CN112543481A - 一种边缘节点算力负载均衡的方法、装置及系统 - Google Patents

一种边缘节点算力负载均衡的方法、装置及系统 Download PDF

Info

Publication number
CN112543481A
CN112543481A CN202011322845.4A CN202011322845A CN112543481A CN 112543481 A CN112543481 A CN 112543481A CN 202011322845 A CN202011322845 A CN 202011322845A CN 112543481 A CN112543481 A CN 112543481A
Authority
CN
China
Prior art keywords
load balancing
computational
computing
edge node
power
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
Application number
CN202011322845.4A
Other languages
English (en)
Other versions
CN112543481B (zh
Inventor
王智明
徐雷
陶冶
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011322845.4A priority Critical patent/CN112543481B/zh
Publication of CN112543481A publication Critical patent/CN112543481A/zh
Application granted granted Critical
Publication of CN112543481B publication Critical patent/CN112543481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/082—Load balancing or load distribution among bearers or channels
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种边缘节点算力负载均衡的方法、装置及系统，所述方法包括：接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；根据所述最终的算力负载均衡调度方案实施算力负载均衡，所述算力负载均衡用于将所述待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡所述待均衡算力。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节点所产生的海量数据,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

一种边缘节点算力负载均衡的方法、装置及系统
技术领域
本发明涉及网络通信技术领域，尤其涉及一种边缘节点算力负载均衡的方法、装置及系统。
背景技术
随着5G边缘计算的快速发展，边缘节点的数量迅速增加，同时5G边缘节点所产生的数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘节点所产生的海量数据，无法适应日益增长的高功效算力需求，产生的高功耗、低弹性(低调度敏捷性)、不均衡(导致拥塞)等问题日益突出。
因此，提供一种边缘节点算力负载均衡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，提供一种边缘节点算力负载均衡的方法、装置及系统，用以解决现有技术中集中式数据处理不能有效处理边缘节点所产生的海量数据,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。
第一方面，本发明实施例提供一种边缘节点算力负载均衡的方法，包括：
接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；
基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；
根据所述最终的算力负载均衡调度方案实施算力负载均衡，所述算力负载均衡用于将所述待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡所述待均衡算力。
优选地，所述基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，包括：
S1：设置迭代初始参数和最大迭代次数；
S2：基于功耗率和均衡率对所述待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案；
S3：判断所述匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件，如果满足，则转到步骤S6；如果不满足，则转到步骤S4；
S4：对所述功耗率和均衡率进行深度监督学习；
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负载均衡调度方案作为最终的算力负载均衡调度方案输出。
优选地，所述功耗率为单位时间边缘节点所耗算力与单位时间边缘节点完成任务量的比值，所述均衡率为边缘节点算力与所有边缘节点总算力和的比值；所述待均衡算力所对应的数据信息包括业务数据。
优选地，所述基于功耗率和均衡率对所述待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案的步骤中，所述匹配度最优的算力负载均衡调度方案根据以下计算公式得到：
Figure RE-GDA0002942082470000021
其中，
Figure RE-GDA0002942082470000022
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；
Figure RE-GDA0002942082470000023
为第k次迭代循环递归激励函数，
Figure RE-GDA0002942082470000024
为是傅立叶变换中的卷积运算；
Figure RE-GDA0002942082470000031
为第k次迭代时的功耗率；
Figure RE-GDA0002942082470000032
为第 k次迭代时的均衡率。
优选地，所述判断所述匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件，具体根据以下公式进行判断：
Figure RE-GDA0002942082470000033
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；
Figure RE-GDA0002942082470000034
为第k次迭代时的功耗率；
Figure RE-GDA0002942082470000035
为第k次迭代时的均衡率，P为概率。
优选地，所述对所述功耗率和均衡率进行深度监督学习，具体根据以下公式进行深度监督学习：
Figure RE-GDA0002942082470000036
其中，
Figure RE-GDA0002942082470000037
为第k+1次迭代循环递归激励函数，
Figure RE-GDA0002942082470000038
为第k次迭代循环递归激励函数，dmaxk为第k次迭代时的d的最大值，v是 0到k之间的随机数。
第二方面，本发明实施例提供一种边缘节点算力负载均衡的装置，包括：
需求接收模块，用于接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；
深度分析模块，与所述需求接收模块连接，用于基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；
算力负载均衡模块，与所述深度分析模块连接，用于根据所述最终的算力负载均衡调度方案实施算力负载均衡，所述算力负载均衡用于将所述待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘层中的所有边缘节点，以均衡所述待均衡算力。
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，用于基于功耗率和均衡率对所述待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案；
评估判断单元，用于判断所述匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件；
学习单元，用于对所述功耗率和均衡率进行深度监督学习；
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负载均衡调度方案作为最终的算力负载均衡调度方案输出。
优选地，所述功耗率为单位时间边缘节点所耗算力与单位时间边缘节点完成任务量的比值，所述均衡率为边缘节点算力与所有边缘节点总算力和的比值；所述待均衡算力所对应的数据信息包括业务数据。
第三方面，本发明实施例提供一种边缘节点算力负载均衡的系统，包括边缘节点算力负载均衡边缘接入层、边缘节点算力负载均衡网关接入层和边缘节点算力负载均衡核心层；
所述边缘节点算力负载均衡边缘接入层，用于提交算力负载均衡需求和待均衡算力所对应的数据信息；
所述边缘节点算力负载均衡网关接入层，用于实现运营商网络的接入，并将所述算力负载均衡需求和待均衡算力所对应的数据信息传送给所述边缘节点算力负载均衡核心层；
所述边缘节点算力负载均衡核心层用于执行第一方面所述的边缘节点算力负载均衡的方法。
本发明实施例提供的边缘节点算力负载均衡的方法、装置及系统，通过接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；并基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；以及根据所述最终的算力负载均衡调度方案实施算力负载均衡，能够将该待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡待均衡算力，降低边缘节点的功耗，解决了现有技术中集中式数据处理不能有效处理边缘节点所产生的海量数据,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。
附图说明
图1：为本发明实施例的一种边缘节点算力负载均衡的场景图；
图2：为本发明实施例的一种边缘节点算力负载均衡的方法的流程图；
图3：为本发明实施例的深度分析原理图；
图4：为本发明实施例的多层卷积神经元网络结构示意图；
图5：为本发明实施例的存储模型；
图6：为本发明实施例的一种边缘节点算力负载均衡的装置的结构图。
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节点算力负载均衡的场景图，其中，各部分说明如下：
1)边缘节点算力负载均衡边缘接入层，包含：边缘节点，边缘节点可以是接入5G网络的个人终端(手机或笔记本等)或者物联终端等，用于提交算力负载均衡需求和待均衡算力所对应的数据信息，以及实现存储数据和承载算力。
其中，待均衡算力所对应的数据信息可以是业务信息，作为负载算力所处理分析的相应数据。
2)边缘节点算力负载均衡网关接入层，包含：边缘节点算力负载均衡网关，实现运营商网络的接入及数据传输；
3)边缘节点算力负载均衡核心层，包含：算力负载均衡核心服务器等，实现边缘节点的算力负载均衡调度等功能；
在图1所示的场景中，包括以下处理流程：
1.边缘节点提交算力负载均衡需求和待均衡算力所对应的数据信息；
2.边缘节点算力负载均衡网关接入层的负载均衡网关及路由将算力负载均衡需求和待均衡算力所对应的数据信息传送给边缘节点算力负载均衡核心层；
3.边缘节点算力负载均衡核心层的算力负载均衡核心服务器接收算力负载均衡需求后，对待均衡算力所对应的数据信息进行深度分析；
