一种基于边缘计算的供应链任务分发与算力调度方法与流程

本发明涉及资源管理，尤其涉及一种基于边缘计算的供应链任务分发与算力调度方法。

背景技术：

1、随着供应链业务向多节点协同、实时响应和连续在线方向发展，订单处理、库存同步、路径计算、状态核验和数据汇聚产生了大量计算任务。云端集中处理方式受网络距离和回传链路影响，难以持续满足低时延处理需求。边缘计算通过在靠近数据来源的位置部署计算节点，使任务能够在不同节点之间完成分发和执行，已应用于仓储管理、物流监控、制造协同和供应链状态分析。相关系统需要结合任务数据量、计算需求量、剩余时限和通信频次，选择具备相应处理能力的边缘计算节点，并分配相应算力资源。

2、现有供应链任务分发方案多采用阈值筛选、轮询分配、负载均衡和综合评分。综合评分方案一般采集可用算力、任务队列长度、网络带宽和通信时延，对各项指标执行归一化后配置固定权重，再按照评分结果选择节点。部分方案结合历史任务执行记录估计执行时长或排队时长，并依据当前节点状态调整任务分配顺序。

3、供应链任务在数据规模、计算复杂度、时限要求和通信交互强度方面存在差异，同一节点状态指标对不同任务执行结果的影响程度并不一致。采用固定权重或统一评分规则时，可用算力、任务队列长度、网络带宽和通信时延在不同任务中的实际贡献无法随任务特征变化而调整。边缘节点还存在接入关系变化、链路断开、带宽下降和通信时延上升，单次采集得到的节点状态难以反映任务执行期间的网络变化。由此形成的节点评分可能与历史实际处理效率不一致，节点选择结果存在偏离，算力分配也容易受到节点状态波动影响。

4、因此，如何提供一种基于边缘计算的供应链任务分发与算力调度方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于边缘计算的供应链任务分发与算力调度方法，本发明通过结合任务特征、节点状态、动态惩罚和自适应权重更新，提高节点选择与算力分配对实际处理效率的适配性。

2、根据本发明实施例的一种基于边缘计算的供应链任务分发与算力调度方法，包括：

3、采集供应链任务的任务特征、各边缘计算节点的节点运行数据和历史任务执行记录，并进行归一化处理，得到边缘调度基础数据；

4、根据边缘调度基础数据筛选历史任务执行记录，得到任务匹配样本集；

5、根据任务匹配样本集计算各贡献指标对应的指标贡献值，得到指标贡献序列；

6、根据边缘调度基础数据和任务匹配样本集计算各边缘计算节点对应的指标损失值，得到节点指标损失矩阵；

7、根据边缘调度基础数据识别各边缘计算节点对应的硬故障状态和软故障状态，并计算节点动态惩罚值，得到节点动态惩罚序列；

8、根据指标贡献序列和节点动态惩罚序列修正各贡献指标对应的学习率和各边缘计算节点对应节点指标损失矩阵的指标损失值，得到指标学习率矩阵和修正损失矩阵；

9、根据指标学习率矩阵和修正损失矩阵执行改进hedge算法的指数权重更新，得到节点专家权重矩阵；

10、根据节点专家权重矩阵和修正损失矩阵选择目标边缘计算节点，确定目标边缘计算节点对应的算力分配量并发送供应链任务，得到任务算力调度结果。

11、可选的，所述得到边缘调度基础数据，具体为：

12、采集供应链任务的任务特征，并将同一供应链任务对应的任务特征进行关联，得到任务特征记录，所述任务特征包括任务数据量、计算需求量、剩余时限、通信频次和任务接入节点标识；

13、采集各边缘计算节点本周期及前周期的节点运行数据，并按照边缘计算节点和调度周期进行关联，得到节点周期记录集，所述节点运行数据包括可用算力、任务队列长度、节点处理速率、网络带宽、通信时延和节点邻接矩阵；

14、采集历史任务执行记录并结合任务特征记录构建任务特征参照集；

15、根据任务特征记录和节点周期记录集对各可达边缘计算节点进行拓扑层级划分，得到拓扑层级节点集；

16、根据拓扑层级节点集对节点周期记录集中缺少的前周期节点运行数据进行补齐，得到节点完整记录集；

17、根据任务特征参照集和节点完整记录集确定各连续数值对应的分层归一化边界；

18、根据分层归一化边界对任务特征记录和节点完整记录集中的连续数值执行min-max归一化，并将归一化后的任务特征、节点运行数据、任务接入节点标识和节点邻接矩阵进行关联，得到边缘调度基础数据。

