CN112764923B - 计算资源分配方法、装置、计算机设备及存储介质 - Google Patents
计算资源分配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112764923B CN112764923B CN202110039098.1A CN202110039098A CN112764923B CN 112764923 B CN112764923 B CN 112764923B CN 202110039098 A CN202110039098 A CN 202110039098A CN 112764923 B CN112764923 B CN 112764923B
- Authority
- CN
- China
- Prior art keywords
- mobile terminal
- module
- data
- resource allocation
- weak
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例属于边缘计算领域,涉及一种计算资源分配方法、装置、计算机设备及存储介质,所述方法包括:获取多个移动终端的定位信息;根据定位信息判断各移动终端参与计算的参与概率;根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集;将优化数据子集分配给移动终端,用于在移动终端训练弱分类器;从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果;根据弱分类器的初步分类结果确定最终分类结果。本申请可以使得边缘计算网络允许部分移动终端掉线,同时使边缘计算网络中的移动终端的集成学习保持较高识别能力。
Description
技术领域
本申请涉及计算资源分配技术领域,尤其涉及计算资源分配方法、装置、计算机设备及存储介质。
背景技术
计算资源分配(MEC,mobile edge computing)将移动终端的计算任务卸载到边缘网络,解决了设备在资源存储、计算性能以及能效等方面存在的不足.同时相比于云计算中的计算卸载,MEC解决了网络资源的占用、高时延和额外网络负载等问题,发掘移动网络的内在计算能力,为用户提供更丰富的感知服务。
集成学习,顾名思义,通过将多个单个弱分类器集成/组合在一起,使它们共同完成学习任务。把各个学习结果进行整合往往可以获得比单个分类器更好的学习效果。
移动自组织网络是一种自治、多跳网络,整个网络没有固定的基础设施,能够在不能利用或者不便利用现有网络基础设施(如基站、AP)的情况下,提供终端之间的相互通信。在移动自组织网络中,由于移动终端的随机移动,移动终端间通过无线信道形成的网络拓扑结构随时可能发生变化,造成移动终端与其他移动终端失去连接等问题,因此难以利用移动自组织网络中的移动终端作为计算资源。
发明内容
本申请实施例的目的在于提出一种计算资源分配方法、装置、计算机设备及存储介质,评估移动终端完成计算的概率,并优化数据集,使得即使部分移动终端离开移动自组织网络,基于移动自组织网络的集成学习仍然可以保持较高识别能力。
本申请实施例提供了一种计算资源分配方法,用于移动自组织网络,所述移动自组织网络包括多个移动终端,所述方法包括:
步骤S201、获取多个移动终端的定位信息;
步骤S202、根据定位信息判断各移动终端参与计算的参与概率;
步骤S203、根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,使得移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值;
步骤S204、将优化数据子集分配给移动终端,用于在移动终端训练弱分类器;
步骤S205、从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果,并根据弱分类器的初步分类结果确定最终分类结果。
优选地,步骤S202具体包括:根据位置信息判断移动终端所处的地图网格,将地图网格内的移动终端在预设时间内留在无线自组织网络的概率作为移动终端的参与概率。
进一步地,所述步骤S203具体包括:
步骤S2031、对原始数据集进行随机有放回抽样,获得数量与移动终端数量相同的数据子集;
步骤S2032、将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
步骤S2033、利用数据子集分别训练多个弱分类器;
步骤S2034、利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配参与概率;
步骤S2036、根据弱分类器和参与概率计算集成学习结果;
步骤S2037、判断集成学习结果是否满足要求,若否,则进入步骤S2038,若是,则进入步骤S2039;
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并返回步骤S2033;
步骤S2039、输出个体对应的数据子集作为优化数据子集。
进一步地,所述步骤S2035包括:为适应度较大的个体分配较高的参与概率。
进一步地,所述步骤S2036包括:按参与概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
本申请实施例还提供了一种计算资源分配装置,通过移动自组织网络与多个移动终端通信连接,所述装置包括:
节点管理模块,获取多个移动终端的定位信息;
节点指定模块,根据定位信息判断各移动终端参与计算的参与概率;
数据集优化模块,根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,使得移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值;
任务分配模块,将优化数据子集分配给移动终端,用于在移动终端训练弱分类器;
集成计算模块,从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果,并根据弱分类器的初步分类结果确定最终分类结果。
进一步地,所述数据集优化模块包括:
抽样模块,对原始数据集进行随机有放回抽样,获得数量与移动终端数量相同的数据子集;
初始化模块,将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
训练模块,利用数据子集分别训练多个弱分类器;
