边缘网络资源分配方法、装置、计算机设备及介质

1.本发明涉及工业物联网技术领域，具体涉及边缘网络资源分配方法、装置、计算机设备及介质。


背景技术：

2.现阶段，数据密集型物联网服务的激增，如工业自动化、智能医疗保健、无人驾驶和远程监控，正在推动工业4.0时代数据流量的飞速增长。因此，物联网需要具有强大的分析和计算能力去处理这种计算密集型的任务。为了适应智能和数字化日益增长的需求，结合先进的人工智能机制，物联网需要对大量数据进行分析，以检测、识别和发现环境状态。然而，人工智能-云物联网模式在时间敏感性、资源利用率和可靠性方面仍存在一些问题。
3.相关技术中，多访问边缘计算(mec)范式已被设想为在物联网接收器层上提供高可用性网络资源的潜在候选方案。然而，目前的物联网资源分配方法无法适应爆发式数据增长，存在边缘资源消耗较大的问题，导致物联网mec网络仍然遭受着极大的资源消耗压力。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中物联网资源分配方法无法适应爆发式数据增长，存在边缘资源消耗较大的缺陷，从而提供边缘网络资源分配方法、装置、计算机设备及介质。
5.结合第一方面，本发明提供一种边缘网络资源分配方法，所述方法包括：
6.获取用户的计算请求；
7.基于所述计算请求，将所述计算请求映射至标识空间，得到标识空间映射模型，所述标识空间映射模型用于表征用户与服务器关系的映射；
8.基于所述标识空间映射模型，对所述计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型；
9.基于所述标识空间映射模型及所述多目标优化模型，确定所述计算任务的最优分配策略。
10.在该方式中，通过构建标识空间映射的系统模型，将边缘网络系统计算任务映射至标识空间，得到对边缘网络系统的能量成本和时间成本的优化模型，通过优化模型对资源编排策略进行调整优化，得到能量成本和时间成本最小的资源分配策略，用以支持高效和可靠的资源分配。在考虑了终端和服务的多维属性值的基础上，同时保证了边缘网络系统的可靠性和网络性能，并通过对供需之间的关系进行匹配，实现了对边缘网络系统的可靠性、能耗和能耗共同优化。
11.结合第一方面，在第一方面的第一实施例中，所述标识空间包括访问空间与匹配空间；
12.所述基于所述计算请求，将所述计算请求映射至标识空间映射模型，包括：
13.基于所述计算请求，确定计算任务，所述计算任务包括计算卸载任务及资源分配任务；
14.将所述计算卸载任务映射至所述访问空间，得到访问映射矩阵；
15.将所述资源分配任务映射至所述匹配空间，得到匹配映射矩阵；
16.基于访问映射矩阵匹配映射矩阵，得到所述标识空间映射模型。
17.结合第一方面的第一实施例，在第一方面的第二实施例中，所述基于所述标识空间映射模型，对所述计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型，包括：
18.基于所述访问映射矩阵，对所述计算任务中的用户端计算任务的能量成本及时间成本进行计算，得到用户端能量成本和时间成本优化问题；
19.基于所述匹配映射矩阵，对所述计算任务中的服务器端计算任务的能量成本及时间成本进行计算，得到服务器端能量成本和时间成本优化问题；
20.基于所述用户端能量成本和时间成本优化问题及所述服务器端能量成本和时间成本优化问题，构建得到多目标优化模型。
21.结合第一方面的第二实施例，在第一方面的第三实施例中，所述基于所述标识空间映射模型及所述多目标优化模型，确定所述计算任务的最优分配策略，包括：
22.基于所述访问映射矩阵，确定服务器端与用户端的资源供需关系；
23.基于所述服务器端与用户端的资源供需关系，确定最优匹配位置；
24.基于所述多目标优化模型及所述最优匹配位置，构建匹配策略优化模型；
25.基于所述匹配策略优化模型，确定所述计算任务的最优分配策略。
26.结合第一方面的第三实施例，在第一方面的第四实施例中，所述基于所述访问映射矩阵，确定服务器端与用户端的资源供需关系，包括：
27.获取供需关系模型；
28.将所述访问映射矩阵输入所述供需关系模型，得到所述服务器端与用户端的资源供需关系。
29.结合第一方面的第四实施例，在第一方面的第五实施例中，所述供需关系模型为预训练好的深度神经网络匹配模型。
30.结合第一方面的第三实施例，在第一方面的第六实施例中，所述基于所述匹配策略优化模型，确定所述计算任务的最优分配策略，包括：
31.基于所述多目标优化模型，确定初始匹配策略；
32.基于所述匹配策略优化模型，对初始匹配策略进行调整，以使得系统的能量成本和时间成本最小，得到所述计算任务的最优分配策略。
33.在本发明的第二方面，本发明还提供一种边缘网络资源分配装置，所述装置包括：
34.获取单元，用于获取用户的计算请求；
35.映射单元，用于基于所述计算请求，将所述计算请求映射至标识空间，得到标识空间映射模型，所述标识空间映射模型用于表征用户与服务器关系的映射；
36.计算单元，用于基于所述标识空间映射模型，对所述计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型；
37.确定单元，用于基于所述标识空间映射模型及所述多目标优化模型，确定所述计
算任务的最优分配策略。
38.结合第二方面，在第二方面的第一实施例中，所述标识空间包括访问空间与匹配空间；
39.所述映射单元，包括：
40.第一确定单元，用于基于所述计算请求，确定计算任务，所述计算任务包括计算卸载任务及资源分配任务；
41.访问映射单元，用于将所述计算卸载任务映射至所述访问空间，得到访问映射矩阵；
42.匹配映射单元，用于将所述资源分配任务映射至所述匹配空间，得到匹配映射矩阵；
43.空间映射单元，用于基于访问映射矩阵匹配映射矩阵，得到所述标识空间映射模型。
44.结合第二方面的第一实施例，在第二方面的第二实施例中，所述计算单元，包括：
45.用户端计算单元，用于基于所述访问映射矩阵，对所述计算任务中的用户端计算任务的能量成本及时间成本进行计算，得到用户端能量成本和时间成本优化问题；
46.服务器端计算单元，用于基于所述匹配映射矩阵，对所述计算任务中的服务器端计算任务的能量成本及时间成本进行计算，得到服务器端能量成本和时间成本优化问题；
47.第一构建单元，用于基于所述用户端能量成本和时间成本优化问题及所述服务器端能量成本和时间成本优化问题，构建得到多目标优化模型。
48.结合第二方面的第二实施例，在第二方面的第三实施例中，所述确定单元，包括：
49.供需匹配单元，用于基于所述访问映射矩阵，确定服务器端与用户端的资源供需关系；
50.位置匹配单元，用于基于所述服务器端与用户端的资源供需关系，确定最优匹配位置；
51.第二构建单元，用于基于所述多目标优化模型及所述最优匹配位置，构建匹配策略优化模型；
52.策略确定单元，用于基于所述匹配策略优化模型，确定所述计算任务的最优分配策略。
53.结合第二方面的第三实施例，在第二方面的第四实施例中，所述供需匹配单元，包括：
54.第一获取单元，用于获取供需关系模型；
55.输入单元，用于将所述访问映射矩阵输入所述供需关系模型，得到所述服务器端与用户端的资源供需关系。
56.结合第二方面的第四实施例，在第二方面的第五实施例中，所述供需关系模型为预训练好的深度神经网络匹配模型。
57.结合第二方面的第三实施例，在第二方面的第六实施例中，所述策略确定单元，包括：
58.第一确定单元，用于基于所述多目标优化模型，确定初始匹配策略；
59.调整单元，用于基于所述匹配策略优化模型，对初始匹配策略进行调整，以使得系
统的能量成本和时间成本最小，得到所述计算任务的最优分配策略。
60.根据第三方面，本发明实施方式还提供一种计算机设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面及其可选实施方式中任一项的边缘网络资源分配方法。
61.根据第四方面，本发明实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面及其可选实施方式中任一项的边缘网络资源分配方法。
附图说明
62.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
63.图1是根据一示例性实施例提出的一种边缘网络资源分配方法的流程图。
64.图2是根据一示例性实施例提出的一种边缘网络系统的结构示意图。
65.图3是根据一示例性实施例提出的一种边缘网络资源分配装置的结构框图。
66.图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
67.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
68.相关技术中，多访问边缘计算(mec)范式已被设想为在物联网接收器层上提供高可用性网络资源的潜在候选方案。然而，目前的物联网资源分配方法无法适应爆发式数据增长，存在边缘资源消耗较大的问题，导致物联网mec网络仍然遭受着极大的资源消耗压力。
69.为解决上述问题，本发明实施例中提供一种边缘网络资源分配方法，用于计算机设备中，需要说明的是，其执行主体可以是边缘网络资源分配装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，其中，该计算机设备可以是终端或客户端或服务器，服务器可以是一台服务器，也可以为由多台服务器组成的服务器集群，本技术实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
