[发明专利]端侧算力网络中多粒度多级别算力调度方法

说明书

本发明公开一种端侧算力网络中多粒度多级别算力调度方法，包括：在基站侧部署一个在线深度强化学习代理器和系统状态监控模块；探测和收集信道状态以及计算资源并发送给深度强化学习代理器；输出每个用户的任务分割策略以及每个子任务的调度决策；任务型设备TD将自身的任务按照指令进行分割并按照指令并行调度到目标计算节点处并行处理；任务型设备TD接收到并行调度出去的所有子任务的计算结果；所述调度方法根据当前的系统状态信息包括信道增益、资源型设备RD提供的空闲资源以及边缘计算服务器为各个用户分配的资源来对每个用户的任务进行多粒度的分割，并且将分割后的子任务并行地调度到合适的计算节点，从而利用并行执行的优势进一步缩短应用程序的执行时延。

技术领域

本发明属于通信和计算技术领域，具体涉及一种端侧算力网络中多粒度多级别算力调度方法。

背景技术

随着物联网和人工智能的发展，终端设备的智能化水平不断增强，而且数量规模巨大、种类繁多，但是由于严格的设备尺寸限制和生产成本考虑，终端设备通常带有容量有限的电池和节能低性能的处理器，因此，有限的设备寿命和低计算能力无法支持越来越多需要可持续和高性能计算的新应用，例如自动驾驶和增强现实的应用，因此，如何解决这两个基本性能限制是现代物联网技术研发中的关键问题。

移动边缘计算(MEC)已经成为在电池容量和计算资源有限的情况下帮助移动设备执行任务的关键技术，移动设备生成的计算密集型和延迟敏感的任务可以卸载到附近的MEC服务器(ES)上，这是降低延迟成本的有效方法，MEC具有巨大的潜在优势，也面临许多挑战，首先，与云服务器相比，单个ES的计算能力通常有限，其次，ES的计算能力和任务需求具有不均匀的时空分布，这导致计算资源利用效率低下，工作负载不平衡，第三，任务需求和边缘计算网络环境动态变化，这需要对任务调度做出实时决策。

此外，许多计算密集型任务是可分割的，即单个任务可以分为多个子任务，这些子任务可以由多个ES协同处理，然而目前关于任务分割的研究都是将任务建模为可以按照任意比例分割为两个或者任意多个并行子任务的情况，实际上这并不符合实际的应用程序结构，同时，在端侧算力网络中，分割后的并行子任务可以分布式地部署在多个终端算力节点上，突破单个设备资源能力有限的瓶颈，实现业务的灵活部署，资源的高效利用，同时实现任务的并行处理，大大缩短任务处理时延，然而，由于不同终端设备的空闲算力资源差异较大，以及信道质量的时变性，因此需要根据用户周围分布的多级别的算力资源和实时信道质量对自身任务进行多粒度的分割，并且将这些多粒度的子任务调度到具有对应级别算力的计算节点上以最小化任务的总处理时延。

即在一些用户终端资源受限但是需要处理大型计算密集型任务的情况下，在进行边缘计算时需要传输大量的数据，并且边缘服务器提供的资源同样受限时，现有技术不能解决技术问题。

基于现有技术存在如上述技术问题，本发明提供一种端侧算力网络中多粒度多级别算力调度方法。

发明内容

本发明提出一种端侧算力网络中多粒度多级别算力调度方法。

本发明采用以下技术方案：

一种端侧算力网络中多粒度多级别算力调度方法，包括：

步骤1，在基站侧部署一个在线深度强化学习代理器和系统状态监控模块，其中，系统状态监控模块负责收集系统状态信息，在线深度强化学习代理器用于做出决策并不断更新策略；

步骤2，每个时间帧开始时，系统状态监控模块探测和收集各个任务型设备TD与各个资源型设备RD和基站之间的信道状态，以及各个资源型设备RD的空闲资源和移动边缘计算服务器ES在当前时间帧给各个任务型设备TD分配的计算资源并发送给深度强化学习代理器；

步骤3，深度强化学习代理器基于系统状态检测模块提供的系统状态信息输出每个用户的任务分割策略以及每个子任务的调度决策，并将任务分割和子任务调度决策发送给对应的任务型设备TD；