CN114064261A - 基于工业边缘计算系统的多维异构资源量化方法及装置 - Google Patents

Abstract

本发明属于工业互联网领域，具体说是一种基于工业边缘计算系统的多维异构资源量化方法及装置。包括：获取多维异构资源信息与混合任务流信息；根据多维异构资源，分析多维资源与边缘计算设备实时算力的关系；根据任务流信息，分析不同种类任务执行所需算力；判断任务算力需求与异构边缘计算设备实时算力供给契合程度，实时算力供给是否满足任务算力需求，对多维资源与边缘计算设备实时算力的关系进行增量学习，不断提高量化准确度。本发明提高了工业边缘计算系统中零散异构资源的整体利用率，降低了网络通信负载及私密数据交互，对工业互联网个性化柔性生产起到支撑作用。

Description

基于工业边缘计算系统的多维异构资源量化方法及装置

技术领域

本发明属于工业互联网领域，具体说是一种基于工业边缘计算系统的多维异构资源量化方法及装置。

背景技术

工业互联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的一种结果。通过在工业生产线附近部署边缘计算设备，工业互联网下的制造系统具有维度高、动态性强、工业通信协议和网络配置嵌入等特性。

但边缘计算设备受体积和功耗等制约，计算能力有限，同时大量边缘计算设备结构异构、系统异构，且计算能力受多维资源约束，设备算力无法有效利用。因此，为了实现工业互联网个性化定制柔性生产，目前边缘计算设备采用软硬件紧耦合的方式，通过增加边缘计算设备的数量提高边缘侧计算能力。这种系统配置方法虽然可以提供更多算力，但极大的增加了生产成本，并且受到生产环境制约，不具备普适性。

发明内容

本发明提供了一种基于工业边缘计算系统的多维异构资源量化方法，该方法提高了边缘计算设备计算资源利用率。

本发明为实现上述目的所采用的技术方案是：

基于工业边缘计算系统的多维异构资源量化方法，包括以下步骤：

获取多维异构资源信息与混合任务流信息；

根据多维异构资源信息，验证多维异构资源与工业边缘计算设备实时算力的关系；

根据混合任务流信息，计算不同种类任务执行所需算力；

判断实时算力供给是否满足当前任务执行所需算力，如果是，则将该工业边缘计算设备加入任务备选卸载设备序列，最终将任务分配到所有任务节点中契合度最高的边缘计算设备中；如果否，继续寻找满足当前任务算力需求的工业边缘计算设备，当全部工业边缘计算设备均不满足当前任务算力需求时，将所有不满足算力需求的任务上传云端。

在将任务分配至契合度最高的边缘计算设备后，根据任务实时执行情况，对多维资源与工业边缘计算设备实时算力的关系进行增量学习。

所述获取多维异构资源信息与混合任务流信息具体为：

通过监听各类任务在边缘计算设备中的资源使用情况和执行时间开销获取多维异构资源信息；

通过读取云端任务属性获取混合任务流信息。

所述根据多维异构资源信息，验证多维异构资源与工业边缘计算设备实时算力的关系，具体为：

验证工业边缘计算设备在各任务类型下的主计算资源算力上限；

验证影响工业边缘计算设备计算能力的多维资源约束；

协同考虑工业边缘计算设备主计算资源算力与多维资源约束，建立考虑环境信息的实时算力与各资源的函数关系：

其中C为节点算力，a和b为调节参数，无需调节时可以令a＝1，b＝0；x＝{x₁,x₂,x₃...}为工业边缘计算设备性能归一化向量，用于计算不同任务类型下工业边缘计算设备的绝对算力；y＝{y₁,y₂,y₃...}为工业边缘计算设备约束归一化向量，通过对节点绝对算力进行加权，得到多维异构资源统一量化的边缘计算设备实时算力。

