本技术公开了一种基于未来网络的数据通信系统及方法,具体涉及未来网络环境下的智能交通管理领域,用于解决动态任务拆分与设备资源优化问题,首先,实时监控设备的负载调控指数和任务负荷强度指数,精准获取设备状态和任务需求。基于遗传算法的多目标优化模型,动态平衡设备负载与任务计算需求,生成最优任务拆分方案,将任务合理拆分并分配到负载较低的设备。结合网络拓扑和路径优先级模型,任务被拆分为多个子任务,通过最优路径分配,提升任务处理效率并降低网络拥塞。在任务执行过程中,持续监控设备负载变化和任务进度,依据资源状态和任务需求变化动态调整任务粒度,自动触发任务拆分或合并,实现资源高效利用,避免设备过载或资源浪费。
背景技术
随着6G网络技术的发展,智能交通管理系统逐渐成为城市交通调度和优化的重要基础设施。6G网络的高带宽、低延迟和强大的计算能力,使得交通数据可以实时传输和处理,支持智能车辆调度、车流量预测和紧急事件的快速响应。系统通过对大规模实时交通数据的分析和处理,提供高效的路径规划、交通信号优化等服务,确保交通运行的流畅与安全。然而,面对复杂的交通场景,不同类型的任务需要被合理拆分并分配至各网元设备进行处理,任务的有效拆分成为影响系统效率的关键因素。
在现有技术中,任务拆分通常是预先设定的固定规则,缺乏与任务需求和网元设备负载状态的动态结合。尤其是任务粒度调整的灵活性不足,成为制约系统性能的核心问题。在处理高复杂度任务时,传统的固定拆分机制无法根据实际情况对任务进行适当的粒度调整。具体表现为,当任务计算需求变化或网元设备负载不均时,任务的拆分方案仍然沿用静态规则,导致部分网元设备过载,而其他网元设备资源闲置,严重影响了任务的执行效率和系统的整体响应速度。
为了解决上述问题,现提供一种技术方案。
实现思路