CN112492652B - 一种边缘设备算力服务调配的方法、装置及系统 - Google Patents
一种边缘设备算力服务调配的方法、装置及系统 Download PDFInfo
- Publication number
- CN112492652B CN112492652B CN202011324679.1A CN202011324679A CN112492652B CN 112492652 B CN112492652 B CN 112492652B CN 202011324679 A CN202011324679 A CN 202011324679A CN 112492652 B CN112492652 B CN 112492652B
- Authority
- CN
- China
- Prior art keywords
- service
- computing power
- power service
- iteration
- allocation scheme
- 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
Links
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
- 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
-
- 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
-
- 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]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Power Sources (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种边缘设备算力服务调配的方法、装置及系统,所述方法包括:接收边缘设备发送的算力服务请求和所对应的附属数据;基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;根据所述最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器。该方法、装置及系统能够解决现有技术中集中式数据处理不能有效处理边缘设备所产生的海量数据,无法适应日益增长的高功效算力需求,产生了高功耗、低弹性、以及不均衡的问题。
Description
技术领域
本发明涉及网络通信技术领域,尤其涉及一种边缘设备算力服务调配的方法、装置及系统。
背景技术
随着区块链的快速发展,目前所采用的传统中心的集群服务器操作方式已逐渐无法适应日益增长的网络服务需求,产生的服务响应延时长、带宽消耗大等问题日益突出。
因此,提供一种边缘设备算力服务调配的方法是本领域技术人员亟待解决的问题。
发明内容
本发明所要解决的技术问题是针对现有技术的上述不足,提供一种边缘设备算力服务调配的方法、装置及系统,用以解决现有技术中采用的传统中心的集群服务器操作方式无法适应日益增长的网络服务需求,产生了服务响应延时长、带宽消耗大的问题。
第一方面,本发明实施例提供一种边缘设备算力服务调配的方法,应用于服务器,所述方法包括:
接收边缘设备发送的算力服务请求和所对应的附属数据;
基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;
根据所述最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器。
优选地,所述基于所述算力服务请求对所述附属数据进行深度分析,包括:
S1:设置迭代初始参数和最大迭代次数;
S2:基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案;
S3:判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件,如果满足,则转到步骤S6;如果不满足,则转到步骤S4;
S4:对所述服务延时率和带宽利用率进行深度无监督学习;
S5:将迭代次数加1,并判断当前迭代次数是否小于所述最大迭代次数,若是,返回执行步骤S2,若否,则执行步骤S6;
S6:将所述匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出。
优选地,所述服务延时率为单位时间内响应服务的时间量与单位时间总量的比值,所述带宽利用率为单位带宽内服务数据占用量与单位带宽的比值;
每个所述匹配度最优的算力服务调配方案以三维向量的形式存储为:
其中,k为迭代次数;i、j和t为维度,且i∈[1,m],j∈[1,n],t∈[1,p];为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
优选地,所述基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案的步骤中,所述匹配度最优的算力服务调配方案根据以下计算公式得到:
式中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;Cov代表协方差;D代表方差;为第k次迭代时的相关系数,/>为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
优选地,所述判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件,具体根据以下公式进行判断:
其中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率,P为概率。
优选地,所述对所述服务延时率和带宽利用率进行深度无监督学习,具体根据以下公式进行深度无监督学习:
其中,Mijt k+1主要包含两方面的信息向量,/>为第k+1次迭代时的服务延时率,/>为第k+1次迭代时的带宽利用率,γ和δ为调整系数,Bijt k+1为第k+1次迭代时的深度无监督学习加强因子;
其中,深度无监督学习加强因子Bijt k+1根据以下公式得到:
式中,Lkmin为第k次迭代时的最小服务延时率,Ekmax为第k次迭代时的最大带宽利用率。
优选地,
第二方面,本发明实施例提供一种边缘设备算力服务调配的方法,应用于边缘设备,所述方法包括:
生成算力服务请求;
向自组网内所有其他边缘设备广播所述算力服务请求和所对应的附属数据;
若在预设时间内未收到自组网内广播的算力服务请求被占用的消息,则向服务器发送所述算力服务请求和所对应的附属数据。
第三方面,本发明实施例提供一种边缘设备算力服务调配的装置,包括:
请求接收模块,用于接收边缘设备发送的算力服务请求和所对应的附属数据;
深度分析模块,与所述请求接收模块连接,用于基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;
算力服务调配模块,与所述深度分析模块连接,用于根据所述最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器。
优选地,所述深度分析模块包括:
设置单元,用于设置迭代初始参数和最大迭代次数;
分析单元,用于基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案;
评估判断单元,用于判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件;
学习单元,用于对所述服务延时率和带宽利用率进行深度无监督学习;
迭代判断单元,用于将迭代次数加1,并判断当前迭代次数是否小于所述最大迭代次数;
输出单元,用于将所述匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出。
第四方面,本发明实施例提供一种边缘设备算力服务调配的系统,包括微智能服务器自组网接入层、5G网关接入及路由层和无中心微智能服务调度核心层;
所述微智能服务器自组网接入层包括边缘设备,所述边缘设备用于执行第二方面所述的边缘设备算力服务调配的方法;
所述5G网关接入及路由层,用于实现5G网络的接入及网络数据的路由转发;
所述无中心微智能服务调度核心层包括无中心微智能服务调度核心服务器,所述无中心微智能服务调度核心服务器用于执行第一方面所述的边缘设备算力服务调配的方法。
本发明实施例提供的边缘设备算力服务调配的方法、装置及系统,通过接收边缘设备发送的算力服务请求和所对应的附属数据;并基于所述算力服务请求对所述附属数据进行深度分析,能够得到算力弹性高、服务响应延时短、带宽消耗低的最终的算力服务调配方案;从而根据该最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器,以使所述调配服务器快速响应并处理该边缘设备的算力服务请求,解决了现有技术中采用的传统中心的集群服务器操作方式无法适应日益增长的网络服务需求,产生了服务响应延时长、带宽消耗大的问题。
附图说明
图1:为本发明实施例的一种边缘设备算力服务调配的场景图;
图2:为本发明实施例的一种边缘设备算力服务调配的方法的流程图;
图3:为本发明实施例的多层卷积神经元网络结构示意图;
图4:为本发明实施例的存储模型;
图5:为本发明实施例的又一种边缘设备算力服务调配的方法的流程图;
图6:为本发明实施例的一种边缘设备算力服务调配的装置的结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都应当属于本申请保护的范围。
需要说明的是,本申请实施例描述的场景图是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
如图1所示,为本申请实施例提供的一种边缘设备算力服务调配的场景图,其中,各部分说明如下:
1)微智能服务器自组网接入层,包含多个边缘设备,多个边缘设备组成自组网,边缘设备如:移动终端、移动电脑、车载移动台、台式电脑等,用于实现算力服务请求附属数据的自主收集、
自主分析、自主处理。
2)5G网关接入及路由层,包含:5G网关及路由,用于实现5G网络的接入及网络数据的路由转发。
3)无中心微智能服务调度核心层,包含多个区块链连接的无中心微智能服务调度核心服务器,用于实现算力服务请求的分析、算力调度及数据存储等功能。
在图1所示的场景中,包括以下处理流程:
1.边缘设备(如:移动终端、移动电脑、车载移动台、台式电脑等)生成算力服务请求,并通过仿生觅食法分析是否需要向无中心微智能服务调度核心服务器上报算力服务请求和附属数据。
其中,仿生觅食法用于判断算力服务请求是否可以在本地处理,如果不可以在本地处理,则将算力服务请求和附属数据上报。具体地,仿生觅食法原理如下:任意一个边缘设备生成算力服务请求后,将算力服务请求广播给自组网内其余所有边缘设备,自主网中服务延时率和带宽利用率综合最优的边缘设备接收处理算力服务请求并置该算力服务请求标示为占用状态,如果自组网(可扩展)内所有边缘设备的算力都无法处理,则上报给无中心微智能服务调度核心层的无中心微智能服务调度核心服务器,若到来的算力服务请求被延迟则被赋予当前较高分析调度优先权。
