多层次算力网络任务调度方法及装置制造方法及图纸

本申请公开了一种多层次算力网络任务调度方法及装置。其中，该方法包括：获取多个用户设备、多个边缘计算节点、云服务器的状态信息，获取多个待处理任务的任务信息，构建第一状态矢量；利用任务调度模型对第一状态矢量进行分析，得到包括任务卸载策略、带宽资源分配策略和计算资源分配策略的目标调度策略，任务调度模型利用强化学习算法训练得到，训练中依据用户设备本地处理任务的第一代价、任务卸载至边缘计算节点处理的第二代价、任务卸载至云服务器处理的第三代价的平均代价确定奖励函数；依据目标调度策略对多个待处理任务进行调度。本申请解决了边缘计算场景中针对大量任务、计算资源和无线资源缺乏高效的管理和协同方案的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
多层次算力网络任务调度方法及装置


[0001]本申请涉及无线通信
，具体而言，涉及一种多层次算力网络任务调度方法及装置。

技术介绍

[0002]多层次算力网络融合了云计算、边缘计算等技术，针对用户计算密集型或时延敏感型的任务，可以采用不同的调度方式，适用于多种业务场景。然而，多层次算力网络在任务调度方面具有巨大优势的同时，也给网络管理带来了挑战，如网络、资源管理和移动性管理方面的异构性；新兴的软件定义网络将网络设备的功能划分为控制平面和数据平面，提供了一种灵活的集中式网络管理，有利于边缘计算和缓存；同时，网络功能虚拟化对一般计算机硬件进行虚拟化，缓存、计算和通信功能开始融合，这些都使计算资源和无线资源的高效管理和协同成为算力网络面临的挑战。
[0003]目前，大量算力网络模型都是从单个用户的角度研究计算卸载问题，而对多用户计算卸载情况的研究工作仍然有限。同时，由于大多数无线网络都是多信道形式的，因此在多用户卸载的情况下，如何实现多用户之间的无线接入和高效协调，以减少共享一组公共信道所造成的相互干扰是一个关键性问题。此外，现有的算力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多层次算力网络任务调度方法，其特征在于，包括：获取多层次算力网络中多个用户设备的第一状态信息、多个边缘计算节点的第二状态信息和云服务器的第三状态信息，并获取每个用户设备的待处理任务的任务信息；依据所述第一状态信息、所述第二状态信息、所述第三状态信息和所述任务信息构建第一状态矢量；利用预训练的任务调度模型对所述第一状态矢量进行分析，得到目标调度策略，其中，所述任务调度模型是利用强化学习算法训练得到，训练中依据目标卸载代价确定奖励函数，所述目标卸载代价为用户设备本地处理待处理任务的第一代价、将待处理任务卸载至边缘计算节点处理的第二代价、将待处理任务卸载至云服务器处理的第三代价的平均代价；依据所述目标调度策略对多个所述待处理任务进行调度，其中，所述目标调度策略中包括：任务卸载策略、带宽资源分配策略和计算资源分配策略。2.根据权利要求1所述的方法，其特征在于，所述第一状态信息至少包括：各个用户设备的计算资源、各个用户设备与对应的边缘计算节点之间的信道参数；所述第二状态信息至少包括：各个边缘计算节点的带宽资源、带宽资源分配状态、计算资源、计算资源分配状态；所述第三状态信息至少包括：云服务器的计算资源；所述任务信息至少包括：各个待处理任务的任务标识、任务类型和任务大小。3.根据权利要求1所述的方法，其特征在于，所述任务调度模型的训练过程包括：构建初始模型，其中，所述初始模型中包括：任务卸载子模型、带宽资源分配子模型和计算资源分配子模型；获取多个训练样本，其中，每个所述训练样本中包括所述多层次算力网络在一个历史任务时隙内的多个用户设备的第一历史状态信息、历史任务信息、多个边缘计算节点的第二历史状态信息和云服务器的第三历史状态信息；确定迭代次数和训练批次大小；依据所述迭代次数和所述训练批次大小，将所述多个训练样本输入所述初始模型进行迭代训练，得到所述任务调度模型。4.根据权利要求3所述的方法，其特征在于，将所述多个训练样本输入所述初始模型进行迭代训练，包括：对于每个训练样本，依据所述训练样本中的所述第一历史状态信息、所述历史任务信息、所述第二历史状态信息和所述第三历史状态信息确定所述奖励函数，并构建第二状态矢量；将所述第二状态矢量输入所述任务卸载子模型，得到所述任务卸载子模型基于ε
‑
greedy算法预测得到的最佳卸载策略和所述最佳卸载策略对应的第一Q值，并从所有卸载策略对应的Q值中确定第一最大Q值，依据所述第一Q值、所述第一最大Q值和所述奖励函数确定所述任务卸载子模型的第一损失函数；依据所述最佳卸载策略对应的各个边缘计算节点的第二历史状态信息构建第三状态矢量；
将所述第三状态矢量输入所述带宽资源分配子模型，得到所述带宽资源分配子模型基于ε
‑
greedy算法预测得到的最佳带宽资源分配策略和所述最佳带宽资源分配策略对应的第二Q值，并从所有带宽资源分配策略对应的Q值中确定第二最大Q值，依据所述第二Q值、所述第二最大Q值和所述奖励函数确定所述带宽资源分配子模型的第二损失函数；将所述第三状态矢量输入所述计算资源分配子模型，得到所述计算资源分配子模型基于ε
‑
greedy算法预测得到的最佳计算资源分配策略和所述最佳计算资源分配策略对应的第三Q值，并从所有计算资源分配策略对应的Q值中确定第三最大Q值，依据所述第三Q值、所述第三最大Q值和所述奖励函数确定所述计算资源分配子模型的第三损失函数；迭代训练过程中，依据所述第一损失函数、所述第二损失函数和所述第三损失函数调整所述初始模型法的模...

【专利技术属性】
技术研发人员：张诗杭，张妍，申清华，赵建英，叶平，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：