所述根据任务流信息，计算不同种类任务执行所需算力，具体为：

根据任务执行历史数据样本即不同算力下的任务执行时间，查找给定任务i的执行时间e_i与给定算力c_i间的对应关系，得到任务执行时间与给定算力间的函数关系：

e_i＝c_i(1+β)^ε+δ

其中，β、ε和δ为算力调节参数。

所述契合度m_j的计算方法为：

其中，

为主计算资源实时算力利用率即工业边缘计算设备在各任务类型下的主计算资源算力上限，

为瓶颈计算资源实时算力利用率即影响工业边缘计算设备计算能力的多维资源约束，C_m为主计算资源当前实时算力，

为主计算资源绝对算力，C_b为瓶颈资源当前使用情况，

为瓶颈资源总量。

所述对多维资源与工业边缘计算设备实时算力的关系进行增量学习，包括：

将历史多维资源配置作为输入，与之对应的任务执行时间历史数据样本作为输出，建立预测深度学习模型，得到多维异构资源与边缘计算设备实时算力的拟合关系；

根据任务实时执行情况，补充历史数据样本即任务在不同算力下的执行时间，动态调整异构多维资源量化方法函数关系中的变量值；

根据任务实时执行情况，补充历史数据样本即任务在不同算力下的执行时间，动态调整任务执行时间与给定算力间的关系。

基于工业边缘计算系统的多维异构资源量化装置，包括：

采集模块，用于获取多维异构资源信息与混合任务流信息；

资源量化及需求量化模块，用于根据多维异构资源信息，验证多维异构资源与工业边缘计算设备实时算力的关系，以及根据混合任务流信息，计算不同种类任务执行所需算力；

调度模块，用于判断实时算力供给是否满足当前任务执行所需算力，如果是，则将该工业边缘计算设备加入任务备选卸载设备序列，最终将任务分配所有任务节点中至契合度最高的边缘计算设备中；如果否，继续寻找满足当前任务算力需求的工业边缘计算设备，当全部工业边缘计算设备均不满足当前任务算力需求时，将所有不满足算力需求的任务上传云端；

划分模块，用于根据量化结果对边缘计算设备上的多维资源进行划分，当实时算力满足任务资源需求时，采用容器虚拟化技术对任务所使用的资源进行隔离划分；

配置模块，用于为任务配置多维资源；

执行模块，用于执行任务，并返回任务实际执行情况；

验证模块，用于验证多维资源量化结果正确性。

还包括：

协同模块，用于根据任务实时执行情况，对多维资源与工业边缘计算设备实时算力的关系进行增量学习，进一步优化多维资源量化方法。

本发明具有以下有益效果及优点：

1.本发明通过对边缘计算系统中异构边缘计算设备进行计算能力进行主计算资源算力分析与多维资源约束，得到了边缘侧多维异构资源量化方法，通过精准提高了边缘计算设备计算资源利用率，为任务的实时可靠执行提供了资源基础；

2.多维异构资源量化方法会根据任务实时执行情况，对多维资源与边缘计算设备实时算力的关系进行增量学习，不断提高量化准确度，量化准确度会不断提高，进一步的提高了边缘计算设备计算资源利用率；

3.采用容器虚拟化技术对任务所使用的资源进行隔离划分，实现软硬件解耦，提高了边缘计算设备应用范围；

4.当多个资源配置可获得相同实时算力时，协同优化各资源配置情况，以均衡各资源利用率为目标出发量化模块增量学习，降低了瓶颈资源导致的边缘计算设备实时算力低下发声的概率。

附图说明

图1为本发明的一种基于工业边缘计算系统的多维异构资源量化方法流程示意图；

图2为本发明的一种基于工业边缘计算系统的多维异构资源量化装置结构示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

参见图1，本发明实施例提供了一种基于工业边缘计算系统的多维异构资源量化方法，该方法包括：

101、获取多维异构资源信息与混合任务流信息，具体为：

工业边缘计算系统搭建；

根据系统中边缘计算设备集合，获取异构资源信息，包括边缘计算设备间的处理器差异和结构差异；

根据系统中各边缘计算设备配置，获取多维资源信息，包括边缘计算设备中的CPU处理能力、内存大小、磁盘空间、IO接口、网络带宽、GPU核数等影响边缘计算设备计算能力的多种资源；

统计系统中混合任务流信息，包括具有多种指标需求的数据流集合，例如时间敏感的控制任务、带宽敏感的视频任务、感知精度敏感的采集任务等，不同任务对计算资源及实时性、可靠性需求各不相同；

根据任务流信息，定义任务属性。对于任意任务i，可以描述为{e_i,d_i,t_i,c_i}。其中e_i为任务i在算力下c_i的执行时间，d_i为任务i的执行截止期，t_i为任务到达最小间隔；

实时混合任务流信息获取通过读取云端任务属性获取。

102、根据多维异构资源，验证多维资源与边缘计算设备实时算力的关系：

具体的，验证边缘计算设备在各任务类型下的主计算资源算力上限；所述主计算资源算力为处理器内核理想状态下的计算能力；

相应的，验证影响边缘计算设备计算能力的多维资源约束；所述多维资源约束为限制主计算资源算力的网络带宽、内存、IO接口等资源；

进一步地，验证可实现多维异构资源统一量化的实时算力计算方法，具体为：

协同考虑边缘计算设备主计算资源算力与多维资源约束，建立考虑环境信息的实时算力与各资源的函数关系，所诉函数关系为，

其中C为节点计算能力，a和b为调节参数，无需调节时可以令a＝1，b＝0；x＝{x₁,x₂,x₃...}为边缘计算设备性能归一化向量，用于计算不同任务类型下设备的绝对计算能力；y＝{y₁,y₂,y₃...}为设备约束归一化向量，通过对节点绝对计算能力进行加权，得到多维异构资源统一量化的边缘计算设备实时算力。参数大小由边缘计算设备历史数据样本通过深度神经网络学习后确定。

