CN109918205A - 一种边缘设备调度方法、***、装置及计算机存储介质 - Google Patents

Abstract

本申请公开了一种边缘设备调度方法、***、装置及计算机存储介质，该方法包括：接收目标任务的特征信息；接收边缘设备集群中每个边缘设备的特征信息；基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数；输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在候选边缘设备中选择出目标边缘设备执行目标任务。本申请提供的一种边缘设备调度方法，采用调度模型来计算匹配分数，既提高了计算效率，又可以综合考虑各个边缘设备的特征信息，适用性好。本申请提供的一种边缘设备调度***、装置及计算机可读存储介质也解决了相应技术问题。

Description

一种边缘设备调度方法、***、装置及计算机存储介质

技术领域

本申请涉及资源调度技术领域，更具体地说，涉及一种边缘设备调度方法、***、装置及计算机存储介质。

背景技术

边缘设备是向企业或者服务商核心网络提供入口点的设备，包括各种城域网和广域网接入设备，例如家庭及个人的一些移动设备等。单个边缘设备的计算能力有限，但是边缘设备的集群拥有强大的计算能力，合理调度利用边缘设备的集群有助于庞大计算量的任务在有限时限内完成。

现有的边缘设备调度策略主要有First-Fit(首次适应)和Best-Fit(最佳适应)。在First-Fit策略中，调度器会遍历所有的边缘设备，并将任务分配给第一个可以接收任务的边缘设备。在Best-Fit策略中，调度器在所有可以接收任务的边缘设备中选择指定特征组合最符合要求的边缘设备进行分配任务。

然而，First-Fit策略不会考虑每个边缘设备具体的状态特征，可能导致任务完成需等待较长时间，效率低。Best-Fit策略中，调度器只考虑边缘设备被选择的特征组合，调度器的效果一定程度上取决于选择的特征组合，难以考虑边缘设备集群自身与所处环境的所有特征组合，局限性大。

综上所述，如何提供一种适用性高的边缘设备调度方法是目前本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种边缘设备调度方法，其能在一定程度上解决如何提供一种适用性高的边缘设备调度方法的技术问题。本申请还提供了一种边缘设备调度***、装置及计算机可读存储介质。

为了实现上述目的，本申请提供的一种边缘设备调度方法，包括：

接收目标任务的特征信息；

接收边缘设备集群中每个边缘设备的特征信息；

基于预先训练的调度模型参数，计算所述目标任务的特征信息与每个所述边缘设备的特征信息的匹配分数；

输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在所述候选边缘设备中选择出目标边缘设备执行所述目标任务。

优选的，所述基于预先训练的调度模型参数，计算所述目标任务的特征信息与每个所述边缘设备的特征信息的匹配分数之前，还包括：

获取训练任务的特征信息及测试任务的特征信息；

获取训练边缘设备的特征信息及测试边缘设备的特征信息；

获取所述训练任务与所述训练边缘设备间的理论匹配分数，及所述测试任务与所述测试边缘设备间的理论匹配分数；

将所述训练任务的特征信息、所述训练边缘设备的特征信息作为输入，将所述训练任务与所述训练边缘设备间的理论匹配分数作为输出，按照设置的训练模型及训练框架，训练所述调度模型参数；

将所述测试任务的特征信息、所述测试边缘设备的特征信息作为输入，按照训练好的调度模型参数计算所述测试任务与所述测试边缘设备间的实际匹配分数；

基于所述测试任务与所述测试边缘设备间的理论匹配分数，及所述测试任务与所述测试边缘设备间的实际匹配分数，按照设置的损失函数及模型衡量标准调整训练好的调度模型参数，直至得到最终的调度模型参数。

