CN113268341A - 电网边缘计算任务的分配方法、装置、设备和存储介质 - Google Patents
电网边缘计算任务的分配方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113268341A CN113268341A CN202110483871.3A CN202110483871A CN113268341A CN 113268341 A CN113268341 A CN 113268341A CN 202110483871 A CN202110483871 A CN 202110483871A CN 113268341 A CN113268341 A CN 113268341A
- Authority
- CN
- China
- Prior art keywords
- intelligent terminal
- task
- target intelligent
- edge computing
- target
- 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
Links
Images
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
- G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
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)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明适用于电力系统技术领域,提供了一种电网边缘计算任务的分配方法、装置、设备和存储介质,其中,电网边缘计算任务的分配方法包括:软件定义网络控制器接收多个智能终端各自的任务信息;根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型;根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端;在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。采用本发明可以降低智能终端的任务被处理的时延。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种电网边缘计算任务的分配方法、装置、设备和存储介质。
背景技术
随着泛在电力物联网的提出,智能终端的数量越来越庞大,其需要处理的数据也越来越多。常见的智能终端有:电网实时监控设备、电网数据管理设备、电网调度决策设备及大量的传感设备如智能电表等。为了满足泛在电力物联网对智能终端实时性的要求,其中实时性主要指数据分析、处理和响应的实时性,在泛在电力物联网中引入了边缘计算(Mobile Edge Computing,MEC)技术。边缘计算技术是指智能终端将待处理的任务上传至配置有计算、存储和网络资源的边缘计算服务器进行处理,而无需完全依靠智能终端处理。现有泛在电力物联网中采用边缘计算技术,利用边缘计算服务器对智能终端所需的计算、存储和网络等处理资源进行分配。
但是,随着边缘计算网络结构的逐渐复杂以及智能终端数量的不断增加,边缘计算服务器将接入大量的智能终端,无法对智能终端所需的处理资源进行合理分配,导致智能终端的任务需要较长时间才能被处理,时延较高。
发明内容
有鉴于此,本发明实施例提供了一种电网边缘计算任务的分配方法、装置、设备和存储介质,以解决现有技术中智能终端的任务被处理时存在的时延较高的问题。
本发明实施例的第一方面提供了一种电网边缘计算任务的分配方法,包括:
软件定义网络控制器接收多个智能终端各自的任务信息;
根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型;
根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端;
在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;
在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。
可选的,任务信息包括智能终端的本地计算能力、智能终端的任务所需占用的存储资源、处理智能终端的任务所需的计算资源和智能终端的任务能容忍的最大时延;边缘计算服务器的资源信息包括总存储资源、总计算资源和基站覆盖范围内的所有智能终端之间的总频率资源。
可选的,多个智能终端的总时延最小的优化模型为:
其中:Ti为目标智能终端i的时延,ai∈{0,1}为选择函数;为目标智能终端i从上传任务到边缘计算服务器,到边缘计算服务器计算该任务所需的总时间, 为目标智能终端i处理任务所需的时间, 为目标智能终端i的任务能容忍的最大时延,Ri为上传链路速率, Cca为边缘计算服务器中的总存储资源, 为处理目标智能终端i的任务所需要的计算资源;为目标智能终端i的本地计算能力;为目标智能终端i的任务上传到边缘计算服务器所需的时间;为边缘计算服务器计算目标智能终端i的任务所需的时间;为目标智能终端i任务上传到边缘计算服务器所需的存储资源;pi为目标智能终端i上传任务时的功率;B为边缘计算服务器的基站和目标智能终端i之间的总通信频率资源;hi为目标智能终端i上传到基站的上传链路信道增益;fi sp为软件定义网络控制器分配给目标智能终端i的频率资源占比;fi ca为软件定义网络控制器分配给目标智能终端i占用的边缘计算服务器的存储资源的占比;fi co为软件定义网络控制器分配给目标智能终端i占用的边缘计算服务器的计算资源的占比;Cco为边缘计算服务器中的总计算资源。
可选的,当ai=1时,软件定义网络控制器将目标智能终端i的频率占比发送到目标智能终端i;软件定义网络控制器将分配给目标智能终端i占用的边缘计算服务器的存储资源的占比和分配给目标智能终端i占用的边缘计算服务器的计算资源的占比发送到边缘计算服务器;
相应的,当ai=0时,软件定义网络控制器将处理目标智能终端i的任务所需要的计算资源发送到目标智能终端i。
可选的,建立多个智能终端的总时延最小的优化模型,包括:
采用深度确定性策略梯度强化学习算法建立总时延最小的优化模型。
可选的,深度确定性策略梯度强化学习算法包括:环境状态空间、动作空间和奖励值;
相应的,环境状态空间包括:目标智能终端i任务上传到边缘计算服务器所需的存储资源、处理目标智能终端i的任务所需要的计算资源和目标智能终端i的任务能容忍的最大时延;
相应的,动作空间包括:软件定义网络控制器分配给目标智能终端i的频率资源占比、软件定义网络控制器分配给目标智能终端i的边缘计算服务器中的存储资源的占比、软件定义网络控制器分配给目标智能终端i的边缘计算服务器中的计算资源的占比和选择函数ai;
相应的,奖励值为当目标智能终端i的任务能容忍的最大时延大于等于目标智能终端i的时延时,目标智能终端i的对应奖励值大于0。
可选的,奖励值为:
其中,r为所有智能终端的评价奖励值,ri为目标智能终端i的奖励值。
本发明实施例的第二方面提供了一种电网边缘计算任务的分配装置,包括:
任务接收模块,用于接收多个智能终端各自的任务信息;
模型创建模块,用于根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型;
任务分配模块,用于根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端;
第一任务发送模块,用于在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;
第二任务发送模块,用于在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。
可选的,任务信息包括智能终端的本地计算能力、智能终端的任务所需占用的存储资源、处理智能终端的任务所需的计算资源和智能终端的任务能容忍的最大时延;边缘计算服务器的资源信息包括总存储资源、总计算资源和基站覆盖范围内的所有智能终端之间的总频率资源。
可选的,多个智能终端的总时延最小的优化模型为:
其中:Ti为目标智能终端i的时延,ai∈{0,1}为选择函数;为目标智能终端i从上传任务到边缘计算服务器,到边缘计算服务器计算该任务所需的总时间, 为目标智能终端i处理任务所需的时间, 为目标智能终端i的任务能容忍的最大时延,Ri为上传链路速率, Cca为边缘计算服务器中的总存储资源, 为处理目标智能终端i的任务所需要的计算资源;为目标智能终端i的本地计算能力;为目标智能终端i的任务上传到边缘计算服务器所需的时间;为边缘计算服务器计算目标智能终端i的任务所需的时间;为目标智能终端i任务上传到边缘计算服务器所需的存储资源;pi为目标智能终端i上传任务时的功率;B为边缘计算服务器的基站和目标智能终端i之间的总通信频率资源;hi为目标智能终端i上传到基站的上传链路信道增益;fi sp为模型创建模块分配给目标智能终端i的频率资源占比;fi ca为模型创建模块分配给目标智能终端i占用的边缘计算服务器的存储资源的占比;fi co为模型创建模块分配给目标智能终端i占用的边缘计算服务器的计算资源的占比;Cco为边缘计算服务器中的总计算资源。
可选的,当ai=1时,第二任务发送模块将目标智能终端i的频率占比发送到目标智能终端i;软件定义网络控制器将分配给目标智能终端i占用的边缘计算服务器的存储资源的占比和分配给目标智能终端i占用的边缘计算服务器的计算资源的占比发送到边缘计算服务器;
当ai=0时,第一任务发送模块将处理目标智能终端i的任务所需要的计算资源发送到目标智能终端i
可选的,任务分配模块还用于:采用深度确定性策略梯度强化学习算法建立总时延最小的优化模型。
可选的,深度确定性策略梯度强化学习算法包括环境状态空间、动作空间和奖励值,其中:
环境状态空间包括:目标智能终端i任务上传到边缘计算服务器所需的存储资源、处理目标智能终端i的任务所需要的计算资源和目标智能终端i的任务能容忍的最大时延;
动作空间包括:任务分配模块分配给目标智能终端i的频率资源占比、任务分配模块分配给目标智能终端i的边缘计算服务器中的存储资源的占比、任务分配模块分配给目标智能终端i的边缘计算服务器中的计算资源的占比和选择函数ai;
奖励值为当目标智能终端i的任务能容忍的最大时延大于等于目标智能终端i的时延时,目标智能终端i的对应奖励值大于0。
可选的,任务分配模块还用于:奖励值为:
其中,r为所有智能终端的评价奖励值,ri为目标智能终端i的奖励值。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本发明实施例的第四方面提供了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程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
在本发明实施例中,由于边缘计算服务器无法快速对资源进行合理分配,而软件定义网络控制器可以更好的对资源进行分配,因此,可以让软件定义网络控制器接收多个智能终端各自的任务信息,之后根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型,然后根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端。最后,在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。如此,通过建立的总时延最小的优化模型,软件定义网络控制器即可以对接收到的任务信息进行及时、有效的资源分配,从而可以降低智能终端的任务被处理的时延。
