CN114745725A - 一种基于边缘计算工业物联网的资源分配管理系统 - Google Patents

Abstract

本发明提出了一种基于边缘计算工业物联网的资源分配管理系统，该系统分成三层：设备层、边缘计算层和云计算处理中心，设备层包括工业物联网信息提取模块和信息反馈模块；工业物联网信息提取模块负责读取实时数据、产生任务；所述信息反馈模块将结果传回设备端；边缘计算层包括状态转移模块和资源分配管理模块；状态转移模块明确任务卸载策略；资源分配管理模块将功能相近的节点聚类，实现合理的资源分配；云计算处理中心协同边缘节点完成实时服务。本发明采用了FCM聚类算法对边缘节点进行聚类，实现工业物联网实时数据轻量化，利用马尔科夫奖励模型实现工业物联网内有限资源合理分配，云边协同策略保证了任务执行的流畅性。

Description

一种基于边缘计算工业物联网的资源分配管理系统

技术领域

本发明创造涉及物联网与边缘计算领域，具体涉及一种基于边缘计算工业物联网的资源分配管理系统。

背景技术

随着海量智能移动设备的普及与第五代移动通信技术的引入，各种服务与应用出现在人们生活中，为用户生活带来了便利。工业物联网成为解决智能工厂中许多问题的关键技术,具体问题包括设备监控与实时维护、设备参数统计与分析，车间实时监控等。在工厂中，物联网设备会产生大量的工业数据，一些企业对数据的实时处理有一定的要求。工业场景生成的工业数据需要进行存储、处理和分析。传统的工业数据处理方法是将数据转移到集中的云服务器上进行计算。虽然云服务器具有较强的计算能力，能够处理计算量较大的任务，解决大数据的处理难题；然而,现有的工业物联网环境设备所产生的实时任务是海量的，如果统一向云计算处理中心发送任务，网络数据会发生拥塞的现象,并且从工业物联网向云数据处理中心发送任务存在长距离传输问题，其通信时延和质量均不能得到保障。

边缘计算的出现一定程度上缓解了云数据中心计算的压力。边缘计算是指允许在网络的边缘执行计算的技术，其中“边缘”指在数据源和云数据中心传输路径之间上的任何计算和网络资源，边缘计算的出现将传统的数据集中式处理下沉到各分布节点进行去中心化、分布式卸载计算，将庞大的数据任务按照卸载决策、资源分配方案进行细致处理。然而随着工业生产设备数量的增加，移动边缘计算智能设备的普及，通信端的移动性不可预知，增强了资源分配的难度，也为移动终端管理、资源分配指标带来了挑战。边缘计算是云计算的下沉式计算方式，其分布式的扩展资源拉近了与设备端的距离，为用户带来低时延、低能耗、低碳环保的通信服务，在工业物联网中搭建合理的资源分配系统就显得尤为重要。因此本发明提出了一种基于边缘计算工业物联网的资源分配管理系统。

发明内容

针对上述问题，本发明旨在提供一种基于边缘计算工业物联网的资源分配管理系统。

本发明创造的目的通过以下技术方案实现：

基于边缘计算工业物联网的资源分配管理系统，包括设备层、边缘计算层和云计算处理中心，设备层是底层框架，实现任务产生、任务发出、结果接收等功能，包括工业物联网信息提取模块和信息反馈模块，所述工业物联网信息提取模块负责读取实时数据、产生任务、向边缘节点发出任务，所述信息反馈模块将结果反馈回设备端，边缘计算层是分布式边缘节点算力集合，实现任务卸载和资源分配等功能，包括状态转移模块和资源分配管理模块；其中，所述状态转移模块研究各任务将要卸载到边缘节点的概率，明确任务卸载策略；所述资源分配管理模块，将功能相近的节点聚类，对每一类节点和任务进行特征分析，在工业场景内有限的计算资源限制条件下，实现合理的资源分配，云计算处理中心提供强大的算力和存储空间，当边缘节点有等待排队、拥塞的趋势时，云计算处理中心会协同工业物联网场景下的节点完成实时服务。

进一步的，工业物联网信息提取模块负责读取实时数据、产生任务、向边缘节点发出任务，假设t时刻产生了m_t个任务，记作集合X^(t)，其中

(m_t≥0)，其中，x₁表示工业物联网环境内产生的第1个任务，x₂表示工业物联网环境内产生的第2个任务，

表示工业物联网环境内产生的第 m_t个任务。

进一步的，假设在边缘计算层存在n个计算设备，记作集合S,其中 S＝(s₁,s₂,…,s_n),(n>0)，其中，s₁表示工业物联网中的第1个边缘节点，s₂表示工业物联网中的第2个边缘节点，s_n表示工业物联网中的第n个边缘节点，采用FCM聚类算法对工业物联网边缘节点进行聚类，具体步骤如下：

(1)根据实时业务的数量确定聚类中心边缘节点个数；

(2)利用隶属度衡量每一个边缘节点与聚类中心边缘节点的相似程度；

(3)建立FCM目标函数及约束条件。

进一步的，采用拉格朗日乘子法确定FCM聚类算法对工业物联网内的边缘节点选择初始聚类中心，具体步骤如下：

(1)假设s个边缘节点聚类后有c个类中心为C，隶属度记作u_i,j，表示每个边缘节点j属于某一类i的隶属度，定义FCM函数J及其约束函数，表示如下：

上式需满足：

其中，s_j是第j个边缘节点，c_i是第i个类，d是一个隶属度的因子，表示工业物联网中某一个边缘节点的重要程度；

(2)采用拉格朗日乘子法计算含有等式约束条件的目标函数；

(3)计算目标函数的极值，对变量u_i,j求偏导；

(4)同等的，计算目标函数的极值，对变量c_i求偏导。

进一步的，由FCM聚类算法将工业物联网场景内的节点聚类成c组，每一组的边缘节点具有相近的状态，任务在组内各节点完成工作的效果相似。

进一步的，状态转移模块研究各任务将要卸载到边缘节点的概率，明确任务卸载策略，包括如下步骤：

(1)所述边缘计算层，工业物联网场景内的n个节点被聚类成c组，每一组的边缘节点具有相近的状态，工业物联网场景内边缘节点对于工作状态特征的集合记作C，其中C＝(c₁,c₂,…,c_n),(n≥c>0)；

(2)对于t时刻需要处理的任务X^(t)，以探索最优的目标卸载节点，假设对于任务x_m∈X^(t),m∈(0,m_t],具有马尔科夫性质的状态满足：P(c_t+1|c_t)＝ P(c_t+1|c₁,c₂,…,c_t)，其中，c₁表示第1时刻边缘节点聚类的状态，c₂表示第2时刻边缘节点聚类的状态，c_t表示t时刻边缘节点聚类的状态，c_t+1表示t+1时刻边缘节点聚类的状态，P(c_t+1|c_t)表示从t时刻到t+1时刻任务被送往边缘节点状态转移概率；

(3)用元组(C,P)表示马尔科夫无记忆的随机过程，其中，C是工业物联网场景内边缘节点对于工作状态特征的集合，是有限数量的状态集，P是状态转移概率矩阵，表示为：

其中c^*表示t+1时刻边缘节点集合C_t+1的状态，

表示t时刻边缘节点为状态c时，在t+1时刻转换为状态c^*的概率。C_t+1表示工业物联网场景内t+1时刻边缘节点对于工作状态特征的集合，C_t表示工业物联网场景内t时刻边缘节点对于工作状态特征的集合；

(4)所述状态转移模块，假设每个任务可以卸载到任意聚类后的节点集内，其发生转移的概率记作p_i,j，表示第i个任务卸载到第j类节点的概率，在t时刻下构建状态转移矩阵：

其中，p₁₁表示第1个任务卸载到第 1类节点的概率，p_1c表示第1个任务卸载到第c类节点的概率，

表示第m_t个任务卸载到第1类节点的概率，

表示第m_t个任务卸载到第c类节点的概率，并满足等式约束约束：

k∈[1,m_t]；

(5)所述状态转移模块，搭建马尔科夫奖励模型(Markov Reward Process, MRP)，引入了奖励R和折现因子γ，所述元组(C,P)更新为：(C,P,R,γ)；

(6)c状态下的奖励是t时刻到t+1时刻能获得的奖励期望，用R_c表示，定义： R_c＝E[R_t+1|C_t＝c]，其中，E表示期望，R_t+1表示在t+1时刻产生的奖励；

(7)搭建利益目标函数G_t：

其中，R_t+1表示在t+1时刻产生的奖励，R_t+2表示在t+2时刻产生的奖励，R_t+3表示在t+3时刻产生的奖励， R_t+k+1表示在t+k+1时刻产生的奖励。

进一步的，将功能相近的节点聚类，对每一类节点和任务进行特征分析，采用Q-learning算法实现合理的资源分配，具体步骤如下：

(1)采用时序差分算法，进一步提升所述利益目标函数G_t的总价值，计算状态c_t的1～g+1步利益价值v^(g+1)(c_t)，定义为：v^(g+1)(c_t)＝v^(g)(c_t)+ α[G_g-v^(g)(c_t)]＝(1-α)v^(g)(c_t)+αG_g，其中，g是迭代次数，v^(g+1)(c_t)表示状态c_t迭代g+1次的利益，v^(g)(c_t)表示状态c_t迭代g次的利益，G_g表示迭代第g次的利益目标函数，G_i表示迭代第i次的利益目标函数，α表示学习速率；

(2)采用α-蒙特卡洛算法，R_t+1+γv(c_t+1)来代替G_g，上述定义式更新为： v(c_t)←v(c_t)+α[R_t+1+γv(c_t+1)-v(c_t)]，其中，令δ(t)＝R_t+1+γv(c_t+1)- v(c_t)为时序差分算法的误差，以表示机器学习中随机变量的动态性；

(3)利用Q-learning算法对上述步骤更新，引入动作价值函数Q，更新表达式为增量学习的形式：

其中，a表示动作变量，a_t表示t时刻时的动作，动作用来描述任务将被卸载到目标节点的走向，Q(c_t,a_t)表示t时刻动作为a_t，状态为c_t时的动作价值， Q(c_t+1,a)表示在动作未知时，状态为t+1时刻的动作价值，R(c,a,c′)表示状态c 经行为a后转移为状态c′产生的奖励，A表示任务行为的集合，a′表示动作价值函数Q(c_t+1,a)有最大值时的任务行为动作，p(c′|c,a)表示任务在行为a状态c下向c′状态转移的概率，Q^*(c,a)表示在最优策略下的动作价值函数；采用了 Bellman方程对上式进行求解：

其中，v(c_t)是在 t时刻下聚类节点c组的利益价值，

表示c_t状态下的奖励是t时刻到t+1时刻能获得的奖励期望，上式改写为Bellman矩阵形式：v＝R+γPv，对矩阵求逆得出利益价值v，且v为：v＝(1-γP)^-1R。

进一步的，信息反馈模块将目标节点处理好的任务反馈给设备端，完成任务。

进一步的，为了解决边缘节点算力的局限性，采用了云边协同策略，云计算处理中心将与边缘节点协同处理庞大复杂的任务，最后将处理好的任务反馈到设备端，以完成服务需求

本发明的有益效果：将计算资源边缘化，引入边缘计算拉近与任务源之间的距离，建立了更高效、更节能、更环保的工业物联网通信环境，为了减轻工业物联网产生的实时数据给系统造成的压力，利用FCM聚类模型将具有相似功能、相近状态的节点聚类到一组，组内的任意节点均能满足需求并完成任务，同时协同了云数据处理中心，为工业物联网的复杂任务执行带来了更多潜力。

附图说明

利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。

图1是本发明结构示意图。

具体实施方式

结合以下实例对本发明作进一步描述。

参见图1，本发明旨在提供一种基于边缘计算工业物联网的资源分配管理系统，包括设备层、边缘计算层和云计算处理中心；

基于边缘计算工业物联网的资源分配管理系统，包括设备层、边缘计算层和云计算处理中心，设备层是底层框架，实现任务产生、任务发出、结果接收等功能，包括工业物联网信息提取模块和信息反馈模块，所述工业物联网信息提取模块负责读取实时数据、产生任务、向边缘节点发出任务，所述信息反馈模块将结果反馈回设备端，边缘计算层是分布式边缘节点算力集合，实现任务卸载和资源分配等功能，包括状态转移模块和资源分配管理模块；其中，所述状态转移模块研究各任务将要卸载到边缘节点的概率，明确任务卸载策略；所述资源分配管理模块，将功能相近的节点聚类，对每一类节点和任务进行特征分析，在工业场景内有限的计算资源限制条件下，实现合理的资源分配，云计算处理中心提供强大的算力和存储空间，当边缘节点有等待排队、拥塞的趋势时，云计算处理中心会协同工业物联网场景下的节点完成实时服务。

具体的，工业物联网信息提取模块负责读取实时数据、产生任务、向边缘节点发出任务，假设t时刻产生了m_t个任务，记作集合X^(t)，其中

(m_t≥0)，其中，x₁表示工业物联网环境内产生的第1个任务，x₂表示工业物联网环境内产生的第2个任务，

表示工业物联网环境内产生的第 m_t个任务。

具体的，假设在边缘计算层存在n个计算设备，记作集合S,其中S＝ (s₁,s₂,…,s_n),(n>0)，其中，s₁表示工业物联网中的第1个边缘节点，s₂表示工业物联网中的第2个边缘节点，s_n表示工业物联网中的第n个边缘节点，采用FCM 聚类算法对工业物联网边缘节点进行聚类，具体步骤如下：

(1)根据实时业务的数量确定聚类中心边缘节点个数，如果工业物联网场景内实时业务的数量多，且任务种类差异大，需要的聚类中心边缘节点个数就会增加；如果工业物联网场景内实时业务的数量少，且任务种类相近，就不需要更多聚类中心边缘节点，以降低聚类计算的复杂度；

(2)利用隶属度衡量每一个边缘节点与聚类中心边缘节点的相似程度，表示一个边缘节点相似于不同聚类中心边缘节点的一个程度指标，隶属度介于0到1 之间，隶属度越接近0，就说明该边缘节点与该聚类中心边缘节点差异越大，隶属度越接近1，就说明该边缘节点与该聚类中心边缘节点能实现近似功能；

(3)建立FCM目标函数及约束条件，期望将工业物联网场景内的边缘节点进行聚类，得到理想的资源分配方案。

优选的，采用拉格朗日乘子法确定FCM聚类算法对工业物联网内的边缘节点选择初始聚类中心，具体步骤如下：

(1)假设s个边缘节点聚类后有c个类中心为C，隶属度记作u_i,j，表示每个边缘节点j属于某一类i的隶属度，定义FCM函数J及其约束函数，表示如下：

上式需满足：

其中，s_j是第j个边缘节点，c_i是第i个类，d是一个隶属度的因子，表示工业物联网中某一个边缘节点的重要程度；

(2)采用拉格朗日乘子法计算含有等式约束条件的目标函数，步骤(1)中函数利用拉格朗日乘子法展开：

其中λ₁是第一个拉格朗日乘子，λ_j是第j个拉格朗日乘子，λ_n是第n个拉格朗日乘子，u_i,1是第1个边缘对第i组聚类的隶属度，u_i,j是第j个边缘对第i组聚类的隶属度，u_i,n是第n个边缘对第i组聚类的隶属度；

(3)计算目标函数的极值，对变量u_i,j求偏导：

具体的，首先对上述拉格朗日乘子法展开的函数第一部分

求和展开，得到如下矩阵：

其中u₁₁表示第1个边缘对第1组聚类的隶属度，u_1j表示第j个边缘对第1组聚类的隶属度，u_1n表示第n个边缘对第1组聚类的隶属度，u_c1表示第1个边缘对第c组聚类的隶属度，u_cj表示第j个边缘对第c组聚类的隶属度，uc_n表示第n个边缘对第c组聚类的隶属度，该矩阵对u_i,j求偏导：

令

求极值，得到：

进一步的

为了消去λ_j对u_ij的影响将等式约束变形，有

进一步的，用k代替i，

带入上式替换

得到：

(4)同等的，计算目标函数的极值，对变量c_i求偏导：

为了求出目标函数的极值，令

有

得到，

优选的，采用FCM聚类算法将工业物联网场景内的节点聚类成c组，每一组的边缘节点具有相近的状态，任务在组内各节点完成工作的效果相似。

具体的，状态转移模块研究各任务将要卸载到边缘节点的概率，明确任务卸载策略，包括如下步骤：

(1)所述边缘计算层，工业物联网场景内的n个节点被聚类成c组，每一组的边缘节点具有相近的状态，工业物联网场景内边缘节点对于工作状态特征的集合记作C，其中C＝(c₁,c₂,…,c_n),(n≥c>0)；

(2)对于t时刻需要处理的任务X^(t)，以探索最优的目标卸载节点，假设对于任务x_m∈X^(t),m∈(0,m_t],具有马尔科夫性质的状态满足：P(c_t+1|c_t)＝P(c_t+1|c₁,c₂,…,c_t)，其中，c₁表示第1时刻边缘节点聚类的状态，c₂表示第2时刻边缘节点聚类的状态，c_t表示t时刻边缘节点聚类的状态，c_t+1表示t+1时刻边缘节点聚类的状态，P(c_t+1|c_t)表示从t时刻到t+1时刻任务被送往边缘节点状态转移概率；

(3)用元组(C,P)表示马尔科夫无记忆的随机过程，其中，C是工业物联网场景内边缘节点对于工作状态特征的集合，是有限数量的状态集，P是状态转移概率矩阵，表示为：

其中c^*表示t+1时刻边缘节点集合C_t+1的状态，

表示t时刻边缘节点为状态c时，在t+1时刻转换为状态c^*的概率。C_t+1表示工业物联网场景内t+1时刻边缘节点对于工作状态特征的集合，C_t表示工业物联网场景内t时刻边缘节点对于工作状态特征的集合；

(4)所述状态转移模块，假设每个任务可以卸载到任意聚类后的节点集内，其发生转移的概率记作p_i,j，表示第i个任务卸载到第j类节点的概率，在t时刻下构建状态转移矩阵：

其中，p₁₁表示第1个任务卸载到第 1类节点的概率，p_1c表示第1个任务卸载到第c类节点的概率，

表示第m_t个任务卸载到第1类节点的概率，

表示第m_t个任务卸载到第c类节点的概率，并满足等式约束约束：

k∈[1,m_t]；

(5)所述状态转移模块，搭建马尔科夫奖励模型(Markov Reward Process, MRP)，引入了奖励R和折现因子γ，所述元组(C,P)更新为：(C,P,R,γ)；

(6)c状态下的奖励是t时刻到t+1时刻能获得的奖励期望，用R_c表示，定义： R_c＝E[R_t+1|C_t＝c]，其中，E表示期望，R_t+1表示在t+1时刻产生的奖励；

(7)搭建利益目标函数G_t：

其中，R_t+1表示在t+1时刻产生的奖励，R_t+2表示在t+2时刻产生的奖励，R_t+3表示在t+3时刻产生的奖励， R_t+k+1表示在t+k+1时刻产生的奖励。

具体的，将功能相近的节点经FCM算法聚类后，计算复杂度由O(S³)下降到到O(C³)，(0<C≤S)，显然，聚类组数越少，说明场景内相似功能的节点就越多，计算复杂度降低，然而整个工业物联网场景内能完成任务种类的多样性变得匮乏，需要合理的设置聚类组数以权衡算法的复杂度和完成任务的多样性。

具体的对每一类节点和任务进行特征分析，采用Q-learning算法实现合理的资源分配，具体步骤如下：

(1)采用时序差分算法，时序差分算法是一种无模型的强化学习算法，它继承了动态规划和蒙特卡罗方法的优点，从而对状态值和策略进行预测，从本质上来说，时序差分算法是一种Bootstrapping的算法，进一步提升所述利益目标函数G_t的总价值，计算状态c_t的1～g+1步利益价值v^(g+1)(c_t)，定义为： v^(g+1)(c_t)＝v^(g)(c_t)+α[G_g-v^(g)(c_t)]＝(1-α)v^(g)(c_t)+αG_g，具体推导过程如下：

其中，g是迭代次数，v^(g+1)(c_t)表示状态c_t迭代g+1次的利益， v^(g)(c_t)表示状态c_t迭代g次的利益，G_g表示迭代第g次的利益目标函数，C_i表示迭代第i次的利益目标函数，α表示学习速率；

(2)采用α-蒙特卡洛算法，R_t+1+γv(c_t+1)来代替G_g，上述定义式更新为： v(c_t)←v(c_t)+α[R_t+1+γv(c_t+1)-v(c_t)]，其中，令δ(t)＝R_t+1+γv(c_t+1)- v(c_t)为时序差分算法的误差，以表示机器学习中随机变量的动态性；

(3)利用Q-learning算法对上述步骤更新，引入动作价值函数Q，更新表达式为增量学习的形式：

其中，a表示动作变量，a_t表示t时刻时的动作，动作用来描述任务将被卸载到目标节点的走向，Q(c_t,a_t)表示t时刻动作为a_t，状态为c_t时的动作价值， Q(c_t+1,a)表示在动作未知时，状态为t+1时刻的动作价值，R(c,a,c′)表示状态c 经行为a后转移为状态c′产生的奖励，A表示任务行为的集合，a′表示动作价值函数Q(c_t+1,a)有最大值时的任务行为动作，p(c′|c,a)表示任务在行为a状态c下向c′状态转移的概率，Q^*(c,a)表示在最优策略下的动作价值函数；采用了 Bellman方程对上式进行求解：

其中，v(c_t)是在 t时刻下聚类节点c组的利益价值，

表示c_t状态下的奖励是t时刻到t+1时刻能获得的奖励期望，上式改写为Bellman矩阵形式：v＝R+γPv，展开为：

其中，v(1)表示任务发送到第一类边缘节点这一状态的利益价值，v(c)表示任务发送到第c类边缘节点这一状态的利益价值，R₁表示任务发送到第一类边缘节点这一状态的奖励期望，R_c表示任务发送到第c类边缘节点这一状态的奖励期望，对矩阵求逆得出利益价值v，且v为：v＝(1-γP)^-1R。

具体的，信息反馈模块将目标节点处理好的任务反馈给设备端，完成任务。

具体的，云计算数据处理中心，对于复杂庞大的任务，由于边缘节点数量有限、并且计算资源和存储容量都存在一定的局限性，而导致不能及时处理工业物联网产生的实时任务，造成流水线拥塞。为了解决这一问题，采用了云边协同策略，云计算处理中心将与边缘节点协同处理庞大复杂的任务，最后将处理好的任务反馈到设备端，以完成服务需求。

具体的，本例提出了一种基于边缘计算工业物联网的资源分配管理系统，计算工业物联网资源分配管理问题，将其看作马尔科夫奖励模型，以此为依据搭建状态转移概率模块，以研究各任务将要卸载到边缘节点的概率。为了寻找最优的资源分配管理方法，对每一个节点和任务进行特征行为分析，首先采用FCM聚类算法将工业物联网场景内的节点进行聚类，将完成相似功能的节点聚为一类，以降低算法的复杂度，轻量化地执行资源分配任务，采用了Q-learning机器学习算法构建奖励最大化的目标函数，构建Bellman方程，利用时序差分法对所述问题进行求解，能得到该任务目标卸载节点，以实现合理的资源分配，在目标节点处执行任务。最后，通过信息反馈模块将任务反馈回设备端接收结果。边缘计算虽然能在计算拥塞时降低云计算的计算负载，而由于边缘计算存在计算资源有限的问题，协同了云计算处理中心解决边缘节点完成困难的任务，以进一步保证工业物联网计算环境下任务执行的流畅性、提升通信质量。

本发明的有益效果：将计算资源边缘化，引入边缘计算拉近与任务源之间的距离，建立了更高效、更节能、更环保的工业物联网通信环境，为了减轻工业物联网产生的实时数据给系统造成的压力，利用FCM聚类模型将具有相似功能、相近状态的节点聚类到一组，组内的任意节点均能满足需求并完成任务，同时协同了云数据处理中心，为工业物联网的复杂任务执行带来了更多潜力。

最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。

Claims (9)

1.一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，包括设备层、边缘计算层和云计算处理中心，设备层是底层框架，实现任务产生、任务发出、结果接收等功能，包括工业物联网信息提取模块和信息反馈模块，所述工业物联网信息提取模块负责读取实时数据、产生任务、向边缘节点发出任务，所述信息反馈模块将结果反馈回设备端，边缘计算层是分布式边缘节点算力集合，实现任务卸载和资源分配等功能，包括状态转移模块和资源分配管理模块；其中，所述状态转移模块研究各任务将要卸载到边缘节点的概率，明确任务卸载策略；所述资源分配管理模块，将功能相近的节点聚类，对每一类节点和任务进行特征分析，在工业场景内有限的计算资源限制条件下，实现合理的资源分配，云云计算处理中心提供强大的算力和存储空间，当边缘节点有等待排队、拥塞的趋势时，计算处理中心会协同工业物联网场景下的节点完成实时服务。

2.根据权利要求1所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，工业物联网信息提取模块负责读取实时数据、产生任务、向边缘节点发出任务，假设t时刻产生了m_t个任务，记作集合X^(t)，其中

其中，x₁表示工业物联网环境内产生的第1个任务，x₂表示工业物联网环境内产生的第2个任务，

表示工业物联网环境内产生的第m_t个任务。

3.根据权利要求1所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，假设在边缘计算层存在n个计算设备，记作集合S,其中S＝(s₁,s₂,…,s_n),(n>0)，其中，s₁表示工业物联网中的第1个边缘节点，s₂表示工业物联网中的第2个边缘节点，s_n表示工业物联网中的第n个边缘节点，采用FCM聚类算法对工业物联网边缘节点进行聚类，具体步骤如下：

(1)根据实时业务的数量确定聚类中心边缘节点个数；

(2)利用隶属度衡量每一个边缘节点与聚类中心边缘节点的相似程度；

(3)建立FCM目标函数及约束条件。

4.根据权利要求3所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，采用拉格朗日乘子法确定FCM聚类算法对工业物联网内的边缘节点选择初始聚类中心，具体步骤如下：

(1)假设s个边缘节点聚类后有c个类中心为C，隶属度记作u_i,j，表示每个边缘节点j属于某一类i的隶属度，定义FCM函数J及其约束函数，表示如下：

上式需满足：

其中，s_j是第j个边缘节点，c_i是第i个类，d是一个隶属度的因子，表示工业物联网中某一个边缘节点的重要程度；

(2)采用拉格朗日乘子法计算含有等式约束条件的目标函数；

(3)计算目标函数的极值，对变量u_i,j求偏导；

(4)同等的，计算目标函数的极值，对变量c_i求偏导。

5.根据权利要求4所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，由FCM聚类算法将工业物联网场景内的节点聚类成c组，每一组的边缘节点具有相近的状态，任务在组内各节点完成工作的效果相似。

6.根据权利要求1所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，状态转移模块研究各任务将要卸载到边缘节点的概率，明确任务卸载策略，包括如下步骤：

(1)所述边缘计算层，工业物联网场景内的n个节点被聚类成c组，每一组的边缘节点具有相近的状态，工业物联网场景内边缘节点对于工作状态特征的集合记作C，其中C＝(c₁,c₂,…,c_n),(n≥c>0)；

(2)对于t时刻需要处理的任务X^(t)，以探索最优的目标卸载节点，假设对于任务x_m∈X^(t),m∈(0,m_t],具有马尔科夫性质的状态满足：P(c_t+1|c_t)＝P(c_t+1|c₁,c₂,…,c_t)，其中，c₁表示第1时刻边缘节点聚类的状态，c₂表示第2时刻边缘节点聚类的状态，c_t表示t时刻边缘节点聚类的状态，c_t+1表示t+1时刻边缘节点聚类的状态，P(c_t+1|c_t)表示从t时刻到t+1时刻任务被送往边缘节点状态转移概率；

(3)用元组(C,P)表示马尔科夫无记忆的随机过程，其中，C是工业物联网场景内边缘节点对于工作状态特征的集合，是有限数量的状态集，P是状态转移概率矩阵，表示为：

其中c^*表示t+1时刻边缘节点集合C_t+1的状态，

表示t时刻边缘节点为状态c时，在t+1时刻转换为状态c^*的概率。C_t+1表示工业物联网场景内t+1时刻边缘节点对于工作状态特征的集合，C_t表示工业物联网场景内t时刻边缘节点对于工作状态特征的集合；

(4)所述状态转移模块，假设每个任务可以卸载到任意聚类后的节点集内，其发生转移的概率记作p_i,j，表示第i个任务卸载到第j类节点的概率，在t时刻下构建状态转移矩阵：

其中，p₁₁表示第1个任务卸载到第1类节点的概率，p_1c表示第1个任务卸载到第c类节点的概率，

表示第m_t个任务卸载到第1类节点的概率，

表示第m_t个任务卸载到第c类节点的概率，并满足等式约束约束：

(5)所述状态转移模块，搭建马尔科夫奖励模型(Markov Reward Process,MRP)，引入了奖励R和折现因子γ，所述元组(C,P)更新为：(C,P,R,γ)；

(6)c状态下的奖励是t时刻到t+1时刻能获得的奖励期望，用R_c表示，定义：R_c＝E[R_t+1|C_t＝c]，其中，E表示期望，R_t+1表示在t+1时刻产生的奖励；

(7)搭建利益目标函数G_t：

其中，R_t+1表示在t+1时刻产生的奖励，R_t+2表示在t+2时刻产生的奖励，R_t+3表示在t+3时刻产生的奖励，R_t+k+1表示在t+k+1时刻产生的奖励。

7.根据权利要求1所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，将功能相近的节点聚类，对每一类节点和任务进行特征分析，采用Q-learning算法实现合理的资源分配，具体步骤如下：

(1)采用时序差分算法，进一步提升所述利益目标函数G_t的总价值，计算状态c_t的1～g+1步利益价值v^(g+1)(c_t)，定义为：v^(g+1)(c_t)＝v^(g)(c_t)+α[G_g-v^(g)(c_t)]＝(1-α)v^(g)(c_t)+αG_g，其中，g是迭代次数，v^(g+1)(c_t)表示状态ct_迭代g+1次的利益，v^(g)(c_t)表示状态c_t迭代g次的利益，G_g表示迭代第g次的利益目标函数，G_i表示迭代第i次的利益目标函数，α表示学习速率；

(2)采用α-蒙特卡洛算法，R_t+1+γv(c_t+1)来代替G_g，上述定义式更新为：v(c_t)←v(c_t)+α[R_t+1+γv(c_t+1)-v(c_t)]，其中，令δ(t)＝R_t+1+γv(c_t+1)-v(c_t)为时序差分算法的误差，以表示机器学习中随机变量的动态性；

(3)利用Q-learning算法对上述步骤更新，引入动作价值函数Q，更新表达式为增量学习的形式：

其中，a表示动作变量，a_t表示t时刻时的动作，动作用来描述任务将被卸载到目标节点的走向，Q(c_t,a_t)表示t时刻动作为a_t，状态为c_t时的动作价值，Q(c_t+1,a)表示在动作未知时，状态为t+1时刻的动作价值，R(c,a,c′)表示状态c经行为a后转移为状态c′产生的奖励，A表示任务行为的集合，a′表示动作价值函数Q(c_t+1,a)有最大值时的任务行为动作，p(c′|c,a)表示任务在行为a状态c下向c′状态转移的概率，Q^*(c,a)表示在最优策略下的动作价值函数；采用了Bellman方程对上式进行求解：

其中，v(c_t)是在t时刻下聚类节点c组的利益价值，

表示c_t状态下的奖励是t时刻到t+1时刻能获得的奖励期望，上式改写为Bellman矩阵形式：v＝R+γPv，对矩阵求逆得出利益价值v，且v为：v＝(1-γP)^-1R。

8.根据权利要求1所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，信息反馈模块将目标节点处理好的任务反馈给设备端，完成任务。

9.根据权利要求1所述的一种基于边缘计算工业物联网的资源分配管理系统，其特征在于，所述云计算数据处理中心，为了解决边缘节点算力的局限性，采用了云边协同策略，云计算处理中心将与边缘节点协同处理庞大复杂的任务，最后将处理好的任务反馈到设备端，以完成服务需求。

Images