CN111538571B - 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 - Google Patents
一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 Download PDFInfo
- Publication number
- CN111538571B CN111538571B CN202010202135.1A CN202010202135A CN111538571B CN 111538571 B CN111538571 B CN 111538571B CN 202010202135 A CN202010202135 A CN 202010202135A CN 111538571 B CN111538571 B CN 111538571B
- Authority
- CN
- China
- Prior art keywords
- task
- task scheduling
- edge computing
- node
- delay
- 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
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
-
- 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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种用于人工智能物联网的三层边缘计算节点任务调度的方法和系统,任务调度控制器通过改进的最短路径算法OSPA,规划物联网中点到点的最优路径,再通过初选规则和模糊逻辑算法实现设备任务调度到最优边缘计算节点。通过三层边缘计算节点任务调度的方法和系统,实现智能物联网,可以在没有人工干预的情况下,建筑、社区、或城市区域自动调节能源、功能,从而使能源效率最大化。
Description
技术领域
本发明涉及智能物联网领域,特别涉及三层边缘计算节点任务调度的系统及方法。
背景技术
随着科技的发展,人工智能化的物联网越来越多地融入我们的日常生活。智慧建筑,智慧社区、智慧城市就是其中的具体应用案例。例如,在一座智能建筑当中,当温湿度传感器检测到系统内的温度湿度时,自动启动建筑物的通风系统,供暖系统、制冷系统等交互设备,调节智慧建筑的温度与湿度;空气质量传感器检测建筑物内灰尘、甲醛、TVOC、PM2.5等成分含量,智能新风系统结合多种空气处理组件,杀菌除尘、去除PM2.5、甲醛、TVOC等有害物质,让室内空气自然清新;能源管理系统会根据传感器检测的当前建筑的能源消耗及内部环境情况,更改能源供应或调节能源消耗,比如,当能源消耗过高或者自然光照较强时,降低内部照明灯具的亮度。但目前智能物联网仍有许多不足:
一是计算资源不足,智慧建筑、智慧社区、智慧城市在运行中会产生极其庞大的数据,需要消耗大量计算资源,而现有方式无法实现可同时计算如此大的数据量。
二是实时性较差,智慧建筑、智慧社区、智慧城市运行中产生的大量数据需要运算,只有一个计算中心,无法满足智慧建筑、智慧社区、智慧城市需要及时的信息传递的要求。
三是网络传输稳定性较差,无线智能物联网由于是无线的,所以网络传输稳定性不如有线稳定,而智慧建筑、智慧社区、智慧城市又对网络传输稳定性有一定的要求。
发明内容
(一)发明目的
为克服上述现有技术存在的至少一种缺陷,通过三层边缘计算节点任务调度的系统及方法,实现智能物联网的构建,可以在没有人工干预的情况下,建筑、社区、或城市区域自动调节能源、功能,从而使能源效率最大化,本发明公开了以下技术方案。
(二)技术方案
作为本发明的第一方面,本发明公开了一种用于人工智能物联网的三层边缘计算节点任务调度的方法,包括以下步骤:
任务调度控制器通过改进的最短路径算法OSPA,完成网络中点到点的最优传输路径规划,再通过初选规则和模糊逻辑算法实现设备任务调度到最优边缘计算节点。
在一种可能的实施方式中,所述通过初选规则初筛边缘计算节点,包括:
在一种可能的实施方式中,所述通过模糊逻辑算法实现设备任务调度到最优边缘计算节点,包括:
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比三个参数作为模糊逻辑算法的输入变量,定义三个参数的隶属函数,选定模糊规则和推理方法,采用模糊逻辑算法选择候选节点中最优节点进行任务调度。
在一种可能的实施方式中,所述通过模糊逻辑算法实现设备任务调度到最优边缘计算节点,包括以下步骤:
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比进行变量模糊化,定义三个变量的隶属函数以及相应的模糊集合;
选定相应的模糊规则,通过隶属函数得到每个输入变量相应的隶属度,同时激活符合条件的模糊规则,模糊规则的条件采用逻辑与运算连接,采用取最小值法确定符合条件的模糊值;