19、可选的，所述根据边缘调度基础数据筛选历史任务执行记录，具体为：

20、根据分层归一化边界对任务特征参照集中的历史任务特征进行归一化处理，并与任务特征记录中的归一化后的任务特征进行对应，得到统一任务特征集；

21、根据任务接入节点标识、本周期节点邻接矩阵和拓扑层级节点集筛选历史任务执行记录，得到候选历史记录集；

22、根据候选历史记录集配置各任务特征对应的权重，得到层级特征权重序列；

23、根据统一任务特征集和层级特征权重序列计算供应链任务与各历史任务对应的任务特征差值，得到任务特征差值序列；

24、根据拓扑层级节点集和任务特征差值序列筛选候选历史记录集，得到有效历史记录集；

25、根据有效历史记录集计算各历史任务执行记录对应的实际处理效率，并与完成计算量、执行时长和通信时长进行关联，得到任务匹配样本集。

26、可选的，所述根据任务匹配样本集计算各贡献指标对应的指标贡献值，具体为：

27、基于任务匹配样本集构建归一化历史状态集；

28、提取边缘调度基础数据中各可达边缘计算节点本周期的归一化节点运行数据，按照拓扑层级对归一化节点运行数据进行分组，得到层级状态基准集；

29、将归一化历史状态集、层级状态基准集和历史任务执行记录对应的实际处理效率进行关联，得到节点状态对照集；

30、围绕各贡献指标构建对应的指标子集组合，得到指标子集配对集，所述贡献指标包括可用算力、任务队列长度、网络带宽和通信时延；

31、从节点状态对照集中筛选各指标子集对应的历史任务执行记录，得到子集匹配样本组；

32、汇总子集匹配样本组中各指标子集对应的实际处理效率，得到子集效率序列；

33、采用shapley值算法对指标子集配对集和子集效率序列进行处理，得到指标贡献序列。

34、可选的，所述根据边缘调度基础数据和任务匹配样本集计算各边缘计算节点对应的指标损失值，具体为：

35、基于边缘调度基础数据计算各边缘计算节点对应的预计执行时长，得到节点预计执行时长序列；

36、按照历史执行节点所属拓扑层级对任务匹配样本集中的完成计算量进行汇总，并将各边缘计算节点与所属拓扑层级对应的完成计算量平均值进行关联，得到节点计算量参照序列；

37、基于节点计算量参照序列计算各边缘计算节点对应的预计排队时长，得到节点预计排队时长序列；

38、基于任务特征和节点运行数据计算各边缘计算节点对应的预计通信时长，得到节点预计通信时长序列；

39、将节点预计执行时长序列、节点预计排队时长序列、各边缘计算节点的通信时延和节点预计通信时长序列分别除以剩余时限，得到执行损失序列、排队损失序列、时延损失序列和通信损失序列；

40、按照边缘计算节点的排列顺序组合执行损失序列、排队损失序列、时延损失序列和通信损失序列，得到节点指标损失矩阵。

41、可选的，所述根据边缘调度基础数据识别各边缘计算节点对应的硬故障状态和软故障状态，并计算节点动态惩罚值，具体为：

42、基于任务接入节点标识、本周期节点邻接矩阵和前周期节点邻接矩阵，分别提取任务接入节点至各边缘计算节点的最短拓扑路径，得到周期路径对照集；

43、从周期路径对照集中提取各边缘计算节点对应的前周期最短拓扑路径，并在本周期节点邻接矩阵中逐一核验前周期最短拓扑路径包含的链路，得到节点断链记录集；

44、基于节点断链记录集计算各边缘计算节点对应的加权断链比例，得到节点断链比例序列；

45、比较各边缘计算节点本周期和前周期的网络带宽及通信时延，得到节点软故障序列；

46、融合节点断链比例序列和节点软故障序列，得到节点动态惩罚序列。

47、可选的，所述根据指标贡献序列和节点动态惩罚序列修正各贡献指标对应的学习率和各边缘计算节点对应节点指标损失矩阵的指标损失值，具体为：

48、对指标贡献序列中的指标贡献值进行非负化处理和归一化处理，得到归一化指标贡献序列；

49、按照节点指标损失矩阵中的边缘计算节点排列顺序提取节点动态惩罚序列中的节点动态惩罚值，并将同一节点动态惩罚值分别与4个贡献指标进行对应，得到节点惩罚扩展矩阵；

50、将归一化指标贡献序列按照边缘计算节点数量进行复制，并使复制后的各归一化指标贡献值与节点惩罚扩展矩阵中的位置对应，得到指标贡献扩展矩阵；

51、基于指标贡献扩展矩阵和节点惩罚扩展矩阵计算各边缘计算节点对应的指标学习率，得到指标学习率矩阵；

52、基于节点指标损失矩阵和节点惩罚扩展矩阵修正各边缘计算节点对应的指标损失值，得到修正损失矩阵；

53、按照边缘计算节点排列顺序和可用算力、任务队列长度、网络带宽、通信时延的排列顺序，对指标学习率矩阵和修正损失矩阵中的数值位置进行对应，得到指标学习率矩阵和修正损失矩阵。

54、可选的，所述改进hedge算法，具体为：

55、按照边缘计算节点排列顺序和贡献指标排列顺序，提取指标学习率矩阵与修正损失矩阵中相同行位置及相同指标列位置的数值，得到学习率损失组合矩阵；

56、首个调度周期将归一化指标贡献序列中的归一化指标贡献值写入各边缘计算节点对应行的指标列位置，得到初始专家权重矩阵，后续调度周期提取前一调度周期的节点专家权重矩阵，得到前周期专家权重矩阵；

57、基于学习率损失组合矩阵计算各贡献指标对应的权重衰减值，得到权重衰减矩阵；

58、基于权重衰减矩阵、初始专家权重矩阵和前周期专家权重矩阵计算各贡献指标对应的候选专家权重，得到候选专家权重矩阵；

59、比较本调度周期与前一调度周期中相同边缘计算节点的节点动态惩罚值，得到惩罚变化序列；

60、基于惩罚变化序列修正候选专家权重矩阵，得到惯性修正权重矩阵；

61、对惯性修正权重矩阵中同一边缘计算节点对应行的惯性修正权重求和，并将各惯性修正权重分别除以对应行的惯性修正权重之和，得到节点专家权重矩阵。

62、可选的，所述得到任务算力调度结果，具体为：

63、按照边缘计算节点排列顺序和贡献指标排列顺序，提取节点专家权重矩阵与修正损失矩阵中相同行位置及相同指标列位置的数值，并将提取的数值相乘，得到节点指标代价矩阵；

64、对节点指标代价矩阵中同一边缘计算节点所在行的4个指标代价值求和，得到节点调度代价序列；

65、将节点调度代价序列中各节点调度代价加1后取倒数，并将所得倒数除以全部边缘计算节点所得倒数之和，得到节点分发概率序列；

66、筛选节点分发概率序列中节点分发概率最大的边缘计算节点，得到候选目标节点集；

67、基于目标边缘计算节点的可用算力和节点动态惩罚值计算安全可用算力，并根据安全可用算力确定算力分配量；

68、按照目标边缘计算节点标识和算力分配量发送供应链任务，采集本轮完成计算量、执行时长和通信时长，得到本轮任务执行记录；

69、将本轮任务执行记录写入历史任务执行记录，并组合目标边缘计算节点标识和算力分配量，得到任务算力调度结果。

70、本发明的有益效果是：

71、（1）本发明通过基于任务特征筛选历史任务执行记录，并采用shapley值算法计算可用算力、任务队列长度、网络带宽和通信时延对应的指标贡献值，实现了贡献指标权重随任务数据量、计算需求量、剩余时限和通信频次变化而调整，从而降低固定指标权重导致节点选择结果偏离实际处理效率的可能性。

72、（2）本发明通过比较本周期与前周期节点邻接矩阵、网络带宽和通信时延，分别识别链路断开形成的硬故障状态及带宽下降、时延上升形成的软故障状态，并基于拓扑跳数配置断链权重，生成节点动态惩罚序列，实现了对边缘计算节点拓扑变化和链路状态波动的联合量化，从而提高动态网络环境下节点状态评估的可靠性。

73、（3）本发明中改进hedge算法采用指标贡献值初始化专家权重，利用节点动态惩罚值联合修正指标学习率和指标损失值，并通过惩罚变化序列对候选专家权重进行惯性修正，相较于采用固定学习率和直接指数更新的处理方式，能够限制节点状态短时波动引起的专家权重突变，并结合安全可用算力确定算力分配量，提高任务分发与算力调度过程的稳定性和适应性。