CN112379985B - 一种云边缘计算环境下的计算任务分配方法及装置 - Google Patents

一种云边缘计算环境下的计算任务分配方法及装置 Download PDF

Info

Publication number
CN112379985B
CN112379985B CN202011280429.2A CN202011280429A CN112379985B CN 112379985 B CN112379985 B CN 112379985B CN 202011280429 A CN202011280429 A CN 202011280429A CN 112379985 B CN112379985 B CN 112379985B
Authority
CN
China
Prior art keywords
task
computing
available resource
execution
processing
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
CN202011280429.2A
Other languages
English (en)
Other versions
CN112379985A (zh
Inventor
黄勇光
吕志宁
史纪
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202011280429.2A priority Critical patent/CN112379985B/zh
Publication of CN112379985A publication Critical patent/CN112379985A/zh
Application granted granted Critical
Publication of CN112379985B publication Critical patent/CN112379985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/48Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806Task transfer initiation or dispatching
    • G06F9/4843Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061Partitioning or combining of resources
    • G06F9/5072Grid computing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/54Interprogram communication
    • G06F9/547Remote procedure calls [RPC]; Web services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00Indexing scheme relating to G06F9/00
    • G06F2209/50Indexing scheme relating to G06F9/50
    • G06F2209/503Resource availability
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00Indexing scheme relating to G06F9/00
    • G06F2209/54Indexing scheme relating to G06F9/54
    • G06F2209/544Remote
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种云边缘计算环境下的计算任务分配方法,包括获取计算任务以及可用资源设备;构建决策变量,将计算任务依次分配至各可用资源设备处理给决策变量赋值,得到各计算任务的决策变量矩阵;构建任务处理效率变量,遍历各计算任务的决策变量矩阵,并使用不同模型将计算任务分配可用资源设备处理时的执行时间、能耗和成本给任务处理效率变量赋值,得到各计算任务的目标函数组合矩阵;将符合预定条件的任务处理效率变量删除,以更新所有目标函数组合矩阵;在更新的所有目标函数组合矩阵中,将执行成本和执行能耗为最小的可用资源设备输出。实施本发明,能减少信息传输延迟,提高任务处理效率,还能合理分配计算任务实现快速处理及持久计算。

