CN109873856A - 一种基于规则进化的边云协同方法 - Google Patents
一种基于规则进化的边云协同方法 Download PDFInfo
- Publication number
- CN109873856A CN109873856A CN201811551486.2A CN201811551486A CN109873856A CN 109873856 A CN109873856 A CN 109873856A CN 201811551486 A CN201811551486 A CN 201811551486A CN 109873856 A CN109873856 A CN 109873856A
- Authority
- CN
- China
- Prior art keywords
- production
- rule
- knowledge
- update
- side cloud
- 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.)
- Pending
Links
Landscapes
- Machine Translation (AREA)
Abstract
本发明涉及信息技术领域，具体涉及一种基于规则进化的边云协同方法，包括以下步骤：S1：通过边云计算环境模块存储系统所积累的长期不变的情景知识，利用机器学习方法，提取环境特征和应用特征，作为描述性知识以元组形式组成知识块进行存储；S2：通过产生式系统以条件‑动作的形式对过程性知识进行存储，在计算的过程中，当协同系统试图完成某个任务，就将边云计算环境模块中的知识块与产生式系统中的所有产生式进行匹配，如果某个产生式前提条件被满足，该产生式规则将被触发，进入下一步；如果多个规则被处罚，需要制定一个竞争策略选择其一；S3：产生式规则的更新。本发明可实现系统连续场景认知和协同卸载操作，达到边云协同自行演化目的。
Description
技术领域
本发明涉及信息技术领域，具体而言，涉及一种基于规则进化的边云协同方法。
背景技术
边缘计算是指任何连接到网络的设备，如手机、网关、IoT设备，都可以被用来处理数据，在靠近数据源或服务对象的地方提供实时的智能服务，而不像传统云计算模式，将所有计算行为都迁移到云端进行。边缘计算是对云计算的补充和延伸。由于任务可以放到就近的边缘设备上进行处理而无需上传到云计算中心，不但减轻网络贷款的压力而且节省了云端的计算资源，由此，响应速度将得到极大的提高，同时也降低了传输过程中隐私数据泄露的风险。
边云协同由于继承了云计算和边缘计算两个不同领域的内容而面临着诸多技术挑战，这些挑战大体上归为在边端的挑战和在云端的挑战两大类，在边缘端，主要包括低带宽，不稳定的服务获取以及移动网络的异构性所带来的挑战，其中，不稳定的服务获取多是由移动访问时空域的变化而引起的，主要体现在未连接质量和访问延迟的变化，而这些变化正是实现边缘计算的一个主要挑战。在云平台端，挑战主要来自优化的计算卸载(负载由边缘设备向云端卸载)、安全而高效的数据存储与访问，以及上下文感知的服务。
边云协同使得计算机得以层级形式外延，而传统的规则预定义式服务模式缺乏对动态计算环境下边云协同的有效支持，这主要体现在两个方面：1)资源使用的固化性，边云软硬件缺少对应用的感知能力，使得资源分配和应用需求达不到最佳匹配。不仅降低了资源使用效率，而且影响应用的服务质量；2)应用服务的僵化性，云应用缺少对边云环境变化态势的主动自学习和自适应能力，不能充分调整自己实现服务质量的最大化，这些不足导致边云在计算中缺乏协同。已有的解决方案，如用于提高数据访问效率，以及用于提高QoS服务质量，降低访问延迟等方法,多专注于系统架构等具体层面，缺乏针对边云协同在理论与方法层面的深层思考，因而均有其局限性。
发明内容
为解决上述背景技术中存在的问题，本发明提出一种基于规则进化的边云协同方法，其可实现系统连续场景认知和协同卸载操作，达到边云协同自行演化目的。
本发明解决上述问题的技术方案是：一种基于规则进化的边云协同体系，其特殊之处在于，包括以下步骤：
S1：通过边云计算环境模块存储系统所积累的长期不变的情景知识，利用机器学习方法，提取环境特征和应用特征，作为描述性知识(Declarative Knowledge)以元组形式组成知识块(Knowledge Chunks)进行存储；
S2：通过产生式系统以条件-动作的形式对过程性知识(Procedural Knowledge)进行存储，在计算的过程中，当协同系统试图完成某个任务，就将边云计算环境模块中的知识块与产生式系统中的所有产生式进行匹配，如果某个产生式前提条件被满足，该产生式规则将被触发，进入下一步，完成相应的规则更新；如果多个规则被处罚，需要制定一个竞争策略选择其一；
S3：产生式规则的更新，包括：程序化更新和/或组合化更新和/或泛化更新和/或类比化更新。
进一步地，上述步骤S1中：
提取环境特征和应用特征是指从数据驱动模块识别出的协同场景提取环境特征和应用特征。
进一步地，上述步骤S3中，
所述程序化更新，具体指：中央产生式系统在多次执行某一确切的任务时，在产生式系统中可能出现新的产生式，从而跳过之前的费力产生方法。
