CN109358962A - 移动计算资源自主分配装置 - Google Patents

Abstract

一种移动计算资源自主分配装置，所述装置包括：分析单元，适于对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；分类单元，适于将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；判决单元，适于对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。上述的方案，可以为移边缘计算分配合理的计算资源，以提高资源的利用率。

Description

移动计算资源自主分配装置

技术领域

本发明涉及物联网技术领域，具体地涉及一种移动计算资源自主分配装置。

背景技术

随着云技术和人工智能技术的迅速发展和广泛应用，越来越多的新型智能物联网设备应运而生。为了满足智能物联网应用的服务质量和用户体验，引入移动边缘计算(Mobile Edge Computing，MEC)，利用移动边缘云网络中的可用资源，以提高用户的使用体验。

移动边缘计算，可以看作是从核心网到边缘接入网的扩展云计算模型，其是一种高度虚拟化技术，通过加入传输延迟、能耗、资金和运营成本等因素，以促进网络的移动性支持、实时交互和可扩展性。移动边缘计算不仅可以提高用户服务质量，还可以减少网络传输的数据量。

然而，当大量计算任务均转移到移动边缘进行计算时，如何进行计算资源的合理分配，以提高资源的利用率，成为亟待解决的问题。

发明内容

本发明解决的技术问题是如何在为移边缘计算分配合理的计算资源，以提高资源的利用率。

为解决上述技术问题，本发明实施例提供了一种移动计算资源自主分配装置，所述装置包括：

分析单元，适于对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；

分类单元，适于将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；

决策单元，适于对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。

可选地，所述装置还包括模型训练单元，适于采用历史计算资源分配数据分别构建训练数据集和预测数据集；分别对所构建的训练数据集和预测数据集进行归一化处理；构建最佳超平面的函数式，使得所述最佳超平面将归一化处理后得到的训练数据集和预测数据集中的样本分为两类；基于归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离的最小值，设置所述最佳超平面的约束条件；基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数；将所述最佳配置参数代入所述最佳超平面的函数式，得到所述计算资源预测模型。

可选地，所述模型训练单元，适于将所述归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的最佳配置参数。

可选地，所述约束条件为：

y_i[(w·x_i)+b]≥1，i＝1，2，...，l；

其中，y_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的特征标签，x_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本，w·x_i+b表示所述最佳超平面，w表示所述最佳超平面的斜率参数，b表示所述最佳超平面的平面常数参数，l表示归一化处理后得到的训练数据集和预测数据集中的样本总数。

可选地，所述模型训练单元，适于为所述归一化处理后得到的训练数据集和预测数据集中的样本分别设置对应的松弛向量；基于归一化处理后得到的训练数据集和预测数据集中的样本与所述最佳超平面之间的距离最大化和误差最小化，构建关于所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数；采用拉格朗日乘子法求取所述目标函数的对偶函数，并将归一化处理后得到的训练数据集和预测数据集中的样本分别代入所述对偶函数，求取所述对偶函数的最大值，作为所述目标函数的最小值；将所求取的最小值对应的斜率参数值，作为所述最佳超平面的斜率的最佳配置数值；将所述最佳超平面的斜率的最佳配置参数和将归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的平面常数的最佳配置数值。

可选地，所述模型训练单元所构建的所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数为：

其中，C表示预设的非负常数，ζ_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的松弛向量。

可选地，所述目标函数的对偶函数为：

且：

λ_i≥0，λ_j≥0；

其中，L(λ，w，b)表示所述目标函数的对偶函数，λ表示拉格朗日乘子，λ_i表示表示所述归一化处理后得到的训练数据集和预测数据集中的第i个样本的拉格朗日乘子，λ_i表示表示表示所述归一化处理后得到的训练数据集和预测数据集中的第j个样本的拉格朗日乘子。

可选地，所述决策单元，适于采用如下的公式对所得到的分类结果进行判决：

其中，f(x)表示对为未知属类的向量x的判决结果，sgn(.)表示返回函数，

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

上述的方案，通过将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果，并对所得到的分类结果进行判决，从而可以采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务，可以将计算资源在所述移动终端与移动边缘服务器之间进行合理分配，与将所有的移动终端的计算任务均提交给移动边缘计算服务器处理相比，从而可以提高移动计算任务的处理效率，提高资源的利用率。