定义最优任务调度的边缘计算节点模糊集合,以及其隶属函数,使用蕴含算子,将前提条件,即设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比,得到的结果对最优任务调度的边缘计算节点模糊集合做截断,将每个规则经过截断后的结果进行聚集,使用质心的方法去模糊化,得到最终结果。
作为本发明的第二方面,本发明还公开了一种用于人工智能物联网的三层边缘计算节点任务调度的系统,包括:
三层边缘计算节点和任务调度控制器。
所述三层边缘计算节点,第一层边缘计算节点分布在作业前端现场,且分布在现场传感器等设备上,承担起无线传感器设备接入网络,实现传输协议的转换和数据的汇集,在无线传感器设备之间联通的作用;第二层边缘计算节点分布在前端现场数据通信的总出口处,起着各条线路的数据的汇总、综合处理以及向上层提供数据,向下层发送指令的作用,充当边缘服务器的功能;第三层边缘计算节点分布在前端现场的数据中心处,收集下层发来的数据,并汇总数据,对数据任务进行综合计算以及存储;
所述任务调度控制器,用于规划物联网中点到点的最优路径,以及通过初选规则和模糊逻辑算法实现计算任务调度到最优边缘计算节点。
在一种可能的实施方式中,所述通过初选规则初筛边缘计算节点,包括:
在一种可能的实施方式中,所述通过模糊逻辑算法实现设备任务调度到最优边缘计算节点,包括:
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比三个参数作为模糊逻辑算法的输入变量,定义三个参数的隶属函数,选定模糊规则和推理方法,采用模糊逻辑算法选择候选节点中最优节点进行任务调度。
在一种可能的实施方式中,所述通过模糊逻辑算法实现设备任务调度到最优边缘计算节点,包括以下步骤:
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比进行变量模糊化,定义三个变量的隶属函数以及相应的模糊集合;
选定相应的模糊规则,通过隶属函数得到每个输入变量相应的隶属度,同时激活符合条件的模糊规则,模糊规则的条件采用逻辑与运算连接,采用取最小值法确定符合条件的模糊值;
定义最优任务调度的边缘计算节点模糊集合,以及其隶属函数,使用蕴含算子,将前提条件,即设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比,得到的结果对最优任务调度的边缘计算节点模糊集合做截断,将每个规则经过截断后的结果进行聚集,使用质心的方法去模糊化,得到最终结果。
(三)有益效果
本发明公开的一种用于人工智能物联网的三层边缘计算节点任务调度的系统和方法,具有如下有益效果:
1.计算资源充足:由边缘计算节点提供计算功能,终端设备的数据计算于每一个临近的边缘计算节点上。
2.实时性高:三层边缘计算节点网络系统可以提供及时的运算,并及时地传递数据。
3.网络传输稳定性高:当分组发生碰撞时,由于无线传输存在重传机制,确保每个任务请求报文都能上传到第一层边缘计算节点。
4.能源效率最大化:智能物联网可以在没有人工干预的情况下,建筑、社区、或城市区域自动调节能源、功能,从而使能源效率最大化。
5.人工智能:无需人工干预,即可实现建筑、社区、或城市区域自动调节能源、功能,实现智能化系统。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本发明,而不能理解为对本发明的保护范围的限制。
图1是本发明公开的一种用于人工智能物联网的三层边缘计算节点任务调度的系统的结构示意图;
图2是本发明公开的一种面向智能物联网的边缘计算任务调度方法流程示图;
图3是本发明公开的利用最短路径算法OSPA计算链路中两点间权重的示图。
图4是本发明公开的规划智能物联网网络中点到点的最优路径的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域的技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,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的具体含义。
随着科技的发展,人工智能化的物联网越来越多地融入我们的日常生活。智慧建筑,智慧社区、智慧城市就是其中的具体应用案例。智慧建筑、智慧社区、智慧城市中的智能物联网包括前端的各类传感器和交互设备。例如,当温湿度传感器检测到系统内的温度湿度时,自动启动建筑物的通风系统,供暖系统、制冷系统等交互设备,调节智慧建筑的温度与湿度。空气质量传感器检测建筑物内灰尘、甲醛、TVOC、PM2.5等成分含量,智能新风系统结合多种空气处理组件,杀菌除尘、去除PM2.5、甲醛、TVOC等有害物质,让室内空气自然清新。能源管理系统会根据传感器检测的当前建筑的能源消耗及内部环境情况,更改能源供应或调节能源消耗,比如,当能源消耗过高或者自然光照较强时,降低内部照明灯具的亮度。各种交互设备还通过采集人们使用过程中的大数据,了解用户的使用习惯及偏好,诸如舒适体感范围、使用峰谷期等,进而智能调控设备的运行参数,使整个系统维持舒适且节能的动态平衡状态。
