一种在线学习的并行边缘计算方法与流程

技术特征：
1.一种在线学习的并行边缘计算方法，其特征在于，包括以下步骤：1)首先需要构建一个多址接入边缘计算环境，用户通过异构无线网络选择三个不同的接入方式与边缘端完成数据传输；2)对于每个网络接入方式，测量其初始网络的延迟、丢包和抖动数据，将结果发送至用户端；3)对于用户端，获得当前边缘计算任务的复杂度信息，并根据预设边缘侧计算能力，结合步骤2)的网络状态信息，根据基于多臂老虎机算法的多路径传输机制选择三种接入网络完成任务迁移；4)基于ε
‑
greedy的多臂老虎机算法的多路径传输机制初始化，选入三条路径，建立期望奖励估计表，设定探索率为ε，首先根据初始状态计算奖励数据，作为每个摇臂的初始值，每次选取网络路径的过程中：(1)分别产生服从0到1之间均匀分布的随机数net_first、net_second、net_third；(2)如果net_first、net_second、net_third大于探索率ε的话，分别选择当前最大的第二大的以及个值大小仅次于前面两个的所对应的那个摇臂进行操作；否则随机选择一个摇臂进行操作；(3)每次操作完一个摇臂，收集操作反馈的奖励数据，同时更新三条路径所对应的期望奖励估计表；5)通过多路径传输机制选择三种路径接入网络，用户端通过所选接入网络完成任务迁移；6)每次选择完成后，实时获取最新的网络状态信息，传输至用户端更新多路径传输机制，以便下次任务迁移的选择。7)每一轮步骤完成过后对机制进行一次更新完善，用户可以通过动态调优的方法机制完成任务迁移，有效保证时效性。2.根据权利要求1所述的一种在线学习的并行边缘计算方法，其特征在于，所述的步骤4)中ε
‑
greedy策略原理初始化的步骤如下：(1)通过所选择的随机生成算法，产生服从0到1之间均匀分布的随机数net_first、net_second、net_third分别对应三条路径。(2)根据检测所选入网络状态，边缘计算能力，任务复杂度进而更新初始化期望奖励估计表。设定探索率explore_rate为0.1，定义期望奖励估计表的初始化及更新机制如下：首先将每个摇臂的期望奖励估计值初始化为0：expe_rew_est
i
＝0(i＝1，2，...，k)选择期望估计值最大的摇臂best_arm，对其期望奖励估计值进行更新操作：其中，expe_rew_est
best_arm
表示第best_arm个摇臂当前操作次数，best_arm_rew表示当前收集反馈的奖励数据。

技术总结
一种在线学习的并行边缘计算方法，任务迁移传输机制在其他因素相同的情况下，任务时延有着较大提升。取得这样结果的因素有许多，本文的策略提出了多路径传输，三条路径并发进行任务传输，从理论逻辑层面就可以取得较好效果；实验验证的设备可以基于多臂老虎机算法策略不断与环境交互，调整接入网络配置，使得挑选当前情况下最优解决路径解决方案，保证任务时延始终维持在较低的数值范围，从而达到了降低任务时延，提高服务质量，提升用户体验的目标。标。


技术研发人员：郑杰 郭子正 朱海荣 梁雨昕 刘艺 高岭 王海 马于惠
受保护的技术使用者：西北大学
技术研发日：2021.07.29
技术公布日：2021/11/2