CN116170439A - 面向新型负荷接入的多业务数据云边卸载方法及系统 - Google Patents
面向新型负荷接入的多业务数据云边卸载方法及系统 Download PDFInfo
- Publication number
- CN116170439A CN116170439A CN202310179824.9A CN202310179824A CN116170439A CN 116170439 A CN116170439 A CN 116170439A CN 202310179824 A CN202310179824 A CN 202310179824A CN 116170439 A CN116170439 A CN 116170439A
- Authority
- CN
- China
- Prior art keywords
- terminal
- unloading
- data
- uncertainty
- time delay
- 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.)
- Pending
Links
Images
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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种面向新型负荷接入的多业务数据云边卸载方法及系统,所述方案包括:获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;基于计算得到的终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
Description
技术领域
本公开属于边缘计算技术领域,尤其涉及一种面向新型负荷接入的多业务数据云边卸载方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着以新能源为主体的新型电力系统的建设,大量新型负荷接入配电网导致多业务的数据规模海量增长,且这些数据分布散落在配网末端,给配电网数据处理能力带来了巨大挑战。
边缘计算为新型负荷接入场景下配电网负荷终端的数据处理问题提供了解决思路。边缘服务器部署在靠近数据源的网络边缘侧,能够为配电网业务数据提供数据卸载服务,然而边缘服务器计算资源有限,只能支持一定数量负荷终端的业务数据卸载;云服务器具有充足的计算资源,但是云服务器距离终端距离较远,数据卸载需要付出更大的通信代价。云边协同互补了云计算和边缘计算的优缺点,通过数据、资源、服务器三方面的协同能够很好的满足配电网负荷终端的差异化业务数据卸载需求。
但是,发明人发现,在海量新型负荷接入场景下,负荷终端密集分布,业务数据具有海量异构、集中并发的特点,给处理资源有限的边缘服务器可靠运行带来巨大挑战。
发明内容
本公开为了解决上述问题,提供了一种面向新型负荷接入的多业务数据云边卸载方法及系统,所述方案利用不确定性时延估计神经网络预测配电网负荷终端业务数据卸载过程中的不确定性时延,基于神经网络参数反馈调节机制动态调整不确定性时延估计向量的理想更新目标,使得不确定性时延预测结果不断趋于真实值,有效解决了配电网新型负荷接入场景下由于不确定性时延导致的卸载决策不合理问题,避免了卸载决策不合理所引起的业务服务质量下降。
根据本公开实施例的第一个方面,提供了一种面向新型负荷接入的多业务数据云边卸载方法,包括:
获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;其中,所述匹配资源集合包括若干信道向边缘服务器进行数据卸载的方案;
基于获得的考虑终端云边卸载不确定性时延的云边卸载时延、终端到边缘服务器的匹配成本以及终端与信道的匹配成本,计算终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;
对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;
基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
进一步的,所述考虑终端云边卸载不确定性时延的云边卸载时延的获取,具体为:基于预先训练的不确定性时延估计神经网络,获得数据卸载过程中的不确定性数据传输时延与不确定性数据处理时延;并对终端经信道到边缘服务器的理论传输时延、理论处理时延、获得的不确定性数据传输时延与不确定性数据处理时延求和,获得考虑终端云边卸载不确定性时延的云边卸载时延。
进一步的,所述不确定性时延估计神经网络包括输入层、隐藏层及输出层,所述不确定性时延估计神经网络的输入包括不确定性数据传输时延信息和不确定性数据处理时延信息,输出为不确定性时延估计向量;其中,所述确定性数据传输时延信息包括信道选择经验信息和信道估计信息;所述不确定性数据处理时延信息包括经验不确定性数据处理时延信息和服务器可用计算资源信息。
进一步的,所述不确定性时延估计神经网络基于神经网络参数反馈调节机制动态调整不确定性时延估计向量的理想更新目标。
进一步的,所述终端到所述匹配资源集合中每个卸载方案的偏好值的计算,具体采用如下公式:
进一步的,所述终端经信道到服务器的理论传输时延,具体为终端当前时隙卸载的数据量大小与采用当前信道向边缘服务器进行数据卸载的理论传输速率的比值;所述理论处理时延为终端当前时隙卸载的数据量大小乘以当前时隙处理终端单位比特数据所需的CPU周期数后,与边缘服务器在当前时隙能够分配给当前终端的计算资源的比值。
根据本公开实施例的第二个方面,提供了一种面向新型负荷接入的多业务数据云边卸载系统,包括:
数据获取单元,其用于获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;其中,所述匹配资源集合包括若干信道向边缘服务器进行数据卸载的方案;
偏好列表获取单元,其用于基于获得的考虑终端云边卸载不确定性时延的云边卸载时延、终端到边缘服务器的匹配成本以及终端与信道的匹配成本,计算终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;
卸载方案匹配单元,其用于对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;
云边卸载单元,其用于基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种面向新型负荷接入的多业务数据云边卸载方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种面向新型负荷接入的多业务数据云边卸载方法。
与现有技术相比,本公开的有益效果是:
(1)本公开提供了一种面向新型负荷接入的多业务数据云边卸载方法,所述方案利用不确定性时延估计神经网络预测配电网负荷终端业务数据卸载过程中的不确定性时延,基于神经网络参数反馈调节机制动态调整不确定性时延估计向量的理想更新目标,使得不确定性时延预测结果不断趋于真实值,有效解决了配电网新型负荷接入场景下由于不确定性时延导致的卸载决策不合理问题,避免了卸载决策不合理所引起的业务服务质量下降。
(2)所述方案提出基于不确定性时延感知的云边卸载低时延优化算法,在终端对信道与服务器组合方案的偏好中充分考虑不确定性时延,并提出计及不确定性时延方差的匹配冲突解决方案,实现终端与信道、服务器的合理匹配,有效提升了配电网多业务数据的云边卸载性能。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例中所述的一种面向新型负荷接入的多业务数据云边卸载方法流程图;
图2为本公开实施例中所述的不确定性时延估计神经网络结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种面向新型负荷接入的多业务数据云边卸载方法。
一种面向新型负荷接入的多业务数据云边卸载方法,包括:
获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;其中,所述匹配资源集合包括若干信道向边缘服务器进行数据卸载的方案;
基于获得的考虑终端云边卸载不确定性时延的云边卸载时延、终端到边缘服务器的匹配成本以及终端与信道的匹配成本,计算终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;
对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;
基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
进一步的,所述考虑终端云边卸载不确定性时延的云边卸载时延的获取,具体为:基于预先训练的不确定性时延估计神经网络,获得数据卸载过程中的不确定性数据传输时延与不确定性数据处理时延;并对终端经信道到边缘服务器的理论传输时延、理论处理时延、获得的不确定性数据传输时延与不确定性数据处理时延求和,获得考虑终端云边卸载不确定性时延的云边卸载时延。
进一步的,所述不确定性时延估计神经网络包括输入层、隐藏层及输出层,所述不确定性时延估计神经网络的输入包括不确定性数据传输时延信息和不确定性数据处理时延信息,输出为不确定性时延估计向量;其中,所述确定性数据传输时延信息包括信道选择经验信息和信道估计信息;所述不确定性数据处理时延信息包括经验不确定性数据处理时延信息和服务器可用计算资源信息。
进一步的,所述不确定性时延估计神经网络基于神经网络参数反馈调节机制动态调整不确定性时延估计向量的理想更新目标。
进一步的,所述终端到所述匹配资源集合中每个卸载方案的偏好值的计算,具体采用如下公式:
进一步的,所述终端经信道到服务器的理论传输时延,具体为终端当前时隙卸载的数据量大小与采用当前信道向边缘服务器进行数据卸载的理论传输速率的比值;所述理论处理时延为终端当前时隙卸载的数据量大小乘以当前时隙处理终端单位比特数据所需的CPU周期数后,与边缘服务器在当前时隙能够分配给当前终端的计算资源的比值。
进一步的,所述资源基本信息包括配电网负荷终端数、信道数以及边缘服务器数。
具体的,为了便于理解,以下结合附图对本实施例所述方案进行详细说明:
本实施例所述方案主要解决如下问题;
(1)数据卸载过程中不确定性时延评估不准确问题
在数据卸载过程中,流量拥塞、干扰等突发事件会导致数据卸载的不确定性时延增加。现有云边卸载方法缺少有效的不确定性时延评估机制,导致云边数据卸载过程中不确定性时延评估不准确,从而使数据卸载时延性能较差。
(2)海量配电网新型负荷接入场景下云边卸载性能差问题
海量配电网新型负荷接入场景下,数据卸载处理过程中的不确定性时延会引起多业务数据卸载时延的评估误差,影响配电网负荷终端卸载方案选取结果,从而导致云边卸载性能差。
为了解决上述问题,本实施例提供了一种面向新型负荷接入的多业务数据云边卸载方法,其主要技术构思为:构建面向配电网新型负荷接入的多业务数据云边卸载时延模型;基于所述时延模型构建面向配电网新型负荷接入的多业务数据云边卸载时延优化问题;利用基于不确定性时延感知的云边卸载低时延优化算法进行问题求解三部分,以下从这三个部分对本实施例所述方法进行详细说明:
(一)面向配电网新型负荷接入的多业务数据云边卸载时延模型
配电网负荷终端将自身的待卸载多业务数据整合后,可以选择将多业务数据卸载至边缘服务器或云服务器进行处理。假设共有T个时隙,集合表示为T={1,...,t,...,T}。配电网新型负荷多业务数据云边卸载时延模型介绍如下。
(1)不考虑不确定性时延的云边卸载时延模型
其中,为第t个时隙中第m个终端采用第j个信道到第n个服务器的理论传输时延,/>为第t个时隙第m个终端的数据在第n个服务器上的理论处理时延。特别地,当n=0时,表示终端将数据直接卸载到云服务器进行处理。
其中,um(t)表示dm在第t个时隙卸载的数据量大小;Rm,j,n(t)表示第m个终端采用第j个信道向第n个服务器进行数据卸载的理论传输速率;特别地,Rm,j,0(t)表示第m个终端与云服务器之间的理论数据传输速率。
其中,fm,n(t)表示第n个服务器在第t个时隙能够分配给第m个终端的计算资源,特别地,fm,0(t)表示云服务器分配给第m个终端的计算资源;λm(t)表示第t个时隙处理终端dm单位比特数据所需的CPU周期数。
(2)考虑不确定性时延的云边卸载时延模型
其中,为第t个时隙中第m个终端采用第j个信道到第n个服务器的不确定性传输时延,由突发干扰、流量拥塞等因素引起;/>为第t个时隙中第m个终端采集数据在第n个服务器上的不确定性处理时延,由任务数据处理延迟、突然到达的紧急任务处理等因素引起。本专利通过构建不确定性时延估计神经网络对两个不确定性时延进行预测,具体步骤在第三部分步骤二进行详细介绍。
(二)面向配电网新型负荷接入的多业务数据云边卸载时延优化问题构建
本实施例所述方案旨在通过配电网负荷多业务数据云边卸载信道与服务器选择的协同优化,最小化配电网负荷云边卸载时延。将优化目标建模为最小化整个优化周期内所有配电网负荷终端的云边卸载时延,优化问题可以构建为:
其中,xm,n(t)为服务器选择指示变量,xm,n(t)=1表示第t个时隙中第m个终端选择第n个服务器处理多业务数据,否则xm,n(t)=0;am,j(t)为信道选择指示变量,am,j(t)=1表示第t个时隙中第m个终端采用第j个信道传输多业务数据,否则am,j(t)=0;C1为服务器选择约束,表示同一个服务器最多只允许qn个终端选择;C2为信道选择约束,表示同一个信道最多只允许pj个终端选择。
(三)基于不确定性时延感知的云边卸载低时延优化算法
基于不确定性时延感知的云边卸载低时延优化算法流程如附图1所示,具体介绍如下。
步骤1:面向配电网新型负荷接入的多业务数据云边卸载问题组合降维
本实施例所述方案通过对信道和服务器进行匹配资源组合,得到匹配资源集合为H={h1,0,...,hj,n,...,hJ,N},J为信道总个数,N为服务器总个数,hj,n∈H表示终端采用第j个信道向第n个服务器进行数据卸载的方案。
基于上述匹配资源组合方案,原配电网负荷终端、信道与服务器之间的三维匹配问题可降维为配电网负荷与匹配组合方案之间的二维匹配问题。
步骤2:不确定性时延估计与不确定性时延方差评估
不确定性时延估计神经网络在第t个时隙的神经网络参数为ω(t),由输入层、隐藏层、输出层三层构成,如附图2所示。输入信息包含不确定性数据传输时延信息与不确定性数据处理时延信息两部分。其中,前者包含信道选择经验信息和信道估计信息两部分;后者包含经验不确定性数据处理时延信息和服务器可用计算资源信息两部分。输入层将上述信息构成的不确定性时延状态向量输入隐藏层;隐藏层通过设定恰当的神经元数量对不确定性时延状态向量进行处理分析;输出层接收来自隐藏层处理分析完毕的数据,并输出不确定性时延估计向量
其中,所述神经网络可以为全连接神经网络、卷积神经网络或BP神经网络等前馈神经网络。
定义第t个时隙中第m个终端选择hj,n进行数据卸载的不确定性数据传输时延方差与不确定性数据处理时延方差为:
步骤3:不确定性时延感知的偏好列表构建
第t个时隙中第m个终端时对hj,n的偏好值与云边卸载时延呈反比,定义为
其中,ρm,n(t)为第m个终端与第n个服务器的匹配成本,ρm,j(t)为第m个终端与第j个信道的匹配成本,两个成本用于解决终端之间的匹配冲突。
终端依据偏好值对各个方案进行降序排序,并构建偏好列表。
步骤4:基于不确定性时延方差感知升价的匹配冲突解决
基于偏好列表,未匹配的终端根据偏好列表向偏好值最大的方案,例如hj,n,发起匹配请求。与hj,n对应的第j个信道和第n个服务器分别统计自身所接收到的匹配请求数量Γj和Γn。当Γj≤pj且Γn≤qn时,表示没有匹配冲突发生,则将终端与hj,n匹配,即xm,n(t)=1,am,j(t)=1。若Γj>pj或Γn>qn时,则信道或服务器的配额无法满足,判定匹配冲突发生。此时,通过提升对应信道或服务器的匹配成本,降低终端对方案hj,n的偏好,从而减少申请匹配同一方案的终端数量,达到解决匹配冲突的目的。在匹配成本提升过程中,应考虑不同终端的不确定性时延方差,优先提升不确定性时延方差较高的终端的匹配成本。信道和服务器的匹配成本更新公式分别表示为:
其中,Δρm,n和Δρm,j分别第m个终端与第n个服务器和第j个信道的匹配成本提升步长,为计及不确定性时延方差的升价因子,升价因子越大,终端的不确定性时延方差的越高,匹配成本提升较快。更新匹配成本后,重复步骤4,直到所有终端完成匹配。
步骤5:基于时延反馈更新不确定性评估参数
终端根据已建立的匹配连接进行数据卸载,当数据传输与处理过程结束后,服务器可获取实际运行过程中的数据传输时延与数据处理时延/>并计算实际运行过程中的不确定性数据传输时延/>与不确定性数据处理时延/>如下所示:/>
其中,κ表示更新步长。
实施例二:
本实施例的目的是提供一种面向新型负荷接入的多业务数据云边卸载系统。
一种面向新型负荷接入的多业务数据云边卸载系统,包括:
数据获取单元,其用于获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;其中,所述匹配资源集合包括若干信道向边缘服务器进行数据卸载的方案;
偏好列表获取单元,其用于基于获得的考虑终端云边卸载不确定性时延的云边卸载时延、终端到边缘服务器的匹配成本以及终端与信道的匹配成本,计算终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;
卸载方案匹配单元,其用于对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;
云边卸载单元,其用于基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
进一步的,本实施例所述系统与实施例一所述方法相对应,其技术细节在实施例一中进行了详细描述,故此处不再赘述。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
上述实施例提供的一种面向新型负荷接入的多业务数据云边卸载方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种面向新型负荷接入的多业务数据云边卸载方法,其特征在于,包括:
获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;其中,所述匹配资源集合包括若干信道向边缘服务器进行数据卸载的方案;
基于获得的考虑终端云边卸载不确定性时延的云边卸载时延、终端到边缘服务器的匹配成本以及终端与信道的匹配成本,计算终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;
对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;
基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
2.如权利要求1所述的一种面向新型负荷接入的多业务数据云边卸载方法,其特征在于,所述考虑终端云边卸载不确定性时延的云边卸载时延的获取,具体为:基于预先训练的不确定性时延估计神经网络,获得数据卸载过程中的不确定性数据传输时延与不确定性数据处理时延;并对终端经信道到边缘服务器的理论传输时延、理论处理时延、获得的不确定性数据传输时延与不确定性数据处理时延求和,获得考虑终端云边卸载不确定性时延的云边卸载时延。
3.如权利要求2所述的一种面向新型负荷接入的多业务数据云边卸载方法,其特征在于,所述不确定性时延估计神经网络包括输入层、隐藏层及输出层,所述不确定性时延估计神经网络的输入包括不确定性数据传输时延信息和不确定性数据处理时延信息,输出为不确定性时延估计向量;其中,所述确定性数据传输时延信息包括信道选择经验信息和信道估计信息;所述不确定性数据处理时延信息包括经验不确定性数据处理时延信息和服务器可用计算资源信息。
4.如权利要求2所述的一种面向新型负荷接入的多业务数据云边卸载方法,其特征在于,所述不确定性时延估计神经网络基于神经网络参数反馈调节机制动态调整不确定性时延估计向量的理想更新目标。
6.如权利要求1所述的一种面向新型负荷接入的多业务数据云边卸载方法,其特征在于,所述终端经信道到服务器的理论传输时延为终端当前时隙卸载的数据量大小与采用当前信道向边缘服务器进行数据卸载的理论传输速率的比值;所述理论处理时延为终端当前时隙卸载的数据量大小乘以当前时隙处理终端单位比特数据所需的CPU周期数后,与边缘服务器在当前时隙能够分配给当前终端的计算资源的比值。
7.如权利要求1所述的一种面向新型负荷接入的多业务数据云边卸载方法,其特征在于,所述资源基本信息包括配电网负荷终端数、信道数以及边缘服务器数。
8.一种面向新型负荷接入的多业务数据云边卸载系统,其特征在于,包括:
数据获取单元,其用于获取当前配电网负荷终端、信道及边缘服务器的资源基本信息;并基于所述资源基本信息,获得匹配资源集合;其中,所述匹配资源集合包括若干信道向边缘服务器进行数据卸载的方案;
偏好列表获取单元,其用于基于获得的考虑终端云边卸载不确定性时延的云边卸载时延、终端到边缘服务器的匹配成本以及终端与信道的匹配成本,计算终端到所述匹配资源集合中每个卸载方案的偏好值,获得偏好列表;
卸载方案匹配单元,其用于对于每个终端,基于所述偏好列表从所述匹配资源集合中选择偏好值最大的数据卸载方案,并进行匹配冲突判断;若存在冲突,则通过提升相应信道或边缘服务器的匹配成本,降低终端对当前数据卸载方案的偏好值,并重新选择数据卸载方案;直至所有终端完成匹配;
云边卸载单元,其用于基于匹配结果进行配电网负荷终端多业务数据的云边卸载。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种面向新型负荷接入的多业务数据云边卸载方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种面向新型负荷接入的多业务数据云边卸载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179824.9A CN116170439A (zh) | 2023-02-23 | 2023-02-23 | 面向新型负荷接入的多业务数据云边卸载方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179824.9A CN116170439A (zh) | 2023-02-23 | 2023-02-23 | 面向新型负荷接入的多业务数据云边卸载方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116170439A true CN116170439A (zh) | 2023-05-26 |
Family
ID=86414527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310179824.9A Pending CN116170439A (zh) | 2023-02-23 | 2023-02-23 | 面向新型负荷接入的多业务数据云边卸载方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116170439A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116646932A (zh) * | 2023-07-24 | 2023-08-25 | 山东华科信息技术有限公司 | 基于配电网云边端资源协同的高比例负荷接入方法及系统 |
-
2023
- 2023-02-23 CN CN202310179824.9A patent/CN116170439A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116646932A (zh) * | 2023-07-24 | 2023-08-25 | 山东华科信息技术有限公司 | 基于配电网云边端资源协同的高比例负荷接入方法及系统 |
CN116646932B (zh) * | 2023-07-24 | 2023-12-15 | 山东华科信息技术有限公司 | 基于配电网云边端资源协同的高比例负荷接入方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN112882815B (zh) | 基于深度强化学习的多用户边缘计算优化调度方法 | |
US7594016B1 (en) | Calculating numbers of servers for tiers of a multi-tiered system | |
CN113326126A (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN112148492B (zh) | 一种考虑多用户移动性的服务部署和资源分配方法 | |
CN113434253B (zh) | 集群资源调度方法、装置、设备及存储介质 | |
CN105120487A (zh) | 一种业务数据预测方法及装置 | |
CN116170439A (zh) | 面向新型负荷接入的多业务数据云边卸载方法及系统 | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN112954736A (zh) | 基于策略的无线携能物联网设备的计算卸载 | |
CN110231984B (zh) | 多工作流任务分配方法、装置、计算机设备和存储介质 | |
US7886055B1 (en) | Allocating resources in a system having multiple tiers | |
CN113419931B (zh) | 分布式机器学习系统的性能指标确定方法及装置 | |
CN111459662A (zh) | 移动边缘计算中的迁移管理方法、装置和存储介质 | |
CN116541106A (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN115665869A (zh) | 基于边缘计算和有向无环图的多用户协作平台及其方法 | |
CN112817741B (zh) | 一种边缘计算的dnn任务控制方法 | |
CN105786626B (zh) | 基于K划分的Storm平台线程分配方法 | |
CN113271221B (zh) | 网络能力开放方法、系统及电子设备 | |
US9021094B1 (en) | Allocation of resources for tiers of a multi-tiered system based on selecting items from respective sets | |
CN116235529A (zh) | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 | |
CN116915869A (zh) | 基于云边协同的时延敏感型智能服务快速响应方法 | |
CN112822264B (zh) | 一种dnn任务卸载的方法 | |
US9537740B2 (en) | Monitoring device usage | |
WO2023029680A1 (zh) | 一种确定磁盘可使用时长的方法及装置 |
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 |