一种云边协同资源调度优化方法、系统、设备及介质与流程

摘要: 本发明涉及云边系统网络,尤其涉及一种云边协同资源调度优化方法、系统、设备及介质。背景技术:1、边缘计算协同资源管理技术作为云边端多层次计算架构的核心支撑,旨在对...
一种云边协同资源调度优化方法、系统、设备及介质与流程

本发明涉及云边系统网络,尤其涉及一种云边协同资源调度优化方法、系统、设备及介质。

背景技术:

1、边缘计算协同资源管理技术作为云边端多层次计算架构的核心支撑,旨在对分布在云中心、边缘节点及终端设备上的异构资源进行统一感知与联合优化。该技术体系致力于在严格满足应用服务质量(qos)的前提下,通过智能调度策略实现任务卸载、资源分配与能耗控制的深度协同,从而显著提升系统的整体运行效率与资源利用率,特别适用于物联网、工业互联网及智能视频分析等对实时响应与带宽消耗极为敏感的关键业务场景。

2、然而,现有的传统调度方法多依赖于固定规则或全局集中式决策,在面对节点频繁上下线、链路质量波动及负载突变等动态环境时,往往表现出响应迟缓的缺陷,导致调度决策滞后于实际资源状态,进而引发任务延迟增加或资源浪费。此外,云边协同调度需要在任务延迟、能耗、成本和资源利用率等多个相互制约的目标间寻求平衡,而现有技术通常采用人工设定的固定权重,缺乏根据系统实时运行状态动态调整优化重心的能力,难以在复杂多变的负载条件下精准匹配真实的业务需求。

技术实现思路

1、鉴于上述现有存在的问题,提出了本发明。

2、因此,本发明提供了一种云边协同资源调度优化方法、系统、设备及介质解决现有云边协同调度技术存在动态环境响应迟缓、决策滞后以及多目标优化权重固化的问题。

3、为解决上述技术问题,本发明提供如下技术方案:

4、第一方面,本发明提供了一种云边协同资源调度优化方法,包括:

5、获取云边环境的实时状态数据,并基于所述实时状态数据构建和更新动态云边拓扑图;

6、基于所述动态云边拓扑图部署分层多智能体架构,由云中心生成子目标指令下发至边缘节点;

7、对所述动态云边拓扑图进行特征提取并与所述子目标指令拼接,得到本地智能体的联合状态输入;

8、基于任务执行的历史延迟计算服务等级协议履约状态评估指标,据此动态调整包含系统能耗项的多目标奖励函数的权重系数;

9、利用多目标深度强化学习算法,基于所述联合状态输入和经动态调整的多目标奖励函数训练得到调度策略模型,并基于所述调度策略模型执行任务调度。

10、作为本发明所述的云边协同资源调度优化方法的一种优选方案,其中:所述获取云边环境的实时状态数据,并基于所述实时状态数据构建和更新动态云边拓扑图,包括:

11、将云中心与所有边缘节点抽象为图结构中的顶点集合,为每个顶点配置包含中央处理器利用率、内存剩余比例、待处理任务队列长度以及单位时间能耗的实时状态特征向量;

12、基于上述顶点集合,将任意两个具备通信能力的计算单元之间的链路建模为有向边,并为每条边配置包含当前可用带宽、端到端传输时延、数据包丢失率以及单位数据量通信能耗的链路状态特征向量,构建出初始的动态云边拓扑图;

13、实时监测各顶点及有向边的实时状态特征向量,当检测到拓扑元素的状态变化超过预设阈值时,触发图结构更新流程,根据拓扑元素的类型执行对应的更新操作;

14、所述更新操作包括:针对失效的拓扑元素执行移除操作,针对新加入的拓扑元素执行新增操作,并同步刷新所有邻接关系。

15、本优选技术方案的有益效果为,通过将云边环境抽象为包含多维状态特征的动态图结构,并建立基于状态变化阈值的自适应触发更新机制,能够精准且实时地反映云边网络拓扑与资源状态的动态演变,从而为后续的智能调度决策提供高时效、高精度的全局环境感知基础。

16、作为本发明所述的云边协同资源调度优化方法的一种优选方案,其中:所述基于所述动态云边拓扑图部署分层多智能体架构,由云中心生成子目标指令下发至边缘节点,包括:

17、在云中心部署全局协调智能体,由所述全局协调智能体以固定周期生成包含期望的系统平均任务延迟上限、整体能效比下限以及边缘资源负载均衡度目标值的子目标指令,并将所述子目标指令下发至各边缘节点;

18、在每一个边缘节点部署本地智能体,由所述本地智能体接收到达的任务请求,并获取所述全局协调智能体下发的子目标指令;

19、所述本地智能体将接收到的子目标指令与自身状态嵌入向量进行拼接,形成条件化状态表示,并将所述条件化状态表示输入至策略网络,以生成符合全局意图的调度动作,所述调度动作包含指示任务被分配至目标计算节点的调度目标位置。

20、作为本发明所述的云边协同资源调度优化方法的一种优选方案,其中:所述对所述动态云边拓扑图进行特征提取并与所述子目标指令拼接,得到本地智能体的联合状态输入,包括:

21、对每个顶点的原始状态特征向量进行线性变换,得到初始节点表示;

22、基于所述初始节点表示执行两层图注意力传播操作,在第一层传播中聚合一跳邻居的信息,在第二层传播中聚合二跳邻居的信息,并在每一层传播中计算中心节点与对应邻居节点之间的注意力权重,得到两层传播后的节点嵌入;

23、将两层传播得到的节点嵌入进行拼接,并将拼接后的结果通过全连接层压缩为预设维度的拓扑感知嵌入向量。

24、作为本发明所述的云边协同资源调度优化方法的一种优选方案,其中:所述基于所述联合状态输入计算任务延迟项的动态权重系数,包括:

25、持续记录每个调度周期内所有完成任务的实际端到端延迟,形成延迟时间序列;

26、设定滑动窗口长度,从所述延迟时间序列中截取连续子序列,将子序列中的延迟值划分为若干区间并统计频次,将频次归一化为概率分布;

27、基于香农信息熵计算所述概率分布对应的服务等级协议履约状态熵值,并将所述服务等级协议履约状态熵值通过s型激活函数映射至预设区间,得到任务延迟项的动态权重系数。

28、作为本发明所述的云边协同资源调度优化方法的一种优选方案,其中:所述利用多目标深度强化学习算法,基于所述联合状态输入和经动态调整的多目标奖励函数训练得到调度策略模型,并基于所述调度策略模型执行任务调度,包括:

29、定义所述多目标奖励函数为负向任务延迟、负向系统总能耗、负向资源使用成本以及正向资源利用率的加权和,并采用多目标深度确定性策略梯度算法进行策略训练,在训练过程中维护多个策略参数副本,使每个副本对应一组不同的服务等级协议偏好配置;

30、在每个训练回合中,根据当前任务的业务类型选择匹配的服务等级协议偏好配置,并调用对应的策略参数生成动作,以完成所述多目标奖励函数下的策略迭代;

31、在训练完成后,筛选出非支配策略集合,构成帕累托最优调度策略库;

32、在实际运行阶段,根据任务优先级和业务需求,从所述帕累托最优调度策略库中选择最适配的调度策略执行任务分配。

33、本优选技术方案的有益效果为,通过维护多组服务等级协议偏好配置并结合帕累托最优策略筛选机制,能够在实际运行阶段根据业务需求动态匹配最适配的调度策略,从而在保证系统能耗与成本最优的同时,精准满足多样化的任务延迟与服务等级协议要求。

34、作为本发明所述的云边协同资源调度优化方法的一种优选方案,其中:所述基于所述调度策略模型执行任务调度,包括:

35、监测任务执行过程中的服务等级协议履约指标,判断是否存在连续多个调度周期中高优先级任务的平均延迟超过服务等级协议约定的延迟上限;

36、当判定超过所述延迟上限时,激活策略修复机制,切换至高可靠性调度策略,将高优先级任务强制调度至资源空闲率高于设定门限的计算节点,若边缘层无满足条件节点则强制路由至云中心;

37、基于所述策略修复机制的执行过程,记录本次修复事件的结构化日志,所述结构化日志包含触发原因、系统负载状态快照及所选目标节点信息;

38、在主策略的定期再训练阶段,提取所述结构化日志构建异常场景经验回放子集,并在策略梯度更新过程中对所述异常场景经验回放子集的样本施加高于常规样本的损失权重,基于所述损失权重计算梯度并更新所述主策略网络的参数。

39、第二方面,本发明提供了一种云边协同资源调度优化系统,包括:

40、云边拓扑动态构建模块,用于获取云边环境的实时状态数据,并基于所述实时状态数据构建和更新动态云边拓扑图;

41、分层指令下发模块,用于基于所述动态云边拓扑图部署分层多智能体架构,由云中心生成子目标指令下发至边缘节点;

42、联合状态表征模块,用于对所述动态云边拓扑图进行特征提取并与所述子目标指令拼接,得到本地智能体的联合状态输入;

43、奖励权重自适应调整模块,用于基于任务执行的历史延迟计算服务等级协议履约状态评估指标,据此动态调整包含系统能耗项的多目标奖励函数的权重系数;

44、调度执行模块,用于利用多目标深度强化学习算法,基于所述联合状态输入和经动态调整的多目标奖励函数训练得到调度策略模型,并基于所述调度策略模型执行任务调度。

45、第三方面,本发明提供了一种电子设备,包括:

46、存储器,用于存储程序;

47、处理器,用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现所述云边协同资源调度优化方法的步骤。

48、第四方面,本发明提供了一种计算机可读存储介质,包括:所述程序被处理器执行时,实现所述的云边协同资源调度优化方法的步骤。

49、本发明的有益效果:本发明通过构建包含多维状态特征的动态图结构并建立基于状态变化阈值的自适应触发更新机制,实现了精准且实时地反映云边网络拓扑与资源状态的动态演变,为后续的智能调度决策提供高时效、高精度的全局环境感知基础;通过基于历史延迟计算服务等级协议履约状态评估指标并动态调整多目标奖励函数的权重系数,实现了调度模型对系统服务质量波动的自适应感知,使强化学习训练过程能够动态平衡任务延迟、系统能耗与资源利用率等多重优化目标;通过维护多组服务等级协议偏好配置并结合帕累托最优策略筛选机制,实现了在实际运行阶段根据业务需求动态匹配最适配的调度策略,从而在保证系统能耗与成本最优的同时,精准满足多样化的任务延迟与服务等级协议要求。