CN113163004B - 一种工业互联网边缘任务卸载决策方法、装置及存储介质 - Google Patents

一种工业互联网边缘任务卸载决策方法、装置及存储介质 Download PDF

Info

Publication number
CN113163004B
CN113163004B CN202110386105.5A CN202110386105A CN113163004B CN 113163004 B CN113163004 B CN 113163004B CN 202110386105 A CN202110386105 A CN 202110386105A CN 113163004 B CN113163004 B CN 113163004B
Authority
CN
China
Prior art keywords
industrial
task
industrial application
decision
calculation model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110386105.5A
Other languages
English (en)
Other versions
CN113163004A (zh
Inventor
李奇颖
赵阳
王凌
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 Hualu Group Co Ltd
Beijing E Hualu Information Technology Co Ltd
Original Assignee
China Hualu Group Co Ltd
Beijing E Hualu Information Technology 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 Hualu Group Co Ltd, Beijing E Hualu Information Technology Co Ltd filed Critical China Hualu Group Co Ltd
Priority to CN202110386105.5A priority Critical patent/CN113163004B/zh
Publication of CN113163004A publication Critical patent/CN113163004A/zh
Application granted granted Critical
Publication of CN113163004B publication Critical patent/CN113163004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/101—Server selection for load balancing based on network conditions
    • 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
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种工业互联网边缘任务卸载决策方法、装置及存储介质，该方法包括：构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务；基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型确定优化目标函数；根据遗传算法对优化目标函数进行求解，得到任务卸载决策结果。通过实施本发明，构建工业应用任务模型、处理时延计算模型、工业设备能耗计算模型、云服务费用计算模型，确定了优化目标函数，采用遗传算法通过迭代求解得到最优的卸载决策。

Description

一种工业互联网边缘任务卸载决策方法、装置及存储介质
技术领域
本发明涉及工业互联网边缘计算技术领域，具体涉及一种工业互联网边缘任务卸载决策方法、装置及存储介质。
背景技术
随着工业互联网和5G的发展，接入的工业设备和产生的数据爆发式增长，处理的工业应用任务越来越复杂，将大量的工业应用任务卸载到云计算平台无法满足“大连接、低时延、大带宽”的需求，边缘计算应运而生。然而，边缘节点的计算和存储资源相对有限，可能无法满足任务的延时要求和存储需求，因此，需要研究工业应用是在本地工业设备处理还是卸载到边缘节点或云端。
发明内容
有鉴于此，本发明实施例提供了涉及一种工业互联网边缘任务卸载决策方法、装置及存储介质，以解决现有技术中如何确定工业应用任务在本地工业设备处理还是卸载到边缘节点还是云端的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种工业互联网边缘任务卸载决策方法，包括：构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务；基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型确定优化目标函数；根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果。
