[发明专利]一种基于深度神经网络的移动Web任务动态迁移方法

权利要求书

1.一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，包括以下步骤：

步骤S1，对移动设备和Web应用程序信息特征进行提取，移动设备信息包括CPU状态、运行内存、网络状态；Web应用程序只考虑Web worker的计算量；

步骤S2，利用SVM分类算法实现的预测模型来判断Web应用程序中的Web worker是否需要迁移到边缘服务器或云服务器，以达到计算卸载；

步骤S3，利用步骤S2得出的结果，如果迁移，则根据服务器负载率算法找到最佳服务器实施迁移，否则，则在本地直接执行即可；

步骤S4，如果步骤S3中实施迁移，Web worker会迁移到服务器端，服务器会对worker进行处理，并通过调用函数与客户端建立通信，返回执行结果。

2.根据权利要求1所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S1包括以下步骤：

步骤S11，利用浏览器插件可收集到移动设备的CPU状态、内存状态和网络状态等特征信息，Web worker的计算量可根据worker的数量来判断，worker数量越多，计算量越大；

步骤S12，对特征信息进行归一化处理，为下一步的机器学习模块提供特征输入值。

3.根据权利要求2所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S11中，通过浏览器中的插件可以得到移动设备当前CPU利用率、内存占用率，即当前移动设备的负载，网络状态可以是4G，5G或WiFi；worker中包含JavaScript和Webassembly代码，其中循环语句和条件语句越多，计算量越大，即worker的数量越多，计算量越大。

4.根据权利要求2所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S12中，在将特征值输入到学习算法之前，为了均衡不同特征对分类结果的影响程度，通过公式(1)min-max标准化对特征值进行归一化处理；然后将处理好的特征信息输入SVM分类算法构建预测模型；

其中，x_i为输入特征的原始值，max{x_j}为某一类特征的最大特征值，min{x_j}为某一类特征的最小值，y_i为归一化后的新特征值。

5.根据权利要求1所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S2中，具体过程如下：

步骤1)在移动设备和服务器中引入移动Web worker管理器，用于管理worker的创建、迁移和终止；SVM分类算法实现的模型放在移动设备中的移动Web worker管理器中；

步骤2)利用浏览器插件收集移动设备的CPU、内存和网络状态特征信息；

步骤3)根据Web应用程序Web worker的数量，获取程序的计算量；

步骤4)基于支持向量机算法，根据步骤1)、步骤2)、步骤3)采集的内容，利用支持向量机算法构建的预测模型，来判断移动Web任务是否需要迁移到边缘服务器或云服务器。

6.根据权利要求5所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤4)中，将步骤2)和步骤3)中的特征值输入到SVM-RBF算法，然后利用网格搜索法确定SVM-RBF错分代价参数C和γ值，自动搜索，确定最佳预测结果后停止搜索，保存参数C和γ值，确定当前移动设备在运行Web应用程序时是否需要进行迁移。