2.5G网关接入及路由层的5G网关及路由将算力服务请求和附属数据传送给无中心微智能服务调度核心层;
3.无中心微智能服务调度核心层的无中心微智能服务调度核心服务器对算力服务请求和附属数据深度分析后实现算力服务调配;
4&5.无中心微智能服务调度核心服务器将深度分析后的算力服务结果传送给边缘设备。
基于图1所示的场景图,下面介绍本申请涉及的边缘设备算力服务调配的相关实施例。参见图2,是本发明实施例提供的一种边缘设备算力服务调配的方法的流程图,如图2所示,该方法包括如下步骤:
步骤S102,接收边缘设备发送的算力服务请求和所对应的附属数据。
在本实施例中,算力服务请求可以由边缘设备在当前算力低下时自动生成,边缘设备生成算力服务请求后,先向自主网内其余所有边缘设备广播算力服务请求以及所对应的附属数据,该附属数据为该算力服务所要处理分析的相应数据,以使得自主网中服务延时率和带宽利用率综合最优的边缘设备接收处理算力服务请求并置该算力服务请求标示为占用状态,在预设时间内,若边缘设备没有收到自组网内广播的算力服务请求被占用的消息,则向无中心微智能服务调度核心服务器发送算力服务请求和所对应的附属数据。
步骤S104,基于算力服务请求对附属数据进行深度分析,得到最终的算力服务调配方案。
在本实施例中,无中心微智能服务调度核心服务器接收到边缘设备发送的算力服务请求和所对应的附属数据后,基于算力服务请求对附属数据进行深度分析,能够得到算力弹性高、服务响应延时短、带宽消耗低的最终的算力服务调配方案,该算力服务调配方案用于指示将该算力服务请求分配给无中心微智能服务调度核心层的某个无中心微智能服务调度核心服务器处理,以提高该算力服务请求的服务响应速度,减少网络带宽。
在本实施例中,无中心微智能服务调度核心服务器可以接受多个边缘设备发送的算力服务请求,这些算力服务请求可以采用稀疏矩阵存储,各算力服务请求相互独立,且互不干扰。当算力服务请求到达深度分析模型后,被分析成相应的深度分析结果。若到来的算力服务请求被延迟则被赋予当前较高分析调度优先权。
在本实施例中,基于该算力服务请求,采用深度分析模型进行分析,每次迭代中的多层卷积神经元、深度无监督学习等策略思想为:在1,2,…h多维空间中,多个深度分析方案根据多层卷积神经元、深度无监督学习等策略方式向最优化算力服务调配方案确定的方向迁移,基于仿生觅食法、多层卷积神经元、深度监督学习等策略原理,算力服务请求和附属数据在输入后经过请求输入,仿生觅食法、多层卷积神经元、深度无监督学习分析后输出相应的算力服务调配方案。如图3所示,多层卷积神经元网络包含:服务延时率L(=单位时间内响应服务的时间量/单位时间总量),带宽利用率E(=单位带宽内服务数据占用量/单位带宽)。输出量包含:算力服务调配方案。
可选地,基于算力服务请求对附属数据进行深度分析,可以包括:
S1:设置迭代初始参数和最大迭代次数;
S2:基于服务延时率和带宽利用率对附属数据进行分析,得到匹配度最优的算力服务调配方案;
S3:判断匹配度最优的算力服务调配方案是否满足预设的评估条件,如果满足,则转到步骤S6;如果不满足,则转到步骤S4;
S4:对服务延时率和带宽利用率进行深度无监督学习;
S5:将迭代次数加1,并判断当前迭代次数是否小于最大迭代次数,若是,返回执行步骤S2,若否,则执行步骤S6;
S6:将匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出。
在本实施例中,服务延时率和带宽利用率可以事先由无中心微智能服务调度核心服务器预设,并通过深度无监督学习不断优化,再通过不断优化的服务延时率和带宽利用率得到更优的算力弹性高、服务响应延时短、带宽消耗低的算力服务调配方案。
在本实施例中,当中间匹配度最优的算力服务调配方案不满足预设的评估条件时,对该不满足评估条件的算力服务调配方案进行进一步迭代优化。同时,为了避免无限次的迭代优化,可以设置最大迭代次数,最大迭代次数可以在45-55之间,优选为50,在迭代次数达到50次时,默认为该方案已满足预设的评估条件,最终选择达到评估条件或者达到最大迭代次数的匹配度最优的算力服务调配方案作为最终的算力服务调配方案。
可选地,每个匹配度最优的算力服务调配方案以三维向量的形式存储为:
其中,k为迭代次数;i、j和t为维度,且i∈[1,m],j∈[1,n],t∈[1,p];为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
在本实施例中,如图4所示,每个所述匹配度最优的算力服务调配方案可以以三维向量的形式存储,其中,每个三维坐标至少包含服务延时率和带宽利用率,服务延时率为单位时间内响应服务的时间量与单位时间总量的比值,带宽利用率为单位带宽内服务数据占用量与单位带宽的比值。
可选地,基于服务延时率和带宽利用率对附属数据进行分析,得到匹配度最优的算力服务调配方案的步骤中,匹配度最优的算力服务调配方案可以根据以下计算公式得到:
式中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;Cov代表协方差;D代表方差;为第k次迭代时的相关系数,/>为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
可选地,判断匹配度最优的算力服务调配方案是否满足预设的评估条件,具体可以根据以下公式进行判断:
