一种分布式算力调度方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种分布式算力调度方法、装置、电子设备及存储介质，其中方法包括：任务终端广播资源请求信息，辅助终端和边缘计算服务器将计算资源状态信息反馈给任务终端；任务终端执行多智能体分布式算力调度模型，得到各个计算密集型且时延敏感型的计算任务待选择的卸载模式、目标辅助终端或边缘计算服务器对应的标识，以及无线信道的标识；任务终端将各个计算任务分别通过标识的无线信道发送至对应的目标辅助终端或者边缘计算服务器；目标辅助终端或者边缘计算服务器对接收到的计算任务进行处理，并将计算任务处理结果按照标识的无线信道发送至对应的任务终端。与现有技术相比，本发明专利技术具有降低了计算任务处理时延与能耗、提高了效率等优点。提高了效率等优点。提高了效率等优点。

【技术实现步骤摘要】
一种分布式算力调度方法、装置、电子设备及存储介质


[0001]本专利技术涉及边缘计算
，尤其是涉及一种分布式算力调度方法、装置、电子设备及存储介质。

技术介绍

[0002]相关技术中，终端侧虚拟现实应用(VR)、智能识别应用、大型游戏等对算力的需求急剧增强，其中，终端设备的存储容量和计算能力是有限的，但是，由于任务请求的空时不均匀特性，存在一部分终端设备的存储资源和计算资源处于空闲状态，这就造成了算力资源的浪费。现有的算力调度方法存在以下缺陷：
[0003]1)不能合理的调配空闲的终端设备；
[0004]2)由于计算资源以及计算任务的空时分布不均匀特性，多个任务终端往往会存在竞争同一个辅助终端或者边缘服务器的算力资源的情况；
[0005]3)多个任务终端在实际环境中都与集中式控制器进行信息交互难以实现。
[0006]由此，如何采用分布式策略降低任务处理时延以及本地设备能耗以合理安排任务处理算力调度、提升任务处理的效率是亟待解决的问题。

技术实现思路

[0007]本专利技术的目的就是为了提供一种基于多智能体的分布式算力调度方法、装置、电子设备及存储介质，降低任务处理时延以及本地设备能耗，提升任务处理的效率。
[0008]本专利技术的目的可以通过以下技术方案来实现：
[0009]一种分布式算力调度方法，应用于算力网络系统，所述算力网络系统包括多个具有计算密集型且时延敏感型计算任务请求的任务终端，多个具有空闲存储资源和计算资源的辅助终端，以及一个部署在基站预配置距离范围内的边缘计算服务器，所述方法包括以下步骤：
[0010]任务终端广播资源请求信息，信号范围内的辅助终端和边缘计算服务器将计算资源状态信息反馈给任务终端；
[0011]任务终端执行多智能体分布式算力调度模型，得到各个计算密集型且时延敏感型的计算任务待选择的卸载模式、目标计算节点对应的标识，以及无线信道的标识，其中，所述多智能体分布式算力调度模型基于多智能体深度强化学习网络构建得到，所述目标计算节点为任务终端、目标辅助终端或边缘计算服务器；
[0012]任务终端将各个计算任务分别通过标识的无线信道发送至对应的目标辅助终端或者边缘计算服务器；
[0013]目标辅助终端或者边缘计算服务器对接收到的计算任务进行处理，并将计算任务处理结果按照标识的无线信道发送至对应的任务终端。
[0014]所述多智能体分布式算力调度模型的输入包括多个计算密集型且时延敏感型计算任务信息，任务终端、辅助终端以及边缘计算服务器的计算资源状态，任务终端与可通信
的辅助终端和边缘计算服务器之间的无线信道状态，其中，所述计算资源状态为可用算力资源信息。
[0015]所述卸载模式包括：
[0016]第一卸载模式：在任务终端处理计算任务；
[0017]第二卸载模式：卸载到辅助终端处理计算任务；
[0018]第三卸载模式：卸载到边缘计算服务器处理计算任务。
[0019]所述多智能体分布式算力调度模型的构建包括以下步骤：
[0020]基于多个任务终端构建智能体；
[0021]基于各个计算任务待选择的卸载模式、目标计算节点以及无线信道，构建智能体的动作空间；
[0022]基于任务终端产生的计算任务的算力需求，各个任务终端、可通信辅助终端、边缘计算服务器的可用算力资源信息，以及任务终端与可通信辅助终端之间的无线信道状态信息，任务终端与边缘服务器之间的无线信道状态信息，构建每一个智能体的状态空间；
[0023]对不同卸载模式下的总时延和任务终端能耗进行加权处理得到任务处理代价，构建环境反馈，其中，所述总时延包括计算时延和通信时延，所述计算时延为计算任务在任务终端、辅助终端、边缘计算服务器进行处理的时延，所述通信时延为计算任务被发送至辅助终端、边缘计算服务器的时延；
[0024]以最小化任务处理代价为目标函数，基于预设超参数对多智能体柔性动作评价网络的参数进行调整，进行网络的训练，得到多智能体分布式算力调度模型。
[0025]当卸载模式为第一卸载模式时，总时延仅包括计算任务在任务终端上进行处理的计算时延；
[0026]当卸载模式为第二卸载模式时，总时延为计算任务在辅助终端上进行处理的计算时延与计算任务被发送至辅助终端的通信时延之和；
[0027]当卸载模式为第三卸载模式时，总时延为计算任务在边缘计算服务器上进行处理的计算时延与计算任务被发送至边缘计算服务器的通信时延之和。
[0028]一种分布式算力调度装置，所述分布式算力调度装置布置于算力网络系统的任务终端，所述算力网络系统包括多个具有计算密集型且时延敏感型计算任务请求的任务终端，多个具有空闲存储资源和计算资源的辅助终端，以及一个部署在基站预配置距离范围内的边缘计算服务器，所述装置包括：
[0029]广播模块，用于广播资源请求信息；
[0030]计算资源状态信息获取模块，用于获取信号范围内的辅助终端和边缘计算服务器反馈的计算资源状态信息；
[0031]分布式算力调度计算模块，其上布置有基于多智能体深度强化学习网络构建的多智能体分布式算力调度模型，用于根据计算资源状态信息获取模块获取的信息，得到各个计算密集型且时延敏感型的计算任务待选择的卸载模式、目标计算节点对应的标识，以及无线信道的标识，其中，所述目标计算节点为任务终端、目标辅助终端或边缘计算服务器；
[0032]发送模块，用于将任务终端的计算任务通过标识的无线信道发送至目标辅助终端或者边缘计算服务器，以使目标辅助终端或者边缘计算服务器对接收到的计算任务进行处理；
[0033]接收模块，用于接收目标辅助终端或者边缘计算服务器发送的任务处理结果；
[0034]输出模块，用于汇总并输出接收模块接收的任务处理结果和任务终端自身的任务处理结果。
[0035]所述多智能体分布式算力调度模型的输入包括多个计算密集型且时延敏感型计算任务信息，任务终端、辅助终端以及边缘计算服务器的计算资源状态，任务终端与可通信的辅助终端和边缘计算服务器之间的无线信道状态，其中，所述计算资源状态为可用算力资源信息。
[0036]所述卸载模式包括：
[0037]第一卸载模式：在任务终端处理计算任务；
[0038]第二卸载模式：卸载到辅助终端处理计算任务；
[0039]第三卸载模式：卸载到边缘计算服务器处理计算任务。
[0040]所述多智能体分布式算力调度模型的构建包括以下步骤：
[0041]基于多个任务终端构建智能体；
[0042]基于各个计算任务待选择的卸载模式、目标计算节点以及无线信道，构建智能体的动作空间；
[0043]基于任务终端产生的计算任务的算力需求，各个任务终端、可通信辅助终端、边缘计算服务器的可用算力资源信息，以及任务终端与可通信辅助终端之间的无线信道状态信息，任务终端与边缘服务器之间的无线信道状态信息，构建每一个智能体的状态空间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式算力调度方法，其特征在于，应用于算力网络系统，所述算力网络系统包括多个具有计算密集型且时延敏感型计算任务请求的任务终端，多个具有空闲存储资源和计算资源的辅助终端，以及一个部署在基站预配置距离范围内的边缘计算服务器，所述方法包括以下步骤：任务终端广播资源请求信息，信号范围内的辅助终端和边缘计算服务器将计算资源状态信息反馈给任务终端；任务终端执行多智能体分布式算力调度模型，得到各个计算密集型且时延敏感型的计算任务待选择的卸载模式、目标计算节点对应的标识，以及无线信道的标识，其中，所述多智能体分布式算力调度模型基于多智能体深度强化学习网络构建得到，所述目标计算节点为任务终端、目标辅助终端或边缘计算服务器；任务终端将各个计算任务分别通过标识的无线信道发送至对应的目标辅助终端或者边缘计算服务器；目标辅助终端或者边缘计算服务器对接收到的计算任务进行处理，并将计算任务处理结果按照标识的无线信道发送至对应的任务终端。2.根据权利要求1所述的一种分布式算力调度方法，其特征在于，所述多智能体分布式算力调度模型的输入包括多个计算密集型且时延敏感型计算任务信息，任务终端、辅助终端以及边缘计算服务器的计算资源状态，任务终端与可通信的辅助终端和边缘计算服务器之间的无线信道状态，其中，所述计算资源状态为可用算力资源信息。3.根据权利要求1所述的一种分布式算力调度方法，其特征在于，所述卸载模式包括：第一卸载模式：在任务终端处理计算任务；第二卸载模式：卸载到辅助终端处理计算任务；第三卸载模式：卸载到边缘计算服务器处理计算任务。4.根据权利要求1所述的一种分布式算力调度方法，其特征在于，所述多智能体分布式算力调度模型的构建包括以下步骤：基于多个任务终端构建智能体；基于各个计算任务待选择的卸载模式、目标计算节点以及无线信道，构建智能体的动作空间；基于任务终端产生的计算任务的算力需求，各个任务终端、可通信辅助终端、边缘计算服务器的可用算力资源信息，以及任务终端与可通信辅助终端之间的无线信道状态信息，任务终端与边缘服务器之间的无线信道状态信息，构建每一个智能体的状态空间；对不同卸载模式下的总时延和任务终端能耗进行加权处理得到任务处理代价，构建环境反馈，其中，所述总时延包括计算时延和通信时延，所述计算时延为计算任务在任务终端、辅助终端、边缘计算服务器进行处理的时延，所述通信时延为计算任务被发送至辅助终端、边缘计算服务器的时延；以最小化任务处理代价为目标函数，基于预设超参数对多智能体柔性动作评价网络的参数进行调整，进行网络的训练，得到多智能体分布式算力调度模型。5.根据权利要求4所述的一种分布式算力调度方法，其特征在于，所述卸载模式包括：第一卸载模式：在任务终端处理计算任务；第二卸载模式：卸载到辅助终端处理计算任务；
第三卸载模式：卸载到边缘计算服务器处理计算任务；当卸载模式为第一卸载模式时，总时延仅包括计算任务在任务终端上进行处理的计算时延；当卸载模式为第二卸载模式时，总时延为计算任务在辅助终端上进行处理的计算时延与计算任务被发送至辅助终端的通信时延之和；当卸载模式为第三卸载模式时，总时延为计算任务在边缘计算服务器上进行处理的计算时延与计算任务被发送至边缘计算服务器的通信时延之和。6.一种分布式算力调度方法，其特征在于，应用于算力网络系统的任务终端，所述算力网络系统包括多个具有计算密集型且时延敏感型计算任务请求的任务终端，多个具有空闲存储资源和计算资源的辅助终端，以及一个部署在基站预配置距离范围内的边缘计算服务器，所述方法包括以下步骤：广播资源请求信息，并获取信号范围内的辅助终端和边缘计算服务器反馈的计算资源状态信息；执行多智能体分布式算力调度模型，得到各个计算密集型且时延敏感型的计算任务待选择的卸载模式、目标计算节点对应的标识，以及无线信道的标识，其中，所述多智能体分布式算力调度模型基于多智能体深度强化学习网络构建得到，所述目标计算节点为任务终端、目标辅助终端或边缘计算服务器；将各个计算任务分别通过标识的无线信道发送至对应的目标辅助终端或者边缘计算服务器进行处理；接收目标辅助终端或者边缘计算服务器通过标识的无线信道传输的计算任务处理结果。7.根据权利要求6所述的一种分布式算力调度方法，其特征在于，所述多智能体分布式算力调度模型的输入包括多个计算密集型且时延敏感型计算任务信息，任务终端、辅助终端以及边缘计算服务器的计算资源状态，任务终端与可通信的辅助终端和边缘计算服务器之间的无线信道状态，其中，所述计算资源状态为可用算力资源信息。8.根据权利要求6所述的一种分布式算力调度方法，其特征在于，所述卸载模式包括：第一卸载模式：在任务终端处理计算任务；第二卸载模式：卸载到辅助终端处理计算任务；第三卸载模式：卸载到边缘计算服务器处理计算任务。9.根据权利要求6所述的一种分布式算力调度方法，其特征在于，所述多智能体分布式算力调度模型的构建包括以下步骤：基于多个任务终端构建智能体；基于各个计算任务待选择的卸载模式、目标计算节点以及无线信道，构建智能体的动作空间；基于任务终端产生的计算任务的算力需求，各个任务终端、可通信辅助终端、边缘计算服务器的可用算力资源信息，以及任务终端与可通信辅助终端之间的无线信道状态信息，任务终端与边缘服务器之间的无线信道状态信息，构建每一个智能体的...

【专利技术属性】
技术研发人员：朱永东，孙钰坤，张兴，曲鑫，
申请(专利权)人：之江实验室，
类型：发明
国别省市：