边缘端任务调度难题破解 万物纵横新专利为高并发边缘计算场景 “降压”

四川万物纵横科技股份有限公司近期申请并公布了两项针对边缘计算任务调度的创新专利，分别从负载均衡和云边协同 AI 计算两个维度，有效解决了高并发场景下边缘服务器负担重、能耗高、响应延迟大等核心痛点，为边缘计算的规模化应用提供了关键技术支撑。

一、边缘计算任务调度的核心挑战

随着 5G、物联网和人工智能技术的快速发展，边缘计算作为云计算的自然延伸，面临着越来越严峻的任务调度挑战：

二、两项核心专利技术解析

1. 面向云边协同的边缘端 AI 计算任务调度方法及装置（2025 年 12 月公布）

技术原理：三阶段机器学习驱动的智能调度

该专利提出了一种创新的三阶段调度机制，通过任务分类、优先级排序和双模型递进训练，实现了从 "经验驱动" 到 "数据驱动" 的转变：

关键创新点

精细化任务分类：将任务分为 CPU 密集型、磁盘 IO 密集型、NPU 密集型和网络 IO 密集型四类，实现资源与任务的精准匹配；

多级优先级排序：根据任务来源（master 任务、partner 任务和用户任务）设定不同优先级，确保关键任务优先执行；

双模型协同优化：第一模型采用 self-attention 层或 BiLSTM 层构建，负责序列执行时间预测；第二模型采用 RankNet 模型结构，负责直接生成最佳任务队列；

2. 基于 LSTM-SVM 的物联网负载均衡任务调度方法及装置（2024 年 12 月公布）

技术原理：预测驱动的动态负载均衡

该专利融合了LSTM 时间序列预测和SVM 分类技术，通过精准预测任务等待时间实现边缘节点间的智能负载分配：

数据采集：接收任务请求，获取任务的性能指标需求和边缘节点的实时状态（性能指标、负载指标和当前请求连接数）；

连接数预测：根据当前请求连接数和下一时刻预测值，基于加权算法计算出边缘节点请求连接数；

等待时间预测：将节点性能、负载和连接数输入通过 PSO-SVM 算法构建的任务等待时间模型；

节点选择：对预测结果排序，筛选出所有边缘节点中任务等待时间最短的节点执行任务；

关键创新点

混合模型优势：LSTM 擅长捕捉时间序列数据中的长期依赖关系，SVM 则在小样本、高维数据分类预测中表现优异；

动态权重调整：根据任务请求的实时变化动态调整连接数计算权重，适应边缘环境的动态特性；

精准预测能力：通过 PSO（粒子群优化）算法优化 SVM 模型参数，提高任务等待时间预测的准确性；

三、专利技术的核心价值与应用效果

1. 性能提升

2. 高并发场景 "降压" 效果

减轻边缘服务器负担：通过智能任务分配和队列优化，避免单一节点过载，实现负载均衡；

降低系统能耗：减少任务等待时间和资源空闲浪费，提高能源利用效率；

提升用户体验：缩短任务响应延迟，确保高并发场景下的服务质量（QoS）保障；

四、总结与展望

万物纵横的这两项专利构建了 "预测 - 优化 - 调度"** 的完整技术闭环，分别从任务队列优化和节点负载均衡两个层面解决了边缘计算任务调度的核心难题。随着 5G 和物联网技术的进一步普及，这些技术将在智慧城市、工业互联网、自动驾驶等领域发挥重要作用，为边缘计算的规模化部署提供关键支撑，推动数字经济与实体经济的深度融合。

目前，这两项专利均已进入公开阶段，预计将在未来 1-2 年内逐步应用于万物纵横的边缘计算产品和解决方案中，为客户提供更高效、更可靠的边缘计算服务。