CN108924198B - 一种基于边缘计算的数据调度方法、装置及系统 - Google Patents

一种基于边缘计算的数据调度方法、装置及系统 Download PDF

Info

Publication number
CN108924198B
CN108924198B CN201810645225.0A CN201810645225A CN108924198B CN 108924198 B CN108924198 B CN 108924198B CN 201810645225 A CN201810645225 A CN 201810645225A CN 108924198 B CN108924198 B CN 108924198B
Authority
CN
China
Prior art keywords
optimized
intelligent industrial
scheduling
optimization
edge
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.)
Active
Application number
CN201810645225.0A
Other languages
English (en)
Other versions
CN108924198A (zh
Inventor
王智明
徐雷
毋涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201810645225.0A priority Critical patent/CN108924198B/zh
Publication of CN108924198A publication Critical patent/CN108924198A/zh
Application granted granted Critical
Publication of CN108924198B publication Critical patent/CN108924198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Abstract

本发明属于数据的调度处理领域，且提供了一种基于边缘计算的数据调度方法、装置及系统。其中所述方法用于处理智能工业互联网的优化调度请求，包括：获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；根据所述优化后的评价指标，调度所述服务请求对应的工业管理数据并返回给边缘服务器。本发明将智能工业互联网优化请求实时的以基于边缘计算的智能工业互联网优化算法进行动态深度优化分析，实现了低时延、低流量成本、实时的优势。

