CN113259469A

CN113259469A - 智能制造中边缘服务器部署方法、系统及存储介质

Info

Publication number: CN113259469A
Application number: CN202110615787.2A
Authority: CN
Inventors: 金小敏; 张炜业; 王忠民; 陈彦萍
Original assignee: Xian University of Posts and Telecommunications
Current assignee: Xian University of Posts and Telecommunications
Priority date: 2021-06-02
Filing date: 2021-06-02
Publication date: 2021-08-13
Anticipated expiration: 2041-06-02
Also published as: CN113259469B

Abstract

本发明公开了一种智能制造中边缘服务器部署方法、系统及存储介质。首先，收集智能制造中智能设备、WiFi站点和边缘服务器的信息数据；其次，通过收集到的信息数据构建负载模型；再次，构建基于部署成本和负载均衡的基础边缘服务器部署优化目标；然后，构建容错边缘服务器负载均衡优化目标；最后，使用二进制灰狼遗传策略算法求解优化目标得到边缘服务器部署方案。本发明在部署边缘服务器时同时优化成本和均衡负载，具有多目标优化的优势，能提高边缘服务器利用率。本发明能部署具备容错功能的缘服务器，并解决了容错服务器之间的负载均衡问题，可增强智能制造边缘服务器的可靠性。

Description

智能制造中边缘服务器部署方法、系统及存储介质

技术领域

本发明涉及智能制造技术领域，特别涉及智能制造中边缘服务器部署方法、系统及存储介质。

背景技术

在工业自动化与信息化高度融合下，众多的工业物联网应用(例如制造系统的工况异常检测、实时调度、主动运维等)需要对制造过程中的相关任务进行实时处理，实现制造系统的有效管控。因此，有必要在工业物联网应用环境中部署强大的数据存储与处理中心，从而能够通过融合高性能的计算资源来提高整个制造系统的执行能力。

尽管边缘计算的出现为智能工厂中海量边缘数据的有效处理带来了许多可观的好处。但是如何部署这些边缘计算节点是一个需要重点解决的问题。在智能制造中的智能设备，传感器和智能机器人的操作过程中，需要及时处理大量数据。由于智能设备的容量小，数据处理能力差，环保意识弱和电池寿命短，因此需要将数据卸载到远程云以进行集中处理。但是由于传输距离长，传输延迟大大增加，这违反了智能工厂中对低延迟的要求。为了弥补这些缺点，在智能设备的边缘部署边缘服务器并将任务分担到边缘服务器可以有效地解决此问题。不同的边缘服务器部署策略将导致部署成本，服务器资源利用率，网络可靠性和访问延迟方面的巨大差异。

在已有的技术中，大部分部署方法仅将部署成本或延迟作为优化目标，虽然有些技术考虑了多个目标对部署的影响，但并未考虑服务器宕机情况。

发明内容

本发明实施例提供了智能制造中边缘服务器部署方法、系统及存储介质，用以解决现有技术中仅将成本或延迟作为优化目标，而未考虑服务器宕机情况的问题。

一方面，本发明实施例提供了智能制造中边缘服务器部署方法，包括：

收集设备信息，包括智能设备信息、WiFi站点信息和边缘服务器信息；

根据设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型；

将负载均衡映射在成本上，建立基础边缘服务器的负载和成本优化目标；

根据设备信息建立容错边缘服务器的负载优化目标；

求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

在一种可能的实现方式中，根据设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型，可以包括：建立智能设备的负载模型：智能设备的工作负载表示为：

其中，B_k表示第k个智能设备的工作负载，Π_k表示第k个智能设备的数据传输速度，M_k表示第k个智能设备的数据收集速度，D_k表示第k个智能设备的传输带宽；建立WiFi站点的负载模型：WiFi站点的工作负载表示为：

其中，B_i表示第i个WiFi站点的工作负载，o表示智能设备的数量，x_ik为二进制数，当第k个智能设备接入第i个WiFi站点时，x_ik的值为1，否则值为0；建立边缘服务器的负载模型：边缘服务器的工作负载表示为：

其中，B_j表示第j个边缘服务器的工作负载，n表示WiFi站点的数量，x_ij为二进制数，当第j个边缘服务器接入第i个WiFi站点时，x_ij的值为1，否则值为0。

