技术摘要：
本发明提供了一种云边协同分层计算方法及云边协同分层计算系统，所述云边协同分层计算方法主要包括以下步骤：设备层随机生成实时任务，对任务进行预处理后，将任务传输到云层或边缘层；引入最大化累积奖赏(QoS)作为评价指标；将QoS代入至深度强化学习模型中进行训练，  全部
背景技术：
传统的计算环境中所有的任务都被传输到云或边缘进行计算，随着移动数据流量 的巨大增长以及AI等计算密集型复杂任务的出现，传统以云为核心的计算系统网络出现拥 塞和传输时延长的问题，无法及时地处理实时性需求高的任务。而边缘很少通过考虑多个 计算服务器的协同来解决问题，造成边缘服务器(ES)中的许多任务排队，无法满足实时要 求和边缘资源有效、合理的利用。 如何借助一种有效的云边协同计算方法，发挥云计算和边缘计算的最大优势，从 而缓解现有云计算和边缘计算隔离或不协调造成的高时延、高能耗和超负载等问题，是当 前研究的热点。因此，迫切需要有效的融合计算框架来集成和充分利用不同的计算资源，使 得不同的计算任务使用适合的计算资源，以及构建一些新颖而有效的策略和算法以确保资 源的有效利用和实时性能。 有鉴于此，确有必要提出一种云边协同分层计算方法及云边协同分层计算系统， 以解决上述问题。
技术实现要素：
本发明的目的在于提供一种云边协同分层计算方法及云边协同分层计算系统，以 充分利用云边资源的各自优势，使云边所有计算资源都集成到分层计算体系结构中，将不 同的计算任务移动到合适的计算资源。 为实现上述目的，本发明提供了一种云边协同分层计算方法，主要包括以下步骤： 步骤1、设备层随机生成实时任务，对任务进行预处理后，将任务传输到云层或边 缘层； 步骤2、引入最大化累积奖赏(QoS)作为评价指标； 步骤3、将QoS代入至深度强化学习模型中进行训练，以获得最优策略； 步骤4、对传入云层的任务直接进行处理；对传入边缘层的任务进行单边计算或边 边协同计算； 步骤5、对于计算量小且时延要求低的任务，通过SAE算法选择合适的边缘服务器 进行单边计算； 步骤6、对于计算量大且时延要求较高的任务，通过边缘计算集群的协同算法对任 务以分解、处理、组合的方式进行边边协同计算。 可选的，步骤1中所述预处理包括：分析并得到任务调度的响应时间、吞吐量、处理 任务所需的能耗。 可选的，步骤2中所述最大化累积奖赏(QoS)为： 4 CN 111611062 A 说　明　书 2/8 页 QoS＝{Response  Time，Throughput，Energy}＝{ReT，Thr，En}，其中，ReT为任务调 度的响应时间，Thr为吞吐量，En为处理任务所需的能耗，计算公式如下： 其中，m表示传输到云层的任务数，n表示传输到边缘层的任务数。 可选的，步骤2中最大化累积奖赏(QoS)的优化目标为： max(QoS)＝max({ReT′，Thr′，En′})， 其中，ReT’，Thr’，En’分别为ReT，Thr，En归一化处理后的结果。 可选的，步骤3中，所述深度强化学习模型使用基于深度强化学习的任务调度优化 算法进行训练。 可选的，步骤4中，根据计算量和时延要求的不同，对传入边缘层的任务选择进行 单边计算或边边协同计算。 可选的，步骤5中，所述SAE算法的具体步骤如下： S1：系统搜索所有的边缘服务器，并构造成集合E； S2：根据新任务的排队时间的计算公式，得到集合E中每个边缘服务器的排队时间 Yqueue； S3：评估排队时间并判断是否大于任务x的截止时间，更新边缘服务器的候选集Es 以处理该任务，然后再根据解决任务的总时间再次更新Es； S4：经过S1-S3后，边缘服务器的候选集Es中的每个边缘服务器都满足处理该任务 的要求，最后，从Es中为任务x随机选择边缘服务器。 可选的，步骤6中，所述边缘计算集群的协同算法的具体步骤如下： S1：根据处理时间的公式，集合E中的每个边缘服务器在约束条件下计算子任务指 令号IN(E)，然后，以降序对IN(E)进行排序，并创建排序后的边缘服务器的候选集Es，再将 子任务指令号相加，并评估其是否满足任务x的要求； S2：选定N个边缘服务器协同处理任务x，组成集合Ec＝{ec0，ec1，ec2，...，ecN-1}， 在Ec中选定ec0为主边缘服务器，然后主边缘服务器将任务x被划分成N个子任务，即x＝ {sx0，sx1，sx2，...，sxN-1}，主边缘服务器划分任务需要的时间为Ydivide(x)； S3：将各个子任务sxi分配到集合Ec中适合的边缘服务器eci进行处理，处理子任务 需要的时间为Tprocess(sxi，eci)，选取最大的Tprocess(sxi，eci)值作为子任务的总共处理时 间，即max(Tsubtask(sx1，ec1)，...，Tsubtask(sxN-1，ecN-1))； S4：主边缘服务器合并最终的结果，需要时间为Tmerge(x，Ec)，计算整个任务处理过 5 CN 111611062 A 说　明　书 3/8 页 程所耗费的时间，若满足时延需求，即Ttask(x，Ec)≤Trequire(x)，则处理结束，否则循环执行。 为实现上述目的，本发明还提供了一种云边协同分层计算系统，应用上述的云边 协同分层计算方法，所述云边协同分层计算系统包括设备层、云层和边缘层，所述设备层位 于云边协同分层计算系统的最底层，所述云层和边缘层位于所述设备层的上层。 可选的，所述设备层的周围设置有数据采集设备，所述数据采集设备用于收集工 业设备的实时任务信息；所述边缘层由多个边缘服务器组成。 本发明的有益效果是：本发明一方面利用云计算巨大的计算和存储资源处理复杂 的计算任务，来缓解边缘计算的计算能力不足、资源有限等问题；另一方面利用边缘计算的 边缘信息及时处理能力来缓解云计算的高时延、高能耗等问题，合理地优化了计算任务的 分配策略，使得云边负载达到平衡，云边资源得到最佳利用；此外，边缘与边缘之间的相互 协同可以减轻单一边缘节点的计算压力，增强边缘设备之间的数据共享以及协同任务之间 的分配与组合，更好的满足任务完成的实时性要求。 附图说明 图1是本发明云边协同分层计算系统的结构图。 图2是本发明云边协同分层计算方法的步骤流程图。 图3是本发明中云边协同计算的工作流程图。 图4是本发明中边缘计算的工作流程图。