CN111338807B - 一种面向边缘人工智能应用的QoE感知的服务增强方法 - Google Patents

一种面向边缘人工智能应用的QoE感知的服务增强方法 Download PDF

Info

Publication number
CN111338807B
CN111338807B CN202010433172.3A CN202010433172A CN111338807B CN 111338807 B CN111338807 B CN 111338807B CN 202010433172 A CN202010433172 A CN 202010433172A CN 111338807 B CN111338807 B CN 111338807B
Authority
CN
China
Prior art keywords
task
queue
qoe
tasks
virtual machine
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
CN202010433172.3A
Other languages
English (en)
Other versions
CN111338807A (zh
Inventor
郭得科
夏俊旭
廖汉龙
程葛瑶
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010433172.3A priority Critical patent/CN111338807B/zh
Publication of CN111338807A publication Critical patent/CN111338807A/zh
Application granted granted Critical
Publication of CN111338807B publication Critical patent/CN111338807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5017—Task decomposition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5021—Priority
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/508—Monitor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Abstract

本发明公开了一种面向边缘人工智能应用的QoE感知的服务增强方法，包括以下步骤：A、物联网终端将运算任务发送至调度器，调度器根据运算任务的要求判定将运算请求发送至本地服务器或上传至数据中心；B、建立感知质量的服务增强模型的目标和约束条件；C、建立两阶段调度策略，降低计算复杂度。本发明能够解决现有技术的不足，提升用户的服务体验和任务的完成率。

