[发明专利]一种基于分布式机器学习的智能计算卸载优化方法

权利要求书

1.一种基于分布式机器学习的智能计算卸载优化方法，其特征在于，所述方法包括：

利用MLP来学习任务特征并对任务进行分类，

提取具体的任务特征，

找到更适合卸载到边缘服务器或云服务器的任务，

智能计算卸载优化；

所述“提取具体的任务特征”包含以下方法：

步骤1：模型初始化：确定MLP训练模型后初始化模型参数，所述模型参数包括：本地设备模型参数、边缘服务器模型参数、云服务器模型参数，特征向量；确定修正线性单元作为激活函数；

步骤2：模型的隐藏层处理和测试模型：如果输入层和第一层隐藏层直接存在权重和偏移量，则第一层隐藏层的输出为，以此类推，第i层隐藏层的输出为，利用损失函数测试模型训练是否到位，其中是每一层的输入数据，和分别是第i层的权重和偏移量；

代价函数是所有训练数据集的损失函数平均值；

步骤3：基于分布式机器学习的训练：使用作为模型参数在物联网设备、边缘服务器和云服务器之间进行通信，在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮训练，对于这P个设备，每个设备l从边缘服务器下载模型参数，并初始化，训练后更新参数为，在经历了轮次训练后，进行边缘聚合，即所有设备将自己的模型参数上传到边缘服务器，边缘服务器的参数进行更新：，在经历了轮次训练后，进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，云服务器的参数进行更新：，其中 N是边缘服务器的数量；

所述“找到更适合卸载到边缘服务器或云服务器的任务”包含以下方法：

步骤1：对已分类的任务进行评分，每个设备中选择得分排序在前N’个的任务发送给边缘服务器；

步骤2：边缘服务器根据每个物联网设备的前N’个任务，从Q*N’个任务中选择得分排序在前N’个任务并缓存其对应的配置文件，其中Q是物联网设备数量；

步骤3：将步骤2选择的前N’个任务卸载到边缘服务器上执行；

所述“智能计算卸载优化”包含以下方法：

步骤 1：初始化参数：初始化在时隙时本地设备和边缘服务器的CPU频率；

步骤2：获取任务评分：执行提取具体任务特征动作，获取到任务分类集合以及前N’个适合卸载到边缘服务器的任务；

步骤3：计算服务成本：首先确定系统中的延迟、能量损耗、训练时间以及系统成本计算方式，系统中的延迟可以分为传输延迟、计算延迟和等待延迟，用来表示一个物联网设备的传输延迟，对于总传输延迟可以用公式（1）表示为： （1）

步骤4：更新卸载策略：当时隙t的成本低于上一个时隙t-1的成本时，更新卸载策略更新卸载策略；

所述“步骤3：计算服务成本”包含以下方法：

根据任务类型的不同，计算不同任务的计算需求，将影响计算延迟的计算需求表示为变量，对于总计算延迟可以用公式（2）表示为：

（2）

其中表示在工作的计算节点，表示计算节点在时隙的计算能力，系统决定在时隙t执行任务的计算节点，设置有一个符合先进先出原则的任务队列；

当新任务到达时隙t时，等待时间取决于任务在队列中的执行时间；使用和分别表示本地物联网设备和边缘服务器队列中剩余任务的等待时间；和表示计算节点的任务大小和CPU频率，此外，由于云强大的计算能力，忽略云计算节点的等待时间；对于本地设备和边缘服务器的等待时间可以分别表示为公式（3）和公式（4）：

（3）

（4）

总等待时间表示为公式（5）：

（5）

系统的能耗表示为公式（6）：

（6）

所述表示计算能耗，表示传输能耗；所述模型训练时间用表示，

对于总服务成本可以用公式（7）表示：

（7）

其中是数量级参数，是权重系数，是最大能量限制。

2.根据权利要求1所述的一种基于分布式机器学习的智能计算卸载优化方法，其特征在于，所述“利用MLP来学习任务特征并对任务进行分类”具体包含以下步骤：

根据物联网设备的任务属性，将计算任务分为A、B、C、D四种类型；

对于类型A，任务的复杂性较低、对延迟敏感，在本地物联网设备中执行；

对于类型B，任务的复杂性较高、对延迟敏感，在边缘服务器中执行；

对于类型C，任务的复杂度更高、对延迟不敏感，在云服务器上执行；

对于类型D，任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。