其中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率,P为概率。
可选地,对服务延时率和带宽利用率进行深度无监督学习,具体可以根据以下公式进行深度无监督学习:
其中,Mijt k+1主要包含两方面的信息向量,/>为第k+1次迭代时的服务延时率,/>为第k+1次迭代时的带宽利用率,γ和δ为调整系数,Bijt k+1为第k+1次迭代时的深度无监督学习加强因子;
其中,深度无监督学习加强因子Bijt k+1根据以下公式得到:
式中,Lkmin为第k次迭代时的最小服务延时率,Ekmax为第k次迭代时的最大带宽利用率。
步骤S106,根据最终的算力服务调配方案确定为边缘设备服务的调配服务器,并将算力服务请求和所对应的附属数据发送给调配服务器。
本实施例提供的边缘设备算力服务调配的方法,通过接收边缘设备发送的算力服务请求和所对应的附属数据;并基于所述算力服务请求对所述附属数据进行深度分析,能够得到算力弹性高、服务响应延时短、带宽消耗低的最终的算力服务调配方案;从而根据该最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器,以使所述调配服务器快速响应并处理该边缘设备的算力服务请求,解决了现有技术中采用的传统中心的集群服务器操作方式无法适应日益增长的网络服务需求,产生了服务响应延时长、带宽消耗大的问题。
如图5所示,为本实施例提供的又一种边缘设备算力服务调配的方法,应用于边缘设备,方法包括:
步骤S202,生成算力服务请求;
步骤S204向自组网内所有其他边缘设备广播算力服务请求和所对应的附属数据;
步骤S206若在预设时间内未收到自组网内广播的算力服务请求被占用的消息,则向服务器发送算力服务请求和所对应的附属数据。
在本实施例中,若在预设时间内收到自组网内广播的算力服务请求被占用的消息,则由发布该算力服务请求被占用消息的边缘设备处理该算力服务请求。
如图6所示,本实施例还提供一种边缘设备算力服务调配的装置,包括:
请求接收模块21,用于接收边缘设备发送的算力服务请求和所对应的附属数据;
深度分析模块22,与所述请求接收模块21连接,用于基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;
算力服务调配模块23,与所述深度分析模块22连接,用于根据所述最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器。
可选地,所述深度分析模块22可以包括:
设置单元,用于设置迭代初始参数和最大迭代次数;
分析单元,用于基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案;
评估判断单元,用于判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件;
学习单元,用于对所述服务延时率和带宽利用率进行深度无监督学习;
迭代判断单元,用于将迭代次数加1,并判断当前迭代次数是否小于所述最大迭代次数;
输出单元,用于将所述匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出。
可选地,服务延时率为单位时间内响应服务的时间量与单位时间总量的比值,带宽利用率为单位带宽内服务数据占用量与单位带宽的比值;
可选地,还包括:
存储模块,用于将每个匹配度最优的算力服务调配方案以三维向量的形式存储为:
其中,k为迭代次数;i、j和t为维度,且i∈[1,m],j∈[1,n],t∈[1,p];为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
可选地,分析单元具体用于根据以下计算公式基于服务延时率和带宽利用率对附属数据进行分析,得到匹配度最优的算力服务调配方案:
式中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;Cov代表协方差;D代表方差;为第k次迭代时的相关系数,/>为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
可选地,评估判断单元具体用于根据以下公式判断匹配度最优的算力服务调配方案是否满足预设的评估条件:
其中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率,P为概率。
可选地,学习单元具体用于根据以下公式对服务延时率和带宽利用率进行深度无监督学习:
其中,Mijt k+1主要包含两方面的信息向量,/>为第k+1次迭代时的服务延时率,/>为第k+1次迭代时的带宽利用率,γ和δ为调整系数,Bijt k+1为第k+1次迭代时的深度无监督学习加强因子;
其中,深度无监督学习加强因子Bijt k+1根据以下公式得到:
式中,Lkmin为第k次迭代时的最小服务延时率,Ekmax为第k次迭代时的最大带宽利用率。
相应的,本实施例还提供一种边缘设备算力服务调配的系统,包括微智能服务器自组网接入层、5G网关接入及路由层和无中心微智能服务调度核心层;
微智能服务器自组网接入层包括边缘设备,边缘设备用于执行上述所述的应用于边缘设备的边缘设备算力服务调配的方法;
5G网关接入及路由层,用于实现5G网络的接入及网络数据的路由转发;
无中心微智能服务调度核心层包括无中心微智能服务调度核心服务器,无中心微智能服务调度核心服务器用于执行上述所述的应用于服务器的边缘设备算力服务调配的方法。
本发明实施例提供的边缘设备算力服务调配的方法、装置及系统,通过接收边缘设备发送的算力服务请求和所对应的附属数据;并基于所述算力服务请求对所述附属数据进行深度分析,能够得到算力弹性高、服务响应延时短、带宽消耗低的最终的算力服务调配方案;从而根据该最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器,以使所述调配服务器快速响应并处理该边缘设备的算力服务请求,解决了现有技术中采用的传统中心的集群服务器操作方式无法适应日益增长的网络服务需求,产生了服务响应延时长、带宽消耗大的问题。
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 (7)
1.一种边缘设备算力服务调配的方法,其特征在于,应用于服务器,所述方法包括:
接收边缘设备发送的算力服务请求和所对应的附属数据;
基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;
根据所述最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器;
所述基于所述算力服务请求对所述附属数据进行深度分析,包括:
S1:设置迭代初始参数和最大迭代次数;
S2:基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案;
S3:判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件,如果满足,则转到步骤S6;如果不满足,则转到步骤S4;
S4:对所述服务延时率和带宽利用率进行深度无监督学习;
S5:将迭代次数加1,并判断当前迭代次数是否小于所述最大迭代次数,若是,返回执行步骤S2,若否,则执行步骤S6;
S6:将所述匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出;
所述服务延时率为单位时间内响应服务的时间量与单位时间总量的比值,所述带宽利用率为单位带宽内服务数据占用量与单位带宽的比值;
每个所述匹配度最优的算力服务调配方案以三维向量的形式存储为:
其中,k为迭代次数;i、j和t为维度,且i∈[1,m],j∈[1,n],t∈[1,p];m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
2.根据权利要求1所述的边缘设备算力服务调配的方法,其特征在于,所述基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案的步骤中,所述匹配度最优的算力服务调配方案根据以下计算公式得到:
式中,k为迭代次数;i、j和t为维度;Cov代表协方差;D代表方差;为第k次迭代时的相关系数,/>为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
3.根据权利要求2所述的边缘设备算力服务调配的方法,其特征在于,所述判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件,具体根据以下公式进行判断:
其中,k为迭代次数;i、j和t为维度;m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率,P为概率。
4.根据权利要求3所述的边缘设备算力服务调配的方法,其特征在于,所述对所述服务延时率和带宽利用率进行深度无监督学习,具体根据以下公式进行深度无监督学习:
其中,Mijt k+1主要包含两方面的信息向量,/>为第k+1次迭代时的服务延时率,/>为第k+1次迭代时的带宽利用率,γ和δ为调整系数,Bijt k+1为第k+1次迭代时的深度无监督学习加强因子;
其中,深度无监督学习加强因子Bijt k+1根据以下公式得到:
式中,Lkmin为第k次迭代时的最小服务延时率,Ekmax为第k次迭代时的最大带宽利用率。
5.一种边缘设备算力服务调配的方法,其特征在于,应用于边缘设备,所述方法包括:
生成算力服务请求;
向自组网内所有其他边缘设备广播所述算力服务请求和所对应的附属数据,以使服务器基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;
若在预设时间内未收到自组网内广播的算力服务请求被占用的消息,则向服务器发送所述算力服务请求和所对应的附属数据;
其中,所述基于所述算力服务请求对所述附属数据进行深度分析,包括:
S1:设置迭代初始参数和最大迭代次数;
S2:基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案;
S3:判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件,如果满足,则转到步骤S6;如果不满足,则转到步骤S4;
S4:对所述服务延时率和带宽利用率进行深度无监督学习;
S5:将迭代次数加1,并判断当前迭代次数是否小于所述最大迭代次数,若是,返回执行步骤S2,若否,则执行步骤S6;
S6:将所述匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出;
所述服务延时率为单位时间内响应服务的时间量与单位时间总量的比值,所述带宽利用率为单位带宽内服务数据占用量与单位带宽的比值;
每个所述匹配度最优的算力服务调配方案以三维向量的形式存储为:
其中,k为迭代次数;i、j和t为维度,且i∈[1,m],j∈[1,n],t∈[1,p];m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
6.一种边缘设备算力服务调配的装置,其特征在于,包括:
请求接收模块,用于接收边缘设备发送的算力服务请求和所对应的附属数据;
深度分析模块,与所述请求接收模块连接,用于基于所述算力服务请求对所述附属数据进行深度分析,得到最终的算力服务调配方案;
算力服务调配模块,与所述深度分析模块连接,用于根据所述最终的算力服务调配方案确定为所述边缘设备服务的调配服务器,并将所述算力服务请求和所对应的附属数据发送给所述调配服务器;
所述深度分析模块包括:
设置单元,用于设置迭代初始参数和最大迭代次数;
分析单元,用于基于服务延时率和带宽利用率对所述附属数据进行分析,得到匹配度最优的算力服务调配方案;
评估判断单元,用于判断所述匹配度最优的算力服务调配方案是否满足预设的评估条件;
学习单元,用于对所述服务延时率和带宽利用率进行深度无监督学习;
迭代判断单元,用于将迭代次数加1,并判断当前迭代次数是否小于所述最大迭代次数;
输出单元,用于将所述匹配度最优的算力服务调配方案作为最终的算力服务调配方案输出;
所述服务延时率为单位时间内响应服务的时间量与单位时间总量的比值,所述带宽利用率为单位带宽内服务数据占用量与单位带宽的比值;
每个所述匹配度最优的算力服务调配方案以三维向量的形式存储为:
其中,k为迭代次数;i、j和t为维度,且i∈[1,m],j∈[1,n],t∈[1,p];m、n和p分别为i、j和t的最大维度值;为第k次迭代时的服务延时率;/>为第k次迭代时的带宽利用率。
7.一种边缘设备算力服务调配的系统,其特征在于,包括微智能服务器自组网接入层、5G网关接入及路由层和无中心微智能服务调度核心层;
所述微智能服务器自组网接入层包括边缘设备,所述边缘设备用于执行权利要求5所述的边缘设备算力服务调配的方法;
所述5G网关接入及路由层,用于实现5G网络的接入及网络数据的路由转发;
所述无中心微智能服务调度核心层包括无中心微智能服务调度核心服务器,所述无中心微智能服务调度核心服务器用于执行权利要求1至4中任一项所述的边缘设备算力服务调配的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324679.1A CN112492652B (zh) | 2020-11-23 | 2020-11-23 | 一种边缘设备算力服务调配的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324679.1A CN112492652B (zh) | 2020-11-23 | 2020-11-23 | 一种边缘设备算力服务调配的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112492652A CN112492652A (zh) | 2021-03-12 |
CN112492652B true CN112492652B (zh) | 2023-07-28 |
Family
ID=74933355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011324679.1A Active CN112492652B (zh) | 2020-11-23 | 2020-11-23 | 一种边缘设备算力服务调配的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112492652B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656187B (zh) * | 2021-10-19 | 2021-12-28 | 中通服建设有限公司 | 基于5g的公安大数据算力服务系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924198A (zh) * | 2018-06-21 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的数据调度方法、装置及系统 |
CN110851529A (zh) * | 2019-11-01 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 算力调度方法及相关设备 |
CN111475276A (zh) * | 2020-05-29 | 2020-07-31 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的任务管理方法及其装置 |
CN111565420A (zh) * | 2020-04-07 | 2020-08-21 | 大连理工大学 | 一种移动区块链中智能资源分配方法 |
CN111625354A (zh) * | 2020-05-19 | 2020-09-04 | 南京乐贤智能科技有限公司 | 一种边缘计算设备算力的编排方法及其相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150288619A1 (en) * | 2014-04-04 | 2015-10-08 | Minerva Networks, Inc. | Distributed service management platform |
US10462212B2 (en) * | 2016-10-28 | 2019-10-29 | At&T Intellectual Property I, L.P. | Hybrid clouds |