在一种可能的实现方式中，将负载均衡映射在成本上，建立基础边缘服务器的负载成本优化目标，可以包括：建立的基础边缘服务器的负载和成本优化目标为：

其中，m表示基础边缘服务器的数量，η_j表示第j台边缘服务器的成本函数，ω_j和ω_t分别表示第j台和第t台边缘服务器的权重系数，x_it表示第t台边缘服务器是否接入第i台WiFi站点，γ表示成本系数，其表示为：

式中，

表示第j台边缘服务器的部署成本，

表示第j台边缘服务器允许的最大负载，a为取值在0到1之间的调整系数。

在一种可能的实现方式中，根据设备信息建立容错边缘服务器的负载优化目标，可以包括：根据设备信息建立容错边缘服务器的负载权值：

其中，β_r表示第r台容错边缘服务器的负载权值，P_r表示第r台容错边缘服务器的吞吐量，N_r表示第r台容错边缘服务器的CPU总资源，q表示容错边缘服务器的数量；根据负载权值建立容错边缘服务器的负载优化目标：

其中，m表示基础边缘服务器的数量，β_b表示第b台容错边缘服务器的负载权值，

和

分别表示第j台基础边缘服务器宕机时，第r台和第b台容错边缘服务器的工作负载。

在一种可能的实现方式中，求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，得到边缘服务器部署方案，可以包括：利用二进制灰狼遗传策略算法求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

在一种可能的实现方式中，利用二进制灰狼遗传策略算法求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，可以包括：边缘服务器和WiFi站点之间存在一对多的映射关系，采用二维矩阵对该映射关系进行编码，得到初始种群；采用选择操作选择初始种群中的某些个体；采用交叉操作对被选择的个体进行染色体交叉处理；采用改进的灰狼狩猎操作对交叉处理后的个体进行变异处理；更新狼群位置，获得最优解。

另一方面，本发明实施例提供了一种智能制造中边缘服务器部署系统，包括：

信息收集模块，用于收集设备信息，包括智能设备信息、WiFi站点信息和边缘服务器信息；

负载模型建立模块，用于根据设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型；

负载和成本优化目标建立模块，用于将负载均衡映射在成本上，建立基础边缘服务器的负载和成本优化目标；

负载优化目标建立模块，用于根据设备信息建立容错边缘服务器的负载优化目标；

目标求解模块，用于求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

另一方面，本发明实施例提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中

存储器存储有可被至少一个处理器执行的计算机指令，计算机指令被至少一个处理器执行，以使至少一个处理器执行上述的方法。

另一方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。

另一方面，本发明实施例提供了一种计算机程序产品，计算机程序被处理器执行时实现上述的方法。

本发明中的智能制造中边缘服务器部署方法、系统及存储介质，具有以下优点：

第一，本发明基于部署成本和负载均衡建立边缘服务器部署模型，并使用折衷因素来连接多个优化目标。克服了现有技术使用单个优化目标来进行服务器部署，只能满足单一目标的需求，导致在部署服务器后，设备不能充分的发挥性能的问题。

第二，当基础边缘服务器发生故障时，本发明提出了一种容错边缘服务器部署方法，该方法解决了容错服务器之间的负载均衡问题，并为智能工厂提供了容错功能。

第三，本发明提出了一种基于二进制的灰狼遗传策略算法，该算法结合了灰狼算法的狩猎操作和遗传算法的变异操作，可以找到一种接近最佳的边缘服务器部署方案，并降低服务器部署成本和均衡负载。与其他部署算法相比，二进制灰狼遗传策略算法具有更好的性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的智能制造中边缘服务器部署方法的流程图；

图2为智能工厂三层架构模型；

图3为改进的灰狼遗传策略算法的编码策略示意图；

图4为改进的灰狼遗传策略算法中边缘服务器的放置位置示意图；

图5为二进制灰狼遗传策略算法的流程图；

图6为采用本发明方法和现有的方法在部署不同数量的基础边缘服务器时的性能比较；

图7为采用本发明方法和现有的方法在部署相同数量的容错边缘服务器时的性能比较。

具体实施方式

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，所描述的实施例仅仅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，都属于本发明保护的范围。

现有技术中，在信息化和工业化深度融合的大背景下，智能制造已成为制造业发展的趋势。随着物联网信息时代的到来，无线通信技术的飞速发展正将人们带入了一个全新的世界。同时智能制造也发展起来，其利用工业物联网、云计算、大数据等信息技术，结合自动化、人工智能等技术提升智能化水平。边缘服务器的部署难点在于：首先确定大量边缘设备中有限数量的边缘服务器的位置非常重要。其次，在边缘服务器的边缘，计算资源的分配比以前更加复杂。现有的部署方法多仅考虑单一的优化目标，导致得到的部署方案仅能满足单一的需求，无法在多个方面都取得较好的性能。然而，边缘服务器也会发生故障，当某些边缘服务器发生故障时，需要将数据传输到其他可用的边缘服务器，以满足网络中任务的延迟要求。因此，如何提供容错服务是另一个挑战。而现有技术中的部署方案无法解决这个问题。

