CN115934298A - 一种前后端协作的电力监控mec卸载方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种前后端协作的电力监控MEC卸载方法、系统及存储介质，方法包括以下步骤：构建基于简单神经网络的前端监控设备处理模型；构建前端监控设备先处理计算任务，经质量评估是否移至后端MEC服务器的决策体系；构建基于复杂残差结构的神经网络后端MEC服务器处理模型；构建前后端协作理念的电力监控系统。本发明计算任务在移交至后端MEC服务器处理的情况下，能够有效地利用前端浪费的计算过程，不仅能提升后端神经网络的深度、提高准确率；而且能针对性地增加后端算法的训练样本，建立更好的预测模型。此外，后端算法模型利用知识蒸馏，也能反过来引导计算资源受限的前端设备的预测，达到一个动态地良好循环，增强了MEC电力监控卸载系统整体性和协同性。

Description

一种前后端协作的电力监控MEC卸载方法、系统及存储介质

技术领域

本发明涉及电力监控系统中任务卸载决策领域，具体涉及一种电力监控MEC卸载方法、系统及存储介质。

背景技术

随着国家电网的发展，电网中各供配电系统的规模更大巨大、分布更加复杂，其稳定性、实用性、易用性等性能也面临更高的要求。终端需求的激增，也使得电网负荷增加，稳定性能要求提升。电力电网运行和管理需要及时有效的在线运行参数，以便及时了解设备运行状况，实现电力设备管理的智能化。传统的云计算模式显然已经不能提供电力监控系统所需的超量数据、超低时延以及超可靠性的计算服务。

边缘计算作为一种新的分布式架构被提出，作为云计算的补充，边缘计算主要部署在靠近计算数据源的客户端网络边缘。边缘计算将原有依赖云计算中的大型中心云节点处理的大型业务划分为相对较小的计算任务，然后交给不同的边缘节点进行计算处理。由于边缘设备的部署位置通常比云数据中心更靠近产生数据和计算任务，直接在边缘处理计算服务可以减少任务传输计算带来的延迟和能耗。

如何降低时延以及获得更精确的识别结果，是MEC(Multi-access EdgeComputing)任务卸载一直关注的问题。一种常用的MEC卸载方法，就是在前端监控设备和后端MEC服务器上分别部署复杂度不同的算法，先尝试在前端监控设备上直接得到结果，如若不能满足识别精度的要求，则再将任务通过优化算法卸载给后端MEC服务器进行计算。这种常规方法会带来一些缺点，一是如果前端计算结果不能满足识别精度的要求，需要卸载至MEC服务器完成时，相当于前后端都要对计算任务进行处理，不仅前端的计算结果会被浪费，而且还增加了整体处理任务的时间；二是前后端处理任务相对独立，前端不能帮助后端进行计算、后端也不能指导前端提升结果精度，系统整体比较割裂。如何改良这些问题，就是本发明关注的重点。

发明内容

本发明要解决的问题就是提供一种前后端协作的电力监控MEC卸载方法，其能够实现前端计算资源的充分利用以及系统整体的协同辅助。

为了解决上述问题，本发明提供一种前后端协作的电力监控MEC卸载方法，包括以下步骤：

构建基于简单神经网络的前端监控设备处理模型；

前端监控设备先对监控图像进行计算识别，并进行质量评估，根据质量评估结果决定是否移至后端MEC服务器；

构建基于复杂残差结构的神经网络后端MEC服务器处理模型；

前端监控设备携带部分特征结果辅助后端MEC服务器处理任务，后端MEC服务器利用知识蒸馏提升前端系统识别正确率。

所述基于简单神经网络的前端监控设备处理模型，由前端监控设备性能选取合适的卷积核个数、卷积核尺寸以及卷积的次数，这些参数的不同会导致算法速度和算法准确度也不同。

所述前端监控设备先对监控图像进行计算识别任务，再进行质量评估，根据质量评估结果决定是否移至后端MEC服务器。前端监控设备即刻对监控图像进行计算识别并完成质量评估，通过质量评估的图像将直接以前端监控设备的计算结果展示，若未能通过质量评估，则需要向后端MEC服务器传递图像数据并携带处理过程中的部分特征结果，所述部分特征结果来自于前端简单神经网络若干次卷积后的特征层。

所述的质量评估方法具体包括以下步骤：

前端监控设备由于硬件限制对监控视频的画面进行压缩，以获得更快的响应速度，压缩程度将直接影响计算结果质量；

计算质量评估的损失函数，假设视频压缩比例为α，识别算法的损失函数为L，那么质量评估的损失函数L_q：

所述的质量评估的损失函数越大，识别准确率越低，计算结果越差，根据对准确度的需求，确定质量评估损失函数的阈值，损失函数值如果超过阈值，即认为前端监控设备的结果不能满足要求，则将计算任务移交至后端MEC服务器完成并携带处理过程中的部分特征结果。

所述基于复杂残差结构的神经网络后端MEC服务器处理模型，后端MEC服务器处理模型采用一种基于残差结构的神经网络模型；残差网络能够解决网络过深导致的梯度消失或网络退化问题，前端监控设备传来的特征结果将以类似残差网络的作用加入到后端MEC服务器运算，提升识别效果。

所述前端监控设备携带部分特征结果辅助MEC服务器处理任务，前端监控设备传来的特征数据，将作为后端MEC服务器主干检测网络中残差块的残差边加入计算，残差块的选择为后续FPN(Feature Pyramid Networks)特征金字塔的有效输入残差块；前端监控设备传来的特征数据尺寸，应与后端网络结构残差块数据尺寸保持一致，假设后端残差块的数据尺寸为52×52×256，那么前端传来的特征数据尺寸必须为52×52×N，如若尺寸不同，可以通过上采样或下采样调整，N为通道数可以不同，但一般小于后端残差块的通道数；此外，前端传来的特征数据可以是多组，对应多组残差块的残差边，具体数量由容许带宽大小和时延要求决定，残差结构采用叠加的形式，若前端传来的特征层数据为x，后端自身特征层为F(x)，那么下一次卷积的特征层数据为F(x)+x。

所述后端MEC服务器利用知识蒸馏提升前端系统识别正确率，后端在提取完图像特征之后，进行Soft-target蒸馏，在softmax层加入“温度”变量，用于突出后端服务器负标签携带的信息：

其中,q_i是每个类别输出概率，z_i、z_j分别是衡量图片属于i、j类的大小数值，数值越大，概率越高，T是温度，当温度T＝1时，就是标准的softmax公式，T越高，负标签携带的信息就会被相对地放大，模型训练将更加关注负标签，后端MEC服务器将所有类别的概率q传到前端监控设备，提升前端系统识别正确率。

所述后端MEC服务器利用知识蒸馏提升前端系统识别正确率，前端使用高温蒸馏的Soft-target和标准softmax函数输出的Hard-target两部分同时训练Student模型；前端监控设备提取的特征图同样经上述

计算，得出输出概率二p_i，那么前端训练第一部分高温蒸馏下的损失函数L_soft为：

第二部分采用标准softmax函数输出的损失函数L_hard为：

其中，c_i∈{0,1}，正标签取1，负标签取0，

是代表前端神经网络模型的softmax层输出概率，形式为输出概率q_i的公式下，T＝1的情况；最后前端训练模型的损失函数L为：

L＝αL_soft+βL_hard

α和β分别是关于高温蒸馏下的损失函数L_soft和采用标准softmax函数输出的损失函数L_hard的权重，当α＝T²β时，训练效果最好，所以按照此结论设定权重。

一种前后端协作的电力监控MEC卸载系统，包括以下模块：

前端模型模块：构建基于简单神经网络的前端监控设备处理模型；

前端监控设备质量评估模块：前端监控设备先对监控图像进行计算识别，并进行质量评估，根据质量评估结果决定是否移至后端MEC服务器；

后端模型构建模块：构建基于复杂残差结构的神经网络后端MEC服务器处理模型；

前后联合处理模块：前端监控设备携带部分特征结果辅助后端MEC服务器处理任务，后端MEC服务器利用知识蒸馏提升前端系统识别正确率。

一种计算机可读存储介质，用于存储上述前后端协作的电力监控MEC卸载方法及系统。

本发明达到的有益效果是：本发明在传统的前后端分离的MEC卸载方法下，对于前端先处理任务不能满足要求，从而移交至后端MEC服务器的情况，能够有效地利用前端浪费的计算过程，不仅能提升后端神经网络的深度、提高准确率；而且能针对性地增加后端算法的训练样本，建立更好的预测模型。此外，后端算法模型利用知识蒸馏，也能反过来引导计算资源受限的前端设备的预测，达到一个动态地良好循环，增强了MEC电力监控卸载系统整体性和协同性。

需要注意的是，本专利与分布式深度神经网络有所不同，分布式神经网络在云端进行深度神经网络的推理，在边缘和终端设备上使用神经网络的浅层部分进行快速、本地化推理，本质上是针对同一个神经网络进行计算。但本专利采用复杂度不同的神经网络互相协助，本质上是两种神经网络分别计算得出结果。

附图说明

为了更清楚的说明本发明实施例技术中的技术方案，下面将对实施例技术描述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发明的一些实施例，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，还能够根据这些附图获得其他的附图。

图1为本发明实施例电力监控系统中一种基于残差网络的前后端协作的MEC卸载系统示意图；

图2为本发明实施例中前端AlexNet神经网络携带特征层的示意图；

图3为本发明实施例中特征结果参与后端DarkNet53神经网络残差块计算的示意图；

图4为本发明实施例中后端模型利用知识蒸馏技术引导前端模型预测的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

参照图1～图4所示，本发明提供一种前后端协作的电力监控MEC卸载方法，包括以下步骤：

S1：构建基于简单神经网络的前端监控设备处理模型；

S2：前端监控设备先对监控图像进行计算识别，并进行质量评估，根据质量评估结果决定是否移至后端MEC服务器；

S3：构建基于复杂残差结构的神经网络后端MEC服务器处理模型；

S4：前端监控设备携带部分特征结果辅助后端MEC服务器处理任务，后端MEC服务器利用知识蒸馏提升前端系统识别正确率。

在步骤S1中，所述基于简单神经网络的前端监控设备处理模型，由前端监控设备性能选取合适的卷积核个数、卷积核尺寸以及卷积的次数，这些参数的不同会导致算法速度和算法准确度也不同；

在步骤S2中，所述前端监控设备先对监控图像进行计算识别，再进行质量评估，根据质量评估结果决定是否移至后端MEC服务器。前端监控设备即刻对监控图像进行计算识别并完成质量评估，通过质量评估的图像将直接以前端监控设备的计算结果展示，若未能通过质量评估，则需要向后端MEC服务器传递图像数据并携带处理过程中的部分特征结果，所述部分特征结果来自于前端简单神经网络若干次卷积后的特征层。

所述的质量评估方法具体包括以下步骤：

前端监控设备由于硬件限制对监控视频的画面进行压缩，以获得更快的响应速度，压缩程度将直接影响计算结果质量；

计算质量评估的损失函数，假设视频压缩比例为α，识别算法的损失函数为L，那么质量评估的损失函数L_q：

所述的质量评估的损失函数越大，识别准确率越低，计算结果越差，根据对准确度的需求，确定质量评估损失函数的阈值，损失函数值如果超过阈值，即认为前端监控设备的结果不能满足要求，则将计算任务移交至后端MEC服务器完成并携带处理过程中的部分特征结果。

在步骤S3中，所述基于复杂残差结构的神经网络后端MEC服务器处理模型，后端MEC服务器处理模型采用一种基于残差结构的神经网络模型；残差网络能够解决网络过深导致的梯度消失或网络退化问题，前端监控设备传来的特征结果将以类似残差网络的作用加入到后端MEC服务器运算，提升识别效果。

在步骤S4中，所述前端监控设备携带部分特征结果辅助MEC服务器处理任务，前端监控设备传来的特征数据，将作为后端MEC服务器主干检测网络中残差块的残差边加入计算，残差块的选择为后续FPN(Feature Pyramid Networks)特征金字塔的有效输入残差块；前端监控设备传来的特征数据尺寸，与后端网络结构残差块数据尺寸保持一致，假设后端残差块的数据尺寸为52×52×256，那么前端传来的特征数据尺寸必须为52×52×N，如若尺寸不同，可以通过上采样或下采样调整，N为通道数可以不同，但一般小于后端残差块的通道数；此外，前端传来的特征数据可以是多组，对应多组残差块的残差边，具体数量由容许带宽大小和时延要求决定，残差结构采用叠加的形式，若前端传来的特征层数据为x，后端自身特征层为F(x)，那么下一次卷积的特征层数据为F(x)+x。

在步骤S4中，所述后端MEC服务器利用知识蒸馏提升前端系统识别正确率，后端在提取完图像特征之后，进行Soft-target蒸馏，在softmax层加入“温度”变量，用于突出后端服务器负标签携带的信息：

其中,q_i是每个类别输出概率，z_i、z_j分别是衡量图片属于i、j类的大小数值，数值越大，概率越高，T是温度，当温度T＝1时，就是标准的softmax公式，T越高，负标签携带的信息就会被相对地放大，模型训练将更加关注负标签，后端MEC服务器将所有类别的概率q传到前端监控设备，提升前端系统识别正确率。

所述后端MEC服务器利用知识蒸馏提升前端系统识别正确率，前端使用高温蒸馏的Soft-target和传统标准softmax函数输出的Hard-target两部分同时训练Student模型；前端监控设备提取的特征图同样经上述

计算，得出输出概率二p_i，那么前端训练第一部分高温蒸馏下的损失函数L_soft为：

第二部分采用标准softmax函数输出的损失函数L_hard为：

其中，c_i∈{0,1}，正标签取1，负标签取0，

是代表前端神经网络模型的softmax层输出概率，形式为输出概率q_i的公式下，T＝1的情况；最后前端训练模型的损失函数L为：

L＝αL_soft+βL_hard

α和β分别是关于高温蒸馏下的损失函数L_soft和采用标准softmax函数输出的损失函数L_hard的权重，当α＝T²β时，训练效果最好，所以按照此结论设定权重。

一种前后端协作的电力监控MEC卸载系统，包括以下模块：

前端模型模块：构建基于简单神经网络的前端监控设备处理模型；

前端监控设备质量评估模块：前端监控设备先对监控图像进行计算识别，并进行质量评估，根据质量评估结果决定是否移至后端MEC服务器；

后端模型构建模块：构建基于复杂残差结构的神经网络后端MEC服务器处理模型；

前后联合处理模块：前端监控设备携带部分特征结果辅助后端MEC服务器处理任务，后端MEC服务器利用知识蒸馏提升前端系统识别正确率。

一种计算机可读存储介质，用于存储上述前后端协作的电力监控MEC卸载方法及系统。

每个功能模块中的进一步的技术特征与前后端协作的电力监控MEC卸载方法中的一致。

实施例2

后端MEC服务器采用的网络模型可以替换为任意的具有残差结构形式的模型，如VGG、Resnet等。

其它技术特征与实施例1相同。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理能够在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖点相一致的最宽的范围。

Claims (10)

1.一种前后端协作的电力监控MEC卸载方法，其特征在于，包括以下步骤：

构建基于简单神经网络的前端监控设备处理模型；

前端监控设备先对监控图像进行计算识别，并进行质量评估，根据质量评估结果决定是否移至后端MEC服务器；

构建基于复杂残差结构的神经网络后端MEC服务器处理模型；

前端监控设备携带部分特征结果辅助后端MEC服务器处理任务，后端MEC服务器利用知识蒸馏提升前端系统识别正确率。

2.根据权利要求1所述的前后端协作的电力监控MEC卸载方法，其特征在于：所述基于简单神经网络的前端监控设备处理模型，由前端监控设备选取卷积核个数、卷积核尺寸以及卷积的次数。

3.根据权利要求1所述的前后端协作的电力监控MEC卸载方法，其特征在于：所述前端监控设备先对监控图像进行计算识别任务，再进行质量评估，根据质量评估结果决定是否移至后端MEC服务器，前端监控设备即刻对监控图像进行计算识别并完成质量评估，通过质量评估的图像将直接以前端监控设备的计算结果展示，若未能通过质量评估，则向后端MEC服务器传递图像数据并携带处理过程中的部分特征结果，所述部分特征结果来自于前端简单神经网络若干次卷积后的特征层。

4.根据权利要求3所述的前后端协作的电力监控MEC卸载方法，其特征在于：所述的质量评估方法具体包括以下步骤：

前端监控设备由于硬件限制对监控视频的画面进行压缩，以获得更快的响应速度；

计算质量评估的损失函数，假设视频压缩比例为α，识别算法的损失函数为L，那么质量评估的损失函数L_q：

所述的质量评估的损失函数越大，识别准确率越低，计算结果越差；确定质量评估损失函数的阈值，损失函数值如果超过阈值，即认为前端监控设备的结果不能满足要求，则将计算任务移交至后端MEC服务器完成并携带处理过程中的部分特征结果。

5.根据权利要求1所述的前后端协作的电力监控MEC卸载方法，其特征在于：所述前端监控设备携带部分特征结果辅助MEC服务器处理任务，包括以下具体步骤：

前端监控设备传来的特征数据，将作为后端MEC服务器主干检测网络中残差块的残差边加入计算，残差块的选择为后续FPN特征金字塔的有效输入残差块；

前端监控设备传来的特征数据尺寸，应与后端网络结构残差块数据尺寸保持一致，前端传来的特征数据可以是多组，对应多组残差块的残差边，具体数量由容许带宽大小和时延要求决定，残差结构采用叠加的形式，若前端传来的特征层数据为x，后端自身特征层为F(x)，那么下一次卷积的特征层数据为F(x)+x。

6.根据权利要求1所述的前后端协作的电力监控MEC卸载方法，其特征在于：所述后端MEC服务器利用知识蒸馏提升前端系统识别正确率，具体包括以下步骤：

后端在提取完图像特征之后，进行Soft-target蒸馏，在softmax层加入温度变量，用于突出后端服务器负标签携带的信息：

其中,q_i是每个类别输出概率，z_i、z_j分别是衡量图片属于i、j类的大小数值，数值越大，概率越高，T是温度；

前端使用高温蒸馏的Soft-target和标准softmax函数输出的Hard-target两部分同时训练Student模型；前端监控设备提取的特征图同样经上述

计算，得出输出概率二p_i，那么前端训练第一部分高温蒸馏下的损失函数L_soft为：

第二部分采用标准softmax函数输出的损失函数L_hard为：

其中，c_i∈{0,1}，正标签取1，负标签取0，

是代表前端神经网络模型的softmax层输出概率，形式为输出概率q_i的公式下，T＝1的情况；

最后前端训练模型的损失函数L为：

L＝αL_soft+βL_hard

α和β分别是关于高温蒸馏下的损失函数L_soft和采用标准softmax函数输出的损失函数L_hard的权重，当α＝T²β时，训练效果最好。

7.一种前后端协作的电力监控MEC卸载系统，其特征在于，包括以下模块：

前端模型模块：构建基于简单神经网络的前端监控设备处理模型；

前端监控设备质量评估模块：前端监控设备先对监控图像进行计算识别，并进行质量评估，根据质量评估结果决定是否移至后端MEC服务器；

后端模型构建模块：构建基于复杂残差结构的神经网络后端MEC服务器处理模型；

前后联合处理模块：前端监控设备携带部分特征结果辅助后端MEC服务器处理任务，后端MEC服务器利用知识蒸馏提升前端系统识别正确率。

8.根据权利要求7所述的一种前后端协作的电力监控MEC卸载系统，其特征在于：所述前端监控设备先对监控图像进行计算识别任务，再进行质量评估，根据质量评估结果决定是否移至后端MEC服务器，前端监控设备即刻对监控图像进行计算识别并完成质量评估，通过质量评估的图像将直接以前端监控设备的计算结果展示，若未能通过质量评估，则向后端MEC服务器传递图像数据并携带处理过程中的部分特征结果，所述部分特征结果来自于前端简单神经网络若干次卷积后的特征层。

9.根据权利要求8所述的一种前后端协作的电力监控MEC卸载系统，其特征在于：所述的质量评估方法具体包括以下步骤：

前端监控设备由于硬件限制对监控视频的画面进行压缩，以获得更快的响应速度；

计算质量评估的损失函数，假设视频压缩比例为α，识别算法的损失函数为L，那么质量评估的损失函数L_q：

所述的质量评估的损失函数越大，识别准确率越低，计算结果越差；确定质量评估损失函数的阈值，损失函数值如果超过阈值，即认为前端监控设备的结果不能满足要求，则将计算任务移交至后端MEC服务器完成并携带处理过程中的部分特征结果。

10.一种计算机可读存储介质，用于存储权利要求1-6任一项所述的前后端协作的电力监控MEC卸载方法。

Images