CN111782301B - 卸载动作集合获取方法及装置 - Google Patents

卸载动作集合获取方法及装置 Download PDF

Info

Publication number
CN111782301B
CN111782301B CN202010654636.3A CN202010654636A CN111782301B CN 111782301 B CN111782301 B CN 111782301B CN 202010654636 A CN202010654636 A CN 202010654636A CN 111782301 B CN111782301 B CN 111782301B
Authority
CN
China
Prior art keywords
unloading
action
new
application program
target application
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
CN202010654636.3A
Other languages
English (en)
Other versions
CN111782301A (zh
Inventor
姚海鹏
宫永康
童炉
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.)
Tibet Gaochi Science And Technology Information Industry Group Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Tibet Gaochi Science And Technology Information Industry Group Co ltd
Beijing University of Posts and Telecommunications
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 Tibet Gaochi Science And Technology Information Industry Group Co ltd, Beijing University of Posts and Telecommunications filed Critical Tibet Gaochi Science And Technology Information Industry Group Co ltd
Priority to CN202010654636.3A priority Critical patent/CN111782301B/zh
Publication of CN111782301A publication Critical patent/CN111782301A/zh
Application granted granted Critical
Publication of CN111782301B publication Critical patent/CN111782301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Abstract

本发明提供卸载动作集合获取方法及装置，涉及集合获取领域。方法包括：获取目标应用程序任务；对目标应用程序任务进行训练，生成初始卸载动作集合；基于初始卸载动作集合确定多个新卸载动作集合；对多个新卸载动作集合的集合数量进行更新得到更新之后的多个新卸载动作集合；从对目标应用程序任务进行训练的步骤开始反复执行上述过程直至将满足迭代停止条件时的更新后的多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；对更新后的多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。本发明实施例的卸载动作集合获取方法及装置通过迭代得到最低成本函数值对应的卸载动作集合，达到降低总能耗的技术效果。

Description

卸载动作集合获取方法及装置
技术领域
本发明涉及集合获取技术领域，尤其是涉及一种卸载动作集合获取方法及装置。
背景技术
目前，现有技术中的算法，诸如全卸载算法和全本地算法直接对所有的任务进行全卸载和本地处理，诸如联合卸载和资源优化算法计算复杂度太高，使得无法进行实时的计算卸载和资源分配，这些都将导致系统总能耗过高，造成资源大量的占用和浪费。
发明内容
有鉴于此，本发明的目的在于提供一种卸载动作集合获取方法及装置，以改善总能耗过高的技术问题。
第一方面，本发明实施例提供了一种卸载动作集合获取方法，所述方法包括以下步骤：
获取目标应用程序任务，其中，所述目标应用程序任务的数量至少为一个；
通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，其中，所述初始卸载动作集合中的卸载动作表示对应用程序任务进行卸载的方式；
基于所述初始卸载动作集合确定多个新卸载动作集合，其中，所述初始卸载动作集合中的一种卸载动作对应一个新卸载动作集合；
对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合；
从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：
利用所述最低成本函数值对应的卸载动作集合对目标神经网络进行训练，用于优化所述目标神经网络的网络参数；
其中所述网络参数包括：学习率、神经元个数、训练间隔、存储空间。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，包括：
将目标应用程序任务依次输入经过所述目标神经网络的输入层、隐含层和输出层进行训练，生成所述目标应用程序任务的一个或多个卸载动作，其中，一个应用程序任务对应于一个卸载动作，每个所述卸载动作取值为0到1之间的实数；
对所述一个或多个卸载动作进行组合，得到所述初始卸载动作集合。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，在通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合之后，所述方法还包括：
根据第一取值公式将初始卸载动作集合中的一个或多个卸载动作依次与预先确定的基准参数进行比较，得到经取值的初始卸载动作集合；
所述第一取值公式的表达式为：
Figure BDA0002575660260000031
其中，As1为第s次循环中的初始卸载动作集合，s＝1、2……S；
Figure BDA0002575660260000032
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，在将初始卸载动作集合中的一个或多个卸载动作依次与预先确定的基准参数进行比较，得到经取值的初始卸载动作集合之后，所述方法还包括：
根据排序公式对经取值的初始卸载动作集合进行排序，得到经取值的初始卸载动作的排序集合；
所述排序公式为：
Figure BDA0002575660260000033
其中，
Figure BDA0002575660260000034
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数；N为物联网装置的数量；Z为每个物联网装置中应用程序任务的数量。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，基于所述初始卸载动作集合确定多个新卸载动作集合，包括：
根据第二取值公式将经取值的初始卸载动作集合中的所有卸载动作依次与经取值的初始卸载动作的排序集合中的每个卸载动作进行比较，得到多个新卸载动作集合；
所述第二取值公式的表达式为：
Figure BDA0002575660260000041
其中，Asm为第s次循环中的第m个新卸载动作集合；
Figure BDA0002575660260000042
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合，包括：
根据最小数量确定公式选择前一次循环中的多个新卸载动作集合的子集作为下一次迭代的新卸载动作集合的数量，并从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
所述最小数量确定公式的表达式为：
Figure BDA0002575660260000043
其中，Ms为新卸载动作集合的数量；N为物联网装置的数量；Z为每个物联网装置中应用程序任务的数量；
Figure BDA0002575660260000051
为第s-δ+1次循环的最优索引值。
第二方面，本发明实施例还提供一种卸载动作集合获取装置，所述装置包括：
获取模块，用于获取目标应用程序任务，其中，所述目标应用程序任务的数量至少为一个；
训练模块，用于通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，其中，所述初始卸载动作集合中的卸载动作表示对应用程序任务进行卸载的方式；
确定模块，用于基于所述初始卸载动作集合确定多个新卸载动作集合，其中，所述初始卸载动作集合中的一种卸载动作对应一个新卸载动作集合；
更新模块，用于对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合；
迭代模块，用于从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
计算模块，用于对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。
第三方面，本发明实施例还提供一种服务器，所述服务器包括：处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现上文所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使处理器实现上文所述的方法。
本发明实施例带来了以下有益效果：本发明实施例提供的一种卸载动作集合获取方法及装置，获取目标应用程序任务，通过目标神经网络对目标应用程序任务进行训练，生成目标应用程序任务的初始卸载动作集合，基于初始卸载动作集合确定多个新卸载动作集合，基于初始卸载动作集合确定多个新卸载动作集合，从对目标应用程序任务进行训练的步骤开始反复执行上述过程直至将满足迭代停止条件时的更新后的多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；对更新后的多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。本发明实施例的卸载动作集合获取方法及装置通过迭代得到最低成本函数值对应的卸载动作集合，达到降低总能耗的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构中实现和获得。
为使本发明的上述目的、特征和优点能够更加明显易懂，下文特举优选实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明的具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，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为本发明实施例提供的一种卸载动作集合获取方法的流程图；
图2为本发明实施例提供的另一种卸载动作集合获取方法的流程图；
图3本发明实施例提供的一种卸载动作集合获取装置的结构框图；
图4为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例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。
目前，现有技术中的算法，诸如全卸载算法和全本地算法直接对所有的任务进行全卸载和本地处理，诸如联合卸载和资源优化算法计算复杂度太高，使得无法进行实时的计算卸载和资源分配，这些都将导致系统总能耗过高，造成资源大量的占用和浪费。基于此，本发明实施例提供了一种卸载动作集合获取方法及装置，以缓解上述问题。
为了便于对本实施例进行理解，首先对本发明实施例所公开的一种卸载动作集合获取方法进行详细介绍。
在一种可能的实施方式中，本发明提供了一种卸载动作集合获取方法。如图1所示为本发明实施例提供的一种卸载动作集合获取方法的流程图，该方法包括以下步骤：
步骤S102：获取目标应用程序任务。
其中，所述目标应用程序任务的数量至少为一个。
步骤S104：通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合。
其中，所述初始卸载动作集合中的卸载动作表示对应用程序任务进行卸载的方式。
步骤S106：基于所述初始卸载动作集合确定多个新卸载动作集合。
其中，所述初始卸载动作集合中的一种卸载动作对应一个新卸载动作集合。
步骤S108：对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合。
步骤S110：从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合。
步骤S112：对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。
本发明实施例带来了以下有益效果：本发明实施例通过一种卸载动作集合获取方法，获取目标应用程序任务，通过目标神经网络对目标应用程序任务进行训练，生成目标应用程序任务的初始卸载动作集合，基于初始卸载动作集合确定多个新卸载动作集合，基于初始卸载动作集合确定多个新卸载动作集合，从对目标应用程序任务进行训练的步骤开始反复执行上述过程直至将满足迭代停止条件时的更新后的多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；对更新后的多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。本发明实施例的卸载动作集合获取方法及装置通过迭代得到最低成本函数值对应的卸载动作集合，达到降低总能耗的技术效果。
在实际使用时，还需对目标神经网络进行训练，用于优化其网络参数。
具体地，所述方法还包括：
利用所述最低成本函数值对应的卸载动作集合对目标神经网络进行训练，用于优化所述目标神经网络的网络参数；
其中所述网络参数包括：学习率、神经元个数、训练间隔、存储空间。
对目标神经网络进行训练，以更新卸载动作，加快目标神经网络所在服务器的收敛速度。
在实际使用时，为了对图1中的方法的过程进行更加详细的描述，本发明实施例在图2中示出了本发明实施例提供的另一种卸载动作集合获取方法的流程图，该方法包括以下步骤：
步骤S202：获取目标应用程序任务。
其中，所述目标应用程序任务的数量至少为一个。
步骤S204：将目标应用程序任务依次输入经过所述目标神经网络的输入层、隐含层和输出层进行训练，生成所述目标应用程序任务的一个或多个卸载动作。
其中，一个应用程序任务对应于一个卸载动作，每个所述卸载动作取值为0到1之间的实数。
步骤S206：对所述一个或多个卸载动作进行组合，得到所述初始卸载动作集合。
步骤S208：根据第一取值公式将初始卸载动作集合中的一个或多个卸载动作依次与预先确定的基准参数进行比较，得到经取值的初始卸载动作集合。
需要进一步说明的是，所述第一取值公式的表达式为：
Figure BDA0002575660260000091
其中，As1为第s次循环中的初始卸载动作集合，s＝1、2……S；
Figure BDA0002575660260000101
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数。
步骤S210：根据排序公式对经取值的初始卸载动作集合进行排序，得到经取值的初始卸载动作的排序集合。
需要进一步说明的是，所述排序公式为：
Figure BDA0002575660260000102
其中，
Figure BDA0002575660260000103
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数；N为物联网装置的数量；Z为每个物联网装置中应用程序任务的数量。
步骤S212：根据第二取值公式将经取值的初始卸载动作集合中的所有卸载动作依次与经取值的初始卸载动作的排序集合中的每个卸载动作进行比较，得到多个新卸载动作集合。
需要进一步说明的是，所述第二取值公式的表达式为：
Figure BDA0002575660260000104
其中，Asm为第s次循环中的第m个新卸载动作集合；
Figure BDA0002575660260000105
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数。
步骤S214：对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合。
步骤S216：根据最小数量确定公式选择前一次循环中的多个新卸载动作集合的子集作为下一次迭代的新卸载动作集合的数量，并从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合。
需要进一步说明的是，所述最小数量确定公式的表达式为：
Figure BDA0002575660260000111
其中，Ms为新卸载动作集合的数量；N为物联网装置的数量；Z为每个物联网装置中应用程序任务的数量；
Figure BDA0002575660260000112
为第s-δ+1次循环的最优索引值。
步骤S218：对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。
综上所述，本发明的卸载动作集合获取方法及装置，获取目标应用程序任务，通过目标神经网络对目标应用程序任务进行训练，生成目标应用程序任务的初始卸载动作集合，基于初始卸载动作集合确定多个新卸载动作集合，基于初始卸载动作集合确定多个新卸载动作集合，从对目标应用程序任务进行训练的步骤开始反复执行上述过程直至将满足迭代停止条件时的更新后的多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；对更新后的多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。本发明实施例的卸载动作集合获取方法及装置通过迭代得到最低成本函数值对应的卸载动作集合，达到降低总能耗的技术效果。
在另一种可能的实施方式中，对应于上述实施方式提供的卸载动作集合获取方法，本发明实施例还提供了一种卸载动作集合获取装置，图3本发明实施例提供的一种卸载动作集合获取装置的结构框图。如图3所示，该装置包括：
获取模块301，用于获取目标应用程序任务，其中，所述目标应用程序任务的数量至少为一个；
训练模块302，用于通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，其中，所述初始卸载动作集合中的卸载动作表示对应用程序任务进行卸载的方式；
确定模块303，用于基于所述初始卸载动作集合确定多个新卸载动作集合，其中，所述初始卸载动作集合中的一种卸载动作对应一个新卸载动作集合；
更新模块304，用于对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合；
迭代模块305，用于从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
计算模块306，用于对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合。
在又一种可能的实施方式中，本发明实施例还提供了一种服务器，图4示出了本发明实施例提供的一种服务器的结构示意图，参见图4，该服务器包括：处理器400、存储器401、总线402和通信接口403，该处理器400、存储器401、通信接口403和通过总线402连接；处理器400用于执行存储器401中存储的可执行模块，例如计算机程序。
其中，存储器401存储有能够被处理器400执行的计算机可执行指令，处理器400执行计算机可执行指令以实现上文所述的方法。
进一步地，存储器401可能包含高速随机存取存储器(RAM，Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线402可以是ISA总线、PCI总线或EISA总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器401用于存储程序，处理器400在接收到程序执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的卸载动作集合获取方法可以应用于处理器400中，或者由处理器400实现。
此外，处理器400可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器400读取存储器401中的信息，结合其硬件完成上述方法的步骤。
在又一种可能的实施方式中，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上文所述的方法。
本发明实施例提供的卸载动作集合获取装置，与上述实施例提供的卸载动作集合获取方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例所提供的卸载动作集合获取方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，ReaD-Only Memory)、随机存取存储器(RAM，RanDom Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种卸载动作集合获取方法，其特征在于，所述方法包括以下步骤：
获取目标应用程序任务，其中，所述目标应用程序任务的数量至少为一个；
通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，其中，所述初始卸载动作集合中的卸载动作表示对应用程序任务进行卸载的方式；
基于所述初始卸载动作集合确定多个新卸载动作集合，其中，所述初始卸载动作集合中的一种卸载动作对应一个新卸载动作集合；
对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合；
从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合；
其中，通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，包括：
将目标应用程序任务依次输入经过所述目标神经网络的输入层、隐含层和输出层进行训练，生成所述目标应用程序任务的一个或多个卸载动作，其中，一个应用程序任务对应于一个卸载动作，每个所述卸载动作取值为0到1之间的实数；
对所述一个或多个卸载动作进行组合，得到所述初始卸载动作集合。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述最低成本函数值对应的卸载动作集合对目标神经网络进行训练，用于优化所述目标神经网络的网络参数；
其中所述网络参数包括：学习率、神经元个数、训练间隔、存储空间。
3.根据权利要求1所述的方法，其特征在于，在通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合之后，所述方法还包括：
根据第一取值公式将初始卸载动作集合中的一个或多个卸载动作依次与预先确定的基准参数进行比较，得到经取值的初始卸载动作集合；
所述第一取值公式的表达式为：
Figure FDA0002774589700000021
其中，As1为第s次循环中的初始卸载动作集合，s＝1、2……S；
Figure FDA0002774589700000022
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数。
4.根据权利要求3所述的方法，其特征在于，在将初始卸载动作集合中的一个或多个卸载动作依次与预先确定的基准参数进行比较，得到经取值的初始卸载动作集合之后，所述方法还包括：
根据排序公式对经取值的初始卸载动作集合进行排序，得到经取值的初始卸载动作的排序集合；
所述排序公式为：
Figure FDA0002774589700000023
其中，
Figure FDA0002774589700000024
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数；N为物联网装置的数量；Z为每个物联网装置中应用程序任务的数量。
5.根据权利要求4所述的方法，其特征在于，基于所述初始卸载动作集合确定多个新卸载动作集合，包括：
根据第二取值公式将经取值的初始卸载动作集合中的所有卸载动作依次与经取值的初始卸载动作的排序集合中的每个卸载动作进行比较，得到多个新卸载动作集合；
所述第二取值公式的表达式为：
Figure FDA0002774589700000031
其中，Asm为第s次循环中的第m个新卸载动作集合；
Figure FDA0002774589700000032
为对目标应用程序任务进行训练的第s次循环中，第i个物联网装置的第j个应用程序任务的卸载动作，K为所述预先确定的基准参数。
6.根据权利要求5所述的方法，其特征在于，从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合，包括：
根据最小数量确定公式选择前一次循环中的多个新卸载动作集合的子集作为下一次迭代的新卸载动作集合的数量，并从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
所述最小数量确定公式的表达式为：
Figure FDA0002774589700000033
其中，Ms为新卸载动作集合的数量；N为物联网装置的数量；Z为每个物联网装置中应用程序任务的数量；
Figure FDA0002774589700000034
为第s-δ+1次循环的最优索引值。
7.一种卸载动作获取装置，其特征在于，所述装置包括：
获取模块，用于获取目标应用程序任务，其中，所述目标应用程序任务的数量至少为一个；
训练模块，用于通过目标神经网络对所述目标应用程序任务进行训练，生成所述目标应用程序任务的初始卸载动作集合，其中，所述初始卸载动作集合中的卸载动作表示对应用程序任务进行卸载的方式；
确定模块，用于基于所述初始卸载动作集合确定多个新卸载动作集合，其中，所述初始卸载动作集合中的一种卸载动作对应一个新卸载动作集合；
更新模块，用于对所述多个新卸载动作集合的集合数量进行更新，得到更新之后的所述多个新卸载动作集合；
迭代模块，用于从所述通过目标神经网络对所述目标应用程序任务进行训练的步骤开始反复执行上述过程，直至满足迭代停止条件时，将满足所述迭代停止条件时的更新之后的所述多个新卸载动作集合确定为集合数量最少的多个新卸载动作集合；
计算模块，用于对所述更新之后的所述多个新卸载动作集合分别进行成本函数计算，获取最低成本函数值对应的卸载动作集合；
其中，所述训练模块用于：
将目标应用程序任务依次输入经过所述目标神经网络的输入层、隐含层和输出层进行训练，生成所述目标应用程序任务的一个或多个卸载动作，其中，一个应用程序任务对应于一个卸载动作，每个所述卸载动作取值为0到1之间的实数；
对所述一个或多个卸载动作进行组合，得到所述初始卸载动作集合。
8.一种服务器，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使处理器实现权利要求1至6任一项所述的方法。
CN202010654636.3A 2020-07-08 2020-07-08 卸载动作集合获取方法及装置 Active CN111782301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010654636.3A CN111782301B (zh) 2020-07-08 2020-07-08 卸载动作集合获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010654636.3A CN111782301B (zh) 2020-07-08 2020-07-08 卸载动作集合获取方法及装置

Publications (2)

Publication Number Publication Date
CN111782301A CN111782301A (zh) 2020-10-16
CN111782301B true CN111782301B (zh) 2020-12-22

Family

ID=72758554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010654636.3A Active CN111782301B (zh) 2020-07-08 2020-07-08 卸载动作集合获取方法及装置

Country Status (1)

Country Link
CN (1) CN111782301B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062357A (zh) * 2019-03-20 2019-07-26 重庆邮电大学 一种基于强化学习的d2d辅助设备缓存系统及缓存方法
CN110113190A (zh) * 2019-04-24 2019-08-09 西北工业大学 一种移动边缘计算场景中卸载时延优化方法
CN110347500A (zh) * 2019-06-18 2019-10-18 东南大学 用于边缘计算环境中面向深度学习应用的任务卸载方法
CN110798842A (zh) * 2019-01-31 2020-02-14 湖北工业大学 一种基于多用户深度强化学习的异构蜂窝网络流量卸载方法
CN111132074A (zh) * 2019-12-26 2020-05-08 华南理工大学 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11501130B2 (en) * 2016-09-09 2022-11-15 SK Hynix Inc. Neural network hardware accelerator architectures and operating method thereof
US20190184561A1 (en) * 2017-12-15 2019-06-20 The Regents Of The University Of California Machine Learning based Fixed-Time Optimal Path Generation
CN109257429A (zh) * 2018-09-25 2019-01-22 南京大学 一种基于深度强化学习的计算卸载调度方法
US11403517B2 (en) * 2018-09-27 2022-08-02 Intel Corporation Proximity-based distributed sensor processing
US20200175361A1 (en) * 2018-11-30 2020-06-04 Alibaba Group Holding Limited Partitioning of deep learning inference with dynamic offloading
CN110557769A (zh) * 2019-09-12 2019-12-10 南京邮电大学 基于深度强化学习的c-ran计算卸载和资源分配方法
CN110955463B (zh) * 2019-12-03 2022-07-29 缀初网络技术(上海)有限公司 支持边缘计算的物联网多用户计算卸载方法
CN111158912B (zh) * 2019-12-30 2023-04-21 天津大学 云雾协同计算环境下一种基于深度学习的任务卸载决策方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110798842A (zh) * 2019-01-31 2020-02-14 湖北工业大学 一种基于多用户深度强化学习的异构蜂窝网络流量卸载方法
CN110062357A (zh) * 2019-03-20 2019-07-26 重庆邮电大学 一种基于强化学习的d2d辅助设备缓存系统及缓存方法
CN110113190A (zh) * 2019-04-24 2019-08-09 西北工业大学 一种移动边缘计算场景中卸载时延优化方法
CN110347500A (zh) * 2019-06-18 2019-10-18 东南大学 用于边缘计算环境中面向深度学习应用的任务卸载方法
CN111132074A (zh) * 2019-12-26 2020-05-08 华南理工大学 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法

Also Published As

Publication number Publication date
CN111782301A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN110211119B (zh) 图像质量评估方法、装置、电子设备及可读存储介质
CN111008640A (zh) 图像识别模型训练及图像识别方法、装置、终端及介质
CN111091278A (zh) 机械设备异常检测的边缘检测模型构建方法及装置
CN110647995A (zh) 规则训练方法、装置、设备及存储介质
CN111080011A (zh) 负荷电量偏差预测方法及装置
CN111428854A (zh) 一种结构搜索方法及结构搜索装置
CN111414868A (zh) 时序动作片段的确定方法、动作检测方法及装置
CN112328909A (zh) 信息推荐方法、装置、计算机设备及介质
CN111783830A (zh) 基于oct的视网膜分类方法、装置、计算机设备及存储介质
CN111782301B (zh) 卸载动作集合获取方法及装置
CN113095511A (zh) 一种在自动化主站实现操作到位的判断方法及装置
CN117271101A (zh) 一种算子融合方法、装置、电子设备及存储介质
CN112835682A (zh) 一种数据处理方法、装置、计算机设备和可读存储介质
CN114565092A (zh) 一种神经网络结构确定方法及其装置
CN115374914B (zh) 分布式训练方法、并行深度学习框架及电子设备
CN112200653A (zh) 银行交易量预测方法、资源分配方法、计算设备及介质
CN116521344A (zh) 一种基于资源总线的ai算法调度方法及系统
CN114238658A (zh) 时序知识图谱的链接预测方法、装置及电子设备
CN110866605A (zh) 数据模型训练方法、装置、电子设备及可读介质
CN110390999B (zh) 一种临床数据的值域计算方法、装置、可读介质及电子设备
CN111611531A (zh) 人员关系分析方法、装置及电子设备
CN109583512B (zh) 图像处理方法、装置及系统
CN111782479A (zh) 日志处理方法、装置、电子设备及计算机可读存储介质
CN111143148A (zh) 一种模型参数确定方法、装置及存储介质
CN111191459B (zh) 一种文本处理方法、装置、可读介质及电子设备

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