附图说明

图1是本发明实施例的一种移动计算资源分配方法的流程示意图；

图2示出了本发明实施例中的一种计算资源预测模型的训练方法的流程示意图；

图3是本发明实施例的一种移动计算资源自主分配装置的流程示意图。

具体实施方式

本发明实施例中的技术方案通过将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果，并对所得到的分类结果进行判决，从而可以采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务，可以将计算资源在所述移动终端与移动边缘服务器之间进行合理分配，与将所有的移动终端的计算任务均提交给移动边缘计算服务器处理相比，从而可以提高移动计算任务的处理效率，提高资源的利用率。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1是本发明实施例的一种移动计算资源分配方法的流程示意图。参见图1，本发明实施例的一种移动计算资源分配方法，具体可以包括如下的步骤：

步骤S101：对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据。

在具体实施中，当需要处理移动计算任务时，用户可以通过用户层提交对应的计算请求。其中，用户所提交的计算请求中包括对应计算任务及该计算任务的处理速度和耗能等需求在内的计算任务数据。因此，当接收到用户提交的计算请求时，通过对用户所提交的计算请求进行解析，便可以确定对应的计算任务数据。

步骤S102：将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果。

在具体实施中，所述计算资源预测模型为采用历史的移动计算资源分配数据进行训练得到，其可以将用户提交的计算任务划分为不同的两类，得到对应的二分类结果。其中，所述计算资源预测模型的训练过程请参见图2中的详细描述。

步骤S103：对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。

在具体实施中，当得到所述用户提交的计算任务数据的二分类结果时，将所得到的二分类结果输入预设的判决模型，便可以得到对应的判决结果。在本年发明一实施中，采用如下的公式对所得到的分类结果进行判决：

其中，f(x)表示对为未知属类的向量x的判决结果，sgn(.)表示返回函数，

其中，当通过公式(1)计算得到的结果为1时，采用移动终端处理所述计算任务；反之，当通过公式(1)计算得到的结果为-1时，则采用移动边缘计算服务器所述计算任务。

下面将对本发明实施例中的计算资源预测模型的训练方法进行详细的介绍。

图2示出了本发明实施例中的一种计算资源预测模型的训练方法的流程示意图。如图2所示，本发明实施例中的一种计算资源预测模型的训练方法，适于采用历史计算资源分配数据训练得到对移动终端的计算任务进行分类的计算资源预测模型，具体可以采用如下的操作实现：

步骤S201：采用历史计算资源分配数据分别构建训练数据集和预测数据集。

在具体实施中，所述训练数据集中包括用于训练得到所述计算资源预测模型的样本数据，所述预测数据集中包括用于对训练得到所述计算资源预测模型进行测试的样本数据。

步骤S202：分别对所构建的训练数据集和预测数据集进行归一化处理。

在具体实施中，为了提高对计算任务数据的分类精确度，可以首先对所构建的训练数据集和预测数据集中的样本进行归一化处理。在本发明一实施例中，采用如下的公式对所构建的训练数据集和预测数据集中的样本进行归一化处理进行归一化处理：

x_new＝(x_pre-x_min)/(x_max-x_min) (2)

其中，x_min和x_max分别为所述训练数据集和预测数据集中的最小特征值和最大特征值，x_pre是归一化处理前的样本，x_new是归一化处理后的样本。

步骤S203：构建最佳超平面的函数式，使得所述最佳超平面将归一化处理后得到的训练数据集和预测数据集中的样本分为两类。

在具体实施中，所述最佳超平面可以将训练数据集和预测数据集中的样本分为两类，其函数式，也即所述最佳超平面可以表示为：

w·x+b＝0 (3)

其中，w表示所述最佳超平面的斜率参数，·表示向量的点积，b表示所述最佳超平面的平面常数参数。

步骤S204：基于归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离的最小值，设置所述最佳超平面的约束条件。

在具体实施中，在对所述训练数据集和预测数据集中的样本进行归一化处理之后，可以对归一化处理后训练数据集和预测数据集中的样本分别设置对应的特征标签，即对于在预设区域的l个样本，每个样本与对应的标签构成对应的向量，即(x₁，y₁)，(x₂，y₂)...，(x_l，y_l)，i∈(0，l)。其中，x_i表示归一化后的训练数据集和预测数据集中的第i个样本，y_i表示归一化后的样本x_i的特征标签，标识对应的样本所属的计算资源所属分类的类别。

在寻找所述最佳的超平面的最佳配置参数时，以归一化后的训练数据集和预测数据集中的两类样本到所述最佳超平面的距离最大，且对于归一化后的训练数据集和预测数据集中的所有样本x_i，使得：

MIN|w·x_i+b|＝1 (₄)

那么，样本与此最佳超平面的最小距离可以表示为：

|w·x_i+b|/|w|＝1/|w| (₅)

因此，根据公式(4)和(5)可以得出所述最佳超平面应满足的约束条件为：

y_i[(w·x_i)+b]≥1，i＝1，2，...，l (6)

