一种工业智能制造边缘计算任务调度方法与流程

1.本发明涉及工业智能制造与边缘计算领域，具体地说是一种工业智能制造边缘计算任务调度方法。


背景技术：

2.随着工业数据的爆发式增长以及企业对智能化决策需求的不断提高，工业互联网平台成为工业全要素链接的枢纽，成为工业资源配置的核心。工业互联网平台是面向制造业数字化、网络化、智能化需求，构建基于海量数据采集、汇聚、分析的服务体系，支撑制造资源泛在连接、弹性供给、高效配置的工业云平台。
3.在这个智能工业时代，两个最重要的概念是自动化和数据。前者是我们的主要目标之一，后者是我们最有用的工具之一。数据可以通过一些人工智能(ai)方法进行分析和学习，如深度学习，并赋予计算机和操纵者类似人类的能力。为了收集更多的数据，越来越多的物联网设备被部署在智能工厂。利用这些数据，许多新方法被应用来提高生产过程的自动化和效率。
4.在云计算场景下，任务调度的一般策略是将计算密集型任务迁移到资源充足的计算节点上执行。但是在边缘计算场景下，边缘设备产生的海量数据无法通过现有的带宽资源传输到云计算中心进行集中式计算，且不同边缘设备的计算、存储能力均不相同，因此，边缘计算系统需要根据任务类型和边缘设备的计算能力进行动态调度。调度包括两个层面：云计算中心和边缘设备之前的调度；边缘设备之间的调度。云计算中心与边缘设备间的调度分为两种方式：自下而上和自上而下。自下而上是在网络边缘处将边缘设备采集或者产生的数据进行部分或者全部的预处理，过滤无用数据，以此降低传输带宽；自上而下是指将云计算中心所执行的复杂计算任务进行分割，然后分配给边缘设备执行，以此充分利用边缘设备的计算资源，减少整个计算系统的延迟和能耗。


技术实现要素：

5.为解决上述技术问题，本发明提供一种工业智能制造边缘计算任务调度方法。
6.本发明采用如下技术方案：一种工业智能制造边缘计算任务调度方法，包括以下步骤：
7.采集工业生产中设备的状态数据以及设备信息，并传递到边缘网关中；
8.边缘服务器通过与边缘网关的数据传输，获取设备信息，并根据设备信息和数据传输状态规划任务调度，得到所有终端设备卸载到边缘网关的任务量；
9.根据各边缘网关的任务量为终端设备分配任务。
10.所述设备信息包括：终端设备计算单位比特卸载任务所需要的cpu周期数、终端设备有效电容系数。
11.所述数据传输状态包括：终端设备到边缘网关的传输速率、设备到边缘网关传输系统的带宽、终端设备到边缘网关的传输功率、信道增益、终端设备到边缘网关的平均噪声
功率。
12.所述规划任务调度，包括以下步骤：
13.将终端设备总的计算任务量表示为l，用l表示终端设备进行本地计算的任务量，用oi表示第i个边缘网关被分配的任务量，n为边缘网关总数；因此，计算任务量满足以下约束：
[0014][0015]
终端设备在整个时间块t执行本地计算任务l时，用c表示终端设备计算单位比特卸载任务所需要的cpu周期数，因此终端设备本地计算的能耗e为：
[0016][0017]
其中，k表示有效电容系数，取决于终端设备的cpu结构，l表示终端设备进行本地计算的任务量，t为本地计算时间；
[0018]
当终端设备选择将任务卸载到边缘网关时，终端设备到边缘网关的传输速率ri为：
[0019][0020]
其中，i为第i个边缘网关，n为边缘网关总数，b表示设备到边缘网关传输系统的带宽，pi表示终端设备到边缘网关的传输功率；hi＝di-k
表示信道增益，di表示终端设备到边缘网关的距离，k为衰落因子，ni表示终端设备到边缘网关的平均噪声功率；
[0021]
终端设备卸载到边缘网关的任务量oi表示为：
[0022][0023]
τi为第i个边缘网关处理终端设备的时隙，n为边缘网关总数。
[0024]
本发明具有以下有益效果及优点：
[0025]
本发明设计了一种工业智能制造边缘计算与任务调度方法，支持边缘节点任务有效分配划分，使计算资源高效处理。边缘任务调度模型支持主动的任务调度，能够根据资源状态、服务感知、边缘计算节点间的联接带宽、计算任务的时延要求等，自动地在将任务拆分成多个子任务并分配到多个边缘计算节点上协同计算。
附图说明
[0026]
图1是本发明的总体构架框图；
[0027]
图2是本发明的边缘任务调度模型框图。
具体实施方式
[0028]
下面结合附图及实施例对本发明做进一步的详细说明。
[0029]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明
的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0030]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0031]
工业智能制造边缘计算模型主要包括了边缘资源感知模型、边缘资源与任务调度模型、边缘智能计算等模型。通过对边缘资源和服务状态的感知进行边缘资源调度，实现云-边缘的协同计算，将计算任务根据最小化能耗、最小化系统延迟以及负载均衡等目标，在云和边缘处进行计算卸载，提升系统的整体性能。
[0032]
在工业生产中设各种边缘设备(如机械臂、摄像头、传感器等)会产生大量数据，常规的云计算方法网络时延大，同时海量数据的传输和存储也存在着计算负荷的问题。本发明设计了一种能够在设备边缘侧实现智能计算的方法，其构架如图1所示，边缘感知层采集工业生产中设备的状态数据，并传递到边缘网关中，边缘智能计算模型部署在边缘智能网关中，实现智能感知、智能决策。边缘任务调度模型在边缘服务器侧，主要规划任务调度，将边缘测的计算任务卸载到边缘服务器中。
[0033]
边缘任务调度模型支持主动的任务调度，能够根据资源状态、服务感知、边缘计算节点间的联接带宽、计算任务的时延要求等，自动地在将任务拆分成多个子任务并分配到多个边缘计算节点上协同计算。每个终端设备具有一个可分割的计算任务，可以任意地将计算任务划分为1 m个部分，以便分别在设备自身和边缘网关处并行执行。为了便于分析，将终端设备总的计算任务量表示为l(mb)，用l表示用户进行本地计算的任务量，用oi表示第i个边缘网关被分配的任务量，n为网关数量。因此，计算任务量满足以下约束：
[0034][0035]
终端设备在整个时间块t执行本地计算任务l时，用c表示终端设备计算单位比特卸载任务所需要的cpu周期数，因此本地计算的能耗e为：
[0036][0037]
其中，k表示有效电容系数，取决于设备的cpu结构，l表示用户进行本地计算的任务量，t为本地计算时间。
[0038]
当终端设备选择将任务卸载到边缘网关时，通过无线网络传输会产生相应的传输时延和能耗开销。故设备端到边缘端的传输速率ri为：
[0039][0040]
其中，i为第i个边缘网关，n为总数，b表示设备到边缘网关传输系统的带宽，pi表示终端设备到边缘网关的传输功率；hi＝di-k
表示信道增益，di表示终端设备到边缘网关的
距离，k为衰落因子，本发明中取k＝4；ni表示终端设备到边缘网关的平均噪声功率。因此，终端设备卸载到边缘网关的任务量oi可表示为：
[0041][0042]
τi为边缘网关处理第i个设备的时隙，i为第i个边缘网关，n为边缘网关总数。得到所有终端设备卸载到边缘网关的任务量oi，根据任务量为终端设备分配任务。
[0043]
边缘任务调度模型支持主动的任务调度，能够自动地在将任务拆分成多个子任务并分配到多个边缘计算节点上协同计算。如图2所示。当智能制造有新任务分配时，首先会通过云端分析新任务的重要性、可抢占型和计算需求，并进入任务队列中，边缘计算任务调度模型会依据上文计算方法考虑边缘设备的计算能力与传输带宽等，并将新任务分配到各边缘计算节点中。
[0044]
其中，边缘智能计算模型可以通过以下方式实现：
[0045]
采集工业生产中设备的状态数据，并经边缘网关传递到服务器；
[0046]
在服务器中建立带有退出节点的边缘计算模型，并将边缘计算模型部署到网关中；
[0047]
当有计算任务时，边缘网关通过边缘计算模型输入选择退出节点，对实时采集的设备状态进行在线识别，并将识别结果送至服务器，实现边缘计算的优化。
[0048]
所述建立带有退出节点的边缘计算模型，包括以下步骤：
[0049]
将设备状态经过池化后得到特征结果，作为输入变量输入到神经网络中；
[0050]
在训练阶段，将损失函数与每个出口结合起来，每个出口决定于深度的准确率；x是输入变量，在每个出口点设计一个目标函数如下：
[0051][0052]
是一个函数，表示从入口点到第n个出口分支的神经网络的输出，即为z，作为识别结果；θ代表网络参数，包括权值和偏置；
[0053]
然后将网络输出结果通过softmax激活函数得到用于表示含有设备正常或异常分类的状态判别结果
[0054][0055]
c是所有可能设备状态c的集合，在第n个退出节点的计算模型损失函数ln如下：
[0056][0057]
y是模型输出的真实值，即设备真实的正常或异常状态；然后将每个出口损失函数的加权和最小化作为优化问题进行训练，得到训练后的模型。
[0058]
设备状态经过最大池化方法得到特征结果，具体如下：
[0059][0060]
其中，e
ij
是状态矩阵的第i行和第j列中的元素，所述状态矩阵通过采集的设备状态得到，m为设备状态特征向量输入的个数，是最大元素的结果。
[0061]
设备状态经过平均池方法得到特征结果，具体如下：
[0062]
平均池通过取状态矩阵每个分量的平均值来作为特征结果。
[0063][0064]
其中，e
ij
是状态矩阵的第i行和第j列中的元素，所述状态矩阵通过采集的设备状态得到，m为设备状态特征向量输入的个数，是平均元素的结果。
[0065]
联合损失函数l如下：
[0066][0067]
式中，n为模型出口点的总数，βn为每个出口的关联权值。
[0068]
经过训练后，使用熵来衡量在出口点分类器对样本预估概率，熵的定义为：
[0069][0070]
其中，通过激活函数得到状态判别结果包含所有可能结果的计算概率，c是所有可能设备状态c的集合，快速决断算法为：
[0071]
(1)n＝1...n为第n个退出节点，计算
[0072][0073]
(2)如果e＜tn则返回n，否则重复(1)；
[0074]
其中x是输入样本，tn是决定是否在第n层退出的时间阈值，n是出口点的总数。
[0075]
在线优化阶段，边缘计算模型首先在边缘网关上退出，之后在服务器上完成剩余节点的网络计算；
[0076]
在第n个退出节点，在边缘网关上每个退出节点的运行时间edn和服务器上的运行时间esn，zn是模型第n层的输出计算量，input为模型输入计算量；在带宽b下，计算整个运行时
[0077]
如果a小于目标时延，则直接选择在目标时延内的退出节点作为出口点n；
[0078]
如果a大于等于目标时延，则不改变训练阶段得到的出口点n。
[0079]
将优化好的神经网络模型分别部署在边缘智能设备(网关)和服务器中，当有智能
计算任务时，边缘网关可通过输入选择合理退出节点，运行简易的深度学习算法对设备状态进行识别，通过将中间结果送至服务器端，完成最终计算。
[0080]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。