面向物联网的多目标资源分配智能调控方法、系统及介质与流程

摘要: 本发明涉及物联网资源调度,具体涉及面向物联网的多目标资源分配智能调控方法、系统及介质。背景技术:1、随着物联网端边协同架构大规模落地,海量终端产生带宽、算力、缓...
面向物联网的多目标资源分配智能调控方法、系统及介质与流程

本发明涉及物联网资源调度,具体涉及面向物联网的多目标资源分配智能调控方法、系统及介质。

背景技术:

1、随着物联网端边协同架构大规模落地,海量终端产生带宽、算力、缓存、能耗等多维资源竞争需求,多目标资源智能调控成为工业物联网、智慧城市等场景的关键技术。但物联网系统状态存在强动态与时滞耦合特征,资源指标之间普遍存在复杂关联关系,常规调度方案大多基于相关性建模开展策略寻优,难以区分指标间真实因果作用与虚假关联,对干预行为带来的长期系统演化缺乏预判能力,调控策略可解释性不足,动态场景下模型漂移问题难以有效应对。因此,国内外围绕物联网资源调度开展大量研究,通过神经网络、强化学习、多目标优化、数字孪生仿真等技术提升资源分配效率,力求在业务时延、系统能耗、资源利用率等相互冲突目标之间取得平衡。

2、中国专利(公开号cn119276895a)公开了面向工业物联网的端边云协同智能优化及资源调度方法,该方法通过端侧模型轻量化处理、边缘分层推理与云端全局调度协同,实现端边云之间任务分流与带宽资源优化分配;然而该方法仅通过实时监测数据开展响应式调度,未挖掘资源变量之间内在关联规律,无法预判资源调整引发的连锁状态变化,难以提前规避资源超限与业务失效风险。

3、中国专利(公开号cn117762597a)公开了一种基于云边协同强化学习智能调度算法,该方法利用强化学习搭建资源分配求解模型,依靠历史交互样本持续优化调度参数,实现动态场景下自适应资源分配;然而该方法属于纯数据驱动的相关性学习框架,不能甄别变量间虚假关联关系,策略寻优缺少因果约束支撑,模型容易受到噪声数据干扰,泛化能力有限。

4、中国专利(公开号cn117749635b)公开了一种数字孪生使能的工业物联网资源分配系统及方法,该方法搭建物理实体与数字孪生体双向映射架构,通过孪生仿真完成任务卸载与资源分配决策;然而该方法仅通过数字孪生开展方案事后仿真验证,无法批量评估多组候选策略的长期运行效果,策略筛选效率较低。

5、此外,现有技术普遍难以兼顾调控策略的可解释程度、多目标优化求解能力以及与物理场景的适配效果要求,多数调度模型仅支持一次性训练,缺少根据现场持续运行数据自主优化调整的机制,系统长期运行后调度精准度会逐步下降。

6、综上,领域当前亟需一种能够挖掘资源之间内在作用规律、预先评估不同调控方案长期运行效果,自动生成多组均衡优化调度方案,并结合仿真完成方案校验,同时支持模型持续自主迭代优化的物联网多维资源分配调控方案。

技术实现思路

1、基于上述技术问题,本技术公开了面向物联网的多目标资源分配智能调控方法、系统及介质,其所述方法具体包括:

2、采集物联网全域多维资源运行状态观测数据,并采用时序因果发现算法挖掘状态变量间的直接因果依赖关系与间接因果传导路径,基于直接因果依赖关系与间接因果传导路径构建物联网资源系统的结构因果模型;

3、基于所述物联网资源系统的结构因果模型,通过do-算子干预推演不同资源分配干预下系统状态的反事实演化轨迹,生成反事实状态预测序列;通过异构图transformer进行图结构编码与时空联合特征提取,输出全域因果感知嵌入向量;

4、构建反事实策略森林,所述反事实策略森林以所述全域因果感知嵌入向量作为图拓扑特征输入、以所述反事实状态预测序列作为时序演化先验,以所述结构因果模型中的干预节点为根节点,以不同资源分配动作组合为分支路径,以因果效应估计量为节点分裂准则,生成多组互不支配的帕累托候选资源分配策略;

