移动计算资源分配方法、计算机可读存储介质和终端组成比例

一种移动计算资源分配方法、计算机可读存储介质和终端，所述方法包括：对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。上述的方案，可以为移边缘计算分配合理的计算资源，以提高资源的利用率。

【技术实现步骤摘要】
移动计算资源分配方法、计算机可读存储介质和终端
本专利技术涉及物联网
，具体地涉及一种移动计算资源分配方法、计算机可读存储介质和终端。
技术介绍
随着云技术和人工智能技术的迅速发展和广泛应用，越来越多的新型智能物联网设备应运而生。为了满足智能物联网应用的服务质量和用户体验，引入移动边缘计算(MobileEdgeComputing，MEC)，利用移动边缘云网络中的可用资源，以提高用户的使用体验。移动边缘计算，可以看作是从核心网到边缘接入网的扩展云计算模型，其是一种高度虚拟化技术，通过加入传输延迟、能耗、资金和运营成本等因素，以促进网络的移动性支持、实时交互和可扩展性。移动边缘计算不仅可以提高用户服务质量，还可以减少网络传输的数据量。然而，当大量计算任务均转移到移动边缘进行计算时，如何进行计算资源的合理分配，以提高资源的利用率，成为亟待解决的问题。
技术实现思路
本专利技术解决的技术问题是如何在为移边缘计算分配合理的计算资源，以提高资源的利用率。为解决上述技术问题，本专利技术实施例提供了一种移动计算资源分配方法，所述方法包括：对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。可选地，所述计算资源预测模型采用如下的方式训练得到：采用历史计算资源分配数据分别构建训练数据集和预测数据集；分别对所构建的训练数据集和预测数据集进行归一化处理；构建最佳超平面的函数式，使得所述最佳超平面将归一化处理后得到的训练数据集和预测数据集中的样本分为两类；基于归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离的最小值，设置所述最佳超平面的约束条件；基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数；将所述最佳配置参数代入所述最佳超平面的函数式，得到所述计算资源预测模型。可选地，所述基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数，包括：将所述归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的最佳配置参数。可选地，所述约束条件为：yi[(w·xi)+b]≥1，i＝1，2，...，l；其中，yi表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的特征标签，xi表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本，w·xi+b表示所述最佳超平面，w表示所述最佳超平面的斜率参数，b表示所述最佳超平面的平面常数参数，l表示归一化处理后得到的训练数据集和预测数据集中的样本总数。可选地，所述基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数，包括：为所述归一化处理后得到的训练数据集和预测数据集中的样本分别设置对应的松弛向量；基于归一化处理后得到的训练数据集和预测数据集中的样本与所述最佳超平面之间的距离最大化和误差最小化，构建关于所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数；采用拉格朗日乘子法求取所述目标函数的对偶函数，并将归一化处理后得到的训练数据集和预测数据集中的样本分别代入所述对偶函数，求取所述对偶函数的最大值，作为所述目标函数的最小值；将所求取的最小值对应的斜率参数值，作为所述最佳超平面的斜率的最佳配置数值；将所述最佳超平面的斜率的最佳配置参数和将归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的平面常数的最佳配置数值。可选地，所构建的所述最佳超平面的斜率参数与所述归一化处理后得到的训练数据集和预测数据集中的样本的松弛向量的目标函数为：其中，C表示预设的非负常数，ξi表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的松弛向量。可选地，所述目标函数的对偶函数为：且：λi≥0，λi≥0；其中，L(λ，w，b)表示所述目标函数的对偶函数，λ表示拉格朗日乘子，λi表示表示所述归一化处理后得到的训练数据集和预测数据集中的第i个样本的拉格朗日乘子，λi表示表示表示所述归一化处理后得到的训练数据集和预测数据集中的第j个样本的拉格朗日乘子。可选地，采用如下的公式对所得到的分类结果进行判决：其中，f(x)表示对为未知属类的向量x的判决结果，sgn(.)表示返回函数，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一项所述的移动计算资源分配方法的步骤。本专利技术实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一项所述的移动计算资源分配方法的步骤。与现有技术相比，本专利技术实施例的技术方案具有以下有益效果：上述的方案，通过将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果，并对所得到的分类结果进行判决，从而可以采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务，可以将计算资源在所述移动终端与移动边缘服务器之间进行合理分配，与将所有的移动终端的计算任务均提交给移动边缘计算服务器处理相比，从而可以提高移动计算任务的处理效率，提高资源的利用率。附图说明图1是本专利技术实施例的一种移动计算资源分配方法的流程示意图；图2示出了本专利技术实施例中的一种计算资源预测模型的训练方法的流程示意图；图3是本专利技术实施例的一种移动计算资源自主分配装置的流程示意图。具体实施方式本专利技术实施例中的技术方案通过将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果，并对所得到的分类结果进行判决，从而可以采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务，可以将计算资源在所述移动终端与移动边缘服务器之间进行合理分配，与将所有的移动终端的计算任务均提交给移动边缘计算服务器处理相比，从而可以提高移动计算任务的处理效率，提高资源的利用率。为使本专利技术的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。图1是本专利技术实施例的一种移动计算资源分配方法的流程示意图。参见图1，本专利技术实施例的一种移动计算资源分配方法，具体可以包括如下的步骤：步骤S101：对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据。在具体实施中，当需要处理移动计算任务时，用户可以通过用户层提交对应的计算请求。其中，用户所提交的计算请求中包括对应计算任务及该计算任务的处理速度和耗能等需求在内的计算任务数据。因此，当接收到用户提交的计算请求时，通过对用户所提交的计算请求进行解析，便可以确定对应的计算任务数据。步骤S102：将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果。在具本文档来自技高网...