此外,软件定义网络控制器在对资源进行分配时,还充分考虑到智能终端本地的资源和边缘计算服务器的资源,为了能够合理的利用两者的资源,采用了两种不同的分配方法,使得任务并不都上传至边缘计算服务器进行处理,从而增加了资源的整体利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电网边缘计算任务的分配方法的步骤流程图;
图2是本发明实施例提供的一种基于深度确定性策略梯度强化学习的分配算法的流程示意图;
图3是本发明实施例提供的一种电网边缘计算任务的分配方法的奖励值仿真结果示意图;
图4是本发明实施例提供的一种电网边缘计算任务的分配装置的示意图;
图5是本发明实施例提供的一种电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
泛在电力物联网,是充分应用移动互联、人工智能等现代信息技术、先进通信技术,实现电力系统各个环节万物互联、人机交互,具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。随着5G技术的不断发展,随着智能电网的不断完善,智能终端的数量将越来越庞大。常见的智能终端有:电网实时监控设备、电网数据管理设备、电网调度决策设备及大量的传感设备如智能电表等。
然而,当边缘计算服务器面对大量智能终端接入时,随着边缘计算网络结构逐渐复杂以及智能终端对资源需求的变化,边缘计算服务器将无法灵活的对硬件资源进行合理的区域划分,从而影响了智能终端的任务的处理速度,导致了智能终端产生较高的能耗及时延。
为了解决现有技术问题,本发明实施例提供了一种电网边缘计算任务的分配方法、装置、设备和存储介质。下面首先对本发明实施例所提供的电网边缘计算任务的分配方法进行介绍。
如图1所示,本发明实施例提供的电网边缘计算任务的分配方法可以包括以下步骤:
步骤S110、软件定义网络控制器接收多个智能终端各自的任务信息。
将软件定义网络控制器部署于设有智能终端的基站中,可以对基站所覆盖范围内的所有智能设备的任务进行资源分配。根据5G中网络切片的思想,软件定义网络控制器负责资源虚拟化、服务功能虚拟化和整体功能布局调控。智能电网中的智能终端的任务的上传程序可以在边缘计算服务器中进行注册,并由软件定义网络控制器分配不同的边缘计算服务器的虚拟资源。
在一些实施例中,基站与覆盖范围内的所有智能终端通过无线网络连接,基站与边缘计算服务器通过有线连接,智能终端与软件定义网络控制器通过北向接口连接。
具体的,针对智能电网及边缘计算的特点,本发明给出了面向智能电网的基于软件定义网络的边缘计算逻辑结构,整个架构由基础设施层、虚拟化层、应用层以及独立的控制层四部分组成。
其中,基础设施层代表底层硬件,包括放置于边缘计算服务器的计算硬件和存储硬件以及电网终端设备及传感器自身的计算存储资源,同时该层还包含网络硬件,如基站中的远程无线接入天线和边缘计算服务器上的基带单元。
底层硬件的资源在虚拟化层实现虚拟化,从而使计算或存储资源独立于物理组件。资源虚拟化后,软件定义网络控制器可以根据智能电网中的每个智能终端不同的服务质量需求将虚拟资源分块并重新分配给不同的应用程序,每个应用程序或服务功能与物理组件相互独立并作为软件在虚拟资源上运行。因此,一个边缘计算服务器可以支持一个或多个应用程序服务,应用程序之间互不影响,可以做到灵活的添加或删除程序进程以便于更合理的对边缘计算服务器的资源进行分配。
独立于虚拟层的应用程序映射于应用层中。对于不同类型的应用应采用不同的资源分配策略,延迟敏感型应用应优先注册并优先分配虚拟资源,如电网数据实时监测、电能资源实时调度服务等;延迟容忍型任务可以在服务器端注册,如数据采集、智能巡检等。
软件定义网络控制器可以将边缘计算服务器中的计算存储资源虚拟化为一个“资源池”,根据基站接收到的智能终端的任务请求,对边缘计算服务器的资源进行合理分配。通过北向接口,软件定义网络控制器可以支持多种应用。由于软件定义网络中控制与物理资源分离的特点,当智能电网对通信线路或应用程序进行升级时,只需修改对应的接口即可,保障了智能电网稳定安全的运行,节约了设施成本。智能终端与基站之间采用无线连接的方式,为提高频谱资源利用率,软件定义网络控制器根据智能终端应用需求来动态的对频谱资源进行分配。
当基站覆盖范围内的智能终端的任务需要处理时,可将任务信息发送到软件定义网络控制器。
步骤S120、根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型。
在一些实施例中,任务信息包括智能终端的本地计算能力、智能终端的任务所需占用的存储资源、处理智能终端的任务所需的计算资源和智能终端的任务能容忍的最大时延。边缘计算服务器的资源信息包括总存储资源、总计算资源和基站覆盖范围内的所有智能终端之间的总频率资源。
具体的,软件定义网络控制器需要对基站覆盖范围内的所有智能终端之间的总频率资源、边缘计算服务器的总存储资源、总计算资源进行合理分配。
设当前共有N个智能终端,此处以第i个智能终端的任务处理进行详细介绍。
当智能终端i的任务无法在智能终端i本地处理时,软件定义网络控制器需要首先将任务上传到边缘计算服务器,然后由边缘计算服务器处理任务。
其中:智能终端i的任务上传到边缘计算服务器的时间由任务上传到边缘计算服务器所需的存储资源和上传链路速率决定,智能终端i的任务上传到边缘计算服务器所需的时间 上传链路速率为Ri, B为边缘计算服务器的基站和基站覆盖范围内的所有智能终端之间的总通信频率资源,hi为智能终端i上传到基站的上传链路信道增益,fi sp为软件定义网络控制器分配给智能终端i的频率资源占比,为智能终端i任务上传到边缘计算服务器所需的存储资源。当智能终端i的任务即可成功上传到边缘计算服务器中,Cca为边缘计算服务器中的总存储资源。
智能终端i的任务上传到边缘计算服务器后,由软件定义网络控制器给智能终端i分配占用的边缘计算服务器的计算资源的占比。边缘计算服务器计算智能终端i的任务所需的时间为 fi co为软件定义网络控制器分配给智能终端i占用的边缘计算服务器的计算资源的占比,Cco为边缘计算服务器中的总计算资源。
根据上述智能终端i的任务处理的时间,设置一个选择函数ai,ai∈{0,1}。当ai=1时,任务由边缘计算服务器处理,由于任务上传的申请请求以及任务的计算结果较小,忽略发送请求及接收结果的时间,仅考虑任务的上传时间和计算处理任务的时间,此时智能终端i从上传任务到边缘计算服务器,到边缘计算服务器计算该任务所需的总时间为
其中:确保了任务在时间段Ti max内完成。ai∈{0,1}和0≤fi sp≤ai,实现对不同智能终端的频率资源分配,且保证总频率资源使用情况不超出边缘计算服务器总的频率资源。0≤fi ca≤ai和确保了上传的任务不超出边缘计算服务器的总存储资源。0≤fi co≤ai和确保了上传的任务的总计算量不超出边缘计算服务器的总计算资源。
步骤S130、根据总时延最小的优化模型,生成目标智能终端的任务分配信息。
在一些实施例中,采用深度确定性策略梯度强化学习算法处理建立的总时延最小的优化模型。
具体的,总时延最小的优化模型中,约束条件包含离散变量ai及各种资源分配比例的连续变量,这表明强化学习算法的动作空间中同时存在着连续及离散的量,这使得智能体每次都需要在一个很大的空间中进行动作选择。深度确定性策略梯度(DeepDeterministic Policy Gradient,DDPG)强化学习算法,可以同时解决离散及连续问题,满足智能电网中设有大量传感及智能终端的情况。因此,为作出资源分配决策,以实现更低的任务完成时延,本申请中利用DDPG强化学习算法对总时延最小的优化模型进行求解。
软件定义网络控制器可视为智能体的角色,智能体之外的一切都将被视为环境状态。令S为环境状态空间,每个环境状态s∈S,智能体从动作空间中根据当前策略π选择资源分配动作ac。在环境状态s中执行动作ac后,相应的奖励值r会返回到智能体。智能体根据得到的奖励值来指导策略更新直到得到最优的资源分配策略。
针对优化目标及约束条件,将环境状态设置为:
智能体进行分配的动作空间为:
其中,aN为选择函数。
采用时间比例作为奖励值:
r为该模型的奖励值,设为所有智能终端的平均奖励值。当且仅当满足延迟需求时,对应的第i个智能终端的奖励值才会是正值,否则奖励为负值。通过使用log函数,并加上一个很小的值0.01到函数中,可以避免奖励值剧烈的波动,从而提高收敛性能。
进一步的,为了得到最佳的资源分配策略,需要对智能体进行训练。DDPG强化学习算法在解决问题时分为两个阶段:训练和推断。其中训练阶段在线下完成,由于训练阶段使用的训练数据之间的相关性会降低收敛速度,因此在DDPG强化学习算法中可采用回放历史经验技术。
具体的,DDPG强化学习算法的智能体中包含一个“演员”及一个“评论家”,二者均由两个深度神经网络组成。“演员”根据输入环境状态做出动作决策,“评论家”利用Q功能函数来对每个状态-动作对进行估值。Q值功能函数如下:
Q(s,ac)=r+γQ′(s′,ac′);
γ为奖励值r的折扣系数,γ∈[0,1],Q‘(s′,ac′)为下一次算法进行学习的Q值。式中γ为之后的奖励值对当前Q值的影响程度,当γ接近1时,代表该函数重视未来长期的情况;当γ接近0时,代表函数更加侧重考虑短期内的情况。
演员的策略网络根据以下式子进行持续更新:
其中,θμ为演员的策略网络参数,J(θμ)为演员的策略目标函数。
评论家的Q值功能函数网络根据以下式子进行更新,以最小化偏差:
L(θQ)=E[(Q(s,ac)-(r+γQ′(s,ac)))2];
其中,θQ为Q值功能函数网络参数。
目标网络利用下式可以进行平稳更新,其中κc、κa均为一个较小的更新系数。
具体的,表1中提供了一种基于DDPG强化学习的分配算法,处理过程如图2所示。
表1.基于DDPG强化学习的分配算法
当分配结果输出以后,软件定义网络控制器根据分配结果,将相应的分配结果发送给智能终端和边缘计算服务器。
步骤S140、在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端。
当ai=0时,任务由智能终端处理,软件定义网络控制器将处理目标智能终端i的任务所需要的计算资源发送到目标智能终端i。
步骤S150、在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。
当ai=1时,任务由边缘计算服务器处理,软件定义网络控制器将目标智能终端i的频率占比发送到目标智能终端i;软件定义网络控制器将分配给目标智能终端i占用的边缘计算服务器的存储资源的占比和分配给目标智能终端i占用的边缘计算服务器的计算资源的占比发送到边缘计算服务器。
具体的,为验证本发明的电网边缘计算任务的分配方法的可行性,采用Tensorflow环境进行仿真实现。假设部署于电力物联网中的边缘计算服务器节点不可移动,且每个智能终端同一时刻只能卸载一个任务至边缘计算服务器中进行计算。DDPG强化学习算法中的奖励折扣系数取γ=0.92,智能终端产生的任务占用的存储资源大小在[100,1000]KB之间,并用CPU的计算周期来衡量任务需要的计算能力为[0.2,1]G个周期。本次仿真中基站到智能设备之间的距离选取为[5、10、20]m。仿真中的主要的通信及计算资源参数如表2所示。
表2.仿真模型参数
参数 值
仿真结果如图3所示,从图中可以看出,随着DDPG强化学习训练的进行,奖励值虽然波动较大但总体呈上升趋势,一定训练段后奖励值在高位逐渐收敛,表明分配结果逐渐变优,最终达到了更优分配资源的目的,验证了该算法的可行性。
在本发明实施例中,由于边缘计算服务器无法快速对资源进行合理分配,而软件定义网络控制器可以更好的对资源进行分配,因此,可以让软件定义网络控制器接收多个智能终端各自的任务信息,之后根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型,然后根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端。最后,在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。如此,通过建立的总时延最小的优化模型,软件定义网络控制器即可以对接收到的任务信息进行及时、有效的资源分配。且本发明提供的任务的分配方法,采用智能终端本地及边缘计算服务器选择处理的方法,使得任务并不都上传至边缘计算服务器进行处理,增加了整体资源的利用率。
此外,本发明实施例提供的电网边缘计算任务的分配方法,还可以与其它电网边缘计算任务的分配方法结合使用,进一步提升分配效果。
基于上述实施例提供的电网边缘计算任务的分配方法,相应地,本发明还提供了应用于该电网边缘计算任务的分配方法的电网边缘计算任务的检测装置的具体实现方式。请参见以下实施例。
如图4所示,提供了一种电网边缘计算任务的分配装置400,包括:
任务接收模块410,用于接收多个智能终端各自的任务信息;
模型创建模块420,用于根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型;
任务分配模块430,用于根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端;
第一任务发送模块440,用于在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;
第二任务发送模块450,用于在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。
可选的,任务信息包括智能终端的本地计算能力、智能终端的任务所需占用的存储资源、处理智能终端的任务所需的计算资源和智能终端的任务能容忍的最大时延;边缘计算服务器的资源信息包括总存储资源、总计算资源和基站覆盖范围内的所有智能终端之间的总频率资源。
可选的,多个智能终端的总时延最小的优化模型为:
其中:Ti为目标智能终端i的时延,ai∈{0,1}为选择函数;为目标智能终端i从上传任务到边缘计算服务器,到边缘计算服务器计算该任务所需的总时间, 为目标智能终端i处理任务所需的时间, 为目标智能终端i的任务能容忍的最大时延,Ri为上传链路速率, Cca为边缘计算服务器中的总存储资源, 为处理目标智能终端i的任务所需要的计算资源;为目标智能终端i的本地计算能力;为目标智能终端i的任务上传到边缘计算服务器所需的时间;为边缘计算服务器计算目标智能终端i的任务所需的时间;为目标智能终端i任务上传到边缘计算服务器所需的存储资源;pi为目标智能终端i上传任务时的功率;B为边缘计算服务器的基站和目标智能终端i之间的总通信频率资源;hi为目标智能终端i上传到基站的上传链路信道增益;fi sp为模型创建模块分配给目标智能终端i的频率资源占比;fi ca为模型创建模块分配给目标智能终端i占用的边缘计算服务器的存储资源的占比;fi co为模型创建模块分配给目标智能终端i占用的边缘计算服务器的计算资源的占比;Cco为边缘计算服务器中的总计算资源。
可选的,当ai=1时,第二任务发送模块将目标智能终端i的频率占比发送到目标智能终端i;软件定义网络控制器将分配给目标智能终端i占用的边缘计算服务器的存储资源的占比和分配给目标智能终端i占用的边缘计算服务器的计算资源的占比发送到边缘计算服务器;
当ai=0时,第一任务发送模块将处理目标智能终端i的任务所需要的计算资源发送到目标智能终端i
可选的,任务分配模块430还用于:采用深度确定性策略梯度强化学习算法建立总时延最小的优化模型。
可选的,深度确定性策略梯度强化学习算法包括环境状态空间、动作空间和奖励值,其中:
环境状态空间包括:目标智能终端i任务上传到边缘计算服务器所需的存储资源、处理目标智能终端i的任务所需要的计算资源和目标智能终端i的任务能容忍的最大时延;
动作空间包括:任务分配模块430分配给目标智能终端i的频率资源占比、任务分配模块430分配给目标智能终端i的边缘计算服务器中的存储资源的占比、任务分配模块430分配给目标智能终端i的边缘计算服务器中的计算资源的占比和选择函数ai;
奖励值为当目标智能终端i的任务能容忍的最大时延大于等于目标智能终端i的时延时,目标智能终端i的对应奖励值大于0。
可选的,任务分配模块430还包括:奖励值为:
其中,r为所有智能终端的评价奖励值,ri为目标智能终端i的奖励值。
如图5是本发明一实施例提供的电子设备的示意图。如图5所示,该实施例的电子设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述电网边缘计算任务的分配方法实施例中的步骤。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述电子设备5中的执行过程。例如,所述计算机程序52可以被分割成定位处理模块、第一分类模块、图像处理模块、第二分类模块、获取模块、检测模块,各模块具体功能如下:
任务接收模块,用于软件定义网络控制器接收多个智能终端各自的任务信息;
模型创建模块,用于根据多个智能终端的任务信息和边缘计算服务器的资源信息,建立多个智能终端的总时延最小的优化模型;
任务分配模块,用于根据总时延最小的优化模型,生成目标智能终端的任务分配信息;目标智能终端为多个智能终端中的任意一个智能终端;
第一任务发送模块,用于在分配信息为由目标智能终端处理的情况下,将分配信息发送给目标智能终端;
第二任务发送模块,用于在分配信息为由边缘计算服务器处理的情况下,将分配信息同时发送给目标智能终端和边缘计算服务器。
所述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是电子设备5的示例,并不构成对电子设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述电子设备5的内部存储单元,例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备,例如所述电子设备5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(Flash Card)等。进一步地,所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电网边缘计算任务的分配方法,其特征在于,包括:
