CN111614754B - 面向雾计算的成本效率优化的动态自适应任务调度方法 - Google Patents

Abstract

本发明涉及雾计算技术领域，具体涉及一种面向雾计算的成本效率优化的动态自适应任务调度方法，包括：根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率R_qos；根据QoS违反率R_qos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点；本发明能够更精确地衡量系统实际运行的成本，通过该调度策略框架，实现雾计算平台在保障系统QoS的前提下自适应准确降低成本。

Description

面向雾计算的成本效率优化的动态自适应任务调度方法

技术领域

本发明涉及雾计算技术领域，具体涉及一种面向雾计算的成本效率优化的动态自适应任务调度方法。

背景技术

随着信息系统的日益复杂化、数据的急剧增加和网络的飞速发展，人们对计算、存储的需求越来越高，传统的计算存储模式已经不能满足用户的需求。作为回应，云计算的“随用随付”模式使人们能够以相对较低的价格访问所需的各种资源。渐渐成为人们存储、管理数据的一种主流方式。然而传统云计算需要将数据发送至集中的云数据中心进行处理和存储，这对于当今车联网等移动物联网来说是不可接受的，同时，传输数据带来的高时延也使得云计算不适用于时延敏感的场景。

为了克服了这一限制，人们提出了雾计算模式，通过在云服务层和用户层之间引入中间雾层，其作用是在雾节点处理时延敏感的任务请求或者将数据传输至云层进行计算和存储，从而将云服务扩展到网络边缘，以减少延迟和网络拥塞。

作为一个新兴的研究热点，雾计算自提出以来，人们就对其进行了广泛的研究，研究的重点主要集中在雾计算体系架构和任务资源选择调度策略两方面。从总体来说，雾计算体系架构分为云-雾-终端的三层架构和雾-终端的两级架构，在任务资源选择调度上，则考虑的是如何安排和放置任务从而将收益最大化。

为了保证良好的用户体验，现阶段服务提供商通常都会维持最大化QoS的资源调度策略,在造成不必要的资源浪费的同时还存在着用户QoS和成本无法平衡的问题，因此，研究面向雾计算的成本模型和QoS状态感知的资源调度方法具有重要意义。

发明内容

为了在于保障用户QoS的前提下准确减少运行成本，本发明提出一种面向雾计算的成本效率优化的动态自适应任务调度方法，包括：

S1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率R_qos；

S2、根据QoS违反率R_qos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；

S3、不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；

S4、根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点。

进一步的，QoS违反率R_qos表示为：

其中，v_k为参数k的冲突次数，s_k为参数k的成功次数，t_k代表总次数。

进一步的，步骤S3具体包括：

其中，F_g是策略函数；C_total为不易察觉状态采用的调度策略；QoS_total为不可用状态采用的调度策略；QpC为可容忍状态采用的调度策略。

进一步的，不易察觉状态采用的调度策略C_total表示为：

可容忍状态采用的调度策略Qpc表示为：

不可用状态采用的调度策略QoS_total表示为：

其中，N为雾节点的数量，C_i(k)为任务k在节点i的成本；

μ_k表示第k个参数的权值，n表示QoS参数个数，Qos_k表示第k个参数的QoS值；QoS_total表示不可用状态采用的调度策略，C_total表示不易察觉状态采用的调度策略。

进一步的，任务k在节点i的成本C_i(k)表示为：

C_i(k)＝Rent_i(k)-Income_i(k)；

Rent_i(k)＝(P_rS_i(k)+BS_i(k)+χ)t；

Income_i(k)＝P_sS_i(k)t；

其中，Rent_i(k)为任务k在节点i的租用成本，S_i(k)表示任务k所需资源部，B表示为节点的带宽价格，P_r表示雾节点i的单位租用价格，χ代表节点单位能耗价格；Income_i(k)为节点i处任务k的收入，P_s表示雾节点i的单位收益，t表示计算时间。

进一步的，第k个参数的QoS值表示为：

其中，f(R_qos)为服务质量函数。

进一步的，服务质量函数f(R_qos)表示为：

其中，R_qos表示当前节点的QoS违反率；R_qos ^max为当前所有节点中最大的QoS违反率；R_qos ^min当前所有节点中最小的QoS违反率

进一步的，根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点包括：

S41、根据雾节点容量将所有雾节点进行从大到小的降序排序，得到雾节点容量集合；

S42、从前到后遍历所有雾节点，查找容量满足当前任务k所需资源的节点，若不存在一个节点i，使节点容量S_i满足k所需资源，则结束整个流程；

S43、检测满足容量要求节点的节点信誉度，当前节点的信誉度取决于该节点历史完成任务的成功率以及完成时间；

S44、将任务放置在满足节点容量要求且信誉度等级大于0.4的节点，同时更新节点容量，完成任务分配。

本发明选取任务处理时延和吞吐量来计算评估系统当前QoS违反率，根据QoS违反率划分系统状态，引入一种基于节点租用成本以及任务收益的成本模型，更精确地衡量系统实际运行的成本，通过该调度策略框架，实现雾计算平台在保障系统QoS的前提下自适应准确降低成本。

