一种云边协同调度数据集合拓扑特征算法制造技术

本发明专利技术涉及信息技术领域，且公开了一种云边协同调度数据集合拓扑特征算法，包括以下步骤：S1：系统初始化，系统初始化核验；S2：网络拓扑与节点参数，收集网络拓扑与节点参数，并检测其是否完备；S3：应用数据集、特征数据集；S4：分类计算，形成应用数据序列，最后进行边缘和云端计算；本发明专利技术还提出了一种云边协同调度数据集合拓扑特征算法系统，包括算法模块、特征数据集等。本发明专利技术通过对移动端云边协同数学建模，提出了复杂网络拓扑结构下，最小化时延为目标的DATC算法，有效解决了目前市场云边协同效率不高、移动端边缘计算对实时性要求较高业务，服务质量QOS无法保障的问题。服务质量QOS无法保障的问题。服务质量QOS无法保障的问题。

【技术实现步骤摘要】
一种云边协同调度数据集合拓扑特征算法


[0001]本专利技术涉及信息
，具体为一种云边协同调度数据集合拓扑特征算法。

技术介绍

[0002]产品与产品、单元与单元、模组与模组之间通过通信线路实现信息共享与融合是其基本特征，边缘计算由于整合数据采集、处理、执行三大功能，在数据处理的实时性、带宽需求、数据安全性、业务可靠性等方面具有独有优势，受到越来越多的关注和青睐，成为市场主流方向。
[0003]目前市场边缘计算产品与业务算法软件紧密绑定，对于特定业务云边系统效果较好，对于多业务情况，由于不同业务的应用需求不尽相同，面向不同业务实现云边协同整体效率普遍不高，特别是移动端在跨域移动时，对于实时性要求较高的业务由于云边协同效率下降，边缘计算的优势不能得到充分发挥，因此，提出一种云边协同调度数据集合拓扑特征算法。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种云边协同调度数据集合拓扑特征算法，运用概率论和数理统计方法，通过对移动端云边协同数学建模，提出了复杂网络拓扑结构下，最小化时延为目标的数据集合拓扑特征算法(DATC)，有效解决了目前市场云边协同效率不高、移动端边缘计算对实时性要求较高业务，服务质量QOS无法保障的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种云边协同调度数据集合拓扑特征算法，包括以下步骤：
[0009]S1：系统初始化，系统初始化核验；
[0010]S2：网络拓扑与节点参数，收集网络拓扑与节点参数，并检测其是否完备，如果不完备则继续收集，如果完备则进行下一步；
[0011]S3：应用数据集、特征数据集，数据集合拓扑特征算法基于数学图论的Dijkstra算法建立应用数据集Sti和拓扑特征数据集Cti；
[0012]S4：分类计算，以最小时延为目标，运用特征量集合距离算法，根据集合树最小距离Dti(D
ti
＝min(c
ti
∈C
ti
|1≤i≤n))，处理边缘节点云边协同拓扑特征数据集Cti最优路径的问题，对于应用数据集Sti，将其作为复合Pission随机过程，通过对随机过程特征函数{Yt}数理统计指标的计算，获得特征曲线，然后对对神经网络进行训练，获得云边协同数据序列卸载策略，运用Δ数据序列算法对应用数据集Sti进行排序，形成应用数据序列，最后进行边缘和云端计算。
[0013]作为本专利技术再进一步的方案，所述S4中采用Relu函数设计并实现了1
×
10
×5×
1的深度神经网络，通过特征曲线用边缘实时数据对神经网络进行训练，获得云边协同数据
序列卸载策略。
[0014]进一步的，所述S4中根据云边协同时延要求Td和数据时延敏感指数Qi运用Δ数据序列算法对应用数据集Sti进行排序，形成应用数据序列。
[0015]在前述方案的基础上，所述S3中获得特征曲线为：m≥lnδ/ln(1
‑
n
min
/n)(0≤δ≤1，δ为评估指数)。
[0016]本专利技术还提出了一种云边协同调度数据集合拓扑特征算法系统，包括算法模块、特征数据集、深度神经网络模块、数据序列算法模块、数据传输模块、边缘计算模块，所述算法模块为数据集合拓扑特征算法，特征数据集包括应用数据集和拓扑特征集，数据集合拓扑特征算法(DATC)通过对云边协同拓扑结构的网络状态、行为和激励数据建模和参数配置，实现任务的优先级进行计算，所述特征数据集与数据序列算法模块、数据传输模块、边缘计算模块相连接。
[0017]进一步的，所述S3中算法模块连接有硬件模块，且硬件模块连接有协议转换模块和分类模块，分类模块对于采集的数据根据调度算法进行分类。
[0018](三)有益效果
[0019]与现有技术相比，本专利技术提供了一种云边协同调度数据集合拓扑特征算法，具备以下
[0020]有益效果：
[0021]1、本专利技术中，通过对移动端云边协同数学建模，提出了复杂网络拓扑结构下，最小化时延为目标的DATC算法，有效解决了目前市场云边协同效率不高、移动端边缘计算对实时性要求较高业务，服务质量QOS无法保障的问题。
[0022]2、本专利技术中，按照业务类型特点研发调度算法集，算法集可满足不同行业应用需求，用户可根据自身要求选择算法，定制策略，快速构建应用，极大缩短复杂工业品研制开发周期。
[0023]3、本专利技术中，运用Δ数据序列算法，将数据集合(DA)任务数据转换为序列数据，采用边缘优化策略对该策略网络进行训练，从而达到最佳程序时间。
附图说明
[0024]图1为本专利技术提出的一种云边协同调度数据集合拓扑特征算法的流程结构示意图；
[0025]图2为本专利技术提出的一种云边协同调度数据集合拓扑特征算法系统的框架机构示意图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0027]参照图1
‑
2，一种云边协同调度数据集合拓扑特征算法，包括以下步骤：
[0028]S1：系统初始化，系统初始化核验；
[0029]S2：网络拓扑与节点参数，收集网络拓扑与节点参数，并检测其是否完备，如果不完备则继续收集，如果完备则进行下一步；
[0030]S3：应用数据集、特征数据集，数据集合拓扑特征算法基于数学图论的Dijkstra算法建立应用数据集Sti和拓扑特征数据集Cti；
[0031]S4：分类计算，以最小时延为目标，运用特征量集合距离算法(CAD)，根据集合树最小距离Dti(D
ti
＝min(c
ti
∈C
ti
|1≤i≤n))，处理边缘节点云边协同拓扑特征数据集Cti最优路径的问题，对于应用数据集Sti，将其作为复合Pission随机过程，通过对随机过程特征函数{Yt}数理统计指标的计算，获得特征曲线：m≥lnδ/ln(1
‑
n
min
/n)(0≤δ≤1，δ为评估指数)；采用Relu函数设计并实现了1
×
10
×5×
1的深度神经网络(10层卷积，5层隐含，1层全连接输出)，通过特征曲线用边缘实时数据对神经网络进行训练，获得云边协同数据序列卸载策略；根据云边协同时延要求Td和数据时延敏感指数Qi运用Δ数据序列算法对应用数据集Sti进行排序，形成应用数据序列；最后数据序列在数据卸载策略的调度下，分别进行边缘和云端计算，云端数据返回边缘侧进行数据重组，形成边缘决策执行。
...

