CN112235836A - 一种工业边缘网络系统架构和资源调度方法 - Google Patents
一种工业边缘网络系统架构和资源调度方法 Download PDFInfo
- Publication number
- CN112235836A CN112235836A CN202011285571.6A CN202011285571A CN112235836A CN 112235836 A CN112235836 A CN 112235836A CN 202011285571 A CN202011285571 A CN 202011285571A CN 112235836 A CN112235836 A CN 112235836A
- Authority
- CN
- China
- Prior art keywords
- virtual
- aoi
- industrial
- queue
- edge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000013468 resource allocation Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 62
- 230000005540 biological transmission Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 206010042135 Stomatitis necrotising Diseases 0.000 abstract 1
- 201000008585 noma Diseases 0.000 abstract 1
- 230000006870 function Effects 0.000 description 45
- 238000005516 engineering process Methods 0.000 description 21
- 238000013467 fragmentation Methods 0.000 description 13
- 238000006062 fragmentation reaction Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000005577 local transmission Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
- H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种工业边缘网络系统架构，包括应用层、控制层和现场层三层组成，应用层被分成多种工业虚拟分片网络；控制层主要包括软件定义网络(SDN)控制器；现场层包括边缘层和现场子网。本发明还公开了一种工业边缘网络系统资源调度方法，该方法将虚拟子网划分为不同的NOMA集群，刻画AoI超限概率和队列溢出概率之间的关系，将AoI约束转换为队列溢出概率约束，建立系统功耗最小化的理论模型，对带宽资源、功率资源和计算资源进行联合分配；其次，将时间平均的随机优化问题转化并分解成单时隙求解的两个子问题，分别对两个子问题求解。该方法建立工业虚拟分片网络和虚拟子网，有利于更好地进行资源配置，实现工业过程关键参数的全时空监测和协同控制。
Description
技术领域
本发明涉及网络信息技术领域，尤其涉及一种工业边缘网络系统架构和资源调度方法。
背景技术
随着工业物联网的蓬勃发展，工业现场终端设备数量呈现爆炸式增长，时间敏感-计算密集型应用(Time sensitive computing intensive applications，TSCIA)和业务不断涌现，例如产品温度监测图像、产品缺陷检测视频等。这类任务不仅需要丰富的计算资源，还会产生高额能耗，然而通常本地设备计算能力和电池寿命受限，难以支持这类任务的处理。受软件定义网络(SDN)和网络功能虚拟化的驱动，云计算被提出。它允许本地设备将数据上传至计算资源丰富的云端进行处理。但工业现场数据海量、频谱资源受限，本地上传云端会造成频谱拥堵、资源浪费，且通常云服务器距离工业现场较远，难以满足时间敏感业务的要求。因此，为了解决这一问题，边缘计算技术应运而生，它可以在网络边缘为本地设备提供计算、存储等资源，不仅可以满足时间敏感型应用的需求，还能在一定程度上降低计算密集型任务带来的网络负载和本地设备的能耗。作为工业物联网的重要技术支撑，边缘计算是ICT(Information and Communications Technology)和OT(OperationalTechnology)融合的支持与使能技术，2020年将有超过50％的数据需要在网络边缘侧分析、处理与储存。边缘计算与工业控制系统有密切的关系，具备工业互联网接口的工业控制系统本质上就是一种边缘计算设备，解决工业控制高实时性要求与互联网服务质量的不确定性的矛盾。但相对于云计算来说，边缘计算的资源往往是有限的，因此如何合理分配现有限资源并满足系统需求，成为亟需解决的问题。
通常，工业监控应用(例如，产品温度监测、产品缺陷监测、控制指令等)都是时间关键的，因为它们依赖于监控设备的实时状态更新，即信息新鲜度(Age of Information，AoI)，一旦处理延误，就会迅速“变质”，数据价值呈断崖式跌落。在工业网络中传递这种关键和状态更新消息的一个关键挑战是如何提供超可靠和低延迟的通信链路。但由于工业现场终端数量众多、通信交互频繁，有限的频谱资源被尽可能多的分配给了不同的应用，极大影响了时间敏感型任务的通信。第五代移动通信技术(简称5G或5G技术)将在工业物联网的万物互联中发挥重要作用，并被设想为智能智造最有前途的使能器之一。为了满足数据爆炸增长和接入需求，5G关键技术-非正交多址接入(NOMA)技术通过功率复用技术，可以提高频谱利用率和接入量，有效缓解频谱资源紧缺的现状。
此外，对于计算密集型任务而言，计算处理可以提取原始数据的有效信息，实现数据清洗，降低数据传输量，但需要花费一定的时间，对于时间敏感任务来说不可忽略，因此针对TSCIA任务仅考虑数据传输的传统AoI模型不再适用，需要建立新的AoI模型，刻画数据传输、计算处理对其影响。另外，现有考虑信息时效性的方案中大多关注于AoI平均值(例如，延迟、速率和队列长度)的系统设计，不足以捕获TSCIA任务的需求，因为平均值往往忽略了对总体性能产生负面影响的极端事件(例如，高延迟事件)的发生。因此，如何面对不同TSCIA任务信息时效性需求，实现合理高效的资源分配方案，仍是一个亟待解决的关键问题。
经对现有文献检索发现，最相近似的实现方案为中国专利申请号为：201910290605.1，名称为：一种基于信息时效性的计算任务处理方法及装置，其具体做法是：确定当前时隙监控设备运行各种应用产生的待处理的任务信息(生成时隙和数据量)，在任务调度、任务卸载、能耗和任务年龄约束下，确定最小期望任务年龄的优化方程。但其年龄约束考虑平均年龄，忽略了极限值对系统性能的影响，会造成系统的恶化。专利申请号：202010060434.6，名称为移动边缘计算中面向低时延高可靠业务的资源分配方法，其具体做法为：在多移动边缘计算(MEC)多用户环境下，分别刻画用户任务队列模型和MEC任务队列模型，并以任务队列上溢概率为约束，建立移动服务提供商网络效用最大化的理论模型，对功率资源、带宽资源和计算资源进行联合分配，此方法考虑了针对5G的超可靠低时延通信业务，但并没有采用NOMA技术，难以实现频谱资源受限-海量现场数据的工业场景的要求。
综上，现有技术的缺点在于：
1.现有系统架构中云服务器距离工厂设备较远，卸载产生较大的延迟和资源浪费，云计算方案难以满足时间敏感-计算密集型应用(TSCIA)任务的要求，不再适用于海量终端的工业现场。
2.现有基于优化AoI平均值(例如，延迟、速率和队列长度)的系统设计不足以捕获TSCIA任务需求，因为平均值往往忽略了对总体性能产生负面影响的极端事件(例如，高延迟事件)的发生，导致系统感知、控制性能的恶化。
3.现有技术多关注传数据传输和排队对信息新鲜度(AoI)的影响，在TSCIA任务中，由于任务时间敏感-计算密集特性，为了提取信息的有效特征，需要进行数据处理，总服务时间不仅为传输服务时间还需要考虑计算服务时间，因此数据处理对AoI的影响不可忽略。
4.现有AoI方案多采用时分多址技术(TDMA)、频分多址技术(FDMA)和码分多址技术(CDMA)传输，频谱资源利用率低，难以满足频谱资源受限-海量现场数据的工业场景的要求。
因此，本领域的技术人员致力于开发一种工业边缘网络系统架构和资源调度方法，以便更好地进行资源配置，满足信息时效性。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题包括：
1、如何基于SDN网络分片技术和边缘计算技术设计适用于工业现场的系统架构，减少海量数据传输引起的延迟和资源浪费，并针对不同TSCIA任务的需求进行现场设备的分组，提高资源利用率，实现工业过程关键参数的全时空监测和协同控制。
2、如何设计有效资源联合分配方案，允许在5G通信网络中实现不同TSCIA任务的AoI的尾部分布控制，确保严格的延迟和可靠性约束，提高系统性能。
3、如何构建不同TSCIA任务的子网AoI模型，同时考虑数据传输和计算处理对AoI的影响，满足不同应用信息时效性需求。
4、如何基于非正交多址技术(NOMA)实现满足异构信息时效性约束下的通信资源的分配，提高吞吐量和频谱利用率。
为实现上述目的，本发明提供了一种工业边缘网络系统架构，包括应用层、控制层和现场层，所述应用层与所述控制层之间通过工业以太网进行通信，所述现场层与所述控制层之间通过5G进行无线通信；
所述应用层被设置为根据不同的应用需求，被分成多个工业虚拟分片网络，其中，不同的分片网络对信息时效性和数据处理方式有不同的要求；
所述控制层包括软件定义网络(SDN)控制器，所述软件定义网络控制器被设置为通过北向接口承载应用信息时效性和计算强度要求，通过南向接口承接现场数据并下达控制指令；
所述现场层包括边缘层和现场子网。
进一步地，所述边缘层包括多个边缘计算设备，所述多个边缘计算设备具有SDN交换机功能，可以与所述软件定义网络控制器进行通信，并与所述现场子网一一对应，通过5G进行通信；所述现场子网中的现场设备按照工业过程分为多个子网，每个子网按照不同应用需求分为多个虚拟子网，便于针对不同信息时效性约束进行资源的优化配置。
进一步地，包括以下步骤：
第一步：提供现场层用户采样周期、现场子网频带资源、边缘计算设备计算资源、虚拟子网的AoI(Age of Information，信息新鲜度)阈值和计算强度值，配置无线通信参数、虚拟子网编号；
第二步：将每个现场子网分成多个虚拟子网，使所述多个虚拟子网与应用层的工业虚拟分片网络一一对应，所述虚拟子网与所述边缘计算设备采用5G进行通信，将所述虚拟子网中用户进行NOMA(非正交多址接入)集群分组；
第三步：同时考虑数据传输和计算处理服务信息时效性的影响，建立所述虚拟子网的总AoI模型，根据应用的信息时效性需求，对所述AoI模型施加概率约束；
第四步：建立所述虚拟子网的传输队列模型和计算队列模型，据此刻画AoI超限概率约束与队列长度概率之间的关系，将所述AoI超限概率约束转换为队列溢出约束；
第五步：定义超量函数，据此控制所述AoI模型的尾部分布，满足系统可靠性需求；
第六步：构建工业边缘网络系统功耗函数，建立所述信息时效性需求约束下的资源分配优化问题；
第七步：对所述优化问题进行转化，分解成虚拟子网带宽和功率分配优化子问题，以及边缘计算设备的计算资源分配优化子问题；
第八步：求解所述虚拟子网带宽和功率分配优化子问题和所述边缘计算设备的计算资源分配优化子问题，完成现场层资源分配。
进一步地，所述第二步中的所述NOMA集群分组方案为将所述虚拟子网中用户按照信道增益降序排列，顺次分配给不同的NOMA集群，以降低同一集群中用户干扰，并保证集群间公平性；其中每个NOMA集群对应一组频带RBs，每个NOMA集群i中数据包按照信道增益降序排列J＝{1,...,imax}；采用二进制变量表示所述NOMA集群分组，当所述二进制变量的值为1表示用户u在时隙n位于虚拟子网l中NOMA集群i的第j个序列。
进一步地，所述AoI模型尾部分布需要满足阈值约束。
进一步地，所述第五步中所述AoI模型尾部分布控制包括以下步骤：
步骤5.1、写出AoI稳态分布与给定包出发时刻的关系，推导得出映射给定包的出发时刻和队列长度稳态分布关系的不等式，由此将所述虚拟子网AoI超限概率约束改用队列容忍溢出概率代替；
步骤5.2、定义所述虚拟子网l第n个时隙的超量队列变量为
据此写出其均值和方差；
步骤5.3、对GPD(广义帕累托分布，generalized Pareto distribution)函数尺度和形状参数施加阈值，从而对超量队列函数时间平均均值和二阶矩施加约束，以控制所述AoI尾部分布，满足系统可靠性需求。
进一步地，所述第六步构建工业边缘网络系统功耗函数包括如下步骤：
步骤6.1、对用户u到时刻T的传输功率在时间上取平均得到
即用户平均传输功耗；对用户u到时刻T边缘处理任务所消耗的功率在时间上取平均得到
即用户边缘平均处理功耗；
步骤6.2利用所述用户平均传输功耗和所述用户边缘平均处理功耗的值，将所述工业边缘网络系统功耗函数定义为：
其中，α(n),β(n),P(n),γ(n)分别为第n个时隙NOMA集群向量、频带RBs分配向量，功率分配向量和计算RBs分配向量；
步骤6.3在计算工业边缘网络系统功耗过程中，将带宽、功率资源分配变量和资源总量、边缘计算设备的计算资源总量、AoI超限概率以及AoI尾部分布，作为所述工业边缘网络系统功耗函数的约束条件，建立优化问题。
进一步地，所述第七步包括以下步骤：
步骤7.1、将GPD推导的概率约束改写为时间平均约束，使其可以被李雅普诺夫理论优化，随后引入虚拟队列，并得到虚拟队列的更新方程；
步骤7.2、定义李雅普诺夫函数Θ(n)作为虚拟子网队列积压度量指标，为了表征李雅普诺夫函数从一个时隙到下一个时隙的变化程度，定义单时隙李雅普诺夫漂移函数△L(Θ(n))；
步骤7.3、根据李雅普诺夫优化理论，通过单时隙李雅普诺夫偏移和系统传输总功率的加权和，得到李雅普诺夫漂移加罚函数：
其中，V是衡量偏移与罚函数的控制参数；
步骤7.4、经过推导证明得到所述漂移加罚函数加权差的上界，将所述优化问题转化为最小化李雅普诺夫偏移加罚上界问题，利用分层解耦理论将最小化李雅普诺夫偏移加罚上界问题分解成所述虚拟子网带宽和功率分配优化子问题，以及所述边缘计算设备的计算资源分配优化子问题。
进一步地，所述第八步中求解所述虚拟子网带宽和功率分配问题具体为：根据每一时隙的队列状态和AoI值，利用迭代方式进行求解，即给定带宽分配方案，对功率进行求解；基于功率分配方案，对带宽进行求解；随后更新功率分配方案，继续对带宽进行求解，重复此过程，直到所述虚拟子网带宽和功率分配问题的函数值与上次迭代函数值的差值小于终止条件，即获得虚拟子网带宽和功率的分配方案。
进一步地，所述第八步中求解所述边缘计算设备的计算资源分配问题具体为：按照队列先到先服务(first-come first-serve，FCFS)规则，对虚拟子网任务计算RBs的分配，首先遍历所有用户使其满足AoI约束，然后将剩余资源块依次分配给具有最小化的所述边缘计算设备的计算资源分配问题函数值的用户，直至计算RBs分配完毕。
与现有技术方案相比，本发明的技术效果在于：
1、结合5G切片技术，针对工业应用中不同TSCIA任务的需求，建立相应的工业虚拟分片网络和虚拟子网，相互隔离的虚拟子网有利于更好地进行资源配置，实现工业过程关键参数的全时空监测和协同控制。
2、针对TSCIA任务的特点，同时考虑了数据传输和计算处理对AoI的影响，建立了一个更完善的AoI模型，更加有效的度量任务的信息时效性。
3、考虑AoI超限概率对系统性能的影响，通过推导AoI超限概率与队列溢出概率的关系，将AoI约束转化为队列长度约束，引入GPD描述队列超量函数分布，并通过限制尺度和形状参数控制AoI尾部分布，限制对总体性能产生负面影响的极端事件的发生，避免系统感知、控制性能的恶化。
4、基于5G通信的NOMA技术和网络边缘的EC设备，可以有效缓解工业现场数据量大、信息交互频繁、频谱资源受限的现状，提高数据吞吐量和频谱利用率；通过边缘层EC设备的计算处理，不仅可以提取有效信息，还能减小数据量，减轻网络传输压力。
5、引入软件定义网络(SDN)技术，支持异构应用网络相互隔离、安全共存，增强工业网络系统的可重构能力和可扩展性，提高网络控制与管理的灵活性，降低运维难度，SDN控制器通过北向接口(NBI)接收上层应用业务信息，通过协议转换处理，由南向接口(SBI)发送给EC设备，下发网络策略。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的工业边缘网络系统架构示意图；
图2是本发明的一个较佳实施例的单现场子网单EC设备系统模型示意图；
图3是本发明的一个较佳实施例的面向多TSCIA任务信息时效性需求的资源分配示意图；
图4是本发明的一个较佳实施例的全局算法流程图；
图5是本发明的一个较佳实施例的虚拟子网带宽和功率分配优化子问题中用户功率分配流程图；
图6是本发明的一个较佳实施例的虚拟子网带宽和功率分配优化子问题中用户带宽和功率联合分配流程图；
图7是本发明的一个较佳实施例的边缘计算设备的计算资源分配优化子问题中用户EC设备计算资源分配流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
本发明基于SDN网络分片技术，面向多TSCIA任务需求，提供了一种工业边缘网络系统架构，该系统结构由应用层、控制层和现场层三层组成，其中应用层按照不同的应用需求，分成多种工业虚拟分片网络；控制层主要包括软件定义网络(SDN)控制器，它通过北向接口承载应用信息时效性要求，通过南向接口承接现场数据并下达控制指令；现场层包括边缘层和现场子网，边缘层有多个边缘计算(EC)设备，内含SDN交换机功能，可以与SDN控制器进行通信，并与现场子网一一对应，通过5G进行通信。利用网络分片技术将现场设备按照工业过程分为多个子网，每个子网按照不同应用需求分为多个虚拟子网，有利于针对不同信息时效性约束进行资源的优化配置，支持异构应用彼此间相互隔离且高效共存，具备快速网络拓扑重构和灵活扩展的能力。
该系统架构利用SDN网络分片功能根据工业应用不同将应用层网络分为多个工业虚拟分片网络(VSN)，分片网络1、分片网络2、…、分片网络L，将每个现场子网分成相同个虚拟子网，设置标签，与工业虚拟分片网络一一对应。
虚拟分片技术可以根据TSCIA任务不同的需求灵活划分工厂网络，将工业应用和现场子网按照不同信息时效性和计算强度需求分成不同的工业虚拟分片网络，分别配置网络资源、计算资源。虚拟子网l的AoI阈值为Al，计算强度为Xl。
为了满足面向多TSCIA任务信息时效性需求，本发明还提供了一种工业边缘网络系统资源调度方法，该方法为：在多TSCIA任务信息时效性需求环境下，将虚拟子网划分为不同的NOMA集群，分别刻画虚拟子网传输队列模型和计算队列模型，刻画AoI超限概率和队列溢出概率之间的关系，将AoI约束转换为队列溢出概率约束，进一步通过限制GPD分布的尺度和形状参数控制AoI尾部分布，以此为约束建立系统功耗最小化的理论模型，对带宽资源、功率资源和计算资源进行联合分配；其次，考虑到优化模型中约束条件包含AoI阈值的极限约束，其超限概率为时间平均约束，通过李雅普诺夫优化理论将时间平均的随机优化问题转化并分解成单时隙求解的两个子问题，包括虚拟子网带宽与功率分配以及边缘计算(EC)设备的计算资源分配问题；最后，分别对两个子问题求解，其中针对虚拟子网带宽与功率分配问题求解时，需要联合考虑两个资源变量，采用迭代方法和粒子群算法相结合的方法求解。
该方法包括以下步骤：
第一步：提供现场层用户采样周期、现场子网频带资源、边缘计算设备计算资源、虚拟子网的AoI(Age of Information，信息新鲜度)阈值和计算强度值，配置无线通信参数、虚拟子网编号。
第二步：将每个现场子网分成多个虚拟子网，使所述多个虚拟子网与应用层的工业虚拟分片网络一一对应，所述虚拟子网与所述边缘计算设备采用5G进行通信，将所述虚拟子网中用户进行NOMA(非正交多址接入)集群分组。
NOMA集群分组方案为将所述虚拟子网中用户按照信道增益降序排列，顺次分配给不同的NOMA集群，以降低同一集群中用户干扰，并保证集群间公平性；其中每个NOMA集群对应一组频带RBs，每个NOMA集群i中数据包按照信道增益降序排列J＝{1,...,imax}；采用二进制变量表示所述NOMA集群分组，当所述二进制变量的值为1表示用户u在时隙n位于虚拟子网l中NOMA集群i的第j个序列。
第三步：同时考虑数据传输和计算处理服务信息时效性的影响，建立所述虚拟子网的总AoI模型，根据应用的信息时效性需求，对所述AoI模型施加概率约束。AoI模型尾部分布需要满足阈值约束。
AoI超限概率是为了刻画任务请求与所分配资源的匹配程度，给AoI值施加概率约束：若虚拟子网所分配资源过少，数据传输、计算处理速率能力不足时，AoI值将超限，导致任务信息时效性下降，为了满足TSCIA的需求，定义AoI超限概率。
第四步：建立所述虚拟子网的传输队列模型和计算队列模型，据此刻画AoI超限概率约束与队列长度概率之间的关系，将所述AoI超限概率约束转换为队列溢出约束。
虚拟子网有两个队列：本地传输队列模型和EC设备计算队列模型。本地传输队列模型需要考虑传输速率和包到达率的影响，EC设备计算队列模型需要考虑计算速率和传输速率的影响。进而刻画AoI超限概率约束与队列长度概率之间的关系。
由于AoI为接收端的度量，而频带RBs、功率和计算RBs为发射端的变量，为了更直观体现资源分配性能采用发射端度量指标队列长度描述，因此据此刻画AoI超限概率约束与队列溢出概率之间的关系，将超限概率AoI约束转换为队列溢出约束。
第五步：定义超量函数，据此控制所述AoI模型的尾部分布，满足系统可靠性需求。
第五步中的AoI模型尾部分布控制包括以下步骤：
步骤5.1、AoI超限概率与给定包出发时刻有关，写出AoI稳态分布与给定包出发时刻的关系，推导得出映射给定包的出发时刻和队列长度稳态分布关系的不等式，由此将所述虚拟子网AoI超限概率约束改用队列容忍溢出概率代替；
步骤5.2、Pickands-Balkema-de Haan定理指出，对于一个足够高阈值的超量变量，其分布满足广义帕累托分布(generalized Pareto distribution，GPD)。为此，定义所述虚拟子网l第n个时隙的超量队列变量为
据此写出其均值和方差；
步骤5.3、为了缩小超量函数的分布，对GPD(广义帕累托分布，generalizedPareto distribution)函数尺度和形状参数施加阈值，从而对超量队列函数时间平均均值和二阶矩施加约束，以控制所述AoI尾部分布，满足系统可靠性需求。
第六步：构建工业边缘网络系统功耗函数，建立所述信息时效性需求约束下的资源分配优化问题。
在这一步中，虚拟子网平均功耗为所有用户在本地任务上传传输功率在时间上的平均和所有EC设备在处理计算任务所消耗的功率在时间上的平均相加的函数。
第六步构建工业边缘网络系统功耗函数包括如下步骤：
步骤6.1、对用户u到时刻T的传输功率在时间上取平均得到
即用户平均传输功耗；对用户u到时刻T边缘处理任务所消耗的功率在时间上取平均得到
即用户边缘平均处理功耗；
步骤6.2利用所述用户平均传输功耗和所述用户边缘平均处理功耗的值，将所述工业边缘网络系统功耗函数定义为：
其中，α(n),β(n),P(n),γ(n)分别为第n个时隙NOMA集群向量、频带RBs分配向量，功率分配向量和计算RBs分配向量；
步骤6.3在计算工业边缘网络系统功耗过程中，将带宽、功率资源分配变量和资源总量、边缘计算设备的计算资源总量、AoI超限概率以及AoI尾部分布，作为所述工业边缘网络系统功耗函数的约束条件，建立优化问题。
第七步：对所述优化问题进行转化，分解成虚拟子网带宽和功率分配优化子问题，以及边缘计算设备的计算资源分配优化子问题。
在这一步中，优化问题通过李雅普诺夫优化理论转换为单时隙上优化问题，即单时隙李雅普诺夫偏移与虚拟子网平均功耗函数的加权和，从而最小化单时隙利李雅普诺夫偏移加罚函数得到资源调度方案。
第七步包括以下步骤：
步骤7.1、将GPD推导的概率约束改写为时间平均约束，使其可以被李雅普诺夫理论优化，随后引入虚拟队列，并得到虚拟队列的更新方程；
步骤7.2、定义李雅普诺夫函数Θ(n)作为虚拟子网队列积压度量指标，为了表征李雅普诺夫函数从一个时隙到下一个时隙的变化程度，定义单时隙李雅普诺夫漂移函数△L(Θ(n))；
步骤7.3、根据李雅普诺夫优化理论，通过单时隙李雅普诺夫偏移和系统传输总功率的加权和，得到李雅普诺夫漂移加罚函数：
其中，V是衡量偏移与罚函数的控制参数；
步骤7.4、经过推导证明得到所述漂移加罚函数加权差的上界，将所述优化问题转化为最小化李雅普诺夫偏移加罚上界问题，利用分层解耦理论将最小化李雅普诺夫偏移加罚上界问题分解成所述虚拟子网带宽和功率分配优化子问题，以及所述边缘计算设备的计算资源分配优化子问题。
第八步：求解所述虚拟子网带宽和功率分配优化子问题和所述边缘计算设备的计算资源分配优化子问题，完成现场层资源分配。
对于虚拟子网带宽和功率分配子问题，需要联合考虑两个变量，采用迭代方法求解。求解所述虚拟子网带宽和功率分配问题具体为：根据每一时隙的队列状态和AoI值，利用迭代方式进行求解，即给定带宽分配方案，对功率进行求解；基于功率分配方案，对带宽进行求解；随后更新功率分配方案，继续对带宽进行求解，重复此过程，直到所述虚拟子网带宽和功率分配问题的函数值与上次迭代函数值的差值小于终止条件，即获得虚拟子网带宽和功率的分配方案。
对于边缘计算设备的计算资源分配子问题，由于其是一个非凸优化问题，设计了EC设备计算RBs分配算法求解。求解所述边缘计算设备的计算资源分配问题具体为：按照队列先到先服务(first-come first-serve，FCFS)规则，对虚拟子网任务计算RBs的分配，首先遍历所有用户使其满足AoI约束，然后将剩余资源块依次分配给具有最小化的所述边缘计算设备的计算资源分配问题函数值的用户，直至计算RBs分配完毕。
在上述技术方案中，队列服务方式为先到先服务(FCFS)。在满足信息时效性约束的前提下，还可以采用后到先服务(FCFS)、惠特尔指数(Whittle index)的队伍服务方式。
图1是基于SDN网络分片的面向多需求TSCIA任务的工业边缘网络系统架构示意图。系统架构包括应用层、控制层和现场层，其中应用层按照不同的应用需求，分成多种工业虚拟分片网络(以热轧产线为例，可将网络分为产品温度监测分片网络、表面缺陷检测分片网络和传送辊转速监测分片网络)；控制层主要包括软件定义网络(Software DefinedNetwork，SDN)控制器，它通过北向接口承载应用信息时效性和计算强度要求，通过南向接口承接现场数据并下达控制指令；现场层包括边缘层和现场子网，边缘层有多个边缘计算(EC)设备，内含SDN交换机功能，可以与SDN控制器进行通信，并与现场子网一一对应，通过5G进行通信；现场设备按照工业过程分为多个子网，每个子网按照不同应用需求分为多个虚拟子网，便于针对不同信息时效性约束进行资源的优化配置。
三个分片网络的信息时效性排序为：分片网络1>分片网络2>分片网络3，由于本发明所需要的状态信息总共有三类，分别为：①产品温度检测信息、②产品表面缺陷监测信息以及③传送辊转速检测信息，根据这三类信息信息新鲜度(Age of information，AoI)容忍程度不同，给出每类数据的AoI阈值Al，可以据此判断其信息时效重要性排序为：①>②>③。
三个分片网络的计算强度排序为：分片网络2>分片网络1>分片网络3，由于本发明所需要的信息形式总共有三类，分别为：①产品温度检测图像、②产品表面缺陷监测视频以及③传送辊转速检测数字量，根据这三类信息处理复杂度不同，给出每类数据的计算强度Xl，可以据此判断其计算强度排序为：②>①>③。
图2是单现场子网单EC设备系统模型示意图。本发明的面向多TSCIA任务信息时效性需求的资源调度方法就是基于这一模型进行设计。SDN控制器按照上层应用需求下达不同分片网络AoI阈值与计算强度要求，EC设备接收流表信息后之后，进行虚拟子网、NOMA集群、用户带宽和功率RBs的分配，用户任务按照分配的RBs进行传输，将原始数据上传到EC设备，EC设备进行计算RBs的分配，对数据进行计算处理，将处理结果传给SDN控制器进行决策和进一步处理。
图3是面向多TSCIA任务信息时效性需求的资源分配示意图。每个虚拟子网拥有一个传输缓存队列用于缓存新到达的任务，用户通过所分配的频带RBs和功率，将数据上传至EC设备。每个虚拟子网在EC设备中拥有一个计算缓存队列，EC设备按照所分配的计算RB对数据进行处理。将AoI超限概率转换为与传输队列和计算队列相关的队列上溢概率，根据数据传输和EC处理产生的功耗，建立工业网络系统功耗函数，通过李雅普诺夫优化理论和分层解耦理论将问题转化为两个子问题，即用户带宽资源和功率资源分配子问题以及用户在EC设备上计算资源分配子问题。最后根据所获得的资源分配方案，更新虚拟子网AoI和队列信息。
图4是全局算法流程图，具体步骤如下：
步骤1初始化虚拟子网AoI值、传输队列值、计算队列值以及虚拟队列；初始化尺度参数和形状参数阈值
以及
AoI超限概率值、控制参数V、最大迭代次数K、M以及终止条件；
步骤2设置网络运行时间T；
步骤3判断当前时隙是否小于T，若小于则进入步骤4，否则结束；
步骤4求解用户带宽资源和功率资源分配方案；
步骤5求解用户在EC设备上计算资源分配方案；
步骤6当两个子问题求解完成，即得到面向多TSCIA任务信息时效性需求的资源分配方案；
步骤7根据所分配的资源，更新虚拟子网AoI和队列信息；
步骤8时隙加1，并转到步骤3判断当前时隙是否小于网络运行时间T，若小于则重复步骤4到步骤7，否则结束整个算法。
图5是第一个子问题中用户功率资源分配流程图，具体步骤如下：
步骤1给定带宽分配方案，求解用户功率资源分配方案；
步骤2初始化最大迭代次数K和终止条件；
步骤3判断当前迭代次数是否大于K或者终止条件是否满足，若迭代次数大于K或者终止条件满足，则获得当前最终功率资源分配方案，否则进入下一步继续执行；
步骤4执行粒子群算法；
步骤5更新功率分配方案；
步骤6将迭代次数加1，转到步骤3判断当前迭代次数是否大于K或者终止条件是否满足。若迭代次数小于等于K或者终止条件不满足，则重复执行步骤4到步骤5，否则转入下一步。
步骤7获得本次迭代的功率分配方案。
图6是用户带宽资源和功率资源分配子问题的用户带宽与功率分配流程图，具体步骤如下：
步骤1初始化最大迭代次数M和终止条件；
步骤2判断当前迭代次数是否大于M或者终止条件是否满足，若迭代次数大于M或者终止条件满足，则获得当前最终带宽和功率资源分配方案，否则进入下一步继续执行；
步骤3在求解带宽分配方案时，给定用户功率分配方案；
步骤4求解，获得用户带宽分配方案；
步骤5根据所获得的用户带宽分配方案，执行功率分配算法；
步骤6将迭代次数加1，并转入步骤2判断当前迭代次数是否大于M或者终止条件是否满足，若迭代次数小于等于M或者终止条件不满足，则重复执行步骤3到步骤5，否则转入下一步；
步骤7获得当前时隙的用户带宽和功率分配方案。
图7是关于用户在EC设备上计算资源分配子问题中，用户在EC设备上计算资源分配流程图，具体步骤如下：
步骤1设置计算RBs个数Mf；
步骤2判断当前计算RBs个数是否为0，若计算RBs个数不为0，则执行下一步，否则获得当前最终计算资源分配方案；
步骤3为每个用户分配满足AoI约束的计算RBs；
步骤4更新计算RBs个数；
步骤5计算不同用户计算RBs个数增加带来的平均功耗下降值；
步骤6将计算RBs分配给带来最大功耗下降的用户；
步骤7计算RBs个数减1，并转入步骤2判断当前RBs个数是否为0，若计算RBs个数不为0，则重复执行步骤3到步骤6，否则转到下一步；
步骤8获得当前时隙的用户在EC设备上计算资源分配方案。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种工业边缘网络系统架构，其特征在于，包括应用层、控制层和现场层，所述应用层与所述控制层之间通过工业以太网进行通信，所述现场层与所述控制层之间通过5G进行无线通信；
所述应用层被设置为根据不同的应用需求，被分成多个工业虚拟分片网络，其中，不同的分片网络对信息时效性和数据处理方式有不同的要求；
所述控制层包括软件定义网络(SDN)控制器，所述软件定义网络控制器被设置为通过北向接口承载应用信息时效性和计算强度要求，通过南向接口承接现场数据并下达控制指令；
所述现场层包括边缘层和现场子网。
2.如权利要求1所述的工业边缘网络系统架构，其特征在于，所述边缘层包括多个边缘计算设备，所述多个边缘计算设备具有SDN交换机功能，可以与所述软件定义网络控制器进行通信，并与所述现场子网一一对应，通过5G进行通信；所述现场子网中的现场设备按照工业过程分为多个子网，每个子网按照不同应用需求分为多个虚拟子网，便于针对不同信息时效性约束进行资源的优化配置。
3.一种工业边缘网络资源调度方法，其特征在于，包括以下步骤：
第一步：提供现场层用户采样周期、现场子网频带资源、边缘计算设备计算资源、虚拟子网的AoI(Age of Information，信息新鲜度)阈值和计算强度值，配置无线通信参数、虚拟子网编号；
第二步：将每个现场子网分成多个虚拟子网，使所述多个虚拟子网与应用层的工业虚拟分片网络一一对应，所述虚拟子网与所述边缘计算设备采用5G进行通信，将所述虚拟子网中用户进行NOMA(非正交多址接入)集群分组；
第三步：同时考虑数据传输和计算处理服务信息时效性的影响，建立所述虚拟子网的总AoI模型，根据应用的信息时效性需求，对所述AoI模型施加概率约束；
第四步：建立所述虚拟子网的传输队列模型和计算队列模型，据此刻画AoI超限概率约束与队列长度概率之间的关系，将所述AoI超限概率约束转换为队列溢出约束；
第五步：定义超量函数，据此控制所述AoI模型的尾部分布，满足系统可靠性需求；
第六步：构建工业边缘网络系统功耗函数，建立所述信息时效性需求约束下的资源分配优化问题；
第七步：对所述优化问题进行转化，分解成虚拟子网带宽和功率分配优化子问题，以及边缘计算设备的计算资源分配优化子问题；
第八步：求解所述虚拟子网带宽和功率分配优化子问题和所述边缘计算设备的计算资源分配优化子问题，完成现场层资源分配。
4.如权利要求3所述的工业边缘网络资源调度方法，其特征在于，所述第二步中的所述NOMA集群分组方案为将所述虚拟子网中用户按照信道增益降序排列，顺次分配给不同的NOMA集群，以降低同一集群中用户干扰，并保证集群间公平性；其中每个NOMA集群对应一组频带RBs，每个NOMA集群i中数据包按照信道增益降序排列J＝{1,...,imax}；采用二进制变量表示所述NOMA集群分组，当所述二进制变量的值为1表示用户u在时隙n位于虚拟子网l中NOMA集群i的第j个序列。
5.如权利要求3所述的工业边缘网络资源调度方法，其特征在于，所述AoI模型尾部分布需要满足阈值约束。
6.如权利要求3所述的工业边缘网络资源调度方法，其特征在于，所述第五步中所述AoI模型尾部分布控制包括以下步骤：
步骤5.1、写出AoI稳态分布与给定包出发时刻的关系，推导得出映射给定包的出发时刻和队列长度稳态分布关系的不等式，由此将所述虚拟子网AoI超限概率约束改用队列容忍溢出概率代替；
步骤5.2、定义所述虚拟子网l第n个时隙的超量队列变量为
据此写出其均值和方差；
步骤5.3、对GPD(广义帕累托分布，generalized Pareto distribution)函数尺度和形状参数施加阈值，从而对超量队列函数时间平均均值和二阶矩施加约束，以控制所述AoI尾部分布，满足系统可靠性需求。
7.如权利要求3所述的工业边缘网络资源调度方法，其特征在于，所述第六步构建工业边缘网络系统功耗函数包括如下步骤：
步骤6.1、对用户u到时刻T的传输功率在时间上取平均得到
即用户平均传输功耗；对用户u到时刻T边缘处理任务所消耗的功率在时间上取平均得到
即用户边缘平均处理功耗；
步骤6.2利用所述用户平均传输功耗和所述用户边缘平均处理功耗的值，将所述工业边缘网络系统功耗函数定义为：
PD：
其中，α(n),β(n),P(n),γ(n)分别为第n个时隙NOMA集群向量、频带RBs分配向量，功率分配向量和计算RBs分配向量；
步骤6.3在计算工业边缘网络系统功耗过程中，将带宽、功率资源分配变量和资源总量、边缘计算设备的计算资源总量、AoI超限概率以及AoI尾部分布，作为所述工业边缘网络系统功耗函数的约束条件，建立优化问题。
8.如权利要求3所述的工业边缘网络资源调度方法，其特征在于，所述第七步包括以下步骤：
步骤7.1、将GPD推导的概率约束改写为时间平均约束，使其可以被李雅普诺夫理论优化，随后引入虚拟队列，并得到虚拟队列的更新方程；
步骤7.2、定义李雅普诺夫函数Θ(n)作为虚拟子网队列积压度量指标，为了表征李雅普诺夫函数从一个时隙到下一个时隙的变化程度，定义单时隙李雅普诺夫漂移函数△L(Θ(n))；
步骤7.3、根据李雅普诺夫优化理论，通过单时隙李雅普诺夫偏移和系统传输总功率的加权和，得到李雅普诺夫漂移加罚函数：
其中，V是衡量偏移与罚函数的控制参数；
步骤7.4、经过推导证明得到所述漂移加罚函数加权差的上界，将所述优化问题转化为最小化李雅普诺夫偏移加罚上界问题，利用分层解耦理论将最小化李雅普诺夫偏移加罚上界问题分解成所述虚拟子网带宽和功率分配优化子问题，以及所述边缘计算设备的计算资源分配优化子问题。
9.如权利要求8所述的工业边缘网络资源调度方法，其特征在于，所述第八步中求解所述虚拟子网带宽和功率分配子问题具体为：根据每一时隙的队列状态和AoI值，利用迭代方式进行求解，即给定带宽分配方案，对功率进行求解；基于功率分配方案，对带宽进行求解；随后更新功率分配方案，继续对带宽进行求解，重复此过程，直到所述虚拟子网带宽和功率分配问题的函数值与上次迭代函数值的差值小于终止条件，即获得虚拟子网带宽和功率的分配方案。
10.如权利要求8所述的工业边缘网络资源调度方法，其特征在于，所述第八步中求解所述边缘计算设备的计算资源分配子问题具体为：按照队列先到先服务(first-comefirst-serve，FCFS)规则，对虚拟子网任务计算RBs的分配，首先遍历所有用户使其满足AoI约束，然后将剩余资源块依次分配给具有最小化的所述边缘计算设备的计算资源分配问题函数值的用户，直至计算RBs分配完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011285571.6A CN112235836B (zh) | 2020-11-17 | 2020-11-17 | 一种工业边缘网络系统架构和资源调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011285571.6A CN112235836B (zh) | 2020-11-17 | 2020-11-17 | 一种工业边缘网络系统架构和资源调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112235836A true CN112235836A (zh) | 2021-01-15 |
| CN112235836B CN112235836B (zh) | 2022-06-17 |
Family
ID=74123665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011285571.6A Active CN112235836B (zh) | 2020-11-17 | 2020-11-17 | 一种工业边缘网络系统架构和资源调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112235836B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112911555A (zh) * | 2021-01-28 | 2021-06-04 | 上海交通大学 | 基于信息年龄的无线网络通信资源调度方法和系统 |
| CN113037870A (zh) * | 2021-04-15 | 2021-06-25 | 无锡专心智制科技有限公司 | 一种数据采集系统、方法及电子设备 |
| CN113033026A (zh) * | 2021-04-26 | 2021-06-25 | 上海交通大学 | 一种具有可观性保证的工业边缘感知方法 |
| CN113141590A (zh) * | 2021-03-24 | 2021-07-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向工业物联网的无线通信调度方法及装置 |
| CN113411223A (zh) * | 2021-08-03 | 2021-09-17 | 上海交通大学 | 一种基于边缘协同的工业软件定义网络切片方法 |
| CN113422821A (zh) * | 2021-06-21 | 2021-09-21 | 广东电网有限责任公司计量中心 | 一种状态更新数据包调度方法及系统 |
| CN113422740A (zh) * | 2021-06-22 | 2021-09-21 | 广东电网有限责任公司计量中心 | 一种分组包调度方法、装置、终端及存储介质 |
| CN113472689A (zh) * | 2021-06-22 | 2021-10-01 | 桂林理工大学 | 一种基于双缓存区AoI感知的物联网数据收集方法 |
| CN114186416A (zh) * | 2021-12-13 | 2022-03-15 | 大连理工大学 | 一种边缘网络数据年龄优化方法及系统 |
| CN114363378A (zh) * | 2022-01-14 | 2022-04-15 | 上海交通大学 | 一种面向工业异构网络管理的微服务系统架构和管理方法 |
| CN114866593A (zh) * | 2022-05-13 | 2022-08-05 | 上海交通大学 | 一种端边协同的工业网络控制架构及资源联合分配方法 |
| CN114928526A (zh) * | 2022-02-09 | 2022-08-19 | 北京邮电大学 | 基于sdn的网络隔离和资源规划方法及系统 |
| CN116156654A (zh) * | 2023-02-24 | 2023-05-23 | 重庆控环科技集团有限公司 | 联合数据价值与信息年龄的多集群视频直播系统调度方法 |
| CN118042633A (zh) * | 2024-01-18 | 2024-05-14 | 重庆理工大学 | 基于联合强化学习的联合干扰和AoI感知资源分配方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106130859A (zh) * | 2016-06-23 | 2016-11-16 | 北京东土科技股份有限公司 | 一种工业互联网现场层宽带总线配置管理实现方法 |
| CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
| US20200195495A1 (en) * | 2019-02-25 | 2020-06-18 | Intel Corporation | 5g network slicing with distributed ledger traceability and resource utilization inferencing |
-
2020
- 2020-11-17 CN CN202011285571.6A patent/CN112235836B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106130859A (zh) * | 2016-06-23 | 2016-11-16 | 北京东土科技股份有限公司 | 一种工业互联网现场层宽带总线配置管理实现方法 |
| US20200195495A1 (en) * | 2019-02-25 | 2020-06-18 | Intel Corporation | 5g network slicing with distributed ledger traceability and resource utilization inferencing |
| CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
Non-Patent Citations (9)
| Title |
|---|
| 刘洋等: "《工业互联网融合5G网络切片技术演进发展浅析》", 《信息通信技术》 * |
| 刘洋等: "《工业互联网融合5G网络切片技术演进发展浅析》", 《信息通信技术》, 23 March 2020 (2020-03-23) * |
| 向涛: "基于5G网络的工业互联网应用研究", 《中国新通信》 * |
| 向涛: "基于5G网络的工业互联网应用研究", 《中国新通信》, no. 22, 20 November 2019 (2019-11-20) * |
| 李庆等: "《面向边缘计算的工业互联网工厂内网络架构及关键技术》", 《物联网》 * |
| 李庆等: "《面向边缘计算的工业互联网工厂内网络架构及关键技术》", 《物联网》, 30 November 2019 (2019-11-30), pages 160 - 168 * |
| 杨红梅等: "5G网络切片应用及安全研究", 《信息通信技术与政策》 * |
| 杨红梅等: "5G网络切片应用及安全研究", 《信息通信技术与政策》, no. 02, 15 February 2020 (2020-02-15) * |
| 毛健: "赛特斯边缘计算 助力工厂由数字走向智能", 《通信世界》, no. 11, 25 April 2019 (2019-04-25) * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112911555A (zh) * | 2021-01-28 | 2021-06-04 | 上海交通大学 | 基于信息年龄的无线网络通信资源调度方法和系统 |
| CN113141590B (zh) * | 2021-03-24 | 2023-09-19 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向工业物联网的无线通信调度方法及装置 |
| CN113141590A (zh) * | 2021-03-24 | 2021-07-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向工业物联网的无线通信调度方法及装置 |
| CN113037870A (zh) * | 2021-04-15 | 2021-06-25 | 无锡专心智制科技有限公司 | 一种数据采集系统、方法及电子设备 |
| CN113033026A (zh) * | 2021-04-26 | 2021-06-25 | 上海交通大学 | 一种具有可观性保证的工业边缘感知方法 |
| CN113033026B (zh) * | 2021-04-26 | 2022-03-15 | 上海交通大学 | 一种具有可观性保证的工业边缘感知方法 |
| CN113422821A (zh) * | 2021-06-21 | 2021-09-21 | 广东电网有限责任公司计量中心 | 一种状态更新数据包调度方法及系统 |
| CN113422740A (zh) * | 2021-06-22 | 2021-09-21 | 广东电网有限责任公司计量中心 | 一种分组包调度方法、装置、终端及存储介质 |
| CN113472689A (zh) * | 2021-06-22 | 2021-10-01 | 桂林理工大学 | 一种基于双缓存区AoI感知的物联网数据收集方法 |
| CN113411223A (zh) * | 2021-08-03 | 2021-09-17 | 上海交通大学 | 一种基于边缘协同的工业软件定义网络切片方法 |
| CN113411223B (zh) * | 2021-08-03 | 2022-03-11 | 上海交通大学 | 一种基于边缘协同的工业软件定义网络切片方法 |
| CN114186416A (zh) * | 2021-12-13 | 2022-03-15 | 大连理工大学 | 一种边缘网络数据年龄优化方法及系统 |
| CN114186416B (zh) * | 2021-12-13 | 2024-09-24 | 大连理工大学 | 一种边缘网络数据年龄优化方法及系统 |
| CN114363378B (zh) * | 2022-01-14 | 2022-10-11 | 上海交通大学 | 一种面向工业异构网络管理的微服务系统架构和管理方法 |
| CN114363378A (zh) * | 2022-01-14 | 2022-04-15 | 上海交通大学 | 一种面向工业异构网络管理的微服务系统架构和管理方法 |
| CN114928526A (zh) * | 2022-02-09 | 2022-08-19 | 北京邮电大学 | 基于sdn的网络隔离和资源规划方法及系统 |