测试模块,利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
参与概率模块,根据适应度为个体对应的数据子集训练的弱分类器分配参与概率;
集成学习模块,根据弱分类器和参与概率计算集成学习结果;
判断模块,判断集成学习结果是否满足要求,若否则调用进化模块对个体进行交叉和变异,若是则调用输出模块,将个体对应的数据子集作为优化数据子集输出;
进化模块,根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并调用训练模块根据下一代群体进行弱分类器训练;
输出模块,输出个体对应的数据子集作为优化数据子集。
进一步地,所述集成学习模块按参与概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项计算资源分配方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项计算资源分配方法的步骤。
本发明的有益效果在于:本发明实施例根据定位信息判断各移动终端参与计算的参与概率,根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,将适应度较高的弱分类器分配给参与概率较高的移动终端,即使部分移动终端掉线,也能够使边缘计算网络中的移动终端的集成学习保持较高识别能力。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的计算资源分配方法的一个实施例的流程图;
图3是图2中步骤S203的一种具体实施方式的流程图;
图4是根据本申请的计算资源分配装置的一个实施例的结构示意图;
图5是图4所示数据集优化模块一种具体实施方式的结构示意图;
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和边缘服务器105。网络104用以在终端设备101、102、103和边缘服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与边缘服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持分布式计算的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
边缘服务器105可以是提供各种边缘计算服务的设备,例如向终端设备101、102、103提供输入数据、数据子集等数据的各种设备。
需要说明的是,本申请实施例所提供的计算资源分配方法一般由边缘服务器执行,相应地,计算资源分配装置一般设置于边缘服务器中。
应该理解,图1中的终端设备、网络和边缘服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和边缘服务器。
继续参考图2,示出了根据本申请的计算资源分配方法的一个实施例的流程图。所述的计算资源分配方法用于移动自组织网络,所述移动自组织网络包括多个移动终端,所述方法包括以下步骤:
步骤S201、获取多个移动终端的定位信息;
定位信息可以通过GPS定位、指纹定位、无线信号强度定位等各种定位方法得到。
在本实施例中,计算资源分配方法运行于其上的电子设备(例如图1所示的边缘服务器)可以通过无线自组织网络从移动终端接收定位信息。
步骤202,根据定位信息判断各移动终端参与计算的参与概率。
在本实施例中,定位信息中可以包括一定时间内连续采集的移动终端的位置信息,根据位置信息判断移动终端所处的地图网格,将地图网格内的移动终端在预设时间内留在无线自组织网络的概率作为移动终端的参与概率。
可以预先统计在预设时间各个地图网格内留在无线自组织网络的移动终端的第一数量和离开无线自组织网络的移动终端的第二数量,根据第一数量和第二数量计算地图网格内的移动终端在预设时间内留在无线自组织网络的概率。
步骤203,根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,使得移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值。
在本实施例中,可以利用进化算法对原始数据集进行优化,得到优化数据集。具体来说,可以对原始数据集进行有放回抽样,获得多个数据子集作为初始群体,每个数据子集可以包括预设数量的样本。数据子集的数量可以与目标移动终端数量相等。根据每个数据子集训练一个弱分类器,利用验证集评估弱分类器的误差,并将弱分类器的误差作为数据子集的适应度,计算弱分类器组成的强分类器的误差,当强分类器的误差高于预设阈值时,对数据子集进行交叉变异,例如可以将适应度较高的数据子集中的样本交换到适应度交底的数据子集中,获得新的数据子集,这些新的数据子集作为下一代群体继续进行优化,直到根据数据子集训练的弱分类器组成的强分类器的误差低于预设阈值。
步骤S204、将优化数据子集分配给移动终端,用于在移动终端训练弱分类器。
在本实施例中,弱分类器可以是BP神经网络模型或随机森林模型的分类器,也可以是其他机器学习模型的分类器。
步骤S205、从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果,并根据弱分类器的初步分类结果确定最终分类结果。
在本实施例中,可以根据集成学习算法综合初步分类结果得到强分类器的最终分类结果。
在本实施例的一些可选的实现方式中,所述智能优化算法包括进化算法,例如遗传算法。
同时参考图3,在一些可选的实现方式中,所述步骤S203具体包括:
步骤S2031、对原始数据集进行随机有放回抽样,获得数量与移动终端数量相同的数据子集;每个数据子集包括多条样本数据。
步骤S2032、将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;具体来说,每个个体的染色体对应于一个样本数据。
步骤S2033、利用数据子集分别训练多个弱分类器;
步骤S2034、利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配参与概率;
步骤S2036、根据弱分类器和参与概率计算集成学习结果;
步骤S2037、判断集成学习结果是否满足要求,若否则进入步骤S2038,若是则进入步骤S2039;具体来说,可以判断集成学习的识别正确率是否达到预设的目标正确率,如果是,则判断满足要求,否则判断不满足要求。也可以设定目标迭代次数,当迭代次数达到目标迭代次数以后,可以判断满足要求。