Description

一种基于边缘计算的数据调度方法、装置及系统
技术领域
本发明涉及数据处理领域，尤其涉及数据的深度学习和优化分析，具体的讲是一种基于边缘计算的数据调度方法、装置及系统。
背景技术
随着物联网迅猛发展，边缘终端设备的数量迅速增加，同时边缘终端设备所产生数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘终端设备所产生的海量数据,边缘计算已被业界普遍认定为下一代数字化转型的主要趋势之一。移动边缘计算(Mobile Edge Computing,MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而带给运营商的运作带来全新模式，并建立全新的产业链及生态圈。这种情况下，面对日益迫切的边缘计算及智能工业互联网发展需求，基于边缘计算的智能工业互联网优化调度对于边缘计算及智能工业互联网的迅速持续发展具有重要意义。
但是，由于现有的云计算系统具有延迟高、实时性差等特性，因此随着边缘计算及智能工业互联网业务的快速增长，伴之产生的高时延、高流量成本、非实时性等问题日益突出。
应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本发明实施例公开了一种基于边缘计算的数据调度方法、装置及系统，以克服现有的智能工业互联网在数据调度时存在的高时延、高流量成本、非实时性等问题。
为了达到上述目的，本发明实施例提供一种基于边缘计算的数据调度方法，用于处理智能工业互联网的优化调度请求，包括：获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端。
为了达到上述目的，本发明实施例还提供一种基于边缘计算的数据调度装置，用于处理智能工业互联网的优化调度请求，包括：请求获取模块，用于获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；优化分析模块，用于对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；调度模块，用于根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端。
为了达到上述目的，本发明实施例还提供一种基于边缘计算的数据调度系统，用于处理智能工业互联网的优化调度请求，包括边缘接入层、运营商边缘网络传输层、智能工业互联边缘网关接入层、智能工业互联边缘平台层以及工业互联优化分析层；其中：
所述边缘接入层，用于采集及传送智能工业互联网的优化调度请求；所述运营商边缘网络传输层，用于实现运营商边缘网络的接入及传输，并将所述智能工业互联网的优化调度请求传送给所述智能工业互联边缘网关接入层；所述智能工业互联边缘网关接入层，由多个互联边缘网关组成，实现自运营商边缘网络的接入；所述智能工业互联边缘平台层，由多个互联边缘服务器组成，处理部分所述智能工业互联网的优化调度请求，并将获取的部分智能制造服务返回给所述智能工业互联边缘网关接入层；所述工业互联优化分析层，由多个优化调度器和工业管理数据库组成，用于处理所述智能工业互联边缘平台层处理后的剩余部分的所述智能工业互联网的优化调度请求；其中，所述优化调度器包括如本发明实施例所述的基于边缘计算的数据调度装置。
本发明实施例揭示的基于边缘计算的数据调度方法、装置及系统，将智能工业互联网优化请求实时的以基于边缘计算的智能工业互联网优化算法进行动态深度优化分析，实现了低时延、低流量成本、实时的优势。
参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于边缘计算的智能工业互联网优化场景图；
图2为本发明实施例的优化调度器所实现的数据调度方法的处理流程图；
图3为本发明实施例的深度优化和评价分析的逻辑结构图；
图4为本发明实施例的对评价指标进行深度优化分析的方法流程图；
图5为本发明实施例的深度优化模型的原理示意图；
图6为决策卷积神经网络奖惩无监督学习原理的示意图；
图7为本发明的深度优化模型的一种实施方式的原理示意图；
图8为本发明实施例的基于边缘计算的数据调度装置的结构示意图；
图9为本发明实施例的优化分析模块的结构示意图；
图10为本发明实施例的服务器设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
