CN112468547B - 一种基于区域化的工业边缘计算任务云协同卸载方法 - Google Patents

Abstract

本发明公开了一种基于区域化的工业边缘计算任务云协同卸载方法，包括以下步骤：本地设备以及边缘计算服务器的信息预设置以及初始化；边缘网关将初始化信息转发至SDN控制器，SDN控制器进行任务时延类型分类，再根据任务时延的类型进行权重分配；基于分类和权重分配结果，进行时延类型作业区域的跨域卸载决策，建立跨域决策“0‑1”参数模型；根据“0‑1”参数模型，进行各部分相关时延的计算；根据权重分配结果、“0‑1”参数模型以及相关时延的计算，进行总体时延价值量的总结。基于本发明可以减少分散式设备之间的信息沟通带来的差错情况，降低边缘端任务卸载之间的冲突，减少多服务器之间卸载的无序性。

Description

一种基于区域化的工业边缘计算任务云协同卸载方法

技术领域

本发明属于工业物联网计算任务卸载的技术领域，具体涉及一种基于区域化的工业边缘计算任务云协同卸载方法。

背景技术

大数据时代背景之下，用户对于获取数据的渴望和数据的产生，使得强大的云端难免也会略显疲劳，低时延、高耗能、高带宽、昂贵的传输成本成为了云端难以下药的疑难杂症。大数据下的各方面需求需要一种能为协同云端共同为数据传输增加润滑油的技术-边缘计算。

如今，许多工业制造现场的生产数据在计算、共享以及安全方面无法进行权衡，特别是许多工业现场与核心网端距离相距甚远，时延问题成为工业制造安全以及生产效率的重大因素。因此，将边缘计算模型渗透到工业物联网领域内，能够解决工业控制现场的种种难题。

早在云计算时代，计算任务分配以及计算资源卸载成为了计算资源领域的研究热点，合理地进行计算任务卸载以及资源分配能够为云集中式计算范式减少不少负担。同样的，在边缘计算技术的发展之下，任务资源调度与管理技术也成为了工业边缘控制发展不可或缺的一部分。目前，大部分研究者进行了边缘计算下计算任务卸载与资源分配的研究，多数专注于物联网以及车联网行业领域，在物联网领域内，主要研究点在于用户移动设备上集中式计算的应用；在车联网领域内，包括智能自动驾驶在内的计算任务卸载与资源分配技术也成为了自动驾驶研究的一部分。在技术研究方面，多数研究者只考虑到多个设备将任务卸载到一个边缘服务器的情况，因此严重忽略了在多任务下，单一边缘服务器资源受限的问题。此外，许多文献缺乏对于工业控制现场特点的撕开，相关文献仅仅对于工业边缘端的思考，而忽略了还有强大的云端协同化，导致边缘端任务抢占资源的尴尬场景。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于区域化的工业场景边缘计算任务云协同卸载方法，通过软件定义网络控制器作为总控制器进行现场设备以及任务信息汇总以及判断，减少了分散式设备之间的信息沟通带来的差错情况，对任务时延类型的区域类型二分类，分类可以使得类型任务选择云端或者边缘端计算，降低边缘端任务卸载之间的冲突。

为了达到上述目的，本发明采用以下技术方案：

一种基于区域化的工业边缘计算任务云协同卸载方法，包括以下步骤：

本地设备以及边缘计算服务器的信息预设置以及初始化；

边缘网关将初始化信息转发至SDN控制器，SDN控制器进行任务时延类型分类，再根据任务时延的类型进行权重分配；

基于分类和权重分配结果，进行时延类型作业区域的跨域卸载决策，建立“0-1”参数模型；

根据“0-1”参数模型，进行相关时延的计算；

根据权重分配结果、“0-1”参数跨域决策模型以及相关时延的计算结果，进行总体时延价值量的总结。

优选的，所述本地设备以及边缘计算服务器信息预设置以及初始化是采用随机分配的方法，为工业边缘控制现场作业区域的设备进行信息的随机分配，具体包括：

设置工业现场有K个作业区域，每个作业区域都包含多个ECS；

任务总数量N，i表示为第i个任务，第j个设备域的第i个任务表示为

任务量的大小表示为di；

LDS以及ECS的设备数量分别为L和E，第j个域的第s个服务器表示为

LDS、ECS、CCS的计算能力与周期数，分别为F_l和C_l、F_e和C_e以及F_c和C_c，其中，F表示的是设备的计算能力，即每秒的周期数，单位为GHZ，C表示的是设备计算1bit数据量所需要的CPU周期数；

LDS到本作业区域ECS的传输带宽B_le、本域ECS到领域ECS的传输带宽B_ee以及ECS到CCS的传输带宽B_ec。

优选的，所述任务时延类型有时延敏感类型和非时延敏感类型；分类的标准通过建立比较模型确定，具体为：

“任务-服务器”期望比较标准：

首先分别求出K个区域的任务平均值

与服务器平均值

最终通过两种平均值的比较得到任务与服务器占比的置信程度

最后将该置信程度作为时延类型分类的评判标准阈值，如果某个区域的任务-服务器比值大于该标准阈值，判定为非时延敏感类型区域，反之亦然；

优选的，所述权重分配具体为：

设权重数学符号为ω；

时延敏感类型权重为：

非时延敏感类型权重为：

其中，Num(ω_NT)和Num(ω_T)是通过把现场每个域与所述“任务-服务器”期望进行比较，最后得到时延敏感性类型的判断结果，根据结果进行分类的计数。

优选的，所述时延类型作业区域的跨域卸载决策，建立总价值相关参数模型具体为：

基于所述任务时延类型和权重分配的结果，可以得到两种类型的作业类型区域，它们通过权重ω赋值于现场的每个作业区域；所述时延类型作业区域的跨域卸载决策，设定决策系数为x_c，该参数设置为“0-1”模型，即跨区域与否由该参数来决定。

优选的，所述相关时延的计算包括以下时长计算步骤：

本地设备处理时长：

卸载至本域ECS计算时长：

卸载至邻域ECS计算时长：

其中

与

表示为卸载到邻域j的第s个服务器的CPU周期数以及计算能力；

卸载至CCS计算时长：

优选的，所述总体时延价值量的总结公式为：

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明考虑到工业移动边缘设备与边缘服务器部署量的需求，计算任务较多的情况，提出了工业边缘计算模块化区域划分，通过软件定义网络控制器作为总控制器进行现场设备以及任务信息汇总以及判断，减少了分散式设备之间的信息沟通带来差错的情况。

2、本发明提出了任务时延类型的区域类型二分类，分类可以使得类型任务选择云端或者边缘端计算，降低边缘端任务卸载之间的冲突。

3、本发明考虑到各作业区域资源非平衡的情况，提出了边缘侧区域间协作完成作业任务的工业现场计算任务卸载方法，同时为减少多服务器之间卸载的无序性，进行作业区域之间的服务器任务卸载。

4、本发明考虑到本地边缘服务器部署资源受限的情况，提出了边缘侧与云核心网端协作完成的工业现场计算任务卸载方法，并剔除信道衰减的不可靠性，仅仅考虑传输带宽的可靠性。

附图说明

图1是本发明方法的整体流程示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明提出的基于区域化的工业边缘计算任务云协同卸载方法包括以下步骤：

S1、本地设备(LocalDevices，LDS)以及边缘计算服务器(EdgeComputingServer，ECS)的信息预设置以及初始化，采用随机分配的方法，为工业边缘控制现场作业区域的设备进行信息的随机分配，信息主要包括以下几个方面：

设工业现场有K的作业区域，每个作业区域都包含多个ECS；

计算任务方面：任务总数量N，i表示为第i个任务，第j个设备域的第i个任务表示为

任务量的大小表示为di(任务量大小即LDS、ECS以及CCS处理的数据大小)；

设备方面：LDS以及ECS的设备数量分别为L和E，第j个域的第s个服务器表示为

计算能力方面：LDS、ECS、CCS的计算能力与周期数，分别为周期数F_l、C_l、F_e、C_e、F_c、C_c，其中，F表示的是设备的计算能力(每秒的周期数，单位为GHZ)，C表示的是设备计算1bit数据量所需要的CPU周期数；

传输带宽参数方面：LDS到本作业区域ECS的传输带宽B_le、本域ECS到领域ECS的传输带宽B_ee以及ECS到CCS的传输带宽B_ec。

S2、边缘网关(EdgeGateway，EG)将步骤S1的初始化信息转发至SDN控制器(SDN-C)，SND-C进行任务时延类型分类，再根据任务时延的类型进行权重分配，任务时延的类型有两种，为时延敏感类型和非时延敏感类型，分类标准通过建立比较模型来确定，具体为：

