CN110764833A - 一种基于边缘计算的任务卸载方法、装置及系统 - Google Patents

Abstract

本发明提供的基于边缘计算的任务卸载方法、装置及系统，包括：获取用户终端发送的多个卸载请求；对多个所述卸载请求进行分析处理，获得优化卸载请求；将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。

Description

一种基于边缘计算的任务卸载方法、装置及系统

技术领域

本发明属于数据处理领域，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任务卸载方法、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。

现有边缘云系统未充分考虑到系统计算卸载延迟长、计算卸载利 润与计算能耗比低、计算卸载传输带宽成本高等方面问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提出了一 种基于边缘计算的任务卸载方法、装置及系统。

作为本发明的一方面，本发明提供了一种基于边缘计算的任务卸载 方法，包括：

获取用户终端发送的多个卸载请求；

对多个所述卸载请求进行分析处理，获得优化卸载请求；

将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。

进一步地，所述获取用户终端发送的卸载请求的步骤，具体包括：

通过定期被询问机制获取所述用户终端的卸载请求；和/或

获取每隔预设时间主动上报的所述用户终端的卸载请求。

进一步地，所述对多个所述卸载请求进行分析处理，获得优化卸载 请求的步骤，具体包括：

S1，设置迭代初始参数和最大迭代次数；

S2，将多个所述卸载请求输入至深度分析模型中，得到初步分析 结果；

S3，判断所述初步分析结果是否满足评价条件，若满足，则进行 步骤S5，将所述初步分析结果作为所述优化卸载请求输出，若不满足， 则进行步骤S4；

S4，将所述迭代次数加1，将多个所述卸载请求输入至深度分析模 型中，得到初步分析结果，并判断当前迭代次数是否超过最大迭代次 数，若没有超过，则返回步骤S3，若超过，则进行步骤S5；

S5，输出所述优化卸载请求。

进一步地，所述步骤S3中，评价条件包括联合评价函数，具体如 下：

其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足 k＝1,2,L,d的条件；

为当前第k次计算卸载延迟；

为当前第k次计算卸载传输带宽成本；

为当前第k次计算卸载利润与计算能耗比W。

进一步地，所述步骤S2中，深度分析模型包括玻尓函数，具体如 下：

其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足 k＝1,2,L,d的条件；

为当前第k次计算卸载延迟；

为当前第k次计算卸载传输带宽成本；

为当前第k次计算卸载利润与计算能耗比W；

为第k+1次计算卸载延迟；

为第k+1次计算卸载传输带宽成本；

为第k+1次计算卸载利润与计算能耗比；

为第k+1次梯度下降前馈神经网络加强因子；

为第k+1次梯度下降前馈神经网络加强因子；

L^minG为历史最小计算卸载延迟；

C^minG为历史最小计算卸载传输带宽成本；

W^maxG为历史最大计算卸载利润与计算能耗比。

作为本发明的另一方面，本发明还提供了一种基于边缘计算的任务 卸载装置，其包括：

获取模块，用于获取用户终端发送的多个卸载请求；

分析模块，用于对多个所述卸载请求进行分析处理，获得优化卸载 请求；

发送模块，用于将多个所述优化卸载请求发送至卸载边缘服务器， 以进行卸载。

进一步地，所述获取模块具体用于：

通过定期被询问机制获取所述用户终端的卸载请求；和/或

获取每隔预设时间主动上报的所述用户终端的卸载请求。

进一步地，所述分析模块包括：

参数设置单元，用于设置迭代初始参数和最大迭代次数；

深度分析单元，用于将多个所述卸载请求输入至深度分析模型中， 得到初步分析结果；

判断单元，用于判断所述初步分析结果是否满足评价条件；

输出单元，用于输出所述优化卸载请求。

作为本发明的有一方面，本发明提供了一种基于边缘计算的任务卸 载系统，包括卸载请求提交反馈层、运营商传输层、边缘网关接入层、 边缘数据中心层以及卸载中心分析层；其中，

所述提交反馈层，用于提交卸载请求，以及接收优化卸载请求的反 馈；

所述运营商传输层，用于实现运营商边缘网络的接入及传输，并将 所述卸载请求传送给所述边缘网关接入层；

所述边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运 营商网络的接入；

所述边缘数据中心层，由若干计算卸载边缘服务器组成，实现所述 卸载请求；

所述卸载中心分析层，由若干计算任务卸载编排器组成，实现对所 述卸载请求的分析处理。

本发明具有以下有益效果：

本发明提供的基于边缘计算的任务卸载方法、装置及系统，包括： 获取用户终端发送的多个卸载请求；对多个所述卸载请求进行分析处 理，获得优化卸载请求；将多个所述优化卸载请求发送至卸载边缘服 务器，以进行卸载。本发明通过对多个卸载请求进行分析处理，实现 系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输 带宽成本低的优势。

