CN110362952B - 一种快速计算任务分流方法 - Google Patents

一种快速计算任务分流方法 Download PDF

Info

Publication number
CN110362952B
CN110362952B CN201910672309.8A CN201910672309A CN110362952B CN 110362952 B CN110362952 B CN 110362952B CN 201910672309 A CN201910672309 A CN 201910672309A CN 110362952 B CN110362952 B CN 110362952B
Authority
CN
China
Prior art keywords
cost
formula
cloud server
calculation
computing
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.)
Active
Application number
CN201910672309.8A
Other languages
English (en)
Other versions
CN110362952A (zh
Inventor
张�成
古博
马良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910672309.8A priority Critical patent/CN110362952B/zh
Publication of CN110362952A publication Critical patent/CN110362952A/zh
Application granted granted Critical
Publication of CN110362952B publication Critical patent/CN110362952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313Resource planning in a project environment
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种快速计算任务分流方法,先建立参数化系统大数据模型,然后参数化云服务器计算过程,再基于云计算给出成本公式,然后运用蒙特卡洛(Monte Carlo)思想设计分流算法,最后按照分流算法对快速计算任务进行分流;通过细化经济成本公式,充分考虑金钱花费这一重要因素,以降低经济成本;本方法针对多设备系统的大数据计算,充分考虑到使用云服务器进行计算迁移时消耗的时间,能量和经济成本,并基于蒙特卡洛思想给出了分流算法以得到理想决策。

Description

一种快速计算任务分流方法
技术领域
本发明涉及云计算技术领域,尤其涉及的是一种快速计算任务分流方法。
背景技术
当本地服务器计算能力有限时,系统面临是否将计算任务分流至云服务器的问题,并涉及时间延迟,能量消耗,经济成本诸多待衡量因素。计算迁移可解决本地服务器计算资源受限的困扰,它将密集的计算任务从本地发送到远程设备即云端服务器执行,但这一操作涉及成本问题。
如专利CN 105335215 A(公布日 2016.2.17)公开了“一种基于云计算的蒙特卡洛仿真加速方法及系统”,该专利公开了在云端设置仿真用的虚拟服务器,再利用蒙特卡洛法随机生成仿真参数,但该专利完全未考虑数据传输过程。
又如专利CN 105100500 A(公布日 2015.11.25)公开了“基于移动云计算的临界数据卸载方法”,该专利虽然可以解决临界数据卸载,即决策是否上传数据云计算的问题,但该专利完全未考虑使用云服务器的经济成本,且其运用的蒙特卡洛估计法仅适于单台设备决定阈值,当面临多台设备大数据情况时效果将大打折扣。
因此,现有技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种快速计算任务分流方法,旨在解决通过计算迁移解决本地服务器计算资源受限的方式存在时间延迟,能量消耗大,经济成本高的问题。
本发明的技术方案如下:一种快速计算任务分流方法,其中,具体包括以下步骤:
步骤S1:为本地服务器建立参数化系统大数据模型;
步骤S2:参数化云服务器计算过程;
步骤S3:基于云服务器计算给出成本公式;
步骤S4:运用蒙特卡洛思想设计分流算法;
步骤S5:按照分流算法对快速计算任务进行分流。
所述的快速计算任务分流方法,其中,所述步骤S1包括以下步骤:
步骤S11:定义计算一次任务为
Figure 186799DEST_PATH_IMAGE001
式1,其中1为一次计算,
Figure 109231DEST_PATH_IMAGE002
代表待处理数据的大小,
Figure 116501DEST_PATH_IMAGE003
代表处理所有数据CPU需要运行的次数;
步骤S12:定义任务处理时间为
Figure 861735DEST_PATH_IMAGE004
式2,其中
Figure 881162DEST_PATH_IMAGE005
代表CPU一秒钟的运行次数即计算能力,
Figure 661030DEST_PATH_IMAGE006
意为本地;
步骤S13:定义消耗能量为
Figure 308043DEST_PATH_IMAGE007
式3,其中
Figure 68801DEST_PATH_IMAGE008