可选地，所述工业应用任务模型包括将一个工业应用分解成的多个子任务，多个子任务之间具有前后依赖关系，多个子任务分别卸载到本地设备层、边缘计算层或云计算层进行处理，每个子任务由任务长度和数据量表示。
可选地，所述工业应用处理时延计算模型根据子任务的传输时间、子任务的计算时间以及具有前后依赖关系的前序子任务的处理时延构建得到。
可选地，所述工业设备能耗计算模型根据工业设备工作能耗、传输能耗以及空闲能耗构建得到。
可选地，所述优化目标函数通过以下公式表示：
f＝MinE，cost
s.t.delay≤deadline
N＝Nl+Ne+Nc
其中，E表示工业设备能耗，cost表示云服务费用，delay表示工业应用任务处理时延，deadline表示工业应用的预设时延，N表示工业应用分解成的子任务数量，Nl表示在本地设备层计算的子任务数量、Ne表示在边缘计算层计算的子任务数量，Nc表示在云计算层计算的子任务数量。
可选地，根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果，包括：确定遗传算法参数、决策变量以及决策变量的基向量；生成初始种群；根据初始种群的行顺序将所述初始种群分为两组种群；基于所述优化目标函数分别计算每组种群对应的目标函数值以及所有种群的约束条件函数值；为两组种群分配适应度函数值；对两组种群中不满足约束条件的决策向量的适应度函数值进行惩罚；判断是否满足终止条件；当满足终止条件时，输出任务卸载决策结果。
可选地，该工业互联网边缘任务卸载决策方法还包括：当不满足终止条件时，根据选择、合并、交叉、变异以及重插入重新生成新种群；重复分组、计算目标函数值及约束条件函数值、分配适应度函数值以及惩罚的步骤，直至满足终止条件。
可选地，所述惩罚在迭代初期采用第一惩罚因子以及在迭代后期采用第二惩罚因子，所述第一惩罚因子小于所述第二惩罚因子，所述选择采用随机遍历抽样算子，所述交叉采用高级重组算子和单点交叉算子，所述变异采用离散变异算子。
本发明实施例第二方面提供一种工业互联网边缘任务卸载决策装置，包括：模型构建模块，用于构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务；函数确定模块，用于基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型确定优化目标函数；决策模块，用于根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果。
本发明实施例第三方面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机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的工业互联网边缘任务卸载决策方法。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的工业互联网边缘任务卸载决策方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的工业互联网边缘任务卸载决策方法、装置及存储介质，通过构建工业应用任务模型、处理时延计算模型、工业设备能耗计算模型、云服务费用计算模型，确定了优化目标函数，同时提出了采用遗传算法通过迭代求解得到最优的卸载决策，从而达到工业应用时延、工业设备能耗和云服务费用的平衡点。其中，遗传算法作为一种仿生算法，克服了传统搜索方法陷入局部最优解的缺点，具有较好的全局搜索性能，并且，遗传算法能以有限的代价解决搜索空间大、复杂的组合优化问题。
本发明实施例提供的工业互联网边缘任务卸载决策方法、装置及存储介质，将一个工业应用分解为多个子任务，且子任务之间具有前后依赖关系，即：子任务B需要应用子任务A的结果，所以子任务A完成后才能开始执行子任务B，因此，一个工业应用执行延时为最后被完成的子任务的处理时间，并且在计算各子任务的处理时延的时候考虑了具有前后依赖关系的前序子任务的处理时延，由此基于工业应用处理时延模型确定的处理时延更加准确，从而使得最终的得到的卸载决策更优更符合实际应用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的工业互联网边缘任务卸载决策方法的流程图；
图2是根据本发明实施例的工业互联网边缘计算架构及工业应用任务卸载分发的结构框图；
图3是根据本发明实施例的子任务前后依赖关系示意图；
图4是根据本发明实施例的工业应用子任务处理时延示意图；
图5是根据本发明另一实施例的工业互联网边缘任务卸载决策方法的流程图；
图6是根据本发明实施例的工业互联网边缘任务卸载决策装置的结构框图；
图7是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图8是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
本发明实施例提供一种工业互联网边缘任务卸载决策方法，如图1所示，该决策方法包括如下步骤：
步骤S101：构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务。
