CN109800072A - 基于边缘计算的任务调度优化方法和装置 - Google Patents

Abstract

本发明涉及一种基于边缘计算的任务调度优化方法，包括：确定当前边缘计算的网络场景模型，根据设定的用户服务质量要求以及用户终端到各个边缘云的时间开销确定用户终端对应的目标边缘云作为接收用户终端分发的任务；根据用户终端对应的目标边缘云对网络场景模型进行更新，以获取物理模型；在物理模型中添加源节点、汇节点和哑结点，通过物理参数映射将用户终端在网络场景模型中的点的属性映射为物理模型中边的属性；根据用户终端到每个边缘云的能量开销以及边的属性，应用设定的最短路径算法计算源节点到汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定用户终端要分发的任务的分配方案。降低了系统能耗以及减少了计算资源。

Description

基于边缘计算的任务调度优化方法和装置

技术领域

本发明涉及边缘计算的技术领域，具体涉及一种基于边缘计算的任务调度优化方法和装置。

背景技术

随着通信技术的飞速发展，以人为中心的通信已经扩展到人和人、人和物以及物和物的通信。通信速率和计算速率的差距越来越小，之前通信消耗的时间比重在总时间消耗中的越来越小，通信与计算协同的应用范围越来越广，继而衍生出了物联网应用。

物联网作为一种新一代信息技术的重要组成部分，设计的应用领域有物流、交通、安防、能源、医疗、建筑、制造、家居、零售和农业，对于物联网设备来说，通常对于能耗的要求很严格，因此，计算能力较低。此外，部分设备的任务对计算资源有需求，但是由于自身的硬件条件限制，以及应用程序越来越多样化，受限于移动设备的便携性，其计算能力和续航能力有限。在面对此类问题时，相关技术中通常是应用传统的云计算方式，将计算量大的任务卸载到辅助计算设备上来协助用户处理，但是仍会产生由于距离用户太远而导致的用户上传任务的时间开销很大以及耗时太久的问题。