代表CPU运行一次消耗的能量。
所述的快速计算任务分流方法,其中,所述步骤S2包括以下步骤:
步骤S21:定义任务执行时间为
Figure 357831DEST_PATH_IMAGE009
式4,其中
Figure 992206DEST_PATH_IMAGE010
意为云端,e为执行,
Figure 75700DEST_PATH_IMAGE011
代表云端服务器CPU一秒钟的运行次数;
步骤S22:定义数据传输时间为
Figure 75753DEST_PATH_IMAGE012
式5,其中o为迁移,
Figure 43840DEST_PATH_IMAGE013
代表数据传输速率;
步骤S23:定义数据传输耗能为
Figure 922934DEST_PATH_IMAGE014
式6,其中
Figure 315345DEST_PATH_IMAGE015
代表传输能耗功率;
步骤S24:定义计算迁移时传输数据产生的经济成本为
Figure 647101DEST_PATH_IMAGE016
式7,其中
Figure 684458DEST_PATH_IMAGE017
即代表经济成本函数,
Figure 296354DEST_PATH_IMAGE018
代表待处理数据的大小;
步骤S25:定义使用云服务器计算的经济成本为:
Figure 987230DEST_PATH_IMAGE019
式9
其中,
Figure 416068DEST_PATH_IMAGE020
为时间阈值,
Figure 847662DEST_PATH_IMAGE021
为时间段,
Figure 576715DEST_PATH_IMAGE022
代表
Figure 313858DEST_PATH_IMAGE023
Figure 876996DEST_PATH_IMAGE024
情况下云服务器CPU运行能力的花费比例,
Figure 459418DEST_PATH_IMAGE025
代表
Figure 902032DEST_PATH_IMAGE026
Figure 666201DEST_PATH_IMAGE027
情况下云服务器CPU租赁时间的花费比例;
Figure 69631DEST_PATH_IMAGE028
代表
Figure 580378DEST_PATH_IMAGE023
<
Figure 877499DEST_PATH_IMAGE024
情况下云服务器CPU运行能力的花费比例,
Figure 693795DEST_PATH_IMAGE029
代表
Figure 115680DEST_PATH_IMAGE030
<
Figure 164538DEST_PATH_IMAGE024
情况下云服务器CPU租赁时间的花费比例。
所述的快速计算任务分流方法,其中,所述步骤S23中,所述
Figure 578815DEST_PATH_IMAGE017
Figure 563082DEST_PATH_IMAGE002
呈线性关系或多项式关系。
所述的快速计算任务分流方法,其中,所述
Figure 800160DEST_PATH_IMAGE017
Figure 667358DEST_PATH_IMAGE031
呈线性关系:
Figure 80016DEST_PATH_IMAGE032
式8,其中
Figure 625398DEST_PATH_IMAGE033
Figure 84192DEST_PATH_IMAGE034
均大于0。
所述的快速计算任务分流方法,其中,所述步骤S3包括以下步骤:
步骤S31:设定本地服务器计算成本公式为:
Figure 612869DEST_PATH_IMAGE035
式10,权值
Figure 739088DEST_PATH_IMAGE036
Figure 189792DEST_PATH_IMAGE037
区间在(0,1);
步骤S32: 设定云服务器计算成本公式为:
Figure 138812DEST_PATH_IMAGE038
式11,其中权值
Figure 474109DEST_PATH_IMAGE039
代表用户对经济成本的重视程度;
步骤S33:设定一次计算下用户对各项成本的容忍度;
步骤S34:将本地服务器计算成本和云服务器计算成本整合为
Figure 454835DEST_PATH_IMAGE040
式12,其中
Figure 214456DEST_PATH_IMAGE041
,代表任务可分为
Figure 913422DEST_PATH_IMAGE042
份,若干份选择使用本地服务器,其余使用云服务器;
步骤S35:当需同时进行N次计算时,整个系统计算成本描述为
Figure 645885DEST_PATH_IMAGE043
式13,其中
Figure 746697DEST_PATH_IMAGE044
,n为系统进行的某一次计算。
所述的快速计算任务分流方法,其中,所述步骤S33包括以下步骤:
步骤S331:定义时间消耗容忍度为
Figure 671360DEST_PATH_IMAGE045
,即要求本地服务器计算时间
Figure 592042DEST_PATH_IMAGE046
小于
Figure 128197DEST_PATH_IMAGE047
或云服务器计算时间
Figure 955951DEST_PATH_IMAGE048
小于
Figure 919359DEST_PATH_IMAGE049
步骤S332:定义能量消耗容忍度为
Figure 327338DEST_PATH_IMAGE050
,即要求本地服务器能量消耗