在一实施例中，如图2所示，一个工业应用可以分解为N个子任务{T1,T2,...,TN}，子任务之间具有前后依赖关系，不同的子任务可以卸载到不同的处理层进行处理，第i个子任务Ti的任务长度为Li(单位为百万指令)、数据量为Di(单位为百万字节)。其中，不同的处理层可以是本地工业设备层、边缘计算层以及云计算层，在本地工业设备、边缘计算层、云计算层处理的子任务数分别为Nl、Ne、Nc。
步骤S102：基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型确定优化目标函数；具体地，工业应用处理时延可以基于工业应用处理时延计算模型确定，工业设备能耗可以基于工业设备能耗计算模型确定，云服务费用可以基于云服务费用计算模型确定。优化目标函数确定为在保障工业应用处理时延要求的基础上，使得完成工业应用的工业设备能耗最小和云服务费最低。
在一实施例中，工业应用处理时延计算模型根据子任务的传输时间、子任务的计算时间以及具有前后依赖关系的前序子任务的处理时延构建得到。并且由于计算结果通常包含很小的数据量，因此可以忽略具有前后依赖关系的子任务间的数据交互时间。
在一具体实施方式中，如图3和图4所示，假设工业应用的起始时间ST0＝0，则子任务Ti的处理开始时间STi为与其有前后依赖关系的最后处理的子任务的结束时间，即：STi＝max{ETj}(j∈pre(i))，其中，pre(i)是与子任务Ti有前后依赖关系的子任务的集合，ETj是子任务Tj的处理结束时间。假设边缘服务器和云服务器只有接收到任务的全部数据后，才会开始执行该任务，而不是边传输边处理。子任务Ti的处理结束时间ETi为：ETi＝STi+ti,trans+ti,com，其中，ti,trans是子任务Ti的传输时间，BE是工业设备层与边缘计算层之间的网络带宽，BC是边缘计算层和云计算层的网络带宽，单位均为百万字节/秒，ti,trans可以通过以下公式表示：
Figure BDA0003014127570000071
ti,com是子任务Ti的计算时间，vL是工业设备层的计算速度，vE是边缘计算层的计算速度，vC是云计算层的计算速度，单位均为百万指令/秒。ti,com可以通过以下公式表示：
Figure BDA0003014127570000072
根据上述内容可知，工业应用处理时延Delay为最后子任务TN处理结束时间，即Delay＝ETN。
在一实施例中，工业设备能耗计算模型根据工业设备工作能耗、传输能耗以及空闲能耗构建得到。由此，工业设备能耗E可以表示为：E＝Eidle+Eoperation+Etransmit，其中，Eoperation为工业设备处理子任务的工作能耗，Etransmit为工业设备传输子任务到边缘服务器或云端服务器的传输能耗，Eidle为工业设备不处理任何任务的空闲能耗。
在一具体实施方式中，空闲能耗可以表示为Eidle＝Tidle·Pilde，其中，Tidle为工业设备的空闲时间，Pilde工业设备的空闲功率。运行能耗可以表示为
Figure BDA0003014127570000073
其中，Nl为卸载到工业设备层的子任务总数，Poperation工业设备的运行功率。传输能耗Etransmit主要包括工业设备将子任务卸载到边缘或云端服务器上产生的上传能耗。由于计算结果通常包含很小的数据量，因此忽略运行在本地设备上的子任务与运行在边缘计算层的子任务产生数据交互时产生的数据传输能耗。由此，传输能耗可以表示为
Figure BDA0003014127570000081
其中，Ne为卸载到边缘计算层的子任务总数，Nc为卸载到云计算层的子任务总数，Ptransmit工业设备的传输功率。
在一实施例中，优化目标函数通过以下公式表示：
f＝MinE，cost
s.t.delay≤deadline
N＝Nl+Ne+Nc
其中，E表示工业设备能耗，cost表示云服务费用，delay表示工业应用任务处理时延，deadline表示工业应用的预设时延，N表示工业应用分解成的子任务数量，Nl表示在本地设备层计算的子任务数量、Ne表示在边缘计算层计算的子任务数量，Nc表示在云计算层计算的子任务数量。具体地，
Figure BDA0003014127570000082
其中，price为每小时的云服务费用。
步骤S103：根据遗传算法对优化目标函数进行求解，得到任务卸载决策结果。具体地，通过遗传算法对优化目标函数的求解，能够得到在保证工业应用延时要求下使工业设备能耗和云服务费用最低的卸载决策方案，并且通过该决策方案能够确定卸载在不同处理层的子任务数量，即能够确定分别在本地工业设备、边缘计算层和云计算层处理的子任务数。
本发明实施例提供的工业互联网边缘任务卸载决策方法，通过构建工业应用任务模型、处理时延计算模型、工业设备能耗计算模型、云服务费用计算模型，确定了优化目标函数，同时提出了采用遗传算法通过迭代求解得到最优的卸载决策。其中，遗传算法作为一种仿生算法，克服了传统搜索方法陷入局部最优解的缺点，具有较好的全局搜索性能，并且，遗传算法能以有限的代价解决搜索空间大、复杂的组合优化问题。
在一实施例中，如图5所示，根据遗传算法对优化目标函数进行求解，得到任务卸载决策结果，包括如下步骤：
步骤S201：确定遗传算法参数、决策变量以及决策变量的基向量。