为了解决现有技术中的问题，本发明提供了智能制造中边缘服务器部署方法、系统及存储介质，基于部署成本和负载均衡建立边缘服务器部署模型，并使用折衷因素，即调整系数来连接多个优化目标。克服了现有技术使用单个优化目标来进行服务器部署，只能满足单一目标的需求，导致在部署服务器后，设备不能充分的发挥性能的问题。同时，在基础边缘服务器发生故障时，使用本发明的容错边缘服务器部署方法，可以解决容错服务器之间的负载均衡问题，并为智能工厂提供容错功能。

图1为本发明实施例提供的智能制造中边缘服务器部署方法的流程图。本发明实施例中的智能制造中边缘服务器部署方法，包括：

收集设备信息，包括智能设备信息、WiFi站点信息和边缘服务器信息。

示例性地，在智能设备集合表示为C＝{c₁,c₂,...,c_k,...,c_o}，WiFi站点集合表示为W＝{w₁,w₂,...,w_i,...,w_n}，边缘服务器集合表示为S＝{s₁,s₂,...,s_j,...,s_m}，其中o、n和m分别表示智能设备、WiFi站点和边缘服务器的数量。

根据设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型。

示例性地，在构建智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型之前，先构建智能工厂的三层模型，如图2所示，在智能制造环境中，网络被认为是一个包含设备层、云数据处理中心层和边缘服务器层的三层架构。边缘服务器层可以认为是一个无向图G＝(W∪L¹∪L²,E)，包含许多接入点和一组潜在的服务器部署位置，其中W是WiFi站点集合，L¹是部署基础边缘服务器的潜在位置，L²是部署容错边缘服务器的潜在位置，E是边缘服务器和WiFi站点，或者WiFi站点间的连接集合。将一个智能工厂定义为一个网格单元H，WiFi站点和边缘服务器将部署在网格H的整数数轴上。c_k表示第k个智能设备c_k＝{L_k,B_k,M_k,Π_k}、w_i表示第i个WiFi站点w_i＝{L_i,B_i,A_i,R_i}、s_j表示第j个边缘服务器s_j＝{L_j,B_j,η_j,P_j,N_j,Rot_j}。

将负载均衡映射在成本上，建立基础边缘服务器的负载和成本优化目标。

示例性地，使用线性加权方法，将负载均衡映射到成本上，同时均衡负载和最小化成本。

根据设备信息建立容错边缘服务器的负载优化目标。

示例性地，容错边缘服务器用于在基础边缘服务器故障宕机后，接替宕机的基础边缘服务器继续处理数据。根据上述的负载优化目标，各个容错边缘服务器之间的负载能够达到均衡。

示例性地，得到边缘服务器部署方案后，可以根据该部署方案部署边缘服务器。

在一种可能的实施例中，根据设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型，可以包括：建立智能设备的负载模型：智能设备的工作负载表示为：

示例性地，在智能工厂中，对于每一个智能设备，L_k表示智能设备在网格中的坐标。L_i表示WiFi站点在网格中的坐标，每一个WiFi站点都有一个固定的无线信号覆盖半径R_i，假设在传输途中没有损耗，每一个WiFi站点的工作负载就可以通过连接的智能设备进行计算。为了减小智能设备与边缘服务器之间的通信延迟、增强工厂的效率，将边缘服务器部署到了WiFi站点上。定义距离函数：

每个边缘服务器都拥有异构的处理能力、处理功能和处理数据量。边缘服务器部署的成本，包括数据存储成本、硬件成本等，定义这个成本函数为

为了便于对异构的边缘服务器进行均衡负载的处理，引入了权重系数：

去均衡每个边缘服务器的负载值差异。如何将m个边缘服务器放置在合适的位置是要解决的问题。

在一种可能的实施例中，将负载均衡映射在成本上，建立基础边缘服务器的负载和成本优化目标，包括：

建立的基础边缘服务器的负载和成本优化目标为：

式中，

表示第j台边缘服务器的部署成本，

表示第j台边缘服务器允许的最大负载，a为取值在0到1之间的调整系数，也称折衷因素。

示例性地，从智能工厂的角度去看，实现部署边缘服务器成本的最小化是重要的问题，只要使每个边缘服务器能够平均分配在各个位置，让其最大功率的运行就可以达到这个目的。从设备角度的去看，每个边缘服务器都负责不同的功能，具有不同的运行能力，不同负载，需要部署更多的边缘服务器去均衡服务器之间的工作负载，但这会提高部署的成本。仅仅只考虑最小成本或负载均衡都不能满足智能工厂的需要，因此需要在优化成本和负载之间取得均衡。当调整系数a的值越大时，部署成本的占比就越大，反之负载均衡就越大。