“任务-服务器”期望比较标准：

首先分别求出K个区域的任务平均值

与服务器平均值

最终通过两种平均值的比较得到任务与服务器占比的置信程度

最后将该置信程度作为时延类型分类的评判标准阈值，如果某个区域的任务-服务器比值大于该标准阈值，判定为非时延敏感类型区域，反之亦然。

设权重数学符号为ω，权重分配具体为：

时延敏感类型权重为：

非时延敏感类型权重为：

其中，Num(ω_NT)和Num(ω_T)是通过把现场每个域与上述“任务-服务器”期望进行比较，最后得到时延敏感性类型的判断结果，根据结果进行分类的计数。

S3、基于步骤S2分类和权重分配结果，进行时延类型作业区域的跨域卸载决策，建立总价值相关参数模型，基于步骤S2的权重分配结果，可以得到两种类型的作业类型区域，它们通过权重ω赋值于现场的每个作业区域。关于时延类型作业区域的跨域卸载决策，设定决策系数为x_c，该参数设置为“0-1”模型，即跨区域与否由该参数来决定。

S4、根据S3的总价值相关参数模型，进行相关时延的计算，包括以下时长计算步骤：

S41、本地设备处理时长：

S42、卸载至本域ECS计算时长：

S43、卸载至领域ECS计算时长(跨域)：

其中

与

表示为卸载到邻居j域的第s个服务器的CPU周期数以及计算能力；

S44、卸载至CCS计算时长：

S5、根据步骤S2至S4得到的权重分配结果、总价值相关参数模型以及相关时延的计算，进行总体时延价值量的总结，公式如下：

还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于区域化的工业边缘计算任务云协同卸载方法，其特征在于，包括以下步骤：

本地设备以及边缘计算服务器的信息预设置以及初始化；所述本地设备以及边缘计算服务器信息预设置以及初始化是采用随机分配的方法，为工业边缘控制现场作业区域的设备进行信息的随机分配，具体包括：

设置工业现场有K个作业区域，每个作业区域都包含多个ECS；

任务总数量N,i表示为第i个任务，第j个设备域的第i个任务表示为

任务量的大小表示为di；

LDS以及ECS的设备数量分别为L和E，第j个域的第s个服务器表示为

LDS、ECS、CCS的计算能力与周期数，分别为F_l和C_l、F_e和C_e以及F_c和C_c，其中，F表示的是设备的计算能力，即每秒的周期数，单位为GHZ，C表示的是设备计算1bit数据量所需要的CPU周期数；

LDS到本作业区域ECS的传输带宽B_le、本域ECS到领域ECS的传输带宽B_ee以及ECS到CCS的传输带宽B_ec；

边缘网关将初始化信息转发至SDN控制器，SDN控制器进行任务时延类型分类，再根据任务时延的类型进行权重分配；

基于分类和权重分配结果，进行时延类型作业区域的跨域卸载决策，建立“0-1”参数模型；

根据“0-1”参数模型，进行相关时延的计算；

根据权重分配结果、“0-1”参数跨域决策模型以及相关时延的计算结果，进行总体时延价值量的总结。

2.根据权利要求1所述的一种基于区域化的工业边缘计算任务云协同卸载方法，其特征在于，所述任务时延类型有时延敏感类型和非时延敏感类型；分类的标准通过建立比较模型确定，具体为：

“任务-服务器”期望比较标准：

首先分别求出K个区域的任务平均值

与服务器平均值

最终通过两种平均值的比较得到任务与服务器占比的置信程度

最后将该置信程度作为时延类型分类的评判标准阈值，如果某个区域的任务-服务器比值大于该标准阈值，判定为非时延敏感类型区域，反之亦然；

3.根据权利要求2所述的一种基于区域化的工业边缘计算任务云协同卸载方法，其特征在于，所述权重分配具体为：

设权重数学符号为ω；

时延敏感类型权重为：

非时延敏感类型权重为：

其中，Num(ω_NT)和Num(ω_T)是通过把现场每个域与所述“任务-服务器”期望进行比较，最后得到时延敏感性类型的判断结果，根据结果进行分类的计数。

4.根据权利要求3所述的一种基于区域化的工业边缘计算任务云协同卸载方法，其特征在于，所述时延类型作业区域的跨域卸载决策，建立总价值相关参数模型具体为：

基于所述任务时延类型和权重分配的结果，可以得到两种类型的作业类型区域，它们通过权重ω赋值于现场的每个作业区域；所述时延类型作业区域的跨域卸载决策，设定决策系数为x_c，该参数设置为“0-1”模型，即跨区域与否由该参数来决定。

5.根据权利要求4所述的一种基于区域化的工业边缘计算任务云协同卸载方法，其特征在于，所述相关时延的计算包括以下时长计算步骤：

本地设备处理时长：

卸载至本域ECS计算时长：

卸载至邻域ECS计算时长：

其中

与

表示为卸载到邻域j的第s个服务器的CPU周期数以及计算能力；

卸载至CCS计算时长：

6.根据权利要求1至5中任一项所述的一种基于区域化的工业边缘计算任务云协同卸载方法，其特征在于，所述总体时延价值量的总结公式为：

Images