优选的，所述训练模型包括深宽度学习模型中的wide&deep模型。

优选的，所述训练模型包括第一类学习模型或第二类学习模型；

所述第一类学习模型包括逻辑回归模型或FM模型或SVM模型或naive贝叶斯模型或随机森林模型或GBDT模型；

所述第二类学习模型包括DeepFM模型或XdeepFM模型或deep&cross模型。

优选的，所述训练框架包括TensorFlow训练框架。

优选的，所述按照设置的损失函数及模型衡量标准调整训练好的神经网络参数，包括：

按照设置的损失函数及模型衡量标准调整学习率参数、批次大小参数、优化器参数、迭代次数参数、激活函数参数。

优选的，所述输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备之后，还包括：

接收历史数据，所述历史数据包括历史目标任务的特征信息、历史目标边缘设备的特征信息、所述历史目标任务与所述历史目标边缘设备间的匹配分数；

基于所述历史数据调整所述调度模型参数。

优选的，所述获取训练任务的特征信息及测试任务的特征信息之前，还包括：

采集原始数据，所述原始数据包括原始任务的特征信息、原始边缘设备的特征信息、所述原始任务与所述原始边缘设备间的匹配分数；

将所述原始数据进行重新排序；

对重新排序后的原始数据进行离散化或归一化处理；

将处理后的原始数据切分为训练数据和测试数据；

其中，所述训练数据包括训练任务的特征信息、训练边缘设备的特征信息、所述训练任务与所述训练边缘设备间的理论匹配分数；所述测试数据包括测试任务的特征信息、测试边缘设备的特征信息、所述测试任务与所述测试边缘设备间的理论匹配分数。

优选的，所述采集原始数据之后，所述将所述原始数据进行重新排序之前，还包括：

按照预设的不同匹配分数间的比例关系，调整所述原始数据。

优选的，所述将处理后的原始数据切分为训练数据和测试数据，包括：

判断处理后的原始数据是否缺失数据，若是，则对处理后的原始数据进行填充，将填充后的原始数据切分为所述训练数据和所述测试数据；

其中，对处理后的原始数据进行填充包括平均值填充、最小值填充、最大值填充、相似数填充。

为实现上述目的，本申请进一步提供一种边缘设备调度***，包括：

第一接收模块，用于接收目标任务的特征信息；

第二接收模块，用于接收边缘设备集群中每个边缘设备的特征信息；

第一计算模块，用于基于预先训练的调度模型参数，计算所述目标任务的特征信息与每个所述边缘设备的特征信息的匹配分数；

第一输出模块，用于输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在所述候选边缘设备中选择出目标边缘设备执行所述目标任务。

为实现上述目的，本申请进一步提供一种边缘设备调度装置，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的边缘设备调度程序，所述边缘设备调度程序被所述处理器执行时实现如上任一所述的方法。

优选的，所述装置为组成CDN网络或者区块链网络的节点。

为实现上述目的，本申请进一步提供一种计算机可读存储介质，所述计算机可读存储介质上存储有边缘设备调度程序，所述边缘设备调度程序可被一个或者多个处理器执行，以实现如上任一所述的边缘设备调度方法。

为实现上述目的，本申请进一步提供一种边缘设备调度方法，应用于边缘设备，包括：

发送自身的特征信息，所述特征信息用于计算与目标任务的特征信息间的匹配分数，所述匹配分数用于评估所述边缘设备是否执行所述目标任务；

判断是否接收到所述目标任务，若是，则执行所述目标任务。

本申请提供的一种边缘设备调度方法，接收目标任务的特征信息；接收边缘设备集群中每个边缘设备的特征信息；基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数；输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在候选边缘设备中选择出目标边缘设备执行目标任务。本申请提供的一种边缘设备调度方法，基于预先训练的调度模型参数，来计算目标任务的特征信息与边缘设备的特征信息间的匹配分数，也即采用调度模型来计算匹配分数，既提高了计算效率，又可以综合考虑各个边缘设备的特征信息，适用性好。本申请提供的一种边缘设备调度***、装置及计算机可读存储介质也解决了相应技术问题。

附图说明

为了更清楚地说明本申请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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请第一实施例的流程示意图；

图2为调度模型参数的训练示意图；

图3为本申请实施例提供的边缘设备调度方法的流程图；

图4为本申请一实施例揭露的边缘设备调度***的结构示意图；

图5为本申请一实施例揭露的边缘设备调度装置的内部结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本申请提供一种应用于调度模型的边缘设备调度方法。

