CN113766544A - 一种基于多边缘协同的电力物联网切片优化方法 - Google Patents

Abstract

本发明公开了一种基于多边缘协同的电力物联网切片优化方法，所述方法包括三个步骤：S1：建立多边缘协同的电力物联网切片优化模型；S2：进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点；S3：运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择，本申请进一步降低了边缘计算时延的同时，还提升了边缘计算的可靠性，任务分配效率高，可获得最优的任务分配方案和数据传输路径，实现切片的优化，为车联网、无人机等移动终端应用，提供可靠的高效服务，有效地解决了现有技术中存在的物联网终端在移动时，由于与之进行数据通信的边缘节点无法移动而造成时延高、可靠性低、任务分配不合理、任务分配的效率低的问题。

Description

一种基于多边缘协同的电力物联网切片优化方法

技术领域

本发明涉及电力通信技术领域，特别是涉及一种基于多边缘协同的电力物联网切片优化方法。

背景技术

网络切片是运行在物理或虚拟基础设施之上的逻辑网络，能够将网络按照不同的应用需求切分为多个具有不同配置的逻辑网络，各切片间相互隔离，互不影响，为不同垂直行业的各种业务实现相应的服务保障；在电力物联网行业，网络切片的应用更加广泛，如物流跟踪、资产管理、智能泊车，以及公共测量等，这些应用都具有不同的具体需求，需要由不同的网络切片来实现。

对于电力物联网来说，车联网、无人机、可穿戴设备等移动性较强的应用将会是未来网络切片上所承载的最普遍的应用，网络切片可以根据具体的应用需求来动态调整资源配置，电力物联网应用的爆发式增长将对现有网络资源的分配提出更苛刻的需求，根据应用的移动性、资源需求的不确定性等特点，需要智能化地管理切片来提升资源利用率，以提高网络质量和用户体验，因此，既要考虑成本，又要在底层网络资源限制下形成最优任务分配方案和数据传输路径，实现电力物联网切片优化是有待解决的事项。

对已有的论文和专利进行检索、比较和分析后，筛选出如下具有代表性网络切片优化方法：

已有技术方案1：方案1(申请号：CN201811550272.3，公开日：2019.02.22)中公开了一种无线接入网中的网络切片优化方法，属于移动通信领域，其包括如下步骤：步骤一、结合成本、服务隔离和回程容量约束，构建组合和非凸优化模型；步骤二、采用迭代自适应启发式概率搜索算法理论，对于所述模型使用模拟退火优化算法进行求解；方案1是针对无线虚拟资源分配机制的网络资源优化分配方法，通过SDN技术，实现控制和转发的分离，利用网络控制平面来感知和调度网络资源，基于SDN和网络切片支持定制端到端的服务，根据网络业务需求创建独立且相互隔离的虚拟网络，动态调配网络中的硬件资源，使得多个虚拟网络共用一个物理网络，实现网络硬件资源的共享。

已有技术方案2：方案2(申请号：CN201910728552.7，公开日：2019.11.01)中公开了5G核心网的网络切片方法和网络切片装置，该方法包括：对5G核心网进行网络切片以获得网络切片的网络切片网元；对网络切片设置安全防护等级Si，其中i为整数；以及根据所述安全防护等级Si，将所述网络切片的网络切片网元预置到与所述安全防护等级Si对应的环境；方案2提出的方法，支持在物联网或者垂直行业环境下，在5GC核心网侧实现独立的用户使用逻辑上独立的核心网系统，将物联网、垂直行业客户群与普通用户的核心网网元在逻辑实现独立，满足不同类别用户的对网络时延、带宽、连接数量、安全等级、应用环境定制的各种需求。

以上专利虽然提出了一些网络切片优化方法,但没有考虑电力物联网应用场景的特点，随着终端性能的提升，移动应用功能的复杂性也在逐渐增加，在提供更好的交互体验和实时服务的同时，这些应用对低时延和高可靠性的要求越来越苛刻，以上专利对资源利用率、可靠性的提高有限，无法满足物联网终端在移动过程中对切片资源的动态需求。

