CN115225671B - AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 - Google Patents
AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115225671B CN115225671B CN202210830583.5A CN202210830583A CN115225671B CN 115225671 B CN115225671 B CN 115225671B CN 202210830583 A CN202210830583 A CN 202210830583A CN 115225671 B CN115225671 B CN 115225671B
- Authority
- CN
- China
- Prior art keywords
- aiot
- solution set
- services
- solutions
- scheme
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008901 benefit Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- G06F2209/502—Proximity
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开实施例中提供了一种AIoT智慧医疗多址边缘卸载方法、系统、设备及介质，属于计算技术领域，具体包括：步骤1，将移动物联设备分类为可部署服务和不可部署服务；步骤2，利用服务组合技术，将卸载范围内的云系统对应的服务和不同移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；步骤3，根据执行顺序将全部AIoT应用程序分配至可部署服务和边缘服务器中，生成部署方案；步骤4，根据部署方案进行任务计算，得到解集；步骤5，通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合。通过本公开的方案，考虑了移动设备的任务计算，降低了时延及能耗。
Description
技术领域
本公开实施例涉及计算技术领域，尤其涉及一种AIoT智慧医疗多址边缘卸载方法、系统、设备及介质。
背景技术
目前，在疾病治疗过程中，大多数患者未能遵照医嘱，导致疾病治疗不及时。在这种情况下，物联网(IoT)智能医疗设备可以支持对患者及时便捷的监控，主动智能系统借助移动设备收集生理信号，如体温、脉搏率等。一旦完成数据收集，数据将通过WiFi或其他兼容系统网络传输，并在服务器上即时存储、同步和共享。健康症状可以持续且立即诊断，如智能药盒等方案可首先计算结果为患者提供治疗。收集的健康数据可以通过云服务进行整合和访问，以便卫生专业人员可以分析信息，与记录历史进行比较，并根据收集的数据的结论做出诊断继续患者治疗。
随着医疗与互联网技术的发展，智能产品的使用已经在社会中展现出更加积极的作用，但随着智能医疗设备的增加，数据量也随之飞速增长，同时一些急性病症要求我们实现更加快速的数据处理，而这些非固定设备，在智能物联网(Artificial Intelligence&Internet of Things，AIoT)以及移动边缘计算(Mobile Edge Computing,MEC)技术的支持下成为现实。
传统AIoT系统中，远程服务器或云服务器负责处理分布在特定区域的物联网设备感应到的所有物联网上下文信息。而移动边缘计算中，移动设备的计算任务无需上传至云端，可以将其就近卸载至算力强大的基站，用户仅需通过无线网便可以轻松连接至基站，由于距离优势，可以显著地降低任务计算的时延。
但如果不将相关服务分配给适当的主机，该方法甚至可能以更高的成本获得更低质量的结果。更关键的是，由于边缘服务器同样受资源及能耗的限制，如果数据预处理服务没有部署在适当的边缘服务器上，它们将没有足够的资源来运行。为了实现多址边缘计算架构优化AIoT系统性能的可行性，可以使用有向无环图对复杂的AIoT应用程序进行建模，这样AIoT应用程序的执行可以分解为几个有序的AI服务。尽管边缘服务器相较于云服务器距离上有极大的优势，但边缘服务器仍是将范围内数据打包，同时随着AIoT应用程序中服务的部署，计算任务为了使用服务，仍需将数据传输至自己可卸载范围内相对较远的边缘服务器。
可见，亟需一种能考虑移动设备的任务计算，降低时延及能耗的AIoT智慧医疗多址边缘卸载方法。
发明内容
有鉴于此，本公开实施例提供一种AIoT智慧医疗多址边缘卸载方法、系统、设备及介质，至少部分解决现有技术中存在对资源卸载过程中的时延和能耗的降低效果较差的问题。
第一方面，本公开实施例提供了一种AIoT智慧医疗多址边缘卸载方法，包括：
步骤1，将移动物联设备分类为可部署服务和不可部署服务；
步骤2，利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；
步骤3，根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；
步骤4，根据所述部署方案进行任务计算，得到解集；
步骤5，通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合。
根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
使用位置向量和资源分配矩阵将所述执行顺序中的每个所述AIoT应用程序分配至可部署服务和所述边缘服务器中。
根据本公开实施例的一种具体实现方式，所述边缘服务器的约束为 其中，si 为第i个服务，/>为第k个AIoT应用程序需要的服务集合。
根据本公开实施例的一种具体实现方式，所述步骤5具体包括：
步骤5.1，设匹配池为从Φ0随机选择两解决方案Gi、Gj将帕累托更优的方案添加到/>若帕累托优势相同，则选择拥挤距离较大的方案，若拥挤距离相同，随机选择一个，重复上述步骤直到最大数量m个解添加进/>具体地说，交叉操作首先在区间/>随机选择交叉点集合/>接下来则将从匹配池中/>选择解进行交叉，将子解决方案添加到子解决方案集合/>
步骤5.2，随机选择子解将随机生成的卸载决策替换随机选择的列，当子群体/>产生并应用新解更新，通过丢弃初始群体Φ0和子代群体/>中的低质量解来形成新的解集Φ1，同时形成解集/>计算其帕累托优势等级及拥挤距离，然后通过从/>开始按降序添加解，直到达到Φ1的最大大小，从而形成新的总体集Φ1；
步骤5.3，重复步骤5.1至5.2直到解集表现优势不再增加，得到最优解集合。
第二方面，本公开实施例提供了一种AIoT智慧医疗多址边缘卸载系统，包括：
分类模块，用于将移动物联设备分类为可部署服务和不可部署服务；
调用模块，用于利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；
部署模块，用于根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；
计算模块，用于根据所述部署方案进行任务计算，得到解集；
优化模块，用于通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的AIoT智慧医疗多址边缘卸载方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的AIoT智慧医疗多址边缘卸载方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的AIoT智慧医疗多址边缘卸载方法。
本公开实施例中的AIoT智慧医疗多址边缘卸载方案，包括：步骤1，将移动物联设备分类为可部署服务和不可部署服务；步骤2，利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；步骤3，根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；步骤4，根据所述部署方案进行任务计算，得到解集；步骤5，通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合。
本公开实施例的有益效果为：通过本公开的方案，建立AIoT应用程序的执行顺序，并将全部所述AIoT应用程序分配至可部署服务和边缘服务器中，生成部署方案，同时根据不是方案进行迭代寻优，得到最优解集合，降低了资源卸载过程中的时延和能耗。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
图1为本公开实施例提供的一种AIoT智慧医疗多址边缘卸载方法的流程示意图；
图2为本公开实施例提供的一种AIoT智慧医疗多址边缘卸载系统的结构示意图；
图3为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种AIoT智慧医疗多址边缘卸载方法，所述方法可以应用于医疗场景的物联网多址边缘卸载过程中。
参见图1，为本公开实施例提供的一种AIoT智慧医疗多址边缘卸载方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
步骤1，将移动物联设备分类为可部署服务和不可部署服务；
具体实施时，可以建模一个具有缓存和计算功能的两层异构移动设备边缘网络模型，包括云，边缘服务器以及物联设备，其中，云作为远程数据中心，具有强大的计算和存储资源，可以直接将数据上传。边缘服务器具有一定的计算资源和存储资源，可以部署部分服务，表示为(M表示边缘服务器总数)，移动物联设备仅拥有有限的计算和存储能力，可以部署有限服务，表示为U＝{u1，u1，…，uN}(N表示移动设备总数)。
考虑到移动物联设备类型丰富，可能同时包含大型设备以及简单传感器，需要将移动设备分类以区分哪些设备可以部署服务，哪些设备无法部署服务：
定义不可部署服务集合：UR＝{u1，u1，…，uN1}，可部署服务集合：UC＝ {u1，u1，…，uN2}，且U＝UR∪UC，其中：
其中，表示移动设备ui计算能力，CrQ2为三分位数函数。同时以/>表示移动设备与移动基站间平均传输速率，bj,k表示第j个边缘服务器与第k个边缘服务器间平均传输速率，/>表示第j个边缘服务器与云间平均传输速率。
为了简化问题，当uj设备作为源时，设当云作为目标时，设/>
经过设备划分后，可以明确得知哪些设备可以部署服务，设集合为 且/>表示为可部署服务设备集合。设/>表示hj可用计算资源，即服务器平均一秒钟内可处理的工作负载。
移动设备uj产生的某一个任务，假设其可以划分为可以并行计算的任务块，每个任务块可以又由整数倍的任务单元组成。每一个任务块可以表示为上下文数据ci。
步骤2，利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；
具体实施时，区分好设备后，则需要部署服务。服务表示能够完成数据处理任务，具有特定功能的程序模块。设服务集表示云系统中用于信息处理的一组服务，虚拟服务集SV＝{c1，c2，…，cn’}，表示不同设备产生的上下文数据集。
于是利用服务组合技术，将卸载范围内的服务组合起来并按照一定的顺序调用他们。本发明中使用G＝(S'，E)，一个有向无环图(DAG)通过揭示服务执行顺序来描述AIoT应用程序及逻辑。其中E＝{<si→sj>|si,sj∈S'}，根据顶点拓扑顺序使用G中的服务，将所有si的输出作为sj的输入，则用G表示的AIoT 应用程序可以逐步执行。
步骤3，根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；
进一步的，所述步骤3具体包括：
使用位置向量和资源分配矩阵将所述执行顺序中的每个所述AIoT应用程序分配至可部署服务和所述边缘服务器中。
可选的，所述边缘服务器的约束为其中，si 为第i个服务，/>为第k个AIoT应用程序需要的服务集合。
具体实施时，考虑到卸载范围内可能存在设备提供同样的服务，只能从中选出一个，因此，同一个上下文数据可能存在不同的部署方案G，而在一个系统中存在不止一个AIoT应用程序，若假设系统中存在K个AIoT应用程序，即 G＝(G1,G2,…,GK)，且Gk＝(Sk，Ek)表示第k个AIoT应用程序。
一般情况下，取G中一应用程序Gk，使用位置向量以及资源分配矩阵/>来描述第k个AIoT应用程序部署方案，其中pi∈ [1，n]，是要部署服务si的选定边缘服务器的索引，μj,i是分配给设备hj上服务si的资源。由于选定的边缘服务器属于/>并且使用的资源不能超过其最大容量，则存在以下约束/>
步骤4，根据所述部署方案进行任务计算，得到解集；
具体实施时，在初步部署服务后，程序流得以完整运行，完成计算任务。假设在当前场景下，系统可描述为将其是为一种解方案，则在同一场景模型下，可设解集为Φ：
可以理解为同一系统可存在不同的部署方案，L是解方案总数，当我们考虑时延和能耗问题时，易发现能耗和时延是冲突的两个目标，一方的优化意味着另一方的牺牲。于是为了权衡能耗和时延，可以将其视为帕累托优化问题。
步骤5，通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合。
在上述实施例的基础上，所述步骤5具体包括：
步骤5.1，设匹配池为从Φ0随机选择两解决方案Gi、Gj将帕累托更优的方案添加到/>若帕累托优势相同，则选择拥挤距离较大的方案，若拥挤距离相同，随机选择一个，重复上述步骤直到最大数量m个解添加进/>具体地说，交叉操作首先在区间/>随机选择交叉点集合/>接下来则将从匹配池中/>选择解进行交叉，将子解决方案添加到子解决方案集合/>
步骤5.2，随机选择子解将随机生成的卸载决策替换随机选择的列，当子群体/>产生并应用新解更新，通过丢弃初始群体Φ0和子代群体/>中的低质量解来形成新的解集Φ1，同时形成解集/>计算其帕累托优势等级及拥挤距离，然后通过从/>开始按降序添加解，直到达到Φ1的最大大小，从而形成新的总体集Φ1；
步骤5.3，重复步骤5.1至5.2直到解集表现优势不再增加，得到最优解集合。
具体实施时，考虑到得到的解集可能不是最优解，还需要寻找可能存在的更优解，可以通过进化算法对现有解进行交叉和变异以寻找优化。
交叉操作：
parent1：
parent2：
Child1：
Child2：
变异操作：
Child2：
Child2*：
设匹配池为从Φ0随机选择两解决方案Gi、Gj将帕累托更优的方案添加到若帕累托优势相同，则选择拥挤距离较大的方案，若拥挤距离相同，随机选择一个。重复上述步骤直到最大数量m个解添加进/>具体地说，交叉操作首先在区间/>随机选择交叉点集合D＝{d1,d1,…,dD,}，接下来则将从匹配池中/>选择解进行交叉(如上式表示)，将子解决方案添加到子解决方案集合Q0。为了应用突变操作，我们首先随机选择子解G‘i∈Q0，将随机生成的卸载决策替换随机选择的列。
一旦子群体Q0产生并应用新解更新，通过丢弃初始群体Φ0和子代群体Q0中的低质量解来形成新的解集Φ1，同时可以形成解集A0＝Φ0∪Q0，计算其帕累托优势等级及拥挤距离，然后通过从A0开始按降序添加解，直到达到Φ1的最大大小，从而形成新的总体集Φ1。换句话说，我们首先添加秩为1的解，然后若Φ1中有未填充的位置，我们添加秩为2的解，依此类推，最后重复上述步骤直到解不在表现出更多的优势，则获得最优解集合。
本实施例提供的AIoT智慧医疗多址边缘卸载方法，通过建立AIoT应用程序的执行顺序，并将全部所述AIoT应用程序分配至可部署服务和边缘服务器中，生成部署方案，同时根据不是方案进行迭代寻优，得到最优解集合，降低了资源卸载过程中的时延和能耗。
与上面的方法实施例相对应，参见图2，本公开实施例还提供了一种AIoT 智慧医疗多址边缘卸载系统20，包括：
分类模块，用于将移动物联设备分类为可部署服务和不可部署服务；
调用模块，用于利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；
部署模块，用于根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；
计算模块，用于根据所述部署方案进行任务计算，得到解集；
优化模块，用于通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合。
图2所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图3，本公开实施例还提供了一种电子设备30，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的AIoT智慧医疗多址边缘卸载方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的AIoT智慧医疗多址边缘卸载方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的AIoT智慧医疗多址边缘卸载方法。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备30的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、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)、车载终端(例如车载导航终端)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。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备30可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备30操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O) 接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备 30与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备30，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309 从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、 RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种AIoT智慧医疗多址边缘卸载方法，其特征在于，包括：
步骤1，将移动物联设备分类为可部署服务和不可部署服务；
步骤2，利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；
步骤3，根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；
步骤4，根据所述部署方案进行任务计算，得到解集；
步骤5，通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合；
所述步骤5具体包括：
步骤5.1，设匹配池为从Φ0随机选择两解决方案Gi、Gj将帕累托更优的的方案添加到/>若帕累托优势相同，则选择拥挤距离较大的方案，若拥挤距离相同，随机选择一个，重复上述步骤直到最大数量m个解添加进/>具体地说，交叉操作首先在区间/>随机选择交叉点集合/>接下来则将从匹配池中/>选择解进行交叉，将子解决方案添加到子解决方案集合/>
步骤5.2，随机选择子解将随机生成的卸载决策替换随机选择的列，当子群体产生并应用新解更新，通过丢弃初始群体Φ0和子代群体/>中的低质量解来形成新的解集Φ1，同时形成解集/>计算其帕累托优势等级及拥挤距离，然后通过从开始按降序添加解，直到达到Φ1的最大大小，从而形成新的总体集Φ1；
步骤5.3，重复步骤5.1至5.2直到解集表现优势不再增加，得到最优解集合。
2.根据权利要求1所述的方法，其特征在于,所述步骤3具体包括：
使用位置向量和资源分配矩阵将所述执行顺序中的每个所述AIoT应用程序分配至可部署服务和所述边缘服务器中。
3.根据权利要求2所述的方法，其特征在于,所述边缘服务器的约束为其中，si为第i个服务，/>为第k个AIoT应用程序需要的服务集合。
4.一种AIoT智慧医疗多址边缘卸载系统，其特征在于，包括：
分类模块，用于将移动物联设备分类为可部署服务和不可部署服务；
调用模块，用于利用服务组合技术，将卸载范围内的云系统对应的服务和不同所述移动物联设备对应的服务组合并按照预设的顺序调用，得到AIoT应用程序的执行顺序；
部署模块，用于根据所述执行顺序将全部所述AIoT应用程序分配至所述可部署服务和边缘服务器中，生成部署方案；
计算模块，用于根据所述部署方案进行任务计算，得到解集；
优化模块，用于通过进化算法对当前解集迭代进行交叉和变异寻找优化直到解集表现优势不再增加，得到最优解集合；
所述优化模块的具体过程包括：
步骤5.1，设匹配池为从Φ0随机选择两解决方案Gi、Gj将帕累托更优的的方案添加到/>若帕累托优势相同，则选择拥挤距离较大的方案，若拥挤距离相同，随机选择一个，重复上述步骤直到最大数量m个解添加进/>具体地说，交叉操作首先在区间/>随机选择交叉点集合/>接下来则将从匹配池中/>选择解进行交叉，将子解决方案添加到子解决方案集合/>
步骤5.2，随机选择子解将随机生成的卸载决策替换随机选择的列，当子群体产生并应用新解更新，通过丢弃初始群体Φ0和子代群体/>中的低质量解来形成新的解集Φ1，同时形成解集/>计算其帕累托优势等级及拥挤距离，然后通过从开始按降序添加解，直到达到Φ1的最大大小，从而形成新的总体集Φ1；
步骤5.3，重复步骤5.1至5.2直到解集表现优势不再增加，得到最优解集合。
5.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-3中任一项所述的AIoT智慧医疗多址边缘卸载方法。
6.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-3中任一项所述的AIoT智慧医疗多址边缘卸载方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210830583.5A CN115225671B (zh) | 2022-07-15 | 2022-07-15 | AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210830583.5A CN115225671B (zh) | 2022-07-15 | 2022-07-15 | AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115225671A CN115225671A (zh) | 2022-10-21 |
| CN115225671B true CN115225671B (zh) | 2024-03-15 |
Family
ID=83612006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210830583.5A Active CN115225671B (zh) | 2022-07-15 | 2022-07-15 | AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115225671B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096318A (zh) * | 2019-05-08 | 2019-08-06 | 北京邮电大学 | 一种基于移动边缘计算的任务卸载方法及装置 |
| CN112286677A (zh) * | 2020-08-11 | 2021-01-29 | 安阳师范学院 | 一种面向资源受限边缘云的物联网应用优化部署方法 |
| CN112612549A (zh) * | 2020-12-30 | 2021-04-06 | 润联软件系统(深圳)有限公司 | 多边缘服务任务选择卸载方法、装置及相关设备 |
| CN112860337A (zh) * | 2021-01-28 | 2021-05-28 | 山东师范大学 | 在多接入边缘计算中卸载依赖任务的方法及系统 |
| CN112882723A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 面向并行微服务组合的边缘服务部署方法 |
| CN113010317A (zh) * | 2021-03-30 | 2021-06-22 | 华南理工大学 | 联合服务部署与任务卸载方法、装置、计算机设备及介质 |
| CN113259469A (zh) * | 2021-06-02 | 2021-08-13 | 西安邮电大学 | 智能制造中边缘服务器部署方法、系统及存储介质 |
| CN113810916A (zh) * | 2021-09-14 | 2021-12-17 | 电子科技大学 | 一种5g/6g边缘计算场景下的多服务器混合部署架构及方法 |
| CN113873660A (zh) * | 2021-10-29 | 2021-12-31 | 浙江工业大学 | 无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配方法 |
| KR102352375B1 (ko) * | 2020-08-19 | 2022-01-18 | 서울대학교산학협력단 | 유전 알고리즘 기반의 엣지 컴퓨팅 최적화 장치 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9880885B2 (en) * | 2015-02-04 | 2018-01-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and system to rebalance constrained services in a cloud using a genetic algorithm |
-
2022
- 2022-07-15 CN CN202210830583.5A patent/CN115225671B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096318A (zh) * | 2019-05-08 | 2019-08-06 | 北京邮电大学 | 一种基于移动边缘计算的任务卸载方法及装置 |
| CN112286677A (zh) * | 2020-08-11 | 2021-01-29 | 安阳师范学院 | 一种面向资源受限边缘云的物联网应用优化部署方法 |
| KR102352375B1 (ko) * | 2020-08-19 | 2022-01-18 | 서울대학교산학협력단 | 유전 알고리즘 기반의 엣지 컴퓨팅 최적화 장치 및 방법 |
| CN112612549A (zh) * | 2020-12-30 | 2021-04-06 | 润联软件系统(深圳)有限公司 | 多边缘服务任务选择卸载方法、装置及相关设备 |
| CN112860337A (zh) * | 2021-01-28 | 2021-05-28 | 山东师范大学 | 在多接入边缘计算中卸载依赖任务的方法及系统 |
| CN112882723A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 面向并行微服务组合的边缘服务部署方法 |
| CN113010317A (zh) * | 2021-03-30 | 2021-06-22 | 华南理工大学 | 联合服务部署与任务卸载方法、装置、计算机设备及介质 |
| CN113259469A (zh) * | 2021-06-02 | 2021-08-13 | 西安邮电大学 | 智能制造中边缘服务器部署方法、系统及存储介质 |
| CN113810916A (zh) * | 2021-09-14 | 2021-12-17 | 电子科技大学 | 一种5g/6g边缘计算场景下的多服务器混合部署架构及方法 |
| CN113873660A (zh) * | 2021-10-29 | 2021-12-31 | 浙江工业大学 | 无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于自适应遗传算法的MEC任务卸载及资源分配;闫伟;申滨;刘笑笑;;电子技术应用;20200806(08) * |
| 改进多种群进化算法求解移动边缘计算中任务调度问题;朱清华;《广东工业大学学报》;全文 * |
| 智慧医疗场景下考虑终端移动性的任务卸载策略;齐平;束红;;浙江大学学报(工学版)(06);全文 * |
| 移动边缘计算卸载技术综述;谢人超;廉晓飞;贾庆民;黄韬;刘韵洁;;通信学报;20181125(11) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115225671A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018192492A1 (zh) | 一种运算装置及相关产品 | |
| CN112258512B (zh) | 点云分割方法、装置、设备和存储介质 | |
| CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
| JP2022511716A (ja) | 非集中的な分散型深層学習 | |
| CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
| CN109754084B (zh) | 网络结构的处理方法、装置及相关产品 | |
| CN114721835A (zh) | 边缘数据中心服务器能耗预测方法、系统、设备及介质 | |
| CN116070557A (zh) | 使用强化学习的数据路径电路设计 | |
| CN114925651A (zh) | 一种电路走线确定方法及相关设备 | |
| CN113205601B (zh) | 漫游路径生成方法、装置、存储介质及电子设备 | |
| CN109598344B (zh) | 模型生成方法和装置 | |
| CN113392018B (zh) | 流量分发方法、装置、存储介质及电子设备 | |
| CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
| CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
| CN115225671B (zh) | AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 | |
| CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
| CN116594568A (zh) | 一种数据存储方法、装置、电子设备及存储介质 | |
| CN115907041A (zh) | 一种模型训练方法及装置 | |
| CN113240108B (zh) | 模型训练方法、装置和电子设备 | |
| CN111275799B (zh) | 动画的生成方法、装置和电子设备 | |
| CN111327472B (zh) | 用于获取目标网络的方法及装置 | |
| US11086634B2 (en) | Data processing apparatus and method | |
| CN112817898A (zh) | 数据传输方法、处理器、芯片及电子设备 | |
| CN111738415A (zh) | 模型同步更新方法、装置及电子设备 | |
| CN109948789A (zh) | 用于卷积神经网络的数据加载方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |