CN110290556A - 一种基于最优控制变分法的资源负载均衡调度方法 - Google Patents
一种基于最优控制变分法的资源负载均衡调度方法 Download PDFInfo
- Publication number
- CN110290556A CN110290556A CN201910402574.4A CN201910402574A CN110290556A CN 110290556 A CN110290556 A CN 110290556A CN 201910402574 A CN201910402574 A CN 201910402574A CN 110290556 A CN110290556 A CN 110290556A
- Authority
- CN
- China
- Prior art keywords
- server
- optimum control
- task
- state
- method based
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Multi Processors (AREA)
Abstract
本发明公开了一种基于最优控制变分法的资源负载均衡调度方法,包括步骤:1.获取每个边缘计算服务器的CPU使用率等信息;2.根据步骤1中获取的信息建立状态空间表达式,进而建立状态变量;3.根据步骤1中的信息建立各个状态的期望值;4.由步骤3的期望值补全步骤2中的状态方程;5.根据网络拓扑图和步骤3的期望值构建性能指标函数;6.计算最优控制以及最优轨线。本发明能够应对多种使用情景并可考虑多种影响因素,变分法能动态调整负载均衡方案,能有效降低服务器的负荷与减少闲置资源。
Description
技术领域
本发明属于移动边缘计算领域,是资源调度方法,适用于小型基站(small-cellbase stations)环境中。特别适合局域网内的小型基站负载均衡。
背景技术
随着移动终端设备的普及和移动互联网流量的迅速增长,距离移动终端较近的边缘计算服务器可以满足移动终端的密集型计算任务以及对网络延迟的严苛要求,例如VR任务、移动端网络游戏和超高清视频播放。负载均衡方法能充分利用各个边缘计算服务器的计算资源以解决边缘计算服务器计算与存储资源较少的缺点。负载均衡方法的关键在于尽可能降低服务器的负荷与减少闲置资源。
目前主流的负载均衡的策略有同级任务卸载,它采用转发计算任务的方法,将负荷较高的服务器的任务转移到负荷较低的服务器上,降低了计算延迟与提高服务器的利用率。由于卸载的任务的接收服务器的选择带有一定的随机性,并不能充分利用所有的闲置资源,或者相同任务多次转发而增加网络延迟。影响移动终端任务处理的因素包括边缘计算服务器的CPU使用率、内存与硬盘占用率和网络延迟等,仅考虑某几项因素而忽视其他因素依旧会导致处理任务能力下降。此外,也要考虑不同环境下各种因素所占的比重。
当前负载均衡方法大多采用同级卸载的方式,即将超负荷处理器的计算任务卸载到未超负荷的服务器上,但卸载过程中计算任务的传输速度为固定的,且未考虑此过程中造成的网络拥堵,并且在选择接收计算任务的服务器上有一定的随机性,因而不能充分利用闲置服务器的资源。
基于以上负载均衡方法,有很多改进方式,但这些方法缺少影响因素的比重调节,或不能将多种因素考虑在内。
综合以上情况,需要提出一种负载均衡方法,它能够应对多种使用情景并可考虑多种影响因素。
发明内容
针对上述问题,本发明提出一种基于最优控制变分方法的边缘计算服务器的负载均衡方法,以解决边缘服务器计算能力不足和资源限制的问题,该方法包括如下步骤:
(1)获取每个边缘计算服务器的CPU使用率C%、内存占用率R%、硬盘占用率D%。
(2)根据服务器的CPU使用率、内存占用率、硬盘占用率、网络状况建立状态空间表达式,进而建立状态变量:x=Ax。
(3)根据当前的CPU使用率、内存占用率、硬盘占用率计算出相应的CPU使用率、内存占用率、硬盘占用率的期望值(目标集S)。
(4)由(3)中的期望补全(2)中建立的状态方程,为
(5)根据网络拓补图、(3)中的期望构建性能指标J。
(6)计算出最优控制u*(t)所对应的最优轨线x*(t)。
进一步,步骤1中,所述信息数据包括:
每个边缘计算服务器的CPU使用率C%、内存占用率R%、硬盘占用率D%。
进一步,步骤1的具体过程包括:
步骤1.1,实时监控各个服务器的状态;
步骤1.2,若某服务器的CPU使用率超过预先设定的阈值,则将该服务器设定义为超负荷服务器;
步骤1.3,若期望值高于阈值,则重新调整阈值,重复步骤1.2。