综合上述，现有技术中存在物联网终端在移动时，由于与之进行数据通信的边缘节点无法移动而造成时延高、可靠性低、任务分配不合理、任务分配效率低的问题。

因此本发明提供一种新的方案来解决此问题。

发明内容

针对现有技术处存在的不足，本发明的目的是提供一种基于多边缘协同的电力物联网切片优化方法，有效地解决了现有技术中存在的物联网终端在移动时，由于与之进行数据通信的边缘节点无法移动而造成时延高、可靠性低、任务分配不合理、任务分配效率低的问题。

其解决地技术方案是，一种基于多边缘协同的电力物联网切片优化方法，所述方法包括三个步骤：

S1：建立多边缘协同的电力物联网切片优化模型；

S2：进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点；

S3：运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择；

所述LSTM为Long Short Term Memory Network的缩写，含义为长短时记忆网络，是一种循环神经网络；

所述步骤S1建立多边缘协同的电力物联网切片优化模型包含以下内容：

以车联网、VR、AR这些电力物联网应用场景为原型，在终端节点移动过程中，使用各节点与终端节点间的距离就近切换算法，同时，将多个边缘节点联合起来，形成多边缘协同的分布式深度学习架构，在多切片中承载多任务分配时，使用基于LSTM的图神经网络为各任务分配空闲资源多的节点和传输性能好的路径；

所述VR为Virtual Reality的缩写，表示虚拟现实，AR为Augmented Reality的缩写，表示增强现实；

将系统总体时延分为数据传输时延和数据处理时延两部分，用公式1表示：

L＝αL_px+βL_tx 公式1

公式1中用L_px和L_tx分别表示数据处理时延和数据传输时延，使用参数α调节数据处理时延，使用参数β调节数据传输时延，L表示总体时延；

在切片S的任务T中，需要处理和传输的数据总量为

需要花费的成本为

则当前的总体时延可以表示为：

公式2中R_px和R_tx分别表示用来处理和传输数据的处理资源和传输资源；

公式2可变化为：

公式3中R_px和R_tx提供的资源不能超过底层网络节点计算资源和链路资源限制：

R_tx≤B_tx 公式4

R_px≤C_cx 公式5

公式4中B_tx表示底层网络链路资源，公式5中C_cx表示底层网络节点计算资源，切片中的传输资源和处理资源越高，则相应的时延越低；

在进行多切片任务分配时，切片中各节点会同时运行多个任务，各节点的状态会受到同一个任务中其它节点的影响，其间的数据传输链路也会受到其上运行任务所需要传输的数据量的影响，运用基于LSTM的图神经网络算法，来推断各节点的可用资源状况，数学表示如下：

公式6中

表示某一节点当前时刻的状态，F表示多个节点的具体状态集合，

表示节点v的所有邻节点k-1次迭代结果，v表示某个具体的节点，k表示要进行计算的层级，也表示迭代深度，通过k次迭代后，得到节点v的状态，N(v)表示与v相邻的节点集合，u为其中某一个邻居节点，σ为非线性激活函数，W_K为权重参数，CONCAT表示要将该节点的上一次迭代结果与当前其他邻接点的结果合并，由其自身与其相邻节点上一时刻的状态通过LSTM图神经网络算法经过多层迭代后得出，按照LSTM图神经网络算法分析分布式边缘框架中各节点的状态，并按照终端节点的计算需求和资源限制来进行任务分配；

所述步骤S2进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点包含以下内容：

当终端节点移动时，根据终端节点的具体位置和所附着的接入点，切换与之最近的边缘节点作为通信节点，来收集终端数据以及返回计算结果；

运用图论分析切片中的边缘节点、链路以及终端节点要素之间的关系，随着终端节点的不断移动，终端节点和边缘节点之间的关系也在不断发生着变化，若将电力物联网看作一个多层图，对应于某一应用的切片便是其中的一个图层，而该切片中的终端节点和边缘节点就是图中的顶点，使用V来表示，而不同顶点之间的连接关系称之为边，使用E来表示；