【技术保护点】

【技术特征摘要】
1.一种云边协同调度数据集合拓扑特征算法，其特征在于，包括以下步骤：S1：系统初始化，系统初始化核验；S2：网络拓扑与节点参数，收集网络拓扑与节点参数，并检测其是否完备，如果不完备则继续收集，如果完备则进行下一步；S3：应用数据集、特征数据集，数据集合拓扑特征算法基于数学图论的Dijkstra算法建立应用数据集Sti和拓扑特征数据集Cti；S4：分类计算，以最小时延为目标，运用特征量集合距离算法，根据集合树最小距离Dti(D
ti
＝min(c
ti
∈C
ti
|1≤i≤n))，处理边缘节点云边协同拓扑特征数据集Cti最优路径的问题，对于应用数据集Sti，将其作为复合Pission随机过程，通过对随机过程特征函数{Yt}数理统计指标的计算，获得特征曲线，通过对神经网络进行训练，获得云边协同数据序列卸载策略，运用Δ数据序列算法对应用数据集Sti进行排序，形成应用数据序列，最后进行边缘和云端计算。2.根据权利要求1所述的一种云边协同调度数据集合拓扑特征算法，其特征在于，所述S4中采用Relu函数设计并实现了1
×
10
×5×
1的深度神经网络，通过特征曲线用边缘...

【专利技术属性】
技术研发人员：伍桁鋆，伍宗文，
申请(专利权)人：零维无锡信息科技有限公司，
类型：发明
国别省市：