【技术保护点】
1.一种移动计算资源分配方法，其特征在于，包括：对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。

【技术特征摘要】
1.一种移动计算资源分配方法，其特征在于，包括：对所接收的移动终端发送的计算请求进行分析，得到对应的待预测计算任务数据；将所得到的待预测计算任务数据输入预先训练好的计算资源预测模型，得到所述待预测计算任务数据的分类结果；对所得到的分类结果进行判决，并采用与所述判决结果对应的所述移动终端或者移动边缘计算服务器处理所述计算请求对应的计算任务。2.根据权利要求1所述的移动计算资源分配方法，其特征在于，所述计算资源预测模型采用如下的方式训练得到：采用历史计算资源分配数据分别构建训练数据集和预测数据集；分别对所构建的训练数据集和预测数据集进行归一化处理；构建最佳超平面的函数式，使得所述最佳超平面将归一化处理后得到的训练数据集和预测数据集中的样本分为两类；基于归一化处理后得到的训练数据集和预测数据集中的样本到所述最佳超平面的距离的最小值，设置所述最佳超平面的约束条件；基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数；将所述最佳配置参数代入所述最佳超平面的函数式，得到所述计算资源预测模型。3.根据权利要求2所述的移动计算资源分配方法，其特征在于，所述基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数，包括：将所述归一化处理后得到的训练数据集和预测数据集中的样本代入所述约束条件，得到所述最佳超平面的最佳配置参数。4.根据权利要求3所述的移动计算资源分配方法，其特征在于，所述约束条件为：yi[(w·xi)+b]≥1，i＝1，2，...，l；其中，yi表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本的特征标签，xi表示所述归一化处理后得到的训练数据集和预测数据集中的第i样本，w·xi+b表示所述最佳超平面，w表示所述最佳超平面的斜率参数，b表示所述最佳超平面的平面常数参数，l表示归一化处理后得到的训练数据集和预测数据集中的样本总数。5.根据权利要求2所述的移动计算资源分配方法，其特征在于，所述基于所述归一化处理后得到的训练数据集和预测数据集中的样本和所述约束条件，确定所述最佳超平面的最佳配置参数，包括：为所述归一化处理后得到的训练数据集和预测...

【专利技术属性】
技术研发人员：孙雁飞，孙海蓉，亓晋，许斌，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32