CN107092339A - 移动云计算节点异构的任务分流方法 - Google Patents
移动云计算节点异构的任务分流方法 Download PDFInfo
- Publication number
- CN107092339A CN107092339A CN201710133611.7A CN201710133611A CN107092339A CN 107092339 A CN107092339 A CN 107092339A CN 201710133611 A CN201710133611 A CN 201710133611A CN 107092339 A CN107092339 A CN 107092339A
- Authority
- CN
- China
- Prior art keywords
- task
- calculate node
- queue
- energy consumption
- clouds
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种移动云计算节点异构的任务分流方法,该方法包括将待计算的移动应用划分成若干个子任务,在遍历完任务队列后得到任务在移动设备上累加时间最大的队列和移动设备上能耗最大的队列。其根据用户时间或者能耗上的需求,选择分流任务对象,并将该队列的任务一次性分流到云端计算节点上执行计算,以减少移动设备的时间或者能耗。
Description
技术领域
本申请涉及移动云计算领域,其尤其指一种移动云计算节点异构的任务分流方法。
背景技术
目前智能手机有越来越多的新的移动应用程序,如面部识别,自然语言处理,交互式游戏和增强现实等。这种移动应用通常资源匮乏,需要大量的计算并且高能耗。由于物理尺寸的限制,通常情况下移动设备只具有有限的计算资源和电池寿命。资源匮乏的应用和资源受限的移动设备之间的紧张,因此对未来的移动平台开发构成了重大挑战。移动云计算被视为解决这一挑战一种有前景的方法。通过无线接入到资源丰富的云基础设施分流计算,移动云计算可以增加移动设备对资源需求应用程序的能力。而在移动云计算中,微云通常是指可移动的小规模的云数据中心,而且一般分布在网络中距离用户较近的位置,一般由一组高性能、安全并且网络连接良好的计算机组成。微云可以为移动用户提供计算、存储或者网络资源,从而缓解移动用户对相应资源的需求,并显著提高用户移动设备(智能手机、平板电脑、笔记本电脑)的性能,同时降低系统延迟。使得计算集中型或者延迟敏感型任务可以在移动用户的移动设备上运行良好。
应用的任务分流:将移动应用程序划分成若干任务的序列。该任务序列有先后顺序的,如图1,在任务2计算完后才能开始计算任务5。移动设备有两种计算方式,1、在移动设备内计算;2、通过互联网将任务分流到云端计算。以及,移动应用任务分流的选择:在应用任务在计算之前,先对任务进行判断从而决定是否将任务分流到云端计算。用参数a∈{0,1}表示分流选择,当a=0时,表示任务在移动设备本地上进行计算;当a=1时,表示将任务分流到云中计算节点上计算。
发明人发现在现有技术中,任务分流到云端后随意将任务分配给云中计算节点计算造成时延大的缺点与不足。在现有的关于将移动设备的应用进行划分分流到云端计算的方法中,都只关注如何优化分流选择的判断策略,而且都把云中的诸多计算节点看成一个整体,忽略了这些计算节点存在的异构性和时延给计算分流任务带来的性能影响,从而给任务计算后反馈给移动设备带来可优化的时延。同时,在分流选择上,现有的方法只是对任务序列进行能耗上判断,判断后标记分流任务对象,然后顺序执行任务,这种执行方法的快慢取决于任务的计算当前任务的数据量大小,不能将所需分流任务一次性分流到云端中执行,效率低。基于此发明人做出了本发明。
发明内容
本发明采用以下方案实现:
将一个移动应用划分成N个子任务,用ti表示i∈(1,n)。将云中计算节点定义成m个节点,用Ci表示i∈(1,m)。用Eli表示移动设备计算任务ti所需要消耗的能耗;用Eci表示云中计算节点计算任务ti所需要消耗的能耗;
目标:最小化完成全部任务的能耗:minimize E(t1,t2,t3,.....,tn)、
最小化任务在本地计算时延minimize Tl(ti)
最小化任务分流到后云中计算节点的时延minimize Cdal
限制条件:其中ai∈(0,1),A为一个常数
限制条件:其中ai∈(0,1),B为一个常数
分流选择表示:ai∈(0,1),当ai=0时,表示任务在移动设备本地计算;当ai=1时,表示任务分流到云中计算节点上计算
本地计算时间表示:Tl(ti)
本地计算能耗表示:Eli=ε×Di,Di表示该任务的数据大小,ε表示计算单位数据移动设备所需消耗的能耗
分流到云中计算能耗表示:Eci=γ×Di+ρ×Di,γ表示计算单位数据云中计算节点所需消耗的能耗,ρ表示传输单位数据到云中计算节点所需消耗的能耗
容量时延比:Ccap i/Cdal i,其中Ccap i表示云中计算节点的可计算的容量,Cdal i表示云中计算节点的时延。
