【技术实现步骤摘要】
本专利技术涉及物联网，具体地涉及一种数据平面的任务卸载模型训练系统、方法和处理器。
技术介绍
1、多源勘测是保障户外作业顺利开展的有力手段，也是关键工业、农业设施的重要保护手段。在多源勘测组网场景下，随着网络环境、条件的变化，网络拓扑也会随之变化。例如，节点的电量消耗和光充能的不均会导致拓扑和路由不得不随之调整，特别是lpwan和zigbee等异构物联网技术的融合场景中，常形成分簇、树形、多跳以及组合的网络结构，这使得网络拓扑的变化更加复杂多样。
2、这种多源勘测场景下，考虑到数据的冗余性和服务器存储容量限制，各节点需要在数据平面对组网上传的数据进行针对性处理，如数据清洗、数据压缩、数据校准、数据整合等，而不是简单地进行汇聚上传。对于上述数据处理任务，其分配到哪个节点将直接关系到网络的整体性能。同时，多源勘测场景下的网络拓扑频繁变化，不同时段各节点的状态也存在差异，如何选择节点承担数据平面上的任务，保证组网的稳定运行尤为重要。因此，针对不同拓扑、不同带宽条件、不同节点计算能力的异构多源勘测网络，要设计合理的任务卸载方案才能满足上述数据处理需求。例如在树形网络拓扑中，越靠近根节点的上层节点转发数据量越大，繁重的数据处理任务可以交给下层节点，这样可以使能耗更均衡，并减轻上层节点的负担。此外，也可根据勘测位置的紧要程度，调整节点的优先级，让拥有更高优先级的节点承担重要的数据处理任务，以确保关键数据的及时处理和传输。多源勘测组网场景是复杂的，如上所述，网络拓扑、节点能量都会频繁变化。多源勘测组网场景的复杂性和拓扑的频繁变化使
技术实现思路
1、本专利技术实施例的目的是提供一种数据平面的任务卸载模型训练系统、方法和处理器，该任务卸载模型训练系统可以交互式的训练任务卸载模型，以使得任务卸载模型能够适应复杂多变的勘测场景。
2、为了实现上述目的，一方面，本专利技术实施例提供一种数据平面的任务卸载模型训练系统，包括：
3、云服务器，用于构建任务卸载模型，并且将所述任务卸载模型的全局模型参数下发至多个边缘服务器；
4、用户设备，用于向所述边缘服务器发送计算任务请求信息；
5、边缘服务器，接收所述云服务器下发的全局模型参数和计算任务请求信息，以训练局部模型，并将训练好的局部模型的局部模型参数上传至云服务器中，以重新构建任务卸载模型。
6、可选的，所述计算任务请求信息包括初始状态，所述初始状态包括：服务器信息、计算任务信息、配置信息和网络信息。
7、另一方面，本专利技术还提供一种数据平面的任务卸载模型训练方法，包括：
8、边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练；
9、所述边缘服务器将各自训练后的局部模型的局部模型参数上传至云服务器；
10、根据获取到的各个边缘服务器上传的局部模型参数计算得到所述云服务器的更新全局模型参数；
11、判断所述更新全局模型参数是否符合预设条件；
12、在所述更新全局模型参数符合预设条件时，基于更新全局模型参数构建所述云服务器的任务卸载模型并向所述边缘服务器下发停止训练的通知。
13、可选的，所述任务卸载模型训练方法包括：在所述更新全局模型参数不符合条件时，返回执行边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练的步骤。
14、可选的，所述边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练包括：
15、获取从用户设备发送的计算任务请求信息的初始状态和全局模型参数，所述全局模型参数包括actor的策略参数和critic的值函数参数；
16、使用当前的actor策略获取到的初始状态选择动作，并且与环境交互以得到策略轨迹，所述策略轨迹包括当前状态、动作、奖励和下一个状态；
17、通过所述策略轨迹计算对应的每个状态的值函数，并使用值函数估计方法更新critic的值函数参数，以逼近真实值函数；
18、使用策略轨迹和更新的所述critic的值函数参数计算每个状态下选择每个动作的概率分布，且使用策略梯度方法更新所述actor的策略参数，以最大化累计回报；
19、所述边缘服务器将更新的所述actor的策略参数和critic的值函数参数集合为局部模型参数并上传至云服务器，以更新全局模型。
20、可选的，所述边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练包括：
21、判断所述边缘服务器是否收到云服务器发出的停止通知；
22、在未收到云服务器发出的停止通知时，返回执行获取从用户设备发送的计算任务请求信息的初始状态和全局模型参数的步骤；
23、在收到云服务器发出的停止通知时，所述边缘服务器停止训练。
24、可选的，所述根据获取到的各个边缘服务器上传的局部模型参数计算得到所述云服务器的更新全局模型参数包括：
25、获取从所述边缘服务器上传的对应局部模型参数；
26、根据所述局部模型参数获取与其对应的模型和模型包含的网络层；
27、采用联邦平均算法，根据公式(1)计算所述网络层的权重值和偏移量：
28、
29、其中，wj-avg表示第j层网络层的权重值，i表示模型的标记，m为模型的个数，wij表示第i个模型，第j层网络的权重值，oj-avg表示第j层网络层的偏移量，oij表示第i个模型，第j层网络的偏移量；
30、根据所述网络层的权重值和偏移量计算得到所述云服务器的更新全局模型参数。
31、另一方面，本专利技术还提供一种数据平面的任务卸载模型训练系统，其特征在于，包括如上述所述的边缘服务器，所述边缘服务器用于获取全局模型参数和计算任务请求信息以训练局部模型。
32、再一方面，本专利技术还提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行：如上述所述的一种数据平面的任务卸载模型训练方法。
33、通过上述技术方案，本专利技术提供的一种数据平面的任务卸载模型训练系统、方法和处理器通过云服务器构建任务卸载模型，并且可以将任务卸载模型的全局模型参数下发至多个边缘服务器。用户设备也可以向边缘服务器发送计算任务请求信息。该边缘服务器可以接收全局模型参数和计算任务请求信息，以训练局部模型，并且可以将训练好的局部模型的局部参数上传至云服务器中，以重新构建任务卸载模型，以使得该任务卸载模型能够适应复杂多变的勘测场景。
34、本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种数据平面的任务卸载模型训练系统，其特征在于，包括：
2.根据权利要求1所述的任务卸载训练系统，其特征在于，所述计算任务请求信息包括初始状态，所述初始状态包括：服务器信息、计算任务信息、配置信息和网络信息。
3.一种数据平面的任务卸载模型训练方法，其特征在于，包括：
4.根据权利要求3所述的任务卸载模型训练方法，其特征在于，所述任务卸载模型训练方法包括：在所述更新全局模型参数不符合条件时，返回执行边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练的步骤。
5.根据权利要求3所述的任务卸载模型训练方法，其特征在于，所述边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练包括：
6.根据权利要求5所述的任务卸载模型训练方法，其特征在于，所述边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练包括：
7.根据权利要求3所述的任务卸载模型训练方法，其特征在于，所述根据获取到的各个边缘服务器上传的局部模型参数计
8.一种数据平面的任务卸载模型训练系统，其特征在于，包括如权利要求3-7任一项所述的边缘服务器，所述边缘服务器用于获取全局模型参数和计算任务请求信息以训练局部模型。
9.一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：如权利要求3-7任一项所述的一种数据平面的任务卸载模型训练方法。
...【技术特征摘要】
1.一种数据平面的任务卸载模型训练系统，其特征在于，包括：
2.根据权利要求1所述的任务卸载训练系统，其特征在于，所述计算任务请求信息包括初始状态，所述初始状态包括：服务器信息、计算任务信息、配置信息和网络信息。
3.一种数据平面的任务卸载模型训练方法，其特征在于，包括：
4.根据权利要求3所述的任务卸载模型训练方法，其特征在于，所述任务卸载模型训练方法包括：在所述更新全局模型参数不符合条件时，返回执行边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局部模型进行训练的步骤。
5.根据权利要求3所述的任务卸载模型训练方法，其特征在于，所述边缘服务器从云服务器和用户设备获取全局模型参数和计算任务请求信息，以对局...
【专利技术属性】
技术研发人员：张春玲，董新微，吴冰，张济勇，胡志亮，赵训威，汪加杨，孙俊杰，于高，刘冬晖，孟子健，张利军，高美金，黄江倩，诸言涵，
申请(专利权)人：国网信息通信产业集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。