一种边缘计算资源管理方法、系统、存储介质及电子设备

技术领域

本发明涉及计算资源管理技术领域，并且更具体地，涉及一种边缘计算资源管理方法、系统、存储介质及电子设备。

背景技术

思科最新报告显示，截止2023年，连接到IP网络的移动设备数量达到全球人口的3倍多，全球范围内的WiFi热点数量将达到6.28亿，比2018年增长了4倍，伴随着数据流量也呈现出爆炸式增长的趋势。在此背景下，传统云计算面对严重的数据堵塞情况时，难以为终端提供高质量的服务。2023英特尔网络与边缘产业高层论坛显示，2030年全球边缘市场规模将达到4450亿美元。因此，边缘计算被认为是解决万物互联大数据时代下处理数据的有效方法。而在边缘计算中，资源管理的重要性不可忽视，其直接关系到整个系统的性能、效率及用户体验。边缘计算的主要目标之一是实现低时延的数据处理和高响应速度，有效的资源管理可以确保任务在离用户或设备更近的边缘节点上执行，从而减少数据传输时间和响应延迟，有效避免在网络中传输大量的原始数据，且在边缘节点上进行本地计算可以降低能源消耗。

目前，常见的边缘计算资源管理方法主要包括基于规则的静态分配和基于负载均衡的动态调度。静态分配方法通常通过预定义规则将计算任务分配给特定的边缘节点，这样可以确保任务在特定位置执行；但静态分配方法在应对动态环境和变化的工作负载时表现较为局限，难以灵活地适应不同的应用场景。动态调度方法则通过负载均衡算法，在运行时将任务动态地分配到可用的边缘节点，以实现资源的最优利用；同样地，动态调度方法在面对复杂的任务和大规模系统时，其计算复杂度较高，可能导致延迟增加和性能下降。

以上方法能解决常规的边缘计算问题，但存在对动态环境适应性不足、资源利用率不高、系统响应速度较慢等方面的问题。

发明内容

为了解决上述背景技术所述的至少一个问题，本发明提供一种边缘计算资源管理方法、系统、存储介质及电子设备。

根据本发明的一个方面，提供了一种边缘计算资源管理方法，包括：

通过智能资源监测机制，实时获取各个边缘节点的状态信息，其中状态信息包括工作状态、工作负载和网络状态；

基于各个边缘节点的状态信息和预设的动态任务分配算法，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点；

通过分析历史数据，预测未来的工作负载情况，并根据工作负载情况对各个边缘节点做出相应的资源卸载策略；其中，历史数据包括节点负载数据、任务执行时间数据和工作负载模式；

在资源卸载策略的执行过程中引入自适应性优化算法，根据实际执行情况实时调整资源卸载策略。

可选地，所述基于各个边缘节点的状态信息和预设的动态任务分配算法，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点，包括：

基于各个边缘节点的状态信息，计算每个边缘节点的得分；

根据各个边缘节点的得分高低，选择最适合执行当前计算任务的边缘节点；

将当前计算任务分配到最适合的边缘节点。

可选地，所述基于各个边缘节点的状态信息，计算每个边缘节点的得分，包括：

设置初始权重参数α和β，初始化计算任务和边缘节点的状态信息；

基于各个边缘节点的状态信息，确定每个边缘节点的当前负载情况，获取各个计算任务的优先级信息；

根据权重参数α和β、每个边缘节点的当前负载情况以及各个计算任务的优先级信息，计算每个边缘节点执行每个计算任务的得分；

对于每个计算任务，选择得分最高的边缘节点，并将计算任务分配给所选择的得分最高的边缘节点执行。

可选地，该方法还包括：

获取各个计算任务的实际执行情况；

根据各个计算任务的实际执行情况，通过学习算法更新权重参数α和β。

可选地，所述根据权重参数α和β、每个边缘节点的当前负载情况以及各个计算任务的优先级信息，计算每个边缘节点执行每个计算任务的得分，包括：

根据权重参数α和β、每个边缘节点的当前负载情况以及各个计算任务的优先级信息，通过以下公式计算每个边缘节点执行每个计算任务的得分：

式中，Score

可选地，所述通过分析历史数据，预测未来的工作负载情况，包括：

基于统计方法、时间序列分析方法或者机器学习算法，对历史数据进行分析，并根据分析的结果预测未来的工作负载情况，其中工作负载情况包括第一负载情况和第二负载情况，第一负载情况用于指示未来时间段的工作负载小于预设阈值，第二负载情况用于指示未来时间段的工作负载大于或者等于预设阈值。

可选地，所述根据工作负载情况对各个边缘节点做出相应的资源卸载策略，包括：

当预测的工作负载情况为第一负载情况时，将负载低于预设阈值的部分边缘节点进行休眠或降低功耗状态；

当预测的工作负载情况为第二负载情况时，执行以下一项或者多项资源卸载策略：

动态分配计算任务至性能更强的边缘节点，以平衡负载；

提前加载所需资源至边缘节点，以加速任务执行；

针对性调整计算任务的优先级，确保重要任务得到优先执行；

启动额外边缘节点，以满足高负载需求。

根据本发明的一个方面，提供了一种边缘计算资源管理系统，包括：

信息获取模块，用于通过智能资源监测机制，实时获取各个边缘节点的状态信息，其中状态信息包括工作状态、工作负载和网络状态；

动态任务分配模块，用于基于各个边缘节点的状态信息和预设的动态任务分配算法，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点；

预测性资源卸载模块，用于通过分析历史数据，预测未来的工作负载情况，并根据工作负载情况对各个边缘节点做出相应的资源卸载策略；其中，历史数据包括节点负载数据、任务执行时间数据和工作负载模式；

自适应性优化模块，用于在资源卸载策略的执行过程中引入自适应性优化算法，根据实际执行情况实时调整资源卸载策略。

根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

本发明通过智能资源监测与分析，实现对边缘节点状态的实时监控，使得系统能够更准确地了解当前的工作负载和网络状况。其次，通过动态任务调度和预测性资源卸载策略，使得系统能够更好地适应工作负载的动态变化，可减少制作成本，降低系统的能量损耗；预测性资源卸载允许系统提前做出资源优化的决策，避免在高峰期发生的资源不足问题，进一步提高系统的鲁棒性和稳定性。此外，自适应性优化算法使得系统更具灵活性，能够根据不同的应用场景和需求调整资源卸载策略。通过这种方式，使得系统能够实时适应不同的工作负载和环境条件，从而优化边缘计算资源的利用。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明一示例性实施例提供的边缘计算资源管理方法的流程示意图；

图2是本发明一示例性实施例提供的动态任务分配算法的流程图；

图3是本发明一示例性实施例提供的边缘计算资源管理系统的结构示意图；

图4是本发明一示例性实施例提供的电子设备的结构。

具体实施方式

下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

本发明的目的在于提供一种更便捷的方法，总结常用的外部提供的接口实现方式，将各个功能的外部接口集成至同一个系统中，统一调用方式。开发人员在实现接口功能的过程中，在集成接口的系统中配置接口的相关信息后，不需要关心每个接口各自的调用方式，只需要关心接口功能以外的业务功能的实现，将接口实现的部分解耦成单独的功能系统，利于项目的后期维护。

本发明的应用领域广泛涵盖了众多行业，包括但不限于物联网(IoT)、智能交通、工业自动化、边缘云服务等。本发明提出一种先进的边缘计算资源管理方法，采用智能化的资源卸载策略，通过实时监测系统状态、工作负载和网络条件，动态地调整任务分配，实现更为灵活和高效的资源管理。本专利在适应动态环境、提高资源利用率和优化系统性能方面具有明显优势，为边缘计算领域带来创新的解决方案，有望成为物联网(IoT)、智能交通、工业自动化、边缘云服务等应用市场推动边缘计算技术发展的关键因素。

图1示出了本发明所提供的边缘计算资源管理方法的流程示意图。如图1所示，边缘计算资源管理方法，包括：

步骤S101：通过智能资源监测机制，实时获取各个边缘节点的状态信息，其中状态信息包括工作状态、工作负载和网络状态；

在本发明实施例中，首先进行系统初始化，即在系统启动时，进行初始化，设定智能视频监控系统的各项参数，包括边缘节点的初始状态、任务的优先级规则、初始权重参数等。保证系统处于一个合理的初始状态，为后续的任务分配和资源卸载提供基础。

然后，智能视频监控系统通过实时监测边缘节点的状态，包括CPU使用率、内存占用、网络带宽等。系统获取实时的节点负载信息，为后续的任务调度提供准确的数据基础。

步骤S102：基于各个边缘节点的状态信息和预设的动态任务分配算法，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点；

可选地，所述基于各个边缘节点的状态信息和预设的动态任务分配算法，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点，包括：基于各个边缘节点的状态信息，计算每个边缘节点的得分；根据各个边缘节点的得分高低，选择最适合执行当前计算任务的边缘节点；将当前计算任务分配到最适合的边缘节点。

可选地，所述基于各个边缘节点的状态信息，计算每个边缘节点的得分，包括：设置初始权重参数α和β，初始化计算任务和边缘节点的状态信息；基于各个边缘节点的状态信息，确定每个边缘节点的当前负载情况，获取各个计算任务的优先级信息；根据权重参数α和β、每个边缘节点的当前负载情况以及各个计算任务的优先级信息，计算每个边缘节点执行每个计算任务的得分；对于每个计算任务，选择得分最高的边缘节点，并将计算任务分配给所选择的得分最高的边缘节点执行。

可选地，该方法还包括：获取各个计算任务的实际执行情况；根据各个计算任务的实际执行情况，通过学习算法更新权重参数α和β。

可选地，所述根据权重参数α和β、每个边缘节点的当前负载情况以及各个计算任务的优先级信息，计算每个边缘节点执行每个计算任务的得分，包括：根据权重参数α和β、每个边缘节点的当前负载情况以及各个计算任务的优先级信息，通过以下公式计算每个边缘节点执行每个计算任务的得分：

式中，Score

在本发明实施例中，动态任务分配算法的目的是计算每个边缘节点的得分(Score)，并根据得分高低，选择最适合执行当前任务的节点，从而将计算任务分配到最适合的边缘节点，以最大程度地优化资源利用和提高系统性能。

图2为动态任务分配算法的流程图，主要分为七个流程：①初始化参数：设置初始权重参数α和β，初始化任务和节点的状态信息。②获取节点负载和任务优先级：实时监测各个边缘节点的负载信息(Load)，获取任务的优先级信息(Priority)。③计算任务分配得分：计算每个边缘节点执行每个任务的得分。④选择得分最高的节点：对于每个任务，选择得分最高的边缘节点。⑤任务分配执行：将任务分配给选择得分最高的边缘节点执行。⑥更新参数：根据实际执行情况，可通过学习算法更新参数，例如强化学习的Q-learning更新。⑦循环执行：重复上述步骤，实时监测节点负载和任务优先级，动态调整任务分配策略。

本发明提出了一种初始的动态任务分配算法，公式如下所示：

Score

其中，Score

Load

Priority

α和β：权重参数，用于平衡节点负载和任务优先级对节点得分的影响，决定了各个因素的相对重要性。根据具体应用场景和系统需求，通过调整α和β来确定权重，使其适应不同的环境。

基于上述动态任务分配算法，本发明在任务分配策略上进行改进，引入Sigmoid函数，用于调整任务优先级对任务分配得分的影响，使得算法更加灵活，能够更好地适应不同的任务优先级。改进后的算法公式如下：

其中，e为自然对数的底数，Sigmoid函数将输入值映射到0-1之间的范围，用于平滑调整任务优先级的影响。引入Sigmoid函数对任务优先级进行非线性映射，使得高优先级任务相对于低优先级任务有更大的影响。

从而，通过智能任务调度，系统能够在实时变化的工作负载下，高效地将任务分配给最合适的边缘节点，提高系统的性能和响应速度。

步骤S103：通过分析历史数据，预测未来的工作负载情况，并根据工作负载情况对各个边缘节点做出相应的资源卸载策略；其中，历史数据包括节点负载数据、任务执行时间数据和工作负载模式；

可选地，所述通过分析历史数据，预测未来的工作负载情况，包括：基于统计方法、时间序列分析方法或者机器学习算法，对历史数据进行分析，并根据分析的结果预测未来的工作负载情况，其中工作负载情况包括第一负载情况和第二负载情况，第一负载情况用于指示未来时间段的工作负载小于预设阈值，第二负载情况用于指示未来时间段的工作负载大于或者等于预设阈值。

可选地，所述根据工作负载情况对各个边缘节点做出相应的资源卸载策略，包括：当预测的工作负载情况为第一负载情况时，将负载低于预设阈值的部分边缘节点进行休眠或降低功耗状态；当预测的工作负载情况为第二负载情况时，执行以下一项或者多项资源卸载策略：动态分配计算任务至性能更强的边缘节点，以平衡负载；提前加载所需资源至边缘节点，以加速任务执行；针对性调整计算任务的优先级，确保重要任务得到优先执行；启动额外边缘节点，以满足高负载需求。

在本发明实施例中，历史数据包括：节点负载数据，包括CPU使用率、内存占用、网络带宽等；任务执行时间数据：记录每个任务的实际执行时间；工作负载模式：不同时间段的工作负载强度。

本发明涉及的分析方法主要包括统计方法、时间序列分析、机器学习算法。统计方法：例如均值、方差、相关性分析等，了解节点负载和任务执行时间的统计特性。时间序列分析：通过对历史数据进行趋势、季节性和周期性的分析，识别出工作负载的周期性变化和趋势。机器学习算法：如回归分析或时间序列预测模型，建立负载与时间的关系模型。

进一步地，如果预测到未来时间段工作负载较低(例如，负载小于30％)，则将部分低负载节点进行休眠或降低功耗状态，以降低整体能耗，减少资源浪费。如果预测到未来时间段工作负载较高(例如，负载大于或者等于30％)，则动态分配任务至性能更强的节点，以平衡负载；提前加载所需资源至节点，以加速任务执行；针对性调整任务优先级，确保重要任务得到优先执行；或者启动额外边缘节点，以满足高负载需求。

从而，通过预测性资源卸载使得系统能够在未来工作负载上升之前就进行相应的资源调整，避免资源瓶颈和性能下降。

步骤S104：在资源卸载策略的执行过程中引入自适应性优化算法，根据实际执行情况实时调整资源卸载策略。

在本发明实施例中，引入自适应性优化算法，即实时反馈机制，根据实际执行情况实时调整资源卸载策略，确保系统能够持续优化在变化的环境中保持高效运行状态。实时反馈机制使得系统能够不断学习、优化，适应实际运行中的动态变化，保持高效性。

本发明首先通过智能资源监测机制实时获取各个边缘节点的状态、工作负载和网络状态，基于上述数据，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点。同时，预测性资源策略通过历史数据和趋势分析，预测未来工作负载，提前进行资源卸载策略。并且，通过自适应性优化算法根据不同的应用场景和需求调整资源卸载策略，能够持续优化资源卸载策略，使得系统在不断变化的计算环境中保持高效的运行状态，实现系统的灵活性。

综上所述，本发明通过智能资源监测与分析，实现对边缘节点状态的实时监控，使得系统能够更准确地了解当前的工作负载和网络状况。其次，通过动态任务调度和预测性资源卸载策略，使得系统能够更好地适应工作负载的动态变化，可减少制作成本，降低系统的能量损耗；预测性资源卸载允许系统提前做出资源优化的决策，避免在高峰期发生的资源不足问题，进一步提高系统的鲁棒性和稳定性。此外，自适应性优化算法使得系统更具灵活性，能够根据不同的应用场景和需求调整资源卸载策略。通过这种方式，本发明在提高工作性能、降低制作成本和能量损耗、增加系统稳定性及简化操作、控制、使用等方面都取得显著效果，使得系统能够实时适应不同的工作负载和环境条件，从而优化边缘计算资源的利用。

示例性系统

图3是本发明一示例性实施例提供的边缘计算资源管理系统的结构示意图。如图3所示，系统300包括：

信息获取模块310，用于通过智能资源监测机制，实时获取各个边缘节点的状态信息，其中状态信息包括工作状态、工作负载和网络状态；

动态任务分配模块320，用于基于各个边缘节点的状态信息和预设的动态任务分配算法，执行动态任务调度，根据实时需求将计算任务分配到最合适的边缘节点；

预测性资源卸载模块330，用于通过分析历史数据，预测未来的工作负载情况，并根据工作负载情况对各个边缘节点做出相应的资源卸载策略；其中，历史数据包括节点负载数据、任务执行时间数据和工作负载模式；

自适应性优化模块340，用于在资源卸载策略的执行过程中引入自适应性优化算法，根据实际执行情况实时调整资源卸载策略。

本发明的实施例的边缘计算资源管理系统与本发明的另一个实施例的边缘计算资源管理方法相对应，在此不再赘述。

示例性电子设备

图4是本发明一示例性实施例提供的电子设备的结构。如图4所示，电子设备40包括一个或多个处理器41和存储器42。

处理器41可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器42可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器41可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置43和输出装置44，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

此外，该输入装置43还可以包括例如键盘、鼠标等等。

该输出装置44可以向外部输出各种信息。该输出装置44可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。