CN109828838A - 一种资源分配和任务调度多目标协同处理方法 - Google Patents
一种资源分配和任务调度多目标协同处理方法 Download PDFInfo
- Publication number
- CN109828838A CN109828838A CN201811548353.XA CN201811548353A CN109828838A CN 109828838 A CN109828838 A CN 109828838A CN 201811548353 A CN201811548353 A CN 201811548353A CN 109828838 A CN109828838 A CN 109828838A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- production
- resource allocation
- task schedule
- task
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息技术领域,具体涉及一种资源分配和任务调度多目标协同处理方法,包括以下步骤:S1:通过环境知识模块,存储系统所积累的长期不变的情景知识,利用机器学习方法,提取环境特征和应用特征,作为描述性知识以元组形式组成知识块进行存储;S2:通过任务调度模块和资源分配模块以条件‑动作的形式对过程性知识进行存储,在计算的过程中,将计算环境模块中的知识块与任务调度模块和资源分配模块中的所有产生式进行匹配,如果某个产生式前提条件被满足,该产生式规则将被触发,进行产生式规则的更新。本发明可以实现系统连续场景监测认知和资源分配与任务调度协同操作,达到边云协同自行适应的目的。
Description
技术领域
本发明涉及信息技术领域,具体而言,涉及一种资源分配和任务调度多目标协同处理方法。
背景技术
边缘计算与云计算是相辅相成的关系,边云协同是边缘计算与云计算相结合的产物,二者的有机结合将更大提升边缘计算在万物互联时代的信息处理效率。在边云协同环境下,如何调度计算资源是重要挑战之一。边云协同环境下的任务调度与资源分配有关,任务调度策略可以保证系统中某个应用在执行过程中所使用的资源。任务调度策略最大化的利用有限的计算资源来提高应用程序在边缘计算环境下的可执行性,提高应用程序的运行效率,以及占用资源的最小化,同时对于计算资源提供者或者服务提供商而言,又需要通过调度策略实现其资源利益的最大化,因此需要对边缘计算系统中应用执行情况以及变化情况进行实时监测和跟踪,实现动态的调度应用程序及其执行所需要的资源。
已有的研究工作表明,边云协同环境下的任务调度和资源分配策略多被分开来实现。具体而言,每个应用由一种图形结构来表示,其中每个节点表示应用程序的组成部分,不同节点之间的边表示二者之间的通信;同时,节点表示包括服务器在内的计算资源,节点之间的边代表二者之间的关联关系,这样,将应用程序对资源的分配和任务调度问题都被分别转化成了资源节点到应用程序之间的映射关系。
现有的研究工作,在进行任务调度时无法做到资源分配效益的最大化。而资源优化时亦无法考虑到任务调度的动态性,缺乏一个可对应用执行情况及变化进行实时监测跟踪,对于任务调度和资源分配进行协同处理的通用框架模型。
发明内容
为解决上述背景技术中存在的问题,本发明提出一种资源分配和任务调度多目标协同处理方法,其基于认知计算框架,通过对应用执行情况以及变化情况进行实时监测跟踪,不断更新记忆计算情景知识,以及任务调度和资源分配两类(条件-动作)产生式规则的更新,不断触发各个模块相互配合,可以实现系统连续场景监测认知和资源分配与任务调度协同操作,达到边云协同自行适应的目的。
本发明解决上述问题的技术方案是:一种基于规则进化的边云协同体系,其特殊之处在于,包括以下步骤:
S1:通过环境知识模块,存储系统所积累的长期不变的情景知识,利用机器学习方法,提取环境特征和应用特征,作为描述性知识(Declarative Knowledge)以元组形式组成知识块(Knowledge Chunks)进行存储;
S2:通过任务调度模块和资源分配模块以条件-动作的形式对过程性知识(Procedural Knowledge)进行存储,在计算的过程中,当协同系统试图完成某个任务,就将计算环境模块中的知识块与任务调度模块和资源分配模块中的所有产生式进行匹配,如果某个产生式前提条件被满足,该产生式规则将被触发,进行相应的规则更新,以此实现资源分配和任务调度的多任务连续交错控制。
进一步地,上述步骤S1中:
提取环境特征和应用特征是指从数据驱动模块识别出的协同场景提取环境特征和应用特征。
进一步地,上述S2中,相应的规则更新,包括:程序化更新和/或组合化更新和/或泛化更新和/或类比化更新。
进一步地,上述步骤S2中,
所述程序化更新,具体指:中央产生式系统在多次执行某一确切的任务时,在产生式系统中可能出现新的产生式规则,从而跳过之前的费力产生方法。
进一步地,上述步骤S2中,
所述组合化更新,具体指:如果两个产生式规则按照顺序执行,则该规则可以组合制作,由于每一个产生式规则的执行都需要成本,组合后,在一个步骤里面执行两个规则,可以潜在的节省包括时间,空间在内的计算资源。
