用于感知网络中边缘节点健康状态的方法、设备和介质与流程

本发明的实施例总体涉及数据处理领域，并且更具体地涉及一种用于感知网络中边缘节点健康状态的方法、计算设备和存储介质。

背景技术：

1、传统的用于感知网络中边缘节点健康状态的方法，例如通过中心服务器（中心节点），收集各边缘节点发送的数据，通过中心节点对所接收的数据对各边缘节点的健康状态进行感知；例如在中心节点部署与健康感知相关的模型，通过所收集的边缘节点的数据，对中心节点所部署的健康感知模型进行迭代；还例如结合网络中多个节点的算力，进行全局计算，将计算结果汇总至中心节点进行模型更新等方式。

2、上述传统的用于感知网络中边缘节点健康状态的方法存在不足，普遍存在如中心节点的算力压力较大、模型没有充分考虑各边缘节点的特性、针对边缘节点健康感知的实时性不足等问题。

3、综上，传统的用于感知网络中边缘节点健康状态的方式存在的不足之处在于：未充分考虑边缘节点的特性，在感知网络中边缘节点健康状态时存在不够精准且实时性差的问题。

技术实现思路

1、针对上述问题，本发明提供了一种用于感知网络中边缘节点健康状态的方法、计算设备和存储介质，能够有效的提高边缘节点健康感知的准确性与实时性。

2、根据本发明的第一方面，提供了一种用于感知网络中边缘节点健康状态的方法，包括：获取初始健康感知模型，在网络中的多个边缘节点处分别部署所获取的初始健康感知模型；基于当前边缘节点的运行状态，提取关于当前边缘节点健康状态的特征数据，以便生成多个待选样本；基于所生成的多个待选样本，针对当前边缘节点所部署的初始健康感知模型进行对抗训练，以便从多个待选样本中确定新训练样本；将新训练样本用于初始健康感知模型的训练，以获取更新后的健康感知模型；以及通过更新后的健康感知模型，感知当前边缘节点的健康状态。

3、根据本发明的第二方面，提供了一种计算设备，该计算设备包括：至少一个处理单元；至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据第一方面的方法的步骤。

4、根据本发明的第三方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，所述计算机程序被机器执行时实现根据第一方面所述的方法。

5、根据本发明的第四方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，所述计算机程序被机器执行时执行根据第一方面所述的方法。

6、在一些实施例中，初始健康感知模型为经训练的径向基神经网络模型，并经由以下步骤训练获得：获取关于边缘节点的多个训练样本和训练样本对应的边缘节点的计算能力表征数据；将多个训练样本输入径向基神经网络模型，基于多个训练样本确定径向基神经网络模型的径向基函数的中心的初始位置；计算每个训练样本到径向基函数的中心的距离、径向基函数的输出值和径向基神经网络模型输出层的权重；以及基于多个训练样本，调整径向基函数的中心的位置、径向基函数的宽度参数和输出层的权重，直至径向基神经网络模型的预测值与所对应的计算能力表征数据之间的误差小于或者等于预定误差阈值，以获得初始健康感知模型。

7、在一些实施例中，待选样本和训练样本所包含的特征数据的类型相同；以及特征数据的类型与边缘节点的以下一项或多项参数相关：可分配计算单元数量、已分配计算单元量、运行时长、运行任务量、负载值、处理器使用率、内存使用率、每秒输入/输出操作数。

8、在一些实施例中，基于所生成的多个待选样本，针对当前边缘节点所部署的初始健康感知模型进行对抗训练，以便从多个待选样本中确定新训练样本包括：基于多个待选样本，生成对抗训练样本；通过扰动值针对部分训练样本的特征数据中的至少一个特征数据进行扰动；基于所生成的对抗训练样本，调整扰动值以及搜索特征数据置换位置，直至调整后的扰动值能够扰动的样本数量满足预定样本数量阈值；以及响应于确定基于调整后的扰动值，健康感知模型的输出值符合预定输出值波动阈值，确定调整后的扰动值有效，并基于有效的扰动值从对抗训练样本中确定新训练样本。

