本发明专利技术提供了一种通算融合的分布式资源协同调度方法、装置、设备及介质，包括：获取与通算融合的网络场景对应的分布式计算卸载通信模型与分布式计算卸载计算模型；基于所述分布式计算卸载通信模型与分布式计算卸载计算模型确定分布式算力负载均衡模型；根据所述分布式算力负载均衡模型将算力协同调度过程建模为马尔可夫决策过程；利用预设的分布式算力调度算法对所述马尔可夫决策过程进行求解，获得卸载服务策略；其中，所述预设的分布式算力调度算法为基于MADDPG的分布式算力调度算法。本发明专利技术能够在保证用户体验的条件下，维持网络中的节点负载均衡，有一定的有效性和可拓展性。性。性。
【技术实现步骤摘要】
通算融合的分布式资源协同调度方法、装置、设备及介质
[0001]本专利技术涉及物联网
，尤其涉及一种通算融合的分布式资源协同调度方法、装置、设备及介质。
技术介绍
[0002]目前，为应对物联网、移动互联网等新兴业务场景所产生的爆炸流量需求，将各类通信、计算和存储等资源转移到云中已成为一个重要趋势。然而，移动智能设备所产生的计算任务种类的快速增加，对计算请求的高效卸载和网络资源的合理分配构成了挑战。单一的网络架构已无法满足多样性业务需求。考虑到网络设施的迭代成本和服务覆盖范围，单一的网络结构还面临适用范围受限、网络资源利用率低等一系列问题，难以支持应用场景不断更新所产生的计算需求。
[0003]随着高密度异构网络引入，移动智能设备处理计算任务的方式已不再局限于附近算力节点，而是综合考虑系统中各个节点的负载状况、任务传输成本等因素，选择最佳节点对用户端产生的计算请求进行处理，从而较好平衡网络中各节点负载。所以目前急需一种高效的服务卸载策略，使得算力节点间的协同工作既可以满足用户端的需求，也能保持网络负载均衡，并实现网络资源的充分利用。
技术实现思路
[0004]本专利技术的实施例提供了一种通算融合的分布式资源协同调度方法、装置、设备及介质，以克服现有技术的缺陷。
[0005]为了实现上述目的，本专利技术采取了如下技术方案。
[0006]第一方面，本专利技术提供一种通算融合的分布式资源协同调度方法，包括：获取与通算融合的网络场景对应的分布式计算卸载通信模型与分布式计算卸载计算模型；
[0007]基于所述分布式计算卸载通信模型与分布式计算卸载计算模型确定分布式算力负载均衡模型；
[0008]根据所述分布式算力负载均衡模型将算力协同调度过程建模为马尔可夫决策过程；
[0009]利用预设的分布式算力调度算法对所述马尔可夫决策过程进行求解，获得卸载服务策略；其中，所述预设的分布式算力调度算法为基于MADDPG的分布式算力调度算法。
[0010]可选地，所述获取与通算融合的网络场景对应的分布式计算卸载通信模型与分布式计算卸载计算模型，包括：
[0011]根据通算融合的网络场景中用户端所在的当前算力节点对应的负载情况，确定用户端中每一计算任务所对应的数据传输速率，并将确定的数据传输速率作为分布式计算卸载通信模型；
[0012]根据用户端的计算能力确定计算任务是否在本地处理；
[0013]在确定计算任务在本地处理的情况下，根据计算任务的时延与能耗计算得到第一
成本；
[0014]在确定计算任务不在本地处理的情况下，根据用户端所在的当前算力节点所对应的计算能力确定计算任务是否在当前算力节点进行处理；
[0015]在确定计算任务在当前算力节点进行处理的情况下，根据计算任务的时延与能耗、数据传输至当前算力节点所对应的时延与能耗计算得到第二成本；
[0016]在确定计算任务不在当前算力节点进行处理的情况下，根据计算任务的时延与能耗、数据传输至当前算力节点所对应的时延与能耗、数据传输至远程算力节点所对应的时延与能耗计算得到第三成本；
[0017]根据所述第一成本、所述第二成本以及所述第三成本确定分布式计算卸载计算模型。
[0018]可选地，所述基于所述分布式计算卸载通信模型与分布式计算卸载计算模型确定分布式算力负载均衡模型，包括：
[0019]根据用户端所在的当前算力节点的计算能力以及通算融合的网络场景中所有算力节点对应的计算能力计算得到当前算力节点的负载系数与负载均衡系数；
[0020]根据所述分布式计算卸载通信模型、分布式计算卸载计算模型、当前算力节点的负载系数与负载均衡系数确定分布式算力负载均衡模型。
[0021]可选地，所述根据所述分布式算力负载均衡模型将算力协同调度过程建模为马尔可夫决策过程，包括：
[0022]为M个节点算力控制器设定系统状态空间；
[0023]为N个用户端的计算任务所对应的卸载决策设定行为空间；
[0024]根据所述系统状态空间与所述行为空间设定奖励函数，所述奖励函数用于表征在系统负载均衡的前提下，实现每一个计算任务的时延和能耗综合开销最小化。
[0025]可选地，所述利用预设的分布式算力调度算法对所述马尔可夫决策过程进行求解，获得卸载服务策略，包括：
[0026]S1，对预设的分布式算力调度算法所涉及到的参数进行初始化，获得初始化参数，所述初始化参数包括初始化M个节点算力控制器的参数、初始化actor网络、初始化critic网络、初始化用于动作探索的随机变量N
t
以及接收各个智能体的状态信息作为初始状态s＝(s1,s2...s
M
)；
[0027]S2，基于初始化参数，智能体进行动作探索，以获得实时奖励和新的环境状态；
[0028]S3，利用经验回放机制将旧的环境状态、多智能体联合动作、实时奖励以及新的环境状态存入回放记忆库中，并从回放记忆库中抽取样本；
[0029]S4，根据抽取的样本对初始化actor网络、初始化critic网络中的参数进行更新；
[0030]重复执行S2
‑
S4，直到达到预设的条件，从而获得训练好的actor网络与critic网络，并基于训练好的actor网络与critic网络获得卸载服务策略。
[0031]可选地，所述通算融合的网络场景包括用户端、基站、节点算力控制器以及算力感知器；
[0032]所述节点算力控制器分别与所述基站、所述用户端以及所述算力感知器通信连接；每一节点算力控制器对应有多个用户端，所述节点算力控制器以及与所述节点算力控制器对应的多个用户端组成算力节点。
[0033]第二方面，本专利技术还提供一种通算融合的分布式资源协同调度装置，包括：
[0034]通信模型与计算模型获取模块，用于获取与通算融合的网络场景对应的分布式计算卸载通信模型与分布式计算卸载计算模型；
[0035]负载均衡模型确定模块，用于基于所述分布式计算卸载通信模型与分布式计算卸载计算模型确定分布式算力负载均衡模型；
[0036]过程转化模块，用于根据所述分布式算力负载均衡模型将算力协同调度过程建模为马尔可夫决策过程；
[0037]求解模块，用于利用预设的分布式算力调度算法对所述马尔可夫决策过程进行求解，获得卸载服务策略；其中，所述预设的分布式算力调度算法为基于MADDPG的分布式算力调度算法。
[0038]第三方面，本专利技术还提供一种电子设备，包括存储器和处理器，处理器和存储器相互通信，存储器存储有可被处理器执行的程序指令，处理器调用程序指令执行如上的通算融合的分布式资源协同调度方法。
[0039]第四方面，本专利技术还提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如上的通算融合的分布式资源协同调度方法。
[0040]本专利技术有益效果：本专利技术提供的通算融合的分布式本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种通算融合的分布式资源协同调度方法，其特征在于，包括：获取与通算融合的网络场景对应的分布式计算卸载通信模型与分布式计算卸载计算模型；基于所述分布式计算卸载通信模型与分布式计算卸载计算模型确定分布式算力负载均衡模型；根据所述分布式算力负载均衡模型将算力协同调度过程建模为马尔可夫决策过程；利用预设的分布式算力调度算法对所述马尔可夫决策过程进行求解，获得卸载服务策略；其中，所述预设的分布式算力调度算法为基于MADDPG的分布式算力调度算法。2.根据权利要求1所述的通算融合的分布式资源协同调度方法，其特征在于，所述获取与通算融合的网络场景对应的分布式计算卸载通信模型与分布式计算卸载计算模型，包括：根据通算融合的网络场景中用户端所在的当前算力节点对应的负载情况，确定用户端中每一计算任务所对应的数据传输速率，并将确定的数据传输速率作为分布式计算卸载通信模型；根据用户端的计算能力确定计算任务是否在本地处理；在确定计算任务在本地处理的情况下，根据计算任务的时延与能耗计算得到第一成本；在确定计算任务不在本地处理的情况下，根据用户端所在的当前算力节点所对应的计算能力确定计算任务是否在当前算力节点进行处理；在确定计算任务在当前算力节点进行处理的情况下，根据计算任务的时延与能耗、数据传输至当前算力节点所对应的时延与能耗计算得到第二成本；在确定计算任务不在当前算力节点进行处理的情况下，根据计算任务的时延与能耗、数据传输至当前算力节点所对应的时延与能耗、数据传输至远程算力节点所对应的时延与能耗计算得到第三成本；根据所述第一成本、所述第二成本以及所述第三成本确定分布式计算卸载计算模型。3.根据权利要求1所述的通算融合的分布式资源协同调度方法，其特征在于，所述基于所述分布式计算卸载通信模型与分布式计算卸载计算模型确定分布式算力负载均衡模型，包括：根据用户端所在的当前算力节点的计算能力以及通算融合的网络场景中所有算力节点对应的计算能力计算得到当前算力节点的负载系数与负载均衡系数；根据所述分布式计算卸载通信模型、分布式计算卸载计算模型、当前算力节点的负载系数与负载均衡系数确定分布式算力负载均衡模型。4.根据权利要求1所述的通算融合的分布式资源协同调度方法，其特征在于，所述根据所述分布式算力负载均衡模型将算力协同调度过程建模为马尔可夫决策过程，包括：为M个节点算力控制器设定系统状态空间；为N个用户端的计算任务所对应的卸载决策设定行为空间；根据所述系统状态空间与所述行为空间设定奖励函数，所述奖励函数用于表征在系统负载均衡的前提下，实现每一个计算任务的时延和能耗综合开销最小化。5.根据权利要求1所述的通算融合的分布式资...
【专利技术属性】
技术研发人员：张维庭，王洪超，杨冬，代嘉宁，孙呈蕙，张宏科，
申请(专利权)人：北京交通大学，
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。