为了对各类型的传感器采集的数据实现处理,以及满足底层交互设备交互,智能物联网不断产生需要执行的计算任务。本发明采用边缘计算的架构,计算任务产生任务请求;由任务调度控制器根据任务请求对计算资源、实时性、网络传输稳定性的需求,向各个边缘节点调度任务请求,各类型传感器以及各种底层交互设备将采集到的数据传递给边缘计算节点,由边缘节点满足任务请求而执行相关的任务计算。
为了满足智能物联网任务请求对计算资源和实时性、网络传输稳定性的差异性需求,在此设计一种边缘计算任务调度方法,该方法结合了任务调度控制器技术的三层边缘计算任务调度方法,其网络结构图如图1所示。构建一个三层边缘计算节点的网络模型,第一层边缘计算节点分布在建筑、社区或城市区域的前端现场,分布在现场传感器等设备上,承担起无线传感器设备接入网络,实现传输协议的转换和数据的汇集,无线传感器设备之间联通的作用;第二层边缘计算节点分布在前端现场数据通信的总出口处,起着各条线路的数据的汇总、综合处理以及向上层提供数据,向下层发送指令的作用,充当边缘服务器的功能;第三层边缘计算节点分布在前端现场的数据中心处,收集下层发来的数据,并汇总数据,对数据任务进行综合计算以及存储;该三层计算的分布将计算资源分配到建筑、社区或城市区域的环境中,任务调度控制器通过改进的最短路径算法OSPA实现网络中点到点的最优传输路径规划,再通过初选规则和模糊逻辑算法实现设备任务调度到最优边缘计算节点,从而满足终端设备任务对实时性和计算资源的差异性需求。
图2为一种面向智能物联网的边缘计算任务调度方法流程示图,所述步骤包括:
S1:构建一个三层边缘计算节点的网络模型,其网络拓扑图如图1。并且根据边缘计算节点所在区域的现场设备数据量规模,选定边缘计算节点的CPU频率和内存大小等性能参数。
S2:任务调度控制器通过改进的最短路径算法OSPA,规划物联网中点到点的最优路径。
任务调度控制器在规划网络中点到点的最优路径时,采用Dijkstra最短路径算法。在传统Dijkstra最短路径算法中,两点之间的链路权重往往通过单一变量或该链路性能参数的加权平均得到,在确定链路的权重时,只考虑当前链路的性能指标,而不考虑后续路径的链路质量,所以会存在当前链路性能参数较优,而选择该链路,但是该链路后面的几跳链路性能参数都非常差,使得所选传输路径的平均链路质量较差的问题。在本发明中,由于任务调度控制器维护整个物联网网络拓扑图和收集各链路质量参数,改进的最短路径算法OSPA使用源节点到目的节点路径的最小平均跳数k'hop、最小平均丢包率loss'link、最小平均传输时延T'linkdelay和最小包接收率G’四个参数的加权平均数来确定两点之间的链路权重Wij,如图3所示。
路径L(①→②→④→⑥)的源节点为①,目的节点为⑥,其中W12的k'hop、loss'link、T'linkdelay、G’的计算方法如下:
其中,kmax表示从节点①到⑥路径的最大跳数;表示①到⑥丢包率最小路径的各段链路丢包率之和,hoploss表示①到⑥丢包率最小路径的跳数;表示①到⑥传输时延最小路径的各段链路传输时延之和,hopT表示①到⑥传输时延最小路径的跳数;表示①到⑥包接收率最小路径的各段链路包接收率之和,hopG表示①到⑥包接收率最小路径的跳数。则W12计算方式如下:
W12=αk'hop+βloss'link+δT'linkdelay+μG'
其中,α+β+δ+μ=1。α,β,δ,μ的值取决于设备任务对k'hop、loss'link、T'linkdelay、G’四个参数的要求,任务调度控制器灵活调节每个任务请求的α,β,δ,μ大小。智能物联网中任意两点之间路径的各段链路的权重Wij计算方式同上。通过这种方式计算出来的权重Wij不仅考虑当前链路质量参数,还考虑了该路径后续到目的节点的链路质量。通过该方法可以避免某条路径中的某一条链路质量出现不稳定的情况时,影响后续链路的选择。
建筑、社区或城市区域中不同设备、传感器的任务对传输路径的性能需求不同,任务调度控制器根据任务请求类型的需求确定α、β、δ、μ的系数值。同时任务调度控制器获取当前物联网网络链路参数性能,计算出k'hop、loss'link、T'linkdelay、G’的实时值,并根据公式计算出Wij,任务调度控制器通过改进的最短路径算法OSPA计算网络中点到点的最优路径。图4为规划智能物联网网络中点到点的最优路径的流程图。
S3:定义设备调度任务到各层边缘计算节点的时延模型,在计算设备任务的总时延小于任务最大容忍延时的边缘计算节点中,通过初选规则选择较优的N个边缘计算节点作为任务调度的候选节点,候选边缘计算节点集合表示为{NODE_1,NODE_2,...,NODE_N}。
通过任务调度控制器收集网络各链路的数据传输速率BW,单位为bps,其中,BW={B1,B2,B3,…}。
其中,ψi表示任务Si的报文长度。
其中,λiψi表示任务Si所需边缘计算节点CPU周期数;λi系数表示任务Si的单位比特任务所需边缘计算节点CPU周期数,其大小取决于任务Si的计算复杂度;表示第n层第m个边缘计算节点CPU频率。由于本方法中考虑了边缘计算节点分层且边缘计算节点具备多核多任务的特点,所以忽略任务在边缘计算节点中的等待时延。
在计算设备任务的总时延小于任务最大容忍延时的边缘计算节点中,通过初选规则选择候选边缘计算节点步骤如下。首先,第一轮在边缘计算节点CPU利用率小于Ut的边缘计算节点中CPU频率较大的N个,其中,Ut∈[0,1],如果边缘计算节点CPU利用率小于Ut的个数小于N个,记该轮选择中满足条件的边缘计算节点个数为num1。第二轮,在边缘计算节点CPU利用率在[Ut+(R-2)*M,Ut+(R-1)*M)中选择CPU频率较大N-num1个候选节点,其中,M是每轮选择中CPU利用率的增加量,R表示第R轮,R≥2,以此类推,直到选满N个候选节点。如果直到在边缘计算节点CPU利用率等于Utmax还未选满N个候选节点,停止选择,将前几轮选择的边缘计算节点作为候选节点,记候选的边缘计算节点集合为{NODE_1,NODE_2,...,NODE_N}。
S4:将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比三个参数作为模糊逻辑算法的输入变量,定义三个参数的隶属函数,选定模糊规则和推理方法,采用模糊逻辑算法选择候选节点中最优节点进行任务调度。
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比作为模糊逻辑算法的输入变量,模糊逻辑算法的步骤如下:
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比进行变量模糊化,定义三个变量的隶属函数以及相应的模糊集合。
其中,设备任务优先级划分为四个等级,由高到低分别为: 其模糊集合为:设备任务的长度等级划分为四个等级,由高到低分别为:其模糊集合为:设备任务调度的传输时延与该任务最大容忍延时之比划分为四个等级,由高到低分别为:其相应模糊集合为:并定义设备任务的长度、设备任务优先级和设备任务调度的传输时延与该任务最大容忍延时之比分别对应的隶属函数。
选定相应的模糊规则,通过步骤(1)的隶属函数得到每个输入变量相应的隶属度,同时激活符合条件的模糊规则,模糊规则的条件采用逻辑与运算连接,采用取最小值法确定符合条件的模糊值,即:
候选边缘计算节点的最终模糊值为:
定义最优任务调度的边缘计算节点模糊集合以及其隶属函数A(u),使用蕴含算子,将前提条件,即设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比,得到的结果{μNODE_1,μNODE_2,…,μNODE_N}对最优任务调度的边缘计算节点模糊集合做截断,将每个规则经过截断后的结果进行聚集,使用质心的方法去模糊化,得到最终的结果θ
其中0<θ≤1,当θ∈[0,y1]时,选择边缘计算节点NODE_1进行设备任务调度;当θ∈(y1,y2]时,选择边缘计算节点NODE_2进行设备任务调度;当θ∈(yN-1,yN]时,选择边缘计算节点NODE_N进行设备任务调度,其中,0<y1<…<yN≤1。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围中。
Claims (8)
1.一种用于人工智能物联网的三层边缘计算节点任务调度的方法,其特征在于,包括:
构建所述三层边缘计算节点,其中第一层边缘计算节点分布在建筑、社区或城市区域的前端现场,承担起无线传感器设备接入网络,实现传输协议的转换和数据的汇集,无线传感器设备之间联通的作用;第二层边缘计算节点分布在前端现场数据通信的总出口处,起着各条线路的数据的汇总、综合处理以及向上层提供数据,向下层发送指令的作用,充当边缘服务器的功能;第三层边缘计算节点分布在前端现场的数据中心处,收集下层发来的数据,并汇总数据,对数据任务进行综合计算以及存储;
任务调度控制器根据任务请求对计算资源、实时性、网络传输稳定性的需求,向各个边缘节点调度任务请求;
各类型传感器以及各种底层交互设备将采集到的数据传递给边缘计算节点,由边缘节点满足任务请求而执行相关的任务计算;
任务调度控制器通过改进的最短路径算法OSPA,完成网络规划物联网中点到点的最优传输路径规划;其中,任务调度控制器完成链路的延时Ti c、链路丢包率路径跳数khop和包接收率G的测量;并且,所述改进的最短路径算法OSPA使用源节点到目的节点路径的最小平均跳数k'hop、最小平均丢包率loss'link、最小平均传输时延T'linkdelay和最小包接收率G’四个参数的加权平均数来确定两点之间的链路权重Wij;根据计算出的Wij,任务调度控制器通过改进的最短路径算法OSPA计算网络中点到点的最优路径;
通过初选规则和模糊逻辑算法实现设备任务调度到最优边缘计算节点。
3.根据权利要求1所述的方法,其特征在于,通过模糊逻辑算法实现设备任务调度到最优边缘计算节点,包括:将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比三个参数作为模糊逻辑算法的输入变量,定义三个参数的隶属函数,选定模糊规则和推理方法,采用模糊逻辑算法选择候选节点中最优节点进行任务调度。
4.根据权利要求3所述的方法,其特征在于,所述通过模糊逻辑算法实现设备任务调度到最优边缘计算节点,包括以下步骤:
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比进行变量模糊化,定义三个变量的隶属函数以及相应的模糊集合;
选定相应的模糊规则,通过隶属函数得到每个输入变量相应的隶属度,同时激活符合条件的模糊规则,模糊规则的条件采用逻辑与运算连接,采用取最小值法确定符合条件的模糊值;
定义最优任务调度的边缘计算节点模糊集合,以及其隶属函数,使用蕴含算子,将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比,得到的结果对最优任务调度的边缘计算节点模糊集合做截断,将每个规则经过截断后的结果进行聚集,使用质心的方法去模糊化,得到最终结果。
5.一种边缘计算架构的人工智能物联网系统,其特征在于,包括:
三层边缘计算节点,第一层边缘计算节点分布在建筑、社区或城市区域的前端现场,承担起无线传感器设备接入网络,实现传输协议的转换和数据的汇集,无线传感器设备之间联通的作用;第二层边缘计算节点分布在前端现场数据通信的总出口处,起着各条线路的数据的汇总、综合处理以及向上层提供数据,向下层发送指令的作用,充当边缘服务器的功能;第三层边缘计算节点分布在前端现场的数据中心处,收集下层发来的数据,并汇总数据,对数据任务进行综合计算以及存储;
任务调度控制器,用于规划物联网中点到点的最优路径,以及通过初选规则和模糊逻辑算法实现计算任务调度到最优边缘计算节点;所述任务调度控制器根据任务请求对计算资源、实时性、网络传输稳定性的需求,向各个边缘节点调度任务请求;各类型传感器以及各种底层交互设备将采集到的数据传递给边缘计算节点,由边缘节点满足任务请求而执行相关的任务计算;任务调度控制器通过改进的最短路径算法OSPA,完成网络规划物联网中点到点的最优传输路径规划;其中,任务调度控制器完成链路的延时Ti c、链路丢包率路径跳数khop和包接收率G的测量;并且,所述改进的最短路径算法OSPA使用源节点到目的节点路径的最小平均跳数k'hop、最小平均丢包率loss'link、最小平均传输时延T'linkdelay和最小包接收率G’四个参数的加权平均数来确定两点之间的链路权重Wij;根据计算出的Wij,任务调度控制器通过改进的最短路径算法OSPA计算网络中点到点的最优路径。
7.根据权利要求5所述的系统,其特征在于,任务调度控制器将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比三个参数作为模糊逻辑算法的输入变量,定义三个参数的隶属函数,选定模糊规则和推理方法,采用模糊逻辑算法选择候选节点中最优节点进行任务调度。
8.根据权利要求7所述的系统,其特征在于,
将设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比进行变量模糊化,定义三个变量的隶属函数以及相应的模糊集合;选定相应的模糊规则,通过隶属函数得到每个输入变量相应的隶属度,同时激活符合条件的模糊规则,模糊规则的条件采用逻辑与运算连接,采用取最小值法确定符合条件的模糊值;定义最优任务调度的边缘计算节点模糊集合,以及其隶属函数,使用蕴含算子,将前提条件,即设备任务的长度、优先级和任务调度的传输时延与该任务最大容忍延时之比,得到的结果对最优任务调度的边缘计算节点模糊集合做截断,将每个规则经过截断后的结果进行聚集,使用质心的方法去模糊化,得到最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202135.1A CN111538571B (zh) | 2020-03-20 | 2020-03-20 | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202135.1A CN111538571B (zh) | 2020-03-20 | 2020-03-20 | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538571A CN111538571A (zh) | 2020-08-14 |
CN111538571B true CN111538571B (zh) | 2021-06-29 |
Family
ID=71952087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202135.1A Active CN111538571B (zh) | 2020-03-20 | 2020-03-20 | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538571B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116982325A (zh) * | 2021-03-31 | 2023-10-31 | 华为技术有限公司 | 关于无线网络架构和空口的系统、方法和装置 |
CN113553160A (zh) * | 2021-08-03 | 2021-10-26 | 上海紫邦电气技术有限公司 | 用于人工智能物联网的边缘计算节点任务调度方法及系统 |
CN115102986B (zh) * | 2022-06-15 | 2023-12-01 | 之江实验室 | 一种边缘环境下物联网数据分发、存储方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500262A (zh) * | 2012-03-05 | 2014-01-08 | Eads飞机设计有限公司 | 用于监视结构的方法和系统 |
US9264313B1 (en) * | 2013-10-31 | 2016-02-16 | Vmware, Inc. | System and method for performing a service discovery for virtual networks |
CN110580019A (zh) * | 2019-07-24 | 2019-12-17 | 浙江双一智造科技有限公司 | 一种面向边缘计算的设备调取方法与装置 |
CN110598560A (zh) * | 2019-08-15 | 2019-12-20 | 重庆特斯联智慧科技股份有限公司 | 基于神经网络增强的夜间监控识别方法和系统 |
CN110621031A (zh) * | 2019-07-31 | 2019-12-27 | 中南大学 | 一种基于异构能量获取的多用户多任务移动边缘计算节能方法 |
CN110933157A (zh) * | 2019-11-26 | 2020-03-27 | 重庆邮电大学 | 一种面向工业物联网的边缘计算任务卸载方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8886453B2 (en) * | 2008-12-11 | 2014-11-11 | Telogis, Inc. | System and method for efficient routing on a network in the presence of multiple-edge restrictions and other constraints |
US9547828B2 (en) * | 2014-05-14 | 2017-01-17 | Cisco Technology, Inc. | Hierarchical hybrid batch-incremental learning |
CN105704031B (zh) * | 2015-12-30 | 2019-05-17 | 东软集团股份有限公司 | 一种数据传输路径确定方法及装置 |
US10063666B2 (en) * | 2016-06-14 | 2018-08-28 | Futurewei Technologies, Inc. | Modular telecommunication edge cloud system |
CN107040879B (zh) * | 2017-04-14 | 2020-04-14 | 电子科技大学 | 一种基于遗传模糊树的无线传感网节点联合移动算法 |
CN110198278B (zh) * | 2019-04-15 | 2022-05-10 | 湖南大学 | 一种车联网云端和边缘联合任务调度的Lyapunov优化方法 |
CN110210806B (zh) * | 2019-05-27 | 2023-03-24 | 大连理工大学 | 一种5g边缘计算的云基无人车架构及其控制评价方法 |
CN110120152A (zh) * | 2019-06-26 | 2019-08-13 | 杨晓艺 | 一种基于gis和边缘计算的智能交通管理平台 |
-
2020
- 2020-03-20 CN CN202010202135.1A patent/CN111538571B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500262A (zh) * | 2012-03-05 | 2014-01-08 | Eads飞机设计有限公司 | 用于监视结构的方法和系统 |
US9264313B1 (en) * | 2013-10-31 | 2016-02-16 | Vmware, Inc. | System and method for performing a service discovery for virtual networks |
