲率（变化加速度）的节点。上述轨迹曲率变化序列可以是表征生产平台行为轨迹在每个时间点变化剧烈程度（加速度）的序列。例如，上述轨迹曲率变化序列可以是生产平台轨迹曲率序列为[0.01，0.02，0.05，0.12，0.3，0.6]。实践中，基于运行信息，调用异常检测引擎第一节点，确定运行信息对应的轨迹的二阶导数。最后，整合导数结果生成轨迹曲率变化序列。

子步骤二，利用异常检测引擎的第二节点，基于上述轨迹曲率变化序列、预设的生产平台自身历史正常轨迹基准和行业同期平均轨迹基准，执行双基准动态判别操作，以得到双基准偏离度数据。其中，上述第二节点可以是异常检测引擎中专门执行双基准动态判别的处理单元。上述预设的生产平台自身历史正常轨迹基准可以是指生产平台过去正常经营时期的行为轨迹作为比对标准。例如，预设的生产平台自身历史正常轨迹基准可以是生产平台B过去12个月中剔除异常月份后的平均行为轨迹。上述行业同期平均轨迹基准可以是指同行业生产平台在相同时期的平均行为轨迹。上述双基准偏离度数据可以是指生产平台当前轨迹与自身历史基准、行业基准分别比较得到的偏离值（自身偏离度和行业偏离度）。实践中，首先，将轨迹曲率变化序列与生产平台自身历史正常曲率基准进行DTW（动态时间规整）比对，确定形状差异距离。然后，与行业同期平均曲率基准进行EMD（地球移动距离）比对，确定分布差异。最后，将两个距离值归一化为偏离度得分，以得到双基准偏离度数据。

子步骤三，基于上述双基准偏离度数据和自适应权重参数，生成异常分数序列，其中，上述自适应权重参数是由上述异常检测引擎根据生产平台历史数据完整度和历史预警准确率动态确定的。其中，上述自适应权重参数可以是指动态调整自身与行业偏离度重要性的系数。上述生产平台历史数据完整度可以是指生产平台历史数据中有效数据的比例。上述历史预警准确率可以是过去预警结果中被验证为正确的比例。实践中，首先，由异常检测引擎根据生产平台历史数据完整度（例如，92%）和历史预警准确率（例如，88%），确定自适应权重参数（例如，0.7（自身偏离度）和0.3（行业偏离度））。然后，生成异常分数序列（例如，按“异常分数=0.7×自身偏离度+0.3×行业偏离度”）。

步骤103，基于运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络。

在一些实施例中，上述执行主体可以基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络。其中，上述拓扑构建服务器可以具备多个并行节点，用于挖掘生产平台供应关联并构建网络的服务器。上述生产平台间产品流转关系可以是生产平台间上下游供需关联，例如，零部件厂商向整车厂提供配件的定向合作关系。上述产业拓扑网络可以是节点代表生产平台、有向边代表供应关系的网络结构。

第一步，调用上述并行计算节点集群的第一并行计算节点，以确定上述运行信息集中每两个生产平台的事件型轨迹相似度，以生成事件同步度矩阵。其中，上述第一并行计算节点可以是拓扑构建服务器中确定事件型轨迹相似度的节点。上述事件型可以是指数据表现为在特定时间点发生或不发生的离散状态，通常用0（未发生）或1（发生）表示。上述事件型轨迹相似度可以是生产平台事件类轨迹的同步程度，例如，A生产平台工商增资与B生产平台招聘高峰的同步匹配度。上述事件同步度矩阵可以是存储所有生产平台两两之间事件同步度的方阵。例如，事件同步度矩阵中第i行第j列的值，表示生产平台i与生产平台j的事件同步度。

作为实例，首先，拓扑构建服务器的第一并行计算节点确定各个生产平台的事件型轨迹（例如，工商、舆情脉冲序列）。然后，为每一对生产平台确定其事件序列在允许一定时间偏移（例如，0至7天）下的动态时间规整距离，并将距离转换为相似度。最后，将各个生产平台对的相似度结果填充到一个矩阵中，生成事件同步度矩阵。

第二步，调用上述并行计算节点集群的第二并行计算节点，以确定上述运行信息集中每两个生产平台的连续型轨迹的数值相关性，以生成数值相关性矩阵。其中，上述第二并行计算节点可以是拓扑构建服务器中确定连续型轨迹相关性的节点。上述连续型轨迹的数值相关性可以是两家生产平台连续指标（如物流量）变化趋势的统计相关性。例如，两家生产平台日物流频次序列的正相关程度。上述数值相关性矩阵可以是存储所有生产平台两两之间数值相关性的方阵。例如，数值相关性矩阵中每个元素是一个相关系数（例如，0.9表示强正相关）。实践中，首先，提取上述生产平台的连续型轨迹（物流频次、招聘指数）。然后，第二并行计算节点确定每两家生产平台序列的Pearson相关系数。最后，生成数值相关性矩阵。

第三步，调用上述并行计算节点集群的第三并行计算节点，以确定上述运行信息集中每两个生产平台的运行信息的时滞因果关系，以生成最优时滞矩阵。其中，上述第三并行计算节点可以是拓扑构建服务器中专门并行计算时滞因果关系的节点。上述时滞因果关系可以是一家生产平台的变化领先于另一家生产平台变化的天数与相关程度。例如，上述时滞因果关系可以是生产平台A的发票金额变化，3天后生产平台B的发票金额出现类似变化，生产平台A领先生产平台B3天。上述最优时滞矩阵可以是存储各个生产平台之间相关性最大时对应的时滞天数的方阵。上述最优时滞可以是指一家生产平台的行为变化领先于另一家生产平台变化，且两者相关性最大时所对应的天数。实践中，首先，第三并行计算节点获取各个生产平台的连续型轨迹。然后，对于每一对生产平台，将一家生产平台的序列相对另一家序列平移1至7天，分别确定不同时滞下的相关系数，并记录相关性最大的时滞天数。最后，将各个生产平台对的最优时滞填入矩阵，以得到最优时滞矩阵。

第四步，将上述事件同步度矩阵、上述数值相关性矩阵和上述最优时滞矩阵进行加权融合，以生成生产平台间综合相似度矩阵。其中，上述生产平台间综合相似度矩阵可以是融合上述事件同步度矩阵、上述数值相关性矩阵和上述最优时滞矩阵的整体关联矩阵。实践中，首先，设定三类矩阵的权重（事件同步度矩阵0.3、数值相关性矩阵0.4、最优时滞矩阵0.3）。然后，将事件同步度、数值相关性、最优时滞矩阵按权重加权求和；最后，得到生产平台间综合相似度矩阵。

第五步，利用预先获取的生产平台重要性分数，对上述生产平台间综合相似度矩阵进行加权修正，以生成生产平台间耦合强度矩阵。其中，上述生产平台重要性分数可以是通过生产平台规模、市场份额、网络中心性等预先计算的节点重要性指标。例如，生产平台A在区域GDP占比高、纳税额大，其重要性分数为0.9（满分1）。上述生产平台间耦合强度矩阵可以是经生产平台重要性分数加权修正后的关系强度矩阵，边权更合理。实践中，首先，获取各生产平台重要性分数（例如，生产平台A分数0.9、生产平台B分数0.8）。然后，用生产平台重要性乘积修正对应综合相似度。最后，生成生产平台间耦合强度矩阵。

第六步，对上述生产平台间耦合强度矩阵进行筛选，以生成初始产业链有向网络。其中，上述初始产业链有向网络可以是筛选耦合强度阈值后形成的基础网络，例如，仅保留耦合强度＞0.5的生产平台对有向边。实践中，首先，设定耦合强度阈值（例如，0.5）。然后，筛选矩阵中耦合强度大于耦合强度阈值的生产平台对。最后，构建初始产业链有向网络。

第七步，对上述初始产业链有向网络进行噪声过滤，以生成产业拓扑网络。实践中，首先，对初始产业链有向网络执行Louvain算法划分社区。然后，删除噪声边（例如，生产平台A与生产平台B的伪关联边，上述伪关联边可以是基于数据巧合而非真实业务联系产生的错误网络连接（例如，两家地处同一产业园但业务无关的企业，因同时响应区域限电政策而导致“事件同步”，被算法误判为存在供应链关联的边）），以得到产业拓扑网络。

上述操作步骤，作为本公开的一个发明点，解决了技术问题“无法从海量、动态的生产平台行为数据中，高效、准确地自动识别出真实的供应关系，导致了计算资源和时间资源的浪费”。导致上述技术问题的原因如下：现有技术无法自动、高效地从多源生产平台行为数据中挖掘出准确、带有时序因果的供应关系网络，依赖人工经验或静态关联，难以支撑大规模、动态的产业链风险分析。本发明点通过利用拓扑构建服务器并行计算多个维度的运行信息集的相似性并融合成高精度产业链网络，实现了从运行信息集中自动、高效构建高质量产业拓扑网络，节约了大量的时间资源和计算资源。

步骤104，将异常分数序列集和产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问。

在一些实施例中，上述执行主体可以对将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问。其中，上述共享存储单元可以事支持CPU和硬件加速器（例如，GPU）直接、无缝访问同一块物理或虚拟内存的硬件/软件架构，用于消除了数据拷贝，实现了高效的数据共享。上述硬件加速器可以是专用于加速特定计算任务（例如，图计算、矩阵运算）的专用处理器，例如，GPU、FPGA，具有大规模并行计算能力。

在采用技术方案来解决上述背景技术的技术问题的过程中，针对所要应用的场景：大规模的汽车订单（有严格时间交付要求的订单）下汽车的自动化生产过程，各个零部件的组装高度协同，且所需要的零部件涉及多个生产平台，需要快速定位断链风险较大的生产平台，需在分钟级内同步海量生产平台异常数据与拓扑关联数据至硬件加速器，进而预先进行所需零部件的紧急调度，往往又会伴随着如下技术问题：异构数据传输效率低、硬件访问寻址延迟高，导致风险预警响应滞后，进而导致资源调度响应延迟，无法及时规避断链损失。针对本应用场景需要具备的如下需求特点：数据同步低延迟、硬件访问零冗余、异构数据分类传输、任务执行高并发，我们决定采用如下解决方案：

在一些实施例的一些可选的实现方式中，上述执行主体可以将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，可以包括以下步骤：

第一步，根据上述异常分数序列集和上述产业拓扑网络的数据大小描述符，在上述共享存储单元中分配对应的目标逻辑地址空间。其中，上述目标逻辑地址空间可以是共享存储单元中，为特定数据集预先划定的、连续的虚拟地址范围，供CPU写入和硬件加速器读取。实践中，首先，确定异常分数序列集和产业拓扑网络的数据大小描述符，获取各自所需的内存空间大小。然后，向共享存储单元的内存管理器申请两段连续且对齐的逻辑地址空间，以作为目标逻辑地址空间。

第二步，根据上述目标逻辑地址空间，建立直接内存访问通道。其中，上述内存访问通道可以是允许外部设备绕过CPU，直接与主存进行高速数据传输的硬件通道，可释放CPU负载。实践中，首先，获取目标逻辑地址空间对应的物理地址或I/O虚拟地址。然后，配置CPU与共享存储单元控制器之间的DMA通道参数，以建立直接内存访问通道。

