任务卸载的控制方法和系统与流程

本发明实施例涉及物联网技术领域，尤其涉及一种任务卸载的控制方法和系统。

背景技术：

随着互联网和移动边缘计算的迅猛发展，边缘终端设备的数量迅速增加，同时边缘终端设备所产生数据量已达到泽字节(zb)级别。

在现有技术中，是通过集中式数据处理的方式对任务卸载请求进行处理的。

然而，发明人在实现本发明的过程中，发现通过集中式数据处理方式对任务卸载请求进行处理，至少存在：数据处理时间长，且精度不高的技术弊端。

技术实现要素：

本发明所要解决的技术问题是针对现有技术中所存在的上述缺陷，提供一种任务卸载的控制方法和系统，用以解决现有技术中存在数据处理时间长，且精度不高的问题。

根据本发明实施例的一个方面，本发明实施例提供了一种任务卸载的控制方法，包括：

对获取到的任务卸载请求进行分析，得到卸载任务；

将所述卸载任务进行拆分，得到多个子任务；

将所述多个子任务分配至预设的多个卸载边缘服务器，以便通过所述多个卸载边缘服务器对所述多个子任务进行卸载处理。

进一步地，所述对获取到的任务卸载请求进行分析，得到卸载任务，包括：

根据预设的第一迭代分析规则对任务卸载请求进行迭代分析处理，得到多个任务卸载信息；

对多个所述任务卸载信息进行汇总处理，得到请求信息；

根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理，得到所述卸载任务。

进一步地，所述根据预设的第一迭代分析规则对任务卸载请求进行迭代分析处理，得到多个任务卸载信息，包括：

根据预设的多层卷积神经网络模型对所述任务卸载请求中的第一待卸载任务进行分析，得到与其对应的第一任务卸载信息；

根据所述第一待卸载任务和预设的迭代参数确定所述任务卸载请求中的第二待卸载任务；

根据所述多层卷积神经网络模型对所述第二待卸载任务进行分析，得到与其对应的第二任务卸载信息。

进一步地，所述根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理，得到所述卸载任务，包括：

判断所述第一任务卸载信息是否满足预设的深度分析评价条件，得到判断结果；

如果所述判断结果为否，则根据所述第一任务卸载信息和所述迭代参数确定所述第二任务卸载信息；

根据所述多层卷积神经网络模型对所述第二任务卸载信息进行分析，得到与所述第二任务卸载信息对应的第二卸载信息；

其中，所述卸载任务包括所述第二卸载信息。

进一步地，所述判断所述第一任务卸载信息是否满足预设的深度分析评价条件，包括：

根据式1判断所述第一任务卸载信息是否满足所述深度分析评价条件，式1：

其中，为所述第一任务卸载信息对应的卸载时延，为所述第一任务卸载信息对应的宽带能耗成本，为所述第一任务卸载信息对应的卸载能耗均衡度，m，n和q分别为预设参数。

进一步地，所述根据所述多层卷积神经网络模型对所述第二任务卸载信息进行分析，得到与所述第二任务卸载信息对应的第二卸载信息，包括：

根据式2确定所述第二卸载信息式2：

其中，

其中，为所述第一任务卸载信息对应的第一卸载信息，为所述第二任务卸载信息对应的卸载时延，为所述第二任务卸载信息对应的宽带能耗成本，为所述第一任务卸载信息对应的卸载能耗均衡度，为所述第二任务卸载信息对应的深度强化学习因子，l^ming为历史最小卸载时延，c^ming为历史最小宽带能耗成本，w^maxg为所述历史最大下载能耗均衡度。

进一步地，所述将所述多个子任务分配至预设的多个卸载边缘服务器，包括：

根据预设的负载均衡调度算法将每个所述子任务分配至与其对应的所述卸载边缘服务器。

进一步地，所述根据预设的负载均衡调度算法将每个所述子任务分配至与其对应的所述卸载边缘服务器，包括：

获取每个所述子任务的需求负载，并获取每个所述卸载边缘服务器剩余负载；

响应于第一子任务被分配的第一卸载边缘服务器的剩余负载小于所述第一子任务的需求负载，将所述第一子任务迁移至第二卸载边缘服务器，其中，所述第二卸载边缘服务器的剩余资源大于或等于所述第一子任务的需求负载。