Description

一种面向边缘人工智能应用的QoE感知的服务增强方法
技术领域
本发明属于物联网技术领域，具体是一种面向边缘人工智能应用的QoE感知的服务增强方法。
背景技术
由于人工智能（AI）算法的复杂性，在资源有限的物联网设备上执行人工智能任务已被证明是困难的。边缘计算为执行AI任务提供了一种有效的计算范式，大量的AI任务可以被卸载到边缘服务器来更高效地执行。然而，现有的工作大多集中于通过提高服务质量(QoS)来实现有效的计算卸载，如降低平均服务器端延迟（例如中国发明专利申请201910307861 .7）。但是，由于延迟等因素对用户体验质量(QoE)的异构影响，这些方式往往并不足够高效。
发明内容
本发明要解决的技术问题是提供一种面向边缘人工智能应用的QoE感知的服务增强方法，能够解决现有技术的不足，提升用户的服务体验和任务的完成率。
本发明的内容包括以下步骤，
A、物联网终端将运算任务发送至调度器，调度器根据运算任务的要求判定将运算请求发送至本地服务器或上传至数据中心；
B、建立感知质量的服务增强模型的目标和约束条件，服务增强模型用于对现有的边缘计算卸载方法进行QoE层面的调度优化，以进一步提高用户的服务体验；
C、建立两阶段调度策略，降低计算复杂度。
作为优选，步骤B中，建立感知质量的服务增强模型的目标和约束条件包括以下步骤，
在任务处理过程中，在线到达任务Tk,i (xk,i,pre_tk,i,req_qk,i)首先在调度器中被拆分，每个虚拟机VMk,j被分配一部分的任务数据，其权值为wk,i,j，该任务是由一组多个虚拟机并行完成的；在任务划分的过程中，需要满足结果精度的约束，即
Figure 731690DEST_PATH_IMAGE001
，每个虚拟机持有一个自身的任务队列；对于任务Tk,i，虚拟机被分配xk,i*wk,i,j个CPU周期的任务量，而这些子任务的外部延迟都相同，为pre_tk,i；设当新任务到达时，每个虚拟机队列中已经有几个任务，仍然在队列中等待或已经被处理，在队列Qk,j中任务Tk,i的子任务为statek,i,j，
Figure 35501DEST_PATH_IMAGE002
，
根据上述定义，队列Qk,j中的Tk,i的子任务可以被重新定义为一个元组
Figure 137450DEST_PATH_IMAGE003
，
其中的每个元素分别代表完成子任务所需的CPU周期、子任务状态和外部延迟，将
Figure 910234DEST_PATH_IMAGE004
定义为处理时间的向量，其中
Figure 231362DEST_PATH_IMAGE005
，定义
Figure 546937DEST_PATH_IMAGE006
，
Figure 413262DEST_PATH_IMAGE007
作为k类型任务的外部延迟，
Figure 194048DEST_PATH_IMAGE008
，
Figure 148229DEST_PATH_IMAGE009
，令
Figure 754528DEST_PATH_IMAGE010
表示子任务
Figure 900077DEST_PATH_IMAGE011
是否在队列
Figure 398185DEST_PATH_IMAGE012
的第l位置，
Figure 811849DEST_PATH_IMAGE013
，
第h个类型为k(Tk,h)的任务到达时，用以下h阶矩阵表示类型为k的所有在线到达任务的位置信息，
Figure 69393DEST_PATH_IMAGE014
，
Figure 559411DEST_PATH_IMAGE015
且
Figure 794083DEST_PATH_IMAGE016
，h阶矩阵的每个行向量为
Figure 137338DEST_PATH_IMAGE017
，h阶矩阵的每个列向量为
Figure 157378DEST_PATH_IMAGE018
，计算重新调度的
Figure 67565DEST_PATH_IMAGE019
中的
Figure 163435DEST_PATH_IMAGE020
子任务的服务器端延迟
Figure 404055DEST_PATH_IMAGE021
，
Figure 370611DEST_PATH_IMAGE022
，
定义重新调度的
Figure 530328DEST_PATH_IMAGE019
中的
Figure 739593DEST_PATH_IMAGE020
子任务的外部延迟为
Figure 813597DEST_PATH_IMAGE023
，
Figure 667283DEST_PATH_IMAGE024
，
重新调度的
Figure 653694DEST_PATH_IMAGE019
中的
Figure 339802DEST_PATH_IMAGE020
子任务的整个服务延迟为
Figure 578017DEST_PATH_IMAGE025
，定义
Figure 676423DEST_PATH_IMAGE026
的位置为
Figure 817423DEST_PATH_IMAGE027
，其中，
Figure 876646DEST_PATH_IMAGE028
，任务
Figure 43185DEST_PATH_IMAGE029
的服务延迟表示为，
Figure 714207DEST_PATH_IMAGE030
，
约束条件为，
目标函数
Figure 183365DEST_PATH_IMAGE031
最大化所有在线到达任务的QoE，
Figure 57780DEST_PATH_IMAGE032
确保任务分配策略在结果准确性方面满足需求，
Figure 542857DEST_PATH_IMAGE033
声明任务应该由k类型的所有虚拟机完全完成，
Figure 694484DEST_PATH_IMAGE034
表示每个分配的子任务只包含每个虚拟机的一个特定位置信息，
Figure 561640DEST_PATH_IMAGE035
声明在某个队列的任何位置上都只有一个子任务，
Figure 188931DEST_PATH_IMAGE036
和
Figure 307060DEST_PATH_IMAGE037
定义变量的域；
Figure 218253DEST_PATH_IMAGE038
和
Figure 888268DEST_PATH_IMAGE039
分别表示每个虚拟机的计算能力和虚拟机所采用AI算法的准确性，
Figure 143800DEST_PATH_IMAGE040
