CN116614195A - 基于边缘容器的电碳计算智能融合终端及时间同步方法 - Google Patents
基于边缘容器的电碳计算智能融合终端及时间同步方法 Download PDFInfo
- Publication number
- CN116614195A CN116614195A CN202310514992.9A CN202310514992A CN116614195A CN 116614195 A CN116614195 A CN 116614195A CN 202310514992 A CN202310514992 A CN 202310514992A CN 116614195 A CN116614195 A CN 116614195A
- Authority
- CN
- China
- Prior art keywords
- time
- information
- carbon
- electric carbon
- time service
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 214
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 208
- 230000004927 fusion Effects 0.000 title claims abstract description 113
- 238000004364 calculation method Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000005540 biological transmission Effects 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000013468 resource allocation Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 38
- 210000002569 neuron Anatomy 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000009472 formulation Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 10
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种基于边缘容器的电碳计算智能融合终端及时间同步方法,包括物理层、协议接口层和应用层;包括以下步骤:(1)系统模型构建;(2)优化问题建模;(3)基于去冗余精准BP神经网络的智慧园区低成本精准拓扑感知优化;(4)基于Q差值的高效DQN时间同步授时数据包传输优化;(5)基于交换匹配的电碳计算任务卸载与资源分配优化。本发明在智能融合终端拓扑感知容器采用去冗余精准BP神经网络完成拓扑预测,提出了基于Q差值的高效DQN时间同步授时数据包传输优化,提高了智慧园区时间同步精度;通过基于交换匹配的电碳计算任务卸载与资源分配优化,实现智慧园区设备电碳信息的高效传输与计算,支撑低碳业务高效稳定运行。
Description
技术领域
本发明属于信息技术领域,具体涉及一种基于边缘容器的电碳计算智能融合终端及时间同步方法。
背景技术
智慧园区是指通过新一代信息通信技术和数字化技术等手段实现的具有数字化、智能化、节能化特征的产业园区。智慧园区通过部署大量光伏电站和风电机组等可再生能源设备,优化负荷和能源调控策略,促进电力系统节能减排,实现智慧园区低碳运行。碳计量、碳足迹检测、碳交易等智慧园区低碳业务需要获取电碳信息,并对这些信息进行筛选、整合、处理和分析,以了解智慧园区运行状态,调整电碳排放策略。因此,电碳计算是智慧园区低碳业务准确、稳定和可靠运行的重要基础。为了保障电碳计算精准度,一方面,需要确保电碳信息的采集具有时间一致性,能够准确反映智慧园区电碳排放实时状态;另一方面,需要低时延的电碳计算技术,减小电碳信息的传输时延和计算时延。
时间同步作为智慧园区重要技术支撑,可以为电碳计算提供准确的时间信息。大量业务终端设备无法直接连接5G时间同步网、国网时间同步以及北斗卫星,仅通过电力线载波信号与智能融合终端相连,难以实现精准时间同步。智能融合终端一方面需要融合北斗卫星、5G时间同步网等多元时钟获取时间同步信息,另一方面需要作为新时钟源为智慧园区大量设备授时。边缘计算通过将计算资源下沉到更靠近业务的网络边缘,一方面通过边缘智能终端连接服务器可以大大减小通信距离,降低数据传输时延;另一方面利用服务器搭载计算资源,减小数据处理时延。通过融合时间同步与边缘计算,在网络边缘部署具有时钟源的终端,可以解决授时数据包的长时间传输导致的授时误差大问题,提高电碳信息采集的时间一致性。
在时间同步和边缘计算的基础上,电碳信息精确计算还需要拓扑感知、电碳计算卸载策略优化。然而当前电碳计算所需的各功能通常由不同终端实现,需求终端间的协作,这会造成大量的信息交互,导致时延增加、电碳计算准确度下降。因此,亟需设计一种智慧园区智能融合终端,综合拓扑感知、时间同步、卸载策略优化和电碳计算功能,提高园区授时精度的同时降低电碳计算时延,并进一步提高电碳计算精准度。然而,现有融合终端和时间同步方法仍面临以下挑战:
第一,融合终端拓扑感知困难。拓扑感知是时间同步和电碳计算的基础。智慧园区采用载波通信,导致网络的拓扑结构易受到外部环境和阻抗波动的影响。而传统的拓扑感知通常采用路径搜索方法实现,无法适应智慧园区易变拓扑结构,造成路径搜索时延长、拓扑信息分析不准确等一系列问题,导致园区时间同步可靠性的降低和电碳信息传输时延的增加。
第二,时间同步速度慢,精度低。园区组网环境复杂、拓扑结构多变,现有的传感设备授时策略无法实现拓扑识别,难以选择最优的授时数据包传输路径,导致时间同步速度慢。此外,由于载波通信易受到电磁干扰,信道状态变化迅速,难以精确获得融合终端对传感设备进行授时的时间开销,导致时间同步精度低。现有的授时和时间同步策略无法适用于电碳计算智能融合终端。
第三,电碳信息任务卸载策略与服务器计算资源分配策略耦合。由于电碳信息任务卸载需求尽可能小的卸载时延,所以在制定任务卸载策略时,传感设备倾向于选择距离近、信道状态好、可用计算资源多的服务器,因此计算资源较多的服务器更易接收到的任务卸载请求;而服务器根据传感设备的任务卸载请求分配计算资源,当卸载到某个服务器的任务过多时会使计算时延显著增加,导致电碳计算时延增大。因此,如何在保障传输时延的同时优化任务卸载策略,降低计算时延,解决电碳信息任务卸载策略与服务器计算资源分配策略耦合问题是一个挑战。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于边缘容器的电碳计算智能融合终端及其时间同步的电碳计算方法,通过该融合终端或时间同步的电碳计算方法可实现对电碳的高效、准确地分布式计算,且计算的授时精度高、计算时延低、计算精准度高。
根据本发明的具体实施方式,本发明可进一步解决以下技术问题:
现有的电碳计算中拓扑感知不准确导致授时数据包传输与电碳信息任务卸载策略缺乏准确拓扑信息的问题;
现有的电碳计算中存在的智慧园区拓扑变化、电磁干扰对授时误差影响大的问题;
现有的电碳计算中存在的任务卸载与服务器资源分配相互耦合,难以制定优异的任务卸载策略的问题。
本发明首先提供了以下的技术方案:
基于含边缘容器的智能融合终端的电碳计算方法,其包括:
S1获得系统的拓扑信息,其中,所述拓扑信息包括信道状态信息及包含所述智能融合终端与传感设备及边缘服务器之间的连接关系的拓扑连接矩阵;
S2根据所述拓扑信息,通过优化运行方法对各传感设备进行同步授时,使各传感设备具有时间一致性;
S3在获得时间一致性后,获得电碳信息任务卸载策略和电碳计算资源分配方案,由所述传感设备根据电碳信息任务卸载策略进行计算信息卸载,由边缘服务器根据电碳计算资源分配方案分别完成被分配的计算资源,获得低时延的电碳计算结果;
其中,所述优化运行方法通过求解以下优化问题得到:(1)最小化每次迭代的平均时间同步累计误差;(2)最小化电碳计算总时延。
根据本发明的一些优选实施方式,所述拓扑信息由SOM网络和BP网络组成的双层神经网络获得,所述双层神经网络包括:由SOM网络形成的、实现有效数据分类筛选的第一层神经网络和由BP网络形成的、根据所述第一层神经网络得到的有效数据进行拓扑感知的第二层神经网络;其中,SOM网络包括输入层和竞争层即其输出层,BP网络包括隐藏层和输出层;通过该双层神经网络获得所述拓扑信息的过程包括:
基于含有正常数据样本组及异常数据样本组标记的历史电气数据库数据样本组训练所述第一层神经网络;
将当前时隙所接收到的传感设备的全部电气数据样本输入训练完成的第一层神经网络进行分类,并将分类为异常样本组的数据进行剔除;
将分类为正常数据样本组的数据输入第二层神经网络进行当前时隙下拓扑连接关系的感知,并不断调整提高第二层神经网络的拓扑感知精准度,至获得高精准度的第二层神经网络;
通过所得高精准度度第二层神经网络根据所述正常数据样本组的数据输出拓扑信息。
根据本发明的一些优选实施方式,所述分类包括:
(1)在所述SOM神经网络的当前迭代中,通过判断与其输入层神经元的欧式距离最小的方式判断其竞争层中的获胜神经元,其中所述欧氏距离通过以下计算式得到:
其中,wi,j(e)表示当前第e次迭代中,输入层神经元i与竞争层神经元j之间的连接权重;yi(e)表示电气数据样本组yn(t)=<ν,θ>的输入向量Y=(y1(e),...,y2(e),...,yn(e))T中第i个元素,ν表示设备运行电压相位角数据样本组,θ表示设备运行注入功率数据样本组,e表示SOM神经网络进行分类时的迭代次数集合E=(1,...,e,...,E)T中的第e次迭代,E表示总迭代次数,T表示转置;
(2)获得获胜神经元后,在迭代中不断调整输入层神经元i与竞争层神经元j之间的连接权重,如下:
wi,j(e+1)=wi,j(e)+χ(e)h(e)(yi,t-wi,j(e)) (14)
其中,0<χ(e)<1为学习速率函数;h(e)为与数据半径相关的邻域函数,其数值随时间而衰减;
重复迭代过程,直至神经网络学习速率降为0,得到所有传感设备的电气数据样本组的数据半径,将其中超出数据半径约束rmin的数据样本组标记为异常数据进行剔除。
根据本发明的一些优选实施方式,所述输出拓扑信息的获得包括:
将经所述SOM神经网络分类剔除后的正常电气数据样本组输入所述BP神经网络的隐藏层;
利用所述BP神经网络实际输入与期望输出不断更新网络关系,得到感知到的信道状态信息以及拓扑连接矩阵,其中,包括智能融合终端与设备间连接关系及边缘服务器与设备间连接关系,如下:
其中,N0为信道噪声功率信息,ζ为信道电磁干扰信息,Zn→n',t为传感设备间拓扑连接指示变量,Zn→m,t为传感设备与边缘服务器sm间拓扑连接指示变量。
根据本发明的一些优选实施方式,所述同步授时通过DQN网络基于Q差值的高效DQN算法完成,其具体包括:
根据基于Q差值的经验数据优先抽取概率自经验池中进行经验数据抽取;
根据抽取获得的经验数据,通过DQN迭代算法进行基于DQN架构的神经网络的深度强化学习;
由所述基于DQN架构的神经网络输出授时数据包传输策略,所述授时数据包传输策略包括为未授时设备选择存在拓扑链接、累计授时误差较小的已授时设备为其发送授时数据包;
由各传感设备根据授时数据包传输策略完成设备授时,实现时间同步;
其中,所述深度强化学习包括:通过基于DQN架构的神经网络获得每次迭代中、状态下采取动作actn',t的Q值,即Q值的估计值,其后通过不断更新神经网络参数,使所得Q值的估计值逼近实际值,最终得到可在状态输入下实现精准动作输出的神经网络;
其中,所述基于Q差值的经验数据优先抽取概率probk设置如下:
其中,Qk为第k组经验数据的估计Q值,为目标网络Q值。
根据本发明的一些优选实施方式,所述DQN迭代算法中的状态空间、动作空间和奖励函数分别设置如下:
状态空间:
其中,表示所述拓扑连接矩阵,表示每次迭代中获得的授时数据包的大小;
动作空间:
其中,actn′,t表示由所述智能融合终端为所述传感设备制定的授时数据包传输策略的集合,un表示已授时设备,un'表示未授时设备;表示智能融合终端与设备的集合;Zn→n',t表示设备间拓扑连接指示变量;xn→n',t为第t次迭代下,智能融合终端或已授时设备un,n=0,1,...,N对未授时设备un',n'=1,2,...N的授时完成值,其具体为:当第t次迭代时,未授时设备un'得到智能融合终端或已授时设备un为其授,则xn→n',t=1,反之,则xn→n',t=0;
奖励函数:
其中,为第t次迭代下未授时设备un'从已授时设备un接收授时数据包的累计同步误差,其满足:
其中,第一项为un的累计同步误差,第二项为un传输授时数据包到un'所产生的单时隙误差。
根据本发明的一些优选实施方式,所述优化运行方法的获得包括:
(1)构建含有所述智能融合终端、所述边缘服务器、所述传感设备及其相互间连接关系的电碳计算系统模型;
(2)构建在所述电碳计算系统模型下的、基于同步授时策略的授时数据包传输模型;
(3)基于所述授时数据包传输模型,构建所述电碳计算系统模型下的时间同步误差模型;
(4)基于所述授时数据包传输模型,构建所述电碳计算系统模型下的电碳信息传输模型;
(5)基于所述时间同步误差模型及所述电碳信息传输模型,构建所述电碳计算系统模型的电碳计算总时延模型;
(6)基于所述电碳计算系统模型、所述授时数据包传输模型、所述时间同步误差模型、所述碳信息传输模型、所述电碳计算总时延模型设置所述优化问题,通过基于交换匹配算法的电碳信息任务卸载和计算资源分配计算解决所述优化问题,获得优化运行方法。
根据本发明的一些优选实施方式,所述电碳计算系统模型构建如下:
智能融合终端与传感设备形成集合其中u0代表智能融合终端,un,n=1,...,N代表传感设备;与智能融合终端相互连接的边缘服务器形成集合系统共进行T次优化迭代,即迭代集合T={1,...,t,...,T},每次迭代中,智能融合终端根据传感设备的电气数据感知当前迭代的拓扑信息,基于所感知的拓扑信息,完成授时数据包下发策略制定,同时利用拓扑信息,收集传感设备获得的电碳信息,完成传感设备任务卸载与边缘服务器计算资源分配策略制定,该过程中,每次迭代中,智能融合终端与传感设备及边缘服务器之间的拓扑状态不变,不同迭代中,其拓扑状态发生变化。
根据本发明的一些优选实施方式,所述授时数据包传输模型构建如下:
第t次迭代下,智能融合终端或已授时设备un,n=0,1,...,N对未授时设备un',n'=1,2,...N完成授时,则授时函数xn→n',t=1,反之,则xn→n',t=0;
且第t次迭代中,智能融合终端或已授时设备un向未授时设备un′的授时数据包的传输速率Rn→n′,t为:
Rn→n',t=Nslog2(1+SINRn→n',t) (1)
其中,
其中,Ns为OFDM符号传输速率,SINRn→n',t为设备un通过路径下发数据包至设备un'时的信干噪比;pn为un的传输功率,表示路径增益,Hn→n',t、ζt和N0分别表示路径频率响应、电磁干扰以及噪声功率。Γn→n',t表示信噪比间隙。
根据本发明的一些优选实施方式,所述时间同步误差模型构建如下:
传感设备时间同步时延为:
其中,表示传感设备时间同步时延,τ0表示将每次迭代进行时隙划分的时隙长度,numn为设备un已授时的时隙数,为un与un'的传输时延;At Timing为授时数据包的大小;
且累计授时误差为:
其中,ωn′,t为第t次迭代下un'的累计授时误差,为第t次迭代下un'从设备un接收授时数据包的累计同步误差,ωn,t为un的累计同步误差,为un传输授时数据包到un'所产生的单时隙误差。
根据本发明的一些优选实施方式,所述电碳信息传输模型构建如下:
其中,表示第t次迭代中传感设备un传输电碳信息到智能融合终端所连接的边缘服务器sm时的电碳信息传输速率;ηn→m,t,n=1,2,...,N为设备un任务卸载决策变量,当第t次迭代un选择将电碳信息卸载至智能融合终端所连接服务器sm进行电碳计算,则ηn→m,t=1,反之,则ηn→m,t=0。
根据本发明的一些优选实施方式,所述电碳计算总时延模型构建如下:
表示电碳计算总时延;表示电碳信息卸载时延;表示电碳信息计算时延;为设备un采集的电碳信息数据量大小;为边缘服务器sm处理每比特电碳信息所需要的计算周期数;αm→n为边缘服务器sm为设备un所分配的计算资源;ψm为智能融合终端连接的边缘服务器sm所搭载的总计算资源。
根据本发明的一些优选实施方式,所述优化问题的优化目标P1和P2建立如下:
P1:
C1:
C2:
C3:
C4:
在P1中,C1表示授时决策指示变量的取值范围;C2表示每次迭代只存在一个un为设备un'其授时,C3表示当un与un'无拓扑连接时,无法进行授时;C4为授时数据包传输时延约束;
P2:
C1:
C2:
C3:
C4:
在P2中,C1表示电碳信息任务卸载决策指示变量的取值范围;C2表示每次迭代中设备un将电碳信息卸载到智能融合终端所连接的边缘服务器sm以完成电碳计算;C3表示sm与un无拓扑连接时,无法进行任务卸载;C4表示智能终端所连接服务器sm最多可同时为qm个设备进行电碳计算。
根据本发明的一些优选实施方式,所述电碳信息任务卸载和计算资源分配计算包括:
步骤一:获得传感设备un对边缘服务器sm的偏好值βn→m,t,由智能融合终端基于偏好值βn→m,t对所有传感设备进行降序排列,得到关于传感设备的偏好列表其中,偏好值βn→m,t为电碳计算总时延的倒数,如下:
步骤二:通过交换匹配计算获得决策,包括:初始化设备任务卸载决策遍历ηn→m,t,偏好列表匹配关系Λ,效用函数其后根据式(23)计算偏好值,更新偏好列表其次建立临时匹配关系,智能融合终端为设备un向服务器发出请求,当边缘服务器sm所接收请求小于qm时,则边缘服务器sm接受设备请求,若边缘服务器sm所接收请求大于qm时,则接受前qm个请求,并拒绝其他设备请求,同时更新匹配关系Λ(sm)=un;进一步针对所建立临时匹配关系构建交换匹配关系对设备un和重新分配服务器计算资源并更新效用函数,若交换匹配关系后,所有设备效用函数和增大,则对设备更新匹配关系为与同时更新任务卸载决策变量且清清除交换匹配关系最后,当无交换匹配关系存在时,匹配终止,完成智能融合终端对于电碳信息任务卸载与资源分配决策制定。
本发明进一步提供了实现上述电碳计算方法的智能融合终端,其包括应用层、物理层和协议接口层,其中,所述应用层包括用于获得所述拓扑信息的拓扑感知容器、用于完成所述同步授时的时间同步容器和用于获得所述电碳信息任务卸载策略和电碳计算资源分配方案的电碳计算容器;所述物理层用于支持该智能融合终端运行及所述应用层实现其功能的、并与多个边缘服务器连接;所述协议接口层用于实现所述应用层与所述物理层间的信息交互及交互信息处理。
本发明技术方案具有的有益效果:
1.本发明可通过智能融合终端的拓扑感知容器实现去冗余的精准BP神经网络拓扑预测,其利用第一层神经网络识别传感设备采集的电气数据样本组中的正常数据和异常数据对数据样本进行分类,进一步剔除冗余异常数据并输入BP神经网络,避免异常数据对收敛性能的影响,实现了准确的智慧园区低成本精准拓扑感知,解决了现有拓扑识别方法拓扑感知不准确导致授时数据包传输与电碳信息任务卸载策略缺乏准确拓扑信息的问题。
2.本发明在获得拓扑连接信息后,通过时间同步容器承载基于Q差值的高效DQN对授时数据包传输决策进行优化。在一些优选实施方式中,所述决策充分考虑了园区拓扑信息、设备时间同步误差以及电磁干扰等对授时数据包传输时延的影响,以传输时延约束下最小化被授时设备平均误差为目标,利用基于Q差值的高效DQN学习能力,实现智能融合终端对设备授时数据包传输策略的制定,提高了智慧园区时间同步精度。
3.在一些具体实施方式中,本发明进一步建立了电碳计算传输时延与计算时延模型,通过电碳计算容器承载交换匹配算法,通过考虑不同任务卸载策略对计算资源分配的影响,设置交换匹配关系,通过电碳计算总时延调整匹配关系,制定低时延任务卸载策略与计算资源分配策略,降低电碳计算总时延,实现智慧园区设备电碳信息的高效传输与计算,支撑低碳业务高效稳定运行。
4.本发明通过在智能融合终端中部署拓扑感知容器、时间同步容器和电碳计算容器,将融合拓扑感知、时间同步、卸载策略优化和电碳计算功能融合到同一个终端中,加强各功能之间的联系,减小终端间通信开销,实现智慧园区低成本精准拓扑感知、高精度快速时间同步和低时延电碳计算。
附图说明
图1为本发明基于边缘容器的电碳计算智能融合终端结构图;
图2为本发明智慧园区智能融合终端拓扑感知、时间同步与电碳计算优化算法总体原理图;
图3为本发明智慧园区电碳计算智能融合终端的应用场景图;
图4为本发明去冗余精准BP神经网络拓扑感知原理图;
图5为本发明基于Q差值的高效DQN时间同步授时数据包传输路由优化方法原理图;
图6为本发明基于交换匹配的电碳计算任务卸载与资源分配优化方法流程图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述,但需要理解的是,所述实施例和附图仅用于对本发明进行示例性的描述,而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
参照附图1,根据本发明的技术方案,所述基于边缘容器的电碳计算智能融合终端的一种具体实施结构包括:
含有拓扑感知容器、时间同步容器和电碳计算容器的应用层,其中,拓扑感知容器用于实现精准的拓扑感知,时间同步容器用于根据拓扑感知容器获得的拓扑信息进行时间同步处理,电碳计算容器用于根据时间同步容器获得的时间同步信息进行电碳计算;
支持智能融合终端运行及所述应用层实现其功能的、含有多个硬件模块的物理层;
实现所述应用层与所述物理层间的信息交互及交互信息处理,如通过物理层获得传感设备数据或下达传感设备传输任务卸载策略、对获得的传感设备数据进行预处理、为应用层中各容器的运行提供数据支撑并实现各容器之间的通信和协调等的协议接口层。
优选的,所述应用层中各个容器通过承载优化运行方法实现相应功能。
优选的,所述物理层包括以下硬件模块:电源模块、CPU模块、通信模块、存储模块、计算模块和控制模块。其中,电源模块为智能融合终端供能,CPU模块负责处理数据和控制命令,通信模块通过电力线载波与其他设备进行信息交流,存储模块用于存储融合终端获取或生成的数据,计算模块为应用层中的各个容器的数据处理和运算提供支持,控制模块用于协调各个容器间的功能。
优选的,所述协议接口层包括提供数据支撑的协议单元和提供内部通信的通信单元,其中协议单元包括设置有电力专用协议及通信协议的电力线载波通信接口,通信单元包括含有数据总线和控制总线的内部总线接口。
优选的,所述提供数据支撑包括:接收并预处理传感设备采集的信息,以及向传感设备传输任务卸载决策。
优选的,所述提供内部通信包括:实现应用层中各容器之间的通信和协调,在该优选实施方式下,内部总线接口通过控制总线和数据总线连接应用层中各容器。
优选的,所述电力专用协议选自IEC104或IEC61850等电力专用协议。
优选的,所述通信协议选自MQTT或CoAP等通信协议。
进一步的,参照附图2,针对上述融合终端或其优选实施方式,本发明提供了可实现低成本精准拓扑感知、高精度快速时间同步和低时延电碳计算的方法,并提供了其在面向智慧园区的电碳计算的应用场景下的一些具体实施过程,其包括:
S1基于自所述协议接口层获得的智慧园区中各传感设备的设备信息和其电气数据,通过所述拓扑感知容器通过拓扑感知模型获得智慧园区的拓扑信息,所述拓扑信息包括信道状态信息及包含所述融合终端与传感设备及边缘服务器之间的连接关系的拓扑连接矩阵;
S2根据所获取得到的拓扑信息,由所述时间同步容器通过优化运行方法对智慧园区的各设备进行时间同步处理,使各设备具有时间一致性;
S3在获得时间一致性后,由所述电碳计算容器通过优化运行方法获得电碳信息任务卸载策略和电碳计算资源分配方案,由传感设备根据电碳信息任务卸载策略进行计算信息卸载,由边缘服务器根据电碳计算资源分配方案分别完成被分配的计算资源,获得低时延的电碳计算结果。
其中,所述S1中,优选的,参照附图4,所述拓扑感知模型基于由SOM网络和BP网络组成的双层神经网络构建,并具体包括:由SOM网络形成的、实现有效数据分类筛选的第一层神经网络和由BP网络形成的、根据所述第一层神经网络得到的有效数据进行拓扑感知的第二层神经网络;其中,SOM网络包括输入层和竞争层即其输出层,BP网络包括隐藏层和输出层。
在该拓扑感知模型下,拓扑感知容器可充分去除冗余信息,得到精准的拓扑信息。
进一步的,在该拓扑感知模型下,参照附图3,其进行拓扑感知的过程包括:
基于含有正常数据样本组及异常数据样本组标记的历史电气数据库数据样本组训练所述第一层神经网络;
将当前时隙所接收到的设备的全部电气数据样本输入训练完成的第一层神经网络进行分类,并将分类为异常样本组的数据进行剔除;
将分类为正常数据样本组的数据输入第二层神经网络进行当前时隙下拓扑连接关系的感知,并不断调整提高第二层神经网络的拓扑感知精准度,至获得高精准度的第二层神经网络;
通过所得高精准度度第二层神经网络根据所述正常数据样本组的数据输出拓扑信息。
进一步优选的,所述分类由SOM神经网络通过在竞争层神经元中选择获胜神经元,不断更新权重参数与数据半径的方式完成,并具体包括:
(1)在当前迭代中,通过判断与输入层神经元的欧式距离di,j最小的方式判断竞争层获胜神经元,所述欧氏距离通过以下计算式得到:
其中,wi,j(e)表示当前第e次迭代中,输入层神经元i与竞争层神经元j之间的连接权重;y1(e)表示电气数据样本组yn(t)=<ν,θ>的输入向量Y=(y1(e),...,y2(e),...,yn(e))T中第i个元素,ν表示设备运行电压相位角数据样本组,θ表示设备运行注入功率数据样本组,e表示SOM神经网络进行分类时的迭代次数集合E=(1,...,e,...,E)T中的第e次迭代,Ε表示总迭代次数,T表示转置。
(2)获得获胜神经元后,在迭代中不断调整输入层神经元i与竞争层神经元j之间的连接权重,如下:
wi,j(e+1)=wi,j(e)+χ(e)h(e)(yi,t-wi,j(e)) (14)
其中,0<χ(e)<1为学习速率函数,h(e)为邻域函数,其数值随时间而衰减;优选的,学习规则设置如下:
其中,dj,j'为竞争层神经元j和竞争层神经元j'的距离,χ(0)为初始学习速率,r(e+1)为数据半径,为向下取整函数。
(3)在后续迭代过程中,令e=e+1,并重复上述迭代过程,直至神经网络学习速率降为0,得到所有设备电气数据样本组的数据半径,设定半径约束rmin,由于异常电气数据样本波动较大,其分类后数据半径大于正常电气数据样本,因此,将超出半径约束rmin的数据样本组剔除,得到正常数据样本组。
进一步优选的,所述输出拓扑信息的获得包括:
(1)将SOM神经网络分类剔除后的正常电气数据样本组输入BP神经网络的隐藏层;
(2)利用BP神经网络实际输入与期望输出不断更新网络关系,得到感知到的信道状态信息以及拓扑连接矩阵,其中,包括智能融合终端与设备间连接关系及边缘服务器与设备间连接关系,如下:
其中,N0为信道噪声功率信息,ζ为信道电磁干扰信息,Zn→n',t为设备间拓扑连接指示变量,Zn→m,t为设备与边缘服务器sm间拓扑连接指示变量。
进一步的,所述S2中,参照附图5,所述时间同步容器基于DQN(deep Q-network)网络实现,并通过基于Q差值的高效DQN算法完成所述时间同步处理,其具体包括:
根据基于Q差值的经验数据优先抽取概率自经验池中进行经验数据抽取;
根据抽取获得的经验数据,通过DQN迭代算法进行基于DQN架构的神经网络的深度强化学习;
由所述基于DQN架构的神经网络输出授时数据包传输策略,所述授时数据包传输策略为未授时设备选择存在拓扑链接、累计授时误差较小的已授时设备为其发送授时数据包;
由智慧园区内各设备根据授时数据包传输策略完成设备授时,实现时间同步。
其中,DQN迭代算法中状态空间、动作空间和奖励函数定义如下:
状态空间:定义状态空间由每次迭代中获得的授时数据包的大小以及所述拓扑连接矩阵组成,如下:
动作空间:定义动作空间为所述智能融合终端为所述设备制定的授时数据包传输策略的集合,如下:
其中,un表示已授时设备,un'表示未授时设备;表示智能融合终端与设备的集合;Zn→n',t表示设备间拓扑连接指示变量;xn→n',t为第t次迭代下,智能融合终端或已授时设备un,n=0,1,...,N对未授时设备un',n'=1,2,...N的授时完成值,其具体为:当第t次迭代时,未授时设备un'得到智能融合终端或已授时设备un为其授,则xn→n',t=1,反之,则xn→n',t=0。
奖励函数:定义奖励函数为设备时间同步累计误差的负值,如下:
其中,为第t次迭代下未授时设备un'从已授时设备un接收授时数据包的累计同步误差,其满足:
其中,第一项为un的累计同步误差,第二项为un传输授时数据包到un'所产生的单时隙误差。
所述深度强化学习包括:通过基于DQN架构的神经网络获得每次迭代中、状态下采取动作actn',t的Q值,即Q值的估计值,其后通过不断更新神经网络参数,使所得Q值的估计值逼近实际值,最终得到可对“状态-动作”的拟合实现在状态输入下的精准动作输出的神经网络。
有别于传统DQN算法采用随机抽取方式对经验池数据进行抽取,导致表现不好的数据被再次应用于网络更新,使神经网络拟合精度降低,收敛速度慢的情况,本发明提供的基于Q差值的高效DQN算法中设置了基于Q差值的经验池并基于该经验池设置了如下的基于Q差值的经验数据优先抽取概率:
记录经验池中的每组经验数据获得的Q值的估计值,比较该经验数据的Q值的估计值与目标网络的Q值的差值,差值越小则抽取优先级越高、抽取概率越大。
该方法可确保对网络更新速度有益的数据优先被抽取,提高了DQN网络收敛速度,使其更快收敛到最优策略。
进一步的,所述深度强化学习的过程包括:
步骤一:网络初始化,包括:初始化评估网络参数、目标网络参数以及经验池;
步骤二:在每次迭代开始时,通过ε-greedy算法为当前时隙的设备un'制定授时数据包传输策略,其具体包括:由智能融合终端以概率ε随机进行探索并随机选择一个动作,或以1-ε的概率利用当前具有最大估计Q值的动作actn',t;
步骤三:设备根据智能融合终端制定的授时数据包传输策略完成设备授时,并根据公式(5)和公式(21)计算奖励值Rewardn',t后转移至下一状态Sn',t+1,同时生成经验数据存入经验池;
步骤四:根据所述经验数据优先抽取概率从经验池中抽取经验数据,所述经验数据优先抽取概率设置如下:
其中,为第k组经验数据的估计Q值,为目标网络Q值,由于与目标网络Q值差值越小的经验值数据对于网络训练表现越好,因此该式意味,与目标网络Q值差值越小,则抽取概率越高;
步骤五:基于所抽取的经验数据,计算神经网络的损失函数,更新谷值网络与目标网络参数,不断重复上述步骤二到步骤五,直至T次迭代优化结束。
进一步的,在一些具体实施方式中,所述优化运行方法的获得包括:
(1)构建电碳计算系统模型
参照附图3所示的一种智慧园区电碳计算智能融合终端的应用场景,其存在1个智能融合终端,该智能融合终端与M个边缘服务器和N个传感设备相连接。其中,智能融合终端可通过与5G时间同步及北斗卫星相连等方式,获得时钟信息,作为时钟源为传感设备授时;边缘服务器搭载有计算资源,可为智能融合终端提供计算服务;传感设备可采集电碳信息,并响应智能融合终端决策将电碳信息卸载至各边缘服务器以完成园区电碳计算。
在上述应用场景下,可对应构建如下的电碳计算系统模型:
智能融合终端与传感设备形成集合其中u0代表智能融合终端,un,n=1,...,N代表传感设备;
定义与智能融合终端相互连接的边缘服务器形成集合
系统共进行T次优化迭代,即迭代集合T={1,...,t,...,T},每次迭代中,智能融合终端根据传感设备的电气数据感知当前迭代的拓扑信息,基于所感知的拓扑信息,完成授时数据包下发策略制定,同时利用拓扑信息,收集传感设备获得的电碳信息,完成传感设备任务卸载与边缘服务器计算资源分配策略制定,实现低时延电碳计算,该过程中,设定每次迭代中,智能融合终端与传感设备及边缘服务器之间的拓扑状态不变,不同迭代中,其拓扑状态发生变化。
(2)构建授时数据包传输模型
在电力线载波网络中,传感设备既作为授时目标设备,又可以在完成自身授时后,作为新时钟源为其他设备授时。因此,智能融合终端为设备制定合理的授时数据包传输策略,其既直接为存在连接的传感设备授时,也可以通过传感设备之间授时数据包的传输为无连接的传感设备授时。
定义xn→n',t为第t次迭代下,智能融合终端或已授时设备un,n=0,1,...,N对未授时设备un',n'=1,2,...N完成授时,若第t次迭代时,未授时设备un'通过智能融合终端或已授时设备un为其授时,则xn→n',t=1,反之,则xn→n',t=0。
优选的,基于智慧园区复杂电磁环境和噪声干扰,本发明基于正交频分复用技术实现授时数据包传输,假设每次迭代为智能融合终端下发数据包至全部传感设备,因此,授时数据包的传输速率为
Rn→n',t=Nslog2(1+SINRn→n',t) (1)
其中,Ns为OFDM符号传输速率,SINRn→n',t为设备un通过路径fun→un'下发数据包至设备un'时的信干噪比。
SINRn→n',t表示为:
其中,pn为un的传输功率,表示路径增益,Hn→n',t、ζt和N0分别表示路径频率响应、电磁干扰以及噪声功率。Γn→n',t表示信噪比间隙。
(3)构建时间同步误差模型
将每次迭代划分为若长度为τ0的时隙,每个时隙开始时,智能融合终端或已完成授时的传感设备向未完成授时传感设备传输授时数据包,在多时隙的数据包传输时,传感设备时间同步时延由设备un已完成授时的延迟和设备un与设备un'的传输延迟两部分组成,表示为:
其中,numn为设备un已授时的时隙数,为un与un'的传输时延,可以计算为:
At Timing为授时数据包的大小。为保证授时数据包传输时效性,优选的,本发明对传输时延作出约束,即
定义第t次迭代下un'的累计授时误差为其中,为第t次迭代下un'从设备un接收授时数据包的累计同步误差,可以表示为:
其中,第一项为un的累计同步误差,第二项为un传输授时数据包到un'所产生的单时隙误差。
(4)构建设备电碳信息传输模型
由于传感设备将电碳信息上传同时受传输拓扑与为智能融合终端提供计算服务的边缘服务器的计算资源影响,设备电碳信息的不同卸载方案,使电碳计算的计算时延与信息传输时延存在差异。定义ηn→m,t,n=1,2,...,N为设备un任务卸载决策变量,当第t次迭代un选择将电碳信息卸载至智能融合终端所连接服务器sm进行电碳计算,则ηn→m,t=1,反之,则ηn→m,t=0。
因此,第t次迭代中传感设备un传输电碳信息到智能融合终端所连接服务器sm时的电碳信息传输速率为
其中,各符号含义与授时数据包中符号含义相同。
(5)构建电碳计算总时延模型
智能融合终端电碳计算总时延包括设备电碳信息卸载时延和电碳信息计算时延两部分。电碳信息卸载时延可以表示为:
其中,为设备un采集的电碳信息数据量大小。
智能融合终端所连接服务器un对于电碳信息的计算时延可以表示为:
其中,为服务器sm处理每比特电碳信息所需要的计算周期数,αm→n为服务器sm为设备un所分配的计算资源。由于不同设备电碳信息数据量不同,服务器sm为每个设备分配到计算资源存在差异,其中,为设备un所分配的计算资源可以表示为:
其中,ψm为智能融合终端所连接服务器sm所搭载的总计算资源。因此,电碳计算总时延可以表示为:
(6)进行优化问题建模
智慧园区高精度快速时间同步和低时延电碳计算实现需要以园区拓扑信息为支撑。而智慧园区存在复杂电气环境影响,电力负载在网络中的随机接入、切出,所产生的变化的阻抗与不可猜测的强噪声干扰,易导致电力线载波通信状态恶劣,造成拓扑信息多变。
因此,本发明首先通过智能融合终端拓扑感知容器通过低成本精准拓扑感知方法感知园区拓扑信息,进一步利用所感知的拓扑信息,解决时间同步授时数据包传输优化问题与电碳计算任务卸载与资源分配优化问题。
其中,时间同步授时数据包传输优化问题构建如下:
本发明在时间同步容器构建最小化每次迭代的平均时间同步累计误差优化目标P1以解决时间同步授时数据包传输优化问题,表示为:
P1:
C1:
C2:
C3:
C4:
在P1中,C1表示授时决策指示变量的取值范围;C2表示每次迭代只存在一个un为设备un'其授时,C3表示当un与un'无拓扑连接时,无法进行授时;C4为授时数据包传输时延约束,保证授时数据包可靠性;
电碳计算任务卸载与资源分配优化问题构建如下:
本发明在电碳计算容器构建最小化设备电碳计算总时延优化目标P2以解决电碳计算任务卸载与资源分配优化问题,表示为:
P2:
C1:
C2:
C3:
C4:
在P2中,C1表示电碳信息任务卸载决策指示变量的取值范围;C2表示每次迭代中设备un将电碳信息卸载到智能融合终端所连接的服务器sm以完成电碳计算;C3表示sm与un无拓扑连接时,无法进行任务卸载;C4表示智能终端所连接服务器sm最多可同时为qm个设备进行电碳计算。
(7)通过在电碳计算容器中采用基于交换匹配的电碳计算任务卸载与资源分配优化方法解决上述优化问题。
具体步骤如下:
定义交换匹配为其中S和为匹配的参与双方,分别为智能融合终端所连接服务器的集合和传感设备的集合,为传感设备偏好列表;
定义基于偏好列表的匹配关系为Λ,表示集合与集合的映射,Λ(sm)=un表示服务器sm与设备un建立了匹配关系,且Λ(un)=sm;
定义当前时刻与服务器un建立匹配关系的设备集合为ΛU;
由于设备可以选择不同服务器进行任务卸载,且每个服务器可同时为多个设备提供电碳计算服务,因此,当不同传感设备卸载电碳信息到服务器时,由于电碳信息数据量差异,会导致计算资源分配存在差异,进一步影响电碳计算总时延,即服务器资源受卸载电碳信息设备所影响。因此,定义效用函数以描述当前所形成匹配关系的效用值;
定义为交换匹配中的交换匹配关系,意为当前存在的匹配关系可以交换其匹配对象,即更改匹配关系为 同时其他设备与服务器之间的匹配关系不变。同时,若匹配关系改变后效用函数增大,则交换关系成立;
基于以上定义,进行偏好列表的构建和交换匹配计算,完成智能融合终端对于电碳信息任务卸载与资源分配决策制定。
进一步的,所述偏好列表的构建和交换匹配计算流程如图6所示,具体包括:
步骤一:偏好列表的构建。本发明定义在第t次迭代时,设备un对服务器sm的偏好值βn→m,t为电碳计算总时延的倒数,表示为:
智能融合终端基于偏好值βn→m,t对所有传感设备进行降序排列,得到设备的偏好列表完成偏好列表的构建。
步骤二:交换匹配。首先进行初始化,初始化设备任务卸载决策遍历ηn→m,t,偏好列表匹配关系Λ,效用函数;然后根据公式(23)计算偏好值,更新偏好列表其次建立临时匹配关系,智能融合终端为设备un向服务器发出请求,当服务器sm所接收请求小于qm时,则服务器sm接受设备请求,若服务器sm所接收请求大于qm时,则接受前qm个请求,并拒绝其他设备请求,同时更新匹配关系Λ(sm)=un;进一步针对所建立临时匹配关系构建交换匹配关系对设备un和重新分配服务器计算资源并更新效用函数,若交换匹配关系后,所有设备效用函数和增大,则对设备更新匹配关系为与同时更新任务卸载决策变量且清清除交换匹配关系最后,当无交换匹配关系存在时,匹配终止,完成智能融合终端对于电碳信息任务卸载与资源分配决策制定。
以上优化运行方法中,传感设备可以通过电力线载波完成对时间同步数据包的转发,智能融合终端广播时间同步授时数据包时,通过时间同步容器利用拓扑感知容器提供的网络拓扑信息,通过最小化时间同步累计误差,选择合适的授时策略,完成智慧园区智能融合终端对传感设备的时间同步。
总体的,本发明的以上电碳计算方法充分利用了边缘容器的电碳计算智能融合边缘容器技术具有不依赖操作环境、易于在终端部署,应用资源开销小等特点,适合应用于存储与计算资源受限的智慧园区智能融合终端应用部署。其设计了基于边缘计算的电碳计算智能融合终端及时间同步方法。利用边缘容器技术在融合终端部署拓扑感知容器、时间同步容器、电碳计算容器,通过在容器中部署优化算法,实现智慧园区低成本精准拓扑感知、高精度快速时间同步和低时延电碳计算,支撑智慧园区时间同步与电碳计算的稳定高效运行。
另外,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。
根据本公开的实施例,可以采用一个如上文描述的计算机体系架构来实现根据本公开实施例的方法,也可以采用多个如上文描述的计算机体系架构彼此协作来实现根据本公开实施例的方法。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、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,所述模块、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。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.基于含边缘容器的智能融合终端的电碳计算时间同步方法,其特征在于,其包括:
S1获得系统的拓扑信息,其中,所述拓扑信息包括信道状态信息及包含所述智能融合终端与传感设备及边缘服务器之间的连接关系的拓扑连接矩阵;
S2根据所述拓扑信息,通过优化运行方法对各传感设备进行同步授时,使各传感设备具有时间一致性;
S3在获得时间一致性后,获得电碳信息任务卸载策略和电碳计算资源分配方案,由所述传感设备根据电碳信息任务卸载策略进行计算信息卸载,由边缘服务器根据电碳计算资源分配方案分别完成被分配的计算资源,获得低时延的电碳计算结果;
其中,所述优化运行方法通过求解以下优化问题得到:(1)最小化每次迭代的平均时间同步累计误差;(2)最小化电碳计算总时延。
2.根据权利要求1所述的电碳计算时间同步方法,其特征在于,其中,所述拓扑信息由SOM网络和BP网络组成的双层神经网络获得,所述双层神经网络包括:由SOM网络形成的、实现有效数据分类筛选的第一层神经网络和由BP网络形成的、根据所述第一层神经网络得到的有效数据进行拓扑感知的第二层神经网络;其中,SOM网络包括输入层和竞争层即其输出层,BP网络包括隐藏层和输出层;通过该双层神经网络获得所述拓扑信息的过程包括:
基于含有正常数据样本组及异常数据样本组标记的历史电气数据库数据样本组训练所述第一层神经网络;
将当前时隙所接收到的传感设备的全部电气数据样本输入训练完成的第一层神经网络进行分类,并将分类为异常样本组的数据进行剔除;
将分类为正常数据样本组的数据输入第二层神经网络进行当前时隙下拓扑连接关系的感知,并不断调整提高第二层神经网络的拓扑感知精准度,至获得高精准度的第二层神经网络;
通过所得高精准度第二层神经网络根据所述正常数据样本组的数据输出拓扑信息。
3.根据权利要求2所述的电碳计算时间同步方法,其特征在于,其中,所述分类包括:
(1)在所述SOM神经网络的当前迭代中,通过判断与其输入层神经元的欧式距离最小的方式判断其竞争层中的获胜神经元,其中所述欧氏距离通过以下计算式得到:
其中,wi,j(e)表示当前第e次迭代中,输入层神经元i与竞争层神经元j之间的连接权重;yi(e)表示电气数据样本组yn(t)=<ν,θ>的输入向量Y=(y1(e),...,y2(e),...,yn(e))T中第i个元素,ν表示设备运行电压相位角数据样本组,θ表示设备运行注入功率数据样本组,e表示SOM神经网络进行分类时的迭代次数集合E=(1,...,e,...,E)T中的第e次迭代,Ε表示总迭代次数,T表示转置;
(2)获得获胜神经元后,在迭代中不断调整输入层神经元i与竞争层神经元j之间的连接权重,如下:
wi,j(e+1)=wi,j(e)+χ(e)h(e)(yi,t-wi,j(e)) (14)
其中,0<χ(e)<1为学习速率函数;h(e)为与数据半径相关的邻域函数,其数值随时间而衰减;
重复迭代过程,直至神经网络学习速率降为0,得到所有传感设备的电气数据样本组的数据半径,将其中超出数据半径约束rmin的数据样本组标记为异常数据进行剔除。
4.根据权利要求2所述的电碳计算时间同步方法,其特征在于,其中,所述输出拓扑信息的获得包括:
将经所述SOM神经网络分类剔除后的正常电气数据样本组输入所述BP神经网络的隐藏层;
利用所述BP神经网络实际输入与期望输出不断更新网络关系,得到感知到的信道状态信息S={N0,ζ}以及拓扑连接矩阵其中,包括智能融合终端与设备间连接关系及边缘服务器与设备间连接关系,如下:
其中,N0为信道噪声功率信息,ζ为信道电磁干扰信息,Zn→n',t为传感设备间拓扑连接指示变量,Zn→m,t为传感设备与边缘服务器sm间拓扑连接指示变量。
5.根据权利要求1所述的电碳计算时间同步方法,其特征在于,所述同步授时通过DQN网络基于Q差值的高效DQN算法完成,其具体包括:
根据基于Q差值的经验数据优先抽取概率自经验池中进行经验数据抽取;
根据抽取获得的经验数据,通过DQN迭代算法进行基于DQN架构的神经网络的深度强化学习;
由所述基于DQN架构的神经网络输出授时数据包传输策略,所述授时数据包传输策略包括为未授时设备选择存在拓扑链接、累计授时误差较小的已授时设备为其发送授时数据包;
由各传感设备根据授时数据包传输策略完成设备授时,实现时间同步;
其中,所述深度强化学习包括:通过基于DQN架构的神经网络获得每次迭代中、状态Sn',t下采取动作actn',t的Q值,即Q值的估计值其后通过不断更新神经网络参数,使所得Q值的估计值逼近实际值,最终得到可在状态输入下实现精准动作输出的神经网络;
其中,所述基于Q差值的经验数据优先抽取概率probk设置如下:
其中,Qk为第k组经验数据的估计Q值,为目标网络Q值。
6.根据权利要求5所述的电碳计算时间同步方法,其特征在于,所述DQN迭代算法中的状态空间、动作空间和奖励函数分别设置如下:
状态空间:
其中,表示所述拓扑连接矩阵,表示每次迭代中获得的授时数据包的大小;
动作空间:
其中,actn′,t表示由所述智能融合终端为所述传感设备制定的授时数据包传输策略的集合,un表示已授时设备,un'表示未授时设备;表示智能融合终端与设备的集合;Zn→n',t表示设备间拓扑连接指示变量;xn→n',t为第t次迭代下,智能融合终端或已授时设备un,n=0,1,...,N对未授时设备un',n'=1,2,...N的授时完成值,其具体为:当第t次迭代时,未授时设备un'得到智能融合终端或已授时设备un为其授,则xn→n',t=1,反之,则xn→n',t=0;
奖励函数:
其中,为第t次迭代下未授时设备un'从已授时设备un接收授时数据包的累计同步误差,其满足:
其中,第一项为un的累计同步误差,第二项为un传输授时数据包到un'所产生的单时隙误差。
7.根据权利要求1所述的电碳计算时间同步方法,其特征在于,所述优化运行方法的获得包括:
(1)构建含有所述智能融合终端、所述边缘服务器、所述传感设备及其相互间连接关系的电碳计算系统模型;
(2)构建在所述电碳计算系统模型下的、基于同步授时策略的授时数据包传输模型;
(3)基于所述授时数据包传输模型,构建所述电碳计算系统模型下的时间同步误差模型;
(4)基于所述授时数据包传输模型,构建所述电碳计算系统模型下的电碳信息传输模型;
(5)基于所述时间同步误差模型及所述电碳信息传输模型,构建所述电碳计算系统模型的电碳计算总时延模型;
(6)基于所述电碳计算系统模型、所述授时数据包传输模型、所述时间同步误差模型、所述碳信息传输模型、所述电碳计算总时延模型设置所述优化问题,通过基于交换匹配算法的电碳信息任务卸载和计算资源分配计算解决所述优化问题,获得优化运行方法。
8.根据权利要求7所述的电碳计算时间同步方法,其特征在于,其中,所述电碳计算系统模型构建如下:
智能融合终端与传感设备形成集合其中u0代表智能融合终端,un,n=1,...,N代表传感设备;与智能融合终端相互连接的边缘服务器形成集合系统共进行T次优化迭代,即迭代集合T={1,...,t,...,T},每次迭代中,智能融合终端根据传感设备的电气数据感知当前迭代的拓扑信息,基于所感知的拓扑信息,完成授时数据包下发策略制定,同时利用拓扑信息,收集传感设备获得的电碳信息,完成传感设备任务卸载与边缘服务器计算资源分配策略制定,该过程中,每次迭代中,智能融合终端与传感设备及边缘服务器之间的拓扑状态不变,不同迭代中,其拓扑状态发生变化;
和/或,所述授时数据包传输模型构建如下:
第t次迭代下,智能融合终端或已授时设备un,n=0,1,...,N对未授时设备un',n'=1,2,...N完成授时,则授时函数xn→n',t=1,反之,则xn→n',t=0;
且第t次迭代中,智能融合终端或已授时设备un向未授时设备un′的授时数据包的传输速率Rn→n′,t为:
Rn→n',t=Nslog2(1+SINRn→n',t) (1)
其中,
其中,Ns为OFDM符号传输速率,SINRn→n',t为设备un通过路径下发数据包至设备un'时的信干噪比;pn为un的传输功率,表示路径增益,Hn→n',t、ζt和N0分别表示路径频率响应、电磁干扰以及噪声功率。Γn→n',t表示信噪比间隙;
和/或,所述时间同步误差模型构建如下:
传感设备时间同步时延为:
其中,表示传感设备时间同步时延,τ0表示将每次迭代进行时隙划分的时隙长度,numn为设备un已授时的时隙数,为un与un'的传输时延;At Timing为授时数据包的大小;
且累计授时误差为:
其中,ωn′,t为第t次迭代下un'的累计授时误差,为第t次迭代下un'从设备un接收授时数据包的累计同步误差,ωn,t为un的累计同步误差,为un传输授时数据包到un'所产生的单时隙误差;
和/或,所述电碳信息传输模型构建如下:
其中,表示第t次迭代中传感设备un传输电碳信息到智能融合终端所连接的边缘服务器sm时的电碳信息传输速率;ηn→m,t,n=1,2,...,N为设备un任务卸载决策变量,当第t次迭代un选择将电碳信息卸载至智能融合终端所连接服务器sm进行电碳计算,则ηn→m,t=1,反之,则ηn→m,t=0;
和/或,所述电碳计算总时延模型构建如下:
表示电碳计算总时延;表示电碳信息卸载时延;表示电碳信息计算时延;为设备un采集的电碳信息数据量大小;为边缘服务器sm处理每比特电碳信息所需要的计算周期数;αm→n为边缘服务器sm为设备un所分配的计算资源;ψm为智能融合终端连接的边缘服务器sm所搭载的总计算资源。
9.根据权利要求8所述的电碳计算时间同步方法,其特征在于,其中,所述优化问题的优化目标P1和P2建立如下:
P1:
C1:
C2:
C3:
C4:
在P1中,C1表示授时决策指示变量的取值范围;C2表示每次迭代只存在一个un为设备un'其授时,C3表示当un与un'无拓扑连接时,无法进行授时;C4为授时数据包传输时延约束;
P2:
C1:
C2:
C3:
C4:
在P2中,C1表示电碳信息任务卸载决策指示变量的取值范围;C2表示每次迭代中设备un将电碳信息卸载到智能融合终端所连接的边缘服务器sm以完成电碳计算;C3表示sm与un无拓扑连接时,无法进行任务卸载;C4表示智能终端所连接服务器sm最多可同时为qm个设备进行电碳计算;
和/或,所述电碳信息任务卸载和计算资源分配计算包括:
步骤一:获得传感设备un对边缘服务器sm的偏好值βn→m,t,由智能融合终端基于偏好值βn→m,t对所有传感设备进行降序排列,得到关于传感设备的偏好列表其中,偏好值βn→m,t为电碳计算总时延的倒数,如下:
步骤二:通过交换匹配计算获得决策,包括:初始化设备任务卸载决策遍历ηn→m,t,偏好列表匹配关系Λ,效用函数其后根据式(23)计算偏好值,更新偏好列表其次建立临时匹配关系,智能融合终端为设备un向服务器发出请求,当边缘服务器sm所接收请求小于qm时,则边缘服务器sm接受设备请求,若边缘服务器sm所接收请求大于qm时,则接受前qm个请求,并拒绝其他设备请求,同时更新匹配关系Λ(sm)=un;进一步针对所建立临时匹配关系构建交换匹配关系对设备un和重新分配服务器计算资源并更新效用函数,若交换匹配关系后,所有设备效用函数和增大,则对设备更新匹配关系为与同时更新任务卸载决策变量且清清除交换匹配关系最后,当无交换匹配关系存在时,匹配终止,完成智能融合终端对于电碳信息任务卸载与资源分配决策制定。
10.实现权利要求1-9中任一项所述的电碳计算时间同步方法的智能融合终端,其包括应用层、物理层和协议接口层,其中,所述应用层包括用于获得所述拓扑信息的拓扑感知容器、用于完成所述同步授时的时间同步容器和用于获得所述电碳信息任务卸载策略和电碳计算资源分配方案的电碳计算容器;所述物理层用于支持该智能融合终端运行及所述应用层实现其功能的、并与多个边缘服务器连接;所述协议接口层用于实现所述应用层与所述物理层间的信息交互及交互信息处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310514992.9A CN116614195A (zh) | 2023-05-09 | 2023-05-09 | 基于边缘容器的电碳计算智能融合终端及时间同步方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310514992.9A CN116614195A (zh) | 2023-05-09 | 2023-05-09 | 基于边缘容器的电碳计算智能融合终端及时间同步方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116614195A true CN116614195A (zh) | 2023-08-18 |
Family
ID=87677452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310514992.9A Pending CN116614195A (zh) | 2023-05-09 | 2023-05-09 | 基于边缘容器的电碳计算智能融合终端及时间同步方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116614195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499960A (zh) * | 2023-12-29 | 2024-02-02 | 奥鼎智通(北京)科技有限公司 | 一种通信网络中资源调度方法、系统、设备及介质 |
-
2023
- 2023-05-09 CN CN202310514992.9A patent/CN116614195A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499960A (zh) * | 2023-12-29 | 2024-02-02 | 奥鼎智通(北京)科技有限公司 | 一种通信网络中资源调度方法、系统、设备及介质 |
CN117499960B (zh) * | 2023-12-29 | 2024-03-22 | 奥鼎智通(北京)科技有限公司 | 一种通信网络中资源调度方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113543176B (zh) | 基于智能反射面辅助的移动边缘计算系统的卸载决策方法 | |
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 | |
CN113810233B (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN112600921A (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
CN116545954B (zh) | 基于物联网的通信网关数据传输方法及系统 | |
CN110381161B (zh) | 电力物联网系统中基于博弈论的资源调度方法 | |
CN113411766B (zh) | 智慧物联网综合感知系统及方法 | |
CN116614195A (zh) | 基于边缘容器的电碳计算智能融合终端及时间同步方法 | |
CN110233755A (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN116610434A (zh) | 面向分层联邦学习系统的资源优化方法 | |
CN114900264A (zh) | 一种面向低碳园区群的智能分层时间同步方法及系统 | |
CN113159539B (zh) | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 | |
CN117076132B (zh) | 分层联邦学习系统的资源分配及聚合优化方法及装置 | |
CN113676357A (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
Gad et al. | Communication-efficient federated learning in drone-assisted IoT networks: Path planning and enhanced knowledge distillation techniques | |
Sun et al. | Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks | |
CN112423361A (zh) | 无线传感器网络的能量均衡方法 | |
CN115766475B (zh) | 基于通信效率的半异步电力联邦学习网络及其通信方法 | |
CN114997422A (zh) | 一种异构通信网络的分组式联邦学习方法 | |
CN114139688A (zh) | 基于马尔可夫链共识的工业物联网分布式联邦学习方法 | |
CN113505326A (zh) | 一种基于http协议族的动态编码数据传输控制方法 | |
CN111752707A (zh) | 一种基于映射关系的电力通信网资源分配方法 | |
CN118612754B (zh) | 可智能组网的三合一终端控制系统及方法 | |
CN113572690B (zh) | 面向可靠性的用电信息采集业务的数据传输方法 | |
CN113485718B (zh) | 面向边云协同系统中的上下文感知AIoT应用程序部署方法 |
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 |