边缘算力与边缘网关资源协同管理方法.pdf

《边缘算力与边缘网关资源协同管理方法.pdf》由会员分享，可在线阅读，更多相关《边缘算力与边缘网关资源协同管理方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410006180.8(22)申请日 2024.01.03(71)申请人 福建亿榕信息技术有限公司地址 350003 福建省福州市鼓楼区软件大道89号G区20号楼 申请人 国网信息通信产业集团有限公司(72)发明人 庄莉李强梁懿王秋琳吕君玉叶文良王从陈锴伍臣周陈桂良(74)专利代理机构 广州京诺知识产权代理有限公司 44407专利代理师 陈鼎桂(51)Int.Cl.G06F 9/50(2006.01)(54)发明名称一种边缘算力与边缘网关资源协同管理方法(57)摘要本发明涉及一种边缘算力与边。

2、缘网关资源协同管理方法，包括以下步骤：步骤S1:基于电力数据计算任务特性，将待处理任务分为实时任务和非实时任务；步骤S2:根据任务优先级、计算量大小和任务类型，构建任务分配权重模型；步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据，构建节点权重模型；步骤S4:根据任务分配权重及节点权重模型，基于多层感知器进行任务分配；步骤S5:各节点根据分配到的任务，进一步基于任务分配权重进行资源分配和任务处理。本发明能够有效优化节点资源利用，并提高任务处理效率。权利要求书3页 说明书7页 附图1页CN 117519990 A2024.02.06CN 117519990 A1.一种边缘算力与边缘网关资。

3、源协同管理方法，其特征在于，包括以下步骤：步骤S1:基于电力数据计算任务特性，将待处理任务分为实时任务和非实时任务；步骤S2:根据任务优先级、计算量大小和任务类型，构建任务分配权重模型；步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据，构建节点权重模型；步骤S4:根据任务分配权重及节点权重模型，基于多层感知器进行任务分配；步骤S5:各节点根据分配到的任务，进一步基于任务分配权重进行资源分配和任务处理；所述步骤S2具体为：获取待处理任务优先级以及计算量大小数据；对实时任务集Q和非实时任务集，分别构建任务分配权重:；其中，,分别为实时任务的计算量，优先级和实时任务基础权重；，,分别为非实时。

4、任务的计算量，优先级和非实时任务基础权重；n和m分别为实时任务集Q和非实时任务集任务数量；为第n个实时任务的计算量，为第n个实时任务的优先级；为第n个非实时任务的计算量；为第n个非实时任务优先级；为最大计算量、为最优先级；得到任务分配权重模型；所述节点权重模型，具体为:；其中，表示节点的总资源容量，表示节点当前已使用的资源量，表示节点的基础权重值,下标j表示第j个节点，N为节点数量，分别为节点的CPU、内存和存储的配置值、为分别为CPU、内存和存储对应的权重系数；所述多层感知器包括输入层、隐藏层和输出层；将实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP作为输入特征，则 x_inpu。

5、t =Ws,WF,WP,并设输出为 y_pred；隐藏层包含两个全连接层，每个全连接层有 n1 和 n2 个神经元，输出分别为：h1 =max(0,(W1 x_input +b1)；h2 =1/(1+exp(h1)；权利要求书1/3 页2CN 117519990 A2其中，h1、h2分别为两个全连接层输出；输出层有 m 个节点，表示每个节点的选择概率；y_pred =softmax(W3 h2 +b3)；其中W1、W2、W3 分别是隐藏层和输出层的权重矩阵，b1、b2、b3 是偏置向量。2.根据权利要求1所述的一种边缘算力与边缘网关资源协同管理方法，其特征在于，所述多层感知器训练，具体如下：获。

6、取历史计算任务的实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP，以及分配结果，构建训练集；基于训练集训练多层感知器；使用交叉熵损失函数作为目标函数，计算公式为：；其中，y_true为实际的任务分配结果；使用梯度下降算法来最小化损失函数，通过反向传播更新模型的参数。3.根据权利要求2所述的一种边缘算力与边缘网关资源协同管理方法，其特征在于，所述使用梯度下降算法来最小化损失函数，通过反向传播更新模型的参数，具体为：首先计算损失函数对输出层的权重和偏置的梯度：dW3 =h2 (y_pred y_true)；db3 =y_pred y_true；其中，d表示偏导数；然后计算损失函数对隐藏层。

7、的权重和偏置的梯度：dW2 =f2(W2 h1 +b2)(W3.T (y_pred y_true)h1.T；db2 =f2(W2 h1 +b2)(W3.T (y_pred y_true)；dW1 =f1(W1 x_input +b1)(W2.T (f2(W2 h1 +b2)(W3.T (y_pred y_true)x_input.T；db1 =f1(W1 x_input +b1)(W2.T (f2(W2 h1 +b2)(W3.T (y_pred y_true)；其中，f2表示激活函数f2的导数，f1表示激活函数f1的导数，T表示矩阵的转置操作；最后根据梯度更新模型的参数：W3 =W3 lear。

8、ning_rate dW3；b3 =b3 learning_rate db3；W2 =W2 learning_rate dW2；b2 =b2 learning_rate db2；W1 =W1 learning_rate dW1；b1 =b1 learning_rate db1；其中，learning_rate 是学习率；循环迭代训练，不断更新模型的参数，直至满足预设要求。4.根据权利要求1所述的一种边缘算力与边缘网关资源协同管理方法，其特征在于，通过心跳检测监控节点的状态和健康状况，当节点失效时，触发预警机制，进行任务重新分配，具体的：权利要求书2/3 页3CN 117519990 A3当节点。

9、失效时将该节点上的任务重新分配给其他可用节点;遍历所有可用节点，计算每个节点的负载情况，包括已分配任务数量或资源占用情况，并计算每个节点带宽剩余量以及与失效节点之间的距离；对于每个可用节点，计算其权重与负载的乘积，得到节点资源值；基于每个节点的带宽限制和节点之间的距离，计算得到节点j的接收效率：；其中WPj 和Uj分别表示节点j的权重和负载，表示节点j的带宽、表示节点j与失效节点之间的距离、为负载修正参量、表示带宽修正参量；基于接收效率，选择目标节点。5.一种边缘算力与边缘网关资源协同管理系统，其特征在于，包括边缘计算调度模块，基于电力数据计算任务特性，将待处理任务分为实时任务和非实时任务，并。

10、根据任务优先级、计算量大小和任务类型，构建任务分配权重模型；边缘网关资源管理模块。获取各边缘网关节点相关配置数据以及剩余资源数据，构建节点权重模型；优化调度模块根据任务分配权重及节点权重模型，基于多层感知器进行任务分配。权利要求书3/3 页4CN 117519990 A4一种边缘算力与边缘网关资源协同管理方法技术领域0001本发明涉及边缘算力网络技术领域，尤其涉及一种边缘算力与边缘网关资源协同管理方法。背景技术0002当前电力系统的AI计算框架中，将AI数据集中在算力中心进行处理，往往伴随着高昂的成本。然而，随着边缘设备芯片技术的进步，利用边缘网关调度前端设备的空闲算力，能够有效地分摊计算资源。

11、的负担。然而，现有的边缘计算系统往往无法对AI计算任务进行有效的优化调度。同时，边缘网关资源的利用率也不尽如人意。因此，急需一种能够协同管理AI计算任务与边缘网关资源的技术，以提升整体系统效率。发明内容0003为了解决上述问题，本发明的目的在于提供，协同管理AI计算任务与边缘网关资源，能够有效优化节点资源利用，并提高任务处理效率。0004为实现上述目的，本发明采用以下技术方案：一种边缘算力与边缘网关资源协同管理方法，包括以下步骤：步骤S1:基于电力数据计算任务特性，将待处理任务分为实时任务和非实时任务；步骤S2:根据任务优先级、计算量大小和任务类型，构建任务分配权重模型；步骤S3:获取各边缘网。

12、关节点相关配置数据以及剩余资源数据，构建节点权重模型；步骤S4:根据任务分配权重及节点权重模型，基于多层感知器进行任务分配；步骤S5:各节点根据分配到的任务，进一步基于任务分配权重进行资源分配和任务处理。0005进一步的，所述步骤S2具体为：获取待处理任务优先级以及计算量大小数据；对实时任务集Q和非实时任务集，分别构建任务分配权重:；其中，,分别为实时任务的计算量，优先级和实时任务基础权重；，,分别为非实时任务的计算量，优先级和非实时任务基础权重；n和m分别为实时任务集Q和非实时任务集任务数量；为第n个实时任务的计算量，为第n个实时任务的优先级；说明书1/7 页5CN 117519990 A5。

13、为第n个非实时任务的计算量；为第n个非实时任务优先级；为最大计算量、为最优先级；得到任务分配权重模型。0006进一步的，所述节点权重模型，具体为:；其中，表示节点的总资源容量，表示节点当前已使用的资源量,表示节点的基础权重值,下标j表示第j个节点，N为节点数量，分别为节点的CPU、内存和存储的配置值、为分别为CPU、内存和存储对应的权重系数。0007进一步的，所述多层感知器包括输入层、隐藏层和输出层；将实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP作为输入特征，则 x_input =Ws,WF,WP,并设输出为 y_pred；隐藏层包含两个全连接层，每个全连接层有 n1 和 n2 。

14、个神经元，输出分别为：h1 =max(0,(W1 x_input +b1)；h2 =1/(1+exp(h1)；其中，h1、h2分别为两个全连接层输出；输出层有 m 个节点，表示每个节点的选择概率；y_pred =softmax(W3 h2 +b3)；其中W1、W2、W3 分别是隐藏层和输出层的权重矩阵，b1、b2、b3 是偏置向量。0008进一步的，所述多层感知器训练，具体如下：获取历史计算任务的实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP，以及分配结果，构建训练集；基于训练集训练多层感知器；使用交叉熵损失函数作为目标函数，计算公式为：；其中，y_true为实际的任务分配结果；使。

15、用梯度下降算法来最小化损失函数，通过反向传播更新模型的参数。0009进一步的，所述使用梯度下降算法来最小化损失函数，通过反向传播更新模型的参数，具体为：首先计算损失函数对输出层的权重和偏置的梯度：dW3 =h2 (y_pred y_true)；db3 =y_pred y_true；其中，d表示偏导数；然后计算损失函数对隐藏层的权重和偏置的梯度：dW2 =f2(W2 h1 +b2)(W3.T (y_pred y_true)h1.T；说明书2/7 页6CN 117519990 A6db2 =f2(W2 h1 +b2)(W3.T (y_pred y_true)；dW1=f1(W1 x_input +。

16、b1)(W2.T (f2(W2 h1+b2)(W3.T (y_pred y_true)x_input.T；db1=f1(W1 x_input +b1)(W2.T (f2(W2 h1+b2)(W3.T (y_pred y_true)；其中，f2表示激活函数f2的导数；f1表示激活函数f1的导数；.T表示矩阵的转置操作；最后根据梯度更新模型的参数：W3 =W3 learning_rate dW3；b3 =b3 learning_rate db3；W2 =W2 learning_rate dW2；b2 =b2 learning_rate db2；W1 =W1 learning_rate dW1；b1。

17、 =b1 learning_rate db1；其中，learning_rate 是学习率；循环迭代训练，不断更新模型的参数，直至满足预设要求。0010进一步的，通过心跳检测监控节点的状态和健康状况，当节点失效时，触发预警机制，进行任务重新分配，具体的：当节点失效时将该节点上的任务重新分配给其他可用节点;遍历所有可用节点，计算每个节点的负载情况，包括已分配任务数量或资源占用情况，并计算每个节点带宽剩余量以及与失效节点之间的距离；对于每个可用节点，计算其权重与负载的乘积，得到节点资源值；基于每个节点的带宽限制和节点之间的距离，计算得到节点j的接收效率：0011其中WPj 和Uj分别表示节点j的权重。

18、和负载，表示节点j的带宽、表示节点j与失效节点之间的距离、为负载修正参量、表示带宽修正参量；基于接收效率，选择目标节点。0012一种边缘算力与边缘网关资源协同管理系统，包括边缘计算调度模块，基于电力数据计算任务特性，将待处理任务分为实时任务和非实时任务，并根据任务优先级、计算量大小和任务类型，构建任务分配权重模型；边缘网关资源管理模块。获取各边缘网关节点相关配置数据以及剩余资源数据，构建节点权重模型；优化调度模块根据任务分配权重及节点权重模型，基于多层感知器进行任务分配。0013本发明具有如下有益效果：本发明综合考虑任务优先级、计算量大小和任务类型以及节点剩余，构建了任务分配权重及节点权重模型。

19、，并训练后基于多层感知机模型进行任务分配，能够有效优化节说明书3/7 页7CN 117519990 A7点资源利用，并提高任务处理效率。附图说明0014图1为本发明方法流程图。具体实施方式0015以下结合附图和具体实施例对本发明做进一步详细说明：参考图1，本发明提供一种边缘算力与边缘网关资源协同管理方法，包括以下步骤：步骤S1:基于电力数据计算任务特性，将待处理任务分为实时任务和非实时任务；步骤S2:根据任务优先级、计算量大小和任务类型，构建任务分配权重模型；步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据，构建节点权重模型；步骤S4:根据任务分配权重及节点权重模型，基于多层感知器进行。

20、任务分配；步骤S5:各节点根据分配到的任务，进一步基于任务分配权重进行资源分配和任务处理。0016在本实施例中，步骤S2具体为：获取待处理任务优先级以及计算量大小数据；对实时任务集Q和非实时任务集，分别构建任务分配权重:；其中，,分别为实时任务的计算量，优先级和实时任务基础权重；，,分别为非实时任务的计算量，优先级和非实时任务基础权重；n和m分别为实时任务集Q和非实时任务集任务数量；为第n个实时任务的计算量，为第n个实时任务的优先级；为第n个非实时任务的计算量；为第n个非实时任务优先级；为最大计算量、为最优先级；得到任务分配权重模型。0017在本实施例中，节点权重模型，具体为:；其中，表示节点。

21、的总资源容量，表示节点当前已使用的资源量，表示节点的基础权重值,下标j表示第j个节说明书4/7 页8CN 117519990 A8点，N为节点数量，分别为节点的CPU、内存和存储的配置值、为分别为CPU、内存和存储对应的权重系数。0018优选的，节点的资源剩余比例和权重值需要根据实际情况进行动态更新。当节点的资源使用量发生变化时，需要重新计算节点的资源剩余比例和权重值，以保持负载均衡的效果。0019在本实施例中，多层感知器包括输入层、隐藏层和输出层；将实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP作为输入特征，则 x_input =Ws,WF,WP,并设输出为 y_pred；隐藏层。

22、包含两个全连接层，每个全连接层有 n1 和 n2 个神经元，输出分别为：h1 =max(0,(W1 x_input +b1)；h2 =1/(1+exp(h1)；其中，h1、h2分别为两个全连接层输出；输出层有 m 个节点，表示每个节点的选择概率；y_pred =softmax(W3 h2 +b3)；其中W1、W2、W3 分别是隐藏层和输出层的权重矩阵，b1、b2、b3 是偏置向量。0020在本实施例中，多层感知器训练，具体如下：获取历史计算任务的实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP，以及分配结果，构建训练集；基于训练集训练多层感知器；使用交叉熵损失函数作为目标函数，计算公。

23、式为：；其中，y_true为实际的任务分配结果；使用梯度下降算法来最小化损失函数，通过反向传播更新模型的参数。0021在本实施例中，使用梯度下降算法来最小化损失函数，通过反向传播更新模型的参数，具体为：首先计算损失函数对输出层的权重和偏置的梯度：dW3 =h2 (y_pred y_true)；db3 =y_pred y_true；然后计算损失函数对隐藏层的权重和偏置的梯度：dW2 =f2(W2 h1 +b2)(W3.T (y_pred y_true)h1.T；db2 =f2(W2 h1 +b2)(W3.T (y_pred y_true)；dW1=f1(W1 x_input +b1)(W2.T 。

24、(f2(W2 h1+b2)(W3.T (y_pred y_true)x_input.T；db1=f1(W1 x_input +b1)(W2.T (f2(W2 h1+b2)(W3.T (y_pred y_true)；其中，f2表示激活函数f2的导数；f1表示激活函数f1的导数；.T表示矩阵的转置操作；最后根据梯度更新模型的参数：说明书5/7 页9CN 117519990 A9W3 =W3 learning_rate dW3；b3 =b3 learning_rate db3；W2 =W2 learning_rate dW2；b2 =b2 learning_rate db2；W1 =W1 learn。

25、ing_rate dW1；b1 =b1 learning_rate db1；其中，learning_rate 是学习率；循环迭代训练，不断更新模型的参数，直至满足预设要求。0022在本实施例中，通过心跳检测监控节点的状态和健康状况，当节点失效时，触发预警机制，进行任务重新分配，具体的：当节点失效时将该节点上的任务重新分配给其他可用节点;遍历所有可用节点，计算每个节点的负载情况，包括已分配任务数量或资源占用情况，并计算每个节点带宽剩余量以及与失效节点之间的距离；对于每个可用节点，计算其权重与负载的乘积，得到节点资源值；基于每个节点的带宽限制和节点之间的距离，计算得到节点j的接收效率：0023其中。

26、WPj 和Uj分别表示节点j的权重和负载，表示节点j的带宽、表示节点j与失效节点之间的距离、为负载修正参量、表示带宽修正参量；基于接收效率，选择目标节点。0024本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CDROM、光学存储器等）上实施的计算机程序产品的形式。0025本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和 或方框图来描述的。应理解可由。

27、计算机程序指令实现流程图和 或方框图中的每一流程和 或方框、以及流程图和 或方框图中的流程和 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和 或方框图一个方框或多个方框中指定的功能的装置。0026这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 或方框图一个方框或多个方。

28、框中指定的功能。0027这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和 或方框图一说明书6/7 页10CN 117519990 A10个方框或多个方框中指定的功能的步骤。0028以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。说明书7/7 页11CN 117519990 A11图 1说明书附图1/1 页12CN 117519990 A12。