(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 202110602111.X (22)申请日 2021.05.31 (71)申请人 中移雄安信息通信科技有限公司 地址 071700 河北省保定市容城县奥威路 南88号 申请人 中移系统集成有限公司 　 中国移动通信集团有限公司 (72)发明人 魏鹭巍　杨二兵　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 陈新生 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) G06F 30/27(2020.01)G06N 3/08(2006.01) G06F 111/04(2020.01) (54)发明名称 一种分布式边 缘云资源调度方法及系统 (57)摘要 本发明提供一种分布式边缘云资源调度方 法及系统， 该方法包括： 根据目标区域内边缘云 平台的资源状态和每个所述边缘云平台获取到 的应用程序计算任务， 构建最优边缘资源调度问 题； 基于训练好的边缘资源调度策略模型， 对所 述最优边缘 资源调度问题进行求解， 生成最优边 缘调度指令； 其中， 所述训练好的边缘资源调度 策略模型是由深度增强学习算法， 对神经网络进 行训练得到的； 根据所述最优边缘调度指令， 对 所述目标区域内边缘云平台进行资源调度。 本发 明使得处理业务请求的时间更快， 延时更低， 节 省了带宽资源。 权利要求书2页 说明书9页 附图5页 CN 115480882 A 2022.12.16 CN 115480882 A 1.一种分布式边 缘云资源调度方法， 其特 征在于， 包括： 根据目标区域内边缘云平台的资源状态和每个所述边缘云平台获取到的应用程序计 算任务， 构建最优边 缘资源调度问题； 基于训练好的边缘资源调度策略模型， 对所述最优边缘资源调度问题进行求解， 生成 最优边缘调 度指令； 其中， 所述训练好的边缘资源调 度策略模 型是由深度增强学习算法， 对 神经网络进行训练得到的； 根据所述 最优边缘调度指令， 对所述目标区域内边 缘云平台进行资源调度。 2.根据权利要求1所述的分布式边缘云资源调度方法， 其特征在于， 所述训练好的边缘 资源调度策略模型通过以下步骤得到： 获取每个边缘云平台的样本资源状态和每个所述边缘云平台的应用程序样本计算任 务， 所述样本资源状态包括所述 边缘云平台的计算 容量、 缓存容 量和相邻基站频谱资源； 根据所述样本资源状态和所述应用程序样本计算任务， 构建训练样本集； 通过深度增强学习算法和所述训练样本集， 对神经网络进行训练， 得到训练好的边缘 资源调度策略模型。 3.根据权利要求2所述的分布式边缘云资源调度方法， 其特征在于， 所述通过深度增强 学习算法和所述训练样本集， 对神经网络进 行训练， 得到训练好的边缘资源调度策略模型， 包括： 将所述训练样本集输入到神经网络中， 以最小化边缘云平台的资源消耗成本为目标， 通过深度增强学习算法进行训练， 得到预训练的深度学习模型； 根据随机梯度法， 对所述预训练的深度学习模型的参数进行更新， 若满足预设收敛条 件， 获得训练好的边 缘资源调度策略模型。 4.根据权利要求1所述的分布式边缘云资源调度方法， 其特征在于， 所述根据 所述最优 边缘调度指令， 对所述目标区域内边 缘云平台进行资源调度， 包括： 将所述目标区域内每个边缘云平台作为共识节点， 通过实用拜占庭容错算法， 获取达 成共识的最优边 缘调度指令； 根据所述达成共识的最优边缘调度指令， 对所述目标区域内边缘云平台进行资源调 度。 5.根据权利要求1所述的分布式边缘云资源调度方法， 其特征在于， 所述最优边缘资源 调度问题的公式为： 权　利　要　求　书 1/2 页 2 CN 115480882 A 2其中， minR表示以最小化边缘云平台的资源消耗成本为目标的最优边缘资源调度问 题， n表示第n个边缘云平台， m表 示第m个应用程序计算任务， Xm， n表示第n个边缘云平台中处 理第m个应用程序 计算任务所需 的资源消耗成本， tm表示第m个应用程序 计算任务从生成到 被边缘云平台计算完成之间的端到端时间约束， 表示最大端到端时间约 束， cm表示第m 个应用程序计算任务所需的计算容量， Δcm， n表示第m个应用程序计算任务在第n个边缘计 算平台上计算所需的动态增量， cn表示第n个 边缘云平台的计 算容量， sm表示第m个应用程序 计算任务所需的缓存容量， sn表示第n个 边缘云平台的缓存容量， bm表示第m个应用程序计 算 任务所需的相邻基站频谱资源， Bn表示第n个边缘云平台的相邻基站频谱资源， Δbn,n′表示 第n个边缘云平台的相邻基站n ′消耗的频谱资源； fn,n′表示除相邻基站n ′以外， 第n个边缘 云平台的其它相邻基站增 加的频谱资源。 6.根据权利要求3所述的分布式边缘云资源调度方法， 其特征在于， 在所述将所述训练 样本集输入到神经网络中， 以最小化边缘云平台的资源消 耗成本为 目标， 通过深度增强学 习算法进行训练， 得到预训练的深度学习模型之后， 所述方法还 包括： 基于 ε‑贪婪策略， 获取每一轮训练中得到的边 缘资源调度策略； 根据所述边缘资源调度 策略和对应的实际边缘资源调度样本策略之间的动作差异值， 对所述预训练的深度学习模型进行微调， 以根据随机梯度法， 对所述预训练的深度学习模 型的参数进行 更新， 得到训练好的边 缘资源调度策略模型。 7.一种分布式边 缘云资源调度系统， 其特 征在于， 包括： 最优边缘资源调度模型构建模块， 用于根据目标区域内边缘云平台的资源状态和每个 所述边缘云平台获取到的应用程序计算任务， 构建最优边 缘资源调度问题； 处理模块， 用于基于训练好的边缘资源调度策略模型， 对所述最优边缘资源调度问题 进行求解， 生成最优边缘调 度指令； 其中， 所述训练好的边缘资源调 度策略模型是由深度增 强学习算法， 对神经网络进行训练得到的； 边缘云平台调度模块， 用于根据所述最优边缘调度指令， 对所述目标区域内边缘云平 台进行资源调度。 8.根据权利要求7 所述的分布式边 缘云资源调度系统， 其特 征在于， 所述系统还 包括： 样本获取模块， 用于获取每个边缘云平台的样本资源状态和每个所述边缘云平台的应 用程序样本计算任务， 所述样本资源状态包括所述边缘云平台的计算容量、 缓存容量和相 邻基站频谱资源； 训练集构建模块， 用于根据所述样本资源状态和所述应用程序样本计算任务， 构建训 练样本集； 模型训练模块， 用于通过深度增强学习算法和所述训练样本集， 对神经网络进行训练， 得到训练好的边 缘资源调度策略模型。 9.一种电子设备， 包括处理器和存储有计算机程序的存储器， 其特征在于， 所述处理器 执行所述计算机程序时实现权利要求1至 6任一项所述分布式边 缘云资源调度方法的步骤。 10.一种处理器可读存储介质， 其特征在于， 所述处理器可读存储介质存储有计算机程 序， 所述计算机程序用于使所述处理器执行权利要求 1至6任一项 所述分布式边缘云资源调 度方法的步骤。权　利　要　求　书 2/2 页 3 CN 115480882 A 3