在一实施例中，遗传算法参数包括种群规模大小、最大遗传代数、工业应用的子任务个数N、代沟GGAP、变异概率Pm和交叉概率Pcr。种群规模大小Ps、变异概率Pm与交叉概率Pcr是遗传算法中影响优化效果的控制参数，Pm值越大，结果越差，因为Pm值越大，产生新个体的几率越大，越相似于随机搜索算法，所以Pm取值很小，可取0.01。因为Pcr值越小，高适应度的个体存活的几率越大，相当于解空间减少，结果变差。通过对大量不同子任务数量下的优化结果进行对比，可以确定：当子任务数目改变时，需要根据子任务数目设置Ps，对于变异概率Pm和交叉概率Pcr，可以取Pm＝0.01、Pcr≥0.7从而保证优化结果不再变差。在一具体实施方式中，设置代沟GGAP＝0.9，Pm＝0.01，Pcr＝0.7。
在一实施例中，将N个子任务的卸载处理层作为决策变量，N个决策变量组成一个N维行卸载向量offloading：offloading＝[offloading1,offloading2,...,offloadingN]。对于决策变量的基向量BaseV，采用三进制基向量，0表示子任务在本地设备层处理，1表示子任务在边缘计算层处理，2表示子任务在云计算层处理。
步骤S202：生成初始种群；在一实施例中，在生成初始种群时，随机生成Ps个长度为N、基向量为BaseV的初始种群。由此，形成的初始种群为Ps＊N矩阵。
步骤S203：根据初始种群的行顺序将初始种群分为两组，在进行分组时，其中一组为种群矩阵的前[Ps/2]个N维行卸载向量，另一组为剩下的(Ps－[Ps/2])个N维行卸载向量。其中，符号“[]”表示取整的意思。
步骤S204：基于优化目标函数分别计算每组种群对应的目标函数值以及所有种群的约束条件函数值；在一实施例中，对于分成的两个初始种群，计算[Ps/2]个N维行卸载向量对应的工业设备能耗E、约束条件函数值，即对于该种群，其目标函数值为工业设备能耗E。计算Ps－[Ps/2]个N维行卸载向量对应的云计算费用cost、约束条件函数值，即对于该种群，其目标函数值为云计算费用cost。
步骤S205：为两组种群分配适应度函数值；具体地，可以采用基于线性排序的适应度分配算法为两组种群分配适应度函数值，同时选择压差为2，在进行分配时，可以基于目标函数值越小，适应度值越大的原则进行分配。
步骤S206：对两组种群中不满足约束条件的卸载向量的适应度函数值进行惩罚；具体地，通过进行惩罚可以降低其适应度函数值。同时在迭代初期可以采用第一惩罚因子，以使更多的解参与进化；在迭代后期采用第二惩罚因子，保证解的质量，其中第一惩罚因子小于第二惩罚因子。
步骤S207：判断是否满足终止条件；其中，终止条件为达到了最大遗传代数Gmax或者最优卸载向量在进化过程中无改变时。如果是，执行步骤S208；如果否，执行步骤S209－S213。
步骤S208：当满足终止条件时，输出任务卸载决策结果。
在一实施例中，当满足终止条件时，输出的卸载决策结果包括最优卸载变量以及优化后的工业应用处理延时Delay、工业设备能耗E以及云服务费用cost。
步骤S209：选择。
在一实施例中，基于适应度函数值对两组种群进行选择，选择时采用随机遍历抽样算子。
步骤S210：合并。
在一实施例中，将步骤S209选择生成的两组种群合并
步骤S211：交叉。
在一实施例中，交叉时采用高级重组算子和单点交叉算子实现。
步骤S212：变异。
在一实施例中，变异采用离散变异算子实现。
步骤S213：重插入。
在重插入时采用基于适应度的重插入确保两组种群中Ps×(1－GGAP)个最适应的卸载向量总是被连续传播到下一代。
在步骤S214重插入后，可以得到一个新的种群，然后重复上述步骤S203－S207，对于新生成的种群进行分组、计算目标函数值及约束条件函数值、分配适应度函数值以及惩罚，直至满足终止条件。
本发明实施例提供的工业互联网边缘任务卸载决策方法，将一个工业应用分解为多个子任务，且子任务之间具有前后依赖关系，即：子任务B需要应用子任务A的结果，所以子任务A完成后才能开始执行子任务B，因此，一个工业应用执行延时为最后被完成的子任务的处理时间，并且在计算各子任务的处理时延的时候考虑了具有前后依赖关系的前序子任务的处理时延，由此基于工业应用处理时延模型确定的处理时延更加准确，从而使得最终的得到的卸载决策更优更符合实际应用。
本发明实施例还提供一种工业互联网边缘任务卸载决策装置，如图6所示，该装置包括：
模型构建模块1，用于构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务。详细内容参见上述方法实施例中步骤S101的相关描述。
函数确定模块2，用于基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模块以及云服务费用计算模型确定优化目标函数；详细内容参见上述方法实施例中步骤S102的相关描述。
决策模块3，用于根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果。详细内容参见上述方法实施例中步骤S103的相关描述。
本发明实施例提供的工业互联网边缘任务卸载决策装置，通过构建工业应用任务模型、处理时延计算模型、工业设备能耗计算模型、云服务费用计算模型，确定了优化目标函数，同时提出了采用遗传算法通过迭代求解得到最优的卸载决策。其中，遗传算法作为一种仿生算法，克服了传统搜索方法陷入局部最优解的缺点，具有较好的全局搜索性能，并且，遗传算法能以有限的代价解决搜索空间大、复杂的组合优化问题。