软件定义网络控制器接收多个智能终端各自的任务信息;
根据所述多个智能终端的任务信息和边缘计算服务器的资源信息,建立所述多个智能终端的总时延最小的优化模型;
根据所述总时延最小的优化模型,生成目标智能终端的任务分配信息;所述目标智能终端为所述多个智能终端中的任意一个智能终端;
在所述分配信息为由所述目标智能终端处理的情况下,将所述分配信息发送给所述目标智能终端;
在所述分配信息为由所述边缘计算服务器处理的情况下,将所述分配信息同时发送给所述目标智能终端和所述边缘计算服务器。
2.如权利要求1所述的电网边缘计算任务的分配方法,其特征在于:
所述任务信息包括所述智能终端的本地计算能力、所述智能终端的任务所需占用的存储资源、处理所述智能终端的任务所需的计算资源和所述智能终端的任务能容忍的最大时延;
所述边缘计算服务器的资源信息包括总存储资源、总计算资源和基站覆盖范围内的所有智能终端之间的总频率资源。
3.如权利要求2所述的电网边缘计算任务的分配方法,其特征在于,所述多个智能终端的总时延最小的优化模型为:
其中:Ti为目标智能终端i的时延,ai∈{0,1}为选择函数;为目标智能终端i从上传任务到边缘计算服务器,到边缘计算服务器计算该任务所需的总时间, 为目标智能终端i处理任务所需的时间, 为目标智能终端i的任务能容忍的最大时延,Ri为上传链路速率, Cca为边缘计算服务器中的总存储资源, 为处理目标智能终端i的任务所需要的计算资源;为目标智能终端i的本地计算能力;为目标智能终端i的任务上传到边缘计算服务器所需的时间;为边缘计算服务器计算目标智能终端i的任务所需的时间;为目标智能终端i任务上传到边缘计算服务器所需的存储资源;pi为目标智能终端i上传任务时的功率;B为边缘计算服务器的基站和目标智能终端i之间的总通信频率资源;hi为目标智能终端i上传到基站的上传链路信道增益;fi sp为软件定义网络控制器分配给目标智能终端i的频率资源占比;fi ca为软件定义网络控制器分配给目标智能终端i占用的边缘计算服务器的存储资源的占比;fi co为软件定义网络控制器分配给目标智能终端i占用的边缘计算服务器的计算资源的占比;Cco为边缘计算服务器中的总计算资源。
4.如权利要求3所述的电网边缘计算任务的分配方法,其特征在于:
当ai=1时,所述软件定义网络控制器将所述目标智能终端i的频率占比发送到所述目标智能终端i;所述软件定义网络控制器将分配给所述目标智能终端i占用的边缘计算服务器的存储资源的占比和分配给所述目标智能终端i占用的边缘计算服务器的计算资源的占比发送到所述边缘计算服务器;
当ai=0时,所述软件定义网络控制器将处理所述目标智能终端i的任务所需要的计算资源发送到所述目标智能终端i。
5.如权利要求3所述的电网边缘计算任务的分配方法,其特征在于,所述建立所述多个智能终端的总时延最小的优化模型,包括:
采用深度确定性策略梯度强化学习算法建立所述总时延最小的优化模型。
6.如权利要求5所述的电网边缘计算任务的分配方法,其特征在于,所述深度确定性策略梯度强化学习算法包括环境状态空间、动作空间和奖励值,其中:
所述环境状态空间包括:目标智能终端i任务上传到所述边缘计算服务器所需的存储资源、处理目标智能终端i的任务所需要的计算资源和目标智能终端i的任务能容忍的最大时延;
所述动作空间包括:软件定义网络控制器分配给目标智能终端i的频率资源占比、软件定义网络控制器分配给目标智能终端i的边缘计算服务器中的存储资源的占比、软件定义网络控制器分配给目标智能终端i的边缘计算服务器中的计算资源的占比和选择函数ai;
所述奖励值为当所述目标智能终端i的任务能容忍的最大时延大于等于所述目标智能终端i的时延时,所述目标智能终端i的对应奖励值大于0。
8.一种电网边缘计算任务的分配装置,其特征在于,包括:
任务接收模块,用于接收多个智能终端各自的任务信息;
模型创建模块,用于根据所述多个智能终端的任务信息和边缘计算服务器的资源信息,建立所述多个智能终端的总时延最小的优化模型;
任务分配模块,用于根据所述总时延最小的优化模型,生成目标智能终端的任务分配信息;所述目标智能终端为所述多个智能终端中的任意一个智能终端;
第一任务发送模块,用于在分配信息为由所述目标智能终端处理的情况下,将分配信息发送给所述目标智能终端;
第二任务发送模块,用于在分配信息为由所述边缘计算服务器处理的情况下,将分配信息同时发送给所述目标智能终端和所述边缘计算服务器。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483871.3A CN113268341B (zh) | 2021-04-30 | 2021-04-30 | 电网边缘计算任务的分配方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483871.3A CN113268341B (zh) | 2021-04-30 | 2021-04-30 | 电网边缘计算任务的分配方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268341A true CN113268341A (zh) | 2021-08-17 |
CN113268341B CN113268341B (zh) | 2022-04-26 |
Family
ID=77229807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110483871.3A Active CN113268341B (zh) | 2021-04-30 | 2021-04-30 | 电网边缘计算任务的分配方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268341B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676357A (zh) * | 2021-08-30 | 2021-11-19 | 华北电力大学 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN113840010A (zh) * | 2021-09-30 | 2021-12-24 | 深圳供电局有限公司 | 基于边缘计算的数据处理系统、方法、装置、设备和介质 |
CN113835886A (zh) * | 2021-09-14 | 2021-12-24 | 北京信息科技大学 | 物联网资源分配方法、装置、电子设备及存储介质 |
CN114024970A (zh) * | 2021-09-28 | 2022-02-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于边缘计算的电力物联网工作负载分配方法 |
CN114691373A (zh) * | 2022-05-23 | 2022-07-01 | 深圳富联智能制造产业创新中心有限公司 | 边缘计算设备接口通信方法、边缘节点设备及存储介质 |
CN115396955A (zh) * | 2022-08-24 | 2022-11-25 | 广西电网有限责任公司 | 一种基于深度强化学习算法的资源分配方法及装置 |
CN115801860A (zh) * | 2023-02-03 | 2023-03-14 | 北京智芯微电子科技有限公司 | 配电网边侧终端之间的边边通信方法和装置 |
CN116414556A (zh) * | 2022-12-05 | 2023-07-11 | 上海交通大学 | 基于冗余算力的异构嵌入式设备电力分配系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150169345A1 (en) * | 2013-12-18 | 2015-06-18 | International Business Machines Corporation | Software-defined networking (sdn) for management of traffic between virtual processors |
CN109981723A (zh) * | 2019-01-23 | 2019-07-05 | 桂林电子科技大学 | 基于深度强化学习的文件缓存处理系统及方法、通信系统 |
CN110933157A (zh) * | 2019-11-26 | 2020-03-27 | 重庆邮电大学 | 一种面向工业物联网的边缘计算任务卸载方法 |
CN111726854A (zh) * | 2020-04-24 | 2020-09-29 | 浙江工业大学 | 一种降低物联网计算卸载能耗的方法 |
CN111835827A (zh) * | 2020-06-11 | 2020-10-27 | 北京邮电大学 | 物联网边缘计算任务卸载方法及系统 |
CN112162789A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算随机卸载决策方法及系统 |
CN112162837A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算调度方法及系统 |
-
2021
- 2021-04-30 CN CN202110483871.3A patent/CN113268341B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150169345A1 (en) * | 2013-12-18 | 2015-06-18 | International Business Machines Corporation | Software-defined networking (sdn) for management of traffic between virtual processors |
CN109981723A (zh) * | 2019-01-23 | 2019-07-05 | 桂林电子科技大学 | 基于深度强化学习的文件缓存处理系统及方法、通信系统 |
CN110933157A (zh) * | 2019-11-26 | 2020-03-27 | 重庆邮电大学 | 一种面向工业物联网的边缘计算任务卸载方法 |
CN111726854A (zh) * | 2020-04-24 | 2020-09-29 | 浙江工业大学 | 一种降低物联网计算卸载能耗的方法 |
CN111835827A (zh) * | 2020-06-11 | 2020-10-27 | 北京邮电大学 | 物联网边缘计算任务卸载方法及系统 |
CN112162789A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算随机卸载决策方法及系统 |
CN112162837A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算调度方法及系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676357B (zh) * | 2021-08-30 | 2022-07-29 | 国网内蒙古东部电力有限公司 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN113676357A (zh) * | 2021-08-30 | 2021-11-19 | 华北电力大学 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN113835886A (zh) * | 2021-09-14 | 2021-12-24 | 北京信息科技大学 | 物联网资源分配方法、装置、电子设备及存储介质 |
CN113835886B (zh) * | 2021-09-14 | 2023-08-29 | 北京信息科技大学 | 物联网资源分配方法、装置、电子设备及存储介质 |
CN114024970A (zh) * | 2021-09-28 | 2022-02-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于边缘计算的电力物联网工作负载分配方法 |
CN113840010A (zh) * | 2021-09-30 | 2021-12-24 | 深圳供电局有限公司 | 基于边缘计算的数据处理系统、方法、装置、设备和介质 |
CN114691373B (zh) * | 2022-05-23 | 2023-03-28 | 深圳富联智能制造产业创新中心有限公司 | 边缘计算设备接口通信方法、边缘节点设备及存储介质 |
CN114691373A (zh) * | 2022-05-23 | 2022-07-01 | 深圳富联智能制造产业创新中心有限公司 | 边缘计算设备接口通信方法、边缘节点设备及存储介质 |
CN115396955A (zh) * | 2022-08-24 | 2022-11-25 | 广西电网有限责任公司 | 一种基于深度强化学习算法的资源分配方法及装置 |
CN116414556A (zh) * | 2022-12-05 | 2023-07-11 | 上海交通大学 | 基于冗余算力的异构嵌入式设备电力分配系统及方法 |
CN116414556B (zh) * | 2022-12-05 | 2024-01-30 | 上海交通大学 | 基于冗余算力的异构嵌入式设备电力分配系统及方法 |
CN115801860B (zh) * | 2023-02-03 | 2023-05-05 | 北京智芯微电子科技有限公司 | 配电网边侧终端之间的边边通信方法和装置 |
CN115801860A (zh) * | 2023-02-03 | 2023-03-14 | 北京智芯微电子科技有限公司 | 配电网边侧终端之间的边边通信方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113268341B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113268341B (zh) | 电网边缘计算任务的分配方法、装置、设备和存储介质 | |
CN111835827B (zh) | 物联网边缘计算任务卸载方法及系统 | |
CN112104502B (zh) | 时敏多任务边缘计算与缓存协作卸载策略方法 | |
Sun | Research on resource allocation of vocal music teaching system based on mobile edge computing | |
CN112291793B (zh) | 网络接入设备的资源分配方法和装置 | |
CN111130911B (zh) | 一种基于移动边缘计算的计算卸载方法 | |
CN112187859B (zh) | 物联网业务与边缘网络能力动态映射的方法及电子设备 | |
CN114265631A (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
CN116541106B (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN112231085A (zh) | 一种协同环境下基于时间感知的移动终端任务迁移方法 | |
CN115473896A (zh) | 基于dqn算法的电力物联网卸载策略和资源配置优化方法 | |
CN113747450B (zh) | 一种移动网络中业务部署方法、装置及电子设备 | |
CN114090108B (zh) | 算力任务执行方法、装置、电子设备及存储介质 | |
CN114691372A (zh) | 一种多媒体端边云系统的群体智能控制方法 | |
CN116112981B (zh) | 一种基于边缘计算的无人机任务卸载方法 | |
Chen et al. | DRJOA: intelligent resource management optimization through deep reinforcement learning approach in edge computing | |
CN115134829A (zh) | 移动业务边缘协作卸载方法、装置、设备及介质 | |
Ke et al. | Medley deep reinforcement learning-based workload offloading and cache placement decision in UAV-enabled MEC networks | |
CN113326112B (zh) | 一种基于块坐标下降法的多无人机任务卸载和迁移方法 | |
CN115481752B (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN113360203B (zh) | 一种电力物联网的任务卸载方法及装置 | |
CN117042051B (zh) | 一种车联网中任务卸载策略生成方法、系统、设备及介质 | |
CN115022188B (zh) | 一种电力边缘云计算网络中的容器放置方法及系统 | |
Zhang et al. | Double DQN Reinforcement Learning-Based Computational Offloading and Resource Allocation for MEC | |
CN113485718B (zh) | 面向边云协同系统中的上下文感知AIoT应用程序部署方法 |
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 |