【技术实现步骤摘要】
本专利技术涉及边缘计算，尤其涉及一种边缘计算卸载的方法。
技术介绍
1、随着物联网(lot)和大数据技术的快速发展，边缘设备(如智能手机、传感器等)产生的数据量呈爆炸性增长。然而，由于边缘设备的计算资源和存储能力有限，如何高效处理这些数据成为了一个挑战。边缘计算作为一种新兴的计算范式，通过将计算任务卸载到边缘服务器，可以有效缓解这一问题。然而，现有的边缘计算卸载模型往往忽略了不同边缘设备之间的计算能力、数据特性等差异，无法实现个性化的卸载决策。
2、当前所提出的卸载模型中，存在一些不足。
3、1)现有的边缘计算卸载模型往往采用统一的卸载策略，忽略了不同边缘设备在计算能力、数据特性、应用场景等方面的差异，无法实现个性化的卸载决策。这导致了资源利用的低效和计算效率的不佳。
4、2)在现有的计算卸载模型中，通常需要边缘设备将原始数据或计算结果传输到中心服务器进行处理。这种方式容易引发数据泄露和隐私侵犯的风险，尤其是在处理敏感数据时。
5、3)由于边缘设备的计算资源和数据有限，其本地模型可能无法很好地泛化到所有场景。而现有的卸载模型往往没有有效地将多个边缘设备的本地知识融合到全局模型中，限制了模型的准确性和泛化能力。
6、4)现有的卸载模型在资源分配上可能不够合理，无法根据边缘设备的实际情况和需求进行动态调整。这可能导致计算资源的浪费或不足，影响计算效率和服务质量。
技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种边缘
2、本专利技术实施例提供的一种边缘计算卸载的方法，包括以下步骤：
3、云端服务器对所有边缘服务器的本地局部模型的参数进行初始化，并下发给每个边缘服务器，用于训练；
4、用户设备向边缘服务器发送计算任务请求；
5、边缘服务器接收到所述计算任务请求，采用基于dqn模型的深度学习优化算法对本地局部模型进行训练，以获得个性化的本地局部模型；
6、边缘服务器将本地局部模型更新的增量发送给云端服务器，云端服务器利用本地局部模型更新的增量对超网络模型进行更新；
7、云端服务器通过三层个性化超网络模型和一层全局超网络模型加权聚合最后超网络，再与边缘服务器各自对应的本地局部模型进行聚合，为边缘服务器输出个性化的本地局部模型；
8、云端服务器将个性化的本地局部模型再次发送给对应的边缘服务器；
9、重复上述步骤，直到规定迭代次数r或损失函数l收敛，所有边缘服务器的损失函数平均值达到最小收敛；
10、云端服务器通知所有边缘服务器停止训练。
11、所述计算任务请求进一步包括：
12、任务参数：表示任意的i属于m，从1到m，其中r(i)表示第i个终端设备的任务请求，表示r(i)的定义为(ii，ci，ti)，任务请求参数信息中，ii表示输入数据的大小，ci表示任务所需要完成的cpu周期数，ti表示时间，i表示第i个终端设备；
13、网络配置参数：每个终端设备在卸载时都会消耗一定的传输能量，并且任务卸载时间和能耗是考虑的关键指标，r(i)表示计算任务卸载到边缘服务器，终端设备在当前时间块的传输功率pi，i到边缘服务器上的信道增益hi，信道带宽wi，高斯白噪音功率σ2；
14、终端配置参数：终端的处理每比特数据所需要的计算周期数c_loc，终端的计算频率f_loc，终端的计算能效比k_loc，终端的数据传输能效比k_t，终端的数据传输限制t，终端到其关联基站的距离d；
15、基站配置参数：基站的处理每比特数据所需要的计算周期数c_e，基站的计算频率f_e，基站的计算能效比k_e，基站的噪声功率谱密度no_e，每个基站的带宽b_e。
16、进一步地，所述dqn模型是三层神经网络，包括输入层、若干隐藏层和输出层，用于近似q函数，dqn模型的参数包括权重和偏置。
17、所述云端服务器利用本地局部模型更新的增量对超网络模型进行更新，进一步包括：
18、更新的增量δθj表示为：δθt＝θ′t-θt，这里的θ′t是边缘服务器通过本地训练后得到的模型参数，而θt是从云端服务器接收的模型参数，