附图说明

图1为本发明实施例的算法适用场景图；

图2为本发明实施例的整体流程图；

图3为本发明实施例的自适应任务调度策略图；

图4为本发明实施例的虚拟机放置策略图。

具体实施方式

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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出一种面向雾计算的成本效率优化的动态自适应任务调度方法，如图2，包括：

S1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率R_qos；

S2、根据QoS违反率R_qos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；

S3、不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；

S4、根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点。

实施例1

针对目前雾计算中存在的无法自适应的资源调度导致的减少成本的同时用户QoS无法得到保证的问题，本发明在已有的研究基础上，提出一种权衡QoS的成本模型以及QoS驱动的自适应资源调度方法，算法适用场景如图1所示，当分散的IoT节点将任务请求发送至雾集群管理节点，管理节点收到请求后根据请求的内容进行计算和分析，继而选择效益最高的调度策略，最后通过任务放置算法将任务分发到合适的节点上。

本实施例中，定义R_qos为系统QoS违反率，表示了系统当前QoS与期望值的差距。模型选取参数包括：

计算延迟：处理完当前任务所需时间；

吞吐量：任务所需内存容量；

违反上述一项即视为违反QoS,QoS违反率R_qos表示为：

其中v_k和s_k分别表示的是参数k的冲突次数和成功次数，t_k代表总次数，若t_k≠0，并且v_k＝t_k的情况下，此时冲突率无限大，表示当前系统提供完全不满足用户需求。如果t_k≠0，并且s_k＝t_k，那么冲突率为0，表示当前系统提供的完全符合用户需求。

构建QoS驱动的自适应任务调度框架，包括：当雾环境性能降低时，QoS可划分为三种状态：不易察觉状态(imperceptible)，可容忍状态(tolerable)，不可用状态(unusable)。具体策略表示为：

其中，F_g是策略函数；C_total为不易察觉状态采用的调度策略；QoS_total为不可用状态采用的调度策略；QpC为可容忍状态采用的调度策略。

实施例2

在实施例1的基础上，本实施例构建QoS感知的动态自适应任务调度策略。

统计所有节点的QoS违反率，用S＝{R_qos(1),R_qos(2),...,R_qos(n)}表示，找出最大的和最小的两个违反率，分别为R_qos ^max和R_qos ^min，构建基于QoS违反率的QoS模型，QoS定义如下所示：

其中，Qos_k处于[0,1]之间，如果R_qos为无限表示客户服务质量为0，系统处于不可用状态。如果R_qos为0则表示客户服务质量达到最大。其他情况下，服务质量函数f(R_qos)决定了Qos_k的值。

服务质量函数f(R_qos)的定义为：

其中，R_qos表示当前节点的QoS违反率，R_qos ^max和R_qos ^min分别表示为所有节点中最大和最小的违反率。

所有QoS参数最终合并为系统服务质量QoS_total，并QoS_total作为将不可用状态采用的调度策略，表示为：

其中，

μ_k表示第k个参数的权值，n表示QoS参数个数，Qos_k表示第k个参数的QoS值。

实施例2

本实施例在实施例1的基础上构建QoS感知的动态自适应任务调度策略。

如图3所示，构建基于节点租用成本以及任务收益的成本模型包括：设定雾节点集合以N＝{1,2,…n}表示，C_i(k)表示为任务k在节点i的成本，取决于任务收入Income_i(k)和节点租用成本Rent_i(k)，具体关系如下所示：

C_i(k)＝Rent_i(k)-Income_i(k)

其中，令S_i(k)表示任务k所需资源，则任务收入Income_i(k)可以表示为：

Income_i(k)＝P_sS_i(k)t

其中，P_s表示雾节点i的单位收益，t表示计算时间，研究表明，节点收益受到经济学中供需关系的制约，节点数量增多时，单位节点的收益则会减少，在此假设P_s定义如下：