4&5.算力负载均衡核心服务器将深度分析后得到的算力负载均衡调度方案传送给边缘节点，并实施算力负载均衡，所述算力负载均衡用于将待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡该待均衡算力。
基于图1所示的场景图，下面介绍本申请涉及的边缘节点算力负载均衡的相关实施例。参见图2，是本发明实施例提供的一种边缘节点算力负载均衡的方法的流程图，如图2所示，该方法包括如下步骤：
步骤S102，接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息。
在本实施例中，算力负载均衡核心服务器接收边缘节点发送的算力负载均衡需求以及待均衡算力所对应的数据信息，该待均衡算力所对应的数据信息作为负载算力所处理分析的相应数据，算力负载均衡核心服务器根据算力负载均衡需求，分析所对应的数据信息，得到算力负载均衡调度方案，并根据最终的算力负载均衡调度方案调整算力，算力负载均衡调度方案包括算力分布于哪些边缘节点，具体均衡算力的负载，在均衡边缘节点算力的同时，能够降低边缘节点的功耗。比如，算力负载均衡调度方案可以是按照各边缘节点的当前可用算力或是利用率灵活分配，当某个边缘节点的当前可用算力或是利用率在某个阀值以下时可以多分配一点，大于这个阀值的边缘节点可以少分配一点，以使各边缘节点的当前算力达到平衡。同时，若各边缘节点均有足够多的当前可用算力，也可以将待均衡算力均衡分配给各边缘节点。
步骤S104，基于算力负载均衡需求对待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案。
在本实施例中，算力负载均衡核心服务器可以接受多个边缘节点发送的算力负载均衡需求，这些算力负载均衡需求可以采用稀疏矩阵存储，各算力负载均衡需求相互独立，且互不干扰。当算力负载均衡需求到达深度分析模型后，进行基于量子理论的分析，被分析成相应的深度分析结果。若到来的算力负载均衡需求被延迟则被赋予当前较高分析调度优先权。在量子力学里，当几个粒子在彼此相互作用后，由于各个粒子所拥有的特性已综合成为整体性质，只能描述整体系统的性质。
在本实施例中，基于该算力负载均衡需求，采用深度分析模型进行分析，该深度分析原理图如图3所示，每次迭代中的多层卷积神经元、量子理论、深度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、量子理论、深度监督学习等策略方式向最优化算力负载均衡调度方案确定的方向迁移，也即图3左图中实线圆球所在位置。如图3所示，基于多层卷积神经元、量子理论、深度监督学习等策略原理，算力负载均衡需求在输入后经过请求输入，多层卷积神经元、量子理论、深度监督学习分析后输出相应的算力负载均衡调度方案。如图4所示，多层卷积神经元网络包含：功耗率A(＝单位时间本边缘节点所耗算力/单位时间本边缘节点完成任务量)、均衡率E(＝本边缘节点算力/所有边缘节点总算力和)。输出量包含：算力负载均衡调度方案。
在本实施例中，算力是指数据分析运算处理能力，算力负载均衡核心服务器时刻监测每个边缘节点的任务量，任务量可用任务所耗信息量来衡量，比如多少条业务数据。
可选地，基于算力负载均衡需求对待均衡算力所对应的数据信息进行深度分析，可以包括：
S1：设置迭代初始参数和最大迭代次数；
S2：基于功耗率和均衡率对待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案；
S3：判断匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件，如果满足，则转到步骤S6；如果不满足，则转到步骤S4；
S4：对功耗率和均衡率进行深度监督学习；
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负载均衡调度方案作为最终的算力负载均衡调度方案输出。
在本实施例中，功耗率和均衡率可以事先由算力负载均衡核心服务器预设，并通过监督学习不断优化，再通过不断优化的功耗率和均衡率得到更优的低功耗、高弹性、负载均衡的算力负载均衡调度方案。
在本实施例中，当中间匹配度最优的算力负载均衡调度方案不满足预设的量子检测条件时，对该不满足量子检测条件的算力负载均衡调度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量子检测条件，最终选择达到量子检测条件或者达到最大迭代次数的匹配度最优的算力负载均衡调度方案作为最终的算力负载均衡调度方案。
在本实施例中，如图5所示，每个所述匹配度最优的算力负载均衡调度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功耗率和均衡率，功耗率为单位时间边缘节点所耗算力与单位时间边缘节点完成任务量的比值，均衡率为边缘节点算力与所有边缘节点总算力和的比值。
可选地，基于功耗率和均衡率对待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案的步骤中，匹配度最优的算力负载均衡调度方案可以根据以下计算公式得到：
Figure RE-GDA0002942082470000091
其中，
Figure RE-GDA0002942082470000092
γ+δ＝1，γ，δ∈(0，1)
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；
Figure RE-GDA0002942082470000093
为第k次迭代循环递归激励函数，
Figure RE-GDA0002942082470000094
为是傅立叶变换中的卷积运算；
Figure RE-GDA0002942082470000095
为第k次迭代时的功耗率；
Figure RE-GDA0002942082470000096
为第 k次迭代时的均衡率。
可选地，判断匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件，具体可以根据以下公式进行判断：