本发明实施例提供的工业互联网边缘任务卸载决策装置的功能描述详细参见上述实施例中工业互联网边缘任务卸载决策方法描述。
本发明实施例还提供一种存储介质，如图7所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中工业互联网边缘任务卸载决策方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，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，所述的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，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图8所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的工业互联网边缘任务卸载决策方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1－5所示实施例中的工业互联网边缘任务卸载决策方法。
上述电子设备具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种工业互联网边缘任务卸载决策方法，其特征在于，包括：
构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务；
基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型确定优化目标函数；
根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果;
根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果，包括：
确定遗传算法参数、决策变量以及决策变量的基向量；
生成初始种群，所述初始种群为随机生成的Ps个长度为N、基向量为BaseV的初始种群，N为工业应用的子任务个数，将N个子任务的卸载处理层作为决策变量，N个决策变量组成一个N维行卸载向量，形成的初始种群为Ps*N矩阵；
根据所述初始种群的行顺序将所述初始种群分为两组种群，在进行分组时，其中一组为种群矩阵的前[Ps/2]个N维行卸载向量，另一组为剩下的（Ps-[Ps/2]）个N维行卸载向量，[]表示取整；
基于所述优化目标函数分别计算每组种群对应的目标函数值以及所有种群的约束条件函数值，对于分成的两个初始种群，计算[Ps/2]个N维行卸载向量对应的工业设备能耗E、约束条件函数值，即对于该种群，其目标函数值为工业设备能耗；计算Ps-[Ps/2]个N维行卸载向量对应的云计算费用、约束条件函数值，即对于该种群，其目标函数值为云计算费用；
为两组种群分配适应度函数值；
对两组种群中不满足约束条件的决策向量的适应度函数值进行惩罚；
判断是否满足终止条件；
当满足终止条件时，输出任务卸载决策结果。
2.根据权利要求1所述的工业互联网边缘任务卸载决策方法，其特征在于，所述工业应用任务模型包括将一个工业应用分解成的多个子任务，多个子任务之间具有前后依赖关系，多个子任务分别卸载到本地设备层、边缘计算层或云计算层进行处理，每个子任务由任务长度和数据量表示。
3.根据权利要求1所述的工业互联网边缘任务卸载决策方法，其特征在于，所述工业应用处理时延计算模型根据子任务的传输时间、子任务的计算时间以及具有前后依赖关系的前序子任务的处理时延构建得到。
4.根据权利要求1所述的工业互联网边缘任务卸载决策方法，其特征在于，所述工业设备能耗计算模型根据工业设备工作能耗、传输能耗以及空闲能耗构建得到。
5.根据权利要求1所述的工业互联网边缘任务卸载决策方法，其特征在于，所述优化目标函数通过以下公式表示：
Figure 864987DEST_PATH_IMAGE001
Figure 2707DEST_PATH_IMAGE002
Figure 996071DEST_PATH_IMAGE003
其中，E表示工业设备能耗，cost表示云服务费用，delay表示工业应用处理时延，
Figure 343876DEST_PATH_IMAGE004
表示工业应用的预设时延，N表示工业应用分解成的子任务数量，
Figure 549729DEST_PATH_IMAGE005
表示在本地设备层计算的子任务数量、
Figure 73114DEST_PATH_IMAGE006
表示在边缘计算层计算的子任务数量，
Figure 96434DEST_PATH_IMAGE007
表示在云计算层计算的子任务数量。
6.根据权利要求1所述的工业互联网边缘任务卸载决策方法，其特征在于，还包括：
当不满足终止条件时，根据选择、合并、交叉、变异以及重插入重新生成新种群；
重复分组、计算目标函数值及约束条件函数值、分配适应度函数值以及惩罚的步骤，直至满足终止条件。
7.根据权利要求6所述的工业互联网边缘任务卸载决策方法，其特征在于，所述惩罚在迭代初期采用第一惩罚因子以及在迭代后期采用第二惩罚因子，所述第一惩罚因子小于所述第二惩罚因子，所述选择采用随机遍历抽样算子，所述交叉采用高级重组算子和单点交叉算子，所述变异采用离散变异算子。
