【技术实现步骤摘要】
一种边缘计算PLD任务卸载方法、装置及存储介质
[0001]本专利技术涉及边缘计算领域，特别是涉及一种边缘计算环境下任务的高效卸载方法。
技术介绍
[0002]随着神经网络与深度学习的发展，DQN等相关技术更多的被应用于边缘计算计算任务卸载相关领域。传统的深度学习算法往往选择最大Q值的动作作为下一步的动作，容易陷入局部最优陷阱。且模型中的超参数往往难以确定，只能通过不断的尝试确定一个最佳值。
[0003]综上所述，现有DQN边缘计算任务卸载模型与LSTM预测模型存在如下缺点：
[0004]1)现有的DQN边缘计算任务卸载策略往往选择最大Q值的动作作为下一步的动作，容易陷入局部最优陷阱；
[0005]2)现有的LSTM预测模型中的超参数往往难以确定，只能通过不断的尝试确定一个最佳值。
技术实现思路
[0006]本专利技术的目的在于解决上述现有技术存在的缺点会影响任务卸载策略的效率，在数据量较大时往往存在较大的误差与资源消耗，为系统带来较大负担的问题。
[0007]本专利技术为了解...
【技术保护点】
【技术特征摘要】
1.一种边缘计算PLD任务卸载方法，其特征在于，包括：S1：获取集群中系统整体的历史任务卸载情况数据，并对数据进行清洗；S2：构建PLD模型所需的三大空间，采用LSTM模型与DQN模型构建PLD模型，并将清洗后的历史数据通过三大空间输入到PLD模型中完成预测模型训练；S3：将即将到来的任务数据输入训练好的PLD模型，得到集群系统对每个任务的任务卸载策略。2.根据权利要求1所述的一种边缘计算PLD任务卸载方法，其特征在于，S1中，数据清洗的详细描述如下：S11：集群中系统整体的历史任务卸载情况数据，主要包括：任务容量大小，任务到达时间，任务结束时间，任务优先级，任务最大容忍时间，任务卸载目标；S12：对指标数据进行清洗，首先对数据进行空值填充和数据脱敏；然后，对脱敏后的数据按照任务到达时间进行分组聚合；最后，对分组聚合后的所述一个时间段内的数据进行时间序列化和归一化后得到清洗后的集群历史任务卸载情况指标数据。3.根据权利要求1所述的一种边缘计算PLD任务卸载方法，其特征在于，S2中，三大空间定义，PLD模型的构建以及模型的训练过程详细描述如下：S21：状态空间的建立：状态空间状态用来反映环境，它由终端，任务以及边缘服务器系统状态构成；定义整个系统的状态空间为S＝{s2，s2，s3，
…
，s
n
’
}，其中s
n
表示终端n所记载的系统状态，其中n为终端编号，m为边缘服务器编号，k为任务编号，为终端n的计算能力，为终端n的传输功率，D
k
为计算任务R
k
的数据量，ρ
k
为计算任务R
k
每bit所需要的资源，任务最大等待时间，B
n，m
为计算卸载时终端到边缘服务器端占用的上行宽带带宽，为边缘服务器m的计算能力，其中上标N标志为终端，n代表终端的序号，上标M标志为边缘服务器端，m代表边缘服务器的序号；S22：动作空间的建立：动作空间用来规范系统对任务执行动作的范围，定义动作空间A＝{a1，a2，a3，
…
，a
n
’
}，其中其中表示任务在终端上进行计算，表示任务将被卸载，a
n，m，
＝1表示任务将在服务器m上进行计算，a
n
’
需满足条件S23：奖励空间的建立：奖励空间用来迭代更新系统，系统将通过奖励空间更新Q
t
值；agent在状态s
n
下执行完动作a
n
后会得到奖励r
n
，系统在规定时间内完成任务，会收获到对应的奖励，任务超过其最大等待时间时，则认为该任务被丢弃并受到惩罚，系统做出动作后，系统都会获得对应的奖励或惩罚，因此，奖励函数如下：奖励函数如下：为时间损耗权重，为能力损耗权重，T
k
为时间损耗，E
k
为能量损耗，p为超时惩罚；
S24：随机初始化若干超参数值，得到超参数个数；将超参数数据作为历史最优值赋值给LSTM模型，接着用PSO粒子群算法，对LSTM模型输入测试集合，通过多轮迭代对LSTM模型进行调优，取用预测值平均误差最小时的超参数值，当PSO粒子群算法达到最大迭代值后输出隐藏层层数以及各层神经元数这几项关键超参数的值以及调优后的LSTM模型；将调优后的LSTM模型与DQN模型相结合，历史任务数据输入进LSTM模型中，再经过LSTM模型处理之后将预测动作输入DQN模型，DQN模型将以一定概率选择该预测动作而非完全选择选择Q
t
值最大动作，得到PLD模型。S25：PLD模型的输入数据是S1中得到的清洗后的历史任务卸载数据，并将数据按照预设比例分为训练集和测试集，对所述PLD模型进行训练。4.根据权利要求1所述的一种边缘计算PLD任务卸载方法，其特征在于，S3中，边缘计算环境下集群系统的任务卸载策略的详细描述如下：S31：在算法训练过程中，动作是由agent通过概率选择的，即将以1
‑
ε概率选择拥有最大的Q
t
网络值的动作，以预设的ε的概率随机选取任意动作，ε依据具体的实验环境设定。本文在原始agent选择随机动作时，通过随机值δ和概率ε比较大小的方式来确定是随机动作还是预测动作，当δ大于ε时选择随机动作，反之选择预测动作。从而避免陷入局部最优并且提高准确率。S32：基于历史记录，利用LSTM模型可以预测下一个到达任务动作信息，并将预测的信息给予DQN模型，提出对预测任务的卸载方案即决定任务在终端进行计算或是卸载至指定边缘服务器端进行计算，当实际任务到达时，将近期任务信息输入到训练好的PLD模型中，即可得到对近期任务的卸载策略。S33：所述PLD模型选用均方误差法作为损失函数，并且通过梯度下降算法减小损失，损失函数如下，其中，Q
e
为评价网络，s为此时状态，a为选择的动作，θ
e
为评价参数；S34：所述模型中目标Q
t
网络值的计算公式如下Q
t
＝r
n
+γmaxQ
t
(s
n+1
，a
’
；θ
t
)(3)其中r
n
为奖励值，s
n+1
为下一时刻状态空间，θ
t
为目标参数，a
’
为预测动作。5.一种边缘计算PLD任务卸载装置，其特征在于，包括：数据清洗模块：获取集群中系统整体的历史任务卸...
【专利技术属性】
技术研发人员：彭京，葛城，张海超，田婷，牛新征，张凤荔，商元浩，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。