上述负载和成本优化目标具有以下约束条件：

约束d(w_i,s_j)x_ij≤R_i表示分配给WiFi站点的边缘服务器在其覆盖半径内；约束d(w_i,c_k)x_ik≤R_i表示分配给WiFi站点的智能设备在其覆盖半径内，约束B_i≤Rot表示每一个WiFi站点的工作负载都小于其阈值，约束B_j≤Rot_j表示每个边缘服务器的工作负载都小于其对应阈值，约束

表示每一个智能设备有唯一映射的WiFi站点，约束

表示每一个WiFi站点有唯一映射的边缘服务器，约束m＜n表示部署的边缘服务器数量小于WiFi站点数量，约束t∈m表示边缘服务器t包含于m中。

在一种可能的实施例中，根据设备信息建立容错边缘服务器的负载优化目标，包括：

根据设备信息建立容错边缘服务器的负载权值：

其中，β_r表示第r台容错边缘服务器的负载权值，P_r表示第r台容错边缘服务器的吞吐量，N_r表示第r台容错边缘服务器的CPU总资源，q表示容错边缘服务器的数量；

根据负载权值建立容错边缘服务器的负载优化目标：

其中，m表示基础边缘服务器的数量，β_b表示第b台容错边缘服务器的负载权值，B_r ^j和B_b ^j分别表示第j台基础边缘服务器宕机时，第r台和第b台容错边缘服务器的工作负载。

示例性地，在基于成本和负载均衡的边缘服务器部署完成后，智能工厂能够正常的进行作业处理，但是设备总会发生故障，这就要求部署的服务器网络具有容错能力，即需要部署适当数量的容错边缘服务器。

表示一个冗余时的容错边缘服务器，L_r表示其部署的坐标，A_r表示其分配的WiFi站点，P_r表示其吞吐量，N_r表示其CPU资源，Rot_r表示其负载阈值，当加入冗余的容错边缘服务器时，负载的权值为β_r。

当r不等于j且小于等于m时值为B_j，当r大于m时值为

否则值为0。部署策略更改为二进制

当基础边缘服务器j宕机时，冗余的容错服务器连接的多余的WiFi站点，并且部署在当前站点处值为1，否则值为0。

在部署容错边缘服务器时，基于基础边缘服务器部署基础上，当基础边缘服务器j故障时，容错边缘服务器r的工作负载为上述负载优化目标。

上述负载优化目标具有以下约束条件：

约束q-m＜m表示部署的容错边缘服务器的数量小于已部署的基础边缘服务器数量；约束

表示每一个容错边缘服务器都部署在相应的WiFi站点上，约束

表示每个容错边缘服务器的工作负载都小于其对应的阈值，约束b∈q表示容错边缘服务器b包含于q中，约束b≠j,r≠j表示容错边缘服务器b和r不部署在基础边缘服务器j的位置上。

在一种可能的实施例中，求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，得到边缘服务器部署方案，包括：利用二进制灰狼遗传策略算法求解基础边缘服务器的负载和成本优化目标以及容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

示例性地，二进制灰狼遗传策略算法包括：

边缘服务器和WiFi站点之间存在一对多的映射关系，采用二维矩阵对该映射关系进行编码，得到初始种群；

采用选择操作选择初始种群中的某些个体；

采用交叉操作对被选择的个体进行染色体交叉处理；

采用改进的灰狼狩猎操作对交叉处理后的个体进行变异处理；

更新狼群位置，获得最优解。

在本发明的实施例中，如图3所示，为一个2×n的矩阵，矩阵第一行表示要部署的边缘服务器的编号，第二行表示每个边缘服务器部署的位置编号及WiFi站点的编号。例如第二行第一列表示第一个边缘服务器部署在第三个WiFi站点上。如图4所示，为一个m×n的矩阵，矩阵每一行代表一个边缘服务器，每一列代表一个WiFi站点，每一个标记表示这一列的WiFi站点连接了这一行的边缘服务器。例如第一列第一行表示1号WiFi站点连接了1号边缘服务器。由于放置问题的约束和边缘服务器部署在基站的假设，每一个WiFi站点的覆盖半径是固定的，其所连接的边缘服务器必须在其覆盖范围内。