Description

一种云边缘计算环境下的计算任务分配方法及装置
技术领域
本发明涉及云计算技术领域,尤其涉及一种云边缘计算环境下的计算任务分配方法及装置。
背景技术
配电网中配置了大量采集数据及分析数据的手持终端,并采用云计算技术和边缘计算技术为手持终端提供计算和存储服务。其中,云计算技术通过可伸缩的方式为手持终端和公共云资源提供计算和存储服务,但是存在两个明显的局限性:1)手持终端到公共云资源的传播距离太长,导致移动应用的延迟太长;2)网络边缘的计算和存储不足,无法实现无处不在的移动计算。其中,边缘计算技术是将一些计算任务转移到边缘来满足手持终端不断增长的计算需求,并确保手持终端可以实时跟踪行为、位置、环境等信息,减少了手持终端与公共云资源之间敏感信息的交换,同时更加节能,但是在计算能力、可伸缩性和高能灵敏度等方面都有限,无法进行长期计算。由此可见,上述两种计算环境下的计算任务分配存在不足之处,有必要进行改进。
因此,亟需一种集成云计算技术和边缘计算技术的计算任务分配方案,不仅能减少信息传输延迟,提高任务处理效率,还能通过合理分配计算任务实现快速处理及持久计算。
发明内容
本发明实施例所要解决的技术问题在于,提供一种云边缘计算环境下的计算任务分配方法及装置,不仅能减少信息传输延迟,提高任务处理效率,还能通过合理分配计算任务实现快速处理及持久计算。
为了解决上述技术问题,本发明实施例提供了一种云边缘计算环境下的计算任务分配方法,其在由手持终端与多个边缘节点及云中心实现互联的网络上实现,所述方法包括以下步骤:
S1、获取计算任务以及可用资源设备;其中,所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心;
S2、构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态,并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则,通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的决策变量,且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵,得到每一计算任务各自对应的决策变量矩阵;
S3、构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本,遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量,并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型,通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量,且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到每一计算任务各自对应的目标函数组合矩阵;
S4、遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量,通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式,更新每一计算任务各自对应的目标函数组合矩阵;
S5、在更新后的每一计算任务各自对应的目标函数组合矩阵中,分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。
其中,所述步骤S2具体包括:
构建决策变量
Figure GDA0003638112340000021
其中,xi为决策变量,表示计算任务ti最终处理方式;
Figure GDA0003638112340000022
为计算任务ti由所述手持终端就地处理;
Figure GDA0003638112340000023
分别为计算任务ti由1~M个边缘节点之中相应一个远程处理;
Figure GDA0003638112340000031
表示计算任务ti由所述云中心远程处理;i={1,2,..,n},n为计算任务的总数;
初始化所有计算任务t1~tn各自对应的决策变量x1~xn均为0;
将所有计算任务t1~tn都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值,得到计算任务t1~tn各自对应各可用资源设备赋值后的决策变量;其中,计算任务ti对应各可用资源设备赋值后的决策变量为Xi,1~Xi,M+2;Xi,1={1,(0,0…0),0}为计算任务ti被分配至所述手持终端处理时对应赋值后的决策变量;Xi,2={0,(1,0…0),0}~Xi,M+1={0,(0,0…1),0}分别为计算任务ti被分配至1~M个边缘节点之中相应一个远程处理时对应赋值后的决策变量Xi,M+2={0,(0,0…0),1}为计算任务ti被分配至所述云中心处理时对应赋值后的决策变量;可用资源设备的总数为M+2;
将计算任务t1~tn各自所对应赋值后的所有决策变量组合成矩阵,得到计算任务t1~tn各自对应的决策变量矩阵;其中,计算任务ti对应的决策变量矩阵Xi,且
Figure GDA0003638112340000032
其中,所述步骤S3具体包括:
构建任务处理效率变量Ji,j=(Di,j,Ci,j,Ei,j);其中,Ji,j为任务处理效率变量,表示计算任务ti被分配至第j个可用资源设备处理时的最终任务处理效率;Di,j为计算任务ti被分配至第j个可用资源设备处理时的执行时间;Ei,j为计算任务ti被分配至第j个可用资源设备处理时的执行能耗;Ci,j为计算任务ti被分配至第j个可用资源设备处理时的执行成本;j={1,2,..,M+2};
遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000041
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间;其中,
Figure GDA0003638112340000042
为计算任务ti由所述手持终端就地处理时的执行时间;
Figure GDA0003638112340000043
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行时间;
Figure GDA0003638112340000044
为计算任务ti由所述云中心远程处理时的执行时间;
Figure GDA0003638112340000045
Figure GDA0003638112340000046
均采用预设任务执行时间模型
Figure GDA0003638112340000047
来计算得到的;
Figure GDA0003638112340000048
为计算任务ti数据处理时间,且
Figure GDA0003638112340000049
为计算任务ti数据通讯时间,且
Figure GDA00036381123400000410
为计算任务ti远程计算时等待时间,且
Figure GDA00036381123400000411
Ii为任务计算总量;wta为单位计算能力;si为数据量;ωi为数据敏感因数;l为网络延迟;β为可用通信带宽;Lq为数据队列长度;λ为任务到达率;
遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA00036381123400000412
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行能耗;其中,
Figure GDA00036381123400000413
为计算任务ti由所述手持终端就地处理时的执行能耗;
Figure GDA00036381123400000414
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行能耗;
Figure GDA00036381123400000415
为计算任务ti由所述云中心远程处理时的执行成本;
Figure GDA00036381123400000416
Figure GDA00036381123400000417
均采用预设手持终端能耗模型
Figure GDA00036381123400000418
来计算得到的;
Figure GDA00036381123400000419
为计算任务ti数据处理能耗,且
Figure GDA00036381123400000420
为计算任务ti数据通讯能耗,且
Figure GDA00036381123400000421
为计算任务ti远程计算时等待能耗,且
Figure GDA00036381123400000422
为每秒能量损耗;εc为远程等待能量损耗;εw为单位时间数据传输量能量损耗;
遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000051
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行成本;其中,
Figure GDA0003638112340000052
为计算任务ti由所述手持终端就地处理时的执行成本;
Figure GDA0003638112340000053
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行成本;
Figure GDA0003638112340000054
为计算任务ti由所述云中心远程时处理的执行成本;
Figure GDA0003638112340000055
Figure GDA0003638112340000056
均采用预设成本模型
Figure GDA0003638112340000057
来计算得到的;
Figure GDA0003638112340000058
表示计算任务ti远程处理成本,且
Figure GDA0003638112340000059
表示计算任务ti数据通讯成本,且
Figure GDA00036381123400000510
pi为单位时间成本;λ/为带宽成本;
根据计算所得计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本,生成计算任务t1~tn各自对应各可用资源设备赋值后的任务处理效率变量L1~Ln;其中,Li=(Ji,1,Ji,2,...,Ji,M+1,Ji,M+2),Li为计算任务ti在各可用资源设备处理时对应赋值后的任务处理效率变量的集合;
将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn;其中,
Figure GDA00036381123400000511
Pi为计算任务ti的目标函数组合矩阵。
其中,所述步骤S4具体为:
