本發(fā)明涉及邊緣計算調度領域，尤其涉及基于邊緣計算的任務調度方法及系統(tǒng)。

背景技術：

1、隨著物聯(lián)網(wǎng)(iot)、智能城市、工業(yè)自動化、自動駕駛和智能交通等技術的快速發(fā)展，邊緣計算作為一種新興的計算架構，在處理大規(guī)模數(shù)據(jù)和實現(xiàn)低延遲響應方面展現(xiàn)了巨大的潛力。

2、然而，邊緣計算環(huán)境也帶來了新的挑戰(zhàn)，尤其是在任務調度方面。在一個典型的邊緣計算環(huán)境中，網(wǎng)絡節(jié)點通常分布廣泛且具備不同的計算能力、存儲容量、帶寬和能耗約束，因此，如何合理、高效地調度這些異構資源，以滿足動態(tài)變化的任務需求，仍然是一個亟待解決的問題。具體來說，以下幾個問題是當前邊緣計算任務調度中常見的挑戰(zhàn)：1)邊緣計算節(jié)點通常部署在多種環(huán)境中，計算能力、存儲容量、帶寬和能耗等資源的差異使得資源調度變得復雜。如何通過合理的調度策略最大化資源的利用率，并且根據(jù)不同節(jié)點的負載和能力動態(tài)調整調度方案，成為了一個重要研究課題。2)邊緣計算系統(tǒng)的工作負載通常具有高度動態(tài)性，任務的產生、處理和結束時間不穩(wěn)定，且其所需的資源和處理能力變化較大。在這種環(huán)境下，如何準確預測未來的任務負載，并根據(jù)預測結果動態(tài)調整調度策略，已成為一個亟需解決的問題。特別是如何通過數(shù)據(jù)分析和機器學習算法，提前了解任務負載的變化趨勢，以更精準地分配資源，實現(xiàn)任務的高效處理。3)在邊緣計算環(huán)境中，很多邊緣節(jié)點是功耗受限的設備，如iot傳感器、低功耗計算設備等。因此，如何在保證計算性能的前提下，最大程度地減少能耗，成為了任務調度中的一個重要目標。尤其是在移動設備和電池驅動的節(jié)點中，能源消耗是系統(tǒng)設計中的核心約束之一。優(yōu)化任務調度時，如何平衡計算任務的性能需求和節(jié)點的能耗約束，在保證任務按時完成的同時減少能量消耗，是當前邊緣計算系統(tǒng)中的一大難題。4)在邊緣計算中，盡管計算資源接近數(shù)據(jù)源，但邊緣節(jié)點之間的通信仍然可能受到網(wǎng)絡帶寬的限制。5)在許多邊緣計算應用中，任務卸載是一個關鍵操作。由于計算資源的限制，一些計算密集型的任務需要被卸載到更強的中央計算節(jié)點或云端進行處理。如何合理地選擇哪些任務進行卸載、何時卸載，以及如何在邊緣節(jié)點和云端之間協(xié)調任務的分配和調度，依賴于動態(tài)的負載預測和智能的調度算法。這需要邊緣計算系統(tǒng)具備智能決策能力，并能夠在復雜的環(huán)境中做出最優(yōu)的調度決策。6)隨著智能設備的普及，邊緣計算的一個重要應用領域是個人隱私和數(shù)據(jù)安全保護。在許多任務調度場景中，尤其是涉及用戶數(shù)據(jù)時，如何保障數(shù)據(jù)的隱私性和安全性是一個重要挑戰(zhàn)。由于邊緣節(jié)點是分布式的，并且部分數(shù)據(jù)會在本地處理，因此如何確保數(shù)據(jù)的加密、訪問控制以及用戶隱私的保護成為了系統(tǒng)設計中的一項關鍵任務。

3、盡管現(xiàn)有的一些任務調度方法已經(jīng)嘗試通過強化學習、深度學習、模型預測等手段來優(yōu)化任務調度和資源分配，但這些方法往往存在以下問題：一是由于訓練模型的復雜性，實際應用中難以快速適應變化的環(huán)境；二是大多數(shù)方法依賴于全局數(shù)據(jù)，未能充分考慮到邊緣計算中節(jié)點的異構性；三是在復雜的動態(tài)環(huán)境中，如何平衡多項目標(如延遲、能耗、資源利用率等)仍然是一個尚未完全解決的問題。

4、因此，基于邊緣計算的智能任務調度系統(tǒng)仍然面臨著諸多挑戰(zhàn)。如何高效地利用邊緣節(jié)點的計算能力，準確預測任務的負載變化，并根據(jù)任務調度的實時反饋進行靈活優(yōu)化，是提升邊緣計算系統(tǒng)性能的關鍵。

技術實現(xiàn)思路

1、本發(fā)明為克服上述的不足之處，目的在于提供基于邊緣計算的任務調度方法及系統(tǒng)，通過引入動態(tài)知識轉移機制、能耗感知策略優(yōu)化和時間序列預測技術，能夠高效地在邊緣計算環(huán)境中調度任務。

2、本發(fā)明是通過以下方案達到上述目的：基于邊緣計算的任務調度方法，包括以下步驟：

3、s1：采用動態(tài)知識轉移機制對每個邊緣節(jié)點的本地任務模型進行多尺度知識蒸餾和加權模型聚合的優(yōu)化，并更新全局模型；

4、s2：引入能耗感知策略優(yōu)化模塊，構建馬爾科夫決策過程模型，使用強化學習算法優(yōu)化該模型，動態(tài)平衡系統(tǒng)性能與能耗；

5、s3：將歷史任務負載輸入到預訓練模型中，通過自監(jiān)督學習的單模態(tài)時間序列預測模塊預測未來負載；

6、s4：根據(jù)上一步驟預測的未來負載優(yōu)化馬爾科夫決策過程模型，動態(tài)調整邊緣節(jié)點的計算資源分配。

7、作為優(yōu)選，s1中采用輕量化方法，按照層次順序提取低、中、高層的特征表示生成多尺度的知識表示：

8、

9、其中，ωi代表邊緣節(jié)點i的任務模型，t為蒸餾過程中的溫度參數(shù)。

10、作為優(yōu)選，高質量節(jié)點在在加權模型聚合過程占據(jù)更大權重，高質量節(jié)點通過計算邊緣節(jié)點的質量得分評比，評比內容包括：節(jié)點的計算能力、通信延遲以及能耗。

11、作為優(yōu)選，全局模型計算公式如下：

12、

13、其中，為第i節(jié)點的模型權重，βi為節(jié)點的資源質量權重；

14、蒸餾過程中，邊緣節(jié)點本地模型的損失函數(shù)定義為：

15、ldistill＝|wi-φi|2。

16、作為優(yōu)選，邊緣節(jié)點之間通過定期的同步機制實現(xiàn)知識共享與同步。

17、作為優(yōu)選，所述蒸餾溫度t被動調整，調整公式為：

18、

19、其中，α和β為調節(jié)系數(shù)，loadi為節(jié)點i的當前負載。

20、作為優(yōu)選，強化學習算法核心公式為：

21、l(θ)＝et[min(rt(θ)at，clip(rt(θ)，1-∈，1+∈)at)]

22、rt＝-(αlt+βet)

23、at＝qπ(st，at)-vπ(st)

24、其中，pi為第i節(jié)點的功率，ti為第i節(jié)點的計算時間，延遲lt表示延遲，et表示能耗，qπ(st，at)為當前狀態(tài)下采取某動作的預期回報，vπ(st)為當前狀態(tài)下的價值函數(shù)，優(yōu)勢函數(shù)at表示策略改進的增益。

25、作為優(yōu)選，s3的具體步驟包括：

26、s3.1：時間序列數(shù)據(jù)采用生成預訓練模型進行編碼，通過自監(jiān)督學習的掩碼機制提升預測能力，其訓練目標為：

27、

28、其中，xτ和分別表示真實值和預測值，m是被掩碼的時間步集合；s3.2：將歷史任務負載輸入到訓練好的預訓練模型中輸出預測的未來負載。

29、作為優(yōu)選，引入多任務學習框架增強預訓練模型的魯棒性。

30、作為優(yōu)選，動態(tài)調整邊緣節(jié)點的計算資源分配還包括任務優(yōu)先級。

31、基于邊緣計算的任務調度系統(tǒng)，包括：若干個邊緣節(jié)點、中央?yún)f(xié)調模塊，所述邊緣節(jié)點包括動態(tài)知識轉移模塊、能耗感知策略優(yōu)化模塊和時間序列預測模塊，所述中央?yún)f(xié)調模塊包括模型管理單元、動態(tài)資源調度模塊，中央?yún)f(xié)調模塊對負載任務進行全局優(yōu)化和動態(tài)調整邊緣節(jié)點資源配置。

32、本發(fā)明的有益效果在于：通過引入動態(tài)知識轉移機制、能耗感知策略優(yōu)化模塊以及時間序列預測模塊，本發(fā)明能夠有效提升邊緣計算環(huán)境中的任務調度效率；通過控制可學習參數(shù)的數(shù)量，保持調度模型的高效性，同時通過加權聚合策略和資源質量得分，確保高效節(jié)點在全局任務調度中的重要性；設計的自適應資源分配機制能夠根據(jù)任務的優(yōu)先級和節(jié)點的實時負載情況，動態(tài)調整計算資源的分配，有效提高任務調度的精度和實時響應能力；通過邊緣節(jié)點間的知識共享與同步，提升了全局模型的泛化能力和穩(wěn)定性。在多個智能交通和物聯(lián)網(wǎng)應用場景中，本發(fā)明展現(xiàn)了優(yōu)秀的性能，驗證了其在處理動態(tài)任務負載、優(yōu)化能耗和性能平衡方面的有效性和魯棒性。