Figure RE-GDA0002942082470000097
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；
Figure RE-GDA0002942082470000098
为第k次迭代时的功耗率；
Figure RE-GDA0002942082470000099
为第k次迭代时的均衡率，P为概率。
可选地，对功耗率和均衡率进行深度监督学习，具体可以根据以下公式进行深度监督学习：
Figure RE-GDA0002942082470000101
其中，
Figure RE-GDA0002942082470000102
为第k+1次迭代循环递归激励函数，
Figure RE-GDA0002942082470000103
为第k次迭代循环递归激励函数，dmaxk为第k次迭代时的d的最大值，v是0 到k之间的随机数。
步骤S106，根据所述最终的算力负载均衡调度方案实施算力负载均衡，所述算力负载均衡用于将所述待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡所述待均衡算力。
本实施例提供的边缘节点算力负载均衡的方法，通过接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；并基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；以及根据所述最终的算力负载均衡调度方案实施算力负载均衡，能够将该待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡待均衡算力，降低边缘节点的功耗，解决了现有技术中集中式数据处理不能有效处理边缘节点所产生的海量数据,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。
如图6所示，本实施例还提供一种边缘节点算力负载均衡的装置，包括：
需求接收模块21，用于接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；
深度分析模块22，与需求接收模块21连接，用于基于算力负载均衡需求对待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；
算力负载均衡模块23，与深度分析模块22连接，用于根据最终的算力负载均衡调度方案实施算力负载均衡，算力负载均衡用于将待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘层中的所有边缘节点，以均衡待均衡算力。
可选地，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，用于基于功耗率和均衡率对待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案；
评估判断单元，用于判断匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件；
学习单元，用于对功耗率和均衡率进行深度监督学习；
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最大迭代次数；
输出单元，用于将匹配度最优的算力负载均衡调度方案作为最终的算力负载均衡调度方案输出。
可选地，功耗率为单位时间边缘节点所耗算力与单位时间边缘节点完成任务量的比值，均衡率为边缘节点算力与所有边缘节点总算力和的比值；待均衡算力所对应的数据信息包括业务数据。
可选地，分析单元具体用于根据以下计算公式基于功耗率和均衡率对待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案：
Figure RE-GDA0002942082470000111
其中，
Figure RE-GDA0002942082470000112
γ+δ＝1，γ，δ∈(0，1)
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；
Figure RE-GDA0002942082470000113
为第k次迭代循环递归激励函数，
Figure RE-GDA0002942082470000114
为是傅立叶变换中的卷积运算；
Figure RE-GDA0002942082470000115
为第k次迭代时的功耗率；
Figure RE-GDA0002942082470000116
为第 k次迭代时的均衡率。
可选地，评估判断单元具体根据以下公式判断匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件：
Figure RE-GDA0002942082470000117
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；
Figure RE-GDA0002942082470000121
为第k次迭代时的功耗率；
Figure RE-GDA0002942082470000122
为第k次迭代时的均衡率，P为概率。
可选地，学习单元具体根据以下公式对功耗率和均衡率进行深度监督学习：
Figure RE-GDA0002942082470000123
其中，
Figure RE-GDA0002942082470000124
为第k+1次迭代循环递归激励函数，
Figure RE-GDA0002942082470000125
为第k次迭代循环递归激励函数，dmaxk为第k次迭代时的d的最大值，v是0 到k之间的随机数。
相应的，本实施例还提供一种边缘节点算力负载均衡的系统，包括边缘节点算力负载均衡边缘接入层、边缘节点算力负载均衡网关接入层和边缘节点算力负载均衡核心层；
边缘节点算力负载均衡边缘接入层，用于提交算力负载均衡需求和待均衡算力所对应的数据信息；
边缘节点算力负载均衡网关接入层，用于实现运营商网络的接入，并将算力负载均衡需求和待均衡算力所对应的数据信息传送给边缘节点算力负载均衡核心层；
边缘节点算力负载均衡核心层用于执行上述所述的边缘节点算力负载均衡的方法。
本发明实施例提供的边缘节点算力负载均衡的装置及系统，通过接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；并基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；以及根据所述最终的算力负载均衡调度方案实施算力负载均衡，能够将该待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡待均衡算力，降低边缘节点的功耗，解决了现有技术中集中式数据处理不能有效处理边缘节点所产生的海量数据,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。
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 (10)

1.一种边缘节点算力负载均衡的方法，其特征在于，包括：
接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；
基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；
根据所述最终的算力负载均衡调度方案实施算力负载均衡，所述算力负载均衡用于将所述待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘接入层中的所有边缘节点，以均衡所述待均衡算力。
2.根据权利要求1所述的边缘节点算力负载均衡的方法，其特征在于，所述基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，包括：
S1：设置迭代初始参数和最大迭代次数；
S2：基于功耗率和均衡率对所述待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案；
S3：判断所述匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件，如果满足，则转到步骤S6；如果不满足，则转到步骤S4；
S4：对所述功耗率和均衡率进行深度监督学习；
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负载均衡调度方案作为最终的算力负载均衡调度方案输出。
3.根据权利要求2所述的边缘节点算力负载均衡的方法，其特征在于，所述功耗率为单位时间边缘节点所耗算力与单位时间边缘节点完成任务量的比值，所述均衡率为边缘节点算力与所有边缘节点总算力和的比值；所述待均衡算力所对应的数据信息包括业务数据。
4.根据权利要求3所述的边缘节点算力负载均衡的方法，其特征在于，所述基于功耗率和均衡率对所述待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案的步骤中，所述匹配度最优的算力负载均衡调度方案根据以下计算公式得到：
Figure RE-FDA0002942082460000021
其中，
Figure RE-FDA0002942082460000022
γ+δ＝1，γ，δ∈(0，1)
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；
Figure RE-FDA0002942082460000023
为第k次迭代循环递归激励函数，
Figure RE-FDA0002942082460000024
为是傅立叶变换中的卷积运算；
Figure RE-FDA0002942082460000025
为第k次迭代时的功耗率；
Figure RE-FDA0002942082460000026
为第k次迭代时的均衡率。
5.根据权利要求4所述的边缘节点算力负载均衡的方法，其特征在于，所述判断所述匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件，具体根据以下公式进行判断：
Figure FDA0002793454580000027
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；
Figure FDA0002793454580000028
为第k次迭代时的功耗率；
Figure FDA0002793454580000029
为第k次迭代时的均衡率，P为概率。
6.根据权利要求5所述的边缘节点算力负载均衡的方法，其特征在于，所述对所述功耗率和均衡率进行深度监督学习，具体根据以下公式进行深度监督学习：
Figure FDA00027934545800000210
其中，
Figure FDA0002793454580000031
为第k+1次迭代循环递归激励函数，
Figure FDA0002793454580000032
为第k次迭代循环递归激励函数，dmaxk为第k次迭代时的d的最大值，v是0到k之间的随机数。
7.一种边缘节点算力负载均衡的装置，其特征在于，包括：
需求接收模块，用于接收边缘节点发送的算力负载均衡需求和待均衡算力所对应的数据信息；
深度分析模块，与所述需求接收模块连接，用于基于所述算力负载均衡需求对所述待均衡算力所对应的数据信息进行深度分析，得到最终的算力负载均衡调度方案；
算力负载均衡模块，与所述深度分析模块连接，用于根据所述最终的算力负载均衡调度方案实施算力负载均衡，所述算力负载均衡用于将所述待均衡算力所对应的数据信息分布于边缘节点算力负载均衡边缘层中的所有边缘节点，以均衡所述待均衡算力。
8.根据权利要求7所述的边缘节点算力负载均衡的装置，其特征在于，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，用于基于功耗率和均衡率对所述待均衡算力所对应的数据信息进行分析，得到匹配度最优的算力负载均衡调度方案；
评估判断单元，用于判断所述匹配度最优的算力负载均衡调度方案是否满足预设的量子检测条件；
学习单元，用于对所述功耗率和均衡率进行深度监督学习；