在计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn中,分别逐行查找满足执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量并删除,得到更新后的计算任务t1~tn各自对应的目标函数组合矩阵P1 /~P/ n;其中,在计算任务ti的目标函数组合矩阵Pi中,若任务处理效率变量Ji,j中执行时间Di,j<δ或执行能耗Ei,j<e,则删除,并得到更新后的计算任务ti的目标函数组合矩阵P/ i;δ为预定时间;e为预定能耗。
本发明实施例还提供了一种云边缘计算环境下的计算任务分配装置,其用于由手持终端与多个边缘节点及云中心实现互联的网络上,包括:
任务和资源获取单元,用于获取计算任务以及可用资源设备;其中,所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心;
任务决策单元,用于构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态,并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则,通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的决策变量,且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵,得到每一计算任务各自对应的决策变量矩阵;
任务处理效率统计单元,用于构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本,遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量,并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型,通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量,且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到每一计算任务各自对应的目标函数组合矩阵;
任务处理效率优化单元,用于遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量,通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式,更新每一计算任务各自对应的目标函数组合矩阵;
任务分配单元,用于在更新后的每一计算任务各自对应的目标函数组合矩阵中,分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。
其中,所述任务决策单元包括:
决策变量构建模块,用于构建决策变量
Figure GDA0003638112340000071
其中,xi为决策变量,表示计算任务ti最终处理方式;
Figure GDA0003638112340000072
为计算任务ti由所述手持终端就地处理;
Figure GDA0003638112340000073
分别为计算任务ti由1~M个边缘节点之中相应一个远程处理;
Figure GDA0003638112340000074
表示计算任务ti由所述云中心远程处理;i={1,2,..,n},n为计算任务的总数;
决策变量初始化模块,用于初始化所有计算任务t1~tn各自对应的决策变量x1~xn均为0;
决策变量赋值模块,用于将所有计算任务t1~tn都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值,得到计算任务t1~tn各自对应各可用资源设备赋值后的决策变量;其中,计算任务ti对应各可用资源设备赋值后的决策变量为Xi,1~Xi,M+2;Xi,1={1,(0,0…0),0}为计算任务ti被分配至所述手持终端处理时对应赋值后的决策变量;Xi,2={0,(1,0…0),0}~Xi,M+1={0,(0,0…1),0}分别为计算任务ti被分配至1~M个边缘节点之中相应一个远程处理时对应赋值后的决策变量Xi,M+2={0,(0,0…0),1}为计算任务ti被分配至所述云中心处理时对应赋值后的决策变量;可用资源设备的总数为M+2;
决策变量矩阵生成模块,用于将计算任务t1~tn各自所对应赋值后的所有决策变量组合成矩阵,得到计算任务t1~tn各自对应的决策变量矩阵;其中,计算任务ti对应的决策变量矩阵Xi,且
Figure GDA0003638112340000075
其中,所述任务处理效率统计单元包括:
任务处理效率变量构建模块,用于构建任务处理效率变量Ji,j=(Di,j,Ci,j,Ei,j);其中,Ji,j为任务处理效率变量,表示计算任务ti被分配至第j个可用资源设备处理时的最终任务处理效率;Di,j为计算任务ti被分配至第j个可用资源设备处理时的执行时间;Ei,j为计算任务ti被分配至第j个可用资源设备处理时的执行能耗;Ci,j为计算任务ti被分配至第j个可用资源设备处理时的执行成本;j={1,2,..,M+2};
执行时间遍历计算模块,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000081
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间;其中,
Figure GDA0003638112340000082
为计算任务ti由所述手持终端就地处理时的执行时间;
Figure GDA0003638112340000083
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行时间;
Figure GDA0003638112340000084
为计算任务ti由所述云中心远程处理时的执行时间;
Figure GDA0003638112340000085
Figure GDA0003638112340000086
均采用预设任务执行时间模型
Figure GDA0003638112340000087
来计算得到的;
Figure GDA0003638112340000088
为计算任务ti数据处理时间,且
Figure GDA0003638112340000089
为计算任务ti数据通讯时间,且
Figure GDA00036381123400000810
为计算任务ti远程计算时等待时间,且
Figure GDA00036381123400000811
Ii为任务计算总量;wta为单位计算能力;si为数据量;ωi为数据敏感因数;l为网络延迟;β为可用通信带宽;Lq为数据队列长度;λ为任务到达率;
执行能耗遍历计算模块,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000091
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行能耗;其中,
Figure GDA0003638112340000092
为计算任务ti由所述手持终端就地处理时的执行能耗;
Figure GDA0003638112340000093
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行能耗;
Figure GDA0003638112340000094
为计算任务ti由所述云中心远程处理时的执行成本;
Figure GDA0003638112340000095
Figure GDA0003638112340000096
均采用预设手持终端能耗模型
Figure GDA0003638112340000097
来计算得到的;
Figure GDA0003638112340000098
为计算任务ti数据处理能耗,且
Figure GDA0003638112340000099
Figure GDA00036381123400000910
为计算任务ti数据通讯能耗,且
Figure GDA00036381123400000911
为计算任务ti远程计算时等待能耗,且
Figure GDA00036381123400000912
为每秒能量损耗;εc为远程等待能量损耗;εw为单位时间数据传输量能量损耗;
执行成本遍历计算模块,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA00036381123400000913
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行成本;其中,
Figure GDA00036381123400000914
为计算任务ti由所述手持终端就地处理时的执行成本;
Figure GDA00036381123400000915
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行成本;
Figure GDA00036381123400000916
为计算任务ti由所述云中心远程时处理的执行成本;
Figure GDA00036381123400000917
Figure GDA00036381123400000918
均采用预设成本模型
Figure GDA00036381123400000919
来计算得到的;
Figure GDA00036381123400000920
表示计算任务ti远程处理成本,且
Figure GDA00036381123400000921
表示计算任务ti数据通讯成本,且
Figure GDA00036381123400000922
pi为单位时间成本;λ/为带宽成本;
任务处理效率变量赋值模块,用于根据计算所得计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本,生成计算任务t1~tn各自对应各可用资源设备赋值后的任务处理效率变量L1~Ln;其中,Li=(Ji,1,Ji,2,...,Ji,M+1,Ji,M+2),Li为计算任务ti在各可用资源设备处理时对应赋值后的任务处理效率变量的集合;
目标函数组合矩阵生成模块,用于将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn;其中,
Figure GDA0003638112340000101
Pi为计算任务ti的目标函数组合矩阵。
实施本发明实施例,具有如下有益效果:
本发明采用手持终端与多个边缘节点及云中心实现互联的移动云边缘计算架构,以利用云的功能资源和在边缘层访问资源的可用性,构建了任务执行时间模型、手持终端能源消耗模型和成本模型,并以执行时间为约束条件,最小化执行成本和执行能耗,实现多计算任务在手持终端、边缘中心和后台云中心之间的合理分配,发挥了手持终端的就地快速处理能力、云中心广域算力和边缘节点的信息快速传递,减少了信息传输延迟,提高了任务处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种云边缘计算环境下的计算任务分配方法的流程图;
图2为本发明实施例提供的一种云边缘计算环境下的计算任务分配方法中手持终端与多个边缘节点及云中心实现互联的网络构架图;
