[发明专利]一种深度学习的边缘计算分配系统及方法

权利要求书

1.一种深度学习的边缘计算分配系统，其特征在于，包括终端数据收集单元、边缘计算分配单元和云端计算扩展单元；

终端数据收集单元，包括终端设备，收集需要的数据并上传，及时对用户进行反馈；

边缘计算分配单元，对数据进行过滤筛选，将计算模型分配给边缘节点进行计算存储，将过滤数据与计算结果进行上传；

云端计算扩展单元，根据边缘节点的数量、计算能力、存储能力生成深度学习模型，不断通过终端上传的数据和计算结果优化模型。

2.根据权利要求1所述的一种深度学习的边缘计算分配系统，其特征在于，所述终端数据收集单元与用户直接进行交流，用户的操作与收集到的数据进行压缩、预处理，作为一级数据直接上传到边缘节点，同时接收边缘节点下传的二级数据，对用户进行反馈。

3.根据权利要求1所述的一种深度学习的边缘计算分配系统，其特征在于，所述边缘计算分配单元包括边缘节点，边缘节点的服务器根据云端服务器计算得到的个性模型对终端数据进行处理和储存，将计算结果作为二级数据下传到终端，对用户进行反馈，将不能处理的一级数据与计算得到的二级数据上传到云端服务器。

4.根据权利要求1所述的一种深度学习的边缘计算分配系统，其特征在于，所述云端计算扩展单元通过分布式管理边缘节点，给每个用户分配一个小队资源，根据边缘节点的数量、云端速度、内存占用情况，将小队资源里的节点服务器根据用户需求进行及调整分配，使分配资源与用户需求相匹配。

5.根据权利要求1所述的一种深度学习的边缘计算分配系统，其特征在于，所述云端计算扩展单元根据终端收集的一级数据、边缘节点计算的二级数据进行基础模型的训练，得到边缘节点的需求后将深度学习模型扩展到边缘节点，再根据深度学习模型反馈的推理计算结果对深度计算模型进行优化，模型根据蝙蝠算法，得到公式

，

，

，

其中ε为随机数，A为响度，i为蝙蝠的个体代号，t为迭代次数，ω为惯性权重因子，v为蝙蝠的速度，x为蝙蝠的位置，为蝙蝠的最佳位置，f为蝙蝠的频率，为最小频率，为最大频率，β为随机数，α为音强衰减系数，r为脉冲速率，γ为脉冲速率增加系数，

计算得到最优解。

6.根据权利要求1所述的一种深度学习的边缘计算分配系统，其特征在于，所述云端计算扩展单元根据边缘节点的二级数据优化深度学习模型，将计算结果作为翻转因子，均匀化种群，得到公式

，

其中x为蝙蝠的位置，i为蝙蝠的个体代号，t为迭代次数，Φ为随机改变的方向，v为蝙蝠的速度，T为蝙蝠移动的时间，

根据公式对蝙蝠的位置进行随机方向的优化，使模型不会局限于局部最优解，而是与周围的边缘节点数据交流，合理分配。

7.一种深度学习的边缘计算分配方法，其特征在于，根据蝙蝠算法计算边缘节点的分配方法，具体步骤包括：

步骤1、将每个终端接收的任务分割为k个子任务上传到边缘节点，边缘节点根据子任务的数量进行选择，为每个任务生产蝙蝠算法分配边缘节点，子任务过多直接上传到云端处理；

步骤2、设置算法参数，种群大小k，空间维数d，音强衰减系数α，脉冲速率增加系数γ，响度A，迭代次数t，初始化蝙蝠位置x，蝙蝠频率f，频率范围，根据公式

，

，

，

其中ε为随机数，A为响度，i为蝙蝠的个体代号，t为迭代次数，ω为惯性权重因子，v为蝙蝠的速度，x为蝙蝠的位置，为蝙蝠的最佳位置，f为蝙蝠的频率，为最小频率，为最大频率，β为随机数，α为音强衰减系数，r为脉冲速率，γ为脉冲速率增加系数，

得到种群趋向；

步骤3、将边缘节点的计算速度和内存作为翻转因子，对种群趋向进行调整，根据公式

，

其中x为蝙蝠的位置，i为蝙蝠的个体代号，t为迭代次数，Φ为随机改变的方向，v为蝙蝠的速度，T为蝙蝠移动的时间，

得到调整过后的种群趋向，即边缘节点的分配不在单纯根据子任务数量分配，而是考虑每个边缘节点的计算能力和存储空间重新进行调整；

步骤4、计算最优解，不断调整频率更新最优解，根据随机数对最优解进行选择，由公式

，

其中为蝙蝠的最佳位置，i为蝙蝠的个体代号，u为随机数，d为空间维数，

当随机数大于最优解，则对种群方向进行调整，选择一个最优解作为次代种群重新计算最优解，当随机数小于最优解，接受最优解；

步骤5、当迭代次数小于设置的最大迭代次数的参数，回到步骤3重新选择直到达到最大迭代次数；

步骤6、输出全局最优解。