CN117032992B - 工业互联网系统的任务处理方法和装置 - Google Patents

工业互联网系统的任务处理方法和装置 Download PDF

Info

Publication number
CN117032992B
CN117032992B CN202311287669.9A CN202311287669A CN117032992B CN 117032992 B CN117032992 B CN 117032992B CN 202311287669 A CN202311287669 A CN 202311287669A CN 117032992 B CN117032992 B CN 117032992B
Authority
CN
China
Prior art keywords
unloading
allocation
edge
matrix
industrial internet
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.)
Active
Application number
CN202311287669.9A
Other languages
English (en)
Other versions
CN117032992A (zh
Inventor
池程
谢滨
刘克新
李孝丰
朱斯语
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.)
Beihang University
China Academy of Information and Communications Technology CAICT
Original Assignee
Beihang University
China Academy of Information and Communications Technology CAICT
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 Beihang University, China Academy of Information and Communications Technology CAICT filed Critical Beihang University
Priority to CN202311287669.9A priority Critical patent/CN117032992B/zh
Publication of CN117032992A publication Critical patent/CN117032992A/zh
Application granted granted Critical
Publication of CN117032992B publication Critical patent/CN117032992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • 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
    • 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
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer And Data Communications (AREA)

Abstract

本公开实施例公开了一种工业互联网系统的任务处理方法和装置，其中，该方法包括：基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配策略；基于所述多组卸载分配策略对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策；基于所述最优卸载分配决策，对所述工业互联网系统进行任务卸载和资源分配。本公开实施例可以快速确定MEC网络的最优卸载分配决策，依据最优卸载分配决策进行任务卸载和资源分配，可以大幅提升平均计算速率并大幅降低云和边缘服务成本。

Description

工业互联网系统的任务处理方法和装置
技术领域
本公开涉及工业互联网技术领域，尤其是一种工业互联网系统的任务处理方法和装置。
背景技术
在工业互联网中可以部署移动边缘计算（Mobile Edge Computing，MEC）网络。随着云计算和边缘计算的发展使得计算能力有限的设备可以选择将重型计算任务卸载到云端或边缘服务器。然而，由于服务器的计算能力和网络资源有限，任务的卸载性能受到时变的信道功率增益和网络资源分配的影响，而任务的执行效率受到分配的计算能力的影响。因此有必要形成一种可以合理地进行任务卸载和资源分配的方法。
相关技术中，采用基于志愿云中调度问题的集中式和分布式交替方向乘子法(Alternating Direction Method of Multipliers，ADMM)、坐标下降法或者拉格朗日松弛法进行任务卸载和资源分配，但是这些方法计算负责，需要多次迭代才能得到最终的解决方案。
如何合理地进行任务卸载和资源分配，是一个亟待解决的问题。
发明内容
本公开实施例提供一种工业互联网系统的任务处理方法和装置，以解决合理地进行任务卸载和资源分配的问题。
本公开实施例的第一方面，提供一种工业互联网系统的任务处理方法，所述工业互联网系统包括云中心、多个边缘服务器和多个边缘设备，所述方法应用于所述边缘设备和/或所述云中心，所述方法包括：
基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配策略，其中，所述状态信息包括信道增益和任务队列信息；
基于所述多组卸载分配策略对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策；
基于所述最优卸载分配决策，对所述工业互联网系统进行任务卸载和资源分配。
在本公开的一个实施例中，所述基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配策略，包括：
利用深度神经网络对所述状态信息进行处理，得到所述工业互联网系统在所述目标时间帧的特征向量；
将所述特征向量转换为特征矩阵；
基于所述特征矩阵，确定所述多组卸载分配决策。
在本公开的一个实施例中，所述基于所述特征矩阵，确定所述多组卸载分配决策，包括：
基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定所述多组卸载分配决策；
其中，所述特征矩阵中的每个矩阵元素对应一个卸载指示变量，所述卸载指示变量的数值用于从所述多个边缘设备和所述多个边缘设备选择处理卸载任务的设备，所述特征矩阵的维度与所述特征向量的维度相同，所述第一噪声矩阵的维度与所述特征矩阵的维度相同，所述第一噪声矩阵中的每个元素服从标准高斯分布。
在本公开的一个实施例中，所述多组卸载分配决策的数量为2N+2，N为大于1的整数，且N与所述多个边缘设备中边缘设备的数量相同；
所述基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定所述多组卸载分配决策，包括：
基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，确定第一卸载分配决策集合，其中，所述第一卸载分配决策集合包括N+1组卸载分配决策；
基于所述特征矩阵和所述第一噪声矩阵，确定第二噪声矩阵；
基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及所述第二噪声矩阵，确定第二卸载分配决策集合，其中，所述第二卸载分配决策集合包括N+1组卸载分配决策；
基于所述第一卸载分配决策集合和所述第二卸载分配决策集合，确定所述多组卸载分配决策。
在本公开的一个实施例中，在所述基于所述多组卸载分配策略对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策之前，还包括：
获取所述多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率、所述边缘设备卸载到目标边缘服务器的上传功率和所述目标边缘服务器的分配带宽，以及所述目标边缘设备本地计算和调用所述云中心服务的分配时间；
基于所述中央处理器频率、所述边缘设备卸载到目标边缘服务器的上传功率和所述分配带宽，以及所述分配时间，计算所述多组卸载分配决策中每组卸载分配决策对应的目标函数值，得到所述多个目标函数值。
在本公开的一个实施例中，所述获取所述多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率，包括：
对针对所述中央处理器频率的预设优化问题式进行求解，得到所述中央处理器频率。
本公开实施例的第二方面，提供一种工业互联网系统的任务处理装置，所述工业互联网系统包括云中心、多个边缘服务器和多个边缘设备，所述装置应用于所述边缘设备和/或所述云中心，所述装置包括：
卸载分配策略确定模块，用于基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配策略，其中，所述状态信息包括信道增益和任务队列信息；
最优决策确定模块，用于基于所述多组卸载分配策略对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策；
任务资源处理模块，用于基于所述最优卸载分配决策，对所述工业互联网系统进行任务卸载和资源分配。
在本公开的一个实施例中，所述卸载分配策略确定模块用于利用深度神经网络对所述状态信息进行处理，得到所述工业互联网系统在所述目标时间帧的特征向量；所述卸载分配策略确定模块还用于将所述特征向量转换为特征矩阵；所述卸载分配策略确定模块还用于基于所述特征矩阵，确定所述多组卸载分配决策。
在本公开的一个实施例中，所述卸载分配策略确定模块用于基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定所述多组卸载分配决策；其中，所述特征矩阵中的每个矩阵元素对应一个卸载指示变量，所述卸载指示变量的数值用于从所述多个边缘设备和所述多个边缘设备选择处理卸载任务的设备，所述特征矩阵的维度与所述特征向量的维度相同，所述第一噪声矩阵的维度与所述特征矩阵的维度相同，所述第一噪声矩阵中的每个元素服从标准高斯分布。
在本公开的一个实施例中，所述多组卸载分配决策的数量为2N+2，N为大于1的整数，且N与所述多个边缘设备中边缘设备的数量相同；所述卸载分配策略确定模块用于基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，确定第一卸载分配决策集合，其中，所述第一卸载分配决策集合包括N+1组卸载分配决策；所述卸载分配策略确定模块还用于基于所述特征矩阵和所述第一噪声矩阵，确定第二噪声矩阵；所述卸载分配策略确定模块还用于基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及所述第二噪声矩阵，确定第二卸载分配决策集合，其中，所述第二卸载分配决策集合包括N+1组卸载分配决策；所述卸载分配策略确定模块还用于基于所述第一卸载分配决策集合和所述第二卸载分配决策集合，确定所述多组卸载分配决策。
在本公开的一个实施例中，所述最优决策确定模块用于获取所述多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率、所述边缘设备卸载到目标边缘服务器的上传功率和所述目标边缘服务器的分配带宽，以及所述目标边缘设备本地计算和调用所述云中心服务的分配时间；所述最优决策确定模块用于基于所述中央处理器频率、所述边缘设备卸载到目标边缘服务器的上传功率和所述分配带宽，以及所述分配时间，计算所述多组卸载分配决策中每组卸载分配决策对应的目标函数值，得到所述多个目标函数值。
在本公开的一个实施例中，所述最优决策确定模块用于对针对所述中央处理器频率的预设优化问题式进行求解，得到所述中央处理器频率。
本公开实施例的第三方面，提供一种工业互联网系统系统，包括：
移动边缘计算网络，所述移动边缘计算网络包括云中心、多个边缘服务器和多个边缘设备；
上述第二方面所述的工业互联网系统的任务处理装置。
本公开实施例的第四方面，提供一种电子设备，包括：
存储器，用于存储计算机程序产品；
处理器，用于执行所述存储器中存储的计算机程序产品，且所述计算机程序产品被执行时，实现上述第一方面所述的方法。
本公开实施例的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该计算机程序指令被处理器执行时，实现上述第一方面所述的方法。
本公开实施例的工业互联网系统的任务处理方法和装置，根据移动边缘计算网络在目标时间帧的状态信息得到移动边缘计算网络的多组卸载分配策略，并根据多组卸载分配策略对应的多个目标函数值的数值大小关系，可以从多组卸载分配决策中确定最优卸载分配决策，进而根据最优卸载分配决策对工业互联网系统进行任务卸载和资源分配，从而可以大幅提升平均计算速率并大幅降低云和边缘服务成本。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开实施例中工业互联网系统的架构图；
图2为本公开实施例中工业互联网系统的任务处理方法的流程示意图；
图3为本公开实施例中工业互联网系统的任务处理方法的工作原理图；
图4为本公开一个示例中边缘设备的平均原始任务队列长度的实验结果图；
图5为本公开一个示例中边缘服务器的平均原始任务队列长度的实验结果图；
图6为本公开一个示例中边缘设备的平均能量消耗的实验结果图；
图7为本公开实施例中工业互联网系统的任务处理装置的结构框图；
图8为本公开实施例中工业互联网系统的结构框图；
图9为本公开实施例中电子设备的结构框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令（诸如程序模块）的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
在本公开的实施例中，任务卸载包括边缘设备选择本地设备进行任务数据计算或选择指定边缘服务器进行任务处理。资源分配为根据需要处理的任务分配相应的数据处理资源。
在介绍本公开的移动边缘计算网络的任务处理方法之前，先介绍本公开的移动边缘计算网络的任务处理方法所针对的移动边缘计算网络的架构和相关建模内容。
图1为本公开实施例中工业互联网系统的架构图。如图1所示，工业互联网系统包括一个云中心、M个边缘服务器和N个边缘设备。其中，M和N均为大于1的整数。时间被分割为等长的时间帧，每个时间帧长度为T。在第个时间帧内，用/> 表示任务到达量。假设任务到达量/>独立同分布，二阶矩存在且有界，可以通过过去的观测值进行估计。/>表示第个时间帧内第/>个边缘设备与第/>个边缘服务器之间的无线信道增益，在块衰落模型的假设下，/>在时间帧内保持恒定，在不同时间帧间独立变化。边缘设备可选择本地执行计算任务或向边缘服务器卸载。本地执行可以考虑CPU频率设定，卸载需要考虑上传功率，带宽分配，卸载的边缘服务器的选取。边缘服务器可在一个时间帧内，分配/>卸载到云端，分配/>本地执行。
与边缘设备相关的建模如下：为卸载指示变量，取值为0或1，/>的取值范围是到/>的整数，/>的取值范围是0到M的整数，/>如果为1，则表示第/>个边缘设备在第个时间帧内不选择卸载任务而选择本地计算，而/>不为0时/>如果为1则表示第/>个边缘设备在第/>个时间帧内向第/>个边缘服务器卸载。在这里考虑操作的互斥性，假设在一个时间帧内边缘设备仅可以选取一种操作，即：
（1）
当边缘设备选择本地执行计算任务（为1）时，应用动态电压频率调整技术，需要考虑CPU频率/>的设定，上限为/>，此时在时间帧内本地执行计算任务的原始数据处理量和消耗的能量为：
（2）
（3）
其中，表示处理单位比特原始数据所需要的计算周期数，/>表示计算能效参数。
当边缘设备选择向边缘服务器卸载计算任务（不为1）时，需要针对上传功率，带宽分配进行决策，此时在时间帧内向边缘卸载的原始数据量和消耗的能量为：
（4）
（5）
其中为上传功率，/>表示噪声功率谱密度，B为带宽，/>为第/>个边缘服务器为第/>个边缘设备的带宽分配，因此需要满足：
（6）
（7）
针对任务队列进行建模时，使用表示第/>个边缘设备的任务原始数据的任务队列长度，设定/>，有边缘设备的任务队列长度更新公式：
（8）
并且考虑到实际的物理意义，处理的数据量需要小于等于任务队列中存在的任务数据量，因此需要满足如下约束：
（9）
与边缘服务器相关建模如下：第个边缘服务器可在一个时间帧内，分配/>卸载到云端，分配/>本地执行，因此需要满足：
（10）
此时在一个时间帧内，由边缘服务器本地处理的原始数据量，以及调用边缘服务器的代价为：
（11）
（12）
其中，表示边缘服务器CPU频率，/>为调用边缘服务单位代价。
卸载到云端时，通常假设云中心的数据处理能力足够大，因此这里只考虑云中心与边缘服务器之间的网络带宽能力导致的约束，而假设由边缘服务器卸载到云端的数据都能在时间帧内处理完成，此时原始数据上传/处理量以及调用云服务代价为：
(13)
(14)
其中，表示数据传输速率，/>为调用云服务的单位代价。
此外，还需要考虑到边缘服务器和云中心之间的带宽是有限的，即在一个时间帧内传输到云中心的总数据量需要小于等于总带宽乘以时间帧的长度。不等式两端同时除以总带宽，可以得到如下带宽分配约束：
(15)
针对边缘服务器的任务队列进行建模，使用表示第/>个边缘服务器的任务原始数据队列长度，设定/>，有边缘设备的任务队列长度更新公式：
(16)
并且考虑到实际的物理意义，处理的数据量需要小于等于任务队列中存在的任务数据量，因此需要满足如下约束：
(17)
优化目标是在任务队列的长期稳定和平均功率限制的情况下，最大化网络长期平均计算量的同时，减小调用云边服务的长期平均代价。定义单个时间帧内的待优化目标函数为：
(18)
定义，/>，建模得到的优化问题(P1)如下：
(19)
：
(20)
(21)
(22)
(23)
（24）
（25）
（26）
（27）
（28）
（29）
其中，公式（19）表示优化目标设定为最大化网络的计算量和云边服务代价之差的长期平均，公式（20）中代表第/>个边缘设备的平均功率限制，公式（21）和公式（22）表示需要边缘服务器和边缘设备的任务队列长期稳定，这里采用了排队理论中的队列的强稳定理论。公式（23）-（28）中的约束均在前文出现过，公式（29）表示所有待优化变量的相关取值约束。
针对优化问题(P1)，是难以直接求解的，因为直接求解(P1)不仅需要获得所有时间帧的随机信息（包括无线信道增益和任务到达量/>），而且难以直接使用含有无穷项求和的约束公式（20）-（22）。即使获得了的随机信息，并且转化了约束公式，求解该问题的计算难度和求解代价也过于高昂，要么十分耗时，难以满足大规模系统下的实时性要求，要么在复杂不确定环境下求解质量下降。于是考虑引入李雅普诺夫优化理论，将该问题解耦为针对每个时间帧的确定性问题。
针对约束公式（20），引入虚拟能量队列，定义/>，并有更新公式：
(30)
其中，是一个正缩放系数。这个队列可以形象地理解为能量的超额用量，当一个时间帧内的能量消耗量大于/>时，便会把超额使用的这一部分存储在虚拟能量队列中；当能量消耗量小于/>并且虚拟能量队列长度不为0时，便会使用这个时间帧省下的能量去抵消掉之前的超额用量。如果该虚拟队列强稳定，那么约束公式（20）成立，所以可以将该约束转化为：
(31)
为了表述方便，记，其中/>，，/>。定义二次李雅普诺夫函数为：
(32)
如果对于任意时间帧/>均有界，容易看出所有的任务队列以及虚拟能量队列均有界，约束公式（20）-（22）成立。为了控制住/>的值，定义李雅普诺夫漂移如下：
(33)
进而考虑如下漂移加惩罚表达式：
(34)
其中，是正常数，代表着目标函数占整个表达式的重要程度。选取这种表达式的动机是不仅需要尽量减小/>的值，同时需要尽量获取更大的目标函数/>的值。原始的漂移加惩罚表达式中，惩罚函数的符号为正，而给出的表达式中采用负号，这是因为需要获得较大的目标函数值而不是较小的惩罚函数值。因此原优化问题(P1)的求解可以利用李雅普诺夫优化理论，转化为针对/>的优化。通常，在李雅普诺夫优化理论中，并不是直接优化/>，而是优化/>的一个上界，该上界由如下定理给出：
定理：假设每个时间帧内的和/>独立同分布，则对于所有可能的/>和/>，以及任意/>，公式（34）中的/>满足：
（35）
其中，B是正常数，系统确定时随之确定。
在每个时间帧的开始，采用机会期望最小化原理，在去除（35）给出的上界中与待优化变量无关的部分之后，原优化问题(P1)转化为优化问题（P2）：
（36）
针对优化问题（P2），若卸载指示变量是已知的，那么此时的优化问题可以解耦为三个子问题，并且都不难求解。所以可以考虑在每一个时间帧的开始，通过观察当前的信道增益和队列信息组成的状态信息/>先给出一组或多组可能的卸载指示矩阵/>，然后分别求解每一组卸载决策所对应的最优资源分配决策和此时的目标函数值，选出目标函数值最大的一组决策作为最优决策。其中状态信息/>和无线信道增益矩阵/>定义如下：
(37)/>
(38)
(39)
然而，寻找可能的最优卸载决策依旧是一项有挑战性的任务。一种可能的方案是遍历所有可能的卸载决策，这种方案需要求解最优资源分配决策（M+1） N 次，当N和M较大时，在实际的系统中部署以实现决策的实时求解是几乎不可能的。考虑利用深度强化学习的技术，利用神经网络输入状态信息，输出一个N（M+1）维的向量，变形为和/>相同形状的矩阵，通过强化学习方法在与实际系统交互的过程中，使得输出的矩阵尽可能去逼近最优卸载决策。
以下，开始具体介绍本公开实施例的工业互联网系统的任务处理方法。
图2为本公开实施例中工业互联网系统的任务处理方法的流程示意图。如图2所示，工业互联网系统包括云中心、多个边缘服务器和多个边缘设备。工业互联网系统的任务处理方法，工业互联网系统的卸载分配决策确定方法应用于边缘设备和/或云中心，包括以下步骤：
S1：基于工业互联网系统在目标时间帧的状态信息，确定工业互联网系统的多组卸载分配策略。其中，所述状态信息包括信道增益和任务队列信息。
可以将工业互联网系统的状态信息作为输入，传递给预先训练好的深度神经网络输出工业互联网系统在目标时间帧的特征向量，将特征向量转换为特征矩阵后，利用预设的量化方法根据特征矩阵生成多组卸载分配决策。其中，特征矩阵中的每个元素用于表征边缘设备选择本地卸载或者向指定边缘服务器进行任务卸载。
S2：基于多组卸载分配策略对应的多个目标函数值的数值大小关系，从多组卸载分配决策中确定最优卸载分配决策。
在得到多组卸载分配策略后，根据目标函数值的计算公式，计算出每组卸载分配策略对应的目标函数值。其中，每组卸载分配策略对应的目标函数值表征每组卸载分配策略的优略程度，目标函数值越大表征对应组的卸载分配策略越优秀。
S3：基于最优卸载分配决策，对工业互联网系统进行任务卸载和资源分配。
在确定最优卸载分配决策后，根据最优卸载分配决策对应的任务处理设备（边缘设备或边缘服务器）进行任务卸载和资源分配。
此外，还可以将状态信息和采用的最优卸载决策/>组合为状态决策对存储进DNN的回放存储器中。每经过一定的时间帧，算法都会从回放存储器中随机抽取一个批次的状态决策对来更新DNN。/>
在本实施例中，根据工业互联网系统在目标时间帧的状态信息得到工业互联网系统的多组卸载分配策略，并根据多组卸载分配策略对应的多个目标函数值的数值大小关系，可以从多组卸载分配决策中确定最优卸载分配决策，进而根据最优卸载分配决策对工业互联网系统进行任务卸载和资源分配，从而可以大幅提升平均计算速率并大幅降低云和边缘服务成本。
在本公开的一个实施例中，步骤S1包括：
S1-1：利用深度神经网络对状态信息进行处理，得到工业互联网系统在所述目标时间帧的特征向量，得到工业互联网系统的特征向量。
图3为本公开实施例中工业互联网系统的任务处理方法的工作原理图。如图3所示，在目标时间帧，获取当前工业互联网系统的状态信息，并把该信息作为向量传递给深度神经网络（Deep Neural Networks, DNN）的输入层。DNN输出层输出一个N（M+1）维的向量。其中，目标时间帧可以是一个指定的时间帧，也可以是每个时间帧。
DNN包含输入层、隐含层和输出层。输入层负责接收观察器收集的状态信息并展开为向量，同时将其传递给隐含层。然后，多个隐含层将输入层传递过来的状态抽象为更高层的表征，其中包含了支撑系统决策的关键特征。最后，高层表征被传递给输出层，输出层输出一个N（M+1）维的向量，向量的每个元素为0和1之间的实数。通用逼近定理表明，一个包含足够多隐层神经元的多层感知机，能以任意精度逼近任意的连续函数，因此，可以尝试采用多层感知机使其输出逼近最优卸载决策。DNN中的参数θ t 一开始被随机初始化，并且服从标准正态分布。
S1-2：将特征向量转换为特征矩阵。即将N（M+1）维的向量变形为N（M+1）的特征矩阵。
S1-3：基于特征矩阵，确定工业互联网系统的多组卸载分配决策/>。
在本公开的一个示例中，利用预设的量化方法根据生成（2N+2）组卸载分配决策/>。
在本实施例中，利用深度神经网络对工业互联网系统在目标时间帧的状态信息进行处理，可以得到相应的特征向量，将特征向量转换为特征矩阵后，可以根据特征矩阵快速得到工业互联网系统在目标时间帧的多组分配决策。
在本公开的一个实施例中，S1-3包括：基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定多组卸载分配决策。
在本公开的一个示例中，对特征矩阵采用添加噪声的保序量化方法，随机生成与特征矩阵维度相同的第一噪声矩阵。其中，第一噪声矩阵中的每个元素服从标准高斯分布。
由于特征矩阵中的每个矩阵元素对应一个卸载指示变量，卸载指示变量的数值用于从多个边缘设备和多个边缘设备选择处理卸载任务的设备（参见上文的公式（1）及相关内容），因此根据特征矩阵可以生成（N+1）组卸载分配决策。将特征矩阵与第一噪声矩阵进行融合后，可以再生成（N+1）组卸载分配决策，从而可以得到（2N+2）组卸载分配决策。
在本实施例中，基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，可以快速生成多组卸载分配决策。
在本公开的一个实施例中，多组卸载分配决策的数量为2N+2，N为大于1的整数，且N与多个边缘设备中边缘设备的数量相同，则S1-3进一步可以包括：
S1-3-1：基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，确定第一卸载分配决策集合。其中，第一卸载分配决策集合包括N+1组卸载分配决策。
，寻找使得/>最大的/>，将/>设置为1，其余的置为0，按照这样的规则生成第1组卸载决策/>。
N组决策按照和/>相似的方法生成，但是每次生成的时候，对于其中的一个/>，不是寻找使得/>最大的/>而是使得/>第二大的/>，将/>设置为1，其余的置为0，这样可以生成N组决策。对这N组决策进行排序，按照每组决策生成时选择的第二大的/>从大到小进行排序，这样生成N组决策/>。
由第1组卸载决策和N组决策/>组成第一卸载分配决策集合/>。
S1-3-2：基于特征矩阵和第一噪声矩阵，确定第二噪声矩阵。
将N（M+1）维的第一噪声矩阵与特征矩阵相加，得到第二噪声矩阵。
S1-3-3：基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及第二噪声矩阵，确定第二卸载分配决策集合。其中，第二卸载分配决策集合包括（N+1）组卸载分配决策。
基于第二噪声矩阵，生成组决策的相同方法生成/>组决策。由/>组决策组成第二卸载分配决策集合。
S1-3-4：基于第一卸载分配决策集合和第二卸载分配决策集合，确定多组卸载分配决策。
在本实施例中，基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，可以生成与特征矩阵距离相近的一半数量的卸载分配决策，并基于第二噪声矩阵可以生成具有一定探索性的另外一半的卸载分配决策，达成了探索和利用的权衡，有利于加速深度强化学习中深度神经网络的训练。
在本公开的一个实施例中，在S3之前，还包括：
S-A：获取多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率、边缘设备卸载到目标边缘服务器的上传功率和目标边缘服务器的分配带宽，以及目标边缘设备本地计算和调用云中心服务的分配时间。
S-B：基于中央处理器频率、边缘设备卸载到目标边缘服务器的上传功率和分配带宽，以及分配时间，计算多组卸载分配决策中每组卸载分配决策对应的目标函数值，得到多个目标函数值。
当特征矩阵已知时，优化问题（P2）可以解耦为三个子问题，包括选择本地处理任务数据的目标边缘设备的CPU频率，选择卸载到目标边缘服务器的目标边缘设备的上传功率和目标边缘服务器的分配带宽，以及边缘服务器本地计算和调用云中心服务的分配时间。
遍历计算生成的（2N+2）组卸载决策所对应的最优资源分配决策和目标函数值。
在本实施例中，当表征卸载决策的特征矩阵已知时，可以将对卸载决策的优化问题解耦为目标边缘设备的CPU频率、选择卸载到目标边缘服务器的目标边缘设备的上传功率和目标边缘服务器的分配带宽，以及边缘服务器本地计算和调用云中心服务的分配时间的三个问题，进而遍历多组卸载决策可以得到多组卸载决策对应的多个目标函数值，有助于基于多个目标函数值快速确定最优卸载决策。
在本公开的一个实施例中，S-A包括：
S-A-1：对针对中央处理器频率的预设优化问题式进行求解，得到中央处理器频率。
对于所有选择本地处理任务数据的边缘设备，需要求解如下优化问题：
（40）
可见，不同边缘设备之间互不影响，因此通过求导求驻点，容易给出该问题的最优解析解：
（41）
在本实施例中，对针对中央处理器频率的预设优化问题式进行求解，可以快速且较为容易的得到中央处理器频率。
在本公开的另一个实施例中，S-A包括：
S-A-2：对针对上传功率和分配带宽的预设优化问题式进行求解，得到上传功率和分配带宽。
对于所有选择卸载到边缘服务器的边缘设备，选择卸载到不同的边缘服务器的边缘设备之间互不影响，选择卸载到相同的边缘服务器的边缘设备之间在优化问题中耦合，于是针对每一个边缘服务器，都需要求解如下优化问题：
（42）
其中，，由于/>的正负不确定，并不能确定公式/>中的待优化函数的凹凸性。然而，对于那些使得/>的边缘设备/>，观察可以发现仅当/> 时，边缘设备/>所对应的待优化函数的部分为0，而其它的/>和/>的可能取值都会使对应的待优化函数的部分小于0，因此对于使得的边缘设备/>，设定/>是最合理的设定。在待优化函数中去除这部分后，剩下的函数为凹函数，可以利用凸优化中的算法求最大值。
在本实施例中，对针对上传功率和分配带宽的预设优化问题式进行求解，可以快速且较为容易得到上传功率和分配带宽。
在本公开的又一个实施例中，S-A包括：
S-A-3：对针对分配时间的预设优化问题式进行求解，得到分配时间。
关于目标边缘设备本地计算和调用云中心服务的分配时间，需要求解的优化问题如下：
（43）
上述问题是一个线性规划问题，这种问题有多种可用的求解算法。可以采用一个开源的Python算法库和数学工具包SciPy中提供的求解算法highs，它可以在高性能并行对偶改进单纯形法和内点法之间自动选择性能较高的算法来求解。对于较大规模和稀疏线性规划问题，这是SciPy中最快的线性规划求解器。利用该工具，时间分配设定这个线性规划问题的高精度解也能容易的求得。
在本实施例中，对针对分配时间的预设优化问题式进行求解，可以快速且较为容易得到目标边缘设备本地计算和调用云中心服务的分配时间。
为使本领域技术人员进一步了解本公开实施例的工业互联网系统的任务处理方法，通过以下实验说明对本公开实施例的工业互联网系统的任务处理方法的性能。
所有实验均在配备英特尔Core i7-10700 CPU和16 GB内存的计算机上进行。此外，将性能与其他三种算法进行了比较。
Coordinate Decent (CD):在解决（P2）时，使用坐标下降方法获得近似最优的卸载决策。首先，随机生成卸载决策，然后计算最优资源分配决策和（P2）中的目标函数。接下来，通过改变卸载决策中的一个分量，确定如何最大化目标函数的变化。重复这个过程，直到仅改变一个分量不再导致更大的目标函数，从而获得近似最优的卸载决策。
Greedy Offloading (GO):所有边缘设备尝试将数据卸载到边缘服务器，而边缘服务器也尝试将数据卸载到云中心。每个边缘设备选择信道功率增益最高的边缘服务器。将带宽均匀分配给将数据卸载到同一边缘服务器的边缘设备。时间也均匀分配用于请求云服务。
Local Processing (LP): 所有边缘设备选择在本地处理任务数据。只需要在平均功耗约束下考虑CPU频率的设置。
假设任务到达量服从指数分布，每个时间帧之间独立同分布，并且拥有有限的期望值。并且假设无线信道增益的期望满足：
（44）
其中，表示天线增益，/>为载波频率，/>表示路径损耗指数，/>为第/>个边缘设备与第/>个边缘服务器间的距离。考虑边缘设备为静态部署，其坐标为，边缘服务器坐标为/>。为了增加实验的可复现性，表1给出了仿真实验相关的详细配置，关键参数以及DNN的超参数。
评估了所提出算法的收敛性，以确定是否能够满足队列长期稳定性约束和平均功耗约束。
图4为本公开一个示例中边缘设备的平均原始任务队列长度的实验结果图。在图4中，x轴表示时间帧，y轴表示无线边缘设备的平均队列长度。图5为本公开一个示例中边缘服务器的平均原始任务队列长度的实验结果图，在图5中，x轴表示时间帧，y轴表示边缘服务器的平均队列长度。图6为本公开一个示例中边缘设备的平均能量消耗的实验结果图，在图6中，x轴表示时间帧，y轴表示无线边缘设备的平均能量消耗，单位为瓦特。
如图4-图6所示，本公开实施例的工业互联网系统的任务处理方法和CD算法满足了无线边缘设备、边缘服务器的数据队列稳定性以及平均功率限制的要求，但GO算法和LP算法没有满足边缘设备的数据队列稳定性。对于GO算法，这是因为当所有边缘设备选择卸载时，带宽负载过大，导致传输效率降低。对于LP算法，显然，边缘设备很难在没有辅助的情况下处理这些数据。
表1坐标下降法和本节算法求解时间对比
在表1中，通过将程序的总运行时间除以时间帧数来计算平均求解时间。换句话说，平均求解时间包括神经网络的训练时间。结果表明，提出的算法比CD算法快几十倍，这使得的算法更加实用。
图7为本公开实施例中工业互联网系统的任务处理装置的结构框图。如图7所示，工业互联网系统包括云中心、多个边缘服务器和多个边缘设备，工业互联网系统的卸载分配决策确定装置应用于边缘设备和/或云中心。工业互联网系统的任务处理装置，包括：
卸载分配策略确定模块100，用于基于工业互联网系统在目标时间帧的状态信息，确定工业互联网系统的多组卸载分配策略，其中，状态信息包括信道增益和任务队列信息；
最优决策确定模块200，用于基于多组卸载分配策略对应的多个目标函数值的数值大小关系，从多组卸载分配决策中确定最优卸载分配决策；
任务资源处理模块300，用于基于最优卸载分配决策，对工业互联网系统进行任务卸载和资源分配。
在本公开的一个实施例中，卸载分配策略确定模块100用于利用深度神经网络对状态信息进行处理，得到工业互联网系统在目标时间帧的特征向量；卸载分配策略确定模块100还用于将特征向量转换为特征矩阵；卸载分配策略确定模块100还用于基于特征矩阵，确定多组卸载分配决策。
在本公开的一个实施例中，卸载分配策略确定模块100用于基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定多组卸载分配决策；其中，特征矩阵中的每个矩阵元素对应一个卸载指示变量，卸载指示变量的数值用于从多个边缘设备和多个边缘设备选择处理卸载任务的设备，特征矩阵的维度与特征向量的维度相同，第一噪声矩阵的维度与特征矩阵的维度相同，第一噪声矩阵中的每个元素服从标准高斯分布。
在本公开的一个实施例中，多组卸载分配决策的数量为2N+2，N为大于1的整数，且N与多个边缘设备中边缘设备的数量相同；卸载分配策略确定模块100用于基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，确定第一卸载分配决策集合，其中，第一卸载分配决策集合包括N+1组卸载分配决策；卸载分配策略确定模块100还用于基于特征矩阵和第一噪声矩阵，确定第二噪声矩阵；卸载分配策略确定模块100还用于基于特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及第二噪声矩阵，确定第二卸载分配决策集合，其中，第二卸载分配决策集合包括N+1组卸载分配决策；卸载分配策略确定模块100还用于基于第一卸载分配决策集合和第二卸载分配决策集合，确定多组卸载分配决策。
在本公开的一个实施例中，最优决策确定模块200用于获取多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率、边缘设备卸载到目标边缘服务器的上传功率和目标边缘服务器的分配带宽，以及目标边缘设备本地计算和调用云中心服务的分配时间；最优决策确定模块200用于基于中央处理器频率、边缘设备卸载到目标边缘服务器的上传功率和分配带宽，以及分配时间，计算多组卸载分配决策中每组卸载分配决策对应的目标函数值，得到多个目标函数值。
在本公开的一个实施例中，最优决策确定模块200用于对针对中央处理器频率的预设优化问题式进行求解，得到中央处理器频率。
需要说明的是，本公开实施例的工业互联网系统的任务处理装置的具体实施方式与本公开实施例的工业互联网系统的任务处理方法的具体实施方式类似，具体参见工业互联网系统的任务处理方法部分的描述，为了减少冗余，不作赘述。
图8为本公开实施例中工业互联网系统的结构框图。如图8所示，工业互联网系统包括：移动边缘计算网络10，以及上述实施例所述的工业互联网系统的任务处理装置20。
其中，移动边缘计算网络10包括：云中心，多个边缘服务器和多个边缘设备。
云中心作为数据中心，可以存储移动边缘计算网络中所有数据。云中心还可以对多个边缘服务器和多个边缘设备进行管理，例如当某个边缘服务器发生故障时，云中心可以通知其他边缘服务器和多个边缘设备暂停向发生故障的边缘服务器发送数据和边缘计算任务。运中心还可以在剩余边缘服务器中指定一个边缘服务器接替发生故障的边缘服务器进行边缘计算任务处理。
多个边缘服务器中的边缘服务器可以接收云中心的调度，接受多个边缘设备中的边缘设备发出的边缘计算任务，并可以周期性地向云中心存储相应周期内处理的边缘计算任务数据。
多个边缘设备可以与云中心和多个边缘服务器进行通信，并通过云中心向多个边缘服务器中的指定服务器发送边缘计算任务，并接收指定服务器反馈的边缘计算任务的计算结果。
工业互联网系统的任务处理装置20的具体功能与上述实施例的工业互联网系统的任务处理装置相同，不做赘述。需要说明的是，工业互联网系统的任务处理装置20可以部署在云中心，也可以部署在其他设备内。
另外，本公开实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述任一实施例所述的工业互联网系统的任务处理方法。
下面，参考图9来描述根据本公开实施例的电子设备。如图9所示，电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以存储一个或多个计算机程序产品，所述存储器可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序产品，处理器可以运行所述计算机程序产品，以实现上文所述的本公开的各个实施例的工业互联网系统的任务处理方法以及/或者其他期望的功能。
在一个示例中，电子装置还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置还可以包括例如键盘、鼠标等等。
该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然，为了简化，图9中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的工业互联网系统的任务处理方法中的步骤。
所述计算机程序产品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实施例操作的程序代码，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。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的工业互联网系统的任务处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（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。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种工业互联网系统的任务处理方法，其特征在于，所述工业互联网系统包括云中心、多个边缘服务器和多个边缘设备，所述方法应用于所述边缘设备和/或所述云中心，所述方法包括：
基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配决策，其中，所述状态信息包括信道增益和任务队列信息；
基于所述多组卸载分配决策对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策；
基于所述最优卸载分配决策，对所述云中心和/或所述多个边缘服务器进行任务卸载和资源分配；
其中，所述基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配决策，包括：
利用深度神经网络对所述状态信息进行处理，得到所述工业互联网系统在所述目标时间帧的特征向量；
将所述特征向量转换为特征矩阵；
基于所述特征矩阵，确定所述多组卸载分配决策；
其中，所述基于所述特征矩阵，确定所述多组卸载分配决策，包括：
基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定所述多组卸载分配决策；
其中，所述特征矩阵中的每个矩阵元素对应一个卸载指示变量，所述卸载指示变量的数值用于从所述多个边缘设备和所述多个边缘设备选择处理卸载任务的设备，所述特征矩阵的维度与所述特征向量的维度相同，所述第一噪声矩阵的维度与所述特征矩阵的维度相同，所述第一噪声矩阵中的每个元素服从标准高斯分布。
2.根据权利要求1所述的方法，其特征在于，所述多组卸载分配决策的数量为2N+2，N为大于1的整数，且N与所述多个边缘设备中边缘设备的数量相同；
所述基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定所述多组卸载分配决策，包括：
基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，确定第一卸载分配决策集合，其中，所述第一卸载分配决策集合包括N+1组卸载分配决策；
基于所述特征矩阵和所述第一噪声矩阵，确定第二噪声矩阵；
基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及所述第二噪声矩阵，确定第二卸载分配决策集合，其中，所述第二卸载分配决策集合包括N+1组卸载分配决策；
基于所述第一卸载分配决策集合和所述第二卸载分配决策集合，确定所述多组卸载分配决策。
3.根据权利要求1或2所述的方法，其特征在于，在所述基于所述多组卸载分配决策对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策之前，还包括：
获取所述多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率、所述边缘设备卸载到目标边缘服务器的上传功率和所述目标边缘服务器的分配带宽，以及所述目标边缘设备本地计算和调用所述云中心服务的分配时间；
基于所述中央处理器频率、所述边缘设备卸载到目标边缘服务器的上传功率和所述分配带宽，以及所述分配时间，计算所述多组卸载分配决策中每组卸载分配决策对应的目标函数值，得到所述多个目标函数值。
4.根据权利要求3所述的方法，其特征在于，所述获取所述多组卸载分配决策中每组卸载决策对应的目标边缘设备的中央处理器频率，包括：
对针对所述中央处理器频率的预设优化问题式进行求解，得到所述中央处理器频率。
5.一种工业互联网系统的任务处理装置，其特征在于，所述工业互联网系统包括云中心、多个边缘服务器和多个边缘设备，所述装置应用于所述边缘设备和/或所述云中心，所述装置包括：
卸载分配策略确定模块，用于基于所述工业互联网系统在目标时间帧的状态信息，确定所述工业互联网系统的多组卸载分配决策，其中，所述状态信息包括信道增益和任务队列信息；
最优决策确定模块，用于基于所述多组卸载分配决策对应的多个目标函数值的数值大小关系，从所述多组卸载分配决策中确定最优卸载分配决策；
任务资源处理模块，用于基于所述最优卸载分配决策，对所述工业互联网系统进行任务卸载和资源分配；
其中，所述卸载分配策略确定模块用于利用深度神经网络对所述状态信息进行处理，得到所述工业互联网系统在所述目标时间帧的特征向量；所述卸载分配策略确定模块还用于将所述特征向量转换为特征矩阵；所述卸载分配策略确定模块还用于基于所述特征矩阵，确定所述多组卸载分配决策；
所述卸载分配策略确定模块用于基于所述特征矩阵中矩阵元素对应的卸载指示变量之间的数值关系，以及随机生成的第一噪声矩阵，确定所述多组卸载分配决策；其中，所述特征矩阵中的每个矩阵元素对应一个卸载指示变量，所述卸载指示变量的数值用于从所述多个边缘设备和所述多个边缘设备选择处理卸载任务的设备，所述特征矩阵的维度与所述特征向量的维度相同，所述第一噪声矩阵的维度与所述特征矩阵的维度相同，所述第一噪声矩阵中的每个元素服从标准高斯分布。
6.一种工业互联网系统，其特征在于，包括：
移动边缘计算网络，所述移动边缘计算网络包括云中心、多个边缘服务器和多个边缘设备；
权利要求5所述的工业互联网系统的任务处理装置。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序产品；
处理器，用于执行所述存储器中存储的计算机程序产品，且所述计算机程序产品被执行时，实现上述权利要求1-4任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该计算机程序指令被处理器执行时，实现上述权利要求1-4任一所述的方法。
CN202311287669.9A 2023-10-07 2023-10-07 工业互联网系统的任务处理方法和装置 Active CN117032992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311287669.9A CN117032992B (zh) 2023-10-07 2023-10-07 工业互联网系统的任务处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311287669.9A CN117032992B (zh) 2023-10-07 2023-10-07 工业互联网系统的任务处理方法和装置

Publications (2)

Publication Number Publication Date
CN117032992A CN117032992A (zh) 2023-11-10
CN117032992B true CN117032992B (zh) 2024-03-15

Family

ID=88630302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311287669.9A Active CN117032992B (zh) 2023-10-07 2023-10-07 工业互联网系统的任务处理方法和装置

Country Status (1)

Country Link
CN (1) CN117032992B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113207136A (zh) * 2021-04-02 2021-08-03 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置
CN114490057A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度强化学习的mec已卸载任务资源分配方法
CN114513855A (zh) * 2022-02-23 2022-05-17 齐鲁工业大学 基于无线携能通信的边缘计算卸载决策与资源分配方法
KR20230007941A (ko) * 2021-07-06 2023-01-13 금오공과대학교 산학협력단 에지 컴퓨팅 기반 산업용 사물 인터넷 환경에서 강화학습을 활용한 태스크 오프로딩 방법
CN115904533A (zh) * 2022-10-24 2023-04-04 浙江工商大学 一种基于深度强化学习的边缘计算任务卸载方法
CN115967952A (zh) * 2022-03-16 2023-04-14 云南升玥信息技术有限公司 一种基于fcm聚类算法和边缘计算工业物联网的资源分配管理系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113207136A (zh) * 2021-04-02 2021-08-03 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置
KR20230007941A (ko) * 2021-07-06 2023-01-13 금오공과대학교 산학협력단 에지 컴퓨팅 기반 산업용 사물 인터넷 환경에서 강화학습을 활용한 태스크 오프로딩 방법
CN114490057A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度强化学习的mec已卸载任务资源分配方法
CN114513855A (zh) * 2022-02-23 2022-05-17 齐鲁工业大学 基于无线携能通信的边缘计算卸载决策与资源分配方法
CN115967952A (zh) * 2022-03-16 2023-04-14 云南升玥信息技术有限公司 一种基于fcm聚类算法和边缘计算工业物联网的资源分配管理系统
CN115904533A (zh) * 2022-10-24 2023-04-04 浙江工商大学 一种基于深度强化学习的边缘计算任务卸载方法

Also Published As

Publication number Publication date
CN117032992A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Ali et al. An automated task scheduling model using non-dominated sorting genetic algorithm II for fog-cloud systems
Abed-Alguni et al. Distributed Grey Wolf Optimizer for scheduling of workflow applications in cloud environments
Higham et al. Squeezing a matrix into half precision, with an application to solving linear systems
Alkayal et al. Efficient task scheduling multi-objective particle swarm optimization in cloud computing
US11521067B2 (en) Decentralized distributed deep learning
Bicer et al. Time and cost sensitive data-intensive computing on hybrid clouds
Salimi et al. Task scheduling using NSGA II with fuzzy adaptive operators for computational grids
Al-Moalmi et al. A whale optimization system for energy-efficient container placement in data centers
Kamalinia et al. Hybrid task scheduling method for cloud computing by genetic and DE algorithms
Chen et al. Deep learning research and development platform: Characterizing and scheduling with qos guarantees on gpu clusters
US11055139B2 (en) Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster
Salimi et al. Task scheduling with Load balancing for computational grid using NSGA II with fuzzy mutation
Madhumala et al. Virtual machine placement using energy efficient particle swarm optimization in cloud datacenter
Im et al. Tight bounds for online vector scheduling
CN117032992B (zh) 工业互联网系统的任务处理方法和装置
Menouer et al. New multi-objectives scheduling strategies in docker swarmkit
Jiang et al. An improved multi-objective grey wolf optimizer for dependent task scheduling in edge computing
CN112560392A (zh) 用于处理电路版图的方法、设备和存储介质
Shubair Enhancement of task scheduling technique of big data cloud computing
CN117032994A (zh) 工业互联网系统的卸载分配决策确定方法和装置
Salimi et al. Task scheduling for computational grids using NSGA II with fuzzy variance based crossover
CN116302481A (zh) 基于稀疏知识图谱链接预测的资源分配方法及系统
Reshmi et al. Profit and resource availability-constrained optimal handling of high-performance scientific computing tasks
Cavallo et al. A LAHC-based job scheduling strategy to improve big data processing in geo-distributed contexts
CN113709817A (zh) 多基站多服务器场景下的任务卸载和资源调度方法及装置

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
GR01 Patent grant
GR01 Patent grant