Figure 808129DEST_PATH_IMAGE051
小于
Figure 620883DEST_PATH_IMAGE052
或云服务器能量消耗
Figure 755192DEST_PATH_IMAGE053
小于
Figure 650467DEST_PATH_IMAGE052
步骤S333:定义经济成本容忍度为
Figure 666440DEST_PATH_IMAGE054
,即要求云服务器计算的经济成本
Figure 330770DEST_PATH_IMAGE055
小于
Figure 901560DEST_PATH_IMAGE054
所述的快速计算任务分流方法,其中,所述步骤S4包括以下步骤:
步骤S41:优化蒙特卡洛思想;
步骤S42:设定分流算法。
所述的快速计算任务分流方法,其中,所述步骤S41包括以下步骤:
步骤S411:说明采样对象;
步骤S412:设定一值
Figure 159497DEST_PATH_IMAGE056
,若同时计算次数N小于
Figure 855794DEST_PATH_IMAGE056
,执行步骤S413,若同时计算次数N大于
Figure 374631DEST_PATH_IMAGE056
,执行步骤S42;
步骤S413:遍历
Figure 257268DEST_PATH_IMAGE057
的选择进行计算,即考虑
Figure 858626DEST_PATH_IMAGE058
种情况,在满足步骤S33中的容忍度要求的前提下,取成本最低的结果即可。
所述的快速计算任务分流方法,其中,所述步骤S42包括以下步骤:
步骤S421:设定可接受的成本值
Figure 343965DEST_PATH_IMAGE059
步骤S422:为N个
Figure 717308DEST_PATH_IMAGE057
随机赋值0或1,计算该赋值情况下的成本
Figure 505267DEST_PATH_IMAGE043
步骤S423:重复步骤S422,直到有一种赋值情况下成本
Figure 865360DEST_PATH_IMAGE060
低于
Figure 888811DEST_PATH_IMAGE059
,且满足步骤S33中的容忍度要求,重复次数小于
Figure 257606DEST_PATH_IMAGE061
本发明的有益效果:本发明通过提供一种快速计算任务分流方法,先建立参数化系统大数据模型,然后参数化云服务器计算过程,再基于云计算给出成本公式,然后运用蒙特卡洛(Monte Carlo)思想设计分流算法,最后按照分流算法对快速计算任务进行分流;通过细化经济成本公式,充分考虑金钱花费这一重要因素,以降低经济成本;本方法针对多设备系统的大数据计算,充分考虑到使用云服务器进行计算迁移时消耗的时间,能量和经济成本,并基于蒙特卡洛思想给出了分流算法以得到理想决策。
附图说明
图1是本发明中快速计算任务分流方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
蒙特卡洛 (Monte Carlo) 方法,也可称作随机取样试验方法,它以概率统计理论为基础,和一般的数值计算不同。尤其在决策需考虑情况较多,或者说计算的时间复杂度(O(n)并非n)的多项式级时,求解问题的时间花费往往难以承受,便可使用蒙特卡洛法随机决策迅速找到可接受的优解。本快速计算任务分流方法基于蒙特卡洛的系统大数据处理的云计算分流算法,解决了当本地服务器计算能力有限时,系统面临是否将计算任务分流至云服务器的问题,并充分考虑时间延迟,能量消耗,经济成本诸多待衡量因素。
如图1所示,一种快速计算任务分流方法,一般应用在系统有多台设备需要处理大量图像,但本地服务器计算能力有限,难以全部完成运用了深度学习的图像识别计算任务;此时需考虑是否进行计算任务迁移;首先要为本地系统包含的大数据定义各变量及参数化以完成建模。具体包括以下步骤:
步骤S1:为本地服务器建立参数化系统大数据模型。本地服务器计算时,其CPU运行会产生时间和能量的消耗,需对此做参数化处理。
步骤S11:定义计算一次任务为
Figure 338170DEST_PATH_IMAGE001
式1,其中1为一次计算,
Figure 917050DEST_PATH_IMAGE002
代表待处理数据的大小,
Figure 744192DEST_PATH_IMAGE062
代表处理所有数据CPU需要运行的次数。
步骤S12:定义任务处理时间为
Figure 967494DEST_PATH_IMAGE004
式2,其中
Figure 478679DEST_PATH_IMAGE005
代表CPU一秒钟的运行次数即计算能力,
Figure 544855DEST_PATH_IMAGE006
意为本地(local)。
步骤S13:定义消耗能量为
Figure 785475DEST_PATH_IMAGE007
式3,其中
Figure 516146DEST_PATH_IMAGE008
代表CPU运行一次消耗的能量。
步骤S2:参数化云服务器计算过程。
因为将任务
Figure 675863DEST_PATH_IMAGE063
交给云服务器处理,我们不仅需要考虑CPU运行时间,消耗能量,还有数据传输的延时及能耗,更重要的是使用云服务器产生的经济成本。将云服务器计算过程通过以下步骤进行参数化:
步骤S21:定义任务执行时间为
Figure 104701DEST_PATH_IMAGE064
式4,其中
Figure 273646DEST_PATH_IMAGE010
意为云端(Cloud),e为执行(Execution),
