CN117713382A - 分布式电力服务提供方法及分布式电力服务系统 - Google Patents

分布式电力服务提供方法及分布式电力服务系统 Download PDF

Info

Publication number
CN117713382A
CN117713382A CN202410156716.4A CN202410156716A CN117713382A CN 117713382 A CN117713382 A CN 117713382A CN 202410156716 A CN202410156716 A CN 202410156716A CN 117713382 A CN117713382 A CN 117713382A
Authority
CN
China
Prior art keywords
domain
node
edge
representing
mobile intelligent
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
Application number
CN202410156716.4A
Other languages
English (en)
Other versions
CN117713382B (zh
Inventor
许中平
缪伶华
纪鹏
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.)
Beijing Zhongdian Feihua Communication Co Ltd
Original Assignee
Beijing Zhongdian Feihua Communication Co Ltd
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 Beijing Zhongdian Feihua Communication Co Ltd filed Critical Beijing Zhongdian Feihua Communication Co Ltd
Priority to CN202410156716.4A priority Critical patent/CN117713382B/zh
Publication of CN117713382A publication Critical patent/CN117713382A/zh
Application granted granted Critical
Publication of CN117713382B publication Critical patent/CN117713382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the 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
    • G06F9/505—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 considering the load
    • 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
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种分布式电力服务提供方法及分布式电力服务系统。所述方法应用于分布式电力服务系统，所述系统包括移动智能终端、边缘节点和中心服务器；至少部分所述边缘节点按照协作域划分；所述方法包括：所述边缘节点利用行为预测模型得到所述移动智能终端的预测任务；所述边缘节点确定本地是否存储所述预测任务对应的服务数据；所述边缘节点响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点请求所述服务数据；所述边缘节点响应于确定所述其他边缘节点未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器请求所述服务数据。通过本申请可以提高移动智能终端的行为预测命中率，以及边缘节点的资源利用率，降低数据时延。

Description

分布式电力服务提供方法及分布式电力服务系统
技术领域
本申请涉及智能电网技术领域，尤其涉及一种分布式电力服务提供方法及分布式电力服务系统。
背景技术
随着无人化巡检机器人、无人机等装备在变电站内巡检、电力输电线巡检、地下管廊巡视等任务中的应用，智能电网中不同移动智能终端的交叉碰撞风险剧增。本地计算节点因此产生了大量辅助移动智能终端运维的计算任务。然而，现有的基于中心服务器的集中式联网控制服务方案将移动智能终端所需的所有服务信息缓存在中心服务器上，移动智能终端需要通过边缘节点从中心服务器获取目标数据。这类技术方案存在时延高的问题，难以满足对智能电网中时延敏感任务的要求。
移动边缘计算 (Mobile Edge Computing，MEC) 是一种分布式计算架构，它将应用程序、数据和服务的操作从网络的中心节点移动到网络中的边缘节点进行处理。具体来说，边缘计算将原本由中心节点处理的大规模服务分解成更小、更易于管理的部分，分发给边缘节点进行处理，从而可以加快资源的处理和传输，有效降低时延。
为了减少时间延迟，相关技术中利用移动边缘计算技术，将中心服务器的计算任务分配到边缘计算节点。然而，相关技术中边缘计算节点之间缺乏有效的协作机制，无法解决边缘节点服务效率低、边缘计算节点之间服务聚合能力差的问题。
发明内容
有鉴于此，本申请的目的在于解决背景技术提出的技术问题，提出一种分布式电力服务提供方法及分布式电力服务系统。
基于上述目的，本申请提供了一种分布式电力服务提供方法，应用于分布式电力服务系统，所述系统包括移动智能终端、边缘节点和中心服务器；至少部分所述边缘节点按照协作域划分；
所述方法包括：
所述边缘节点利用行为预测模型得到所述移动智能终端的预测任务；
所述边缘节点确定本地是否存储所述预测任务对应的服务数据；
所述边缘节点响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点请求所述服务数据；
所述边缘节点响应于确定所述其他边缘节点未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器请求所述服务数据。
可选地，所述协作域的构建方法包括：
在所有所述边缘节点中确定多个起始节点；所述起始节点之间的距离大于第一预设距离；
确定与所述起始节点之间距离小于第二预设距离且设备相似度大于预设阈值的条件边缘节点；
基于所述起始节点和所述条件边缘节点构建协作域；
将所述协作域内业务负载能力评估值最高的边缘节点作为所述协作域的域首节点，其他边缘节点作为所述协作域的成员节点。
可选地，所述边缘节点的设备相似度通过公式得到；
其中、/>、/>表示预设权重系数，/>表示所述边缘节点的计算能力，/>表示与所述起始节点之间距离小于第二预设距离的所有边缘节点的平均计算能力，/>表示所述边缘节点的存储容量，/>表示与所述起始节点之间距离小于第二预设距离的所有边缘节点的平均存储容量，/>表示所述边缘节点的移动智能终端密度，/>表示与所述起始节点之间距离小于第二预设距离的所有边缘节点的移动智能终端密度，/>表示任务/>在与所述起始节点之间距离小于第二预设距离的所有边缘节点中的平均流行度，/>表示任务/>在所述边缘节点中的流行度。
可选地，所述边缘节点的业务负载能力评估值通过公式得到；
其中、/>、/>表示预设权重系数，/>表示所述边缘节点的计算能力，/>表示所述边缘节点的存储容量，/>表示与所述边缘节点连接的移动智能终端密度。
可选地，所述行为预测模型的训练方法，包括：
所述边缘节点从对应的移动智能终端中选取多个作为训练用移动智能终端，并将当前的行为预测模型发送至训练用移动智能终端；
所述训练用移动智能终端按照预设训练轮数对所述当前的行为预测模型进行训练，得到局部模型参数；
所述边缘节点响应于确定接收到超过半数所述训练用移动智能终端的局部模型参数，根据所述局部模型参数得到全局模型参数，并得到更新行为预测模型。
可选地，所述从对应的移动智能终端中选取多个作为训练用移动智能终端，包括：
确定对应的移动智能终端的计算能力和业务强度；
响应于确定任一移动智能终端满足，将该移动智能终端作为训练用移动智能终端；其中，/>、/>表示预设权重，/>表示移动智能终端的计算能力，表示移动终端的业务强度，/>表示预设系数，/>表示全局损失值。
可选地，所述预设训练轮数通过公式得到；
其中，表示基础训练轮数，/>表示最大额外轮数，/>表示所述当前的行为预测模型进行第一轮训练后的损失值。
可选地，所述根据所述局部模型参数得到全局模型参数，包括：
根据所述局部模型参数，通过如下公式，得到所述全局模型参数；
；
其中，、/>表示预设的比例参数，/>表示训练用移动终端的数据量，/>表示所述训练用移动终端的总贡献度，/>表示所述局部模型参数。
可选地，还包括：
所述域首节点根据边缘节点服务能力模型和协作域服务能力模型，得到所述协作域内所有成员节点的服务能力和所述协作域的服务能力；
响应于确定所述协作域的服务能力满足预设要求而所述成员节点的服务能力不满足预设要求，将该成员节点从所述协作域中删除；
响应于确定所述协作域的服务能力不满足要求，将所述协作域解散。
基于同一发明构思，本申请一个或多个实施例还提供了一种分布式电力服务系统，所述系统包括移动智能终端、边缘节点和中心服务器；至少部分所述边缘节点按照协作域划分；
所述边缘节点被配置为，利用行为预测模型得到所述移动智能终端的预测任务；确定本地是否存储所述预测任务对应的服务数据；响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点请求所述服务数据；响应于确定所述其他边缘节点未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器请求所述服务数据。
从上面所述可以看出，本申请提供的分布式电力服务提供方法，用于分布式电力服务系统，所述系统包括移动智能终端、边缘节点和中心服务器；至少部分所述边缘节点按照协作域划分。所述方法通过所述边缘节点利用行为预测模型得到所述移动智能终端的预测任务；所述边缘节点确定本地是否存储所述预测任务对应的服务数据；所述边缘节点响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点请求所述服务数据；所述边缘节点响应于确定所述其他边缘节点未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器请求所述服务数据。通过本申请提供的方法，可以提高边缘计算节点之间的聚合能力，以此提高资源利用能力；还可以通过行为预测模型提高移动智能终端预测行为的命中率，减少边缘计算节点的等待时间。基于边缘计算节点资源利用率和行为预测模型命中率的提高，本申请的技术方案可以降低电力分布式移动智能终端网络中的数据时延。
本申请提供的一种分布式电力服务系统均能够实现上述分布式电力服务提供方法的步骤，因此同样具备上述分布式电力服务提供方法的有益效果。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请一个或多个实施例的分布式电力服务提供方法的流程示意图；
图2为本申请一个或多个实施例的分布式电力服务系统的结构示意图；
图3为本申请一个实施例的协作域划分仿真图；
图4为本申请一个实施例的电力分布式移动智能终端网络的结构示意图；
图5为本申请一个实施例的实验结果示意图；
图6为本申请一个实施例的实验结果示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术所述，为解决基于中心服务器的集中式联网控制服务方案存在的时延高，难以满足对智能电网中时延敏感任务的要求。相关技术中，提出移动边缘计算技术。具体地，相关技术在智能电力网络中加入边缘节点，这样，中心服务器与多个边缘节点通信连接，而不与移动智能终端之间连接；每个边缘节点又与一个或多个移动智能终端通信连接。通过将应用程序、数据和服务的操作从网络的中心服务器移动到网络中的边缘节点进行处理，减轻中心服务器的计算压力，降低时延。
然而，相关技术这种基于中心服务器-边缘节点-移动智能终端的点对点数据通信方式导致边缘节点之间的服务聚合能力差，边缘节点资源利用率不高。
由此，本申请提出一种分布式电力服务提供方法，从边缘节点的聚合能力，以及行为预测模型的训练速度、训练效果两方面着手，解决了上文中提到的技术问题，降低了网络时延。
以下，通过具体的实施例对本申请的技术方案进行说明。
第一方面，本申请通过边缘节点的聚合能力提高资源利用率，降低时延。
在实现本申请的过程中，申请人发现，电力分布式移动智能终端网络中的相近的移动智能终端的任务和目标大多较为相似，如果其对应的边缘节点之间进行协作，可以大大提高各个边缘节点的资源利用率。由此，本申请将设备相似度较高，距离较近的边缘节点划分在一个协作域内，以提高边缘节点之间的聚合能力以及资源利用率。
在一些实施例中，上述协作域的构建方法包括：在所有上述边缘节点中确定多个起始节点；上述起始节点之间的距离大于第一预设距离；确定与上述起始节点之间距离小于第二预设距离且设备相似度大于预设阈值的条件边缘节点；基于上述起始节点和上述条件边缘节点构建协作域；将上述协作域内业务负载能力评估值最高的边缘节点作为上述协作域的域首节点，其他边缘节点作为上述协作域的成员节点。
作为一种示例，上述第一预设距离可以为10公里，上述第二预设距离可以为3公里。
本申请一个实施例协作域划分仿真图如图3所示，在该仿真图中，申请人构建了一个 10*10 的网格图来表示整个服务区域。每个网格之间的距离为300米，边缘节点的位置在网格的交叉处。通过考虑地理位置、计算能力、存储空间等相关参数，最终将整个区域划分为六个协作域（图3中以ECCD表示协作域）。在本实施例中，存在未加入协作域的边缘节点。
可以理解，并非所有边缘节点都会被划分到协作域内，可以划分在协作域内的边缘节点必须满足距离和设备相似度两种约束条件。未被划分在协作域内的边缘节点仍然按照相关技术中的方案进行数据处理。
在一些实施例中，上述设备相似度计算公式为：；其中，/>、、/>表示预设权重系数，/>表示上述边缘节点的计算能力，/>表示与上述起始节点之间距离小于第二预设距离的所有边缘节点的平均计算能力，/>表示上述边缘节点的存储容量，/>表示与上述起始节点之间距离小于第二预设距离的所有边缘节点的平均存储容量，/>表示上述边缘节点的移动智能终端密度，/>表示与上述起始节点之间距离小于第二预设距离的所有边缘节点的移动智能终端密度，/>表示任务/>在与上述起始节点之间距离小于第二预设距离的所有边缘节点中的平均流行度，/>表示任务/>在上述边缘节点中的流行度。
在一些实施例中，上述任务指移动智能终端执行的具体任务，例如电力巡检中的检查电力设备外部是否有异物悬挂。在一些实施例中，上述任务指移动智能终端执行的任务大类。例如将电力巡检中的检查电力设备外部是否有异物悬挂，检查电力设备是否存在缺陷，均视为电力巡检任务。上述任务的具体含义以及不同任务的划分方式，可以根据实际应用场景人为设定。其不同的设定方式，均在本申请的保护范围之内。
可以理解，根据上述步骤，旨在将计算能力强、存储容量大、移动智能终端密度大，对任务流行度高的边缘节点划入协作域内。
在一些实施例中，可以先通过预设的边缘节点服务能力评估模型对每个边缘节点的服务能力进行评估，然后再计算边缘节点的设备相似度。在一些实施例中，上述边缘节点服务能力评估模型可以表示为。其中/>表示时刻/>时边缘节点/>的移动智能终端密度；/>表示边缘节点/>的计算能力；/>表示边缘节点/>的存储空间；/>表示边缘节点/>执行任务/>的流行度。
可以理解，本申请的边缘节点服务能力评估模型从物理性能和任务相似度两个方面对边缘节点进行评估。
需要注意的是，在划分协作域后，本申请将协作域内的边缘节点划分为域首节点和成员节点。其中，域首节点的作用包括根据成员节点的数据请求向中心服务器请求数据，并将中心服务器的返回数据发送至目标成员节点。域首节点和成员节点的其他作用将在后文中详细说明。在一些实施例中，可以选择业务负载能力评估值最高的边缘节点作为域首节点。业务负载能力评估值的计算公式为。其中/>、/>、/>表示预设权重系数，/>表示所述边缘节点的计算能力，/>表示所述边缘节点的存储容量，/>表示与所述边缘节点连接的移动智能终端密度。
根据上文，参考图1，本申请一个或多个实施例的分布式电力服务提供方法包括以下步骤：
步骤S101：上述边缘节点利用行为预测模型得到上述移动智能终端的预测任务。
