CN115361330A - 一种用于分布式神经网络的边缘网络通信路径选择方法 - Google Patents

一种用于分布式神经网络的边缘网络通信路径选择方法 Download PDF

Info

Publication number
CN115361330A
CN115361330A CN202210803016.0A CN202210803016A CN115361330A CN 115361330 A CN115361330 A CN 115361330A CN 202210803016 A CN202210803016 A CN 202210803016A CN 115361330 A CN115361330 A CN 115361330A
Authority
CN
China
Prior art keywords
edge
communication path
path
ant
neural network
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.)
Granted
Application number
CN202210803016.0A
Other languages
English (en)
Other versions
CN115361330B (zh
Inventor
周明拓
任天锋
郁春波
贺文
李剑
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.)
Shanghai Institute of Microsystem and Information Technology of CAS
Original Assignee
Shanghai Institute of Microsystem and Information Technology of CAS
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 Shanghai Institute of Microsystem and Information Technology of CAS filed Critical Shanghai Institute of Microsystem and Information Technology of CAS
Priority to CN202210803016.0A priority Critical patent/CN115361330B/zh
Publication of CN115361330A publication Critical patent/CN115361330A/zh
Application granted granted Critical
Publication of CN115361330B publication Critical patent/CN115361330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/24—Multipath
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种用于分布式神经网络的边缘网络通信路径选择方法，包括：步骤(1)：获取边缘网络结构信息，其中，所述边缘网络结构信息包括云设备和若干边缘设备；步骤(2)：通过基于前向更新准则的蚁群算法从所述边缘网络结构信息中找出最优通信路径；所述最优通信路径通过多个依次相连的边缘设备连通至云设备构成；步骤(3)：在所述最优通信路径上部署分割后的神经网络，来实现神经网络的分布式计算。本发明能够选择出最优通信路径，并在最优通信路径上部署分割后的神经网络。

