基于图注意力网络的多任务边缘计算调度优化方法技术

本发明专利技术公开了一种基于图注意力网络的多任务边缘计算调度优化方法，包括如下步骤：构建基于演员

【技术实现步骤摘要】
基于图注意力网络的多任务边缘计算调度优化方法


[0001]本专利技术属于计算机网络
，具体涉及一种基于图注意力网络的多任 务边缘计算调度优化方法。

技术介绍

[0002]无线通信和物联网技术的快速发展推动了虚拟现实、自动驾驶、人脸识别 等需要高性能的服务和应用的出现。虽然智能设备的计算能力近年来有了质的 飞跃，但是由于电池容量、CPU计算能力等资源限制，仍然无法支持结构复杂、 计算量大的应用程序执行。移动云计算(Mobile Cloud Computing，MCC)可以 具有巨大的计算资源，但是将移动设备的应用数据调度到云端会给整个网络带 来巨大的传输压力和显著的传输延迟。为了解决这个问题，可以使用多接入边 缘计算(Multi
‑
access Edge Computing，MEC)以在减轻客户端压力的同时减少任 务传输造成的通信消耗。与MCC技术相比，MEC可以快速高效地为用户提供 计算服务，缓解核心网的计算压力。

技术实现思路

[0003]针对边缘计算中用户任务的延迟和能耗问题，本专利技术提出了一种基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，包括如下步骤：S1，构建基于演员
‑
评论家模型的MEC系统通信模型，所述MEC系统通信模型包括边缘服务器、用户设备和云端，且边缘服务器为智能体；S2，每个决策时间t，调度智能体利用图注意力神经网络获取用户设备所生成应用程序的任务状态利用多层感知器获取MEC系统状态S
N
；S3，通过双层嵌入将任务状态和MEC系统状态S
N
组成状态嵌入向量输入演员
‑
评论家模型中，利用演员
‑
评论家模型进行训练获取最佳调度策略。2.根据权利要求1所述的基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，在步骤S2中，所述调度智能体利用图注意力网络获取用户设备所生成应用程序的任务状态包括以下步骤：I，将每个用户设备的应用程序建模为一个有向无环图；II，获取MEC环境和应用程序的每个任务的特征，构建多头注意力机制，将特征输入图注意力网络得到任务状态3.根据权利要求2所述的基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，所述获取MEC环境和应用程序的每个任务的特征，将特征输入图注意力网络得到任务状态包括如下步骤：a，根据MEC环境特征和任务特征利用转换矩阵构建MEC环境嵌入空间和任务嵌入空间；b，基于自注意力机制的深度神经网络构建自注意力机制函数；c，通过对输入特征加权获取自注意力机制下的特征状态输出；d，利用多头注意力机制获取最终特征状态输出，也即任务状态4.根据权利要求1所述的基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，所述演员
‑
评论家模型包括一个演员网络和一个评论家网络，步骤S3包括:S3.1，在每个决策时间t，将状态嵌入向量输入演员网络得到动作A
t
；S3.2，将决策时间t时的状态S
t
和动作A
t
输入评论家网络得到长期奖励长期奖励选择最佳动作。5.根据权利要求4所述的基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，所述长期奖励的计算公式为：式中，T表示决策步的长度，γ
i
′‑
t
表示在i
′‑
t时刻的系统奖励折扣率，r
i
′
表示在决策时间i
′
时的立即奖励；决策时间t时的立即奖励r
t
的计算公式为：式中，表示用户设备n在决策时间t时的时延能耗加权和，表示用户设备n
在决策时间t+1时的时延能耗加权和，N
′
表示用户设备的总数。6.根据权利要求5所述的基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，所述时延能耗加权和的计算公式为：式中，w
t
与w
e
分别为时延和能耗相关权重系数，表示任务的任务结束节点v
n，I+1
所对应的任务结束时间，表示任务的任务开始节点v
n，0
所对应的任务开始时间，E表示任务处理过程中的总能耗。7.根据权利要求6所述的基于图注意力网络的多任务边缘计算调度优化方法，其特征在于，当任务v
n，i
在本地执行时，任务v
n，i
在本地的完成时间的计算公式为：式中，表示任务v
n，i
在本地的实际执行时间，表示任务v
n，i
在本地开始处理的开始时间；所述任务v
n，i
在本地的实际...

【专利技术属性】
技术研发人员：王晓飞，王晨阳，陈佳雯，张恒，仇超，
申请(专利权)人：天津大学，
类型：发明
国别省市：