P_s＝P-ηk₀P

其中，P表示节点标定的收益价格，η和k₀分别表示系数和雾节点数量，ηkP则为受节点数量影响衰减的收益。

节点租用Rent_i(k)成本可以用下面公式描述：

Rent_i(k)＝(P_rS_i(k)+BS_i(k)+χ)t

其中，B表示为节点的带宽价格，P_r表示雾节点i的单位租用价格，χ代表节点单位能耗价格。

综上所述，将任务k的总成本C_total作为不易察觉状态采用的调度策略，则C_total表示为：

实施例4

本实施例在实施例1～3的基础上，构建QoS感知的动态自适应任务调度策略。

构建单位成本QoS模型包括：将QoS模型与成本模型相结合，在保障QoS的前提下精准降低成本，将单位成本下的QoS模型Qpc作为可容忍状态采用的调度策略，定义为：

实施例5

本实施例提出一种根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点的具体实现方式，如图4，包括：

S41、根据雾节点容量将所有雾节点进行从大到小的降序排序，得到雾节点容量集合S：

S＝{S₁,S₂,...,S_i,...,S_n}

其中，各个雾节点容量大小为S₁≥S₂≥…≥S_n；

S42、从前到后遍历所有雾节点，查找容量满足当前任务k所需资源的节点，若不存在一个节点i，使节点容量S_i满足k所需资源，则结束整个流程；若遇到的第一个满足容量要求的节点i，则进入下一步；

S43、对节点i的信誉等级进行考察，节点信誉等级是根据雾节点i执行历史任务的情况统计得来的。每次节点i完成任务之后，系统都会根据其完成情况对其打分并记录，Score_i(n)∈[0,1]代表节点i执行第n次任务时的分数，分数取决于完成任务的成功率以及完成时间，同时考虑了时间对节点信誉等级的影响，时间越久远的分数所占权重越低，最终计算公式如下所示：

其中，m为任务总执行次数，μ为权重，定义如下所示：

其中，l为当前执行次数，任务执行次数越多，所占权值越大，最终根据节点的信誉分数划分节点的信誉度等级。

规定节点信誉分数小于0.4则为低信誉节点，放置任务时优先级最低，若低于0.2，则为不可靠节点，放置任务时忽略此节点。

S44、若节点容量满足要求且信誉度等级大于0.4，则可以放置任务到节点上，优先选择节点信誉度最大的节点放置，同时更新节点容量。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，包括以下步骤：

S1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率R_qos；

S2、根据QoS违反率R_qos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；

S3、不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；

S4、根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点。

2.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，QoS违反率R_qos表示为：

其中，v_k为参数k的冲突次数，s_k为参数k的成功次数，t_k代表总次数。

3.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，步骤S3具体包括：

其中，F_g是策略函数；C_total为不易察觉状态采用的调度策略；QoS_total为不可用状态采用的调度策略；Qpc为可容忍状态采用的调度策略。

4.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，不易察觉状态采用的调度策略C_total表示为：

可容忍状态采用的调度策略Qpc表示为：

不可用状态采用的调度策略QoS_total表示为：

其中，N为雾节点的数量，C_i(k)为任务k在节点i的成本；

μ_k表示第k个参数的权值，n表示QoS参数个数，Qos_k表示第k个参数的QoS值；QoS_total表示不可用状态采用的调度策略，C_total表示不易察觉状态采用的调度策略。

5.根据权利要求4所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，任务k在节点i的成本C_i(k)表示为：

C_i(k)＝Rent_i(k)-Income_i(k)；

Rent_i(k)＝(P_rS_i(k)+BS_i(k)+χ)t；

Income_i(k)＝P_sS_i(k)t；

其中，Rent_i(k)为任务k在节点i的租用成本，S_i(k)表示任务k所需资源部，B表示为节点的带宽价格，P_r表示雾节点i的单位租用价格，χ代表节点单位能耗价格；Income_i(k)为节点i处任务k的收入，P_s表示雾节点i的单位收益，t表示计算时间。

6.根据权利要求4所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，第k个参数的QoS值表示为：

其中，f(R_qos)为服务质量函数。

7.根据权利要求6所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，服务质量函数f(R_qos)表示为：

其中，R_qos表示当前节点的QoS违反率；R_qos ^max为当前所有节点中最大的QoS违反率；R_qos ^min当前所有节点中最小的QoS违反率。

8.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点包括：

S41、根据雾节点容量将所有雾节点进行从大到小的降序排序，得到雾节点容量集合；

S42、从前到后遍历所有雾节点，查找容量满足当前任务k所需资源的节点，若不存在一个节点i，使节点容量S_i满足k所需资源，则结束整个流程；

S43、检测满足容量要求节点的节点信誉度，当前节点的信誉度取决于该节点历史完成任务的成功率以及完成时间；

S44、将任务放置在满足节点容量要求且信誉度等级大于0.4的节点，同时更新节点容量，完成任务分配。

9.根据权利要求8所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，当前节点的信誉度表示为：

其中，m为任务总执行次数，μ为权重。

Images