[发明专利]一种边缘计算环境下的资源自适应调节方法

说明书

本发明公开了一种边缘计算环境下的资源自适应调节方法，包括，将视频流数据划分窗口和段；选定参考配置组合和可选配置集合；计算每个配置选项取值的精度分数；选定分数阈值；综合考虑不小于阈值的配置组合与模型计算消耗，选定最终配置应用到窗口，并将窗口配置应用于该组的所有采集设备的对应窗口。该方法考虑了影响边缘计算环境下目标检测应用资源消耗量的各种因素，此外还考虑了网络带宽的自适应调节，能够根据网络环境的变化，弹性更改各种参数，以实现带宽消耗和计算速度、精确性的平衡。

技术领域

本发明涉及边缘计算环境中资源调配技术领域，具体是一种边缘计算环境下的资源自适应调节方法。

背景技术

随着工业物联网领域的兴起和发展，传感器、摄像头等信息感知设备的能力有了巨大的提升，从而可以得到大量需求不同、格式不同的电力视频。目前，对于电力视频数据的分析和应用主要采用集中式云计算的模式。通过网络通信将所有的视觉数据都上传到云计算中心，利用云计算中心强大的计算能力进行视觉数据存储和分析，现已在输电线路缺陷检测、变电站设备识别等多个电力场景下得到了实践和应用。然而，基于集中云计算模式的电力深度视觉方法需要占用大量的计算资源，无法满足电力物联网对全面感知和高效协同的要求。

由于物联网的特点，传统的云计算模式已无法满足其需求：网络边缘的数据十分庞大，会导致巨大的不必要的带宽和计算资源使用；隐私保护也会成为一大难题；无线传输模块会消耗巨大的能源。网络边缘会产生巨量的数据，因此直接在网络边缘处理数据会更加有效，这就需要边缘计算这样的网络结构。

不同于云计算结构将数据收集后集中在云中心进行处理，边缘计算利用靠近用户和数据源的网络边缘节点完成数据的计算。边缘计算较云计算而言，网络中心的拥堵程度减小，网络延迟低且更加高效，同时安全性也更高。

视频流数据分析应用最典型的就是基于深度神经网络的目标检测，但是视频采集设备本身，由于可靠性和成本的要求，计算能力十分低下，因此大部分甚至全部的神经网络运算都需要交由边缘设备来处理，但这也产生了大量的视频传输带宽消耗，并且随着采集设备越来越多，边缘服务器的计算能力也有限，需要寻找合适的方法，来平衡网络带宽消耗、边缘设备计算响应速度和视频分析质量这几个指标。

发明内容

本发明的目的在于提供一种边缘计算环境下的资源自适应调节方法，用于边缘计算环境中的视频处理应用中，能够调节采集设备采集的视频帧率、分辨率以及视频处理应用所使用的模型，从而降低各种资源消耗，保证响应时间的同时保持识别准确率。

为达到上述目的，本发明采用的技术方案如下：

本发明提供一种边缘计算环境下的资源自适应调节方法，包括：

将边缘计算环境中采集设备进行分组划分；

在组内任选一个采集设备，将所选采集设备传输的视频流划分为窗口；

依次对所选采集设备的每个窗口进行资源配置并将窗口配置应用于该组的所有采集设备的对应窗口；

所述对所选采集设备的每个窗口进行资源配置，包括，

将窗口划分为若干片段；

对窗口的第一个片段进行资源配置；

将第一个片段的资源配置应用到所在窗口。

进一步的，所述将边缘计算环境中采集设备进行分组划分，包括：

将采集设备按照部署位置或关联性情况，手动划分为组。

进一步的，将所选采集设备传输的视频流划分为窗口，包括：

将采集设备传输的视频流以时间为单位划分为窗口。

进一步的，所述将窗口划分为若干片段，包括，