CN111986821B - 一种面向远程诊疗的非合作博弈资源调度方法 - Google Patents

一种面向远程诊疗的非合作博弈资源调度方法 Download PDF

Info

Publication number
CN111986821B
CN111986821B CN202010876641.9A CN202010876641A CN111986821B CN 111986821 B CN111986821 B CN 111986821B CN 202010876641 A CN202010876641 A CN 202010876641A CN 111986821 B CN111986821 B CN 111986821B
Authority
CN
China
Prior art keywords
end user
user equipment
processing
user device
edge 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.)
Active
Application number
CN202010876641.9A
Other languages
English (en)
Other versions
CN111986821A (zh
Inventor
康志英
彭如习
王斌
黄丁朋
李晶
刘艳
吴建
王琳
朱军龙
张明川
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.)
GUANGZHOU XIANGXUE PHARMACEUTICAL CO Ltd
Original Assignee
GUANGZHOU XIANGXUE PHARMACEUTICAL 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 GUANGZHOU XIANGXUE PHARMACEUTICAL CO Ltd filed Critical GUANGZHOU XIANGXUE PHARMACEUTICAL CO Ltd
Priority to CN202010876641.9A priority Critical patent/CN111986821B/zh
Publication of CN111986821A publication Critical patent/CN111986821A/zh
Application granted granted Critical
Publication of CN111986821B publication Critical patent/CN111986821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Power Sources (AREA)

Abstract

一种面向远程诊疗的非合作博弈资源调度方法，涉及边缘计算技术领域，将远程诊疗终端设备自身的多核处理器中的多个处理内核与附近多个可连接的边缘云节点规划成具有不同计算能力和不同通信能力的计算节点，多个远程诊疗终端用户设备根据当前各个计算节点的不同状态进行博弈，选出最佳的计算节点，得到最佳的计算资源调度方案。本发明有益效果：达到多个远程诊疗终端设备即远程诊疗网络的纳什均衡平衡状态，实现远程诊疗终端用户设备自身的医疗数据处理效能与节能最佳的目的。

