本發(fā)明涉及擴散生成模型、網(wǎng)絡(luò)優(yōu)化、圖優(yōu)化、計算卸載等多個領(lǐng)域，具體而言，涉及一種支持次優(yōu)數(shù)據(jù)訓(xùn)練擴散生成的圖最優(yōu)化方法。

背景技術(shù)：

1、隨著通信、感知、計算的領(lǐng)域特化服務(wù)向一體化智能化的通感算網(wǎng)絡(luò)的轉(zhuǎn)變，出現(xiàn)了大量的新型應(yīng)用服務(wù)。終端和主機、傳感器和收集器的數(shù)量及其產(chǎn)生的數(shù)據(jù)量呈指數(shù)級增長，在諸如車聯(lián)網(wǎng)、無人機網(wǎng)絡(luò)、物聯(lián)網(wǎng)等場景中涉及的服務(wù)和任務(wù)對網(wǎng)絡(luò)的性能、效率和可靠性提出了更高的要求，網(wǎng)絡(luò)系統(tǒng)和計算基礎(chǔ)設(shè)施需要在功耗、傳輸吞吐量、計算效率、處理時延等具體指標(biāo)上達到最優(yōu)化目標(biāo)。對于計算卸載問題，由于終端設(shè)備本地的硬件(存儲、功率)和邏輯(計算、推理)資源通常有限，因此需要通過計算卸載技術(shù)，將計算密集型和延遲敏感型任務(wù)從終端轉(zhuǎn)移到資源更充足的服務(wù)器進行執(zhí)行并返回執(zhí)行結(jié)果，提高計算任務(wù)的服務(wù)質(zhì)量。

2、對于現(xiàn)有的網(wǎng)絡(luò)優(yōu)化方法，可以大致分為兩類。第一類數(shù)值優(yōu)化方法，它們一般可以保證理論最優(yōu)，但缺點是由于要求迭代或遞歸導(dǎo)致運行效率較低，而且應(yīng)對不同場景其靈活性也較差，因為這類方法常常要求專家知識來進行新設(shè)計；第二類深度學(xué)習(xí)方法，優(yōu)點是時間和空間效率較高，這是由于單步推理直接輸出解，但這樣本質(zhì)上是學(xué)習(xí)輸入?yún)?shù)到輸出解的映射函數(shù)，對最優(yōu)解的收斂性沒有理論保證，此外，雖然神經(jīng)網(wǎng)絡(luò)模型是通用的，但現(xiàn)有深度學(xué)習(xí)算法大多依賴于大規(guī)模最優(yōu)數(shù)據(jù)集，這樣的數(shù)據(jù)集對于本就復(fù)雜的優(yōu)化問題是難以制備的，因此靈活性也受限。

3、然而，以圖形式建模網(wǎng)絡(luò)優(yōu)化問題可以支撐多服務(wù)器多用戶計算卸載、路由調(diào)度、計算任務(wù)編排等多樣的網(wǎng)絡(luò)優(yōu)化問題，實現(xiàn)一個較廣的問題覆蓋范圍。同時，這類復(fù)雜優(yōu)化問題的次優(yōu)解往往可以高效求取，這些次優(yōu)解的質(zhì)量在目標(biāo)優(yōu)化函數(shù)上與最優(yōu)解的差距也是可接受的，所以次優(yōu)解樣本中包含著豐富的優(yōu)化目標(biāo)知識可供深度學(xué)習(xí)模型捕獲。

4、綜上，現(xiàn)實中網(wǎng)絡(luò)優(yōu)化問題本就復(fù)雜難以求解，而現(xiàn)有方法存在最優(yōu)解收斂性無保證、對大規(guī)模最優(yōu)解樣本的強依賴等局限性，缺少對最優(yōu)性、高效性和靈活性的兼具，需要設(shè)計滿足這些特性要求的面向通感算網(wǎng)絡(luò)優(yōu)化的復(fù)雜任務(wù)目標(biāo)的圖優(yōu)化方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供一種支持次優(yōu)數(shù)據(jù)訓(xùn)練擴散生成的圖最優(yōu)化方法，以至少解決現(xiàn)有的圖形式建模網(wǎng)絡(luò)優(yōu)化方法中的網(wǎng)絡(luò)優(yōu)化復(fù)雜難以求解，最優(yōu)解的收斂性無保障，對大規(guī)模最優(yōu)解樣本的強依賴等局限性，缺少對最優(yōu)性、高效性和靈活性的兼具的技術(shù)問題。