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并返回步骤S2033;具体来说,可以选择适应度较高的个体,将适应度较高的个体(即数据子集)的基因(即数据子集中的样本)交换到适应度较低的个体。
步骤S2039、输出个体对应的数据子集作为优化数据子集。
本申请实施例根据定位信息判断各移动终端参与计算的参与概率,根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,将适应度较高的弱分类器分配给参与概率较高的移动终端,即使部分移动终端掉线,也能够使边缘计算网络中的移动终端的集成学习保持较高识别能力。
在一些可选的实现方式中,所述步骤S2035包括:为适应度较大的个体分配较高的参与概率。
在一些可选的实现方式中,所述步骤S2036包括:按参与概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
具体来说,当参与概率是80%时,对相应的数据子集训练得到的弱分类器进行随机选择时,有80%的概率将该弱分类器选择作为目标弱分类器。对每个弱分类器按相应的参与概率选择以后,可以得到一组目标弱分类器。重复对弱分类器选择多次,可以获得多组不同的目标弱分类器。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种计算资源分配装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的计算资源分配装置400包括:节点管理模块401、节点指定模块402、数据集优化模块403、任务分配模块404以及集成计算模块405,其中:
节点管理模块401用于获取多个移动终端的定位信息;
节点指定模块402用于根据定位信息判断各移动终端参与计算的参与概率;
数据集优化模块403用于根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,使得移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值;
任务分配模块404用于将优化数据子集分配给移动终端,用于在移动终端训练弱分类器;
集成计算模块405用于从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果,并根据弱分类器的初步分类结果确定最终分类结果。
本申请实施例根据定位信息判断各移动终端参与计算的参与概率,根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,将适应度较高的弱分类器分配给参与概率较高的移动终端,即使部分移动终端掉线,也能够使边缘计算网络中的移动终端的集成学习保持较高识别能力。
在一些实施例中,节点指定模块402可以根据位置信息判断移动终端所处的地图网格,将地图网格内的移动终端在预设时间内留在无线自组织网络的概率作为移动终端的参与概率。
参阅图5,为所述数据集优化模块一种具体实施方式的结构示意图,所述数据集优化模块403包括:
抽样模块4031,对原始数据集进行随机有放回抽样,获得数量与移动终端数量相同的数据子集;
初始化模块4032,将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
训练模块4033,利用数据子集分别训练多个弱分类器;
测试模块4034,利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
参与概率模块4035,根据适应度为个体对应的数据子集训练的弱分类器分配参与概率;
集成学习模块4036,根据弱分类器和参与概率计算集成学习结果;
判断模块4037,判断集成学习结果是否满足要求,若否则调用进化模块4038对个体进行交叉和变异,若是则调用输出模块4039,将个体对应的数据子集作为优化数据子集输出;
进化模块4038,根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并调用训练模块4033根据下一代群体进行弱分类器训练;
输出模块4039,输出个体对应的数据子集作为优化数据子集。
在本实施例的一些可选的实现方式中,上述集成学习模块4036进一步用于:按参与概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑以及边缘服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如计算资源分配方法的程序代码等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据,例如运行所述计算资源分配方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算资源分配程序,所述计算资源分配程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的计算资源分配方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,边缘服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (9)
1.一种计算资源分配方法,用于移动自组织网络,所述移动自组织网络包括多个移动终端,其特征在于,所述方法包括下述步骤:
步骤S201、获取多个移动终端的定位信息;
步骤S202、根据定位信息判断各移动终端参与计算的参与概率;
步骤S203、根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,使得移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值;
步骤S204、将优化数据子集分配给移动终端,用于在移动终端训练弱分类器;
步骤S205、从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果,并根据弱分类器的初步分类结果确定最终分类结果,
所述步骤S203具体包括:
步骤S2031、对原始数据集进行随机有放回抽样,获得数量与移动终端数量相同的数据子集;每个数据子集包括多条样本数据;
步骤S2032、将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;具体来说,每个个体的染色体对应于一个样本数据;
