买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种基于网络断层透视的边缘任务卸载调度方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117459594B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311343317.0，技术领域涉及：H04L67/60；该发明授权一种基于网络断层透视的边缘任务卸载调度方法和装置是由董玮;丁智;高艺设计研发完成，并于2023-10-17向国家知识产权局提交的专利申请。

本一种基于网络断层透视的边缘任务卸载调度方法和装置在说明书摘要公布了：一种基于网络断层透视的边缘任务卸载调度方法和装置，其方法包括：在边缘设备请求向边缘服务器卸载计算任务后，利用网络断层透视预测任务卸载的通信时延，并构建用于刻画边缘任务卸载端到端时延的数学模型。此后利用经过训练的强化学习模型方法进行任务的卸载和调度。本发明利用课程学习方法生成了一系列课程环境辅助强化学习智能体的训练，通过准确的预测网络通信时延，构建边缘计算任务端到端时延的数学模型，并利用强化学习进行任务调度和基于课程学习的强化学习训练环境课程生成，更准确地刻画了边缘计算任务卸载的端到端时延，使得在复杂多变的边缘网络环境下能更好的调度边缘任务的卸载请求，以取得更低的总任务端到端时延。

本发明授权一种基于网络断层透视的边缘任务卸载调度方法和装置在权利要求书中公布了：1.一种基于网络断层透视的边缘任务卸载调度方法，其特征在于，包含如下步骤： 1基于网络断层透视的网络时延分析；针对任务调度需要基于任务的端到端时延，其中任务的计算时延由服务器基于历史经验准确预测，而在复杂的网络环境下，通信时延的分析由于网络时延的波动和网络拓扑的变化较为困难的情况，设计了响应式的网络断层透视，以在波动的网络环境下分析任务卸载的通信时延；； 2构建边缘任务端到端时延数学模型；当不同边缘用户发起边缘计算任务卸载请求时，构建刻画边缘任务卸载后端到端时延的数学模型； 3进行基于强化学习的任务卸载调度；针对所述的数学模型的求解，提出一种基于强化学习的求解策略，以提高求解速度并在动态的网络环境中保持更好的求解精度； 4基于课程学习的强化学习优化策略；在利用强化学习方法生成边缘任务卸载调度策略时，如果智能体的训练环境跨越广泛的环境，即使在与训练环境同分布的环境中测试智能体的表现，强化学习策略也表现不佳，针对此情况，采用课程学习方法改善强化学习的泛化能力和渐进性能； 步骤1具体包括： 1.1当边缘用户第一次请求卸载任务时，探测网络以分析从客户端到各个服务器的通信延迟； 1.2当边缘用户下一次请求卸载任务时，首先主动从K个最近的服务器收集延迟信息，并确定与上次请求卸载任务时相比，网络传输是否导致通信延迟发生显着变化； 1.3如果服务器之间的延迟值的相对顺序与上次相比变化很大，或者任何延迟值偏离阈值，则认为有必要重新探测服务器网络，以分析将边缘任务卸载到不同边缘服务器时的通信时延； 步骤2具体包括： 2.1构造的数学模型涉及的变量如下： 2.1.1M，即边缘服务器数量，数据类型为正整数，描述了可用于为不同边缘用户提供边缘计算服务的服务器数量； 2.1.2N，即边缘用户数量，数据类型为正整数，描述了可向边缘服务器发起边缘任务卸载请求的边缘用户数量； 2.1.3Tn,k，即边缘用户n向边缘服务器请求卸载边缘计算任务k时的端到端任务时延，也即边缘任务卸载到边缘服务器进行计算产生的总时延；其在数值上等于边缘任务卸载过程中的通信时延和边缘计算任务卸载到边缘服务器后在边缘服务器上的计算时延； 