CN109819046A - 一种基于边缘协作的物联网虚拟计算资源调度方法 - Google Patents

Abstract

本发明涉及一种基于边缘协作的物联网虚拟计算资源调度方法，属于虚拟化无线网络领域，尤其涉及面向物联网应用的边缘协作中的计算资源调度。该发明设计了一种基于边缘协作的虚拟计算资源调度架构，充分利用边缘水平智能IOT设备、垂直传感器节点及基础设施的空闲虚拟化资源，显著提升资源利用率、智能物联网应用的QoS。此外，所提出的算法能够选出最优的计算卸载路径，在优化数据传输时延的前提下，最小化应用占用的计算资源，使更多的物联网设备获得计算资源，保证应用的正常运行。

Description

一种基于边缘协作的物联网虚拟计算资源调度方法

技术领域

本发明涉及虚拟化无线网络领域，尤其涉及面向物联网应用的边缘协作中的计算资源调度。

背景技术

随着物联网技术(Internet of Things,IoT)的迅速发展和普及，越来越多的新型智能物联网应用正在兴起，如智能视频监控，电子医疗、智能交通和智慧家居等。上述物联网应用将伴随着海量的物联网终端，复杂的设备连接特性和爆炸性增长的数据需求，网络中的各类设备资源需要有效的整合及利用。此外，当前网络的部署主要旨在满足传统移动宽带用户的需求，无法很好地兼容物联网应用的特性。为处理上述问题，虚拟化和网络切片技术被视作5G网络中的关键技术。通过将网络中的各类物理资源抽象成虚拟资源，基于特定的应用类别按需构建端到端的专用逻辑网络，网络切片能够为不同的业务场景提供所需服务，实现灵活的网络资源分配和良好的物联网业务特性支持。

通常，核心网拥有足够的资源，且能依赖于特定的功能和硬件进行配置，相较于核心网，无线接入网的虚拟化实施更具有挑战性。接入网络需要保证网络切片间的隔离，为不同的物联网应用和网络切片提供低时延、高可靠、密集连接等不同性能指标，例如，智能交通、工业制造等物联网应用对连接数量和时延具有较高要求。然而，由于物理尺寸的限制，物联网设备通常只具备有限的计算资源，难以保证上述物联网应用的服务质量(Qualityof Service,QoS)要求，设备资源扩展的问题亟待解决。

解决设备资源扩展问题的方法主要采用了流量卸载技术，其中，流量卸载的解决方案通畅基于移动云计算，移动设备可以将计算密集型数据处理任务卸载到资源丰富的云处理器中以进行远程计算。但是，由于物联网设备与云之间的网络距离较远，该模式无法有效支持时延敏感型的物联网应用。移动边缘计算作为一种新兴范例，已在学术界及工业界引起广泛关注，其部署在靠近数据源的网络边缘侧，能够为物联网设备提供低时延、高质量的计算服务。通过与虚拟化技术结合，移动边缘计算能够实现不同应用对多个协作或邻近用户设备的空闲计算资源的共享，并利用这些资源运行海量计算任务，为网络切片的计算密集型和时延敏感性物联网应用提供流量卸载。

目前，大多用于流量卸载的虚拟计算资源调度的研究仅仅关注任务设备及卸载设备间的计算卸载过程，尚未考虑如何进行智能IOT设备的水平协作，以及传感器节点与基础设施间的垂直协作，从而高效卸载智能物联网应用计算密集、时延敏感型任务。此外，由于物联网设备规模巨大且边缘计算的容量受限，计算卸载的效率十分关键。然而，上述研究未考虑计算卸载效率，存在一定程度的局限性。

发明内容

本发明所要解决的技术问题是：针对目前物联网应用的虚拟计算资源调度方式单一，大多向边缘基础设施卸载任务的局限性，本发明设计了一种面向智能物联网应用的计算资源调度跨层架构，充分利用边缘水平智能IOT设备、垂直传感器节点及基础设施的虚拟化资源。此外，由于物联网设备规模巨大且计算容量受限，计算卸载效率十分关键。因此，本发明在保证智能IOT设备应用QoS要求的前提下，优化每个物联网应用的计算卸载效率。

本发明解决其技术问题所采用的技术方案是：本发明提出一种面向智能物联网应用的资源高效型计算资源调度新架构。具体而言，该架构以IOT设备为中心，设计资源高效的计算资源调度算法。在保证每个智能物联网应用所需QoS的前提下，最小化该应用所占用的计算资源。其中，所设计的资源高效计算资源调度法具有以下两个显著特征：1.采用混合机制利用本地物联网设备，邻近的辅助设备、传感器节点和边缘基础设施的跨层虚拟化资源；2.提出一种有效的基于拓扑排序的任务图分区算法和最优的虚拟机选择方法，在最小化智能IoT设备的边缘资源占用率的同时满足其QoS要求。