步骤S2033、利用数据子集分别训练多个弱分类器;
步骤S2034、利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配参与概率;
步骤S2036、根据弱分类器和参与概率计算集成学习结果;
步骤S2037、判断集成学习结果是否满足要求,若否则进入步骤S2038,若是则进入步骤S2039;具体来说,可以判断集成学习的识别正确率是否达到预设的目标正确率,如果是,则判断满足要求,否则判断不满足要求,也可以设定目标迭代次数,当迭代次数达到目标迭代次数以后,可以判断满足要求;
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并返回步骤S2033;具体来说,可以选择适应度较高的个体,将适应度较高的个体-即数据子集的基因-即数据子集中的样本交换到适应度较低的个体;
步骤S2039、输出个体对应的数据子集作为优化数据子集。
2.根据权利要求1所述的计算资源分配方法,其特征在于,步骤S202具体包括:根据位置信息判断移动终端所处的地图网格,将地图网格内的移动终端在预设时间内留在无线自组织网络的概率作为移动终端的参与概率。
3.根据权利要求2所述的计算资源分配方法,其特征在于,所述步骤S2035包括:为适应度较大的个体分配较高的参与概率。
4.根据权利要求2所述的计算资源分配方法,其特征在于,所述步骤S2036包括:按参与概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
5.一种计算资源分配装置,通过权利要求1所述的计算资源分配方法实现,通过移动自组织网络与多个移动终端通信连接,其特征在于,所述装置包括:
节点管理模块,获取多个移动终端的定位信息;
节点指定模块,根据定位信息判断各移动终端参与计算的参与概率;
数据集优化模块,根据移动终端的参与概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与移动终端数量相同的优化数据子集,使得移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值;
任务分配模块,将优化数据子集分配给移动终端,用于在移动终端训练弱分类器;
集成计算模块,从移动终端接收移动终端根据弱分类器和输入数据计算的初步分类结果,并根据弱分类器的初步分类结果确定最终分类结果。
6.根据权利要求5所述的计算资源分配装置,其特征在于,所述数据集优化模块包括:
抽样模块,对原始数据集进行随机有放回抽样,获得数量与移动终端数量相同的数据子集;
初始化模块,将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
训练模块,利用数据子集分别训练多个弱分类器;
测试模块,利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
参与概率模块,根据适应度为个体对应的数据子集训练的弱分类器分配参与概率;
集成学习模块,根据弱分类器和参与概率计算集成学习结果;
判断模块,判断集成学习结果是否满足要求,若否则调用进化模块对个体进行交叉和变异,若是则调用输出模块,将个体对应的数据子集作为优化数据子集输出;
进化模块,根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并调用训练模块根据下一代群体进行弱分类器训练;
输出模块,输出个体对应的数据子集作为优化数据子集。
7.根据权利要求6所述的计算资源分配装置,其特征在于,所述集成学习模块按参与概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的计算资源分配方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的计算资源分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039098.1A CN112764923B (zh) | 2021-01-12 | 2021-01-12 | 计算资源分配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039098.1A CN112764923B (zh) | 2021-01-12 | 2021-01-12 | 计算资源分配方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112764923A CN112764923A (zh) | 2021-05-07 |
CN112764923B true CN112764923B (zh) | 2023-11-21 |
Family
ID=75699850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039098.1A Active CN112764923B (zh) | 2021-01-12 | 2021-01-12 | 计算资源分配方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764923B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114866616B (zh) * | 2022-07-11 | 2022-09-16 | 京华信息科技股份有限公司 | 一种基于定位信息的移动设备可用云资源分配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529577A (zh) * | 2016-10-20 | 2017-03-22 | 北京工业大学 | 一种AdaBoost算法中弱分类器的同步选取、加权、排序方法 |
WO2019056659A1 (zh) * | 2017-09-19 | 2019-03-28 | 北京小米移动软件有限公司 | 状态检测方法、装置和存储介质 |
CN109767457A (zh) * | 2019-01-10 | 2019-05-17 | 厦门理工学院 | 在线多示例学习目标跟踪方法、终端设备及存储介质 |
CN109902740A (zh) * | 2019-02-27 | 2019-06-18 | 浙江理工大学 | 一种基于多算法融合并行的再学习工业控制入侵检测方法 |