图3为本发明实施例提供的一种云边缘计算环境下的计算任务分配装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种云边缘计算环境下的计算任务分配方法,其在由手持终端与多个边缘节点及云中心实现互联的网络上实现(如图2所示),所述方法包括以下步骤:
S1、获取计算任务以及可用资源设备;其中,所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心;
具体过程为,获取计算任务为{t1,…,ti,…,tn},n为计算任务的总数;获取可用资源设备的总数为M+2,包括1个手持终端,M个边缘节点和1个云中心;其中,M为大于1的正整数。
S2、构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态,并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则,通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的决策变量,且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵,得到每一计算任务各自对应的决策变量矩阵;
具体过程为,首先,构建决策变量
Figure GDA0003638112340000111
其中,xi为决策变量,表示计算任务ti最终处理方式;
Figure GDA0003638112340000112
为计算任务ti由手持终端就地处理;
Figure GDA0003638112340000113
分别为计算任务ti由1~M个边缘节点之中相应一个远程处理;
Figure GDA0003638112340000114
表示计算任务ti由云中心远程处理;i={1,2,..,n}。
其次,初始化所有计算任务t1~tn各自对应的决策变量x1~xn均为0;其中,计算任务ti对应决策变量xi=0,即
Figure GDA0003638112340000115
接着,将所有计算任务t1~tn都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值,得到计算任务t1~tn各自对应各可用资源设备赋值后的决策变量;其中,计算任务ti对应各可用资源设备赋值后的决策变量为Xi,1~Xi,M+2;Xi,1={1,(0,0…0),0}为计算任务ti被分配至手持终端处理时对应赋值后的决策变量;Xi,2={0,(1,0…0),0}~Xi,M+1={0,(0,0…1),0}分别为计算任务ti被分配至1~M个边缘节点之中相应一个远程处理时对应赋值后的决策变量Xi,M+2={0,(0,0…0),1}为计算任务ti被分配至云中心处理时对应赋值后的决策变量。
然后,将计算任务t1~tn各自所对应赋值后的所有决策变量组合成矩阵,得到计算任务t1~tn各自对应的决策变量矩阵;其中,计算任务ti对应的决策变量矩阵Xi,且
Figure GDA0003638112340000121
S3、构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本,遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量,并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型,通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量,且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到每一计算任务各自对应的目标函数组合矩阵;
具体过程为,首先,构建任务处理效率变量Ji,j=(Di,j,Ci,j,Ei,j);其中,Ji,j为任务处理效率变量,表示计算任务ti被分配至第j个可用资源设备处理时的最终任务处理效率;Di,j为计算任务ti被分配至第j个可用资源设备处理时的执行时间;Ei,j为计算任务ti被分配至第j个可用资源设备处理时的执行能耗;Ci,j为计算任务ti被分配至第j个可用资源设备处理时的执行成本;j={1,2,..,M+2}。
其次,遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000131
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间;其中,
Figure GDA0003638112340000132
为计算任务ti由所述手持终端就地处理时的执行时间;
Figure GDA0003638112340000133
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行时间;
Figure GDA0003638112340000134
为计算任务ti由所述云中心远程处理时的执行时间。
应当说明的是,
Figure GDA0003638112340000135
Figure GDA0003638112340000136
均采用预设任务执行时间模型
Figure GDA0003638112340000137
来计算得到的。其中,
Figure GDA0003638112340000138
为计算任务ti数据处理时间,且
Figure GDA0003638112340000139
为计算任务ti数据通讯时间,且
Figure GDA00036381123400001310
为计算任务ti远程计算时等待时间,且
Figure GDA00036381123400001311
Ii为任务计算总量;wta为单位计算能力;si为数据量;ωi为数据敏感因数;l为网络延迟;β为可用通信带宽;Lq为数据队列长度;λ为任务到达率;
接着,遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA00036381123400001312
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行能耗;其中,
Figure GDA00036381123400001313
为计算任务ti由所述手持终端就地处理时的执行能耗;
Figure GDA0003638112340000141
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行能耗;
Figure GDA0003638112340000142
为计算任务ti由所述云中心远程处理时的执行成本。
应当说明的是,
Figure GDA0003638112340000143
Figure GDA0003638112340000144
均采用预设手持终端能耗模型
Figure GDA0003638112340000145
来计算得到的。其中,
Figure GDA0003638112340000146
为计算任务ti数据处理能耗,且
Figure GDA0003638112340000147
为计算任务ti数据通讯能耗,且
Figure GDA0003638112340000148
为计算任务ti远程计算时等待能耗,且
Figure GDA0003638112340000149
为每秒能量损耗;εc为远程等待能量损耗;εw为单位时间数据传输量能量损耗。
接着,遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA00036381123400001410
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行成本;其中,
Figure GDA00036381123400001411
为计算任务ti由所述手持终端就地处理时的执行成本;
Figure GDA00036381123400001412
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行成本;
Figure GDA00036381123400001413
为计算任务ti由所述云中心远程时处理的执行成本。
应当说明的是,
Figure GDA00036381123400001414
Figure GDA00036381123400001415
均采用预设成本模型
Figure GDA00036381123400001416
来计算得到的。其中,
Figure GDA00036381123400001417
表示计算任务ti远程处理成本,且
Figure GDA00036381123400001418
表示计算任务ti数据通讯成本,且
Figure GDA00036381123400001419
pi为单位时间成本;λ/为带宽成本。
然后,根据计算所得计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本,生成计算任务t1~tn各自对应各可用资源设备赋值后的任务处理效率变量L1~Ln;其中,Li=(Ji,1,Ji,2,...,Ji,M+1,Ji,M+2),Li为计算任务ti在各可用资源设备处理时对应赋值后的任务处理效率变量的集合。
最后,将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn;其中,
Figure GDA0003638112340000151
Pi为计算任务ti的目标函数组合矩阵。
S4、遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量,通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式,更新每一计算任务各自对应的目标函数组合矩阵;
具体过程为,在计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn中,分别逐行查找满足执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量并删除,得到更新后的计算任务t1~tn各自对应的目标函数组合矩阵P1 /~P/ n;其中,在计算任务ti的目标函数组合矩阵Pi中,若任务处理效率变量Ji,j中执行时间Di,j<δ或执行能耗Ei,j<e,则删除,并得到更新后的计算任务ti的目标函数组合矩阵P/ i;δ为预定时间;e为预定能耗。
S5、在更新后的每一计算任务各自对应的目标函数组合矩阵中,分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。
具体过程为,以执行成本和执行能耗最小为优化目标min(E.C),在更新后的计算任务t1~tn各自对应的目标函数组合矩阵P1 /~P/ n中找到对应的可用资源设备作为相应计算任务的最终分配设备输出;其中,在计算任务ti更新后的目标函数组合矩阵P/ i中,逐行查找到min(E.C)的Ji,k,则在1~M+2个可用资源设备中确定第k个可用资源设备作为计算任务ti最终被分配的设备。
应当说明的是,若k=1,则说明计算任务ti最终被分配的设备为手持终端;若k=M+2,则说明计算任务ti最终被分配的设备为云中心;若1<k<M+2,则说明计算任务ti最终被分配的设备为第k-1个边缘节点。
如图3所示,为本发明实施例中,提供的一种云边缘计算环境下的计算任务分配装置,其用于由手持终端与多个边缘节点及云中心实现互联的网络上,包括:
任务和资源获取单元110,用于获取计算任务以及可用资源设备;其中,所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心;
任务决策单元120,用于构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态,并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则,通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的决策变量,且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵,得到每一计算任务各自对应的决策变量矩阵;
任务处理效率统计单元130,用于构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本,遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量,并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型,通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量,且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到每一计算任务各自对应的目标函数组合矩阵;
任务处理效率优化单元140,用于遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量,通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式,更新每一计算任务各自对应的目标函数组合矩阵;
任务分配单元150,用于在更新后的每一计算任务各自对应的目标函数组合矩阵中,分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。
其中,所述任务决策单元120包括:
决策变量构建模块1201,用于构建决策变量
Figure GDA0003638112340000171
其中,xi为决策变量,表示计算任务ti最终处理方式;
Figure GDA0003638112340000172
为计算任务ti由所述手持终端就地处理;
Figure GDA0003638112340000173
分别为计算任务ti由1~M个边缘节点之中相应一个远程处理;
Figure GDA0003638112340000174
表示计算任务ti由所述云中心远程处理;i={1,2,..,n},n为计算任务的总数;
决策变量初始化模块1202,用于初始化所有计算任务t1~tn各自对应的决策变量x1~xn均为0;
决策变量赋值模块1203,用于将所有计算任务t1~tn都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值,得到计算任务t1~tn各自对应各可用资源设备赋值后的决策变量;其中,计算任务ti对应各可用资源设备赋值后的决策变量为Xi,1~Xi,M+2;Xi,1={1,(0,0…0),0}为计算任务ti被分配至所述手持终端处理时对应赋值后的决策变量;Xi,2={0,(1,0…0),0}~Xi,M+1={0,(0,0…1),0}分别为计算任务ti被分配至1~M个边缘节点之中相应一个远程处理时对应赋值后的决策变量Xi,M+2={0,(0,0…0),1}为计算任务ti被分配至所述云中心处理时对应赋值后的决策变量;可用资源设备的总数为M+2;
决策变量矩阵生成模块1204,用于将计算任务t1~tn各自所对应赋值后的所有决策变量组合成矩阵,得到计算任务t1~tn各自对应的决策变量矩阵;其中,计算任务ti对应的决策变量矩阵Xi,且
Figure GDA0003638112340000175
其中,所述任务处理效率统计单元130包括:
任务处理效率变量构建模块1301,用于构建任务处理效率变量Ji,j=(Di,j,Ci,j,Ei,j);其中,Ji,j为任务处理效率变量,表示计算任务ti被分配至第j个可用资源设备处理时的最终任务处理效率;Di,j为计算任务ti被分配至第j个可用资源设备处理时的执行时间;Ei,j为计算任务ti被分配至第j个可用资源设备处理时的执行能耗;Ci,j为计算任务ti被分配至第j个可用资源设备处理时的执行成本;j={1,2,..,M+2};
执行时间遍历计算模块1302,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000181
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间;其中,
Figure GDA0003638112340000182
为计算任务ti由所述手持终端就地处理时的执行时间;
Figure GDA0003638112340000183
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行时间;
Figure GDA0003638112340000184
为计算任务ti由所述云中心远程处理时的执行时间;
Figure GDA0003638112340000185
Figure GDA0003638112340000186
Figure GDA0003638112340000187
均采用预设任务执行时间模型
Figure GDA0003638112340000188
来计算得到的;
Figure GDA0003638112340000189
为计算任务ti数据处理时间,且
Figure GDA00036381123400001810
为计算任务ti数据通讯时间,且
Figure GDA00036381123400001811
为计算任务ti远程计算时等待时间,且
Figure GDA00036381123400001812
Ii为任务计算总量;wta为单位计算能力;si为数据量;ωi为数据敏感因数;l为网络延迟;β为可用通信带宽;Lq为数据队列长度;λ为任务到达率;
执行能耗遍历计算模块1303,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA0003638112340000191
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行能耗;其中,
Figure GDA0003638112340000192
为计算任务ti由所述手持终端就地处理时的执行能耗;
Figure GDA0003638112340000193
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行能耗;
Figure GDA0003638112340000194
为计算任务ti由所述云中心远程处理时的执行成本;
Figure GDA0003638112340000195
Figure GDA0003638112340000196
Figure GDA0003638112340000197
均采用预设手持终端能耗模型
Figure GDA0003638112340000198
来计算得到的;
Figure GDA0003638112340000199
为计算任务ti数据处理能耗,且
Figure GDA00036381123400001910
为计算任务ti数据通讯能耗,且
Figure GDA00036381123400001911
为计算任务ti远程计算时等待能耗,且
Figure GDA00036381123400001912
为每秒能量损耗;εc为远程等待能量损耗;εw为单位时间数据传输量能量损耗;
执行成本遍历计算模块1304,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure GDA00036381123400001913
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行成本;其中,
Figure GDA00036381123400001914
为计算任务ti由所述手持终端就地处理时的执行成本;
Figure GDA00036381123400001915
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行成本;
Figure GDA00036381123400001916
为计算任务ti由所述云中心远程时处理的执行成本;
Figure GDA00036381123400001917
Figure GDA00036381123400001918
Figure GDA00036381123400001919
均采用预设成本模型
Figure GDA00036381123400001923
来计算得到的;
Figure GDA00036381123400001920
表示计算任务ti远程处理成本,且
Figure GDA00036381123400001921
表示计算任务ti数据通讯成本,且
Figure GDA00036381123400001922
pi为单位时间成本;λ/为带宽成本;
任务处理效率变量赋值模块1305,用于根据计算所得计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本,生成计算任务t1~tn各自对应各可用资源设备赋值后的任务处理效率变量L1~Ln;其中,Li=(Ji,1,Ji,2,...,Ji,M+1,Ji,M+2),Li为计算任务ti在各可用资源设备处理时对应赋值后的任务处理效率变量的集合;
目标函数组合矩阵生成模块,用于将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn;其中,
Figure GDA0003638112340000201
Pi为计算任务ti的目标函数组合矩阵。
实施本发明实施例,具有如下有益效果:
本发明采用手持终端与多个边缘节点及云中心实现互联的移动云边缘计算架构,以利用云的功能资源和在边缘层访问资源的可用性,构建了任务执行时间模型、手持终端能源消耗模型和成本模型,并以执行时间为约束条件,最小化执行成本和执行能耗,实现多计算任务在手持终端、边缘中心和后台云中心之间的合理分配,发挥了手持终端的就地快速处理能力、云中心广域算力和边缘节点的信息快速传递,减少了信息传输延迟,提高了任务处理效率。
值得注意的是,上述装置实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。

