CN110851277A - 一种增强现实场景下基于边云协同的任务调度策略 - Google Patents

一种增强现实场景下基于边云协同的任务调度策略 Download PDF

Info

Publication number
CN110851277A
CN110851277A CN201911085280.XA CN201911085280A CN110851277A CN 110851277 A CN110851277 A CN 110851277A CN 201911085280 A CN201911085280 A CN 201911085280A CN 110851277 A CN110851277 A CN 110851277A
Authority
CN
China
Prior art keywords
task
energy consumption
local
time delay
tasks
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
Application number
CN201911085280.XA
Other languages
English (en)
Inventor
王淑栋
李艳青
庞善臣
王珣
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201911085280.XA priority Critical patent/CN110851277A/zh
Publication of CN110851277A publication Critical patent/CN110851277A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明针增强现实应用程序对时延的敏感性与用户设备能耗的问题，提出了一种增强现实场景下基于边云协同的任务调度策略，旨在满足AR任务时延的前提下，最小化本地用户设备总能耗。算法根据时延与能耗确定是在云端还是本地执行，并建立任务优先级，利用改进的遗传算法根据时延与能耗对任务进行合理的安排调度。本发明可有效满足任务的时延与降低用户设备的能耗。

Description

一种增强现实场景下基于边云协同的任务调度策略
技术领域
本发明属于云计算、边缘计算两大领域，尤其涉及一种基于时延的边云协同节能调度方法。
背景技术
随着5G的兴起，增强现实(Augment Reality,AR)应用程序正在日渐发展,且受到越来越多的关注。AR应用程序对延迟是极其敏感的,而且对计算和通信的要求都很高,在移动设备上执行AR应用程序时,移动设备电池消耗量大，用户体验度较差。随着边云协同成为人们关注的焦点。尤其是当我们向互联网的数字化时代迈进的时候云端协作已经成为CDN、工业互联网、能源、智能交通和安全监控等许多场景中的重要应用，其中如何根据能耗或时延将任务安排在边缘或云端进行处理是一个值得研究的问题。边缘计算能够更好地支持本地业务的实时智能决策与执行，尤其是具有高实时性的任务场景：有些场景要求实时性能在10毫秒以内，甚至更低，如果数据分析和处理都是在云中实现的，则很难满足服务的实时要求。但是同样的计算密集型任务，需要的计算量一般的边缘设备难以满足。计算卸载是边缘计算中的关键技术之一，边缘计算中应用计算卸载不仅减轻了核心网的压力，而且减小了传输带来的时延。为此，提出一种增强现实场景下基于边云协同的任务调度策略，将用户提交AR任务，根据计算卸载策略，合理的分配给云端或者边缘端，使之满足在满足时延的前提下，最小化用户设备的能耗，是十分有必要的。
发明内容
本发明的目的在于：针对增强现实对时延的敏感性与用户设备能耗的问题，提出了一种增强现实场景下基于边云协同的任务调度策略，旨在满足AR任务时延的前提下，最小化本地用户设备总能耗。
为了达到上述目的，本发明所采用的技术方案包括如下部分：
1.一种增强现实场景下基于边云协同的任务调度策略，具体实施步骤如下：
步骤1：用户提交任务，任务属性有四个(任务大小data、时延大小expT、完成此任务需要的cpu周期D、最大可容忍时延tolT)。
步骤2：对于用户提交的任务，根据在本地的执行时间是否能满足时延要求以及在本地的执行能耗是否小于平均信道环境下的平均传输能耗将其分类。
步骤3：将需要卸载到云端执行的任务按照任务紧迫性与重要度进行优先级设置。
步骤4：对于需要卸载到MEC节点的任务，以最小化用户端设备能耗以及满足时延为目的，根据遗传算法进行迭代优化选择。
2.根据权利要求1所述的分类方法，其特征在于：
