基于深度学习的港口安全监控边缘计算任务卸载调度方法

本技术涉及领域人工智能领域，尤其涉及一种基于深度学习的港口安全监控边缘计算任务卸载调度技术。

背景技术：

1、目前随着物联网和人工智能技术的发展与应用，在一些大型应用场景中，包含了云边端，但边缘设备可能存在计算能力不足、存储空间有限，导致任务处置和调度不及时，而边缘设备或服务器有着强大的计算能力和存储空间，可以通过在边缘服务器中建立智能体(agent)，将边缘设备无法及时处理的任务进行局部卸载、完全卸载或部分卸载，通过任务调度，由边缘服务器完成其卸载的任务，从而保证各项任务能及时高效完成，通过智能决策提高物联网系统的整体运行效率。同样该技术已普遍应用于现代港口物流管理系统中。

2、1.港口智能安全监控

3、港口智能安全监控是指利用智能技术和监控系统来实现对港口环境的安全监控和管理。以下是一些常见的港口智能安全监控技术和应用：

4、(1)视频监控系统：通过在港口各个关键区域安装摄像头，实时监测和录制港口的视频画面。视频监控系统可以用于检测异常事件、实时监控港口的运行情况，以及对重要区域进行视频分析和智能识别。

5、(2)智能识别技术：利用计算机视觉和机器学习技术，对港口视频监控图像进行智能识别。例如，识别和追踪特定的人员、车辆或物体，检测异常行为、未经授权进入的区域，以及识别危险物品等。

6、(3)入侵检测系统：利用传感器、雷达等技术，监测港口的周界和关键区域，及时发现和报警异常入侵事件。入侵检测系统可以通过声音、热像、雷达等多种方式来识别和定位潜在的入侵者。

7、(4)环境监测系统：利用传感器和监测设备，实时监测港口的环境因素，如气象条件、空气质量、水质等。环境监测系统可以帮助预测和处理潜在的安全风险，例如气象灾害、污染等。

8、(5)数据分析和预警：通过对收集到的监测数据进行分析和处理，识别异常模式和趋势，并及时发出预警。数据分析可以帮助港口管理人员预测和防范安全风险，采取相应的措施保障港口的安全。

9、港口智能安全监控技术的应用可以提高港口的安全性、减少安全事故的发生，同时提高港口的管理效率和运营水平。通过结合多种技术手段和系统，可以构建一个全面的、智能化的港口安全监控系统。

10、2.港口安全监控场景中的边缘计算的任务卸载调度

11、在港口安全监控场景中，边缘计算的任务卸载调度是指将监控任务从中心服务器分配和卸载到边缘设备上进行处理，以提高实时性、减少网络延迟，并分散计算负载。在港口安全监控场景中边缘计算任务卸载调度的一般流程为：

12、(1)任务分析：对港口安全监控任务进行分析和分类，了解各个任务的特点、资源需求和优先级。例如，视频流分析、目标识别、异常检测等任务。

13、(2)边缘设备评估：评估港口内的边缘设备，包括计算能力、存储容量、网络连接等。了解每个边缘设备的特点和可用资源，以便进行任务卸载调度。

14、(3)状态监测：实时监测边缘设备的状态，包括负载情况、网络延迟、可用存储空间等。这些信息对任务卸载调度决策具有重要意义。

15、(4)任务卸载策略：根据任务的特性、边缘设备的资源和状态信息，制定任务卸载策略。考虑任务的优先级、资源需求、边缘设备的负载均衡和网络传输成本等因素。

16、(5)任务分配：根据任务卸载策略，将监控任务分配给适合的边缘设备。考虑边缘设备的计算能力、存储容量和网络连接状况，确保任务能够在边缘设备上有效执行。

17、(6)任务调度：调度边缘设备上的任务执行顺序和并发性。根据任务的优先级和实时性需求，合理安排任务的执行顺序，以及考虑边缘设备的计算能力和负载均衡。

18、(7)实时监控：监控边缘设备的执行情况和任务的处理进度。实时获取边缘设备上的监控数据和结果，确保任务在边缘设备上按预期执行。

19、(8)动态调整：根据边缘设备的状态变化、任务优先级和系统需求，动态调整任务卸载策略和任务分配。例如，当某个边缘设备负载过高时，可以将任务重新分配给其他空闲设备。

20、当涉及到港口安全监控的边缘计算任务卸载调度时，除了考虑任务分配和调度的一般流程外，港口业务和安全监控的要求，还需要特别关注以下方面：

21、(1)计算要求：港口安全监控涉及到实时视频分析、目标识别、异常检测等计算密集型任务。在任务卸载调度中，需要考虑边缘设备的计算能力是否足够执行这些任务。边缘设备应具备足够的处理能力和算力，以满足监控任务的计算要求。