Description

一种面向远程诊疗的非合作博弈资源调度方法
技术领域
本发明属于边缘计算技术领域，具体涉及一种面向远程诊疗的非合作博弈资源调度方法。
背景技术
近几年来，终端用户设备的快速升级换代，为当下远程诊疗的发展提供了实现的基础。与传统线下问诊相比，远程诊疗则规定了一种完全不同的工作流模式：用户端创建的大量诊疗数据需要得到快速的响应处理。
在远程诊疗中，主要分为三种方式进行诊疗：在线会诊、远程诊疗、自主诊疗。在线会诊指分布在不同地点的多家医院或多位医疗专家通过远程会诊系统同时为同一位患者进行治疗方案的研究或者治疗手术的实时指导。以在线会诊为代表的问诊方式对诊疗数据处理的实时性要求非常高，要求提交到服务器的诊疗数据可以得到快速的响应。远程诊疗指患者通过一些医疗应用(医疗app)向某家医院或某位专家进行远程问诊。随着中医的被认可与快速发展，患者在提交问诊资料时不再仅仅限于问诊表单(血压值、血糖值等)，更多的是一些人体外表特征(面相，舌相等)，这些以二维图片为代表的诊疗数据对处理器处理能力要求比较高。自主问诊是指患者通过医疗应用访问医疗知识库，知识库根据患者提交的一些症状信息反馈相应的诊疗方案。自主医疗与前两种医疗方式相比，对时延的要求没有在线会诊高，对处理器的处理能力要求也没有远程诊疗的高，是一类中性的医疗处理任务。
尽管以在线会诊、远程诊疗为代表的医疗处理任务对终端设备的处理时延、处理能力等处理效果要求很高，但是这些终端设备的体积越来越小，限制了终端设备的电量和计算能力，即复杂的应用程序在资源受限的终端设备上处理，这就在本质上提出了一种新的挑战。任务卸载是通过使用终端设备附近的微型云服务器，借助任务卸载机制来增强终端设备的计算能力。边缘计算是指终端设备所产生的数据在靠近终端设备的边缘端进行处理，通过这种机制终端设备可以快速访问本地计算资源，核心网络的负载也可以得到减轻，云计算资源也是这种边缘计算资源的自然组成部分，任务卸载与边缘计算的有机结合有助于当终端用户设备计算资源不足时提供计算服务。
随着科技日新月异的发展，终端设备在快速更新换代中，终端设备处理器采用了正在快速崛起的“大小核(Big.Little)”晶片设计架构，与传统单核处理器相比，这些多核处理器不仅仅是核数增多，更重要的是采用了“大小核(Big.Little)”架构，即多核处理器中装备了多个处理能力不同的处理内核，期望让大小核分别处理最适合的待处理任务，以达到最佳效能与节能的目的。
在远程诊疗中，终端设备所产生的诊疗数据，具有不连续性、计算密集、时延要求高的特点，连接终端设备的网络也处于瞬息万变的动态状态，在这种网络环境中，终端设备所产生的诊疗数据，如何在终端设备本身的多个内核与多个微型边缘云之间选出最佳的计算节点，以达到数据处理效能与节能最佳的目的是需要我们解决的。
发明内容
本发明所要解决的技术问题是提供一种面向远程诊疗的非合作博弈资源调度方法，解决在远程诊疗过程中，终端设备所产生的诊疗数据如何在终端设备本身的多个内核与多个微型边缘云节点之间选出最佳的计算节点，以达到数据处理效能与节能最佳的目的的问题。
本发明为解决上述技术问题所采用的技术方案是：一种面向远程诊疗的非合作博弈资源调度方法，包括以下步骤：
步骤一、在远程诊疗网络中，当远程诊疗终端用户设备n产生待处理数据后，计算待处理数据的比特大小bn，待处理数据所需总的CPU时钟周期数sn。
步骤二、终端用户设备n与附近的微型边缘云节点进行通信，获得附近每个微型边缘云节点i的数据处理频率fi o，数据传输率
Figure BDA0002652798270000021
等待队列中的等待任务数
Figure BDA0002652798270000022
通过对终端用户设备自身资源的管理，得到终端用户设备当前每个内核j的处理频率
Figure BDA0002652798270000023
以及等待队列中的等待任务数
Figure BDA0002652798270000024
步骤三、分别建立终端用户设备n选择在本地和附近的微型边缘云节点处理待处理数据时的能量消耗模型，根据能量消耗模型分别估计出终端用户设备n在本地处理时所消耗的总能量
Figure BDA0002652798270000025
和在附近的边缘云节点上进行处理时所需消耗的总能量
Figure BDA0002652798270000026
(1)用A＝K∪E表示终端用户设备n的策略集，集合K＝{1,...,k}表示终端用户设备n本身可用的处理内核，集合E＝{1,...,e}表示终端用户设备n附近可用的微型边缘云节点，用a-n＝(a1,...,an-1,an+1,...,aN)表示除终端用户设备n外的其他终端用户设备的策略集，N表示终端用户设备的总个数，an表示第n个终端用户设备的策略选择。
(2)将终端用户设备n能耗最小的问题规划为：
Figure BDA0002652798270000027
其中
Figure BDA0002652798270000028
定义势函数
Figure BDA0002652798270000029
将终端用户设备n能耗最小问题就转化为终端设备收益最大化问题
Figure BDA0002652798270000031
势函数Rn(an,a-n)反映出终端用户设备由于改变策略an而引起的能效变化情况。
