1.一种云边协同分层计算方法,其特征在于,主要包括以下步骤:
步骤1、设备层随机生成实时任务,对任务进行预处理后,将任务传输到云层或边缘层;
步骤2、引入最大化累积奖赏(QoS)作为评价指标;
步骤3、将QoS代入至深度强化学习模型中进行训练,以获得最优策略;
步骤4、对传入云层的任务直接进行处理;对传入边缘层的任务进行单边计算或边边协同计算;
步骤5、对于计算量小且时延要求低的任务,通过SAE算法选择合适的边缘服务器进行单边计算;
步骤6、对于计算量大且时延要求较高的任务,通过边缘计算集群的协同算法对任务以分解、处理、组合的方式进行边边协同计算。
2.根据权利要求1所述的云边协同分层计算方法,其特征在于,步骤1中所述预处理包括:分析并得到任务调度的响应时间、吞吐量、处理任务所需的能耗。
3.根据权利要求1所述的云边协同分层计算方法,其特征在于,步骤2中所述最大化累积奖赏(QoS)为:QoS={Response Time,Throughput,Energy}={ReT,Thr,En},其中,ReT为任务调度的响应时间,Thr为吞吐量,En为处理任务所需的能耗,计算公式如下:其中,m表示传输到云层的任务数,n表示传输到边缘层的任务数。
4.根据权利要求3所述的云边协同分层计算方法,其特征在于,步骤2中最大化累积奖赏(QoS)的优化目标为:max(QoS)=max({ReT′,Thr′,En′}),
其中,ReT’,Thr’,En’分别为ReT,Thr,En归一化处理后的结果。
5.根据权利要求1所述的云边协同分层计算方法,其特征在于:步骤3中,所述深度强化学习模型使用基于深度强化学习的任务调度优化算法进行训练。
6.根据权利要求1所述的云边协同分层计算方法,其特征在于:步骤4中,根据计算量和时延要求的不同,对传入边缘层的任务选择进行单边计算或边边协同计算。
7.根据权利要求1所述的云边协同分层计算方法,其特征在于,步骤5中,所述SAE算法的具体步骤如下:S1:系统搜索所有的边缘服务器,并构造成集合E;
S2:根据新任务的排队时间的计算公式,得到集合E中每个边缘服务器的排队时间Tqueue;
S3:评估排队时间并判断是否大于任务x的截止时间,更新边缘服务器的候选集Es以处理该任务,然后再根据解决任务的总时间再次更新Es;
S4:经过S1-S3后,边缘服务器的候选集Es中的每个边缘服务器都满足处理该任务的要求,最后,从Es中为任务x随机选择边缘服务器。
8.根据权利要求7所述的云边协同分层计算方法,其特征在于,步骤6中,所述边缘计算集群的协同算法的具体步骤如下:S1:根据处理时间的公式,集合E中的每个边缘服务器在约束条件下计算子任务指令号IN(E),然后,以降序对IN(E)进行排序,并创建排序后的边缘服务器的候选集Es,再将子任务指令号相加,并评估其是否满足任务x的要求;
S2:选定N个边缘服务器协同处理任务x,组成集合Ec={ec0,ec1,ec2,...,eCN-1},在Ec中选定ec0为主边缘服务器,然后主边缘服务器将任务x被划分成N个子任务,即x={sx0,sx1,sx2,...,sxN-1},主边缘服务器划分任务需要的时间为Tdivide(x);
S3:将各个子任务Sxi分配到集合Ec中适合的边缘服务器eci进行处理,处理子任务需要的时间为Tprocess(sxi,eci),选取最大的Tprocess(sxi,eci)值作为子任务的总共处理时间,即max(Ysubtask(sx1,ec1),...,Tsubtask(sxN-1,ecN-1));
S4:主边缘服务器合并最终的结果,需要时间为Tmerge(x,Ec),计算整个任务处理过程所耗费的时间,若满足时延需求,即Ttask(x,Ec)≤Trequire(x),则处理结束,否则循环执行。
9.一种云边协同分层计算系统,其特征在于,应用权利要求1-8中任一项所述的云边协同分层计算方法,所述云边协同分层计算系统包括设备层、云层和边缘层,所述设备层位于云边协同分层计算系统的最底层,所述云层和边缘层位于所述设备层的上层。
10.根据权利要求9所述的云边协同分层计算系统,其特征在于:所述设备层的周围设置有数据采集设备,所述数据采集设备用于收集工业设备的实时任务信息;所述边缘层由多个边缘服务器组成。