进一步地，所述第二卸载边缘服务器的剩余资源大于任一卸载边缘服务器的剩余资源。

根据本公开实施例的另一个方面，本公开实施例还提供了一种任务卸载的控制系统，包括：

分析模块，用于对获取到的任务卸载请求进行分析，得到卸载任务；

拆分模块，用于将所述卸载任务进行拆分，得到多个子任务；

分配模块，用于将所述多个子任务分配至预设的多个卸载边缘服务器，以便通过所述多个卸载边缘服务器对所述多个子任务进行卸载处理。

进一步地，所述分析模块具体用于：

根据预设的第一迭代分析规则对任务卸载请求进行迭代分析处理，得到多个任务卸载信息；

对多个所述任务卸载信息进行汇总处理，得到请求信息；

根据预设的第二迭代分析规则对所述请求信息进行迭代分析处理，得到所述卸载任务。

进一步地，所述分析模块具体用于：

根据预设的多层卷积神经网络模型对所述任务卸载请求中的第一待卸载任务进行分析，得到与其对应的第一任务卸载信息；

根据所述第一待卸载任务和预设的迭代参数确定所述任务卸载请求中的第二待卸载任务；

根据所述多层卷积神经网络模型对所述第二待卸载任务进行分析，得到与其对应的第二任务卸载信息。

进一步地，所述分析模块具体用于：

判断所述第一任务卸载信息是否满足预设的深度分析评价条件，得到判断结果；

如果所述判断结果为否，则根据所述第一任务卸载信息和所述迭代参数确定所述第二任务卸载信息；

根据所述多层卷积神经网络模型对所述第二任务卸载信息进行分析，得到与所述第二任务卸载信息对应的第二卸载信息；

其中，所述卸载任务包括所述第二卸载信息。

进一步地，所述分配模块具体用于：

根据预设的负载均衡调度算法将每个所述子任务分配至与其对应的所述卸载边缘服务器。

进一步地，所述分配模块具体用于：

获取每个所述子任务的需求负载，并获取每个所述卸载边缘服务器剩余负载；

响应于第一子任务被分配的第一卸载边缘服务器的剩余负载小于所述第一子任务的需求负载，将所述第一子任务迁移至第二卸载边缘服务器，其中，所述第二卸载边缘服务器的剩余资源大于或等于所述第一子任务的需求负载。

本发明实施例的有益效果在于，由于采用了对获取到的任务卸载请求进行分析，得到卸载任务，将卸载任务进行拆分，得到多个子任务，将多个子任务分配至预设的多个卸载边缘服务器，以便通过多个卸载边缘服务器对多个子任务进行卸载处理的技术方案，避免了现有技术中数据处理时间长，且精确度不高的技术问题，实现了高效且精准的对数据进行处理，实现了卸载安全且可靠运行的技术效果。

附图说明

图1为根据本公开实施例的任务卸载的控制系统的框架结构示意图；

图2为根据本公开实施例的任务卸载编排器对应的分析功能架构图；

图3为根据本公开实施例的任务卸载的控制方法的流程示意图；

图4为根据本公开另一实施例的任务卸载的控制方法的流程示意图；

图5为根据本公开实施例的深度分析模型的结构示意图；

图6为根据本公开实施例提供深度分析原理图；

图7为根据本公开实施例提供的任务卸载的控制系统的模块示意图；

附图标记：

1、运营商网络传输层，2、任务卸载中心分析层，3、卸载边缘网关接入层，4卸载边缘数据中心层，11、分析模块，12、拆分模块，13、分配模块。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明实施例提供了一种任务卸载的控制方法和系统。

