(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110435960.0 (22)申请日 2021.04.2 2 (65)同一申请的已公布的文献号 申请公布号 CN 113157453 A (43)申请公布日 2021.07.23 (73)专利权人 西北大学 地址 710069 陕西省西安市碑林区太白北 路229号 (72)发明人 高岭　王祎昊　杨冠华　周冰　 任杰　 (74)专利代理 机构 西安西达专利代理有限责任 公司 61202 专利代理师 刘华 (51)Int.Cl. G06F 9/50(2006.01) G06F 30/27(2020.01) G06F 17/18(2006.01)(56)对比文件 CN 111756812 A,2020.10.09 WO 20210 03422 A1,2021.01.07 任杰等.面向边 缘设备的高能效深度学习任 务调度策略. 《计算机学报》 .2020,(第0 3期), 马景超.移动边 缘计算场景 下任务执 行效率 优化策略研究. 《中国优秀博硕士学位 论文全文 数据库(硕士)信息科技 辑》 .2021,第2021年卷 (第2期), Xin He.Offloading Deadl ine-aware Task in Edge Computi ng. 《2020 IE EE 13th Internati onal Conference o n Cloud Computing (CLOUD)》 .2020, 汪灿.面向边 缘环境的视频分析任务调度问 题研究. 《中国优秀博硕士学位 论文全文数据库 (硕士)信息科技 辑》 .2021,第2021年卷(第2期), 审查员 金媛 (54)发明名称 一种基于任务复杂度的高能效目标检测任 务动态调度方法 (57)摘要 一种基于任务复杂度的高能效目标检测任 务动态调度方法， 利用神经网络对任务的复杂 度 进行评估， 通过对手机的当前状态以及用户的需 求进行加权处理， 从而判断出满足用户需求的目 标检测模型以及云端平台， 当用户提交目标检测 任务时， 本发明根据任务的复杂度、 手机当前的 状态、 用户的需求对任务进行卸载， 在网络良好 的情况下通过将计算密集的目标检测任务卸载 到云端执行， 可以大幅 的减少手机端的计算压力 以及能耗； 而在网络都不好的情况下， 通过调用 手机端本地的小模型也能减少手机端的能耗， 利 用本发明可以在提供一定的用户体验并且保持 目标检测模 型精度的情况下， 大幅降低手机端的 能耗压力。 权利要求书2页 说明书4页 附图2页 CN 113157453 B 2022.11.25 CN 113157453 B 1.一种基于任务复杂度的高能效目标检测任务动态调度方法， 当用户提交一个目标检 测任务时， 根据当前用户所 处的状态以及 任务的复杂度， 选择出合适的任务卸载策略， 其特 征在于， 包括以下步骤： 步骤 S1， 利用opencv库获取用户所提交的任务的复杂度 ， 并通过任务的复杂度， 给 出所支持的第 个目标检测模型对用户所提交的任务的预测能力 ， 利用预测能力与任务 的复杂度 ， 获取出模型对 任务的预计分数 ； 步骤 S2， 利用当前移动端的网络状况， 通过对网络状态进行建模， 分别计算出将任务 卸载到不同的服 务器端 所产生的通信时长 以及通信能耗 ； 步骤 S3， 计算在不同的平台上运行不同模型所需要的计算能耗 以及计算时间 ， 并 根据用户的不同需求产生不同的权重， 产生最终在不同平台上不同模型对任务的加权得分 )， 其中 是根据用户设置调整的权重 数值， 是 函数， 是 函数， 是以自然常数为底的对数函数， 预计分数 通过 步骤S1得出， 通信时长 与通信能耗 通过步骤S2得出， 计算能耗 与时长 通过本步骤 计算出， 最终选择加权得分最大的策略作为 最终策略。 2.根据权利要求1所述的一种基于任务复杂度的高能效目标检测任务动态调度方法， 其特征在于， 所述 步骤S1又包括以下步骤： 步骤S11， 在本地平台利用 opencv库分别获取用户所提交的任务的统计特征 ， 并且利 用所获取得到的不同的统计特征， 使用神经网络对这些统计特征进行建模， 计算出所提交 任务的复杂度 ； 步骤S12， 在本地获取云端平台所支持的所有模型的预测能力， 利用构建好的神经网络 模型计算出某个模型对用户提交任务的预测能力 ； 步骤S13， 通过计算任务的复杂度 基本属性与预测能力的加权值， 获取模型对任务的 预计分数 。 3.根据权利要求2所述的一种基于任务复杂度的高能效目标检测任务动态调度方法， 其特征在于， 所述 步骤S11中， 默认情况 下， 使用多层全连接神经网络进行建模。 4.根据权利要求1所述的一种基于任务复杂度的高能效目标检测任务动态调度方法， 其特征在于， 所述 步骤S2又包括以下步骤： 步骤 S21， 通过使用C/C++语言读取手机端的设备信息文件， 获取手机当前与传输有关 的一些硬件信息； 步骤 S22， 利用事先获取到的一些固定点的传输时间与传输能耗， 对步骤S2 1中获取到 的信息进行线性预测， 计算出 所产生的通信时长 以及通信能耗 。 5.根据权利要求4所述的一种基于任务复杂度的高能效目标检测任务动态调度方法，权　利　要　求　书 1/2 页 2 CN 113157453 B 2其特征在于， 所述步骤S21中， 默认情况下， 一些硬件信息包括当前的电压状态、 当前的网 速、 手机的最大 带宽。 6.根据权利要求1所述的一种基于任务复杂度的高能效目标检测任务动态调度方法， 其特征在于， 所述 步骤S3包括以下步骤： 步骤S31， 根据用户不同的设置策略， 选择一组固定的权重组合 ， 在用户偏向某种 需求， 则增大这种需求对应的权 重； 步骤S32， 计算在不同的平台上运行不同模型所需要的能耗 以及时间 ， 并且根据步 骤S13、 步骤S2 2以及本步骤的数据， 生成加权得分； 步骤 S33， 对步骤S32产生的所有加权得分进行排序， 选择加权分最大的成为最终的选 择策略。 7.根据权利要求6所述的一种基于任务复杂度的高能效目标检测任务动态调度方法， 其特征在于， 所述 步骤S31中， 默认情况 下， 权重组合需要满足 。 8.根据权利要求6所述的一种基于任务复杂度的高能效目标检测任务动态调度方法， 其特征在于， 所述 步骤S32中， 默认情况 下通过以自然常数为底的指数函数产生加权得分。权　利　要　求　书 2/2 页 3 CN 113157453 B 3