任务处理的方法、装置及电子设备与流程

本技术涉及边缘计算领域，具体而言，涉及一种任务处理的方法、装置及电子设备。

背景技术：

1、车联网中，随着车辆数量和车载应用种类的增加，车辆产生的任务数据量呈爆炸式增长，车联网数据主要包括车辆状态信息、交通流量信息、路况信息和驾驶员行为信息等。大规模的数据将会超出传统数据处理和存储技术的极限，因此需要使用更先进的技术来实现车联网的高效运作和数据的有效利用。传统计算处理车辆产生的任务主要有两种方式：车辆本地计算和云服务器计算。车辆本地计算指的是将车辆任务数据放在车辆的车载单元上进行计算处理。但是，这种方式存在一些缺点，包括车辆计算能力有限、无法处理大数据量的任务以及任务计算时间较长。另一种方式是云服务器计算，将需要计算处理的任务上传至云服务器进行计算处理，然后将结果回传给车辆。然而，这种方式也存在一些不足，包括传输时延长、能量消耗大、安全性和私人性差等问题。

2、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种任务处理的方法、装置及电子设备，以至少解决传统计算处理车辆产生的任务的方式存在无法处理大数据量的任务以及任务计算时间较长或者传输时延长、能量消耗大的技术问题。

2、根据本技术实施例的一个方面，提供了一种任务处理的方法，包括：获取车联网中的车辆产生的待计算任务集合，以及确定覆盖车辆的移动边缘计算mec服务器；采用卸载决策模型对待计算任务集合中的任务进行处理，得到卸载决策结果，其中，卸载决策结果包括以下之一：全部卸载到移动边缘计算mec服务器进行计算、部分卸载到mec服务器进行计算和在车辆的车载单元中进行本地计算，卸载决策模型用于确定在系统开销最小时对任务进行处理的方式；依据卸载决策结果对待计算任务集合中的任务进行处理。

3、可选地，卸载决策模型通过以下方式训练得到：获取车联网中的车辆产生的历史任务集合，以及获取历史任务集合中的每个历史任务对应的任务处理标签，其中，任务处理标签用于表示任务的处理方式；将历史任务集合和任务处理标签输入初始卸载决策模型进行迭代训练，得到初始卸载决策模型中的输出层节点的预测标签；依据预测标签和输出层节点的真实任务处理标签，确定初始卸载决策模型对应的损失值；依据损失值更新初始卸载决策模型的模型参数，重复迭代过程，并在达到迭代次数时停止训练，得到卸载决策模型。

4、可选地，得到初始卸载决策模型中的输出层节点的预测标签，包括：步骤1：确定初始卸载决策模型的隐藏层中第一神经元的输出，以及确定隐藏层的第二神经元的参数，其中，第一神经元与第二神经元为隐藏层中的任意两个相邻的神经元，且第二神经元为第一神经元的下一层神经元；步骤2：依据第一神经元的输出和第二神经元的参数，确定第二神经元对应的加权和；步骤3：将加权和输入第二神经元对应的激活函数，得到第二神经元的输出；步骤4：将第二神经元的输出作为下一层神经元的输入，重复执行步骤1至步骤3，并将最后一层神经元的输出确定为预测标签。

5、可选地，依据损失值更新初始卸载决策模型的模型参数，包括：获取模型参数中的初始权重值和初始偏置值；确定初始卸载决策模型的学习率、初始权重值对应的第一梯度、初始偏置值对应的第二梯度，其中，第一梯度和第二梯度由损失值确定；依据初始权重值、学习率和第一梯度，更新初始权重值；依据初始偏置值、学习率和第二梯度，更新初始偏置值。

6、可选地，在卸载决策结果指示在车辆的车载单元中进行本地计算时，系统开销通过如下方式确定：从待计算任务集合中确定在本地计算的第一任务集合；确定第一任务集合中第一任务的第一任务量和第一任务在本地计算的第一速度，其中，第一任务为第一任务集合中的任意一个任务；依据第一任务量和第一速度，确定第一任务对应的第一时延；依据第一时延和第一任务对应的第一车辆的车载单元的消耗功率，确定第一任务对应的第一能耗；依据第一时延和第一能耗确定处理第一任务对应的系统开销。

