CN116467088A - 一种基于深度学习的边缘计算调度管理方法及*** - Google Patents
一种基于深度学习的边缘计算调度管理方法及*** Download PDFInfo
- Publication number
- CN116467088A CN116467088A CN202310727960.7A CN202310727960A CN116467088A CN 116467088 A CN116467088 A CN 116467088A CN 202310727960 A CN202310727960 A CN 202310727960A CN 116467088 A CN116467088 A CN 116467088A
- Authority
- CN
- China
- Prior art keywords
- task
- edge
- equipment
- computing
- processing
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 119
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
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
- G06F9/46—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
- G06F9/505—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 considering the load
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的边缘计算调度管理方法及***，涉及数据处理技术领域，该方法包括：连接资源调度中心，获取边缘计算层的边缘计算设备；生成任务识别库；当资源调度中心接收第一任务请求，基于任务识别库对第一任务请求进行识别，得到基于第一任务请求对应的边缘设备集合；获取需求计算特征；通过对边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；将需求计算特征输入N个负载识别模型进行分析，获取第一匹配边缘设备；将第一任务请求输入第一匹配边缘设备进行边缘处理。本发明解决了现有技术中边缘计算调度效率低，调度质量差的技术问题的技术问题，达到了提升调度效率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于深度学习的边缘计算调度管理方法及***。
背景技术
传统云计算模式下存在高延迟、网络不稳定和低带宽问题。而通过将部分或者全部处理程序迁移至靠近用户或数据收集点的边缘计算，可以过滤绝大部分的数据，有效降低云端的负荷。因此，边缘计算被广泛应用。然而，边缘计算由于接近数据产生端，需要处理的任务类型繁杂，设备众多，现有的调度管理方式不能满足使用需求，导致网络延迟。现有技术中边缘计算调度效率低，调度质量差的技术问题。
发明内容
本申请提供了一种基于深度学习的边缘计算调度管理方法及***，用于针对解决现有技术中边缘计算调度效率低，调度质量差的技术问题。
鉴于上述问题，本申请提供了一种基于深度学习的边缘计算调度管理方法及***。
本申请的第一个方面，提供了一种基于深度学习的边缘计算调度管理方法，所述方法包括：
连接资源调度中心，获取边缘计算层的边缘计算设备；
按照所述边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库；
当所述资源调度中心接收第一任务请求，基于所述任务识别库对所述第一任务请求进行识别，得到基于所述第一任务请求对应的边缘设备集合；
获取所述第一任务请求中任务处理的需求计算特征；
通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；
调用基于所述边缘设备集合的N个负载识别模型，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于所述边缘设备集合总数量的正整数；
将所述第一任务请求输入所述第一匹配边缘设备进行边缘处理。
本申请的第二个方面，提供了一种基于深度学习的边缘计算调度管理***，所述***包括：
边缘计算设备获得模块，所述边缘计算设备获得模块用于连接资源调度中心，获取边缘计算层的边缘计算设备；
任务识别库生成模块，所述任务识别库生成模块用于按照所述边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库；
边缘设备集合获得模块，所述边缘设备集合获得模块用于当所述资源调度中心接收第一任务请求，基于所述任务识别库对所述第一任务请求进行识别，得到基于所述第一任务请求对应的边缘设备集合；
计算特征获得模块，所述计算特征获得模块用于获取所述第一任务请求中任务处理的需求计算特征；
负载识别模型搭建模块，所述负载识别模型搭建模块用于通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；
匹配边缘设备获得模块，所述匹配边缘设备获得模块用于调用基于所述边缘设备集合的N个负载识别模型，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于所述边缘设备集合总数量的正整数；
边缘处理模块，所述边缘处理模块用于将所述第一任务请求输入所述第一匹配边缘设备进行边缘处理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过连接资源调度中心，获取边缘计算层的边缘计算设备；按照边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库，然后当资源调度中心接收第一任务请求，基于任务识别库对第一任务请求进行识别，得到基于第一任务请求对应的边缘设备集合，进而获取第一任务请求中任务处理的需求计算特征；通过对边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型，通过调用基于边缘设备集合的N个负载识别模型，将需求计算特征输入N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于边缘设备集合总数量的正整数，然后将第一任务请求输入第一匹配边缘设备进行边缘处理。达到了提升边缘处理效率和处理质量的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于深度学习的边缘计算调度管理方法流程示意图；
图2为本申请实施例提供的一种基于深度学习的边缘计算调度管理方法中将动态网络层嵌入至负载识别模型中进行模型层优化的流程示意图；
图3为本申请实施例提供的一种基于深度学习的边缘计算调度管理方法中输出基于边缘设备集合对应的N个负载识别模型的流程示意图；
图4为本申请实施例提供的一种基于深度学习的边缘计算调度管理***结构示意图。
附图标记说明：边缘计算设备获得模块11，任务识别库生成模块12，边缘设备集合获得模块13，计算特征获得模块14，负载识别模型搭建模块15，匹配边缘设备获得模块16，边缘处理模块17。
具体实施方式
本申请通过提供了一种基于深度学习的边缘计算调度管理方法及***，用于针对解决现有技术中边缘计算调度效率低，调度质量差的技术问题。
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的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。
需要说明的是，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、***、产品或服务器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模块。
实施例一
如图1所示，本申请提供了一种基于深度学习的边缘计算调度管理方法，其中，所述方法包括：
步骤S100：连接资源调度中心，获取边缘计算层的边缘计算设备；
步骤S200：按照所述边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库；
在一个可能的实施例中，通过将数据交互装置与资源调取中心的端口通信连接，获取边缘计算层的边缘计算设备。其中，所述资源调度中心是根据实时接收到的计算任务进行计算资源分配的中心，边缘计算层是用于对设备端附近产生的数据进行计算的网络层。所述边缘计算设备是在数据采集端或***边缘端设置的对获取数据进行整合、分析和计算反馈的设备，包括智能传感器（可以实时采集设备的状态信息，并在传感器内对数据进行归类、分析和封装）、可编程逻辑控制器（根据生产需求设计的具有编程、运算、控制和输出能力的设备）和边缘智能路由器（具有设备监测、前端设备控制等功能）。通过对边缘计算层的边缘计算设备进行获取，为后续进行设备分配提供基础数据。
在一个实施例中，数据交互装置对所述边缘计算设备中各个边缘设备在历史时间内完成的计算任务类型进行采集，获得多个计算任务类型。可选的，所述多个计算任务类型包括数据转发、单点控制、日志生成、数据上传等任务。并根据多个计算任务类型和边缘计算设备之间的对应关系，构建边缘计算设备-任务类型映射关系。基于所述边缘计算设备-任务类型映射关系生成所述任务识别库，从而对资源调度中心接收的任务类型进行对应边缘计算设备的识别。达到了提高识别精度，提升调度管理效率的技术效果。
步骤S300：当所述资源调度中心接收第一任务请求，基于所述任务识别库对所述第一任务请求进行识别，得到基于所述第一任务请求对应的边缘设备集合；
在一个实施例中，在所述资源调度中心接收第一任务请求后，对第一任务请求的任务类型进行提取，获得第一任务类型。进而，以所述第一任务类型为索引，基于所述任务识别库中的边缘计算设备-任务类型映射关系检索完成的任务符合第一任务类型的边缘计算设备，根据匹配结果获得所述边缘设备集合。由此，实现了为后续进行边缘计算设备的寻优提供寻优对象的目标。
步骤S400：获取所述第一任务请求中任务处理的需求计算特征；
具体而言，所述需求计算特征包括任务处理时效性、任务处理复杂度以及任务处理数据量。根据所述需求计算特征对所述第一任务请求进行特征提取，从而获得第一任务请求中任务处理时的处理时效、任务处理复杂度以及任务处理数据量。其中，所述任务处理时效性是对任务请求中的任务被处理的时间段进行描述，如任务需要在1天内处理，对应的时效性就为1天。所述任务处理复杂度是对任务请求中的任务处理过程中操作步骤数量和操作计算难度进行描述。所述任务处理数据量是对任务请求中任务需要处理的数据量进行描述。如，在上传当天的工作日志，则工作日志内容的字节量就是任务处理数据量。
步骤S500：通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；
进一步的，如图2所示，本申请实施例步骤S500还包括：
步骤S510：获取所述边缘计算设备的实时任务列表；
步骤S520：根据所述实时任务列表进行动态预测，获取第一待处理计算度；
步骤S530：根据所述第一待处理计算度，生成动态网络层；
步骤S540：将所述动态网络层嵌入至所述负载识别模型中进行模型层优化。
进一步的，通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型，本申请实施例步骤S500还包括：
步骤S550：通过采集所述边缘计算设备的任务处理样本集；
步骤S560：以所述任务处理样本集进行任务分析，获取任务计算特征，其中，所述任务计算特征包括任务处理速率、任务处理时效、以及任务存储空间；
步骤S570：根据所述任务处理速率、所述任务处理时效、以及所述任务存储空间作为训练数据进行训练，当训练至收敛时得到负载识别模型；
步骤S580：根据所述负载识别模型输出当边缘计算设备负载均衡时的任务匹配指数。
在一个可能的实施例中，通过对所述边缘计算设备进行任务处理的样本数据进行获取，从而获得所述任务处理样本数据集。从处理速率、处理时效和存储空间三个维度对所述任务处理样本集进行任务分析，获得所述任务计算特征。其中，所述任务计算特征反映了边缘计算设备的任务处理能力，包括任务处理速率、任务处理时效及任务存储空间。所述任务处理速率是边缘计算设备在单位时间内处理的任务量。所述任务处理时效是边缘计算设备进行样本任务处理时需要花费的时间。所述任务存储空间是边缘计算设备进行任务处理时需要占用的内存空间。
具体而言，将所述任务处理速率、所述任务处理时效、以及所述任务存储空间作为训练数据，并对所述任务处理样本数据集指数提取，将提取获得的边缘设备负载均衡时的样本任务匹配指数作为训练监督数据，并进行数据标识。进而，使用训练数据对以BP神经网络为基础框架构建的负载识别模型进行训练，并以标识过的训练监督数据对训练过程进行监督，直至模型输出达到收敛，获得所述负载识别模型。所述负载识别模型用于对边缘计算设备负载均衡时，边缘计算设备与任务请求的匹配指数进行智能化输出的功能模型。
具体而言，对所述边缘计算设备的实时任务列表进行获取，从而根据实时任务列表中的任务处理数据量和边缘计算设备的任务处理速率对边缘计算设备实时的待处理量进行动态预测，从而获得所述第一待处理计算度。可选的，所述第一待处理计算度是对边缘计算设备的待处理量进行量化反映的数值。通过边缘计算设备的任务处理速率乘以处理时间获得实时处理数据量，并将实时任务列表中的任务处理数据量减去实时处理数据量的结果比上实时任务列表中的任务处理数据量，将计算结果作为所述第一待处理计算度。根据第一待处理计算度的大小，生成所述动态网络层的参数，并将所述动态网络层嵌入所述负载识别模型中进行模型层优化，从而根据实时任务对负载识别模型进行更新优化，达到提升模型处理速度和输出结果的准确性的技术效果。
步骤S600：调用基于所述边缘设备集合的N个负载识别模型，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于所述边缘设备集合总数量的正整数；
进一步的，如图3所示，本申请实施例步骤S600还包括：
步骤S610：获取所述边缘设备集合中各个边缘设备的类型信息；
步骤S620：以所述各个边缘设备的类型信息进行判断，判断所述边缘设备集合中是否存在类型相同的同类边缘设备；
步骤S630：若存在所述同类边缘设备，基于所述同类边缘设备搭建第一负载识别模型，以此类推，输出基于所述边缘设备集合对应的N个负载识别模型。
进一步的，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，本申请实施例步骤S600还包括：
步骤S610：获取需求计算特征，其中，所述需求计算特征包括任务处理时效性、任务处理复杂度以及任务处理数据量；
步骤S620：基于所述任务处理时效性、所述任务处理复杂度以及所述任务处理数据量输入所述N个负载识别模型中分别进行匹配，得到N个任务匹配指数；
步骤S630：对所述N个任务匹配指数进行寻优，输出第一任务匹配指数对应的第一匹配边缘设备。
进一步的，所述任务匹配指数的计算公式如下：
；
其中，为第i个任务对应的任务匹配指数，/>表征第i个任务基于变量/>对应的任务需求负载度，/>表征第i个任务基于变量/>对应的设备实时负载度，为第i个任务的负载协方差，/>为所述边缘设备集合中负载识别模型的总数量。
在一个可能的实施例中，通过对所述边缘设备集合中各个边缘设备的类型信息进行获取，也就是根据各个边缘设备的历史任务类型进行获取。进而，根据所述各个边缘设备的类型信息判断所述边缘设备集合中是否存在类型相同的同类边缘设备。若存在，则以类型信息为索引，对所述边缘设备集合进行设备聚类分析，将同属于一类的边缘计算设备聚为一类，从所述同类边缘设备中随机选取一同类边缘设备，构建第一负载识别模型。然后，基于同样的构建方法，获得N个负载识别模型。其中，N为边缘设备集合中同类边缘设备的类数。通过搭建N个负载识别模型可以提升识别的准确性和效率。
在一个可能的实施例中，对第一任务请求中任务处理的需求计算特征，需求计算特征包括任务处理时效性、任务处理复杂度以及任务处理数据量。将所述任务处理时效性、所述任务处理复杂度以及所述任务处理数据量输入所述N个负载识别模型中分别进行匹配，经过模型中任务匹配指数的计算公式计算，获得N个任务匹配指数。
具体而言，将N个任务匹配指数输入寻优模型中进行指数寻优，将最优结果作为第一任务匹配指数。进而将第一任务匹配指数对应的边缘设备作为所述第一匹配边缘设备。
具体的，所述寻优模型包括P个寻优节点。通过根据多个样本任务匹配指数构建所述寻优模型。通过从多个样本任务匹配指数中随机选取一个样本任务匹配指数作为第一寻优节点，并根据一个样本任务匹配指数的大小对第一寻优节点进行赋值，获得第一寻优节点赋值结果，根据第一寻优节点和第一寻优节点赋值结果对多个样本任务匹配指数进行筛选，将指数值优于第一寻优节点赋值结果的样本任务匹配指数进行保留，获得第一寻优结果。通过从第一寻优结果中随机选取一个样本任务匹配指数作为第二寻优节点，并根据一个样本任务匹配指数的大小对第二寻优节点进行赋值，获得第二寻优节点赋值结果，根据第二寻优节点和第二寻优节点赋值结果对多个样本任务匹配指数进行筛选，将指数值优于第二寻优节点赋值结果的样本任务匹配指数进行保留，获得第二寻优结果。从包括第P-1寻优结果中再次随机选取一个样本任务匹配指数作为第P寻优节点，并根据其对应的样本任务匹配指数对第P寻优节点进行赋值，获得第P寻优节点赋值结果，根据第P寻优节点和第P寻优节点赋值结果对第P-1寻优结果进行筛选，将样本任务匹配指数优于第P-1寻优节点赋值结果的样本匹配指数进行保留，获得第P寻优结果。将所述第P寻优结果中的最优的结果作为最优寻优结果。根据所述第一寻优节点、第二寻优节点和第P寻优节点生成所述寻优模型。
步骤S700：将所述第一任务请求输入所述第一匹配边缘设备进行边缘处理。
进一步的，本申请实施例步骤S700还包括：
步骤S710：当所述资源调度中心接收多个任务请求；
步骤S720：基于所述多个任务请求设置多个并发通道，根据所述并发通道连接负载识别模型，输出各个并发通道对应的多个负载识别模型；
步骤S730：以所述多个负载识别模型进行任务并行处理，输出基于所述多个任务请求的多个匹配边缘设备。
在一个可能的实施例中，将所述第一任务请求输入所述第一匹配边缘设备中进行边缘处理。当所述资源调度中心接收多个任务请求时设置多个并发通道，对多个任务请求信息进行匹配边缘设备输出。所述并发通道与负载识别模型进行连接，并根据多个任务请求对应的任务类型获得所述各个并发通道对应的多个负载识别模型。基于所述多个负载识别模型进行任务的并行处理，从而获得所述多个任务请求对应的多个匹配边缘设备。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过获取边缘计算层的边缘计算设备，从而为调度管理提供管理对象，然后对资源调度中心接收到的第一任务请求进行设备匹配，获得对应的边缘设备集合，通过对第一任务请求的需求计算特征进行获取，并对将其输入N个负载识别模型中，获得对应的第一匹配边缘设备，进而使用所述第一匹配边缘设备进行边缘处理。达到了提升边缘计算调度管理效率和管理质量的技术效果。
实施例二
基于与前述实施例中一种基于深度学习的边缘计算调度管理方法相同的发明构思，如图4所示，本申请提供了一种基于深度学习的边缘计算调度管理***，本申请实施例中的***与方法实施例基于同样的发明构思。其中，所述***包括：
边缘计算设备获得模块11，所述边缘计算设备获得模块11用于连接资源调度中心，获取边缘计算层的边缘计算设备；
任务识别库生成模块12，所述任务识别库生成模块12用于按照所述边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库；
边缘设备集合获得模块13，所述边缘设备集合获得模块13用于当所述资源调度中心接收第一任务请求，基于所述任务识别库对所述第一任务请求进行识别，得到基于所述第一任务请求对应的边缘设备集合；
计算特征获得模块14，所述计算特征获得模块14用于获取所述第一任务请求中任务处理的需求计算特征；
负载识别模型搭建模块15，所述负载识别模型搭建模块15用于通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；
匹配边缘设备获得模块16，所述匹配边缘设备获得模块16用于调用基于所述边缘设备集合的N个负载识别模型，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于所述边缘设备集合总数量的正整数；
边缘处理模块17，所述边缘处理模块17用于将所述第一任务请求输入所述第一匹配边缘设备进行边缘处理。
进一步的，所述匹配边缘设备获得模块16用于执行如下方法：
获取所述边缘设备集合中各个边缘设备的类型信息；
以所述各个边缘设备的类型信息进行判断，判断所述边缘设备集合中是否存在类型相同的同类边缘设备；
若存在所述同类边缘设备，基于所述同类边缘设备搭建第一负载识别模型，以此类推，输出基于所述边缘设备集合对应的N个负载识别模型。
进一步的，所述负载识别模型搭建模块15用于执行如下方法：
获取所述边缘计算设备的实时任务列表；
根据所述实时任务列表进行动态预测，获取第一待处理计算度；
根据所述第一待处理计算度，生成动态网络层；
将所述动态网络层嵌入至所述负载识别模型中进行模型层优化。
进一步的，所述负载识别模型搭建模块15用于执行如下方法：
通过采集所述边缘计算设备的任务处理样本集；
以所述任务处理样本集进行任务分析，获取任务计算特征，其中，所述任务计算特征包括任务处理速率、任务处理时效、以及任务存储空间；
根据所述任务处理速率、所述任务处理时效、以及所述任务存储空间作为训练数据进行训练，当训练至收敛时得到负载识别模型；
根据所述负载识别模型输出当边缘计算设备负载均衡时的任务匹配指数。
进一步的，所述匹配边缘设备获得模块16用于执行如下方法：
获取需求计算特征，其中，所述需求计算特征包括任务处理时效性、任务处理复杂度以及任务处理数据量；
基于所述任务处理时效性、所述任务处理复杂度以及所述任务处理数据量输入所述N个负载识别模型中分别进行匹配，得到N个任务匹配指数；
对所述N个任务匹配指数进行寻优，输出第一任务匹配指数对应的第一匹配边缘设备。
进一步的，所述匹配边缘设备获得模块16包括所述任务匹配指数的计算公式如下：
；
其中，为第i个任务对应的任务匹配指数，/>表征第i个任务基于变量/>对应的任务需求负载度，/>表征第i个任务基于变量/>对应的设备实时负载度，为第i个任务的负载协方差，/>为所述边缘设备集合中负载识别模型的总数量。
进一步的，所述边缘处理模块17用于执行如下方法：
当所述资源调度中心接收多个任务请求；
基于所述多个任务请求设置多个并发通道，根据所述并发通道连接负载识别模型，输出各个并发通道对应的多个负载识别模型；
以所述多个负载识别模型进行任务并行处理，输出基于所述多个任务请求的多个匹配边缘设备。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于深度学习的边缘计算调度管理方法，其特征在于，所述方法包括：
连接资源调度中心，获取边缘计算层的边缘计算设备；
按照所述边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库；
当所述资源调度中心接收第一任务请求，基于所述任务识别库对所述第一任务请求进行识别，得到基于所述第一任务请求对应的边缘设备集合；
获取所述第一任务请求中任务处理的需求计算特征；
通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；
调用基于所述边缘设备集合的N个负载识别模型，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于所述边缘设备集合总数量的正整数；
将所述第一任务请求输入所述第一匹配边缘设备进行边缘处理。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述边缘设备集合中各个边缘设备的类型信息；
以所述各个边缘设备的类型信息进行判断，判断所述边缘设备集合中是否存在类型相同的同类边缘设备；
若存在所述同类边缘设备，基于所述同类边缘设备搭建第一负载识别模型，以此类推，输出基于所述边缘设备集合对应的N个负载识别模型。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述边缘计算设备的实时任务列表；
根据所述实时任务列表进行动态预测，获取第一待处理计算度；
根据所述第一待处理计算度，生成动态网络层；
将所述动态网络层嵌入至所述负载识别模型中进行模型层优化。
4.如权利要求3所述的方法，其特征在于，通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型，方法包括：
通过采集所述边缘计算设备的任务处理样本集；
以所述任务处理样本集进行任务分析，获取任务计算特征，其中，所述任务计算特征包括任务处理速率、任务处理时效、以及任务存储空间；
根据所述任务处理速率、所述任务处理时效、以及所述任务存储空间作为训练数据进行训练，当训练至收敛时得到负载识别模型；
根据所述负载识别模型输出当边缘计算设备负载均衡时的任务匹配指数。
5.如权利要求1所述的方法，其特征在于，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，方法包括：
获取需求计算特征，其中，所述需求计算特征包括任务处理时效性、任务处理复杂度以及任务处理数据量；
基于所述任务处理时效性、所述任务处理复杂度以及所述任务处理数据量输入所述N个负载识别模型中分别进行匹配，得到N个任务匹配指数；
对所述N个任务匹配指数进行寻优，输出第一任务匹配指数对应的第一匹配边缘设备。
6.如权利要求5所述的方法，其特征在于，所述任务匹配指数的计算公式如下：
；
其中，为第i个任务对应的任务匹配指数，/>表征第i个任务基于变量/>对应的任务需求负载度，/>表征第i个任务基于变量/>对应的设备实时负载度，为第i个任务的负载协方差，/>为所述边缘设备集合中负载识别模型的总数量。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
当所述资源调度中心接收多个任务请求；
基于所述多个任务请求设置多个并发通道，根据所述并发通道连接负载识别模型，输出各个并发通道对应的多个负载识别模型；
以所述多个负载识别模型进行任务并行处理，输出基于所述多个任务请求的多个匹配边缘设备。
8.一种基于深度学习的边缘计算调度管理***，其特征在于，所述***包括：
边缘计算设备获得模块，所述边缘计算设备获得模块用于连接资源调度中心，获取边缘计算层的边缘计算设备；
任务识别库生成模块，所述任务识别库生成模块用于按照所述边缘计算设备中各个边缘设备的历史任务类型，生成任务识别库；
边缘设备集合获得模块，所述边缘设备集合获得模块用于当所述资源调度中心接收第一任务请求，基于所述任务识别库对所述第一任务请求进行识别，得到基于所述第一任务请求对应的边缘设备集合；
计算特征获得模块，所述计算特征获得模块用于获取所述第一任务请求中任务处理的需求计算特征；
负载识别模型搭建模块，所述负载识别模型搭建模块用于通过对所述边缘计算设备进行任务处理时的边缘计算特征识别，搭建负载识别模型；
匹配边缘设备获得模块，所述匹配边缘设备获得模块用于调用基于所述边缘设备集合的N个负载识别模型，将所述需求计算特征输入所述N个负载识别模型进行分析，获取第一匹配边缘设备，其中，N为小于等于所述边缘设备集合总数量的正整数；
边缘处理模块，所述边缘处理模块用于将所述第一任务请求输入所述第一匹配边缘设备进行边缘处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310727960.7A CN116467088B (zh) | 2023-06-20 | 2023-06-20 | 一种基于深度学习的边缘计算调度管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310727960.7A CN116467088B (zh) | 2023-06-20 | 2023-06-20 | 一种基于深度学习的边缘计算调度管理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116467088A true CN116467088A (zh) | 2023-07-21 |
| CN116467088B CN116467088B (zh) | 2024-03-26 |
Family
ID=87182872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310727960.7A Active CN116467088B (zh) | 2023-06-20 | 2023-06-20 | 一种基于深度学习的边缘计算调度管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116467088B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100228819A1 (en) * | 2009-03-05 | 2010-09-09 | Yottaa Inc | System and method for performance acceleration, data protection, disaster recovery and on-demand scaling of computer applications |
| CN112311820A (zh) * | 2019-07-26 | 2021-02-02 | 腾讯科技（深圳）有限公司 | 边缘设备调度方法、连接方法、装置和边缘设备 |
| US11297161B1 (en) * | 2020-10-08 | 2022-04-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for managing an automotive edge computing environment |
| CN114356531A (zh) * | 2022-01-12 | 2022-04-15 | 重庆邮电大学 | 基于K-means聚类和排队理论的边缘计算任务分类调度方法 |
| CN114816721A (zh) * | 2022-06-29 | 2022-07-29 | 常州庞云网络科技有限公司 | 一种基于边缘计算的多任务优化调度方法及*** |
-
2023
- 2023-06-20 CN CN202310727960.7A patent/CN116467088B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100228819A1 (en) * | 2009-03-05 | 2010-09-09 | Yottaa Inc | System and method for performance acceleration, data protection, disaster recovery and on-demand scaling of computer applications |
| CN112311820A (zh) * | 2019-07-26 | 2021-02-02 | 腾讯科技（深圳）有限公司 | 边缘设备调度方法、连接方法、装置和边缘设备 |
| US11297161B1 (en) * | 2020-10-08 | 2022-04-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for managing an automotive edge computing environment |
| CN114356531A (zh) * | 2022-01-12 | 2022-04-15 | 重庆邮电大学 | 基于K-means聚类和排队理论的边缘计算任务分类调度方法 |
| CN114816721A (zh) * | 2022-06-29 | 2022-07-29 | 常州庞云网络科技有限公司 | 一种基于边缘计算的多任务优化调度方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116467088B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096349A (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
| CN110737529A (zh) | 一种面向短时多变大数据作业集群调度自适应性配置方法 | |
| CN104298550B (zh) | 一种面向Hadoop的动态调度方法 | |
| CN111435463B (zh) | 数据处理方法及相关设备、*** | |
| CN109446783B (zh) | 一种基于机器众包的图像识别高效样本采集方法及*** | |
| CN116760772B (zh) | 汇聚分流器的管控***及其方法 | |
| CN111813502B (zh) | 面向工业边缘节点的计算资源管理调度方法 | |
| WO2023124947A1 (zh) | 一种任务处理方法、装置及相关设备 | |
| CN105607952B (zh) | 一种虚拟化资源的调度方法及装置 | |
| CN114816721B (zh) | 一种基于边缘计算的多任务优化调度方法及*** | |
| CN113515351A (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
| CN115794341A (zh) | 基于人工智能的任务调度方法、装置、设备及存储介质 | |
| CN116233026B (zh) | 一种用于数据中心的智能管理方法及*** | |
| CN112819054A (zh) | 一种切片模板配置方法及装置 | |
| CN113408548A (zh) | 变压器异常数据检测方法、装置、计算机设备和存储介质 | |
| CN112765468A (zh) | 一种个性化用户服务定制方法和装置 | |
| CN116720132A (zh) | 电力业务识别***、方法、设备、介质和产品 | |
| CN116467088B (zh) | 一种基于深度学习的边缘计算调度管理方法及*** | |
| CN108132840A (zh) | 一种分布式***中的资源调度方法及装置 | |
| CN114625654A (zh) | 一种测试方法及其相关设备 | |
| CN117863947A (zh) | 一种基于充电站的整体化功率调节方法及*** | |
| CN117407178A (zh) | 一种自适应负载分配的加速子卡管理方法及*** | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测***及方法 | |
| CN115098238B (zh) | 一种应用程序任务调度方法及装置 | |
| CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 |
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 |