-
2020
- 2020-11-23 CN CN202011324679.1A patent/CN112492652B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924198A (zh) * | 2018-06-21 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的数据调度方法、装置及系统 |
CN110851529A (zh) * | 2019-11-01 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 算力调度方法及相关设备 |
CN111565420A (zh) * | 2020-04-07 | 2020-08-21 | 大连理工大学 | 一种移动区块链中智能资源分配方法 |
CN111625354A (zh) * | 2020-05-19 | 2020-09-04 | 南京乐贤智能科技有限公司 | 一种边缘计算设备算力的编排方法及其相关设备 |
CN111475276A (zh) * | 2020-05-29 | 2020-07-31 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的任务管理方法及其装置 |
Non-Patent Citations (2)
Title |
---|
"5G时代的传媒创新:边缘计算的应用范式研究";喻国明等;《《山西大学学报(哲学社会科学版)》》;全文 * |
"A Novel Energy Trading Platform for Distribution Network Based on Edge Computing";Yueyu Li等;《2019 IEEE 3rd Conference on Energy Internet and Energy System Integration (EI2)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112492652A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Collaborative cloud and edge computing for latency minimization | |
CN111372314A (zh) | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 | |
CN110839184B (zh) | 基于流量预测的移动前传光网络带宽调整方法及装置 | |
CN110505644B (zh) | 用户任务卸载与资源分配联合优化方法 | |
CN114142907B (zh) | 一种通信终端设备的信道筛选优化方法及系统 | |
CN107343268B (zh) | 非正交多播和单播传输波束赋型方法及系统 | |
CN112187891B (zh) | 基于多业务的边缘计算节点集合的负载优化方法及装置 | |
CN111915142B (zh) | 一种基于深度强化学习的无人机辅助资源分配方法 | |
CN114143346A (zh) | 一种车联网任务卸载和服务缓存的联合优化方法及系统 | |
CN114007225A (zh) | Bwp的分配方法、装置、电子设备及计算机可读存储介质 | |
CN113407249B (zh) | 一种面向位置隐私保护的任务卸载方法 | |
CN113961264B (zh) | 一种面向视频监控云边协同的智能卸载算法与系统 | |
CN112492652B (zh) | 一种边缘设备算力服务调配的方法、装置及系统 | |
WO2023020502A1 (zh) | 数据处理方法及装置 | |
Yaqub et al. | Multi-objective resource optimization for hierarchical mobile edge computing | |
CN116916386A (zh) | 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法 | |
CN112492651B (zh) | 资源调度方案优化方法及装置 | |
CN113873658A (zh) | 一种以用户服务权重增益为目标函数的跳波束资源分配方法 | |
CN113692052A (zh) | 一种网络边缘机器学习训练方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN112543481B (zh) | 一种边缘节点算力负载均衡的方法、装置及系统 | |
CN112969157B (zh) | 一种无人机网络负载均衡方法 | |
CN115955711A (zh) | 一种面向能效最优的空地6g网络资源分配方法 | |
CN115955479A (zh) | 一种云边端协作系统中的任务快速调度与资源管理方法 | |
US20230297885A1 (en) | Big data-based modular ai engine server and driving method of the same |
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 |