Claims (3)

1.一种云边缘计算环境下的计算任务分配方法,其在由手持终端与多个边缘节点及云中心实现互联的网络上实现,其特征在于,所述方法包括以下步骤:
S1、获取计算任务以及可用资源设备;其中,所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心;
S2、构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态,并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则,通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的决策变量,且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵,得到每一计算任务各自对应的决策变量矩阵;
S3、构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本,遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量,并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型,通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量,且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到每一计算任务各自对应的目标函数组合矩阵;
S4、遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量,通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式,更新每一计算任务各自对应的目标函数组合矩阵;
S5、在更新后的每一计算任务各自对应的目标函数组合矩阵中,分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出;
其中,所述步骤S2具体包括:
构建决策变量
Figure FDA0003638112330000021
其中,xi为决策变量,表示计算任务ti最终处理方式;
Figure FDA0003638112330000022
为计算任务ti由所述手持终端就地处理;
Figure FDA0003638112330000023
分别为计算任务ti由1~M个边缘节点之中相应一个远程处理;
Figure FDA0003638112330000024
表示计算任务ti由所述云中心远程处理;i={1,2,..,n},n为计算任务的总数;
初始化所有计算任务t1~tn各自对应的决策变量x1~xn均为0;
将所有计算任务t1~tn都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值,得到计算任务t1~tn各自对应各可用资源设备赋值后的决策变量;其中,计算任务ti对应各可用资源设备赋值后的决策变量为Xi,1~Xi,M+2;Xi,1={1,(0,0…0),0}为计算任务ti被分配至所述手持终端处理时对应赋值后的决策变量;Xi,2={0,(1,0…0),0}~Xi,M+1={0,(0,0…1),0}分别为计算任务ti被分配至1~M个边缘节点之中相应一个远程处理时对应赋值后的决策变量Xi,M+2={0,(0,0…0),1}为计算任务ti被分配至所述云中心处理时对应赋值后的决策变量;可用资源设备的总数为M+2;
将计算任务t1~tn各自所对应赋值后的所有决策变量组合成矩阵,得到计算任务t1~tn各自对应的决策变量矩阵;其中,计算任务ti对应的决策变量矩阵Xi,且
Figure FDA0003638112330000025
其中,所述步骤S3具体包括:
构建任务处理效率变量Ji,j=(Di,j,Ci,j,Ei,j);其中,Ji,j为任务处理效率变量,表示计算任务ti被分配至第j个可用资源设备处理时的最终任务处理效率;Di,j为计算任务ti被分配至第j个可用资源设备处理时的执行时间;Ei,j为计算任务ti被分配至第j个可用资源设备处理时的执行能耗;Ci,j为计算任务ti被分配至第j个可用资源设备处理时的执行成本;j={1,2,..,M+2};
遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure FDA0003638112330000031
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间;其中,
Figure FDA0003638112330000032
为计算任务ti由所述手持终端就地处理时的执行时间;
Figure FDA0003638112330000033
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行时间;
Figure FDA0003638112330000034
为计算任务ti由所述云中心远程处理时的执行时间;
Figure FDA0003638112330000035
Figure FDA0003638112330000036
均采用预设任务执行时间模型
Figure FDA0003638112330000037
来计算得到的;
Figure FDA0003638112330000038
为计算任务ti数据处理时间,且
Figure FDA0003638112330000039
Figure FDA00036381123300000310
为计算任务ti数据通讯时间,且
Figure FDA00036381123300000311
Figure FDA00036381123300000312
为计算任务ti远程计算时等待时间,且
Figure FDA00036381123300000313
Ii为任务计算总量;wta为单位计算能力;si为数据量;ωi为数据敏感因数;l为网络延迟;β为可用通信带宽;Lq为数据队列长度;λ为任务到达率;
遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure FDA00036381123300000314
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行能耗;其中,
Figure FDA00036381123300000315
为计算任务ti由所述手持终端就地处理时的执行能耗;
Figure FDA00036381123300000316
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行能耗;
Figure FDA00036381123300000317
为计算任务ti由所述云中心远程处理时的执行成本;
Figure FDA00036381123300000318
Figure FDA00036381123300000319
均采用预设手持终端能耗模型
Figure FDA00036381123300000320
来计算得到的;
Figure FDA0003638112330000041
为计算任务ti数据处理能耗,且
Figure FDA0003638112330000042
Figure FDA0003638112330000043
为计算任务ti数据通讯能耗,且
Figure FDA0003638112330000044
Figure FDA0003638112330000045
为计算任务ti远程计算时等待能耗,且
Figure FDA0003638112330000046
Figure FDA0003638112330000047
为每秒能量损耗;εc为远程等待能量损耗;εw为单位时间数据传输量能量损耗;
遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure FDA0003638112330000048
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行成本;其中,
Figure FDA0003638112330000049
为计算任务ti由所述手持终端就地处理时的执行成本;
Figure FDA00036381123300000410
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行成本;
Figure FDA00036381123300000411
为计算任务ti由所述云中心远程时处理的执行成本;
Figure FDA00036381123300000412
Figure FDA00036381123300000413
均采用预设成本模型
Figure FDA00036381123300000414
来计算得到的;
Figure FDA00036381123300000415
表示计算任务ti远程处理成本,且
Figure FDA00036381123300000416
Figure FDA00036381123300000417
表示计算任务ti数据通讯成本,且
Figure FDA00036381123300000418
pi为单位时间成本;λ/为带宽成本;
根据计算所得计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本,生成计算任务t1~tn各自对应各可用资源设备赋值后的任务处理效率变量L1~Ln;其中,Li=(Ji,1,Ji,2,...,Ji,M+1,Ji,M+2),Li为计算任务ti在各可用资源设备处理时对应赋值后的任务处理效率变量的集合;
将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn;其中,
Figure FDA00036381123300000419
Pi为计算任务ti的目标函数组合矩阵。
2.如权利要求1所述的云边缘计算环境下的计算任务分配方法,其特征在于,所述步骤S4具体为:
在计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn中,分别逐行查找满足执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量并删除,得到更新后的计算任务t1~tn各自对应的目标函数组合矩阵P1 /~P/ n;其中,在计算任务ti的目标函数组合矩阵Pi中,若任务处理效率变量Ji,j中执行时间Di,j<δ或执行能耗Ei,j<e,则删除,并得到更新后的计算任务ti的目标函数组合矩阵P/ i;δ为预定时间;e为预定能耗。
3.一种云边缘计算环境下的计算任务分配装置,其用于由手持终端与多个边缘节点及云中心实现互联的网络上,其特征在于,包括:
任务和资源获取单元,用于获取计算任务以及可用资源设备;其中,所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心;