Figure 599103DEST_PATH_IMAGE011
代表云端服务器CPU一秒钟的运行次数。
步骤S22:定义数据传输时间为
Figure 195301DEST_PATH_IMAGE065
式5,其中o为迁移(Offloading),
Figure 845856DEST_PATH_IMAGE003
代表数据传输速率。
步骤S23:定义数据传输耗能为
Figure 549983DEST_PATH_IMAGE014
式6,其中
Figure 992596DEST_PATH_IMAGE015
代表传输能耗功率。
步骤S24:定义计算迁移时传输数据产生的经济成本为
Figure 759695DEST_PATH_IMAGE066
式7,其中
Figure 897547DEST_PATH_IMAGE017
即代表经济成本函数,它取决于数据大小
Figure 501021DEST_PATH_IMAGE031
Figure 798141DEST_PATH_IMAGE017
Figure 877087DEST_PATH_IMAGE031
两者可以呈线性关系或多项式关系等等,为了减缓本方法,本技术方案定义一种简单线性模型,
Figure 623939DEST_PATH_IMAGE032
式8,其中
Figure 672797DEST_PATH_IMAGE033
Figure 699790DEST_PATH_IMAGE067
均大于0。
步骤S25:定义使用云服务器计算的经济成本为(本技术方案通过细化经济成本公式,充分考虑到金钱花费这一重要因素):
Figure 808692DEST_PATH_IMAGE019
式9
式9代表了两种收费方式,当运算时间
Figure 48699DEST_PATH_IMAGE023
超过阈值
Figure 901248DEST_PATH_IMAGE024
时,云服务器计算所需时间较长,我们选择按时间段
Figure 48327DEST_PATH_IMAGE068
长时间租用云服务器的收费方式,
Figure 325200DEST_PATH_IMAGE022
代表
Figure 49573DEST_PATH_IMAGE023
Figure 581180DEST_PATH_IMAGE024
情况下云服务器CPU运行能力的花费比例,
Figure 441820DEST_PATH_IMAGE025
代表
Figure 883735DEST_PATH_IMAGE030
Figure 95404DEST_PATH_IMAGE069
情况下云服务器CPU租赁时间的花费比例,
Figure 430702DEST_PATH_IMAGE022
Figure 408498DEST_PATH_IMAGE025
一般较小;若运算时间较短,即
Figure 30103DEST_PATH_IMAGE030
<
Figure 870014DEST_PATH_IMAGE027
,选择直接按时长计费的模式,
Figure 602478DEST_PATH_IMAGE028
代表
Figure 440640DEST_PATH_IMAGE023
<
Figure 374092DEST_PATH_IMAGE024
情况下云服务器CPU运行能力的花费比例,
Figure 294774DEST_PATH_IMAGE029
代表
Figure 93579DEST_PATH_IMAGE030
<
Figure 924262DEST_PATH_IMAGE069
情况下云服务器CPU租赁时间的花费比例,
Figure 887670DEST_PATH_IMAGE028
Figure 295649DEST_PATH_IMAGE029
一般较大。注意由此我们无需再考虑云服务器计算过程的能量消耗。
步骤S3:基于云服务器计算给出成本公式。
由于本地服务器计算能力有限,我们可能需要将图片上传至云服务器端利用其云计算能力,如步骤S1、步骤S2所述所有过程都会产生各种成本,包括时间成本,经济成本,以及消耗的能量,综合各成本我们设定了一个成本计算公式。
步骤S31:设定本地服务器计算成本公式为:
Figure 650143DEST_PATH_IMAGE035
式10,权值
Figure 600913DEST_PATH_IMAGE036
Figure 735222DEST_PATH_IMAGE037
区间在(0,1),
Figure 627567DEST_PATH_IMAGE036
Figure 380891DEST_PATH_IMAGE037
衡量了用户是更愿意花费时间还是消耗能量,例如极端情况下有
Figure 45221DEST_PATH_IMAGE036
=099、
Figure 881590DEST_PATH_IMAGE037
=0.01,说明用户只希望节省时间而几乎不考虑能量消耗。
步骤S32: 设定云服务器计算成本公式为:
Figure 142457DEST_PATH_IMAGE070
式11,其中权值
Figure 824105DEST_PATH_IMAGE039
代表用户对经济成本的重视程度,同样的若
Figure 608522DEST_PATH_IMAGE071
=0.01,
Figure 957070DEST_PATH_IMAGE072
=0.01,而
Figure 826937DEST_PATH_IMAGE039
=0.99,说明用户希望尽可能降低经济成本而不在乎消耗时间和能量。
步骤S33:设定一次计算下用户对各项成本的要求或容忍度。
步骤S331:定义时间消耗容忍度为
Figure 46697DEST_PATH_IMAGE073
,即要求本地服务器计算时间
Figure 685620DEST_PATH_IMAGE074
小于
Figure 464789DEST_PATH_IMAGE047
或云服务器计算时间
Figure 821952DEST_PATH_IMAGE048
小于
Figure 986349DEST_PATH_IMAGE049
步骤S332:定义能量消耗容忍度为
Figure 476848DEST_PATH_IMAGE050
,即要求本地服务器能量消耗
Figure 560342DEST_PATH_IMAGE075
小于
Figure 139222DEST_PATH_IMAGE052
或云服务器能量消耗
Figure 844660DEST_PATH_IMAGE053
小于
Figure 192595DEST_PATH_IMAGE052
步骤S333:定义经济成本容忍度为
Figure 712570DEST_PATH_IMAGE054
,即要求云服务器计算的经济成本
Figure 654112DEST_PATH_IMAGE076
小于
Figure 16436DEST_PATH_IMAGE054
步骤S34:将本地服务器计算成本和云服务器计算成本整合为
Figure 484457DEST_PATH_IMAGE077
式12,其中
Figure 50699DEST_PATH_IMAGE041
,代表任务可分为
Figure 884399DEST_PATH_IMAGE042
份,若干份选择使用本地服务器,其余使用云服务器。
步骤S35:考虑系统需同时进行N次计算,即将各参数下标1扩展为1到N,整个系统计算成本描述为
Figure 928709DEST_PATH_IMAGE078
式13,其中
Figure 985658DEST_PATH_IMAGE044
,n为系统进行的某一次计算。
步骤S4:运用蒙特卡洛(Monte Carlo)思想设计分流算法。
步骤S1、步骤S2、步骤S3逐步说明了该系统在不同选择情况下进行多次计算时产生的各项成本,而如何决定是否选择云计算即如何分流以达到降低成本的目标,我们运用了蒙特卡洛(Monte Carlo)思想来设计分流算法。
步骤S41:优化蒙特卡洛思想。蒙特卡洛基本思想即通过随机采样使用频率估计概率,我们先设定了一阈值判断是否进行随机采样,达成优化。
步骤S411:说明采样对象。对于步骤S35中成本计算公式
Figure 581856DEST_PATH_IMAGE043
,对于
Figure 619694DEST_PATH_IMAGE079
我们面临着将多少份子任务划分做云计算的问题,即
Figure 202116DEST_PATH_IMAGE080
步骤S412:设定一值
Figure 644730DEST_PATH_IMAGE056
,如果同时计算次数N小于
Figure 414759DEST_PATH_IMAGE056
,说明计算规模较小,可以遍历
Figure 818189DEST_PATH_IMAGE081
的选择进行计算,即考虑
Figure 328936DEST_PATH_IMAGE061
种情况,在满足步骤S33中的容忍度要求的前提下,取成本最低的结果即可;如果N大于
Figure 360477DEST_PATH_IMAGE056
,计算规模较大,我们无法遍历
Figure 436493DEST_PATH_IMAGE061
种情况找到最优解,于是运用蒙特卡洛思想随机决策得到分流算法。
步骤S42:设定分流算法。
步骤S421:设定可接受的成本值
Figure 186275DEST_PATH_IMAGE059
步骤S422:为N个
Figure 766292DEST_PATH_IMAGE082
随机赋值0或1,计算该赋值情况下的成本
Figure 784496DEST_PATH_IMAGE043
步骤S423:重复步骤S422,直到有一种赋值情况下成本成本
Figure 893397DEST_PATH_IMAGE060
低于
Figure 130474DEST_PATH_IMAGE059
,且满足步骤S33中的容忍度要求,重复次数小于
Figure 983024DEST_PATH_IMAGE061
通过伪代码实现步骤S4中的分流算法:
初始化公式公式
Figure 861594DEST_PATH_IMAGE083
中所有参数
if N<
Figure 141396DEST_PATH_IMAGE084
遍历
Figure 131349DEST_PATH_IMAGE085
所有取值找到使成本最低的情况
else:
给定可接受的成本值
Figure 400306DEST_PATH_IMAGE059
for i in
Figure 526525DEST_PATH_IMAGE086
: //最多考虑
Figure 977229DEST_PATH_IMAGE087
种情况
随机生成N个
Figure 188899DEST_PATH_IMAGE057
的取值
if计算成本低于
Figure 255687DEST_PATH_IMAGE059
&&满足步骤S33中的容忍度要求
记录
Figure 236413DEST_PATH_IMAGE057
的取值情况
break;
else
continue;
end if
end for
end if
步骤S5:按照分流算法对快速计算任务进行分流。
本技术方案中,先建立参数化系统大数据模型,然后参数化云服务器计算过程,再基于云计算给出成本公式,然后运用蒙特卡洛(Monte Carlo)思想设计分流算法,最后按照分流算法对快速计算任务进行分流;通过细化经济成本公式,充分考虑金钱花费这一重要因素,以降低经济成本;本方法针对多设备系统的大数据计算,充分考虑到使用云服务器进行计算迁移时消耗的时间,能量和经济成本,并基于蒙特卡洛思想给出了分流算法以得到理想决策。
在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式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方式或示例中。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方式或示例。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方式或示例中以合适的方式结合。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种快速计算任务分流方法,其特征在于,具体包括以下步骤:
步骤S1:为本地服务器建立参数化系统大数据模型;
所述步骤S1包括以下步骤:
步骤S11:定义计算一次任务为
Figure DEST_PATH_IMAGE001
式1,其中1为一次计算,
Figure 419833DEST_PATH_IMAGE002
代表待处理数据的大小,
Figure DEST_PATH_IMAGE003
代表处理所有数据CPU需要运行的次数;
步骤S12:定义任务处理时间为
Figure 26263DEST_PATH_IMAGE004
式2,其中
Figure DEST_PATH_IMAGE005
代表CPU一秒钟的运行次数即计算能力,
Figure 161840DEST_PATH_IMAGE006
意为本地;
步骤S13:定义消耗能量为
Figure DEST_PATH_IMAGE007
式3,其中
Figure 958370DEST_PATH_IMAGE008
代表CPU运行一次消耗的能量;
步骤S2:参数化云服务器计算过程;
所述步骤S2包括以下步骤:
步骤S21:定义任务执行时间为
Figure DEST_PATH_IMAGE009
式4,其中
Figure 690484DEST_PATH_IMAGE010
意为云端,e为执行,
Figure DEST_PATH_IMAGE011
代表云端服务器CPU一秒钟的运行次数;
步骤S22:定义数据传输时间为
Figure 476168DEST_PATH_IMAGE012
式5,其中o为迁移,
Figure DEST_PATH_IMAGE013
代表数据传输速率;
步骤S23:定义数据传输耗能为
Figure 587956DEST_PATH_IMAGE014
式6,其中
Figure DEST_PATH_IMAGE015
代表传输能耗功率;
步骤S24:定义计算迁移时传输数据产生的经济成本为
Figure 433684DEST_PATH_IMAGE016
式7,其中
Figure DEST_PATH_IMAGE017
即代表经济成本函数,
Figure 641374DEST_PATH_IMAGE018
代表待处理数据的大小;
步骤S25:定义使用云服务器计算的经济成本为:
Figure DEST_PATH_IMAGE019
式9
其中,
Figure 824225DEST_PATH_IMAGE020
为时间阈值,
Figure DEST_PATH_IMAGE021
为时间段,
Figure 197044DEST_PATH_IMAGE022
代表
Figure DEST_PATH_IMAGE023
Figure 826390DEST_PATH_IMAGE024
情况下云服务器CPU运行能力的花费比例,
Figure 45013DEST_PATH_IMAGE025
代表
Figure DEST_PATH_IMAGE026
Figure 562713DEST_PATH_IMAGE027
情况下云服务器CPU租赁时间的花费比例;
Figure DEST_PATH_IMAGE028
代表
Figure 399825DEST_PATH_IMAGE023
<
Figure 977568DEST_PATH_IMAGE024
情况下云服务器CPU运行能力的花费比例,
Figure 698136DEST_PATH_IMAGE029
代表
Figure DEST_PATH_IMAGE030
<
Figure 957210DEST_PATH_IMAGE027
情况下云服务器CPU租赁时间的花费比例;
步骤S3:基于云服务器计算给出成本公式;
所述步骤S3包括以下步骤:
步骤S31:设定本地服务器计算成本公式为:
Figure 697764DEST_PATH_IMAGE031
式10,权值
Figure DEST_PATH_IMAGE032
Figure 928632DEST_PATH_IMAGE033
区间在(0,1);
步骤S32:设定云服务器计算成本公式为:
Figure 856268DEST_PATH_IMAGE034
式11,其中权值
Figure DEST_PATH_IMAGE035
代表用户对经济成本的重视程度,其中
Figure 453121DEST_PATH_IMAGE036
代表,
Figure DEST_PATH_IMAGE037
代表;
步骤S33:设定一次计算下用户对各项成本的容忍度;
步骤S34:将本地服务器计算成本和云服务器计算成本整合为
Figure 657968DEST_PATH_IMAGE038
式12,其中
Figure DEST_PATH_IMAGE039
,代表任务可分为
Figure 794158DEST_PATH_IMAGE040
份,若干份选择使用本地服务器,其余使用云服务器;
步骤S35:当需同时进行N次计算时,整个系统计算成本描述为
Figure DEST_PATH_IMAGE041
式13,其中
Figure 200301DEST_PATH_IMAGE042
,n为系统进行的某一次计算;
步骤S4:运用蒙特卡洛思想设计分流算法;
所述步骤S4包括以下步骤:
步骤S41:优化蒙特卡洛思想;
步骤S42:设定分流算法;
所述步骤S41包括以下步骤:
步骤S411:说明采样对象;
步骤S412:设定一值
Figure DEST_PATH_IMAGE043
,若同时计算次数N小于
Figure 207702DEST_PATH_IMAGE043
,执行步骤S413,若同时计算次数N大于
Figure 529706DEST_PATH_IMAGE043
,执行步骤S42;
步骤S413:遍历
Figure 354574DEST_PATH_IMAGE044
的选择进行计算,即考虑
Figure DEST_PATH_IMAGE045
种情况,在满足步骤S33中的容忍度要求的前提下,取成本最低的结果即可;
所述步骤S42包括以下步骤:
步骤S421:设定可接受的成本值
Figure 991222DEST_PATH_IMAGE046
步骤S422:为N个
Figure DEST_PATH_IMAGE047
随机赋值0或1,计算该赋值情况下的成本
Figure 805244DEST_PATH_IMAGE041
步骤S423:重复步骤S422,直到有一种赋值情况下成本
Figure 984684DEST_PATH_IMAGE048
低于
Figure DEST_PATH_IMAGE049
,且满足步骤S33中的容忍度要求,重复次数小于
Figure 587310DEST_PATH_IMAGE050
步骤S5:按照分流算法对快速计算任务进行分流。
2.根据权利要求1所述的快速计算任务分流方法,其特征在于,所述步骤S23中,所述
Figure 367048DEST_PATH_IMAGE017
Figure 372044DEST_PATH_IMAGE002
呈线性关系或多项式关系。
3.根据权利要求2所述的快速计算任务分流方法,其特征在于,所述
Figure 545272DEST_PATH_IMAGE017
Figure 852888DEST_PATH_IMAGE002
呈线性关系:
Figure 729708DEST_PATH_IMAGE051
式8,其中
Figure DEST_PATH_IMAGE052
Figure 879673DEST_PATH_IMAGE053
均大于0。
4.根据权利要求1所述的快速计算任务分流方法,其特征在于,所述步骤S33包括以下步骤:
步骤S331:定义时间消耗容忍度为
Figure DEST_PATH_IMAGE054
,即要求本地服务器计算时间
Figure 361602DEST_PATH_IMAGE055
小于
Figure 108627DEST_PATH_IMAGE056
或云服务器计算时间
Figure DEST_PATH_IMAGE057
小于
Figure 816952DEST_PATH_IMAGE058
步骤S332:定义能量消耗容忍度为
Figure DEST_PATH_IMAGE059
,即要求本地服务器能量消耗
Figure 895241DEST_PATH_IMAGE060
小于
Figure DEST_PATH_IMAGE061
或云服务器能量消耗
Figure 638201DEST_PATH_IMAGE062
小于
Figure DEST_PATH_IMAGE063
步骤S333:定义经济成本容忍度为
Figure 623038DEST_PATH_IMAGE064
,即要求云服务器计算的经济成本
Figure DEST_PATH_IMAGE065
小于
Figure 18991DEST_PATH_IMAGE064
CN201910672309.8A 2019-07-24 2019-07-24 一种快速计算任务分流方法 Active CN110362952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910672309.8A CN110362952B (zh) 2019-07-24 2019-07-24 一种快速计算任务分流方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910672309.8A CN110362952B (zh) 2019-07-24 2019-07-24 一种快速计算任务分流方法

Publications (2)

Publication Number Publication Date
CN110362952A CN110362952A (zh) 2019-10-22
CN110362952B true CN110362952B (zh) 2022-12-20

Family

ID=68219807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910672309.8A Active CN110362952B (zh) 2019-07-24 2019-07-24 一种快速计算任务分流方法

Country Status (1)

Country Link
CN (1) CN110362952B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111158912B (zh) * 2019-12-30 2023-04-21 天津大学 云雾协同计算环境下一种基于深度学习的任务卸载决策方法
CN113238839B (zh) * 2021-04-26 2022-04-12 深圳微品致远信息科技有限公司 一种基于云计算数据管理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045515A1 (zh) * 2014-09-23 2016-03-31 同济大学 基于用户满意度的云任务调度算法
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法
CN109884897A (zh) * 2019-03-21 2019-06-14 中山大学 一种基于深度强化学习的无人机任务匹配与计算迁移方法
CN109992479A (zh) * 2019-03-31 2019-07-09 西安电子科技大学 一种多维度kpi数据异常定位方法、装置及计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045515A1 (zh) * 2014-09-23 2016-03-31 同济大学 基于用户满意度的云任务调度算法
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法
CN109884897A (zh) * 2019-03-21 2019-06-14 中山大学 一种基于深度强化学习的无人机任务匹配与计算迁移方法
CN109992479A (zh) * 2019-03-31 2019-07-09 西安电子科技大学 一种多维度kpi数据异常定位方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
针对移动云计算任务迁移的快速高效调度算法;史雯隽等;《计算机科学》;20180415(第04期);全文 *

Also Published As

Publication number Publication date
CN110362952A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN112181666B (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法
CN110971706B (zh) Mec中近似最优化与基于强化学习的任务卸载方法
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN110543336B (zh) 基于非正交多址接入技术的边缘计算任务卸载方法及装置
CN111641973B (zh) 一种雾计算网络中基于雾节点协作的负载均衡方法
CN110362952B (zh) 一种快速计算任务分流方法
CN112882815A (zh) 基于深度强化学习的多用户边缘计算优化调度方法
CN112988285B (zh) 任务卸载方法和装置、电子设备及存储介质
CN113568727A (zh) 一种基于深度强化学习的移动边缘计算任务分配方法
CN112261120B (zh) 一种配电物联网云边协同任务卸载方法及装置
KR102350195B1 (ko) 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템
Batewela et al. Risk-sensitive task fetching and offloading for vehicular edge computing
CN113867843A (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN113159190A (zh) 联邦激励分配方法、装置、计算机设备及存储介质
Zhang et al. Effect: Energy-efficient fog computing framework for real-time video processing
CN112817741A (zh) 一种边缘计算的dnn任务控制方法
CN113673532B (zh) 基于量化模型的目标检测方法及装置
CN115473896A (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN116996938A (zh) 车联网任务卸载方法、终端设备及存储介质
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
Lyu et al. Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm
CN111124439B (zh) 一种云边协同的智能动态卸载算法
CN112822264B (zh) 一种dnn任务卸载的方法

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