(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 202210828289.0 (22)申请日 2022.07.13 (71)申请人 国网江苏省电力有限公司信息通信 分公司 地址 210024 江苏省南京市北京西路20号 申请人 国网江苏省电力有限公司 　 国网江苏省电力有限公司泰州供电 分公司 (72)发明人 曾锃　李世豪　缪巍巍　韦磊　 夏元轶　肖晶　杜渐　全思平　 杨君中　张瑞　滕昌志　余益团　 (74)专利代理 机构 苏州三英知识产权代理有限 公司 32412 专利代理师 潘时伟(51)Int.Cl. G06F 9/50(2006.01) G06F 9/48(2006.01) G06V 10/771(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) H04L 67/10(2022.01) (54)发明名称 基于多类型智能模型的云边协同调度方法 及应用 (57)摘要 本发明公开了一种基于多类型智能模型的 云边协同调度方法及应用， 应用于云边协同系统 中， 云边协同系统包括云计算中心以及多个边缘 节点， 该方法包括： 构建预测模型， 预测模型包括 分别部署在N个边缘节点上的N个推理模型以及 对应的N个选择模型； 基于预测模型中的选择模 型调度对应的推理模型执行目标任务。 该方法可 以应用于不同的网络结构、 不同的应用以及不同 的输入数据集上； 且基于相关参数矩阵提取特征 值， 提高预测模型识别效果， 降低任务的执行时 间； 基于多DNN并存的模型选 择方法， 提升预测模 型对图像处理应用的整体精度； 同时， 通过采用 边缘设备和云计算中心相互协同调度的方式执 行目标任务， 减小了带宽资源损耗， 且保证了数 据的安全性。 权利要求书2页 说明书9页 附图8页 CN 115202879 A 2022.10.18 CN 115202879 A 1.一种基于多类型智能模型的云边协同调度方法， 应用于云边协同系统中， 所述云边 协同系统包括云计算中心以及多个边 缘节点， 其特 征在于， 所述方法包括： 构建预测模型， 其中， 所述预测模型包括分别部署在N个边缘节点上的N个推理模型以 及对应的N个选择模型； 基于所述预测模型中的选择模型调度对应的推理模型 执行目标任务； 其中， 构建所述预测模型包括： 构建训练特 征集， 其中， 所述训练特 征集中包括M个训练特 征； 将所述训练特征集输入预设推理模型集合， 并交替基于推理时间和推理准确率确定构 建所述预测模型的N个 推理模型； 基于所述N个推理模型， 为所述M个训练特征标记类别标签， 其中， 所述类别标签表示所 述训练特 征所对应的最优推理模型； 将所述训练特征集作为输入， 以所述N个选择模型分别选中对应推理模型的目标训练 特征为训练目标， 对所述N个选择模 型进行训练， 直至满足训练条件， 其中， 所述目标训练特 征为标记有与所述推理模型对应 推理标签的训练特 征。 2.如权利要求1所述的基于多类型智能模型的云边协同调度方法， 其特征在于， 构建训 练特征集， 具体包括： 构建第一 候选特征集； 基于皮尔逊积点相关参数矩阵， 筛选所述第 一候选特征集中采数值在预设范围内的特 征， 以构建第二 候选特征集； 计算所述预测模型对所述第二 候选特征集的第一预测准确率； 依次从所述第 二候选特征集中剔除一候选特征， 并计算所述预测模型对所述剔除一候 选特征的第二 候选特征集的第二预测准确率； 基于所述第 一预测准确率和第 二预测准确率的差值， 确定是否删除所述第 二候选特征 集中的对应特 征， 以构建训练特 征集。 3.如权利要求1所述的基于多类型智能模型的云边协同调度方法， 其特征在于， 将所述 训练特征集输入预设推理模型集合， 并交替基于推理 时间和推理准确率确定构建所述预测 模型的N个 推理模型， 具体包括： 将所述训练特 征集分别输入预设推理模型集 合中的推理模型； 基于所述推理模型的推理时间或推理准确率， 确定一推理模型加入所述预测模型， 并 将所述确定的推理模型从预设推理模型集 合中删除； 交替基于所述推理模型的推理时间和推理准确率， 确定所述预测模型的候选推理模 型， 并基于所述预测模型的推理 时间和/或推理准确率， 确定是否将所述候选推理模型加入 所述预测模型。 4.如权利要求1所述的基于多类型智能模型的云边协同调度方法， 其特征在于， 基于所 述N个推理模型， 为所述M个训练特 征标记类别标签， 具体包括： 将所述训练特征集输入第 一推理模型， 并基于推理时间和/或推理准确率， 确定所述第 一推理模型选中的训练特 征； 将所述训练特征集中的剩余训练特征输入第二推理模型， 并基于推理时间和/或推理 准确率， 确定所述第二推理模型选中的训练特征， 其中， 所述第二推理模型连接在所述第一权　利　要　求　书 1/2 页 2 CN 115202879 A 2推理模型之后； 重复以上步骤， 直至所述 N个推理模型依序选中对应的训练特 征； 基于所述 N个推理模型分别选中的训练特 征， 为所述M个训练特 征标记类别标签。 5.如权利要求1所述的基于多类型智能模型的云边协同调度方法， 其特征在于， 所述方 法还包括： 基于k折交叉验证法， 验证所述预测模型的性能指标， 其中， 所述性能指标包括推理时 间、 预测模型的能源消耗、 准确率、 精度、 召回率、 以及F1分数中的至少一个。 6.如权利要求1所述的基于多类型智能模型的云边协同调度方法， 其特征在于， 在所述 预测模型中的选择模型 未调度对应的推理模型 执行目标任务时， 所述方法还 包括： 将所述目标任务传送至所述云计算中心， 以供所述云计算中心选择边缘节点上的推理 模型执行所述目标任务。 7.如权利要求1所述的基于多类型智能模型的云边协同调度方法， 其特征在于， 所述推 理模型为DN N模型， 所述选择模型为KN N模型。 8.一种基于多类型智能模型的云边协同调度装置， 其特 征在于， 所述装置包括： 构建模块， 用于构建预测模型， 其中， 所述预测模型包括分别部署在N个边缘节点上的N 个推理模型以及对应的N个选择模型； 调度模块， 用于基于所述预测模型中的选择模型调度对应的推理模型 执行目标任务； 其中， 所述构建模块具体用于： 构建训练特 征集， 其中， 所述训练特 征集中包括M个训练特 征； 将所述训练特征集输入预设推理模型集合， 并交替基于推理时间和推理准确率确定构 建所述预测模型的N个 推理模型； 基于所述N个推理模型， 为所述M个训练特征标记类别标签， 其中， 所述类别标签表示所 述训练特 征所对应的最优推理模型； 将所述训练特征集作为输入， 以所述N个选择模型分别选中对应推理模型的目标训练 特征为训练目标， 对所述N个选择模 型进行训练， 直至满足训练条件， 其中， 所述目标训练特 征为标记有与所述推理模型对应 推理标签的训练特 征。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及 存储器， 所述存储器存储指令， 当所述指令被所述至少一个处理器执行时， 使得所述至 少一个处理器执行如权利要求1至7中任一项所述的基于多类型智能模型 的云边协同调度 方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至7任一项 所述的基于多类型智能 模型的云边协同调度方法。权　利　要　求　书 2/2 页 3 CN 115202879 A 3