当将部署的m个边缘服务器放置在对应的WiFi站点位置后，需要使每个边缘服务器连接对应的WiFi站点，并且连接WiFi站点的总负载不超过边缘服务器对应的阈值。采用该编码方案可以简化遗传算法在进化过程中的计算，便于添加约束条件，并且可以很清楚的找到每个边缘服务器所部署的WiFi站点，和每个WiFi站点所连接的边缘服务器。

选择操作即从前代种群中选择个体到下一代种群的过程。一般根据个体适应度的分布来选择个体。适应度值与被遗传的几率成正比，即优秀的个体有更大的几率存活下来，更有机会参与后续的交叉和变异，更有权利繁衍后代。本发明利用轮盘赌根据个体的适应度，按照一定的规则，从第n代群体中选择出一些具有优良性状的个体遗传到下一代，即第n+1代群体中。在这一选择过程中，个体适应度越大，则被选择到下一代的机会越大。某个体v的适应度f_v，种群大小NP，则v被选择的概率公式为：

交叉操作是对任意两个染色体进行的，是遗传算法中个体染色体进行交配的运算规则，目的是保证种群的稳定性，朝着最优解的方向进化。本发明采用单点交叉，随机选择两个个体，同时生成一个(0，1)上的随机数，若生成的实数小于预设的交叉概率，则对这两个染色体进行交叉，再随机选择交叉位置，将两个体交叉点位置之后的整数串进行对换。

灰狼优化算法在处理连续问题时,狼群能够利用在搜索空间中连续的位置来寻找食物，α、β和δ分别表示最优程度从高到低的三个最优解，其可以不断更新。然而在二进制空间里，位置是离散的所以不能使用基本的狩猎公式。需要提出利用α、β和δ的信息来实现灰狼位置在0和1之间的转换,也就是说要在α、β和δ之间建立一种关联准则，即通过转换函数来建立关联。由于将灰狼优化算法直接与遗传算法所结合所以不用考虑前期的编码操作，经过遗传算法的选择、交叉、变异操作后，能够得到一个由0，1组成的狼群位置信息。

在确定狼群的初始位置之后，计算每个灰狼所对应的适应度值，求得当前α、β和δ的位置。根据灰狼优化算法的机制和转换函数更新α、β和δ的位置。重复之前的操作，直到优化结束，得到最优解。

为了实现狼群位置在0和1之间的转换，本发明所选的转换函数如下：

在公式中x_i，当随机数小于X_i(t)时值为0，否则值为1。并且可以实现连续问题与离散问题得转换，最新的狼群位置公式如下：

得出的最新狼群位置与最优的狼群位置进行对比，若其适应度函数优于最优的狼群位置，则替换掉最优狼群位置。若算法运行代数小于1000，则重新进行选择、交叉和变异等处理，算法流程如图5所示。

下面结合仿真图对本发明效果做进一步的说明：

1、仿真实验条件：

在本发明的仿真实验中将部署70到100个智能设备来进行数据的采集，根据智能设备的分布在坐标轴上部署32个WiFi站点来进行数据的传输，每个WiFi站点的覆盖范围我们设置为6个单元格。每个WiFi站点都有一个负载的最大阈值100，来保证工作效率。将部署10到20个边缘服务器，考虑到每个边缘服务器的计算资源的不同，在WiFi站点上部署的每个边缘服务器的成本固定在1000到1500的某一个值。部署容错边缘服务器时，每个服务器的权重负载的阈值在540到600之间。仿真实验中，本发明和对比方法都是利用Java语言编程实现。

2、仿真结果分析：

本发明算法BGWGS(Binary-based Gray Wolf Genetic Strategy,二进制灰狼遗传策略算法)与三种现有技术GWO(Grey Wolf Optimizer,灰狼算法)、GA(GeneticAlgorithm,遗传算法)和RA(RandomAlgorithm,随机算法)进行对比：实验中分别提取极化SAR图像的散射特征本实验中WiFi站点的覆盖半径为4km，算法种群大小为500，最大迭代次数为1000次。