5、将各组帕累托候选资源分配策略输入所述因果世界模型开展多步反事实推演,评估各策略在多维目标上的反事实预期效用,剔除存在资源越限、业务超时或安全违规风险的策略,得到预筛选策略;

6、将所述预筛选策略输入轻量化数字孪生仿真舱开展物理级仿真,采集仿真运行指标,并基于仿真运行指标对预筛选策略进行修正,得到目标调控策略;

7、基于所述目标调控策略进行物联网多目标资源分配自适应调控,并采集调控后运行指标,定期基于运行指标对所述结构因果模型与所述反事实策略森林进行更新。

8、优选的,所述构建物联网资源系统的结构因果模型,具体为:对采集的全域多维资源时序观测数据进行时序对齐、归一化的预处理后,以预处理后的资源状态变量为建模节点,通过时序因果发现算法筛选变量间显著的直接因果依赖关系,生成表征资源关联拓扑的因果邻接矩阵;

9、将受系统内部其他变量影响,被因果关联矩阵约束的变量划分为内生变量集合;将不被因果邻接矩阵约束的噪声与波动变量划分为外生变量集合;

10、基于因果邻接矩阵确定各内生变量的父节点集合,构建内生变量受父节点因果特征与外生扰动共同作用的拟合模型,并采用非线性因果拟合方式求解拟合模型的因果传导函数,公式为:

11、

12、其中,为时刻第个内生资源变量状态值,为归一化因果强度系数,用于加权父节点变量的因果贡献度,为对应外生扰动变量,为待求解的因果传导函数;

13、通过时序观测数据集最小化拟合误差,收敛得到最优因果传导函数参数,搭建包含外生变量集合、内生变量集合、因果函数集合的动态结构因果模型scm。

14、优选的,所述通过时序因果发现算法筛选变量间显著的直接因果依赖关系,具体为:设定物联网资源因果最大时滞窗口,遍历所有资源变量时序对,通过时序条件独立性检验区分真实因果关联与虚假相关关联,公式为:

15、

16、其中,为时刻第个待判定的目标内生资源变量,为滞后时刻的第个资源变量,为表示两变量无直接因果关联的条件独立符号,为时序滞后步长,为预设最大因果时滞窗口,为用于屏蔽第三方变量的间接干扰的控制变量集合;

17、在遍历过程中,若变量对、在控制条件下不独立,则判定存在显著时序因果关联,并结合各变量的显著时序因果关联,梳理变量间间接因果传导路径。

18、优选的,所述生成反事实状态预测序列,具体为:定义资源分配干预动作变量为带宽分配比例、算力调度额度、缓存配额、终端能耗阈值的可调控动作变量;

19、采用do-算子对结构因果模型执行因果干预操作,通过强制固定干预节点的资源分配动作取值为,截断原有因果模型中指向干预节点的父节点因果输入、屏蔽历史观测数据的相关性干扰;

20、基于干预后的因果模型拓扑与因果函数,逐时刻迭代推演系统未来资源状态变化,实现多步长反事实演化预测,对资源分配干预动作进行因果干预,公式为:

21、

22、其中,为资源分配干预动作变量,为具体干预取值,为物联网资源系统状态输出变量,为对应的具体系统状态取值;

23、通过所述do-算子阻断后门路径、更新结构因果模型的变量取值约束,迭代推演未来多时刻系统状态,生成时序化的反事实状态预测序列。

24、优选的,所述输出全域因果感知嵌入向量,具体为:采用异构图transformer,以构建完成的结构因果模型对应的异构因果图为输入,对因果图中不同类型的资源节点进行类型编码与初始特征映射,将各维度资源时序状态数据映射为统一维度的节点初始特征向量;通过结合因果拓扑掩码约束的多头注意力机制,使存在因果关联的节点参与注意力分数计算,屏蔽无因果关系节点的无效特征干扰,并结合归一化因果强度系数对注意力权重二次修正,得到节点关联权重,公式为:

25、

26、

27、其中,为因果约束的注意力分数,为矩阵逐元素相乘运算,为因果拓扑掩码矩阵,分别为因果图节点的查询向量、键向量、值向量;为修正后的节点关联权重,为向量维度,为节点间归一化因果强度系数;

28、采用正弦余弦交替的时序位置编码提取资源状态随时间的动态演化规律特征,公式为:

29、

30、其中,为时刻对应的时序位置编码向量,为向量维度索引,代表针对偶数索引,代表针对奇数索引,为节点特征总维度,为时序采样时刻;

31、将时序位置编码与经过因果注意力加权的空间拓扑特征向量逐元素相加,实现因果拓扑空间特征与资源时序演化特征的深度时空联合融合,得到全域因果感知嵌入向量,公式为:

32、

33、其中,为时刻单节点时空融合特征,为因果注意力输出的拓扑空间特征。

34、优选的,所述反事实策略森林,具体为:采用面向物联网多目标资源分配、基于因果先验约束构建的多棵决策树集成策略搜索架构;

35、策略森林由多棵独立且互补的因果决策子树构成,每棵因果决策子树以scm的可调控资源干预节点为根节点,每一层树分支对应一组带宽、算力、缓存、终端能耗的资源分配动作组合,树节点存储对应资源干预动作、因果效应估值与资源约束阈值;

36、在子树生长过程中,以因果效应估计量为节点分裂准则,优先分裂因果干预收益高的节点、剪枝因果贡献微弱或存在违规风险的分支;

37、多棵子树并行生长后,汇总所有有效叶子节点对应的资源分配方案,去除重复策略与支配策略,输出多组互不支配的帕累托候选资源分配策略。

38、优选的,所述因果效应估计量,具体为:采用平均因果效应ace作为反事实策略森林的节点分裂准则,公式为:

39、

40、其中,为干预变量导致状态变量的平均因果效应,为当前节点待测试的目标资源分配干预动作(调控动作),为无资源干预的基准稳态动作,为系统稳态状态期望;表示强制执行干预动作下系统状态的因果期望,表示无干预下系统原始状态期望;

41、值越大,代表该资源分配动作对系统资源优化的因果调控增益越强。

42、优选的,所述目标调控策略,具体为:所述轻量化数字孪生仿真舱构建物联网端边资源协同仿真场景,复刻带宽、算力、缓存、能耗的实时运行约束;将预筛选策略输入仿真舱迭代仿真,采集仿真资源占用率、仿真业务时延、仿真能耗等多维仿真运行指标,计算因果世界模型反事实推演预测值与物理仿真真实指标的偏差残差,通过残差迭代修正机制反向微调预筛选策略的资源分配参数,完成策略优化校准。

43、其所述系统包括因果建模单元、因果特征推演单元、策略生成单元、策略预评估单元、数字孪生仿真校准单元、自适应调控单元,具体为:

44、所述因果建模单元采集物联网全域多维资源运行状态观测数据,并采用时序因果发现算法挖掘状态变量间的直接因果依赖关系与间接因果传导路径,构建物联网资源系统的结构因果模型;

45、所述因果特征推演单元与所述因果建模单元相连,基于所述结构因果模型,通过do-算子干预推演系统状态的反事实演化轨迹并生成反事实状态预测序列,同时通过异构图transformer完成图结构编码与时空联合特征提取,输出全域因果感知嵌入向量;

46、所述策略生成单元与所述因果特征推演单元相连,构建反事实策略森林,以全域因果感知嵌入向量为图拓扑特征输入、以反事实状态预测序列为时序演化先验,并以因果效应估计量为节点分裂准则,生成多组互不支配的帕累托候选资源分配策略;

47、所述策略预评估单元与所述策略生成单元相连,将各组帕累托候选资源分配策略输入因果世界模型开展多步反事实推演,评估多维目标下的反事实预期效用,剔除存在风险的策略,输出预筛选策略;

48、所述数字孪生仿真校准单元与所述策略预评估单元相连,接收预筛选策略并开展物理级仿真,采集仿真运行指标,基于仿真运行指标修正预筛选策略,得到目标调控策略;

49、所述自适应调控单元分别与所述数字孪生仿真校准单元、因果建模单元、策略生成单元相连,根据目标调控策略执行物联网多目标资源分配自适应调控,采集调控后运行指标,并定期驱动所述因果建模单元、策略生成单元完成模型增量更新。

50、其所述介质具体为:

51、所述计算机可读存储介质为物联网端边协同调控设备内部用于存储程序代码与运行数据的记忆载体,既包含物联网边缘网关、资源调度控制器内置的板载存储介质,也包含调度设备可外接扩容的外置扩展存储介质,该存储介质划分有独立存储空间,存储空间内除存储设备底层操作系统、驱动程序外,还保存有可被设备处理器读取、加载并执行的一条或多条程序指令,程序指令封装为实现面向物联网的多目标资源分配智能调控方法的计算机程序代码。

52、该计算机可读存储介质可选用高速随机存取存储器,也可采用非易失性存储器,例如一块或多块磁盘存储器、闪存芯片,还可选择部署在远离本地处理器的云端远端存储介质。

53、承载该存储介质的电子设备硬件架构包括至少一个处理器、至少一个存储器以及连接二者的通信总线,存储器用于固化上述程序指令,处理器通过总线调取存储器内的程序指令,运行执行前述面向物联网的多目标资源分配智能调控方法全部流程。

54、该程序可部署在任意计算机可读存储介质中,具体介质类型包括只读存储器rom、随机存取存储器ram、可编程只读存储器prom、可擦除可编程只读存储器eprom、一次性可编程只读存储器otprom、电可擦除可编程只读存储器eeprom、cd-rom只读光盘、固态硬盘ssd,以及其他光盘存储设备、磁盘存储设备、磁带存储设备,或是其他具备数据存储、程序承载能力的合规计算机可读介质。

55、当存储介质内的程序指令被处理器运行时,执行如下步骤:采集物联网全域多维资源运行状态观测数据,采用时序因果发现算法挖掘状态变量间的直接因果依赖关系与间接因果传导路径,构建物联网资源系统的结构因果模型;基于结构因果模型,通过do-算子干预推演不同资源分配干预对应的反事实演化轨迹并生成反事实状态预测序列,同时利用异构图transformer开展图结构编码与时空联合特征提取,输出全域因果感知嵌入向量;构建反事实策略森林,以全域因果感知嵌入向量为拓扑特征、反事实状态预测序列为时序先验,以因果效应估计量作为节点分裂准则,生成多组互不支配的帕累托候选资源分配策略;将候选策略输入因果世界模型开展反事实推演评估,剔除存在资源越限、业务超时、安全违规风险的策略,获得预筛选策略;将预筛选策略导入轻量化数字孪生仿真舱完成物理级仿真与策略修正,得到目标调控策略;基于目标调控策略执行物联网多目标资源分配自适应调控,持续采集调控后系统运行指标,并周期性根据运行指标对结构因果模型与反事实策略森林实施增量更新,实现物联网带宽、算力、缓存、终端能耗多维资源持续自适应智能调控。

56、相对于现有技术,本技术的技术方案具有以下技术效果:

57、本发明基于时序观测数据挖掘资源变量之间真实的作用关联,区分有效作用关系与统计层面的虚假关联,通过变量作用规律搭建系统动力学模型,能够预判不同资源调整行为引发的系统长期演化趋势,提升调控决策的可解释性,便于提前识别资源超限、业务异常等潜在风险。

58、本发明通过系统内部变量作用关系开展干预推演,能够模拟各类资源调整行为对应的系统未来运行态势,获得不同调控动作下的时序演化结果;同时通过图学习方法统一捕获各类资源节点之间的关联结构与时序动态变化信息,将复杂系统因果与时序信息转化为低维统一特征表达,充分保留变量间真实作用关系作为后续策略搜索的先验信息,提升特征表达对动态物联网场景的适配能力。

59、本发明以融合全局关联与时序信息的特征、多场景推演结果作为策略搜索双重先验,围绕可调控资源构建树集成搜索架构,并根据调控动作带来的系统影响程度指导分支拓展与剪枝,优先探索具备优化潜力的资源调配方案;能够并行搜寻多目标条件下互不支配的均衡调度方案,兼顾物联网场景下业务需求动态变化的选择空间,有效提升多目标资源分配方案的多样性与寻优效率。

60、本发明先后通过推演评估与数字孪生物理仿真两层筛选优化,先对候选方案开展预期效果预判,初步剔除存在风险的调度方案,再通过仿真环境复现现场运行约束对方案精细化修正,缩小理论推演与真实物理场景之间的偏差,保障最终输出调控方案具备工程落地可行性。