CN113835878A - 一种资源分配方法、装置、计算机设备及存储介质 - Google Patents

一种资源分配方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113835878A
CN113835878A CN202110975989.8A CN202110975989A CN113835878A CN 113835878 A CN113835878 A CN 113835878A CN 202110975989 A CN202110975989 A CN 202110975989A CN 113835878 A CN113835878 A CN 113835878A
Authority
CN
China
Prior art keywords
internet
edge
computing
task
decision
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.)
Pending
Application number
CN202110975989.8A
Other languages
English (en)
Inventor
张�杰
杨华胜
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.)
Runlian Software System Shenzhen Co Ltd
Original Assignee
Runlian Software System Shenzhen 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 Runlian Software System Shenzhen Co Ltd filed Critical Runlian Software System Shenzhen Co Ltd
Priority to CN202110975989.8A priority Critical patent/CN113835878A/zh
Publication of CN113835878A publication Critical patent/CN113835878A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F9/5072—Grid computing
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例属于物联网技术领域，涉及一种应用于边缘服务系统的资源分配方法、装置、计算机设备及存储介质。本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。

Description

一种资源分配方法、装置、计算机设备及存储介质
技术领域
本申请涉及物联网技术领域，尤其涉及一种应用于边缘服务系统的资源分配方法、装置、计算机设备及存储介质。
背景技术
随着近几年5G通信、物联网和各种无线通信技术的快速发展，大规模超密集部署的物联网(IoT)设备基站设备共同推动现有的物联网向超密集化发展。与现有物联网相比，超密集物联网在服务质量(QoS)和体验质量(QoE)等方面提出了更高的要求，如网络延迟、吞吐性以及可靠性等。鉴于这种多样化的QoS和QoE要求，未来的超密集物联网面临着很大的挑战，其中如何解决资源受限的IoT设备的计算任务延迟性要求是一个重要的问题。在这一背景下，边缘计算将计算服务扩展到接近用户的网络边缘处，进一步降低了用户的延迟，被视为是一种有前景的解决方案。
现有一种集群方案，即根据边缘服务器之间的位置关系，将距离较近的边缘服务器分配到同一个集群中，从而增强边缘服务器间的协作，可以减轻每一个边缘服务器的负担，进而有效降低用户的延迟。
然而，申请人发现，传统基于位置关系进行集群分配的方案普遍存在延迟较高的问题。
发明内容
本申请实施例的目的在于提出一种应用于边缘服务系统的资源分配方法、装置、计算机设备及存储介质，以解决传统基于位置关系进行集群分配的方案普遍存在延迟较高的问题。
为了解决上述技术问题，本申请实施例提供一种应用于边缘服务系统的资源分配方法，采用了如下所述的技术方案：
接收携带有计算任务的资源分配请求；
获取所述各原始边缘服务器覆盖于所述物联网设备的数量信息Nj、所述物联网设备的平均卸载概率Pj、以及所述各原始边缘服务器的计算资源
Figure BDA0003227624880000021
根据所述数量信息、平均卸载概率、所述计算资源以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器；
获取与所述分区边缘服务器相对应的可执行任务卸载决策；
根据深度强化学习对所述可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；
根据所述最优任务卸载决策对所述计算任务进行资源分配。
为了解决上述技术问题，本申请实施例还提供一种应用于边缘服务系统的资源分配装置，采用了如下所述的技术方案：
请求接收模块，用于接收携带有计算任务的资源分配请求；
数据采集模块，用于获取所述各原始边缘服务器覆盖于所述物联网设备的数量信息Nj、所述物联网设备的平均卸载概率Pj以及所述各原始边缘服务器的计算资源fj e；
分区模块，用于根据所述数量信息、平均卸载概率、所述计算资源以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器；
决策获取模块，用于获取与所述分区边缘服务器相对应的可执行任务卸载决策；
迭代模块，用于根据深度强化学习对所述可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；
决策执行模块，用于根据所述最优任务卸载决策对所述计算任务进行资源分配。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的应用于边缘服务系统的资源分配方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的应用于边缘服务系统的资源分配方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供了一种应用于边缘服务系统的资源分配方法，包括：接收携带有计算任务的资源分配请求；获取所述各原始边缘服务器覆盖于所述物联网设备的数量信息Nj、所述物联网设备的平均卸载概率Pj以及所述各原始边缘服务器的计算资源fj e；根据所述数量信息、平均卸载概率、所述计算资源以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器；获取与所述分区边缘服务器相对应的可执行任务卸载决策；根据深度强化学习对所述可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；根据所述最优任务卸载决策对所述计算任务进行资源分配。本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例一提供了基于超密集网络的边缘计算服务系统的结构示意图；
