CN113360203B - 一种电力物联网的任务卸载方法及装置 - Google Patents
一种电力物联网的任务卸载方法及装置 Download PDFInfo
- Publication number
- CN113360203B CN113360203B CN202110422562.5A CN202110422562A CN113360203B CN 113360203 B CN113360203 B CN 113360203B CN 202110422562 A CN202110422562 A CN 202110422562A CN 113360203 B CN113360203 B CN 113360203B
- Authority
- CN
- China
- Prior art keywords
- task
- computing
- edge server
- computing task
- calculation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 230000005540 biological transmission Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种电力物联网的任务卸载方法及装置，方法包括：获得电力设备的计算任务的任务变量；根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。本发明的方案将计算任务卸载到边缘服务器可减少传输延迟。
Description
技术领域
本发明涉及电力物联网技术领域，特别是指一种电力物联网的任务卸载方法及装置。
背景技术
电网物联网（IoT）被设想为未来智能电网的有前途的范例。电网IoT设备的快速增长，例如智能传感器，自我监控和自我修复设备，推动了对计算密集型应用程序的需求。考虑到不断降低的传输延迟和电子用户信息安全的需求，这些应用中的大多数都要求在本地进行任务重新部署和负载平衡。这样会导致额外的电池消耗和上行链路传输延迟。
发明内容
本发明要解决的技术问题是提供一种电力物联网的任务卸载方法及装置。将计算任务卸载到边缘服务器可减少传输延迟。
为解决上述技术问题，本发明的技术方案如下：
本发明提供一种电力物联网的任务卸载方法，所述方法包括：
获得电力设备的计算任务的任务变量；
根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。
可选的，所述任务变量αs∈[0，1]。
可选的，根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器，包括：
当αs为0时，确定在所述电力设备中执行所述计算任务；
当αs为1时，确定将所述计算任务卸载到边缘服务器进行计算。
可选的，边缘服务器进行计算所述计算任务包括：
所述边缘服务器j计算任务s所需的处理器的利用率为Uj,s，调度给计算任务s的计算资源为Rj,s；
所述边缘服务器j根据所述Uj,s、Rj,s、αs以及所述计算任务的预测数据Vs计算所述计算任务。
可选的，所述边缘服务器j计算任务s的计算时间为：
其中，
为计算时间。
可选的，将所述计算任务卸载到边缘服务器，包括：
将所述计算任务按照最大传输率rj,s通过上行无线信道传输至边缘服务器，其中，所述最大传输率rj,s为：
其中，B是上行无线信道的带宽，ys是物联网设备的发射功率，
代表上行无线信道增益；/>
是噪声的功率，/>
表示干扰的功率。
可选的，将所述计算任务传输至边缘服务器的上行传输延迟
为：
可选的，所述计算任务的总处理时间
为：
其中，
为下行传输延迟，/>
为计算时间。
可选的，在忽略下行链路的下行传输延迟的情况下，所述计算任务的总处理时间
为：
本发明提供一种电力物联网的任务卸载装置，包括：
获得模块，用于获得电力设备的计算任务的任务变量；
处理模块，用于根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获得电力设备的计算任务的任务变量；根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。本发明的方案将计算任务卸载到边缘服务器可减少传输延迟。
附图说明
图1是本发明的实施例的电力物联网的任务卸载方法的流程示意图；
图2是本发明的实施例的电力设备的边缘计算的架构示意图；
图3是本发明的具体实施例1中变分长短期记忆的模型示意图；
图4是本发明的具体实施例2中底层客户端和服务器框架的联合学习流程示意图；
图5是本发明的具体实施例3中传输时延与平均数据大小在不同卸载策略下的关系示意图；
图6是本发明的具体实施例3中传输时延与平均子任务在不同卸载策略下的关系示意图；
图7是本发明的实施例的电力物联网的任务卸载装置的模块示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种电力物联网的任务卸载方法，所述方法包括：
步骤11，获得电力设备的计算任务的任务变量；
步骤12，根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。
如图2所示，本实施例中，基于电力设备的边缘计算架构，通过获得电力设备的任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器，其中，该任务变量αs∈[0,1]；达到了当计算量增加时可以实现有效地减少总的传输时延的技术效果。