70.本实施例中的计算机设备，适用于物联网边缘网络的使用场景。通过本发明提供的边缘网络资源分配方法，通过构建标识空间映射的系统模型，将边缘网络系统计算任务映射至标识空间，得到对边缘网络系统的能量成本和时间成本的优化模型，通过优化模型对资源编排策略进行调整优化，得到能量成本和时间成本最小的资源分配策略，用以支持高效和可靠的资源分配。在考虑了终端和服务的多维属性值的基础上，同时保证了边缘网
络系统的可靠性和网络性能，并通过对供需之间的关系进行匹配，实现了对边缘网络系统的可靠性、能耗和能耗共同优化。
71.图1是根据一示例性实施例提出的一种边缘网络资源分配方法的流程图。如图1所示，边缘网络资源分配方法包括如下步骤s101至步骤s104。
72.在步骤s101中，获取用户的计算请求。
73.在本发明实施例中，用户的计算请求用于表征用户向服务器发送进行计算卸载的请求。
74.图2是根据一示例性实施例提出的一种边缘网络系统的结构示意图。如图2所示，在一示例中，边缘网络系统包括：s个mec服务器mec1server至mecsserver，r个网关gw1至gwr和k个移动设备md1至mdk。其中，mec服务器均匀分布在该区域。服务器可以与多个网关gw建立有线连接，并且移动设备通过单个天线访问一个gw。为了保证计算卸载的可靠性，请求数据可以通过多个链路到达mec服务器。在该模型中，作为系统中资源和需求的协调器以及一个空间转换器，它决定了卸载位置，每个md的浮动任务数，以及计算资源分配，以最小化计算任务的能量和时间消耗。一旦来自用户的计算任务请求到达，就首先执行卸载点的选择，然后实现服务器集群的资源分配。
75.在步骤s102中，基于计算请求，将计算请求映射至标识空间，得到标识空间映射模型。
76.在本发明实施例中，标识空间映射模型用于表征用户与服务器关系的映射，标识空间包括访问空间与匹配空间。基于计算请求，将计算请求映射至标识空间映射模型，包括：基于计算请求，确定计算任务，计算任务包括计算卸载任务及资源分配任务；将计算卸载任务映射至访问空间，得到访问映射矩阵；将资源分配任务映射至匹配空间，得到匹配映射矩阵；基于访问映射矩阵匹配映射矩阵，得到标识空间映射模型。
77.在一示例中，标识空间映射模型可以包括：访问空间(ask)和匹配空间(msk)。其中，ask＝{aidk∣abdk}和aidk代表请求侧移动设备mdk的唯一合法访问标识，abdk作为移动设备mdk的访问行为描述，即cqk为移动设备mdk请求的计算数量；ulk为移动设备mdk的用户级别，ulk∈{ul1,...,uln}；slk为移动设备mdk的计算卸载任务的服务级别(如时间敏感性要求)，slk∈{sl1,...,slm}；srk为移动设备mdk的安全要求，srk∈{sr1,...,srr}，用于表征移动设备mdk要求的卸载可靠性，当sr水平越高时，对链路可靠性的要求就越严格；dak表示移动设备mdk所需的数据属性，包括包数量、端口号、最小包间到达时间等。mec服务器为具有较高用户级别ul和服务级别sl的计算任务提供了优先级资源。
78.midk为移动设备mdk的唯一资源匹配标识，表示特定的卸载点mecs,s∈s。mbdk是供应商方面的匹配行为描述，即应商方面的匹配行为描述，即其中，rk为移动设备mdk发布的任务卸载率；dk为分配的计算资源大小；lnk为卸载过程中被占用的链接号。因此，访问空间ask和匹配空间msk的映射矩阵为：
[0079][0080]
在步骤s103中，基于标识空间映射模型，对计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型。
[0081]
在本发明实施例中，为便于明确计算任务中能量与时间消耗的具体情况，则分别对计算任务中用户端与服务器端的能量与时间成本进行计算，以便明确计算任务的优化目标。
[0082]
在步骤s104中，基于标识空间映射模型及多目标优化模型，确定计算任务的最优分配策略。
[0083]
在本发明实施例中，为了解决能量成本与时间成本的多目标优化问题，通过优化模型对资源编排策略进行调整优化，得到能量成本和时间成本最小的资源分配策略，用以支持高效和可靠的资源分配。
[0084]
通过上述实施例，通过构建标识空间映射的系统模型，将边缘网络系统计算任务映射至标识空间，得到对边缘网络系统的能量成本和时间成本的优化模型，通过优化模型对资源编排策略进行调整优化，得到能量成本和时间成本最小的资源分配策略，用以支持高效和可靠的资源分配。在考虑了终端和服务的多维属性值的基础上，同时保证了边缘网络系统的可靠性和网络性能，并通过对供需之间的关系进行匹配，实现了对边缘网络系统的可靠性、能耗和能耗共同优化。
[0085]
在一实施例中，基于标识空间映射模型，对计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型，包括：基于访问映射矩阵，对计算任务中的用户端计算任务的能量成本及时间成本进行计算，得到用户端能量成本和时间成本优化问题；基于匹配映射矩阵，对计算任务中的服务器端计算任务的能量成本及时间成本进行计算，得到服务器端能量成本和时间成本优化问题；基于用户端能量成本和时间成本优化问题及服务器端能量成本和时间成本优化问题，构建得到多目标优化模型。