图2是本申请实施例一提供的应用于边缘服务系统的资源分配方法的实现流程图；
图3是图2中步骤S203的一种具体实施方式的流程图；
图4是本申请实施例一提供的另一种应用于边缘服务系统的资源分配方法的实现流程图；
图5是图2中步骤S205的一种具体实施方式的流程图；
图6是本申请实施例二提供的应用于边缘服务系统的资源分配装置的结构示意图；
图7是图6中分区模块的的结构示意图；
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
如图1所示，示出了本申请实施例一提供了基于超密集网络的边缘计算服务系统的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本申请实施例中，每一个基站连接有计算资源不等的边缘服务器，若干IoT设备。
在本申请实施例中，每一个IoT设备产生计算任务
Figure BDA0003227624880000051
其中di为计算任务输入数据大小，
Figure BDA0003227624880000052
为IoT设备可允许的任务最大处理延迟。计算任务可以在设备CPU上处理，也可以卸载到边缘服务器上处理。
在本申请实施例中，需要考虑任务卸载决策λi∈{0,1,2,…,H}和集群内分配决策li∈{1,2,3,…,K}，其中H和K分别是边缘服务器集群的数量和集群内的服务器数量。
在本申请实施例中，当在设备本地处理计算任务时(λi＝0)，其处理时间只与任务参数和设备的计算资源有关，为
Figure BDA0003227624880000053
其中
Figure BDA0003227624880000054
和
Figure BDA0003227624880000055
分别为设备处理1bit任务所需的CPU周期和设备的CPU周期频率。由于IoT设备的体积以及成本限制，其CPU计算能力通常有限，即
Figure BDA0003227624880000056
在这种情况下，设备需要将其计算任务卸载到计算能力更强的边缘服务器上执行。
当λi＝h(1≤h≤H)且li＝k(1≤k≤K)时，IoT设备的计算任务卸载到集群h中的边缘服务器k上执行。此时，任务的处理时间主要包括三个部分：从IoT设备到边缘服务器的数据传输时间、边缘服务器之间的数据传输时间以及计算任务在边缘服务器上的执行时间。由于任务的输出数据通常都很小，其传输到IoT设备的时间可以忽略。综上，设备任务在边缘服务器上的处理时间为：
Figure BDA0003227624880000061
其中
Figure BDA0003227624880000062
为边缘服务器k执行1bit任务所需的CPU周期，
Figure BDA0003227624880000063
为边缘服务器k的CPU周期频率，范围为
Figure BDA0003227624880000064
rij和
Figure BDA0003227624880000065
分别为IoT设备i和边缘服务器j之间的数据传输速率以及边缘服务器j和边缘服务器k之间的数据传输时间。IoT设备和边缘服务器之间的数据传输取决于设备的传输功率以及边缘服务器之间的通信情况，使用
Figure BDA0003227624880000066
表示IoT设备i的数据传输功率，其中pik表示IoT设备与边缘服务器的传输功率，
Figure BDA0003227624880000067
表示该IoT设备的最大传输功率，则设备到边缘服务器的数据传输速率为：
Figure BDA0003227624880000068
其中ωj和αij(0<αij≤1)分别为基站的无线信道带宽和分配给设备i的带宽百分比，hij是设备i和基站之间的信道功率增益，σ为背景噪声功率，Iij为设备i与基站之间的无线干扰。
综上，IoT设备的任务处理时间取决于任务卸载决策λi和集群内分配决策li，因此，任务的处理时间如下式所示：
Figure BDA0003227624880000069
我们的目标是在满足任务的最大可允许处理延迟的情况下提高物联网设备的服务质量和用户体验。在这种情况下，为了获得更大的网络容量和服务范围，关注网络的整体性能更为重要。因此，我们的工作旨在将边缘服务器分配到适当的集群内且在集群内为IoT设备分配合适的边缘服务器，以达到设备任务的处理时间最小化。此问题定义如下：
Figure BDA00032276248800000610
Figure BDA0003227624880000071
Figure BDA0003227624880000072
Figure BDA0003227624880000073
Figure BDA0003227624880000074
Figure BDA0003227624880000075
Figure BDA0003227624880000076
其中，C1确保计算任务能够在其最大可允许的处理时间内执行完成；C2和C3是IoT设备和边缘服务器计算资源的约束条件；C4表示分配给IoT设备信道带宽不能超过基站的带宽限制；C5和C6分别是IoT的任务卸载决策集合和集群内分配决策集合，指定了IoT设备在当前状态下可能具有的所有任务执行方式选项。
应该理解，图1中的基站、边缘服务器和IoT设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的基站、边缘服务器和IoT设备。
继续参考图2，示出了本申请实施例一提供的应用于边缘服务系统的资源分配方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的应用于边缘服务系统的资源分配方法，包括以下步骤：
在步骤S201中，接收携带有计算任务的资源分配请求。
在本申请实施例中，计算任务指的是需要在资源受限的IoT设备进行处理的任务。
在本申请实施例中，资源分配请求可以是通过请求终端发送该请求信息，也可以是用户直接输入上述原始手写文本图像以作为该资源分配请求，其中，请求终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对请求终端的举例仅为方便理解，不用于限定本申请。
在步骤S202中，获取各原始边缘服务器覆盖于物联网设备的数量信息Nj、物联网设备的平均卸载概率Pj以及各原始边缘服务器的计算资源fj e。
在本申请实施例中，每一个基站连接有该原始边缘服务器，而每一个基站对应覆盖有若干个物联网设备，该若干个物联设备的数量即为上述原始边缘服务器覆盖于物联网设备的数量信息。