请参阅图1，图1为本申请第一实施例的流程示意图。

在第一实施例中，该方法可以包括：

S101，接收目标任务的特征信息。

实际应用中，可以先接收目标任务的特征信息，目标任务的特征信息可以包括任务的ID，IP地址，nat类型，所属省份，网络运营商，流信息，版本号，以及连接属性等。应当指出，本申请所涉及的边缘设备包但不限于Windows、Linux、Mac***的个人电脑，安卓、塞班、IOS***的手机、平板电脑等智能移动设备，以及各种家用NAS类型的电子设备。

S102，接收边缘设备集群中每个边缘设备的特征信息。

实际应用中，在接收目标任务的特征信息后，可以接收边缘设备集群中每个边缘设备的特征信息。边缘设备的特征信息可以包括边缘设备的ID，IP地址，版本号，nat类型，端口号，当前状态，地理属性，运营商属性，当前上下行带宽，历史最大上下行带宽，当前服务数目等表示边缘设备目前状态的信息等。

S103，基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数。

实际应用中，可以基于预先训练的调度模型参数，计算接收的目标任务的特征信息与每个边缘设备的特征信息间的匹配分数，匹配分数用于表示边缘设备与目标任务的匹配程度，匹配分数越高，边缘设备越适合执行目标任务。由预先训练的调度模型参数的描述不难理解，本申请涉及到调度模型，其具有自主性、准确率高等优点。

S104：输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在候选边缘设备中选择出目标边缘设备执行目标任务。

实际应用中，在计算得到目标任务与各个边缘设备间的匹配分数之后，便可以将数值最大的预设数量的匹配分数所对应的边缘设备作为候选边缘设备输出，预设数量的具体数值可以根据具体应用场景确定。具体的，可以按照选取规则在候选边缘设备中选择出目标边缘设备执行目标任务，比如按照选取负载均衡高的选取规则在候选边缘设备中选择出目标边缘设备，按照选取通信距离近的选取规则在候选边缘设备中选择出目标边缘设备等。应当指出，本申请提供的一种边缘设备调度方法可以应用于与边缘设备连接的服务器等中，与边缘设备连接的服务器可以为与边缘设备连接的本地服务器，还可以为与边缘设备连接的云端服务器等。

本申请提供的一种边缘设备调度方法，接收目标任务的特征信息；接收边缘设备集群中每个边缘设备的特征信息；基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数；输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在候选边缘设备中选择出目标边缘设备执行目标任务。本申请提供的一种边缘设备调度方法，基于预先训练的调度模型参数，来计算目标任务的特征信息与边缘设备的特征信息间的匹配分数，也即采用调度模型来计算匹配分数，既提高了计算效率，又可以综合考虑各个边缘设备的特征信息，适用性好。

请参阅图2，图2为调度模型参数的训练示意图。

在第一实施例中，为了快速对调度模型参数进行训练，且保证外界对调度模型参数的调试，在基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数之前，还可以包括步骤：

S201，获取训练任务的特征信息及测试任务的特征信息。

训练任务指的是用于训练调度模型参数的任务，测试任务指的是测试调度模型参数的任务。训练任务及测试任务的特征信息可以根据实际需要确定，其类型可以与目标任务的类型相同。

S202，获取训练边缘设备的特征信息及测试边缘设备的特征信息。

训练边缘设备指的是用于训练调度模型的边缘设备，测试边缘设备指的是用于测试调度模型的边缘设备。训练边缘设备及测试边缘设备的特征信息可以根据实际需要确定，其类型可以与训练边缘集的类型相同。

S203，获取训练任务与训练边缘设备间的理论匹配分数，及测试任务与测试边缘设备间的理论匹配分数。

训练任务与训练边缘设备间的理论匹配分数指的是用于训练调度模块的匹配分数，测试任务与测试边缘设备间的理论匹配分数指的是用于测试调度模型的匹配分数。

S204，将训练任务的特征信息、训练边缘设备的特征信息作为输入，将训练任务与训练边缘设备间的理论匹配分数作为输出，按照设置的训练模型及训练框架，训练调度模型参数。

S205，将测试任务的特征信息、测试边缘设备的特征信息作为输入，按照训练好的调度模型参数计算测试任务与测试边缘设备间的实际匹配分数。

S206，基于测试任务与测试边缘设备间的理论匹配分数，及测试任务与测试边缘设备间的实际匹配分数，按照设置的损失函数及模型衡量标准调整训练好的调度模型参数，直至得到最终的调度模型参数。