进一步,步骤2中,状态变量h为处理每个任务所需的时钟周期个数;λi(t)为终端设备在t时刻到服务器xi的任务数量,且λ(t)服从泊松分布;为t时刻到达λi(t)个任务时所经过的时间间隔。
进一步,步骤4的具体过程包括:
步骤4.1,根据需要同级卸载的服务器及接收同级卸载任务的服务器,补全的状态变量uij(t)为t时刻服务器xi将任务卸载到服务器xj的数量,若xi为超负荷服务器,则uij(t)正负,否则为正。为t时刻到达λi(t)+uij(t)个任务时所经过的时间间隔;
步骤4.2,根据步骤4.1的状态变量建立状态空间:
进一步,步骤5的具体过程包括:
步骤5.1,根据网络拓扑图,计算当前每次任务卸载造成的网络延时ND;
步骤5.2,计算当前服务器的计算延时CD;
步骤5.3,根据当前的服务器状态与期望的服务器状态建立同级卸载任务的控制向量u(t);
步骤5.4,由控制向量u(t)与网络延时ND与计算延时CD建立性能指标J(u(t)),
进一步,步骤5.4的具体步骤包括:
步骤5.4.1,设服务器xi在t时刻接收到来自其他服务器的同级卸载任务数量为若每个任务的大小(bit)服从指数分布,则网络延时可被建为M/M/1排队模型,为其中τ为服务器xi没有延迟的情况下发送并接收s比特的延时;
步骤5.4.2,设服务器xi的CPU的运算速度为常数、任务的到来服从泊松分布、每个占有的CPU周期服从泊松分布,则有M/M/1排队模型得每个任务造成的计算延时其中,为服务器xi接收到的同级卸载任务的平均数量。
进一步,步骤6的具体情况包括:
步骤6.1,建立系统的状态方程为
步骤6.2,系统在t=T时达到负载平衡,由此获得泛函向量形式为G(x(t))=0此时x(T)的取值集合为S={x(T)|G(x(t))=0},则性能指标泛函为
步骤6.3,求解最优控制:构造哈密顿函数,令
其中λ(t)为拉格朗日乘子函数;
步骤6.4,引入的状态约束的拉格朗日乘子函数λ(t)和末态x(T)约束的拉格朗日乘子向量μ将性能指标泛函结合为新的泛函:
为方便计算,将写为J;
步骤6.5,求解最优控制:求解J的变分δJ;
终点的变分和变分在终点的值之间的关系有:
将(1)、(2)代入δJ中,得
令
由于δu和δT的任意性,得
为使u(t)为最优控制,x(t)为最优轨线,必存在向量函数λ(t),满足正则方程和相应的边界条件
式中H为哈密顿函数,且对最优控制有稳定值并在时间终点有
步骤6.6,根据以上步骤可求得最优控制轨线u*(t)以及对应的最优轨线x*(t)。
本发明的有益效果:
本发明针对现有技术的缺陷,将所有的服务器(非高负荷)选择为接收服务器,使用最优控制的变分算法动态的调整同级任务卸载过程、降低由此造成的网络延迟并且尽可能降低服务器的负荷与减少闲置资源。
附图说明
图1负载均衡方法流程图
图2计算延时与网络延时的排队模型
图3负载均衡操作可视化(理想情况)
具体实施方式
下面结合附图对本发明做进一步的说明,需要说明的是,本实例的具体实施是以本技术为前提,给出了详尽的实施过程和实施步骤,但是本发明的保护范围并不受限于本实施实例。
如图1所示,本发明方法具体实施如下:
(1)获取每个边缘计算服务器的CPU使用率C%、内存占用率R%、硬盘占用率D%。具体如下:
(1-1)实时监控各个服务器的状态,如:服务器xi的CPU使用率内存占用率硬盘占用率
(1-2)以CPU使用率C%为例,如图3中的阈值线所示,若服务器xi的CPU使用率超过预先设定的阈值则将服务器xi设定义为超负荷服务器。
(1-3)若则重新调整阈值Cmax%后再次回到(1-2)
(2)根据服务器的CPU使用率、内存占用率、硬盘占用率、网络状况建立状态空间表达式,进而建立状态变量:具体如下:
xi的状态变量设处理每个任务的所需h个时钟周期;令λi(t)为终端设备在t时刻到服务器xi的任务数量,且λ(t)服从泊松分布。为t时刻到达λi(t)个任务时所经过的时间间隔。
(3)求出所有服务器的CPU使用率的平均值Ce%,以此作为目标集S,S={x1=Ce%,x2=Ce%,…,xi=Ce%}。
(4)补全步骤(2)中建立的状态方程,为具体地:
(4-1)根据需要同级卸载的服务器及接收同级卸载任务的服务器,补全的状态变量:uij(t)为t时刻服务器xi将任务卸载到服务器xj的数量,若xi为超负荷服务器,则uij(t)正负,否则为正。为t时刻到达λi(t)+uij(t)个任务时所经过的时间间隔。
(4-2)根据(4-1)的状态变量建立状态空间:其中
(5)根据网络拓补图、步骤(3)中的期望构建性能指标J。具体如下:
(5-1)假设服务器xi在t时刻接收到来自其他服务器的同级卸载任务数量为若每个任务的大小(bit)服从指数分布,则网络延时可被建为M/M/1排队模型,如图2所示,为其中τ为服务器xi没有延迟的情况下发送并接收s比特的延时。
