任务卸载方法技术

本申请涉及一种任务卸载方法

【技术实现步骤摘要】
任务卸载方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，特别是涉及一种任务卸载方法
、
装置
、
计算机设备和存储介质
。

技术介绍

[0002]在
IIoT(Industrial Internet of Things
，工业物联网
)
系统中，大规模异构工业设备产生大量实时数据，这些数据应该在严格的时延约束下进行处理，意外延误或者任务中断均可能导致重大安全问题和巨大的生产损失
。
考虑到大规模
IIoT
设备的分布式拓扑结构，基于
CSS(Centralized Cloud Server
，集中式云服务器
)
的处理很难满足时间敏感服务的时延要求
。
因此，
MEC(Mobile Edge Computing
，移动边缘计算
)
通过允许
IIoT
设备将处理任务卸载到附近的
ES(Edge Server
，边缘服务器
)
来减少数据传输延迟
。
[0003]然而，传统的任务卸载方案仅关注资源调度，没有考虑到
IIoT
设备和计算任务本身的特征，造成任务卸载方案的鲁棒性较差，且实施任务卸载方案后处理任务的效率较低，进而导致工业生产能力降低甚至出现生产事故
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提升任务处理效率的任务卸载方法
、
装置
、
计算机设备和存储介质
。
[0005]第一方面，本申请提供了一种任务卸载方法
。
该方法包括：
[0006]将目标终端在历史时段内的历史位置数据输入至位置预测模型，得到目标终端在未来时段内的未来位置数据；
[0007]将目标终端在历史时段内的历史任务流量数据输入至流量预测模型，得到目标终端在未来时段内的未来任务流量数据；
[0008]根据未来位置数据，未来任务流量数据，以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，从各处理节点中确定目标处理节点；
[0009]将目标终端在未来时段内的任务卸载至目标处理节点
。
[0010]在其中一个实施例中，根据未来位置数据，未来任务流量数据，以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，从各处理节点中确定目标处理节点，包括：
[0011]根据未来位置数据，未来任务流量数据，以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，确定将目标终端在未来时段内的任务卸载至各处理节点的预测时延；其中，预测时延包括传播时延
、
传输时延
、
处理时延和排队时延；
[0012]根据各处理节点对应的预测时延，从各处理节点中确定目标处理节点
。
[0013]在其中一个实施例中，根据未来位置数据，未来任务流量数据，以及目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，确定将目标终端在未来时段内的任务卸载至各处理节点的预测时延，包括：
[0014]根据信号传播速率
、
未来位置数据和目标终端所在工业物联网系统中各处理节点的当前位置数据，确定将目标终端在未来时段内的任务卸载至各处理节点的传播时延；
[0015]根据未来任务流量数据，确定将目标终端在未来时段内的任务卸载至各处理节点的传输时延；
[0016]根据未来任务流量数据和各处理节点的当前剩余处理能力，确定将目标终端在未来时段内的任务卸载至各处理节点的处理时延；
[0017]根据将目标终端在未来时段内的任务卸载至各处理节点的处理时延，确定将目标终端在未来时段内的任务卸载至各处理节点的排队时延
。
[0018]在其中一个实施例中，根据信号传播速率
、
未来位置数据和目标终端所在工业物联网系统中各处理节点的当前位置数据，确定将目标终端在未来时段内的任务卸载至各处理节点的传播时延，包括：
[0019]根据未来位置数据和目标终端所在工业物联网系统中各处理节点的当前位置数据，确定目标终端和各处理节点之间的距离；
[0020]将各距离与信号传播速率的比值，确定为将目标终端在未来时段内的任务卸载至各处理节点的传播时延
。
[0021]在其中一个实施例中，未来任务流量数据包括任务包长度和任务所需带宽；
[0022]根据未来任务流量数据，确定将目标终端在未来时段内的任务卸载至各处理节点的传输时延，包括：
[0023]将任务包长度与任务所需带宽的比值，确定为将目标终端在未来时段内的任务卸载至各处理节点的传输时延
。
[0024]在其中一个实施例中，未来任务流量数据包括任务所需处理能力；
[0025]根据未来任务流量数据和各处理节点的当前剩余处理能力，确定将目标终端在未来时段内的任务卸载至各处理节点的处理时延，包括：
[0026]将任务所需处理能力与目标终端所在工业物联网系统中各处理节点的当前剩余处理能力的比值，确定为将目标终端在未来时段内的任务卸载至各处理节点的处理时延
。
[0027]在其中一个实施例中，位置预测模型和流量预测模型均基于长短期记忆网络
LSTMN
构建得到
。
[0028]在其中一个实施例中，历史时段包括至少两个历史时间区间，将目标终端在历史时段内的历史位置数据输入至位置预测模型，得到目标终端在未来时段内的未来位置数据，包括：
[0029]提取目标终端在各历史时间区间内的历史位置数据的特征向量；
[0030]根据目标终端在各历史时间区间内的历史位置数据的特征向量，构建目标终端在历史时段内的位置特征向量序列；
[0031]将位置特征向量序列输入至位置预测模型，得到目标终端在未来时段内的未来位置数据
。
[0032]在其中一个实施例中，历史时段包括至少两个历史时间区间，将目标终端在历史时段内的历史任务流量数据输入至流量预测模型，得到目标终端在未来时段内的未来任务流量数据，包括：
[0033]提取目标终端在各历史时间区间内的历史任务流量数据的特征向量；
[0034]根据目标终端在各历史时间区间内的历史任务流量数据的特征向量，构建目标终端在历史时段内的流量特征向量序列；
[0035]将流量特征向量序列输入至位置预测模型，得到目标终端在未来时段内的未来任务流量数据
。
[0036]在其中一个实施例中，目标处理节点包括工业物联网终端
、
边缘服务器和云服务器中的至少一个
。
[0037]第二方面，本申请还提供了一种任务卸载装置...

【技术保护点】

【技术特征摘要】
1.
一种任务卸载方法，其特征在于，包括：将目标终端在历史时段内的历史位置数据输入至位置预测模型，得到所述目标终端在未来时段内的未来位置数据；将所述目标终端在历史时段内的历史任务流量数据输入至流量预测模型，得到所述目标终端在未来时段内的未来任务流量数据；根据所述未来位置数据，所述未来任务流量数据，以及所述目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，从各处理节点中确定目标处理节点；将所述目标终端在未来时段内的任务卸载至所述目标处理节点
。2.
根据权利要求1所述的方法，其特征在于，所述根据所述未来位置数据，所述未来任务流量数据，以及所述目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，从各处理节点中确定目标处理节点，包括：根据所述未来位置数据，所述未来任务流量数据，以及所述目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，确定将所述目标终端在未来时段内的任务卸载至各处理节点的预测时延；其中，所述预测时延包括传播时延
、
传输时延
、
处理时延和排队时延；根据各处理节点对应的预测时延，从各处理节点中确定目标处理节点
。3.
根据权利要求2所述的方法，其特征在于，所述根据所述未来位置数据，所述未来任务流量数据，以及所述目标终端所在工业物联网系统中各处理节点的当前位置数据和当前剩余处理能力，确定将所述目标终端在未来时段内的任务卸载至各处理节点的预测时延，包括：根据信号传播速率
、
所述未来位置数据和所述目标终端所在工业物联网系统中各处理节点的当前位置数据，确定将所述目标终端在未来时段内的任务卸载至各处理节点的传播时延；根据所述未来任务流量数据，确定将所述目标终端在未来时段内的任务卸载至各处理节点的传输时延；根据所述未来任务流量数据和各处理节点的当前剩余处理能力，确定将所述目标终端在未来时段内的任务卸载至各处理节点的处理时延；根据将所述目标终端在未来时段内的任务卸载至各处理节点的处理时延，确定将所述目标终端在未来时段内的任务卸载至各处理节点的排队时延
。4.
根据权利要求3所述的方法，其特征在于，所述根据信号传播速率
、
所述未来位置数据和所述目标终端所在工业物联网系统中各处理节点的当前位置数据，确定将所述目标终端在未来时段内的任务卸载至各处理节点的传播时延，包括：根据所述未来位置数据和所述目标终端所在工业物联网系统中各处理节点的当前位置数据，确定所述目标终端和各处理节点之间的距离；将各距离与信号传播速率的比值，确定为将所述目标终端在未来时段内的任务卸载至各处理节点的传播时延
。5.
根据权利要求3所述的方法，其特征在于，所述未来任务流量数据包括任务包长度和任务所需带宽；
所述根据所述未来任务流量数据，确定将所述目标终端在未来时段内的任务卸载至各处理节点的传输时延，包括：将任务包长度与任务所需带宽的比值，确定为将所述目标终端在未来时段内的任务卸载至各处理节点的传输时延
。6.
根据权利要求3所述的方法，其特征在于，所述未来任务流量数据包括任务所需处理...

【专利技术属性】
技术研发人员：武晓鸽，詹文浩，戴国华，谭华，马晓亮，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：