在本申请实施例中，物联网设备的平均卸载概率Pj代表了原始边缘服务器覆盖范围内的物联网设备执行任务卸载的可能性。对于每一个IoT设备，如果其任务的本地处理时间
Figure BDA0003227624880000081
超出可接受的最大处理时间
Figure BDA0003227624880000082
则认为其有可能将任务卸载到边缘服务器上执行。其中，平均卸载概率Pj可由以下公式进行计算：
Figure BDA0003227624880000083
在本申请实施例中，原始边缘服务器的计算资源指的是各个边缘服务器自身的计算资源信息，其中，各个资源服务器的计算资源不相同。
在步骤S203中，根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器。
在本申请实施例中，分区操作可以是根据K-Means算法构建与数量信息Nj、平均卸载概率Pj以及计算资源fj e相对应的目标函数，最后最小化目标函数，从而得到分区边缘服务器，其中目标函数表示为：
Figure BDA0003227624880000084
其中，C＝{C1,C2,…,CH}表示所有集群的集合；μ＝{μ1,μ2,…,μH}表示所有质心的集合，代表集群的中心；xj＝{Nj,Pj,fj e}。
在步骤S204中，获取与分区边缘服务器相对应的可执行任务卸载决策。
在本申请实施例中，可执行任务卸载决策指的是包含物联网设备任务的所有可能的卸载决策，其中不同的卸载决策在不同的物联网设备中执行会产生不同的处理延迟效果。
在步骤S205中，根据深度强化学习对可执行任务卸载决策进行迭代操作，得到最优任务卸载决策。
在本申请实施例中，深度强化学习是机器学习的一种学习方法，强调如何根据环境采取行动，以实现预期效益的最大化。以游戏为例；如果我们在游戏中采用一个策略来获得更高的分数，那么我们就会进一步强化这个策略，以达到持续更好的结果。这种模式与我们生活中的各种“绩效奖励”非常相似。本发明方法基于深度Q学习，其中有当前Q网络和目标Q网络这两个不同的神经网络，分别用于获取当前Q值和目标Q值，通过神经网络的不断学习迭代获取最佳的任务卸载方式。
在步骤S206中，根据最优任务卸载决策对计算任务进行资源分配。
在本申请实施例中，提供了一种应用于边缘服务系统的资源分配方法，包括：接收携带有计算任务的资源分配请求；获取各原始边缘服务器覆盖于物联网设备的数量信息Nj、物联网设备的平均卸载概率Pj以及各原始边缘服务器的计算资源fj e；根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器；获取与分区边缘服务器相对应的可执行任务卸载决策；根据深度强化学习对可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；根据最优任务卸载决策对计算任务进行资源分配。本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。
继续参阅图3，示出了图2中步骤S203的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，步骤S203具体包括：步骤S301、步骤S302和步骤S303。
在步骤S301中，获取用于分区操作的集群数量H以及初始质心μH。
在本申请实施例中，在进行下述K-Means算法之前，需要提前确定分区后的集群的数量以及初始质心。
在步骤S302中，根据集群数量H、初始质心μH以及K-Means算法构建与数量信息Nj、平均卸载概率Pj以及计算资源fj e相对应的目标函数，目标函数表示为：
Figure BDA0003227624880000101
其中，C＝{C1,C2,…,CH}表示所有集群的集合；μ＝{μ1,μ2,…,μH}表示所有质心的集合，代表集群的中心；xj＝{Nj,Pj,fj e}表示所述集群依据所述数量信息Nj、所述平均卸载概率Pj以及所述计算资源fj e进行划分。
在步骤S303中，最小化目标函数，得到分区边缘服务器。
在本申请实施例中，原始边缘服务器收集并记录其覆盖范围内的物联网(IoT)设备的信息，包括设备数量Nj、平均计算卸载概率Pj，以及边缘服务器自身的计算资源信息fj e。之后，采用基于K-Means的边缘服务器集群算法，通过最小化以下目标函数，将边缘服务器分成不同的集群。
在本实施例的一些可选的实现方式中，上述获取集群数量H以及初始质心μH的方式可以是基于手肘法进行获取。
在本申请实施例中，在对原始边缘服务器进行分区操作时，由于不同的初始质心和集群数量会产生不同的聚类结果。然而，找到最优的集群数目和合适的初始质心是一个很难解决的任务。
在本申请实施例中，可以通过手肘法寻找最优的集群数目和合适的初始质心，该手肘法从1开始枚举集群的个数，并计算所有的点到质心的距离，当集群数量增加时，其指标先是迅速下降，当集群达到一定数量时，趋于平稳。拐点处的集群数量即为最优解。
在本实施例的一些可选的实现方式中，上述获取集群数量H以及初始质心μH的方式还可以是基于轮廓系数法进行获取。
在本申请实施例中，由于上述手肘法的拐点位置会出现不明显的时候，此时会很难确定合适的集群数目。当手肘法的拐点位置不明显的时候，还可以通过轮廓系数法寻找最优的集群数目和合适的初始质心，轮廓系数是一个介于-1到1的指数，用以评估集群的密度和离散度，由下式计算：
Figure BDA0003227624880000111
其中a(i)是向量和集群间其他点之间的距离，b(i)是向量和其相邻集群内点的平均距离。这两个指标分别表示了集群内部的紧凑程度和集群之间的分散度。此外，初始质心的选取也会影响集群的结果。为了尽可能分散地选取初始质心，我们首先随机选取一个基站作为第一个聚类的质心μi，然后使用轮盘赌法选取下一个聚类中心。
在本申请实施例中，根据轮廓系数法获取集群数量H以及初始质心μH的步骤可以是：
步骤一：初始化集群数目为H＝2,，平均轮廓系数为
Figure BDA0003227624880000113
步骤二：选取初始集群质心：
1)随机选取一个基站作为第一个集群的质心μ1；
2)计算其他基站到现有质心的距离并选取最近距离D(x)，计算得到每一个基站被选取为下一个集群质心的概率
Figure BDA0003227624880000112
采用轮盘赌法选取下一个集群质心；
3)重复步骤2)直到选取出h个初始集群质心μ＝{μ1,μ2,…,μH}；
步骤三：为每个基站分配集群并更新集群的质心：
1)根据基站到各个质心的距离将基站分配到与其距离最近的集群质心，满足：
Figure BDA0003227624880000121
2)更新集群的质心：
Figure BDA0003227624880000122
其中I{#}是一个指示函数，当条件#为真时，I{#}＝1，否则I{#}＝0。
3)重复步骤1)和步骤2)，直到达到收敛条件Γt(C,μ)-Γt+1(C,μ)<或者所有集群的质心保持不变，其中∈是一个极小的正数。
