CN117149444A - 适用于巡检系统的深度神经网络混合划分方法 - Google Patents
适用于巡检系统的深度神经网络混合划分方法 Download PDFInfo
- Publication number
- CN117149444A CN117149444A CN202311422264.1A CN202311422264A CN117149444A CN 117149444 A CN117149444 A CN 117149444A CN 202311422264 A CN202311422264 A CN 202311422264A CN 117149444 A CN117149444 A CN 117149444A
- Authority
- CN
- China
- Prior art keywords
- local server
- aerial vehicle
- unmanned aerial
- representing
- system cost
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000007689 inspection Methods 0.000 title claims abstract description 11
- 238000005192 partition Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000005265 energy consumption Methods 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000638 solvent extraction Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 2
- 125000002015 acyclic group Chemical group 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic 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]
- G06F9/5061—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
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于巡检系统的深度神经网络混合划分方法,该方法在无人机端构建了第一系统成本模型,在本地服务器构建了第二系统成本模型,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,且基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,在有可协同计算异构边缘节点的情况下,结合第二系统成本模型,得出本地服务器与异构边缘节点之间的最优划分链路集合,本发明能在变电站巡检异构系统中,针对不同网络状态及协同环境,合理的划分DNN,具有较高的实用性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种适用于巡检系统的深度神经网络混合划分方法。
背景技术
近年来,深度神经网络(Deep Neural Networks , DNN)在计算机视觉、自然语言识别以及医疗诊断等领域取得巨大成功。随着电力边缘设备的爆发性发展和变电站电力巡检性能要求的不断提升,变电站所搭载的各类在线检测算法也愈发复杂,而资源有限的终端设备无法满足严格的时延与能耗要求。此外,无人机等巡检节点、视频监测节点、边缘计算节点在变电站巡检系统中互相异构共存成为必然趋势。
边缘计算技术的兴起,有效解决了集中云式存在的问题,将云能力扩展到靠近终端设备的网络边缘(例如基站,基站旁布置有边缘计算服务器),从而减少传输延迟并减轻骨干网络流量负担。然而,在边缘端完成DNN推理仍面临着挑战。由于边缘计算服务器的计算能力有限,为充分利用异构节点的计算能力,需要将无人机、本地计算服务器、移动设备之间协同工作,而如何在无人机和本地计算服务器之间合理划分,在本地服务器和边缘节点同步协同推理,是本领域技术人员需要解决的技术问题。
发明内容
为此,本发明的一个目的在于提出一种适用于巡检系统的深度神经网络混合划分方法,以在无人机和本地计算服务器之间合理划分,在本地服务器和边缘节点同步协同推理。
本发明提供一种适用于巡检系统的深度神经网络混合划分方法,包括:
获取深度神经网络中每层DNN输出数据大小以及每层DNN计算能耗,并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离,分析无人机与本地服务器运行每层DNN的能耗以及时延,分别在无人机端构建第一系统成本模型、在本地服务器构建第二系统成本模型;
基于已有的DNN,构建对应的向无环图式DNN,并基于向无环图式DNN进行第一次网络划分,在进行第一次网络划分时,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,所述第一最优划分节点对应的第一系统成本模型的系统成本最低;
在进行第一次网络划分后,将划分任务卸载到本地服务器,本地服务器判断有无可协同计算异构边缘节点,若无可协同计算异构边缘节点,则划分任务仍由本地服务器单独执行,若有可协同计算异构边缘节点,则通过第二系统成本模型进行同步协同划分,得出本地服务器与异构边缘节点之间的最优划分链路集合,所述最优划分链路集合对应的第二系统成本模型的系统成本最低。