2、根據(jù)本發(fā)明實施例的一個方面，提供了一種支持次優(yōu)數(shù)據(jù)訓(xùn)練擴散生成的圖最優(yōu)化方法。該方法可以包括：將在通感算網(wǎng)絡(luò)環(huán)境下多服務(wù)器多用戶的現(xiàn)實系統(tǒng)轉(zhuǎn)化為虛擬圖，其中，虛擬圖包括多個用戶節(jié)點、多個邊緣服務(wù)器節(jié)點、每個用戶節(jié)點和每個邊緣服務(wù)器節(jié)點之間的邊，當(dāng)用戶節(jié)點處理自身的任務(wù)時，確定用戶節(jié)點的本地執(zhí)行代價，當(dāng)用戶節(jié)點將自身的任務(wù)卸載至邊緣服務(wù)器節(jié)點進行處理時，確定卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器執(zhí)行代價；基于本地執(zhí)行代價、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器執(zhí)行代價在虛擬圖上進行建模，得到圖優(yōu)化問題，其中，圖優(yōu)化問題包括卸載決策和計算資源分配兩個變量，圖優(yōu)化問題為與現(xiàn)實系統(tǒng)的總代價最小化目標(biāo)等價；在圖優(yōu)化問題中，對計算資源分配進行隨機啟發(fā)式初始化，得到初始化后的計算資源分配，基于初始化后的計算資源分配、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器執(zhí)行代價，確定卸載執(zhí)行代價；基于本地執(zhí)行代價和卸載執(zhí)行代價，構(gòu)建網(wǎng)絡(luò)流圖，其中，網(wǎng)絡(luò)流圖包括：邊緣服務(wù)器節(jié)點、虛擬邊、實邊、源點、匯點，用戶節(jié)點，在網(wǎng)絡(luò)流圖中邊緣服務(wù)器節(jié)點和用戶節(jié)點的流入和流出流量相等；在網(wǎng)絡(luò)流圖中，通過最小費用最大流算法為每個用戶節(jié)點從每個用戶節(jié)點相連接的多條邊中選擇最優(yōu)的一條邊；將初始化后的計算資源分配和每個用戶節(jié)點最優(yōu)的邊對應(yīng)的網(wǎng)絡(luò)流圖的本地執(zhí)行代價、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器代價輸入至圖優(yōu)化的擴散模型中，得到每個用戶節(jié)點的目標(biāo)邊和目標(biāo)計算資源分配。

3、可選地，基于本地執(zhí)行代價、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器執(zhí)行代價在虛擬圖上進行建模，得到圖優(yōu)化問題的表達式為：

4、

5、其中，為本地執(zhí)行代價，αi∈[0,1]，αi用于表示虛擬圖中第i條連接對應(yīng)的計算任務(wù)的代價權(quán)重，i用于表示虛擬圖中的與用戶節(jié)點到邊緣服務(wù)器節(jié)點連接的第i條連接線，i的取值范圍為1～l，表示卸載執(zhí)行代價的傳輸代價，用于表示邊緣服務(wù)器執(zhí)行代價，ao表示當(dāng)邊緣節(jié)點向用戶節(jié)點分配計算資源時的計算資源分配，do表示用戶節(jié)點是否向邊緣服務(wù)器分配任務(wù)，ej表示用戶節(jié)點卸載任務(wù)到邊緣服務(wù)器節(jié)點的邊，uα表示虛擬圖中的第α個用戶節(jié)點，dj表示用戶節(jié)點的任務(wù)完全在本地執(zhí)行或者用戶節(jié)點的任務(wù)完全卸載到一個邊緣服務(wù)器節(jié)點執(zhí)行，α的取值范圍為1～m，djaj用于表示不同的用戶節(jié)點將任務(wù)卸載到同一邊緣服務(wù)器節(jié)點的任務(wù)占用的計算資源量不超過可用總量，sβ表示虛擬圖中的第β個邊緣服務(wù)器節(jié)點，β的取值范圍為1～k。

6、可選地，本地執(zhí)行代價的表達式為：

7、

8、其中，表示第i條連接線的用戶節(jié)點的任務(wù)本地計算耗時，第i條連接線的用戶節(jié)點的任務(wù)本地計算功耗。

9、可選地，卸載執(zhí)行代價的傳輸代價的表達式為：

10、

11、其中，ii用于表示第i條連接線對應(yīng)的用戶節(jié)點的任務(wù)數(shù)據(jù)量，用于表示第i條連接線上用戶節(jié)點將任務(wù)卸載到邊緣服務(wù)器節(jié)點的傳輸速率，pt用于表示第i條連接線上用戶節(jié)點將任務(wù)卸載到邊緣服務(wù)器節(jié)點的傳輸功率。

12、可選地，邊緣服務(wù)器執(zhí)行代價的表達式為：

13、

14、其中，vi用于表示第i條連接線的邊緣服務(wù)器節(jié)點的任務(wù)計算需求，pe為邊緣服務(wù)器節(jié)點的執(zhí)行功率，f表示邊緣服務(wù)器節(jié)點該可用計算資源。

15、可選地，基于初始化后的計算資源分配、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器執(zhí)行代價，確定卸載執(zhí)行代價的表達式為：

16、

17、其中，c用于表示卸載執(zhí)行代價，ai表示初始化后的計算資源分配。

18、可選地，將初始化后的計算資源分配和每個用戶節(jié)點最優(yōu)的邊對應(yīng)的網(wǎng)絡(luò)流圖的本地執(zhí)行代價、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器代價輸入至圖優(yōu)化的擴散模型中，得到每個用戶節(jié)點的目標(biāo)邊和目標(biāo)計算資源分配，包括：將本地執(zhí)行代價、卸載執(zhí)行代價的傳輸代價和邊緣服務(wù)器代價進行參數(shù)化和加噪處理，得到參數(shù)化結(jié)果；將參數(shù)化結(jié)果輸入至擴散模型中，得到生成解；將生成解進行參數(shù)化和采樣處理，得到每個用戶節(jié)點的目標(biāo)邊和目標(biāo)計算資源分配。

19、本發(fā)明的有益效果：

20、本發(fā)明提出了一種支持次優(yōu)數(shù)據(jù)訓(xùn)練擴散生成的圖最優(yōu)化方法，將虛擬圖通過建模，得到與虛擬圖等價的網(wǎng)絡(luò)流圖，并確定網(wǎng)絡(luò)流圖的次優(yōu)計算資源分配和卸載決策，基于參數(shù)化解空間的理論定義實現(xiàn)了學(xué)習(xí)次優(yōu)解生成最優(yōu)解的理論建模，得到次優(yōu)計算資源分配和卸載決策對應(yīng)的最優(yōu)計算資源分配和卸載決策，解決了現(xiàn)有的圖形式建模網(wǎng)絡(luò)優(yōu)化方法中的網(wǎng)絡(luò)優(yōu)化復(fù)雜難以求解，最優(yōu)解的收斂性無保障，對大規(guī)模最優(yōu)解樣本的強依賴等局限性，缺少對最優(yōu)性、高效性和靈活性的兼具的技術(shù)問題，達到了通過圖形式的建模獲得網(wǎng)絡(luò)優(yōu)化問題的等價圖優(yōu)化問題，并使用高效的次優(yōu)解制作工具制備足量的次優(yōu)解，基于參數(shù)化解空間的理論定義實現(xiàn)了學(xué)習(xí)次優(yōu)解生成最優(yōu)解的理論建模，使用dgm以gnn為模型主干實現(xiàn)了godm模型，能夠在多樣的網(wǎng)絡(luò)優(yōu)化目標(biāo)上通過學(xué)習(xí)高效制備的次優(yōu)解來實現(xiàn)最優(yōu)解的實時生成的技術(shù)效果。