则有图G＝{V，E，T，R}，其中V＝{V_E,V_U},E＝{E_S}，其中V_E表示边缘节点，V_U表示终端节点，T表示当前切片所运行的任务，T＝{S_i},S_i表示某一切片，R表示当前切片所在的图G所获取到的整体可用资源，R＝R_px+R_tx，R_px和R_tx分别表示可用的数据处理资源和可用数据传输资源，受到底层网络资源的限制，也即R_px需要满足公式5，R_tx需要满足公式4，E_S表示切片中边缘计算节点之间的连接以及终端节点和通信节点之间的连接；

如果当前终端节点移动或者当前终端节点所连接的通信节点掉线，则终端节点会连接到新的节点n，选择一个新的节点作为通信节点来收集和回传数据，之前的通信节点如果在线，则将其角色转换为计算节点，新的连接转换为通信边Eomm，在不同切片的多个边缘节点上，使用R-CNN作为多边缘协同电力物联网切片的分布式深度学习框架；

所述Eomm是一个序号，表示终端节点和通信节点之间的通信边，R-CNN为Region-CNN，表示区域卷积神经网络；

所述步骤S3运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择包含以下内容：

运用基于LSTM的图神经网络算法来进行边缘切片中的资源分配和路径选择，定义某一切片所属边缘图中的每个边缘节点V的具体属性为：

F_V＝h_cpu,h_mem,h_disk,h_if,h_task，h_cpu表示CPU，h_mem表示内存，h_disk表示磁盘，h_if表示网络接口，h_task表示运行任务；

连接节点的边E的具体属性为：

F_E＝h_bw,h_delay,h_cost，h_bw表示带宽,h_delay表示时延、h_cost表示成本；

定义A为图G的带权邻接矩阵，某一切片中运行同一任务的各个节点是具有邻接关系的，每个节点的状态F_v是由自身的硬件配置和其上运行任务量决定的，而具体的任务运行情况，与该任务在其他邻接节点的运行情况有关，同样，每条边的状态F_E，也与其自身传输能力和其上传输的具体数据量有关，其邻接矩阵中不仅要表示某些节点之间的关系，同时要表示其间的路径状态；

假设有多边缘切片应用，形成边缘切片的具体布局用节点图形表示，每个节点的状态都由其自身以及与之存在邻接关系的其他节点的状态所决定，用节点图形的大小表示其当前的数据处理能力的强弱，不同节点间的连接，即节点间的网络路径，都具有不同的带宽、时延和实时数据流量，用线段的粗细表示其传输能力的大小；

使用邻接点聚合算法来学习和预测边缘切片中每一个节点的具体状况，各个节点并非仅运行某一个切片的任务，推断某一切片中某一节点的状态时，与该节点有邻接关系的节点数目并不相同；

定义第k次迭代时，某一节点v的状态为：

公式6的具体含义上文已经解释，采用基于LSTM的图神经网络模型来实现邻接点聚合算法，具体有：

选用基于LSTM的图神经网络算法进行图节点属性聚合；

在公式6的基础下得到基于LSTM的图神经网络算法获得切片节点状态的算法流程，首先输入节点v的初始状态

迭代深度为K，每次迭代过程中，将节点v的所有邻接点之前k-1次迭代结果通过LSTM进行处理得到邻接点聚合的状态后，再将自身前k-1次迭代后的结果与其本次迭代结果合并，权重为W_k，全连接层中的非线性激活函数为σ，输出节点v的状态

本发明所实现的有益效果为：

本申请通过进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点，以及运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择，在进一步降低了边缘计算时延的同时，还提升了边缘计算的可靠性，任务分配效率高，更加的合理，可获得最优的任务分配方案和数据传输路径，实现切片的优化，为车联网、无人机等移动终端应用，提供可靠的高效服务，有效地解决了现有技术中存在的物联网终端在移动时，由于与之进行数据通信的边缘节点无法移动而造成时延高、可靠性低、任务分配不合理、任务分配效率低的问题。