在本发明的输出结果中，图6显示了四种算法在基础边缘服务器部署中的性能。在迭代次数I＝1000的前提下，部署不同数量边缘服务器中四种算法的总花费成本。x轴表示工厂中部署的边缘服务器的数量不同，y轴表示最低成本，其中二进制灰狼遗传策略算法的最低成本优于其他算法。使用基础边缘服务器部署数据，该数据部署了10台边缘服务器，并且WiFi站点覆盖范围半径为4km，增加了5个容错边缘服务器，并使用二进制灰狼遗传策略算法对其进行了部署，该算法的染色体数为100，迭代次数为1000。

如图7所示，比较了四种算法在容错边缘服务器部署中的性能，说明了在迭代次数前提下求解最优解的四种算法的收敛速度。x轴表示算法的迭代次数，y轴表示最小总负载。随着迭代次数的增加，每种算法的下降程度有所不同，但BGWGS算法的最优解更优。

以上实验表明，本发明相对于已有的方法可以将多种参数结合起来作为输入，可以在部署边缘服务器时使最小化成本和负载均衡同时满足，同时在部署冗余边缘服务器时使负载均衡，具有多目标优化的优点，使部署总成本最小化的优点，提高服务器利用率的优点，优化容错服务器部署策略的优点，具有较高容错的优点。

本发明还提供了一种智能制造中边缘服务器部署系统，包括：

本发明实施例提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中

本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。

本发明实施例提供了一种计算机程序产品，计算机程序被处理器执行时实现上述的方法。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.智能制造中边缘服务器部署方法，其特征在于，包括：

根据所述设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型；

根据所述设备信息建立容错边缘服务器的负载优化目标；

求解所述基础边缘服务器的负载和成本优化目标以及所述容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

2.根据权利要求1所述的智能制造中边缘服务器部署方法，其特征在于，所述根据所述设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型，包括：

建立所述智能设备的负载模型：

所述智能设备的工作负载表示为：

其中，B_k表示第k个智能设备的工作负载，Π_k表示第k个智能设备的数据传输速度，M_k表示第k个智能设备的数据收集速度，D_k表示第k个智能设备的传输带宽；

建立所述WiFi站点的负载模型：

所述WiFi站点的工作负载表示为：

其中，B_i表示第i个WiFi站点的工作负载，o表示智能设备的数量，x_ik为二进制数，当第k个智能设备接入第i个WiFi站点时，x_ik的值为1，否则值为0；

建立所述边缘服务器的负载模型：

所述边缘服务器的工作负载表示为：

3.根据权利要求2所述的智能制造中边缘服务器部署方法，其特征在于，所述将负载均衡映射在成本上，建立基础边缘服务器的负载和成本优化目标，包括：

建立的所述基础边缘服务器的负载和成本优化目标为：

式中，

表示第j台边缘服务器的部署成本，

4.根据权利要求1所述的智能制造中边缘服务器部署方法，其特征在于，所述根据所述设备信息建立容错边缘服务器的负载优化目标，包括：

根据所述设备信息建立所述容错边缘服务器的负载权值：

根据所述负载权值建立所述容错边缘服务器的负载优化目标：

和

5.根据权利要求1所述的智能制造中边缘服务器部署方法，其特征在于，所述求解所述基础边缘服务器的负载和成本优化目标以及所述容错边缘服务器的负载优化目标，得到边缘服务器部署方案，包括：

利用二进制灰狼遗传策略算法求解所述基础边缘服务器的负载和成本优化目标以及所述容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

6.根据权利要求5所述的智能制造中边缘服务器部署方法，其特征在于，所述利用二进制灰狼遗传策略算法求解所述基础边缘服务器的负载和成本优化目标以及所述容错边缘服务器的负载优化目标，包括：

采用选择操作选择所述初始种群中的某些个体；

采用交叉操作对被选择的所述个体进行染色体交叉处理；

更新狼群位置，获得最优解。

7.一种应用权利要求1-6任一项所述智能制造中边缘服务器部署方法的智能制造中边缘服务器部署系统，其特征在于，包括：

负载模型建立模块，用于根据所述设备信息建立智能设备的负载模型、WiFi站点的负载模型以及边缘服务器的负载模型；

负载优化目标建立模块，用于根据所述设备信息建立容错边缘服务器的负载优化目标；

目标求解模块，用于求解所述基础边缘服务器的负载和成本优化目标以及所述容错边缘服务器的负载优化目标，得到边缘服务器部署方案。

8.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的计算机指令，所述计算机指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6中任一项所述的方法。

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中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1-6任一项所述的方法。

10.一种计算机程序产品，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。