(3)通过面向多核终端设备的资源调度方法使远程诊疗网络中多个诊疗终端用户设备达到纳什均衡的平衡状态，具体的方法为：
A.初始化当前时间间隙t＝0，用混合策略pn(t)＝(pn1(t),...,pn|A|(t))表示在第t个时间间隙内终端用户设备n的混合策略是pn(t)，并初始化pnv(t)＝1/|A|,v∈A，根据混合策略得出当前时间间隙内的策略是an(t)，其中an(t)＝max(pn(t))。
B.每个终端用户设备根据当前的策略an(t)并借助势函数Rn(an,a-n)来估量当前的收益值。
C.终端用户设备根据当前混合策略pn(t)和策略an(t)更新函数pnv(t+1)，更新下一个时间间隙内的混合策略，其中
Figure BDA0002652798270000032
其中b是学习步长0＜b＜1，r'n(t)是终端用户设备当前策略an(t)在混合策略中占有的比重，其中
Figure BDA0002652798270000033
D.终端用户设备的策略更新完毕后，判断an(t)是否大于0.99，如果小于0.99，则返回步骤B重新开始t＝t+1，如果大于0.99，则当前的an(t)则是最佳的数据处理策略。
步骤五、终端用户设备n得到最佳数据处理决策an(t)后，如果an(t)∈K，则终端用户设备n将待处理数据调度到本地内核上进行处理；如果an(t)∈E，则终端用户设备n将待处理数据卸载到附近微型边缘云进行处理。
本发明所述步骤三中建立终端用户设备选择在本地处理待处理数据时的能量消耗模型的方法为：
(1)用集合K＝{1,...,k}表示终端用户设备n本身可用的处理内核，在终端用户设备本地第j个内核上进行处理所消耗的时间为：
Figure BDA0002652798270000034
其中sn是处理完成终端用户设备所产生数据所需总的CPU时钟周期，
Figure BDA0002652798270000035
是终端用户设备本地第j个内核的数据处理频率。
(2)在终端用户设备本地第j个内核上进行处理所消耗的能量
Figure BDA0002652798270000036
为：
Figure BDA0002652798270000037
其中κ为能量消耗系数。
(3)在终端用户设备n本地第j个内核上进行处理所消耗的等待时间
Figure BDA0002652798270000041
为：
Figure BDA0002652798270000042
其中
Figure BDA0002652798270000043
是终端用户设备n第j个内核上的等待队列中的任务数，
Figure BDA0002652798270000044
是终端用户设备n第j个内核每处理一个任务所需的期望时间。
(4)在终端用户设备n本地第j个内核上进行处理所消耗的总能量
Figure BDA0002652798270000045
为：
Figure BDA0002652798270000046
其中0＜λ1＜1，λ1+λ2＝1，表示处理终端用户设备n产生的待处理数据所消耗的时间与能量分别相对应的权重。
本发明所述步骤三中建立终端用户设备选择在附近的微型边缘云节点处理待处理数据时的能量消耗模型的方法为：用集合E＝{1,...,e}表示终端用户设备n附近可用的微型边缘云节点；
(1)在终端用户设备n附近第i个边缘云节点上进行处理时，终端用户设备n与边缘云节点i之间的数据传输率
Figure BDA0002652798270000047
为：
Figure BDA0002652798270000048
采用均值为0，方差为σ2的循环对称的复杂高斯来模拟边缘云节点与终端用户设备之间的噪声，Wni和Hni分别是边缘云节点与终端用户设备之间的通信带宽和信号增益，pn是终端用户设备的传输功率，Γ是一个常数，表示编码间隔，其中Γ＞1。
(2)终端用户设备n将待处理数据传输到附近第i个边缘云节点上进行处理所消耗的传输时间
Figure BDA0002652798270000049
为：
Figure BDA00026527982700000410
其中bn是终端设备所产生待处理数据的比特数。
(3)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的运行时间
Figure BDA00026527982700000411
为：
Figure BDA00026527982700000412
其中fi o是终端设备n附近第i个边缘云节点的数据处理频率。
(4)终端用户设备n将待处理数据传输到附近第i个边缘云节点上进行处理所消耗的能量为：
Figure BDA00026527982700000413
(5)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的等待时间
Figure BDA00026527982700000414
为：
Figure BDA0002652798270000051
其中
Figure BDA0002652798270000052
是第i个边缘云节点上的等待队列中的任务数，
Figure BDA0002652798270000053
是边缘云节点i每处理一个任务所需的期望时间。