表示任务
Figure 439521DEST_PATH_IMAGE041
的精度要求。
作为优选，步骤C中，两阶段调度策略包括，
第一阶段，负载均衡的任务划分:对虚拟机的在线到达任务进行合理的划分，以达到负载均衡；
第二阶段，感知QoE的动态队列调度:根据所涉及任务的QoE敏感性和处理延迟，调整每个虚拟机的任务队列，使整体QoE最大。
作为优选，负载均衡的任务划分具体包括，
每个虚拟机分配一个专用的任务队列，一个任务由一组多个虚拟机并行完成；对于新到达的任务
Figure 955953DEST_PATH_IMAGE042
，调度器确定任务
Figure 937816DEST_PATH_IMAGE043
的任务分区方案，以最小化最长的任务服务器端延迟，从而实现所涉及的所有虚拟机之间的负载平衡；
总共有n个虚拟机，即
Figure 788966DEST_PATH_IMAGE044
，其中，
Figure 639110DEST_PATH_IMAGE045
和
Figure 150994DEST_PATH_IMAGE046
分别表示每个虚拟机的计算能力和虚拟机所采用AI算法的准确性；每个虚拟机在动态缓冲池中都有一个任务队列，用于k类型任务的所有虚拟机的队列可以表示为
Figure 683519DEST_PATH_IMAGE047
；权向量
Figure 772698DEST_PATH_IMAGE048
表示任务
Figure 36320DEST_PATH_IMAGE049
的任务分区方案，其中
Figure 776612DEST_PATH_IMAGE050
；具体来说，对于任务
Figure 490490DEST_PATH_IMAGE049
，有
Figure 83276DEST_PATH_IMAGE051
CPU周期分配给
Figure 275223DEST_PATH_IMAGE052
；
Figure 729076DEST_PATH_IMAGE053
，
其中
Figure 630167DEST_PATH_IMAGE046
表示虚拟机所采用AI算法的准确性，
Figure 693938DEST_PATH_IMAGE054
表示任务
Figure 797898DEST_PATH_IMAGE049
的精度要求；根据任务分区方案，完成队列
Figure 14247DEST_PATH_IMAGE055
中任务所需的CPU周期为
Figure 335507DEST_PATH_IMAGE056
Figure 153419DEST_PATH_IMAGE057
；任务
Figure 952748DEST_PATH_IMAGE058
到达后，队列
Figure 289183DEST_PATH_IMAGE055
的任务完成时间计算如下，
Figure 781344DEST_PATH_IMAGE059
为了平衡所有相关虚拟机的工作负载，同时满足对结果准确性的要求，应该尽量减少所有队列的最大完成时间；负载均衡任务划分的目标和约束可以总结为，
Figure 68975DEST_PATH_IMAGE060
最小化所有相关虚拟机的最大完成时间，
Figure 406415DEST_PATH_IMAGE061
表示任务分区方案应该满足任务的精度要求，
Figure 456411DEST_PATH_IMAGE062
声明任务应该完全由相关的虚拟机分配，
Figure 837582DEST_PATH_IMAGE063
定义变量的域。
作为优选，感知QoE的动态队列调度具体包括，
使用任务服务延迟的导数作为QoE灵敏度的值，对于在队列
Figure 363241DEST_PATH_IMAGE055
的子任务
Figure 583001DEST_PATH_IMAGE064
，QoE灵敏度可以表示为，
Figure 454880DEST_PATH_IMAGE065
，
其中服务延迟包含外部延迟
Figure 508418DEST_PATH_IMAGE066
、到目前为止的队列等待时间
Figure 521373DEST_PATH_IMAGE067
和估计的处理时间
Figure 721323DEST_PATH_IMAGE068
；解决方案是使用
Figure 745910DEST_PATH_IMAGE069
-最大导数到队列
Figure 750775DEST_PATH_IMAGE055
的
Figure 234715DEST_PATH_IMAGE069
位置；重新引入排序方法，
Figure 717649DEST_PATH_IMAGE070
，
排在前面的子任务具有较高的QoE敏感性和较短的处理时间，根据CPU周期最大的子任务的排序指标来调整每个队列的排序顺序。
本发明的有益效果是，本发明从QoE的角度来设计人工智能任务的边缘调度。针对人工智能应用的物联网任务，提出了一种基于多算法的基于质量感知的服务增强方法。该模型根据任务的QoE敏感性，优化任务分配和调度策略，使得QoE值较高。此外，此模型并发执行相同类型的任务，因此满足用户对准确性和延迟的异构性要求。针对这类NP-hard问题，提出了一种高效的两阶段调度过程。本发明可以以高QoE值、高任务完成率和低服务器端延迟来完成任务处理服务。
附图说明
图1为本发明的系统流程图。
图2为QoE和服务延迟的关系图。
图3为仿真过程中600秒的模拟时间内的QoE的对比图。
图4为仿真过程中600秒的模拟时间内的服务器端延迟对比图。
图5为仿真过程中不同任务到达率下的平均QoE的对比图。
图6为仿真过程中不同任务到达率下的任务完成率的对比图。
图7为仿真过程中600秒仿真时间内的QoE增益。
图8为MSR方法在不同QoE阈值下的任务完成率与任务到达率的关系图。
图9为在不同任务划分策略和任务到达率下的平均QoE对比图。
图10为在不同任务划分策略和任务到达率下的任务完成率对比图。
图11为在不同任务划分策略和任务到达率下的均服务器端延迟对比图。
具体实施方式
参照图1，本发明包括以下步骤，
A、物联网终端将运算任务发送至调度器，调度器根据运算任务的要求判定将运算请求发送至本地服务器或上传至数据中心；
B、建立感知质量的服务增强模型的目标和约束条件；
C、建立两阶段调度策略，降低计算复杂度。
步骤B中，建立感知质量的服务增强模型的目标和约束条件包括以下步骤，
在任务处理过程中，在线到达任务Tk,i (xk,i,pre_tk,i,req_qk,i)首先在调度器中被拆分，每个虚拟机VMk,j被分配一部分的任务数据，其权值为wk,i,j，该任务是由一组多个虚拟机并行完成的；在任务划分的过程中，需要满足结果精度的约束，即
Figure 3268DEST_PATH_IMAGE001
，每个虚拟机持有一个自身的任务队列；对于任务Tk,i，虚拟机被分配xk,i*wk,i,j个CPU周期的任务量，而这些子任务的外部延迟都相同，为pre_tk,i；设当新任务到达时，每个虚拟机队列中已经有几个任务，仍然在队列中等待或已经被处理，在队列Qk,j中任务Tk,i的子任务为statek,i,j，
Figure 913455DEST_PATH_IMAGE002
，
根据上述定义，队列Qk,j中的Tk,i的子任务可以被重新定义为一个元组
Figure 619112DEST_PATH_IMAGE003
，
其中的每个元素分别代表完成子任务所需的CPU周期、子任务状态和外部延迟，将
Figure 905737DEST_PATH_IMAGE071
定义为处理时间的向量，其中
Figure 904917DEST_PATH_IMAGE005
，定义
Figure 500852DEST_PATH_IMAGE006
，
Figure 710117DEST_PATH_IMAGE007
作为k类型任务的外部延迟，
Figure 754427DEST_PATH_IMAGE008
，
Figure 998327DEST_PATH_IMAGE009
，令
Figure 352779DEST_PATH_IMAGE072
表示子任务
Figure 65651DEST_PATH_IMAGE011
是否在队列
Figure 428500DEST_PATH_IMAGE073
的第l位置，
Figure 510594DEST_PATH_IMAGE074
，
第h个类型为k(Tk,h)的任务到达时，用以下h阶矩阵表示类型为k的所有在线到达任务的位置信息，
Figure 808851DEST_PATH_IMAGE014
，
Figure 992708DEST_PATH_IMAGE015
且
Figure 142936DEST_PATH_IMAGE016
，h阶矩阵的每个行向量为
Figure 95848DEST_PATH_IMAGE017
，h阶矩阵的每个列向量为
Figure 768269DEST_PATH_IMAGE018
，计算重新调度的
Figure 547744DEST_PATH_IMAGE019
中的
Figure 534286DEST_PATH_IMAGE075
子任务的服务器端延迟
Figure 341705DEST_PATH_IMAGE021
，
Figure 627104DEST_PATH_IMAGE022
，
定义重新调度的
Figure 785553DEST_PATH_IMAGE019
中的
Figure 779048DEST_PATH_IMAGE075
子任务的外部延迟为
Figure 706553DEST_PATH_IMAGE023
，
Figure 422574DEST_PATH_IMAGE024
，
重新调度的
Figure 802740DEST_PATH_IMAGE019
中的
Figure 724559DEST_PATH_IMAGE075
子任务的整个服务延迟为
Figure 755838DEST_PATH_IMAGE025
，定义
Figure 862334DEST_PATH_IMAGE026
的位置为
Figure 11687DEST_PATH_IMAGE027
，其中，
Figure 861831DEST_PATH_IMAGE028
，任务
Figure 747617DEST_PATH_IMAGE076
的服务延迟表示为，
Figure 290594DEST_PATH_IMAGE030
，
约束条件为，
目标函数
Figure 255138DEST_PATH_IMAGE031
最大化所有在线到达任务的QoE，
Figure 441399DEST_PATH_IMAGE032
确保任务分配策略在结果准确性方面满足需求，
Figure 198002DEST_PATH_IMAGE033
声明任务应该由k类型的所有虚拟机完全完成，
Figure 662613DEST_PATH_IMAGE034
表示每个分配的子任务只包含每个虚拟机的一个特定位置信息，
Figure 770246DEST_PATH_IMAGE035
声明在某个队列的任何位置上都只有一个子任务，
Figure 477040DEST_PATH_IMAGE077
和
Figure 88149DEST_PATH_IMAGE037
定义变量的域；
Figure 723661DEST_PATH_IMAGE038
和
Figure 53011DEST_PATH_IMAGE039
分别表示每个虚拟机的计算能力和虚拟机所采用AI算法的准确性，
Figure 297917DEST_PATH_IMAGE078
表示任务
Figure 763533DEST_PATH_IMAGE079
的精度要求。
步骤C中，两阶段调度策略包括，
第一阶段，负载均衡的任务划分:对虚拟机的在线到达任务进行合理的划分，以达到负载均衡；
第二阶段，感知QoE的动态队列调度:根据所涉及任务的QoE敏感性和处理延迟，调整每个虚拟机的任务队列，使整体QoE最大。
负载均衡的任务划分具体包括，
每个虚拟机分配一个专用的任务队列，一个任务由一组多个虚拟机并行完成；对于新到达的任务
Figure 475006DEST_PATH_IMAGE042
，调度器确定任务
Figure 760494DEST_PATH_IMAGE080
的任务分区方案，以最小化最长的任务服务器端延迟，从而实现所涉及的所有虚拟机之间的负载平衡；
总共有n个虚拟机，即
Figure 310555DEST_PATH_IMAGE044
，其中，
Figure 896257DEST_PATH_IMAGE045
和
Figure 237021DEST_PATH_IMAGE046
分别表示每个虚拟机的计算能力和虚拟机所采用AI算法的准确性；每个虚拟机在动态缓冲池中都有一个任务队列，用于k类型任务的所有虚拟机的队列可以表示为
Figure 291696DEST_PATH_IMAGE047
；权向量
Figure 629136DEST_PATH_IMAGE081
表示任务
Figure 584192DEST_PATH_IMAGE049
的任务分区方案，其中
Figure 716096DEST_PATH_IMAGE082
；具体来说，对于任务
Figure 726908DEST_PATH_IMAGE049
，有
Figure 133619DEST_PATH_IMAGE051
CPU周期分配给
Figure 802235DEST_PATH_IMAGE083
；
Figure 121352DEST_PATH_IMAGE053
，
其中
Figure 399887DEST_PATH_IMAGE046
表示虚拟机所采用AI算法的准确性，
Figure 593976DEST_PATH_IMAGE084
表示任务
Figure 8777DEST_PATH_IMAGE049
的精度要求；根据任务分区方案，完成队列
Figure 498796DEST_PATH_IMAGE055
中任务所需的CPU周期为
Figure 999047DEST_PATH_IMAGE056
Figure 725389DEST_PATH_IMAGE085
；任务
Figure 994697DEST_PATH_IMAGE058
到达后，队列
Figure 921195DEST_PATH_IMAGE055
的任务完成时间计算如下，
Figure 908743DEST_PATH_IMAGE059
为了平衡所有相关虚拟机的工作负载，同时满足对结果准确性的要求，应该尽量减少所有队列的最大完成时间；负载均衡任务划分的目标和约束可以总结为，
Figure 179056DEST_PATH_IMAGE060
最小化所有相关虚拟机的最大完成时间，
Figure 302870DEST_PATH_IMAGE061
表示任务分区方案应该满足任务的精度要求，
Figure 400270DEST_PATH_IMAGE062
声明任务应该完全由相关的虚拟机分配，
Figure 609535DEST_PATH_IMAGE063
定义变量的域。
感知QoE的动态队列调度具体包括，
使用任务服务延迟的导数作为QoE灵敏度的值，对于在队列
Figure 808172DEST_PATH_IMAGE055
的子任务
Figure 802804DEST_PATH_IMAGE086
，QoE灵敏度可以表示为，
Figure 320373DEST_PATH_IMAGE065
，
其中服务延迟包含外部延迟
Figure DEST_PATH_IMAGE087
、到目前为止的队列等待时间
Figure 328518DEST_PATH_IMAGE067
和估计的处理时间
Figure 442099DEST_PATH_IMAGE068
；解决方案是使用
Figure 540505DEST_PATH_IMAGE088
-最大导数到队列
Figure 218523DEST_PATH_IMAGE055
的
Figure 402380DEST_PATH_IMAGE088
位置；重新引入排序方法，
Figure 444285DEST_PATH_IMAGE070
，
排在前面的子任务具有较高的QoE敏感性和较短的处理时间，根据CPU周期最大的子任务的排序指标来调整每个队列的排序顺序。
两阶段调度策略可以概括为以下程序语言：
Figure 646465DEST_PATH_IMAGE089
输入为新到达的任务
Figure 505837DEST_PATH_IMAGE058
，队列的状态、VMs的结果质量、VMs的计算能力、任务日志分别记为变量Queue、 quality 、 capacity 、TaskLog。具体来说，任务日志记录队列中每个任务的等待时间，可以从系统中获得。输出是重新调度后的队列顺序。这三个功能共同构成了两阶段调度策略。函数TaskPartition和InsertTask负责任务分区，而函数ReorderTask根据它们的QoE敏感性和处理时间重新排列任务顺序。该算法首先计算新到达任务
Figure 662143DEST_PATH_IMAGE058
的分配权重
Figure DEST_PATH_IMAGE090
(第7-10行)，然后根据权重
Figure 678378DEST_PATH_IMAGE090
(第12-17行)将任务
Figure 361163DEST_PATH_IMAGE058
分配给每个VM队列。任务的重新排序由函数ReorderTask完成。上文的排名指数是使用子任务的最大完成时间来计算的(第22-25行)。最后，每个队列中的任务根据它们的排名索引重新排序。
本发明中，QoE是指用户体验质量，而且QoE的值和服务延迟是非线性相关的，虽然在传统的相关工作中也有针对QoE进行的优化，但是这类工作基本都是通过尽可能优化最小化平均服务延迟来实现较高的QoE水平。而本发明中，我们认为QoE的值和和服务延迟是非线性相关的，遵循一种“S”型的下降曲线。参照图2，纵坐标的服务延迟表示边缘服务器的处理延迟加上数据往返边缘服务器花费的传输时间。在本发明中，分别称之为服务器端延迟和外部延迟。其中，外部延迟是受网络传输带宽等影响，在到达调度器时是个已知的变量，因此本发明模型中把它视为已知量。服务器端延迟则是一个受调度方法影响的变量，因为不同的任务分配方法会带来不同的处理延迟。外部延迟和服务器端延迟共同构成了任务的服务延迟，服务延迟决定着用户的体验质量，即本发明的QoE。本发明的优化目标是最大化用户整体的QoE值，使得本发明的优化方案能够使用户群的满意度最大化，这是传统的调度方法所没有涉及到的。此外，本发明的模型也考虑了不同任务的结果精度需求不同。精度的异质性需求只是本发明模型中的一个约束条件。
性能仿真测试：
1. 实验数据:采用不同的机制来模拟所涉及的信息。在本实验中，我们假设QoE最大值为5，QoE值和服务延迟的关系设置为QoE(SD)=-4.298exp(-0.0347*SD)+1.390。对于算法池，其中相同类型的任务采用的VM数量为5个，它们执行的算法不同，计算精度分别设置为75%、80%、85%、90%、95%。计算精度要求越高，计算过程越复杂，计算要求越高。将每种VM的计算速度(f) GHz与结果精度(q)的关系定义为f=1/[c(1+q)^sc]，其中c=0.1为最小计算需求，sc=4为调整算法复杂度与性能关系的参数。在线任务按照泊松分布到达，其要求的精度服从正态分布，均值为80%，方差为0.05。每个在线到达任务的CPU周期按照[5,20]G的均匀分布进行设置。任务的外部延迟在[0.5,2.5]秒范围内均匀生成。
2. 比较算法:对以下算法进行了补充和比较:
FAFS：First-Arrive-First-Served，先来先服务的方法。此方法是一个基线，其中第一个到达的任务将以最高优先级处理。
SFR：Sensitivity-First Ranking，敏感性优先排序法。其中QoE灵敏度设置为任务外部延迟及其在QoE曲线上的等待时间之和的导数。具体来说，QoE模型中延迟和斜率最大的任务将按第一顺序分配，依此类推。
MSR：Mixed-Sensitivity Ranking，混合灵敏度排序法。该方法在考虑任务处理时间和QoE敏感性的基础上，采用混合策略对队列序列进行重新调度。处理时间短、QoE敏感性高的任务优先级高。
3. 评估指标:使用以下指标严格分析以上方法。
QoE值：对于一个外部延迟为补充属性的物联网在线到达任务，排序方法可以确定任务的处理顺序和服务器端延迟。因此，可以通过基于QoE曲线的总延迟来估计用户的QoE。
服务器端延迟：在实验中，服务器端延迟被定义为任务到达Cloudlet服务器开始，到该任务被处理完成为止。
任务完成率：在没有对任务上传数据中心进行处理的情况下，如果卸载到服务器的任务过多，那么部分任务会因为优先级较低而滞留在队列中等待。完成率表示在给定的时间限制内完成任务的比率。
评价方法如下。首先，按所述实验设置生成实验模型。然后根据所述的任务划分方法建立任务分配权向量。给定一组在线到达的任务，对它们的输入数据划分给每个VM，并根据算法规划这些任务的调度策略。最后，按照所述的任务调度方法对其性能进行仿真，分别测量其QoE值、服务器端延迟和任务完成率等指标。
为了适应任务到达率波动的实际情况，将前200秒的任务到达率λ设置为一个较大值1，将后400秒的任务到达率λ设置为一个较小值0.2，以使得虚拟机有足够的时间消耗队列中累积的任务。所有的实验结果都是在600秒的模拟时间内得到的。另外，QoE的最大值和最小值分别设置为5和1.39。
图3为不同在线到达任务下的比较方法的QoE曲线。在前200秒，QoE值较低的任务逐渐累积，队列长度和任务等待时间逐渐增加。在接下来的400秒内，随着任务到达率的降低，队列逐渐变短，导致QoE值变大。MSR方法执行得最好，大量的任务以较高的QoE值被服务器处理。此外，FAFS方法的QoE值连接成一个近乎连续的曲线，因为任务是按照到达的顺序处理的。相比之下，SFR和MSR方法的QoE值是分散的，这是因为在不影响任务到达顺序的情况下，这两种方法调整了任务处理的优先级。图4展示了这一过程中每个任务的服务器端延迟。
在图5中，前200秒的任务到达率设置为0.4到1.6，后400秒的任务到达率仍然设置为0.2，可以看出，所有比较方法的平均QoE均随着任务到达率的增加而降低。这是因为较大的任务到达率会加剧队列拥挤，导致服务器端延迟较长，QoE值较低。此外，由于综合考虑了排序指标，MSR方法在三种比较方法中表现最好。需要注意的是，随着队列长度的延长，在给定的600s的时间限制下，有些排在后面的任务无法完全处理。比较方法的任务完成率如图6所示。具体来说，当前200秒的任务到达率小于1.0的时候，任务几乎可以在仿真时间内全部完成。然而，随着任务到达率的增加，任务完成率呈线性下降。对于MSR方法，当λ= 1.6时可以完成80%以上的任务，而FAFS和SFR方法的任务完成率仅为72%左右。
图7给出了仿真时间为600s时，MSR方法相比于SFR方法的QoE增益。其中，这里的QoE增益表示QoE值相对于基线的增益。将前200秒的任务到达率设置为1，后面400秒的任务到达率设置为0.2。曲线上的每个点是任务在20秒内的平均QoE增益。从图中可以看出，QoE的增益在前20秒和后80秒接近于0。这是因为队列在这些时间窗口中刚刚开始累积或已经恢复。在这种情况下，虚拟机可以提供即时服务，因此这些方法的QoE值是类似的。然而，当任务队列拥挤时，QoE增益是令人满意的。对于SFR方法， QoE值的最大增益可达210%左右（第260秒），而对于MSR方法，其最大增益达到了250%以上（第300秒）。
图8展示了MSR方法在不同QoE阈值下的任务完成率与任务到达率的关系。在该图中，根据实际情况，一旦某个任务的QoE低于一个阈值，系统将直接放弃它（拒绝该任务或者上传到云数据中心）。传统的方法是设定一个任务期限，即QoE曲线开始下降的时间点。但是，这种方法不能充分利用计算资源来完成更多的任务。容忍QoE值的轻微下降可以为更多的任务提供一个完成的机会。与传统带有任务期限约束的方法相比(QoE= 5)，MSR方法在QoE> 3.5,QoE>4,和QoE> 4.5时可以得到更大任务完成比例。
对三种策略进行比较:1)多算法与任务划分(M-Partition)，一组虚拟机配置不同精度的算法用于处理同一类型的任务，卸载的任务根据其精度需求拆分到多个虚拟机来共同处理；2)多算法无任务划分(M-NonPartition)，一组虚拟机配置不同精度的算法用于处理同一类型的任务，但是计算卸载任务不进行拆分，而是根据精度需求安排到一个虚拟机来处理；3)单算法无任务分区(S-NonPartition)，一组虚拟机的资源分配给一个虚拟机，配置一种算法（95%）用于处理该类型的任务，卸载的任务直接安排给该虚拟机进行处理。
图9-11显示了不同任务分区策略下的任务平均QoE值、任务完成率和服务器端延迟。M-Partition策略在这三个指标中表现最好。其原因是，该任务是由一组具有不同精度和计算速度算法的虚拟机并行来完成的。相比之下，M-Nonpartition策略只能选择一个虚拟机处理一个任务，而无法满足精度的异质性需求，从而增加了处理时间。S-Nonpartition策略的性能甚至更差。这是因为所有的任务都会被一个算法不加区别地处理。虽然该算法可以提供令人满意的结果精度，但复杂的算法会导致较高的计算量和处理时间，进而影响总体的QoE值。
综上所述，本申请为提高QoE值和任务完成率提供了一种令人满意的方法。具体来说，当任务队列在λ = 1的情况下出现200秒的拥塞时，本申请的MSR方法的QoE值可以获得大约200%的增益。另外，与传统的基于任务期限的方法相比，本申请的MSR方法将QoE阈值设置为4.5，在600s的模拟时间内，大约可以完成两倍的任务。与传统的S-Nonpartition策略相比，当λ < 1时，M-Nonpartition策略也显著降低了任务的平均服务器端延迟。

Claims (3)

1.一种面向边缘人工智能应用的QoE感知的服务增强方法，其特征在于包括以下步骤，
A、物联网终端将运算任务发送至调度器，调度器根据运算任务的要求判定将运算请求发送至本地服务器或上传至数据中心；
B、建立感知质量的服务增强模型的目标和约束条件，服务增强模型用于对现有的边缘计算卸载方法进行QoE层面的调度优化，以进一步提高用户的服务体验；
建立感知质量的服务增强模型的目标和约束条件包括以下步骤，
在任务处理过程中，在线到达任务Tk,i(xk,i,pre_tk,i,req_qk,i)首先在调度器中被拆分，每个虚拟机VMk,j被分配一部分的任务数据，其权值为wk,i,j，该任务是由一组多个虚拟机并行完成的；在任务划分的过程中，需要满足结果精度的约束，即：
Figure 259633DEST_PATH_IMAGE001
，
每个虚拟机持有一个自身的任务队列；对于任务Tk,i，虚拟机被分配xk,i*wk,i,j个CPU周期的任务量，而这些子任务的外部延迟都相同，为pre_tk,i；设当新任务到达时，每个虚拟机队列中已经有几个任务，仍然在队列中等待或已经被处理，在队列Qk,j中任务Tk,i的子任务为statek,i,j，
Figure 557890DEST_PATH_IMAGE002
，
根据上述定义，队列Qk,j中的Tk,i的子任务可以被重新定义为一个元组
Figure 131960DEST_PATH_IMAGE003
，
其中的每个元素分别代表完成子任务所需的CPU周期、子任务状态和外部延迟，将
Figure 439444DEST_PATH_IMAGE004
定义为处理时间的向量，
其中
Figure 782570DEST_PATH_IMAGE005
，
定义
Figure 517308DEST_PATH_IMAGE006
，
Figure 53374DEST_PATH_IMAGE007
作为k类型任务的外部延迟，
Figure 164550DEST_PATH_IMAGE008
，
Figure 362182DEST_PATH_IMAGE009
，
令
Figure 267821DEST_PATH_IMAGE010
表示子任务
Figure 816483DEST_PATH_IMAGE011
是否在队列
Figure 200191DEST_PATH_IMAGE012
的第l位置，
Figure 517909DEST_PATH_IMAGE013
，
第h个类型为k(Tk,h)的任务到达时，用以下h阶矩阵表示类型为k的所有在线到达任务的位置信息，
Figure 594449DEST_PATH_IMAGE014
，
Figure 443456DEST_PATH_IMAGE015
且
Figure 552227DEST_PATH_IMAGE016
，
h阶矩阵的每个行向量为
Figure 724451DEST_PATH_IMAGE017
，
h阶矩阵的每个列向量为
Figure 971892DEST_PATH_IMAGE018
，
计算重新调度的
Figure 229567DEST_PATH_IMAGE019
中的
Figure 220657DEST_PATH_IMAGE020
子任务的服务器端延迟
Figure 247388DEST_PATH_IMAGE021
，
Figure 665731DEST_PATH_IMAGE022
，
定义重新调度的
Figure 162701DEST_PATH_IMAGE019
中的
Figure 957481DEST_PATH_IMAGE020
子任务的外部延迟为
Figure 838719DEST_PATH_IMAGE023
，
Figure 427963DEST_PATH_IMAGE024
，
重新调度的
Figure 660230DEST_PATH_IMAGE019
中的
Figure 993122DEST_PATH_IMAGE020
子任务的整个服务延迟为
Figure 728866DEST_PATH_IMAGE025
，
定义
Figure 754591DEST_PATH_IMAGE026
的位置为
Figure 208575DEST_PATH_IMAGE027
，其中，
Figure 814000DEST_PATH_IMAGE028
，
任务
Figure 935408DEST_PATH_IMAGE029
的服务延迟表示为，
Figure 866455DEST_PATH_IMAGE030
，
约束条件为，
目标函数
Figure 807735DEST_PATH_IMAGE031
最大化所有在线到达任务的QoE，
Figure 748009DEST_PATH_IMAGE032
确保任务分配策略在结果准确性方面满足需求，
Figure 458345DEST_PATH_IMAGE033
声明任务应该由k类型的所有虚拟机完全完成，
Figure 560294DEST_PATH_IMAGE034
表示每个分配的子任务只包含每个虚拟机的一个特定位置信息，
Figure 994729DEST_PATH_IMAGE035
声明在某个队列的任何位置上都只有一个子任务，
Figure 473115DEST_PATH_IMAGE036
和
Figure 116586DEST_PATH_IMAGE037
定义变量的域；
Figure 576386DEST_PATH_IMAGE038
和
Figure 226679DEST_PATH_IMAGE039
分别表示每个虚拟机的计算能力和虚拟机所采用AI算法的准确性，
Figure 508756DEST_PATH_IMAGE040
表示任务
Figure 193684DEST_PATH_IMAGE041
的精度要求；
C、建立两阶段调度策略，降低计算复杂度；
两阶段调度策略包括，
第一阶段，负载均衡的任务划分:对虚拟机的在线到达任务进行合理的划分，以达到负载均衡；
第二阶段，感知QoE的动态队列调度:根据所涉及任务的QoE敏感性和处理延迟，调整每个虚拟机的任务队列，使整体QoE最大。
2.如权利要求1所述的面向边缘人工智能应用的QoE感知的服务增强方法，其特征在于：负载均衡的任务划分具体包括，
每个虚拟机分配一个专用的任务队列，一个任务由一组多个虚拟机并行完成；对于新到达的任务
Figure 637435DEST_PATH_IMAGE042
，调度器确定任务
Figure 40603DEST_PATH_IMAGE043
的任务分区方案，以最小化最长的任务服务器端延迟，从而实现所涉及的所有虚拟机之间的负载平衡；
总共有n个虚拟机，即
Figure 860792DEST_PATH_IMAGE044
，其中，
Figure 400226DEST_PATH_IMAGE045
和
Figure 14878DEST_PATH_IMAGE046
分别表示每个虚拟机的计算能力和虚拟机所采用AI算法的准确性；每个虚拟机在动态缓冲池中都有一个任务队列，用于k类型任务的所有虚拟机的队列可以表示为
Figure 639764DEST_PATH_IMAGE047
；权向量
Figure 263643DEST_PATH_IMAGE048
表示任务
Figure 657584DEST_PATH_IMAGE049
的任务分区方案，其中
Figure 708717DEST_PATH_IMAGE050
；具体来说，对于任务
Figure 899527DEST_PATH_IMAGE049
，有
Figure 977030DEST_PATH_IMAGE051
CPU周期分配给
Figure 491057DEST_PATH_IMAGE052
；
Figure 713091DEST_PATH_IMAGE053
，
其中
Figure 781410DEST_PATH_IMAGE046
表示虚拟机所采用AI算法的准确性，
Figure 747092DEST_PATH_IMAGE054
表示任务
Figure 381204DEST_PATH_IMAGE049
的精度要求；根据任务分区方案，完成队列
Figure 774139DEST_PATH_IMAGE055
中任务所需的CPU周期为
Figure 860913DEST_PATH_IMAGE056
Figure 364707DEST_PATH_IMAGE057
；任务
Figure 587746DEST_PATH_IMAGE058
到达后，队列
Figure 151583DEST_PATH_IMAGE055
的任务完成时间计算如下，
Figure 460073DEST_PATH_IMAGE059
为了平衡所有相关虚拟机的工作负载，同时满足对结果准确性的要求，应该尽量减少所有队列的最大完成时间；负载均衡任务划分的目标和约束可以总结为，
Figure 767558DEST_PATH_IMAGE060
最小化所有相关虚拟机的最大完成时间，
Figure 110683DEST_PATH_IMAGE061
表示任务分区方案应该满足任务的精度要求，
Figure 173317DEST_PATH_IMAGE062
声明任务应该完全由相关的虚拟机分配，
Figure 719836DEST_PATH_IMAGE063
定义变量的域。
3.如权利要求1所述的面向边缘人工智能应用的QoE感知的服务增强方法，其特征在于：感知QoE的动态队列调度具体包括，
使用任务服务延迟的导数作为QoE灵敏度的值，对于在队列
Figure 820560DEST_PATH_IMAGE055
的子任务
Figure 768924DEST_PATH_IMAGE064
，QoE灵敏度可以表示为，
Figure 595935DEST_PATH_IMAGE065
，
其中服务延迟包含外部延迟
Figure 879017DEST_PATH_IMAGE066
、到目前为止的队列等待时间
Figure 856200DEST_PATH_IMAGE067
和估计的处理时间
Figure 846022DEST_PATH_IMAGE068
；解决方案是使用
Figure 250459DEST_PATH_IMAGE069
-最大导数到队列
Figure 505991DEST_PATH_IMAGE055
的
Figure 880340DEST_PATH_IMAGE069
位置；重新引入排序方法，
Figure 52564DEST_PATH_IMAGE070
，
排在前面的子任务具有较高的QoE敏感性和较短的处理时间，根据CPU周期最大的子任务的排序指标来调整每个队列的排序顺序。
CN202010433172.3A 2020-05-21 2020-05-21 一种面向边缘人工智能应用的QoE感知的服务增强方法 Active CN111338807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010433172.3A CN111338807B (zh) 2020-05-21 2020-05-21 一种面向边缘人工智能应用的QoE感知的服务增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010433172.3A CN111338807B (zh) 2020-05-21 2020-05-21 一种面向边缘人工智能应用的QoE感知的服务增强方法