为降低服务响应时延大的问题，本申请通过行为预测模型预测与任一边缘节点通信连接的移动智能终端的行为。通过预测行为，对可能需要的服务数据进行提前部署，降低服务响应时延。
步骤S102：上述边缘节点确定本地是否存储上述预测任务对应的服务数据。
与相关技术的技术方案类似的，本步骤中首先确定该边缘节点本地是否存储对应的服务数据。如果该预测行为为历史时刻执行过的任务，那么边缘节点本地很大可能存储有对应的服务数据。
步骤S103：上述边缘节点响应于确定本地未存储上述服务数据，向对应的协作域内其他边缘节点请求上述服务数据。
如上文所述，相关技术中在确认边缘节点本地未存储对应的服务数据时，则直接向中心服务器请求。
而本申请中，在向中心服务器请求服务数据之前，现在协作域内确认域内其他边缘节点是否存储有对应的服务数据。
如上文所述，协作域的各个边缘节点具有设备相似度高的特性。也即，同一协作域内的各个边缘节点，对应的任务也具有极高的相似度。例如，同一协作域内的边缘节点对应的移动智能终端设备均为巡检机器人，其对应的任务大多为检查电力设备的缺陷、异物悬挂等异常现象的电力巡检任务。由于完成任务具有相似性，任一边缘节点所需要的服务数据极大可能存储于同一协作域内的其他边缘节点中。
在向中心服务器请求数据之前，先向协作域内其他边缘节点发出请求，提高了边缘节点之间的协作能力和聚合能力，更有效地利用了边缘节点的资源。
步骤S104：上述边缘节点响应于确定上述其他边缘节点未存储上述服务数据，通过对应的协作域内域首节点向上述中心服务器请求上述服务数据。
如上文所述，协作域内的边缘节点被划分为域首节点和成员节点。其中，域首节点除用于根据成员节点的数据请求向中心服务器请求数据，将中心服务器的返回数据发送至目标成员节点之外，还用于对协作域内的成员节点和该协作域进行管理。
具体地，在一些实施例中，域首节点每隔一段时间会对该协作域和该协作域内的成员节点的服务能力进行评估。当确定所述协作域的服务能力满足预设要求而所述成员节点的服务能力不满足预设要求，域首节点将该成员节点从所述协作域中删除；当确定所述协作域的服务能力不满足要求，域首节点将所述协作域解散。可以理解，当协作域解散时，域首节点也不再是域首节点。
在一些实施例中，为了提高网络的灵活性和服务能力，每隔一段时间会将协作域解散并重新划分协作域。
可以理解，上述对成员节点、协作域进行评估的时间，以及解散并重新划分协作域的时间，可以根据实际应用场景自行设定。
在一些实施例中，边缘节点最终服务能力评估模型表示为。其中/>表示边缘节点/>的存储空间，/>表示为服务数据的时延，/>表示为该边缘节点的服务数据的缺失率。可以理解，该边缘节点最终服务能力评估模型与上文中所述边缘节点服务能力评估模型不同，边缘节点服务能力评估模型是在协作域划分之前，为进行协作域划分而对边缘节点进行评估时所使用的。而边缘节点最终服务能力评估模型是对边缘节点在协作域内的表现情况进行评估时所使用的。
在一些实施例中，上述任务可以表示为，其中/>表示时刻/>的任务/>，每个任务/>又对应服务数据/>。
以下以一个具体的实施例，对本申请的技术方案进行进一步说明。
图4所示为本申请一个实施例划分协作域后的电力分布式移动智能终端网络的结构示意图。该电力分布式移动智能终端网络包括中心服务器、边缘节点以及用户车辆，上述中心服务器与各个边缘节点通信连接，各个边缘节点又与对应的用户车辆通信连接。上述边缘节点之间可以通过光纤连接。上述用户车辆为移动智能终端，用于执行运输、道路测量等工作。本申请不对用户车辆的具体用途加以限制。
从图4中可以看出，DHN1-1、DMN1-1、DMN1-2以及DMN1-3被划分在一个协作域内，在这里我们不妨定义该协作域为第一协作域。DHN2-1、DMN2-1、DMN2-2以及DMN2-3被划分在一个协作域内，可以定义该协作域为第二协作域。DHN3-1、DMN3-1、DMN3-2以及DMN3-3被划分在一个协作域内，对应的该协作域可以被定义为第三协作域。
本申请的边缘节点会对对应用户车辆的行为进行预测，并对预测行为相关的服务数据进行获取。在本申请中，获取上述服务数据包括三种方式：当上述服务数据存储于边缘节点本地时，从本地获取上述服务数据并直接传送至目标用户车辆；当上述服务数据未存储于边缘节点本地时，可以向协作域内其他边缘节点发送辅助传送请求，从协作域内其他边缘节点获取服务数据并通过域内辅助传送至目标边缘节点；当上述服务数据同样未存储于域内其他边缘节点时，可以向中心服务器发送辅助传送请求，通过协作域内的域首节点从中心服务器获取上述服务数据并通过域外辅助传送至目标边缘节点。
由于协作域内其他节点与自己具有较高的设备相似度，可以认为域内其他节点很大概率存储有所需要的服务数据。向临近边缘节点请求数据所造成的的时延远低于从中心服务器请求数据的时延，因此本申请的技术方案可以通过提高边缘节点间聚合能力降低时延。
以第一协作域中的边缘节点DMN1-2为例。该边缘节点共需要获取三组服务数据并分别发送至三个用户车辆。第一组服务数据可以从该边缘节点本地获取，因此可以直接传送至第一用户车辆。第二组服务数据该边缘节点本地未存储，但可以从第一协作域内的其他三个边缘节点DMN1-1、DMN1-3和DHN1-1中获取，因此可以通过域内辅助传送至第二用户车辆。第三组服务数据既未存储于该边缘节点本地，也未存储于域内其他边缘节点，因此只能通过域外腐竹传送从中心服务器获取数据，通过域外辅助传送至第三用户车辆。具体地，DMN1-2可以通过DHN1-1向中心服务器发送请求，中心服务器通过服务数据传送通道将数据从中心服务器发送至域首节点，最终传送至第三用户车辆。
本申请的第一方面，通过设计协作域模型，提出一种协作域的构建方法。特别是，协作域的构建考虑了边缘节点的当前电力移动智能终端密度、计算能力、存储空间以及其相关任务的流行度，还进行了域首节点的选举。在此基础之上，本申请提出了一种服务数据请求方案，提高了边缘节点之间的聚合能力、协作能力，降低了服务响应时延。
第二方面，本申请还设计了一种行为预测模型动态训练方法，以提高行为预测模型的训练速度和命中率，进而降低服务响应时延。
联邦学习是分布式机器学习过程中的一种机制，每个参与者可以使用其他参与者的数据来共同更新模型并使用模型。此外，参与成员无需传输和共享原始数据资源，相比起传统的集中处理方式要更加安全。可以说，它是一项新兴的具有良好前景的人工智能技术。
本申请为保护数据隐私，避免数据所有者之间的隐私问题，基于联邦学习架构进行行为预测模型的训练。
本申请行为预测模型可以基于LSTM模型、CNN模型等模型训练得到。其不同的模型选择均在本申请的保护范围之内，本申请不对模型的选择进行限制。
根据上述内容可以理解，本申请在数据隐私保护的前提下，实现了时延的降低。
具体地，在一些实施例中，本申请中任一边缘节点对其上配置的行为预测模型进行训练的步骤包括：选取与其对应的多个训练用移动智能终端，将当前时刻最新的行为预测模型发送至上述训练用移动智能终端；上述训练用移动智能终端对该当前时刻最新的行为预测模型进行训练，并在完成训练后将局部模型返回至该边缘节点；该边缘节点响应于收到半数以上训练用移动智能终端发送的局部模型后，对收到的局部模型进行聚合得到全局模型。
为了提高训练效率，减少训练时间，本申请的技术方案从以下几点对模型训练方法进行了改进。
首先，考虑到局部模型训练过程中需要基于移动智能终端本地的数据，为提高训练效果，本申请设计了移动终端评估模型，并通过该模型对边缘节点连接的所有移动智能终端进行评估，筛选优秀的移动智能终端进行局部模型的训练。通过选择计算能力更强、业务强度高的电力移动智能终端，以获得更高的概率被选作联邦学习训练过程中的参与电力移动智能终端
在一些实施例中，上述移动终端评估模型表示为。其中，/>表示移动智能终端的计算能力，/>表示移动智能终端的数据量，/>表示移动智能终端的总贡献度。
同时，考虑到随着全局模型参数的更新，对所选移动智能终端的要求会逐渐降低，本申请还设计了动态阈值。
在一些实施例中，可以设置训练用移动智能终端的筛选条件为。其中，/>、/>表示预设权重，/>表示移动智能终端的计算能力，/>表示移动终端的业务强度，/>表示预设系数，/>表示全局损失值，通过公式计算。
训练用移动智能终端在收到边缘节点发送的训练模型和参数后，会利用本地存储的局部历史数据对当前时刻最新的行为预测模型进行训练。 训练目标是寻找使损失值最小的最优模型参数/>，即求解：/>。
其次，虽然在进行模型训练时，在一定迭代轮数内迭代轮数越多训练效果越好，但是训练轮数越多训练时间越久，并且容易理解地，随着训练论述的增加，训练效果的提高越小。由此，本申请设计了一种动态训练轮数模型，局部模型只需要训练动态轮数次即可。
在一些实施例中，上述动态轮数由基础轮数和迭代额外轮数共同决定。其计算公式为：。其中，/>表示基础训练轮数，/>表示最大额外轮数，/>表示所述当前的行为预测模型进行第一轮训练后的损失值。
最后，本申请设计了全局参数聚合模型，根据局部模型参数聚合得到最终的全局参数。在一些实施例中，全局参数的局和模型可以表示为：。其中，/>、/>表示预设的比例参数，/>表示训练用移动终端的数据量，/>表示所述训练用移动终端的总贡献度，/>表示所述局部模型参数。
根据上文，本申请结合现有神经网络模型设计了一个动态联邦学习框架，对传统的联邦学习过程进行了相应优化。该框架可以通过损失值动态调整参与训练的移动智能终端个数和移动智能终端端本地训练的轮数，并最终按照贡献度与数据量进行相应的聚合，保证了联邦学习过程的高效性与可靠性，使全局模型可以更快地达到收敛。本申请实现了在保护用户隐私的同时，对用户的行为进行预测。
综合上述两方面，本申请在电力分布式移动智能终端网络的场景下，提出了基于联邦学习和边缘计算的服务模型，并根据上述模型设计了一种边缘协作域的构建方法，从而有效地提升资源利用率，降低时延。
本申请还传统的联邦学习框架进行优化，设计了动态联邦学习框架。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为验证本申请技术方案的性能，申请人设计了如下仿真实验。
在上述仿真实验中，申请人设置边缘节点的元件存储空间为2000MB，边缘节点的最大CPU计算能力为[4,36] GHz，服务数据的大小为[100, 200]MB，服务数据的类型为10种，移动智能终端的本地存储空间为200MB，子任务的数据大小为[20, 40] MB。
本申请首先从损失值的降低方面进行对比，验证所提出方案的性能。如图5所示，本申请以 24、32、40 为每一个边缘节点所服务的移动智能终端数量。从图5中可以发现局部模型的损失值都会随着训练轮次的增加而减少。 但是，受到移动智能终端历史数据的影响，参与训练的移动智能终端越少，全局模型获得的损失值就越小。 仿真结果表明，本申请的动态联邦学习过程具有很强的自适应能力，可以使全局模型在较大的设备数量范围内均得到快速收敛。
申请人同样讲本申请的动态联邦学习过程与相关技术中的传统联邦学习过程的性能进行了比较。本申请在 24 辆移动智能终端的场景中对动态联邦学习过程和传统联邦学习过程进行了相应的比较。 如图6所示，动态联邦学习过程和传统联邦学习过程的损失值都会随着训练轮数的增加而降低。 但很明显，动态联邦学习过程会使损失值更小并使其收敛速度快于传统联邦学习过程，尤其是在前几轮。仿真结果表明，动态联邦学习过程比传统联邦学习过程具有更好的收敛能力，这意味着它可以用更少的训练轮次来最小化损失值。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种分布式电力服务系统。
参考图2，所述分布式电力服务系统，包括移动智能终端11、边缘节点12和中心服务器13；至少部分所述边缘节点12按照协作域划分；
所述边缘节点12被配置为，利用行为预测模型得到所述移动智能终端11的预测任务；确定本地是否存储所述预测任务对应的服务数据；响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点12请求所述服务数据；响应于确定所述其他边缘节点12未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器13请求所述服务数据。
上述实施例的系统用于实现前述任一实施例中相应的分布式电力服务提供方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围（包括权利要求）被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种分布式电力服务提供方法，其特征在于，应用于分布式电力服务系统，所述系统包括移动智能终端、边缘节点和中心服务器；至少部分所述边缘节点按照协作域划分；
所述方法包括：
所述边缘节点利用行为预测模型得到所述移动智能终端的预测任务；
所述边缘节点确定本地是否存储所述预测任务对应的服务数据；
所述边缘节点响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点请求所述服务数据；
所述边缘节点响应于确定所述其他边缘节点未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器请求所述服务数据。
2.根据权利要求1所述的方法，其特征在于，所述协作域的构建方法包括：
在所有所述边缘节点中确定多个起始节点；所述起始节点之间的距离大于第一预设距离；
确定与所述起始节点之间距离小于第二预设距离且设备相似度大于预设阈值的条件边缘节点；
基于所述起始节点和所述条件边缘节点构建协作域；
将所述协作域内业务负载能力评估值最高的边缘节点作为所述协作域的域首节点，其他边缘节点作为所述协作域的成员节点。
3. 根据权利要求2所述的方法，其特征在于，所述边缘节点的设备相似度通过公式 得到；
其中、/>、/>表示预设权重系数，/>表示所述边缘节点的计算能力，/>表示与所述起始节点之间距离小于第二预设距离的所有边缘节点的平均计算能力，/>表示所述边缘节点的存储容量，/>表示与所述起始节点之间距离小于第二预设距离的所有边缘节点的平均存储容量，/>表示所述边缘节点的移动智能终端密度，/>表示与所述起始节点之间距离小于第二预设距离的所有边缘节点的移动智能终端密度，/>表示任务/>在与所述起始节点之间距离小于第二预设距离的所有边缘节点中的平均流行度，/>表示任务/>在所述边缘节点中的流行度。
4.根据权利要求3所述的方法，其特征在于，所述边缘节点的业务负载能力评估值通过公式得到；
其中、/>、/>表示预设权重系数，/>表示所述边缘节点的计算能力，/>表示所述边缘节点的存储容量，/>表示与所述边缘节点连接的移动智能终端密度。
5.根据权利要求1所述的方法，其特征在于，所述行为预测模型的训练方法，包括：
所述边缘节点从对应的移动智能终端中选取多个作为训练用移动智能终端，并将当前的行为预测模型发送至训练用移动智能终端；
所述训练用移动智能终端按照预设训练轮数对所述当前的行为预测模型进行训练，得到局部模型参数；
所述边缘节点响应于确定接收到超过半数所述训练用移动智能终端的局部模型参数，根据所述局部模型参数得到全局模型参数，并得到更新行为预测模型。
6.根据权利要求5所述的方法，其特征在于，所述从对应的移动智能终端中选取多个作为训练用移动智能终端，包括：
确定对应的移动智能终端的计算能力和业务强度；
响应于确定任一移动智能终端满足，将该移动智能终端作为训练用移动智能终端；其中，/>、/>表示预设权重，/>表示移动智能终端的计算能力，/>表示移动终端的业务强度，/>表示预设系数，/>表示全局损失值。
7.根据权利要求5所述的方法，其特征在于，所述预设训练轮数通过公式得到；
其中，表示基础训练轮数，/>表示最大额外轮数，/>表示所述当前的行为预测模型进行第一轮训练后的损失值。
8.根据权利要求5所述的方法，其特征在于，所述根据所述局部模型参数得到全局模型参数，包括：
根据所述局部模型参数，通过如下公式，得到所述全局模型参数；
；
其中，、/>表示预设的比例参数，/>表示训练用移动终端的数据量，/>表示所述训练用移动终端的总贡献度，/>表示所述局部模型参数。
9.根据权利要求2所述的方法，其特征在于，还包括：
所述域首节点根据边缘节点服务能力模型和协作域服务能力模型，得到所述协作域内所有成员节点的服务能力和所述协作域的服务能力；
响应于确定所述协作域的服务能力满足预设要求而所述成员节点的服务能力不满足预设要求，将该成员节点从所述协作域中删除；
响应于确定所述协作域的服务能力不满足要求，将所述协作域解散。
10.一种分布式电力服务系统，其特征在于，所述系统包括移动智能终端、边缘节点和中心服务器；至少部分所述边缘节点按照协作域划分；
所述边缘节点被配置为，利用行为预测模型得到所述移动智能终端的预测任务；确定本地是否存储所述预测任务对应的服务数据；响应于确定本地未存储所述服务数据，向对应的协作域内其他边缘节点请求所述服务数据；响应于确定所述其他边缘节点未存储所述服务数据，通过对应的协作域内域首节点向所述中心服务器请求所述服务数据。
CN202410156716.4A 2024-02-04 2024-02-04 分布式电力服务提供方法及分布式电力服务系统 Active CN117713382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410156716.4A CN117713382B (zh) 2024-02-04 2024-02-04 分布式电力服务提供方法及分布式电力服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410156716.4A CN117713382B (zh) 2024-02-04 2024-02-04 分布式电力服务提供方法及分布式电力服务系统

Publications (2)

Publication Number Publication Date
CN117713382A true CN117713382A (zh) 2024-03-15
CN117713382B CN117713382B (zh) 2024-05-07

Family

ID=90151910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410156716.4A Active CN117713382B (zh) 2024-02-04 2024-02-04 分布式电力服务提供方法及分布式电力服务系统

Country Status (1)

Country Link
CN (1) CN117713382B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
US20210021533A1 (en) * 2020-09-25 2021-01-21 Francesc Guim Bernat Intelligent data forwarding in edge networks
US20210136006A1 (en) * 2019-11-06 2021-05-06 Centurylink Intellectual Property Llc Predictive resource allocation in an edge computing network utilizing machine learning
CN113422801A (zh) * 2021-05-13 2021-09-21 河南师范大学 边缘网络节点内容分配方法、系统、装置及计算机设备
CN113435472A (zh) * 2021-05-24 2021-09-24 西安电子科技大学 车载算力网络用户需求预测方法、系统、设备、介质
CN115134410A (zh) * 2022-05-18 2022-09-30 北京邮电大学 边缘协作服务领域划分方法、装置、电子设备及存储介质
CN115866687A (zh) * 2022-11-07 2023-03-28 重庆交通大学 一种车载边缘计算中服务协同缓存方法
CN115941790A (zh) * 2022-10-27 2023-04-07 北京邮电大学 边缘协同内容缓存方法、装置、设备及存储介质
CN116384504A (zh) * 2023-02-24 2023-07-04 北京邮电大学 联邦迁移学习系统
WO2023168824A1 (zh) * 2022-03-07 2023-09-14 北京工业大学 一种基于联邦学习的移动边缘缓存优化方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210136006A1 (en) * 2019-11-06 2021-05-06 Centurylink Intellectual Property Llc Predictive resource allocation in an edge computing network utilizing machine learning
US20210135969A1 (en) * 2019-11-06 2021-05-06 Centurylink Intellectual Property Llc Predictive resource allocation in an edge computing network utilizing beacons
US20210021533A1 (en) * 2020-09-25 2021-01-21 Francesc Guim Bernat Intelligent data forwarding in edge networks
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN113422801A (zh) * 2021-05-13 2021-09-21 河南师范大学 边缘网络节点内容分配方法、系统、装置及计算机设备
CN113435472A (zh) * 2021-05-24 2021-09-24 西安电子科技大学 车载算力网络用户需求预测方法、系统、设备、介质
WO2023168824A1 (zh) * 2022-03-07 2023-09-14 北京工业大学 一种基于联邦学习的移动边缘缓存优化方法
CN115134410A (zh) * 2022-05-18 2022-09-30 北京邮电大学 边缘协作服务领域划分方法、装置、电子设备及存储介质
CN115941790A (zh) * 2022-10-27 2023-04-07 北京邮电大学 边缘协同内容缓存方法、装置、设备及存储介质
CN115866687A (zh) * 2022-11-07 2023-03-28 重庆交通大学 一种车载边缘计算中服务协同缓存方法
CN116384504A (zh) * 2023-02-24 2023-07-04 北京邮电大学 联邦迁移学习系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
付韬;胡亮;王峰;: "SDN支撑的MEC系统效能评估综述", 吉林大学学报(信息科学版), no. 06, 15 November 2018 (2018-11-15) *
白昱阳;黄彦浩;陈思远;张俊;李柏青;王飞跃;: "云边智能:电力系统运行控制的边缘计算方法及其应用现状与展望", 自动化学报, no. 03, 15 March 2020 (2020-03-15) *

Also Published As

Publication number Publication date
CN117713382B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN111835827B (zh) 物联网边缘计算任务卸载方法及系统
Xu et al. Tripres: Traffic flow prediction driven resource reservation for multimedia iov with edge computing
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
CN114143346B (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN110839075A (zh) 边缘计算环境下基于粒子群的服务迁移方法
CN113472844B (zh) 面向车联网的边缘计算服务器部署方法、装置及设备
CN113543074A (zh) 一种基于车路云协同的联合计算迁移和资源分配方法
CN115209426B (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN115941790A (zh) 边缘协同内容缓存方法、装置、设备及存储介质
CN117459112A (zh) 基于图卷积网络的leo卫星网络中的移动边缘缓存方法及设备
Mu et al. Deep reinforcement learning based adaptive threshold multi-tasks offloading approach in mec
CN116204315A (zh) 一种车联网中基于轨迹的车辆资源池动态任务卸载方法
Wu et al. Collaborative caching relay algorithm based on recursive deep reinforcement learning in mobile vehicle edge network
CN117713382B (zh) 分布式电力服务提供方法及分布式电力服务系统
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
CN113747450A (zh) 一种移动网络中业务部署方法、装置及电子设备
CN116489668A (zh) 一种基于高空通信平台辅助的边缘计算任务卸载方法
CN115988462B (zh) 一种基于车路协同的边缘计算模块的调试方法
Xu et al. Intelligent Transportation Vehicle Road Collaboration and Task Scheduling Based on Deep Learning in Augmented Internet of Things
Zhu et al. An efficient resource management optimization scheme for internet of vehicles in edge computing environment
Bai et al. A new cooperative cache optimization algorithm for Internet of vehicles based on edge cloud network
Ma et al. Deep Reinforcement Learning-based Edge Caching and Multi-link Cooperative Communication in Internet-of-Vehicles
CN118714537B (zh) 一种基于聚簇和计算卸载的车辆联邦学习方法及系统
Xia et al. Towards Secure and Efficient Data Scheduling for Vehicular Social Networks
CN115051999B (zh) 基于云边协同的能耗最优任务卸载方法、装置及系统

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
GR01 Patent grant
GR01 Patent grant