本发明专利技术公开了一种依赖任务卸载方法、终端设备及存储介质，基于上述一种依赖任务卸载方法，提出了一种具有两个状态嵌入层的多依赖任务双路动态卸载和调度方案，通过使用双路GRU捕获多个依赖任务的特征向量，根据特征向量将依赖任务重建模为有向无环图并进行多异构依赖任务的特征融合，求得多异构依赖任务的最优调度路径，根据获得的最优调度路径来训练卸载模型，做出最佳的卸载决策；考虑到局部边端模型训练的局限性，通过提出一种新的边‑云协作的卸载框架，将异构边缘服务器中训练好的卸载调度模型上传至云端进行加权聚合更新以提高模型的泛化能力，本发明专利技术，具有计提高计算效率以更精确快捷处理任务和多任务低开销处理的特点。
【技术实现步骤摘要】
本专利技术涉及边缘计算，具体为一种依赖任务卸载方法、终端设备及存储介质。
技术介绍
1、在物联网领域，边缘计算技术在充分部署和发展下，有望在智能城市中获得适当的应用，并展现出良好的性能，当前许多应用程序的任务大多是由相互之间有依赖关系的子任务组成，通常，可以将这类任务建模为有向无环图（dag）进行卸载调度，当移动设备产生的任务数据量大时，需要通过权衡任务处理的能耗、时延等指标达到综合最优情况，将数据处理任务分发给边缘节点或者云网络，这种任务分发的方式称为移动边缘计算的任务卸载，对于依赖任务的卸载可以分为以下三类：本地执行、卸载到边端、卸载到云端；
2、但现有的这些方法都仅仅只优化了模型的规划问题，常规的任务卸载方法无法对相互之间有依赖关系的任务进行调度决策，无法做到同时对异构的多依赖任务进行自适应的任务卸载；导致在智能体的学习过程中对于专家经验太过于依赖，在自我学习的能力上呈现欠缺，存在不可以更全面地感知复杂系统的整体情况，形成做出的决策精确度不够，进一步导致在现有的边缘计算场景下无法实时地根据场景进行自适应的任务卸载的问题。因此，设计提高计算效率以更精确快捷处理任务和提高任务卸载算法的自适应性的一种依赖任务卸载方法、终端设备及存储介质是很有必要的。
技术实现思路
1、本专利技术的目的在于提供一种依赖任务卸载方法、终端设备及存储介质，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：一种依赖任务卸载方法，包括以下步骤：</p>3、步骤s1：初始化actor网络和critic网络的模型参数，以当前系统环境状态向量作为算法输入的一部分，并找到中心性节点；
4、步骤s2：对异构dag任务进行异构特征融合，并作为算法的输入，得到动作集；
5、步骤s3：从得到的动作集中随机选择调度动作作为时间t的任务调度下一跳路径选择，通过actor网络和当前时间t的状态获得预测的动作集合，表示actor网络参数为，状态下动作为a时的输出概率，x表示动作空间；为从x中随机选取的第i个动作，由actor网络以环境的状态作为输入，输出在给定状态下执行各个动作的概率分布，critic网络评估给定状态下动作的价值，用于估计策略网络选择动作的好坏程度，actor-critic使用策略梯度方法更新策略网络；
6、在工作过程中，actor网络通过前向传播计算在状态下执行各个动作的概率分布，在mec环境中执行选择的卸载动作并获得响应的奖励值和下一时刻的系统状态，critic网络具有与actor网络相同的结构信息，并通过前向传播计算在状态下的值函数估计，将actor-critic网络的输出优势值作为损失函数的输入，计算所述损失函数的梯度，利用所述梯度调整actor网络的参数，同时对critic网络的参数进行软更新，软更新结束后，得到的目标网络即为当前任务卸载模型，利用所述当前任务卸载模型获取预测的动作集合；actor-critic网络需要得到的动作是一个二维动作，通过利用gru的门控单元获取dag任务的特征状态实现：
7、；
8、；
9、以得到下一跳调度路径和当前调度节点的卸载决策，将卸载决策执行到边缘计算系统中获得该动作的奖励值，进而更新网络模型；
10、步骤s4：记录迭代次数，将局部更新的模型上传至云端进行聚合和融合，得到全局模型的更新，通过基站服务范围内移动设备任务数据量的占比进行更新权重的分配；
11、步骤s5：对步骤s3和步骤s4重复进行，直到调度到dag任务的退出节点；
12、步骤s6：当本地资源可以处理任务时则进行本地执行，计算任务卸载时延；当本地资源不可以处理任务时执行步骤s7-s8；
13、步骤s7：进行任务卸载方式来处理任务，将任务卸载到边缘基站；
14、步骤s8：计算卸载到边缘基站上的数据上传速率；以及卸载到边缘基站处理任务的时延包括传输时延，计算时延、接收时延；
15、步骤s9：任务卸载后，获得相应的奖励；
16、步骤s10：将当前时间t状态、动作、奖励和最新的状态收集进经验收集器中；
17、步骤s11：利用经验收集器中的值计算神经网络优势估计值并计算损失梯度；
18、步骤s12：更新actor网络参数；
19、步骤s13：将更新后的actor网络和critic网络分别替换步骤s3的actor网络和critic网络，开始下一轮计算；
20、步骤s14：边缘基站在局部运行多个训练迭代来更新模型参数在完成局部训练后，云服务器收集在r轮迭代中更新的模型参数，并更新全局模型。
21、根据上述技术方案，在步骤s1中，还包括：
22、利用中心云服务器的强大算力，处理依赖任务边缘计算架构中智能终端中由于任务量过大而超出其计算能力的需要进行共同处理的部分，建立起一个以移动边缘计算为系统结构的任务卸载模型，任务卸载模型分为两个部分，分别是本地执行和任务卸载；
23、划分多个边缘网络，每个边缘网络中的边缘服务器可以解决边缘网络中大部分的计算和通信需求，针对边缘网络中智能设备无法处理的任务，边缘服务器提供大量的算力支持，边缘服务器将根据智能终端发送的请求以及网络中的计算资源分配以及节点带宽，选择最优的策略；
24、同时采用基于actor-critic模型的依赖任务卸载方法可以更合理地分配边缘基站的算力资源；采用异构bs上训练好的卸载调度模型定期上传到云端进行加权平均聚合后下发更新各自的模型。
25、根据上述技术方案，在步骤s2中，还包括：
26、所用算法的状态的状态空间包括mec系统环境状态和dag任务的特征状态即mec的环境信息不仅包括与边缘服务器相关的信息数据还包括了用户设备的相关信息。系统再决策过程中，如果将任务卸载到边缘服务器，边缘服务器的状态、信道增益、带宽等数据被考虑，用户设备计算能力和状态等数据信息影响系统的决策，边缘服务器信息和用户设备的信息共同构成了任务进行决策调度时的关键参考数据信息，通过一个多层感知器(mlp)层来学习边缘服务器和用户设备的特征状态并作为系统环境的嵌入信息；
27、在每一个时间步骤中都有且只有一个任务进行调度决策，通过观察当前mec系统环境中的状态信息，用户设备的卸载调度程序会根据决定好的卸载调度顺序在本地进行卸载调度，动作空间分为两部分，分别为调度路径选择动作和卸载决策选择动作；在每一个时间步骤中都会对一个任务进行调度决策，将决策执行到mec环境中，此时系统的状态进行转变；
28、提出一种基于中心性度量的异构多dag任务的联合调度方案，实现在找到任务最佳调度路径的同时进行最优卸载决策，利用dag任务的全局信息找到所有任务中的中心性节点，并将其记录为关键决策点进行优先调度分配，其次通过联合异构dag任务的调度特征和mec环境特征来保证在每一个时隙选择的调度路径都是本文档来自技高网
...
【技术保护点】
1.一种依赖任务卸载方法，其特征在于：所述该方法具体包括以下步骤：
2.根据权利要求1所述的一种依赖任务卸载方法，其特征在于：在所述步骤S1中，还包括：
3.根据权利要求2所述的一种依赖任务卸载方法，其特征在于：在所述步骤S2中，包括：
4.根据权利要求3所述的一种依赖任务卸载方法，其特征在于：在所述步骤S2中，还包括：
5.根据权利要求4所述的一种依赖任务卸载方法，其特征在于：在所述步骤S4中，包括：
6.根据权利要求5所述的一种依赖任务卸载方法，其特征在于：在所述步骤S4中，还包括：
7.一种终端设备，其特征在于：所述终端设备包括：
8.根据权利要求7所述的一种终端设备，其特征在于：所述多个处理器包括：本地服务器，边缘服务器。
9.一种存储介质，其特征在于：所述一种存储介质包括：一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时执行上述权利要求1所述方法的步骤。
【技术特征摘要】
1.一种依赖任务卸载方法，其特征在于：所述该方法具体包括以下步骤：
2.根据权利要求1所述的一种依赖任务卸载方法，其特征在于：在所述步骤s1中，还包括：
3.根据权利要求2所述的一种依赖任务卸载方法，其特征在于：在所述步骤s2中，包括：
4.根据权利要求3所述的一种依赖任务卸载方法，其特征在于：在所述步骤s2中，还包括：
5.根据权利要求4所述的一种依赖任务卸载方法，其特征在于：在所述步骤s4中，...
【专利技术属性】
技术研发人员：梁伟，肖嘉宏，陈宇翔，阳超逸，文吉刚，李冠憬，
申请(专利权)人：湖南科技大学，
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。