基于风险画像与PCDN协同的边缘算力及传输动态平衡方法与流程

摘要: 本技术涉及新能源汽车充电场站风险控制领域,具体涉及基于风险画像与pcdn协同的边缘算力及传输动态平衡方法。背景技术:1、随着技术的发展,在端侧感知与模型轻量化方...
基于风险画像与PCDN协同的边缘算力及传输动态平衡方法与流程

本技术涉及新能源汽车充电场站风险控制领域,具体涉及基于风险画像与pcdn协同的边缘算力及传输动态平衡方法。

背景技术:

1、随着技术的发展,在端侧感知与模型轻量化方面取得了一定成果,但传统方案中,在面对拥有数十乃至上百个充电车位的大型综合场站时,其底层架构固有的静态资源分配逻辑产生了工程缺陷与算力崩溃风险。传统方案中,边缘推理框架采用无差别的算力平摊机制,无论接入车辆是刚出厂的健康新车,还是长期处于高频快充具备潜在内短路隐患的老旧营运车辆,边缘计算硬件单元均对其分配相等的gpu线程与内存空间。

2、这种并发处理逻辑导致有限的边缘算力资源在海量安全车辆上被过度消耗,而在真正面临高危车辆时却难以提供深度计算倾斜,限制了单台边缘设备可并发管理的车位数上限,推高了场站级规模化部署的成本。

3、在复杂网络环境下的分布式数据传输层面,现有的对等协助内容分发网络(peer-assisted content delivery network,pcdn)适配传输模块缺乏与端侧推理风险深度耦合的业务级传输控制逻辑。当极端高温天气导致场站内多台车辆同时出现早期轻微热波动时,所有终端会以相同的传输优先级向pcdn节点并发推送高分辨率视频流,易瞬间击穿场站本地的上传带宽阈值,引发大面积拥塞。更为严重的是,传统方案广泛采用的端到端加密机制(如tls1.3)导致路由节点难以感知数据包的业务重要性,使得高危状态车辆的关键预警数据在网络拥堵中产生严重的传输延迟。此外,现有的习惯轨迹构建仅用于高层的辅助预警判定,并未将这种业务逻辑下沉到硬件资源调度层,系统在面临突发高危事件时,难以通过主动挂起低风险任务来集结闲置算力,且在红外采样率因算力波动发生突变时缺乏自适应的时钟同步补偿机制,导致多模态时间对齐精度恶化,系统的鲁棒性差。

技术实现思路

1、为了解决上述问题,本技术提出了基于风险画像与pcdn协同的边缘算力及传输动态平衡方法,包括:

2、针对场站内的目标车辆,获取其对应的多源异构先验数据,并基于所述多源异构先验数据,生成各目标车辆对应的综合风险权重;

3、通过边缘计算,将所述综合风险权重作为优先级因子、将所述场站对应的场站算力上限作为约束条件、将指定算法模型的算力-精度转化效率与所述目标车辆的基础物理特征封装得到的效用函数作为优化目标,通过凸优化求解得到所述目标车辆对应的算力配额指令;其中,所述指定算法模型用于确定所述目标车辆的车辆风险;

4、针对所述目标车辆进行多模态数据采集,并基于所述算力配额指令的物理突变,通过硬件层、逻辑层、软件层对应的三层混合时钟补偿机制对所述多模态数据进行时间对齐;

5、根据各目标车辆对应的所述算力配额指令、时间对齐的所述多模态数据,通过多维度并行自适应机制,对各目标车辆共享使用的指定算法模型的精度进行动态裁剪,以输出各目标车辆对应的车辆风险;

6、将所述车辆风险对应的数据报文进行加密,并添加明文的综合风险权重,以在数据传输的过程中,根据所述综合风险权重确定所述数据特征的优先级。

7、在一个示例中,针对场站内的目标车辆,获取其对应的多源异构先验数据,并基于所述多源异构先验数据,生成各目标车辆对应的综合风险权重,具体包括:

8、针对场站内的各目标车辆,通过车辆电池管理系统获取对应的车辆静态特征,并根据最近历史预设时长内的车辆行为数据提取对应的车辆动态习惯特征,并通过所述场站中设置的红外热成像仪获取对应的场站整体温度数据;

9、通过多维非线性风险融合函数,将所述车辆静态特征、所述车辆动态习惯特征、所述场站整体温度数据作为风险因子,并通过环境数据对各风险因子的融合系数进行非线性动态调整,输出各目标车辆对应的综合风险权重。

10、在一个示例中,所述多维非线性风险融合函数如公式所示:;

11、其中,为第i个目标车辆的综合风险权重,为习惯累积风险因子,基于所述车辆动态习惯特征计算得到,为本体衰减风险因子,基于所述车辆静态特征量化得到,为低频红外状态因子,基于所述场站整体温度数据直接得到,为安全基准温度阈值,为环境数据,至少包含温度数据,、、为基于所述环境数据进行非线性动态调整的各风险因子的融合系数。

12、在一个示例中,将所述综合风险权重作为优先级因子、将所述场站对应的场站算力上限作为约束条件、将指定算法模型的算力-精度转化效率与所述目标车辆的基础物理特征封装得到的效用函数作为优化目标,通过凸优化求解得到所述目标车辆对应的算力配额指令,具体包括:

13、确定用于输出所述目标车辆的车辆风险的指定算法模型,并确定所述指定算法模型对应的算力-精度转化效率;并确定各目标车辆的基础物理特征;并确定所述场站对应的场站算力上限和预设保底算力;

14、将所述基础物理特征、所述算力-精度转化效率封装为严格单调递增且边际效用递减的对数型效用函数,用于量化针向所述目标车辆追加算力时的边际收益;

15、将所述综合风险权重作为所述效用函数的乘法优先级因子,得到对应的场站加权总安全效用值,并以所述场站加权总安全效用最大化为优化目标,以所述场站算力上限、所述预设保底算力作为约束条件,构造带有不等式约束的凸优化问题;

16、针对所述凸优化问题,构建包含拉格朗日乘子与互补松弛条件的拉格朗日函数,并基于kkt条件进行在线迭代求解,得到各目标车辆的算力配额指令。

17、在一个示例中,所述效用函数如公式所示:;

18、其中,为第i个目标车辆的分配算力配额,为第i个目标车辆的安全效用值,为第i个目标车辆的基础物理特征,为第i个目标车辆的算力-精度转化效率;

19、所述凸优化问题如公式所示:

20、;

21、其中,为第i个目标车辆的综合风险权重,为场站算力上限,为预设保底算力,为约束条件;

22、所述拉格朗日函数如公式所示:

23、;

24、其中,为算力配额向量,对应于算力配额指令,为拉格朗日乘子,对应于场站算力上限,为拉格朗日乘子集合,对应于各目标车辆的预设保底算力,对应于第i个目标车辆的预设保底算力。

25、在一个示例中,基于所述算力配额指令的物理突变,通过硬件层、逻辑层、软件层对应的三层混合时钟补偿机制对所述多模态数据进行时间对齐,具体包括:

26、针对单个目标车辆,确定其算力配额指令产生物理突变;

27、通过硬件层的红外图像采集传感器,以原始高频持续采集红外图像数据,并结合采集到的可见光图像数据、定位数据,得到原始多模态数据;

28、向逻辑层的fpga注入重采样插值参数,根据目标帧率对所述原始多模态数据中的红外图像数据进行抽帧操作,得到降频多模态数据;

29、通过软件层执行卡尔曼滤波时钟偏移预测算法,根据所述降频多模态数据,以及网络层返回的非对称传输延迟,动态预测网络时间协议报文的到达时间差,并进行时间补偿,得到对齐多模态数据。

30、在一个示例中,根据各目标车辆对应的所述算力配额指令、时间对齐的所述多模态数据,通过多维度并行自适应机制,对各目标车辆共享使用的指定算法模型的精度进行动态裁剪,以输出各目标车辆对应的车辆风险,具体包括:

31、将共享超网作为各目标车辆共享使用的指定算法模型,并针对具有共享权重的所述共享超网进行预加载,为所述共享超网的权重参数在混合精度内存池中预先分配地址空间,对缩放因子进行预计算;

32、根据各目标车辆对应的所述算力配额指令,通过多维度并行自适应机制,对所述共享超网的精度进行动态裁剪;其中,所述多维度并行自适应机制包括模型拓扑结构调整维度、模块功能通断维度、数值位宽调节维度;

33、通过动态裁剪后的所述共享超网,根据时间对齐的所述多模态数据,输出各目标车辆对应的车辆风险。

34、在一个示例中,根据各目标车辆对应的所述算力配额指令,通过多维度并行自适应机制,对所述共享超网的精度进行动态裁剪,具体包括:

35、通过模型拓扑结构调整维度,针对所述共享超网中的四阶卷积核张量进行分解,并根据各目标车辆对应的所述算力配额指令对分解秩进行调整;

36、通过模块功能通断维度,根据各目标车辆对应的所述算力配额指令,确定对应的门控信号,并通过所述门控信号对注意力模块对应的旁路通道进行导通或关断;

37、通过数值位宽调节维度,根据各目标车辆对应的所述算力配额指令,在预加载的权重参数中,通过对应的转换系数,选择适配的数据精度格式所对应的权重参数。

38、在一个示例中,将所述车辆风险对应的数据报文进行加密,并添加明文的综合风险权重,具体包括:

39、确定所述车辆风险对应的数据特征,对所述数据特征进行加密,并封装得到ip数据报文;

40、确定所述车辆风险对应的目标车辆的综合风险权重,并在所述ip数据报文的头部的可编程扩展区域,插入明文的数据重要性标签;所述数据重要性标签根据所述综合风险权重、数据特征的生命周期、目标车辆的定位数据得到。

41、在一个示例中,在数据传输的过程中,根据所述综合风险权重确定所述数据报文的优先级,具体包括:

42、针对所述ip数据报文在所述场站内的边缘路由分发节点的数据传输的过程中,通过各边缘路由分发节点,对所述ip数据报文的头部的可编程扩展区域进行解析,得到所述数据重要性标签;

43、根据所述数据重要性标签,将所述ip数据报文分流至对应的优先级发送队列;

44、其中,在确定所述优先级发送队列之后,针对所述综合风险权重高于第一预设权重阈值的ip数据报文,通过多条异构链路同时向云端发送;

45、在确定所述优先级发送队列之前,针对所述综合风险权重低于第二预设权重阈值的ip数据报文,预先通过边缘计算对所述数据特征进行特征压缩,并在网络空闲期进行异步批量补传;其中,所述第二预设权重阈值低于所述第一预设权重阈值。

46、通过本技术提出基于风险画像与pcdn协同的边缘算力及传输动态平衡方法能够带来如下有益效果:

47、在系统整体的资源利用效率与建设成本层面,提高资源利用率、降低部署成本、提升高风险车辆预警数据传输及时性。传统方案由于采用无差别的算力平摊与固定的神经网络架构,浪费了硬件资源,导致单台边缘设备(如高性能的jetson tx2)在保证实时性的前提下最多仅能并发管理十辆汽车的监控任务。而本技术通过基于多维风险画像的拉格朗日最优化算力调度算法,不再采用死板的硬件上限,将算力准确应用在风险最密集的区域。配合基于张量分解的自适应模型裁剪与软门控机制,系统能够在海量健康车辆上仅维持极低功耗的休眠探测,从而将单台边缘设备可并发管理的车位上限轻松扩展至三十辆乃至五十辆以上。这改变了大型充电场站规模化部署的经济模型,使得单车位安全监测的硬件采购与日常电力运维成本下降。

48、在预警闭环的时效性与网络突围能力方面,将极限工况下的响应延迟缩减少。在传统方案的分布式传输架构中,所有车辆的数据包在网络层享有同等的传输优先级,一旦发生极端高温诱发的集体轻微热波动,高危报警信号极易被海量低优视频流引发的网络拥塞所吞没。通过引入具有穿透性的非加密元数据描述符与定制化的加权公平排队算法,为高危车辆在pcdn节点开辟了独占型高速计算通道与数据发送特权队列。即使在场站本地上行带宽被击穿的极端拥堵时刻,被多路径冗余机制护航的核心预警数据依然能以低于一秒的端到端超低延迟触达云端管控平台,为车主与场站管理方争取到应急扑救与人员疏散时间。

49、针对夏季极端高温等易导致场站算力发生雪崩效应的物理边界条件,本系统不再是被动地承受硬件宕机或显存溢出,而是能够实时计算场站的算力承载压力指数。通过果断触发剥离高耗能空间卷积计算、回退至一维时序跟踪甚至物理规则引擎的层级化熔断机制,系统具备主动降级与容错能力,可在极端条件下维持核心功能运行。配合窄带备用链路的极限生存通信模式,这种主动降级策略确保了系统在面对百辆规模并发热异常的压力下,依然能够保持百分之九十九点五以上的核心报警可用性,不会出现监测盲区。同时,得益于底层特征提取精度的动态匹配,本系统对隐蔽性强的萌芽期热失控的提前识别时间被大幅拉长至二十分钟以上。

50、在数据传输合规性与长期带宽成本控制方面,实现了显著的双重优化。传统方案往往需要将包含大量周围环境与车辆车牌隐私信息的高清红外乃至可见光原始视频全量上传至云端进行回溯或进一步分析,这不仅带来了高昂的持续性流量费用,更面临着日益严峻的数据隐私合规审查风险。本方案通过强的边缘特征提取能力与pcdn节点的异步压缩策略,绝大部分处于安全状态的车辆数据在上传前均被高度浓缩为一维特征标量与极低维度的隐层嵌入向量。这种“边缘计算替代中心传输”的架构重塑,在不损失云端全局趋势分析能力的前提下,不仅将场站日常上行带宽开销与云端存储成本削减,同时也通过消除敏感原始图像的无序公网传输,该机制在边缘侧完成特征提取,避免了敏感原始图像的公网传输,从而实现了车辆数据出境与车主隐私保护的技术性隔离。