发明内容

有鉴于此，本发明提供一种基于边缘计算的任务调度优化方法和装置，以解决相关技术中任务调度时的时延大、系统能耗过高、计算资源浪费以及用户体验差的问题。

本发明采用如下技术方案：

第一方面，本发明实施例提供了一种基于边缘计算的任务调度优化方法，该方法包括：

确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量；

对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务；

根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型；

在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性；

根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

进一步的，所述物理模型中，将各个用户终端和所述各个边缘云分别作为一个节点，相应的，所述物理模型的约束条件包括：

源节点的任务流出量等于汇节点的任务流入量；

第一节点的任务流出量和任务流入量相等，其中，第一节点包括哑结点以及每个用户终端和每个边缘云对应的节点。

进一步的，在确定当前边缘计算的网络场景模型之后，还包括：

计算所述用户终端到每个边缘云的时间开销。

进一步的，所述时间开销包括任务上传时间以及任务处理时间，相应的，所述计算所述用户终端到每个边缘云的时间开销，包括：

计算所述用户终端将任务上传至边缘云的第一时间与所述边缘云处理任务的第二时间；

其中，所述第一时间为上传任务的数据量大小与上传速率的比值，所述第二时间为任务的计算量与边缘云处理任务所需的计算资源的比值。

进一步的，在确定当前边缘计算的网络场景模型之后，还包括：

计算所述用户终端到每个边缘云的能量开销。

进一步的，所述能量开销包括传输数据能耗和边缘云计算能耗，相应的，所述计算所述用户终端到每个边缘云的能量开销，包括：

计算所述传输数据能耗和边缘云计算能耗；

其中，所述传输数据能耗为所述用户终端的发射功率与所述第一时间的乘积，所述边缘云计算能耗为计算功率与所述第二时间的乘积。

进一步的，所述设定的最短路径算法包括迪杰斯特算法。

进一步的，所述计算终止条件包括不存在源节点到汇节点的增广路径。

第二方面，本发明实施例提供了一种基于边缘计算的任务调度优化装置，该装置包括：

模型确定模块，用于确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量；

目标边缘云确定模块，用于对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务；

模型更新模块，用于根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型；

属性映射模块，用于在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性；

任务调度优化模块，用于根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

进一步的，所述物理模型中，将各个用户终端和所述各个边缘云分别作为一个节点，相应的，所述物理模型的约束条件包括：

源节点的任务流出量等于汇节点的任务流入量；

第一节点的任务流出量和任务流入量相等，其中，第一节点包括哑结点以及每个用户终端和每个边缘云对应的节点。

本发明采用以上技术方案，通过设定的用户服务质量以及用户终端到各个边缘云的时间开销确定用户终端对应的目标边缘云，其中，用户终端可将待处理任务分发的目标边缘云进行处理，确定目标边缘云，有针对性的将用户终端的待处理任务分发到边缘云处理，避免了应用较远的边缘云带来的资源浪费的问题；此外，根据用户终端对应的目标边缘云将网络场景模型调整为物理场景模型，进而将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性，以根据能量开销进行应用设定的最短路径算法进行任务调度的优化，减小了任务调度时的时延、降低了系统能耗、减小了计算资源浪费以及提高了用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于边缘计算的任务调度优化方法的流程图；

图2是本发明实施例提供的另一种基于边缘计算的任务调度优化方法的流程图；

图3是本发明实施例提供的一种用户终端和边缘云的物理模型的示意图；

图4是本发明实施例提供的一种应用迪杰斯特算法从源节点到汇节点路径分配方案的示意图；

图5是本发明实施例提供的一种基于边缘计算的任务调度优化装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

首先介绍边缘云计算与传统云计算的区别，边缘云计算的优点在于距离用户近，时间延时小；客制化高，用户或者运营商可以根据实际情况布置不同规格的边缘云。在实际的应用过程中，边缘云可以布置在移动运营商的基站里，与基站实现配合执行任务的关系。用户可以购买边缘云计算业务，边缘云会分配一个相同框架的设备克隆帮助用户执行计算任务，用于通过无线的方式将任务上传到基站，之后再通过基站的边缘云计算，并且将计算结果发送回设备，设备可以是用户终端。这样边缘云距离用户的距离时非常近的，时延比传统云计算低很多，对一些对时间敏感的应用(例如：用户玩游戏)，可以提高用户的体验。但是由于设备的计算能力有限使其产生了一定的局限性，因此产生了一个实际问题，例如，用户卸载任务的过程包含两个：上传任务的过程以及边缘云处理任务的过程，不同地点的用户传到不同地点的边缘云需要的时间不同，能耗也会不同，如果任务调度方法不当则会使得一些边缘云过于繁忙，一些边缘云空闲，导致计算资源的浪费，因此，所以如何分配任务，能够最大化利用边缘云的计算资源，以及节省整体系统的能耗，提高用户体验尤为重要。需要说明的是，本发明实施例中的分发任务，是指将任务从用户终端卸载到基站的边缘云进行处理。

实施例一

图1为本发明实施例一提供的一种基于边缘计算的任务调度优化方法的流程图，该方法可以由本发明实施例提供的基于边缘计算的任务调度优化装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：

S101、确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量。

其中，网络场景模型是指，例如有这样一个区域，该区域可以是一个城市，也可以是一个城市中的一个小区，这里以城市为例进行说明，有很多基站分布在该城市中，每个基站旁边分布有一个边缘云，基站通过无线方式与用户终端相连，在实际的应用过程中，用户的位置不固定，例如，用户A在第一个时间段内距离基站1比较近，在第二时间段内距离基站2比较近，但此时用户A还能与基站2建立连接，由于这些基站的不确定性，确定用户终端选择哪些基站进行任务的卸载比较好是本发明实施例需要解决的问题。