根据本发明提供的适用于巡检系统的深度神经网络混合划分方法,综合每层DNN输出数据大小以及每层DNN计算能耗,并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离,建立了两个系统成本模型,即在无人机端构建了第一系统成本模型、在本地服务器构建了第二系统成本模型,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,且基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,能够最大限度的利用无人机的计算资源,实现第一系统成本模型的时延和能耗总成本最小化,有效的提高了无人机执行任务的效率,在有可协同计算异构边缘节点的情况下,结合第二系统成本模型,得出本地服务器与异构边缘节点之间的最优划分链路集合,能够最大限度的利用异构边缘节点的计算资源,进一步降低系统总成本,有效的降低了本地服务器的计算压力,提升了整体系统的性能和可伸缩性,本发明能在变电站巡检异构系统中,针对不同网络状态及协同环境,合理的划分DNN,具有较高的实用性。
附图说明
图1为本发明一实施例提供的适用于巡检系统的深度神经网络混合划分方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明一实施例提供的适用于巡检系统的深度神经网络混合划分方法,包括步骤S1~S3:
S1,获取深度神经网络中每层DNN输出数据大小以及每层DNN计算能耗,并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离,分析无人机与本地服务器运行每层DNN的能耗以及时延,分别在无人机端构建第一系统成本模型、在本地服务器构建第二系统成本模型。
其中,所述第一系统成本模型包括第一系统时延模型和第一系统能耗模型。
所述第一系统时延模型包括无人机本地推理时延模型、本地服务器协同推理时延模型;
所述第一系统时延模型满足以下条件式:
其中,表示第一系统成本模型的系统推理时延,/>表示无人机本地推理时延,/>表示本地服务器协同推理时延;
所述无人机本地推理时延模型满足以下条件式:
;
;
其中,表示第i个顶点的无人机推理时延,/>表示第i个顶点内第j层DNN的无人机推理时延,N表示顶点总数,n表示DNN的总层数;
所述本地服务器协同推理时延模型满足以下条件式:
;
;
其中,表示第i个顶点的本地服务器推理时延,/>表示第i个顶点内第j层DNN的输入数据大小,/>表示无人机和本地服务器之间的上行带宽,表示第i个顶点内第j层DNN的本地服务器推理时延。
所述第一系统能耗模型包括无人机本地推理能耗模型、无人机数据传输能耗模型、无人机飞行能耗模型;
所述第一系统能耗模型满足以下条件式:
其中,表示第一系统成本模型的系统能耗,/>表示无人机本地推理能耗,/>表示无人机数据传输能耗,/>表示无人机飞行能耗;
所述无人机本地推理能耗模型满足以下条件式:
;
;
其中,表示第i个顶点的无人机本地推理能耗,/>表示第i个顶点内第j层DNN的无人机本地推理能耗;
所述无人机数据传输能耗模型满足以下条件式:
;
;
其中,表示时隙,/>表示第i个顶点内第j层DNN的上传数据量,/>为高斯白噪声的功率,P UAV为无人机发射功率,h(m)为第m时隙的信道功率增益,M表示数据传输表示持续时间,d(m)为第m时隙无人机相对本地服务器的距离,/>表示d(m)处的信道功率,X(m)为第m时隙无人机相对本地服务器的横坐标,Y(m)为第m时隙无人机相对本地服务器的纵坐标,H(m)为第m时隙无人机相对本地服务器的高度;
所述无人机飞行能耗模型满足以下条件式:
;
;
;
其中,d表示无人机直线飞行距离,v为无人机水平飞行速度,c 1、c 2为固定系数,为重力加速度,m为无人机质量,e 1为无人机展翼效率因素,A为无人机的机翼展弦比,S为无人机的飞行翼面积,/>为零升力阻力系数,/>为空气阻力。
因此,所述第一系统成本模型满足以下条件式:
其中,表示第一系统成本,/>表示第一系统成本模型的系统推理时延的权重系数,/>,/>表示第一系统成本模型的系统能耗的权重系数,/>。
当较大时,表示任务对时延更为敏感;当/>较大时,则表示此任务对能耗更为敏感,多用于无人机等电量制约终端,从而提升无人机使用时间,可以根据无人机的当前具体情况调整权重系数。
所述第二系统成本模型包括第二系统时延模型和第二系统时延模型。
所述第二系统时延模型包括本地服务器协同推理时延模型、异构边缘节点协同推理时延模型;
所述第二系统时延模型满足以下条件式:
其中,表示第二系统成本模型的系统推理时延,/>表示异构边缘节点协同推理时延,/>本地服务器协同推理时延;
所述异构边缘节点协同推理时延模型满足以下条件式:
其中,K表示所分配链路集合中包含的向无环图式DNN的链路数,表示向无环图式DNN的第k条链路的异构边缘节点执行时间,/>表示所分配链路中第一个顶点的最大输入数据的大小,/>表示本地服务器和异构边缘节点之间的上行带宽,表示所分配链路中第一个顶点的最大输出数据的大小,/>表示异构边缘节点和本地服务器之间的上行带宽,/>表示当前已累积任务的处理时延;
所述本地服务器协同推理时延模型满足以下条件式:
其中,表示第k条链路的本地服务器计算时延,/>表示本地服务器当前已累积任务的处理时延。
所述第二系统时延模型满足以下条件式:
其中,表示异构边缘节点协同推理能耗,/>表示第k条链路的异构边缘节点计算时延。
因此,所述第二系统成本模型满足以下条件式:
其中,表示第二系统成本,/>表示第二系统成本模型的系统推理时延的权重系数,/>,/>表示异构边缘节点协同推理能耗的权重系数,/>。
S2,基于已有的DNN,构建对应的向无环图式DNN,并基于向无环图式DNN进行第一次网络划分,在进行第一次网络划分时,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,所述第一最优划分节点对应的第一系统成本模型的系统成本最低。
其中,先基于已有的DNN,构建对应的向无环图式(DAG)DNN,具体的,在最开始加入V0层,当划分节点在V0层和V1之间时,表示终端只进行数据的采集和传输,所有的计算任务都由边缘服务器进行处理。设定新标定方法对顶点做出标记,即从起点开始,按照链路顺序及链路上顶点顺序依次标定。划分节点可在顶点内进行搜索,即将顶点的神经网络层进行划分。
具体的,将计算最小值的问题表示为枚举法寻优问题,用(i,j)表示划分节点为第i顶点中第j层,通过循环迭代计算,求解最优划分节点,使得/>最小,在多次迭代计算后,记录最优划分节点取值范围,并重新设定i和j取值范围,将全局枚举改为局部枚举法搜索得出无人机与本地服务器之间的第一最优划分节点,降低枚举法的寻优时间复杂度,所述第一最优划分节点对应的第一系统成本模型的系统成本最低。
S3,在进行第一次网络划分后,将划分任务卸载到本地服务器,本地服务器判断有无可协同计算异构边缘节点,若无可协同计算异构边缘节点,则划分任务仍由本地服务器单独执行,若有可协同计算异构边缘节点,则通过第二系统成本模型进行同步协同划分,得出本地服务器与异构边缘节点之间的最优划分链路集合,所述最优划分链路集合对应的第二系统成本模型的系统成本最低。
其中,本地服务器判断有无可协同计算异构边缘节点的方式具体是判断异构边缘节点是否满足≥/>,若不满足/>≥/>,则判定无可协同计算异构边缘节点,则划分任务仍由本地服务器单独执行,若满足/>≥,则判定有可协同计算异构边缘节点,则通过第二系统成本模型进行同步协同划分,得出本地服务器与异构边缘节点之间的最优划分链路集合。
具体的将计算最小值的问题表示为枚举法寻优问题,用P表示本地服务器分配链路集合,/>表示边缘节点分配链路集合,其中,/>,/>,且/>,在≥/>的约束下,通过不断循环迭代计算,求解最优协同推理中P与Q集合各自所包含链路序号,使得/>最小,在多次迭代计算后,记录P、Q中常包含链路数,并重新设定P、Q取值范围,将全局枚举改为局部枚举法搜索得出本地服务器与异构边缘节点之间的最优划分链路集合,降低枚举法的寻优时间复杂度,所述最优划分链路集合对应的第二系统成本模型的系统成本最低。
综上,根据本发明提供的适用于巡检系统的深度神经网络混合划分方法,综合每层DNN输出数据大小以及每层DNN计算能耗,并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离,建立了两个系统成本模型,即在无人机端构建了第一系统成本模型、在本地服务器构建了第二系统成本模型,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,且基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,能够最大限度的利用无人机的计算资源,实现第一系统成本模型的时延和能耗总成本最小化,有效的提高了无人机执行任务的效率,在有可协同计算异构边缘节点的情况下,结合第二系统成本模型,得出本地服务器与异构边缘节点之间的最优划分链路集合,能够最大限度的利用异构边缘节点的计算资源,进一步降低系统总成本,有效的降低了本地服务器的计算压力,提升了整体系统的性能和可伸缩性,本发明能在变电站巡检异构系统中,针对不同网络状态及协同环境,合理的划分DNN,具有较高的实用性。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种适用于巡检系统的深度神经网络混合划分方法,其特征在于,包括:
获取深度神经网络中每层DNN输出数据大小以及每层DNN计算能耗,并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离,分析无人机与本地服务器运行每层DNN的能耗以及时延,分别在无人机端构建第一系统成本模型、在本地服务器构建第二系统成本模型;
基于已有的DNN,构建对应的向无环图式DNN,并基于向无环图式DNN进行第一次网络划分,在进行第一次网络划分时,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,所述第一最优划分节点对应的第一系统成本模型的系统成本最低;
在进行第一次网络划分后,将划分任务卸载到本地服务器,本地服务器判断有无可协同计算异构边缘节点,若无可协同计算异构边缘节点,则划分任务仍由本地服务器单独执行,若有可协同计算异构边缘节点,则通过第二系统成本模型进行同步协同划分,得出本地服务器与异构边缘节点之间的最优划分链路集合,所述最优划分链路集合对应的第二系统成本模型的系统成本最低。
2.根据权利要求1所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,所述第一系统成本模型包括第一系统时延模型;
所述第一系统时延模型包括无人机本地推理时延模型、本地服务器协同推理时延模型;
所述第一系统时延模型满足以下条件式:
其中,表示第一系统成本模型的系统推理时延,/>表示无人机本地推理时延,/>表示本地服务器协同推理时延;
所述无人机本地推理时延模型满足以下条件式:
;
;
其中,表示第i个顶点的无人机推理时延,/>表示第i个顶点内第j层DNN的无人机推理时延,N表示顶点总数,n表示DNN的总层数;
所述本地服务器协同推理时延模型满足以下条件式:
;
;
其中,表示第i个顶点的本地服务器推理时延,/>表示第i个顶点内第j层DNN的输入数据大小,/>表示无人机和本地服务器之间的上行带宽,/>表示第i个顶点内第j层DNN的本地服务器推理时延。
3.根据权利要求2所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,所述第一系统成本模型还包括第一系统能耗模型;
所述第一系统能耗模型包括无人机本地推理能耗模型、无人机数据传输能耗模型、无人机飞行能耗模型;
所述第一系统能耗模型满足以下条件式:
其中,表示第一系统成本模型的系统能耗,/>表示无人机本地推理能耗,/>表示无人机数据传输能耗,/>表示无人机飞行能耗;
所述无人机本地推理能耗模型满足以下条件式:
;
;
其中,表示第i个顶点的无人机本地推理能耗,/>表示第i个顶点内第j层DNN的无人机本地推理能耗;
所述无人机数据传输能耗模型满足以下条件式:
;
;
其中,表示时隙,/>表示第i个顶点内第j层DNN的上传数据量,/>为高斯白噪声的功率,P UAV为无人机发射功率,h(m)为第m时隙的信道功率增益,M表示数据传输表示持续时间,d(m)为第m时隙无人机相对本地服务器的距离,/>表示d(m)处的信道功率,X(m)为第m时隙无人机相对本地服务器的横坐标,Y(m)为第m时隙无人机相对本地服务器的纵坐标,H(m)为第m时隙无人机相对本地服务器的高度;
所述无人机飞行能耗模型满足以下条件式:
;
;
;
其中,d表示无人机直线飞行距离,v为无人机水平飞行速度,c 1、c 2为固定系数,为重力加速度,m为无人机质量,e 1为无人机展翼效率因素,A为无人机的机翼展弦比,S为无人机的飞行翼面积,/>为零升力阻力系数,/>为空气阻力。
4.根据权利要求3所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,所述第一系统成本模型满足以下条件式:
其中,表示第一系统成本,/>表示第一系统成本模型的系统推理时延的权重系数,,/>表示第一系统成本模型的系统能耗的权重系数,/>。
5.根据权利要求4所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,所述第二系统成本模型包括第二系统时延模型;
所述第二系统时延模型包括本地服务器协同推理时延模型、异构边缘节点协同推理时延模型;
所述第二系统时延模型满足以下条件式:
其中,表示第二系统成本模型的系统推理时延,/>表示异构边缘节点协同推理时延,/>本地服务器协同推理时延;
所述异构边缘节点协同推理时延模型满足以下条件式:
其中,K表示所分配链路集合中包含的向无环图式DNN的链路数,表示向无环图式DNN的第k条链路的异构边缘节点执行时间,/>表示所分配链路中第一个顶点的最大输入数据的大小,/>表示本地服务器和异构边缘节点之间的上行带宽,表示所分配链路中第一个顶点的最大输出数据的大小,/>表示异构边缘节点和本地服务器之间的上行带宽,/>表示当前已累积任务的处理时延;
所述本地服务器协同推理时延模型满足以下条件式:
其中,表示第k条链路的本地服务器计算时延,/>表示本地服务器当前已累积任务的处理时延。
6.根据权利要求5所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,所述第二系统成本模型还包括第二系统时延模型;
所述第二系统时延模型满足以下条件式:
其中,表示异构边缘节点协同推理能耗,/>表示第k条链路的异构边缘节点计算时延。
7.根据权利要求6所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,所述第二系统成本模型满足以下条件式:
其中,表示第二系统成本,/>表示第二系统成本模型的系统推理时延的权重系数,,/>表示异构边缘节点协同推理能耗的权重系数,/>。
8.根据权利要求7所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题,基于局部枚举法进行粒子寻优问题的求解,并结合第一系统成本模型,得出无人机与本地服务器之间的第一最优划分节点,所述第一最优划分节点对应的第一系统成本模型的系统成本最低具体包括:
将计算最小值的问题表示为枚举法寻优问题,用(i, j)表示划分节点为第i顶点中第j层,通过循环迭代计算,求解最优划分节点,使得/>最小,在多次迭代计算后,记录最优划分节点取值范围,并重新设定i和j取值范围,将全局枚举改为局部枚举法搜索得出无人机与本地服务器之间的第一最优划分节点,所述第一最优划分节点对应的第一系统成本模型的系统成本最低。
9.根据权利要求8所述的适用于巡检系统的深度神经网络混合划分方法,其特征在于,通过第二系统成本模型进行同步协同划分,得出本地服务器与异构边缘节点之间的最优划分链路集合,所述最优划分链路集合对应的第二系统成本模型的系统成本最低具体包括:
将计算最小值的问题表示为枚举法寻优问题,用P表示本地服务器分配链路集合,表示边缘节点分配链路集合,其中,/>,/>,且/>,在/>≥的约束下,通过不断循环迭代计算,求解最优协同推理中P与Q集合各自所包含链路序号,使得/>最小,在多次迭代计算后,记录P、/>中常包含链路数,并重新设定P、/>取值范围,将全局枚举改为局部枚举法搜索得出本地服务器与异构边缘节点之间的最优划分链路集合,所述最优划分链路集合对应的第二系统成本模型的系统成本最低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422264.1A CN117149444B (zh) | 2023-10-31 | 2023-10-31 | 适用于巡检系统的深度神经网络混合划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422264.1A CN117149444B (zh) | 2023-10-31 | 2023-10-31 | 适用于巡检系统的深度神经网络混合划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117149444A true CN117149444A (zh) | 2023-12-01 |
CN117149444B CN117149444B (zh) | 2024-01-26 |
Family
ID=88912448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311422264.1A Active CN117149444B (zh) | 2023-10-31 | 2023-10-31 | 适用于巡检系统的深度神经网络混合划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117149444B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741054A (zh) * | 2020-04-24 | 2020-10-02 | 浙江工业大学 | 一种移动用户深度神经网络计算卸载时延最小化方法 |
CN113939034A (zh) * | 2021-10-15 | 2022-01-14 | 华北电力大学 | 一种立体异构电力物联网云边端协同资源分配方法 |
CN113987692A (zh) * | 2021-12-29 | 2022-01-28 | 华东交通大学 | 用于无人机和边缘计算服务器的深度神经网络分区方法 |
CN114065963A (zh) * | 2021-11-04 | 2022-02-18 | 湖北工业大学 | 一种电力物联网中基于深度强化学习的计算任务卸载方法 |
US20220109742A1 (en) * | 2021-12-17 | 2022-04-07 | Intel Corporation | Apparatus, articles of manufacture, and methods to partition neural networks for execution at distributed edge nodes |
CN114630397A (zh) * | 2022-03-01 | 2022-06-14 | 重庆邮电大学 | 一种基于时隙划分的无人机接入选择方法 |
US20230153124A1 (en) * | 2021-09-30 | 2023-05-18 | Intelligent Fusion Technology, Inc. | Edge network computing system with deep reinforcement learning based task scheduling |
CN116893861A (zh) * | 2023-07-21 | 2023-10-17 | 河北工程大学 | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 |
-
2023
- 2023-10-31 CN CN202311422264.1A patent/CN117149444B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741054A (zh) * | 2020-04-24 | 2020-10-02 | 浙江工业大学 | 一种移动用户深度神经网络计算卸载时延最小化方法 |
US20230153124A1 (en) * | 2021-09-30 | 2023-05-18 | Intelligent Fusion Technology, Inc. | Edge network computing system with deep reinforcement learning based task scheduling |
CN113939034A (zh) * | 2021-10-15 | 2022-01-14 | 华北电力大学 | 一种立体异构电力物联网云边端协同资源分配方法 |
CN114065963A (zh) * | 2021-11-04 | 2022-02-18 | 湖北工业大学 | 一种电力物联网中基于深度强化学习的计算任务卸载方法 |
US20220109742A1 (en) * | 2021-12-17 | 2022-04-07 | Intel Corporation | Apparatus, articles of manufacture, and methods to partition neural networks for execution at distributed edge nodes |
CN113987692A (zh) * | 2021-12-29 | 2022-01-28 | 华东交通大学 | 用于无人机和边缘计算服务器的深度神经网络分区方法 |
CN114630397A (zh) * | 2022-03-01 | 2022-06-14 | 重庆邮电大学 | 一种基于时隙划分的无人机接入选择方法 |
CN116893861A (zh) * | 2023-07-21 | 2023-10-17 | 河北工程大学 | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 |
Non-Patent Citations (5)
Title |
---|
CHEN, YING等: "Cost-efficient computation offloading in UAV-enabled edge computing", 《IET COMMUNICATIONS》, vol. 14 * |
薛建彬;刘星星;: "基于PD-BPSO算法的计算卸载策略", 传感器与微系统, no. 11 * |
解忠鑫: "面向输电线路巡检的分布式识别算法及其卸载策略研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》, no. 2 * |
邓芳明等: "基于博弈论和强化学习的无人机电力巡检卸载策略", 《电网技术》, no. 9 * |
高寒;李学俊;周博文;刘晓;徐佳;: "移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略", 计算机集成制造系统, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN117149444B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
CN113346944B (zh) | 空天地一体化网络中时延最小化计算任务卸载方法及系统 | |
CN109286913B (zh) | 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法 | |
Pinto et al. | A framework for analyzing fog‐cloud computing cooperation applied to information processing of UAVs | |
Faraci et al. | Fog in the clouds: UAVs to provide edge computing to IoT devices | |
CN112784362B (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN112995913A (zh) | 一种无人机轨迹、用户关联和资源分配联合优化方法 | |
CN109506654A (zh) | 低空航路规划方法及装置、飞行器 | |
CN113987692B (zh) | 用于无人机和边缘计算服务器的深度神经网络分区方法 | |
Ebrahim et al. | A deep learning approach for task offloading in multi-UAV aided mobile edge computing | |
CN114007231B (zh) | 异构无人机数据卸载方法、装置、电子设备及存储介质 | |
CN115022937A (zh) | 拓扑特征提取方法和考虑拓扑特征的多边缘协作调度方法 | |
Rahbari et al. | Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach | |
Li et al. | Online real-time trajectory analysis based on adaptive time interval clustering algorithm | |
CN114936708A (zh) | 基于边云协同任务卸载的故障诊断优化方法及电子设备 | |
Rao et al. | Millimeter assisted wave technologies in 6G assisted wireless communication systems: a new paradigm for 6G collaborative learning | |
CN117149444B (zh) | 适用于巡检系统的深度神经网络混合划分方法 | |
CN117221951A (zh) | 车载边缘环境下基于深度强化学习的任务卸载方法 | |
CN116321237A (zh) | 一种基于深度强化学习的无人机辅助车联网数据收集方法 | |
CN114401063B (zh) | 基于轻量化模型的边缘设备协同频谱智能监测方法和系统 | |
CN115514787A (zh) | 用于车联网环境的智能无人机辅助决策规划方法及装置 | |
CN115169561A (zh) | 一种用于物联网的多分支网络协同推理方法及系统 | |
CN113115217B (zh) | 基于最优传输理论的灾后uav辅助通信区域划分方法及系统 | |
CN116126428B (zh) | 一种面向能量采集的无人机计算任务卸载方法 | |
Seid et al. | HDFRL-empowered Energy Efficient Resource Allocation for Aerial MEC-enabled Smart City Cyber Physical System in 6G |
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 |