其中，电力设备的边缘计算架构，包括核心网络层、边缘计算层以及本地计算层，是一种MEC（Mobile Edge Computing，移动边缘计算）的体系结构，包括两个功能接近功能和位置感知功能；通过引入云计算模式，以实现可以在核心网络层执行大型任务，通过利用多个边缘服务器之间的协作来执行通信和任务；边缘计算层的边缘服务器靠近电力设备，因此许多任务可以卸载到边缘服务器，同时具有传输延迟的实时计算作用，同时，在为各种应用程序提供不同的计算能力的基础上，边缘服务器还具有低延迟和低能耗等优点；本地计算层中的物联网设备距离云服务器较远，需要通过边缘计算层进行传输，本地计算可以由电力设备在本地计算层以高能耗进行，由物联网设备生成任务。具体的实施例中，MEC在电力设备和物联网设备中的潜在应用包括在线监测传输线状态、智能变电站、智能家居以及电动汽车的智能车联网系统，可实现边缘任务的快速处理，以满足用户的应用需求。
电力物联网的任务卸载方法还基于联合学习方法，来训练任务预测模型和选择本地服务器；具体地需要经过基于门控递归网络GRU（Gate Recurrent Unit）的变分长短期记忆LSTM（Long Short-Term Memory）方法对电力负荷进行预测以及基于GRU的安全感知联合学习FL（Federated Lreaning）机制方法完成联合学习；
基于门控递归网络GRU的变分长短期记忆LSTM方法将遗忘门和输入门结合，定义为更新门，并将单元状态与隐藏层状态组合在一起，该模型更适合电气物联网使用，其任务具有明显的时间特性，更简单且操作更少。
如图3所示，一个具体的实施例1中，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器之前，还可以包括：对所述计算任务进行负荷预测，具体来说，将计算任务转换为一组等距的数据点，形成一个有序序列，这些数据点表示预定变量随时间的演变，通过对当前数据点和历史数据点之间的依赖性进行建模，可以实现时间序列预测。所选模型和历史数据点的质量对预测准确性有很大影响。
将输入时间序列定义为X，由(x1,x2,...,xn)表示，存储单元的隐藏状态由H=(h1,h2,...,hn)表示；令Y=(y1,y2,…,yn)为输出时间序列，GRU摆脱了蜂窝状态，使用隐藏状态传输信息，仅存在两个门复位门rt和更新门zt。
如图3所示，在GRU中，重置门的更新过程为：
，更新门的更新过程为/>
，其中，σ是标准S形函数/>
；W是权重矩阵，符号“[]”用于表示两个向量已连接。
更新门用于控制先前状态信息进入当前状态的程度，更新门的值越大，从前一刻起引入的状态信息就越多；而复位门用于控制从先前状态写入当前候选集中的信息量，复位门越小，从前一状态写入的信息就越少。
通过公式
和公式/>
来计算新的隐藏状态/>
和最终状态ht，其中符号“*”是两个向量或矩阵的标量积，对于输出yt，可以通过公式/>
来计算求得。
在电网物联网中，预计GRU网络可以从提供的任务卸载实例中提取任务卸载的状态轨迹，保留该状态的内存，并根据学习到的信息为任务卸载做出合理的预测。
基于GRU的安全感知联合学习FL（Federated Lreaning）机制方法的训练过程在具体的实施例中是在客户端的设备之间以分布式方式完成的，可以解决数据隐私敏感问题。具体地，先选择一个客户子集，使客户子集内的每个客户都接收当前模型；接着在电力物联网中，客户端托管在边缘智能电子设备中；选定的客户端计算随机梯度下降SGD（stochastic gradient descent）以更新本地存储的数据，其中，智能电子设备优选的有智能电表；然后服务器将通过汇总客户端更新来构建新的全局模型，新的全局模型的参数将发送回另一个客户端子集；重复上述过程，直至达到预期的预测精度为止，另外，并非每个联合学习任务都必须严格遵循上述程序，在具体的实施例中，可以针对不同的应用场景进行一些更改，优选的包括适当降低通信频率以确保学习效率和在聚合后添加逻辑判断以确定接收到的本地计算的质量以提高联合学习系统的鲁棒性。
如图4所示，一个具体的实施例2中，基于底层客户端和服务器框架的联合学习过程，涉及四个步骤包括系统启动、本地培训、中心聚合以及模式更新；需要说明的是，对于本地训练，在电力设备物联网的任务时间序列数据预测期间，将使用GRU网络来提高训练速度。
上述通过联合学习训练任务预测模型，解决了数据隐私敏感问题，为后续进行预测辅助任务卸载算法提供了计算基础。当计算任务到达时，电力物联网设备需根据计算功能来决定卸载方法，计算任务可以在本地设备中处理计算任务或卸载到边缘服务器处理计算任务。另外，在具体的实施例中，一些特殊情况下，部分任务在本地设备中处理，而其余部分可以转移到边缘服务器处理。
本发明一可选的实施例中，本地计算任务延迟为Ts,local，任务变量αs∈[0，1]，步骤12包括：
当αs为0时，确定在所述电力设备中执行所述计算任务；
当αs为1时，确定将所述计算任务卸载到边缘服务器进行计算。
本实施例中，根据任务变量αs的值来确定计算任务是在电力设备或进行卸载至边缘服务器中处理。对于划分任务的情况，任务s的αsVs将被传输到边缘服务器，并且将在本地设备中计算（1-αsVs）；而对于分流策略，除了分流的数据大小外，设备还需要获得任务的计算功能以及边缘计算服务器。
具体地，边缘服务器进行计算所述计算任务包括：
所述边缘服务器j计算任务s所需的处理器的利用率为Uj,s，调度给计算任务s的计算资源为Rj,s；