步骤S205：基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数。

在本发明一实施例中，通过将所述归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，即可寻找得到所述最佳超平面的最佳配置参数，也即w、b的调优数值。

在本发明另一实施例中，为了进一步提高所述最佳超平面的分类性能，为所述归一化处理后得到的训练数据集和预测数据集中的样本分别设置对应的松弛向量，即：

ξ_i≥0，i＝1，2，...，l (7)

其中，基于归一化处理后得到的训练数据集和预测数据集中的样本x_i的松弛向量ξ_i表示。

接着，构建关于所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数，即：

其中，C表示预设的非负常数，ζ_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的松弛向量。

在上述的公式(8)中，上式的使得归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离应尽量大，以提高泛化能力，则使得最佳超平面的分类误差尽量小。换言之，是将确定所述最佳超平面的最佳配置参数的问题，变为在公式(6)和(7)的前提下，最小化公式(8)的取值问题。

接着，求取公式(8)的最小值。在本发明一实施例中，通过采用拉格朗日乘子法将公式(8)转换为其对偶函数：

且：

λ_i≥0，λ_j≥0 (10)

其中，L(λ，w，b)表示所述目标函数的对偶函数，λ表示拉格朗日乘子，y_i表示表示所述归一化处理后得到的训练数据集和预测数据集中的第i个样本的拉格朗日乘子，λ_i表示表示表示所述归一化处理后得到的训练数据集和预测数据集中的第j个样本的拉格朗日乘子。

之后，将归一化处理后得到的训练数据集和预测数据集中的样本分别代入所述对偶函数，求取公式(9)中的对偶函数的最大值，即得到公式(8)中的所述目标函数的最小值。

最后，将所求取的最小值对应的斜率参数值，作为所述最佳超平面的斜率的最佳配置数值，并与将归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，使得两类样本到最佳超平面最小距离之和最大，从而得到所述最佳超平面的平面常数的最佳配置数值。

步骤S206：将所述最佳配置参数代入所述最佳超平面的函数式，得到所述计算资源预测模型。

在具体实施中，将所得到的所述最佳超平面的斜率参数w和平面常数参数b的最佳配置数值，代入所述最佳超平面的函数式，即可得到将归一化后的训练数据集和测试数据集中的样本正确地分为两类的最佳超平面。换言之，得到了可以将待预测的计算任务数据归为采用移动终端本地进行计算的计算任务数据还是采用移动边缘计算服务器进行计算的计算任务数据的分类器。

上述对本发明实施例中的移动计算资源分配方法进行了描述，下面将对上述的方法对应的装置进行介绍。

图3示出了本发明实施例中的一种移动计算资源自主分配装置的结构。参见图3，本发明实施例中的一种移动计算资源自主分配装置30，可以包括分析单元301、分类单元302和决策单元303，其中：

所述分析单元301，适于对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；

所述分类单元302，适于将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；

所述决策单元303，适于对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。在本发明一实施例中，所述决策单元303，适于采用如下的公式对所得到的分类结果进行判决：其中，f(x)表示对为未知属类的向量x的判决结果，sgn(.)表示返回函数，且：当的数值在支持向量机的上方时f(x)的取值为1；当的数值在支持向量机的下方时f(x)的取值为-1。

在本发明一实施例中，移动计算资源自主分配装置30还可以包括模型训练单元304，其中：

所述模型训练单元304，适于采用历史计算资源分配数据分别构建训练数据集和预测数据集；分别对所构建的训练数据集和预测数据集进行归一化处理；构建最佳超平面的函数式，使得所述最佳超平面将归一化处理后得到的训练数据集和预测数据集中的样本分为两类；基于归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离的最小值，设置所述最佳超平面的约束条件；基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数；将所述最佳配置参数代入所述最佳超平面的函数式，得到所述计算资源预测模型。

在本发明一实施例中，所述模型训练单元304，适于将所述归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的最佳配置参数。其中，所述约束条件为：y_i[(w·x_i)+b]≥1，i＝1，2，...，l；其中，y_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的特征标签，x_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本，w·x_i+b表示所述最佳超平面，w表示所述最佳超平面的斜率参数，b表示所述最佳超平面的平面常数参数，l表示归一化处理后得到的训练数据集和预测数据集中的样本总数。