22、(2)任务优先级和时效性：安全监控任务可能具有不同的优先级和时效性要求。一些任务，如入侵检测、紧急事件响应等，需要快速处理和及时响应。在任务卸载调度中，应该根据任务的优先级和时效性要求，优先将高优先级、时效性敏感的任务分配给边缘设备进行处理。

23、(3)数据隐私和安全性：在港口安全监控中，视频和图像数据可能涉及敏感信息和隐私内容。在任务卸载调度中，需要确保数据的隐私和安全性。可以通过数据加密、安全传输等措施保护数据，在任务卸载过程中尽量减少敏感数据的传输和存储，以保护港口的安全和隐私。

24、(4)任务卸载决策策略：在任务卸载调度中，需要制定任务卸载决策策略。这包括确定哪些任务适合卸载到边缘设备上，如何根据任务的计算需求、时效性要求和边缘设备的资源状况进行合理的任务分配和调度。任务卸载决策策略应综合考虑计算要求、优先级和安全性等因素。

25、(5)实时性和延迟要求：港口安全监控需要实时获取和处理监控数据，以及快速响应安全事件。在任务卸载调度中，需要考虑任务的执行延迟和实时性要求，确保边缘设备能够及时处理和响应监控任务，减少传输延迟和系统响应时间。

26、通过更加细致地考虑安全监控的计算要求、任务优先级、数据隐私和安全性，以及实时性和延迟要求等因素，可以更有效地进行港口安全监控中的边缘计算任务卸载调度。这将有助于提高监控系统的效能和安全性，以应对港口安全挑战。

27、3.现有技术存在的问题和不足之处

28、(1)任务分配不均衡：传统的任务卸载调度算法可能无法有效地平衡边缘设备之间的任务负载。某些边缘设备可能会承担过多的任务，而其他设备则处于闲置状态。这导致了资源的浪费和性能的不均衡。

29、(2)数据传输和处理延迟：在任务卸载过程中，涉及大量的数据传输和处理。传统算法可能无法有效地管理数据传输和处理的延迟，导致任务执行时间过长，无法满足实时性要求。

30、(3)数据隐私和安全性保护不足：港口安全监控涉及到敏感的视频和图像数据。传统算法可能没有足够的措施来保护数据的隐私和安全性，使得数据容易受到未经授权的访问和攻击。

31、(4)缺乏灵活性和适应性：传统算法可能缺乏对港口环境动态变化的适应性。随着港口安全监控任务的变化和新的威胁出现，传统算法可能无法及时调整任务卸载策略以适应新的情况。

32、(5)缺乏综合考虑任务优先级和时效性：传统算法可能缺乏对任务优先级和时效性的综合考虑。某些紧急和重要的任务可能无法得到优先处理，导致安全监控的效果下降。

33、以上问题和不足之处表明现有技术在港口安全监控任务卸载调度方面还有改进的空间。基于深度强化学习的算法可以在这些方面进行优化，提升任务卸载调度的性能和效果。

技术实现思路

1、本技术正是为了解决上述技术问题而设计的一种基于深度学习的港口安全监控边缘计算任务卸载调度方法。

2、本技术解决其技术问题所采用的技术方案是：

3、一种基于深度学习的港口安全监控边缘计算任务卸载调度方法，应用于港口安全监控边缘计算任务卸载调度边缘服务器，所述方法包括：

4、p100：收集港口环境状态和边缘设备状态信息；

5、p200：对港口环境状态进行预处理；

6、p300:构建深度强化学习模型；

7、p400：开展深度强化学习训练；

8、p500：实时调度决策。

9、港口安全监控边缘计算任务卸载调度系统包括边缘服务器和与之建立信息连接的边缘设备；在所述边缘服务器上构建深度强化学习模型，建立优化边缘设备任务的卸载决策和调度策略；收集港口环境状态和边缘设备状态信息，对信息进行预处理，将其定义为智能体的状态表示：包括港口环境状态、边缘设备状态和任务状态的表示；

10、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述深度强化学习模型是在边缘服务器上以深度神经网络为基础构建的深度强化学习模型，通过深度强化学习模型与环境进行交互学习生成一个智能体；所述模型包含多个隐藏层，并采用激活函数和优化算法；输入层接收港口环境状态、边缘设备状态和任务状态，输出层则输出任务卸载调度的决策。

11、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述深度强化学习模型工作流程是：

12、p310：初始化深度强化学习模型，并设置训练参数和超参数；

13、p320：对每个边缘设备，获取其当前的负载情况、网络延迟和可用存储空间信息；

14、p330：对于每个任务，计算其优先级和时效性指标，并分配一个任务id；

15、p340：对于每个时间步骤，执行以下操作：

16、p341：收集当前港口环境状态和边缘设备状态，并将其作为深度强化学习模型的输入；

17、p342：基于当前状态，使用深度强化学习模型选择一个动作，表示任务的卸载调度决策；所述动作包括以下至少一个：将任务分配给特定的边缘设备、调整任务的优先级和/或调整任务的执行顺序；

18、p343：执行所选择的动作，将任务分配给指定的边缘设备进行处理；

19、p344：监测任务的执行情况，记录奖励和更新环境状态；

20、p345：将观察到的状态、选择的动作、获得的奖励和下一个状态存储到经验回放缓冲区中；

21、p350：从经验回放缓冲区中随机抽取一批样本，用于深度强化学习模型的训练和更新；计算训练目标，至少包括使用深度q网络的目标q值计算方法；

22、p360：根据任务的优先级和时效性指标、数据隐私和安全性、实时性和延迟要求，以及深度强化学习模型的输出动作，将任务分配给相应的边缘设备进行处理；同时，参考边缘设备的负载情况、任务的实时性要求和数据隐私要求，调整任务的执行顺序和并发性；

23、p370：在任务卸载调度中，对涉密数据采取数据加密和安全传输措施，对隐私数据采取隐私保护措施，确保在数据传输和处理过程中的数据安全；

24、p380：根据任务的执行结果和实时监测的港口环境状态，周期性地更新边缘设备和任务的状态；

25、p390：重复步骤p310至步骤p380，直到完成所有的时间步骤或达到预设条件；

26、p399：输出任务卸载调度结果；所述任务卸载调度至少包括任务的分配情况、边缘设备的负载情况和/或任务的执行顺序。

27、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p310中的训练参数包括学习率、批次大小和训练迭代次数；

28、所述p310中的超参数包括神经网络的隐藏层数和神经元数量、强化学习算法的折扣因子和探索率。

29、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p330中每个任务的优先级和时效性指标计算包括：

30、所述每个任务是指港口安全监控涉及的多个计算密集型任务，包括如实时视频分析和目标识别和异常检测；

31、所述每个任务在卸载调度时，先对任务进行分解，并划分优先级；包括将视频流分析任务细分为图像帧处理、目标检测和行为识别子任务；

32、根据所述每个任务的紧急程度和重要性进行优先级划分，提高调度和卸载任务精细度，满足不同任务的需要；

33、在不同的监控区域同时存在不同的安全威胁时，采用多级任务卸载调度策略；其方法是：在每个边缘设备上进行初步的实时视频分析和目标识别，快速过滤和处理常规情况；将有异常的视频数据发送至云端或中心服务器进行异常检测和分析。

34、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p370中的数据加密、安全传输和隐私保护措施包括：

35、所述数据加密措施是指采用对称或非对称加密算法对视频和图像中涉及敏感信息和隐私内容的数据进行加解密；

36、所述安全传输措施是指采用ipsec vpn或ssl vpn技术实现数据的传输；

37、所述隐私保护措施是指采用差分隐私技术、同态加密技术或身份认证技术实现隐私数据的保护。

38、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p100中的港口环境状态信息包括以下一种或多种信息之组合：

39、港口内货物信息：货物类型、货物数量和货物目的地；

40、船舶信息：船舶位置、船载货物情况；

41、所述p100中的边缘设备信息包括以下一种或多种信息之组合：

42、边缘设备状态信息：每个边缘设备的计算能力、存储资源和可用性；

43、边缘设备位置信息：包括每个边缘设备在港口内的位置。

44、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p200中的预处理：包括：边缘服务器根据环境信息和边缘设备信息提取关键特征并进行降维处理。

45、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p400中的深度强化学习训练包括：

46、在训练阶段，使用强化学习算法训练边缘服务器中的深度神经网络(边缘服务器中的深度神经网络经过强化学习算法训练生成一个智能体)，实现最大化累积奖励函数；

47、所述基于深度学习的港口安全监控边缘计算任务卸载调度方法，所述p500中的实时调度决策包括：

48、在测试阶段，边缘服务器中经过训练后的深度神经网络(即智能体)根据当前状态做出任务卸载调度决策，将任务分配给距离最近且处于空闲的边缘服务器进行处理。

49、1.核心思想

50、该算法基于深度强化学习的方法，通过训练一个智能体(agent)来学习任务卸载调度策略。智能体以港口环境状态和边缘设备状态作为输入，输出相应的任务卸载调度决策。智能体通过与环境进行交互，通过深度强化学习算法不断学习和优化调度策略，以最大化累积奖励，实现高效的任务卸载调度。算法主要考虑以下几个方面：

51、(1)任务优先级和时效性的考虑：

52、在算法中，任务被赋予不同的优先级，并考虑任务的时效性需求。这可以通过为每个任务分配一个优先级指标和时效性度量指标来实现。在训练过程中，将任务的优先级和时效性作为重要的奖励信号，以鼓励模型优先选择具有更紧迫时效性需求的任务进行卸载调度。这样可以确保高优先级和紧急性的任务得到及时处理。