本发明提出一种基于边缘计算的数据调度机制，用于处理智能工业互联网的优化调度请求数据。该机制实时收集智能工业互联网的优化请求数据并做实时分析，深度优化各智能工业互联网优化调度请求中所包含的时延和流量成本等评价指标，即结合多维空间多层感知决策卷积神经网络奖惩无监督优化思想，基于多维空间、决策树、卷积神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论优势进行循环优化后得到深度优化后的评价指标，然后根据优化后的评价指标实现对工业数据库中相关数据的调度和传送。本发明所公开的这种基于边缘计算的智能工业互联网优化调度机制具有低时延、低流量成本、实时的特性。
图1为本发明实施例的基于边缘计算的智能工业互联网优化场景图。
如图1所示，基于边缘计算的智能工业互联网优化场景主要分六个层级：
1)边缘接入层，包含：摄像头、传感器、智能制造设备等用户设备，实现智能制造设备、传感器、摄像头等用户设备产生的智能工业互联网优化调度请求的采集，以及根据返回的服务数据进行制造控制；
2)运营商边缘网络传输层，实现运营商边缘网络的接入及传输；
3)智能工业互联边缘网关接入层，由若干互联边缘网关组成，实现自运营商边缘网络的接入；
4)智能工业互联边缘平台层，由若干互联边缘服务器组成，实现对来自智能制造设备、传感器、摄像头等用户设备的部分智能工业互联网优化调度请求的处理；
5)工业互联优化分析层，由若干优化调度器和工业管理数据库组成，实现对来自智能工业互联网优化调度信息的优化处理，即处理除迁移到互联边缘服务器外的剩余部分的优化调度信息，并且根据优化后的方案从工业管理数据库中提取相关的服务数据，以提供智能制造等服务；
6)边缘工业互联优化核心云，通过VPN隧道控制工业互联优化分析层上的优化调度器工作，以及处理除迁移到互联边缘服务器外的剩余部分智能制造等服务数据的核心处理。
在图1所示场景中，基于边缘计算的智能工业互联网的优化调度机制的处理流程具体如下，其中的附图标号①、②、③、④、⑤、⑥、⑦、⑧、⑨、I、II、III、IV分别表示处理的步骤流程。
步骤①，边缘接入层的摄像头、传感器、智能制造设备等用户设备通过运营商边缘网络传输层的运营商微基站接入到运营商边缘网络传输层，其根据自身需求产生优化调度请求信息，并传送智能工业互联网的优化调度请求至运营商边缘网络传输层。其中，优化调度请求包括服务请求和评价指标两部分，服务请求为用户设备根据自身需求，指示需要到互联边缘服务器或者云服务器端调度哪种服务数据供自身利用的请求数据，评价指标一般包括时延和流量成本两个指标，指示该优化调度请求所需要的时延和流量成本。
步骤②，运营商边缘网络传输层的运营商微基站接入智能工业互联边缘网关接入层的互联边缘网关，并传送智能工业互联网的优化调度请求；
步骤③，互联边缘网关接入到智能工业互联边缘平台层的互联边缘服务器，并根据传送的智能工业互联网的优化调度请求获取相应部分智能制造等服务数据；
步骤④&⑤&⑥，智能工业互联网的优化调度请求的相应部分智能制造等服务数据通过运营商边缘网络、运营商微基站返回给智能制造设备、传感器、摄像头等用户设备端；
步骤⑦，由智能工业互联边缘平台层的互联边缘服务器接入到工业互联优化分析层，并传送原智能工业互联网的优化调度请求中剩余的优化调度请求；
步骤⑧，优化调度器对剩余的智能工业互联网的优化调度请求中的评价指标进行优化分析，分析剩余的智能工业互联网的优化调度请求中的服务请求，并根据优化分析结果和服务请求从工业管理数据库中提取剩余优化调度请求中的服务请求所需的工业管理数据；
步骤⑨，优化调度器将剩余优化调度请求中的服务请求以及所需的工业管理数据上传至边缘工业互联优化核心云，以实现对服务请求和工业管理数据的核心处理？；
步骤I，优化调度器将剩余优化调度请求中的服务请求以及所需的工业管理数据返回给智能工业互联边缘平台层的互联边缘服务器；
步骤II&III&IV，智能工业互联边缘平台层的互联边缘服务器将剩余优化调度请求中的服务请求以及所需的工业管理数据通过互联边缘网关、运营商边缘网络、运营商微基站返回给摄像头、传感器、智能制造设备等用户设备。
在上述应用场景中，步骤⑧通过优化调度器实现对优化调度请求的优化分析，通过对优化调度请求中的时延和流程成本等评价指标进行优化，得到最优的时延和流量成本，根据最优的时延和流量成本对工业管理数据进行提取和返回，以实现低时延、低流量成本、实时的功能效果。
以下详细介绍下本发明实施例的优化调度器所实现的优化调度功能。
图2为本发明实施例的优化调度器所实现的数据调度方法的处理流程图。如图2所示，其包括：
步骤S101，获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；