具体的，确定当前边缘计算的网络场景模型，其中，通过网络场景模型可以确定用户终端的数量和位置、用户终端要分发的任务的参数以及随机分布的边缘云的数量。在一个具体的例子中，考虑在一个方形的L×L的有界区域内，分布着I个用户终端(UserEquipments，UEs)随机分布在这个区域内，其中，I≥1，假设全部用户终端都有一个需要分发的任务U_i＝(D_i，B_i，T_i ^max)，其中，B_i是上传任务的数据量大小，用比特(Bit)来计量；D_i是任务的计算量，用机器周期(cycle)来计量；T_i ^max是该任务服务质量(QoS)，单位是秒。同时，在这个区域随机分布着J个边缘云(Mobile Edge Clouds，MECs)，如果一个任务卸载到边缘云j，则它将分配资源f_j ^C，单位是Hz。需要说明的是，本发明实施例中，设定同一个MEC分配的f_j ^C相同，不同的MEC分配的计算资源可能不同，来处理该任务。为了描述方便，下述用UE表示用户终端，用MEC表示边缘云。

S102、对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务。

其中，设定的用户服务质量要求可以用QoS表示，具体的，设定的用户服务质量要求以及用户终端到各个边缘云的时间开销可以表示为如下公式：

其中，是指任务上传时间，是指任务处理时间，T_i ^max是指预先设定的时间允许的最大值。在一个具体的例子中，对于每一个UE，将满足其QoS约束条件的MEC称为该UE可选择的MEC，也即，可选择的目标边缘云可以接收用户终端分发的任务。此外，由于任意一个UE每次最多只能上传一个任务，则存在约束条件：

且，每个MEC分配的计算资源不超过其总计算资源，公式表示如下：

综上，通过上述约束条件进行计算，即可确定每个用户终端对应的目标边缘云，其中，用户终端至少为一个，每个用户终端对应的目标边缘云可以是一个，也可以是多个。

S103、根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型。

具体的，在确定了每个用户终端对应的目标边缘云后，可以将目标边缘云和用户终端分别当作一个节点，将各个节点连接起来，则完成了将网络场景模型更新为物理模型。需要说明的是，在物理场景的描述中，各个节点之间的连接线只是用来示意，并不代表真正的物理连接关系。

S104、在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性。

在实际的应用过程中，应用最小费用最大流方法来解决任务调度问题，为了满足设定的最短路径算法的应用前提条件，在物理模型中添加一个源节点、一个汇节点和一个哑节点，这样，使得任务流从一个节点流向另一个节点，而不是从多个节点流向多个节点，也即，使任务单节点流出，以及，单节点结束。其次，通过物理参数映射，将用户终端在网络场景模型中的点的属性，映射为物理模型中的边的属性。具体来说，在网络场景模型中，用户终端以及边缘云分别当作节点，具有点的属性；在物理场景模型中，将该点的属性映射为边的属性，边是指用户终端到边缘云的路径。

下述通过一个具体的例子来对边的属性进行说明，将任务上传的过程假想为任务流从UE流向MEC的过程，假定任务流从源节点流出，流到每一个UE上，且每个UE只流一个任务流，UE再流向MEC和哑结点，流向MEC代表任务卸载成功，也即，任务成功地分发到对应的边缘云上；流向哑结点代表任务卸载失败，最终MEC和哑结点的任务流向汇节点。采用本发明实施例中的方法，满足了最小费用最大流方法的应用的约束条件。

S105、根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

具体的，卸载每一个任务都会产生能耗，流经每一条路径的任务流，会产生能耗，虚线是没有实际物理意义的线，假设能耗是零，实线部分代表的是UE卸载到MEC产生的能耗，同时，将从MEC流向汇节点的虚线路径的能耗设定为零。

需要说明的是，UE和MEC之间的容量为1，源节点到UE的容量是1；UE到哑结点的容量是1；MEC到汇节点的容量是C_j。具体的，流进UE的流量等于流出MEC的流量，MEC到汇节点的流量需要小于C_j，其中：

其中，假设MEC分配给任务的计算资源都是固定的f_j ^C，F_j ^C为MEC的总计算资源，设定从哑节点到汇节点的路径能耗为一个很大的值G，容量为UE的总数量。由此我们可以通过优化最小费用最大流方法，从而得到实际物理模型下的任务如何调度。

本发明采用以上技术方案，通过设定的用户服务质量以及用户终端到各个边缘云的时间开销确定用户终端对应的目标边缘云，其中，用户终端可将待处理任务分发的目标边缘云进行处理，确定目标边缘云，有针对性的将用户终端的待处理任务分发到边缘云处理，避免了应用较远的边缘云带来的资源浪费的问题；此外，根据用户终端对应的目标边缘云将网络场景模型调整为物理场景模型，进而将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性，以根据能量开销进行应用设定的最短路径算法进行任务调度的优化，减小了任务调度时的时延、降低了系统能耗、减小了计算资源浪费以及提高了用户体验。

示例性的，所述设定的最短路径算法包括迪杰斯特算法；所述计算终止条件包括不存在源节点到汇节点的增广路径。

其中，迪杰斯特拉算法是由荷兰计算机科学家狄克斯特拉于1959年提出的，是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题，迪杰斯特拉算法主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。

在本发明实施例中，不断利用迪杰斯特算法求从源节点到汇节点的最短路径，直到没有新的从源节点到汇节点的增广路径，再取路径中的实线部分任务流所经过的路即是任务的具体调度的最优方案。

下面用一个简单的例子来说明增广路径的含义，假如源节点用一次迪杰斯特算法，找到一条到汇节点的最短路径，但实际中，源节点一共要流出S个任务流，汇节点只能接收M个任务流，则用迪杰斯特算法后，第一次找到了一条路径，则该路径流了A流量到汇节点，则第一条路径到汇节点后还剩M-A流量，而此时，再用一次迪杰斯特算法，找到了第二条的到汇节点的路，假如说这条路流量是B，则，M-A只要大于0，则第二条路径就是增广路径。需要说明的是，上述示例只是为了说明增广路径的含义，并不对本发明的技术方案形成任何限定。

可选的，将各个用户终端和所述各个边缘云分别作为一个节点，相应的，所述物理模型的约束条件包括：源节点的任务流出量等于汇节点的任务流入量；第一节点的任务流出量和任务流入量相等，其中，第一节点包括哑结点以及每个用户终端和每个边缘云对应的节点。

具体的，将各个用户终端和边缘云作为节点后，可以得出物理模型的约束条件，例如：除源节点和汇节点之外，每个节点任务流入量和任务流出量相同。；源节点任务流出量等于汇节点任务流入量，因此，满足最小费用最大流方法的应用条件，可以应用最小费用最大流来解决任务调度优化问题。

实施例二

图2为本发明实施例二提供的一种基于边缘计算的任务调度优化方法的流程图，本实施例在上述实施例的基础上进行了优化。参考图2，该方法具体可以包括如下步骤：

S201、确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量。

S202、计算所述用户终端到每个边缘云的时间开销和能量开销。

其中，所述时间开销包括任务上传时间以及任务处理时间，相应的，所述计算所述用户终端到每个边缘云的时间开销，包括：计算所述用户终端将任务上传至边缘云的第一时间与所述边缘云处理任务的第二时间；其中，所述第一时间为上传任务的数据量大小与上传速率的比值，所述第二时间为任务的计算量与边缘云处理任务所需的计算资源的比值。

具体的，在本发明实施例中，时间开销包括任务上传时间和任务处理时间，其中，任务上传时间是指，用户终端将任务上传至边缘云的时间，记为第一时间；任务处理时间是指边缘云处理任务的时间，记为第二时间。在一个具体的例子中，任务可以是指，人脸识别过程中的“识别”这个操作。

任务上传时间用表示，其中

其中，R_ij代表上传速率：

是UE的发射功率，d_ij是第i个UE和第j个MEC之间的距离，W是信道容量，w_n是背景噪音，α是衰减常数。

任务处理时间用表示：

综上，时间开销为

所述能量开销包括传输数据能耗和边缘云计算能耗，相应的，所述计算所述用户终端到每个边缘云的能量开销，包括：计算所述传输数据能耗和边缘云计算能耗；其中，所述传输数据能耗为所述用户终端的发射功率与所述第一时间的乘积，所述边缘云计算能耗为计算功率与所述第二时间的乘积。

具体的，边缘云计算能耗为

在实际的应用过程中，可以取ν^C＝3κ^C＝1。

用户终端的传输数据能耗为

综上，能量开销为

S203、对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务。

S204、根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型。

S205、在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性。

S206、根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

本发明实施例中，通过计算用户终端到每个边缘云的时间开销和能量开销，其中，时间开销包括任务上传时间以及任务处理时间，能量开销包括传输数据能耗和边缘云计算能耗，应用时间开销以及能量开销，提高了确定目标边缘云的准确性，以及，为边缘计算的任务调度过程中的最小费用最大流方法应用能量开销提供了数据基础。

在一个具体的例子中，图3示出了一种用户终端和边缘云的物理模型的示意图；图4示出了一种应用迪杰斯特算法从源节点到汇节点路径分配方案的示意图。具体的，301表示边缘云，302表示基站，其中，边缘云与基站是一一对应的关系。303、304、305、306、307均表示用户终端，类型可以相同，也可以不同，例如，用户终端可以是手机、智能收音机、电话手表、智能平板以及小型无人机等。在图4中，308表示源节点，309表示汇节点，310表示哑节点，虚线是没有实际物理意义的线，假设能耗是零，实线部分代表的是UE卸载到MEC产生的能耗，同时，将从MEC流向汇节点的虚线路径的能耗设定为零。在一个具体的例子中，图4中，路径中的实线部分任务流所经过的路即是任务的具体调度的最优方案。

实施例三

图5是本发明是实施例三提供的一种基于边缘计算的任务调度优化装置的结构示意图，该装置适用于执行本发明实施例提供给的一种基于边缘计算的任务调度优化方法。如图5所示，该装置具体可以包括：

模型确定模块501，用于确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量；

目标边缘云确定模块502，用于对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务；

模型更新模块503，用于根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型；

属性映射模块504，用于在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性；

任务调度优化模块505，用于根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

进一步的，将各个用户终端和所述各个边缘云分别作为一个节点，相应的，所述物理模型的约束条件包括：

源节点的任务流出量等于汇节点的任务流入量；

第一节点的任务流出量和任务流入量相等，其中，第一节点包括哑结点以及每个用户终端和每个边缘云对应的节点。

进一步的，还包括第一计算模块，用于在确定当前边缘计算的网络场景模型之后，计算所述用户终端到每个边缘云的时间开销。

进一步的，所述时间开销包括任务上传时间以及任务处理时间，相应的，所述第一计算模块具体用于：

计算所述用户终端将任务上传至边缘云的第一时间与所述边缘云处理任务的第二时间；

其中，所述第一时间为上传任务的数据量大小与上传速率的比值，所述第二时间为任务的计算量与边缘云处理任务所需的计算资源的比值。

进一步的，还包括第二计算模块，用于在确定当前边缘计算的网络场景模型之后，计算所述用户终端到每个边缘云的能量开销。

进一步的，所述能量开销包括传输数据能耗和边缘云计算能耗，相应的，所述第二计算模块具体用于计算所述传输数据能耗和边缘云计算能耗；

其中，所述传输数据能耗为所述用户终端的发射功率与所述第一时间的乘积，所述边缘云计算能耗为计算功率与所述第二时间的乘积。

进一步的，所述设定的最短路径算法包括迪杰斯特算法。

进一步的，所述计算终止条件包括不存在源节点到汇节点的增广路径。

本发明实施例提供的基于边缘计算的任务调度优化装置可执行本发明任意实施例提供的基于边缘计算的任务调度优化方法，具备执行方法相应的功能模块和有益效果。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于边缘计算的任务调度优化方法，其特征在于，包括：

确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量；

对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务；

根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型；

在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性；

根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

2.根据权利要求1所述的方法，其特征在于，所述物理模型中，将各个用户终端和所述各个边缘云分别作为一个节点，相应的，所述物理模型的约束条件包括：

源节点的任务流出量等于汇节点的任务流入量；

第一节点的任务流出量和任务流入量相等，其中，第一节点包括哑结点以及每个用户终端和每个边缘云对应的节点。

3.根据权利要求1所述的方法，其特征在于，在确定当前边缘计算的网络场景模型之后，还包括：

计算所述用户终端到每个边缘云的时间开销。

4.根据权利要求3所述的方法，其特征在于，所述时间开销包括任务上传时间以及任务处理时间，相应的，所述计算所述用户终端到每个边缘云的时间开销，包括：

计算所述用户终端将任务上传至边缘云的第一时间与所述边缘云处理任务的第二时间；

其中，所述第一时间为上传任务的数据量大小与上传速率的比值，所述第二时间为任务的计算量与边缘云处理任务所需的计算资源的比值。

5.根据权利要求4所述的方法，其特征在于，在确定当前边缘计算的网络场景模型之后，还包括：

计算所述用户终端到每个边缘云的能量开销。

6.根据权利要求5所述的方法，其特征在于，所述能量开销包括传输数据能耗和边缘云计算能耗，相应的，所述计算所述用户终端到每个边缘云的能量开销，包括：

计算所述传输数据能耗和边缘云计算能耗；

其中，所述传输数据能耗为所述用户终端的发射功率与所述第一时间的乘积，所述边缘云计算能耗为计算功率与所述第二时间的乘积。

7.根据权利要求1所述的方法，其特征在于，所述设定的最短路径算法包括迪杰斯特算法。

8.根据权利要求1所述的方法，其特征在于，所述计算终止条件包括不存在源节点到汇节点的增广路径。

9.一种基于边缘计算的任务调度优化装置，其特征在于，包括：

模型确定模块，用于确定当前边缘计算的网络场景模型，其中，所述网络场景模型中的参数包括用户终端的数量和位置、所述用户终端要分发的任务的参数以及随机分布的边缘云的数量；

目标边缘云确定模块，用于对于所述用户终端，根据设定的用户服务质量要求以及所述用户终端到各个边缘云的时间开销确定所述用户终端对应的目标边缘云作为接收所述用户终端分发的任务；

模型更新模块，用于根据所述用户终端对应的目标边缘云对所述网络场景模型进行更新，以获取物理模型；

属性映射模块，用于在所述物理模型中添加源节点、汇节点以及哑结点，通过物理参数映射将所述用户终端在所述网络场景模型中的点的属性映射为所述物理模型中边的属性；

任务调度优化模块，用于根据所述用户终端到每个边缘云的能量开销以及所述边的属性，应用设定的最短路径算法计算所述源节点到所述汇节点的路径中满足设定的能耗条件的路径，直到满足计算终止条件时确定所述用户终端要分发的任务的分配方案。

10.根据权利要求9所述的装置，其特征在于，所述物理模型中，将各个用户终端和所述各个边缘云分别作为一个节点，相应的，所述物理模型的约束条件包括：

源节点的任务流出量等于汇节点的任务流入量；

第一节点的任务流出量和任务流入量相等，其中，第一节点包括哑结点以及每个用户终端和每个边缘云对应的节点。