(5-2)假设服务器xi的CPU的运算速度为常数、任务的到来服从泊松分布、每个占有的CPU周期服从泊松分布,如图2所示,则有M/M/1排队模型得每个任务造成的计算延时为其中,为服务器xi接收到的同级卸载任务的平均数量。
(5-3)根据当前的服务器状态与期望的服务器状态建立同级卸载任务的控制向量u(t),则约束条件为ξND(u(t))+CD(u(t)),其中ξ为加权系数则其中ND(u(t))={ND1(u1·(t)),
(6)根据性能指标J计算出最优控制u*(t)所对应的最优轨线x*(t)。具体步骤如下:
(6-1)综合以上步骤,得系统的状态方程为
(6-2)假设在系统在T时刻达到负载平衡,即t=T,由此获得泛函向量形式为G(x(t))=0,此时x(T)的取值集合为S={x(T)|G(x(t))=0},则性能指标泛函为
(6-3)求解最优控制:构造哈密顿函数,令
其中λ(t)为拉格朗日乘子函数。
(6-4)引入的状态约束的拉格朗日乘子函数λ(t)和末态x(T)约束的拉格朗日乘子向量μ将性能指标泛函结合为新的泛函:
为方便计算,将写为J。
(6-5)求解最优控制:求解J的变分δJ。
终点的变分和变分在终点的值之间的关系有:
将(1)、(2)代入δJ中,得
令
由于δu和δT的任意性,可得
为使u(t)为最优控制,x(t)为最优轨线,必存在向量函数λ(t),满足正则方程和相应的边界条件
式中H为哈密顿函数,且对最优控制有稳定值并在时间终点有
(6-6)求解且满足边界条件即可求得最优控制轨线u*(t);求解且满足边界条件以及对应的最优轨线x*(t)。最优控制的效果如图3所示。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,包括如下步骤:
步骤1,实时获取局域网内各个服务器信息数据;
步骤2,根据步骤1中获取的数据建立状态变量
步骤3,根据步骤1中获取的数据计算期望值Ce%,并建立目标集S;
步骤4,根据步骤3的期望值补全步骤2的状态变量并建立状态方程
步骤5,根据步骤3中的期望值与网络拓扑图构建性能指标J;
步骤6,计算出最优控制u*(t)所对应的最优轨线x*(t)。
2.根据权利要求1所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤1中,所述信息数据包括:
每个边缘计算服务器的CPU使用率C%、内存占用率R%、硬盘占用率D%。
3.根据权利要求1所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤1的具体过程包括:
步骤1.1,实时监控各个服务器的状态;
步骤1.2,若某服务器的CPU使用率超过预先设定的阈值,则将该服务器设定义为超负荷服务器;
步骤1.3,若期望值高于阈值,则重新调整阈值,重复步骤1.2。
4.根据权利要求1所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤2中,状态变量h为处理每个任务所需的时钟周期个数;λi(t)为终端设备在t时刻到服务器xi的任务数量,且λ(t)服从泊松分布;为t时刻到达λi(t)个任务时所经过的时间间隔。
5.根据权利要求1所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤4的具体过程包括:
步骤4.1,根据需要同级卸载的服务器及接收同级卸载任务的服务器,补全的状态变量uij(t)为t时刻服务器xi将任务卸载到服务器xj的数量,若xi为超负荷服务器,则uij(t)正负,否则为正。为t时刻到达λi(t)+uij(t)个任务时所经过的时间间隔;
步骤4.2,根据步骤4.1的状态变量建立状态空间:
6.根据权利要求1所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤5的具体过程包括:
步骤5.1,根据网络拓扑图,计算当前每次任务卸载造成的网络延时ND;
步骤5.2,计算当前服务器的计算延时CD;
步骤5.3,根据当前的服务器状态与期望的服务器状态建立同级卸载任务的控制向量u(t);
步骤5.4,由控制向量u(t)与网络延时ND与计算延时CD建立性能指标J,
7.根据权利要求6所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤5.4的具体情况包括:
步骤5.4.1,设服务器xi在t时刻接收到来自其他服务器的同级卸载任务数量为若每个任务的大小(bit)服从指数分布,则网络延时可被建为M/M/1排队模型,为其中τ为服务器xi没有延迟的情况下发送并接收s比特的延时;