如果本地执行时间不能满足时延：Tlocal>expTi，则将任务传到云端执行。如果本地执行时间可以满足时延并且本地执行的能耗小于此任务在平均信道环境下的传输能耗：Tlocal≤expTi andElocal＜Etb，则在本地执行，否则如果本地执行的能耗小于此任务在平均信道环境下的传输能耗，则在云端执行。其中Tlocal是任务在本地的执行时间，expTi是任务要求的时延，Elocal是本地执行的能耗，Etb是任务在平均信道条件下的传输能耗
3.根据权利要求1中的优先级设置，其特征在于：
优先级设定为：
Figure BDA0002265208620000021
其中tolTi为任务i最大可容忍时延。
根据权利要求1中所述的以最小化用户端设备能耗以及满足时延为目的，根据遗传算法进行迭代优化选择。其特征在于，所述目标函数为：
Figure BDA0002265208620000022
Figure BDA0002265208620000023
ECTi,j表示任务i在MEC节点j上的完成时间。b表示惩罚系数，ai,j表示任务是否在MEC节点上执行。Ttran表示任务从本地设备传输到云端的时间。Allenergy表示在本地执行的任务花费的能耗与传输到云端的任务其传输能耗(总和为本地设备的能耗)。
本发明提供的调度方法具有如下优点和有益效果：本发明考虑到增强现实对于时延与能耗的要求，对任务进行分类，并进行排序，设计相应的目标函数，利用改进的遗传算法，对卸载决策与计算资源进行分配。此方法可有效满足任务的时延与降低用户设备的能耗。
附图说明
图1为本发明提供的边云协同下任务调度策略流程图；
图2为本发明改进的遗传算法流程图；
具体实施方式
为了使本领域技术人员更好地理解本申请中的技术问题、技术方案和技术效果，下面结合附图和具体实施方式对本发明一种增强现实场景下基于边云协同的任务调度策略作进一步详细说明。
如图2为本发明的方法具体实施步骤：
步骤1：n个用户设备运行增强现实应用程序，各个设备都有一个执行任务需要被处理。这些任务的属性有四个Taski＝[datai,expTi,Di,tolTi],i∈N(任务大小data、时延大小expT、完成此任务需要的cpu周期D、最大可容忍时延tolT)。
步骤2：对于需要被处理执行的任务，根据在本地的执行时间是否能满足时延要求以及在本地的执行能耗是否小于平均信道环境下的传输能耗将其分类。如果本地执行时间不能满足时延：Tlocal>expTi，则将任务传到云端执行。如果本地执行时间可以满足时延并且本地执行的能耗小于此任务在最优信道环境下的传输能耗：Tlocal≤expTi andElocal＜Etb，则在本地执行，否则如果本地执行的能耗小于此任务在平均信道环境下的传输能耗，则在云端执行。其中Tlocal是任务在本地的执行时间，expTi是任务要求的时延，Elocal是本地执行的能耗，Etb是任务在平均信道条件下的传输能耗。
步骤3：将需要卸载到云端执行的任务按照任务紧迫性与重要度进行优先级设置并排序。优先级设定为：
Figure BDA0002265208620000031
其中tolTi为任务i最大可容忍时延，表征了任务的紧迫性。
步骤4：对于需要卸载到云端也就是MEC节点的任务，以最小化用户端设备能耗以及满足时延为目的，根据遗传算法进行迭代优化选择。
具体为：
1.初始化参数。
2.染色体编码，生成初始种群。在生成种群时将需要在MEC节点执行的任务按照优先级进行排序，并将MEC节点按照计算能力依次循环分配给这些任务，优化初始种群。
3.计算个体的适应度，根据适应度函数：
Figure BDA0002265208620000032
Figure BDA0002265208620000033
ECTi,j表示任务i在MEC节点j上的完成时间。b表示惩罚系数，ai,j表示任务是否在MEC节点上执行。Ttran表示任务从本地设备传输到云端的时间。Allenergy表示在本地执行的任务花费的能耗与传输到云端的任务其传输能耗(总和为本地设备的能耗)。
4.迭代次数加一。
5.判断最佳适应度是否等于上一代的最佳适应度，如果是，灾难阈值-1，否则不变。
6.执行选择、交叉操作和变异操作。
7.生成后代种群并确定灾变阈值cat是否等于0(G/2次迭代之前)。如果等于0，则进行突变操作。
8.如果迭代次数达到最大值，则输出，否则转向迭代次数加一。
以上实例仅用以说明本发明而非限本发明所描述的技术方案，对于本领域技术人员应该理解，对上述发明所公开的一种增强现实场景下基于边云协同的任务调度策略，在不脱离大名远离的前提下，还可以在此基础上做出改进，这些改进也视为本发明的保护。

Claims (3)

1.一种增强现实场景下基于边云协同的任务调度策略，具体实施步骤如下：
步骤1：用户提交任务，任务属性有四个(任务大小data、时延大小expT、完成此任务需要的cpu周期D、最大可容忍时延tolT)。
步骤2：对于用户提交的任务，根据在本地的执行时间是否能满足时延要求以及在本地的执行能耗是否小于平均信道环境下的传输能耗将其分类。
步骤3：将需要卸载到云端执行的任务按照任务紧迫性与重要度进行优先级设置。
步骤4：对于需要卸载到MEC节点的任务，以最小化用户端设备能耗以及满足时延为目的，根据遗传算法进行迭代优化选择。
2.根据权利要求1所述的分类方法，其特征在于：
如果本地执行时间不能满足时延：Tlocal>expTi，则将任务传到云端执行。如果本地执行时间可以满足时延并且本地执行的能耗小于此任务在平均信道环境下的传输能耗：Tlocal≤expTi and Elocal＜Etb，则在本地执行，否则如果本地执行的能耗小于此任务在平均信道环境下的传输能耗，则在云端执行。其中Tlocal是任务在本地的执行时间，expTi是任务要求的时延，Elocal是本地执行的能耗，Etb是任务在平均信道条件下的传输能耗。
3.根据权利要求1中的优先级设置，其特征在于：
优先级设定为：
Figure FDA0002265208610000011
其中tolTi为任务i最大可容忍时延。
根据权利要求1中所述的以最小化用户端设备能耗以及满足时延为目的，根据遗传算法进行迭代优化选择。其特征在于，所述目标函数为：
Figure FDA0002265208610000013
ECTi,j表示任务i在MEC节点j上的完成时间。b表示惩罚系数，ai,j表示任务是否在MEC节点上执行。Ttran表示任务从本地设备传输到云端的时间。Allenergy表示在本地执行的任务花费的能耗与传输到云端的任务的传输能耗(总和为本地设备的能耗)。遗传算法的流程按照附图图2所示进行。
本发明提供的调度方法具有如下优点和有益效果：本发明考虑到增强现实对于时延与能耗的要求，对任务进行分类，并进行排序，设计相应的目标函数，利用改进的遗传算法，对任务进行卸载决策与计算资源进行分配。此方法可有效满足任务的时延与降低用户设备的能耗。
CN201911085280.XA 2019-11-08 2019-11-08 一种增强现实场景下基于边云协同的任务调度策略 Pending CN110851277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911085280.XA CN110851277A (zh) 2019-11-08 2019-11-08 一种增强现实场景下基于边云协同的任务调度策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911085280.XA CN110851277A (zh) 2019-11-08 2019-11-08 一种增强现实场景下基于边云协同的任务调度策略

Publications (1)

Publication Number Publication Date
CN110851277A true CN110851277A (zh) 2020-02-28

Family

ID=69599249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911085280.XA Pending CN110851277A (zh) 2019-11-08 2019-11-08 一种增强现实场景下基于边云协同的任务调度策略

Country Status (1)

Country Link
CN (1) CN110851277A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475274A (zh) * 2020-04-20 2020-07-31 北京邮电大学 云协同多任务调度方法及装置
CN111488208A (zh) * 2020-03-22 2020-08-04 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN112181655A (zh) * 2020-09-30 2021-01-05 杭州电子科技大学 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN112612549A (zh) * 2020-12-30 2021-04-06 润联软件系统(深圳)有限公司 多边缘服务任务选择卸载方法、装置及相关设备
CN113452956A (zh) * 2021-02-26 2021-09-28 深圳供电局有限公司 一种输电线路巡检任务智能分配方法及系统
CN114780163A (zh) * 2021-01-05 2022-07-22 中国移动通信有限公司研究院 一种任务处理方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN106250650A (zh) * 2016-08-15 2016-12-21 北京理工大学 高通量仿真中模型的资源分配与优化方法
CN108376099A (zh) * 2018-01-16 2018-08-07 西安建筑科技大学 一种优化时延与能效的移动终端计算迁移方法
CN109413615A (zh) * 2018-09-14 2019-03-01 重庆邮电大学 车联网下基于mec的能量感知卸载的能量延迟折衷方案
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法
CN110087318A (zh) * 2019-04-24 2019-08-02 重庆邮电大学 基于5g移动边缘计算的任务卸载和资源分配联合优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN106250650A (zh) * 2016-08-15 2016-12-21 北京理工大学 高通量仿真中模型的资源分配与优化方法
CN108376099A (zh) * 2018-01-16 2018-08-07 西安建筑科技大学 一种优化时延与能效的移动终端计算迁移方法
CN109413615A (zh) * 2018-09-14 2019-03-01 重庆邮电大学 车联网下基于mec的能量感知卸载的能量延迟折衷方案
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法
CN110087318A (zh) * 2019-04-24 2019-08-02 重庆邮电大学 基于5g移动边缘计算的任务卸载和资源分配联合优化方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488208A (zh) * 2020-03-22 2020-08-04 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111488208B (zh) * 2020-03-22 2023-10-31 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111475274A (zh) * 2020-04-20 2020-07-31 北京邮电大学 云协同多任务调度方法及装置
CN111475274B (zh) * 2020-04-20 2023-04-18 北京邮电大学 云协同多任务调度方法及装置
CN112181655A (zh) * 2020-09-30 2021-01-05 杭州电子科技大学 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN112612549A (zh) * 2020-12-30 2021-04-06 润联软件系统(深圳)有限公司 多边缘服务任务选择卸载方法、装置及相关设备
CN112612549B (zh) * 2020-12-30 2022-06-24 润联软件系统(深圳)有限公司 多边缘服务任务选择卸载方法、装置及相关设备
CN114780163A (zh) * 2021-01-05 2022-07-22 中国移动通信有限公司研究院 一种任务处理方法、装置和电子设备
CN113452956A (zh) * 2021-02-26 2021-09-28 深圳供电局有限公司 一种输电线路巡检任务智能分配方法及系统

Similar Documents

Publication Publication Date Title
CN110851277A (zh) 一种增强现实场景下基于边云协同的任务调度策略
US20230199061A1 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
CN111556516B (zh) 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
CN110531996B (zh) 一种多微云环境下基于粒子群优化的计算任务卸载方法
CN111475274A (zh) 云协同多任务调度方法及装置
CN112650581A (zh) 一种面向智能楼宇的云边协同任务调度方法
CN113781002B (zh) 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
CN112214301B (zh) 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN113961264B (zh) 一种面向视频监控云边协同的智能卸载算法与系统
CN113220364A (zh) 一种基于车联网移动边缘计算系统模型的任务卸载方法
CN111711962A (zh) 一种移动边缘计算系统子任务协同调度方法
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
CN113127193A (zh) 一种边缘网络动态业务卸载和调度方法及装置
CN114375050A (zh) 一种数字孪生辅助的5g配电网资源调度方法
Zhou et al. Robust risk-sensitive task offloading for edge-enabled industrial Internet of Things
Peng et al. Reliability-aware computation offloading for delay-sensitive applications in mec-enabled aerial computing
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
Sadatdiynov et al. An intelligent hybrid method: Multi-objective optimization for MEC-enabled devices of IoE
CN117042047B (zh) 一种基于任务优先级的资源分配方法、装置、控制器及系统
Wang et al. Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing
CN112437468A (zh) 一种基于时延与能耗权重计算的任务卸载算法
CN114745386B (zh) 一种多用户边缘智能场景下的神经网络分割及卸载方法
CN109561129B (zh) 一种基于光纤-无线网络的协同计算卸载方法
CN114286304B (zh) 一种基于二维动态匹配的mec资源分配方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20231027

AD01 Patent right deemed abandoned