CN112398917A - 面向多站融合架构的实时任务调度方法和装置 - Google Patents

Abstract

本申请提出一种面向多站融合架构的实时任务调度方法和装置，面向多站融合架构，包括：终端用户、雾计算和云计算；方法包括：根据终端用户的任务到达时间将各个任务依次存储在等待队列中；通过预设算法对等待队列中各个任务进行分级处理；按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中；每个雾服务器对接收到的任务进行处理。由此，实现充分利用雾服务器的网络资源，均衡雾计算层中每个雾节点的负载，提高任务完成率，降低任务执行时间的效果。

Description

面向多站融合架构的实时任务调度方法和装置

技术领域

本申请涉及物联网技术领域、人工智能技术领域，尤其涉及一种面向多站融合架构的实时任务调度方法和装置。

背景技术

近年来，随着5G技术的崛起和物联网技术的快速发展，越来越多的物联网设备接入了互联网中，这些物联网设备产生的通信压力、数据存储压力、计算压力越来越大，以平安城市工程为例，需要将物联网、云计算、人工智能等技术和公共安全运行管理机制相结合，从而维护城市安全、稳定运行。平安城市工程中，依赖于大规模视频监控联网系统的建设，需要借助多站融合架构提供的计算能力和高速通信网络，并结合人工智能技术可实现公安海量监控视频、图片数据的快速传输、高效解析以及预警、布控、应急处置的实时决策。然而，随着监控探头等智能设备的增加，多站融合架构背景下的“智能监控”的复杂性也随之提升。传统的云计算难以应对监控终端产生的海量异构数据，为系统带来前传链路负载急剧增加、服务中断、网络延迟等问题。

人们为了应对上述挑战，提出将雾计算的概念引入智能监控体系中的想法。雾计算通过将计算密集型任务推向边缘并在用户附近对数据进行本地处理，这样，移动网络运营商可以减少核心网和回程链路中的流量压力，同时协助将繁重的计算任务从用户设备卸载到边缘，极大减少了网络延迟。在智能监控体系中，雾计算层通常充当终端用户和云端之间的中间层，对于一些计算量相对较小的任务，可直接在雾层处理，并将结果直接反馈给用户。

然而，云雾协同环境下，传统的固定优先级调度模型或“先到先执行”的方法导致智能监控体系中某些实时任务因优先级低而被阻塞，同时每个雾服务器计算资源不同导致用户请求难以合理分配。要想充分利用雾计算中的网络资源，使雾计算中的节点高效协作，必须充分考虑多站融合架构环境下实时任务通常具有不同的优先级，以及各雾资源节点计算能力也不同。因此，一个有效的任务调度方案也十分关键。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种面向多站融合架构的实时任务调度方法和装置，其目的是实现充分利用雾服务器的网络资源，均衡雾计算层中每个雾节点的负载，提高任务完成率，降低任务执行时间的效果。

根据本发明的面向多站融合架构的实时任务调度方法包括：根据终端用户的任务到达时间将各个任务依次存储在等待队列中；通过预设算法对等待队列中各个任务进行分级处理；按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中；每个雾服务器对接收到的任务进行处理。

另外，根据本发明的面向多站融合架构的实时任务调度方法还可以具有如下附加的技术特征：

根据本发明的一些实施例，

通过预设算法对等待队列中各个任务进行分级处理，包括：

利用DE算法和MCDM方法对等待队列中的各个任务进行分级处理；

以α，β，δ作为预设阈值对各个任务的按照高、中和低三个优先级等级进行划分；

将预计处理完成时间超过截止时间的任务确定为紧急任务，赋予极高优先级；

低优先级任务＝task(i)≤α

中优先级任务＝α≤task(i)≤β

高优先级任务＝β≤task(i)≤δ

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，EFT是任务i的预计处理完成时间，DL是任务i的截止时间。

根据本发明的一些实施例，雾管理节点的调度策略包括：计算原始信息素，通过分析用户的服务请求，结合各个任务的优先级顺序，对原始信息素进行初始化；将蚂蚁随机分布在各虚拟资源节点上，根据节点转移公式选择下一节点；当蚂蚁完成一次路径搜索后，对蚂蚁所走路径进行一次信息素更新，其中，信息素更新包括虚拟机局部信息素的更新，以及时释放虚拟机；在各个任务执行完毕后，将资源释放到闲置资源队列中；当所有蚂蚁都完成了一次路径搜索后，对全部路径进行一次信息素浓度全局更新；如果信息素更新完成，结束循环并输出任务执行结果；如果没有完成信息素更新，选择下一节点，并在更新局部信息素浓度以后，更新全局信息素浓度，直到信息素浓度全局更新完成为止，结束循环并输出任务执行结果。

根据本发明的一些实施例，信息素的挥发系数的更新公式为：

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，ρ表示信息素挥发系数，gen表示计算方法迭代到第gen代，μ表示比例系数，是一个固定常数，ρ_min是ρ的最小临界值。

根据本发明的一些实施例，面向多站融合架构的实时任务调度方法还包括：将任务计算量高于预设阈值或标记永久存储数据的任务上传到云计算处理。

为达到上述目的，本发明第二方面实施例提出了一种面向多站融合架构的实时任务调度装置，包括：存储模块、分级模块、调度模块、处理模块，其中，存储模块，用于根据终端用户的任务到达时间将各个任务依次存储在等待队列中；分级模块，用于通过预设算法对等待队列中各个任务进行分级处理；调度模块，用于按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中；处理模块，用于控制每个雾服务器对接收到的任务进行处理。

另外，根据本发明上述实施例的面向多站融合架构的实时任务调度装置，还可以具有如下附加的技术特征：

进一步地，在本申请实施例的一种可能的实现方式中，分级模块具体用于：利用DE算法和MCDM方法对等待队列中的各个任务进行分级处理；以α，β，δ作为预设阈值对各个任务的按照高、中和低三个优先级等级进行划分；将预计处理完成时间超过截止时间的任务确定为紧急任务，赋予极高优先级；

低优先级任务＝task(i)≤α

中优先级任务＝α≤task(i)≤β

高优先级任务＝β≤task(i)≤δ

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，EFT是任务i的预计处理完成时间，DL是任务i的截止时间。

进一步地，在本申请实施例的一种可能的实现方式中，调度模块，具体用于：计算原始信息素，通过分析用户的服务请求，结合各个任务的优先级顺序，对原始信息素进行初始化；将蚂蚁随机分布在各虚拟资源节点上，根据节点转移公式选择下一节点；当蚂蚁完成一次路径搜索后，对蚂蚁所走路径进行一次信息素更新，其中，信息素更新包括虚拟机局部信息素的更新，以及时释放虚拟机；在各个任务执行完毕后，将资源释放到闲置资源队列中；当所有蚂蚁都完成了一次路径搜索后，对全部路径进行一次信息素浓度全局更新；如果信息素更新完成，结束循环并输出任务执行结果；如果没有完成信息素更新，选择下一节点，并在更新局部信息素浓度以后，更新全局信息素浓度，直到信息素浓度全局更新完成为止，结束循环并输出任务执行结果。

进一步地，在本申请实施例的一种可能的实现方式中，调度模块，用于更新信息素的挥发系数的公式为：

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，ρ表示信息素挥发系数，gen表示计算方法迭代到第gen代，μ表示比例系数，是一个固定常数，ρ_min是ρ的最小临界值。

进一步地，在本申请实施例的一种可能的实现方式中，调度模块，具体用于：将任务计算量高于预设阈值或标记永久存储数据的任务上传到云计算处理。

本发明实施例提供的面向多站融合架构的实时任务调度方法可以包含如下有益效果：

根据终端用户的任务到达时间将各个任务依次存储在等待队列中；通过预设算法对等待队列中各个任务进行分级处理；按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中；每个雾服务器对接收到的任务进行处理。由此，实现充分利用雾服务器的网络资源，均衡雾计算层中每个雾节点的负载，提高任务完成率，降低任务执行时间的效果。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为基于本发明实施例的面向多站融合架构的实时任务调度网络结构示意图；

图2为本发明实施例的一种面向多站融合架构的实时任务调度方法的流程示意图；

图3为基于本发明实施例的另一种面向多站融合架构的实时任务调度方法的流程示意图；

图4为本发明实施例的一种面向多站融合架构的实时任务调度装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的面向多站融合架构的实时任务调度方法与装置。