本发明的有益效果是：本发明设计了一种基于边缘协作的虚拟计算资源调度架构，充分利用边缘水平智能IOT设备、垂直传感器节点及基础设施的空闲资源，显著提升资源利用率、智能物联网应用的QoS。此外，所提出的算法能够选出最优的计算卸载路径，在保证应用QoS的要求下，最小化应用占用的计算资源，使更多的物联网设备获得计算资源，保证应用的正常运行。

附图说明

图1为本发明具体实施例提供的一种智能物联网应用中的虚拟计算资源调度跨层架构

图2为本发明具体实施例提供的一种基于拓扑排序的任务图分区算法

图3为本发明具体实施例提供的一种最优虚拟机选择方法

具体实施方式

一、虚拟计算资源调度跨层架构

图1为本发明具体实施例提供的一种智能物联网应用中的虚拟计算资源调度跨层架构。如图1所示，在本发明研究的虚拟计算资源调度架构中，智能IOT设备(如智能手机、无人机、VR设备、自动驾驶车辆等)通过蜂窝通信连接到上层具备计算服务器的基站，邻近IOT设备之间通过D2D(Device to Device)、Wi-Fi(Wireless-Fidelity)、ZigBee等短程通信技术实现水平互联。此外，具有一定计算能力的邻近传感器节点通过短程通信技术实现水平互联，或与上层邻近IOT设备连接。在基站的计算服务器中，配备了具有不同计算能力的虚拟机，为不同计算量级的任务提供服务。

不同网络切片的智能IOT设备所运行的应用程序任务(例如智能交通、电子医疗、工业制造)通常具有计算密集和时延敏感的特征，根据应用程序的QoS要求，相应任务需要在一定时限内完成。当邻近有辅助设备(例如空闲设备)可用时，任务设备通过和辅助设备建立D2D通信，以实现计算资源的调度，保证应用程序的QoS要求。由于边缘设备的类型通常是异构的，一些设备例如监控摄像机具有持续的电池供应和计算能力，能够帮助附近资源受限的设备处理卸载任务。当附近有没有可用的辅助设备卸载任务时，任务设备只能选择本地计算或者通过蜂窝网络将计算任务卸载到基站侧。

本发明利用有向无环的任务图描述计算资源的调度过程，在任务图中，节点表示处理任务组件的设备，任务组件指该设备所需执行的部分计算任务；有向边表示数据间的依赖性，即任务数据经过前一节点部分的计算处理后，将任务传输给后续节点进行进一步的计算。此外，任务图中，节点的权重表示设备的计算能力；节点间的边权重定义为在两个相应任务组件间传输的数据量。

对于任务图上某节点给定的任务，任务设备在本地执行计算，也可以任务组件的形式卸载到附近的辅助设备或具备计算服务器的基站。基于此，定义设备m计算所分配任务组件i所需时长为计算时常取决于设备的计算能力；对于卸载到基站的任务，计算时长取决与选择的虚拟机类型，根据选定的虚拟机，计算分配任务组件i所需时长为如前所述，两件节点间进行任务卸载时存在数据依赖关系，数据传输的总时长表示为其中y表示设备节点的位置。

二、基于拓扑排序的任务图分区算法

本发明首先分析基站虚拟机选择固定，即计算能力固定条件下的任务图分区问题，其目标为确定各任务组件的最佳执行位置，最小化计算任务完成时间。

图2为本发明具体实施例提供的一种基于拓扑排序的任务图分区算法。如图2所示，包括拓扑排序及任务图分区两个过程。首先利用任务图的结构属性(无环有向图)对图进行拓扑排序，进而进行任务图分区。如果存在从节点i到节点j的有向边，拓扑排序使得节点i在排序中位于j之前。本发明引用经典的Kahn算法实现任务图的拓扑排序，该算法具有计算复杂度低的优点。通过拓扑排序，获得设备节点排序。定义节点i的所有出向边节点集合为Δ(i)，根据拓扑排序定义可知，如果j∈Δ(i)，则节点i排序在j之前。此外，拓扑排序中的最后一个节点为输出节点。

基于节点的拓扑排序，本发明通过反向归纳法解决任务图分区问题。首先，确定最后一个任务组件的最佳计算位置，以此为基点，通过向前移动逐步确定前一任务组件的最佳计算位置。此外，定义任务组件i从开始被运行，到最后所有任务完成的最短时间为Z(i)。

基于上述定义，从任务组件i开始被运行到最后所有任务完成的时延，取决于节点i输出的瓶颈节点j∈Δ(i)及其后续节点的计算、传输时延。由于数据传输的不稳定性，传输延迟随之动态变化，为了保证数据在时限内完成传输，以最大传输时延为任务的传输时延，可得其中，Z(i)包括计算当前任务组件的时间到下一节点相关数据的传输时间剩余任务组件的最小计算时延Z(j)。然后，令Z(i)值最小的节点即为任务组件i计算的最佳位置。对于所有剩余的任务组件，通过反向归纳，求得相应最佳的计算位置(设备)及最小计算时延。

三、最优虚拟机选择算法

最优虚拟机选择算法旨在保证用户任务完成时延的要求下，最小化对系统(基站)侧虚拟机计算资源的占用率。一方面，从系统的角度出发，最小化基站侧上层计算资源占用率有助于为移动边缘系统中更多的IoT设备提供计算卸载服务。另一方面，从用户的角度出发，占用基站的计算资源越多，支付的费用越高。因此，选择与任务计算量级相匹配的虚拟机，降低支付费用，也是用户的迫切需求。

图3为本发明具体实施例提供的一种最优虚拟机选择方法。如图3所示，包括虚拟机排序及任务图分区两个过程。首先，根据相应的计算资源容量从小到大，对基站提供的所有虚拟机类型进行排序。然后，依次选择虚拟机并利用任务图分区算法来计算任务完成的最低时延。一旦时延达到QoS要求，则停止算法，此时的虚拟机是占用资源最小的最佳选择。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于边缘协作的物联网虚拟计算资源调度方法，其特征在于，所述方法包括：

利用边缘水平智能IOT设备、垂直传感器节点及基础设施的空闲虚拟化资源，建立一种虚拟计算资源调度跨层架构；

基于拓扑排序的任务图分区算法确定各任务组件的最佳执行位置，并最小化计算任务完成时间；

执行最优的虚拟机选择方法，以在保证用户任务完成时延的要求下，最小化对系统侧虚拟机计算资源的占用率。

2.根据权利要求1所述的基于边缘协作的物联网虚拟计算资源调度方法，其特征在于，所述虚拟计算资源调度跨层架构的构件包括：智能IOT设备可通过蜂窝通信连接到上层具备计算服务器的基站，邻近IOT设备之间可通过D2D(Device to Device)、Wi-Fi(Wireless-Fidelity)、ZigBee等短程通信技术实现水平互联以调度资源进行计算卸载，同理，具有一定计算能力的邻近传感器节点可通过短程通信技术实现水平互联，或与上层邻近IOT设备连接以卸载任务；在基站的计算服务器中，配备了具有不同计算能力的虚拟机，为不同计算量级的任务提供卸载服务；当附近有没有可用的辅助设备卸载任务时，任务设备只能选择本地计算或者通过蜂窝网络将计算任务卸载到基站侧。

3.根据权利要求2所述的基于边缘协作的物联网虚拟计算资源调度方法，其特征在于，所述计算资源的调度过程由向无环图表示：在任务图中，节点表示处理任务组件的设备，任务组件指该设备所需执行的部分计算任务；有向边表示数据的依赖性，即任务数据经过前一节点部分的计算处理后，将任务传输给后续节点进行进一步的计算；节点的权重表示设备的计算能力，节点间的边权重定义为在两个相应任务组件间传输的数据量。

4.根据权利要求1所述的基于边缘协作的物联网虚拟计算资源调度方法，其特征在于，所述基于拓扑排序的任务图分区算法，在虚拟机类型固定的前提下，以确定各任务组件的最佳执行位置，最小化计算任务完成时间，具体包括：

利用任务图的结构属性，即无环有向图对图进行拓扑排序，进而进行任务图分区，定义节点i的所有出向边节点集合为Δ(i)，拓扑排序中的最后一个节点为输出节点，基于节点的拓扑排序，通过反向归纳法解决任务图的分区问题：确定最后一个任务组件的最佳计算位置，以此为基点，通过向前移动逐步确定前一任务组件的最佳计算位置；定义任务组件i从开始被运行，到最后所有任务完成的最短时间为其中，Z(i)包括计算当前任务组件的时间T_i ^y、到下一节点相关数据的传输时间剩余任务组件的最小计算时延Z(j)；然后，Z(i)最小的节点即为任务组件i计算的最佳位置；对于所有剩余的任务组件，通过反向归纳，可以求得最佳的计算位置(设备)及相应的最小计算时延。

5.根据权利要求1所述的基于边缘协作的物联网虚拟计算资源调度方法，其特征在于，所述最优的虚拟机选择方法，在保证用户任务完成的时延要求下，最小化对系统(基站)侧虚拟机计算资源的占用率包括：

根据计算资源从小到大，对基站提供的所有虚拟机类型进行排序；

依次选择虚拟机并利用任务图分区算法来计算任务完成的最低时延，一旦时延达到QoS要求，则停止算法，此时的虚拟机是占用资源最小的最佳选择。