[发明专利]一种基于自适应深度神经网络的云边端协同计算方法

说明书

本发明涉及一种基于自适应深度神经网络的云边端协同计算方法，属于计算机技术领域。该方法包括：S1：由外部用户向包括终端设备层、云端、边缘端的计算平台发送计算任务，确定计算任务对应的云边协同机制；其中，云边协同机制包括云辅助边缘计算模型和边缘辅助云计算模型；S2：根据步骤S1确定的云边协同机制，建立云边协同任务调度模型；S3：采用并合调度算法，同时根据云边协同机制形成分组策略，根据分组策略生成子调度方案，通过步骤S2的云边协同任务调度模型对子调度方案进行评价，在并合调度算法的指定迭代次数内，选取出评价结果最优的子调度方案；S4：根据步骤S3所得子调度方案进行归并及精调以获取最终调度方案。

技术领域

本发明属于计算机技术领域，具体涉及了一种基于自适应深度神经网络的云边端协同计算方法。

背景技术

现有的计算系统大体上可以分为两类，纯云端与纯设备端。

纯云端的方式即使用者有计算任务时，便要将任务通过网络发送至云端，由云端的高算力的服务器进行计算，结算出结果之后，再将结果通过网络传回至用户端，以完成一次计算任务，这个过程对设备端设备的硬件性能与算力没有过高的要求，只需要其能做到计算任务信息的发送与接收即可。

纯设备端的方式则正好与纯云端的相反，要保证设备端的设备具备一定的算力，并且要事先将神经网络算法部署在设备端的设备上，每当用户有计算任务时，直接将这个计算任务交由设备端的设备进行计算处理，计算后直接将结果返回给用户，整个过程不需要网络的参与。

纯云端与纯设备端各有利弊。纯云端的方式由于云端服务器具有较高的算力，可以处理更为复杂的问题，但是同时由于整个过程需要网络的参与，故最终的响应时间还要受到网络拥塞情况的影响。纯设备端的方式由于整个处理过程完全在边缘设备上，整个过程不需要进行网络传输，所以响应时间主要你取决于设备处理计算的时间，但是由于边缘设备很难达到像云端服务器一样的高算力，所以对于那些问题比较复杂，所需计算量比较大的计算问题，仅仅依靠边缘端的设备来处理很难达到令人满意的效果。

因此，亟需一种能够自适应协同计算的云边端调度算法。

发明内容

有鉴于此，本发明的目的在于提供一种基于自适应深度神经网络的云边端协同计算方法，结合当前网络状态，并根据计算任务的规模动态的决定应该把任务交到云服务器上去处理还是放在边缘端设备上来处理。

为达到上述目的，本发明提供如下技术方案：

方案1：一种基于自适应深度神经网络的云边端协同计算方法，具体包括以下步骤：

S1：由外部用户向包括终端设备层、云端、边缘端的计算平台发送计算任务，确定计算任务对应的云边协同机制；其中，云边协同机制包括云辅助边缘计算模型和边缘辅助云计算模型；

S2：根据步骤S1确定的云边协同机制，建立云边协同任务调度模型；

S3：采用并合调度算法，同时根据云边协同机制形成分组策略，根据分组策略生成子调度方案，通过步骤S2的云边协同任务调度模型对子调度方案进行评价，在并合调度算法的指定迭代次数内，选取出评价结果最优的子调度方案；

S4：根据步骤S3所得子调度方案进行归并及精调以获取最终调度方案。

进一步，步骤S1中，所述云辅助边缘计算是边缘端服务器在任务执行过程中，云端向边缘端发送先验知识或历史数据；所述边缘辅助云计算是云端服务器在任务执行过程中，边缘端采集并预处理终端设备层各制造终端的数据，并发送至云端。

进一步，步骤S2中，建立云边协同任务调度模型，具体包括以下步骤：

S21：构建云边协同任务调度模型为：