任务决策单元,用于构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态,并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则,通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的决策变量,且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵,得到每一计算任务各自对应的决策变量矩阵;
任务处理效率统计单元,用于构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本,遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量,并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型,通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式,得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量,且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到每一计算任务各自对应的目标函数组合矩阵;
任务处理效率优化单元,用于遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量,通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式,更新每一计算任务各自对应的目标函数组合矩阵;
任务分配单元,用于在更新后的每一计算任务各自对应的目标函数组合矩阵中,分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出;
其中,所述任务决策单元包括:
决策变量构建模块,用于构建决策变量
Figure FDA0003638112330000061
其中,xi为决策变量,表示计算任务ti最终处理方式;
Figure FDA0003638112330000062
为计算任务ti由所述手持终端就地处理;
Figure FDA0003638112330000063
分别为计算任务ti由1~M个边缘节点之中相应一个远程处理;
Figure FDA0003638112330000064
表示计算任务ti由所述云中心远程处理;i={1,2,..,n},n为计算任务的总数;
决策变量初始化模块,用于初始化所有计算任务t1~tn各自对应的决策变量x1~xn均为0;
决策变量赋值模块,用于将所有计算任务t1~tn都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值,得到计算任务t1~tn各自对应各可用资源设备赋值后的决策变量;其中,计算任务ti对应各可用资源设备赋值后的决策变量为Xi,1~Xi,M+2;Xi,1={1,(0,0…0),0}为计算任务ti被分配至所述手持终端处理时对应赋值后的决策变量;Xi,2={0,(1,0…0),0}~Xi,M+1={0,(0,0…1),0}分别为计算任务ti被分配至1~M个边缘节点之中相应一个远程处理时对应赋值后的决策变量Xi,M+2={0,(0,0…0),1}为计算任务ti被分配至所述云中心处理时对应赋值后的决策变量;可用资源设备的总数为M+2;
决策变量矩阵生成模块,用于将计算任务t1~tn各自所对应赋值后的所有决策变量组合成矩阵,得到计算任务t1~tn各自对应的决策变量矩阵;其中,计算任务ti对应的决策变量矩阵Xi,且
Figure FDA0003638112330000071
其中,所述任务处理效率统计单元包括:
任务处理效率变量构建模块,用于构建任务处理效率变量Ji,j=(Di,j,Ci,j,Ei,j);其中,Ji,j为任务处理效率变量,表示计算任务ti被分配至第j个可用资源设备处理时的最终任务处理效率;Di,j为计算任务ti被分配至第j个可用资源设备处理时的执行时间;Ei,j为计算任务ti被分配至第j个可用资源设备处理时的执行能耗;Ci,j为计算任务ti被分配至第j个可用资源设备处理时的执行成本;j={1,2,..,M+2};
执行时间遍历计算模块,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure FDA0003638112330000072
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间;其中,
Figure FDA0003638112330000073
为计算任务ti由所述手持终端就地处理时的执行时间;
Figure FDA0003638112330000074
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行时间;
Figure FDA0003638112330000075
为计算任务ti由所述云中心远程处理时的执行时间;
Figure FDA0003638112330000076
Figure FDA0003638112330000077
均采用预设任务执行时间模型
Figure FDA0003638112330000078
来计算得到的;
Figure FDA0003638112330000079
为计算任务ti数据处理时间,且
Figure FDA00036381123300000710
Figure FDA00036381123300000711
为计算任务ti数据通讯时间,且
Figure FDA00036381123300000712
Figure FDA00036381123300000713
为计算任务ti远程计算时等待时间,且
Figure FDA00036381123300000714
Ii为任务计算总量;wta为单位计算能力;si为数据量;ωi为数据敏感因数;l为网络延迟;β为可用通信带宽;Lq为数据队列长度;λ为任务到达率;
执行能耗遍历计算模块,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure FDA0003638112330000081
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行能耗;其中,
Figure FDA0003638112330000082
为计算任务ti由所述手持终端就地处理时的执行能耗;
Figure FDA0003638112330000083
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行能耗;
Figure FDA0003638112330000084
为计算任务ti由所述云中心远程处理时的执行成本;
Figure FDA0003638112330000085
Figure FDA0003638112330000086
均采用预设手持终端能耗模型
Figure FDA0003638112330000087
来计算得到的;
Figure FDA0003638112330000088
为计算任务ti数据处理能耗,且
Figure FDA0003638112330000089
Figure FDA00036381123300000810
为计算任务ti数据通讯能耗,且
Figure FDA00036381123300000811
Figure FDA00036381123300000812
为计算任务ti远程计算时等待能耗,且
Figure FDA00036381123300000813
Figure FDA00036381123300000814
为每秒能量损耗;εc为远程等待能量损耗;εw为单位时间数据传输量能量损耗;
执行成本遍历计算模块,用于遍历计算任务t1~tn各自对应的决策变量矩阵X1~Xn中所有已赋值的决策变量,通过公式
Figure FDA00036381123300000815
计算出计算任务t1~tn依次被分配至各可用资源设备上处理时的执行成本;其中,
Figure FDA00036381123300000816
为计算任务ti由所述手持终端就地处理时的执行成本;
Figure FDA00036381123300000817
分别为计算任务ti由1~M边缘节点之中相应一个远程处理时的执行成本;
Figure FDA00036381123300000818
为计算任务ti由所述云中心远程时处理的执行成本;
Figure FDA00036381123300000819
Figure FDA00036381123300000820
均采用预设成本模型
Figure FDA00036381123300000821
来计算得到的;
Figure FDA00036381123300000822
表示计算任务ti远程处理成本,且
Figure FDA00036381123300000823
Figure FDA00036381123300000824
表示计算任务ti数据通讯成本,且
Figure FDA0003638112330000091
pi为单位时间成本;λ/为带宽成本;
任务处理效率变量赋值模块,用于根据计算所得计算任务t1~tn依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本,生成计算任务t1~tn各自对应各可用资源设备赋值后的任务处理效率变量L1~Ln;其中,Li=(Ji,1,Ji,2,...,Ji,M+1,Ji,M+2),Li为计算任务ti在各可用资源设备处理时对应赋值后的任务处理效率变量的集合;
目标函数组合矩阵生成模块,用于将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵,得到计算任务t1~tn各自对应的目标函数组合矩阵P1~Pn;其中,
Figure FDA0003638112330000092
Pi为计算任务ti的目标函数组合矩阵。
CN202011280429.2A 2020-11-16 2020-11-16 一种云边缘计算环境下的计算任务分配方法及装置 Active CN112379985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011280429.2A CN112379985B (zh) 2020-11-16 2020-11-16 一种云边缘计算环境下的计算任务分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011280429.2A CN112379985B (zh) 2020-11-16 2020-11-16 一种云边缘计算环境下的计算任务分配方法及装置

Publications (2)

Publication Number Publication Date
CN112379985A CN112379985A (zh) 2021-02-19
CN112379985B true CN112379985B (zh) 2022-10-14

Family

ID=74584764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011280429.2A Active CN112379985B (zh) 2020-11-16 2020-11-16 一种云边缘计算环境下的计算任务分配方法及装置

Country Status (1)

Country Link
CN (1) CN112379985B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220459B (zh) * 2021-05-26 2023-10-10 杭州海康威视数字技术股份有限公司 一种任务处理方法及装置
CN113572857B (zh) * 2021-09-23 2021-12-03 环球数科集团有限公司 一种应用于物联网边云协同计算环境中的资源管理系统
CN115665805A (zh) * 2022-12-06 2023-01-31 北京交通大学 一种面向点云分析任务的边缘计算资源调度方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN109669768A (zh) * 2018-12-11 2019-04-23 北京工业大学 一种面向边云结合架构的资源分配和任务调度方法
CN110119317A (zh) * 2019-05-22 2019-08-13 湖南大学 一种基于遗传算法的云计算任务调度方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9128763B2 (en) * 2011-08-23 2015-09-08 Infosys Limited System and method for job scheduling optimization
US10567248B2 (en) * 2016-11-29 2020-02-18 Intel Corporation Distributed assignment of video analytics tasks in cloud computing environments to reduce bandwidth utilization
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及系统
CN111431961B (zh) * 2020-02-20 2022-05-03 重庆邮电大学 一种云数据中心的节能任务分配方法
CN111836284B (zh) * 2020-07-08 2022-04-05 重庆邮电大学 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN111930436B (zh) * 2020-07-13 2023-06-16 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN109669768A (zh) * 2018-12-11 2019-04-23 北京工业大学 一种面向边云结合架构的资源分配和任务调度方法
CN110119317A (zh) * 2019-05-22 2019-08-13 湖南大学 一种基于遗传算法的云计算任务调度方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高效能云端融合计算关键问题研究;周海航;《中国博士学位论文全文数据库》;20200615(第6期);第1-55页 *

Also Published As

Publication number Publication date
CN112379985A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112379985B (zh) 一种云边缘计算环境下的计算任务分配方法及装置
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN113011602B (zh) 一种联邦模型训练方法、装置、电子设备和存储介质
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN110851529B (zh) 算力调度方法及相关设备
CN110380891B (zh) 一种边缘计算服务资源配置方法、装置与电子设备
CN110505644B (zh) 用户任务卸载与资源分配联合优化方法
CN110071965A (zh) 一种基于云平台的数据中心管理系统
CN111176784B (zh) 一种基于极限学习机和蚁群系统的虚拟机整合方法
CN111813506A (zh) 一种基于粒子群算法资源感知计算迁移方法、装置及介质
Chen et al. Latency minimization for mobile edge computing networks
CN115129463A (zh) 算力调度方法及装置、系统及存储介质
Xu et al. A meta reinforcement learning-based virtual machine placement algorithm in mobile edge computing
Ge et al. Dominant strategy allocation of divisible network resources with limited information exchange
CN112685162A (zh) 边缘服务器异构计算资源的高效能调度方法、系统和介质
CN115086249B (zh) 一种基于深度强化学习的云数据中心资源分配方法
CN110234167B (zh) 一种信道分配方法、信道分配装置及电子设备
CN113992520A (zh) 一种虚拟网络资源的部署方法和系统
CN115269130A (zh) 算力资源调度方法与装置、介质及电子设备
Robertazzi et al. Divisible loads and parallel processing
CN111245906A (zh) 一种业务请求分配方法
CN113485718B (zh) 面向边云协同系统中的上下文感知AIoT应用程序部署方法
Zhao Concurrent control algorithm for large-scale remote multi-user information management system
CN113590335B (zh) 树形边缘网络中基于分组和延迟估计的任务负载均衡方法
CN112181604B (zh) 一种缩容目标选择方法及装置

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