103、根据任务流信息，判断不同种类任务执行所需算力，具体为：将任务属性中的CPU算力下执行时间转换为多种异构处理器内核下的执行时间。

根据任务执行历史数据样本，查找给定任务i的执行时间e_i与给定算力c_i间的对应关系，得到任务执行时间与给定算力间的函数关系。所诉函数关系为，

e_i＝c_i(1+β)^ε+δ

其中，β、ε和δ为算力调节参数，具体数值由任务流信息历史数据样本通过深度神经网络学习后确定。

104、判断任务算力需求与异构边缘计算设备实时算力供给契合程度，包括：

根据任务在不同处理器中的执行效率匹配满足执行时间需求的边缘计算设备；

根据统一量化实时算力计算方法，根据任务主计算资源实时算力利用率及瓶颈资源利用率测量异构多维资源利用率，该利用率的倒数即为契合程度。对于任意边缘计算设备j，所诉契合程度可表示为，

1

m_j＝max{u_m,u_b}

其中，

为主计算资源实时算力利用率即工业边缘计算设备在各任务类型下的主计算资源算力上限，

为瓶颈计算资源实时算力利用率即影响工业边缘计算设备计算能力的多维资源约束，其中，

为主计算资源实时算力利用率即工业边缘计算设备在各任务类型下的主计算资源算力上限，

为瓶颈计算资源实时算力利用率即影响工业边缘计算设备计算能力的多维资源约束，C_m为主计算资源当前实时算力，

为主计算资源绝对算力，C_b为瓶颈资源当前使用情况，

为瓶颈资源总量。

105、判断实时算力供给是否满足任务算力需求，如果是，该设备加入任务备选卸载设备序列，最终将任务分配至契合度最高的边缘计算设备中；

判断契合度是否大于等于1，如果是，该设备加入任务备选卸载设备序列，最终将任务分配至契合度最高的边缘计算设备中；如果否，继续寻找满足任务算力需求的边缘计算设备；如果所有边云计算设备契合度均小于1，任务上传云端进行计算。

进一步地，获取多维异构资源信息与混合任务流信息；

具体地，多维异构资源信息通过监听各类任务在边缘计算设备中的资源使用情况和执行时间开销获取；

106、如果否，继续寻找满足任务算力需求的边缘计算设备或上传云端进行计算。

进一步地，获取多维异构资源信息与混合任务流信息；

具体地，多维异构资源信息通过监听各类任务在边缘计算设备中的资源使用情况和执行时间开销获取；

107、根据任务实时执行情况，对多维资源与边缘计算设备实时算力的关系进行增量学习，不断提高量化准确度，包括：

基于历史多维资源配置与对应的任务执行时间历史数据样本建立预测深度学习模型，得到多维异构资源与边缘计算设备实时算力的拟合关系；

进一步地，根据任务实时执行情况，补充历史数据样本，动态调整异构多维资源量化方法函数关系中的变量值；

进一步地，根据任务实时执行情况，补充历史数据样本，动态调整任务执行时间与给定算力间的函数关系；

本发明实施例通过获取多维异构资源信息与混合任务流信息，根据多维异构资源，验证多维资源与边缘计算设备实时算力的关系，并根据任务流信息，判断不同种类任务执行所需算力。由于本发明实施例将异构多维资源进行统一量化，并根据任务种类进行按需分配，大大提高了边缘计算系统中资源的使用效率；进一步地，通过计算任务算力需求与异构边缘计算设备实时算力供给契合程度，判断实时算力供给是否满足任务算力需求。如果是，该设备加入任务备选卸载设备序列，最终将任务分配至契合度最高的边缘计算设备中；如果否，继续寻找满足任务算力需求的边缘计算设备或上传云端进行计算。由于任务可根据资源需求在本地边缘计算设备中动态选择卸载设备，大大降低了系统与云端的通信概率，大大降低了网络带宽需求，提高了系统实时性响应速度。更进一步地，根据任务实时执行情况，对多维资源与边缘计算设备实时算力的关系进行增量学习，不断提高量化准确度。由于可以动态调节多维异构资源量化方法中的变量参数，提高了资源分配的准确性和任务执行的可靠性。