第三步，对上述异常分数序列集进行数据分片处理，以生成时序数据分片集。其中，上述时序数据分片集可以是将异常分数序列集按计算单元并行度切分成的、更小的、独立的数据块集合，便于并行处理。实践中，首先，根据硬件加速器的核心数、缓存大小确定最优分片粒度。然后，将异常分数序列集按时间窗口进行切割。最后，生成多个大小均衡、内部连续的数据分片，以作为时序数据分片集。

第四步，对上述产业拓扑网络进行结构编码处理，以生成拓扑数据块集。其中，上述拓扑数据块集可以是将产业拓扑网络的图结构数据编码为适合硬件并行访问的格式（例如，CSR）后，形成的逻辑数据块集合（拓扑数据块集）。

第五步，基于上述时序数据分片集和上述拓扑数据块集的关联关系和传输优先级，生成传输任务流。其中，上述关联关系可以是时序数据分片与拓扑数据块之间的计算依赖关系，决定数据传输和计算的先后顺序。例如，计算生产平台A的风险，依赖于其上游供应商B的异常分数，因此B的分片需优先传输。上述传输优先级可以是为数据传输任务设定的先后等级，确保关键数据优先到位，以尽早启动计算。例如，核心生产平台的异常分片和网络枢纽的拓扑块被赋予最高优先级。上述并发传输任务流可以是数据传输任务的有序集合。首先，分析分片与数据块之间的依赖（例如，计算需要边和节点属性）。然后，为任务标记优先级（例如，拓扑块优先，关键路径生产平台分片次之）。最后，生成任务列表，其中无依赖或低依赖任务可标记为并发执行，以生成传输任务流。

第六步，通过上述直接内存访问通道执行上述传输任务流的传输任务，以将上述异常分数序列集和上述产业拓扑网络写入上述目标逻辑地址空间，得到数据写入后的目标逻辑地址空间。其中，上述数据写入后的目标逻辑地址空间可以是已完成数据写入的、内容就绪的逻辑地址空间。实践中，首先，根据传输任务流，获取每个任务的源地址（CPU内存）和目的地址（共享存储单元内的目标逻辑地址空间）。然后，DMA引擎并行启动多个传输任务，绕过CPU，通过已建立的直接内存访问通道，从源地址读取数据并写入目的地址。最后，所有传输任务完成后，目标逻辑地址空间中即存储了完整的、已组织好的异常分数分片集和拓扑数据块集。

第七步，基于上述数据写入后的目标逻辑地址空间和数据类型标识，生成全局内存映射表。其中，上述全局内存映射表可以是记录共享内存中所有数据块的位置、大小和类型的全局目录表，是硬件加速器访问数据的“地图”。上述数据类型标识可以用于区分共享内存中不同数据结构（例如，向量、矩阵、图）的标签，便于硬件加速器正确解析。实践中，首先，在各个数据传输完成后，扫描已写入数据的目标地址空间。然后，根据预先定义的“数据类型标识”，记录每个数据块的起始地址、大小和类型。最后，生成全局内存映射表。

第八步，通过向上述硬件加速器配置上述全局内存映射表，建立上述硬件加速器对上述数据写入后的目标逻辑地址空间的零拷贝访问路径。其中，上述零拷贝访问路径可以是硬件加速器不通过CPU复制，直接通过指针访问共享内存中数据的路径，延迟极低。实践中，首先，将生成的全局内存映射表通过驱动程序或专用指令发送给硬件加速器。然后，硬件加速器内核驱动程序根据全局内存映射表，建立内部指针，使其计算单元能直接“看到”共享内存中的对应地址。最后，加速器的计算线程即可通过该指针直接读写数据，完成零拷贝路径的建立。

上述操作步骤，作为本公开的一个发明点，解决了背景技术提及的技术问题“异构数据传输效率低、硬件访问寻址延迟高，导致风险预警响应滞后，进而导致资源调度响应延迟，无法及时规避断链损失”。导致上述技术问题的原因如下：未针对时序/拓扑异构数据设计分类传输策略，且缺乏硬件与存储的直接寻址机制，数据拷贝冗余度高。本发明点通过异构数据分类处理、并发传输和全局内存映射表配置，实现了异常分数序列集与产业拓扑网络的低延迟同步存储及硬件零拷贝访问，节约了数据传输与硬件寻址的时间成本，降低生产过程中的产业链断链造成的生产损失。

步骤105，通过硬件加速器的并行计算流水线，执行以下生成步骤：

步骤1051，基于异常分数序列集和产业拓扑网络，生成目标生产平台的综合异常信息。

在一些实施例中，上述执行主体可以基于上述异常分数序列集上述产业拓扑网络，生成目标生产平台的综合异常信息。其中，上述目标生产平台可以是需要进行风险分析与干预调度的特定生产平台。上述综合异常信息可以是融合自身与产业链关联风险的时序量化序列。其中，上述并行流水线可以是硬件加速器中一种将计算任务拆解为多个独立阶段，并让不同数据在不同阶段同时流动、处理的高效执行模型，以最大化硬件利用率。例如，确定1000个生产平台的综合异常信息。流水线可设计为：阶段1（并行）：为各个生产平台并行提取其上游邻居集和下游邻居集；阶段2（并行）：并行计算每个生产平台的上游/下游聚合值；阶段3（并行）：并行融合每个生产平台的三类分数。这样，当第一批生产平台的数据进入阶段2时，第二批生产平台的数据可立即开始阶段1的计算，实现流水线式并行吞吐。