2.1.4Hn,k，即边缘用户n向边缘服务器请求卸载边缘计算任务k时的端到端任务时延阈值，也即边缘任务能容忍的最长端到端时延； 2.1.5数据类型为布尔类型，用于描述来自边缘用户n的边缘计算任务k是否被卸载到边缘服务器m； 2.1.6数据类型为布尔类型，用于描述边缘服务器m是否能够为边缘计算任务k提供计算服务； 2.1.7用于描述边缘服务器m与边缘用户n之间因边缘计算任务的卸载产生的通信时延，由网络断层透视得到； 2.1.8用于描述边缘服务器m与边缘用户n之间因边缘计算任务的卸载产生的计算时延，由服务器预测得到； 2.1.9cn,k,用于描述边缘用户n在发起边缘计算任务k的卸载请求时向提供边缘计算服务的服务器请求的计算资源量； 2.1.10THresource,数据类型为百分制数据，用于描述边缘服务器上的计算资源可占用率阈值；边缘计算服务器为应对自身需求和一些突发计算任务需求，需要预留一部分计算资源，因此当边缘服务器上当前计算资源占用率高于阈值THresource时，新分配到该边缘服务器的边缘计算任务将等待被提供计算服务，直到该服务器上的计算资源占用率降低到阈值以下； 2.1.11Cm,用于描述边缘服务器m上的计算资源总量； 2.2构造的用于描述边缘计算任务卸载后的端到端时延的数学模型如下： 2.2.1任务卸载调度策略的优化目标是最小化所有来自边缘用户的边缘计算任务的端到端时延之和，即： 将边缘计算任务的卸载调度问题建模为了一个最小化问题，这个最小化问题受到以下约束条件的约束； 2.2.2约束条件1，来自边缘用户n的边缘计算任务k被卸载到边缘服务器m时的端到端时延等于该任务卸载到边缘服务器上的通信时延与该任务在边缘服务器上的计算时延之和： 2.2.3约束条件2，来自边缘用户n的边缘计算任务k被卸载到边缘服务器m时的端到端时延应当低于该边缘计算任务的时延阈值： 2.2.4约束条件3，边缘服务器由于为不同边缘计算任务提供计算任务产生的计算资源开销之和应当小于边缘计算服务器上的计算资源阈值： 2.2.5约束条件4，边缘计算任务只能被卸载到能为该类型计算任务提供服务的边缘服务器： 2.2.6约束条件5，一个边缘计算任务只能被卸载到一个边缘服务器： 2.2.7约束条件6，决策变量应当为布尔类型数据： 2.2.8约束条件7，决策变量应当为布尔类型数据： 2.2.9约束条件8，边缘服务器上的计算资源可占用率阈值应当为正数，且不超过服务器最大的计算资源量： THresource∈0,100％]9 步骤3具体包括： 3.1给定强化学习的智能体，定义智能体的目标是通过训练，得到使预期累计折扣奖励最大化的边缘任务卸载调度策略；定义状态指当前的任务调度；定义智能体采取的动作是改变边缘计算任务卸载调度策略以最大化累计折扣奖励；定义强化学习的训练环境为输入的包含边缘网络环境信息和边缘计算任务卸载请求信息的数据集； 3.2为了将最小化问题转化为最大化问题，定义强化学习的奖励为边缘任务端到端延迟的负值，以便将一些最大化奖励算法用于解决最小化问题； 3.3初始化价值函数或策略；在开始训练智能体之前，需要初始化智能体的任务卸载策略；这些初始值通常是随机的，随着训练的进行，智能体将逐渐改进这些任务卸载策略以获得更好的奖励； 3.4智能体与环境互动，执行动作并观察环境的反馈；在每一步中，智能体会观察当前状态，选择一个动作，执行该动作，然后接收环境的奖励信号和下一个状态； 3.5计算奖励和更新任务调度策略函数根据环境提供的奖励信号，智能体会更新其参数； 3.6迭代训练；代理循环执行步骤3.4～3.5，持续与环境互动和学习，进行多轮的迭代训练，这一迭代过程持续N次。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。