CN110580019A (zh) * | 2019-07-24 | 2019-12-17 | 浙江双一智造科技有限公司 | 一种面向边缘计算的设备调取方法与装置 |
CN110621031A (zh) * | 2019-07-31 | 2019-12-27 | 中南大学 | 一种基于异构能量获取的多用户多任务移动边缘计算节能方法 |
CN110598560A (zh) * | 2019-08-15 | 2019-12-20 | 重庆特斯联智慧科技股份有限公司 | 基于神经网络增强的夜间监控识别方法和系统 |
CN110933157A (zh) * | 2019-11-26 | 2020-03-27 | 重庆邮电大学 | 一种面向工业物联网的边缘计算任务卸载方法 |
Non-Patent Citations (2)
Title |
---|
An OPC UA Sleepy Proxy Mechanism for Wireless Field Devices;Chenggen Pu ET AL;《2016 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData)》;20170504;全文 * |
边缘计算的物联网深度学习及任务卸载调度策略;苟英等;《计算机应用与软件》;20190831;第36卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111538571A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538571B (zh) | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 | |
CN110933157B (zh) | 一种面向工业物联网的边缘计算任务卸载方法 | |
Zhang et al. | A hierarchical game framework for resource management in fog computing | |
Hussein et al. | Efficient task offloading for IoT-based applications in fog computing using ant colony optimization | |
WO2023201916A1 (zh) | 一种分布式灵活资源聚合控制装置及控制方法 | |
CN106411770B (zh) | 一种基于sdn架构的数据中心网络节能路由算法 | |
CN114884895B (zh) | 一种基于深度强化学习的智能流量调度方法 | |
CN101331739A (zh) | 对等网络内容传输方法及装置 | |
CN114422349B (zh) | 基于云边端协同的深度学习模型训练和推理架构部署方法 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN111813502A (zh) | 面向工业边缘节点的计算资源管理调度方法 | |
CN116700993B (zh) | 一种负载均衡方法、装置、设备及可读存储介质 | |
CN114726743A (zh) | 一种基于联邦强化学习的服务功能链部署方法 | |
Shi et al. | Edge computing and the internet of things on agricultural green productivity | |
CN112486665A (zh) | 一种基于对等网络的边缘人工智能计算任务调度方法 | |
CN116915622A (zh) | 基于双层规划的网络资源划分和路径规划联合优化方法 | |
CN116614195A (zh) | 基于边缘容器的电碳计算智能融合终端及时间同步方法 | |
Zhu et al. | Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及系统 | |
CN102388585A (zh) | 网络优化流量控制方法、装置和系统 | |
CN113285988B (zh) | 一种基于雾计算的能耗最小化公平计算迁移方法 | |
CN115632978A (zh) | 一种多模态网络节点控制方法、装置、设备及存储介质 | |
Lu et al. | Resource-efficient distributed deep neural networks empowered by intelligent software-defined networking | |
CN113783798A (zh) | 数据传输方法及系统、边缘服务设备 | |
CN106792747A (zh) | 一种无线传感器网络的性能与功耗调整方法 |
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 |