本技术涉及人工智能,特别是涉及一种任务卸载方法、装置、计算机设备和存储介质。
背景技术:
1、在iiot(industrial internet of things,工业物联网)系统中,大规模异构工业设备产生大量实时数据,这些数据应该在严格的时延约束下进行处理,意外延误或者任务中断均可能导致重大安全问题和巨大的生产损失。考虑到大规模iiot设备的分布式拓扑结构,基于css(centralized cloud server,集中式云服务器)的处理很难满足时间敏感服务的时延要求。因此,mec(mobile edge computing,移动边缘计算)通过允许iiot设备将处理任务卸载到附近的es(edge server,边缘服务器)来减少数据传输延迟。
2、然而,传统的任务卸载方案仅关注资源调度,没有考虑到iiot设备和计算任务本身的特征,造成任务卸载方案的鲁棒性较差,且实施任务卸载方案后处理任务的效率较低,进而导致工业生产能力降低甚至出现生产事故。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提升任务处理效率的任务卸载方法、装置、计算机设备和存储介质。
2、第一方面,本技术提供了一种任务卸载方法。该方法包括:
3、将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据;
4、将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据;
5、根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点;
6、将目标终端在未来时段内的任务卸载至目标处理节点。
7、在其中一个实施例中,根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点,包括:
8、根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,确定将目标终端在未来时段内的任务卸载至各处理节点的预测时延;其中,预测时延包括传播时延、传输时延、处理时延和排队时延;
9、根据各处理节点对应的预测时延,从各处理节点中确定目标处理节点。
10、在其中一个实施例中,根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,确定将目标终端在未来时段内的任务卸载至各处理节点的预测时延,包括:
11、根据信号传播速率、未来位置数据和目标终端所在工业物联网系统中各处理节点的当前位置数据,确定将目标终端在未来时段内的任务卸载至各处理节点的传播时延;
12、根据未来任务流量数据,确定将目标终端在未来时段内的任务卸载至各处理节点的传输时延;
13、根据未来任务流量数据和各处理节点的当前剩余处理能力,确定将目标终端在未来时段内的任务卸载至各处理节点的处理时延;
14、根据将目标终端在未来时段内的任务卸载至各处理节点的处理时延,确定将目标终端在未来时段内的任务卸载至各处理节点的排队时延。
15、在其中一个实施例中,根据信号传播速率、未来位置数据和目标终端所在工业物联网系统中各处理节点的当前位置数据,确定将目标终端在未来时段内的任务卸载至各处理节点的传播时延,包括:
16、根据未来位置数据和目标终端所在工业物联网系统中各处理节点的当前位置数据,确定目标终端和各处理节点之间的距离;
17、将各距离与信号传播速率的比值,确定为将目标终端在未来时段内的任务卸载至各处理节点的传播时延。
18、在其中一个实施例中,未来任务流量数据包括任务包长度和任务所需带宽;
19、根据未来任务流量数据,确定将目标终端在未来时段内的任务卸载至各处理节点的传输时延,包括:
20、将任务包长度与任务所需带宽的比值,确定为将目标终端在未来时段内的任务卸载至各处理节点的传输时延。
21、在其中一个实施例中,未来任务流量数据包括任务所需处理能力;
22、根据未来任务流量数据和各处理节点的当前剩余处理能力,确定将目标终端在未来时段内的任务卸载至各处理节点的处理时延,包括:
23、将任务所需处理能力与目标终端所在工业物联网系统中各处理节点的当前剩余处理能力的比值,确定为将目标终端在未来时段内的任务卸载至各处理节点的处理时延。
24、在其中一个实施例中,位置预测模型和流量预测模型均基于长短期记忆网络lstmn构建得到。
25、在其中一个实施例中,历史时段包括至少两个历史时间区间,将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据,包括:
26、提取目标终端在各历史时间区间内的历史位置数据的特征向量;
27、根据目标终端在各历史时间区间内的历史位置数据的特征向量,构建目标终端在历史时段内的位置特征向量序列;
28、将位置特征向量序列输入至位置预测模型,得到目标终端在未来时段内的未来位置数据。
29、在其中一个实施例中,历史时段包括至少两个历史时间区间,将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据,包括:
30、提取目标终端在各历史时间区间内的历史任务流量数据的特征向量;
31、根据目标终端在各历史时间区间内的历史任务流量数据的特征向量,构建目标终端在历史时段内的流量特征向量序列;
32、将流量特征向量序列输入至位置预测模型,得到目标终端在未来时段内的未来任务流量数据。
33、在其中一个实施例中,目标处理节点包括工业物联网终端、边缘服务器和云服务器中的至少一个。
34、第二方面,本技术还提供了一种任务卸载装置。该装置包括:
35、位置预测模块,用于将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据;
36、流量预测模块,用于将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据;
37、节点确定模块,用于根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点;
38、任务卸载模块,用于将目标终端在未来时段内的任务卸载至目标处理节点。
39、第三方面,本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
40、将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据;
41、将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据;
42、根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点;
43、将目标终端在未来时段内的任务卸载至目标处理节点。
44、第四方面,本技术还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
45、将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据;
46、将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据;
47、根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点;
48、将目标终端在未来时段内的任务卸载至目标处理节点。
49、第五方面,本技术还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
50、将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据;
51、将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据;
52、根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点;
53、将目标终端在未来时段内的任务卸载至目标处理节点。
54、上述任务卸载方法、装置、计算机设备和存储介质,将目标终端在历史时段内的历史位置数据输入至位置预测模型,得到目标终端在未来时段内的未来位置数据,以及将目标终端在历史时段内的历史任务流量数据输入至流量预测模型,得到目标终端在未来时段内的未来任务流量数据;进而根据未来位置数据,未来任务流量数据,以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力,从各处理节点中确定目标处理节点,并将目标终端在未来时段内的任务卸载至目标处理节点。本技术通过位置预测模型和流量预测模型,分别预测目标终端在未来时段的未来位置数据和未来任务流量数据,考虑到目标终端的位置和任务流量的变化同时间变化之间的关联性,充分利用了目标终端移动的连续性和任务的时间一致性的特点,进而根据预测的未来位置数据和未来任务流量数据,以及处理节点的当前位置数据和当前剩余处理能力,确定出目标处理节点,以将目标终端在未来时段的任务卸载至该目标处理节点进行任务处理,实现了对任务卸载进行提前规划,能够有效降低时延,以及降低拥塞的可能性,进而提升任务处理的整体效率。