参见图2，本发明实施例提供了一种基于工业边缘计算系统的多维异构资源量化装置，该装置包括：采集模块201，资源量化及需求量化模块202、调度模块203、划分模块204，配置模块205、执行模块206、验证模块207和协同模块208。

采集模块201，用于获取多维异构资源信息与混合任务流信息；

资源量化及需求量化模块202，用于动态计算边缘设备中多维资源可提供的实时算力，并根据边缘计算设备使用情况进行实时增量学习；

具体地，资源量化及需求量化模块202包括轻量化模型单元和增量学习单元；

轻量化模型单元，用于运行云端学习完成的统一量化模型；

增量学习单元，用于实时数据的增量学习，并根据学习结果动态调节轻量化模型中的统一量化参数。

调度模块203，用于判断实时算力供给是否满足当前节点任务执行所需算力，如果是，则将该工业边缘计算设备加入任务备选卸载设备序列，最终将任务分配所有任务节点中至契合度最高的边缘计算设备中；如果否，继续寻找满足任务算力需求的工业边缘计算设备，当全部工业边缘计算设备均不满足任务算力需求时，将所有不满足算力需求的任务上传云端。

划分模块204，用于根据量化结果对边缘计算设备上多维资源进行划分，当实时算力满足任务资源需求时，采用容器虚拟化技术对任务所使用的资源进行隔离划分。

进一步地，划分模块204包括资源控制单元和访问隔离单元；

资源控制单元，主要用于限制、控制与分离一个进程组所使用的多维资源；

访问隔离单元，在资源控制单元基础上，针对一类资源进行抽象，并将其封装在一起提供给一个容器使用。通过对多维资源分别进行抽象后，划分模块204可实现任务的按需资源分配。

配置模块205，用于在划分模块204的基础上，为任务配置多维资源；

进一步地，配置模块205还包括检测单元，用于当配置模块205配置好多维资源后，检测该容器中多维资源是否具备所需的实时算力。如果否，再次触发资源量化及需求量化模块202，重新分配满足实时算力的多维资源。

执行模块206，用于执行任务，并返回任务实际执行情况；

验证模块207，用于验证多维资源量化结果正确性；

进一步地，当任务实际执行情况满足任务属性中的截止期需求时，量化结果正确；如果不满足，触发划分模块204，增加多维资源；同时触发量化模块202，进行增量学习。

协同模块208，用于当所述验证模块确认量化结果正确后，进一步优化多维资源量化方法。

具体地，当多个资源配置可获得相同实时算力时，协同优化各资源配置情况，以均衡各资源利用率为目标出发量化模块增量学习。

本发明实施例通过获取多维异构资源信息与混合任务流信息，根据多维异构资源，验证多维资源与边缘计算设备实时算力的关系，并根据任务流信息，判断不同种类任务执行所需算力。由于本发明实施例将异构多维资源进行统一量化，并根据任务种类进行按需分配，大大提高了边缘计算系统中资源的使用效率；进一步地，通过计算任务算力需求与异构边缘计算设备实时算力供给契合程度，判断实时算力供给是否满足任务算力需求。如果是，该设备加入任务备选卸载设备序列，最终将任务分配至契合度最高的边缘计算设备中；如果否，继续寻找满足任务算力需求的边缘计算设备或上传云端进行计算。由于任务可根据资源需求在本地边缘计算设备中动态选择卸载设备，大大降低了系统与云端的通信概率，大大降低了网络带宽需求，提高了系统实时性响应速度。更进一步地，根据任务实时执行情况，对多维资源与边缘计算设备实时算力的关系进行增量学习，不断提高量化准确度。由于可以动态调节多维异构资源量化方法中的变量参数，提高了资源分配的准确性和任务执行的可靠性。

以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (9)

1.基于工业边缘计算系统的多维异构资源量化方法，其特征在于，包括以下步骤：

获取多维异构资源信息与混合任务流信息；

根据多维异构资源信息，验证多维异构资源与工业边缘计算设备实时算力的关系；

根据混合任务流信息，计算不同种类任务执行所需算力；

判断实时算力供给是否满足当前任务执行所需算力，如果是，则将该工业边缘计算设备加入任务备选卸载设备序列，最终将任务分配到所有任务节点中契合度最高的边缘计算设备中；如果否，继续寻找满足当前任务算力需求的工业边缘计算设备，当全部工业边缘计算设备均不满足当前任务算力需求时，将所有不满足算力需求的任务上传云端。

2.根据权利要求1所述的基于工业边缘计算系统的多维异构资源量化方法，其特征在于，在将任务分配至契合度最高的边缘计算设备后，根据任务实时执行情况，对多维资源与工业边缘计算设备实时算力的关系进行增量学习。

3.根据权利要求1所述的基于工业边缘计算系统的多维异构资源量化方法，其特征在于，所述获取多维异构资源信息与混合任务流信息具体为：

通过监听各类任务在边缘计算设备中的资源使用情况和执行时间开销获取多维异构资源信息；

通过读取云端任务属性获取混合任务流信息。

4.根据权利要求1所述的基于工业边缘计算系统的多维异构资源量化方法，其特征在于，所述根据多维异构资源信息，验证多维异构资源与工业边缘计算设备实时算力的关系，具体为：

验证工业边缘计算设备在各任务类型下的主计算资源算力上限；

验证影响工业边缘计算设备计算能力的多维资源约束；

协同考虑工业边缘计算设备主计算资源算力与多维资源约束，建立考虑环境信息的实时算力与各资源的函数关系：

其中C为节点算力，a和b为调节参数，无需调节时可以令a＝1，b＝0；x＝{x₁,x₂,x₃...}为工业边缘计算设备性能归一化向量，用于计算不同任务类型下工业边缘计算设备的绝对算力；y＝{y₁,y₂,y₃...}为工业边缘计算设备约束归一化向量，通过对节点绝对算力进行加权，得到多维异构资源统一量化的边缘计算设备实时算力。

5.根据权利要求1所述的基于工业边缘计算系统的多维异构资源量化方法，其特征在于，所述根据任务流信息，计算不同种类任务执行所需算力，具体为：

根据任务执行历史数据样本即不同算力下的任务执行时间，查找给定任务i的执行时间e_i与给定算力c_i间的对应关系，得到任务执行时间与给定算力间的函数关系：

e_i＝c_i(1+β)^ε+δ

其中，β、ε和δ为算力调节参数。

6.根据权利要求1所述的基于工业边缘计算系统的多维异构资源量化方法，其特征在于，所述契合度m_j的计算方法为：

其中，

为主计算资源实时算力利用率即工业边缘计算设备在各任务类型下的主计算资源算力上限，

为瓶颈计算资源实时算力利用率即影响工业边缘计算设备计算能力的多维资源约束，C_m为主计算资源当前实时算力，

为主计算资源绝对算力，C_b为瓶颈资源当前使用情况，

为瓶颈资源总量。

7.根据权利要求2所述的基于工业边缘计算系统的多维异构资源量化方法，其特征在于，所述对多维资源与工业边缘计算设备实时算力的关系进行增量学习，包括：

将历史多维资源配置作为输入，与之对应的任务执行时间历史数据样本作为输出，建立预测深度学习模型，得到多维异构资源与边缘计算设备实时算力的拟合关系；

根据任务实时执行情况，补充历史数据样本即任务在不同算力下的执行时间，动态调整异构多维资源量化方法函数关系中的变量值；

根据任务实时执行情况，补充历史数据样本即任务在不同算力下的执行时间，动态调整任务执行时间与给定算力间的关系。

8.基于工业边缘计算系统的多维异构资源量化装置，其特征在于，包括：

采集模块，用于获取多维异构资源信息与混合任务流信息；

资源量化及需求量化模块，用于根据多维异构资源信息，验证多维异构资源与工业边缘计算设备实时算力的关系，以及根据混合任务流信息，计算不同种类任务执行所需算力；

调度模块，用于判断实时算力供给是否满足当前任务执行所需算力，如果是，则将该工业边缘计算设备加入任务备选卸载设备序列，最终将任务分配所有任务节点中至契合度最高的边缘计算设备中；如果否，继续寻找满足当前任务算力需求的工业边缘计算设备，当全部工业边缘计算设备均不满足当前任务算力需求时，将所有不满足算力需求的任务上传云端；

划分模块，用于根据量化结果对边缘计算设备上的多维资源进行划分，当实时算力满足任务资源需求时，采用容器虚拟化技术对任务所使用的资源进行隔离划分；

配置模块，用于为任务配置多维资源；

执行模块，用于执行任务，并返回任务实际执行情况；

验证模块，用于验证多维资源量化结果正确性。

9.根据权利要求8所述的基于工业边缘计算系统的多维异构资源量化装置，其特征在于，还包括：

协同模块，用于根据任务实时执行情况，对多维资源与工业边缘计算设备实时算力的关系进行增量学习，进一步优化多维资源量化方法。

Images