进一步地,上述步骤S2中,
所述泛化更新,具体指:当系统存储了类似的产生式规则时,会发生泛化,从中可以归纳地学习更多的一般规则。
进一步地,上述步骤S2中,
所述类比化更新,具体指:当出现一个新问题时,没有解决方案(以产生式规则的形式),系统可以通过类比从先前看到的示例解决方案得到类似问题的产生式规则。
本发明的优点:
本发明一种资源分配和任务调度多目标协同处理方法,基于认知计算框架,通过对应用执行情况以及变化情况进行实时监测跟踪,不断更新记忆计算情景知识,以及任务调度和资源分配两类(条件-动作)产生式规则的更新,不断触发各个模块相互配合,可以实现系统连续场景监测认知和资源分配与任务调度协同操作,达到边云协同自行适应的目的。
附图说明
图1是本发明资源分配和任务调度多目标协同处理方法流程图;
图2是本发明提供的实施例的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
参见图1,一种资源分配和任务调度多目标协同处理方法,包括以下步骤:
S1:通过环境知识模块,存储系统所积累的长期不变的情景知识,利用机器学习方法,提取环境特征和应用特征,作为描述性知识(Declarative Knowledge)以元组形式组成知识块(Knowledge Chunks)进行存储;
S2:通过任务调度模块和资源分配模块以条件-动作的形式对过程性知识(Procedural Knowledge)进行存储,在计算的过程中,当协同系统试图完成某个任务,就将计算环境模块中的知识块与任务调度模块和资源分配模块中的所有产生式进行匹配,如果某个产生式前提条件被满足,该产生式规则将被触发,进行相应的规则更新,以此实现资源分配和任务调度的多任务连续交错控制。
进一步地,上述步骤S1中的提取环境特征和应用特征具体指:指从数据驱动模块识别出的协同场景提取环境特征和应用特征。
进一步地,上述S2中,相应的规则更新,包括:程序化更新和/或组合化更新和/或泛化更新和/或类比化更新。
进一步地,上述步骤S2中的所述程序化更新,具体指:中央产生式系统在多次执行某一确切的任务时,在产生式系统中可能出现新的产生式,从而跳过之前的费力产生方法。
进一步地,上述步骤S2中,所述组合化更新,具体指:如果两个产生式规则按照顺序执行,则该规则可以组合制作,由于每一个产生式规则的执行都需要成本,组合后,在一个步骤里面执行两个规则,可以潜在的节省包括时间,空间在内的计算资源。
进一步地,上述步骤S2中,所述泛化更新,具体指:当系统存储了类似的产生式规则时,会发生泛化,从中可以归纳地学习更多的一般规则。
进一步地,本实施例中,上述步骤S2中,所述类比化更新,具体指:当出现一个新问题时,没有解决方案(以产生式规则的形式),系统可以通过类比从先前看到的示例解决方案得到类似问题的产生式规则。
实施例:
表1:一套可进行计算卸载的产生式规则
如图2:本示例使用表1的规则,实现了一个动态的“分配-调度-卸载”的过程。首先根据卸载规则,将子目标“任务调度”压入目标栈,然后将刻画场景的“任务图”(表示任务图模型已经生成)和“性能表现”(表示性能表现需要优化)置入描述性知识模块。由于新目标和新知识块的加入,计算分割规则的前提条件已经被满足,规则于是受激执行,将新的子目标“资源分配”压入目标栈。资源分配规则被激发执行,实现资源优化,优化后的应用与资源特征(“CPU利用率大于60%,网络带宽小于30%”)重新由数据驱动模块送入环境知识,在子目标“资源分配”退栈之后,激发优化环境下的分割计算,分割计算完成任务图的分割,从目标栈弹出子目标“任务调度”,此时目标栈顶只有目标“计算卸载”,由于任务调度已经完成,则其被激发,实现资源优化后的计算卸载。
本发明也适用于在多任务执行行为、教育(智能辅导系统)、认知心理学(学习记忆)、人机交互(自动驾驶)等领域。
以上所述仅为本发明的实施例,并非以此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的系统领域,均同理包括在本发明的保护范围内。
Claims (7)
1.一种资源分配和任务调度多目标协同处理方法,其特殊之处在于,包括以下步骤:
S1:通过环境知识模块,存储系统所积累的长期不变的情景知识,利用机器学习方法,提取环境特征和应用特征,作为描述性知识以元组形式组成知识块进行存储;
S2:通过任务调度模块和资源分配模块以条件-动作的形式对过程性知识进行存储,在计算的过程中,当协同系统试图完成某个任务,就将计算环境模块中的知识块与任务调度模块和资源分配模块中的所有产生式进行匹配,如果某个产生式前提条件被满足,该产生式规则将被触发,进行相应的规则更新,以此实现资源分配和任务调度的多任务连续交错控制。
2.根据权利要求1所述的一种资源分配和任务调度多目标协同处理方法,其特殊之处在于:步骤S1中:
提取环境特征和应用特征是指从数据驱动模块识别出的协同场景提取环境特征和应用特征。
3.根据权利要求1所述的一种资源分配和任务调度多目标协同处理方法,其特殊之处在于:步骤S2中,
所述进行相应的规则更新,包括:程序化更新和/或组合化更新和/或泛化更新和/或类比化更新。
4.根据权利要求3所述的一种资源分配和任务调度多目标协同处理方法,其特殊之处在于:步骤S2中,
所述程序化更新,具体指:中央产生式系统在多次执行某一确切的任务时,在产生式系统中可能出现新的产生式,从而跳过之前的费力产生方法。
5.根据权利要求3所述的一种资源分配和任务调度多目标协同处理方法,其特殊之处在于:步骤S2中,
所述组合化更新,具体指:如果两个产生式规则按照顺序执行,则该规则可以组合制作,由于每一个产生式规则的执行都需要成本,组合后,在一个步骤里面执行两个规则,可以潜在的节省包括时间,空间在内的计算资源。
6.根据权利要求3所述的一种资源分配和任务调度多目标协同处理方法,其特殊之处在于:步骤S2中,
所述泛化更新,具体指:当系统存储了类似的产生式规则时,会发生泛化,从中可以归纳地学习更多的一般规则。
7.根据权利要求3所述的一种资源分配和任务调度多目标协同处理方法,其特殊之处在于:步骤S2中,
所述类比化更新,具体指:当出现一个新问题时,没有解决方案,系统可以通过类比从先前看到的示例解决方案得到类似问题的产生式规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811548353.XA CN109828838A (zh) | 2018-12-18 | 2018-12-18 | 一种资源分配和任务调度多目标协同处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811548353.XA CN109828838A (zh) | 2018-12-18 | 2018-12-18 | 一种资源分配和任务调度多目标协同处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109828838A true CN109828838A (zh) | 2019-05-31 |
Family
ID=66859227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811548353.XA Pending CN109828838A (zh) | 2018-12-18 | 2018-12-18 | 一种资源分配和任务调度多目标协同处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828838A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833022A (zh) * | 2020-07-17 | 2020-10-27 | 海南大学 | 跨数据、信息、知识模态与量纲的任务处理方法及组件 |
CN113240287A (zh) * | 2021-05-17 | 2021-08-10 | 北京航空航天大学 | 一种基于供需关系的制造服务自适应调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08272617A (ja) * | 1995-04-04 | 1996-10-18 | Nissan Diesel Motor Co Ltd | エキスパートシステム構築装置 |
CN102317915A (zh) * | 2009-02-16 | 2012-01-11 | 英科伦有限责任公司 | 分析系统的实时能力的方法 |
CN103019650A (zh) * | 2012-12-21 | 2013-04-03 | 大唐软件技术股份有限公司 | 一种业务协同的处理方法及装置 |
CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
CN108268951A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 基于海量数据的知识推理系统的构建方法、系统和装置 |
-
2018
- 2018-12-18 CN CN201811548353.XA patent/CN109828838A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08272617A (ja) * | 1995-04-04 | 1996-10-18 | Nissan Diesel Motor Co Ltd | エキスパートシステム構築装置 |
CN102317915A (zh) * | 2009-02-16 | 2012-01-11 | 英科伦有限责任公司 | 分析系统的实时能力的方法 |
CN103019650A (zh) * | 2012-12-21 | 2013-04-03 | 大唐软件技术股份有限公司 | 一种业务协同的处理方法及装置 |
CN108268951A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 基于海量数据的知识推理系统的构建方法、系统和装置 |
CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
Non-Patent Citations (1)
Title |
---|
爱萌: "机器学习背后的统计思想", 《数据科学与人工智能》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833022A (zh) * | 2020-07-17 | 2020-10-27 | 海南大学 | 跨数据、信息、知识模态与量纲的任务处理方法及组件 |
CN113240287A (zh) * | 2021-05-17 | 2021-08-10 | 北京航空航天大学 | 一种基于供需关系的制造服务自适应调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270488B (zh) | 无人机集群任务分配方法、装置及无人机集群系统 | |
CN109062700A (zh) | 一种基于分布式系统的资源管理方法及服务器 | |
CN114610474B (zh) | 一种异构超算环境下多策略的作业调度方法及系统 | |
DE102020108374A1 (de) | Verfahren und vorrichtung zur laufzeitmehrfachplanung von software, die in einem heterogenen system ausgeführt wird | |
Aliyu et al. | Efficient metaheuristic population-based and deterministic algorithm for resource provisioning using ant colony optimization and spanning tree | |
CN110414682B (zh) | 神经信念推理器 | |
CN109828838A (zh) | 一种资源分配和任务调度多目标协同处理方法 | |
CN112801539A (zh) | 无人机集群任务的柔变网络架构动态调度模型 | |
LiWang et al. | Multi-task offloading over vehicular clouds under graph-based representation | |
CN112580943A (zh) | 一种应用于无人机集群的任务分解与能力匹配方法 | |
Mualla et al. | Human-agent Explainability: An Experimental Case Study on the Filtering of Explanations. | |
Long et al. | A novel fault-tolerant approach to web service composition upon the edge computing environment | |
Barry et al. | Streamai: Dealing with challenges of continual learning systems for serving ai in production | |
Shamszaman et al. | Enabling cognitive contributory societies using SIoT:: QoS aware real-time virtual object management | |
CN113377503A (zh) | 一种协作式ai的任务调度方法、装置与系统 | |
Tuli et al. | Optimizing the Performance of Fog Computing Environments Using AI and Co-Simulation | |
CN112149826B (zh) | 深度神经网络推理计算中一种基于Profile图的优化方法 | |
Waris et al. | Community of practice for product innovation towards the establishment of industry 4.0 | |
CN113537504A (zh) | 一种基于边缘节点的迁移学习方法、装置与系统 | |
CN109873856A (zh) | 一种基于规则进化的边云协同方法 | |
Li et al. | An optimal online distributed auction algorithm for multi-uav task allocation | |
CN109214450A (zh) | 一种基于贝叶斯程序学习算法的无人系统资源分配方法 | |
CN113298176B (zh) | 异构模型自适应协作方法 | |
CN109445946A (zh) | 一种无人机云端任务部署方法及装置 | |
CN115858131B (zh) | 一种任务执行方法、系统、设备及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |
|
RJ01 | Rejection of invention patent application after publication |