步骤四：计算当前集群平均轮廓系数：
Figure BDA0003227624880000123
其中a(i)是向量和集群间其他点之间的距离，b(i)是向量和其相邻集群内点的平均距离。这两个指标分别表示了集群内部的紧凑程度和集群之间的分散度。比较
Figure BDA0003227624880000124
与
Figure BDA0003227624880000125
的大小，如果
Figure BDA0003227624880000126
则用
Figure BDA0003227624880000127
代替
Figure BDA0003227624880000128
的值，即
Figure BDA0003227624880000129
步骤五：集群数目H＝H+1，重复步骤二到步骤四。当集群数目达到阈值
Figure BDA00032276248800001210
时，保存最大的平均轮廓系数
Figure BDA00032276248800001212
以及对应的集群数目和结果。
继续参阅图4，示出了本申请实施例一提供的另一种应用于边缘服务系统的资源分配方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，在步骤S202之后，还包括：步骤S401、步骤S402、步骤S403、步骤S404以及步骤S405。
在步骤S401中，在物联网设备中获取存在计算需求的待分配物联网设备。
在本申请实施例中，由于各个物联网设备的资源受限，导致每一个物联网设备处理计算任务的时间长短不一，为了检测是否存在某个物联网处理器可以在本地处理上述计算任务，需要对待分配物联网设备本地处理计算任务的时间进行预测。
在步骤S402中，计算待分配物联网设备处理计算任务的预计处理时间。
在本申请实施例中，预计处理时间
Figure BDA00032276248800001211
表示为：
Figure BDA0003227624880000131
其中，
Figure BDA0003227624880000132
和
Figure BDA0003227624880000133
分别为设备处理1bit任务所需的CPU周期和设备的CPU周期频率。
在步骤S403中，判断预计处理时间是否超出预设的处理延迟时间。
在本申请实施例中，处理延迟时间指的是IoT设备可允许的任务最大处理延迟，该处理延迟时间可以是用户根据实际情况进行动态设定。
在步骤S404中，若预计处理时间未超出处理延迟时间，则将计算任务分配至物联网设备进行本地处理。
在本申请实施例中，如果预计处理时间未超出处理延迟时间，则说明存在某个物联网处理器可以在本地处理上述计算任务，从而无需对边缘服务系统进行资源分配操作，有效提高计算任务的处理效率。
在步骤S405中，若预计处理时间超出处理延迟时间，则执行根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器的步骤。
在本申请实施例中，由于IoT设备的体积以及成本限制，其CPU计算能力通常有限，即
Figure BDA0003227624880000134
如果预计处理时间超出处理延迟时间，则说明不存在某个物联网处理器可以在本地处理上述计算任务，在这种情况下，设备需要将其计算任务卸载到计算能力更强的边缘服务器上执行。
继续参阅图5，示出了图2中步骤S205的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，步骤S205具体包括：
在步骤S501中，获取原始深度强化学习网络。
在本申请实施例中，原始深度强化学习网络指的是初始化的当前Q网络(权重θ)和目标Q网络(θ*＝θ)、经验回放D、目标网络更新率G。
在本申请实施例中，初始化还包括初始化状态、动作、奖励，具体如下：
1)状态s：代表所有环境状态的集合，定义为所有IoT设备任务的整体处理时间。
2)动作a：代理的可执行操作的集合，包含IoT设备任务的所有可能的卸载决策，即上述可执行任务卸载决策。
3)奖励r：状态和动作的映射函数，在某种状态下采取的不同行动将获得不同的奖励。通过采用本地计算和在我们的问题中采取当前行动，可以根据总处理延迟轻松获得它。
在步骤S502中，根据可执行任务卸载决策对原始深度学习网络进行强化学习操作，得到趋于稳定的目标深度学习网络。
在本申请实施例中，强化学习操作可以是：
步骤①：随机选取概率p，如果p≤∈，随机选取动作at，否则选取对应Q值最大的动作：
Figure BDA0003227624880000141
步骤②：执行选定的动作at，计算奖励rt和下一个状态st+1，将当前的经验(st,at,rt,st+1)存储到经验回放D中。之后从D中随机抽取一小批样本，通过目标Q网络获取目标Q值：
Figure BDA0003227624880000142
之后，通过最小化损失函数
Figure BDA0003227624880000143
更新当前Q网络。
步骤③：重复步骤①和步骤②G次后，更新目标Q网络的参数：θ*＝αθ+(1-θ)θ*。
步骤④：重复步骤①到步骤③，直到该目标Q网络的参数θ*达到网络达到一个稳定的状态，即变化值可忽略不计，即可得到上述目标深度学习网络。
在步骤S503中，根据目标深度学习网络获取与可执行任务卸载决策相对应的决策价值。
在步骤S504中，将与最优决策价值相对应的可执行任务卸载决策作为最优任务卸载决策。
综上，本申请提供了一种应用于边缘服务系统的资源分配方法，包括：接收携带有计算任务的资源分配请求；获取各原始边缘服务器覆盖于物联网设备的数量信息Nj、物联网设备的平均卸载概率Pj以及各原始边缘服务器的计算资源fj e；根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器；获取与分区边缘服务器相对应的可执行任务卸载决策；根据深度强化学习对可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；根据最优任务卸载决策对计算任务进行资源分配。本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种应用于边缘服务系统的资源分配装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的应用于边缘服务系统的资源分配装置600包括：请求接收模块610、数据采集模块620、分区模块630、决策获取模块640、迭代模块650以及决策执行模块660。其中：
请求接收模块610，用于接收携带有计算任务的资源分配请求；
数据采集模块620，获取各原始边缘服务器覆盖于物联网设备的数量信息Nj、物联网设备的平均卸载概率Pj以及各原始边缘服务器的计算资源fj e；
分区模块630，用于根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器；