在本发明重点采用的方法包括:
优化任务分流方法,考虑了云资源的异构性。介绍一个概念,计算节点的容量时延比等于计算节点的可计算容量/服计算节点的时延,即:单位时延内能计算多少容量的数据。
任务分流的选择(算法1):任务分流的选择经过两个步骤:
第一步:计算每个任务的数据大小。
第二步:计算任务的分流代价,如果任务的分流代价小于预设值,则将该任务分流到云中计算;否则,在移动设备本地计算。
云中计算节点的选择(算法2):考虑各个云中计算节点的最大容量,算法将为每个任务选择若干候选计算节点进行分流计算。同样有两个步骤:
第一步:云中计算节点的可计算容量和时延已知,计算每个计算节点的容量时延比,并进行由高到低的排序。
第二步:优先将分流到云端的任务与容量时延比高的计算节点进行匹配,如果待计算的任务数据量小于该计算节点的可计算容量则将任务分流到该计算节点中进行计算;否则选择下一个计算节点,直到满足条件为止。
本发明的优点和效果如下:
1、在遍历完任务队列后,我们可以得到任务在移动设备上累加时间最大的队列和移动设备上能耗最大的队列。可以根据用户时间或者能耗上的需求,选择分流任务对象,并将该队列的任务一次性分流到云端计算节点上执行计算,以减少移动设备的时间或者能耗。
2、任务分流到云端后,由于已经先对当前计算节点进行容量时延比的排序,所以待执行任务优先匹配到满足可计算容量的情况下,降低该任务在云中的时延。
附图说明
图1是算法所适用的网络示意图。
图2是本发明所使用的算法流程图。
具体实施例
本实施例可分为两个阶段
3、第一阶段:
1.5将待计算的移动应用划分成若干个子任务,并用数字1-n标记。根据子任务待计算的数据大小进行判断,得出该任务在设备本地计算需要多少时间,在云端计算需要多少时间。并存放在队列中。
1.6遍历队列,根据子任务之间的关联性,如果遍历的当前任务与前一个任务存在关联性,将当前任务加入与之存在关联的任务所在队列中,并累加队列中的任务在分别移动设备和云端上的计算时间并保存。如果遍历的当前任务与前一个任务不存在关联性,则为当前任务开辟新的队列保存,同时保存任务在移动设备和云端上的计算时间。重复上述步骤,直至任务队列遍历结束。
1.7遍历结束后,找出在移动设备上累加时间最大的队列。根据能耗公式,计算每条队列的能耗,找出移动设备上能耗最大的队列。
1.8根据用户对时延和能耗上的需要,可选择将能耗最大队列或者时间最大队列上的任务分流到云端中计算节点上计算。并将这些任务用ai=1标记。
其中能耗公式为其中:m为队列的个数,n为任务个数。
4、第二阶段:
2.4已知云中计算节点的可计算容量和时延,对每个计算节点进行容量时延比的计算。
2.5对计算好后的计算节点的容量时延比进行由高到低的排序
2.6优先将分流到云端的任务与容量时延比高的计算节点进行匹配,如果待计算的任务数据量小于该计算节点的可计算容量则将任务分流到该计算节点中进行计算;否则选择下一个计算节点,直到满足条件为止。
结合图2说明如下:算法一用于第一阶段,决定任务队列中的分流对象并标记,实施分流。
算法二用于第二阶段,在任务分流到云端后,给任务匹配最佳计算节点,以降低任务在云端中的时延。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (2)
1.一种移动云计算节点异构的任务分流方法,其特征在于,所述方法包括以下步骤:
1.1将待计算的移动应用划分成若干个子任务,并用数字1-n标记,根据子任务待计算的数据大小进行判断,得出该任务在设备本地计算需要多少时间,在云端计算需要多少时间,并将所述结果并存放在队列中;
1.2遍历所述队列,根据子任务之间的关联性,如果遍历的当前任务与前一个任务存在关联性,将当前任务加入与之存在关联的任务所在队列中,并累加队列中的任务在分别移动设备和云端上的计算时间并保存;如果遍历的当前任务与前一个任务不存在关联性,则为当前任务开辟新的队列保存,同时保存任务在移动设备和云端上的计算时间;
1.3遍历结束后,找出在移动设备上累加时间最大的队列;根据能耗公式,计算每条队列的能耗,找出移动设备上能耗最大的队列;
1.4根据用户对时延和能耗上的需要,可选择将能耗最大队列或者时间最大队列上的任务分流到云端中计算节点上计算;并将这些任务用ai=1标记。
2.如权利要求1所述的方法,其特征在于,在所述的步骤1.4后,还继续以下步骤:
2.1已知云中计算节点的可计算容量和时延,对每个计算节点进行容量时延比的计算;
2.2对计算好后的计算节点的容量时延比进行由高到低的排序;
