(19)国家知识产权局
(12)发明 专利
(10)授权公告 号
(45)授权公告日
(21)申请 号 202210291802.7
(22)申请日 2022.03.24
(65)同一申请的已公布的文献号
申请公布号 CN 114385272 A
(43)申请公布日 2022.04.22
(73)专利权人 山东省计算中心 (国家超 级计算
济南中心)
地址 250014 山东省济南市历下区科院路
19号
(72)发明人 王英龙 张玮 杨美红 吴晓明
郝昊 史慧玲 刘礼彬
(74)专利代理 机构 济南圣达知识产权代理有限
公司 372 21
专利代理师 董雪
(51)Int.Cl.
G06F 9/445(2018.01)(56)对比文件
EP 3826368 A1,2021.0 5.26
US 2019220703 A1,2019.07.18
CN 112787920 A,2021.0 5.11
CN 111726826 A,2020.09.2 9
CN 113645637 A,2021.1 1.12
CN 113296845 A,2021.08.24
CN 113271627 A,2021.08.17
CN 112653500 A,2021.04.13
CN 109951897 A,2019.0 6.28
马永浩. 《基 于强化学习的海 事边缘网络卸
载策略研究》 . 《万方》 .2021,全 文.
李前辉. 《边 缘计算环境下面向能耗及效益
优化的任务卸载技 术研究》 . 《万方》 .2021,全 文.
审查员 吴朝烨
(54)发明名称
面向海洋任务的在线自适应计算卸载方法
及系统
(57)摘要
本发明属于网络通信技术领域, 提供了面向
海洋任务的在线自适应计算卸载方法及系统, 实
时的获取环 境信息和用户信息, 并建立准确的模
型描述当前系统, 进而实现高效的任务分配, 保
证时延。 因此与传统离线方法不同, 我们基于强
化学习, 通过从历史分配策略学习以提供当前决
策, 而无需未来信息, 构建卸载模型并实时优化,
以实现设备任务的高效卸载。 本发明所述的方
案, 不仅可以使得能源得到充分利用, 更能有效
降低任务时延, 保证Q oS。
权利要求书2页 说明书8页 附图1页
CN 114385272 B
2022.07.05
CN 114385272 B
1.面向海洋任务的在线自适应 计算卸载 方法, 其特 征在于, 包括如下步骤:
获取海事边缘网络信息和设备计算任务请求信息;
所述设备计算任务请求信息包括: 海洋浮标检测到的潮汐和气象信息, 海中传感器检
测到的水文信息带来的计算任务; 基于海事边缘网络信息和设备计算任务请求信息和构建
的计算卸载决策系统模型得到海洋任务计算卸载决策, 通过估计卸载决策动作对应的奖励
值, 以最大化系统奖励为目标, 通过历史海洋任务计算卸载决策信息训练模型, 基于强化学
习实现任务计算卸载决策;
其中, 所述卸载决策系统模型的构建过程包括: 以最小化设备能量预算约束的平均任
务完成延迟为目标, 以Q oS要求和设备的总能耗 为约束, 构建卸载决策系统模型;
所述设备能量预算约束的平均任务完成延迟为:
式中, α和q i分别是任务完成时延和能量消耗的权重, i代表任务产生的原位置, j表示
边缘服务器节点, Ki表示在每个位置 i卸载的任务 数,rij表示上行链路传输速 率,lik表示输
入数据大小, 单位为位; xijk表示布尔变量, N为海事边缘计算网络中存在的边缘服务器的
节点数,Pij表示位置 i处的设备的无线传输功率, vik表示计算强度,fj表示边缘服务器节点 j
分配的计算能力;
基于海洋任务计算卸载决策 执行设备计算任务并将计算结果反馈 至设备。
2.如权利要求1所述的面向海洋任务的在线自适应计算卸载方法, 其特征在于, 所述海
事边缘网络信息包括: 海洋浮标、 海中传感器、 船舶和沿岸相关网络设施构建的传输网络 。
3.如权利要求1所述的面向海洋任务的在线自适应计算卸载方法, 其特征在于, 所述
QoS要求的表达式为:
式中, Dik表示QoS要求。
4.如权利要求1所述的面向海洋任务的在线自适应计算卸载方法, 其特征在于, 所述设
备的总能耗约束的表达式为:
式中,E表示设备的电池容 量。
5.如权利要求1所述的面向海洋任务的在线自适应计算卸载方法, 其特征在于, 所述通
过历史海洋任务计算卸载决策信息训练模型, 基于强化学习实现任务计算卸载决策包括:
建立评估卸载决策动作的奖励函数, 通过能量约束和任务时延两方面进行定义;
通过奖励函数计算每种决策的奖励值, 并通过置信上限策略加入修订值, 形成最终奖
励值;
在每轮中选择最终奖励最大的决策进行执行, 根据选择的决策动作 更新系统中边缘节权 利 要 求 书 1/2 页
2
CN 114385272 B
2点的计算状态, 得到最优决策。
6.面向海洋任务的在线自适应 计算卸载系统, 其特 征在于, 包括:
信息获取模块, 被 配置为: 获取海 事边缘网络信息和设备计算任务请求信息;
所述设备计算任务请求信息包括: 海洋浮标检测到的潮汐和气象信息, 海中传感器检
测到的水文信息带来的计算任务;
卸载决策计算模块, 被配置为: 基于海事边缘网络信息和设备计算任务请求信息和构
建的计算卸载决策系统模型 得到海洋任务计算卸载决策;
其中, 所述卸载决策系统模型的构建过程包括: 以最小化设备能量预算约束的平均任
务完成延迟为目标, 以QoS要求和设备的总能耗为约束, 构建卸载决策系统模型, 通过估计
卸载决策动作对应的奖励值, 以最大化系统奖励为 目标, 通过历史海洋任务计算卸载决策
信息训练模型, 基于强化学习实现任务计算卸载决策;
所述设备能量预算约束的平均任务完成延迟为:
式中, α和q i分别是任务完成时延和能量消耗的权重, i代表任务产生的原位置, j表示
边缘服务器节点, Ki表示在每个位置 i卸载的任务 数,rij表示上行链路传输速 率,lik表示输
入数据大小, 单位为位; xijk表示布尔变量, N为海事边缘计算网络中存在的边缘服务器的
节点数,Pij表示位置 i处的设备的无线传输功率, vik表示计算强度,fj表示边缘服务器节点 j
分配的计算能力;
任务执行结果输出模块, 被配置为: 基于海洋任务计算卸载决策执行设备计算任务并
将计算结果反馈 至设备。
7.如权利要求6所述的面向海洋任务的在线自适应计算卸载系统, 其特征在于, 所述通
过历史海洋任务计算卸载决策信息训练模型, 基于强化学习实现任务计算卸载决策包括:
建立评估卸载决策动作的奖励函数, 通过能量约束和任务时延两方面进行定义;
通过奖励函数计算每种决策的奖励值, 并通过置信上限策略加入修订值, 形成最终奖
励值;
在每轮中选择最终奖励最大的决策进行执行, 根据选择的决策动作 更新系统中边缘节
点的计算状态, 得到最优决策。权 利 要 求 书 2/2 页
3
CN 114385272 B
3
专利 面向海洋任务的在线自适应计算卸载方法及系统
安全报告 >
其他 >
文档预览
中文文档
12 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共12页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 00:08:03上传分享