在本发明又一实施例中，所述模型训练单元304，适于为所述归一化处理后得到的训练数据集和预测数据集中的样本分别设置对应的松弛向量；基于归一化处理后得到的训练数据集和预测数据集中的样本与所述最佳超平面之间的距离最大化和误差最小化，构建关于所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数；采用拉格朗日乘子法求取所述目标函数的对偶函数，并将归一化处理后得到的训练数据集和预测数据集中的样本分别代入所述对偶函数，求取所述对偶函数的最大值，作为所述目标函数的最小值；将所求取的最小值对应的斜率参数值，作为所述最佳超平面的斜率的最佳配置数值；将所述最佳超平面的斜率的最佳配置参数和将归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的平面常数的最佳配置数值。其中，所述模型训练单元所构建的所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数为：其中，C表示预设的非负常数，ζ_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的松弛向量；所述目标函数的对偶函数为：且：λ_i≥0，λ_j≥0；其中，L(λ，w，b)表示所述目标函数的对偶函数，λ表示拉格朗日乘子，λ_i表示表示所述归一化处理后得到的训练数据集和预测数据集中的第i个样本的拉格朗日乘子，λ_i表示表示表示所述归一化处理后得到的训练数据集和预测数据集中的第j个样本的拉格朗日乘子。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的移动计算资源分配方法的步骤。其中，所述的移动计算资源分配方法请参见前述部分的详细介绍，不再赘述。

本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的移动计算资源分配方法的步骤。其中，所述的移动计算资源分配方法请参见前述部分的详细介绍，不再赘述。

采用本发明实施例中的上述方案，通过将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果，并对所得到的分类结果进行判决，从而可以采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务，可以将计算资源在所述移动终端与移动边缘服务器之间进行合理分配，与将所有的移动终端的计算任务均提交给移动边缘计算服务器处理相比，从而可以提高移动计算任务的处理效率，提高资源的利用率。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种移动计算资源自主分配装置，其特征在于，包括：

分析单元，适于对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；

分类单元，适于将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；

决策单元，适于对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。

2.根据权利要求1所述的移动计算资源自主分配装置，其特征在于，还包括：模型训练单元，适于采用历史计算资源分配数据分别构建训练数据集和预测数据集；分别对所构建的训练数据集和预测数据集进行归一化处理；构建最佳超平面的函数式，使得所述最佳超平面将归一化处理后得到的训练数据集和预测数据集中的样本分为两类；基于归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离的最小值，设置所述最佳超平面的约束条件；基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数；将所述最佳配置参数代入所述最佳超平面的函数式，得到所述计算资源预测模型。

3.根据权利要求2所述的移动计算资源自主分配装置，其特征在于，所述模型训练单元，适于将所述归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的最佳配置参数。

4.根据权利要求3所述的移动计算资源自主分配装置，其特征在于，所述约束条件为：

y_i[(w·x_i)+b]≥1，i＝1，2，...，l；

其中，y_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的特征标签，x_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本，w·x_i+b表示所述最佳超平面，w表示所述最佳超平面的斜率参数，b表示所述最佳超平面的平面常数参数，l表示归一化处理后得到的训练数据集和预测数据集中的样本总数。

5.根据权利要求2所述的移动计算资源自主分配装置，其特征在于，所述模型训练单元，适于为所述归一化处理后得到的训练数据集和预测数据集中的样本分别设置对应的松弛向量；基于归一化处理后得到的训练数据集和预测数据集中的样本与所述最佳超平面之间的距离最大化和误差最小化，构建关于所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数；采用拉格朗日乘子法求取所述目标函数的对偶函数，并将归一化处理后得到的训练数据集和预测数据集中的样本分别代入所述对偶函数，求取所述对偶函数的最大值，作为所述目标函数的最小值；将所求取的最小值对应的斜率参数值，作为所述最佳超平面的斜率的最佳配置数值；将所述最佳超平面的斜率的最佳配置参数和将归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的平面常数的最佳配置数值。

6.根据权利要求5所述的移动计算资源自主分配装置，其特征在于，所述模型训练单元所构建的所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数为：

其中，C表示预设的非负常数，ζ_i表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的松弛向量。

7.根据权利要求6所述的移动计算资源自主分配装置，其特征在于，所述目标函数的对偶函数为：

且：

λ_i≥0，λ_j≥0；

其中，L(λ，w，b)表示所述目标函数的对偶函数，λ表示拉格朗日乘子，λ_i表示表示所述归一化处理后得到的训练数据集和预测数据集中的第i个样本的拉格朗日乘子，λ_i表示表示表示所述归一化处理后得到的训练数据集和预测数据集中的第j个样本的拉格朗日乘子。

8.根据权利要求7所述的移动计算资源自主分配装置，其特征在于，所述决策单元，适于采用如下的公式对所得到的分类结果进行判决：

其中，f(x)表示对为未知属类的向量x的判决结果，sgn(.)表示返回函数，且：当的数值在支持向量机的上方时f(x)的取值为1；当的数值在支持向量机的下方时f(x)的取值为-1。