一种基于深度学习的跨平台本地设备任务执行方法及系统与流程

本发明涉及边缘计算，尤其涉及一种基于深度学习的跨平台本地设备任务执行方法及系统。

背景技术：

1、在边缘计算集群中，为了在延迟约束下最大化系统吞吐量，通常会利用深度学习任务分配器将不同的神经网络推理任务动态分配到最适合的边缘节点上执行。在常规的执行过程中，任务分配器会定期通过各节点的本地代理获取硬件特征数据，包括中央处理器核心数、频率、内存容量以及人工智能加速器的类型和空闲率等。这些数据被拼接成特征向量后送入深度学习模型，由模型输出每个节点对各个推理任务的预测执行时间，并据此进行任务分发。

2、但在真实的异构边缘节点集群中，节点设备的底层硬件和操作系统往往差异巨大。当集群中接入运行裁剪操作系统的轻量级网关或嵌入式设备时，受限于系统监控接口的能力，其本地代理可能无法获取某些高级字段，例如人工智能加速器的空闲率，从而只能上报空值。此时，在深度学习模型的原始特征输入层，从不同节点收集到的硬件特征数据出现了结构性的缺位。由于深度学习模型输入层通常期待固定长度的特征向量，系统往往会采用简单的零值或默认占位值来填充这些空值。在模型训练过程中，如果从未见过加速器空闲率为零且其他特征均正常的样本组合，这种异常的输入特征向量经过隐藏层后就会触发激活函数的非线性饱和区，导致模型对该节点生成的设备能力画像向量在表示空间中发生不可控的偏移。模型可能会将该节点判定为加速器完全不可用，即便该节点实际拥有可用的硬件加速资源。现有的深度学习分配机制多依赖定长特征向量输入，对于系统裁剪导致的结构性特征缺位，无法有效识别这种缺位是由于系统平台限制还是实际硬件缺失所致，从而放大了对节点能力的错误评估。因此，在异构边缘节点集群的深度学习驱动推理任务分配中，当轻量级节点的硬件特征提取接口因系统裁剪无法提供完整字段并产生空值时，深度学习模型输入层采用固定值填充后，会触发模型对设备能力的错误画像，使任务分配决策向具备完整字段的高端节点单侧倾斜，最终造成集群负载失衡和任务执行延迟超限。

3、针对上述问题，现有技术亟需改进。

技术实现思路

1、本申请公开了一种基于深度学习的跨平台本地设备任务执行方法及系统，旨在解决异构边缘节点集群中因系统裁剪导致硬件特征数据结构性缺位，进而引发深度学习模型对节点能力错误画像及任务分配负载失衡的问题。

2、本申请的技术方案如下：

3、第一方面，本申请公开了一种基于深度学习的跨平台本地设备任务执行方法，应用于与异构边缘节点集群关联的任务分配器，异构边缘节点集群包含运行裁剪操作系统的轻量级节点和具备完整监控接口的高端节点，方法包括：

4、s1:获取各节点的硬件特征值和可观测状态信息；

5、s2:根据可观测状态信息并结合节点初始注册时的硬件声明清单，识别缺位字段并将缺位字段区分为接口受限不可观测字段和硬件真实缺失字段，生成各字段的语义标签；

6、s3:将归一化的硬件特征值、表示字段是否缺位的掩码、反映语义标签的来源类别状态向量、节点观测完整度标量与目标任务的需求向量拼接成统一输入张量；

7、s4:将统一输入张量输入深度学习模型，通过对接口受限不可观测字段的注意力权重进行衰减处理，生成受限条件下的节点能力画像向量，并基于节点能力画像向量并行输出相应节点对目标任务的预测执行时间和可观测可信度评分；

8、s5：根据可观测可信度评分将各节点划分为高可信度池节点和低可信度池节点，对高可信度池节点按预测执行时间优先分派，对低可信度池节点，结合其可信度评分对预测执行时间进行风险加权后，与高可信度节点全局排序以决定是否分派试探性任务。

9、第二方面，本申请还公开了一种基于深度学习的跨平台本地设备任务执行系统，应用于与异构边缘节点集群关联的任务分配器，以执行上述任一项所述的一种基于深度学习的跨平台本地设备任务执行方法步骤，异构边缘节点集群包含运行裁剪操作系统的轻量级节点和具备完整监控接口的高端节点，系统包括：采集模块，用于获取各节点的硬件特征值和可观测状态信息；分离标注模块，用于根据可观测状态信息并结合节点初始注册时的硬件声明清单，识别缺位字段并将缺位字段区分为接口受限不可观测字段和硬件真实缺失字段，生成各字段的语义标签；输入重构模块，用于将归一化的硬件特征值、表示字段是否缺位的掩码、反映语义标签的来源类别状态向量、节点观测完整度标量与目标任务的需求向量拼接成统一输入张量；预测评估模块，用于将统一输入张量输入深度学习模型，通过对接口受限不可观测字段的注意力权重进行衰减处理，生成受限条件下的节点能力画像向量，并基于节点能力画像向量并行输出各相应节点对目标任务的预测执行时间和可观测可信度评分；分派决策模块，用于根据可观测可信度评分将各节点划分为高可信度池节点和低可信度池节点，对高可信度池节点按预测执行时间优先分派，对低可信度池节点，结合其可信度评分对预测执行时间进行风险加权后，与高可信度节点全局排序以决定是否分派试探性任务。

10、综合而言，本申请通过引入语义标签区分硬件特征的缺位原因，并利用深度学习模型中的门控注意力机制和隐式特征补偿子网络，有效解决了异构边缘节点集群中因系统裁剪导致的特征结构性缺位问题。该方案不仅消除了零值填充对模型画像的负面干扰，还通过风险加权分派和闭环反馈优化机制，实现了对轻量级节点能力的精准评估与动态调度，显著提升了集群的整体负载均衡能力和任务执行效率，有效避免了任务分配向高端节点单侧倾斜导致的延迟超限问题。

1.一种基于深度学习的跨平台本地设备任务执行方法，应用于与异构边缘节点集群关联的任务分配器，所述异构边缘节点集群包含运行裁剪操作系统的轻量级节点和具备完整监控接口的高端节点，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，步骤s1包括：

3.根据权利要求2所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，步骤s2包括：

4.根据权利要求1所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，步骤s3包括：

5.根据权利要求2所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，步骤s4包括：

6.根据权利要求5所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，所述深度学习模型的输出层包含并行的第一分支和第二分支；

7.根据权利要求5所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于,步骤s5包括：

8.根据权利要求5所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，派发试探性任务后，还包括：

9.根据权利要求8所述的一种基于深度学习的跨平台本地设备任务执行方法，其特征在于，该方法还包括：若在连续多个采样周期内未接收到同一节点的联合状态原始数据包，判定该节点进入完全不可观测状态，触发超时中断，将该节点从高可信度候选池和低可信度候选池中暂时剔除；

10.一种基于深度学习的跨平台本地设备任务执行系统，应用于与异构边缘节点集群关联的任务分配器，以执行权利要求1-9任一项所述的一种基于深度学习的跨平台本地设备任务执行方法步骤，所述异构边缘节点集群包含运行裁剪操作系统的轻量级节点和具备完整监控接口的高端节点，其特征在于，该系统包括：