53、(2)数据隐私和安全性的考虑：

54、为了保护港口安全监控中涉及的敏感数据的隐私和安全性，算法采取了数据加密、安全传输和隐私保护等措施。在任务卸载过程中，对视频数据进行加密处理，并使用安全传输协议将数据传输到边缘设备。此外，还可以采用差分隐私技术来保护数据的隐私，以防止未经授权的数据泄露。

55、(3)实时性和延迟要求的考虑：

56、港口安全监控对实时性和低延迟有较高的要求。在算法中，将任务的实时性需求考虑为重要的奖励信号。深度强化学习模型通过学习任务卸载调度策略，优先选择满足实时性要求的任务进行卸载。此外，通过与边缘设备的状态交互，算法可以动态调整任务的执行顺序和并发性，以降低任务处理的延迟。

57、2.关键要点

58、当针对港口安全监控的特殊性，在设计基于深度强化学习的任务卸载调度算法时，以下方面是关键要点：

59、(1)任务分解和优先级划分：港口安全监控涉及多个计算密集型任务，如实时视频分析、目标识别和异常检测等。在任务卸载调度时，可以对任务进行适当的分解，并划分优先级。例如，将视频流分析任务细分为图像帧处理、目标检测和行为识别等子任务，并根据任务的紧急程度和重要性进行优先级划分。这样可以更精细地调度和卸载任务，满足不同任务的特殊要求。

60、(2)多级任务卸载调度：港口安全监控通常需要处理大量的视频数据，且在不同的监控区域可能存在不同的安全威胁。针对这种情况，可以采用多级任务卸载调度策略。首先，在边缘设备上进行初步的实时视频分析和目标识别，以快速过滤和处理常规情况。然后，将怀疑有异常的视频数据发送至云端或中心服务器进行更深入的异常检测和分析。这样可以有效减少数据传输和计算压力，并提高异常检测的准确性。

61、(3)实时性与低延迟要求：港口安全监控对实时性和低延迟有较高的要求。在任务卸载调度时，需要考虑任务的实时性需求，并将实时性作为重要的奖励信号。可以引入时效性度量指标，并在深度强化学习模型中设定相应的奖励机制，以鼓励模型优先选择具有更紧迫时效性需求的任务进行卸载调度。

62、(4)数据隐私与安全性：港口安全监控涉及到敏感的视频和图像数据，保护数据的隐私和安全至关重要。在任务卸载调度中，应考虑数据隐私和安全性的需求。可以采取数据加密、安全传输和隐私保护等措施，确保在数据传输和处理过程中的数据安全。

63、(5)网络带宽和稳定性：港口安全监控通常需要在分布式的边缘设备之间进行任务卸载和数据传输。在任务卸载调度时，需要考虑网络带宽和稳定性的情况，以避免任务过载和网络延迟。可以监测网络状态和带宽利用情况，并结合深度强化学习算法，选择适合的边缘设备进行任务卸载，以确保网络负载均衡和任务的高效执行。

64、本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：

65、基于深度强化学习的港口安全监控边缘计算任务卸载调度算法相对于现有技术具有以下创新点和改进效果：

66、1.提高任务卸载调度的效率和准确性：该算法通过训练智能体学习任务卸载调度策略，能够更准确地根据港口环境状态和边缘设备资源分配任务，实现任务的快速分配和高效执行。相比传统方法，它能更好地平衡边缘设备之间的任务负载，避免任务分配不均衡的情况。

67、2.保护数据隐私和安全性：该算法在任务卸载调度过程中采取了数据加密、安全传输和隐私保护等措施，确保敏感数据在传输和处理过程中的安全性。数据加密保护了数据的机密性，安全传输防止了未经授权的访问，隐私保护技术进一步保障了数据的隐私性。

68、3.满足任务的实时性和延迟要求：该算法通过将任务的实时性需求作为重要的奖励信号，优先处理具有紧急性的任务。同时，通过动态调整任务的执行顺序和并发性，有效降低了任务处理的延迟。这样能够更好地满足港口安全监控对实时性和低延迟的要求。

69、4.强化任务优先级和时效性的考虑：该算法根据任务的优先级和时效性指标进行任务卸载调度，保证高优先级和紧急性的任务得到及时处理。通过深度强化学习模型的训练和优化，能够更好地综合考虑任务的优先级和时效性，提高任务卸载调度的质量和效果。

70、基于深度强化学习的港口安全监控边缘计算任务卸载调度算法相较于现有技术，具备提高效率和准确性、保护数据隐私和安全性、满足任务的实时性和延迟要求等方面的优势。这些优势将有助于提升港口安全监控系统的性能和效果，提高对港口安全威胁的应对能力。