CN116166336B 用于边缘计算环境中面向多视角推理应用的任务卸载方法 （东南大学）

号用于边缘计算环境中面向多视角推理应用本发明公开了一种用于边缘计算环境中面先构建边缘环境下多视角推理任务的执行框架接着结合边缘环境下多视角推理任务执行框架解决多视角推理任务特殊的执行模式导致在传统任务卸载方法下多视角推理任务执行中出现算力或带宽较强终端等待算力或带宽较弱终端2步骤1)在边缘计算环境中，根据多视角推理的执行模式将多视角深度步骤2)基于步骤1)所构建的多视角推理任务的边缘计算步骤3)将步骤2)中所得到的特征数据作为输入参数，根步骤4)基于斯塔克尔博格博弈理论，使用启发式算法求2.根据权利要求1所述的用于边缘计算环境中面向多视角推理应用的任务卸载方法，策器处于边缘服务器端，终端设备接收到任务之后会通过任务卸载器得到任务卸载策略，步骤101)多视角终端设备接收到任务后，收集当前步骤102)任务卸载决策器根据步骤101)中得到的网络参数和算力参数决策出模型划步骤103)终端设备i根据步骤102)中得到的模型划分位置j，执行分块i第1到第j层推步骤104)边缘服务器中设备i对应浅层推理模块接收步骤103)传输的中间结果和模型步骤105)边缘服务器深层推理模块收集到根据步骤104)得到的各视角浅层推理结果，3步骤106)边缘服务器深层推理模块对融合特征进行进一3.根据权利要求1所述的用于边缘计算环境中面向多视角推理应用的任务卸载方法，4.根据权利要求1所述的用于边缘计算环境中面向多视角推理应用的任务卸载方法，步骤301)将终端设备i的浅层模型切分位置pi作为参数，将视角i对应浅层模型分为两边缘服务器上执行，则各终端设备执行浅层推理时间和传输中间数据时间分别为和器为终端设备i执行剩余浅层推理时间其中R为边缘服务器计步骤303)根据步骤301)和步骤302)能得到在权利要求1中所述步骤3)中各视角浅层推理时间为步骤304)在权利要求1中所述步骤3)中深层推理执行时步骤305)在权利要求1中所述步骤3)中并以最小化多视角推理任务执行时间为目标函5.根据权利要求1所述的用于边缘计算环境中面向多视角推理应用的任务卸载方法，4其中Ci步骤402)初始化模型划分位置解p,；步骤403)求解问题minrermaisiswc:(p',r),得到模型划分位置解为p,时的最优步骤404)求解问题minnepmacrrsiswci(p,r"):得到资源分配比例为r,时的最优模5[0002]自从AlexNet在2012年度Imagenet大赛中崭露头角，基于人工神经网络的图像分[0003]正因为单视角(Single_View)在上述但不限于上述的场景中无法取得较好的识别6推理任务。由于基于单视角推理任务的计算卸载方法无法直接对多视角推理任务进行加[0010]步骤3，终端设备i根据步骤2中得到的模型划分位置j，执行分块i第1到第j层推[0011]步骤4,边缘服务器中设备i的浅层推理模块接收步骤3传输的中间结果和模型划7[0012]步骤5，边缘服务器深层推理模块收集到根据步骤4得到缘服务器上执行，则各终端设备执行浅层推理时间和传输中间数据时间分别为服务器为终端设备i执行剩余浅层推理时间其中R为边缘服务[0024]步骤4，记深层推理执行时间和多视角推理任务执行时间分别为和T8R=((r'1,r'2,…rw)lriE[1,[0035]步骤4，求解问题minpepmaarrsiswci(p,r'),得到资源分配比例为r,时的最优9四个逻辑步骤。在多视角模型训练时将深度神经网络拆分成N+1个模型分块并分布式地部分块N+1，使得边缘服务器既具有协助终端设备完成完整浅层推理的能力又具有完成特征应用的任务卸载方法用于执行框架中的任务卸载步骤中。当一个多视角推理任务下达后，其完成第pi+1层到第A层(A表示浅层模型的浅层)的浅层推理，所以能得到视角i设备端浅分别为：i分别表示设备i与边缘服务器网络连接的带宽与延迟。minrerma.1siswci(p',r),本发明的优选实施方式使用贪心算法进行求解，算法如下：[0076]步骤2，通过算法1,求解问题minrerma.nsiswci(p',r),得到模[0077]步骤3，通过算法2，求解问题minpepmaa-rsiswci(p,r'),得到资源分配比例为