实际应用中，损失函数可以为交叉熵损失、最小均值误差等；模型衡量标准可以为准确率、召回率、F(F-Measure，综合评价指标)1、ROC曲线(receiver operatingcharacteristic curve，受试者工作特征曲线)和AUC(Area Under Curve，ROC曲线下方的面积大小)面积等。

在第一实施例中，为了保证调度模型参数的训练效果和训练效率，训练模型可以包括深宽度学习模型中的wide&deep模型。

在第一实施例中，为了满足外界对调度模型参数的多样性需求，训练模型可以包括第一类学习模型或第二类学习模型；第一类学习模型，也即传统机器学习模型，可以包括逻辑回归模型或FM模型或SVM模型或naive贝叶斯模型或随机森林模型或GBDT模型；第二类学习模型，也即深度学习模型，可以包括DeepFM模型或XdeepFM模型或deep&cross模型。实际应用中，可以根据调度模型参数的运行环境及性能要求等选取合适的训练模型。

在第一实施例中，为了便于调度模型参数的描述，训练框架可以包括TensorFlow训练框架。

实际应用中，调度模型参数的训练框架还可以为Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等。具体的，可以根据调度模型参数的数据量、运行环境等参数来确定其所应用的训练框架；为了便于选取训练框架，本申请对各类训练框架的特性进行了描述，请参阅表1，表1为各类训练框架的性能值，相应的，在选取训练框架时，可以直接根据调度模型参数的相应参数，在表1中选取合适的训练框架。

表1各类训练框架的性能参数

在第一实施例中，为了加快调度模型参数的训练，按照设置的损失函数及模型衡量标准调整训练好的神经网络参数的过程可以具体为：按照设置的损失函数及模型衡量标准调整学习率参数、批次大小参数、优化器参数、迭代次数参数、激活函数参数。

在第一实施例中，为了保证调度模型参数的准确率，可以采用历史数据对调度模型进行更新，则输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备之后，还可以接收历史数据，历史数据包括历史目标任务的特征信息、历史目标边缘设备的特征信息、历史目标任务与历史目标边缘设备间的匹配分数；基于历史数据调整调度模型参数。

实际应用中，可以实时借助历史数据更新调度模型参数，也可以按照预设时间间隔借助历史数据更新调度模型参数。

请参阅图3，图3为本申请实施例提供的边缘设备调度方法的流程图。

本申请实施例提供的边缘设备调度方法中，获取训练任务的特征信息及测试任务的特征信息之前，还可以包括：

S301，采集原始数据，原始数据包括原始任务的特征信息、原始边缘设备的特征信息、原始任务与原始边缘设备间的匹配分数。

S302，将原始数据进行重新排序。

实际应用中，由于采集的原始数据具有时效性，比如在时间上有先后顺序，为了避免时效性对调度模型的影响，可以将原始数据进行重新排序。

S303，对重新排序后的原始数据进行离散化或归一化处理。

实际应用中，采集的原始数据中的各类数据的格式可能不一致，由此会为调度模型的训练带来困难，为了避免此种情况，可以对重新排序后的原始数据进行离散化或归一化处理，使得原始数据的格式统一为一种格式。

S304，将处理后的原始数据切分为训练数据和测试数据，其中，训练数据包括训练任务的特征信息、训练边缘设备的特征信息、训练任务与训练边缘设备间的理论匹配分数；测试数据包括测试任务的特征信息、测试边缘设备的特征信息、测试任务与测试边缘设备间的理论匹配分数。

实际应用中，可以按照预设比例将处理后的原始数据切分为训练数据和测试数据，比如按照3：1的比例将处理后的原始数据切分为训练数据和测试数据等。

在第二实施例中，采集的原始数据中不同匹配分数的数据比例不同，比如原始数据中数据的匹配分数均小于70分，那么使用该原始数据训练得到的调度模型参数的最终匹配分数难以高于70分，使得调度模型参数的准确性较差，为了提高调度模型参数的准确性，在采集原始数据之后，将原始数据进行重新排序之前，还可以按照预设的不同匹配分数间的比例关系，调整原始数据。也即使得原始数据的匹配分数部分预设的比例关系，使得各类匹配分数均可以参与调度模型参数的训练，从而提高调度模型参数的准确性。

实际应用中，在采集原始数据的过程中，可能存在部分数据丢失的情况，由此会影响调度模型参数的训练效果，为了避免此种情况，将处理后的原始数据切分为训练数据和测试数据的过程可以具体为：判断处理后的原始数据是否缺失数据，若是，则对处理后的原始数据进行填充，将填充后的原始数据切分为训练数据和测试数据；其中，对处理后的原始数据进行填充包括平均值填充、最小值填充、最大值填充、相似数填充。也即，原始数据中缺失数据时，可以将采集的原始数据中相应数据的平均值作为缺失的数据，可以将采集的原始数据中相应数据的最小值作为缺失的数据，可以将采集的原始数据中相应数据的最大值作为缺失的数据，可以将采集的原始数据中相应数据的相似数作为缺失的数据等。

另一方面，本申请提供一种边缘设备调度***。

请参阅图4，图4为本申请一实施例揭露的边缘设备调度***的结构示意图。

本申请提供的一种边缘设备调度***，可以包括：

第一接收模块401，用于接收目标任务的特征信息；

第二接收模块402，用于接收边缘设备集群中每个边缘设备的特征信息；

第一计算模块403，用于基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数；

第一输出模块404，用于输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在候选边缘设备中选择出目标边缘设备执行目标任务。

本申请提供的一种边缘设备调度***，还可以包括：

第一获取模块，用于第一计算模块基于预先训练的调度模型参数，计算目标任务的特征信息与每个边缘设备的特征信息的匹配分数之前，获取训练任务的特征信息及测试任务的特征信息；

第二获取模块，用于获取训练边缘设备的特征信息及测试边缘设备的特征信息；

第三获取模块，用于获取训练任务与训练边缘设备间的理论匹配分数，及测试任务与测试边缘设备间的理论匹配分数；

第一训练模块，用于将训练任务的特征信息、训练边缘设备的特征信息作为输入，将训练任务与训练边缘设备间的理论匹配分数作为输出，按照设置的训练模型及训练框架，训练调度模型参数；

第二计算模块，用于将测试任务的特征信息、测试边缘设备的特征信息作为输入，按照训练好的调度模型参数计算测试任务与测试边缘设备间的实际匹配分数；

第一调整模块，用于基于测试任务与测试边缘设备间的理论匹配分数，及测试任务与测试边缘设备间的实际匹配分数，按照设置的损失函数及模型衡量标准调整训练好的调度模型参数，直至得到最终的调度模型参数。

本申请提供的一种边缘设备调度***，训练模型包括深宽度学习模型中的wide&deep模型。

本申请提供的一种边缘设备调度***，训练模型包括传统机器学习模型、深度学习模型；

传统机器学习模型包括逻辑回归模型、FM模型、SVM模型、naive贝叶斯模型、随机森林模型、GBDT模型；

深度学习模型包括DeepFM模型、XdeepFM模型、deep&cross模型。

本申请提供的一种边缘设备调度***，训练框架包括TensorFlow训练框架。

本申请提供的一种边缘设备调度***，第一调整模块可以包括：

第一调整单元，用于按照设置的损失函数及模型衡量标准调整学习率参数、批次大小参数、优化器参数、迭代次数参数、激活函数参数。

本申请提供的一种边缘设备调度***，还可以包括：

第三接收模块，用于第一输出模块输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备之后，接收历史数据，历史数据包括历史目标任务的特征信息、历史目标边缘设备的特征信息、历史目标任务与历史目标边缘设备间的匹配分数；

第二调整模块，用于基于历史数据调整调度模型参数。

本申请提供的一种边缘设备调度***，还可以包括：

第一采集模块，用于第一获取模块获取训练任务的特征信息及测试任务的特征信息之前，采集原始数据，原始数据包括原始任务的特征信息、原始边缘设备的特征信息、原始任务与原始边缘设备间的匹配分数；

第一排序模块，用于将所述原始数据进行重新排序；

第一处理模块，用于对重新排序后的原始数据进行离散化或归一化处理；

第一切分模块，用于将处理后的原始数据切分为训练数据和测试数据；

其中，所述训练数据包括训练任务的特征信息、训练边缘设备的特征信息、所述训练任务与所述训练边缘设备间的理论匹配分数；所述测试数据包括测试任务的特征信息、测试边缘设备的特征信息、所述测试任务与所述测试边缘设备间的理论匹配分数。

本申请提供的一种边缘设备调度***，还可以包括：

第一调整模块，用于第一采集模块所述采集原始数据之后，第一排序模块所述将所述原始数据进行重新排序之前，按照预设的不同匹配分数间的比例关系，调整所述原始数据。

本申请提供的一种边缘设备调度***，第一切分模块可以包括：

第一判断单元，用于判断处理后的原始数据是否缺失数据，若是，则对处理后的原始数据进行填充，将填充后的原始数据切分为所述训练数据和所述测试数据；

其中，对处理后的原始数据进行填充包括平均值填充、最小值填充、最大值填充、相似数填充。

本申请还提供了一种边缘设备调度方法，应用于边缘设备，包括以下步骤：

发送自身的特征信息，特征信息用于计算与目标任务的特征信息间的匹配分数，匹配分数用于评估边缘设备是否执行目标任务；

判断是否接收到目标任务，若是，则执行目标任务。

关于本申请实施例提供的应用于边缘设备的边缘设备调度方法的相关描述请参阅上述实施例，在此不再赘述。

另一方面，本申请提供一种边缘设备调度装置。

参照图5，图5为本申请一实施例揭露的边缘设备调度装置的内部结构示意图。

本实施例中，边缘设备调度装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、掌上电脑、便携计算机、智能路由器、矿机、网络存储设备终端设备。

该边缘设备调度装置1可以是组成CDN网络或者区块链网络的节点。

该边缘设备调度装置1可以包括存储器11、处理器12和总线13。

其中，存储器11至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是边缘设备调度装置1的内部存储单元，例如该边缘设备调度装置1的硬盘。存储器11在另一些实施例中也可以是边缘设备调度装置1的外部存储设备，例如边缘设备调度装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括边缘设备调度装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于边缘设备调度装置1的应用软件及各类数据，例如边缘设备调度程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行边缘设备调度程序01等。

该总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

进一步地，边缘设备调度装置还可以包括网络接口14，网络接口14可选的可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该装置1与其他电子设备之间建立通信连接。

可选地，该边缘设备调度装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在边缘设备调度装置1中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有组件11-14以及边缘设备调度程序01的边缘设备调度装置1，本领域技术人员可以理解的是，图5示出的结构并不构成对边缘设备调度装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

本申请提供的一种计算机可读存储介质，计算机可读存储介质上存储有边缘设备调度程序，边缘设备调度程序可被一个或者多个处理器执行，以实现如上任一实施例所描述的边缘设备调度方法。

这里所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种边缘设备调度方法，其特征在于，包括：

接收目标任务的特征信息；

接收边缘设备集群中每个边缘设备的特征信息；

基于预先训练的调度模型参数，计算所述目标任务的特征信息与每个所述边缘设备的特征信息的匹配分数；

输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在所述候选边缘设备中选择出目标边缘设备执行所述目标任务。

2.根据权利要求1所述的方法，其特征在于，所述基于自身预先训练的调度模型参数，计算所述目标任务的特征信息与每个所述边缘设备的特征信息的匹配分数之前，还包括：

获取训练任务的特征信息及测试任务的特征信息；

获取训练边缘设备的特征信息及测试边缘设备的特征信息；

获取所述训练任务与所述训练边缘设备间的理论匹配分数，及所述测试任务与所述测试边缘设备间的理论匹配分数；

将所述训练任务的特征信息、所述训练边缘设备的特征信息作为输入，将所述训练任务与所述训练边缘设备间的理论匹配分数作为输出，按照设置的训练模型及训练框架，训练所述调度模型参数；