进一步地，上述步骤S3中，
所述组合化更新，具体指：如果两个产生式规则按照顺序执行，则该规则可以组合制作，由于每一个产生式规则的执行都需要成本，组合后，在一个步骤里面执行两个规则，可以潜在的节省包括时间，空间在内的计算资源。
进一步地，上述步骤S3中，
所述泛化更新，具体指：当系统存储了类似的产生式规则时，会发生泛化，从中可以归纳地学习更多的一般规则。
进一步地，上述步骤S3中，
所述类比化更新，具体指：当出现一个新问题时，没有解决方案(以产生式规则的形式)，系统可以通过类比从先前看到的示例解决方案得到类似问题的产生式规则。
本发明的优点：
本发明一种基于规则进化的边云协同方法，基于认知计算框架，针对边云计算环境的变化，通过对记忆应用和情景知识的更新和(条件-动作)产生式规则的程序化、组合化、类比和综合化更新，不断触发各个模块相互配合，实现系统连续场景认知和协同卸载操作，达到边云协同的自行演化目的。
附图说明
图1是本发明实施例中的基于规则进化的边云协同方法流程图；
图2是本发明实施例中的组合化更新示意图；
图3是本发明实施例中的泛化更新示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
参见图1，一种基于规则进化的边云协同方法，包括以下步骤：
S1：通过边云计算环境模块存储系统所积累的长期不变的情景知识，利用机器学习方法，提取环境特征和应用特征，作为描述性知识(Declarative Knowledge)以元组形式组成知识块(Knowledge Chunks)进行存储；
S2：通过产生式系统以条件-动作的形式对过程性知识(Procedural Knowledge)进行存储，在计算的过程中，当协同系统试图完成某个任务，就将边云计算环境模块中的知识块与产生式系统中的所有产生式进行匹配，如果某个产生式前提条件被满足，该产生式规则将被触发，进入下一步，完成相应的规则更新；如果多个规则被处罚，需要制定一个竞争策略选择其一；
S3：产生式规则的更新，包括：程序化更新和/或组合化更新和/或泛化更新和/或类比化更新。
进一步地，本实施例中，上述步骤S1中的提取环境特征和应用特征具体指：指从数据驱动模块识别出的协同场景提取环境特征和应用特征。
进一步地，本实施例中，上述步骤S3中的所述程序化更新，具体指：中央产生式系统在多次执行某一确切的任务时，在产生式系统中可能出现新的产生式，从而跳过之前的费力产生方法。
进一步地，本实施例中，参见图2，上述步骤S3中，所述组合化更新，具体指：如果两个产生式规则按照顺序执行，则该规则可以组合制作，由于每一个产生式规则的执行都需要成本，组合后，在一个步骤里面执行两个规则，可以潜在的节省包括时间，空间在内的计算资源。
进一步地，本实施例中，参见图3，上述步骤S3中，所述泛化更新，具体指：当系统存储了类似的产生式规则时，会发生泛化，从中可以归纳地学习更多的一般规则。
进一步地，本实施例中，上述步骤S3中，所述类比化更新，具体指：当出现一个新问题时，没有解决方案(以产生式规则的形式)，系统可以通过类比从先前看到的示例解决方案得到类似问题的产生式规则。
以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的保护范围内。
Claims (6)
1.一种基于规则进化的边云协同方法，其特殊之处在于，包括以下步骤：
S1：通过边云计算环境模块存储系统所积累的长期不变的情景知识，利用机器学习方法，提取环境特征和应用特征，作为描述性知识以元组形式组成知识块进行存储；
S2：通过产生式系统以条件-动作的形式对过程性知识进行存储，在计算的过程中，当协同系统试图完成某个任务，就将边云计算环境模块中的知识块与产生式系统中的所有产生式进行匹配，如果某个产生式前提条件被满足，该产生式规则将被触发，进入下一步，完成相应的规则更新；如果多个规则被处罚，需要制定一个竞争策略选择其一；
S3：产生式规则的更新，包括：程序化更新和/或组合化更新和/或泛化更新和/或类比化更新。
2.根据权利要求1所述的一种基于规则进化的边云协同方法，其特殊之处在于：步骤S1中：
提取环境特征和应用特征是指从数据驱动模块识别出的协同场景提取环境特征和应用特征。
3.根据权利要求1所述的一种基于规则进化的边云协同方法，其特殊之处在于：步骤S3中，
所述程序化更新，具体指：中央产生式系统在多次执行某一确切的任务时，在产生式系统中可能出现新的产生式，从而跳过之前的费力产生方法。
4.根据权利要求1-3中任一所述的一种基于规则进化的边云协同方法，其特殊之处在于：步骤S3中，
所述组合化更新，具体指：如果两个产生式规则按照顺序执行，则该规则可以组合制作，由于每一个产生式规则的执行都需要成本，组合后，在一个步骤里面执行两个规则，可以潜在的节省包括时间，空间在内的计算资源。
5.根据权利要求4所述的一种基于规则进化的边云协同方法，其特殊之处在于：步骤S3中，
所述泛化更新，具体指：当系统存储了类似的产生式规则时，会发生泛化，从中可以归纳地学习更多的一般规则。
6.根据权利要求5所述的一种基于规则进化的边云协同方法，其特殊之处在于：步骤S3中，
所述类比化更新，具体指：当出现一个新问题时，没有解决方案，系统可以通过类比从先前看到的示例解决方案得到类似问题的产生式规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551486.2A CN109873856A (zh) | 2018-12-18 | 2018-12-18 | 一种基于规则进化的边云协同方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551486.2A CN109873856A (zh) | 2018-12-18 | 2018-12-18 | 一种基于规则进化的边云协同方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109873856A true CN109873856A (zh) | 2019-06-11 |
Family
ID=66917132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811551486.2A Pending CN109873856A (zh) | 2018-12-18 | 2018-12-18 | 一种基于规则进化的边云协同方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109873856A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112272231A (zh) * | 2020-10-23 | 2021-01-26 | 杭州卷积云科技有限公司 | 一种面向智能制造场景的边云协同服务编排方法 |
| CN117939503A (zh) * | 2024-03-21 | 2024-04-26 | 中国电子科技集团公司第二十八研究所 | 基于云边协同架构的低空空域信息汇集处理方法及系统 |
| CN117939503B (zh) * | 2024-03-21 | 2024-05-31 | 中国电子科技集团公司第二十八研究所 | 基于云边协同架构的低空空域信息汇集处理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103019650A (zh) * | 2012-12-21 | 2013-04-03 | 大唐软件技术股份有限公司 | 一种业务协同的处理方法及装置 |
| CN103577403A (zh) * | 2012-07-19 | 2014-02-12 | 镇江雅迅软件有限责任公司 | 基于云计算技术的推荐系统实现方法 |
| US20180253473A1 (en) * | 2017-03-01 | 2018-09-06 | Sap Se | Declarative rules for optimized access to data |
-
2018
- 2018-12-18 CN CN201811551486.2A patent/CN109873856A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577403A (zh) * | 2012-07-19 | 2014-02-12 | 镇江雅迅软件有限责任公司 | 基于云计算技术的推荐系统实现方法 |
| CN103019650A (zh) * | 2012-12-21 | 2013-04-03 | 大唐软件技术股份有限公司 | 一种业务协同的处理方法及装置 |
| US20180253473A1 (en) * | 2017-03-01 | 2018-09-06 | Sap Se | Declarative rules for optimized access to data |
Non-Patent Citations (1)
| Title |
|---|
| 爱萌: ""机器学习背后的统计思想"", 《数据科学与人工智能》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112272231A (zh) * | 2020-10-23 | 2021-01-26 | 杭州卷积云科技有限公司 | 一种面向智能制造场景的边云协同服务编排方法 |
| CN112272231B (zh) * | 2020-10-23 | 2022-05-13 | 杭州卷积云科技有限公司 | 一种面向智能制造场景的边云协同服务编排方法 |
| CN117939503A (zh) * | 2024-03-21 | 2024-04-26 | 中国电子科技集团公司第二十八研究所 | 基于云边协同架构的低空空域信息汇集处理方法及系统 |
| CN117939503B (zh) * | 2024-03-21 | 2024-05-31 | 中国电子科技集团公司第二十八研究所 | 基于云边协同架构的低空空域信息汇集处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | DNNOff: offloading DNN-based intelligent IoT applications in mobile edge computing | |