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负载均衡调度方案作为最终的算力负载均衡调度方案输出。
9.根据权利要求8所述的边缘节点算力负载均衡的装置，其特征在于，所述功耗率为单位时间边缘节点所耗算力与单位时间边缘节点完成任务量的比值，所述均衡率为边缘节点算力与所有边缘节点总算力和的比值；所述待均衡算力所对应的数据信息包括业务数据。
10.一种边缘节点算力负载均衡的系统，其特征在于，包括边缘节点算力负载均衡边缘接入层、边缘节点算力负载均衡网关接入层和边缘节点算力负载均衡核心层；
所述边缘节点算力负载均衡边缘接入层，用于提交算力负载均衡需求和待均衡算力所对应的数据信息；
所述边缘节点算力负载均衡网关接入层，用于实现运营商网络的接入，并将所述算力负载均衡需求和待均衡算力所对应的数据信息传送给所述边缘节点算力负载均衡核心层；
所述边缘节点算力负载均衡核心层用于执行权利要求1至6中任一项所述的边缘节点算力负载均衡的方法。
CN202011322845.4A 2020-11-23 2020-11-23 一种边缘节点算力负载均衡的方法、装置及系统 Active CN112543481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322845.4A CN112543481B (zh) 2020-11-23 2020-11-23 一种边缘节点算力负载均衡的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322845.4A CN112543481B (zh) 2020-11-23 2020-11-23 一种边缘节点算力负载均衡的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112543481A true CN112543481A (zh) 2021-03-23
CN112543481B CN112543481B (zh) 2023-09-15

Family

ID=75014615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322845.4A Active CN112543481B (zh) 2020-11-23 2020-11-23 一种边缘节点算力负载均衡的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112543481B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113986562A (zh) * 2021-12-29 2022-01-28 中移(上海)信息通信科技有限公司 一种资源调度策略生成方法、装置及终端设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107454630A (zh) * 2017-09-25 2017-12-08 中国联合网络通信集团有限公司 负载均衡方法及负载均衡路由器
CN107995126A (zh) * 2017-12-12 2018-05-04 中国联合网络通信集团有限公司 负载均衡路由分析方法及负载均衡路由分析器
CN109451002A (zh) * 2018-10-29 2019-03-08 中国联合网络通信集团有限公司 一种cdn节点的选择方法及设备
US20190104030A1 (en) * 2017-09-29 2019-04-04 NEC Laboratories Europe GmbH System and method to support network slicing in an mec system providing automatic conflict resolution arising from multiple tenancy in the mec environment
CN109831337A (zh) * 2019-03-06 2019-05-31 重庆邮电大学 无线网络虚拟化中临近节点分组映射方法
CN110417676A (zh) * 2019-08-06 2019-11-05 腾讯科技（深圳）有限公司 一种调度方法、装置和调度网络
CN110557732A (zh) * 2019-08-05 2019-12-10 西北工业大学 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法
CN110850957A (zh) * 2019-11-12 2020-02-28 北京工业大学 一种边缘计算场景下通过休眠降低系统功耗的调度方法
CN111262906A (zh) * 2020-01-08 2020-06-09 中山大学 分布式边缘计算服务系统下的移动用户终端任务卸载方法
CN111797039A (zh) * 2020-03-25 2020-10-20 深圳市泓运开泰科技有限公司 一种嵌入式刀片弹性扩展ai边缘服务器的装置和方法
WO2020228469A1 (zh) * 2019-05-10 2020-11-19 腾讯科技（深圳）有限公司 一种移动边缘计算节点的选择方法、装置及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107454630A (zh) * 2017-09-25 2017-12-08 中国联合网络通信集团有限公司 负载均衡方法及负载均衡路由器
US20190104030A1 (en) * 2017-09-29 2019-04-04 NEC Laboratories Europe GmbH System and method to support network slicing in an mec system providing automatic conflict resolution arising from multiple tenancy in the mec environment