(6)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的总能量
Figure BDA0002652798270000054
为：
Figure BDA0002652798270000055
本发明的有益效果是：本发明将远程诊疗终端设备自身的多核处理器中的多个处理内核与附近多个可连接的边缘云节点规划成具有不同计算能力和不同通信能力的计算节点，多个远程诊疗终端用户设备根据当前各个计算节点的不同状态进行博弈，最终达到多个远程诊疗终端设备即远程诊疗网络的纳什均衡平衡状态，实现诊疗终端用户设备自身的医疗数据处理效能与节能最佳的目的，并以此得出最佳的计算资源调度方案。
附图说明
图1为本发明面向远程诊疗的非合作博弈资源调度方法的整体流程示意图；
图2为本发明资源调度方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式(实施例)进行描述，使本领域的技术人员能够更好地理解本发明。
在远程诊疗网络中，诊疗终端用户设备所产生的诊疗待处理数据可以通过任务卸载技术将其卸载到附近的微型边缘云上进行处理，以解决由于其体积的限制，导致其电能与计算能力受到约束的问题。近年来，终端设备的快速更新换代，装备了以“大小核(Big.Little)”为晶片设计架构的多核处理器。面对新的体系架构，本发明采用非合作博弈的方法将终端用户设备本地的多个内核和终端用户设备附近的多个微型边缘云看成相互竞争处理任务的独立个体，使多个诊疗终端用户设备在远程诊疗环境中达到纳什均衡的平衡状态，以实现最佳的效能与节能的目的，其具体实施过程如下：
步骤一、在远程诊疗网络中，当远程诊疗终端用户设备n产生待处理数据后，计算待处理数据的比特大小bn，待处理数据所需总的CPU时钟周期数sn；
步骤二、终端用户设备n与附近的微型边缘云节点进行通信，获得附近每个微型边缘云节点i的数据处理频率fi o，数据传输率
Figure BDA0002652798270000056
等待队列中的等待任务数
Figure BDA0002652798270000057
通过对终端用户设备自身资源的管理，得到终端用户设备当前每个内核j的处理频率
Figure BDA0002652798270000058
以及等待队列中的等待任务数
Figure BDA0002652798270000059
步骤三、分别建立终端用户设备n选择在本地和附近的微型边缘云节点处理待处理数据时的能量消耗模型，根据能量消耗模型分别估计出终端用户设备n在本地处理时所消耗的总能量
Figure BDA0002652798270000061
和在附近的边缘云节点上进行处理时所需消耗的总能量
Figure BDA0002652798270000062
步骤四、终端用户设备n通过最佳决策方法得出终端用户设备n在当前时间间隙t内处理待处理数据的最佳数据处理决策an(t)。
步骤五、终端用户设备n得到最佳数据处理决策an(t)后，如果an(t)∈K，则终端用户设备n将待处理数据调度到本地内核上进行处理；如果an(t)∈E，则终端用户设备n将待处理数据卸载到附近微型边缘云进行处理。
进一步，当终端设备选择在本地处理这些数据时，由于终端设备的处理器采用“大小核(Big.Little)”晶片架构，因此将面临多个可用的计算内核如何选择的问题，用集合K＝{1,...,k}表示终端用户设备n本身可用的处理内核，所述步骤三中建立终端用户设备选择在本地处理待处理数据时的能量消耗模型的方法为：
(1)在终端用户设备本地第j个内核上进行处理所消耗的时间为：
Figure BDA0002652798270000063
其中sn是处理完成终端用户设备所产生数据所需总的CPU时钟周期，
Figure BDA0002652798270000064
是终端用户设备本地第j个内核的数据处理频率；
(2)在终端用户设备本地第j个内核上进行处理所消耗的能量
Figure BDA0002652798270000065
为：
Figure BDA0002652798270000066
其中κ为能量消耗系数；
(3)在终端用户设备n本地第j个内核上进行处理所消耗的等待时间
Figure BDA0002652798270000067
为：
Figure BDA0002652798270000068
其中
Figure BDA0002652798270000069
是终端用户设备n第j个内核上的等待队列中的任务数，
Figure BDA00026527982700000610
是终端用户设备n第j个内核每处理一个任务所需的期望时间；
(4)在终端用户设备n本地第j个内核上进行处理所消耗的总能量
Figure BDA00026527982700000611
为：
Figure BDA00026527982700000612
其中0＜λ1＜1，λ1+λ2＝1，表示处理终端用户设备n产生的待处理数据所消耗的时间与能量分别相对应的权重。
进一步，当终端用户设备选择在附近的微型边缘云节点处理这些数据时，由于终端用户设备附近拥有多个可供选着的微型边缘云处理节点，因此仍将面临节点选择的问题，用集合E＝{1,...,e}表示终端用户设备n附近可用的微型边缘云节点，所述步骤三中建立终端用户设备选择在附近的微型边缘云节点处理待处理数据时的能量消耗模型的方法为：