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计算任务卸载场景图；

图2为本发明实施例中计算卸载需求分析功能架构图；

图3为本发明实施例提供的基于边缘计算的任务卸载方法的处理 流程图；

图4为本发明实施例的对卸载请求分析处理的逻辑结构图；

图5为本发明实施例中对多个卸载请求进行分析处理的流程图；

图6为本发明实施例的深度分析的原理示意图；

图7为本发明实施例的策略原理示意图；

图8为本发明实施例的多层卷积神经元网络的示意图；

图9为本发明实施例的深度分析模型的原理示意图；

图10为本发明实施例提供的基于边缘计算的任务卸载装置的结构 示意图；

图11为本发明实施例采用的分析模块的结构示意图。

其中，

1-获取模块；2-分析模块；201-参数设置单元；202-深度分析单元； 203-判断单元；204-输出单元；3-发送模块。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合 附图来对本发明提供的基于边缘计算的任务卸载方法、装置及系统进 行详细描述。

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。

本发明提供一种基于边缘计算的任务卸载方法、装置及系统，用 于处理用户终端发送的多个卸载请求。该方法对各计算卸载需求信息 进行判断和分析，各计算卸载需求具有不同优先等级。结合多层卷积 神经网络、玻尔兹曼机、梯度下降前馈神经网络等方法实现本发明系 统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带 宽成本低的优势。

图1为本发明实施例的基于边缘计算的计算任务卸载场景图。

如图1所示，基于边缘计算的计算任务卸载场景主要分五个层面：

1)卸载请求提交反馈层，包含：联通分子公司、第三方公司、个 人用户等，实现公司及个人用户计算任务卸载需求提交及反馈；

2)运营商传输层，包含：5G通信基站，实现运营商网络的接入 及数据传输；

3)边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运 营商网络的接入；

4)边缘数据中心层，由若干计算卸载边缘服务器组成，实现对来 自公司及个人用户计算卸载需求实现；

5)卸载中心分析层，由若干计算任务卸载编排器组成，实现对公 司及个人用户计算卸载需求信息的分析处理。

在图1所示的场景中，包括以下处理流程：

1.分子公司及个人用户计算卸载需求提交、反馈层的联通分子公 司、第三方公司、个人用户等通过5G通信基站接入到通运营商网络传 输层，并传送公司及个人用户计算任务卸载需求；

2.运营商网络传输层的5G通信基站接入计算任务卸载中心分析 层的计算任务卸载编排器，并传送实现对公司及个人用户计算卸载需 求信息的分析处理；

3.计算任务卸载编排器接入到计算卸载边缘网关接入层的计算 卸载边缘网关，并传送的公司及个人用户计算卸载需求信息的分析处 理方案；

4.计算卸载边缘网关接入到计算卸载边缘数据中心层的计算卸 载边缘服务器，并将分解子任务分配到相应的计算卸载边缘服务器；

5&6.通过5G通信基站，计算卸载边缘服务器将公司及个人用户 计算卸载需求分析处理结果反馈给联通分子公司、第三方公司、个人 用户。

图2为本发明实施例中计算卸载需求分析功能架构图。如图2所 示，计算任务卸载编排器主要通过分析计算卸载需求，并将分析处理 后的分析结果转发。该功能架构图中有m个计算卸载需求，各计算卸 载需求独立互不干扰。

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3为本发明实施例提供的基于边缘计算的任务卸载方法的处理 流程图。如图3所示，其包括：

步骤S101、获取用户终端发送的多个卸载请求；

步骤S102、对多个卸载请求进行分析处理，获得优化卸载请求；

步骤S103、将多个优化卸载请求发送至卸载边缘服务器，以进行 卸载。

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 式获取用户终端发送的多个卸载请求，即，可以通过定期被询问机制 获取用户终端的卸载请求，也可以获取每隔预设时间主动上报的用户 终端的卸载请求。

图4为本发明实施例的对卸载请求分析处理的逻辑结构图。具体实 现时，在步骤S102中，逻辑结构包含三个部分：计算卸载请求分析结 果接收；以多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络 等方法分析计算卸载需求；以及分析结果输出，计算任务卸载编排器 向各公司和个人用户下发分析结果。其中，各计算卸载请求信息主要 包含：计算卸载利润与计算能耗比W、计算卸载延迟L、计算卸载传 输带宽成本C。通过多层卷积神经网络、玻尔兹曼机、梯度下降前馈 神经网络等方法分析计算卸载需求并给出分析结果，这是本发明实现 优化卸载请求的主要思想。