决策获取模块640，用于获取与分区边缘服务器相对应的可执行任务卸载决策；
迭代模块650，用于根据深度强化学习对可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；
决策执行模块660，用于根据最优任务卸载决策对计算任务进行资源分配。
在本申请实施例中，计算任务指的是需要在资源受限的IoT设备进行处理的任务。
在本申请实施例中，资源分配请求可以是通过请求终端发送该请求信息，也可以是用户直接输入上述原始手写文本图像以作为该资源分配请求，其中，请求终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对请求终端的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，每一个基站连接有该原始边缘服务器，而每一个基站对应覆盖有若干个物联网设备，该若干个物联设备的数量即为上述原始边缘服务器覆盖于物联网设备的数量信息。
在本申请实施例中，物联网设备的平均卸载概率Pj代表了原始边缘服务器覆盖范围内的物联网设备执行任务卸载的可能性。对于每一个IoT设备，如果其任务的本地处理时间
Figure BDA0003227624880000171
超出可接受的最大处理时间
Figure BDA0003227624880000172
则认为其有可能将任务卸载到边缘服务器上执行。其中，平均卸载概率Pj可由以下公式进行计算：
Figure BDA0003227624880000173
在本申请实施例中，原始边缘服务器的计算资源指的是各个边缘服务器自身的计算资源信息，其中，各个资源服务器的计算资源不相同。
在本申请实施例中，分区操作可以是根据K-Means算法构建与数量信息Nj、平均卸载概率Pj以及计算资源fj e相对应的目标函数，最后最小化目标函数，从而得到分区边缘服务器，其中目标函数表示为：
Figure BDA0003227624880000174
其中，C＝{C1,C2,…,CH}表示所有集群的集合；μ＝{μ1,μ2,…,μH}表示所有质心的集合，代表集群的中心；xj＝{Nj,Pj,fj e}。
在本申请实施例中，可执行任务卸载决策指的是包含物联网设备任务的所有可能的卸载决策，其中不同的卸载决策在不同的物联网设备中执行会产生不同的处理延迟效果。
在本申请实施例中，深度强化学习是机器学习的一种学习方法，强调如何根据环境采取行动，以实现预期效益的最大化。以游戏为例；如果我们在游戏中采用一个策略来获得更高的分数，那么我们就会进一步强化这个策略，以达到持续更好的结果。这种模式与我们生活中的各种“绩效奖励”非常相似。本发明方法基于深度Q学习，其中有当前Q网络和目标Q网络这两个不同的神经网络，分别用于获取当前Q值和目标Q值，通过神经网络的不断学习迭代获取最佳的任务卸载方式。
在本申请实施例中，提供了一种应用于边缘服务系统的资源分配装置，包括：请求接收模块610，用于接收携带有计算任务的资源分配请求；数据采集模块620，用于获取各原始边缘服务器覆盖于物联网设备的数量信息Nj、物联网设备的平均卸载概率Pj以及各原始边缘服务器的计算资源fj e；分区模块630，用于根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器；决策获取模块640，用于获取与分区边缘服务器相对应的可执行任务卸载决策；迭代模块650，用于根据深度强化学习对可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；决策执行模块660，用于根据最优任务卸载决策对计算任务进行资源分配。在本申请实施例中，计算任务指的是需要在资源受限的IoT设备进行处理的任务。本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。
继续参阅图7，示出了图6中分区模块630的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述分区模块630包括：初始数据获取子模块631、目标函数获取子模块632以及最小化子模块633。其中：
初始数据获取子模块631，用于获取用于分区操作的集群数量H以及初始质心μH；
目标函数获取子模块632，用于根据集群数量H、初始质心μH以及K-Means算法构建与数量信息Nj、平均卸载概率Pj以及计算资源fj e相对应的目标函数，目标函数表示为：
Figure BDA0003227624880000191
其中，C＝{C1,C2,…,CH}表示所有集群的集合；μ＝{μ1,μ2,…,μH}表示所有质心的集合，代表集群的中心；xj＝{Nj,Pj,fj e}表示所述集群依据所述数量信息Nj、所述平均卸载概率Pj以及所述计算资源fj e进行划分；
最小化子模块633，用于最小化目标函数，得到分区边缘服务器。
在本申请实施例中，在进行下述K-Means算法之前，需要提前确定分区后的集群的数量以及初始质心。
在本实施例的一些可选的实现方式中，上述获取集群数量H以及初始质心μH的方式可以是基于手肘法进行获取。
在本申请实施例中，在对原始边缘服务器进行分区操作时，由于不同的初始质心和集群数量会产生不同的聚类结果。然而，找到最优的集群数目和合适的初始质心是一个很难解决的任务。
在本申请实施例中，可以通过手肘法寻找最优的集群数目和合适的初始质心，该手肘法从1开始枚举集群的个数，并计算所有的点到质心的距离，当集群数量增加时，其指标先是迅速下降，当集群达到一定数量时，趋于平稳。拐点处的集群数量即为最优解。
在本实施例的一些可选的实现方式中，上述获取集群数量H以及初始质心μH的方式还可以是基于轮廓系数法进行获取。
在本申请实施例中，由于上述手肘法的拐点位置会出现不明显的时候，此时会很难确定合适的集群数目。当手肘法的拐点位置不明显的时候，还可以通过轮廓系数法寻找最优的集群数目和合适的初始质心，轮廓系数是一个介于-1到1的指数，用以评估集群的密度和离散度，由下式计算：
Figure BDA0003227624880000201
其中a(i)是向量和集群间其他点之间的距离，b(i)是向量和其相邻集群内点的平均距离。这两个指标分别表示了集群内部的紧凑程度和集群之间的分散度。此外，初始质心的选取也会影响集群的结果。为了尽可能分散地选取初始质心，我们首先随机选取一个基站作为第一个聚类的质心μi，然后使用轮盘赌法选取下一个聚类中心。
在本实施例的一些可选的实现方式中，上述初始数据获取子模块631具体包括：初始数据获取单元。其中：
初始数据获取单元，用于根据轮廓系数法获取集群数量H以及初始质心μH。
在本实施例的一些可选的实现方式中，上述初始数据获取单元具体包括：
第一集群质心获取子单元，用于随机选取任一基站作为第一集群的第一集群质心；
最近距离获取子单元，用于获取与第一集群质心距离D(x)最少的最近基站；