步骤S102，对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；
步骤S103，根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给边缘服务器。
具体实现时，在步骤S101中，可以采用实时主动兼被动收集的方式获取智能工业互联网的优化调度请求，即可以通过定期被询问机制获取所述智能工业互联网的多个优化调度请求，也可以获取每隔预置时间主动上报的所述智能工业互联网的多个优化请求。结合图1所示的应用场景，此处获取到的智能工业互联网的多个优化调度请求，应该是由智能工业互联边缘平台层的互联边缘服务器处理后剩余的优化调度请求。
具体实现时，在步骤S102中，在各智能工业互联网的优化调度请求进行采集汇总后，深度优化和评价分析的逻辑结构图如图3所示。如图3所示，逻辑结构包含四个部分：智能工业互联网的优化调度请求的接收、以多维空间多层感知决策卷积神经网络奖惩无监督学习策略分析智能工业互联网优化请求、推荐结果输出、多维空间多层感知决策卷积神经网络奖惩无监督学习。其中，各智能工业互联网的优化调度请求主要包含：时延L、流量成本C。通过分析智能工业互联网的优化调度请求实现了对各智能工业互联网的优化调度请求中的时延L、流量成本C进行深度优化，多维空间多层感知决策卷积神经网络奖惩无监督学习实现并给出推荐结果，这是本发明所实现的对评价指标的优化分析的主要思想。
图4为本发明实施例的对评价指标进行深度优化分析的方法流程图。本发明的深度优化思想是对各智能工业互联网的优化调度请求信息进行判断和分析，以深度优化分析评价函数最优的深度优化策略进行分析，结合多维空间多层感知决策卷积神经网络奖惩无监督学习方法优化各智能工业互联网的优化请求结果中的时延L、流量成本C等方面指标，实现低时延、低流量成本、实时的优势。
如图4所示，本发明实施例的深度优化分析方法的具体实现流程如下：
步骤S401，设置迭代初始参数和最大迭代次数。例如，设置迭代初始参数为0，设置最大迭代次数为50。其中，最大迭代次数根据需求设置，一般不超过100。如果最大迭代次数的数值设置太小会导致不够精确，设置太大则浪费算力。
步骤S402，将多个优化调度请求中的评价指标输入到决策卷积无监督学习模型中，得到优化分析结果；
步骤S403，判断步骤S402中生成的优化分析结果是否满足评价条件，如果满足，转到步骤S405，作为所述优化后的评价指标输出，如果不满足，进入到步骤S404；
步骤S404，将所述迭代次数加1，并判断当前迭代次数是否超过所述最大迭代次数，如果没有超过，返回步骤S402，如果超过，进入步骤S405；
步骤S405，输出优化后的评价指标。
具体实施时，步骤S402和S403中，决策卷积无监督学习模型可以是多维空间多层感知决策卷积神经网络奖惩无监督学习策略，用该学习策略分析智能工业互联网优化请求，并根据深度优化分析评价条件进行判断，当不满足深度优化分析评价条件时，继续进行迭代。
图5为本发明实施例的深度优化模型的原理示意图。如图5所示，每次迭代中的多维空间决策卷积神经网络奖惩无监督学习优化分析思想为:在1,2,……,d多维空间中，k＝1,2,……,d多个深度优化方案根据多维空间多层感知决策卷积神经网络奖惩无监督学习优化策略方式向最优优化方案确定的方向迁移，也即图5中实线圆球所在位置。图6为决策卷积神经网络奖惩无监督学习原理的示意图，如图6所示，优化调度请求在输入后经过奖励激励后的决策卷积无监督学习循环优化后输出相应推荐结果，并结合多维空间多层感知决策卷积神经网络奖惩无监督优化思想，基于多维空间、决策树、卷积神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论优势的深度优化分析得到深度优化分析结果。
当智能工业互联网的优化调度请求到达深度优化模型后，若到来的智能工业互联网优化请求被延迟则被赋予当前较高加速优化调度优先权。
本发明实施例中，评价条件可以为联合麟德伯格评价函数，具体表示为：
Figure BDA0001703359080000081
图7为本发明的深度优化模型的一种实施方式的原理示意图。在图7中，m、n、p分别代表深度优化模型中的三个空间维数。在该实施方式中，深度优化模型可以为决策卷积神经网络奖惩无监督优化函数，其具体表示如下：
Figure BDA0001703359080000082
Figure BDA0001703359080000083
Figure BDA0001703359080000084
Figure BDA0001703359080000085
其中，式(1-1)至式(1-5)中的k表示第k次迭代，且k＝1,2,……,d，d为设定的最大迭代次数。
式(1-1)、(1-2)和(1-3)中的Mijt k主要包含：
Figure BDA0001703359080000086
两方面的信息向量，其中：
Figure BDA0001703359080000087
表示当前第k次时延；
Figure BDA0001703359080000088
表示当前第k次流量成本；
LminG表示历史最小时延；
CminG表示历史最小流量成本；
Figure BDA0001703359080000089
表示当前第k次信息向量；
MminG表示历史最小信息向量；
MminK表示当前第k次最小信息向量；
Figure BDA0001703359080000091
表示第k+1次信息向量；
Figure BDA0001703359080000092
表示第k+1次奖励无监督学习因子；
Figure BDA0001703359080000093
表示第k+1次惩罚因子；
Figure BDA0001703359080000094
表示当前第k次平均时延；
Figure BDA0001703359080000095
表示当前第k次平均流量成本。
结合上述的深度优化模型和评价函数，当评价函数不被满足时，即以决策卷积神经网络奖惩无监督学习继续进行深度优化，生成最优的评价指标，以实现低时延、低流量成本、实时的优势。
本发明实施例揭示的基于边缘计算的数据调度方法，将智能工业互联网优化请求实时的以基于边缘计算的智能工业互联网优化算法进行动态深度优化分析，结合多维空间多层感知决策卷积神经网络奖惩无监督学习优化思想，基于多维空间、决策树、卷积神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论优势，实现了低时延、低流量成本、实时的优势。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
基于同一发明构思，在介绍了本发明示例性实施方式的方法之后，接下来，参考图8对本发明示例性实施方式的基于边缘计算的数据调度装置进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8为本发明实施例的基于边缘计算的数据调度装置的结构示意图。如图8所示，本实施例的数据调度装置包括：
请求获取模块801，用于获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；
优化分析模块802，用于对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；
调度模块803，用于根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端。
在一具体实施例中，所述请求获取模块801具体用于：通过定期被询问机制获取所述智能工业互联网的多个优化调度请求；和/或，获取每隔预置时间主动上报的所述智能工业互联网的多个优化请求。
在一具体实施例中，所述优化调度请求中的评价指标包括：时延和流量成本。
在一具体实施例中，如图9所示，所述优化分析模块802用于对多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标，其具体包括：
参数设置单元8021，用于设置迭代初始参数和最大迭代次数；
深度学习单元8022，用于将多个优化调度请求中的评价指标输入到决策卷积无监督学习模型中，得到优化分析结果；
判断单元8023，用于判断所述优化分析结果是否满足评价条件；
输出单元8024，用于输出优化后的评价指标。
在本装置实施例中，深度学习单元8022中存储有决策卷积无监督学习模型，判断单元8023中存储有评价条件，在具体实施时，评价条件可以为联合麟德伯格评价函数，如图7所示，为该评价函数的存储模型示意图。
联合麟德伯格评价函数为式(1-1)：
Figure BDA0001703359080000101
深度优化模型可以为决策卷积神经网络奖惩无监督优化函数：
Figure BDA0001703359080000102
Figure BDA0001703359080000103
Figure BDA0001703359080000104
Figure BDA0001703359080000111
其中，式(1-1)至式(1-5)中的k表示第k次迭代，且k＝1,2,……,d，d为设定的最大迭代次数。
式(1-1)、(1-2)和(1-3)中的Mijt k主要包含：
Figure BDA0001703359080000112