CN107995126A (zh) * 2017-12-12 2018-05-04 中国联合网络通信集团有限公司 负载均衡路由分析方法及负载均衡路由分析器
CN109451002A (zh) * 2018-10-29 2019-03-08 中国联合网络通信集团有限公司 一种cdn节点的选择方法及设备
CN109831337A (zh) * 2019-03-06 2019-05-31 重庆邮电大学 无线网络虚拟化中临近节点分组映射方法
WO2020228469A1 (zh) * 2019-05-10 2020-11-19 腾讯科技（深圳）有限公司 一种移动边缘计算节点的选择方法、装置及系统
CN110557732A (zh) * 2019-08-05 2019-12-10 西北工业大学 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法
CN110417676A (zh) * 2019-08-06 2019-11-05 腾讯科技（深圳）有限公司 一种调度方法、装置和调度网络
CN110850957A (zh) * 2019-11-12 2020-02-28 北京工业大学 一种边缘计算场景下通过休眠降低系统功耗的调度方法
CN111262906A (zh) * 2020-01-08 2020-06-09 中山大学 分布式边缘计算服务系统下的移动用户终端任务卸载方法
CN111797039A (zh) * 2020-03-25 2020-10-20 深圳市泓运开泰科技有限公司 一种嵌入式刀片弹性扩展ai边缘服务器的装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹畅，张帅，刘莹，唐雄燕: ""基于通信云和承载网协同的算力网络编排技术"", 《新型网络》 *
王智明 徐雷 陶冶: ""5G智能车联网安全研究初探"", 《研究与开发》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113986562A (zh) * 2021-12-29 2022-01-28 中移(上海)信息通信科技有限公司 一种资源调度策略生成方法、装置及终端设备

Also Published As

Publication number Publication date
CN112543481B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
Jian et al. A cloud edge-based two-level hybrid scheduling learning model in cloud manufacturing
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
CN112667400B (zh) 边缘自治中心管控的边云资源调度方法、装置及系统
CN113962161B (zh) 基于黑寡妇优化算法的最优QoS服务选择方法及装置
CN113961264B (zh) 一种面向视频监控云边协同的智能卸载算法与系统
Zhu et al. Energy and delay co-aware computation offloading with deep learning in fog computing networks
Liao et al. Joint multi-user DNN partitioning and task offloading in mobile edge computing
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
CN114219074A (zh) 一种按需动态调整的无线通信网络资源分配算法
CN115562756A (zh) 一种多接入边缘计算的车辆任务卸载方法及系统
CN111324429B (zh) 一种基于多代血统参考距离的微服务组合调度方法
CN116227632A (zh) 用于客户端异构和数据异构场景的联邦学习方法和装置
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
Rahmani et al. Deep reinforcement learning-based sum rate fairness trade-off for cell-free mMIMO
CN112543481A (zh) 一种边缘节点算力负载均衡的方法、装置及系统
Sadatdiynov et al. An intelligent hybrid method: Multi-objective optimization for MEC-enabled devices of IoE
CN110764833B (zh) 一种基于边缘计算的任务卸载方法、装置及系统
Zhang et al. Dynamic spectrum access for Internet-of-Things with hierarchical federated deep reinforcement learning
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN114385359B (zh) 一种物联网云边端任务时序协同方法
CN112437460A (zh) Ip地址黑灰名单分析方法、服务器、终端及存储介质
Marwani et al. Scalable spatial and geometric learning approach for joint power control and channel allocation
He et al. Reinforcement learning based mec architecturewith energy-efficient optimization for arans
CN109948136A (zh) 基于边缘计算的自动生成ppt模板的方法和系统

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