(1)在终端用户设备n附近第i个边缘云节点上进行处理时，终端用户设备n与边缘云节点i之间的数据传输率
Figure BDA0002652798270000071
为：
Figure BDA0002652798270000072
采用均值为0，方差为σ2的循环对称的复杂高斯来模拟边缘云节点与终端用户设备之间的噪声，Wni和Hni分别是边缘云节点与终端用户设备之间的通信带宽和信号增益，pn是终端用户设备的传输功率，Γ是一个常数，表示编码间隔，其中Γ＞1；
(2)终端用户设备n将待处理数据传输到附近第i个边缘云节点上进行处理所消耗的传输时间
Figure BDA0002652798270000073
为：
Figure BDA0002652798270000074
其中bn是终端设备所产生待处理数据的比特数；
(3)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的运行时间
Figure BDA0002652798270000075
为：
Figure BDA0002652798270000076
其中fi o是终端设备n附近第i个边缘云节点的数据处理频率。
(4)终端用户设备n将待处理数据传输到附近第i个边缘云节点上进行处理所消耗的能量为：
Figure BDA0002652798270000077
(5)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的等待时间
Figure BDA0002652798270000078
为：
Figure BDA0002652798270000079
其中
Figure BDA00026527982700000710
是第i个边缘云节点上的等待队列中的任务数，
Figure BDA00026527982700000711
是边缘云节点i每处理一个任务所需的期望时间；
(6)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的总能量
Figure BDA00026527982700000712
为：
Figure BDA00026527982700000713
进一步，所述步骤四中的最佳决策方法为：借助非合作博弈的方法，将多个计算节点看成互相竞争计算任务的独立个体，并借助机器学习算法，实现数据处理方案的最佳决策，具体为：
(1)用A＝K∪E表示终端用户设备n的策略集，集合K＝{1,...,k}表示终端用户设备n本身可用的处理内核，集合E＝{1,...,e}表示终端用户设备n附近可用的微型边缘云节点，用a-n＝(a1,...,an-1,an+1,...,aN)表示除终端用户设备n外的其他终端用户设备的策略集，N表示终端用户设备的总个数，an表示第n个终端用户设备的策略选择；
(2)将终端用户设备n能耗最小的问题规划为：
Figure BDA0002652798270000081
其中
Figure BDA0002652798270000082
定义势函数
Figure BDA0002652798270000083
将终端用户设备n能耗最小问题就转化为终端设备收益最大化问题
Figure BDA0002652798270000084
势函数Rn(an,a-n)反映出终端用户设备由于改变策略an而引起的能效变化情况；
(3)通过面向多核终端设备的资源调度方法使远程诊疗网络中多个诊疗终端用户设备达到纳什均衡的平衡状态。
进一步，在远程诊疗中，终端诊疗用户设备的快速更新换代，装备了以“大小核(Big.Little)”为晶片设计架构的多核处理器。面对新的体系结构，如何利用新的架构体系，以达到最佳效能与节能的目的。本发明结合了机器学习的方法，提出了面向多核终端设备的资源调度方法，该方法可以使远程诊疗网络中多个诊疗终端用户设备达到纳什均衡的平衡状态，以实现最佳效能与节能的目的，步骤(3)中所述的面向多核终端设备的资源调度方法具体为：
A.初始化当前时间间隙t＝0，用混合策略pn(t)＝(pn1(t),...,pn|A|(t))表示在第t个时间间隙内终端用户设备n的混合策略是pn(t)，并初始化pnv(t)＝1/|A|,v∈A，根据混合策略得出当前时间间隙内的策略是an(t)，其中an(t)＝max(pn(t))；
B.每个终端用户设备根据当前的策略an(t)并借助势函数Rn(an,a-n)来估量当前的收益值；
C.终端用户设备根据当前混合策略pn(t)和策略an(t)更新函数pnv(t+1)，更新下一个时间间隙内的混合策略，其中
Figure BDA0002652798270000085
其中b是学习步长0＜b＜1，r'n(t)是终端用户设备当前策略an(t)在混合策略中占有的比重，其中
Figure BDA0002652798270000086
D.终端用户设备的策略更新完毕后，判断an(t)是否大于0.99，如果小于0.99，则返回步骤B重新开始t＝t+1，如果大于0.99，则当前的an(t)则是最佳的数据处理策略。
远程诊疗中的多个终端用户设备均执行该方法，可以使具有多个终端用户设备的远程诊疗计算环境达到纳什均衡的数据处理状态，以实现最佳的效能与节能的目的。

Claims (3)

1.一种面向远程诊疗的非合作博弈资源调度方法，其特征在于：包括以下步骤：
步骤一、在远程诊疗网络中，当远程诊疗终端用户设备n产生待处理数据后，计算待处理数据的比特大小bn，待处理数据所需总的CPU时钟周期数sn；
步骤二、终端用户设备n与附近的微型边缘云节点进行通信，获得附近每个微型边缘云节点i的数据处理频率fi o，数据传输率
Figure FDA0002652798260000011
等待队列中的等待任务数
Figure FDA0002652798260000012
通过对终端用户设备自身资源的管理，得到终端用户设备当前每个内核j的处理频率
Figure FDA0002652798260000013
以及等待队列中的等待任务数
Figure FDA0002652798260000014
步骤三、分别建立终端用户设备n选择在本地和附近的微型边缘云节点处理待处理数据时的能量消耗模型，根据能量消耗模型分别估计出终端用户设备n在本地处理时所消耗的总能量
Figure FDA0002652798260000015
和在附近的边缘云节点上进行处理时所需消耗的总能量
Figure FDA0002652798260000016
步骤四、终端用户设备n通过最佳决策方法得出终端用户设备n处理待处理数据的最佳数据处理决策an(t)，所述的最佳决策方法为：
(1)用A＝K∪E表示终端用户设备n的策略集，集合K＝{1,...,k}表示终端用户设备n本身可用的处理内核，集合E＝{1,...,e}表示终端用户设备n附近可用的微型边缘云节点，用a-n＝(a1,...,an-1,an+1,...,aN)表示除终端用户设备n外的其他终端用户设备的策略集，N表示终端用户设备的总个数，an表示第n个终端用户设备的策略选择；
(2)将终端用户设备n能耗最小的问题规划为：
Figure FDA0002652798260000017
其中
Figure FDA0002652798260000018
定义势函数
Figure FDA0002652798260000019
将终端用户设备n能耗最小问题就转化为终端设备收益最大化问题
Figure FDA00026527982600000110
势函数Rn(an,a-n)反映出终端用户设备由于改变策略an而引起的能效变化情况；
(3)通过面向多核终端设备的资源调度方法使远程诊疗网络中多个诊疗终端用户设备达到纳什均衡的平衡状态，具体的方法为：
A.初始化当前时间间隙t＝0，用混合策略pn(t)＝(pn1(t),...,pn|A|(t))表示在第t个时间间隙内终端用户设备n的混合策略是pn(t)，并初始化pnv(t)＝1/|A|,v∈A，根据混合策略得出当前时间间隙内的策略是an(t)，其中an(t)＝max(pn(t))；
B.每个终端用户设备根据当前的策略an(t)并借助势函数Rn(an,a-n)来估量当前的收益值；
C.终端用户设备根据当前混合策略pn(t)和策略an(t)更新函数pnv(t+1)，更新下一个时间间隙内的混合策略，其中
Figure FDA0002652798260000021
其中b是学习步长0＜b＜1，r'n(t)是终端用户设备当前策略an(t)在混合策略中占有的比重，其中
Figure FDA0002652798260000022
D.终端用户设备的策略更新完毕后，判断an(t)是否大于0.99，如果小于0.99，则返回步骤B重新开始t＝t+1，如果大于0.99，则当前的an(t)则是最佳的数据处理策略；
步骤五、终端用户设备n得到最佳数据处理决策an(t)后，如果an(t)∈K，则终端用户设备n将待处理数据调度到本地内核上进行处理；如果an(t)∈E，则终端用户设备n将待处理数据卸载到附近微型边缘云进行处理。
2.根据权利要求1所述的一种面向远程诊疗的非合作博弈资源调度方法，其特征在于：所述步骤三中建立终端用户设备选择在本地处理待处理数据时的能量消耗模型的方法为：
(1)用集合K＝{1,...,k}表示终端用户设备n本身可用的处理内核，在终端用户设备本地第j个内核上进行处理所消耗的时间为：
Figure FDA0002652798260000023
其中sn是处理完成终端用户设备所产生数据所需总的CPU时钟周期，
Figure FDA0002652798260000024
是终端用户设备本地第j个内核的数据处理频率；
(2)在终端用户设备本地第j个内核上进行处理所消耗的能量
Figure FDA0002652798260000025
为：
Figure FDA0002652798260000026
其中κ为能量消耗系数；
(3)在终端用户设备n本地第j个内核上进行处理所消耗的等待时间
Figure FDA0002652798260000027
为：
Figure FDA0002652798260000028
其中
Figure FDA0002652798260000029
是终端用户设备n第j个内核上的等待队列中的任务数，
Figure FDA00026527982600000210
是终端用户设备n第j个内核每处理一个任务所需的期望时间；
(4)在终端用户设备n本地第j个内核上进行处理所消耗的总能量
Figure FDA00026527982600000211
为：
Figure FDA00026527982600000212
其中0＜λ1＜1，λ1+λ2＝1，表示处理终端用户设备n产生的待处理数据所消耗的时间与能量分别相对应的权重。
3.根据权利要求1所述的一种面向远程诊疗的非合作博弈资源调度方法，其特征在于：所述步骤三中建立终端用户设备选择在附近的微型边缘云节点处理待处理数据时的能量消耗模型的方法为：用集合E＝{1,...,e}表示终端用户设备n附近可用的微型边缘云节点；
(1)在终端用户设备n附近第i个边缘云节点上进行处理时，终端用户设备n与边缘云节点i之间的数据传输率
Figure FDA0002652798260000031
为：
Figure FDA0002652798260000032
采用均值为0，方差为σ2的循环对称的复杂高斯来模拟边缘云节点与终端用户设备之间的噪声，Wni和Hni分别是边缘云节点与终端用户设备之间的通信带宽和信号增益，pn是终端用户设备的传输功率，Γ是一个常数，表示编码间隔，其中Γ＞1；
(2)终端用户设备n将待处理数据传输到附近第i个边缘云节点上进行处理所消耗的传输时间
Figure FDA0002652798260000033
为：
Figure FDA0002652798260000034
其中bn是终端设备所产生待处理数据的比特数；
(3)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的运行时间
Figure FDA0002652798260000035
为：
Figure FDA0002652798260000036
其中fi o是终端设备n附近第i个边缘云节点的数据处理频率；
(4)终端用户设备n将待处理数据传输到附近第i个边缘云节点上进行处理所消耗的能量为：
Figure FDA0002652798260000037
(5)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的等待时间
Figure FDA0002652798260000038
为：
Figure FDA0002652798260000039
其中
Figure FDA00026527982600000310
是第i个边缘云节点上的等待队列中的任务数，E(Ti o)是边缘云节点i每处理一个任务所需的期望时间；
(6)在终端用户设备n附近第i个边缘云节点上进行处理所消耗的总能量
Figure FDA00026527982600000311
为：
Figure FDA00026527982600000312
CN202010876641.9A 2020-08-27 2020-08-27 一种面向远程诊疗的非合作博弈资源调度方法 Active CN111986821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010876641.9A CN111986821B (zh) 2020-08-27 2020-08-27 一种面向远程诊疗的非合作博弈资源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010876641.9A CN111986821B (zh) 2020-08-27 2020-08-27 一种面向远程诊疗的非合作博弈资源调度方法

Publications (2)

Publication Number Publication Date
CN111986821A CN111986821A (zh) 2020-11-24
CN111986821B true CN111986821B (zh) 2022-04-22

Family

ID=73439883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010876641.9A Active CN111986821B (zh) 2020-08-27 2020-08-27 一种面向远程诊疗的非合作博弈资源调度方法

Country Status (1)

Country Link
CN (1) CN111986821B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015120400A1 (en) * 2014-02-10 2015-08-13 Picofemto LLC Multi-factor brain analysis via medical imaging decision support systems and methods
CN106304243A (zh) * 2015-05-26 2017-01-04 桂林市华智信息科技有限公司 一种基于势博弈的无线传感器网络拓扑控制方法
CN111145896A (zh) * 2020-03-04 2020-05-12 大连理工大学 一种分布式的5g医疗物联网健康监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7860725B2 (en) * 1998-05-26 2010-12-28 Ineedmd.Com, Inc. Method for remote medical consultation and care
US20060203722A1 (en) * 2005-03-14 2006-09-14 Nokia Corporation System and method for managing performance of mobile terminals via remote diagnostics
US9007908B2 (en) * 2008-10-03 2015-04-14 Telecommunications Research Laboratories System and method for remote and mobile patient monitoring service using heterogeneous wireless access networks
US10691775B2 (en) * 2013-01-17 2020-06-23 Edico Genome, Corp. Bioinformatics systems, apparatuses, and methods executed on an integrated circuit processing platform
US9881136B2 (en) * 2013-10-17 2018-01-30 WellDoc, Inc. Methods and systems for managing patient treatment compliance

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015120400A1 (en) * 2014-02-10 2015-08-13 Picofemto LLC Multi-factor brain analysis via medical imaging decision support systems and methods
CN106304243A (zh) * 2015-05-26 2017-01-04 桂林市华智信息科技有限公司 一种基于势博弈的无线传感器网络拓扑控制方法
CN111145896A (zh) * 2020-03-04 2020-05-12 大连理工大学 一种分布式的5g医疗物联网健康监测方法

Also Published As

Publication number Publication date
CN111986821A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
Khan et al. Machine learning (ML)-centric resource management in cloud computing: A review and future directions
Wang et al. Enabling real-time information service on telehealth system over cloud-based big data platform
Li et al. Deep reinforcement learning: Framework, applications, and embedded implementations
Tong et al. DDMTS: A novel dynamic load balancing scheduling scheme under SLA constraints in cloud computing
CN110070181A (zh) 一种用于边缘计算设备的深度学习的优化方法
CN107209548A (zh) 在多核处理器中执行功率管理
Manikandan et al. BWFSO: hybrid Black-widow and Fish swarm optimization Algorithm for resource allocation and task scheduling in cloud computing
DE112020002425T5 (de) Bewegungsvorhersage unter verwendung eines oder mehrerer neuronaler netzwerke
WO2023207487A1 (zh) 一种电路走线确定方法及相关设备
Taramasco et al. The patient bed assignment problem solved by autonomous bat algorithm
CN116579418A (zh) 联邦边缘学习环境下模型分割优化的隐私数据保护方法
Yao et al. Ferrari: A personalized federated learning framework for heterogeneous edge clients
CN111986821B (zh) 一种面向远程诊疗的非合作博弈资源调度方法
Talha et al. A chaos opposition‐based dwarf mongoose approach for workflow scheduling in cloud
CN112527409A (zh) 一种面向移动医疗健康管理的边缘云计算卸载方法
Han et al. Inss: An intelligent scheduling orchestrator for multi-gpu inference with spatio-temporal sharing
CN104956345B (zh) 基于响应定时优化在多处理器系统中执行频率协调
Xu et al. Low-latency Patient Monitoring Service for Cloud Computing Based Healthcare System by Applying Reinforcement Learning
Siddiqui et al. A decision tree approach for enhancing real-time response in exigent healthcare unit using edge computing
CN115439026B (zh) 基于嵌套联邦学习的多智能体自组织需求响应方法及系统
CN118036776A (zh) 一种模型训练方法及相关装置
WO2021232907A1 (zh) 一种神经网络模型的训练装置、方法及相关设备
Singh et al. BPFISH: Blockchain and Privacy-Preserving FL Inspired Smart Healthcare
US20240112050A1 (en) Identifying idle-cores in data centers using machine-learning (ml)

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