两方面的信息向量，其中：
Figure BDA0001703359080000113
表示当前第k次时延；
Figure BDA0001703359080000114
表示当前第k次流量成本；
LminG表示历史最小时延；
CminG表示历史最小流量成本；
Figure BDA0001703359080000115
表示当前第k次信息向量；
MminG表示历史最小信息向量；
MminK表示当前第k次最小信息向量；
Figure BDA0001703359080000116
表示第k+1次信息向量；
Figure BDA0001703359080000117
表示第k+1次奖励无监督学习因子；
Figure BDA0001703359080000118
表示第k+1次惩罚因子；
Figure BDA0001703359080000119
表示当前第k次平均时延；
Figure BDA00017033590800001110
表示当前第k次平均流量成本。
此外，尽管在上文详细描述中提及了基于边缘计算的数据调度装置的若干单元，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。
请参阅图10，本申请还提供一种服务器设备，所述服务器设备包括：存储器a和处理器b，所述存储器a中存储计算机程序，所述计算机程序被所述处理器b执行时，实现以下功能：
获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；
对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；
根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端。
本发明实施例揭示的基于边缘计算的数据调度方法、装置及系统，将智能工业互联网优化请求实时的以基于边缘计算的智能工业互联网优化算法进行动态深度优化分析，结合多维空间多层感知决策卷积神经网络奖惩无监督学习优化思想，基于多维空间、决策树、卷积神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论优势，实现了低时延、低流量成本、实时的优势。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于边缘计算的数据调度方法，其特征在于，用于处理智能工业互联网的优化调度请求，包括：
获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；
对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；
根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端；
其中，所述对多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标，具体包括：
步骤S1，设置迭代初始参数和最大迭代次数；
步骤S2，将多个优化调度请求中的评价指标输入到决策卷积无监督学习模型中，得到优化分析结果；
步骤S3，判断步骤S2中生成的优化分析结果是否满足评价条件，如果满足，转到步骤S5，作为所述优化后的评价指标输出，如果不满足，进入到步骤S4；
步骤S4，将所述迭代次数加1，并判断当前迭代次数是否超过所述最大迭代次数，如果没有超过，返回步骤S2，如果超过，进入步骤S5；
步骤S5，输出优化后的评价指标。
2.根据权利要求1所述的基于边缘计算的数据调度方法，其特征在于，所述获取所述智能工业互联网的多个优化调度请求，具体包括：
通过定期被询问机制获取所述智能工业互联网的多个优化调度请求；和/或，
获取每隔预置时间主动上报的所述智能工业互联网的多个优化请求。
3.根据权利要求1所述的基于边缘计算的数据调度方法，其特征在于，所述优化调度请求中的评价指标包括：时延和流量成本。
4.根据权利要求1所述的基于边缘计算的数据调度方法，其特征在于，所述步骤S3中的评价条件包括联合麟德伯格评价函数，具体如下：
Figure FDA0002892431050000021
所述步骤S2中的决策卷积无监督学习模型包括决策卷积神经网络奖惩无监督优化函数，具体如下：
Figure FDA0002892431050000022
Figure FDA0002892431050000023
Figure FDA0002892431050000024
Figure FDA0002892431050000025
其中，式(1-1)至式(1-5)中的k表示第k次迭代，d表示所述最大迭代次数，且k＝1,2,……,d；
式(1-2)、(1-3)和(1-4)中的Mijt k包含
Figure FDA0002892431050000026
两方面的信息向量，其中：
Figure FDA0002892431050000027
表示当前第k次时延；
Figure FDA0002892431050000028
表示当前第k次流量成本；
LminG表示历史最小时延；
CminG表示历史最小流量成本；
Figure FDA0002892431050000029
表示当前第k次信息向量；
MminG表示历史最小信息向量；
MminK表示当前第k次最小信息向量；
Figure FDA00028924310500000210
表示第k+1次信息向量；
Figure FDA00028924310500000211
表示第k+1次奖励无监督学习因子；
Figure FDA00028924310500000212
表示第k+1次惩罚因子；
Figure FDA00028924310500000213
表示当前第k次平均时延；
Figure FDA0002892431050000031
表示当前第k次平均流量成本。
5.一种基于边缘计算的数据调度装置，其特征在于，用于处理智能工业互联网的优化调度请求，包括：
请求获取模块，用于获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；
优化分析模块，用于对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；
调度模块，用于根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端；
其中，所述优化分析模块用于对多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标，具体包括：
参数设置单元，用于设置迭代初始参数和最大迭代次数；
深度学习单元，用于将多个优化调度请求中的评价指标输入到决策卷积无监督学习模型中，得到优化分析结果；
判断单元，用于判断所述优化分析结果是否满足评价条件；
输出单元，用于输出优化后的评价指标。
6.根据权利要求5所述的基于边缘计算的数据调度装置，其特征在于，所述请求获取模块具体用于：
通过定期被询问机制获取所述智能工业互联网的多个优化调度请求；和/或，
获取每隔预置时间主动上报的所述智能工业互联网的多个优化请求。
7.根据权利要求5所述的基于边缘计算的数据调度装置，其特征在于，所述优化调度请求中的评价指标包括：时延和流量成本。
8.一种基于边缘计算的数据调度系统，其特征在于，用于处理智能工业互联网的优化调度请求，包括边缘接入层、运营商边缘网络传输层、智能工业互联边缘网关接入层、智能工业互联边缘平台层以及工业互联优化分析层；其中，
所述边缘接入层，用于采集及传送智能工业互联网的优化调度请求；
所述运营商边缘网络传输层，用于实现运营商边缘网络的接入及传输，并将所述智能工业互联网的优化调度请求传送给所述智能工业互联边缘网关接入层；
所述智能工业互联边缘网关接入层，由多个互联边缘网关组成，实现自运营商边缘网络的接入；
所述智能工业互联边缘平台层，由多个互联边缘服务器组成，处理部分所述智能工业互联网的优化调度请求，并将获取的部分智能制造服务返回给所述智能工业互联边缘网关接入层；
所述工业互联优化分析层，由多个优化调度器和工业管理数据库组成，用于处理所述智能工业互联边缘平台层处理后的剩余部分的智能工业互联网的优化调度请求，并根据生成的优化调度结果从所述工业管理数据库中调取对应的服务数据返回给用户设备端；
其中，所述优化调度器包括如权利要求5-7任一项所述的基于边缘计算的数据调度装置。
CN201810645225.0A 2018-06-21 2018-06-21 一种基于边缘计算的数据调度方法、装置及系统 Active CN108924198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810645225.0A CN108924198B (zh) 2018-06-21 2018-06-21 一种基于边缘计算的数据调度方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810645225.0A CN108924198B (zh) 2018-06-21 2018-06-21 一种基于边缘计算的数据调度方法、装置及系统