附图说明

图1表示多边缘协同物联网切片的具体实现流程图。

图2表示边缘切片图神经网络布局图。

图3表示基于LSTM的图神经网络模型图。

图4表示基于LSTM的图神经网络算法获得切片节点状态的算法流程图。

图5表示本申请的整体框架流程图。

具体实施方式

为有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1-5对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。

以下将参照附图，通过实施方式详细的描述本发明提供的一种基于多边缘协同的电力物联网切片优化方法。

其解决技术方案是，一种基于多边缘协同的电力物联网切片优化方法，所述方法包括三个步骤：

S1：建立多边缘协同的电力物联网切片优化模型；

S2：进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点；

S3：运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择；

所述LSTM为Long Short Term Memory Network的缩写，含义为长短时记忆网络，是一种循环神经网络。

所述步骤S1：建立多边缘协同的电力物联网切片优化模型具体包含以下内容：

本发明以车联网、VR(Virtual Reality，虚拟现实)、AR(Augmented Reality，增强现实)等复杂的电力物联网应用场景为原型，研究在终端移动过程中，使得物联网切片能够提供更低时延、更高可靠的物联网服务，使用各节点与终端节点间的距离就近切换算法，实现较低的传输时延，同时，将多个边缘节点联合起来，形成多边缘协同的分布式深度学习架构，提高数据处理能力，实现较低的数据处理时延，在多切片中承载多任务分配时，使用图神经网络为各任务分配空闲资源较多的节点和传输性能较好路径，从而在降低时延的同时，达到系统资源平衡利用，提高用户体验质量；

在终端处于移动状况下的边缘计算环境中，在切片内，将多个边缘节点联合，形成多点协同的分布式深度学习平台，也即本申请采用的是多边缘节点协同的分布式深度学习架构，并提出随终端移动而动态切换的通信节点来实现数据的收集、回传和任务分配工作，在多任务分配时，本申请运用了基于图神经网络的节点和链路状态分析，实现高效平衡的任务部署；

为了满足各类终端在移动过程中的低时延需求，本申请将系统总体时延分为数据传输时延和数据处理时延两部分，用公式1表示：

L＝αL_px+βL_tx 公式1

公式1中用L_px和L_tx分别表示数据处理时延和数据传输时延，由于处理时延和传输时延并不是同一个量级，因此使用参数α和β进行调节，L表示总体时延；

假设在当前切片S的任务T中，需要处理和传输的数据总量为

需要花费的成本为

则当前的总体时延可以表示为：

公式2中R_px和R_tx分别表示用来处理和传输数据的处理资源和传输资源；由于所有需要处理的数据量相等，而目标是获取最小时延，公式2可变化为：

公式3中R_px和R_tx提供的资源不能超过底层网络节点计算资源和链路资源限制：

R_tx≤B_tx 公式4

R_px≤C_cx 公式5

公式4中B_tx表示底层网络链路资源，公式5中C_cx表示底层网络节点计算资源；也就是说，当前切片中的传输资源和数据处理资源越高，则相应的时延越低；

在进行多切片任务分配时，由于切片中各节点会同时运行多个任务，因此各节点的状态会受到同一个任务中其它节点的影响，其间的数据传输链路也会受到其上运行任务所需要传输的数据量多少的影响，由于传统的神经网络模型无法解决各节点之间的关联关系，因此本申请运用图神经网络算法，来推断各节点的可用资源状况，数学表示如公式6：

公式6中

表示某一节点当前时刻的状态，F表示多个节点的具体状态集合，

表示节点v的所有邻节点k-1次迭代结果，v表示某个具体的节点，k表示要进行计算的层级，也表示迭代深度，如k＝2，则表示该图形网络最少为2层，通过k次迭代后，得到节点v的状态，N(v)表示与v相邻的节点集合，u为其中某一个邻居节点，σ为非线性激活函数，W_K为权重参数，CONCAT表示要将该节点的上一次迭代结果与当前其他邻接点的结果合并，由其自身与其相邻节点上一时刻的状态通过LSTM图神经网络算法经过多层迭代后得出，系统会按照LSTM图神经网络算法分析分布式边缘框架中各节点的状态，并按照终端的计算需求和资源限制来进行任务分配。

所述步骤S2：进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点，具体内容为：

当终端移动时，根据终端的具体位置和所附着的接入点，切换与之最近的边缘节点作为通信节点，用来收集终端数据以及返回计算结果；

运用图论来分析切片中的边缘节点、链路以及终端等要素之间的关系，随着终端的不断移动，终端和边缘节点之间的关系也在不断发生着变化，若将电力物联网看作一个多层图，那么对应于某一应用的切片便是其中的一个图层，而该切片中的终端设备和边缘节点就是图中的顶点，使用V来表示，而不同顶点之间的连接关系称之为边，使用E来表示；

则有图G＝{V，E，T，R}，其中V＝{V_E,V_U},E＝{E_S}，其中V_E表示边缘节点，V_U表示终端节点，T表示当前切片所运行的任务，T＝{S_i},S_i表示某一切片，R表示当前切片所在的图G所获取到的整体可用资源，R＝R_px+R_tx，这里R_px和R_tx表示可用的数据处理资源和可用数据传输资源，受到底层网络资源的限制，也即R_px需要满足公式5，R_tx需要满足公式4，E_S表示切片中边缘计算节点之间的连接以及终端节点和通信节点之间的连接；

多边缘协同电力物联网切片的目标是在考虑任务成本的同时降低系统时延，本申请将系统总体时延分为数据传输时延和数据处理时延两部分，用公式L＝αL_px+βL_tx表示，L_px和L_tx分别表示数据处理时延和数据传输时延，由于数据处理时延和数据传输时延并不是同一个量级，因此使用参数α和β进行调节，由于同一节点可能运行多个切片的任务，因此，从某一切片来看，各个节点的数据处理能力各有不同，同理，某一路径也可能传输不同切片的数据，那么，切片所在的图中的各条边的传输能力也有所不同；

如果当前终端移动或者当前终端所连接的通信节点掉线，则终端会连接到新的节点n，系统会选择一个新的节点作为通信节点来收集和回传数据，之前的通信节点如果在线，则将其角色转换为计算节点，新的连接转换为通信边Eomm(Eomm是一个序号，表示终端节点和通信节点之间的通信边)，在不同切片的多个边缘节点上，使用R-CNN(R-CNN为Region-CNN，表示区域卷积神经网络)作为多边缘协同电力物联网切片的分布式深度学习框架；

图1表示多边缘协同物联网切片的具体实现流程图，在该切片中的输入层和输出层均有一个通信节点，在实际场景中，这两个通信节点有可能是同一个节点，也有可能是不同的节点，其他节点则作为操作层中的计算节点，进行具体的如conv2d(2D卷积)、dwise(深度可分离)、以及liner卷积(线性卷积)操作；在这种情况下，输入节点V_a和输出节点

由同一个通信节点V_comm来实现，图1中描述了两个节点是为了易于理解，其他的四个节点V_b，V_e，V_d和V_f作为操作层的数据处理节点也可称为计算节点，有V_proc＝{V_b，V_e，V_d，V_f}，V_proc表示数据处理节点，来实现分布式深度学习，图中节点V_c是一个终端节点，虚线表示终端节点的移动轨迹，从一个通信节点切换到新的通信节点；

当终端节点发生移动时，各边缘节点的角色将发生变化：被附着的边缘节点将成为新的通信节点V_comm，其他节点则作为V_proc，当然，通信链接V_comm也会随着终端节点的移动而发生变化，如果终端节点附着在边缘节点V_a上，则边缘节点V_a作为通信节点V_comm，其他节点V_b，V_e，V_d和V_f作为数据处理节点V_proc，其中，终端节点V_c和通信节点V_a链接的边E_ac则作为数据收集和结果返回的通信边V_comm，当终端节点V_c在移动过程中，切换到了边缘节点V_b，则V_b切换为V_comm,V_a的角色转换到V_proc，与其他计算节点进行新的数据处理工作，其中，边E_bc成为新的数据收集和结果返回路径。

所述步骤S3：运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择，具体内容为：

在各切片中，运行基于LSTM的图神经网络算法分析各节点和链路的状态，获得最优任务分配方案与数据传输路径，实现移动物联网切片优化，本申请运用图神经网络算法来进行边缘切片中的资源分配和路径选择；

定义某一切片所属边缘图中的每个边缘节点V的具体属性为：

F_V＝h_cpu,h_mem,h_disk,h_if,h_task，h_cpu表示CPU，h_mem表示内存，h_disk表示磁盘，h_if表示网络接口，h_task表示运行任务；

连接节点的边E的具体属性为：

F_E＝h_bw,h_delay,h_cost，h_bw表示带宽,h_delay表示时延、h_cost表示成本；

定义A为图G的带权邻接矩阵，认为某一切片中运行同一任务的各个节点是具有邻接关系的，每个节点的状态F_v是由自身的硬件配置和其上运行任务量决定的，而具体的任务运行情况，与该任务在其他邻接节点的运行情况有关，同样，每条边的状态F_E，也与其自身传输能力和其上传输的具体数据量有关，因此其邻接矩阵中不仅要表示某些节点之间的关系，同时要表示其间的路径状态；

假设有多边缘切片应用，形成边缘切片的具体布局如图2所示，由于每个节点的状态都由其自身以及与之存在邻接关系的其他节点的状态所决定，如图2所示，用节点图形的大小表示其当前的数据处理能力的强弱，不同节点间的连接，即节点间的网络路径，都具有不同的带宽、时延和实时数据流量，图中用线段的粗细表示其传输能力的大小；

假设要推断A节点的状态，根据图2中各节点之间的关系，通过与其邻接的节点B、C和D来实现，而B节点又会受到节点A的影响，C节点会受到节点A、B、E和F的影响，节点D也会受到节点A和C的影响；

上述节点间的相互影响关系，可通过图3表示：

本申请使用邻接点聚合算法来学习和预测边缘切片中每一个节点的具体状况，由于各个节点并非仅运行某一个切片的任务，因此推断某一切片中某一节点的状态时，与该节点有邻接关系的节点数目并不相同；

定义第k次迭代时，某一节点v的状态为：

公式6的具体含义上文已经解释，本申请采用基于LSTM的图神经网络模型来实现邻接点聚合算法，具体有：

由于基于LSTM的图神经网络算法具有更好的多层时序计算能力，因此，选用基于LSTM的图神经网络算法进行图节点属性聚合；

图4简要描述了基于LSTM的图神经网络算法获得切片节点状态的算法流程，首先输入节点v的初始状态

迭代深度为K，每次迭代过程中，将节点v的所有邻接点之前k-1次迭代结果通过LSTM进行处理得到邻接点聚合的状态后，再将自身前k-1次迭代后的结果与其本次迭代结果合并，权重为W_k，全连接层中的非线性激活函数为σ，输出节点v的状态

采用以上结合附图描述的本发明，在具体使用时，所述方法包括三个步骤：

S1：建立多边缘协同的电力物联网切片优化模型；

S2：进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点；

S3：运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择；

采用本申请的方法所达到的有益效果为:

本发明通过进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点，采用的多边缘节点协同的动态切换通信节点方案，降低了数据处理时延和传输时延，降低了切片终端在移动过程中的边缘计算时延，在移动网络边缘，终端移动时与其最近的边缘节点可随之切换，时延低，可靠性高，可降低切片中任务运行时间及数据传输时间，能够缓解终端在移动时与之进行数据通信的边缘节点因无法移动而造成的时延高、可靠性低、任务分配不合理等问题，为低时延应用提供服务保障；

运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择，可了解切片中某一时刻某一个节点的具体可用资源，以及与其相连的具体链路情况，经过迭代处理后获得最优的任务分配方案与数据传输路径，实现切片优化，实现了高效的任务分配；

使用基于LSTM的图神经网络算法提升了切片在任务分配时的效率，提高任务并行化，缩短了任务运行时间；

本申请通过进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点，以及运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择，在进一步降低了边缘计算时延的同时，还提升了边缘计算的可靠性，任务分配效率高，更加的合理，可获得最优的任务分配方案和数据传输路径，实现切片的优化，为车联网、无人机等移动终端应用，提供可靠的高效服务，有效地解决了现有技术中存在的物联网终端在移动时，由于与之进行数据通信的边缘节点无法移动而造成时延高、可靠性低、任务分配不合理、任务分配的效率低的问题。

Claims (4)

1.一种基于多边缘协同的电力物联网切片优化方法，其特征在于，所述方法包括三个步骤：

S1：建立多边缘协同的电力物联网切片优化模型；

S2：进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点；

S3：运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择；

所述LSTM为Long Short Term Memory Network的缩写，含义为长短时记忆网络，是一种循环神经网络。

2.如权利要求1所述的一种基于多边缘协同的电力物联网切片优化方法，其特征在于，所述步骤S1建立多边缘协同的电力物联网切片优化模型包含以下内容：

以车联网、VR、AR这些电力物联网应用场景为原型，在终端节点移动过程中，使用各节点与终端节点间的距离就近切换算法，同时，将多个边缘节点联合起来，形成多边缘协同的分布式深度学习架构，在多切片中承载多任务分配时，使用基于LSTM的图神经网络为各任务分配空闲资源多的节点和传输性能好的路径；

所述VR为Virtual Reality的缩写，表示虚拟现实，AR为Augmented Reality的缩写，表示增强现实；

将系统总体时延分为数据传输时延和数据处理时延两部分，用公式1表示：

L＝αL_px+βL_tx 公式1

公式1中用L_px和L_tx分别表示数据处理时延和数据传输时延，使用参数α调节数据处理时延，使用参数β调节数据传输时延，L表示总体时延；

在切片S的任务T中，需要处理和传输的数据总量为

需要花费的成本为

则当前的总体时延可以表示为：

公式2中R_px和R_tx分别表示用来处理和传输数据的处理资源和传输资源；

公式2可变化为：

公式3中R_px和R_tx提供的资源不能超过底层网络节点计算资源和链路资源限制：

R_tx≤B_tx 公式4

R_px≤C_cx 公式5

公式4中B_tx表示底层网络链路资源，公式5中C_cx表示底层网络节点计算资源，切片中的传输资源和处理资源越高，则相应的时延越低；

在进行多切片任务分配时，切片中各节点会同时运行多个任务，各节点的状态会受到同一个任务中其它节点的影响，其间的数据传输链路也会受到其上运行任务所需要传输的数据量的影响，运用基于LSTM的图神经网络算法，来推断各节点的可用资源状况，数学表示如下：

公式6中

表示某一节点当前时刻的状态，F表示多个节点的具体状态集合，

表示节点v的所有邻节点k-1次迭代结果，v表示某个具体的节点，k表示要进行计算的层级，也表示迭代深度，通过k次迭代后，得到节点v的状态，N(v)表示与v相邻的节点集合，u为其中某一个邻居节点，σ为非线性激活函数，W_K为权重参数，CONCAT表示要将该节点的上一次迭代结果与当前其他邻接点的结果合并，由其自身与其相邻节点上一时刻的状态通过LSTM图神经网络算法经过多层迭代后得出，按照LSTM图神经网络算法分析分布式边缘框架中各节点的状态，并按照终端节点的计算需求和资源限制来进行任务分配。

3.如权利要求1所述的一种基于多边缘协同的电力物联网切片优化方法，其特征在于，所述步骤S2进行通信节点的动态切换，随终端节点移动不断切换通信边缘节点包含以下内容：

当终端节点移动时，根据终端节点的具体位置和所附着的接入点，切换与之最近的边缘节点作为通信节点，来收集终端数据以及返回计算结果；

运用图论分析切片中的边缘节点、链路以及终端节点要素之间的关系，随着终端节点的不断移动，终端节点和边缘节点之间的关系也在不断发生着变化，若将电力物联网看作一个多层图，对应于某一应用的切片便是其中的一个图层，而该切片中的终端节点和边缘节点就是图中的顶点，使用y来表示，而不同顶点之间的连接关系称之为边，使用E来表示；

则有图G＝{V，E，T，R}，其中V＝{V_E，V_U}，E＝{E_S}，其中V_E表示边缘节点，V_U表示终端节点，T表示当前切片所运行的任务，T＝{S_i}，S_i表示某一切片，R表示当前切片所在的图G所获取到的整体可用资源，R＝R_px+R_tx，R_px和R_tx分别表示可用的数据处理资源和可用数据传输资源，受到底层网络资源的限制，也即R_px需要满足公式5，R_tx需要满足公式4，E_S表示切片中边缘计算节点之间的连接以及终端节点和通信节点之间的连接；

如果当前终端节点移动或者当前终端节点所连接的通信节点掉线，则终端节点会连接到新的节点n，选择一个新的节点作为通信节点来收集和回传数据，之前的通信节点如果在线，则将其角色转换为计算节点，新的连接转换为通信边Eomm，在不同切片的多个边缘节点上，使用R-CNN作为多边缘协同电力物联网切片的分布式深度学习框架；

所述Eomm是一个序号，表示终端节点和通信节点之间的通信边，R-CNN为Region-CNN，表示区域卷积神经网络。

4.如权利要求1所述的一种基于多边缘协同的电力物联网切片优化方法，其特征在于，所述步骤S3运用基于LSTM的图神经网络分析各节点和链路的状态，进行任务分配和路径选择包含以下内容：

运用基于LSTM的图神经网络算法来进行边缘切片中的资源分配和路径选择，定义某一切片所属边缘图中的每个边缘节点V的具体属性为：

F_V＝h_cpu，h_mem，h_disk，h_if，h_task，h_cpu表示CPU，h_mem表示内存，h_disk表示磁盘，h_if表示网络接口，h_task表示运行任务；

连接节点的边E的具体属性为：

F_E＝h_bw，h_delay，h_cost，h_bw表示带宽，h_delay表示时延、h_cost表示成本；

定义A为图G的带权邻接矩阵，某一切片中运行同一任务的各个节点是具有邻接关系的，每个节点的状态F_v是由自身的硬件配置和其上运行任务量决定的，而具体的任务运行情况，与该任务在其他邻接节点的运行情况有关，同样，每条边的状态F_E，也与其自身传输能力和其上传输的具体数据量有关，其邻接矩阵中不仅要表示某些节点之间的关系，同时要表示其间的路径状态；

假设有多边缘切片应用，形成边缘切片的具体布局用节点图形表示，每个节点的状态都由其自身以及与之存在邻接关系的其他节点的状态所决定，用节点图形的大小表示其当前的数据处理能力的强弱，不同节点间的连接，即节点间的网络路径，都具有不同的带宽、时延和实时数据流量，用线段的粗细表示其传输能力的大小；

使用邻接点聚合算法来学习和预测边缘切片中每一个节点的具体状况，各个节点并非仅运行某一个切片的任务，推断某一切片中某一节点的状态时，与该节点有邻接关系的节点数目并不相同；

定义第k次迭代时，某一节点v的状态为：

公式6的具体含义上文已经解释，采用基于LSTM的图神经网络模型来实现邻接点聚合算法，具体有：

选用基于LSTM的图神经网络算法进行图节点属性聚合；

在公式6的基础下得到基于LSTM的图神经网络算法获得切片节点状态的算法流程，首先输入节点v的初始状态

迭代深度为K，每次迭代过程中，将节点v的所有邻接点之前k-1次迭代结果通过LSTM进行处理得到邻接点聚合的状态后，再将自身前k-1次迭代后的结果与其本次迭代结果合并，权重为W_k，全连接层中的非线性激活函数为σ，输出节点v的状态

Images