基于社会化学习的云边协同服务编排与请求调度优化方法技术

本发明专利技术公开了一种基于社会化学习的云边协同服务编排与请求调度优化方法，包括：eAPs和云分别构建请求调度决策模型和服务编排决策模型；云结合eAP发送的第一共振信息利用注意力机制得状态生成第二共振信息传到eAP；将状态输入服务编排决策模型并优化，结合eAP发送的下层指导向量得到最优服务编排决策传到边缘服务器；eAP结合云发送的第二共振信息利用注意力机制得状态生成第一共振信息传到云；将状态输入请求调度决策模型并优化，结合云发送的上层指导向量得到最优请求调度决策传到边缘服务器；边缘服务器根据收到的两个决策对请求进行处理。本发明专利技术能有效降低调度成本，提高吞吐量。提高吞吐量。提高吞吐量。

【技术实现步骤摘要】
基于社会化学习的云边协同服务编排与请求调度优化方法


[0001]本专利技术属于大数据
，具体涉及一种基于社会化学习的云边协同服务编排与请求调度优化方法。

技术介绍

[0002]随着网络设备的数据爆炸式增长，集中式的云计算目前面临着许多问题，包括计算能力、效率、时延和隐私等。边缘计算的出现充分释放了边缘设备的潜力，被广泛认为是一种有前途的解决方案。由于边缘服务器处理的数据量急剧增加，大大小小的数据中心之间全新的协作计算基础设施释放出了边缘云系统的潜力，边缘云系统将各种计算资源统一起来，迎来了前所未有的繁荣时代。高收益推动了边缘云系统的快速发展，也使得边缘云系统更加复杂。复杂的边缘云系统导致了在请求分发和服务编排中出现了许多意想不到的问题，如复杂的层次结构、有限的协作、信息不集中等。
[0003]边缘云系统有着复杂的层次结构，即接入边缘服务器访问代理(Edge accessproxies，eAPs)、边缘服务器和云，类似于人类社会的层次结构，决策和情报在不同层级之间也会相互影响。然而，现有的边缘智能忽略了社会化层次决策，导致调度问题效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于社会化学习的云边协同服务编排与请求调度优化方法，其特征在于，包括如下步骤：S1，基于深度强化学习算法和联邦学习方法，eAPs和云分别构建请求调度决策模型和服务编排决策模型；s2，设置服务编排周期τ，初始化请求调度周期轮数t＝1；s3，利用注意力机制获取编排服务决策模型的状态s
′
U，t
，然后结合eAP所发送的第一共振信息再次利用注意力机制对状态s
′
U，t
进行更新得到状态将云上预设的状态输入注意力机制得到状态基于状态与状态生成第二共振信息发送到eAP；S4，将状态输入服务编排决策模型，以实现服务编排阶段内边缘服务器时间效率和服务部署所产生的成本平衡为目标对服务编排决策模型进行优化，结合eAP所发送的下层指导向量g
L，t
得到最优服务编排决策，并将最优服务编排决策发送到边缘服务器；S5，eAP利用注意力机制获取所有请求调度决策模型的状态然后结合云发送的第二共振信息利用注意力机制对状态s
′
L，t
进行更新得到状态将eAP上预设的状态输入注意力机制得到状态基于状态与状态生成第一共振信息发送到云；S6，将状态输入请求调度决策模型，以实现请求调度阶段内eAP时间效率和请求调度所产生的成本平衡为目标对请求调度决策模型进行优化，结合云所发送的上层指导向量g
U，t
得到最优请求调度决策，并将最优请求调度决策发送到边缘服务器；S7，边缘服务器根据接收到的请求调度决策和服务编排决策对请求进行处理，待请求处理完成后，执行t＝t+1，判断t％τ＝＝0，如果是，执行步骤s3，否则，执行步骤S5。2.根据权利要求1所述的基于社会化学习的云边协同服务编排与请求调度优化方法，其特征在于，在步骤S1中，所述请求调度决策模型的建立方法包括如下步骤：
①
，构建请求调度决策模型的状态、动作和奖励函数；
②
，每个eAP分别基于步骤
①
所构建的状态、动作和奖励函数对多智能体深度强化学习算法模型进行训练，得到请求调度决策基本模型；
③
，基于联邦学习方法对所有eAP的请求调度决策基本模型进行平均加权聚合，得到请求调度决策模型。3.根据权利要求2所述的基于社会化学习的云边协同服务编排与请求调度优化方法，其特征在于，所述请求调度决策模型的状态包括请求的类型、请求的时延要求、边缘服务器的可用CPU计算资源、可用内存、可用存储空间和边缘服务器的总数；所述请求调度决策模型的动作也即请求调度决策采用a
b，t
表示，其表达式为a
b，t
＝n，表示t时间帧时eAP b的请求被分配到边缘服务器n；所述请求调度决策模型的奖励函数的表达式为：式中，和表示控制eAP吞吐量与成本之比的权重，λ
b
表示一个时间帧内违反时延要求的请求的比率，ψ
...

【专利技术属性】
技术研发人员：王梓蔚，王鑫，赵云凤，仇超，王晓飞，
申请(专利权)人：天津大学，
类型：发明
国别省市：