基于深度學(xué)習(xí)的電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度方法研究

摘要：由于電力物聯(lián)網(wǎng)邊緣設(shè)備計(jì)算能力有限，任務(wù)調(diào)度時(shí)延較高，因此設(shè)計(jì)基于深度學(xué)習(xí)的電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度方法。構(gòu)建深度學(xué)習(xí)模型，根據(jù)邊緣計(jì)算任務(wù)調(diào)度中的可靠性概率，確定約束條件，構(gòu)建一個(gè)電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度模型，采用交替方向乘子法等先進(jìn)算法求解該模型，實(shí)現(xiàn)電力物聯(lián)網(wǎng)中邊緣計(jì)算任務(wù)的快速調(diào)度。實(shí)驗(yàn)表明，在實(shí)時(shí)性要求極高的T2任務(wù)上，設(shè)計(jì)方法將時(shí)延降低至60 ms，這表明深度學(xué)習(xí)在電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度上的優(yōu)越性。

關(guān)鍵詞：深度學(xué)習(xí) 電力物聯(lián)網(wǎng) 邊緣計(jì)算 任務(wù)快速調(diào)度 可靠性概率

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A

Research on Fast Scheduling Method of Edge Computing Tasks in Power Internet of Things Based on Deep Learning

HAN Jiaxiong" GU Yongsheng

Jiangsu Electric Power Information Technology Co.， Ltd，

Nanjing， Jiangsu Province， 210000 China

Abstract： Due to the limited computing capacity of power Internet of Things （IoT） edge devices and high task scheduling delay， a fast scheduling method for power IoT edge computing tasks based on deep learning is designed. It builds a deep learning model， determines the constraint conditions according to the reliability probability of edge computing task scheduling， builds a edge computing task scheduling model for power IoT， and uses advanced algorithms such as alternating direction multiplier method to solve the model， so as to achieve fast scheduling of edge computing tasks in power IoT. Experiments show that on T2 tasks with high real-time requirements， the design method reduces the delay to 60 ms， which indicates the superiority of deep learning in the fast scheduling of edge computing tasks in the power IoT.

Key Words： Deep learning; Power Internet of Things; Edge computing; Fast task scheduling; Reliability probability

面對(duì)大規(guī)模、高動(dòng)態(tài)的數(shù)據(jù)處理需求時(shí)，電力物聯(lián)網(wǎng)中的邊緣計(jì)算任務(wù)調(diào)度問(wèn)題日益復(fù)雜，如何實(shí)現(xiàn)任務(wù)的快速、高效調(diào)度成為亟待解決的關(guān)鍵問(wèn)題。其中，陳剛等人[1]基于混合蟻群優(yōu)化算法提出了邊緣計(jì)算細(xì)粒度任務(wù)調(diào)度方法，在一定仿真區(qū)域內(nèi)，將任務(wù)調(diào)度能耗控制在150 kW/h以?xún)?nèi)。此外，李開(kāi)言等人[2]基于改進(jìn)灰狼優(yōu)化算法的邊緣計(jì)算任務(wù)調(diào)度方法，通過(guò)靈活調(diào)節(jié)灰狼優(yōu)化算法中的非線性收斂系數(shù)與權(quán)重參數(shù)，實(shí)現(xiàn)對(duì)算法性能的動(dòng)態(tài)優(yōu)化。但上述兩種方法具有一定局限性，為此本文將深度學(xué)習(xí)應(yīng)用于電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度中，為任務(wù)調(diào)度提供精確的數(shù)據(jù)支持。通過(guò)深度學(xué)習(xí)模型[3]，對(duì)電力物聯(lián)網(wǎng)中的設(shè)備狀態(tài)、數(shù)據(jù)流量、任務(wù)類(lèi)型等進(jìn)行全面感知和精準(zhǔn)預(yù)測(cè)，從而為任務(wù)調(diào)度決策提供科學(xué)依據(jù)。

1 邊緣計(jì)算任務(wù)調(diào)度目標(biāo)函數(shù)

在電力物聯(lián)網(wǎng)的邊緣計(jì)算中，引入了深度學(xué)習(xí)技術(shù)以精準(zhǔn)預(yù)測(cè)并優(yōu)化任務(wù)調(diào)度目標(biāo)。設(shè)想存在種核心計(jì)算資源，如GPU、FPGA、特定加速卡[4]等，共同構(gòu)成資源池，而種類(lèi)型的邊緣計(jì)算任務(wù)，依據(jù)其資源需求與性能要求被劃分為。設(shè)表示執(zhí)行第類(lèi)任務(wù)所需第類(lèi)資源的單位數(shù)量，則代表當(dāng)前系統(tǒng)中為第類(lèi)任務(wù)分配的第類(lèi)資源總量。定義為當(dāng)前系統(tǒng)中第類(lèi)任務(wù)的數(shù)量，而為電力物聯(lián)網(wǎng)期望達(dá)成的第類(lèi)任務(wù)完成效率或質(zhì)量指標(biāo)。基于這些定義，構(gòu)建優(yōu)化目標(biāo)函數(shù)。

該目標(biāo)函數(shù)綜合考慮了多個(gè)維度，利用深度學(xué)習(xí)模型，對(duì)大量歷史數(shù)據(jù)的學(xué)習(xí)與分析，電力物聯(lián)網(wǎng)自動(dòng)提取出影響任務(wù)調(diào)度效果的關(guān)鍵因素，并依據(jù)這些因素動(dòng)態(tài)調(diào)整目標(biāo)函數(shù)中的權(quán)重分配。引入一組權(quán)重參數(shù)，量化對(duì)不同指標(biāo)的重視程度。轉(zhuǎn)化綜合評(píng)估加權(quán)后的性能指標(biāo)，形式如下。

式（2）中：表示關(guān)注的性能指標(biāo)數(shù)量；為性能指標(biāo)類(lèi)型時(shí)的加權(quán)函數(shù)（當(dāng)i=1時(shí)，對(duì)應(yīng)響應(yīng)時(shí)間；當(dāng)i=2時(shí)對(duì)應(yīng)能耗）。

2 構(gòu)建電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度模型

在構(gòu)建電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度模型時(shí)，定義了任務(wù)完成質(zhì)量的評(píng)估標(biāo)準(zhǔn)為可靠性指數(shù)，其隨時(shí)間波動(dòng)遵循正態(tài)分布規(guī)律?；谶@一特性，采用伽馬分布[5]來(lái)模擬邊緣計(jì)算任務(wù)調(diào)度中的可靠性概率變化，通過(guò)數(shù)學(xué)公式計(jì)算為

式（3）中：表示伽馬分布的形狀參數(shù)；表示伽馬分布的尺度參數(shù)；表示時(shí)間；表示時(shí)間衰減的趨勢(shì)；表示伽馬函數(shù)。

邊緣計(jì)算任務(wù)調(diào)度中的可靠性概率需要滿足特定的安全約束條件，確?？煽啃圆坏陀陂撝担s束條件公式為

式（4）中：和分別表示考慮的時(shí)間區(qū)間的起始和結(jié)束時(shí)間。

這個(gè)約束條件確保了在整個(gè)時(shí)間區(qū)間內(nèi)，邊緣計(jì)算任務(wù)調(diào)度的可靠性概率都不會(huì)低于。如果在某個(gè)時(shí)間點(diǎn)低于，則任務(wù)調(diào)度策略可能需要調(diào)整以滿足安全要求。

構(gòu)建電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度模型，公式為

電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度通常需要在實(shí)時(shí)環(huán)境中進(jìn)行，需要處理動(dòng)態(tài)變化的系統(tǒng)狀態(tài)和任務(wù)請(qǐng)求。

3 求解模型實(shí)現(xiàn)電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度

構(gòu)建電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度模型后，選擇交替方向乘子法作為求解策略，通過(guò)設(shè)計(jì)的內(nèi)外兩層迭代框架[6]，完成模型求解，實(shí)現(xiàn)電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度。以下是該算法的具體步驟：

（1）對(duì)于，執(zhí)行外部迭代操作，從電力物聯(lián)網(wǎng)核心服務(wù)器獲取當(dāng)前的邊緣計(jì)算任務(wù)調(diào)度參數(shù)，更新激勵(lì)參數(shù)為，具體更新規(guī)則可能依賴(lài)和其他系統(tǒng)狀態(tài)，將更新后的激勵(lì)參數(shù)廣播至所有設(shè)備端。

（2）對(duì)于每個(gè)外部迭代，執(zhí)行次內(nèi)部迭代，在電力物聯(lián)網(wǎng)核心服務(wù)器上，根據(jù)當(dāng)前激勵(lì)參數(shù)和其他系統(tǒng)信息，求解對(duì)偶參數(shù)，更新對(duì)偶參數(shù)至，具體更新規(guī)則依賴(lài)問(wèn)題結(jié)構(gòu)，將更新后的對(duì)偶參數(shù)反饋至所有設(shè)備端，用于指導(dǎo)下一輪的任務(wù)調(diào)度。

（3）在每次外部迭代結(jié)束時(shí)，根據(jù)參數(shù)變化量小于預(yù)設(shè)閾值，來(lái)檢查是否達(dá)到收斂。如果未收斂，則調(diào)整激勵(lì)參數(shù)，并繼續(xù)執(zhí)行外部迭代。重復(fù)上述過(guò)程，直至找到電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度的最優(yōu)解。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證基于深度學(xué)習(xí)的電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度方法的性能，選取電力物聯(lián)網(wǎng)架構(gòu)進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境搭建在Python 3.8與TensorFlow2.x框架下，利用Jupyter Notebook進(jìn)行代碼編寫(xiě)與結(jié)果展示。為了更貼近實(shí)際應(yīng)用場(chǎng)景，引入任務(wù)調(diào)度策略執(zhí)行時(shí)的資源消耗，實(shí)驗(yàn)所用參數(shù)如表1所示。

本次實(shí)驗(yàn)基于電力物聯(lián)網(wǎng)的實(shí)際運(yùn)行數(shù)據(jù)，該數(shù)據(jù)集由超過(guò)15 000臺(tái)邊緣服務(wù)器構(gòu)成的廣泛網(wǎng)絡(luò)，為期2個(gè)月的詳細(xì)負(fù)載與任務(wù)執(zhí)行記錄。從中精心篩選了2個(gè)月內(nèi)的任務(wù)事件數(shù)據(jù)，以構(gòu)建貼近真實(shí)場(chǎng)景的測(cè)試案例。這些任務(wù)數(shù)據(jù)不僅涵蓋了多樣化的計(jì)算需求與實(shí)時(shí)性要求，還融入了設(shè)備間的復(fù)雜交互與通信能耗特征，任務(wù)的具體描述如表2所示。

為了評(píng)估所提出的基于深度學(xué)習(xí)的電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度方法的有效性，本文采取對(duì)比分析方法，將該方法與陳剛等人[1]提出的混合蟻群優(yōu)化調(diào)度方法、李開(kāi)言等人[2]提出的改進(jìn)灰狼優(yōu)化調(diào)度方法進(jìn)行對(duì)比。在確保電力物聯(lián)網(wǎng)能耗維持于最低閾值的前提下，得出各類(lèi)型任務(wù)的時(shí)延，結(jié)果如圖3所示。

4.2 實(shí)驗(yàn)結(jié)果分析

從圖1可以看出，在實(shí)時(shí)性要求極高的T2任務(wù)上，本文方法時(shí)延為60 ms，這表明本文方法在快速響應(yīng)和實(shí)時(shí)性保障方面具有顯著優(yōu)勢(shì)。在處理計(jì)算復(fù)雜度較高的T3任務(wù)時(shí)，本文方法時(shí)延在三種方法中最低，體現(xiàn)了其在處理復(fù)雜計(jì)算任務(wù)時(shí)的高效性。實(shí)驗(yàn)結(jié)果充分驗(yàn)證了本文提出的基于深度學(xué)習(xí)的電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)快速調(diào)度方法的有效性和優(yōu)越性，在降低邊緣計(jì)算時(shí)延、提高任務(wù)處理效率方面表現(xiàn)出色。

5 結(jié)語(yǔ)

在電力物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度的研究中，融合深度學(xué)習(xí)與智能優(yōu)化算法的方法展現(xiàn)出了顯著的優(yōu)勢(shì)，不僅提升了任務(wù)調(diào)度的速度和效率，還優(yōu)化了資源分配與能耗管理。隨著技術(shù)的不斷進(jìn)步，這一方法將在未來(lái)智能電網(wǎng)的構(gòu)建中發(fā)揮更加核心的作用，推動(dòng)電力物聯(lián)網(wǎng)向更加智能化、高效化方向發(fā)展。

參考文獻(xiàn)

[1]陳剛，王志堅(jiān).基于混合蟻群優(yōu)化的邊緣計(jì)算細(xì)粒度任務(wù)調(diào)度方法[J].計(jì)算機(jī)測(cè)量與控制，2022，30（11）：233-239.

[2]李開(kāi)言，王亞剛，張濤.基于改進(jìn)灰狼優(yōu)化算法的邊緣計(jì)算任務(wù)調(diào)度方法[J].信息與控制，2022，51（4）：489-497，512.

[3]丁忠林，李洋，曹委，等. 基于深度Q學(xué)習(xí)的電力物聯(lián)網(wǎng)任務(wù)卸載研究[J].計(jì)算機(jī)與現(xiàn)代化，2022（11）：75-80，88.

[4]王宏剛，孫明月，簡(jiǎn)燕紅，等. 電力物聯(lián)網(wǎng)中基于深度學(xué)習(xí)的無(wú)蜂窩接入點(diǎn)選擇算法[J].現(xiàn)代電力，2021，38（5）：529-534.

[5]王眾曉，彭青藍(lán)，孫若驍，等. 一種時(shí)延能耗感知的在軌邊緣計(jì)算任務(wù)卸載調(diào)度方法[J].計(jì)算機(jī)科學(xué)，2024，51（S1）：754-762.

[6]巨濤，王志強(qiáng)，劉帥，等. D3DQN-CAA：一種基于DRL的自適應(yīng)邊緣計(jì)算任務(wù)調(diào)度方法[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，51（6）：73-85.