[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

说明书

本发明涉及信息技术领域，具体而言，涉及一种基于分布式机器学习的智能计算卸载优化方法。具体包括以下步骤：1)利用MLP来学习任务特征并对任务进行分类，2)提取具体的任务特征，3)找到更适合卸载到边缘服务器或云服务器的任务，4)智能计算卸载优化。本发明能够降低系统总服务成本，同时保护多参与方的隐私，实现计算卸载优化。

技术领域

本发明涉及信息技术领域，具体而言，涉及一种基于分布式机器学习的智能计算卸载优化方法。

背景技术

物联网设备在工作过程中会产生大量数据，而这些数据如果全部卸载到云服务器，则会造成云服务器负载过大、传输过程中带宽高、安全问题。然而，物联网设备受其自身大小的限制导致其计算能力较弱，不足以支持复杂任务的计算。

移动边缘计算(Mobile Edge Computing，MEC)成为一个可行的解决方案，它通过提供计算资源以支持物联网设备卸载复杂的计算任务或应用。通过MEC，可以有效解决物联网设备计算能力不足、向云服务器卸载延迟高、数据安全等问题。然而，多个MEC参与方：如不同的物联网设备和边缘/云服务器存在隐私问题和利益冲突，在这些参与方之间建立信任、实现分布式多参与方的计算卸载方案是一项挑战。

为了探索动态MEC环境，基于机器学习的计算卸载成为一种可行的解决方案。一些基于深度强化学习(Deep Reinforcement Learning，DRL)领域的研究工作提出的计算卸载策略高度依赖问题的状态空间。并且，计算卸载策略通常非常复杂，纯Q-Learning不适合解决计算卸载的优化问题。DRL的agent在寻找最优卸载策略的同时，通过动作学习来学习策略。而且整个过程耗时，占用大量系统资源。隐私在机器学习中是一个关键问题，特别是在MEC不同的移动物联网设备提供商中，如何整合多个移动物联网设备提供商的数据，保护所有参与者的隐私数据是一个巨大的挑战。在已有的计算卸载优化方案里，基于启发式算法的方案假设较多并且其算法的可移植性和鲁棒性较差；基于机器学习的在线学习方案难以保护所有参与者的隐私数据。故我们提出使用基于分布式机器学习的智能混合优化方法来解决上述问题。作为一种新型的分布式机器学习，面向工业物联网的分布式学习(Federated Learning，FL)可以在本地训练所有参与者的数据，通过云/边缘服务器更新和聚合全局模型。

发明内容

针对以上问题，本发明提出了移动边缘计算中一种基于分布式机器学习的智能计算卸载优化方法。为了优化卸载策略，我们使用MLP来学习任务特征，并将任务分成四类，目的是找到更适合卸载到边缘服务器或云服务器的任务。特别是，为了保护不同物联网设备的隐私数据，我们使用分布式学习来训练模型。本地物联网设备中的培训模型，可以避免向服务器传输过程中的数据泄漏。通过我们的方法，能够降低系统总服务成本，同时保护多参与方的隐私，实现计算卸载优化。

本发明解决上述问题的技术方案是：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。

进一步地，上述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；