在描述本发明实施例的面向多站融合架构的实时任务调度方法之前，首先介绍基于本发明实施例的面向多站融合架构的实时任务调度网络的组成，如图1所示，基于本发明实施例的面向多站融合架构的实时任务调度网络由终端用户、雾计算、云计算组成，其中，终端用户由N个区域集群组成，每个区域集群包括最多M个用户组成；雾计算由一个雾管理节点和P个雾服务器组成，每个雾服务器都与雾管理节点相连，M和P为正整数；云计算由高性能服务器集群组成。同时，每个区域集群与一个雾服务器相连，每个雾服务器可以创建最多L个虚拟机，每个雾服务器都与云服务器相连。

图2为本发明实施例的一种面向多站融合架构的实时任务调度方法的流程示意图。如图2所示，该面向多站融合架构的实时任务调度方法，包括：

步骤101，根据终端用户的任务到达时间将各个任务依次存储在等待队列中。

其中，终端用户可以理解为基于本申请的任务调度方法的终端物联网智能设备，可以是智能人脸识别摄像头、智能红路灯调度系统或者执法记录仪及车载记录仪等，这些智能设备都需要采集和处理大量的数据。另外等待队列可以理解为与终端用户所在区域集群相连的雾服务器的任务临时存储队列。

具体的，根据终端物联网智能设备上传任务到达雾服务器的时间，雾服务器将接收到任务依次放入等待队列中。

步骤102，通过预设算法对等待队列中各个任务进行分级处理。

具体的，利用DE算法和MCDM方法对等待队列中的各个任务进行分级处理；以α，β，δ作为预设阈值对各个任务的按照高、中和低三个优先级等级进行划分；将预计处理完成时间超过截止时间的任务确定为紧急任务，赋予极高优先级；

低优先级任务＝task(i)≤α

中优先级任务＝α≤task(i)≤β

高优先级任务＝β≤task(i)≤δ

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，EFT是任务i的预计处理完成时间，DL是任务i的截止时间。

步骤103，按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中。

其中，雾管理节点的调度策略可以理解为一种根据各雾服务器的负载状态决定的一种任务在各雾服务器之间调度的策略。雾管理节点的调度策略将会把极高优先级任务就近卸载到有足够运算能力的雾服务器进行计算。而雾管理节点确定最近有足够运算能力的雾服务器的调度策略中，信息素挥发系数ρ值越大，全局搜索能力越差；ρ值越小，则局部搜索能力越差。因此合理设定ρ值会直接影响搜索结果。本发明的实施例中，通过将算法迭代的代数(0,gen]按比例映射到

之间，将ρ值以余弦函数递减方式更新，达到兼顾局部搜索和全局搜索的目的。ρ值更新公式如下：。

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，gen表示计算方法迭代到第gen代，μ表示比例系数，是一个固定常数，ρ_min是ρ的最小临界值。

具体的，在对雾服务器中的任务队列进行分级和排序以后，确定其中极高优先级任务，然后，使用本发明的面向多站融合架构的实时任务调度方法，获得就近的有足够运算能力的雾服务器，将极高优先级的任务卸载到该雾服务器。其中，如图3所示，获得就近的有足够运算能力的雾服务器的具体方法可以是，计算原始信息素，通过分析用户的服务请求，结合各个任务的优先级顺序，对原始信息素进行初始化；将蚂蚁随机分布在各虚拟资源节点上，根据节点转移公式选择下一节点；当蚂蚁完成一次路径搜索后，对蚂蚁所走路径进行一次信息素更新，其中，信息素更新包括虚拟机局部信息素的更新，以及时释放虚拟机；在各个任务执行完毕后，将资源释放到闲置资源队列中；当所有蚂蚁都完成了一次路径搜索后，对全部路径进行一次信息素浓度全局更新；如果信息素更新完成，结束循环并输出任务执行结果；如果没有完成信息素更新，选择下一节点，并在更新局部信息素浓度以后，更新全局信息素浓度，直到信息素浓度全局更新完成为止，结束循环并输出任务执行结果。

需要理解的是，在对雾服务器队列中的任务进行重新分级和排序以后，可以将其中计算复杂度高于预设阀值或带有需要永久存储数据的任务上传到云服务器处理，以减轻雾服务器的负载压力，同时也可以根据需要，将一些时延敏感度低的任务上传到云服务器处理。

步骤104，每个雾服务器对接收到的任务进行处理。

其中，每个雾服务器接收到的任务分为两类，第一类是与雾服务器相连的区域集群中的用户上传的任务，第二类是有雾管理节点调度过来的任务。

具体的，雾服务器按照队列中的第一类任务的排序顺序，依次分配相应的运算能力和运算资源，完成任务的处理。同时，在接收到第二类任务的时候，专门建立一个虚拟机，立即处理该第二类任务。

为了实现上述实施例，本申请还提出一种面向多站融合架构的实时任务调度装置。

图4为本发明实施例提供的一种面向多站融合架构的实时任务调度装置的结构示意图。

如图4所示，该装置包括：分级模块401、分级模块402、调度模块403、处理模块404。

存储模块401，用于根据终端用户的任务到达时间将各个任务依次存储在等待队列中；

分级模块402，用于通过预设算法对等待队列中各个任务进行分级处理；

调度模块403，用于按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中；

处理模块404，用于控制每个雾服务器对接收到的任务进行处理。

进一步地，在本申请实施例的一种可能的实现方式中，分级模块，具体用于：利用DE算法和MCDM方法对等待队列中的各个任务进行分级处理；以α，β，δ作为预设阈值对各个任务的按照高、中和低三个优先级等级进行划分；将预计处理完成时间超过截止时间的任务确定为紧急任务，赋予极高优先级；

低优先级任务＝task(i)≤α

中优先级任务＝α≤task(i)≤β

高优先级任务＝β≤task(i)≤δ

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，EFT是任务i的预计处理完成时间，DL是任务i的截止时间。

进一步地，在本申请实施例的一种可能的实现方式中，调度模块，具体用于：计算原始信息素，通过分析用户的服务请求，结合各个任务的优先级顺序，对原始信息素进行初始化；将蚂蚁随机分布在各虚拟资源节点上，根据节点转移公式选择下一节点；当蚂蚁完成一次路径搜索后，对蚂蚁所走路径进行一次信息素更新，其中，信息素更新包括虚拟机局部信息素的更新，以及时释放虚拟机；在各个任务执行完毕后，将资源释放到闲置资源队列中；当所有蚂蚁都完成了一次路径搜索后，对全部路径进行一次信息素浓度全局更新；如果信息素更新完成，结束循环并输出任务执行结果；如果没有完成信息素更新，选择下一节点，并在更新局部信息素浓度以后，更新全局信息素浓度，直到信息素浓度全局更新完成为止，结束循环并输出任务执行结果。

进一步地，在本申请实施例的一种可能的实现方式中，调度模块，用于更新信息素的挥发系数的公式为：

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，ρ表示信息素挥发系数，gen表示计算方法迭代到第gen代，μ表示比例系数，是一个固定常数，ρ_min是ρ的最小临界值。

进一步地，在本申请实施例的一种可能的实现方式中，调度模块，具体用于：将任务计算量高于预设阈值或标记永久存储数据的任务上传到云计算处理。

需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

本发明实施例的面向多站融合架构的实时任务调度装置，存储模块根据终端用户的任务到达时间将各个任务依次存储在等待队列中；分级模块通过预设算法对等待队列中各个任务进行分级处理；调度模块按照分级处理结果和雾管理节点的调度策略将各个任务加载到对应的雾服务器中；处理模块控制每个雾服务器对接收到的任务进行处理。由此，实现充分利用雾服务器的网络资源，均衡雾计算层中每个雾节点的负载，提高任务完成率，降低任务执行时间的效果。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种面向多站融合架构的实时任务调度方法，其特征在于，面向多站融合架构，包括：终端用户、雾计算和云计算，其中，所述终端用户由N个区域集群组成，每个所述区域集群包括最多M个用户组成；所述雾计算由一个雾管理节点和P个雾服务器组成，每个所述雾服务器都与雾管理节点相连；其中，M和P为正整数，所述云计算由高性能服务器集群组成，包括：

根据所述终端用户的任务到达时间将各个任务依次存储在等待队列中；

通过预设算法对所述等待队列中所述各个任务进行分级处理；

按照所述分级处理结果和所述雾管理节点的调度策略将所述各个任务加载到对应的雾服务器中；

每个所述雾服务器对接收到的任务进行处理。

2.如权利要求1所述的方法，其特征在于，所述通过预设算法对所述等待队列中所述各个任务进行分级处理，包括：

利用DE算法和MCDM方法对所述等待队列中的所述各个任务进行分级处理；

以α，β，δ作为预设阈值对所述各个任务的按照高、中和低三个优先级等级进行划分；

将预计处理完成时间超过截止时间的任务确定为紧急任务，赋予极高优先级；

低优先级任务＝task(i)≤α

中优先级任务＝α≤task(i)≤β

高优先级任务＝β≤task(i)≤δ

极高优先级任务＝task(i)＞δandEFT_task(i₎＞DL_task(i)

其中，EFT是任务i的预计处理完成时间，DL是任务i的截止时间。

3.如权利要求1所述的方法，其特征在于，所述雾管理节点的调度策略，包括：

计算原始信息素，通过分析用户的服务请求，结合所述各个任务的优先级顺序，对所述原始信息素进行初始化；

将蚂蚁随机分布在各虚拟资源节点上，根据节点转移公式选择下一节点；

当所述蚂蚁完成一次路径搜索后，对所述蚂蚁所走所述路径进行一次信息素更新，其中，所述信息素更新包括所述虚拟机局部信息素的更新，以及时释放所述虚拟机；

在所述各个任务执行完毕后，将资源释放到闲置资源队列中；

当所有所述蚂蚁都完成了一次路径搜索后，对全部所述路径进行一次信息素浓度全局更新；

如果所述信息素更新完成，结束循环并输出任务执行结果；

如果没有完成信息素更新，选择下一节点，并在更新局部信息素浓度以后，更新全局信息素浓度，直到信息素浓度全局更新完成为止，结束循环并输出任务执行结果。

4.如权利要求3所述的方法，所述信息素的挥发系数的更新公式为：

极高优先级任务＝task(i)＞δandEFT_task(i)＞DL_task(i)

其中，ρ表示信息素挥发系数，gen表示计算方法迭代到第gen代，μ表示比例系数，是一个固定常数，ρ_min是ρ的最小临界值。

5.如权利要求1所述的方法，所述面向多站融合架构的实时任务调度方法，还包括：

将任务计算量高于预设阈值或标记永久存储数据的任务上传到所述云计算处理。

6.一种面向多站融合架构的实时任务调度装置，包括：

存储模块，用于根据所述终端用户的任务到达时间将各个任务依次存储在等待队列中；

分级模块，用于通过预设算法对所述等待队列中所述各个任务进行分级处理；

调度模块，用于按照所述分级处理结果和所述雾管理节点的调度策略将所述各个任务加载到对应的雾服务器中；

处理模块，用于控制每个所述雾服务器对接收到的任务进行处理。

7.如权利要求6所述的装置，所述分级模块，具体用于：

利用DE算法和MCDM方法对所述等待队列中的所述各个任务进行分级处理；

以α，β，δ作为预设阈值对所述各个任务的按照高、中和低三个优先级等级进行划分；

将预计处理完成时间超过截止时间的任务确定为紧急任务，赋予极高优先级；

低优先级任务＝task(i)≤α

中优先级任务＝α≤task(i)≤β

高优先级任务＝β≤task(i)≤δ

极高优先级任务＝task(i)＞δandEFT_task(i₎＞DL_task(i)

其中，EFT是任务i的预计处理完成时间，DL是任务i的截止时间。

8.如权利要求6所述的装置，所述调度模块，具体用于：

计算原始信息素，通过分析用户的服务请求，结合所述各个任务的优先级顺序，对所述原始信息素进行初始化；

将蚂蚁随机分布在各虚拟资源节点上，根据节点转移公式选择下一节点；

当所述蚂蚁完成一次路径搜索后，对所述蚂蚁所走所述路径进行一次信息素更新，其中，所述信息素更新包括所述虚拟机局部信息素的更新，以及时释放所述虚拟机；

在所述各个任务执行完毕后，将资源释放到闲置资源队列中；

当所有所述蚂蚁都完成了一次路径搜索后，对全部所述路径进行一次信息素浓度全局更新；

如果所述信息素更新完成，结束循环并输出任务执行结果；

如果没有完成信息素更新，选择下一节点，并在更新局部信息素浓度以后，更新全局信息素浓度，直到信息素浓度全局更新完成为止，结束循环并输出任务执行结果。

9.如权利要求8所述的装置，所述调度模块，用于更新信息素的挥发系数的公式为：

极高优先级任务＝task(i)＞δandEFT_task(i₎＞DL_task(i)

其中，ρ表示信息素挥发系数，gen表示计算方法迭代到第gen代，μ表示比例系数，是一个固定常数，ρ_min是ρ的最小临界值。

10.如权利要求6所述的装置，所述调度模块，具体用于：

将任务计算量高于预设阈值或标记永久存储数据的任务上传到所述云计算处理。

Images