EP3554130A2 (en) * | 2006-12-04 | 2019-10-16 | QUALCOMM Incorporated | Methods and apparatus for transferring a mobile device from a source enb to a target enb |
CN112153658A (zh) * | 2019-06-28 | 2020-12-29 | 诺基亚技术有限公司 | 基于分组错误预测的延迟减少 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11741398B2 (en) * | 2018-08-03 | 2023-08-29 | Samsung Electronics Co., Ltd. | Multi-layered machine learning system to support ensemble learning |
US20200074306A1 (en) * | 2018-08-31 | 2020-03-05 | Ca, Inc. | Feature subset evolution by random decision forest accuracy |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
US11836578B2 (en) * | 2019-03-29 | 2023-12-05 | Accenture Global Solutions Limited | Utilizing machine learning models to process resource usage data and to determine anomalous usage of resources |
-
2021
- 2021-01-12 CN CN202110039098.1A patent/CN112764923B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3554130A2 (en) * | 2006-12-04 | 2019-10-16 | QUALCOMM Incorporated | Methods and apparatus for transferring a mobile device from a source enb to a target enb |
CN106529577A (zh) * | 2016-10-20 | 2017-03-22 | 北京工业大学 | 一种AdaBoost算法中弱分类器的同步选取、加权、排序方法 |
WO2019056659A1 (zh) * | 2017-09-19 | 2019-03-28 | 北京小米移动软件有限公司 | 状态检测方法、装置和存储介质 |
CN109767457A (zh) * | 2019-01-10 | 2019-05-17 | 厦门理工学院 | 在线多示例学习目标跟踪方法、终端设备及存储介质 |
CN109902740A (zh) * | 2019-02-27 | 2019-06-18 | 浙江理工大学 | 一种基于多算法融合并行的再学习工业控制入侵检测方法 |
CN112153658A (zh) * | 2019-06-28 | 2020-12-29 | 诺基亚技术有限公司 | 基于分组错误预测的延迟减少 |
Non-Patent Citations (1)
Title |
---|
基于弱分类器集成的车联网虚假交通信息检测;刘湘雯;石亚丽;冯霞;;通信学报(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112764923A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN111954173B (zh) | 发送短信的方法、装置、服务器及计算机可读存储介质 | |
CN113127633B (zh) | 智能会议管理方法、装置、计算机设备及存储介质 | |
CN111831675A (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN112887371B (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN112801145B (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN112764923B (zh) | 计算资源分配方法、装置、计算机设备及存储介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN116346863B (zh) | 基于联邦学习的车载网数据处理方法、装置、设备及介质 | |
CN113240323B (zh) | 基于机器学习的水平评测方法、装置及相关设备 | |
CN112182107B (zh) | 名单数据获取方法、装置、计算机设备及存储介质 | |
CN115375453A (zh) | 系统资源分配方法及装置 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
CN113448876A (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN112617832A (zh) | 一种心理状态判别方法及装置 | |
EP4318375A1 (en) | Graph data processing method and apparatus, computer device, storage medium and computer program product | |
CN117611353A (zh) | 金融数据处理方法、装置、计算机设备及存储介质 | |
CN117395253A (zh) | 一种负载均衡方法、装置、设备及其存储介质 | |
CN116910095A (zh) | 埋点处理方法、装置、计算机设备及存储介质 | |
CN115730259A (zh) | 面向分类模型的用户电联服务方法及其相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |