适用于巡检系统的深度神经网络混合划分方法

本发明涉及数据处理，特别是涉及一种适用于巡检系统的深度神经网络混合划分方法。

背景技术：

1、近年来，深度神经网络（deep neural networks , dnn）在计算机视觉、自然语言识别以及医疗诊断等领域取得巨大成功。随着电力边缘设备的爆发性发展和变电站电力巡检性能要求的不断提升，变电站所搭载的各类在线检测算法也愈发复杂，而资源有限的终端设备无法满足严格的时延与能耗要求。此外，无人机等巡检节点、视频监测节点、边缘计算节点在变电站巡检系统中互相异构共存成为必然趋势。

2、边缘计算技术的兴起，有效解决了集中云式存在的问题，将云能力扩展到靠近终端设备的网络边缘（例如基站，基站旁布置有边缘计算服务器），从而减少传输延迟并减轻骨干网络流量负担。然而，在边缘端完成dnn推理仍面临着挑战。由于边缘计算服务器的计算能力有限，为充分利用异构节点的计算能力，需要将无人机、本地计算服务器、移动设备之间协同工作，而如何在无人机和本地计算服务器之间合理划分，在本地服务器和边缘节点同步协同推理，是本领域技术人员需要解决的技术问题。

技术实现思路

1、为此，本发明的一个目的在于提出一种适用于巡检系统的深度神经网络混合划分方法，以在无人机和本地计算服务器之间合理划分，在本地服务器和边缘节点同步协同推理。

2、本发明提供一种适用于巡检系统的深度神经网络混合划分方法，包括：

3、获取深度神经网络中每层dnn输出数据大小以及每层dnn计算能耗，并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离，分析无人机与本地服务器运行每层dnn的能耗以及时延，分别在无人机端构建第一系统成本模型、在本地服务器构建第二系统成本模型；

4、基于已有的dnn，构建对应的向无环图式dnn，并基于向无环图式dnn进行第一次网络划分，在进行第一次网络划分时，将无人机与本地服务器执行dnn过程中的分区决策问题转化为粒子寻优问题，基于局部枚举法进行粒子寻优问题的求解，并结合第一系统成本模型，得出无人机与本地服务器之间的第一最优划分节点，所述第一最优划分节点对应的第一系统成本模型的系统成本最低；

5、在进行第一次网络划分后，将划分任务卸载到本地服务器，本地服务器判断有无可协同计算异构边缘节点，若无可协同计算异构边缘节点，则划分任务仍由本地服务器单独执行，若有可协同计算异构边缘节点，则通过第二系统成本模型进行同步协同划分，得出本地服务器与异构边缘节点之间的最优划分链路集合，所述最优划分链路集合对应的第二系统成本模型的系统成本最低。

6、根据本发明提供的适用于巡检系统的深度神经网络混合划分方法，综合每层dnn输出数据大小以及每层dnn计算能耗，并根据无人机与本地服务器的计算能力、无人机到本地服务器的距离，建立了两个系统成本模型，即在无人机端构建了第一系统成本模型、在本地服务器构建了第二系统成本模型，将无人机与本地服务器执行dnn过程中的分区决策问题转化为粒子寻优问题，且基于局部枚举法进行粒子寻优问题的求解，并结合第一系统成本模型，得出无人机与本地服务器之间的第一最优划分节点，能够最大限度的利用无人机的计算资源，实现第一系统成本模型的时延和能耗总成本最小化，有效的提高了无人机执行任务的效率，在有可协同计算异构边缘节点的情况下，结合第二系统成本模型，得出本地服务器与异构边缘节点之间的最优划分链路集合，能够最大限度的利用异构边缘节点的计算资源，进一步降低系统总成本，有效的降低了本地服务器的计算压力，提升了整体系统的性能和可伸缩性，本发明能在变电站巡检异构系统中，针对不同网络状态及协同环境，合理的划分dnn，具有较高的实用性。

技术特征：

1.一种适用于巡检系统的深度神经网络混合划分方法，其特征在于，包括：

2.根据权利要求1所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，所述第一系统成本模型包括第一系统时延模型；

3.根据权利要求2所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，所述第一系统成本模型还包括第一系统能耗模型；

4.根据权利要求3所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，所述第一系统成本模型满足以下条件式：

5.根据权利要求4所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，所述第二系统成本模型包括第二系统时延模型；

6.根据权利要求5所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，所述第二系统成本模型还包括第二系统时延模型；

7.根据权利要求6所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，所述第二系统成本模型满足以下条件式：

8.根据权利要求7所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，将无人机与本地服务器执行dnn过程中的分区决策问题转化为粒子寻优问题，基于局部枚举法进行粒子寻优问题的求解，并结合第一系统成本模型，得出无人机与本地服务器之间的第一最优划分节点，所述第一最优划分节点对应的第一系统成本模型的系统成本最低具体包括：

9.根据权利要求8所述的适用于巡检系统的深度神经网络混合划分方法，其特征在于，通过第二系统成本模型进行同步协同划分，得出本地服务器与异构边缘节点之间的最优划分链路集合，所述最优划分链路集合对应的第二系统成本模型的系统成本最低具体包括：

技术总结
本发明公开了一种适用于巡检系统的深度神经网络混合划分方法，该方法在无人机端构建了第一系统成本模型，在本地服务器构建了第二系统成本模型，将无人机与本地服务器执行DNN过程中的分区决策问题转化为粒子寻优问题，且基于局部枚举法进行粒子寻优问题的求解，并结合第一系统成本模型，得出无人机与本地服务器之间的第一最优划分节点，在有可协同计算异构边缘节点的情况下，结合第二系统成本模型，得出本地服务器与异构边缘节点之间的最优划分链路集合，本发明能在变电站巡检异构系统中，针对不同网络状态及协同环境，合理的划分DNN，具有较高的实用性。

技术研发人员：韦宝泉,徐衍文,邓芳明,于小四,郭峰,周晓靖,廖军华,张艺博
受保护的技术使用者：华东交通大学
技术研发日：
技术公布日：2024/1/15