一种边缘-云混合计算环境下的DNN任务卸载方法及终端技术

本发明专利技术提供了一种在边缘‑云混合计算环境下的DNN任务卸载方法及终端，根据计算节点的类型、个数、待卸载的DNN任务的个数以及每个待卸载的DNN任务的层数，基于总成本最小化建立目标函数，并确定对应的约束条件，考虑了不同类型节点的计算能力、时延约束等条件的影响，保证得到的最优解的可行性，在求最优解时，还将遗传算法中的交叉操作和变异操作引入粒子群算法中并给出了具体算法，有效避免了在求最优解过程中粒子群算法容易陷入局部最优的问题。

【技术实现步骤摘要】
一种边缘-云混合计算环境下的DNN任务卸载方法及终端
本专利技术涉及任务卸载领域，特别是涉及一种边缘-云混合计算环境下的DNN任务卸载方法。
技术介绍
近年来，智能应用的数量迅速增加，其中DNN(DeepNeuralNetworks，深度神经网络)在计算机视觉、语音识别、自然语言处理等诸多领域取得了巨大的成功，但是由于DNN的模型庞大，而移动设备端的资源有限，大型的DNN应用往往部署在远程云服务器上，由于云服务器与移动设备端的距离较远，将大量的DNN应用调度到远程云服务器会造成响应时间长、网络拥堵严重等问题，同时在长距离的传输中也不易保证用户数据的安全性，不可避免的会带来用户隐私泄漏。边缘计算出现后，将DNN迁移到移动设备端附近的边缘节点可以大大降低延时，并且边缘节点与移动设备端相比具有更强的计算能力和计算资源的优势，能够提高DNN应用的执行性能，同时降低云服务器的开销，也能更好地保护用户隐私，但是在实际操作过程中，由于DNN具有复杂的层次结构，层与层之间传输的数据量及不同层的计算任务复杂性相差巨大，并且边缘网络有复杂的拓扑结构，对DN本文档来自技高网...

【技术保护点】
1.一种边缘-云混合计算环境下的DNN任务卸载方法，其特征在于，包括步骤：/nS1、根据边缘-云混合计算环境中的计算节点的类型、个数、待卸载的DNN任务的个数以及每个待卸载的DNN任务的层数基于总成本最小化原则建立目标函数，并确定对应的约束条件；/nS2、根据所述目标函数和约束条件确定对应的解集，所述解集中的每一个解表示所述待卸载的DNN任务在所述计算节点的一种分布；/nS3、根据所述解集构造初始化种群，所述解集中的每一个解对应所述初始化种群的一个粒子；/nS4、根据公式

【技术特征摘要】
1.一种边缘-云混合计算环境下的DNN任务卸载方法，其特征在于，包括步骤：
S1、根据边缘-云混合计算环境中的计算节点的类型、个数、待卸载的DNN任务的个数以及每个待卸载的DNN任务的层数基于总成本最小化原则建立目标函数，并确定对应的约束条件；
S2、根据所述目标函数和约束条件确定对应的解集，所述解集中的每一个解表示所述待卸载的DNN任务在所述计算节点的一种分布；
S3、根据所述解集构造初始化种群，所述解集中的每一个解对应所述初始化种群的一个粒子；
S4、根据公式对初始化种群中的粒子进行迭代，确定满足所述目标函数和约束条件的最优的DNN任务卸载策略；
式中，Xti表示第i个粒子第t次迭代后在进行DNN任务卸载时在所述计算节点上的分布，c1、c2表示学习因子，pBestit-1表示第i个粒子在t-1次迭代后的最优解，gBestt-1表示在t-1次迭代后所述种群的最优解，Gx()表示组交叉操作，Px()表示个体交叉操作，M()表示变异操作，表示引入学习因子c1、c2。


2.根据权利要求1所述的一种边缘-云混合计算环境下的DNN任务卸载方法，其特征在于，所述S1中将所述边缘-云混合计算环境中的计算节点分类为移动设备节点、边缘节点和云节点；
所建立的目标函数为：



式中，Minimize表示取总成本的最小值，tij表示第i个待卸载的DNN任务的第j层，sk表示第k个计算节点，xijk表示第i个待卸载的DNN任务的第j层是否在第k个计算节点上执行，若所述第i个待卸载的DNN任务的第j层在第k个计算节点上执行，则xijk的取值为1，否则所述xijk的取值为0，costk表示在第k个计算节点上执行待卸载DNN任务的单位时间花费，Timeexecute(tij，sk)表示第i个待卸载的DNN任务的第j层在第k个计算节点上执行花费的时间，m表示计算节点的总数量，l表示每个待卸载的DNN任务的总层数，n表示待卸载的DNN任务的总数量；
所述确定的对应的约束条件为：
每个待卸载的DNN任务在一个计算节点上执行，并且一个DNN任务同一时间只能在一个计算节点上执行；
如果要在边缘节点上执行待卸载的DNN任务，则所述待卸载的DNN任务必须在所述边缘节点的覆盖范围内；
在规定时间内完成DNN任务的卸载。


3.根据权利要求1所述的一种边缘-云混合计算环境下的DNN任务卸载方法，其特征在于，所述S4中，pBsetit的计算具体为：
计算第i个粒子在t次迭代后的最优解pBsetit；
根据预设的适应度函数分别计算第i个粒子第t次迭代和第t-1次迭代的适应值，分别得到pBsetit的适应值和pBestit-1的适应值；
将所述pBsetit的适应值与所述pBestit-1的适应值进行比较，若当前适应值小于所述pBestit-1的适应值，则pBestit＝pBestit-1
否则，保持pBestit不变。


4.根据权利要求3所述的一种边缘-云混合计算环境下的DNN任务卸载方法，其特征在于，所述预设的适应度函数为：
若第t次迭代的粒子和第t-1次迭代的粒子均能卸载完所有待卸载的DNN任务，则fitness(Xi)＝Cost(Xi)；
若第t次迭代的粒子和第t-1次迭代的粒子均不能卸载完待卸载的DNN任务，则fitness(Xi)＝Card(Xi)；
若第t次迭代的粒子和第t-1次迭代的粒子一个可以卸载完所有待卸载的DNN任务，另一个不能卸载完所有待卸载的DNN任务，则选择可以卸载完所有待卸载的DNN任务的粒子进行适应值计算，并且其计算公式为：



式中，fitness(Xi)表示第i个粒子对应的适应值，Cost(Xi)表示第i个粒子在进行DNN任务卸载时的总成本，Card(Xi)表示第i个粒子在进行DNN任务卸载时的未完成的任务数量，tj.finish表示卸载第j个DNN任务的完成时间，rcj表示tj的响应时间约束。


5.根据权利要求1所述的一种边缘-云混合计算环境下的DNN任务卸载方法，其特征在于，所述S4中，变异操作M()具体为：



式中，Cit表示第i个粒子在第t次迭代后并且变异后在进行DNN任务卸载时在所述计算节点上的分布，w为惯性权重，表示粒子具有保持当前速度的能力，表示引入惯性因子w，Xit-1表示第i个粒子第t-1次迭代后在进行DNN任务卸载时在所述计算节点上的分布，M()表示随机选择粒子中的一个计算节点并在定义的范围内更改所述计算节点，r3是介于0和1之间的随机因子；
个体交叉操作Px()具体为：



式中，Bit表示第i个粒子在第t次迭代中进行个体交叉操作后在进行DNN任务卸载时在所述计算节点上的分布，c1表示学习因子，表示Ct-1i中随机选择的一段计算节点分布用pBsetit-1中对应位置的计算节点分布进行替换；
组交叉操作Gx()具体为：



式中，Ait表示第i个粒子在第t次迭代中进行组交叉操作后在进行DNN任务卸载时在所述计算节点上的分布，c2表示学习因子，表示Bit-1中随机选择的一段计算节点分布用gBestt-1中对应位置的计算节点分布进行替换。


6.一种边缘-云混合计算环境下的DNN任...

【专利技术属性】
技术研发人员：林兵，黄引豪，陈星，蔡飞雄，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建;35