所述边缘服务器j根据所述Uj,s、Rj,s、αs以及所述计算任务的预测数据Vs计算所述计算任务。
因此，所述边缘服务器j计算任务s的计算时间为：
；其中，tj,s为计算时间，任务通过上行无线信道转移到边缘。
本发明一可选的实施例中，将所述计算任务卸载到边缘服务器，包括：
将所述计算任务按照最大传输率rj,s通过上行无线信道传输至边缘服务器，其中，所述最大传输率rj,s为：
；其中，B是上行无线信道的带宽，ys是物联网设备的发射功率，l2代表上行无线信道增益；Ψ2是噪声的功率，λj,s表示干扰的功率；将所述计算任务传输至边缘服务器的上行传输延迟/>
为/>
，计算任务的总处理时间/>
为/>
；其中，/>
为下行传输延迟。
本实施例中，由于物联网设备与边缘服务器之间有大量的信道资源，下行传输时延较小，可以忽略下行链路的下行传输延迟。
本发明一可选的实施例中，计算任务的总处理时间
为
本实施例中，处理任务s的一般延迟为
，预测数据大小V和用于计算边缘服务器和本地设备任务的资源正在影响总处理时间。
如图5和图6所示，一个具体的实施例3中，在MEC的电力物联网设备上，采用具有8个2.1GHz Intel芯片的内核，2个NVIDIA TITAN GPU中央处理器内核和64 GB 随机存取存储器RAM（Random Access Memory）的多核工作站来强制学习联合学习算法，该服务器运行乌班图Ubuntu计算机操作系统，我们使用python计算机编程语言在机器学习库Tensorflow中运行代码，采用云服务器ECS（Elastic Compute Service）计算云服务。
为了构建LSTM模型，采用了3000个卸载任务作为边缘服务器的训练数据集，其中有600个被用作验证数据集，LSTM模型具有5个隐藏层和2000次迭代，最小批量大小设置为15，训练损失约为0.015，计算任务的数据大小和子任务的数据大小将线性变化，以便于在部署不同算法后测试总过程延迟任务。为了验证提出的基于预测的卸载算法，选择了两种最新方法作为比较算法。第一种是在本地设备上计算计算任务，该任务的总延迟主要包括计算延迟；第二种是将所有任务转移到边缘服务器，总延迟包括传输延迟以及计算和排队延迟。
最终得到如图5和图6所示的结果，在三种不同卸载策略（本地计算Local，边缘计算Edge以及本地计算和边缘计算Local&Edge）下，总的任务处理传输延迟与平均数据大小和平均子任务的关系。
如图5所示，任务的数据大小为40到120，在本地硬件的条件下，移动设备的计算能力不足以支持具有大量数据的任务可见，当数据大小较小时，本地设备是合适的，当数据大小变大后，本地计算Local延迟将以指数方式增加，无法满足对延迟敏感的服务；另外，考虑到边缘计算Edge的传输延迟，随着数据大小的增加，边缘计算服务器的优势非常明显，对于计算任务的子任务形式，在算法中结合了本地计算和边缘计算Local&Edge，可以找到针对具有不同数据大小的任务的最佳计算分流策略，以优化总任务的传输延迟Overall Delay。
如图6所示，显示了总的任务处理延迟，其中每个任务的子任务从0到10的增加，随着子任务的增加，计算复杂度增大，局部计算能力不足以进行任务计算，可见尽管边缘服务器的边缘计算Edge能力大于本地设备的本地计算Local能力，但随着子任务数量的增加，本地任务延迟将远远超过其他两种计算卸载策略，但是当计算量太大时，可能还会有更大的延迟，借助我们的预测辅助任务卸载策略，可以通过牺牲传输延迟Overall Delay来减少一部分计算延迟。
本发明的实施例通过获得电力设备的计算任务的任务变量；根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。实现了预测实时计算任务，不会损害隐私；当计算量增加时，可以有效地减少传输时延。
本发明还提供一种电力物联网的任务卸载装置70，包括：
获得模块71，用于获得电力设备的计算任务的任务变量；
处理模块72，用于根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器。
可选的，所述任务变量αs∈[0，1]。
可选的，根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器，包括：
当αs为0时，确定在所述电力设备中执行所述计算任务；
当αs为1时，确定将所述计算任务卸载到边缘服务器进行计算。
可选的，边缘服务器进行计算所述计算任务包括：
所述边缘服务器j计算任务s所需的处理器的利用率为Uj,s，调度给计算任务s的计算资源为Rj,s；
所述边缘服务器j根据所述Uj,s、Rj,s、αs以及所述计算任务的预测数据Vs计算所述计算任务。
可选的，所述边缘服务器j计算任务s的计算时间为：
其中，
为计算时间。
可选的，将所述计算任务卸载到边缘服务器，包括：
将所述计算任务按照最大传输率rj,s通过上行无线信道传输至边缘服务器，其中，所述最大传输率rj,s为：
其中，B是上行无线信道的带宽，ys是物联网设备的发射功率，
代表上行无线信道增益；/>
是噪声的功率，/>
表示干扰的功率。
可选的，将所述计算任务传输至边缘服务器的上行传输延迟
为：
可选的，所述计算任务的总处理时间
为：
其中，
为下行传输延迟，/>
为计算时间。
可选的，在忽略下行链路的下行传输延迟的情况下，所述计算任务的总处理时间
为：
需要说明的是，该装置是与上述的方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述各方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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。
所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可 以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种电力物联网的任务卸载方法，其特征在于，所述方法包括：
获得电力设备的计算任务的任务变量；所述任务变量αs∈[0，1]；
根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器；
其中，根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器，包括：
当αs为0时，确定在所述电力设备中执行所述计算任务；
当αs为1时，确定将所述计算任务卸载到边缘服务器进行计算；
其中，边缘服务器进行计算所述计算任务，包括：
所述边缘服务器j计算任务s所需的处理器的利用率为Uj,s，调度给计算任务s的计算资源为Rj,s；
所述边缘服务器j根据所述Uj,s、Rj,s、αs以及所述计算任务的预测数据
计算所述计算任务；
其中，在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器之前，还包括：
对所述计算任务进行负荷预测，得到所述计算任务的预测数据；
其中，对所述计算任务进行负荷预测，得到所述计算任务的预测数据，包括：
将所述计算任务转换为一组等距的数据点，形成一个有序序列；所述数据点表示预定变量随时间的演变；
通过对当前数据点和历史数据点之间的依赖性进行建模，得到变分长短期记忆模型；
通过所述变分长短期记忆模型对所述计算任务进行负荷预测，得到所述计算任务的预测数据；
其中，所述变分长短期记忆模型通过基于门控递归网络GRU的安全感知联合学习机制进行训练，训练过程为：
S1，选择一个客户子集，使客户子集内的每个客户均接收当前模型；
S2，在电力物联网中，客户端托管在边缘智能电子设备中；
S3，选定的客户端计算随机梯度下降SGD以更新本地存储的数据；
S4，服务器将通过汇总客户端更新来构建新的全局模型，新的全局模型的参数将发送回另一个客户端子集；
S5，重复S1至S4的过程，直至达到预期的预测精度为止。
2.根据权利要求1所述的电力物联网的任务卸载方法，其特征在于，所述边缘服务器j计算任务s的计算时间为：
其中，/>
为计算时间。
3.根据权利要求1所述的电力物联网的任务卸载方法，其特征在于，将所述计算任务卸载到边缘服务器，包括：
将所述计算任务按照最大传输率rj,s通过上行无线信道传输至边缘服务器，其中，所述最大传输率rj,s为：
其中，B是上行无线信道的带宽，ys是物联网设备的发射功率，/>
代表上行无线信道增益；/>
是噪声的功率，/>
表示干扰的功率。
4.根据权利要求3所述的电力物联网的任务卸载方法，其特征在于，
将所述计算任务传输至边缘服务器的上行传输延迟
为：/>
。
5.根据权利要求4所述的电力物联网的任务卸载方法，其特征在于，所述计算任务的总处理时间
为：/>
其中，/>
为下行传输延迟，/>
为计算时间。
6.根据权利要求4所述的电力物联网的任务卸载方法，其特征在于，
在忽略下行链路的下行传输延迟的情况下，所述计算任务的总处理时间
为：
7.一种电力物联网的任务卸载装置，其特征在于，包括：
获得模块，用于获得电力设备的计算任务的任务变量；所述任务变量αs∈[0，1]；
处理模块，用于根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器；
其中，根据所述任务变量，确定在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器，包括：
当αs为0时，确定在所述电力设备中执行所述计算任务；
当αs为1时，确定将所述计算任务卸载到边缘服务器进行计算；
其中，边缘服务器进行计算所述计算任务，包括：
所述边缘服务器j计算任务s所需的处理器的利用率为Uj,s，调度给计算任务s的计算资源为Rj,s；
所述边缘服务器j根据所述Uj,s、Rj,s、αs以及所述计算任务的预测数据
计算所述计算任务；
其中，在所述电力设备中执行所述计算任务或者将所述计算任务卸载到边缘服务器之前，还包括：
对所述计算任务进行负荷预测，得到所述计算任务的预测数据；
其中，对所述计算任务进行负荷预测，得到所述计算任务的预测数据，包括：
将所述计算任务转换为一组等距的数据点，形成一个有序序列；所述数据点表示预定变量随时间的演变；
通过对当前数据点和历史数据点之间的依赖性进行建模，得到变分长短期记忆模型；
通过所述变分长短期记忆模型对所述计算任务进行负荷预测，得到所述计算任务的预测数据；
其中，所述变分长短期记忆模型通过基于门控递归网络GRU的安全感知联合学习机制进行训练，训练过程为：
S1，选择一个客户子集，使客户子集内的每个客户均接收当前模型；
S2，在电力物联网中，客户端托管在边缘智能电子设备中；
S3，选定的客户端计算随机梯度下降SGD以更新本地存储的数据；
S4，服务器将通过汇总客户端更新来构建新的全局模型，新的全局模型的参数将发送回另一个客户端子集；
S5，重复S1至S4的过程，直至达到预期的预测精度为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422562.5A CN113360203B (zh) | 2021-04-20 | 2021-04-20 | 一种电力物联网的任务卸载方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422562.5A CN113360203B (zh) | 2021-04-20 | 2021-04-20 | 一种电力物联网的任务卸载方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113360203A CN113360203A (zh) | 2021-09-07 |
| CN113360203B true CN113360203B (zh) | 2023-07-11 |
Family
ID=77525336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110422562.5A Active CN113360203B (zh) | 2021-04-20 | 2021-04-20 | 一种电力物联网的任务卸载方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360203B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
| CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 |
| CN110888687A (zh) * | 2019-09-27 | 2020-03-17 | 华北水利水电大学 | 基于合约设计的移动边缘计算任务卸载最优合约设计方法 |
| CN111107566A (zh) * | 2019-12-25 | 2020-05-05 | 国网冀北电力有限公司唐山供电公司 | 一种电力物联网场景中基于协同内容缓存的卸载方法 |
| CN112261120A (zh) * | 2020-10-19 | 2021-01-22 | 广东电网有限责任公司电力调度控制中心 | 一种配电物联网云边协同任务卸载方法及装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5786863B2 (ja) * | 2010-10-28 | 2015-09-30 | 日本電気株式会社 | タスク配置最適化システム、タスク配置最適化方法、及びタスク配置最適化プログラム |
| EP2677719A1 (en) * | 2012-06-19 | 2013-12-25 | Alcatel Lucent | A method for interfacing a communication terminal with networked objects |
| US9195294B2 (en) * | 2012-11-13 | 2015-11-24 | International Business Machines Corporation | Cooperatively managing enforcement of energy related policies between virtual machine and application runtime |
| US9838866B2 (en) * | 2013-12-23 | 2017-12-05 | Cellco Partnership | 4G LTE power on activations |
| CN109032796B (zh) * | 2018-07-18 | 2020-12-22 | 北京京东金融科技控股有限公司 | 一种数据处理方法和装置 |
| CN109523187B (zh) * | 2018-11-27 | 2021-08-03 | 北京字节跳动网络技术有限公司 | 任务调度方法、装置和设备 |
| CN111026548B (zh) * | 2019-11-28 | 2023-05-09 | 国网甘肃省电力公司电力科学研究院 | 一种逆向深度强化学习的电力通信设备测试资源调度方法 |
| CN111240461B (zh) * | 2020-01-09 | 2023-07-21 | 黔南民族师范学院 | 一种基于任务调度的异构计算系统低功耗方法 |
| CN111258677B (zh) * | 2020-01-16 | 2023-12-15 | 北京兴汉网际股份有限公司 | 面向异构网络边缘计算的任务卸载方法 |
| CN111953758B (zh) * | 2020-08-04 | 2023-05-30 | 国网河南省电力公司信息通信公司 | 一种边缘网络计算卸载和任务迁移方法及装置 |
| CN111949409B (zh) * | 2020-08-20 | 2024-03-29 | 全球能源互联网研究院有限公司 | 一种电力无线异构网中计算任务卸载方法及系统 |
-
2021
- 2021-04-20 CN CN202110422562.5A patent/CN113360203B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
| CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 |
| CN110888687A (zh) * | 2019-09-27 | 2020-03-17 | 华北水利水电大学 | 基于合约设计的移动边缘计算任务卸载最优合约设计方法 |
| CN111107566A (zh) * | 2019-12-25 | 2020-05-05 | 国网冀北电力有限公司唐山供电公司 | 一种电力物联网场景中基于协同内容缓存的卸载方法 |
| CN112261120A (zh) * | 2020-10-19 | 2021-01-22 | 广东电网有限责任公司电力调度控制中心 | 一种配电物联网云边协同任务卸载方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113360203A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
| Nishio et al. | Client selection for federated learning with heterogeneous resources in mobile edge | |
| CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
| Zhang et al. | Distributed energy management for multiuser mobile-edge computing systems with energy harvesting devices and QoS constraints | |
| CN112188442B (zh) | 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 | |
| CN110971706B (zh) | Mec中近似最优化与基于强化学习的任务卸载方法 | |
| Wei et al. | Deep Q-Learning Based Computation Offloading Strategy for Mobile Edge Computing. | |
| He et al. | Edge-aided computing and transmission scheduling for LTE-U-enabled IoT | |
| CN113207136B (zh) | 一种联合优化计算卸载和资源分配的方法及装置 | |
| Li et al. | Energy-aware task offloading with deadline constraint in mobile edge computing | |
| Liao et al. | Online computation offloading with double reinforcement learning algorithm in mobile edge computing | |
| CN112988285B (zh) | 任务卸载方法和装置、电子设备及存储介质 | |
| CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
| CN112667406A (zh) | 一种云边融合异构网络中任务卸载与数据缓存方法 | |
| Dong et al. | Content caching-enhanced computation offloading in mobile edge service networks | |
| 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 | |
| CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
| Zhu et al. | Dynamic task offloading in power grid internet of things: A fast-convergent federated learning approach | |
| CN112312299A (zh) | 服务卸载方法、装置及系统 | |
| CN113360203B (zh) | 一种电力物联网的任务卸载方法及装置 | |
| Yan et al. | Service caching for meteorological emergency decision-making in cloud-edge computing | |
| CN114217881B (zh) | 任务卸载方法及相关装置 | |
| CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
| Wang et al. | Adaptive Compute Offloading Algorithm for Metasystem Based on Deep Reinforcement Learning | |
| Liu et al. | Joint radio map construction and dissemination in MEC networks: a deep reinforcement learning approach |
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 |