9、在一些实施例中，将新训练样本用于初始健康感知模型的训练包括：将新训练样本中的部分或全部加入初始健康感知模型的训练样本，和/或，将新训练样本中的部分或全部替代初始健康感知模型的部分或全部训练样本。

10、在一些实施例中，通过更新后的健康感知模型，感知当前边缘节点的健康状态包括：在当前边缘节点处，基于第一预定时间间隔，抽取待选样本作为当前边缘节点处所部署的健康感知模型的输入数据，以便预测关于当前边缘节点的计算能力表征数据；以及在当前边缘节点处，基于第二预定时间间隔，向资源调度系统发送关于当前边缘节点的剩余可分配计算单元数和关于当前边缘节点的至少一个待选样本的计算能力表征数据。

11、在一些实施例中，方法还包括：在网络中的资源调度系统处，接收各边缘节点发送的剩余可分配计算单元数和计算能力表征数据；响应于接收到计算资源调度请求，确定关于资源调度请求的请求时间和计算单元请求数；基于各边缘节点的预定时间范围内的计算能力表征数据、计算能力表征数据的标准差和剩余可分配计算单元数，确定对应于请求时间的各边缘节点的资源分配权重；以及基于所确定的各边缘节点的资源分配权重，针对所接收的计算资源调度请求分配计算单元。

12、在一些实施例中，基于所确定的各边缘节点的资源分配权重，针对所接收的计算资源调度请求分配计算单元包括：针对所接收的计算资源调度请求，逐个分配计算单元；每分配一个计算单元，更新对应于请求时间的各边缘节点的资源分配权重；以及基于更新后的资源分配权重，分配下一个计算单元，直至所分配的计算单元数满足所接收的计算资源调度请求。

13、在一些实施例中，计算单元包括以下至少两项：内存、存储、处理线程数、处理核心数。

14、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种用于感知网络中边缘节点健康状态的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述初始健康感知模型为经训练的径向基神经网络模型，并经由以下步骤训练获得：

3.根据权利要求2所述的方法，其特征在于，所述待选样本和所述训练样本所包含的特征数据的类型相同；以及

4.根据权利要求1所述的方法，其特征在于，基于所生成的多个待选样本，针对当前边缘节点所部署的初始健康感知模型进行对抗训练，以便从多个待选样本中确定新训练样本包括：

5.根据权利要求1所述的方法，其特征在于，将所述新训练样本用于所述初始健康感知模型的训练包括：

6. 根据权利要求1所述的方法，其特征在于，通过更新后的健康感知模型，感知当前边缘节点的健康状态包括：

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

8.根据权利要求7所述的方法，其特征在于，基于所确定的各边缘节点的资源分配权重，针对所接收的计算资源调度请求分配计算单元包括：

9.根据权利要求6所述的方法，其特征在于，所述计算单元包括以下至少两项：内存、存储、处理线程数、处理核心数。

10.一种计算设备，包括：

11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至9中任一项所述的方法。

12.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被机器执行时执行根据权利要求1至9中任一项所述的方法。

技术总结
本发明的实施例涉及一种用于感知网络中边缘节点健康状态的方法、设备和介质。该方法包括获取初始健康感知模型，在网络中的多个边缘节点处分别部署所获取的初始健康感知模型；基于当前边缘节点的运行状态，提取关于当前边缘节点健康状态的特征数据，以便生成多个待选样本；基于所生成的多个待选样本，针对当前边缘节点所部署的初始健康感知模型进行对抗训练，以便从多个待选样本中确定新训练样本；将新训练样本用于初始健康感知模型的训练，以获取更新后的健康感知模型；以及通过更新后的健康感知模型，感知当前边缘节点的健康状态。由此，能够有效提高边缘节点健康感知的准确性与实时性。

技术研发人员：张杰,皮兴忠,杨勇,徐仲夏,杨昆,李杨,张金佐
受保护的技术使用者：中智关爱通（南京）信息科技有限公司
技术研发日：
技术公布日：2024/4/17