在一些实施例的一些可选的实现方式中，上述执行主体基于上述异常分数序列集和上述产业拓扑网络，生成目标生产平台的综合异常信息，可以包括以下步骤：

第一步，基于上述产业拓扑网络，提取上述目标生产平台的上游邻居集和下游邻居集。其中，上述上游邻居集可以是产业拓扑网络中为目标生产平台提供供应的生产平台集合。上述下游邻居集可以是产业拓扑网络中接收目标生产平台产品的生产平台集合。实践中，首先，根据产业拓扑网络，定位目标生产平台（例如，某电子设备厂商）。然后，遍历产业拓扑网络，确定指向目标生产平台的上游供应生产平台和目标生产平台指向的下游生产平台。

第二步，基于上述异常分数序列集，确定上述目标生产平台、上述上游邻居集和上述下游邻居集在预设时间窗口内对应的异常分数信息，以得到目标生产平台异常分数信息、上游影响聚合值信息和下游影响聚合值信息。其中，上述预设时间窗口可以是设定的异常统计时间范围。上述异常分数信息可以是生产平台在时间窗口内的异常分数相关数据（例如，每日异常分数、分数均值）。上述目标生产平台异常分数信息可以是目标生产平台自身的异常量化数据。上述上游影响聚合值信息可以是指通过聚合函数（例如，加权平均）计算出的上游邻居集对目标生产平台的综合异常影响值序列。上述下游影响聚合值信息可以是通过聚合函数计算出的下游邻居集对目标生产平台的综合异常影响值序列。

作为示例，首先，从异常分数序列集中，提取目标生产平台及上、下游邻居生产平台在预设时间窗口（例如，最近7天）内每天的异常分数。然后，针对上游邻居集，每天根据其与目标生产平台的耦合强度（边权重）对它们的异常分数进行加权求和，得到上游影响聚合值。同理，确定下游影响聚合值。最后，得到目标生产平台异常分数信息、上游影响聚合值信息和下游影响聚合值信息。

第三步，将上述目标生产平台异常分数信息、上述上游影响聚合值信息和上述下游影响聚合值信息进行融合，得到综合异常信息。实践中，首先，为目标生产平台异常分数信息、上游影响聚合值信息和下游影响聚合值信息分配预设的权重系数α，β，γ（例如，α=0.6，β=0.3，γ=0.1）。然后，针对时间窗口内的每一天，确定当天的综合异常指数之后，将每一天的结果按时间顺序排列，形成综合异常信息。

步骤1052，基于综合异常信息，生成产业链断链概率信息，以映射为预警等级信息。

在一些实施例中，上述执行主体可以基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息。其中，上述产业链断链概率信息可以是量化表示目标生产平台因关键供应商出现问题而导致自身生产中断的可能性数值。上述预警等级信息可以是指根据风险程度划分的、用于标识事件严重性的离散等级标识。例如，上述预警等级信息可以包括蓝色、黄色、橙色、红色四级预警。

在一些实施例的一些可选的实现方式中，上述执行主体可以基于上述综合风险指数序列，利用预先构建的时序预测模型，确定上述目标生产平台未来的生产平台风险演化序列，可以包括以下步骤：

第一步，基于上述综合异常信息，构建对应的时序异常特征向量。其中，上述时序风险特征向量可以是从目标生产平台历史综合风险指数序列中提取的、用于时序预测模型输入的特征表示。实践中，首先，获取目标生产平台的综合风险指数序列。然后，提取综合风险指数序列的趋势斜率、波动方差、风险加速度、滑动均值、极值占比作为五类特征。最后，将五类特征量化整合，构建时序风险特征向量。

第二步，基于上述产业拓扑网络和上述异常分数序列，构建邻居异常聚合特征向量。其中，上述邻居风险聚合特征向量可以是融合上下游邻居风险的向量，例如，上游加权风险、下游加权风险的向量。实践中，首先，基于产业拓扑网络，确定目标生产平台的上游邻居集和上述下游邻居集。然后，调取邻居异常分数序列，按耦合强度加权计算上游聚合风险、下游聚合风险及邻居风险波动。最后，整合得到邻居风险聚合特征向量。

第三步，将上述时序异常特征向量和上述邻居异常聚合特征向量输至上述预先构建的时序预测模型，得到上述目标生产平台未来的异常演化序列。其中，上述时序预测模型可以是基于历史时序数据预测未来趋势的模型。上述时序预测模型可以是融合拓扑注意力机制的双向LSTM模型。上述时序预测模型可以采用“编码->融合->解码”三层结构。编码层输入为目标生产平台自身时序风险特征向量与邻居风险聚合特征向量的拼接矩阵，输出为隐藏状态序列。融合层输入为隐藏状态序列，通过注意力加权或池化操作，输出为固定长度的综合时序特征向量。解码层输入为综合时序特征向量，通过全连接网络映射，输出为生产平台风险演化序列。实践中，首先，将时序风险特征向量和邻居风险聚合特征向量输入预先训练的双向LSTM时序预测模型（包括拓扑注意力机制）。然后，通过时序预测模型输出层得到目标生产平台未来的风险演化序列

第四步，基于上述产业拓扑网络，确定关键对象集合。上述关键对象集合可以是基于产业拓扑网络筛选出的、对目标生产平台正常运营至关重要的少数上游供应商。

第五步，针对关键对象集合中的每个关键对象，执行以下操作：

子步骤一，基于上述异常演化序列，确定上述关键对象对应的聚合异常代表值。其中，上述聚合异常代表值可以是关键供应商未来风险的综合量化值，例如，某关键对象未来15天风险均值0.78。实践中，首先，从异常演化序列中，提取关键对象未来的异常预测序列（例如，未来14天）。然后，根据预设的聚合策略（例如，取最大值、平均值），将异常预测序列压缩为一个单一的聚合异常代表值。

第六步，将各个聚合异常代表值转化为供应商断供概率集。其中，上述供应商断供概率集可以是关键供应商集合中每个供应商出现供应中断的概率值构成的集合。实践中，首先，将每个关键供应商的聚合异常代表值，直接或通过一个预设的映射函数，转化为对应的概率值。然后，将各个关键供应商的概率值形成一个概率集合。

第七步，基于上述供应商断供概率集，确定断链概率，以生成产业链断链概率信息。其中，上述断链概率可以是产业链因关键供应商断供断裂的整体概率。实践中，首先，获取供应商断供概率集中各个关键供应商的断供概率。然后，基于概率论，假设这些供应商的断供事件是近独立的，确定整条链条不断裂的概率（即所有供应商都不断供的概率）。最后，用1减去这个不断裂概率，得到至少一个关键供应商断供从而导致产业链断裂的总体概率，以作为产业链断链概率信息。

第八步，将上述产业链断链概率信息与预设的多个概率阈值区间进行匹配，以生成初始预警等级。其中，上述预设的多个概率阈值区间可以是预先定义的、将连续概率值映射到不同预警等级的数值范围。例如，阈值区间设为[0，0.3)->绿色，[0.3，0.5)->黄色，[0.5，0.7)->橙色，[0.7，1.0]->红色。上述初始预警等级可以是根据阈值区间匹配后，直接得到的初步等级分类结果。例如，断链概率为0.65，落入橙色区间，初始预警等级为“橙色预警”。

第九步，基于上述初始预警等级和预定义的预警等级映射规则库，生成预警等级信息。其中，上述预定义的预警等级映射规则库可以是存储预警等级与更详细预警参数（例如，信号强度、建议关注点）对应关系的知识库。例如，规则库中“橙色预警”映射为：信号强度=0.7。

步骤106，基于预警等级信息，生成对应的资源调度指令。

在一些实施例中，上述执行主体可以基于上述预警等级信息，生成对应的资源调度指令。其中，上述资源调度指令可以是驱动调度干预资源的可执行命令。

在一些实施例的一些可选的实现方式中，上述执行主体可以基于上述预警等级信息，生成对应的资源调度指令，可以包括以下步骤：

第一步，基于上述预警等级信息和预设资源调度策略知识库，生成初始资源调度策略信息集。其中，上述预设资源调度策略知识库可以是存储不同推荐资源调度方案的规则或案例库。例如，上述预设资源调度策略知识库可以包括：预警信号强度为{最高，全局}时，策略为“启动备用供应商并增加安全库存”。实践中，首先，根据预警信号强度，检索预设资源调度策略知识库，匹配出符合条件的资源调度策略。最后，将符合条件的资源调度策略组合成一个初始的资源调度策略信息集。

第二步，将上述初始资源调度策略信息集编码为标准指令格式，以生成资源调度指令。实践中，首先，系统获取初始资源调度策略信息集。然后，根据预定的标准指令格式（例如，特定的JSON结构或API调用规范），将策略信息转换为资源控制系统能够直接识别和执行的指令代码或数据报文。最后，生成的标准化的资源调度指令。

步骤107，响应于接收到资源调度指令，控制资源控制终端执行对资源的调度操作。

在一些实施例中，上述执行主体可以响应于接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作其中，上述资源控制终端可以是执行资源调度操作的硬件或者软件终端，例如，供应商货源调配平台。

在采用技术方案来解决上述背景技术的技术问题的过程中，针对所要应用的场景：汽车制造商面临关键零部件供应商停产风险时的资源调度，尤其在“单一货源依赖、安全库存低位、复产窗口极短”的极端情况下，往往又会伴随着如下技术问题：在资源异构、网络复杂、状态动态变化的现实条件下，对资源调度指令难以可靠执行，且容易因资源不可用、状态不符而导致指令失败或执行风险，浪费了资源调度的响应时间，因供应链断供造成的中断损失。针对本应用场景需要具备的如下需求特点：指令鲁棒性、执行确定性、资源适配性与过程可控性，我们决定采用如下解决方案：

在一些实施例的一些可选的实现方式中，上述执行主体可以响应于接收到上述资源调度指令，控制资源控制终端执行对干预资源的调度操作，可以包括以下步骤：

第一步，基于上述资源调度指令，生成对应的资源调度操作类型和目标资源标识。其中，上述资源调度操作类型可以是资源调度的具体动作类别，例如，货源调拨、备选供应商对接。上述目标资源标识可以是待调度资源的唯一识别信息，例如，“备选供应商->B生产平台”。实践中，可以从资源调度指令的标准化字段中提取出核心的操作命令（即资源调度操作类型）和操作对象（即目标资源标识）。

第二步，根据上述资源调度操作类型，调用对应的资源控制接口，以建立与目标资源控制终端的通信连接。其中，上述资源控制接口可以是资源控制终端提供的、用于接收指令和交互数据的标准化编程接口。上述通信连接可以是与目标资源控制终端建立的安全、稳定的数据通道。实践中，首先，根据资源调度操作类型，确定需要调用的目标系统及其对应的资源控制接口。然后，通过该接口与目标资源控制终端进行握手认证。最后，建立一条安全的通信连接

第三步，通过上述通信连接，向上述目标资源控制终端发送资源状态查询请求，以获取实时资源状态数据。其中，上述资源状态查询请求可以是向资源控制终端发送的、用于获取资源当前状态信息的指令。上述实时资源状态数据可以是资源控制终端返回的、资源在查询时刻的最新状态信息（例如，“物料A，当前库存：1500件”）。实践中，首先，通过已建立的通信连接，构造一个符合目标终端规范的资源状态查询请求。然后，将该请求发送至目标资源控制终端。最后，接收终端返回的响应，并从中提取出所需的实时资源状态数据。

第四步，基于上述实时资源状态数据和上述目标资源标识，验证上述资源调度指令的当前可执行性，以生成指令验证结果。其中，上述指令验证结果可以是比对指令需求与实时资源状态后得出的、指令是否可执行的布尔判断。例如，指令需调拨2000件，但库存仅1500件，则验证结果为“不可执行”。

第五步，响应于上述指令验证结果为可执行，生成资源控制命令序列。其中，上述资源控制命令序列可以是有序的、可被资源控制终端直接理解并执行的低层级操作指令。实践中，首先，根据资源调度指令的详细要求，将其分解并翻译成一系列资源控制终端能够直接理解的低层级、原子化的操作命令。最后，将上述操作命令按执行顺序排列，形成资源控制命令序列。

第六步，响应于上述目标资源控制终端接收到上述资源控制命令序列，执行对上述干预资源的调度操作。实践中，首先，系统通过通信连接，按顺序将资源控制命令序列中的每一条命令发送给目标资源控制终端。然后，资源控制终端在接收到命令后，驱动其控制的物理设备（例如，机械臂、传送带、车辆）执行相应的实际操作。最后，物理世界中的资源（例如，货物）开始发生预期的位移或状态变更，确定调度操作得以执行。

上述操作步骤，作为本公开的一个发明点，解决了背景技术提及的技术问题“在资源异构、网络复杂、状态动态变化的现实条件下，对资源调度指令难以可靠执行，且容易因资源不可用、状态不符而导致的指令失败或执行风险，浪费了宝贵的应急响应时间，导致因供应链断供造成的中断损失”。导致上述技术问题的原因如下：现有系统生成的调度指令多为面向人的任务单，缺乏与自动化终端交互、校验终端实时状态并生成底层控制指令的机制，无法应对执行现场的突发状况（例如，设备故障、网络中断），导致‘指令悬空’或执行效果不可控。本发明点通构建从指令解析、连接建立、状态验收到指令生成与执行的闭环控制链路，实现了将抽象业务指令可靠、智能地驱动为具体资源控制动作，节约了因指令无法执行、执行错误或资源冲突导致的返工成本与时间延迟，并提升了资源调度的精准度和成功率。

在采用技术方案来解决上述背景技术的技术问题的过程中，针对所要应用的场景：汽车生产过程中，关键零部件发生全国性断供风险，需在极短时间内完成跨省替代供应商的物料调拨，往往又会伴随着如下技术问题：资源调度指令语义模糊、操作单元无序，执行时易出现逻辑冲突，导致应急响应失效，增加了调度响应时间，浪费了大量的调度资源，导致了生产不连贯，造成了生产损失。针对本应用场景需要具备的如下需求特点：指令解析精准化、操作单元原子化、执行流程有序化、故障处理自动化，我们决定采用如下解决方案：

在一些实施例的一些可选的实现方式中，上述执行主体可以响应于上述指令验证结果为可执行，生成资源控制命令序列，可以包括以下步骤：

第一步，对上述资源调度指令进行语义解析，以提取对应的操作目标和操作约束条件。其中，上述操作目标可以是调度指令希望达成的最终状态。例如，上述操作目标可以是“在8小时内，从武汉仓向上海工厂供应1000个电芯模组”。上述操作约束条件可以是执行指令时必须遵循的限制。例如，上述操作约束条件可以包括：“运输过程湿度<10%”，“需使用防静电包装”，“全程GPS追踪”。

第二步，根据上述操作目标和操作约束条件，将上述资源调度指令分解为基础操作单元集合。其中，上述基础操作单元集合可以是构成完整指令的最小可执行动作集合。例如，基础操作单元集合可以包括：查询库存、生成调拨单、调度恒温车、安排接收四个单元。

第三步，基于上述操作约束条件，对上述基础操作单元集合中的每个基础操作单元添加前置条件标识和后续效应标识，以生成多个原子操作任务。其中，上述前置条件标识可以是标识一个操作单元开始前必须满足的状态。例如，上述前置条件标识可以是调度恒温车的前置条件是“调拨单已审批通过且有空闲车辆”。上述后续效应标识可以是标识一个操作单元成功后带来的状态变化。例如，上述后续效应标识可以是：“出库扫描”的后续效应是“库存减少，货物状态变为‘在途’”。上述多个原子操作任务可以是附带前置条件标识和后续效应标识、可独立调度的多个基础操作单元。实践中，首先，确定每个基础操作单元执行的前提。然后，确定其执行后系统的状态变化。最后，为每个基础操作单元附加前置与后续标识，以形成多个原子操作任务。

第四步，基于上述多个原子操作任务，构建任务执行依赖关系图。其中，上述任务执行依赖关系可以是有向无环图，节点是原子任务，边表示任务间的先后依赖关系。实践中，首先，根据遍历多个原子操作任务，如果一个任务的前置条件是另一个任务的后续效应，则建立从前置任务指向该任务的有向边。然后，形成有向无环图，用于明确各个任务的执行顺序。

第五步，基于上述任务执行依赖关系图和预先构建的指令模板库，生成标准化操作指令模板。其中，上述标准化操作指令模板可以是符合当前任务和设备接口的指令框架。实践中，首先，遍历任务执行依赖关系图的每个任务，根据其操作类型（例如，“车辆调度”、“温控开启”）在指令模板库中搜索匹配的模板。然后，为每个任务选定最合适的模板。最后，输出一个按任务顺序排列的标准化操作指令模板。

第六步，将上述实时资源状态数据、上述目标资源标识和对应的调度参数填充至上述标准化操作指令模板中，以生成设备控制指令。其中，上述设备控制指令可以是将具体参数填入标准化模板后生成的、可被设备直接执行的具体指令。

第七步，基于上述任务执行依赖关系图的时序与逻辑关系，对上述设备控制指令进行排序和同步化处理，得到初步命令序列。其中，上述初步命令序列可以是根据任务执行依赖关系图排序后得到的、逻辑上可顺序执行的设备控制指令列表。实践中，首先，根据任务执行依赖关系图，对设备控制指令集进行拓扑排序，得到基本执行顺序。然后，识别任务执行依赖关系图中可并发执行的任务分支，在序列中为其添加并发开始标记。最后，生成初步命令序列。

第八步，对上述初步命令序列注入容错处理逻辑，以生成资源控制命令序列。其中，上述容错处理逻辑可以是预先植入指令序列的、用于应对执行异常的检查和恢复逻辑。例如，在“调度车辆”命令后注入“若10分钟未确认，则尝试调度备用车辆002”。实践中，首先，分析初步序列中每个关键指令的潜在失败点（例如，调度超时、设备故障）。然后，在相应指令后插入条件判断、重试或备用方案指令。最后，生成一个带有鲁棒性错误处理逻辑的资源控制命令序列。

上述操作步骤，作为本公开的一个发明点，解决了背景技术提及的技术问题“资源调度指令语义模糊、操作单元无序，执行时易出现逻辑冲突，导致应急响应失效，增加了调度响应时间，浪费了大量的调度资源，导致了生产不连贯，造成了生产损失”。导致上述技术问题的原因如下：未对调度指令进行语义解析与原子化拆分，缺乏任务依赖关系梳理，无容错处理逻辑支撑。本发明点通过指令语义解析->原子任务拆分->依赖关系建模->容错逻辑注入，实现了资源调度指令到可执行命令序列的标准化转化，节约了指令调试与故障修复时间，应急响应效率提升。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于产业拓扑网络的资源调度方法，实现了对生产平台产业链断链的自动化干预，节约了时间资源，并降低了供应链中断损失。具体来说，造成供应链中断损失的原因在于：现有技术数据孤岛严重，难以关联多源异构原始数据，且缺乏产业链视角的风险传播分析，导致风险识别滞后、断点预测不足，无法及时采取干预措施引发供应链中断。基于此，本公开的一些实施例的基于产业拓扑网络的资源调度方法，首先，响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集。将多源异构原始数据统一编码为标准化时序向量，形成可连续、可度量的运行信息集，为后续分析提供统一、可比的基础数据表征。然后，利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集。通过生成异常分数序列集，精准量化生产平台状态偏离程度，提升早期微弱异常信号识别敏感度，为风险评估提供直观量化依据。再然后，基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络。通过构建产业拓扑网络，可以高效挖掘生产平台间供应关联，支持大规模生产平台实时监测，清晰呈现产业链结构。其次，将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问。消除了CPU与硬件加速器间的数据复制开销，确保了数据一致性，为后续硬件加速计算提供了低延迟、高带宽的数据供给通道。再次，通过上述硬件加速器的并行计算流水线，执行以下生成步骤：基于上述异常分数序列集和上述产业拓扑网络，生成目标生产平台的综合异常信息。并行计算流水线提升多源数据融合效率，整合异常分数与拓扑关联，实现生产平台风险的全面评估，避免孤立分析的片面性。基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息。量化产业链断链风险，通过预警等级直观呈现风险程度，便于快速响应，解决风险等级模糊导致的应对滞后问题。接着，基于上述预警等级信息，生成对应的资源调度指令。实现异常与调度策略的精准匹配，确保调度指令的针对性与有效性。最后，响应于上述接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，上述调度操作包括：目标产品相关的零部件的存储、上述零部件的运输。快速落地零部件存储、运输调度，及时补充生产资源，降低产业链断链概率，保障目标产品生产连续性，快速响应风险，降低产业链断链损失。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种基于产业拓扑网络的资源调度装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该基于产业拓扑网络的资源调度装置具体可以应用于各种电子设备中。

如图2所示，一种基于产业拓扑网络的资源调度装置200包括：第一生成单元201、第二生成单元202、调度单元203、存储单元204、调用单元205、第三生成单元206和控制单元207。第一生成单元201被配置成：第一生成单元201被配置成响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集。第二生成单元202被配置成：利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集。调用单元203被配置成：基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络。存储单元204被配置成：将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问。执行单元205被配置成：通过上述硬件加速器的并行计算流水线，执行以下生成步骤：基于上述异常分数序列及和上述产业拓扑网络，生成目标生产平台的综合异常信息。基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息。第三生成单元206被配置成：基于上述预警等级信息，生成对应的资源调度指令。控制单元207被配置成：响应于接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，上述调度操作包括：目标产品相关的零部件的存储、上述零部件的运输。

可以理解的是，该基于产业拓扑网络的资源调度装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于基于产业拓扑网络的资源调度装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，电子设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机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。而在本公开的一些实施例中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集；利用异常检测引擎，基于上述运行信息集，生成对应的异常分数序列集；基于上述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络；将上述异常分数序列集和上述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，上述共享存储单元用于零拷贝数据并行访问；通过上述硬件加速器的并行计算流水线，执行以下生成步骤：基于上述异常分数序列及和上述产业拓扑网络，生成目标生产平台的综合异常信息；基于上述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息；基于上述预警等级信息，生成对应的资源调度指令；响应于接收到上述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，上述调度操作包括：目标产品相关的零部件的存储、上述零部件的运输。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一生成单元、第二生成单元、调度单元、存储单元、调用单元、第三生成单元和控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一生成单元还可以被描述为“响应于检测到目标产品的库存低于目标阈值，基于上述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于产业拓扑网络的资源调度方法，包括：

响应于检测到目标产品的库存低于目标阈值，基于所述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集；

利用异常检测引擎，基于所述运行信息集，生成对应的异常分数序列集；

基于所述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络；

将所述异常分数序列集和所述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，所述共享存储单元用于零拷贝数据并行访问；

通过所述硬件加速器的并行计算流水线，执行以下生成步骤：

基于所述异常分数序列集和所述产业拓扑网络，生成目标生产平台的综合异常信息；

基于所述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息；

基于所述预警等级信息，生成对应的资源调度指令；

响应于接收到所述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，所述调度操作包括：目标产品相关的零部件的存储、所述零部件的运输。

2.根据权利要求1所述的方法，其中，所述响应于检测到目标产品的库存低于目标阈值，基于所述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集，包括：

对所述多个生产平台的多源异构原始数据中的每个生产平台多源异构原始数据执行以下步骤：

对所述生产平台多源异构原始数据进行异构数据时序同构化处理，得到同构化时间序列数据；

基于所述同构化时间序列数据，构建标准多维轨迹向量；

对所述标准多维轨迹向量进行连续性保持处理，以生成对应的运行信息；

将各个运行信息整合为运行信息集。

3.根据权利要求1所述的方法，其中，所述利用异常检测引擎，基于所述运行信息集，生成对应的异常分数序列集，包括：

针对所述运行信息集的每个运行信息，执行以下步骤：

利用异常检测引擎的第一节点，生成所述运行信息对应的轨迹曲率变化序列；

利用异常检测引擎的第二节点，基于所述轨迹曲率变化序列、预设的生产平台自身历史正常轨迹基准和行业同期平均轨迹基准，执行双基准动态判别操作，以得到双基准偏离度数据；

基于所述双基准偏离度数据和自适应权重参数，生成异常分数序列，其中，所述自适应权重参数是由所述异常检测引擎根据生产平台历史数据完整度和历史预警准确率动态确定的。

4.根据权利要求1所述的方法，其中，所述基于所述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络，包括：

调用所述并行计算节点集群的第一并行计算节点，以确定所述运行信息集中每两个生产平台的事件型轨迹相似度，以生成事件同步度矩阵；

调用所述并行计算节点集群的第二并行计算节点，以确定所述运行信息集中每两个生产平台的连续型轨迹的数值相关性，以生成数值相关性矩阵；

调用所述并行计算节点集群的第三并行计算节点，以确定所述运行信息集中每两个生产平台的运行信息的时滞因果关系，以生成最优时滞矩阵；

将所述事件同步度矩阵、所述数值相关性矩阵和所述最优时滞矩阵进行加权融合，以生成生产平台间综合相似度矩阵；

利用预先获取的生产平台重要性分数，对所述生产平台间综合相似度矩阵进行加权修正，以生成生产平台间耦合强度矩阵；

对所述生产平台间耦合强度矩阵进行筛选，以生成初始产业链有向网络；

对所述初始产业链有向网络进行噪声过滤，以生成产业拓扑网络。

5.根据权利要求1所述的方法，其中，所述基于所述异常分数序列集和所述产业拓扑网络，生成目标生产平台的综合异常信息，包括：

基于所述产业拓扑网络，提取所述目标生产平台的上游邻居集和下游邻居集；

基于所述异常分数序列集，确定所述目标生产平台、所述上游邻居集和所述下游邻居集在预设时间窗口内对应的异常分数信息，以得到目标生产平台异常分数信息、上游影响聚合值信息和下游影响聚合值信息；

将所述目标生产平台异常分数信息、所述上游影响聚合值信息和所述下游影响聚合值信息进行融合，得到综合异常信息。

6.根据权利要求1所述的方法，其中，所述基于所述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息，包括：

基于所述综合异常信息，构建对应的时序异常特征向量；

基于所述产业拓扑网络和所述异常分数序列，构建邻居异常聚合特征向量；

将所述时序异常特征向量和所述邻居异常聚合特征向量输至所述预先构建的时序预测模型，得到所述目标生产平台未来的异常演化序列；

基于所述产业拓扑网络，确定关键对象集合；

针对关键对象集合中的每个关键对象，执行以下操作：

基于所述异常演化序列，确定所述关键对象对应的聚合异常代表值；

将各个聚合异常代表值转化为供应商断供概率集；

基于所述供应商断供概率集，确定断链概率，以生成产业链断链概率信息；

将所述产业链断链概率信息与预设的多个概率阈值区间进行匹配，以生成初始预警等级；

基于所述初始预警等级和预定义的预警等级映射规则库，生成预警等级信息。

7.根据权利要求1所述的方法，其中，所述基于所述预警等级信息，生成对应的资源调度指令，包括：

基于所述预警等级信息和预设资源调度策略知识库，生成初始资源调度策略信息集；

将所述初始资源调度策略信息集编码为标准指令格式，以生成资源调度指令。

8.一种基于产业拓扑网络的资源调度装置，包括：

第一生成单元，被配置成响应于检测到目标产品的库存低于目标阈值，基于所述目标产品对应的产业链中多个生产平台的多源异构原始数据，生成对应的运行信息集；

第二生成单元，被配置成利用异常检测引擎，基于所述运行信息集，生成对应的异常分数序列集；

调用单元，被配置成基于所述运行信息集，调用拓扑构建服务器的并行计算节点集群，以生成表征生产平台间产品流转关系的产业拓扑网络；

存储单元，被配置成将所述异常分数序列集和所述产业拓扑网络同步存储至共享存储单元，以供硬件加速器访问，其中，所述共享存储单元用于零拷贝数据并行访问；

执行单元，被配置成通过所述硬件加速器的并行计算流水线，执行以下生成步骤：

基于所述异常分数序列集和所述产业拓扑网络，生成目标生产平台的综合异常信息；

基于所述综合异常信息，生成产业链断链概率信息，以映射为预警等级信息；

第三生成单元，被配置成基于所述预警等级信息，生成对应的资源调度指令；

控制单元，被配置成响应于接收到所述资源调度指令，控制资源控制终端执行对资源的调度操作，其中，所述调度操作包括：目标产品相关的零部件的存储、所述零部件的运输。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。