图5为本发明实施例中对多个卸载请求进行分析处理的流程图。如 图5所示，其具体包括：

S501，设置迭代初始参数和最大迭代次数；

S502，将多个卸载请求输入至深度分析模型中，得到初步分析结 果；

S503，判断初步分析结果是否满足评价条件，若满足，则进行步 骤S505，将初步分析结果作为优化卸载请求输出，若不满足，则进行 步骤S504；

S504，将迭代次数加1，将多个卸载请求输入至深度分析模型中， 得到初步分析结果；

S505，并判断当前迭代次数是否超过最大迭代次数，若没有超过， 则返回步骤S503，若超过，则进行步骤S506；

S506，输出优化卸载请求。

图6为本发明实施例的深度分析的原理示意图。每次迭代中的多层 卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等策略思想为:在 1,2，L h多维空间中，多个深度分析方案根据多层卷积神经网络、玻尔 兹曼机、梯度下降前馈神经网络等策略方式向最优化计算任务卸载方 案确定的方向迁移，也即上图中实线圆球所在位置。

图7为本发明实施例的提供的策略原理示意图，计算卸载需求在输 入后经过请求输入、梯度下降前馈神经网络、玻尔兹曼机、多层卷积 神经网络分析后输出相应分析结果。

图8为本发明实施例的多层卷积神经元网络的示意图。多层卷积神 经元网络包含：计算卸载利润与计算能耗比W、计算卸载延迟L、计 算卸载传输带宽成本C(计算卸载利润与计算能耗比＝计算任务产生的 利润/计算任务消耗的计算能耗)。其中，输出量包含：计算任务卸载 方案的预需求信号。

本发明实施例结合多层卷积神经网络、玻尔兹曼机、梯度下降前馈 神经网络等策略思想，多维空间、多层循环、卷积神经网络、玻尔兹 曼、梯度前馈、概率论、运筹学、深度学习、机器学习等理论优势的 深度分析得到初步分析结果。

当多个卸载请求到达模型后，各卸载请求被分析成相应的深度分析 结果。若到来的卸载请求被延迟则被赋予当前较高分析调度优先权。

本发明实施例中，在步骤S3中，评价条件包括联合评价函数，具 体如下：

其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足 k＝1,2,L,d的条件；

为当前第k次计算卸载延迟；

为当前第k次计算卸载传输带宽成本；

为当前第k次计算卸载利润与计算能耗比W。

图9为本发明实施例的深度分析模型的原理示意图。在图9中，m、 n、p分别代表深度分析模型中的三个空间维数。在该实施方式中，深 度分析模型包括玻尓函数，具体如下：

其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足 k＝1,2,L,d的条件；

为当前第k次计算卸载延迟；

为当前第k次计算卸载传输带宽成本；

为当前第k次计算卸载利润与计算能耗比W；

为第k+1次计算卸载延迟；

为第k+1次计算卸载传输带宽成本；

为第k+1次计算卸载利润与计算能耗比；

为第k+1次梯度下降前馈神经网络加强因子；

为第k+1次梯度下降前馈神经网络加强因子；

L^minG为历史最小计算卸载延迟；

C^minG为历史最小计算卸载传输带宽成本；

W^maxG为历史最大计算卸载利润与计算能耗比。

当评价函数不被满足时，即触动基于边缘计算的计算任务卸载优 化算法，以多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络 等策略进行优化，实现系统计算卸载延迟短、计算卸载利润与计算能 耗比高、计算卸载传输带宽成本低的优势。

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10对本发明示例性实施方式的基于边缘计算的任务卸 载装置进行介绍。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10为本发明实施例提供的基于边缘计算的任务卸载装置的结构 示意图。

如图10所示，本发明实施例提供的基于边缘计算的任务卸载装置 包括：

获取模块1，用于获取用户终端发送的多个卸载请求；

分析模块2，用于对多个卸载请求进行分析处理，获得优化卸载请 求；

发送模块3，用于将多个优化卸载请求发送至卸载边缘服务器，以 进行卸载。

在一具体实施例中，获取模块1具体用于：

通过定期被询问机制获取所述用户终端的卸载请求；和/或

获取每隔预设时间主动上报的所述用户终端的卸载请求。

在一具体实施例中，如图11所示，分析模块2包括：

参数设置单元201，用于设置迭代初始参数和最大迭代次数；

深度分析单元202，用于将多个所述卸载请求输入至深度分析模型 中，得到初步分析结果；

判断单元203，用于判断所述初步分析结果是否满足评价条件；

输出单元204，用于输出所述优化卸载请求。

在本实施例中，深度分析单元202中存储有深度分析模型，判断 单元203中存储有评价条件。具体地，深度分析模型包括玻尓函数， 如公式(1-2)-(1-4)；评价条件包括联合评价函数，如公式(1-1)。