将所述测试任务的特征信息、所述测试边缘设备的特征信息作为输入，按照训练好的调度模型参数计算所述测试任务与所述测试边缘设备间的实际匹配分数；

基于所述测试任务与所述测试边缘设备间的理论匹配分数，及所述测试任务与所述测试边缘设备间的实际匹配分数，按照设置的损失函数及模型衡量标准调整训练好的调度模型参数，直至得到最终的调度模型参数。

3.根据权利要求2所述的方法，其特征在于，所述训练模型包括深宽度学习模型中的wide&deep模型。

4.根据权利要求2所述的方法，其特征在于，所述训练模型包括第一类学习模型或第二类学习模型；

所述第一类学习模型包括逻辑回归模型或FM模型或SVM模型或naive贝叶斯模型或随机森林模型或GBDT模型；

所述第二类学习模型包括DeepFM模型或XdeepFM模型或deep&cross模型。

5.根据权利要求2所述的方法，其特征在于，所述训练框架包括TensorFlow训练框架。

6.根据权利要求2所述的方法，其特征在于，所述按照设置的损失函数及模型衡量标准调整训练好的神经网络参数，包括：

按照设置的损失函数及模型衡量标准调整学习率参数、批次大小参数、优化器参数、迭代次数参数、激活函数参数。

7.根据权利要求2至6任一项所述的方法，其特征在于，所述输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备之后，还包括：

接收历史数据，所述历史数据包括历史目标任务的特征信息、历史目标边缘设备的特征信息、所述历史目标任务与所述历史目标边缘设备间的匹配分数；

基于所述历史数据调整所述调度模型参数。

8.根据权利要求2所述的方法，其特征在于，所述获取训练任务的特征信息及测试任务的特征信息之前，还包括：

采集原始数据，所述原始数据包括原始任务的特征信息、原始边缘设备的特征信息、所述原始任务与所述原始边缘设备间的匹配分数；

将所述原始数据进行重新排序；

对重新排序后的原始数据进行离散化或归一化处理；

将处理后的原始数据切分为训练数据和测试数据；

其中，所述训练数据包括训练任务的特征信息、训练边缘设备的特征信息、所述训练任务与所述训练边缘设备间的理论匹配分数；所述测试数据包括测试任务的特征信息、测试边缘设备的特征信息、所述测试任务与所述测试边缘设备间的理论匹配分数。

9.根据权利要求8所述的方法，其特征在于，所述采集原始数据之后，所述将所述原始数据进行重新排序之前，还包括：

按照预设的不同匹配分数间的比例关系，调整所述原始数据。

10.根据权利要求8所述的方法，其特征在于，所述将处理后的原始数据切分为训练数据和测试数据，包括：

判断处理后的原始数据是否缺失数据，若是，则对处理后的原始数据进行填充，将填充后的原始数据切分为所述训练数据和所述测试数据；

其中，对处理后的原始数据进行填充包括平均值填充、最小值填充、最大值填充、相似数填充。

11.一种边缘设备调度***，其特征在于，包括：

第一接收模块，用于接收目标任务的特征信息；

第二接收模块，用于接收边缘设备集群中每个边缘设备的特征信息；

第一计算模块，用于基于预先训练的调度模型参数，计算所述目标任务的特征信息与每个所述边缘设备的特征信息的匹配分数；

第一输出模块，用于输出数值最大的预设数量的匹配分数所对应的边缘设备为候选边缘设备，以按照选取规则在所述候选边缘设备中选择出目标边缘设备执行所述目标任务。

12.一种边缘设备调度装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的边缘设备调度程序，所述边缘设备调度程序被所述处理器执行时实现如权利要求1至10任一项所述的方法。

13.根据权利要求12所述的装置，其特征在于，所述装置为组成CDN网络或者区块链网络的节点。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有边缘设备调度程序，所述边缘设备调度程序可被一个或者多个处理器执行，以实现如权利要求1至10中任一项所述的边缘设备调度方法。

15.一种边缘设备调度方法，其特征在于，应用于边缘设备，包括：

发送自身的特征信息，所述特征信息用于计算与目标任务的特征信息间的匹配分数，所述匹配分数用于评估所述边缘设备是否执行所述目标任务；

判断是否接收到所述目标任务，若是，则执行所述目标任务。