7、可选地，在卸载决策结果指示全部卸载到mec服务器进行计算时，系统开销通过如下方式确定：从待计算任务集合中确定在mec服务器进行计算的第二任务集合；获取第二任务集合中的第二任务对应的第二任务量、第二任务的上传速率、第二任务的回传速率、第二任务在mec服务器上的计算速度、第二任务在mec服务器上计算的处理率、第二任务对应的mec服务器的空闲计算资源、第二任务对应的排队开关、第二任务在排队时mec服务器计算前面任务的平均速度，其中，第二任务为第二任务集合中的任意一个任务，排队开关用于确定第二任务在mec服务器上计算时是否排队；依据第二任务量和上传速率确定第二任务的上传时延，依据排队开关、第二任务量、空闲计算资源和平均速度，确定第二任务的排队时延，依据第二任务量和计算速度确定第二任务的计算时延，依据第二任务量、处理率和回传速率，确定第二任务的回传时延；依据上传时延、排队时延、计算时延和回传时延，确定处理第二任务对应的第二时延；依据上传时延和上传消耗功率确定第二任务的上传能耗，依据排队时延和排队消耗功率确定第二任务的排队能耗，依据计算时延和计算消耗功率确定第二任务的计算能耗，依据回传时延和回传消耗功率确定第二任务的回传能耗；依据上传能耗、排队能耗、计算能耗和回传能耗，确定处理第二任务对应的第二能耗；依据第二时延和第二能耗确定处理第二任务对应的系统开销。

8、可选地，在卸载决策结果指示部分卸载到mec服务器进行计算和在车辆的车载单元中进行本地计算时，系统开销通过如下方式确定：从待计算任务集合中确定同时在mec服务器和本地进行计算的第三任务集合；确定第三任务集合中的第三任务对应的任务分割标志、任务并行标志和卸载比例，其中，第三任务为第三任务集合中的任意一个任务；依据任务分割标志、任务并行标志、第三任务对应的本地时延、第三任务对应的卸载时延，确定处理第三任务对应的第三时延；依据卸载比例、第三任务对应的本地能耗、第三任务对应的上传能耗、第三任务对应的计算能耗、第三任务对应的回传能耗、第三任务对应的排队能耗，确定处理第三任务对应的第三能耗；依据第三时延和第三能耗，确定处理第三任务对应的系统开销。

9、根据本技术实施例的另一方面，还提供了一种任务处理的装置，包括：获取模块，用于获取车联网中的车辆产生的待计算任务集合，以及确定覆盖车辆的移动边缘计算mec服务器；第一处理模块，用于采用卸载决策模型对待计算任务集合中的任务进行处理，得到卸载决策结果，其中，卸载决策结果包括以下之一：全部卸载到移动边缘计算mec服务器进行计算、部分卸载到mec服务器进行计算和在车辆的车载单元中进行本地计算，卸载决策模型用于确定在系统开销最小时对任务进行处理的方式；第二处理模块，用于依据卸载决策结果对待计算任务集合中的任务进行处理。

10、根据本技术实施例的又一方面，还提供了一种电子设备，包括：存储器和处理器，存储器用于存储程序指令；处理器与存储器连接，用于执行实现上述任务处理的方法。

11、根据本技术实施例的再一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的计算机程序，其中，该非易失性存储介质所在设备通过运行计算机程序执行上述任务处理的方法。

12、根据本技术实施例的再一方面，还提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述任务处理的方法。

13、在本技术实施例中，通过获取车联网中的车辆产生的待计算任务集合，以及确定覆盖车辆的移动边缘计算mec服务器；采用卸载决策模型对待计算任务集合中的任务进行处理，得到卸载决策结果，其中，卸载决策结果包括以下之一：全部卸载到移动边缘计算mec服务器进行计算、部分卸载到mec服务器进行计算和在车辆的车载单元中进行本地计算，卸载决策模型用于确定在系统开销最小时对任务进行处理的方式；依据卸载决策结果对待计算任务集合中的任务进行处理，达到了优化系统资源利用和计算效率的目的，从而实现了降低计算延迟和能耗的技术效果，进而解决了传统计算处理车辆产生的任务的方式存在无法处理大数据量的任务以及任务计算时间较长或者传输时延长、能量消耗大的技术问题。