Description

一种用于分布式神经网络的边缘网络通信路径选择方法
技术领域
本发明涉及边缘计算技术领域，特别是涉及一种用于分布式神经网络的边缘网络通信路径选择方法。
背景技术
随着边缘计算技术与神经网络技术的发展，如何在边缘部署神经网络应用逐渐成为一个有待解决的问题。由于边缘计算的算力有限，因此当前主流的处理方法是通过分割神经网络，并将其部署在多个边缘设备上协同计算，从而实现一种分布式神经网络计算模式。但当边缘设备组成网状的边缘网络时，如何能够选择合适的通信路径，使得分布式计算开销最小，这是一个难以解决的问题，从离散数学的角度看，这是一个组合问题，随着边缘网络中设备数的增加，可选路径会爆炸式增长，因此路径选择是一个NP问题。
边缘计算是一种基于云计算拓展出的计算模式，随着大数据以及人工智能领域的快速发展，单纯的云计算已经不能完全满足这些领域的发展需求。对着云计算的所展现的不足，边缘计算这一概念逐渐兴起。研究者们试图将云服务从网络核心推向更接近终端设备和数据源的网络边缘。边缘节点可以在附近的终端设备上，通过设备到设备端到端(D2D)通信连接，进而连接到接入点(例如，路由器和基站)的服务器，网络网关，或者微数据中心，这些边缘的计算设备能够直接提供给附近的终端来进行使用，通常将这些位于网络边缘的计算设备称之为边缘节点。边缘节点在实际的物理大小上有所不同，可以是一个小盒子大小的计算机，也可以是多个服务器机架的微数据中心，但它们均在物理上接近数据源的位置。从这一点上讲，计算节点和数据生成源之间的物理接近，相比传统的云计算模式带来了一些好处，包括更低的延迟、更高的能源效率、隐私保护、减少带宽消耗和灵活的上下文感知。
神经网络技术是目前各类人工智能应用的主流技术，不论是计算机视觉，自然语言处理等领域，和核心均是通过设计对应的神经网络，训练并部署，从而供请求者使用。随着神经网络技术的不断发展，神经网络的规模倍增，其对计算资源的需求也逐渐增大。云计算作为一种提供强大计算资源的计算模式，逐渐成为了神经网络应用常用的计算模式。随着人工智能技术越来越普及，越来越多的终端设备也开始支持相关的智能应用，从普通用户日常使用的智能手机，智能穿戴(智能手环，手表)，到工厂使用的监控摄像，控制模块等，这些设备每天能够产生海量的请求数据，而这些数据往往通过广域网传输到云服务器上进行计算，最终再将结果返回。大规模的数据传输带来了巨量的网络开销，终端任务请求的时延瓶颈逐渐由计算时延转变为通信时延。
神经网络与边缘计算相结合的研究就是在这种背景下产生的。边缘计算能缓解云计算模式下庞大的通信时间开销，同时能够补足终端计算能力的不足。因此，构建出合适的边缘计算网络，并将神经网络与边缘计算相结合，这是一种有效应对爆发式增长的神经网络应用的思路。
现有技术的不足和缺陷：
在神经网络边缘分布式计算中，若边缘设备组成网状网络，那么需要在设备中选择一条路径，用于部署分割后的神经网络。随着边缘网络中边缘设备数目增多。从用户接入点设备到云设备之间可选通信路径会爆发式增长。如果选择了时间开销大的通信路径，那么会造成较高的神经网络运行时间。
例如基于贪心算法设计的各种路径选择算法，能够一定程度上对通信路径进行优化，但贪心算法有两个不足之处，首先，算法一般考虑的是通信路径上通信开销的优化，而忽视神经网络子模型在边缘设备上的运行时间。其次，面对路径寻优问题，容易陷入局部最优解。因此边缘网络的通信路径选取方法扔具有很大的优化空间。
发明内容
本发明所要解决的技术问题是提供一种用于分布式神经网络的边缘网络通信路径选择方法，能够选择出最优通信路径，并在最优通信路径上部署分割后的神经网络。
本发明解决其技术问题所采用的技术方案是：提供一种用于分布式神经网络的边缘网络通信路径选择方法，包括：
步骤(1)：获取边缘网络结构信息，其中，所述边缘网络结构信息包括云设备和若干边缘设备；
步骤(2)：通过基于前向更新准则的蚁群算法从所述边缘网络结构信息中找出最优通信路径；所述最优通信路径通过多个依次相连的边缘设备连通至云设备构成；
步骤(3)：在所述最优通信路径上部署分割后的神经网络，来实现神经网络的分布式计算。
所述步骤(2)包括：
步骤(21)：产生初始蚂蚁种群，令蚂蚁种群中的蚂蚁从起点边缘设备出发，向终点前进，所述终点为云设备；
步骤(22)：判断蚂蚁是否到达终点；若蚂蚁未到达终点，则根据转移概率选择下一个边缘设备前进，并判断下一个边缘设备是否满足前向更新准则，若满足前向更新准则，则向已走过的路径释放前向更新信息素τback，再向下一个设备前进；若不满足前向更新准则，则直接向下一个设备前进；若蚂蚁到达终点，则更新通信路径信息素，并保存当前通信路径；
步骤(23)：循环步骤(22)直到蚂蚁种群中的所有蚂蚁均到达终点时，得到若干条通信路径，并从所述若干条通信路径中选择最短的路径作为最优通信路径。
所述步骤(22)中转移概率的公式为：
Figure BDA0003738260000000031
其中，Ju(i)表示蚂蚁u在边缘设备i时，其能选择转移设备的集合；τij(t)表示t时刻边缘设备i和边缘设备j之间的通信路径具有的信息素值；ηij(t)表示t时刻边缘设备i转向边缘设备j时，通信路径的时间开销对蚂蚁选择路径的影响；α表示信息因子，β表示启发因子。
所述步骤(2)中的前向更新准则具体为：
蚁群算法中的蚂蚁在到达终点前保存已经走过的路径信息；
当蚂蚁试探下一个边缘设备作为新的路径时，若新增的边缘设备满足公式Tpath(k+1)＜Tpath(k)，则蚂蚁向已走过的路径增加前向更新信息素τback，其中，Tpath(k)表示k个边缘设备组成的通信路径总体耗费时间。
所述前向更新信息素τback的公式为：
Figure BDA0003738260000000032
其中，
Figure BDA0003738260000000033
Q表示蚂蚁所携带的信息素总量，du表示蚂蚁u从起点到终点的整条路径的通信时间开销。
所述k个边缘设备的通信路径总体耗费时间Tpath(k)满足：
Figure BDA0003738260000000034
其中，k表示通信路径上的边缘设备总数；Ei(f)表示边缘设备i执行神经网络所需要的平均执行时间；dij表示边缘设备i和边缘设备j之间的平均通信时间且dij＝DiTij；Di表示边缘设备i的数据输出量；Tij表示边缘设备i和边缘设备j之间传输单位数据所耗费的时间且
Figure BDA0003738260000000041
Bij表示边缘设备i和边缘设备j之间的传输带宽。
所述步骤(2)还包括：对每一组存在通信路径的边缘设备之间的信息素设置上限τmax和下限τmin。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用的基于前向更新准则的蚁群算法能够选择出最优路径，该算法相比传统的算法运行效率更高，并且能够间接提高后续神经网络分布式计算的效率；本发明对存在通信路径的边缘设备之间的信息素设置上限和下限，能够避免某条路径信息素量过于优势，从而导致算法提前陷入局部最优解。
附图说明
图1是本发明实施方式的分布式神经网络在边缘网络上通信路径选择整体流程图；
图2是本发明实施方式中神经网络在路径上协同计算过程示意图；
图3是本发明实施方式的基于前向更新的蚁群算法流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种用于分布式神经网络的边缘网络通信路径选择方法，如图1所示，可以看到接入边缘设备通过获取边缘网络结构信息、神经网络结构信息、神经网络运行时间统计表，随后执行基于前向更新的蚁群算法，最终得到一条合适的通信路径，用于部署分割后的神经网络，实现分布式神经网络计算。
神经网络在通信路径上分布式计算的过程可以参见图2。边缘设备2是接入点，它和边缘设备5、云设备构成了一条通信路径。神经网络模型被分割为了3个子模型，沿通信路径部署，最终实现了神经网络的分布式计算。
接下来，本实施方式将阐述基于前向更新蚁群算法的路径选择方法。
(一)通信路径耗费时间
为了评估神经网络在通信路径上各设备上的运行时间，首先需要统计神经网络各设备上的运行时间。假设边缘网络中总共有N个设备。
1)在接入设备上构建一张神经网络运行时间表，此时该表为空，令i＝1。
2)在边缘设备i上执行神经网络，并记录神经网络每一层运行所消耗的时间，存入神经网络运行时间表。
3)i＝i+1，继续2)过程，直至i＝N。
通过该表，本实施方式能够获得模型(即神经网络)在任意边缘设备上平均运行时间，并将神经网络运行时间表记为f，那么边缘设备i执行模型所需要的平均执行时间为Ei(f)。
通信路径的总体运行时间取决于路径上的边缘设备的运行时间，以及路径上边缘设备之间的通信时间，通过神经网络运行时间表，本实施方式能够获得边缘设备i执行模型的平均时间Ei(f)。
进一步地，对于通信时间，边缘设备i和边缘设备j之间的单位通信时间开销定义为：
Figure BDA0003738260000000051
其中，Tij反映的是边缘设备i和边缘设备j之间，传输单位数据所耗费的时间；Bij表示边缘设备i和边缘设备j之间的传输带宽；边缘设备之间的传输带宽Bij越大，Tij的值就越小。除此之外，边缘设备i和j之间通信时间开销还取决于边缘设备i的数据输出量，将其记为Di，那么边缘设备i和j之间的平均时间开销将被定义为：
dij＝DiTij
假设通信路径上一共有k个边缘设备，那么通信路径总体耗费的时间为：
Figure BDA0003738260000000052
(二)前向更新蚁群算法
如果同时考虑设备运行时间和设备通信时间，会发现随着通信路径上的设备数量的增加，通信路径上总体的运行时间可能增加，也可能减小。这是因为随着路径上设备数量的增加，数据转发次数会增加，从而导致通信时间开销会增大。但随着路径上设备数的增加，会有更多的设备平摊神经网络模型的计算，因此设备的运行时间会减少。
在这种情况下，如果使用传统蚁群算法，会导致一些可能总体运行时间更优的长路径被忽略掉，因此本实施方式为蚁群算法设置了前向更新操作：蚁群算法中的蚂蚁在到达终点前保存已经走过的路径信息，当蚂蚁试探下一个设备作为新的路径时，如果新增添的设备满足公式Tpath(k+1)＜Tpath(k)，那么该蚂蚁向已走过的路径额外更新信息素，更新值记为τback，该式也被称为前向更新准则。
传统的蚁群算法，在路径走完时才会向路径上更新信息素，且更新量只和路径长度有关，路径长度越长，更新的信息素越少。而加入前项更新准则后，蚂蚁每多走一步，就会根据前向更新准则进行判断，如果满足该准则，就说明新路径虽然更长，但其开销会更短，此时会及时更新信息素，从而增大该路径下次被选中的概率。
基于上述分析，本实施方式设计出了基于前向更新准则的蚁群算法，首先进行符号定义，具体如下：
(1)启发函数定义：
Figure BDA0003738260000000061
其中，启发函数反映的是蚂蚁由边缘设备i转向边缘设备j时，通信路径的时间开销对蚂蚁选择路径的影响。可以看到，通信时间越大，启发函数的值越小，蚂蚁选择边缘设备j作为路径下一站的可能性越小。
(2)信息素函数定义：
Figure BDA0003738260000000062
其中，Q代表蚂蚁所携带的信息素总量，du代表蚂蚁u从起点到终点的整条路径的通信时间开销。
Figure BDA0003738260000000063
反映的是蚂蚁u在边缘设备i和边缘设备j之间通信路径上释放的信息素值。那么，根据上述定义，在总共有U只蚂蚁的情况下，边缘设备i和j之间的信息素更新值之和可以记为：
Figure BDA0003738260000000071
其中，蚂蚁在各条路径上更新的信息素会随着算法迭代而挥发，挥发因子记为ρ，其取值范围为(0,1)。因此在第t次迭代过程中(第t次迭代即t时刻)，边缘设备i和j之间的通信路径，其具有的信息素的值为：
τij(t)＝(1-ρ)τij(t-1)+Δτij
其中，τij(t-1)表示上一时刻(即(t-1)时刻)边缘设备i和j之间的信息素含量，τij(t)表示当前时刻(即t时刻)边缘设备i和j之间的信息素含量。
(3)转移概率函数定义：
基于启发式函数和信息素函数，本实施方式能够定义出蚂蚁在选择路径时的概率转移函数。对于蚂蚁u，它在t时刻由边缘设备i转移到边缘设备j的概率为：
Figure BDA0003738260000000072
其中，Ju(i)代表蚂蚁u在边缘设备i时，其能选择转移设备的集合，如果边缘设备j满足Bij＞0且在当前迭代轮次中，蚂蚁u之前从未访问该设备，那么边缘设备j就在Ju(i)中。α和β分别是信息因子和启发因子，它们分别反映了概率转移函数对信息素函数和启发函数的依赖程度。
(4)前向更新信息素：
Figure BDA0003738260000000073
其中，
Figure BDA0003738260000000074
反映的是新增加的设备的带来的提升幅度，提升幅度越大，前向更新的信息素就越多。
结合上述定义，本实施方式最终设计出基于前向更新的蚁群算法，算法的整体流程图可以参见图3，需要注意的是，图3中“每条边上的信息素”是指存在通信链路的设备与设备之间的信息素。
在基于前向更新的蚁群算法流程中，本实施方式对通信路径上设备与设备之间的信息素设置了上限τmax和下限τmin。也即路径上信息素的挥发最小只能挥发到τmin，同样，信息素增加的最终结果也不能超过τmax。这样的设计在于避免某条路径信息素量过于优势，从而导致算法提前陷入局部最优解。
(三)仿真实验分析
通过osBrain来模拟边缘设备，并将这些边缘设备组成mesh网络。
本实施方式会比较该算法选取的通信路径，与其他算法选取的通信路径的性能差异。主要和其他三种路径选择算法进行了对比，分别是：
1)基于前项更新的蚁群算法(FUAC)，即本实施方式所提出的路径选择算法。
2)贪心算法(GA)，每次选择当前通信开销最小的路径。
3)最小转发路径算法(MFA)，选择经过的设备数最少的路径。
4)深度优先算法(DFS)，优先选择第一个与当前设备相连的路径。
不同的算法最终选取了不同的通信路径，首先将LeNet5、AlexNet、VGG分别部署在这些路径上。本实施方式统计了在mesh网络中有10个设备的情况下，神经网络处理一个请求的运行时间。统计结果可参见表1-表3。
如表1、表2和表3所示，三张表分别统计了LeNet5、AlexNet和VGG三种神经网络部署在不同算法选择的路径下，运行所消耗的时间。可以看到，在总计的运行时间下，三种神经网络均在基于前项更新的蚁群算法下取得了最好的结果，这说明本实施方式提出的算法具有更好的路径寻优能力。
表1 LeNet5运行时间
FUAC GA MFA DFS
路径设备数 3 5 3 4
计算时间 0.065 0.067 0.064 0.078
通信时间 0.03 0.043 0.035 0.029
运行总时间 0.095 0.107 0.099 0.107
表2 AlexNet运行时间
FUAC GA MFA DFS
路径设备数 4 5 3 5
计算时间 0.058 0.067 0.065 0.108
通信时间 0.064 0.079 0.065 0.07
运行总时间 0.122 0.146 0.13 0.178
表3 VGG运行时间
FUAC GA MFA DFS
路径设备数 4 4 3 4
计算时间 0.062 0.067 0.060 0.108
通信时间 0.103 0.213 0.164 0.18
运行总时间 0.165 0.280 0.224 0.288
具体地，根据表1-表3，在通信时间下，可以看到有时最小转发次数算法(MFA)会呈现最优。贪心算法(GA)在每次路径选择中会选择当前通信开销最优的路径，而最小转发次数算法(MFA)能够控制通信次数尽可能的少，因此两种算法均在控制通信时间上有优势。但相比于本实施方式的算法，这两种算法没有考虑到增加设备所减小的计算时间开销，因此在计算时间总计中，前向更新蚁群算法(FUAC)在三个神经网运行统计下又取得最优。深度优先(DFS)则在任何情况下都不占优，这是因为深度优先搜索每次优先去选择路径中最早连接的那一个，既不控制搜索的深度，也不控制路径的开销，因此搜索出的路径效果最差。
由此可见，本发明能够通过基于前项更新准则的蚁群算法选择出最优通信路径，避免了传统蚁群算法的缺点，并且选择出的最优通信路径能够有效应用于分布式神经网络的计算。

Claims (7)

1.一种用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，包括：
步骤(1)：获取边缘网络结构信息，其中，所述边缘网络结构信息包括云设备和若干边缘设备；
步骤(2)：通过基于前向更新准则的蚁群算法从所述边缘网络结构信息中找出最优通信路径；所述最优通信路径通过多个依次相连的边缘设备连通至云设备构成；
步骤(3)：在所述最优通信路径上部署分割后的神经网络，来实现神经网络的分布式计算。
2.根据权利要求1所述的用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，所述步骤(2)包括：
步骤(21)：产生初始蚂蚁种群，令蚂蚁种群中的蚂蚁从起点边缘设备出发，向终点前进，所述终点为云设备；
步骤(22)：判断蚂蚁是否到达终点；若蚂蚁未到达终点，则根据转移概率选择下一个边缘设备前进，并判断下一个边缘设备是否满足前向更新准则，若满足前向更新准则，则向已走过的路径释放前向更新信息素τback，再向下一个设备前进；若不满足前向更新准则，则直接向下一个设备前进；若蚂蚁到达终点，则更新通信路径信息素，并保存当前通信路径；
步骤(23)：循环步骤(22)直到蚂蚁种群中的所有蚂蚁均到达终点时，得到若干条通信路径，并从所述若干条通信路径中选择最短的路径作为最优通信路径。
3.根据权利要求2所述的用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，所述步骤(22)中转移概率的公式为：
Figure FDA0003738259990000011
其中，Ju(i)表示蚂蚁u在边缘设备i时，其能选择转移设备的集合；τij(t)表示t时刻边缘设备i和边缘设备j之间的通信路径具有的信息素值；ηij(t)表示t时刻边缘设备i转向边缘设备j时，通信路径的时间开销对蚂蚁选择路径的影响；α表示信息因子，β表示启发因子。
4.根据权利要求1所述的用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，所述步骤(2)中的前向更新准则具体为：
蚁群算法中的蚂蚁在到达终点前保存已经走过的路径信息；
当蚂蚁试探下一个边缘设备作为新的路径时，若新增的边缘设备满足公式Tpath(k+1)＜Tpath(k)，则蚂蚁向已走过的路径增加前向更新信息素τback，其中，Tpath(k)表示k个边缘设备组成的通信路径总体耗费时间。
5.根据权利要求4所述的用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，所述前向更新信息素τback的公式为：
Figure FDA0003738259990000021
其中，
Figure FDA0003738259990000022
Q表示蚂蚁所携带的信息素总量，du表示蚂蚁u从起点到终点的整条路径的通信时间开销。
6.根据权利要求4所述的用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，所述k个边缘设备的通信路径总体耗费时间Tpath(k)满足：
Figure FDA0003738259990000023
其中，k表示通信路径上的边缘设备总数；Ei(f)表示边缘设备i执行神经网络所需要的平均执行时间；dij表示边缘设备i和边缘设备j之间的平均通信时间且dij＝DiTij；Di表示边缘设备i的数据输出量；Tij表示边缘设备i和边缘设备j之间传输单位数据所耗费的时间且
Figure FDA0003738259990000024
Bij表示边缘设备i和边缘设备j之间的传输带宽。
7.根据权利要求4所述的用于分布式神经网络的边缘网络通信路径选择方法，其特征在于，所述步骤(2)还包括：对每一组存在通信路径的边缘设备之间的信息素设置上限τmax和下限τmin。
CN202210803016.0A 2022-07-09 2022-07-09 一种用于分布式神经网络的边缘网络通信路径选择方法 Active CN115361330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210803016.0A CN115361330B (zh) 2022-07-09 2022-07-09 一种用于分布式神经网络的边缘网络通信路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210803016.0A CN115361330B (zh) 2022-07-09 2022-07-09 一种用于分布式神经网络的边缘网络通信路径选择方法

Publications (2)

Publication Number Publication Date
CN115361330A true CN115361330A (zh) 2022-11-18
CN115361330B CN115361330B (zh) 2023-09-08

Family

ID=84031116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210803016.0A Active CN115361330B (zh) 2022-07-09 2022-07-09 一种用于分布式神经网络的边缘网络通信路径选择方法

Country Status (1)

Country Link
CN (1) CN115361330B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162723A1 (en) * 2003-03-05 2008-07-03 Fuyong Zhao Method and apparatus for updating probabilistic network routing information
US7466655B1 (en) * 2003-09-16 2008-12-16 Cisco Technology, Inc. Ant-based method for discovering a network path that satisfies a quality of service equipment
US8018953B1 (en) * 2003-08-20 2011-09-13 Cisco Technology, Inc. Adaptive, deterministic ant routing approach for updating network routing information
CN104951836A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 基于神经网络技术的发帖预测系统
CN106230716A (zh) * 2016-07-22 2016-12-14 江苏省电力公司信息通信分公司 一种蚁群算法及电力通信网通信业务智能调配方法
CN110808911A (zh) * 2019-11-13 2020-02-18 天津津航计算技术研究所 基于蚁群信息素的组网通信路由方法
CN111738399A (zh) * 2020-08-13 2020-10-02 常熟理工学院 基于启发式的蚁群航迹恢复方法
CN111860989A (zh) * 2020-07-08 2020-10-30 南通大学 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN112486665A (zh) * 2020-11-03 2021-03-12 深圳市中博科创信息技术有限公司 一种基于对等网络的边缘人工智能计算任务调度方法
CN113014484A (zh) * 2021-02-09 2021-06-22 浙江工商大学 一种基于bp神经网络蚁群算法的网络路由规划方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162723A1 (en) * 2003-03-05 2008-07-03 Fuyong Zhao Method and apparatus for updating probabilistic network routing information
US8018953B1 (en) * 2003-08-20 2011-09-13 Cisco Technology, Inc. Adaptive, deterministic ant routing approach for updating network routing information
US7466655B1 (en) * 2003-09-16 2008-12-16 Cisco Technology, Inc. Ant-based method for discovering a network path that satisfies a quality of service equipment
CN104951836A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 基于神经网络技术的发帖预测系统
CN106230716A (zh) * 2016-07-22 2016-12-14 江苏省电力公司信息通信分公司 一种蚁群算法及电力通信网通信业务智能调配方法
CN110808911A (zh) * 2019-11-13 2020-02-18 天津津航计算技术研究所 基于蚁群信息素的组网通信路由方法
CN111860989A (zh) * 2020-07-08 2020-10-30 南通大学 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN111738399A (zh) * 2020-08-13 2020-10-02 常熟理工学院 基于启发式的蚁群航迹恢复方法
CN112486665A (zh) * 2020-11-03 2021-03-12 深圳市中博科创信息技术有限公司 一种基于对等网络的边缘人工智能计算任务调度方法
CN113014484A (zh) * 2021-02-09 2021-06-22 浙江工商大学 一种基于bp神经网络蚁群算法的网络路由规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CODELOVE: "《利用蚁群算法优化前向神经网络》", 《百度》 *
QIAN TAO: "《Using ant colony arithmetic to distribute the ammunition based on multi-target threaten evaluation》", 《IEEE》 *
王训兵: "《基于蚁群优化的Ad Hoc网络多路径路由协议的研究》", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN115361330B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Konstantopoulos et al. Effective determination of mobile agent itineraries for data aggregation on sensor networks
Gao et al. Efficient data collection in wireless sensor networks with path-constrained mobile sinks
CN109167671B (zh) 一种面向量子密钥分发业务的配用通信系统均衡负载调度方法
Yousefi et al. An energy-efficient artificial bee colony-based clustering in the internet of things
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
Wang et al. A tree-based particle swarm optimization for multicast routing
Li et al. Slime mold inspired routing protocols for wireless sensor networks
Zhang et al. An approach of multi-objective computing task offloading scheduling based NSGS for IOV in 5G
Cicioğlu Multi-criteria handover management using entropy‐based SAW method for SDN-based 5G small cells
CN112256429B (zh) 基于计算图和工业云边缘系统的数据请求处理方法
Kiani AR‐RBFS: Aware‐Routing Protocol Based on Recursive Best‐First Search Algorithm for Wireless Sensor Networks
Xia et al. Near-optimal and learning-driven task offloading in a 5G multi-cell mobile edge cloud
Ashtari et al. Knowledge-defined networking: Applications, challenges and future work
Cui et al. A new approach on task offloading scheduling for application of mobile edge computing
Ramalingam et al. Performance enhancement of efficient clustering and routing protocol for wireless sensor networks using improved elephant herd optimization algorithm
CN110784903A (zh) 网络数据传输方法、装置、计算机设备和存储介质
Zhang et al. An Efficient Caching and Offloading Resource Allocation Strategy in Vehicular Social Networks
Han et al. Optimization of mobile edge computing offloading model for distributed wireless sensor devices
CN115361330A (zh) 一种用于分布式神经网络的边缘网络通信路径选择方法
Sharma et al. Optimized Tuning of LOADng Routing Protocol Parameters for IoT.
Lu et al. Resource-efficient distributed deep neural networks empowered by intelligent software-defined networking
CN113783726A (zh) 一种面向sla的边云系统的资源自适应定制方法
Assareh et al. A novel many-objective clustering algorithm in mobile ad hoc networks
CN116132354B (zh) 一种无人机集群网络化传输路径优化方法及系统

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