质心概率计算子单元，用于根据最近距离D(x)计算每一个基站被确认为下一个集群质心的概率P(x)，概率P(x)表示为：
Figure BDA0003227624880000211
下一质心选取子单元，用于根据轮盘赌法选取下一个集群质心；
初始质心确认子单元，用于直至选出h个初始质心μH。
在本实施例的一些可选的实现方式中，上述应用于边缘服务系统的资源分配装置600还包括：待分配设备获取模块、时间计算模块、时间判断模块、第一结果模块以及第二结果模块。其中：
最优设备获取模块，用于在物联网设备中获取计算资源最大的最优物联网设备；
时间计算模块，用于计算最优物联网设备处理计算任务的预计处理时间；
时间判断模块，用于判断预计处理时间是否超出预设的处理延迟时间；
第一结果模块，用于若预计处理时间未超出处理延迟时间，则将计算任务分配至物联网设备进行本地处理；
第二结果模块，用于若预计处理时间超出处理延迟时间，则执行根据数量信息、平均卸载概率、计算资源以及K-Means算法对原始边缘服务器进行分区操作，得到分区边缘服务器的步骤。
在本实施例的一些可选的实现方式中，上述迭代模块650包括：原始网络获取子模块、强化学习子模块、决策价值获取子模块以及最优决策确认子模块。其中：
原始网络获取子模块，用于获取原始深度强化学习网络；
强化学习子模块，用于根据a可执行任务卸载决策对原始深度学习网络进行强化学习操作，得到趋于稳定的目标深度学习网络；
决策价值获取子模块，用于根据目标深度学习网络获取与可执行任务卸载决策相对应的决策价值；
最优决策确认子模块，用于将与最优决策价值相对应的可执行任务卸载决策作为最优任务卸载决策。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器210至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200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。当然，所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如应用于边缘服务系统的资源分配方法的计算机可读指令等。此外，所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述应用于边缘服务系统的资源分配方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请提供的计算机设备，本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。
本申请还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于边缘服务系统的资源分配方法的步骤。
本申请提供的计算机可读存储介质，本申请基于物联网设备的数量信息、物联网设备的平均卸载概率和边缘服务器的计算资源这个三个特征对边缘服务器进行集群划分，相较于传统基于边缘服务器之间位置关系进行划分的方式充分考虑各个边缘服务器以及物联网设备自身的计算资源，使得划分更加科学合理，可以极大地缓解物联网设备的计算压力，另外，根据深度强化学习获取处理时间最少的最优任务卸载决策，实现边缘计算系统中的边缘服务器协同以及资源分配，可大幅提升边缘服务的质量和用户体验。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种应用于边缘服务系统的资源分配方法，其特征在于，所述边缘服务系统由若干基站组成，每个所述基站连接有计算资源不等的原始边缘服务器以及若干物联网设备，所述方法包括下述步骤：
接收携带有计算任务的资源分配请求；
获取所述各原始边缘服务器覆盖于所述物联网设备的数量信息Nj、所述物联网设备的平均卸载概率Pj以及所述各原始边缘服务器的计算资源fj e；
根据所述数量信息、平均卸载概率、所述计算资源以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器；
获取与所述分区边缘服务器相对应的可执行任务卸载决策；
根据深度强化学习对所述可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；
根据所述最优任务卸载决策对所述计算任务进行资源分配。
2.根据权利要求1所述的应用于边缘服务系统的资源分配方法，其特征在于，根据所述数量信息Nj、所述平均卸载概率Pj、所述计算资源fj e以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器的步骤，具体包括下述步骤：
获取用于分区操作的集群数量H以及初始质心μH；
根据集群数量H、初始质心μH以及所述K-Means算法构建与所述数量信息Nj、平均卸载概率Pj以及所述计算资源fj e相对应的目标函数，所述目标函数表示为：
Figure FDA0003227624870000011
其中，C＝{C1，C2，...，CH}表示所有集群的集合；μ＝{μ1，μ2，...，μH}表示所有质心的集合，代表集群的中心；xj＝{Nj，Pj，fj e}表示所述集群依据所述数量信息Nj、所述平均卸载概率Pj以及所述计算资源fj e进行划分；
最小化所述目标函数，得到所述分区边缘服务器。
3.根据权利要求2所述的应用于边缘服务系统的资源分配方法，其特征在于，所述获取用于分区操作的集群数量H以及初始质心μH的步骤，具体包括下述步骤：
根据轮廓系数法获取所述集群数量H以及初始质心μH。
4.根据权利要求1所述的应用于边缘服务系统的资源分配方法，其特征在于，所述根据轮廓系数法获取所述集群数量H以及初始质心μH的步骤具体包括下述步骤：
随机选取任一基站作为第一集群的第一集群质心；
获取与所述第一集群质心距离D(x)最少的最近基站；
根据所述最近距离D(x)计算每一个基站被确认为下一个集群质心的概率P(x)，所述概率P(x)表示为：
Figure FDA0003227624870000021
根据轮盘赌法选取下一个集群质心；
直至选出h个所述初始质心μH。
5.根据权利要求1所述的应用于边缘服务系统的资源分配方法，其特征在于，在所述获取所述各原始边缘服务器覆盖于所述物联网设备的数量信息Nj、所述物联网设备的平均卸载概率Pj以及所述各原始边缘服务器的计算资源fj e的步骤之后，还包括下述步骤：
在所述物联网设备中获取存在计算需求的待分配物联网设备；
计算所述待分配物联网设备处理所述计算任务的预计处理时间；
判断所述预计处理时间是否超出预设的处理延迟时间；
若所述预计处理时间未超出所述处理延迟时间，则将所述计算任务分配至所述物联网设备进行本地处理；
若所述预计处理时间超出所述处理延迟时间，则执行所述根据所述数量信息、平均卸载概率、所述计算资源以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器的步骤。
6.根据权利要求1所述的应用于边缘服务系统的资源分配方法，其特征在于，所述根据深度强化学习对所述可执行任务卸载决策进行迭代操作，得到最优任务卸载决策的步骤，具体包括下述步骤：
获取原始深度强化学习网络；
根据所述可执行任务卸载决策对所述原始深度学习网络进行强化学习操作，得到趋于稳定的目标深度学习网络；
根据所述目标深度学习网络获取与所述可执行任务卸载决策相对应的决策价值；
将与最优决策价值相对应的所述可执行任务卸载决策作为所述最优任务卸载决策。
7.一种应用于边缘服务系统的资源分配装置，其特征在于，包括：
请求接收模块，用于接收携带有计算任务的资源分配请求；
数据采集模块，用于获取所述各原始边缘服务器覆盖于所述物联网设备的数量信息Nj、所述物联网设备的平均卸载概率Pj以及所述各原始边缘服务器的计算资源fj e；
分区模块，用于根据所述数量信息、平均卸载概率、所述计算资源以及K-Means算法对所述原始边缘服务器进行分区操作，得到分区边缘服务器；
决策获取模块，用于获取与所述分区边缘服务器相对应的可执行任务卸载决策；
迭代模块，用于根据深度强化学习对所述可执行任务卸载决策进行迭代操作，得到最优任务卸载决策；
决策执行模块，用于根据所述最优任务卸载决策对所述计算任务进行资源分配。
8.根据权利要求7所述的应用于边缘服务系统的资源分配装置，其特征在于，所述分区模块包括：
初始数据获取子模块，用于获取用于分区操作的集群数量H以及初始质心μH；
目标函数获取子模块，用于根据集群数量H、初始质心μH以及所述K-Means算法构建与所述数量信息Nj、平均卸载概率Pj以及所述计算资源fj e相对应的目标函数，所述目标函数表示为：
Figure FDA0003227624870000041
其中，C＝{C1，C2，...，CH}表示所有集群的集合；μ＝{μ1，μ2，...，μH}表示所有质心的集合，代表集群的中心；xj＝{Nj，Pj，fj e}表示所述集群依据所述数量信息Nj、所述平均卸载概率Pj以及所述计算资源fj e进行划分；
最小化子模块，用于最小化所述目标函数，得到所述分区边缘服务器。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的应用于边缘服务系统的资源分配方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的应用于边缘服务系统的资源分配方法的步骤。
CN202110975989.8A 2021-08-24 2021-08-24 一种资源分配方法、装置、计算机设备及存储介质 Pending CN113835878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110975989.8A CN113835878A (zh) 2021-08-24 2021-08-24 一种资源分配方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110975989.8A CN113835878A (zh) 2021-08-24 2021-08-24 一种资源分配方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113835878A true CN113835878A (zh) 2021-12-24

Family

ID=78961039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110975989.8A Pending CN113835878A (zh) 2021-08-24 2021-08-24 一种资源分配方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113835878A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114745725A (zh) * 2022-03-16 2022-07-12 云南升玥信息技术有限公司 一种基于边缘计算工业物联网的资源分配管理系统
CN115022189A (zh) * 2022-05-31 2022-09-06 武汉大学 边缘用户分配模型构建方法、装置、设备及可读存储介质
CN115629865A (zh) * 2022-12-20 2023-01-20 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于边缘计算的深度学习推理任务调度方法
TWI805257B (zh) * 2022-03-24 2023-06-11 先智雲端數據股份有限公司 根據強化學習的預測來優化資源配置的方法
WO2023212896A1 (en) * 2022-05-06 2023-11-09 Qualcomm Incorporated Techniques for scheduling passive internet of things communications

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190158606A1 (en) * 2018-12-28 2019-05-23 Francesc Guim Bernat QUALITY OF SERVICE (QoS) MANAGEMENT IN EDGE COMPUTING ENVIRONMENTS
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
US20200104184A1 (en) * 2018-09-27 2020-04-02 Intel Corporation Accelerated resource allocation techniques
CN111245651A (zh) * 2020-01-08 2020-06-05 上海交通大学 一种基于功率控制和资源分配的任务卸载方法
CN111367657A (zh) * 2020-02-21 2020-07-03 重庆邮电大学 一种基于深度强化学习的计算资源协同合作方法
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111405569A (zh) * 2020-03-19 2020-07-10 三峡大学 基于深度强化学习的计算卸载和资源分配方法及装置
CN111522666A (zh) * 2020-04-27 2020-08-11 西安工业大学 一种云机器人边缘计算卸载模型及其卸载方法
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