步骤5.4.2,设服务器xi的CPU的运算速度为常数、任务的到来服从泊松分布、每个占有的CPU周期服从泊松分布,则有M/M/1排队模型得每个任务造成的计算延时其中,为服务器xi接收到的同级卸载任务的平均数量。
8.根据权利要求1所述的一种基于最优控制变分法的资源负载均衡调度方法,其特征在于,步骤6的具体情况包括:
步骤6.1,建立系统的状态方程为
步骤6.2,系统在t=T时达到负载平衡,由此获得泛函向量形式为G(x(t))=0此时x(T)的取值集合为S={x(T)|G(x(t))=0},则性能指标泛函为
步骤6.3,求解最优控制:构造哈密顿函数,令
其中λ(t)为拉格朗日乘子函数;
步骤6.4,引入的状态约束的拉格朗日乘子函数λ(t)和末态x(T)约束的拉格朗日乘子向量μ将性能指标泛函结合为新的泛函:为方便计算,将写为J;
步骤6.5,求解最优控制:求解J的变分δJ;
终点的变分和变分在终点的值之间的关系有:
将(1)、(2)代入δJ中,得
令
由于δu和δT的任意性,得
为使u(t)为最优控制,x(t)为最优轨线,必存在向量函数λ(t),满足正则方程和相应的边界条件
式中H为哈密顿函数,且对最优控制有稳定值并在时间终点有
步骤6.6,根据以上步骤可求得最优控制轨线u*(t)以及对应的最优轨线x*(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402574.4A CN110290556B (zh) | 2019-05-15 | 2019-05-15 | 一种基于最优控制变分法的资源负载均衡调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402574.4A CN110290556B (zh) | 2019-05-15 | 2019-05-15 | 一种基于最优控制变分法的资源负载均衡调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110290556A true CN110290556A (zh) | 2019-09-27 |
CN110290556B CN110290556B (zh) | 2022-10-25 |
Family
ID=68002069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910402574.4A Active CN110290556B (zh) | 2019-05-15 | 2019-05-15 | 一种基于最优控制变分法的资源负载均衡调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110290556B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809148A (zh) * | 2023-01-16 | 2023-03-17 | 中国华能集团清洁能源技术研究院有限公司 | 一种面向边缘计算的负载均衡任务调度方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036979A (zh) * | 2012-12-12 | 2013-04-10 | 广州尚融网络科技有限公司 | 一种服务器负载均衡方法及负载均衡器 |
CN106648890A (zh) * | 2016-12-06 | 2017-05-10 | 中国科学院重庆绿色智能技术研究院 | 一种能耗感知的云计算服务器资源在线管理方法和系统 |
CN107645540A (zh) * | 2017-08-21 | 2018-01-30 | 西安交大捷普网络科技有限公司 | web应用系统的负载均衡方法 |
CN109600402A (zh) * | 2017-09-30 | 2019-04-09 | 上海波克城市网络科技股份有限公司 | 服务器负载均衡方法及装置、存储介质、服务器、服务系统 |
-
2019
- 2019-05-15 CN CN201910402574.4A patent/CN110290556B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036979A (zh) * | 2012-12-12 | 2013-04-10 | 广州尚融网络科技有限公司 | 一种服务器负载均衡方法及负载均衡器 |