| Xu et al. | Multiagent federated reinforcement learning for secure incentive mechanism in intelligent cyber–physical systems | |
| CN111093203B (zh) | 一种基于环境感知的服务功能链低成本智能部署方法 | |
| CN108694077A (zh) | 基于改进二进制蝙蝠算法的分布式系统任务调度方法 | |
| CN111176820A (zh) | 一种基于深度神经网络的边缘计算任务的分配方法及装置 | |
| Goyal et al. | Adaptive and dynamic load balancing in grid using ant colony optimization | |
| CN110213097B (zh) | 一种基于资源动态分配的边缘服务供应优化方法 | |
| Zhu et al. | Drl-based deadline-driven advance reservation allocation in eons for cloud–edge computing | |
| Chakraborty et al. | Sustainable task offloading decision using genetic algorithm in sensor mobile edge computing | |
| Yu et al. | Collaborative computation offloading for multi-access edge computing | |
| Aliyu et al. | Efficient metaheuristic population-based and deterministic algorithm for resource provisioning using ant colony optimization and spanning tree | |
| Zeng et al. | Trust-based multi-agent imitation learning for green edge computing in smart cities | |
| CN105391490A (zh) | 一种基于认知的卫星通信网络选择算法 | |
| Zhang et al. | Effect: Energy-efficient fog computing framework for real-time video processing | |
| Ren et al. | ASA: Adaptive VNF scaling algorithm for 5G mobile networks | |
| CN115665869A (zh) | 基于边缘计算和有向无环图的多用户协作平台及其方法 | |
| CN109873856A (zh) | 一种基于规则进化的边云协同方法 | |
| Masoumzadeh et al. | A cooperative multi agent learning approach to manage physical host nodes for dynamic consolidation of virtual machines | |
| Zhu et al. | Double-agent reinforced vNFC deployment in EONs for cloud-edge computing | |
| Xuan et al. | Vnf service chain deployment algorithm in 5g communication based on reinforcement learning | |
| Malandrino et al. | Matching DNN compression and cooperative training with resources and data availability | |
| CN110034961A (zh) | 以ooda链为元体的渗率计算方法 | |
| CN104035819A (zh) | 科学工作流调度处理方法及装置 | |
| Shamszaman et al. | Enabling cognitive contributory societies using SIoT:: QoS aware real-time virtual object management | |
| CN110392377B (zh) | 一种5g超密集组网资源分配方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
| RJ01 | Rejection of invention patent application after publication |