Publications (2)

Publication Number Publication Date
CN108924198A CN108924198A (zh) 2018-11-30
CN108924198B true CN108924198B (zh) 2021-05-11

Family

ID=64419474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810645225.0A Active CN108924198B (zh) 2018-06-21 2018-06-21 一种基于边缘计算的数据调度方法、装置及系统

Country Status (1)

Country Link
CN (1) CN108924198B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709985B (zh) * 2019-01-21 2021-10-01 中国联合网络通信集团有限公司 一种无人机任务优化方法、装置及系统
CN109981723B (zh) * 2019-01-23 2021-11-09 桂林电子科技大学 基于深度强化学习的文件缓存处理系统及方法、通信系统
CN109918201B (zh) * 2019-03-05 2021-05-11 中国联合网络通信集团有限公司 任务卸载的控制方法和系统
CN109976915B (zh) * 2019-04-02 2021-04-13 中国联合网络通信集团有限公司 基于边缘计算的边云协同需求的优化方法和系统
CN111083187A (zh) * 2019-06-28 2020-04-28 中兴通讯股份有限公司 工业应用服务处理方法和系统
CN110572356B (zh) * 2019-07-24 2021-07-27 南京智能制造研究院有限公司 基于边缘网关数据质量评价的计算能力迁移方法及系统
CN110928599B (zh) * 2019-11-06 2023-04-18 浙江理工大学 一种边缘计算网络中基于数据流的任务卸载方法及系统
CN113709890A (zh) * 2020-05-20 2021-11-26 华为技术有限公司 调度方法、调度系统和调度装置
CN112073452B (zh) * 2020-05-27 2021-04-27 河南工程学院 一种能源有效和资源受限的移动边缘计算任务分配方法
CN112148451B (zh) * 2020-09-27 2023-12-29 南京大学 一种低时延的协同自适应cnn推断系统及方法
CN112264309B (zh) * 2020-09-30 2022-12-27 北京京东振世信息技术有限公司 包裹分拣方法、服务器及存储介质
CN112241547B (zh) * 2020-11-23 2023-06-06 中国联合网络通信集团有限公司 车辆数据加密分析方法、边缘服务器及存储介质
CN112437086B (zh) * 2020-11-23 2022-07-29 中国联合网络通信集团有限公司 一种获取监控资料的方法、装置及系统
CN112491862B (zh) * 2020-11-23 2022-08-02 中国联合网络通信集团有限公司 分布式加密方法和装置
CN112364365B (zh) * 2020-11-23 2023-05-23 中国联合网络通信集团有限公司 工业数据加密方法、边缘服务器及计算机可读存储介质
CN112492652B (zh) * 2020-11-23 2023-07-28 中国联合网络通信集团有限公司 一种边缘设备算力服务调配的方法、装置及系统
CN112492612B (zh) * 2020-11-23 2023-07-21 中国联合网络通信集团有限公司 资源分配方法和装置
CN113542371B (zh) * 2021-06-29 2022-05-17 西南大学 基于边缘网关的资源调度方法及系统
CN114302421A (zh) * 2021-11-29 2022-04-08 北京邮电大学 通信网络架构的生成方法、装置、电子设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8782395B1 (en) * 2011-09-29 2014-07-15 Riverbed Technology, Inc. Monitoring usage of WAN optimization devices integrated with content delivery networks
US10362113B2 (en) * 2015-07-02 2019-07-23 Prasenjit Bhadra Cognitive intelligence platform for distributed M2M/ IoT systems
US10021172B2 (en) * 2015-09-23 2018-07-10 Nec Corporation Software driven long-term-evolution core network for mobile access
CN107942958B (zh) * 2017-10-13 2019-06-14 北京邮电大学 一种面向物联网的工业控制系统及方法
CN107734558A (zh) * 2017-10-26 2018-02-23 北京邮电大学 一种基于多服务器的移动边缘计算控制及资源调度方法
CN107911478B (zh) * 2017-12-06 2020-09-22 武汉理工大学 基于化学反应优化算法的多用户计算卸载方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"The Research and Application of Improved Ant Colony Algorithm with Multi-thresholds in Edge Detection";Zhiping Chen; Zhijun Li;《2017 International Conference on Industrial Informatics - Computing Technology, Intelligent Technology, Industrial Information Integration (ICIICII)》;20180402;全文 *
"边缘计算参考架构2.0(中)";无;《边缘计算产业联盟》;20180215;全文 *

Also Published As

Publication number Publication date
CN108924198A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108924198B (zh) 一种基于边缘计算的数据调度方法、装置及系统
CN107871164B (zh) 一种雾计算环境个性化深度学习方法
CN105550323B (zh) 一种分布式数据库负载均衡预测方法和预测分析器
CN108418718B (zh) 一种基于边缘计算的数据处理延迟优化方法及系统
CN109885397B (zh) 一种边缘计算环境中时延优化的负载任务迁移算法
CN110662245B (zh) 基于深度学习的基站负荷预警方法及装置
CN109709985B (zh) 一种无人机任务优化方法、装置及系统
CN106777093A (zh) 基于空间时序数据流应用的Skyline查询系统
CN112100155A (zh) 一种云边协同的数字孪生模型组装与融合方法
CN109819032B (zh) 一种联合考虑基站选择与计算迁移的云机器人任务分配方法
CN114253735B (zh) 一种任务处理方法、装置及相关设备
CN110858805A (zh) 小区网络流量预测方法及装置
CN112187554A (zh) 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统
CN103685014B (zh) 利用时间序列预测模型增强路由计算可靠性的系统及方法
CN108768857B (zh) 一种虚拟路由转发方法、装置及系统
CN114169506A (zh) 一种基于工业物联网平台的深度学习边缘计算系统框架
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
CN116166440A (zh) 一种基于动态管理的flink流批一体数据处理方法
CN112738225B (zh) 基于人工智能的边缘计算方法
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
CN115801896A (zh) 算力网络节点分配方法、装置、电子设备及存储介质
CN108833550B (zh) 一种感知农业优化调度的方法及装置
CN111046321B (zh) 光伏电站运维策略优化方法和装置
CN114417739A (zh) 一种异常工况的工艺参数推荐方法及装置
CN113516163A (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质

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