| CN114928526B (zh) * | 2022-02-09 | 2023-06-16 | 北京邮电大学 | 基于sdn的网络隔离和资源规划方法及系统 |
| CN114866593A (zh) * | 2022-05-13 | 2022-08-05 | 上海交通大学 | 一种端边协同的工业网络控制架构及资源联合分配方法 |
| CN116156654A (zh) * | 2023-02-24 | 2023-05-23 | 重庆控环科技集团有限公司 | 联合数据价值与信息年龄的多集群视频直播系统调度方法 |
| CN116156654B (zh) * | 2023-02-24 | 2023-08-29 | 重庆控环科技集团有限公司 | 联合数据价值与信息年龄的多集群视频直播系统调度方法 |
| CN118042633A (zh) * | 2024-01-18 | 2024-05-14 | 重庆理工大学 | 基于联合强化学习的联合干扰和AoI感知资源分配方法及系统 |
| CN118042633B (zh) * | 2024-01-18 | 2024-08-06 | 重庆理工大学 | 基于联合强化学习的联合干扰和AoI感知资源分配方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112235836B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112235836B (zh) | 一种工业边缘网络系统架构和资源调度方法 | |
| Mao et al. | Energy efficiency and delay tradeoff for wireless powered mobile-edge computing systems with multi-access schemes | |
| CN110099384B (zh) | 基于边-端协同的多用户多mec任务卸载资源调度方法 | |
| Tang et al. | Decentralized computation offloading in IoT fog computing system with energy harvesting: A Dec-POMDP approach | |
| CN108063830B (zh) | 一种基于mdp的网络切片动态资源分配方法 | |
| Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
| CN110381541B (zh) | 一种基于强化学习的智能电网切片分配方法及装置 | |
| Hazra et al. | Cooperative transmission scheduling and computation offloading with collaboration of fog and cloud for industrial IoT applications | |
| CN111953510B (zh) | 一种基于强化学习的智能电网切片无线资源分配方法及系统 | |
| CN111278132A (zh) | 移动边缘计算中面向低时延高可靠业务的资源分配方法 | |
| CN113115459B (zh) | 一种面向电力物联网海量终端的多尺度多维资源分配方法 | |
| CN111556516B (zh) | 面向时延和能效敏感业务的分布式无线网络任务协同分配方法 | |
| Sun et al. | Enhancing the user experience in vehicular edge computing networks: An adaptive resource allocation approach | |
| Grasso et al. | Smart zero-touch management of uav-based edge network | |
| Yao et al. | Cost-efficient tasks scheduling for smart grid communication network with edge computing system | |
| Naghsh et al. | Digitally annealed solution for the maximum clique problem with critical application in cellular v2x | |
| Liu et al. | Online computation offloading for collaborative space/aerial-aided edge computing toward 6G system | |
| Liu et al. | Joint stochastic computational resource and UAV trajectory for wireless-powered space-air-ground IoRT networks | |
| Perin et al. | EASE: Energy-aware job scheduling for vehicular edge networks with renewable energy resources | |
| Xiaohuan et al. | An aggregate flow based scheduler in multi-task cooperated UAVs network | |
| Fountoulakis et al. | Dynamic power control for time-critical networking with heterogeneous traffic | |
| Xing et al. | Predictive edge computing with hard deadlines | |
| Guo et al. | Joint computation offloading and parallel scheduling to maximize delay-guarantee in cooperative MEC systems | |
| Rikos et al. | Finite time exact quantized average consensus with limited resources and transmission stopping for energy-aware networks | |
| Yang et al. | Predictive two-timescale resource allocation for VoD services in fast moving scenarios |
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 |