2.3优先将分流到云端的任务与容量时延比高的计算节点进行匹配,如果待计算的任务数据量小于该计算节点的可计算容量则将任务分流到该计算节点中进行计算;否则选择下一个计算节点,直到满足条件为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710133611.7A CN107092339A (zh) | 2017-03-08 | 2017-03-08 | 移动云计算节点异构的任务分流方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710133611.7A CN107092339A (zh) | 2017-03-08 | 2017-03-08 | 移动云计算节点异构的任务分流方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107092339A true CN107092339A (zh) | 2017-08-25 |
Family
ID=59646174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710133611.7A Pending CN107092339A (zh) | 2017-03-08 | 2017-03-08 | 移动云计算节点异构的任务分流方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092339A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508233A (zh) * | 2018-07-27 | 2019-03-22 | 北京中电普华信息技术有限公司 | 一种计算脚本并行处理方法及装置 |
CN111542074A (zh) * | 2020-04-20 | 2020-08-14 | 贵州师范大学 | 一种移动云计算学习的智能异构无线接入方法 |
CN113748399A (zh) * | 2019-04-25 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 异构计算机中的计算图映射 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110007347A1 (en) * | 2009-07-07 | 2011-01-13 | Kamath Harish B | Web printing |
CN103631657A (zh) * | 2013-11-19 | 2014-03-12 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的任务调度算法 |
CN104899103A (zh) * | 2015-07-03 | 2015-09-09 | 中国人民解放军国防科学技术大学 | 一种移动云计算终端节能调度方法和装置 |
CN105516281A (zh) * | 2015-11-30 | 2016-04-20 | 武汉理工大学 | 基于移动云环境低能耗和负载均衡的计算迁移方法和装置 |
CN105656999A (zh) * | 2015-12-25 | 2016-06-08 | 清华大学 | 一种移动云计算环境中能耗优化的合作任务迁移方法 |
-
2017
- 2017-03-08 CN CN201710133611.7A patent/CN107092339A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110007347A1 (en) * | 2009-07-07 | 2011-01-13 | Kamath Harish B | Web printing |
CN103631657A (zh) * | 2013-11-19 | 2014-03-12 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的任务调度算法 |
CN104899103A (zh) * | 2015-07-03 | 2015-09-09 | 中国人民解放军国防科学技术大学 | 一种移动云计算终端节能调度方法和装置 |
CN105516281A (zh) * | 2015-11-30 | 2016-04-20 | 武汉理工大学 | 基于移动云环境低能耗和负载均衡的计算迁移方法和装置 |
CN105656999A (zh) * | 2015-12-25 | 2016-06-08 | 清华大学 | 一种移动云计算环境中能耗优化的合作任务迁移方法 |
Non-Patent Citations (1)
Title |
---|
张晓磊: "云计算独立任务及关联任务调度算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508233A (zh) * | 2018-07-27 | 2019-03-22 | 北京中电普华信息技术有限公司 | 一种计算脚本并行处理方法及装置 |
CN113748399A (zh) * | 2019-04-25 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 异构计算机中的计算图映射 |
CN113748399B (zh) * | 2019-04-25 | 2024-05-03 | 阿里巴巴集团控股有限公司 | 在异构计算资源上调度计算图的方法、装置及可读介质 |
CN111542074A (zh) * | 2020-04-20 | 2020-08-14 | 贵州师范大学 | 一种移动云计算学习的智能异构无线接入方法 |
CN111542074B (zh) * | 2020-04-20 | 2022-08-23 | 贵州师范大学 | 一种移动云计算学习的智能异构无线接入方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Computation offloading in multi-access edge computing using a deep sequential model based on reinforcement learning | |
González et al. | Scatter search with path relinking for the flexible job shop scheduling problem | |
CN104158855B (zh) | 基于遗传算法的移动服务组合计算卸载方法 | |
Riahi et al. | A new hybrid ant colony algorithm for scheduling of no-wait flowshop | |
CN109885397B (zh) | 一种边缘计算环境中时延优化的负载任务迁移算法 | |
CN108418718B (zh) | 一种基于边缘计算的数据处理延迟优化方法及系统 | |
CN107092339A (zh) | 移动云计算节点异构的任务分流方法 | |
CN105242956A (zh) | 虚拟功能服务链部署系统及其部署方法 | |
CN105704255A (zh) | 一种基于遗传算法的服务器负载均衡方法 | |
Yuan et al. | A novel approach for economic dispatch of hydrothermal system via gravitational search algorithm | |
Jangiti et al. | Scalable and direct vector bin-packing heuristic based on residual resource ratios for virtual machine placement in cloud data centers | |
Penmetcha et al. | A deep reinforcement learning-based dynamic computational offloading method for cloud robotics | |
CN103677960A (zh) | 一种能耗约束的虚拟机博弈重放置方法 | |
Wang et al. | Evolutionary game analysis of co-opetition relationship between regional logistics nodes | |
CN110134507A (zh) | 一种边缘计算系统下的合作计算方法 | |
Guo et al. | An efficient dynamic offloading approach based on optimization technique for mobile edge computing | |
Ren et al. | Immune genetic algorithm for multi-objective flexible job-shop scheduling problem | |
CN108170523A (zh) | 一种移动云计算的随机任务序列调度方法 | |
CN115357351A (zh) | 算力网络调度方法、装置、系统、设备及介质 | |
CN107329826A (zh) | 一种基于Cloudsim平台上的启发式融合资源动态调度算法 | |
CN116502680B (zh) | 一种用于混合专家模型的并行训练方法及装置 | |
CN103617083A (zh) | 存储调度方法和系统、作业调度方法和系统及管理节点 | |
CN106209683B (zh) | 基于数据中心广域网的数据传输方法及系统 | |
CN104933110B (zh) | 一种基于MapReduce的数据预取方法 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170825 |
|
WD01 | Invention patent application deemed withdrawn after publication |