CN114489938A - 一种基于云边协同模式的用户侧QoS预测模型构建方法 - Google Patents
一种基于云边协同模式的用户侧QoS预测模型构建方法 Download PDFInfo
- Publication number
- CN114489938A CN114489938A CN202210010687.1A CN202210010687A CN114489938A CN 114489938 A CN114489938 A CN 114489938A CN 202210010687 A CN202210010687 A CN 202210010687A CN 114489938 A CN114489938 A CN 114489938A
- Authority
- CN
- China
- Prior art keywords
- service
- matrix
- model
- edge
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 164
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
- G06F9/45508—Runtime interpretation or emulation, e g. emulator loops, bytecode interpretation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于云边协同模式的用户侧QoS预测模型构建方法,包括:云端服务器向M个用户端发送对应的第一模型配置文件;每一个用户端创建本地预测模型;云端服务器循环指定M1个用户端执行模型预训练指令;云端服务器向N个边缘服务器发送对应的第二模型配置文件,指定M2个用户端执行当前本地预测模型的迭代训练;每一个边缘服务器创建边缘服务矩阵,并根据M2个用户端的模型训练结果更新关联的边缘服务矩阵;每一个边缘服务器循环从管控的K个用户端中随机指定K1个用户端执行模型微调指令;每一个用户端加载其归属的边缘服务器的最优边缘服务矩阵,构建QoS预测模型。本发明在保护用户隐私的同时,加快了模型训练的收敛速度。
Description
技术领域
本发明涉及QoS(Quality of Service,服务质量)预测应用技术领域,具 体是一种基于云边协同模式的用户侧QoS预测模型构建方法。
背景技术
用户侧QoS值作为可以帮助用户端从功能相似的云服务中选择高质量服务 的一个参数指标,现有学者已提出利用协同过滤方法来实现对该用户侧QoS值 进行预测,但该方法需要由云端服务器收集用户侧的历史QoS数据,这会导致 用户隐私得不到保护。在此基础上,另有学者将联邦学习技术引入用户侧QoS值预测领域,此时云端服务器只需要收集用户侧的本地模型训练结果,在一定 程度上达到了保护用户隐私的目的,然而由于不同地理区域的用户侧QoS数据 分布差异较大,导致模型训练的收敛速度较慢。因此,如何在保护用户隐私的 情况下进行模型高效训练,是本发明需要解决的技术问题。
发明内容
本发明提供一种基于云边协同模式的用户侧QoS预测模型构建方法,以解 决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造 条件。
本发明提供一种基于云边协同模式的用户侧QoS预测模型构建方法,所述 方法包括:
云端服务器根据区域内部署的边缘服务器以及边缘服务器所管控的用户 端,创建N个服务矩阵以及对应的N个临时服务梯度矩阵,其中边缘服务器的 数量为N(N>0),N个边缘服务器所管控的用户端的数量为M(M≥N),再向 M个用户端发送对应的第一模型配置文件,其中所述第一模型配置文件包括用 户矩阵结构参数和服务矩阵结构参数;
所述M个用户端中的每一个用户端根据各自接收到的第一模型配置文件创 建本地预测模型;
所述云端服务器循环从所述M个用户端中随机指定M1(M1<M)个用户端 辅助执行模型预训练指令,直至将所述N个服务矩阵更新为N个最优服务矩阵;
所述云端服务器向所述N个边缘服务器发送对应的第二模型配置文件,其 中所述第二模型配置文件包括最优服务矩阵及其对应的服务矩阵结构参数,再 从所述M个用户端中随机指定M2(M2<M)个用户端执行当前本地预测模型的 迭代训练;
所述N个边缘服务器中的每一个边缘服务器根据各自接收到的第二模型配 置文件创建边缘服务矩阵,再根据所述M2个用户端所反馈的模型训练结果对关 联的边缘服务矩阵进行更新,进而得到N个待调整边缘服务矩阵;
所述N个边缘服务器中的每一个边缘服务器循环从各自管控的K(K<M) 个用户端中随机指定K1(K1<K)个用户端辅助执行模型微调指令,直至将待 调整边缘服务矩阵更新为最优边缘服务矩阵;
所述M个用户端中的每一个用户端加载其所归属的边缘服务器发送的最优 边缘服务矩阵,进而构建出每一个用户端的QoS预测模型。
进一步地,所述模型预训练指令依次包括模型预测指令、模型训练指令和 矩阵更新指令;
所述模型预测指令用于指定所述M1个用户端通过调用自身的历史QoS数据 执行当前本地预测模型的结果预测与误差反馈;
所述模型训练指令用于指定所述M1个用户端通过调用自身的历史QoS数据 执行当前本地预测模型的迭代训练与梯度反馈;
所述矩阵更新指令用于在判断平均误差大于等于第一预设阈值时对当前的 N个服务矩阵进行更新;
或者,所述矩阵更新指令用于在判断平均误差小于第一预设阈值时将当前 的N个服务矩阵定义为N个最优服务矩阵。
进一步地,在所述云端服务器指定所述M1个用户端执行所述模型预测指令 和所述模型训练指令之前,还包括:
基于所述M1个用户端中的每一个用户端所归属的边缘服务器,所述云端服 务器向所述M1个用户端中的每一个用户端发送对应的当前服务矩阵。
进一步地,所述矩阵更新指令用于对当前的N个服务矩阵进行更新包括:
利用所述M1个用户端所反馈的模型训练结果对关联的当前临时服务梯度 矩阵进行更新,进而得到更新后的N个临时服务梯度矩阵;
利用所述更新后的N个临时服务梯度矩阵对当前的N个服务矩阵进行更新, 进而得到更新后的N个服务矩阵,其中任意一个更新后的服务矩阵为:
式中,CS′i为更新后的第i个服务矩阵,CSi为当前的第i个服务矩阵,a为 权重值且a<1,CG′j为更新后的第j个临时服务梯度矩阵,CG′i为更新后的第i个临时服务梯度矩阵。
进一步地,所述从M个用户端中随机指定M2(M2<M)个用户端执行当前 本地预测模型的迭代训练包括:
基于所述M2个用户端中的每一个用户端所归属的边缘服务器,所述云端服 务器向所述M2个用户端中的每一个用户端发送对应的最优服务矩阵;
所述M2个用户端中的每一个用户端将各自接收到的最优服务矩阵加载至 当前本地预测模型,再通过调用自身的历史QoS数据执行当前本地预测模型的 迭代训练。
进一步地,所述模型微调指令依次包括模型再预测指令、模型再训练指令 和矩阵再更新指令;
所述模型再预测指令用于指定所述K1个用户端调用自身的历史QoS数据执 行当前本地预测模型的结果预测与误差反馈;
所述模型再训练指令用于指定所述K1个用户端调用自身的历史QoS数据执 行当前本地预测模型的迭代训练与梯度反馈;
所述矩阵再更新指令用于在判断平均误差大于等于第二预设阈值时对当前 的待调整边缘服务矩阵进行更新;
或者,所述矩阵再更新指令用于在判断平均误差小于第二预设阈值时将当 前的待调整边缘服务矩阵定义为最优边缘服务矩阵。
进一步地,在每一个边缘服务器指定其管控的所述K1个用户端执行所述模 型再预测指令和所述模型再训练指令之前,还包括:
每一个边缘服务器向其管控的所述K1个用户端中的每一个用户端发送当 前的待调整边缘服务矩阵。
进一步地,所述矩阵再更新指令用于对当前的待调整边缘服务矩阵进行更 新为:
其中,ES′为更新后的待调整边缘服务矩阵,ES为当前的待调整边缘服务 矩阵,ei_g1为所述K1个用户端中的第i个用户端在执行模型迭代训练后所反馈 的本地服务梯度矩阵。
本发明至少具有以下有益效果:通过采用云边协同技术,首先以云端服务 器与用户端之间的数据交互作为模型预训练操作,再以边缘服务器与其所属地 理区域内的用户端之间的数据交互作为模型微调操作,使得同一地理区域内的 用户端所反馈的本地模型训练结果得以被集中处理,将有效地提高模型训练的 收敛速度。在上述两个操作过程中均采用联邦学习技术,使得云端服务器和边 缘服务器仅能接收到用户端所反馈的本地模型训练结果,有效地保护用户隐私。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分, 与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方 案的限制。
图1是本发明实施例中的一种基于云边协同模式的用户侧QoS预测模型构 建方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实 施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用 以解释本发明,并不用于限定本发明。
需要说明的是,虽然在***示意图中进行了功能模块划分,在流程图中示 出了逻辑顺序,但是在某些情况下,可以以不同于***中的模块划分,或流程 图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术 语“第一”、“第二”等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。
请参考图1,图1是本发明实施例提供的一种基于云边协同模式的用户侧QoS预测模型构建方法的流程示意图,所述方法包括以下步骤:
S101、云端服务器根据区域内部署的边缘服务器以及边缘服务器所管控的 用户端,创建N个服务矩阵以及对应的N个临时服务梯度矩阵,其中边缘服务 器的数量为N(N>0),N个边缘服务器所管控的用户端的数量为M(M≥N), 再向M个用户端发送对应的第一模型配置文件。
在本发明实施例中,所述云端服务器为任意一个边缘服务器创建一个服务 矩阵以及与其结构参数相同的一个临时服务梯度矩阵,此时该服务矩阵的结构 参数为p行×q列,其中q列代表该边缘服务器可提供q个服务项目,p行代表 每一个服务项目是由p个参数进行表征的,并且该服务矩阵在刚创建时的内部 参数是随机赋值的,而与其关联的该临时服务梯度矩阵在刚创建时的内部参数 均初始化为0。
在本发明实施例中,所述M个用户端中的每一个用户端按照自身所处地理 区域被分配至对应的一个边缘服务器进行管控,由于用户侧QoS预测模型是由 用户矩阵和服务矩阵进行相乘所构成的矩阵分解模型,所述云端服务器向任意 一个用户端所发送的第一模型配置文件包括用户矩阵结构参数为1行×p列以 及该用户端归属的边缘服务器所关联的服务矩阵结构参数为p行×q列。
S102、所述M个用户端中的每一个用户端根据各自接收到的第一模型配置 文件创建本地预测模型。
在本发明实施例中,当任意一个用户端接收到对应的第一模型配置文件时, 将根据其中的用户矩阵结构参数创建本地用户矩阵以及根据其中的服务矩阵结 构参数创建本地服务矩阵,并且该本地用户矩阵在刚创建时的内部参数是随机 赋值的,而本地服务矩阵的内部参数是由所述云端服务器进行统一赋值的。
S103、所述云端服务器循环从所述M个用户端中随机指定M1(M1<M)个 用户端辅助执行模型预训练指令,直至将所述N个服务矩阵更新为N个最优服 务矩阵。
在本发明实施例中,所述模型预训练指令依次包括模型预测指令、模型训 练指令和矩阵更新指令,其中:所述模型预测指令用于指定所述M1个用户端通 过调用自身的历史QoS数据执行当前本地预测模型的结果预测与误差反馈,此 时所述M1个用户端中的每一个用户端所反馈的误差为预测值与真实值之间的 差值;所述模型训练指令用于指定所述M1个用户端通过调用自身的历史QoS数据执行当前本地预测模型的迭代训练与梯度反馈,且在模型训练过程中采用 随机梯度下降法;所述矩阵更新指令用于在判断平均误差大于等于第一预设阈 值时对当前的N个服务矩阵进行更新;或者所述矩阵更新指令用于在判断平均 误差小于第一预设阈值时将当前的N个服务矩阵定义为N个最优服务矩阵。
需要说明的是,在所述云端服务器指定所述M1个用户端执行所述模型预测 指令和所述模型训练指令之前,基于所述M1个用户端中的每一个用户端所归属 的边缘服务器,所述云端服务器需要向所述M1个用户端中的每一个用户端发送 对应的当前服务矩阵,以使得每一个用户端完成初步数据加载任务。
具体的,所述云端服务器在执行所述矩阵更新指令时对当前的N个服务矩 阵进行更新包括:
(1)利用所述M1个用户端所反馈的模型训练结果对关联的当前临时服务 梯度矩阵进行更新,进而得到更新后的N个临时服务梯度矩阵;
(2)利用所述更新后的N个临时服务梯度矩阵对当前的N个服务矩阵进行 更新,进而得到更新后的N个服务矩阵,其中任意一个更新后的服务矩阵为:
式中,CS′i为更新后的第i个服务矩阵,CSi为当前的第i个服务矩阵,a为 权重值且a<1,CG′j为更新后的第j个临时服务梯度矩阵,CG′i为更新后的第i个临时服务梯度矩阵。
在上述步骤(1)中,当所述M1个用户端中存在部分用户端关联着第x个 临时服务梯度矩阵时,此时可将第x个临时服务梯度矩阵更新为:
其中,CG′x为更新后的第x个临时服务梯度矩阵,CGx为当前的第x个临时 服务梯度矩阵,ei_g2为所述部分用户端中的第i个用户端在执行模型迭代训练 后所反馈的本地服务梯度矩阵。
针对上述步骤(1)进行举例说明为:假设所述M1个用户端中仅包含有用 户端A1、用户端A2和用户端A3,且用户端A1和用户端A2归属于第1个边缘 服务器、用户端A3归属于第3个边缘服务器,此时所述云端服务器仅需要将第 1个边缘服务器所关联的第1个临时服务梯度矩阵以及第3个边缘服务器所关 联的第3个临时服务梯度矩阵分别更新为:
CG′1=CG1+e1_g2+e2_g2,CG′3=CG3+e3_g2
其中,CG′1为更新后的第1个临时服务梯度矩阵,CG1为当前的第1个临时 服务梯度矩阵,e1_g2为用户端A1在执行模型迭代训练后所反馈的本地服务梯 度矩阵,e2_g2为用户端A2在执行模型迭代训练后所反馈的本地服务梯度矩阵, CG′3为更新后的第3个临时服务梯度矩阵,CG3为当前的第3个临时服务梯度矩 阵,e3_g2为用户端A3在执行模型迭代训练后所反馈的本地服务梯度矩阵。
S104、所述云端服务器向所述N个边缘服务器发送对应的第二模型配置文 件,再从所述M个用户端中随机指定M2(M2<M)个用户端执行当前本地预测 模型的迭代训练。
其中,所述云端服务器向任意一个边缘服务器所发送的第二模型配置文件 包括该边缘服务器所关联的最优服务矩阵及其对应的服务矩阵结构参数。
针对所述M2个用户端的模型迭代训练过程包括:首先基于所述M2个用户 端中的每一个用户端所归属的边缘服务器,所述云端服务器向所述M2个用户端 中的每一个用户端发送对应的最优服务矩阵;其次,所述M2个用户端中的每一 个用户端将各自接收到的最优服务矩阵加载至当前本地预测模型,再通过调用 自身的历史QoS数据执行当前本地预测模型的迭代训练。
需要说明的是,本发明实施例规定所述云端服务器在任意一轮模型训练过 程中均会从所述M个用户端中随机指定固定比例的用户端参与,即规定M2=M1。
S105、所述N个边缘服务器中的每一个边缘服务器根据各自接收到的第二 模型配置文件创建边缘服务矩阵,再根据所述M2个用户端所反馈的模型训练结 果对关联的边缘服务矩阵进行更新,进而得到N个待调整边缘服务矩阵。
在本发明实施例中,当任意一个边缘服务器接收到对应的第二模型配置文 件时,将根据其中的服务矩阵结构参数创建边缘服务矩阵,并且该边缘服务矩 阵在刚创建时的内部参数是通过加载该第二模型配置文件中的最优服务矩阵进 行赋值的。
在此步骤S105中,当所述M2个用户端中存在部分用户端关联着第x个边 缘服务矩阵时,此时可将第x个边缘服务矩阵更新为:
其中,ES′x为更新后的第x个待调整边缘服务矩阵,ESx为当前的第x个边 缘服务矩阵,ei_g3为所述部分用户端中的第i个用户端在执行模型迭代训练后 所反馈的本地服务梯度矩阵。
针对此步骤S105进行举例说明为:假设所述M2个用户端中包含有用户端 B1和用户端B2,且上述两个用户端均归属于第2个边缘服务器,此时需要第2 个边缘服务器将其内部存储的第2个边缘服务矩阵更新为:
ES′2=ES2+e1_g3+e2_g3
其中,ES′2为更新后的第2个待调整边缘服务矩阵,ES2为当前的第2个边 缘服务矩阵,e1_g3为用户端B1在执行模型迭代训练后所反馈的本地服务梯度 矩阵,e2_g3为用户端B2在执行模型迭代训练后所反馈的本地服务梯度矩阵;
此外,当所述M2个用户端中还包含有用户端B3,且该用户端B3归属于第 4个边缘服务器时,还需要第4个边缘服务器将其内部存储的第4个边缘服务 矩阵更新为:
ES′4=ES4+e3_g3
其中,ES′4为更新后的第4个待调整边缘服务矩阵,ES4为当前的第4个边 缘服务矩阵,e3_g3为用户端B3在执行模型迭代训练后所反馈的本地服务梯度 矩阵。
S106、所述N个边缘服务器中的每一个边缘服务器循环从各自管控的K(K <M)个用户端中随机指定K1(K1<K)个用户端辅助执行模型微调指令,直至 将待调整边缘服务矩阵更新为最优边缘服务矩阵。
在本发明实施例中,所述模型微调指令依次包括模型再预测指令、模型再 训练指令和矩阵再更新指令,其中:所述模型再预测指令用于指定所述K1个用 户端调用自身的历史QoS数据执行当前本地预测模型的结果预测与误差反馈; 所述模型再训练指令用于指定所述K1个用户端调用自身的历史QoS数据执行当 前本地预测模型的迭代训练与梯度反馈;所述矩阵再更新指令用于在判断平均 误差大于等于第二预设阈值时对当前的待调整边缘服务矩阵进行更新;或者所 述矩阵再更新指令用于在判断平均误差小于第二预设阈值时将当前的待调整边 缘服务矩阵定义为最优边缘服务矩阵。
需要说明的是,在每一个边缘服务器指定其管控的所述K1个用户端执行所 述模型再预测指令和所述模型再训练指令之前,每一个边缘服务器需要向其管 控的所述K1个用户端中的每一个用户端发送当前的待调整边缘服务矩阵,以使 得每一个用户端完成初步数据加载任务。
具体的,任意一个边缘服务器在执行所述矩阵再更新指令时对其内部当前 的待调整边缘服务矩阵进行更新为:
其中,ES′为更新后的待调整边缘服务矩阵,ES为当前的待调整边缘服务 矩阵,ei_g1为所述K1个用户端中的第i个用户端在执行模型迭代训练后所反馈 的本地服务梯度矩阵。
S107、所述M个用户端中的每一个用户端加载其所归属的边缘服务器发送 的最优边缘服务矩阵,进而构建出每一个用户端的QoS预测模型。
本发明实施例以用户端U1的QoS预测模型执行对空闲服务项目被调用时所 产生的QoS值进行预测的任务为例,作出说明如下:
(1)当用户端U1所归属的边缘服务器提供有5个服务项目(S1-S5),且 该用户端U1目前只调用服务项目S1和服务项目S5时,该用户端U1可直接观 察到的实际QoS矩阵为:
0.43 | 未知值 | 未知值 | 未知值 | 0.15 |
从该实际QoS矩阵中可以看出:该用户端U1调用服务项目S1时所产生的QoS值为0.43,该用户端U1调用服务项目S5所产生的QoS值为0.15,而其中 的问号表示待预测的未知QoS值;
(2)由于用户端U1从归属的边缘服务器中加载到的最优边缘服务矩阵为:
0.3 | 0.23 | 0.56 | 0.62 | 0.45 |
0.5 | 0.2 | 0.78 | 0.65 | 0.14 |
且QoS矩阵是由用户矩阵和最优边缘服务矩阵进行相乘得到的,此时利用 该实际QoS矩阵中的两个已知QoS值可确定该用户端U1所对应的用户矩阵为:
0.1 | 0.8 |
进而得到该用户端U1的QoS预测模型最终输出的预测QoS矩阵为:
0.43 | 0.18 | 0.68 | 0.58 | 0.15 |
从该预测QoS矩阵中可以看出:该用户端U1调用服务项目S2时所产生的 QoS值为0.18,该用户端U1调用服务项目S3时所产生的QoS值为0.68,该用 户端U1调用服务项目S4时所产生的QoS值为0.58。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、 ***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物 理组件可以被实施为由中央处理器、数字信号处理器或微处理器执行的软件, 或者被实施为硬件,或者被实施为集成电路。这样的软件可以分布在计算机可 读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信 介质(或暂时性介质)。如本领域普通技术人员公知的,计算机存储介质包括在 用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何 方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储 介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字 多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或 者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外, 如本领域普通技术人员公知的,通信介质通常包含计算机可读指令、数据结构、 程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并 且可包括任何信息递送介质。
以上对本发明的较佳实施进行具体说明,但本发明并不局限于上述实施方 式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同 变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (8)
1.一种基于云边协同模式的用户侧QoS预测模型构建方法,其特征在于,所述方法包括:
云端服务器根据区域内部署的边缘服务器以及边缘服务器所管控的用户端,创建N个服务矩阵以及对应的N个临时服务梯度矩阵,其中边缘服务器的数量为N(N>0),N个边缘服务器所管控的用户端的数量为M(M≥N),再向M个用户端发送对应的第一模型配置文件,其中所述第一模型配置文件包括用户矩阵结构参数和服务矩阵结构参数;
所述M个用户端中的每一个用户端根据各自接收到的第一模型配置文件创建本地预测模型;
所述云端服务器循环从所述M个用户端中随机指定M1(M1<M)个用户端辅助执行模型预训练指令,直至将所述N个服务矩阵更新为N个最优服务矩阵;
所述云端服务器向所述N个边缘服务器发送对应的第二模型配置文件,其中所述第二模型配置文件包括最优服务矩阵及其对应的服务矩阵结构参数,再从所述M个用户端中随机指定M2(M2<M)个用户端执行当前本地预测模型的迭代训练;
所述N个边缘服务器中的每一个边缘服务器根据各自接收到的第二模型配置文件创建边缘服务矩阵,再根据所述M2个用户端所反馈的模型训练结果对关联的边缘服务矩阵进行更新,进而得到N个待调整边缘服务矩阵;
所述N个边缘服务器中的每一个边缘服务器循环从各自管控的K(K<M)个用户端中随机指定K1(K1<K)个用户端辅助执行模型微调指令,直至将待调整边缘服务矩阵更新为最优边缘服务矩阵;
所述M个用户端中的每一个用户端加载其所归属的边缘服务器发送的最优边缘服务矩阵,进而构建出每一个用户端的QoS预测模型。
2.根据权利要求1所述的基于云边协同模式的用户侧QoS预测模型构建方法,其特征在于,所述模型预训练指令依次包括模型预测指令、模型训练指令和矩阵更新指令;
所述模型预测指令用于指定所述M1个用户端通过调用自身的历史QoS数据执行当前本地预测模型的结果预测与误差反馈;
所述模型训练指令用于指定所述M1个用户端通过调用自身的历史QoS数据执行当前本地预测模型的迭代训练与梯度反馈;
所述矩阵更新指令用于在判断平均误差大于等于第一预设阈值时对当前的N个服务矩阵进行更新;
或者,所述矩阵更新指令用于在判断平均误差小于第一预设阈值时将当前的N个服务矩阵定义为N个最优服务矩阵。
3.根据权利要求2所述的基于云边协同模式的用户侧QoS预测模型构建方法,其特征在于,在所述云端服务器指定所述M1个用户端执行所述模型预测指令和所述模型训练指令之前,还包括:
基于所述M1个用户端中的每一个用户端所归属的边缘服务器,所述云端服务器向所述M1个用户端中的每一个用户端发送对应的当前服务矩阵。
5.根据权利要求1所述的基于云边协同模式的用户侧QoS预测模型构建方法,其特征在于,所述从M个用户端中随机指定M2(M2<M)个用户端执行当前本地预测模型的迭代训练包括:
基于所述M2个用户端中的每一个用户端所归属的边缘服务器,所述云端服务器向所述M2个用户端中的每一个用户端发送对应的最优服务矩阵;
所述M2个用户端中的每一个用户端将各自接收到的最优服务矩阵加载至当前本地预测模型,再通过调用自身的历史QoS数据执行当前本地预测模型的迭代训练。
6.根据权利要求1所述的基于云边协同模式的用户侧QoS预测模型构建方法,其特征在于,所述模型微调指令依次包括模型再预测指令、模型再训练指令和矩阵再更新指令;
所述模型再预测指令用于指定所述K1个用户端调用自身的历史QoS数据执行当前本地预测模型的结果预测与误差反馈;
所述模型再训练指令用于指定所述K1个用户端调用自身的历史QoS数据执行当前本地预测模型的迭代训练与梯度反馈;
所述矩阵再更新指令用于在判断平均误差大于等于第二预设阈值时对当前的待调整边缘服务矩阵进行更新;
或者,所述矩阵再更新指令用于在判断平均误差小于第二预设阈值时将当前的待调整边缘服务矩阵定义为最优边缘服务矩阵。
7.根据权利要求6所述的基于云边协同模式的用户侧QoS预测模型构建方法,其特征在于,在每一个边缘服务器指定其管控的所述K1个用户端执行所述模型再预测指令和所述模型再训练指令之前,还包括:
每一个边缘服务器向其管控的所述K1个用户端中的每一个用户端发送当前的待调整边缘服务矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010687.1A CN114489938B (zh) | 2022-01-05 | 2022-01-05 | 一种基于云边协同模式的用户侧QoS预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010687.1A CN114489938B (zh) | 2022-01-05 | 2022-01-05 | 一种基于云边协同模式的用户侧QoS预测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114489938A true CN114489938A (zh) | 2022-05-13 |
CN114489938B CN114489938B (zh) | 2024-06-25 |
Family
ID=81509272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010687.1A Active CN114489938B (zh) | 2022-01-05 | 2022-01-05 | 一种基于云边协同模式的用户侧QoS预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114489938B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314120A (zh) * | 2020-01-23 | 2020-06-19 | 福州大学 | 基于迭代QoS模型的云软件服务资源自适应管理框架 |
CN111416735A (zh) * | 2020-03-02 | 2020-07-14 | 河海大学 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
CN112685139A (zh) * | 2021-01-11 | 2021-04-20 | 东北大学 | 基于K8S和Kubeedge的云边深度学习模型管理***及模型训练方法 |
CN112700067A (zh) * | 2021-01-14 | 2021-04-23 | 安徽师范大学 | 不可靠移动边缘环境下服务质量的预测方法及*** |
US20210258230A1 (en) * | 2020-02-13 | 2021-08-19 | Acronis International Gmbh | Systems and methods for pattern-based quality of service (qos) violation prediction |
CN113839838A (zh) * | 2021-10-20 | 2021-12-24 | 西安电子科技大学 | 基于云边协同的联邦学习的业务类型识别方法 |
-
2022
- 2022-01-05 CN CN202210010687.1A patent/CN114489938B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314120A (zh) * | 2020-01-23 | 2020-06-19 | 福州大学 | 基于迭代QoS模型的云软件服务资源自适应管理框架 |
US20210258230A1 (en) * | 2020-02-13 | 2021-08-19 | Acronis International Gmbh | Systems and methods for pattern-based quality of service (qos) violation prediction |
CN111416735A (zh) * | 2020-03-02 | 2020-07-14 | 河海大学 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
CN112685139A (zh) * | 2021-01-11 | 2021-04-20 | 东北大学 | 基于K8S和Kubeedge的云边深度学习模型管理***及模型训练方法 |
CN112700067A (zh) * | 2021-01-14 | 2021-04-23 | 安徽师范大学 | 不可靠移动边缘环境下服务质量的预测方法及*** |
CN113839838A (zh) * | 2021-10-20 | 2021-12-24 | 西安电子科技大学 | 基于云边协同的联邦学习的业务类型识别方法 |
Non-Patent Citations (2)
Title |
---|
任丽芳;王文剑;: "一种移动边缘计算环境中服务QoS的预测方法", 小型微型计算机***, no. 06, 29 May 2020 (2020-05-29) * |
许建龙等: "分布式用户隐私保护可调节的云服务个性化QoS 预测模型", 《网络与信息安全学报》, 30 April 2023 (2023-04-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN114489938B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110661715B (zh) | 一种业务路径优化方法、装置、设备及可读存储介质 | |
CN110362380B (zh) | 一种面向网络靶场的多目标优化虚拟机部署方法 | |
CN112966832B (zh) | 基于多服务器的联邦学习*** | |
CN112669084B (zh) | 策略确定方法、设备及计算机可读存储介质 | |
Sulaiman et al. | Coordinated slicing and admission control using multi-agent deep reinforcement learning | |
CN105991401A (zh) | 一种网络问答方法和*** | |
CN115129463A (zh) | 算力调度方法及装置、***及存储介质 | |
CN116542296A (zh) | 基于联邦学习的模型训练方法、装置及电子设备 | |
CN114489938A (zh) | 一种基于云边协同模式的用户侧QoS预测模型构建方法 | |
CN112308749B (zh) | 培养计划的生成装置、方法、电子设备及可读存储介质 | |
CN117674957A (zh) | 调度方法、装置、计算机设备、存储介质和程序产品 | |
CN109784687B (zh) | 智慧云制造任务调度方法、可读存储介质和终端 | |
CN112131010A (zh) | 服务器布局方法、装置、计算机设备和存储介质 | |
CN113867736B (zh) | 部署方案生成方法及装置 | |
CN115550373A (zh) | 基于云平台管控的联合试验任务环境负载均衡建模方法 | |
CN112966968B (zh) | 一种基于人工智能的名单分配方法及相关设备 | |
Elkael et al. | Improved monte carlo tree search for virtual network embedding | |
CN109767094B (zh) | 智慧云制造任务调度装置 | |
CN115471121A (zh) | 一种针对任务的用户匹配方法、设备及介质 | |
CN109951243A (zh) | 一种频谱预测方法、***及电子设备 | |
CN111163237B (zh) | 呼叫业务流程控制方法和相关装置 | |
CN115239068A (zh) | 一种目标任务决策方法、装置、电子设备及存储介质 | |
CN116266321A (zh) | 广告策略确定方法及装置 | |
CN109840094A (zh) | 一种数据库的部署方法、装置及存储设备 | |
CN110234167B (zh) | 一种信道分配方法、信道分配装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |