CN116820778A - 边缘设备资源分配方法、系统、装置、设备及介质 - Google Patents
边缘设备资源分配方法、系统、装置、设备及介质 Download PDFInfo
- Publication number
- CN116820778A CN116820778A CN202310862883.6A CN202310862883A CN116820778A CN 116820778 A CN116820778 A CN 116820778A CN 202310862883 A CN202310862883 A CN 202310862883A CN 116820778 A CN116820778 A CN 116820778A
- Authority
- CN
- China
- Prior art keywords
- edge
- edge device
- time delay
- resource allocation
- energy consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013468 resource allocation Methods 0.000 claims abstract description 128
- 238000005265 energy consumption Methods 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 78
- 238000003860 storage Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供了一种边缘设备资源分配方法、系统、装置、设备及介质,涉及新兴信息技术领域,该方法包括:通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,并根据取最小联合成本时,数字孪生层中映射得到的工业产品信息、检测分类结果、设备状态信息和资源分配情况,对数字孪生层中的资源分配模型进行训练,根据训练好的资源分配模型,对多个边缘设备进行资源分配。通过数字孪生层,映射边缘设备在取最小联合成本时的信息,训练资源分配模型,并用于分配资源,不仅可以自动、快速以及准确的为边缘设备分配资源,还可以降低边缘设备的使用成本。
Description
技术领域
本公开涉及新兴信息技术领域,特别涉及一种边缘设备资源分配方法、系统、装置、设备及介质。
背景技术
工业视觉是工业领域应用中最为普遍的场景之一,在工业领域中使用各种边缘设备对工业产品进行检测和分类已经越来越普及。
但是,工业生产环境下的网络环境通常波动很大,相关技术中,在网络不稳定的情况下,为边缘设备分配资源比较困难,也很难在分配资源时兼顾到成本开销的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种边缘设备资源分配方法、系统、装置、设备及介质,至少可以快速、准确的为边缘设备分配资源,还能够兼顾到成本开销,降低成本。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
第一方面,本公开中的实施例提供一种边缘设备资源分配方法,所述方法包括:
通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本;
通过数字孪生层,映射得到所述每个边缘设备在时延和能耗取最小联合成本时,所述每个边缘设备的资源分配情况、设备状态信息和所述每个边缘设备对工业产品的检测分类结果;
根据所述数字孪生层中映射得到的工业产品信息、所述检测分类结果、所述设备状态信息和所述资源分配情况,对所述数字孪生层中的资源分配模型进行训练;
根据训练好的资源分配模型,对所述多个边缘设备进行资源分配。
在一种可能的实施例中,所述通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,包括:
获取所述每个边缘设备进行工业产品检测需要执行的计算请求,确定每个边缘设备执行计算请求的时延;
根据所述每个边缘设备执行计算请求的时延,得到工业视觉检测中的所述每个边缘设备运行的能耗;
根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备运行的能耗、以及存在比例关系的第一调节参数和第二调节参数,确定联合成本;
确定所述每个边缘设备在时延和能耗上的最小联合成本。
在一种可能的实施例中,所述获取所述每个边缘设备进行工业产品检测需要执行的计算请求,确定每个边缘设备执行计算请求的时延,包括:
将所述多个边缘设备中的任意一个边缘设备作为本地边缘设备;
根据用户发送至所述本地边缘设备的本地计算请求的数量,和用户的时延,确定本地边缘设备执行所有所述本地计算请求的时延;
获取所述多个边缘设备中,除所述本地边缘设备以外的其他边缘设备发送至所述本地边缘设备的其他边缘设备请求的数量;
根据所述其他边缘设备请求的数量和所述本地边缘设备执行所述其他边缘设备请求的计算成本,确定本地边缘设备执行所述其他边缘设备请求的时延;
根据所述本地边缘设备执行所有所述本地计算请求的时延,与所述本地边缘设备执行所述其他边缘设备请求的时延,确定所述边缘设备执行计算请求的时延;
逐个确定每个边缘设备执行计算请求的时延,得到所述每个边缘设备执行计算请求的时延。
在一种可能的实施例中,所述根据所述每个边缘设备执行计算请求的时延,得到工业视觉检测中的所述每个边缘设备运行的能耗,包括:
根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备执行计算的功率,确定所述每个边缘设备执行计算请求的能耗;
获取所述工业视觉检测中除所述边缘设备以外的其他设备的能耗;
将所述其他设备的能耗分配在所述每个边缘设备上,得到所述每个边缘设备运行的基础能耗;
根据所述基础能耗和所述每个边缘设备执行计算请求的能耗,得到每个边缘设备运行的能耗。
在一种可能的实施例中,所述根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备运行的能耗、以及存在比例关系的第一调节参数和第二调节参数,确定联合成本,包括:
根据所述第一调节参数与所述每个边缘设备运行的能耗的乘积,作为联合能耗成本;
根据所述第二调节参数与所述每个边缘设备执行计算请求的时延的乘积,作为联合时延成本;
将所述联合能耗成本与所述联合时延成本之和,作为联合成本。
在一种可能的实施例中,所述根据所述数字孪生层中映射得到的工业产品信息、每个边缘设备对工业产品的检测分类结果、所述设备状态信息和所述资源分配情况,对所述数字孪生层中的资源分配模型进行训练,包括:
通过所述数字孪生层,映射所述每个边缘设备采集到的工业产品信息;
在数字孪生层中,根据所述工业产品信息、所述设备状态信息、每个边缘设备对工业产品的检测分类结果和所述资源分配情况,对所述资源分配模型进行训练;
若将所述工业产品信息输入到所述资源分配模型中进行检测时,所述资源分配模型输出的资源分配结果与资源分配情况匹配,则训练结束,得到训练好的资源分配模型。
第二方面,本公开中的实施例提供一种边缘设备资源分配系统,包括:边缘服务器和边缘设备;其中,所述边缘服务器用于构建数字孪生层;
所述边缘服务器配置为执行权利要求1~6中任意一项所述的方法。
第三方面,本公开中的实施例提供一种边缘设备资源分配装置,包括:
联合优化单元,用于通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本;
映射单元,用于通过数字孪生层,映射得到所述每个边缘设备在时延和能耗取最小联合成本时,所述每个边缘设备的资源分配情况、设备状态信息和所述每个边缘设备对工业产品的检测分类结果;
训练单元,用于根据所述数字孪生层中映射得到的工业产品信息、所述检测分类结果、所述设备状态信息和所述资源分配情况,对所述数字孪生层中的资源分配模型进行训练;
分配单元,用于根据训练好的资源分配模型,对所述多个边缘设备进行资源分配。
在一种可能的实施例中,所述联合优化单元,还用于:
获取所述每个边缘设备进行工业产品检测需要执行的计算请求,确定每个边缘设备执行计算请求的时延;
根据所述每个边缘设备执行计算请求的时延,得到工业视觉检测中的所述每个边缘设备运行的能耗;
根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备运行的能耗、以及存在比例关系的第一调节参数和第二调节参数,确定联合成本;
确定所述每个边缘设备在时延和能耗上的最小联合成本。
在一种可能的实施例中,所述联合优化单元,还用于:
将所述多个边缘设备中的任意一个边缘设备作为本地边缘设备;
根据用户发送至所述本地边缘设备的本地计算请求的数量,和用户的时延,确定本地边缘设备执行所有所述本地计算请求的时延;
获取所述多个边缘设备中,除所述本地边缘设备以外的其他边缘设备发送至所述本地边缘设备的其他边缘设备请求的数量;
根据所述其他边缘设备请求的数量和所述本地边缘设备执行所述其他边缘设备请求的计算成本,确定本地边缘设备执行所述其他边缘设备请求的时延;
根据所述本地边缘设备执行所有所述本地计算请求的时延,与所述本地边缘设备执行所述其他边缘设备请求的时延,确定所述边缘设备执行计算请求的时延;
逐个确定每个边缘设备执行计算请求的时延,得到所述每个边缘设备执行计算请求的时延。
在一种可能的实施例中,所述联合优化单元,还用于:
根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备执行计算的功率,确定所述每个边缘设备执行计算请求的能耗;
获取所述工业视觉检测中除所述边缘设备以外的其他设备的能耗;
将所述其他设备的能耗分配在所述每个边缘设备上,得到所述每个边缘设备运行的基础能耗;
根据所述基础能耗和所述每个边缘设备执行计算请求的能耗,得到每个边缘设备运行的能耗。
在一种可能的实施例中,所述联合优化单元,还用于:
根据所述第一调节参数与所述每个边缘设备运行的能耗的乘积,作为联合能耗成本;
根据所述第二调节参数与所述每个边缘设备执行计算请求的时延的乘积,作为联合时延成本;
将所述联合能耗成本与所述联合时延成本之和,作为联合成本。
在一种可能的实施例中,所述训练单元,还用于:
通过所述数字孪生层,映射所述每个边缘设备采集到的工业产品信息;
在数字孪生层中,根据所述工业产品信息、所述设备状态信息、每个边缘设备对工业产品的检测分类结果和所述资源分配情况,对所述资源分配模型进行训练;
若将所述工业产品信息输入到所述资源分配模型中进行检测时,所述资源分配模型输出的资源分配结果与资源分配情况匹配,则训练结束,得到训练好的资源分配模型。
第四方面,本公开实施例提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的第一方面中所述的方法。
第五方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的第一方面中所述的方法。
第六方面,根据本公开的另一个方面,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一项所述的方法。
本公开的实施例所提供的一种边缘设备资源分配方法,具体包括:通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,通过数字孪生层,映射得到每个边缘设备在时延和能耗取最小联合成本时,每个边缘设备的资源分配情况、设备状态信息和每个边缘设备对工业产品的检测分类结果,根据数字孪生层中映射得到的工业产品信息、检测分类结果、设备状态信息和资源分配情况,对数字孪生层中的资源分配模型进行训练,根据训练好的资源分配模型,对多个边缘设备进行资源分配。通过计算边缘设备在时延和能耗上的最小联合成本,达到降低边缘设备对工业产品进行处理和检测的成本,并通过此种情况下的设备信息,以及资源分配情况等,在数字孪生层中映射数据,通过仿真的方式训练资源分配模型,通过训练好的模型,在网络波动大的情况下,也可以自动、快速以及准确的为边缘设备分配资源,可以兼顾成本和资源分配两个维度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。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他的附图。
图1示出本公开实施例中一种边缘设备资源分配系统的结构示意图;
图2示出本公开实施例中另一种边缘设备资源分配系统的结构示意图;
图3示出本公开实施例中再一种边缘设备资源分配系统的结构示意图;
图4示出本公开实施例中一种边缘设备资源分配方法的流程示意图;
图5示出本公开实施例中一种边缘设备资源分配装置的结构示意图;
图6示出本公开实施例中一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
由于工业生产环境下的网络环境通常波动很大,相关技术中,在网络不稳定的情况下,为边缘设备分配资源比较困难,也很难在分配资源时兼顾到成本开销的问题。
基于此,本公开提供了一种边缘设备资源分配方法,具体包括:通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,通过数字孪生层,映射得到每个边缘设备在时延和能耗取最小联合成本时,每个边缘设备的资源分配情况、设备状态信息和每个边缘设备对工业产品的检测分类结果,根据数字孪生层中映射得到的工业产品信息、检测分类结果、设备状态信息和资源分配情况,对数字孪生层中的资源分配模型进行训练,根据训练好的资源分配模型,对多个边缘设备进行资源分配。通过计算边缘设备在时延和能耗上的最小联合成本,达到降低边缘设备对工业产品进行处理和检测的成本,并通过此种情况下的设备信息,以及资源分配情况等,在数字孪生层中映射数据,通过仿真的方式训练资源分配模型,通过训练好的模型,在网络波动大的情况下,也可以自动、快速以及准确的为边缘设备分配资源,可以兼顾成本和资源分配两个维度。
本公开中的边缘设备资源分配方法可以应用于电子设备,也可以应用边缘设备资源分配系统。
图1示出了本公开实施例中一种边缘设备资源分配系统的结构示意图。如图1所示,边缘设备资源分配系统100可以包括边缘服务器101、边缘设备102和边缘设备103。
本公开实施例的边缘设备102和边缘设备103可以用于在新兴信息技术中,执行工业视觉检测的任务。例如,进行工业产品检测,判断工业产品是否合格。
边缘服务器101可以用于通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,通过数字孪生层,映射得到每个边缘设备在时延和能耗取最小联合成本时,每个边缘设备的资源分配情况、设备状态信息和每个边缘设备对工业产品的检测分类结果,根据数字孪生层中映射得到的工业产品信息、检测分类结果、设备状态信息和资源分配情况,对数字孪生层中的资源分配模型进行训练,根据训练好的资源分配模型,对多个边缘设备进行资源分配。
边缘设备资源分配系统100可以理解为一个由多个边缘设备以及边缘设备服务器101构成的多智能体。
在一种可能的实施例中,图2示出了本公开实施例中另一种边缘设备资源分配系统的结构示意图。如图2所示,边缘设备资源分配系统100可以包括边缘服务器101、边缘设备102和边缘设备103。
以边缘设备102为例,结构化数据可以包括边缘设备对工业产品进行检测时,边缘设备102的资源分配情况,边缘设备102的设备状态信息,以及边缘设备102对工业产品的检测分类结果等。
其中,边缘设备102中可以包括感知设备112、检测模块122、分割模块132和决策传输模块142。
边缘设备103中可以包括感知设备113、检测模块123、分割模块133和决策传输模块143。
感知设备112用于识别工业产品的工业产品信息。可以以图片等方式识别。检测模块122用于对工业产品的信息进行检测。分割模块132用于对工业产品信息进行分割。决策传输模块142用于对分割后的工业产品信息进行判断工业产品符合哪种标准。
输出的检测分类结果可以包括焊脚长度异常、焊脚偏移、良品、多锡、少锡、坡度异常等。
边缘服务器101中可以包括数字孪生体加速模块111和处理器121。
数字孪生体加速模块111可以用于建立数字孪生层,用于生成多个边缘设备的孪生数据,将孪生数据存储在数据库,以及建立工业视觉检测中多个边缘设备的孪生模型等。
数字孪生体加速模块111还可以用于通过孪生数据,对资源分配模型进行训练等。
处理器121可以用于对边缘设备中的数据进行接收。例如,接收每个边缘设备上传的数据信息,并结构化处理以及批量化处理,并将批量化处理后的数据信息传输至数字孪生体加速模块111中。
处理器121还可以用于分配边缘设备的各种资源,例如计算资源和通信资源等。
数据信息可以包括原始的每个边缘设备的资源分配情况、设备状态信息和每个边缘设备对工业产品的检测分类结果和工业产品信息。
孪生数据可以理解为对数据信息,以及对处理后的数据信息进行孪生后得到的数据。
在一种可能的实施例中,图3示出了本公开实施例中另一种边缘设备资源分配系统的结构示意图。如图3所示,边缘设备资源分配系统100可以包括边缘服务器101、边缘设备102、边缘设备103和决策聚合模块104。
决策聚合模块104可以用于将每个边缘设备的各种数据信息进行打包,并结构化处理,直接将结构化处理后的数据信息上传至边缘服务器101中。
边缘服务器101中的处理器121用于接收结构化处理后的数据信息,以及进行批量化处理,再传输到数字孪生体加速模块111中。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种边缘设备资源分配方法,该方法可以由任意具备计算处理能力的电子设备执行,下述过程中以电子设备为边缘服务器为例。
图4示出本公开实施例中一种边缘设备资源分配方法的流程图,如图4所示,本公开实施例中提供的边缘设备资源分配方法包括如下步骤:
S402:通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本。
在一种可能的实施例中,边缘服务器可以用于控制工业视觉检测中的多个边缘设备的时延和能耗,在边缘设备对工业产品进行检测的过程中,使得每个边缘设备在时延和能耗上取得最小联合成本。
每个边缘设备进行工业产品检测时,需要执行各种各样的计算请求,所以,每个边缘设备的时延可以是执行计算请求的时延;也可以是计算请求和一些执行计算请求必须的数据传输的传输时延,与执行计算请求的时延之和。以每个边缘设备的时延可以是执行计算请求的时延为例进行下述说明。
通过每个边缘设备的时延可以计算出每个边缘设备的能耗。以在时延和能耗之间设置存在比例关系的第一调节参数和第二调节参数的方式,来确定联合成本,并确定出最小联合成本。
在一种可能的实施例中,确定最小联合成本的方式可以为:获取每个边缘设备进行工业产品检测需要执行的计算请求,确定每个边缘设备执行计算请求的时延,根据每个边缘设备执行计算请求的时延,得到工业视觉检测中的每个边缘设备运行的能耗,根据每个边缘设备执行计算请求的时延和每个边缘设备运行的能耗、以及存在比例关系的第一调节参数和第二调节参数,确定联合成本,确定每个边缘设备在时延和能耗上的最小联合成本。
示例性地,确定每个边缘设备执行计算请求的时延具体可以通过下述方式:将多个边缘设备中的任意一个边缘设备作为本地边缘设备,根据用户发送至本地边缘设备的本地计算请求的数量,和用户的时延,确定本地边缘设备执行所有本地计算请求的时延,获取多个边缘设备中,除本地边缘设备以外的其他边缘设备发送至本地边缘设备的其他边缘设备请求的数量,根据其他边缘设备请求的数量和本地边缘设备执行其他边缘设备请求的计算成本,确定本地边缘设备执行其他边缘设备请求的时延,根据本地边缘设备执行所有本地计算请求的时延,与本地边缘设备执行其他边缘设备请求的时延,确定边缘设备执行计算请求的时延,逐个确定每个边缘设备执行计算请求的时延,得到每个边缘设备执行计算请求的时延。
可以将任意一个边缘设备作为边缘设备A,边缘设备A执行的计算请求分为执行边缘设备A自身的计算请求和边缘设备A执行的来自其他边缘设备的计算请求。
执行边缘设备A自身的计算请求可以理解为边缘设备A自身检测的工业产品等产生的计算请求;边缘设备A执行的来自其他边缘设备的计算请求可以理解为其他边缘设备发送过来的计算请求,可以以边缘设备A作为本地边缘设备为例。
具体可以通过下述公式(1)进行计算:
其中,Ti表示第i个边缘设备的时延,可以以边缘设备A为例;Rij表示第j个用户发送到第i个边缘设备上的计算请求的数量;Tij表示第j个用户在第i个边缘设备上的执行计算请求的时延;Ri,j=0表示其他边缘设备发送到第i个边缘设备上执行的计算请求的数量;Φi表示计算成本,用于表征第i个边缘设备执行其他边缘设备的计算请求的成本;是现有将技术中出现的,无具体含义的参数,在本公开中不再进行多余赘述。
示例性地,确定每个边缘设备运行的能耗具体可以通过下述方式:根据每个边缘设备执行计算请求的时延和每个边缘设备执行计算的功率,确定每个边缘设备执行计算请求的能耗,获取工业视觉检测中除边缘设备以外的其他设备的能耗,将其他设备的能耗分配在每个边缘设备上,得到每个边缘设备运行的基础能耗,根据基础能耗和每个边缘设备执行计算请求的能耗,得到每个边缘设备运行的能耗。
具体可以通过下述公式(2)进行计算:
其中,Ei表示第i个边缘设备的能耗;Pij表示功率;E0表示其他设备的能耗;α表示基础参数,是预先设定好的常数。
进一步地,确定好时延和能耗之后,联合成本的具体确定方式如下:根据第一调节参数与每个边缘设备运行的能耗的乘积,作为联合能耗成本,根据第二调节参数与每个边缘设备执行计算请求的时延的乘积,作为联合时延成本,将联合能耗成本与联合时延成本之和,作为联合成本。
具体可以通过下述公式(3)进行计算:
Ji=λ1Ei+λ2Ti (3)
其中,Ji表示联合成本;λ1表示第一调节参数;λ2表示第二调节参数。
通过上述公式(3),取联合成本的最小值min{Ji},以得到第i个边缘设备在时延和能耗上的最小联合成本,进一步得到每个边缘设备的最小联合成本。
S404:通过数字孪生层,映射得到每个边缘设备在时延和能耗取最小联合成本时,每个边缘设备的资源分配情况、设备状态信息和每个边缘设备对工业产品的检测分类结果。
在一种可能的实施例中,边缘服务器确定了每个边缘设备在时延和能耗上取得最小联合成本,可以获取每个边缘设备的资源分配情况。
在边缘服务器进行分配资源,每个边缘设备执行简单的矢量化操作,接收分配到的资源,并使用资源,得到边缘设备对工业产品的检测分类结果。
最终将每个边缘设备的资源分配情况、设备状态信息和边缘设备对工业产品的检测分类结果,以将这些数据信息,在数字孪生层中,作为训练资源分配模型的训练数据。
在一种可能的实施例中,可以先对每个边缘设备的资源分配情况,设备状态信息和边缘设备对工业产品的检测分类结果进行处理,将这些数据进行结构化,再将结构化数据传输到边缘服务器中,将结构化数据,在数字孪生层中,作为训练资源分配模型的训练数据。
S406:根据数字孪生层中映射得到的工业产品信息、检测分类结果、设备状态信息和资源分配情况,对数字孪生层中的资源分配模型进行训练。
在一种可能的实施例中,在边缘设备中的感知设备感知工业产品信息时,也会将工业产品信息上传至边缘服务器中,并至于数字孪生层中用于训练资源分配模型。
需要说明的是,可以对感知设备获取到的工业产品信息进行简单的处理,将对训练资源分配模型有用处的数据上传至边缘服务器中,对感知设备直接感知获取的工业产品信息进行简单的数据清洗。
在一种可能的实施例中,获取到上述数据信息之后,边缘服务器可以在数字孪生层中以上述数据信息构建工业视觉检测中多个边缘设备的孪生模型,并在数字虚拟层中构建能够为边缘设备分配资源的资源分配模型,通过在孪生模型中以获取到的数据信息来进行模拟和仿真,模拟边缘设备对工业产品的检测分类,以及对边缘设备进行资源分配,以实现对模型的训练。
示例性地,通过数字孪生层,映射每个边缘设备采集到的工业产品信息,在数字孪生层中,根据工业产品信息、设备状态信息、每个边缘设备对工业产品的检测分类结果和资源分配情况,对资源分配模型进行训练,若将工业产品信息输入到资源分配模型中进行检测时,资源分配模型输出的资源分配结果与资源分配情况匹配,则训练结束,得到训练好的资源分配模型。
训练过程是使得资源分配模型进行学习的过程,获取到的数据是边缘设备在最小联合成本时的资源分配情况,所以,通过上述数据信息进行训练资源分配模型,训练好的资源分配模型可以在后续边缘设备对工业产品进行检测分类时,以时延和能耗上的最小联合成本分配资源。
在一种可能的实施例中,获取了部分数据信息之后,可以在数字孪生层中,对孪生模型进行虚拟的运行,以数据仿真的方式,模拟边缘设备对工业产品的检测,并迭代训练,以实现对资源分配模型的训练,通过此种方式,不仅可以无需再过多干涉实际的边缘设备的运转,还可以加快对资源分配模型的训练,数据虚拟仿真的速度相比于实际边缘设备对工业产品进行检测的速度要更快。
S408:根据训练好的资源分配模型,对多个边缘设备进行资源分配。
通过上述训练好的资源分配模型,可以在边缘设备对工业产品进行检测分类时,为每个边缘设备分配资源检测工业产品。
通过上述方式,不仅可以在网络波动大的情况下,自动分配边缘设备的资源,整个训练过程都是通过数字孪生层完成的,通过获取数据信息,构建孪生模型,实现边边协同训练,推理。并且还兼顾边缘设备在时延和能耗上的成本问题,可以降低边缘设备的使用成本。
在一种可能的实施例中,在后续不断对边缘设备的资源进行分配的过程中,还可以继续通过数字孪生层以映射的方式获取数据,并继续通过数据孪生加速模块对资源分配模型进行训练,继续完善资源分配模型。
基于同一发明构思,本公开实施例中还提供了一种边缘设备资源分配装置,如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图5示出本公开实施例中一种边缘设备资源分配装置的结构示意图,如图5所示,该边缘设备资源分配装置50包括:联合优化单元501,用于通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,映射单元502,用于通过数字孪生层,映射得到每个边缘设备在时延和能耗取最小联合成本时,每个边缘设备的资源分配情况、设备状态信息和每个边缘设备对工业产品的检测分类结果,训练单元503,用于根据数字孪生层中映射得到的工业产品信息、检测分类结果、设备状态信息和资源分配情况,对数字孪生层中的资源分配模型进行训练,分配单元504,用于根据训练好的资源分配模型,对多个边缘设备进行资源分配。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600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6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行上述方法实施例中的任一项的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备640(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
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程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中的方法。
在本公开的示例性实施例中,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可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种边缘设备资源分配方法,其特征在于,所述方法包括:
通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本;
通过数字孪生层,映射得到所述每个边缘设备在时延和能耗取最小联合成本时,所述每个边缘设备的资源分配情况、设备状态信息和所述每个边缘设备对工业产品的检测分类结果;
根据所述数字孪生层中映射得到的工业产品信息、所述检测分类结果、所述设备状态信息和所述资源分配情况,对所述数字孪生层中的资源分配模型进行训练;
根据训练好的资源分配模型,对所述多个边缘设备进行资源分配。
2.根据权利要求1所述的方法,其特征在于,所述通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本,包括:
获取所述每个边缘设备进行工业产品检测需要执行的计算请求,确定每个边缘设备执行计算请求的时延;
根据所述每个边缘设备执行计算请求的时延,得到工业视觉检测中的所述每个边缘设备运行的能耗;
根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备运行的能耗、以及存在比例关系的第一调节参数和第二调节参数,确定联合成本;
确定所述每个边缘设备在时延和能耗上的最小联合成本。
3.根据权利要求2所述的方法,其特征在于,所述获取所述每个边缘设备进行工业产品检测需要执行的计算请求,确定每个边缘设备执行计算请求的时延,包括:
将所述多个边缘设备中的任意一个边缘设备作为本地边缘设备;
根据用户发送至所述本地边缘设备的本地计算请求的数量,和用户的时延,确定本地边缘设备执行所有所述本地计算请求的时延;
获取所述多个边缘设备中,除所述本地边缘设备以外的其他边缘设备发送至所述本地边缘设备的其他边缘设备请求的数量;
根据所述其他边缘设备请求的数量和所述本地边缘设备执行所述其他边缘设备请求的计算成本,确定本地边缘设备执行所述其他边缘设备请求的时延;
根据所述本地边缘设备执行所有所述本地计算请求的时延,与所述本地边缘设备执行所述其他边缘设备请求的时延,确定所述边缘设备执行计算请求的时延;
逐个确定每个边缘设备执行计算请求的时延,得到所述每个边缘设备执行计算请求的时延。
4.根据权利要求2所述的方法,其特征在于,所述根据所述每个边缘设备执行计算请求的时延,得到工业视觉检测中的所述每个边缘设备运行的能耗,包括:
根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备执行计算的功率,确定所述每个边缘设备执行计算请求的能耗;
获取所述工业视觉检测中除所述边缘设备以外的其他设备的能耗;
将所述其他设备的能耗分配在所述每个边缘设备上,得到所述每个边缘设备运行的基础能耗;
根据所述基础能耗和所述每个边缘设备执行计算请求的能耗,得到每个边缘设备运行的能耗。
5.根据权利要求2所述的方法,其特征在于,所述根据所述每个边缘设备执行计算请求的时延和所述每个边缘设备运行的能耗、以及存在比例关系的第一调节参数和第二调节参数,确定联合成本,包括:
根据所述第一调节参数与所述每个边缘设备运行的能耗的乘积,作为联合能耗成本;
根据所述第二调节参数与所述每个边缘设备执行计算请求的时延的乘积,作为联合时延成本;
将所述联合能耗成本与所述联合时延成本之和,作为联合成本。
6.根据权利要求1所述的方法,其特征在于,所述根据所述数字孪生层中映射得到的工业产品信息、每个边缘设备对工业产品的检测分类结果、所述设备状态信息和所述资源分配情况,对所述数字孪生层中的资源分配模型进行训练,包括:
通过所述数字孪生层,映射所述每个边缘设备采集到的工业产品信息;
在数字孪生层中,根据所述工业产品信息、所述设备状态信息、每个边缘设备对工业产品的检测分类结果和所述资源分配情况,对所述资源分配模型进行训练;
若将所述工业产品信息输入到所述资源分配模型中进行检测时,所述资源分配模型输出的资源分配结果与资源分配情况匹配,则训练结束,得到训练好的资源分配模型。
7.一种边缘设备资源分配系统,其特征在于,包括:边缘服务器和边缘设备;其中,所述边缘服务器用于构建数字孪生层;
所述边缘服务器配置为执行权利要求1~6中任意一项所述的方法。
8.一种边缘设备资源分配装置,其特征在于,包括:
联合优化单元,用于通过工业视觉检测中多个边缘设备进行工业产品检测时的时延和每个边缘设备运行的能耗,确定每个边缘设备在时延和能耗上的最小联合成本;
映射单元,用于通过数字孪生层,映射得到所述每个边缘设备在时延和能耗取最小联合成本时,所述每个边缘设备的资源分配情况、设备状态信息和所述每个边缘设备对工业产品的检测分类结果;
训练单元,用于根据所述数字孪生层中映射得到的工业产品信息、所述检测分类结果、所述设备状态信息和所述资源分配情况,对所述数字孪生层中的资源分配模型进行训练;
分配单元,用于根据训练好的资源分配模型,对所述多个边缘设备进行资源分配。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~6中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862883.6A CN116820778A (zh) | 2023-07-13 | 2023-07-13 | 边缘设备资源分配方法、系统、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862883.6A CN116820778A (zh) | 2023-07-13 | 2023-07-13 | 边缘设备资源分配方法、系统、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116820778A true CN116820778A (zh) | 2023-09-29 |
Family
ID=88125809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862883.6A Pending CN116820778A (zh) | 2023-07-13 | 2023-07-13 | 边缘设备资源分配方法、系统、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116820778A (zh) |
-
2023
- 2023-07-13 CN CN202310862883.6A patent/CN116820778A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
WO2023071121A1 (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
WO2021259106A1 (zh) | 神经网络芯片的优化方法、系统、设备和存储介质 | |
CN113821332B (zh) | 自动机器学习系统效能调优方法、装置、设备及介质 | |
WO2020000689A1 (zh) | 基于迁移学习的智能投顾策略生成方法及装置、电子设备、存储介质 | |
US20240005164A1 (en) | Neural Network Training Method and Related Device | |
CN116627662B (zh) | 边缘计算的资源处理方法、装置、存储介质及电子设备 | |
WO2023207411A1 (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN114610475A (zh) | 一种智能资源编排模型的训练方法 | |
CN114417780B (zh) | 状态同步方法、装置、电子设备及存储介质 | |
CN111859775A (zh) | 加速深度学习推断的软硬件协同设计 | |
US20220292390A1 (en) | Uniform artificial intelligence model conversion | |
CN116820778A (zh) | 边缘设备资源分配方法、系统、装置、设备及介质 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN109285559B (zh) | 角色转换点检测方法及装置、存储介质、电子设备 | |
CN113505861A (zh) | 基于元学习和记忆网络的图像分类方法及系统 | |
CN111309382A (zh) | 基于神经网络的指令推送方法、系统、设备及存储介质 | |
CN111049988A (zh) | 移动设备的亲密度预测方法、系统、设备及存储介质 | |
CN115348179B (zh) | 网络流量边界预测方法、装置、设备及介质 | |
CN116521377B (zh) | 业务计算卸载方法、系统、装置、设备及介质 | |
CN117688342B (zh) | 一种基于模型的设备状态预测方法、电子设备及存储介质 | |
CN110084511B (zh) | 一种无人机配型方法、装置、设备及可读存储介质 | |
CN110689137B (zh) | 参数确定方法、系统、介质和电子设备 | |
US20230350392A1 (en) | Method and system for seamless transition of runtime system from controller device to digitalization platform | |
CN115048218A (zh) | 一种边缘异构场景中的端云协同推理方法和系统 |
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 |