(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211130620.8 (22)申请日 2022.09.15 (71)申请人 公诚管理咨询有限公司 地址 510000 广东省广州市天河区中山大 道西89号A栋9层908-913房(仅限办 公) (72)发明人 屈定春　林维超　顾新华　吴颖康　 潘文晓　王栋　 (74)专利代理 机构 郑州银河专利代理有限公司 41158 专利代理师 金辉 (51)Int.Cl. H04W 72/12(2009.01) G06F 9/50(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于5G网络边缘计算的任务调度方法、 装置 和存储介质 (57)摘要 本发明涉及一种基于5G网络边缘计算的任 务调度方法、 装置和存储介质， 包括： 获取设定网 络的工作数据； 根据所述工作数据构造训练样本 集， 其中所述训练样本集包括输入样本和输出样 本， 所述输入样本包括与可用资源量和能耗相关 的工作参数， 所述输出样本为网络的服务质量达 到理想条件时的任务调度的控制参数的目标值； 利用所述训练样本集训练神经网络， 即可根据训 练好的神经网络和实际的工作参数确定控制参 数， 进而将所述控制参数用于对5G网络边缘计算 的任务调度。 权利要求书1页 说明书9页 附图3页 CN 115551105 A 2022.12.30 CN 115551105 A 1.一种基于 5G网络边 缘计算的任务调度方法， 其特 征在于， 包括： 获取设定网络的工作数据； 根据所述工作数据构造训练样本集， 其中所述训练样本集包括输入样本和输出样本， 所述输入样本包括与可用资源量和能耗相关的工作参数， 所述输出样本为网络的服务质量 达到理想条件时的任务调度的控制参数的目标值； 利用所述训练样本集训练神经网络， 并且输出与所述输出样本匹配的训练结果， 以得 到训练好的神经网络； 实时采集网络的工作数据， 输入到所述训练好的神经网络， 从而确定用于任务调度的 控制参数。 2.根据权利要求1所述的方法， 其特 征在于， 所述输入样本包括： 在给定的可用资源量下， 一个或者多个节点的能耗数据。 3.根据权利要求2所述的方法， 其特征在于， 所述节点的能耗数据通过在所述设定网络 中采集以获取， 节点的能耗数据在最大值和最小值之间周期性地变化， 以呈现出多个工作 循环。 4.根据权利要求3所述的方法， 其特征在于， 获取设定网络的工作数据包括： 在一个工 作循环中获取工作数据， 或者从多个工作循环中获取工作数据并且拼接到一个工作循环 中。 5.根据权利要求4所述的方法， 其特征在于， 所述输入样本还包括： 一个或者多个节点 的剩余资源， 以及一种或者多种环境 参数， 其中所述环境 参数包括网络延迟。 6.根据权利要求1至5任一项所述的方法， 其特征在于， 所述输入样本为达到预设条件 的数据点， 其中所述预设条件包括： 在指 定的资源量下， 总能耗最大； 或者， 在指 定的资源量 下， 总能耗比例达到预定值； 或者， 在指定的资源量下， 时间消耗增量与总能耗增量之比达 到最大值。 7.根据权利要求6所述的方法， 其特征在于， 所述控制参数包括： 每个节点的本地计算 量、 MEC服务器计算量和核心网计算 量的权重比。 8.根据权利要求1所述的方法， 其特 征在于， 利用所述训练样本集训练神经网络包括： 将所述输入样本输入到所述神经网络， 得到所述神经网络的训练输出值， 以完成一次 正向训练； 响应于正向训练完成， 更新所述神经网络的网络 权重， 以完成一次反向训练； 迭代地进行正向训练和反向训练； 响应于所述训练输出值与输出样本之间的误差不大于所述设定误差 阈值， 或者正向训 练次数不小于设定次数， 则所述训练完成。 9.一种基于5G网络边缘计算的任务调度装置， 其特征在于， 包括处理器和存储器， 所述 存储器存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至8中任一 项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 其中存储有计算机程序， 所述计算机程序 被执行时实现如权利要求1至8任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115551105 A 2基于5G网 络边缘计算的任务调度方 法、 装置和存储介质 技术领域 [0001]本发明一般地涉及通信领域。 更具体地， 本发明涉及一种基于5G网络边缘计算的 任务调度方法、 装置和存 储介质。 背景技术 [0002]随着物联网、 5G通信以及人工智能的快速发展， 在终端设备呈现爆发式增长的同 时， 大量新型应用、 服务也涌现出来， 比如在线游戏、 超高清视频及增强现实。 一方面， 这些 应用以及设备产生的大量各式各样的数据需要大量资源来处理； 另一方面， 终端设备 由于 物理尺寸及能量开销的限制， 资源有限。 为了缓解该矛盾， 移动云计算被提出。 移动云计算 允许终端设备将 计算繁重的计算任务卸载到资源丰富的云端服务器。 但由于云端服务器一 般距离终端设备较远， 加之不稳定的无线连接和匮乏的频谱资源等因素， 移动云计算无法 满足很多应用所必需的高可靠、 低时延的要求。 [0003]有人提出将移动设备(本地终端)的计算任务卸载(offloading)到核心网进行处 理， 即移动云计算(MCC)， 此处的卸载指的是将移动设备的计算任务分配给MEC或核心网进 行处理。 移动云计算可以帮助移动 终端解决无法处理的任务， 并且降低了移动用户的能量 消耗， 延长了电池的使用寿命。 移动边缘计算就是将MEC服务器部署在基站的(BS)的附近， 为用户提供 数据缓存和计算卸载等 业务， MEC是5G通信网络的关键技 术之一。 [0004]由于边缘服务器的资源也是有限的， 当多个任务竞争使用边缘服务器 的资源时， 则需要对多个任务所需要的资源进行合理分配。 为此， 需要对任务进 行调度， 将任务分配到 本地节点、 MEC服务器或者核心网， 以保证任务的执行效率和网络延迟符合要求。 现有的任 务调度方法， 一般需要根据推导出 的物理模型计算出用于调度的控制参数， 而这些物理模 型则需要将其中的物理量进行取舍和解耦， 而进行物理建模则是较为困难的， 而且网络的 实际工作环境非常复杂， 而不同的工作环境所需要的控制参数可能并不相同， 因此如何获 取控制参数以实现良好的网络质量成为 一个需要解决的问题。 发明内容 [0005]本发明提供一种基于5G网络边缘计算的任务调度方法， 用于解决现有技术中用于 调度的控制参数不易获取的问题。 同时本发明还提供了一种基于5 G网络边缘计算的任务调 度装置和存 储介质。 [0006]为解决上述问题， 根据本 发明的第一方面， 提供了如下技术方案： 一种基于5G网络 边缘计算的任务调度方法， 获取设定网络的工作数据； 根据所述工作数据构 造训练样本集， 其中所述训练样本集包括输入样本和输出样本， 所述输入样本包括与可用资源量和能耗相 关的工作参数， 所述输出样本为网络的服务质量达到理想条件时的任务调 度的控制参数的 目标值； 利用所述训练样本集训练神经网络， 并且输出与所述输出样 本匹配的训练结果， 以 得到训练好的神经网络； 实时采集网络的工作数据， 输入到所述训练好的神经网络， 从而确 定用于任务调度的控制参数。说　明　书 1/9 页 3 CN 115551105 A 3