Publications (2)

Publication Number Publication Date
CN111338807A CN111338807A (zh) 2020-06-26
CN111338807B true CN111338807B (zh) 2020-08-14

Family

ID=71184951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010433172.3A Active CN111338807B (zh) 2020-05-21 2020-05-21 一种面向边缘人工智能应用的QoE感知的服务增强方法

Country Status (1)

Country Link
CN (1) CN111338807B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597338A (zh) * 2020-10-09 2021-04-02 腾讯科技（深圳）有限公司 视频理解方法及相关装置
CN112217725B (zh) * 2020-10-13 2022-02-08 安徽极玩云科技有限公司 一种基于边缘计算的延迟优化方法
CN113176936B (zh) * 2021-05-11 2022-11-11 北京邮电大学 QoE感知的分布式边缘任务调度和资源管理方法及系统
CN114553881B (zh) * 2022-01-07 2024-04-02 优刻得科技股份有限公司 多数据中心流量调度方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018095537A1 (en) * 2016-11-25 2018-05-31 Nokia Technologies Oy Application provisioning to mobile edge
US10122547B2 (en) * 2015-08-14 2018-11-06 Nec Corporation Enabling high-bandwidth, responsive mobile applications in LTE networks
CN109257429A (zh) * 2018-09-25 2019-01-22 南京大学 一种基于深度强化学习的计算卸载调度方法
CN109756378A (zh) * 2019-01-12 2019-05-14 大连理工大学 一种车载网络下的智能计算卸载方法
CN109829332A (zh) * 2019-01-03 2019-05-31 武汉理工大学 一种基于能量收集技术的联合计算卸载方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10122547B2 (en) * 2015-08-14 2018-11-06 Nec Corporation Enabling high-bandwidth, responsive mobile applications in LTE networks
WO2018095537A1 (en) * 2016-11-25 2018-05-31 Nokia Technologies Oy Application provisioning to mobile edge
CN109257429A (zh) * 2018-09-25 2019-01-22 南京大学 一种基于深度强化学习的计算卸载调度方法
CN109829332A (zh) * 2019-01-03 2019-05-31 武汉理工大学 一种基于能量收集技术的联合计算卸载方法及装置
CN109756378A (zh) * 2019-01-12 2019-05-14 大连理工大学 一种车载网络下的智能计算卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Collaborative Mobile Edge and Cloud Computing:Tasks Unloading for Improving Users’Quality of experience in Resource-Intensive Mobile Applications;Michael P.Jet al;《2019 IEEE 4th》;20191231;正文第322-326页 *

Also Published As

Publication number Publication date
CN111338807A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111338807B (zh) 一种面向边缘人工智能应用的QoE感知的服务增强方法
CN108965024B (zh) 一种5g网络切片基于预测的虚拟网络功能调度方法
WO2020206705A1 (zh) 一种基于集群节点负载状态预测的作业调度方法
Hui et al. Improved strategies for dynamic load balancing
US8799547B2 (en) Data packet processing method for a multi core processor
JP5041805B2 (ja) データストレージシステムのサービス品質コントローラ及びサービス品質方法
CN112039965B (zh) 一种时间敏感网络中的多任务卸载方法及系统
CN111427679A (zh) 面向边缘计算的计算任务调度方法、系统、装置
CN113515351B (zh) 一种基于能耗与QoS协同优化的资源调度实现方法
US20040230675A1 (en) System and method for adaptive admission control and resource management for service time guarantees
CN109861850B (zh) 一种基于sla的无状态云工作流负载均衡调度的方法
WO2020248226A1 (zh) 一种基于负载预测的Hadoop计算任务初始分配方法
CN112000388A (zh) 基于多边缘集群协同的并发任务调度方法及装置
CN112799828A (zh) 一种基于强化学习的云平台资源调度策略
CN112799823A (zh) 边缘计算任务的在线分派调度方法和系统
CN110048966B (zh) 基于截止时间的最小化系统开销的Coflow调度方法
CN115237568A (zh) 一种面向边缘异构设备的混合权重任务调度方法及系统
CN111199316A (zh) 一种基于执行时间评估的云雾协同计算电网调度方法
Singh et al. A comparative study of various scheduling algorithms in cloud computing
Arora et al. Novel stress calculation in parallel processor systems using buddy approach with enhanced short term CPU scheduling
Dubey et al. QoS driven task scheduling in cloud computing
CN109586971B (zh) 一种基于线性关系的负载资源需求量评估方法
CN116302578A (zh) 一种QoS约束的流应用延迟确保方法及系统
CN109144664B (zh) 一种基于用户服务质量需求差异的虚拟机动态迁移方法
CN115858048A (zh) 一种面向混合关键级任务动态到达边缘卸载方法

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