CN106648890A (zh) * | 2016-12-06 | 2017-05-10 | 中国科学院重庆绿色智能技术研究院 | 一种能耗感知的云计算服务器资源在线管理方法和系统 |
CN107645540A (zh) * | 2017-08-21 | 2018-01-30 | 西安交大捷普网络科技有限公司 | web应用系统的负载均衡方法 |
CN109600402A (zh) * | 2017-09-30 | 2019-04-09 | 上海波克城市网络科技股份有限公司 | 服务器负载均衡方法及装置、存储介质、服务器、服务系统 |
Non-Patent Citations (1)
Title |
---|
ERSHUAI PENG 等: "Optimal Control-based Computing Task Scheduling in Software-Defined Vehicular Edge Networks", 《2020 INTERNATIONAL CONFERENCE ON INTERNET OF THINGS AND INTELLIGENT APPLICATIONS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809148A (zh) * | 2023-01-16 | 2023-03-17 | 中国华能集团清洁能源技术研究院有限公司 | 一种面向边缘计算的负载均衡任务调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110290556B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
Ranadheera et al. | Mobile edge computation offloading using game theory and reinforcement learning | |
CN109343904B (zh) | 一种基于Lyapunov优化的雾计算动态卸载方法 | |
CN111400001B (zh) | 一种面向边缘计算环境的在线计算任务卸载调度方法 | |
CN109756578B (zh) | 一种面向动态雾计算网络的低时延任务调度方法 | |
Lin et al. | Cloud fog: Towards high quality of experience in cloud gaming | |
CN114340016B (zh) | 一种电网边缘计算卸载分配方法及系统 | |
CN113810233B (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN104461673B (zh) | 一种虚拟机迁移判定方法及装置 | |
CN113660325B (zh) | 一种基于边缘计算的工业互联网任务卸载策略 | |
CN112261120B (zh) | 一种配电物联网云边协同任务卸载方法及装置 | |
CN113364630A (zh) | 一种服务质量QoS差异化优化方法、装置 | |
CN113993218A (zh) | 一种mec架构下基于多智能体drl的协作卸载和资源分配方法 | |
CN112799823A (zh) | 边缘计算任务的在线分派调度方法和系统 | |
CN112256413A (zh) | 基于物联网的边缘计算任务的调度方法和装置 | |
CN110809291A (zh) | 基于能量采集设备的移动边缘计算系统双层负载平衡方法 | |
CN110290556A (zh) | 一种基于最优控制变分法的资源负载均衡调度方法 | |
CN113766037A (zh) | 面向大规模边缘计算系统的任务卸载控制方法及系统 | |
CN115809148B (zh) | 一种面向边缘计算的负载均衡任务调度方法及装置 | |
WO2023116460A1 (zh) | 移动边缘计算环境下多用户多任务计算卸载方法及系统 | |
CN113518112B (zh) | 基于多智能体强化学习的无线充电设备协作任务卸载策略 | |
CN114706673A (zh) | 一种移动边缘计算网络中考虑任务延时和服务器成本的任务分配方法 | |
CN114466023A (zh) | 面向大规模边缘计算系统的计算服务动态定价方法及系统 | |
CN117834643B (zh) | 一种面向工业物联网的深度神经网络协同推理方法 | |
CN117155798B (zh) | 面向资源受限的云-边协同实时调度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |