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,x
1表示工业物联网环境内产生的第1个任务,x
2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,…,sn),(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,sn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ui,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ui,j求偏导;
(4)同等的,计算目标函数的极值,对变量ci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,…,cn),(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xm∈X(t),m∈(0,mt],具有马尔科夫性质的状态满足:P(ct+1|ct)= P(ct+1|c1,c2,…,ct),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,ct表示t时刻边缘节点聚类的状态,ct+1表示t+1时刻边缘节点聚类的状态,P(ct+1|ct)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,p
11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Rc表示,定义: Rc=E[Rt+1|Ct=c],其中,E表示期望,Rt+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Gt的总价值,计算状态ct的1~g+1步利益价值v(g+1)(ct),定义为:v(g+1)(ct)=v(g)(ct)+ α[Gg-v(g)(ct)]=(1-α)v(g)(ct)+αGg,其中,g是迭代次数,v(g+1)(ct)表示状态ct迭代g+1次的利益,v(g)(ct)表示状态ct迭代g次的利益,Gg表示迭代第g次的利益目标函数,Gi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,Rt+1+γv(ct+1)来代替Gg,上述定义式更新为: v(ct)←v(ct)+α[Rt+1+γv(ct+1)-v(ct)],其中,令δ(t)=Rt+1+γv(ct+1)- v(ct)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。
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,x
1表示工业物联网环境内产生的第1个任务,x
2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,…,sn),(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,sn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ui,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λ
1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ui,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u
11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,…,cn),(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xm∈X(t),m∈(0,mt],具有马尔科夫性质的状态满足:P(ct+1|ct)=P(ct+1|c1,c2,…,ct),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,ct表示t时刻边缘节点聚类的状态,ct+1表示t+1时刻边缘节点聚类的状态,P(ct+1|ct)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,p
11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Rc表示,定义: Rc=E[Rt+1|Ct=c],其中,E表示期望,Rt+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Gt的总价值,计算状态ct的1~g+1步利益价值v(g+1)(ct),定义为: v(g+1)(ct)=v(g)(ct)+α[Gg-v(g)(ct)]=(1-α)v(g)(ct)+αGg,具体推导过程如下:
其中,g是迭代次数,v(g+1)(ct)表示状态ct迭代g+1次的利益, v(g)(ct)表示状态ct迭代g次的利益,Gg表示迭代第g次的利益目标函数,Ci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,Rt+1+γv(ct+1)来代替Gg,上述定义式更新为: v(ct)←v(ct)+α[Rt+1+γv(ct+1)-v(ct)],其中,令δ(t)=Rt+1+γv(ct+1)- v(ct)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,R
1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。