本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延 迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优 势。

本发明还提供了一种基于边缘计算的任务卸载系统，其包括卸载 请求提交反馈层、运营商传输层、边缘网关接入层、边缘数据中心层 以及卸载中心分析层。其中：

提交反馈层，用于提交卸载请求，以及接收优化卸载请求的反馈；

运营商传输层，用于实现运营商边缘网络的接入及传输，并将卸 载请求传送给边缘网关接入层；

边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运营 商网络的接入；

边缘数据中心层，由若干计算卸载边缘服务器组成，实现卸载请 求；

卸载中心分析层，由若干计算任务卸载编排器组成，实现对卸载 请求的分析处理。

本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延 迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优 势。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采 用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普 通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出 各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (9)

1.一种基于边缘计算的任务卸载方法，其特征在于，包括：

获取用户终端发送的多个卸载请求；

对多个所述卸载请求进行分析处理，获得优化卸载请求；

将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。

2.根据权利要求1所述的基于边缘计算的任务卸载方法，其特征在于，所述获取用户终端发送的卸载请求的步骤，具体包括：

通过定期被询问机制获取所述用户终端的卸载请求；和/或

获取每隔预设时间主动上报的所述用户终端的卸载请求。

3.根据权利要求1所述的基于边缘计算的任务卸载方法，其特征在于，所述对多个所述卸载请求进行分析处理，获得优化卸载请求的步骤，具体包括：

S1，设置迭代初始参数和最大迭代次数；

S2，将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；

S3，判断所述初步分析结果是否满足评价条件，若满足，则进行步骤S5，将所述初步分析结果作为所述优化卸载请求输出，若不满足，则进行步骤S4；

S4，将所述迭代次数加1，将多个所述卸载请求输入至深度分析模型中，得到初步分析结果，并判断当前迭代次数是否超过最大迭代次数，若没有超过，则返回步骤S3，若超过，则进行步骤S5；

S5，输出所述优化卸载请求。

4.根据权利要求3所述的基于边缘计算的任务卸载方法，其特征在于，所述步骤S3中，评价条件包括联合评价函数，具体如下：

其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,L,d的条件；

为当前第k次计算卸载延迟；

为当前第k次计算卸载传输带宽成本；

为当前第k次计算卸载利润与计算能耗比W。

5.根据权利要求3所述的基于边缘计算的任务卸载方法，其特征在于，所述步骤S2中，深度分析模型包括玻尓函数，具体如下：

其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,L,d的条件；

为当前第k次计算卸载延迟；

为当前第k次计算卸载传输带宽成本；

为当前第k次计算卸载利润与计算能耗比W；

为第k+1次计算卸载延迟；

为第k+1次计算卸载传输带宽成本；

为第k+1次计算卸载利润与计算能耗比；

为第k+1次梯度下降前馈神经网络加强因子；

为第k+1次梯度下降前馈神经网络加强因子；

L^minG为历史最小计算卸载延迟；

C^minG为历史最小计算卸载传输带宽成本；

W^maxG为历史最大计算卸载利润与计算能耗比。

6.一种基于边缘计算的任务卸载装置，其特征在于，包括：

获取模块，用于获取用户终端发送的多个卸载请求；

分析模块，用于对多个所述卸载请求进行分析处理，获得优化卸载请求；

发送模块，用于将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。

7.根据权利要求6所述的基于边缘计算的任务卸载装置，其特征在于，所述获取模块具体用于：

通过定期被询问机制获取所述用户终端的卸载请求；和/或

获取每隔预设时间主动上报的所述用户终端的卸载请求。

8.根据权利要求6所述的基于边缘计算的任务卸载装置，其特征在于，所述分析模块包括：

参数设置单元，用于设置迭代初始参数和最大迭代次数；

深度分析单元，用于将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；

判断单元，用于判断所述初步分析结果是否满足评价条件；

输出单元，用于输出所述优化卸载请求。

9.一种基于边缘计算的任务卸载系统，其特征在于，包括卸载请求提交反馈层、运营商传输层、边缘网关接入层、边缘数据中心层以及卸载中心分析层；其中，

所述提交反馈层，用于提交卸载请求，以及接收优化卸载请求的反馈；

所述运营商传输层，用于实现运营商边缘网络的接入及传输，并将所述卸载请求传送给所述边缘网关接入层；

所述边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运营商网络的接入；

所述边缘数据中心层，由若干计算卸载边缘服务器组成，实现所述卸载请求；

所述卸载中心分析层，由若干计算任务卸载编排器组成，实现对所述卸载请求的分析处理。

Images