云边协同场景下的任务卸载方法、电子设备及存储介质与流程

本发明涉及云边协同场景，具体地说是一种云边协同场景下的任务卸载方法、电子设备及存储介质。

背景技术：

1、云边协同是指边缘计算与云计算并非相互替代的关系，而是优势互补，紧密协同的配合关系。云边协同的具体场景包括智能家居，车联网等。

2、智能家居边缘智能的一个重要场景。其业务原理是通过手机连接处在远端的云中心对智能设备进行控制指令的下发从而对智能家居进行操控。这一模式在带来便利的同时也有许多弊端，比如断网或延迟等。

3、车联网的概念源于物联网，随着汽车的普及和应用，车联网的需求也愈发强烈。自动驾驶通过车辆自身的传感器感知外界环境，包括位置、距离、温度等信息，从而为驾驶员提供行车预警，也可为无人驾驶提供决策。然而自动驾驶中的许多业务流程对实时性、时延都提出了极高的要求，将计算任务卸载到远端的云计算中心进行执行显然无法满足相关的业务需求。移动边缘计算的出现为解决这一问题提供了可能，通过云边端的协同可以有效缓解数据传输带来的带宽压力和网络延迟，避免信号处理不及时造成的交通事故。

4、边缘服务器通常资源有限，因此选择哪个边缘服务器来执行卸载计算成为重要问题，尤其是选择处在不同网络条件下的服务器对于云边协同的效率有着重要的影响,是否能够通过高精确度的时延预测为任务卸载的边缘服务器选择提供参考。

5、故如何选择云边协同场景下任务卸载中的边缘服务器，实现时间上的优化是目前亟待解决的技术问题。

技术实现思路

1、本发明的技术任务是提供一种云边协同场景下的任务卸载方法、电子设备及存储介质，来解决如何选择云边协同场景下任务卸载中的边缘服务器，实现时间上的优化的问题。

2、本发明的技术任务是按以下方式实现的，一种云边协同场景下的任务卸载方法，该方法是分别基于svr、arma以及lstm技术构建并优化基于svr的滑动窗口时延预测模型(svr模型)、自回归移动平均模型(arima模型)以及基于lstm的时延预测模型(lstm模型)，通过对基于svr的滑动窗口时延预测模型(svr模型)、自回归移动平均模型(arima模型)以及基于lstm的时延预测模型(lstm模型)进行分析对比后，根据云边协同场景选择策略选择对应的边缘节点执行卸载任务。

3、作为优选，云边协同场景选择策略具体如下：

4、①基于距离的服务器选择策略：每当任一节点有任务需要执行时，均选择距离最近的边缘服务器执行卸载任务；

5、②基于最近一次的测量结果的选择策略：当任务在时刻t来临时，该节点将选择在t-1时刻与自身具有最小延迟的边缘服务器执行任务；

6、③基于预测结果最准确的服务器选择策略：通过贪心策略选择出预测结果最准确的基于svr的滑动窗口时延预测模型(svr模型)、自回归移动平均模型(arima模型)或基于lstm的时延预测模型(lstm模型)后，选择对应模型预测的当前t时刻具有最小延迟的边缘服务器执行任务卸载。

7、作为优选，基于svr的滑动窗口时延预测模型具体如下：

8、基于svr采用径向基核函数建立基于svr的滑动窗口时延预测模型，公式如下：

9、

10、将中新的系数γ简化变形得到k(x,x′)＝exp(-γ||x-x′||2)，根据k(x，x′)＝exp(-γ||x-x′||2)，获取基于svr的滑动窗口时延预测模型中需要优化的参数包括正则常数c、核函数参数γ以及滑动窗口的长度d；

11、其中c和γ的值通过对给定范围内的值建立模型进行网格搜索和交叉验证的方式进行优化。

12、更优地，滑动窗口的长度d的优化过程具体如下：

13、(1)设定滑动窗口大小的长度范围d；

14、(2)从d中选择不同的窗口长度d；

15、(3)通过建立好的基于svr的滑动窗口时延预测模型进行预测，获取预测值；

16、(4)通过预测值与真实值计算mse以评价基于svr的滑动窗口时延预测模型的预测效果；

17、(5)重复步骤(2)到步骤(3)直到d内的值全部遍历完毕；

18、(6)选取对应mse最小的d值作为滑动窗口的长度。

19、作为优选，建立自回归移动平均模型具体如下：

20、(1)数据的平稳性检验：选取绘图观察法和adf检验法来对数据进行平稳性检验；

21、(2)经过平稳性经验后，判断数据序列是否满足平稳性要求：

22、①若数据序列满足平稳性要求，则跳转至步骤(4)；

23、②若数据序列为非平稳性序列，则执行步骤(3)；

24、(3)数据处理，并跳转至步骤(1)；

25、(4)模型定阶：根据acf图和pacf图定阶或者基于准则的定阶方法；其中，基于准则的定阶方法包括aic准则及bic准则；

26、残差检验：选择自相关性检验、qq图检验、d-w检验及lb检验。

27、更优地，建立基于lstm的时序预测模型时，对隐藏层的层数、隐藏层神经元的个数、损失函数、迭代次数以及神经网络的激活函数进行选择和优化，相较于基于svr的滑动窗口时延预测模型及自回归移动平均模型，神经网络的参数优化更为复杂；

28、但其同样可以通过类似于基于svr的滑动窗口时延预测模型中关于c和γ的优化方案进行优化，即网格搜索和交叉验证；针对基于lstm的时序预测模型的优化在于激活函数的选择，lstm的激活函数包括sigmoid函数、tanh函数及relu函数。

29、一种电子设备，包括：存储器和至少一个处理器；

30、其中，所述存储器上存储有计算机程序；

31、所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如上述的云边协同场景下的任务卸载方法。

32、一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如上述的云边协同场景下的任务卸载方法。

33、本发明的云边协同场景下的任务卸载方法、电子设备及存储介质具有以下优点：

34、(一)本发明从时间和距离两个角度分析了网络延迟的变化规律，从而为云边协同场景下的边缘服务器选择提供了初步的参考方案；

35、(二)本发明从时序预测的角度出发，通过建立基于svr的滑动窗口时延预测模型、自回归移动平均模型以及基于lstm的时延预测模型对边缘节点间的端到端延迟进行预测，从而为选取当前延迟最低的边缘服务器进行任务执行提供策略参考：一种贪心的边缘节点选择策略；

36、(三)本发明解决了边缘服务器通常资源有限，选择哪个边缘服务器来执行卸载计算的问题，实现了时间上的优化。

技术特征：

1.一种云边协同场景下的任务卸载方法，其特征在于，该方法是分别基于svr、arma以及lstm技术构建并优化基于svr的滑动窗口时延预测模型、自回归移动平均模型以及基于lstm的时延预测模型，通过对基于svr的滑动窗口时延预测模型、自回归移动平均模型以及基于lstm的时延预测模型进行分析对比后，根据云边协同场景选择策略选择对应的边缘节点执行卸载任务。

2.根据权利要求1所述的云边协同场景下的任务卸载方法，其特征在于，云边协同场景选择策略具体如下：

3.根据权利要求1所述的云边协同场景下的任务卸载方法，其特征在于，基于svr的滑动窗口时延预测模型具体如下：

4.根据权利要求3所述的云边协同场景下的任务卸载方法，其特征在于，滑动窗口的长度d的优化过程具体如下：

5.根据权利要求1所述的云边协同场景下的任务卸载方法，其特征在于，建立自回归移动平均模型具体如下：

6.根据权利要求1所述的云边协同场景下的任务卸载方法，其特征在于，建立基于lstm的时序预测模型时，对隐藏层的层数、隐藏层神经元的个数、损失函数、迭代次数以及神经网络的激活函数进行选择和优化；

7.一种电子设备，其特征在于，包括：存储器和至少一个处理器；

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至6中任一项所述的云边协同场景下的任务卸载方法。

技术总结
本发明公开了云边协同场景下的任务卸载方法、电子设备及存储介质，属于云边协同场景技术领域，本发明要解决的技术问题为如何选择云边协同场景下任务卸载中的边缘服务器，实现时间上的优化，采用的技术方案为：该方法是分别基于SVR、ARMA以及LSTM技术构建并优化基于SVR的滑动窗口时延预测模型、自回归移动平均模型以及基于LSTM的时延预测模型，通过对基于SVR的滑动窗口时延预测模型、自回归移动平均模型以及基于LSTM的时延预测模型进行分析对比后，根据云边协同场景选择策略选择对应的边缘节点执行卸载任务。

技术研发人员：陶建华,张峰,李照川,王冠军,周秀强,常靓,李捷明
受保护的技术使用者：浪潮软件科技有限公司
技术研发日：
技术公布日：2024/3/11