请参阅图1，图1为根据本公开实施例的任务卸载的控制系统的框架结构示意图。

如图1所述，该框架结构包括运营商网络传输层1，任务卸载中心分析层2，卸载边缘网关接入层3，卸载边缘数据中心层4。

其中，运营商网络传输层1包括至少一个通信基站，且为保证通信基站的通信质量和效果，以满足高效通信，以及满足用户的通信需求和体验，通信基站优选为5g通信基站。

具体地，个人或者公司将任务卸载请求发送至运营商网络传输层1，具体为将任务卸载请求发送至5g通信基站。

其中，任务卸载请求具体为计算任务卸载请求。

通信基站将任务卸载请求发送至任务卸载中心分析层2。

具体地，为确保数据传输过程中的安全性及可靠性，通信基站根据预设的加密信道将任务卸载请求发送至任务卸载中心分析层2。

其中，任务卸载中心分析层2包括至少一个任务卸载编排器。

具体地，通信基站将任务卸载请求发送至任务卸载编排器。当任务卸载请求为一个，任务卸载编排器亦为一个时，则将该任务卸载请求分配至该任务卸载编排器，由该任务卸载编排器对该任务卸载请求进行分析，得到相应的协助任务。当任务卸载请求为一个，任务卸载编排器为多个时，则可通过多种分配方式实现，如方式一：将该任务卸载请求随机分配至任一任务卸载编排器；方式二：基于分析效率从多个任务卸载编排器选取历史分析效率最高的任务卸载编排器；方式三：基于每个任务卸载编排器的当前剩余资源选取当前剩余资源最多的任务卸载编排器。此处只是示范性的说明，而不能理解为对本实施例的范围的限定。

请参阅图2，图2为根据本公开实施例的任务卸载编排器对应的分析功能架构图。

结合图2可知，任一任务卸载编排器可对多个任务卸载请求进行分析，并分别输出相应的分析结果，即输出与每个任务卸载请求对应的卸载任务。各任务卸载请求的分析为并行机制，互不干扰。

任务卸载编排器将卸载任务发送至卸载边缘网关接入层3。

具体地，为确保数据传输过程中的安全性及可靠性，任务卸载编排器通过预设的加密专线将卸载任务发送至卸载边缘网关接入层3。

其中，卸载边缘网关接入层3包括至少一个卸载边缘网关。

具体地，任务卸载编排器通过预设的加密专线将卸载任务发送至卸载边缘网关。卸载边缘网关将接收到的卸载任务发送至卸载边缘数据中心层4。

其中，卸载边缘数据中心层4包括至少一个卸载边缘服务器。

具体地，卸载边缘网关将接收到的卸载任务发送至卸载边缘服务器。卸载边缘服务器对卸载任务进行拆分，拆分成多个子任务。具体为拆分为多个原子任务，即可执行的最小级别的任务。将多个子任务分配至多个卸载边缘服务器，以便协助边缘服务器进行卸载处理。其中，将多个子任务分配至多个卸载服务器的分配方式有多种，如方式一：随机分配；方式二：以预设路径分配；方式三：以每个卸载服务器的剩余资源以及每个子任务的需求资源分配。此处只是示范性的说明，而不能理解为对本实施例的范围的限定。

在多个卸载边缘服务器对多个子任务进行卸载处理后，将依次通过卸载边缘网关接入层3、任务卸载中心分析层2以及运营商网络传输层1将处理结果反馈至发送任务卸载请求的用户(个人或企业)。当然，也可直接将处理结果经预设通信链路传输至运营商网络传输层1。

通过本公开实施例提供的框架图对应的方案，避免了现有技术中采用集中式数据处理的方式对任务卸载请求进行处理造成的数据量大，消耗时间长，浪费资源的问题，实现了基于移动边缘计算的任务卸载负载均衡机制的技术效果。

根据本公开实施例的一个方面，本公开实施例提供了任务卸载的控制方法，该方法基于上述框架结构。

请参阅图3，图3为根据本公开实施例的任务卸载的控制方法的流程示意图。

如图3所示，该方法包括：

s1：对获取到的任务卸载请求进行分析，得到卸载任务。

在一些实施例中，s1包括：

s1-1：根据预设的第一迭代分析规则对任务卸载请求进行迭代分析处理，得到多个任务卸载信息。

结合图4可知，在一些实施例中，s1-1包括：

s1-1-1：根据预设的多层卷积神经网络模型对任务卸载请求中的第一待卸载任务进行分析，得到与其对应的第一任务卸载信息。

优选地，通过将多卷积神经网络模型、深度强化无监督使然估计、球面均衡调度等方法结合，对第一待卸载任务进行分析，得到第一任务卸载信息。

s1-1-2：根据第一待卸载任务和预设的迭代参数确定任务卸载请求中的第二待卸载任务。

其中，迭代参数包括：迭代最大次数，迭代增加次数。具体地：

初始迭代次数为0，即对首个待卸载任务进行分析。然后再迭代次数上加1，即为第一次迭代，对次个待卸载任务进行分析。

s1-1-3：根据所述多层卷积神经网络模型对第二待卸载任务进行分析，得到与其对应的第二任务卸载信息。

优选地，通过将多卷积神经网络模型、深度强化无监督使然估计、球面均衡调度等方法结合，对第二待卸载任务进行分析，得到第二任务卸载信息。

s1-2：对多个任务卸载信息进行汇总处理，得到请求信息。

s1-3：根据预设的第二迭代分析规则对请求信息进行迭代分析处理，得到卸载任务。

在一些实施例中，s1-3包括：

s1-3-1：判断第一任务卸载信息是否满足预设的深度分析评价条件，得到判断结果。

在一些实施例中，根据式1判断第一任务卸载信息是否满足深度分析评价条件，式1：

其中，为第一任务卸载信息对应的卸载时延，为第一任务卸载信息对应的宽带能耗成本，为第一任务卸载信息对应的卸载能耗均衡度，m，n和q分别为预设参数。

请参阅图5，图5为根据本公开实施例的深度分析模型的结构示意图。

如图5所示，m，n和q分别为该深度分析模型的三个方向的向量上的取值。

现结合图6对深度分析模型对应的深度分析原理进行详细的阐述。其中，如图6所示，每次迭代中的多层卷积神经网络模型(或者，结合多层卷积神经网络模型、深度强化无监督使然估计、球面均衡调度策略)思想为:在1,2，…h多维空间中，多个深度分析方案根据多层卷积神经网络模型(或者，结合多层卷积神经网络模型、深度强化无监督使然估计、球面均衡调度策略)向最优化卸载方案确定的方向迁移，也即上图中实线圆球所在位置。图6中间部分为多层卷积神经网络模型(或者，结合多层卷积神经网络模型、深度强化无监督使然估计、球面均衡调度策略)原理，卸载任务请求在输入后经过请求输入、多层卷积神经网络模型(或者，结合多层卷积神经网络模型、深度强化无监督使然估计、球面均衡调度策略)分析后输出相应分析结果。图6右边部分的多层卷积神经元网络多层包含：卸载延迟l、计算能耗均衡度w、宽带能耗成本c(计算能耗均衡度＝该节点的能耗/所有节点的总能耗)。输出量包含：计算卸载雪球的预卸载方案，如图6中右边部分。在图6中下面部分为一个负载均衡球面，当一个节点负载超过动态阈值时需要将原子任务迁移到其它负载相对较低的节点上，以当前节点为圆心，遍历离圆心最近一圈(可以是不规则圆形)上的节点，并将原子任务迁移到负载度最低的节点，以此更易跳出局部最优的局限性。结合多层卷积神经网络、深度强化无监督使然估计、球面均衡调度思想，根据多维空间、多层循环、卷积神经网络、概率论、运筹学、深度学习、机器学习等理论优势的深度分析得到结果。当任务卸载请求到达模型后，各任务卸载请求被分析成相应的深度分析结果。若到来的任务卸载请求被延迟则被赋予当前较高分析调度优先权。其中，根据确定最优估计优化函数。

s1-3-2：如果判断结果为否，则根据第一任务卸载信息和迭代参数确定第二任务卸载信息。

如：迭代参数包括：迭代最大次数，迭代增加次数。具体地：

初始迭代次数为0，即对首个任务卸载信息进行分析。然后再迭代次数上加1，即为第一次迭代，对次个任务卸载信息进行分析。

在一种可能实现的方案中，对当前迭代次数与最大迭代次数进行比较，如果当前迭代次数大于最大迭代次数时，则结束流程。如果当前迭代次数小于或等于最大迭代次数时，则跳转至s1-3-1。

s1-3-3：根据多层卷积神经网络模型对第二任务卸载信息进行分析，得到与第二任务卸载信息对应的第二卸载信息，其中，卸载任务包括第二卸载信息。

在一些实施例中，s1-3-3包括：

根据式2确定第二卸载信息式2：

其中，

其中，为第一任务卸载信息对应的第一卸载信息，为第二任务卸载信息对应的卸载时延，为第二任务卸载信息对应的宽带能耗成本，为第一任务卸载信息对应的卸载能耗均衡度，为第二任务卸载信息对应的深度强化学习因子，l^ming为历史最小卸载时延，c^ming为历史最小宽带能耗成本，w^maxg为所述历史最大下载能耗均衡度。

s2：将卸载任务进行拆分，得到多个子任务。

s3：将多个子任务分配至预设的多个卸载边缘服务器，以便通过多个卸载边缘服务器对多个子任务进行卸载处理。

在一些实施例中，s3包括：

根据预设的负载均衡调度算法将每个子任务分配至与其对应的所述卸载边缘服务器。

在一些实施例中，s3包括：

s3-1：获取每个子任务的需求负载，并获取每个卸载边缘服务器剩余负载。

s3-2：响应于第一子任务被分配的第一卸载边缘服务器的剩余负载小于第一子任务的需求负载，将第一子任务迁移至第二卸载边缘服务器，其中，第二卸载边缘服务器的剩余资源大于或等于第一子任务的需求负载。

优选地，第二卸载边缘服务器的剩余资源大于任一卸载边缘服务器的剩余资源。

结合图6中的负载均衡球面可知，对多个卸载边缘服务器进行排布。并根据排布后的多个卸载边缘服务器构建球面，每个卸载边缘服务器均在球面上，且均作为球面上的一个节点。

当某子任务被分配至节点a，而该节点a的剩余资源已经无法满足该子任务的需求资源。即，节点a的已经不能承受子任务的负载。则将子任务迁移至其它剩余资源较高的节点(即负载相对较低的节点)。具体地，以节点a为圆心，遍历离圆心(即节点a)最近一圈(为近似圆形)上的节点，并将该子任务迁移到剩余资源最高的节点(即负载最低的节点)。

根据本公开实施例的另一个方面，本公开实施例还提供了一种任务卸载的控制系统。

请参阅图7，图7为根据本公开实施例提供的任务卸载的控制系统的模块示意图。

如图7所示，该系统包括：

分析模块11，用于对获取到的任务卸载请求进行分析，得到卸载任务；

拆分模块12，用于将卸载任务进行拆分，得到多个子任务；

分配模块13，用于将多个子任务分配至预设的多个卸载边缘服务器，以便通过多个卸载边缘服务器对多个子任务进行卸载处理。

在一些实施例中，分析模块11具体用于：

根据预设的第一迭代分析规则对任务卸载请求进行迭代分析处理，得到多个任务卸载信息；

对多个任务卸载信息进行汇总处理，得到请求信息；

根据预设的第二迭代分析规则对请求信息进行迭代分析处理，得到卸载任务。

在一些实施例中，分析模块11具体用于：

根据预设的多层卷积神经网络模型对任务卸载请求中的第一待卸载任务进行分析，得到与其对应的第一任务卸载信息；

根据第一待卸载任务和预设的迭代参数确定任务卸载请求中的第二待卸载任务；

根据多层卷积神经网络模型对第二待卸载任务进行分析，得到与其对应的第二任务卸载信息。

在一些实施例中，分析模块11具体用于：

判断第一任务卸载信息是否满足预设的深度分析评价条件，得到判断结果；

如果判断结果为否，则根据第一任务卸载信息和迭代参数确定所述第二任务卸载信息；

根据多层卷积神经网络模型对第二任务卸载信息进行分析，得到与第二任务卸载信息对应的第二卸载信息；

其中，卸载任务包括第二卸载信息。

在一些实施例中，分析模块11具体用于：

根据式1判断第一任务卸载信息是否满足深度分析评价条件，式1：

其中，为第一任务卸载信息对应的卸载时延，为第一任务卸载信息对应的宽带能耗成本，为第一任务卸载信息对应的卸载能耗均衡度，m，n和q分别为预设参数。

在一些实施例中，分析模块11具体用于：

根据式2确定第二卸载信息式2：

其中，

其中，为第一任务卸载信息对应的第一卸载信息，为第二任务卸载信息对应的卸载时延，为第二任务卸载信息对应的宽带能耗成本，为第一任务卸载信息对应的卸载能耗均衡度，为第二任务卸载信息对应的深度强化学习因子，l^ming为历史最小卸载时延，c^ming为历史最小宽带能耗成本，w^maxg为历史最大下载能耗均衡度。

在一些实施例中，分配模块13具体用于：

根据预设的负载均衡调度算法将每个子任务分配至与其对应的卸载边缘服务器。

在一些实施例中，分配模块13具体用于：

获取每个子任务的需求负载，并获取每个卸载边缘服务器剩余负载；

响应于第一子任务被分配的第一卸载边缘服务器的剩余负载小于第一子任务的需求负载，将第一子任务迁移至第二卸载边缘服务器，其中，第二卸载边缘服务器的剩余资源大于或等于第一子任务的需求负载。

在一些实施例中，第二卸载边缘服务器的剩余资源大于任一卸载边缘服务器的剩余资源。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

还应理解，在本发明各实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。