19、针对边缘服务器j所对应的超网络以下是vj、ν和的更新方式：
20、
21、其中δνj表示当前边缘服务器j对应的局部超网络嵌入向量的变化，δν表示全局嵌入向量的变化，表示当前边缘服务器j对应的部超网络参数的变化，表示全局超网络参数的变化，表示的当前边缘服务器j对应本地模型参数，δθj表示当前边缘服务器j对应本地模型参数的增量，{θl1，θl2，…，θln}表示当边缘服务器j对应的本地模型每一层的参数，分别表示各自的梯度。
22、进一步包括：云端服务器的目标函数，以及边缘服务器j对应的嵌入向量和超网络参数的更新规则，
23、每个边缘服务器j的本地模型参数是通过加权聚合根据εj：
24、
25、其中表示为：
26、
27、通过每一层模型参数与对应εj进行聚合，得到最终每一层的模型参数，
28、算法的目标函数根据公式表示为：
29、
30、得到n个边缘服务器下关于最终本地模型参数的损失函数平均最小值，
31、其中v＝{v1，v2，…，vn}是每一个边缘服务器j对应的嵌入向量，
32、是每一个边缘服务器j对应的超网络参数，ν是全局的嵌入向量，是全局的超网络参数，算法将本地模型参数的优化问题转换为嵌入向量νj、局部嵌入向量ν、超网络参数以及全局超网络参数
33、以下是更新规则：
34、
35、
36、上述公式用于计算嵌入局部嵌入向量vi关于边缘服务器j的损失函数的梯度全局嵌入向量ν关于边缘服务器j的损失函数的梯度全局超网络参数关于边缘服务器j的损失函数的梯度以及计算超网络参数关于边缘服务器j的损失函数的梯度表示的当前边缘服务器j对应的本地模型参数，δθj表示当前边缘服务器j对应本地模型参数的增量，{θl1，θl2，…，θln}表示当前边缘服务器对应的本地模型每一层的参数，分别表示各自的梯度，表示关于损失函数的梯度。
37、所述云端服务器通过三层个性化超网络模型和一层全局超网络模型加权聚合最后超网络，再与边缘服务器各自对应的本地局部模型进行聚合，为边缘服务器输出个性化的本地局部模型，进一步包括：
38、最终超网络的值为εj，εj定义为
39、
40、算法的聚合权重矩阵εj的更新过程：
41、
42、设本文档来自技高网...
【技术保护点】
1.一种边缘计算卸载的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的边缘计算卸载的方法，其特征在于，所述计算任务请求进一步包括：
3.根据权利要求1所述的边缘计算卸载的方法，其特征在于，所述DQN模型是三层神经网络，包括输入层、若干隐藏层和输出层，用于近似Q函数，DQN模型的参数包括权重和偏置。
4.据权利要求1所述的边缘计算卸载的方法，其特征在于，所述云端服务器利用本地局部模型更新的增量对超网络模型进行更新，进一步包括：
5.据权利要求1所述的边缘计算卸载的方法，其特征在于，进一步包括：云端服务器的目标函数，以及边缘服务器j对应的嵌入向量和超网络参数的更新规则，
6.据权利要求1所述的边缘计算卸载的方法，其特征在于，所述云端服务器通过三层个性化超网络模型和一层全局超网络模型加权聚合最后超网络，再与边缘服务器各自对应的本地局部模型进行聚合，为边缘服务器输出个性化的本地局部模型，进一步包括：
【技术特征摘要】
1.一种边缘计算卸载的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的边缘计算卸载的方法，其特征在于，所述计算任务请求进一步包括：
3.根据权利要求1所述的边缘计算卸载的方法，其特征在于，所述dqn模型是三层神经网络，包括输入层、若干隐藏层和输出层，用于近似q函数，dqn模型的参数包括权重和偏置。
4.据权利要求1所述的边缘计算卸载的方法，其特征在于，所述云端服务器利用本地局部模型更新的...
【专利技术属性】
技术研发人员：李阳，姜毅，李璐鑫，马礼，宋丽华，
申请(专利权)人：北方工业大学，
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。