1.一种云边协同感知的电力物联网卸载策略及资源配置优化方法,其特征在于,具体包括如下步骤:S1:构建基于BiGRU的缓存全局预测模型,设置缓存全局预测模型的模型参数以及云边协同任务卸载模型的设备参数,云边协同任务卸载模型包括电力物联网、云端服务器和MEC服务器;
S2:利用电力物联网的任务特征训练缓存全局预测模型,并利用训练好的缓存全局预测模型预测电力物联网的任务缓存类别;
计算电力物联网的计算任务分别卸载到本地MEC服务器执行、迁移到相邻MEC服务器执行和迁移到云端服务器执行的时延和功耗;
S3:构建自适应联邦学习策略,在MEC服务器部署有训练好的缓存全局预测模型,并利用自适应联邦学习策略为MEC服务器自适应分配权重及更新缓存全局预测模型;
S31:基于在电力物联网端训练缓存全局预测模型的过程中学习到的任务特征与任务卸载决策之间的关系,确定电力物联网端的权重分配策略:;
其中,为电力物联网的权重,为电力物联网在上一轮训练得到的权重,为更新尺度参数;
S32:使各MEC服务器上均部署有训练好的缓存全局预测模型,将训练好的缓存全局预测模型的模型参数与权重上传至各MEC服务器,各MEC服务器采用自适应加权平均方法更新自身部署的缓存全局预测模型,并将更新后的缓存全局预测模型下发至电力物联网端;电力物联网端对更新后的缓存全局预测模型进行网络训练和任务特征识别,并根据网络训练和任务特征识别结果进一步调整各MEC服务器的权重分配和更新频率,直至各MEC服务器部署的缓存全局预测模型满足用户需求:自适应加权平均方法所采用的公式为:
;
其中,为连接到本地MEC服务器e的电力物联网节点数量,为当前电力物联网的节点产生的任务特征与其他电力物联网产生的任务特征的信息熵,L为缓存全局预测模型的层数;
S4:构建基于离散DDPG的任务卸载与迁移模型,利用自适应联邦学习策略的处理结果对任务卸载与迁移模型进行训练,并利用训练好的任务卸载与迁移模型确定任务卸载与迁移策略。
2.根据权利要求1所述的云边协同感知的电力物联网卸载策略及资源配置优化方法,其特征在于:在步骤S1之前,构建云边协同任务卸载模型,电力物联网的计算任务的执行方式包括卸载到本地MEC服务器执行、由本地MEC服务器迁移到相邻MEC服务器执行以及由本地MEC服务器迁移到云端服务器执行,电力物联网的计算任务的执行优先级从高至低为本地MEC服务器、相邻MEC服务器、云端服务器。
3.根据权利要求1所述的云边协同感知的电力物联网卸载策略及资源配置优化方法,其特征在于:在步骤S1中,电力物联网包括N个节点,云端服务器的数量为一个,MEC服务器的数量为E个,每个MEC服务器覆盖个电力物联网节点,。
4.根据权利要求1所述的云边协同感知的电力物联网卸载策略及资源配置优化方法,其特征在于:在步骤S2中,基于BiGRU的缓存全局预测模型包括依次连接的输入层、BiGRU网络、第一全连接层和第二全连接层。
5.根据权利要求3所述的云边协同感知的电力物联网卸载策略及资源配置优化方法,其特征在于:在步骤S2中,计算每个电力物联网的计算任务分别卸载到本地MEC服务器执行、迁移到相邻MEC服务器执行和迁移到云端服务器执行的时延和功耗的步骤包括:将连续的时间周期T划分为时隙,设每个时隙为t,,各电力物联网节点n在时隙t产生的任务:;
其中,为产生任务的大小,为处理任务所需的CPU时钟周期数,为完成任务的截止时间,为处理任务所需的缓存容量;
计算任务卸载到本地MEC服务器执行的时延和功耗:
;
;
其中,为任务卸载到本地MEC服务器的时延,为任务卸载到本地MEC服务器的能耗,为任务从电力物联网节点n卸载到本地MEC服务器e的传输时间,为任务从电力物联网节点n卸载到本地MEC服务器e后,本地MEC服务器e的任务处理时间,为任务卸载到本地MEC服务器的任务传输能耗,为任务卸载到本地MEC服务器的任务处理能耗;
计算任务迁移到相邻MEC服务器执行的时延和功耗:
;
;
其中,为任务卸载到本地MEC服务器后再迁移到相邻MEC服务器的时延,为任务卸载到本地MEC服务器后再迁移到相邻MEC服务器的功耗,为任务从本地MEC服务器迁移到相邻MEC服务器执行的迁移时间,为相邻MEC服务器处理任务所需的时延,为任务从本地MEC服务器迁移到相邻MEC服务器执行的迁移能耗,为在相邻MEC服务器处理任务所需的能耗;
计算任务迁移到云端服务器执行的时延和功耗:
;
;
其中,为任务卸载到本地MEC服务器后再卸载到云服务器的时延,为任务卸载到本地MEC服务器后再卸载到云服务器的功耗,为任务从电力物联网节点n卸载到本地MEC服务器e后,再卸载到云服务器的传输时间,为任务从电力物联网节点n卸载到本地MEC服务器e后,再卸载到云服务器的任务处理延迟,为任务从电力物联网节点n卸载到本地MEC服务器e后,再卸载到云服务器的传输功耗,为任务从电力物联网节点n卸载到本地MEC服务器e后,再卸载到云服务器的任务处理能耗。
6.根据权利要求1所述的云边协同感知的电力物联网卸载策略及资源配置优化方法,其特征在于:步骤S4具体包括如下步骤:S41:基于离散DDPG的任务卸载与迁移模型,在各MEC服务器端部署有DDPG神经网络模型,并定义状态、动作和奖励函数;
S42:初始化DDPG神经网络模型所包含的预测网络的网络参数、目标网络的网络参数和经验回放池的容量;
S43:重置各MEC服务器的训练环境为第z个训练环境,设置各MEC服务器的状态为,初始奖励为为0;
S44:选取T个时隙,在第t个时隙下,执行步骤S45;
S45:在第i个MEC服务器中,根据初始状态,初始化高斯噪声向量;
S46:使所有MEC服务器执行动作,获得各MEC服务器对应的奖励;
S47:将样本<,,,>存储到经验回放缓冲池,并在经验回放缓冲池选择最小批训练样本作为第i+1个MEC服务器的预测网络的训练样本,为下一时隙的状态;
S48:用第i+1个MEC服务器替换第i个MEC服务器,重复步骤S45-S47,获得所有MEC服务器的奖励,计算所有MEC服务器的平均奖励;
S49:计算预测网络的判别器的梯度,并利用Adam优化器反向更新预测网络的网络参数;计算预测网络的生成器的梯度,并利用Adam优化器反向更新预测网络的网络参数;
S410:利用预测网络的网络参数软更新目标网络的网络参数;
S411:用第t+1个时隙替换第t个时隙,重复步骤S44-S410,直至完成T个时隙的计算;
S412:计算所有时隙的平均奖励,根据所有时隙的平均奖励指导自适应联邦学习策略为各MEC服务器自适应分配权重及更新缓存全局预测模型;
S413:用第z+1个训练环境替换第z个训练环境,重复步骤S43-S412,直至完成所有训练环境的计算。