[0086]
在一示例中，在边缘网络系统中，每一移动设备mdk(k∈{1,...,k})都有一个待起的计算任务，计算任务可以包含若干子任务，子任务既可以在本地执行，也可以部分卸载到mec服务器上。系统时间可以分为若干块，每一块的时间不大于mec服务器应用的收敛时间，也不大于信道相干时间。为避免移动设备mdk之间的干扰，每一移动设备mdk的计算任务的总时间设置为t＝{t1,...,t
2m
}。在tm开始之前，移动设备mdk不断地对mec服务器提出计算请求；在tm完成后，mec服务器依次将计算结果返回给移动设备mdk。其中，由于在返回过程中成本所占的比例很小，因此反馈过程中的能量和时间消耗可以忽略不计，移动设备mdk的计算任务的总能量消耗和时间成本都只涉及移动设备mdk本地执行过程、计算卸载过程和mec服务器计算过程。
[0087]
对于本地执行过程，移动设备mdk本地执行时间为：
[0088]
[0089]
其中，lk为移动设备mdk本地执行的任务大小，lk≥0，ck为移动设备mdk在本地执行一计算任务所需的cpu周期数，单位为周期/比特；τk为移动设备mdk的延迟约束；fk为移动设备mdk的cpu频率，单位为hz。其中，移动设备mdk的cpu频率fk不能超过cpu所能承受的最大频率，即：
[0090][0091]
由于时间限制，移动设备mdk的计算任务的总时间周期t不能大于移动设备mdk的延迟约束τk的延迟上限，移动设备mdk本地执行时间不能超过mec系统t的时间约束，即：
[0092][0093]
基于上述约束，可以推导出移动设备mdk本地执行的任务限制为：
[0094][0095]
其中，lk为移动设备mdk本地执行的任务大小，lk≥0；gk位作为任务总量，gk≥0。
[0096]
移动设备mdk本地执行的能量成本为：
[0097][0098]
其中，εk为移动设备mdk的有效电容系数，εk》0。
[0099]
对于计算卸载过程，一旦移动设备mdk启动了一个计算任务请求，网关gwr将根据信息级别、资源和安全要求对相应的卸载位置和速率进行匹配，从而实现需求和供应的有效匹配。
[0100]
cfk为由移动设备mdk启动的条件因子，启动的条件因子，其中，移动设备mdk的用户级别ulk、移动设备mdk请求的服务类型slk和移动设备mdk安全要求srk越高，cfk的值就越大，α1、α2和α3分别为三个部分的可变权重。
[0101]
w为移动设备mdk的信道选择矩阵，w＝{wk,k∈k}，其中，wk为移动设备mdk所占据的信道数，通过wk＝γkcfk计算得到，γk为正比例系数。
[0102]
p为移动设备mdk的传输功率矩阵，p＝{pk,k∈k}，pk为传输功率。因此，传输速率r
md,k
可以表示为：
[0103][0104]
其中，b为边缘网络系统中的信道带宽，l为边缘网络系统中的信道总数，移动设备mdk所占据的信道数∑
k∈k
wk≤l；gk为信道增益，σ为高斯白噪声变量。因此，计算卸载的时间成本，即传输延迟为：
[0105][0106]
其中，cqk为移动设备mdk卸载到mec服务器的部分计算任务，即且g
k-lk≥0。
[0107]
由于多路径可靠的卸载，mdk的安全要求srk越高，被占用的链接号lnk就越大，从而
影响传输能耗。设置lnk＝βksrk，其中，βk为正比例系数。因此，移动设备mdk计算卸载的能量成本为：
[0108][0109]
对于mec服务器上的计算过程，假设mec服务器的计算容量足够大，并且mec服务器集群的计算容量上限为d。因此，mec服务器计算过程时间为：
[0110][0111]dk
＝μkcfk[0112][0113]
其中，dk为mec服务器提供的计算资源，μk为mec服务器的单位计算能力。
[0114]
mec服务器计算过程与移动设备mdk的需求成正比，表示如下：
[0115][0116]
其中，vk为能耗比例系数，vk＝nkcfk，nk为单位损失系数。
[0117]
在一示例中，构建多目标优化模型，包括：提出关于时间和总能量的多目标优化问题：
[0118]
边缘网络系统的总能耗与时间消耗所消耗的总能量和时间成本，包括：
[0119][0120]
在边缘网络系统中，假设mec服务器的计算能力是无限的，所有移动设备md的计算任务的大小、移动设备md本地计算所需的每位cpu周期以及mec服务器上每位的能量成本都是已知的，因而，边缘网络系统的总时间成本优化问题可以建模如下：
[0121][0122][0123][0124][0125]
[0126][0127][0128][0129][0130][0131]
其中，θk为移动设备mdk在时间成本中的权重。c1表示移动设备mdk本地cpu频率的上界与下界；c2表示移动设备mdk的本地处理时间、卸载时间和延迟上限之间的约束关系；c3表示移动设备mdk本地计算位的范围；c4表示信道约束；c5表示mdk的总时间不能超过延迟上限；c6保证mec服务器分配的总计算资源不能超过总容量；c7表示总卸载延迟限制；c8表示卸载能量限制。
[0132]
同理可得，边缘网络系统的总能量成本优化问题如下：
[0133][0134][0135][0136][0137][0138][0139][0140][0141][0142][0143]
其中，ψk表示移动设备mdk在总能量成本中的权重，因此，边缘网络系统的总能量成
本优化问题可以简化为：
[0144][0145][0146][0147][0148][0149][0150][0151][0152]
基于上述优化问题，可以将能量成本与时间成本表述为一个多目标优化问题，使边缘网络系统能够实现可靠且有效的资源利用。
[0153]
因此，多目标优化模型表示为：
[0154][0155][0156]
s.t.c
1-c8[0157]
进一步将优化问题转换为一个统一的格式，即：
[0158][0159]
s.t.c
1-c8[0160]
其中，ζk表示移动设备mdk在能量和时间消耗方面的权重，ζk＝＝l(θk+ψk)。根据任务请求者移动设备mdk的偏好，基于权重的比例，进行能量成本和时间成本优化的可行解。当ζk越大时，访问空间as中需求越高的移动设备mdk的优先级越高，对应占用和消耗的资源越多。
[0161]
在一实施例中，基于标识空间映射模型及多目标优化模型，确定计算任务的最优
分配策略，包括：基于访问映射矩阵，确定服务器端与用户端的资源供需关系；基于服务器端与用户端的资源供需关系，确定最优匹配位置；基于多目标优化模型及最优匹配位置，构建匹配策略优化模型；基于匹配策略优化模型，确定计算任务的最优分配策略。
[0162]
在本发明实施例中，基于访问映射矩阵，确定服务器端与用户端的资源供需关系，包括：获取供需关系模型；将访问映射矩阵输入供需关系模型，得到服务器端与用户端的资源供需关系。其中，供需关系模型为预训练好的深度神经网络匹配模型。
[0163]
在一示例中，确定最优匹配位置的过程可以包括：通过预先训练过的dnn匹配模型，将访问空间as信息作为匹配模型的输入，卸载位置mid作为匹配模型的输出。
[0164]
dnn匹配模型包括：单独的crnn模块，即cnn和lstm共同使用的模型，cnn作为编码器将访问空间信息转换为多维矩阵模式和提取空间信息，和lstm模型解码器将矩阵信息解析为多个一维向量。对于编码过程，它由卷积、激活、池化和全连接的操作组成。在解码过程中，开发了三个双向lstm模块，分别反映在遗忘门、输入门、内部状态和输出门中。特别是，前两个lstm模块有256个噪声激活单元，而第三层有218个tanh激活单元。dnn匹配模型的最后一部分由几个s维的全连接层组成。为了实现更准确的预测，采用了一种控制变量方法来找到最优结果，包括特征数、训练集的比例、输入数据数、历元数等多个方面。此外，为避免过拟合问题，在所有lstm层上都添加了概率为0.2的辍学技术。
[0165]
在训练的匹配样本中，通过将特定的服务请求映射到特定的mec服务器，获得计算任务的最优卸载点。假设每个mec服务器都有一个特定的服务类型，因而，通过将预测的服务类型映射到相应的服务器以实现样本收集。收集的样本是基于一个地点的24小时全双工痕迹。该网站是一个研究设施的主机，大约有1000台设备通过一个全双工千兆以太网链路连接到互联网上。信息来源于传输协议(tcp)，特征中的具体信息通过单独计算数据包头信息。对输入数据进行预处理，以提高其训练性能，即缺失信息填充、归一化和单热编码。这些预处理后的数据成为编码-解码模型的输入。然后，该模型可以通过编码和解码过程提取出计算任务的卸载规律，并通过自适应矩估计算法对权值和偏差进行不断优化。
[0166]
为了表示资源供给侧与需求侧的匹配程度，我们引入了一个匹配指标，即匹配误差me，并将模型输出转换为me形式。me作为模型的损失函数，由任务执行效率teu和任务成本效率tcu组成，可以表示为
[0167]
me＝ω
teu
teu+ω
tcu
tcu
[0168]
ω
tcu
+ω
tcu
＝1
[0169]
其中，ω
tcu
表示执行效用的权重系数，ω
tcu
表示成本效用的权重系数。通过引入了期望效用函数理论来计算任务卸载过程中的任务执行效率teu和任务成本效率tcu。通过mec服务器的执行能力匹配和任务需求，对任务执行效率teu进行计算，如下所示：
[0170][0171]
sl≥sl
*
[0172]
其中，sl表示mec服务器集群可以为计算请求提供的计算资源，sl
*
表示同一系统周期中总卸载任务所消耗的最小计算资源。sl与sl
*
可以通过期望的效用函数计算得到：
[0173]
[0174][0175]
其中，表示mdk的计算任务被卸载到服务器meci的概率，表示服务器meci为mdk提供的最大资源，rk表示mdk在mec服务器端消耗的最小资源。
[0176]
任务成本效率tcu用于衡量供应商和请求方的成本平衡，可以表示为：
[0177][0178]cmax
≥c*
[0179]
其中，c
max
表示mec服务器集群可以承受的最大成本或md提供的最大回报，c
*
表示mec服务集群执行总任务卷所需的成本。同样地，c
max
和c
*
可以通过期望的效用函数计算得到：
[0180][0181]
其中，为meci服务器执行移动设备mdk总任务的可承受的最大成本，pk为移动设备mdk支付的报酬，为实际计算成本。
[0182]
当匹配误差me接近0时，模型已达到平衡，任务卸载过程接近最优。为了在满足约束条件的同时实现目标，需要考虑目标函数的加权和，即整体的匹配误差me。通过模型的连续迭代，对me进行不断优化，即minme＝ω
yeu
teu+ω
tcu
tcu。当me≤ε时，训练结束，得到多个一维向量，从中选择最大概率值对应的标签作为多个计算要求的预测结果。其中，训练阶段可以通过离线模式来完成。
[0183]
在本发明实施例中，基于匹配策略优化模型，确定计算任务的最优分配策略，包括：基于多目标优化模型，确定初始匹配策略；基于匹配策略优化模型，对初始匹配策略进行调整，以使得系统的能量成本和时间成本最小，得到计算任务的最优分配策略。
[0184]
在一示例中，确定计算任务的最优分配策略的过程可以包括：由于量子遗传算法对优化问题的连续性和执行方向没有限制，采用量子遗传算法来寻找最优的资源分配。通过对传输功率分配p、本地中的计算容量分配f、信道资源分配ω及服务器mecs中的计算资源分配d进行优化，获得最优的供应商方面的匹配策略mbd配置，同时满足最小的供应商方面的匹配策略mbd能耗。通过采用比赛的方法来选择下一代的个体，类似于自然选择过程，使得具有较高宜居性价值的个体更容易生存到下一代，即系统消费较低的个体更有可能生存。在迭代极限达到或低于一定的阈值之前可以得到资源分配的最优解。
[0185]
1染色体的构建和初始化：由于遗传算法不能直接处理问题的空间解参数，需要根据一定的结构将这些参数转换为由基因组成的染色体。在量子遗传算法中，染色体对应于优化问题的解。每个染色体编码对应一个资源分配问题的可行方案，染色体的长度lc任务数。每个基因分子代表对应于一个任务的候选部署。染色体是l基因的有序序列，
其中ci∈[1,n],1≤i≤lc表示该任务的分配方案，备选候选分配方案包括n个情况。优化问题的p,f,ω,d构成了个体的染色体信息。种群大小设置为g。对于单个cj，它可以表示为以下矩阵：
[0186][0187][0188]
其中(。在初始化过程中，我们随机生成初始种群，这是搜索过程中的第一组染色体。我们将初始化的候选染色体组设置为为了使所有的染色体达到8，一个均匀的叠加状态，hadamard门被应用于染色体的每个单一基因。第j条染色体被初始化为：
[0189][0190]
其中∣φ》j＝cj和每个染色体只是一个l位的二进制字符串。
[0191]
2适应度函数：适应度函数是衡量染色体质量的一个指标。一般情况下，该算法通过适应度函数的值来选择最优个体。因此，健康度差的个体被排除在外。对于第t次迭代时的单个j(1≤j≤g)，适应度函数定义为：
[0192][0193]
其中f是目标函数。适应度函数中的值m是为了使适应度为非负值，便于计算演化概率。将宜居性定义为评估遗传迭代过程中产生的解的质量的评价标准。它可以表示为：
[0194][0195]
显然，越大的宜居性对应越大的适应度值，间接对应于较小的目标函数，所以个体越好。具有高宜居性的个体有更多的机会在下一代中再生。否则，个人是更差的可行解决方
案。在迭代过程中，适应度函数是保证候选对象的可行性的必要条件。一旦在搜索过程中出现异常个体，该算法将重新启动搜索过程。
[0196]
3选择、交叉和突变操作：这三个动作是产生亚种群的基本操作符，其中选择过程反映了适者生存的自然法则，交叉过程体现了有性繁殖的思想，突变操作体现了进化过程中的基因突变。
[0197]
在选择过程中，我们使用比赛的方法来选择当代的个体，即下一代的亲代群体。每次从种群中随机选择g/2个个体。然后从比赛中选出存活率最高的两个个体。重复这个过程，直到亲本候选物种的数量达到种群大小g。在选择了候选项之后，将会有一个测量值来将g(t)映射到p(t)。根据测量结果和当前的最佳结果bj，根据更新规则对染色体的旋转进行更新：
[0198][0199]
式中为第i条染色体的第j个基因，bj为所考虑的最佳染色体中的第j个基因，δθ为旋转的增减。交叉过程影响了算法的收敛速度。在每一轮比赛中选择两个亲本个体进行染色体交叉或与概率pc进行重组，并产生两个子代个体参与下一轮迭代。父母的优越基因可以被遗传，从而使问题的解决方案可以朝着一个可以使目标函数的价值变小的方向发展。突变过程是指通过随机位置基因突变产生新的后代。量子染色体的突变过程可以通过一个x门来实现α和β的振幅的反转。这一过程避免了遗传算法陷入局部最优，而是向全局最优发展。
[0200]
最后，重复执行上述过程，直到迭代上限达到设定值或宜居性达到阈值。最终可以得到最优的资源分配部署。
[0201]
基于相同发明构思，本发明还提供一种边缘网络资源分配装置。
[0202]
图3是根据一示例性实施例提出的一种边缘网络资源分配装置的结构框图。如图3所示，边缘网络资源分配装置包括获取单元301、映射单元302、计算单元303和确定单元304。
[0203]
获取单元301，用于获取用户的计算请求；
[0204]
映射单元302，用于基于计算请求，将计算请求映射至标识空间，得到标识空间映射模型，标识空间映射模型用于表征用户与服务器关系的映射；
[0205]
计算单元303，用于基于标识空间映射模型，对计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型；
[0206]
确定单元304，用于基于标识空间映射模型及多目标优化模型，确定计算任务的最优分配策略。
[0207]
在一实施例中，标识空间包括访问空间与匹配空间；映射单元302，包括：第一确定单元，用于基于计算请求，确定计算任务，计算任务包括计算卸载任务及资源分配任务；访问映射单元，用于将计算卸载任务映射至访问空间，得到访问映射矩阵；匹配映射单元，用于将资源分配任务映射至匹配空间，得到匹配映射矩阵；空间映射单元，用于基于访问映射
矩阵匹配映射矩阵，得到标识空间映射模型。
[0208]
在另一实施例中，计算单元303，包括：用户端计算单元，用于基于访问映射矩阵，对计算任务中的用户端计算任务的能量成本及时间成本进行计算，得到用户端能量成本和时间成本优化问题；服务器端计算单元，用于基于匹配映射矩阵，对计算任务中的服务器端计算任务的能量成本及时间成本进行计算，得到服务器端能量成本和时间成本优化问题；第一构建单元，用于基于用户端能量成本和时间成本优化问题及服务器端能量成本和时间成本优化问题，构建得到多目标优化模型。
[0209]
在又一实施例中，确定单元304，包括：供需匹配单元，用于基于访问映射矩阵，确定服务器端与用户端的资源供需关系；位置匹配单元，用于基于服务器端与用户端的资源供需关系，确定最优匹配位置；第二构建单元，用于基于多目标优化模型及最优匹配位置，构建匹配策略优化模型；策略确定单元，用于基于匹配策略优化模型，确定计算任务的最优分配策略。
[0210]
在又一实施例中，供需匹配单元，包括：第一获取单元，用于获取供需关系模型；输入单元，用于将访问映射矩阵输入供需关系模型，得到服务器端与用户端的资源供需关系。
[0211]
在又一实施例中，供需关系模型为预训练好的深度神经网络匹配模型。
[0212]
在又一实施例中，策略确定单元，包括：第一确定单元，用于基于多目标优化模型，确定初始匹配策略；调整单元，用于基于匹配策略优化模型，对初始匹配策略进行调整，以使得系统的能量成本和时间成本最小，得到计算任务的最优分配策略。
[0213]
上述边缘网络资源分配装置的具体限定以及有益效果可以参见上文中对于边缘网络资源分配方法的限定，在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0214]
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图4所示，该设备包括一个或多个处理器410以及存储器420，存储器420包括持久内存、易失内存和硬盘，图4中以一个处理器410为例。该设备还可以包括：输入装置430和输出装置440。
[0215]
处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。
[0216]
处理器410可以为中央处理器(central processing unit，cpu)。处理器410还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0217]
存储器420作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬盘，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本技术实施例中的边缘网络资源分配方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种边缘网络资源分配方法。
[0218]
存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0219]
输入装置430可接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
[0220]
一个或者多个模块存储在存储器420中，当被一个或者多个处理器410执行时，执行如图1-图2所示的方法。
[0221]
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1-图2所示的实施例中的相关描述。
[0222]
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的认证方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0223]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种边缘网络资源分配方法，其特征在于，所述方法包括：获取用户的计算请求；基于所述计算请求，将所述计算请求映射至标识空间，得到标识空间映射模型，所述标识空间映射模型用于表征用户与服务器关系的映射；基于所述标识空间映射模型，对所述计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型；基及所述多目标优化模型，确定所述计算任务的最优分配策略。2.根据权利要求1所述的方法，其特征在于，所述标识空间包括访问空间与匹配空间；所述基于所述计算请求，将所述计算请求映射至标识空间映射模型，包括：基于所述计算请求，确定计算任务，所述计算任务包括计算卸载任务及资源分配任务；将所述计算卸载任务映射至所述访问空间，得到访问映射矩阵；将所述资源分配任务映射至所述匹配空间，得到匹配映射矩阵；基于访问映射矩阵匹配映射矩阵，得到所述标识空间映射模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述标识空间映射模型，对所述计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型，包括：基于所述访问映射矩阵，对所述计算任务中的用户端计算任务的能量成本及时间成本进行计算，得到用户端能量成本和时间成本优化问题；基于所述匹配映射矩阵，对所述计算任务中的服务器端计算任务的能量成本及时间成本进行计算，得到服务器端能量成本和时间成本优化问题；基于所述用户端能量成本和时间成本优化问题及所述服务器端能量成本和时间成本优化问题，构建得到多目标优化模型。4.根据权利要求3所述的方法，其特征在于，所述基于所述标识空间映射模型及所述多目标优化模型，确定所述计算任务的最优分配策略，包括：基于所述访问映射矩阵，确定服务器端与用户端的资源供需关系；基于所述服务器端与用户端的资源供需关系，确定最优匹配位置；基于所述多目标优化模型及所述最优匹配位置，构建匹配策略优化模型；基于所述匹配策略优化模型，确定所述计算任务的最优分配策略。5.根据权利要求4所述的方法，其特征在于，所述基于所述访问映射矩阵，确定服务器端与用户端的资源供需关系，包括：获取供需关系模型；将所述访问映射矩阵输入所述供需关系模型，得到所述服务器端与用户端的资源供需关系。6.根据权利要求5所述的方法，其特征在于，所述供需关系模型为预训练好的深度神经网络匹配模型。7.根据权利要求4所述的方法，其特征在于，所述基于所述匹配策略优化模型，确定所述计算任务的最优分配策略，包括：基于所述多目标优化模型，确定初始匹配策略；基于所述匹配策略优化模型，对初始匹配策略进行调整，以使得系统的能量成本和时间成本最小，得到所述计算任务的最优分配策略。
8.一种边缘网络资源分配装置，其特征在于，所述装置包括：获取单元，用于获取用户的计算请求；映射单元，用于基于所述计算请求，将所述计算请求映射至标识空间，得到标识空间映射模型，所述标识空间映射模型用于表征用户与服务器关系的映射；计算单元，用于基于所述标识空间映射模型，对所述计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型；确定单元，用于基于所述标识空间映射模型及所述多目标优化模型，确定所述计算任务的最优分配策略。9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的边缘网络资源分配方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的边缘网络资源分配方法。

技术总结
本发明提供边缘网络资源分配方法、装置、计算机设备及介质，包括：获取用户的计算请求；基于计算请求，将计算请求映射至标识空间，得到标识空间映射模型，标识空间映射模型用于表征用户与服务器关系的映射；基于标识空间映射模型，对计算请求对应的计算任务的能量成本及时间成本进行计算，构建多目标优化模型；基于标识空间映射模型及多目标优化模型，确定计算任务的最优分配策略。通过构建标识空间映射的系统模型，将边缘网络系统计算任务映射至标识空间，得到对边缘网络系统的能量成本和时间成本的优化模型，通过优化模型对资源编排策略进行调整优化，得到能量成本和时间成本最小的资源分配策略，保证了边缘网络系统的可靠性和网络性能。络性能。络性能。


技术研发人员：张维庭 杨冬 代嘉宁 王洪超 张宏科
受保护的技术使用者：北京交通大学
技术研发日：2023.03.13
技术公布日：2023/8/1