服务卸载方法、装置及系统制造方法及图纸

本发明专利技术提供了一种服务卸载方法、装置及系统，涉及通信技术领域，该方法包括：获取待卸载服务数据、资源数据、初始化的策略网络和初始化的评价网络；根据资源数据计算待卸载服务数据的时延参数；根据待卸载服务数据和初始化的策略网络生成第一服务卸载结果；根据时延参数和初始化的评价网络生成第一服务卸载结果的第一评价结果；根据第一服务卸载结果和第一评价结果，利用深度确定性策略梯度算法更新策略网络的第一梯度参数和评价网络的第二梯度参数；根据更新后的策略网络和更新后的评价网络生成待卸载服务数据在资源数据的目标服务卸载结果。本发明专利技术充分利用雾计算的资源，为物联网业务提供低时延响应服务。网业务提供低时延响应服务。网业务提供低时延响应服务。

【技术实现步骤摘要】
服务卸载方法、装置及系统


[0001]本专利技术涉及通信
，尤其是涉及一种服务卸载方法、装置及系统。

技术介绍

[0002]在5G网络快速发展的背景下，物联网的应用范围越来越广，为人们的工作和生活提供了更多的新业务。但是，部分物联网业务对计算时延比较敏感，对物联网性能提出了更高的要求。由于雾计算具有时延低的优点，逐渐作为云计算技术的补充，在物联网中的应用越来越广。在此背景下，如何充分利用雾计算的资源，为物联网业务提供更低时延响应服务，已成为一个重要的研究内容。

技术实现思路

[0003]本专利技术提供了一种服务卸载方法、装置及系统，可以缓解雾计算环境下网络服务卸载延迟大的问题。
[0004]第一方面，本专利技术实施例提供了一种服务卸载方法，该方法包括：获取待卸载服务数据、资源数据、初始化的策略网络和初始化的评价网络；根据资源数据计算待卸载服务数据的时延参数；根据待卸载服务数据和初始化的策略网络生成第一服务卸载结果；根据时延参数和初始化的评价网络生成所述第一服务卸载结果的第一评价结果；根据第一服务卸载结果和第一评价结果，利用深度确定性策略梯度算法更新策略网络的第一梯度参数和评价网络的第二梯度参数；根据更新后的策略网络和更新后的评价网络生成待卸载服务数据的目标服务卸载结果。
[0005]第二方面，本专利技术实施例还提供一种服务卸载装置，该装置包括：获取模块，用于获取待卸载服务数据、资源数据、初始化的策略网络和初始化的评价网络；时延模块，用于根据资源数据计算待卸载服务数据的时延参数；第一生成模块，用于根据待卸载服务数据和初始化的策略网络生成第一服务卸载结果；第二生成模块，用于根据时延参数和初始化的评价网络生成所述第一服务卸载结果的第一评价结果；更新模块，用于根据第一服务卸载结果和第一评价结果，利用深度确定性策略梯度算法更新策略网络的第一梯度参数和评价网络的第二梯度参数；结果模块，用于根据更新后的策略网络和更新后的评价网络生成待卸载服务数据的目标服务卸载结果。
[0006]第三方面，本专利技术实施例还提供一种服务卸载系统，该系统包括：云服务主控模块、区域SDN控制模块、边缘节点模块、数据模块、设备模块和上述任一种服务卸载装置；服务卸载装置分别与云服务主控模块、区域SDN控制模块、节点模块、数据模块和设备模块通信连接。
[0007]第四方面，本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述服务卸载方法。
[0008]第五方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储
介质存储有执行上述服务卸载方法的计算机程序。
[0009]本专利技术实施例带来了以下有益效果：本专利技术实施例提供了一种服务卸载方案，该方案包括获取待卸载服务数据、资源数据、初始化的策略网络和初始化的评价网络；根据资源数据计算待卸载服务数据的时延参数；根据待卸载服务数据和初始化的策略网络生成第一服务卸载结果；根据时延参数和初始化的评价网络生成所述第一服务卸载结果的第一评价结果；根据第一服务卸载结果和第一评价结果，利用深度确定性策略梯度算法更新策略网络的第一梯度参数和评价网络的第二梯度参数；根据更新后的策略网络和更新后的评价网络生成待卸载服务数据的目标服务卸载结果。本专利技术实施例根据资源数据计算得到时延参数，利用时延参数实现不同类型资源数据对时延的限制，再利用时延参数得到第一服务卸载结果和第一评价结果，之后，利用深度确定性策略梯度算法对策略网络和评价网络进行更新，利用更新后的网络得到目标服务卸载结果，充分利用雾计算的资源，为物联网业务提供低时延响应服务。
[0010]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0011]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0012]为了更清楚地说明本专利技术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专利技术的一些实施方式，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。
[0013]图1为本专利技术实施例提供的服务卸载方法流程图；
[0014]图2为本专利技术实施例提供的服务卸载系统架构示意图；
[0015]图3为本专利技术实施例提供的服务卸载方法实施步骤示意图；
[0016]图4为本专利技术实施例提供的相邻单元之间的最大距离对平均数据传输率的影响示意图；
[0017]图5为本专利技术实施例提供的每个计算节点连接的设备数对平均数据传输率的影响示意图；
[0018]图6为本专利技术实施例提供的一种服务卸载装置结构框图；
[0019]图7为本专利技术实施例提供的另一种服务卸载装置结构框图；
[0020]图8为本专利技术实施例提供的计算机设备结构框图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0022]目前，现有方案一以解决雾计算节点能耗为目标，采用博弈论理论、智能优化理论提出了分布式计算服务卸载算法，较好的降低了雾计算节点的能源消耗。现有方案二以解决多个计算任务时延为目标，采取计算任务之间合作的方式，提出了降低时延的服务卸载算法，较好的降低了任务执行的时延，而且降低了边缘节点的能耗。现有方案三以降低雾计算节点能耗、任务执行时延、降低任务节点支付费用为综合优化目标，采用深度强化学习算法，提出了最优化的服务卸载算法，在实验中取得了较好的效果。现有方案四以解决高清视频信号处理时延为目标，以能耗最小化、低时延为优化目标，采用智能优化算法对问题进行了建模和求解。现有方案五以网络环境密集和复杂为研究背景，提出了网络密集环境下的服务卸载和资源调度的联合分配算法，较好的解决了密集网络环境下的资源分配问题，降低了任务计算时延。现有方案六以减少用户资源竞争时长为切入点，提出了服务调度算法，优化了用户资源分配机制，降低了用户任务的计算时延。
[0023]从已有方案可知，已有方案在服务卸载的时延、能耗等方面已经取得了较好的结果。但是，已有方案在雾计算环境方面较少的考虑服务类型、边缘节点的类型等方面的因素，而且没有考虑整体网络环境下的服务卸载问题，尤其是没有考虑网络环境范围较大、动态变化等因素。因此急需一种新的服务卸载算法，可以在综合考虑网络动态变化、网络规模、服务类型等场景下的服务卸载时延最小化的算法。
[0024]基于此，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服务卸载方法，其特征在于，包括：获取待卸载服务数据、资源数据、初始化的策略网络和初始化的评价网络；根据所述资源数据计算所述待卸载服务数据的时延参数；根据所述待卸载服务数据和所述初始化的策略网络生成第一服务卸载结果；根据所述时延参数和所述初始化的评价网络生成所述第一服务卸载结果的第一评价结果；根据所述第一服务卸载结果和所述第一评价结果，利用深度确定性策略梯度算法更新所述策略网络的第一梯度参数和所述评价网络的第二梯度参数；根据更新后的策略网络和更新后的评价网络生成所述待卸载服务数据的目标服务卸载结果。2.根据权利要求1所述的方法，其特征在于，获取初始化的策略网络和初始化的评价网络之前，还包括：随机生成初始第一梯度参数和初始第二梯度参数；利用所述初始第一梯度参数初始化策略网络得到初始化的策略网络；利用所述初始第二梯度参数初始化评价网络得到初始化的评价网络。3.根据权利要求1所述的方法，其特征在于，所述资源数据包括计算资源数据和传输资源数据；根据所述资源数据计算所述待卸载服务数据的时延参数，包括：获取传输时延数据；根据所述传输时延数据、所述计算资源数据和所述传输资源数据计算待卸载服务数据的执行时长；根据所述执行时长确定待卸载服务数据的时延参数。4.根据权利要求3所述的方法，其特征在于，获取传输时延数据之前，还包括按照如下公式生成传输时延数据：其中，TR
D,X
表示传输时延数据，X表示云端计算服务、传感器终端或边缘计算节点，TD
D,X
表示任务节点和接受任务的节点间的距离，GS表示高斯白噪声功率，TH
D,X
表示网络信道的衰落因子，B表示网络的传输带宽，δ是表示网络线路的损耗因子，表示接受任务节点的功率，表示任务节点和接受任务的节点间的传输线路损耗。5.根据权利要求4所述的方法，其特征在于，包括按照如下公式根据所述传输时延数据、所述计算资源数据和所述传输资源数据计算待卸载服务数据的执行时长：据、所述计算资源数据和所述传输资源数据计算待卸载服务数据的执行时长：
其中，表示任务在空闲设备上的执行时长，表示空闲设备的计算能力，R
D2D
表示节点D到节点D的传输时延数据，表示任务在本地设备上的执行时长，表示本地设备的计算能力，表示任务在边缘设备上的执行时长，表示边缘设备的计算能力，R
D2M
表示节点D到雾计算节点M的传输时延数据，表示任务在云端设备上的执行时长，f
R
表示云端设备的计算能力，R
D2R
表示节点D到云端节点R的传输时延数据，表示雾计算节点资源集合，表示传感器节点集合，D
j
表示传感器节点，Q
p
表示计算资源数据，S
p
表示传输资源数据。6.根据权利要求5所述的方法，其特征在于，包括利用如下公式根据所述执行时长确定待卸载服务数据的时延参数：其中，表示待卸载服务数据的时延参数，表示本地卸载模式参数，表示雾计算节点卸载模式参数，表示云端卸载模式参数，表示云端卸载模式参数，表示空闲设备卸载模式参数，表示任务在本地设备上的执行时长，表示任务在边缘设备上的执行时长，表示任务在云端设备上的执行时长，表示任务在空闲设备上的执行时长，K
p
表示待卸载服务数据中的子任务。7.根据权利要求6所述的方法，其特征在于，包括：利用如下公式根据所述待卸载服务数据和所述初始化的策略网络生成第一服务卸载结果：数据和所述初始化的策略网络生成第一服务卸载结果：数据和所述初始化的策略网络生成第一服务卸载结果：数据和所述初始化的策略网络生成第一服务卸载结果：数据和所述初始化的策略网络生成第一服务卸载结果：其中，表示动作集合，表示在边缘计算节点执行的动作，表示在空闲设备执行的动作，表示雾计算节点卸载模式参数，表示空闲设备卸载模式参数，Q
p
表示计算资源数据。8.根据权利要求7所述的方法，其特征在于，包括：利用如下公式根据所述时延参数和所述初始化的评价网络生成所述第一服务卸载结果的第一评价结果：
其中，S
t
表示状态空间，表示使用边缘计算节点卸载，表示使用空闲...

【专利技术属性】
技术研发人员：邹彪，杜伟，王和平，孟小前，武艺，郑思嘉，张嘉琳，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：