[发明专利]一种基于边缘计算的数据调度方法、装置及系统

权利要求书

1.一种基于边缘计算的数据调度方法，其特征在于，用于处理智能工业互联网的优化调度请求，包括：

获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；

对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；

根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端；

其中，所述对多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标，具体包括：

步骤S1，设置迭代初始参数和最大迭代次数；

步骤S2，将多个优化调度请求中的评价指标输入到决策卷积无监督学习模型中，得到优化分析结果；

步骤S3，判断步骤S2中生成的优化分析结果是否满足评价条件，如果满足，转到步骤S5，作为所述优化后的评价指标输出，如果不满足，进入到步骤S4；

步骤S4，将所述迭代次数加1，并判断当前迭代次数是否超过所述最大迭代次数，如果没有超过，返回步骤S2，如果超过，进入步骤S5；

步骤S5，输出优化后的评价指标。

2.根据权利要求1所述的基于边缘计算的数据调度方法，其特征在于，所述获取所述智能工业互联网的多个优化调度请求，具体包括：

通过定期被询问机制获取所述智能工业互联网的多个优化调度请求；和/或，

获取每隔预置时间主动上报的所述智能工业互联网的多个优化请求。

3.根据权利要求1所述的基于边缘计算的数据调度方法，其特征在于，所述优化调度请求中的评价指标包括：时延和流量成本。

4.根据权利要求1所述的基于边缘计算的数据调度方法，其特征在于，所述步骤S3中的评价条件包括联合麟德伯格评价函数，具体如下：

所述步骤S2中的决策卷积无监督学习模型包括决策卷积神经网络奖惩无监督优化函数，具体如下：

其中，式(1-1)至式(1-5)中的k表示第k次迭代，d表示所述最大迭代次数，且k＝1,2,……,d；

式(1-2)、(1-3)和(1-4)中的M_ijt^k包含两方面的信息向量，其中：

表示当前第k次时延；

表示当前第k次流量成本；

L^minG表示历史最小时延；

C^minG表示历史最小流量成本；

表示当前第k次信息向量；

M^minG表示历史最小信息向量；

M^minK表示当前第k次最小信息向量；

表示第k+1次信息向量；

表示第k+1次奖励无监督学习因子；

表示第k+1次惩罚因子；

表示当前第k次平均时延；

表示当前第k次平均流量成本。

5.一种基于边缘计算的数据调度装置，其特征在于，用于处理智能工业互联网的优化调度请求，包括：

请求获取模块，用于获取所述智能工业互联网的多个优化调度请求，其中，每一所述优化调度请求中包括服务请求以及评价指标；

优化分析模块，用于对所述多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标；

调度模块，用于根据所述优化后的评价指标，调度所述服务请求对应的服务数据并返回给智能工业互联网的用户设备端；

其中，所述优化分析模块用于对多个优化调度请求中的评价指标进行深度优化和评价分析，得到优化后的评价指标，具体包括：

参数设置单元，用于设置迭代初始参数和最大迭代次数；

深度学习单元，用于将多个优化调度请求中的评价指标输入到决策卷积无监督学习模型中，得到优化分析结果；

判断单元，用于判断所述优化分析结果是否满足评价条件；

输出单元，用于输出优化后的评价指标。