8.一种工业互联网边缘任务卸载决策装置，其特征在于，包括：
模型构建模块，用于构建工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型，工业应用任务包括在本地设备层计算的子任务、在边缘计算层计算的子任务以及在云计算层计算的子任务；
函数确定模块，用于基于构建的工业应用任务模型、工业应用处理时延计算模型、工业设备能耗计算模型以及云服务费用计算模型确定优化目标函数；
决策模块，用于根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果；
根据遗传算法对所述优化目标函数进行求解，得到任务卸载决策结果，包括：
确定遗传算法参数、决策变量以及决策变量的基向量；
生成初始种群，所述初始种群为随机生成的Ps个长度为N、基向量为BaseV的初始种群，N为工业应用的子任务个数，将N个子任务的卸载处理层作为决策变量，N个决策变量组成一个N维行卸载向量，形成的初始种群为Ps*N矩阵；
根据所述初始种群的行顺序将所述初始种群分为两组种群，在进行分组时，其中一组为种群矩阵的前[Ps/2]个N维行卸载向量，另一组为剩下的（Ps-[Ps/2]）个N维行卸载向量，[]表示取整；
基于所述优化目标函数分别计算每组种群对应的目标函数值以及所有种群的约束条件函数值，对于分成的两个初始种群，计算[Ps/2]个N维行卸载向量对应的工业设备能耗E、约束条件函数值，即对于该种群，其目标函数值为工业设备能耗；计算Ps-[Ps/2]个N维行卸载向量对应的云计算费用、约束条件函数值，即对于该种群，其目标函数值为云计算费用；
为两组种群分配适应度函数值；
对两组种群中不满足约束条件的决策向量的适应度函数值进行惩罚；
判断是否满足终止条件；
当满足终止条件时，输出任务卸载决策结果。
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存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的工业互联网边缘任务卸载决策方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的工业互联网边缘任务卸载决策方法。
CN202110386105.5A 2021-04-09 2021-04-09 一种工业互联网边缘任务卸载决策方法、装置及存储介质 Active CN113163004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386105.5A CN113163004B (zh) 2021-04-09 2021-04-09 一种工业互联网边缘任务卸载决策方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386105.5A CN113163004B (zh) 2021-04-09 2021-04-09 一种工业互联网边缘任务卸载决策方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113163004A CN113163004A (zh) 2021-07-23
CN113163004B true CN113163004B (zh) 2023-01-24

Family

ID=76889796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386105.5A Active CN113163004B (zh) 2021-04-09 2021-04-09 一种工业互联网边缘任务卸载决策方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113163004B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113660325B (zh) * 2021-08-10 2023-11-07 克拉玛依和中云网技术发展有限公司 一种基于边缘计算的工业互联网任务卸载策略
CN113821318B (zh) * 2021-08-19 2024-08-02 北京邮电大学 一种物联网跨域子任务组合协同计算方法及系统
CN114461299B (zh) * 2022-01-26 2023-06-06 中国联合网络通信集团有限公司 一种卸载决策确定方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840154A (zh) * 2019-01-08 2019-06-04 南京邮电大学 一种移动云环境下基于任务依赖的计算迁移方法
CN111585816A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711266B (zh) * 2012-05-17 2014-08-13 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840154A (zh) * 2019-01-08 2019-06-04 南京邮电大学 一种移动云环境下基于任务依赖的计算迁移方法
