基于边缘计算的多联接场景智能切换系统及方法技术方案

本发明专利技术公开了基于边缘计算的多联接场景智能切换系统及方法，涉及边缘计算数据处理技术领域，通过预先收集各个边缘计算设备的历史任务分配信息以及历史网络波动信息，根据历史任务分配信息以及历史网络波动信息训练出在新任务产生时，对每台边缘计算设备进行子任务分配决策的深度强化学习模型，在新任务产生时，生成任务的设备使用深度强化学习模型决策向各个边缘计算设备发送的子任务的数据量，生成任务的设备实时监测与边缘计算设备的连接关系，并与边缘计算设备断开连接后，切换边缘计算设备，以处理对应的子任务；智能化的切换边缘计算设备对子任务进行处理，保障任务处理的流畅性和同步性。的流畅性和同步性。的流畅性和同步性。

【技术实现步骤摘要】
基于边缘计算的多联接场景智能切换系统及方法


[0001]本专利技术属于边缘计算数据处理
，具体是基于边缘计算的多联接场景智能切换系统及方法。

技术介绍

[0002]边缘计算作为一种新型的计算模式，主要是指利用靠近数据源的计算节点来进行数据处理和计算任务的执行，这种方式在许多场景中能够有效地提高计算效率和任务处理速度。同时，随着用户对于移动设备和物联网设备的使用增多，多联接场景的应用越来越广泛。在多联接场景中，边缘计算设备在执行任务的过程中可能会发生连接断开的情况，这将导致当前任务的处理无法进行下去，影响任务的处理流畅性和同步性。
[0003]为了解决这个问题，本专利技术提出一种基于边缘计算的多联接场景智能切换系统及方法。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于边缘计算的多联接场景智能切换系统及方法，该基于边缘计算的多联接场景智能切换系统及方法智能化的切换边缘计算设备对子任务进行处理，保障任务处理的流畅性和同步性。
[0005]为实现上述目的，根据本专利技术的实施例1提出基于边缘计算的多联接场景智能切换系统，包括历史分配数据收集模块、分配模型训练模块、任务分配模块、网络监测模块以及智能切换模块；其中，各个模块之间通过电气和/或无线网络方式连接；
[0006]其中，所述历史分配数据收集模块主要用于预先收集各个边缘计算设备的历史任务分配信息以及历史网络波动信息；
[0007]所述历史任务分配信息为预先收集的历史上，每个新任务产生时，每台边缘计算设备执行的子任务集合、剩余的实时算力以及剩余内存空间大小；所述历史任务分配信息还包含在新任务经由生成该任务的设备划分为若干子任务后，每台边缘计算设备距离生成该任务的设备的距离以及分配到的子任务的数据量；
[0008]其中，所述历史网络波动信息包括每台边缘计算设备的实时网络延迟曲线以及实时丢包率曲线；每台边缘计算设备每隔预设的测试周期，向云平台发送若干测试数据包，计算云平台未响应的测试数据包的数量以及对测试数据包的平均响应时长；其中，平均响应时长即为网络延迟，每次云平台未响应的测试数据包的数量占边缘计算设备发送的测试数据包总数的比率即为丢包率；
[0009]其中，网络延迟是指数据从发送端发送到接收端所需的时间，延迟越高说明网络波动越大；丢包率是指数据在传输过程中丢失的比例，丢包率越高说明网络波动越大；
[0010]所述历史分配数据收集模块将历史任务分配信息以及历史网络波动信息发送至分配模型训练模块；
[0011]其中，所述分配模型训练模块主要用于根据历史任务分配信息以及历史网络波动
信息训练出在新任务产生时，对每台边缘计算设备进行子任务分配决策的深度强化学习模型；
[0012]所述分配模型训练模块训练出在新任务产生时，对每台边缘计算设备进行子任务分配决策的深度强化学习模型的方式为：
[0013]将任务的编号标记为i，将边缘计算设备的编号标记为j，将任务i分配到边缘计算设备j的子任务的数据量标记为Nij；将每个任务i的总数据量标记为Ni；计算出每个边缘计算设备j的子任务历史分配比例Hj；其中，子任务历史分配比例Hj的计算公式为其中，I为任务的总数；
[0014]将新任务标记为i1，在新任务i1产生时，将边缘计算设备j的实时剩余算力、剩余内存、实时网络延迟以及实时丢包率分别标记为Cj、Mj、Wj以及Lj，将边缘计算设备j与生成新任务i1的设备的距离标记为Dj；
[0015]计算每个边缘计算设备j历史的网络波动率Bj；其中，历史的网络波动率Bj的计算方式为：
[0016]根据边缘计算设备j的历史的实时网络延迟曲线，计算所有测试周期中，边缘计算设备j的网络延迟的方差值FYj；
[0017]根据边缘计算设备j的历史的丢包率曲线，计算所有测试周期中，边缘计算设备j的丢包率的平均值FDj；
[0018]则历史的网络波动率Bj＝a1*FYj+a2*FDj；其中，a1和a2分别为预设的大于0的比例系数；
[0019]在历史的任务分配过程中，每个新任务i1产生时：
[0020]以每台边缘计算设备j的实时剩余算力Cj、剩余内存Mj、实时网络延迟Wj以及实时丢包率Lj作为初始状态；
[0021]以每个新任务i1生成后，向各个边缘计算设备j分配的子任务的数据量N(i1)j作为选择的动作；
[0022]在每个新任务i1生成后，计算新任务i1选择的动作所产生的奖励值Q；奖励值Q的计算公式为：
[0023]当新任务i1分配的子任务的总数据量不等于新任务i1的数据量时，将奖励值Q设置为
‑
MAX；其中MAX为预设的最大奖励值；该设置可以保证每个新生成的任务可以将待处理的数据量全部进行分配；
[0024]当分配的子任务的总数据量等于新任务i1的数据量时，奖励值Q的计算公式为其中，β1、β2、β3、β4、β5以及β6；
[0025]每个新任务i1向各个边缘计算设备j分配子任务后，每个边缘计算设备的实时剩余算力、剩余内存、实时网络延迟以及实时丢包率作为下一个状态；
[0026]则对于每个新任务i1，将其<初始状态、选择的动作、奖励值Q、下一个状态>作为四元组；
[0027]所有历史上每个新任务i1的四元组共同组成第一四元组集合；
[0028]将四元组集合作为深度强化学习模型的输入，该深度强化学习模型通过从四元组集合中随机抽取若干四元组进行训练，学习在不同的初始状态下，选择向各个边缘计算设备发送的子任务的数据量，以获得最大奖励值Q的策略；将该深度强化学习模型标记为X；
[0029]所述分配模型训练模块将深度强化学习模型标记X发送至每台生成新任务的设备中的任务分配模块；
[0030]其中，所述任务分配模块主要用于在新任务产生时，生成任务的设备使用深度强化学习模型决策向各个边缘计算设备发送的子任务的数据量；
[0031]所述任务分配模块向各个边缘计算设备发送的子任务的数据量的方式为：
[0032]在深度强化学习模型X训练完成后，有新任务生成时，生成新任务的设备收集当前时刻各个边缘计算设备的实时剩余算力、剩余内存、实时网络延迟以及实时丢包率作为初始状态，并将初始状态输入至深度强化学习模型X中，获得由深度强化学习模型X输出的向各个边缘计算设备的分配的子任务的数据量的决策；
[0033]所述任务分配模块将输出的决策发送至智能切换模块；
[0034]其中，所述网络监测模块主要用于实时监测生成任务的设备与边缘计算设备的连接关系；
[0035]所述网络监测模块实时监测生成任务的设备与边缘计算设备的连接关系的方式为：
[0036]将边缘计算设备j实时处理的子任务集合标记为Rj，边缘计算设备j每隔预设的连接周期向子任务集合Rj中的每个子任务的生成对应任务的设备发送心跳包，若生成任务的设备在预设的Z个连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘计算的多联接场景智能切换系统，其特征在于，包括历史分配数据收集模块、分配模型训练模块、任务分配模块、网络监测模块以及智能切换模块；其中，各个模块之间通过电气和/或无线网络方式连接；所述历史分配数据收集模块用于预先收集各个边缘计算设备的历史任务分配信息以及历史网络波动信息，并将历史任务分配信息以及历史网络波动信息发送至分配模型训练模块；所述分配模型训练模块用于根据历史任务分配信息以及历史网络波动信息训练出在新任务产生时，对每台边缘计算设备进行子任务分配决策的深度强化学习模型，并将深度强化学习模型标记X发送至每台生成新任务的设备中的任务分配模块；所述任务分配模块用于在新任务产生时，生成任务的设备使用深度强化学习模型决策向各个边缘计算设备发送的子任务的数据量了，并将输出的决策发送至智能切换模块；所述网络监测模块用于实时监测生成任务的设备与边缘计算设备的连接关系；当网络监测模块判定与边缘计算设备j断开连接后，向智能切换模块发送任务切换信息；所述智能切换模块用于在与边缘计算设备断开连接后，切换边缘计算设备，以处理对应的子任务。2.根据权利要求1所述的基于边缘计算的多联接场景智能切换系统，其特征在于，所述历史任务分配信息为预先收集的历史上，每个新任务产生时，每台边缘计算设备执行的子任务集合、剩余的实时算力以及剩余内存空间大小；所述历史任务分配信息还包含在新任务经由生成该任务的设备划分为若干子任务后，每台边缘计算设备距离生成该任务的设备的距离以及分配到的子任务的数据量。3.根据权利要求2所述的基于边缘计算的多联接场景智能切换系统，其特征在于，所述历史网络波动信息包括每台边缘计算设备的实时网络延迟曲线以及实时丢包率曲线；每台边缘计算设备每隔预设的测试周期，向云平台发送若干测试数据包，计算云平台未响应的测试数据包的数量以及对测试数据包的平均响应时长；其中，平均响应时长为网络延迟，每次云平台未响应的测试数据包的数量占边缘计算设备发送的测试数据包总数的比率为丢包率。4.根据权利要求1所述的基于边缘计算的多联接场景智能切换系统，其特征在于，所述分配模型训练模块训练出在新任务产生时，对每台边缘计算设备进行子任务分配决策的深度强化学习模型的方式为：将任务的编号标记为i，将边缘计算设备的编号标记为j，将任务i分配到边缘计算设备j的子任务的数据量标记为Nij；将每个任务i的总数据量标记为Ni；计算出每个边缘计算设备j的子任务历史分配比例Hj；其中，子任务历史分配比例Hj的计算公式为其中，I为任务的总数；将新任务标记为i 1，在新任务i 1产生时，将边缘计算设备j的实时剩余算力、剩余内存、实时网络延迟以及实时丢包率分别标记为Cj、Mj、Wj以及Lj，将边缘计算设备j与生成新任务i 1的设备的距离标记为Dj；计算每个边缘计算设备j历史的网络波动率Bj；在历史的任务分配过程中，每个新任务i1产生时，构造出四元组；
所有历史上每个新任务i 1的四元组共同组成第一四元组集合；将四元组集合作为深度强化学习模型的输入，该深度强化学习模型通过从四元组集合中随机抽取若干四元组进行训练，学习在不同的初始状态下，选择向各个边缘计算设备发送的子任务的数据量，以获得最大奖励值Q的策略；将该深度强化学习模型标记为X。5.根据权利要求4所述的基于边缘计算的多联接场景智能切换系统，其特征在于，历史的网络波动率Bj的计算方式为：根据边缘计算设备j的历史的实时网络延迟曲线，计算所有测试周期中，边缘计算设备j的网络延迟的方差值FYj；根据边缘计算设备j的历史的丢包率...

【专利技术属性】
技术研发人员：罗添元，
申请(专利权)人：北京汇能天下科技发展有限公司，
类型：发明
国别省市：