CN112511652A (zh) * 2021-02-03 2021-03-16 电子科技大学 一种边缘计算下的合作计算任务分配方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200104184A1 (en) * 2018-09-27 2020-04-02 Intel Corporation Accelerated resource allocation techniques
US20190158606A1 (en) * 2018-12-28 2019-05-23 Francesc Guim Bernat QUALITY OF SERVICE (QoS) MANAGEMENT IN EDGE COMPUTING ENVIRONMENTS
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
CN111245651A (zh) * 2020-01-08 2020-06-05 上海交通大学 一种基于功率控制和资源分配的任务卸载方法
CN111367657A (zh) * 2020-02-21 2020-07-03 重庆邮电大学 一种基于深度强化学习的计算资源协同合作方法
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111405569A (zh) * 2020-03-19 2020-07-10 三峡大学 基于深度强化学习的计算卸载和资源分配方法及装置
CN111522666A (zh) * 2020-04-27 2020-08-11 西安工业大学 一种云机器人边缘计算卸载模型及其卸载方法
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
CN112511652A (zh) * 2021-02-03 2021-03-16 电子科技大学 一种边缘计算下的合作计算任务分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢海峰等: "基于深度强化学习的移动边缘计算任务卸载研究", 《计算机研究与发展》, 7 July 2020 (2020-07-07), pages 1539 - 1552 *
梁广俊等: "移动边缘计算资源分配综述", 《信息安全学报》, vol. 6, no. 3, 15 May 2021 (2021-05-15), pages 227 - 249 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114745725A (zh) * 2022-03-16 2022-07-12 云南升玥信息技术有限公司 一种基于边缘计算工业物联网的资源分配管理系统
TWI805257B (zh) * 2022-03-24 2023-06-11 先智雲端數據股份有限公司 根據強化學習的預測來優化資源配置的方法
WO2023212896A1 (en) * 2022-05-06 2023-11-09 Qualcomm Incorporated Techniques for scheduling passive internet of things communications
CN115022189A (zh) * 2022-05-31 2022-09-06 武汉大学 边缘用户分配模型构建方法、装置、设备及可读存储介质
CN115022189B (zh) * 2022-05-31 2024-03-26 武汉大学 边缘用户分配模型构建方法、装置、设备及可读存储介质
CN115629865A (zh) * 2022-12-20 2023-01-20 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于边缘计算的深度学习推理任务调度方法

Similar Documents

Publication Publication Date Title
CN113835878A (zh) 一种资源分配方法、装置、计算机设备及存储介质
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN110941667A (zh) 一种移动边缘计算网络中的计算卸载方法及系统
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN109246761B (zh) 考虑延迟及能耗的基于交替方向乘子法的卸载方法
CN109144719B (zh) 移动云计算系统中基于马尔科夫决策过程的协作卸载方法
CN110519370B (zh) 一种基于设施选址问题的边缘计算资源分配方法
CN111511028B (zh) 一种多用户资源分配方法、装置、系统及存储介质
CN113645637B (zh) 超密集网络任务卸载方法、装置、计算机设备和存储介质
CN114356545A (zh) 一种面向隐私保护与能耗优化的任务卸载方法
KR20210147240A (ko) 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템
CN113556764A (zh) 一种基于移动边缘计算网络的计算速率确定方法及系统
Tang et al. Research on heterogeneous computation resource allocation based on data-driven method
CN116996938A (zh) 车联网任务卸载方法、终端设备及存储介质
KR102562732B1 (ko) Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법
CN113342504A (zh) 基于缓存的智能制造边缘计算任务调度方法及系统
CN112835691A (zh) 一种物联网通讯的边缘数据处理方法及系统
Ma et al. Quality-aware video offloading in mobile edge computing: A data-driven two-stage stochastic optimization
CN112559078A (zh) 一种移动边缘计算服务器分级卸载任务方法及系统
CN117082470A (zh) 基于noma-mec系统的车联网任务卸载和资源分配方法
CN116744364A (zh) 基于dqn的多边缘节点系统联合计算卸载和资源分配方法
CN113556760B (zh) 一种移动边缘计算成本效益优化方法、系统及应用
CN113220369B (zh) 一种基于分布式机器学习的智能计算卸载优化方法

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