CN111585816A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A Mobile Cloud Based Scheduling Strategy for Industrial Internet of Things;CHAOGANG TANG等;《IEEE Access SPECIAL SECTION ON CONVERGENCE OF SENSOR NETWORKS, CLOUD COMPUTING,AND BIG DATA IN INDUSTRIAL INTERNET OF THING》;20180309;第2-4节 *
IEEE 17th International Conference on Smart City *
IEEE 5th International Conference on Data Science and Systems (HPCC/SmartCity/DSS)》.2019, *
Lei Yang等.An offloading Strategy Based on Cloud and Edge Computing for Industrial Internet.《2019 IEEE 21st International Conference on High Performance Computing and Communications *
云辅助移动边缘计算中的计算卸载策略;王妍等;《计算机工程》;20200831(第08期);第2-4节 *
多核服务器边缘计算系统中任务卸载调度和功率分配的研究;凌雪延等;《南京邮电大学学报(自然科学版)》;20200430(第02期);全文 *
边缘计算资源分配与任务调度优化综述;王凌等;《系统仿真学报》;20210331;第2节 *

Also Published As

Publication number Publication date
CN113163004A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113163004B (zh) 一种工业互联网边缘任务卸载决策方法、装置及存储介质
US10691996B2 (en) Hardware accelerator for compressed LSTM
US20200117988A1 (en) Networks for distributing parameters and data to neural network compute cores
CN111406264A (zh) 神经架构搜索
CN114008594A (zh) 调度计算图上的操作
US11062201B2 (en) Chip and chip-based data processing method
CN113867843B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN107729138B (zh) 一种高性能分布式矢量空间数据的分析方法和装置
CN113821318B (zh) 一种物联网跨域子任务组合协同计算方法及系统
CN110008023B (zh) 基于遗传算法的云计算系统预算约束随机任务调度方法
CN108304926B (zh) 一种适用于神经网络的池化计算装置及方法
CN112286686A (zh) 一种基于pso优化的边缘计算任务调度算法
CN114327399A (zh) 分布式训练方法、装置、计算机设备、存储介质和产品
KR20200109917A (ko) Gpu 기반의 분산 딥 러닝 모델의 학습 속도 예측 방법 및 기록매체
CN116644804A (zh) 分布式训练系统、神经网络模型训练方法、设备和介质
CN113391907A (zh) 一种任务的放置方法、装置、设备和介质
CN113886092A (zh) 一种计算图执行方法、装置及相关设备
CN117707795B (zh) 基于图的模型划分的边端协同推理方法及系统
CN117311998B (zh) 一种大模型部署方法及系统
US10225308B1 (en) Decremental Z-score calculation for big data or streamed data using components
Chang et al. MSP: an FPGA-specific mixed-scheme, multi-precision deep neural network quantization framework
US10318530B1 (en) Iterative kurtosis calculation for big data using components
CN116048759A (zh) 数据流的数据处理方法、装置、计算机和存储介质
CN108737130B (zh) 基于神经网络的网络流量预测装置及方法
Yang et al. Learninggroup: A real-time sparse training on fpga via learnable weight grouping for multi-agent reinforcement learning

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