CN112511652B - 一种边缘计算下的合作计算任务分配方法 - Google Patents

一种边缘计算下的合作计算任务分配方法 Download PDF

Info

Publication number
CN112511652B
CN112511652B CN202110145575.2A CN202110145575A CN112511652B CN 112511652 B CN112511652 B CN 112511652B CN 202110145575 A CN202110145575 A CN 202110145575A CN 112511652 B CN112511652 B CN 112511652B
Authority
CN
China
Prior art keywords
task
server
computing
edge
time
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
CN202110145575.2A
Other languages
English (en)
Other versions
CN112511652A (zh
Inventor
侯文静
文红
陈良
张真源
雷文鑫
杨其聪
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110145575.2A priority Critical patent/CN112511652B/zh
Publication of CN112511652A publication Critical patent/CN112511652A/zh
Application granted granted Critical
Publication of CN112511652B publication Critical patent/CN112511652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/10Protocols in which an application is distributed across nodes in the network
    • 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
    • G06F9/5038Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/12Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/50Network services
    • H04L67/60Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/62Establishing a time schedule for servicing the requests

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明提供一种边缘计算下的合作计算任务分配方法,属于边缘计算技术领域。本发明方法考虑边缘计算服务器和工业物联网设备计算资源的共享,同时促使各种异构设备参与合作,解决了任务时延问题,对比全部任务在主服务器上执行方法(非合作计算任务分配方法),在延迟方面有更好的性能,加快任务执行速度,并且有效提高了任务完成率和系统设备的资源利用率。

Description

一种边缘计算下的合作计算任务分配方法
技术领域
本发明属于边缘计算技术领域,具体涉及一种边缘计算下的合作计算任务分配方法。
背景技术
随着5G以及无线网络的发展,数十亿个工业物联网设备(如工业监控设备,工业自动化设备,机器人,传感器,执行器和终端设备)将连接到工业网络,将生成各种时延敏感、计算密集型任务。传统的解决方案是工业物联网设备将这些任务转移到云服务器。但是,针对时延敏感任务需要更快地执行才能满足低时延要求。工业物联网设备和云服务器之间的物理距离将导致传输延迟,网络拥塞等问题,这限制了云计算中对时延敏感的任务处理。
边缘计算通过在终端设备附近部署计算、存储和网络服务,并支持计算密集型和对时延敏感的任务以进行实时处理。然而,边缘计算环境中工业物联网设备众多且边缘计算服务器的资源有限,其中有效的方法是协同相邻的边缘计算服务器和工业物联网中有一定计算能力的终端设备合作计算任务。但是这一过程中,仍有两个方面的问题需要解决:其一,考虑到边缘计算服务器和工业物联网设备异构性,如何有效地共享计算资源进行任务的合作计算;其二,考虑任务的动态性和异构性,如何有效地进行任务合作计算分配,使任务更快地处理并减少服务延迟。
发明内容
针对背景技术所存在的问题,本发明的目的在于提供一种边缘计算下的合作计算任务分配方法。该方法建立基于边缘计算的工业物联网模型下任务重要性模型,对任务重要性进行划分,然后通过主边缘计算服务器、相邻边缘计算服务器和设备集群(工业物联网设备)三种合作计算方式进行任务最优的分配,从而实现了任务的加速处理并减少服务延迟,提高系统计算资源的利用率。
为实现上述目的,本发明的技术方案如下:
一种边缘计算下的合作计算任务分配方法,包括以下步骤:
S1. 构建边缘计算的工业物联网模型,包括一组边缘计算服务器
Figure 562515DEST_PATH_IMAGE001
和 工业物联网设备
Figure 502789DEST_PATH_IMAGE002
,其中,第
Figure 465322DEST_PATH_IMAGE003
个边缘计算服务器作为主边缘计算服务器,其覆 盖一组工业物联网设备表示为
Figure 629588DEST_PATH_IMAGE004
Figure 808896DEST_PATH_IMAGE005
;相邻的边缘计算服务器集合表示 为
Figure 349599DEST_PATH_IMAGE006
;第
Figure 665174DEST_PATH_IMAGE003
个主边缘计算服务器下的工业物联网设备通过聚类形成多 个集群,多个集群的集合表示为
Figure 265919DEST_PATH_IMAGE007
S2. 构建基于边缘计算的工业物联网模型下的任务重要性模型,主边缘计算服 务器
Figure 666945DEST_PATH_IMAGE008
在时间跨度
Figure 447557DEST_PATH_IMAGE009
内接收终端设备
Figure 679955DEST_PATH_IMAGE010
的任务
Figure 389285DEST_PATH_IMAGE011
,主边缘计算服务器收集任务
Figure 339923DEST_PATH_IMAGE011
相 应的参量属性
Figure 160112DEST_PATH_IMAGE012
Figure 450279DEST_PATH_IMAGE013
是数据量大小,
Figure 392827DEST_PATH_IMAGE014
是完成计算任务所需要的计算资 源,
Figure 264050DEST_PATH_IMAGE015
是最大可容忍的时间,
Figure 950247DEST_PATH_IMAGE016
表示任务
Figure 94920DEST_PATH_IMAGE011
到达边缘计算服务器的时间;
Figure 208370DEST_PATH_IMAGE017
表示任务的重要 程度;依据任务可容忍的时间、任务所需要的计算资源和任务的数据量大小三个考量因素 计算任务重要性,然后将任务分成三种等级:第一等级任务、第二等级任务和第三等级任 务,其中,第一等级任务的任务重要性值最大,第三等级任务的任务重要性值最小;
S3. 基于S2构建的任务重要性模型建立合作计算任务分配方式,即:第一等级任务直接在主边缘计算服务器上处理;第二等级任务在主边缘计算服务器上处理,或卸载到相邻的边缘计算服务器上处理;第三等级任务在主边缘计算服务器上处理,也可以卸载到相邻的边缘计算服务器上处理或者主边缘计算服务器下的设备集群上处理;
S4. 将到达主边缘计算服务器的任务
Figure 71283DEST_PATH_IMAGE011
输入步骤S2的任务重要性模型得到对应 的任务等级;确定了任务等级后根据步骤S3的合作计算任务分配方式产生任务对应的分配 方案;
S5. 计算任务在主边缘计算服务器、相邻边缘计算服务器和设备集群三种执行方式下的单独处理时间;
S6. 基于步骤S4任务对应的分配方案,根据约束条件判断,得到任务的可行执行方案,选择其中执行时间最短的执行方案作为最终的执行方案,实现更快的执行任务并减少服务延迟。
进一步地,S1中工业物联网设备通过聚类形成多个集群具体采用资源感知集群算法,其中,资源感知集群算法的具体过程为:
S11.主边缘计算服务器
Figure 233274DEST_PATH_IMAGE008
下的工业物联网设备集合表示为
Figure 560351DEST_PATH_IMAGE018
,集群集合为
Figure 15340DEST_PATH_IMAGE019
,集群簇数
Figure 427867DEST_PATH_IMAGE020
;工业物联网设备
Figure 393549DEST_PATH_IMAGE021
相应聚类特征表示为
Figure 575132DEST_PATH_IMAGE022
,由工业物联网 设备
Figure 702488DEST_PATH_IMAGE021
与主边缘计算服务器
Figure 336731DEST_PATH_IMAGE008
之间的距离
Figure 106104DEST_PATH_IMAGE023
、工业物联网设备
Figure 581341DEST_PATH_IMAGE021
计算资源
Figure 207495DEST_PATH_IMAGE024
组 成;
S12. 从工业物联网设备集合
Figure 532297DEST_PATH_IMAGE018
中随机设备
Figure 902098DEST_PATH_IMAGE025
作为集群中心,建立
Figure 995956DEST_PATH_IMAGE020
个集群 中心,为
Figure 793011DEST_PATH_IMAGE026
,其相应的特征表示为
Figure 73951DEST_PATH_IMAGE027
;其中,
Figure 683661DEST_PATH_IMAGE028
Figure 694343DEST_PATH_IMAGE020
具有 相同含义;
S13. 循环遍历工业物联网设备集合
Figure 599982DEST_PATH_IMAGE018
中的每个工业物联网设备
Figure 696114DEST_PATH_IMAGE025
,计算各工 业物联网设备
Figure 79822DEST_PATH_IMAGE025
与各集群中心
Figure 945010DEST_PATH_IMAGE029
的特征距离,公式如下:
Figure 287129DEST_PATH_IMAGE030
根据距离最近的集群中心确定工业物联网设备
Figure 61704DEST_PATH_IMAGE025
的簇,计算公式如下:
Figure 780262DEST_PATH_IMAGE031
将设备
Figure 499956DEST_PATH_IMAGE025
划入相同集群中心的簇
Figure 747398DEST_PATH_IMAGE032
S14. 循环遍历工业物联网设备集群,更新集群
Figure 818122DEST_PATH_IMAGE028
的集群中心,计算公式如下:
Figure 543632DEST_PATH_IMAGE033
如果
Figure 85210DEST_PATH_IMAGE034
,当前集群中心
Figure 503553DEST_PATH_IMAGE029
更新为
Figure 61573DEST_PATH_IMAGE035
;否则保持当前
Figure 590775DEST_PATH_IMAGE029
不变;
S15. 重复步骤S13和S14,直到当前集群中心未更新,得到工业物联网设备聚类集 群集合
Figure 285061DEST_PATH_IMAGE036
进一步地,步骤S2中依据任务可容忍的时间、任务所需要的计算资源和任务的数据大小三个考量因素计算任务重要性的具体计算过程为:
S21. 任务
Figure 139885DEST_PATH_IMAGE011
的重要性与数据量大小
Figure 93190DEST_PATH_IMAGE013
,所需要的计算资源
Figure 488400DEST_PATH_IMAGE014
,最大可容忍的时 间
Figure 506034DEST_PATH_IMAGE015
三个因素有关,使用
Figure 328497DEST_PATH_IMAGE037
表示影响的任务重要性的元素组,其中任务可容忍 的时间
Figure 533213DEST_PATH_IMAGE015
相比任务所需要的计算资源
Figure 732113DEST_PATH_IMAGE014
、任务的数据量大小
Figure 73096DEST_PATH_IMAGE013
更重要,任务所需要的计算 资源
Figure 66460DEST_PATH_IMAGE014
与任务的数据量大小
Figure 522587DEST_PATH_IMAGE013
相比重要;因此,在层次分析模型中,任务可容忍的时间对 于重要性的划分所占的权重最高;将同一层次两两元素进行比较,构造层次分析矩阵
Figure 197282DEST_PATH_IMAGE038
如下,
Figure 720667DEST_PATH_IMAGE039
其中,
Figure 88194DEST_PATH_IMAGE040
表示的是第
Figure 329820DEST_PATH_IMAGE041
个因素与第
Figure 542626DEST_PATH_IMAGE042
个因素的比较结果,第
Figure 353807DEST_PATH_IMAGE041
个因素的权重
Figure 688973DEST_PATH_IMAGE043
计 算公式如下:
Figure 621157DEST_PATH_IMAGE044
S22. 任务
Figure 637655DEST_PATH_IMAGE011
的任务重要性的元素组
Figure 509533DEST_PATH_IMAGE037
所对应的权重特征值向量表 示为
Figure 218863DEST_PATH_IMAGE045
,其中,
Figure 107185DEST_PATH_IMAGE046
,使用
Figure 989690DEST_PATH_IMAGE047
表示其中一个对应的特征值,其计算公式如下:
Figure 14278DEST_PATH_IMAGE048
其中,
Figure 956826DEST_PATH_IMAGE049
表示影响任务重要性元素的个数;
S23. 任务
Figure 833909DEST_PATH_IMAGE011
的重要性的计算公式如下:
Figure 192209DEST_PATH_IMAGE050
进一步地,步骤S5任务在三种不同执行方式下单独处理所需的时间具体为:
主边缘计算服务器执行方式总时间
Figure 664779DEST_PATH_IMAGE051
,即任务
Figure 715911DEST_PATH_IMAGE011
在主服务器
Figure 641142DEST_PATH_IMAGE008
执行的时间, 其计算公式如下:
Figure 803133DEST_PATH_IMAGE052
其中,
Figure 300848DEST_PATH_IMAGE053
表示主边缘计算服务器
Figure 585199DEST_PATH_IMAGE008
计算能力,
Figure 935409DEST_PATH_IMAGE054
Figure 901091DEST_PATH_IMAGE055
表示开始和结束计算的时 刻,
Figure 82673DEST_PATH_IMAGE056
表示属于集合中的任意一个元素;
相邻边缘计算服务器执行方式总时间
Figure 210029DEST_PATH_IMAGE057
,即任务
Figure 109852DEST_PATH_IMAGE011
卸载到边缘计算服务器
Figure 109251DEST_PATH_IMAGE058
执行的时间,计算公式如下:
Figure 348603DEST_PATH_IMAGE059
其中,
Figure 646860DEST_PATH_IMAGE060
表示主边缘计算服务器
Figure 33979DEST_PATH_IMAGE061
和相邻边缘计算服务器
Figure 341464DEST_PATH_IMAGE062
之间的传输速率,
Figure 232059DEST_PATH_IMAGE063
表 示主边缘计算服务器
Figure 465332DEST_PATH_IMAGE061
和相邻边缘计算服务器
Figure 11851DEST_PATH_IMAGE062
之间的可用传输带宽,
Figure 185344DEST_PATH_IMAGE064
表示信噪 比,
Figure 133708DEST_PATH_IMAGE065
表示传输功率,
Figure 101664DEST_PATH_IMAGE066
表示信道增益,
Figure 135479DEST_PATH_IMAGE067
表示背景噪声,
Figure 286231DEST_PATH_IMAGE013
为任务
Figure 151419DEST_PATH_IMAGE011
数据量大小,
Figure 962380DEST_PATH_IMAGE068
表 示从任务从主边缘服务器卸载到相邻边缘服务器的传输时间,
Figure 545808DEST_PATH_IMAGE069
表示相邻边缘服务器 处理任务
Figure 998786DEST_PATH_IMAGE011
的计算时间;
Figure 984060DEST_PATH_IMAGE070
Figure 965922DEST_PATH_IMAGE071
分别表示任务
Figure 472865DEST_PATH_IMAGE011
从主边缘计算服务器
Figure 526272DEST_PATH_IMAGE008
到相邻的边 缘计算服务器
Figure 303735DEST_PATH_IMAGE058
开始传输和传输结束的时刻;
Figure 784395DEST_PATH_IMAGE072
Figure 14519DEST_PATH_IMAGE073
分别表示任务
Figure 809299DEST_PATH_IMAGE011
在相邻的边缘 计算服务器
Figure 503586DEST_PATH_IMAGE058
开始和结束计算的时刻;
设备集群执行方式总时间
Figure 588436DEST_PATH_IMAGE074
,即任务
Figure 633752DEST_PATH_IMAGE011
卸载到主边缘计算服务器下设备集群
Figure 966645DEST_PATH_IMAGE075
执行的时间,首先,任务
Figure 515438DEST_PATH_IMAGE011
分成较小的计算任务
Figure 806742DEST_PATH_IMAGE076
,然后,将每个计算任务
Figure 73775DEST_PATH_IMAGE077
分配 给集群中设备
Figure 944779DEST_PATH_IMAGE078
,任务
Figure 784297DEST_PATH_IMAGE011
总的时间计算公式如下:
Figure 43240DEST_PATH_IMAGE079
Figure 735252DEST_PATH_IMAGE080
其中,
Figure 409947DEST_PATH_IMAGE081
表示主边缘计算服务器和其覆盖的终端设备
Figure 871015DEST_PATH_IMAGE082
可用的下行传输带宽,
Figure 300860DEST_PATH_IMAGE083
表示信噪比,
Figure 716054DEST_PATH_IMAGE084
表示传输功率,
Figure 256757DEST_PATH_IMAGE085
表示信道增益;
Figure 837911DEST_PATH_IMAGE086
表示任务
Figure 376340DEST_PATH_IMAGE011
Figure 105261DEST_PATH_IMAGE087
个任务的数 据量大小,
Figure 856179DEST_PATH_IMAGE088
Figure 354157DEST_PATH_IMAGE089
分别表示任务
Figure 296443DEST_PATH_IMAGE011
划分后的较小的计算任务
Figure 512661DEST_PATH_IMAGE077
主边缘计算服务器
Figure 332849DEST_PATH_IMAGE008
到其覆盖下的终端设备
Figure 685333DEST_PATH_IMAGE082
开始传输和传输结束的时刻;
Figure 565564DEST_PATH_IMAGE090
表示任务
Figure 941182DEST_PATH_IMAGE011
Figure 361799DEST_PATH_IMAGE087
个任务所需 要的计算资源,
Figure 291095DEST_PATH_IMAGE091
表示工业物联网设备
Figure 76648DEST_PATH_IMAGE082
计算能力,
Figure 1879DEST_PATH_IMAGE092
Figure 429449DEST_PATH_IMAGE093
分别表示任务
Figure 756525DEST_PATH_IMAGE011
划分后的 较小的计算任务
Figure 712980DEST_PATH_IMAGE077
在终端设备
Figure 125507DEST_PATH_IMAGE082
开始处理和结束处理的时刻。
进一步地,步骤S6中的根据约束条件判断任务可行执行方式具体为:
假设主边缘计算服务器
Figure 324145DEST_PATH_IMAGE008
为任务
Figure 505727DEST_PATH_IMAGE011
可选分配方式,应满足以下两个条件:一是 任务在主服务器执行总时间
Figure 898662DEST_PATH_IMAGE094
;二是任务所需的计算资源
Figure 736168DEST_PATH_IMAGE095
假设相邻边缘计算服务器
Figure 302279DEST_PATH_IMAGE058
为任务
Figure 276051DEST_PATH_IMAGE011
可选分配方式,应满足以下三个条件: 一是任务在主服务器执行总时间
Figure 902205DEST_PATH_IMAGE096
;二是任务所需的计算资源
Figure 728472DEST_PATH_IMAGE097
Figure 832694DEST_PATH_IMAGE098
表示边缘计 算服务器
Figure 926552DEST_PATH_IMAGE008
的计算资源容量;三是任务的计算通信带宽
Figure 926869DEST_PATH_IMAGE099
Figure 535705DEST_PATH_IMAGE100
表示主边缘计算服 务器与相邻的边缘计算服务器的通信带宽;
假设主边缘计算服务器
Figure 381301DEST_PATH_IMAGE008
下的设备集群为任务
Figure 391982DEST_PATH_IMAGE011
可选分配方式,任务
Figure 796157DEST_PATH_IMAGE011
遍历 每个集群
Figure 892289DEST_PATH_IMAGE101
,在集群选择最优的设备组合方式,应满足以下四个条件:一是任务在主服务器 执行总时间
Figure 275996DEST_PATH_IMAGE102
;二是任务所需的计算资源
Figure 406763DEST_PATH_IMAGE103
Figure 483304DEST_PATH_IMAGE104
表示工业物联网设备
Figure 66732DEST_PATH_IMAGE105
的计 算资源容量;三是任务的计算通信带宽
Figure 254131DEST_PATH_IMAGE106
Figure 672693DEST_PATH_IMAGE107
表示主边缘计算服务器与工业物联网设 备的通信带宽;四是由于工业物联网设备动态性,任务在工业物联网设备开始执行的时间
Figure 982452DEST_PATH_IMAGE108
和结束的时间
Figure 990859DEST_PATH_IMAGE109
,其中,由于工业物联网设备是动态移动的,
Figure 981949DEST_PATH_IMAGE110
表示终端设备
Figure 821729DEST_PATH_IMAGE111
到达主边缘计算服务器
Figure 240072DEST_PATH_IMAGE008
覆盖区域的时间,
Figure 968731DEST_PATH_IMAGE112
表示终端设备
Figure 825829DEST_PATH_IMAGE111
离开主边缘计 算服务器
Figure 457798DEST_PATH_IMAGE008
覆盖区域的时间。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明公开的一种边缘计算下的合作计算任务分配方法,考虑边缘计算服务器和工业物联网设备计算资源的共享,同时促使各种异构设备参与合作,解决了任务时延问题,对比全部任务在主服务器上执行方法(非合作计算任务分配方法),在延迟方面有更好的性能,加快任务执行速度,并且有效提高了任务完成率和系统设备的资源利用率。
附图说明
图1为合作计算方式与非合作计算下任务时延对比图;
其中,(a)为任务数量不同时的任务时延;(b)为终端数量不同时的任务时延。
图2为合作计算方式与非合作计算下任务完成率对比图。
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,下面结合实施方式和附图,对本发明作进一步地详细描述。
一种边缘计算下的合作计算任务分配方法,该方法通过主边缘计算服务器、相邻边缘计算服务器和设备集群三种合作计算,进行任务最优的分配从而实现了任务的加速处理并减少服务延迟;
具体包括以下步骤:
S1. 构建边缘计算的工业物联网模型,包括一组边缘计算服务器
Figure 109359DEST_PATH_IMAGE001
和 工业物联网设备
Figure 92359DEST_PATH_IMAGE002
,其中,第
Figure 487568DEST_PATH_IMAGE003
个边缘计算服务器作为主边缘计算服务器,其覆 盖一组工业物联网设备表示为
Figure 974044DEST_PATH_IMAGE004
Figure 62086DEST_PATH_IMAGE005
;相邻的边缘计算服务器集合表示 为
Figure 768267DEST_PATH_IMAGE006
;第
Figure 639271DEST_PATH_IMAGE003
个主边缘计算服务器下的工业物联网设备通过聚类形成多 个集群,多个集群的集合表示为
Figure 308150DEST_PATH_IMAGE007
Figure 504776DEST_PATH_IMAGE113
Figure 993526DEST_PATH_IMAGE114
分别表示边缘计算服务器
Figure 933800DEST_PATH_IMAGE008
和 工业物联网设备
Figure 457186DEST_PATH_IMAGE105
的计算能力,
Figure 792090DEST_PATH_IMAGE098
Figure 33715DEST_PATH_IMAGE104
分别表示边缘计算服务器
Figure 512101DEST_PATH_IMAGE008
和工业物联网 设备
Figure 827676DEST_PATH_IMAGE105
的计算资源容量,
Figure 428422DEST_PATH_IMAGE107
Figure 829447DEST_PATH_IMAGE100
分别表示主边缘计算服务器与工业物联网设备、相邻 的边缘计算服务器的通信带宽;
工业物联网设备使用资源感知集群算法通过聚类形成多个集群,资源感知集群算法的具体过程为:
S11.主边缘计算服务器
Figure 173841DEST_PATH_IMAGE008
下的工业物联网设备集合表示为
Figure 105107DEST_PATH_IMAGE018
,集群集合为
Figure 611174DEST_PATH_IMAGE019
,集群簇数
Figure 765075DEST_PATH_IMAGE020
;工业物联网设备
Figure 647581DEST_PATH_IMAGE021
相应聚类特征表示为
Figure 937748DEST_PATH_IMAGE022
,由工业物联网 设备
Figure 614717DEST_PATH_IMAGE021
与主边缘计算服务器
Figure 990334DEST_PATH_IMAGE008
之间的距离
Figure 676531DEST_PATH_IMAGE023
、工业物联网设备
Figure 319739DEST_PATH_IMAGE021
计算资源
Figure 433189DEST_PATH_IMAGE024
组 成;
S12. 从工业物联网设备集合
Figure 296103DEST_PATH_IMAGE018
中随机设备
Figure 458094DEST_PATH_IMAGE025
作为集群中心,建立
Figure 785170DEST_PATH_IMAGE020
个集群 中心,为
Figure 7204DEST_PATH_IMAGE026
,其相应的特征表示为
Figure 154151DEST_PATH_IMAGE027
;其中,
Figure 621298DEST_PATH_IMAGE028
Figure 802881DEST_PATH_IMAGE020
具有 相同含义;
S13. 循环遍历工业物联网设备集合
Figure 195816DEST_PATH_IMAGE018
中的每个工业物联网设备
Figure 95639DEST_PATH_IMAGE025
,计算各工 业物联网设备
Figure 599432DEST_PATH_IMAGE025
与各集群中心
Figure 635522DEST_PATH_IMAGE029
的特征距离,公式如下:
Figure 199358DEST_PATH_IMAGE030
根据距离最近的集群中心确定工业物联网设备
Figure 320898DEST_PATH_IMAGE025
的簇,计算公式如下:
Figure 126918DEST_PATH_IMAGE031
将设备
Figure 283092DEST_PATH_IMAGE025
划入相同集群中心的簇
Figure 17830DEST_PATH_IMAGE032
S14. 循环遍历工业物联网设备集群,更新集群
Figure 564349DEST_PATH_IMAGE028
的集群中心,计算公式如下:
Figure 472262DEST_PATH_IMAGE033
如果
Figure 420627DEST_PATH_IMAGE034
,当前集群中心
Figure 388583DEST_PATH_IMAGE029
更新为
Figure 918003DEST_PATH_IMAGE035
;否则保持当前
Figure 629607DEST_PATH_IMAGE029
不变;
S15. 重复步骤S13和S14,直到当前集群中心未更新,得到工业物联网设备聚类集 群集合
Figure 698058DEST_PATH_IMAGE036
S2. 构建基于边缘计算的工业物联网模型下的任务重要性模型,主边缘计算服务 器
Figure 836915DEST_PATH_IMAGE008
在时间跨度
Figure 92447DEST_PATH_IMAGE009
内接收终端设备
Figure 607742DEST_PATH_IMAGE010
的任务
Figure 763654DEST_PATH_IMAGE011
,主边缘计算服务器收集任务
Figure 73413DEST_PATH_IMAGE011
相应 的参量属性
Figure 81820DEST_PATH_IMAGE012
Figure 135227DEST_PATH_IMAGE013
是数据量大小,
Figure 647111DEST_PATH_IMAGE014
是完成计算任务所需要的计算资 源,
Figure 127771DEST_PATH_IMAGE015
是最大可容忍的时间,
Figure 623474DEST_PATH_IMAGE016
表示任务
Figure 418255DEST_PATH_IMAGE011
到达边缘计算服务器的时间;
Figure 378121DEST_PATH_IMAGE017
表示任务的重要 程度;依据任务可容忍的时间、任务所需要的计算资源和任务的数据量大小三个考量因素 计算任务重要性,然后将任务分成三种等级:第一等级任务、第二等级任务和第三等级任 务,其中,第一等级任务的任务重要性值最大,第三等级任务的任务重要性值最小;
其中,任务重要性的具体计算过程为:
S21. 任务
Figure 203251DEST_PATH_IMAGE011
的重要性与数据量大小
Figure 982988DEST_PATH_IMAGE013
,所需要的计算资源
Figure 581459DEST_PATH_IMAGE014
,最大可容忍的延 迟
Figure 395832DEST_PATH_IMAGE015
三个因素有关,使用
Figure 890398DEST_PATH_IMAGE037
表示影响的任务重要性的元素组,其中任务可容忍 的时间
Figure 157431DEST_PATH_IMAGE015
相比任务所需要的计算资源
Figure 792550DEST_PATH_IMAGE014
、任务的数据量大小
Figure 461428DEST_PATH_IMAGE013
更重要,任务所需要的计算 资源
Figure 658054DEST_PATH_IMAGE014
与任务的数据量大小
Figure 84488DEST_PATH_IMAGE013
相比重要;因此,在层次分析模型中,任务可容忍的时间对 于重要性的划分所占的权重最高;将同一层次两两元素进行比较,构造层次分析矩阵
Figure 87079DEST_PATH_IMAGE038
如下,
Figure 548147DEST_PATH_IMAGE039
其中,
Figure 712412DEST_PATH_IMAGE040
表示的是第
Figure 157300DEST_PATH_IMAGE041
个因素与第
Figure 698003DEST_PATH_IMAGE042
个因素的比较结果,第
Figure 267041DEST_PATH_IMAGE041
个因素的权重
Figure 867787DEST_PATH_IMAGE043
计 算公式如下:
Figure 534392DEST_PATH_IMAGE044
S22. 任务
Figure 878785DEST_PATH_IMAGE011
的任务重要性的元素组
Figure 783287DEST_PATH_IMAGE037
所对应的权重特征值向量表 示为
Figure 554934DEST_PATH_IMAGE045
,其中,
Figure 941791DEST_PATH_IMAGE046
,使用
Figure 27559DEST_PATH_IMAGE047
表示其中一个对应的特征值,其计算公式如下:
Figure 380043DEST_PATH_IMAGE048
其中,
Figure 994695DEST_PATH_IMAGE049
表示影响任务重要性元素的个数;
S23. 任务
Figure 432629DEST_PATH_IMAGE011
的重要性的计算公式如下:
Figure 56509DEST_PATH_IMAGE050
S3. 在S2构建的任务重要性模型的基础上建立合作计算任务分配方式,即:第一等级任务直接在主边缘计算服务器上处理;第二等级任务在主边缘计算服务器上处理,或卸载到相邻的边缘计算服务器上处理;第三等级任务在主边缘计算服务器上处理,也可以卸载到相邻的边缘计算服务器上处理或者主边缘计算服务器下的设备集群上处理;
S4. 将到达主边缘计算服务器的任务
Figure 263499DEST_PATH_IMAGE011
输入步骤S2的任务重要性模型得到对应 的任务等级;确定了任务等级后根据步骤S3的合作计算任务分配方式产生任务对应的分配 方案;
S5. 计算任务在主边缘计算服务器、相邻边缘计算服务器和设备集群三种执行方式单独处理时间,具体计算过程如下:
主边缘计算服务器执行方式总时间
Figure 580211DEST_PATH_IMAGE051
,即任务
Figure 505442DEST_PATH_IMAGE011
在主服务器
Figure 903318DEST_PATH_IMAGE008
执行的时间, 其计算公式如下:
Figure 230395DEST_PATH_IMAGE052
其中,
Figure 186849DEST_PATH_IMAGE053
表示主边缘计算服务器
Figure 599376DEST_PATH_IMAGE008
计算能力,
Figure 565058DEST_PATH_IMAGE054
Figure 746641DEST_PATH_IMAGE055
表示开始和结束计算的时 刻,
Figure 638111DEST_PATH_IMAGE056
表示属于集合中的任意一个元素;
相邻边缘计算服务器执行方式总时间
Figure 272355DEST_PATH_IMAGE057
,即任务
Figure 776148DEST_PATH_IMAGE011
卸载到边缘计算服务器
Figure 15500DEST_PATH_IMAGE058
执行的时间,计算公式如下:
Figure 641653DEST_PATH_IMAGE059
其中,
Figure 700876DEST_PATH_IMAGE060
表示主边缘计算服务器
Figure 70678DEST_PATH_IMAGE061
和相邻边缘计算服务器
Figure 660141DEST_PATH_IMAGE062
之间的传输速率,
Figure 457196DEST_PATH_IMAGE063
表 示主边缘计算服务器
Figure 3715DEST_PATH_IMAGE061
和相邻边缘计算服务器
Figure 911628DEST_PATH_IMAGE062
之间的可用传输带宽,
Figure 859992DEST_PATH_IMAGE064
表示信噪 比,
Figure 827948DEST_PATH_IMAGE065
表示传输功率,
Figure 861763DEST_PATH_IMAGE066
表示信道增益,
Figure 9586DEST_PATH_IMAGE067
表示背景噪声,
Figure 874773DEST_PATH_IMAGE013
为任务
Figure 951314DEST_PATH_IMAGE011
数据量大小,
Figure 534742DEST_PATH_IMAGE068
表 示从任务从主边缘服务器卸载到相邻边缘服务器的传输时间,
Figure 987720DEST_PATH_IMAGE069
表示相邻边缘服务器 处理任务
Figure 707414DEST_PATH_IMAGE011
的计算时间;
Figure 954856DEST_PATH_IMAGE070
Figure 25580DEST_PATH_IMAGE071
分别表示任务
Figure 518135DEST_PATH_IMAGE011
从主边缘计算服务器
Figure 357915DEST_PATH_IMAGE008
到相邻的边 缘计算服务器
Figure 776258DEST_PATH_IMAGE058
开始传输和传输结束的时刻;
Figure 271961DEST_PATH_IMAGE072
Figure 863480DEST_PATH_IMAGE073
分别表示任务
Figure 495449DEST_PATH_IMAGE011
在相邻的边缘 计算服务器
Figure 412590DEST_PATH_IMAGE058
开始和结束计算的时刻;
设备集群执行方式总时间
Figure 628545DEST_PATH_IMAGE074
,即任务
Figure 23754DEST_PATH_IMAGE011
卸载到主边缘计算服务器下设备集群
Figure 775810DEST_PATH_IMAGE075
执行的时间,首先,任务
Figure 598272DEST_PATH_IMAGE011
分成较小的计算任务
Figure 802989DEST_PATH_IMAGE076
,然后,将每个计算任务
Figure 1889DEST_PATH_IMAGE077
分配 给集群中设备
Figure 608451DEST_PATH_IMAGE078
,任务
Figure 601814DEST_PATH_IMAGE011
总的时间计算公式如下:
Figure 789432DEST_PATH_IMAGE079
Figure 464127DEST_PATH_IMAGE080
其中,
Figure 987513DEST_PATH_IMAGE081
表示主边缘计算服务器和其覆盖的终端设备
Figure 355040DEST_PATH_IMAGE082
可用的下行传输带宽,
Figure 596665DEST_PATH_IMAGE083
表示信噪比,
Figure 809472DEST_PATH_IMAGE084
表示传输功率,
Figure 452943DEST_PATH_IMAGE085
表示信道增益;
Figure 224328DEST_PATH_IMAGE086
表示任务
Figure 953249DEST_PATH_IMAGE011
Figure 969747DEST_PATH_IMAGE087
个任务的数 据量大小,
Figure 467724DEST_PATH_IMAGE088
Figure 177054DEST_PATH_IMAGE089
分别表示任务
Figure 127693DEST_PATH_IMAGE011
划分后的较小的计算任务
Figure 947881DEST_PATH_IMAGE077
主边缘计算服务器
Figure 300365DEST_PATH_IMAGE008
到其覆盖下的终端设备
Figure 682061DEST_PATH_IMAGE082
开始传输和传输结束的时刻;
Figure 57679DEST_PATH_IMAGE090
表示任务
Figure 478296DEST_PATH_IMAGE011
Figure 950866DEST_PATH_IMAGE087
个任务所需 要的计算资源,
Figure 1998DEST_PATH_IMAGE091
表示设备
Figure 864912DEST_PATH_IMAGE082
计算能力,
Figure 89220DEST_PATH_IMAGE092
Figure 586935DEST_PATH_IMAGE093
分别表示任务
Figure 871286DEST_PATH_IMAGE011
划分后的较小的计算 任务
Figure 221496DEST_PATH_IMAGE077
在终端设备
Figure 249495DEST_PATH_IMAGE082
开始处理和结束处理的时刻;
S6. 基于步骤S4任务对应的分配方案,根据约束条件判断,得到任务的可行执行方案,选择其中执行时间最短的执行方案作为最终的执行方案,实现更快的执行任务并减少服务延迟,其中,判断执行方案是否可行的具体约束条件为:
假设主边缘计算服务器
Figure 368761DEST_PATH_IMAGE008
为任务
Figure 558433DEST_PATH_IMAGE011
可选分配方式,应满足以下两个条件:一是 任务在主服务器执行总时间
Figure 395939DEST_PATH_IMAGE094
,二是任务所需的计算资源
Figure 962050DEST_PATH_IMAGE095
假设相邻边缘计算服务器
Figure 697007DEST_PATH_IMAGE058
为任务
Figure 57581DEST_PATH_IMAGE011
可选分配方式,应满足以下三个条件: 一是任务在主服务器执行总时间
Figure 382383DEST_PATH_IMAGE096
,二是任务所需的计算资源
Figure 752185DEST_PATH_IMAGE097
,三是任务的计 算通信带宽
Figure 580463DEST_PATH_IMAGE099
假设主边缘计算服务器
Figure 315201DEST_PATH_IMAGE008
下的设备集群为任务
Figure 924037DEST_PATH_IMAGE011
可选分配方式,任务
Figure 533748DEST_PATH_IMAGE011
遍历 每个集群
Figure 544429DEST_PATH_IMAGE101
,在集群选择最优的设备组合方式,应满足以下四个条件:一是任务在主服务器 执行总时间
Figure 450068DEST_PATH_IMAGE102
,二是任务所需的计算资源
Figure 546200DEST_PATH_IMAGE103
,三是任务的计算通信带宽
Figure 195487DEST_PATH_IMAGE106
, 四是由于工业物联网设备动态性,任务在工业物联网设备开始执行的时间
Figure 60675DEST_PATH_IMAGE108
和结束的 时间
Figure 137215DEST_PATH_IMAGE109
为了评估本发明公开的一种边缘计算下的合作计算任务分配方法在减少时延方面的性能,本实施例采用本发明合作计算任务分配方法,对比方案采用非合作计算方式(主服务器直接执行方式),两者具体的参数条件如表一所列。两种方法处理任务的平均时延图如图2所示。
图1展示了在工业物联网设备数量和任务数量不同的情况下合作计算任务分配方法与非合作计算任务分配方法的任务平均时延对比图。图1(a)显示了在任务数量不同的情况下,合作边缘计算和非合作边缘计算任务的平均执行延迟;其中,边缘计算服务器和工业物联网设备的数量分别设置为5,200。从图中可以看出,平均执行延迟随着任务数量增加而增加;但是,合作边缘计算的平均执行延迟总是低于非合作边缘计算,表明合作边缘计算具有优越的性能。
图1(b)显示了在终端数量不同的情况下,合作边缘计算和非合作边缘计算任务的平均执行延迟,其中,任务数量设置为200。从图中可以看出,平均执行延迟随着工业物联网设备数量的增加而降低,但合作边缘计算的执行延迟总是低于非合作边缘计算。原因是合作边缘计算中的设备集群方式可以通过更多的工业物联网设备来加速任务的执行速度;而非合作边缘计算是不变的,这是因为非合作边缘计算与工业物联网设备没有合作。
表一
Figure 720644DEST_PATH_IMAGE115
图2为合作计算方式与非合作计算(主边缘计算服务器直接执行方式)下任务完成率对比图。图2展示了在工业物联网设备数量和任务数量不同的情况下合作计算任务分配方法与非合作计算任务分配方法的任务完成率对比图,其中,边缘计算服务器和工业物联网设备的数量分别设置为5,100。任务完成率的定义是,任务完成的数量为已完成的任务占已到达任务总数的比例。从图2中可以看出,当设备数量较少时, 两种方式的任务完成率相差无几;但随着设备数量的增加,合作边缘计算的任务完成率不断提高,而非合作的完成率基本不变,当设备数量较大时,合作方式的完成率远高于非合作方式,这是因为合作边缘计算拥有更多的任务执行模式来完成更多的任务;设备集群方式可以通过更多的工业物联网设备来完成更多的任务,而非合作边缘计算是不变的。
从以上实施例和对比方案的结果可得,每个任务可以通过主边缘计算服务器、相邻边缘计算服务器和设备集群三种合作计算方式进行任务最优的分配从而实现了任务的加速处理并减少服务延迟,并且每个任务执行的时间高于非合作计算方式(主边缘计算服务器直接执行方式)的时间。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。

Claims (1)

1.一种边缘计算下的合作计算任务分配方法,其特征在于,包括以下步骤:
S1. 构建边缘计算的工业物联网模型,包括一组边缘计算服务器
Figure 832002DEST_PATH_IMAGE001
和工业物联网设备
Figure 921181DEST_PATH_IMAGE002
,其中,第
Figure 106174DEST_PATH_IMAGE003
个边缘计算服务器作为主边缘计算服务器,其覆盖一组工业物联网设备表示为
Figure 597199DEST_PATH_IMAGE004
Figure 311077DEST_PATH_IMAGE005
;相邻的边缘计算服务器集合表示为
Figure 418710DEST_PATH_IMAGE006
;第
Figure 138886DEST_PATH_IMAGE003
个主边缘计算服务器下的工业物联网设备通过聚类形成多个集群,多个集群的集合表示为
Figure 953258DEST_PATH_IMAGE007
;其中,工业物联网设备通过聚类形成多个集群具体采用资源感知集群算法,其具体过程为:
S11.主边缘计算服务器
Figure 369196DEST_PATH_IMAGE008
下的工业物联网设备集合表示为
Figure 901808DEST_PATH_IMAGE009
,集群集合为
Figure 428605DEST_PATH_IMAGE010
,集群簇数
Figure 97483DEST_PATH_IMAGE011
;工业物联网设备
Figure 684322DEST_PATH_IMAGE012
相应聚类特征表示为
Figure 704231DEST_PATH_IMAGE013
,由工业物联网设备
Figure 503560DEST_PATH_IMAGE012
与主边缘计算服务器
Figure 354841DEST_PATH_IMAGE008
之间的距离
Figure 50265DEST_PATH_IMAGE014
、工业物联网设备
Figure 357137DEST_PATH_IMAGE012
计算资源
Figure 428998DEST_PATH_IMAGE015
组成;
S12. 从工业物联网设备集合
Figure 338048DEST_PATH_IMAGE009
中随机选择设备
Figure 204373DEST_PATH_IMAGE016
作为集群中心,建立
Figure 995611DEST_PATH_IMAGE011
个集群中心
Figure 605584DEST_PATH_IMAGE017
,所有集群中心的集合为
Figure 165879DEST_PATH_IMAGE018
Figure 999843DEST_PATH_IMAGE019
,每个集群中心相应的特征的集合表示为
Figure 481639DEST_PATH_IMAGE020
;其中,
Figure 895303DEST_PATH_IMAGE021
Figure 575683DEST_PATH_IMAGE011
具有相同含义;
S13. 循环遍历工业物联网设备集合
Figure 804319DEST_PATH_IMAGE009
中的每个工业物联网设备
Figure 570149DEST_PATH_IMAGE016
,计算各工业物联网设备
Figure 521925DEST_PATH_IMAGE016
与各集群中心
Figure 260074DEST_PATH_IMAGE022
的特征距离
Figure 435840DEST_PATH_IMAGE023
,公式如下:
Figure 626650DEST_PATH_IMAGE024
根据距离最近的集群中心确定工业物联网设备
Figure 382116DEST_PATH_IMAGE016
的簇
Figure 37089DEST_PATH_IMAGE025
,计算公式如下:
Figure 587019DEST_PATH_IMAGE026
将设备
Figure 327442DEST_PATH_IMAGE016
划入相同集群中心的簇
Figure 355440DEST_PATH_IMAGE025
S14. 循环遍历工业物联网设备集群,更新集群
Figure 68181DEST_PATH_IMAGE021
的集群中心,计算公式如下:
Figure 854259DEST_PATH_IMAGE027
如果
Figure 816399DEST_PATH_IMAGE028
,当前集群中心
Figure 648089DEST_PATH_IMAGE022
更新为
Figure 12074DEST_PATH_IMAGE029
;否则保持当前
Figure 903807DEST_PATH_IMAGE022
不变;
S15. 重复步骤S13和S14,直到当前集群中心未更新,得到工业物联网设备聚类集群集合
Figure 822084DEST_PATH_IMAGE030
S2. 构建基于边缘计算的工业物联网模型下的任务重要性模型,主边缘计算服务器
Figure 254203DEST_PATH_IMAGE008
在时间跨度
Figure 472694DEST_PATH_IMAGE031
内接收终端设备
Figure 535328DEST_PATH_IMAGE032
的任务
Figure 206481DEST_PATH_IMAGE033
,主边缘计算服务器收集任务
Figure 704940DEST_PATH_IMAGE033
相应的参量属性
Figure 981200DEST_PATH_IMAGE034
Figure 277053DEST_PATH_IMAGE035
是数据量大小,
Figure 904343DEST_PATH_IMAGE036
是完成计算任务所需要的计算资源,
Figure 615947DEST_PATH_IMAGE037
是最大可容忍的时间,
Figure 74610DEST_PATH_IMAGE038
表示任务
Figure 479047DEST_PATH_IMAGE033
到达边缘计算服务器的时间;
Figure 390371DEST_PATH_IMAGE039
表示任务的重要程度;依据任务可容忍的时间、任务所需要的计算资源和任务的数据量大小三个考量因素计算任务重要性,其计算具体过程为:
S21. 任务
Figure 171245DEST_PATH_IMAGE033
的重要性与数据量大小
Figure 422098DEST_PATH_IMAGE035
,所需要的计算资源
Figure 59753DEST_PATH_IMAGE036
,最大可容忍的时间
Figure 398986DEST_PATH_IMAGE037
三个因素有关,使用
Figure 983551DEST_PATH_IMAGE040
表示影响的任务重要性的元素组,其中任务可容忍的时间
Figure 151227DEST_PATH_IMAGE037
相比任务所需要的计算资源
Figure 897466DEST_PATH_IMAGE036
、任务数据量大小
Figure 517803DEST_PATH_IMAGE035
更重要,任务所需要的计算资源
Figure 906059DEST_PATH_IMAGE036
相比任务数据量大小
Figure 865925DEST_PATH_IMAGE035
更重要;因此,在层次分析模型中,任务可容忍的时间对于重要性的划分所占的权重最高;将同一层次两两元素进行比较,构造层次分析矩阵
Figure 48645DEST_PATH_IMAGE041
如下,
Figure 421857DEST_PATH_IMAGE042
其中,
Figure 82646DEST_PATH_IMAGE043
表示的是第
Figure 959335DEST_PATH_IMAGE044
个因素与第
Figure 312956DEST_PATH_IMAGE045
个因素的比较结果,第
Figure 904955DEST_PATH_IMAGE044
个因素的权重
Figure 900593DEST_PATH_IMAGE046
计算公式如下:
Figure 835051DEST_PATH_IMAGE047
S22. 任务
Figure 421890DEST_PATH_IMAGE033
的任务重要性的元素组
Figure 441799DEST_PATH_IMAGE040
所对应的权重特征值向量表示为
Figure 709969DEST_PATH_IMAGE048
,其中,
Figure 561251DEST_PATH_IMAGE049
,使用
Figure 991095DEST_PATH_IMAGE050
表示其中一个对应的特征值,其计算公式如下:
Figure 295037DEST_PATH_IMAGE051
其中,
Figure 163636DEST_PATH_IMAGE052
表示影响任务重要性元素的个数;
S23. 任务
Figure 810037DEST_PATH_IMAGE033
的重要性的计算公式如下:
Figure 738679DEST_PATH_IMAGE053
然后将任务分成三种等级:第一等级任务、第二等级任务和第三等级任务,其中,第一等级任务的任务重要性值最大,第三等级任务的任务重要性值最小;
S3. 基于S2构建的任务重要性模型建立合作计算任务分配方式,即:第一等级任务直接在主边缘计算服务器上处理;第二等级任务在主边缘计算服务器上处理,或卸载到相邻的边缘计算服务器上处理;第三等级任务在主边缘计算服务器上处理,或卸载到相邻的边缘计算服务器上处理,或在主边缘计算服务器下的设备集群上处理;
S4. 将到达主边缘计算服务器的任务
Figure 264338DEST_PATH_IMAGE033
输入步骤S2的任务重要性模型得到对应的任务等级;确定了任务等级后根据步骤S3的合作计算任务分配方式产生任务对应的分配方案;
S5. 计算任务在主边缘计算服务器、相邻边缘计算服务器和设备集群三种执行方式下的单独处理所需时间,具体计算过程为:
主边缘计算服务器执行方式总时间
Figure 139890DEST_PATH_IMAGE054
,即任务
Figure 903447DEST_PATH_IMAGE033
在主服务器
Figure 737410DEST_PATH_IMAGE008
执行的时间,其计算公式如下:
Figure 484787DEST_PATH_IMAGE055
其中,
Figure 429609DEST_PATH_IMAGE056
表示主边缘计算服务器
Figure 47672DEST_PATH_IMAGE008
计算能力,
Figure 255799DEST_PATH_IMAGE057
Figure 549859DEST_PATH_IMAGE058
表示开始和结束计算的时刻,
Figure 501634DEST_PATH_IMAGE059
表示属于集合中的任意一个元素;相邻边缘计算服务器执行方式总时间
Figure 239783DEST_PATH_IMAGE060
,即任务
Figure 681129DEST_PATH_IMAGE033
卸载到边缘计算服务器
Figure 871939DEST_PATH_IMAGE061
执行的时间,计算公式如下:
Figure 424143DEST_PATH_IMAGE062
其中,
Figure 813536DEST_PATH_IMAGE063
表示主边缘计算服务器
Figure 629045DEST_PATH_IMAGE064
和相邻边缘计算服务器
Figure 838310DEST_PATH_IMAGE065
之间的传输速率,
Figure 928625DEST_PATH_IMAGE066
表示主边缘计算服务器
Figure 375787DEST_PATH_IMAGE064
和相邻边缘计算服务器
Figure 365127DEST_PATH_IMAGE065
之间的可用传输带宽,
Figure 592846DEST_PATH_IMAGE067
表示信噪比,
Figure 221274DEST_PATH_IMAGE068
表示传输功率,
Figure 522942DEST_PATH_IMAGE069
表示信道增益,
Figure 211413DEST_PATH_IMAGE070
表示背景噪声,
Figure 660848DEST_PATH_IMAGE035
为任务
Figure 296229DEST_PATH_IMAGE033
数据量大小,
Figure 983562DEST_PATH_IMAGE071
表示相邻边缘计算服务器
Figure 108513DEST_PATH_IMAGE061
计算能力的倒数,
Figure 982928DEST_PATH_IMAGE072
表示从任务从主边缘服务器卸载到相邻边缘服务器的传输时间,
Figure 239245DEST_PATH_IMAGE073
表示相邻边缘服务器处理任务
Figure 515506DEST_PATH_IMAGE033
的计算时间;
Figure 14620DEST_PATH_IMAGE074
Figure 438649DEST_PATH_IMAGE075
分别表示任务
Figure 415832DEST_PATH_IMAGE033
从主边缘计算服务器
Figure 874495DEST_PATH_IMAGE008
到相邻的边缘计算服务器
Figure 544511DEST_PATH_IMAGE061
开始传输和传输结束的时刻;
Figure 127939DEST_PATH_IMAGE076
Figure 705551DEST_PATH_IMAGE077
分别表示任务
Figure 18720DEST_PATH_IMAGE033
在相邻的边缘计算服务器
Figure 594058DEST_PATH_IMAGE061
开始和结束计算的时刻;
设备集群执行方式总时间
Figure 730029DEST_PATH_IMAGE078
,即任务
Figure 49015DEST_PATH_IMAGE033
卸载到主边缘计算服务器下设备集群
Figure 419953DEST_PATH_IMAGE079
执行的时间,首先,任务
Figure 228509DEST_PATH_IMAGE033
分成较小的计算任务
Figure 52109DEST_PATH_IMAGE080
,然后,将每个计算任务
Figure 971523DEST_PATH_IMAGE081
分配给集群中设备
Figure 196968DEST_PATH_IMAGE082
,任务
Figure 176426DEST_PATH_IMAGE033
总的时间计算公式如下:
Figure 221742DEST_PATH_IMAGE083
Figure 679268DEST_PATH_IMAGE084
其中,
Figure 555957DEST_PATH_IMAGE085
表示任务
Figure 765703DEST_PATH_IMAGE033
划分后较小的计算任务
Figure 298316DEST_PATH_IMAGE081
从主边缘计算服务器
Figure 825112DEST_PATH_IMAGE064
到集群中设备
Figure 759570DEST_PATH_IMAGE082
之间的传输速率,
Figure 284092DEST_PATH_IMAGE086
表示主边缘计算服务器和其覆盖的终端设备
Figure 366318DEST_PATH_IMAGE087
可用的下行传输带宽,
Figure 431226DEST_PATH_IMAGE088
表示信噪比,
Figure 16928DEST_PATH_IMAGE089
表示传输功率,
Figure 446772DEST_PATH_IMAGE090
表示信道增益;
Figure 19223DEST_PATH_IMAGE091
表示任务
Figure 91084DEST_PATH_IMAGE033
Figure 734555DEST_PATH_IMAGE092
个任务的数据量大小,
Figure 663197DEST_PATH_IMAGE093
Figure 392119DEST_PATH_IMAGE094
分别表示任务
Figure 64409DEST_PATH_IMAGE033
划分后的较小的计算任务
Figure 827965DEST_PATH_IMAGE081
主边缘计算服务器
Figure 130771DEST_PATH_IMAGE008
到其覆盖下的终端设备
Figure 346988DEST_PATH_IMAGE087
开始传输和传输结束的时刻;
Figure 557390DEST_PATH_IMAGE095
表示任务
Figure 441032DEST_PATH_IMAGE033
Figure 649160DEST_PATH_IMAGE092
个任务所需要的计算资源,
Figure 412061DEST_PATH_IMAGE096
表示工业物联网设备
Figure 629415DEST_PATH_IMAGE087
计算能力,
Figure 101985DEST_PATH_IMAGE097
Figure 543331DEST_PATH_IMAGE098
分别表示任务
Figure 734140DEST_PATH_IMAGE033
划分后的较小的计算任务
Figure 489607DEST_PATH_IMAGE081
在终端设备
Figure 144579DEST_PATH_IMAGE087
开始处理和结束处理的时刻;
Figure 428930DEST_PATH_IMAGE099
表示任务
Figure 169353DEST_PATH_IMAGE033
划分后较小的计算任务
Figure 462931DEST_PATH_IMAGE081
从主边缘计算服务器
Figure 175672DEST_PATH_IMAGE008
到其覆盖下的终端设备
Figure 961750DEST_PATH_IMAGE082
的传输时间;
Figure 861573DEST_PATH_IMAGE100
表示任务
Figure 958842DEST_PATH_IMAGE033
划分后较小的计算任务
Figure 588406DEST_PATH_IMAGE081
从主边缘计算服务器
Figure 480139DEST_PATH_IMAGE008
到其覆盖下的终端设备
Figure 132837DEST_PATH_IMAGE082
的计算时间;
S6. 基于步骤S4任务对应的分配方案,根据约束条件判断,得到任务的可行执行方案,其具体过程为:
所述根据约束条件判断,得到任务的可行执行方案具体过程为:
假设主边缘计算服务器
Figure 830535DEST_PATH_IMAGE008
为任务
Figure 252289DEST_PATH_IMAGE033
可选分配方式,应满足以下两个条件:一是任务在主服务器执行总时间
Figure 377240DEST_PATH_IMAGE101
;二是任务所需的计算资源
Figure 251655DEST_PATH_IMAGE102
假设相邻边缘计算服务器
Figure 690726DEST_PATH_IMAGE061
为任务
Figure 29304DEST_PATH_IMAGE033
可选分配方式,应满足以下三个条件:一是任务在相邻边缘服务器执行总时间
Figure 259909DEST_PATH_IMAGE103
;二是任务所需的计算资源
Figure 683937DEST_PATH_IMAGE104
Figure 661121DEST_PATH_IMAGE105
表示边缘计算服务器
Figure 854205DEST_PATH_IMAGE008
的计算资源容量;三是任务的计算通信带宽
Figure 258641DEST_PATH_IMAGE106
Figure 169965DEST_PATH_IMAGE107
表示主边缘计算服务器与相邻的边缘计算服务器的通信带宽;
假设主边缘计算服务器
Figure 950840DEST_PATH_IMAGE008
下的设备集群为任务
Figure 201692DEST_PATH_IMAGE033
可选分配方式,任务
Figure 839347DEST_PATH_IMAGE033
遍历每个集群
Figure 175650DEST_PATH_IMAGE108
,在集群选择最优的设备组合方式,应满足以下四个条件:一是任务在设备集群执行总时间
Figure 556953DEST_PATH_IMAGE109
;二是任务所需的计算资源
Figure 665242DEST_PATH_IMAGE110
Figure 473798DEST_PATH_IMAGE111
表示工业物联网设备
Figure 297398DEST_PATH_IMAGE112
的计算资源容量;三是任务的计算通信带宽
Figure 951233DEST_PATH_IMAGE113
Figure 973416DEST_PATH_IMAGE114
表示主边缘计算服务器与工业物联网设备的通信带宽;四是由于工业物联网设备动态性,任务在工业物联网设备开始执行的时间
Figure 156135DEST_PATH_IMAGE115
和结束的时间
Figure 998189DEST_PATH_IMAGE116
,其中,
Figure 721295DEST_PATH_IMAGE117
表示终端设备
Figure 801246DEST_PATH_IMAGE118
到达主边缘计算服务器
Figure 951605DEST_PATH_IMAGE008
覆盖区域的时间,
Figure 770304DEST_PATH_IMAGE119
表示终端设备
Figure 234784DEST_PATH_IMAGE118
离开主边缘计算服务器
Figure 231559DEST_PATH_IMAGE008
覆盖区域的时间;
选择其中执行时间最短的执行方案作为最终的执行方案,实现更快的执行任务并减少服务延迟。
CN202110145575.2A 2021-02-03 2021-02-03 一种边缘计算下的合作计算任务分配方法 Active CN112511652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110145575.2A CN112511652B (zh) 2021-02-03 2021-02-03 一种边缘计算下的合作计算任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110145575.2A CN112511652B (zh) 2021-02-03 2021-02-03 一种边缘计算下的合作计算任务分配方法

Publications (2)

Publication Number Publication Date
CN112511652A CN112511652A (zh) 2021-03-16
CN112511652B true CN112511652B (zh) 2021-04-30

Family

ID=74952515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110145575.2A Active CN112511652B (zh) 2021-02-03 2021-02-03 一种边缘计算下的合作计算任务分配方法

Country Status (1)

Country Link
CN (1) CN112511652B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534829B (zh) * 2021-06-11 2024-04-05 南京邮电大学 一种基于边缘计算的无人机日常巡逻检测系统
CN113835878A (zh) * 2021-08-24 2021-12-24 润联软件系统(深圳)有限公司 一种资源分配方法、装置、计算机设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107241767A (zh) * 2017-06-14 2017-10-10 广东工业大学 一种移动协同计算的方法及装置
CN108319502A (zh) * 2018-02-06 2018-07-24 广东工业大学 一种基于移动边缘计算的d2d任务分配的方法及装置
US10110495B1 (en) * 2017-11-22 2018-10-23 Intel Corporation Multi-access edge computing (MEC) service provision based on local cost measurements
US10136351B2 (en) * 2016-08-30 2018-11-20 Huawei Technologies Co., Ltd. Mobile edge computing for tele-operation
CN109684075A (zh) * 2018-11-28 2019-04-26 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN109710336A (zh) * 2019-01-11 2019-05-03 中南林业科技大学 联合能量和延迟优化的移动边缘计算任务调度方法
CN110134507A (zh) * 2019-07-11 2019-08-16 电子科技大学 一种边缘计算系统下的合作计算方法
CN110647391A (zh) * 2019-09-27 2020-01-03 北京邮电大学 面向星地协同网络的边缘计算方法及系统
CN111045828A (zh) * 2019-12-27 2020-04-21 广东电科院能源技术有限责任公司 基于配电网台区终端的分布式边缘计算方法和相关装置
CN111556516A (zh) * 2020-05-25 2020-08-18 南京邮电大学 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
CN111679904A (zh) * 2020-03-27 2020-09-18 北京世纪互联宽带数据中心有限公司 一种基于边缘计算网络的任务调度方法及装置
CN111858054A (zh) * 2020-07-22 2020-10-30 北京秒如科技有限公司 一种异构环境下基于边缘计算的资源调度系统及方法
CN111913723A (zh) * 2020-06-15 2020-11-10 合肥工业大学 基于流水线的云-边-端协作卸载方法和系统
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统
CN112148492A (zh) * 2020-09-28 2020-12-29 南京大学 一种考虑多用户移动性的服务部署和资源分配方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10659526B2 (en) * 2018-01-03 2020-05-19 Verizon Patent And Licensing Inc. Edge compute systems and methods
US10931586B2 (en) * 2018-10-30 2021-02-23 Verizon Patent And Licensing Inc. Method and system for predictive edge resources

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10136351B2 (en) * 2016-08-30 2018-11-20 Huawei Technologies Co., Ltd. Mobile edge computing for tele-operation
CN107241767A (zh) * 2017-06-14 2017-10-10 广东工业大学 一种移动协同计算的方法及装置
US10110495B1 (en) * 2017-11-22 2018-10-23 Intel Corporation Multi-access edge computing (MEC) service provision based on local cost measurements
CN108319502A (zh) * 2018-02-06 2018-07-24 广东工业大学 一种基于移动边缘计算的d2d任务分配的方法及装置
CN109684075A (zh) * 2018-11-28 2019-04-26 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN109710336A (zh) * 2019-01-11 2019-05-03 中南林业科技大学 联合能量和延迟优化的移动边缘计算任务调度方法
CN110134507A (zh) * 2019-07-11 2019-08-16 电子科技大学 一种边缘计算系统下的合作计算方法
CN110647391A (zh) * 2019-09-27 2020-01-03 北京邮电大学 面向星地协同网络的边缘计算方法及系统
CN111045828A (zh) * 2019-12-27 2020-04-21 广东电科院能源技术有限责任公司 基于配电网台区终端的分布式边缘计算方法和相关装置
CN111679904A (zh) * 2020-03-27 2020-09-18 北京世纪互联宽带数据中心有限公司 一种基于边缘计算网络的任务调度方法及装置
CN111556516A (zh) * 2020-05-25 2020-08-18 南京邮电大学 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
CN111913723A (zh) * 2020-06-15 2020-11-10 合肥工业大学 基于流水线的云-边-端协作卸载方法和系统
CN111858054A (zh) * 2020-07-22 2020-10-30 北京秒如科技有限公司 一种异构环境下基于边缘计算的资源调度系统及方法
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统
CN112148492A (zh) * 2020-09-28 2020-12-29 南京大学 一种考虑多用户移动性的服务部署和资源分配方法

Non-Patent Citations (17)

* Cited by examiner, † Cited by third party
Title
A Novel Terminal Security Access Method Based on Edge Computing for IoT;Songlin Chen; Yixin Jiang; Hong Wen et al.;《2018 International Conference on Networking and Network Applications (NaNA)》;20190225;全文 *
Clone Detection Based on BPNN and Physical Layer Reputation for Industrial Wireless CPS;Fei Pan;Hong Wen;Xuesong Gao;Haibo Pu;Zhibo Pang;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20201001;全文 *
Clustering based physical-layer authentication in edge computing systems with asymmetric resources;Yi Chen et al.;《sensors》;20190421;全文 *
Efficiency and Security for Edge Computing Assisted Smart Grids;Aidong Xu;Yixin Jiang;Jinsong Wu;Yunan Zhang;Wenjin Hou et al.;《2019 IEEE Globecom Workshops (GC Wkshps)》;20200305;全文 *
Internet of things based smart grids supported by intelligent edge computing;Songlin Chen et al.;《IEEE Access》;20190603;全文 *
MEC计算卸载策略的研究与应用;罗斌;《中国优秀硕士学位论文全文数据库》;20200715;全文 *
Security level protection for intelligent terminals based on differential privacy;Feng Wang; Dingde Jiang; Hong Wen et al.;《Telecommunication Systems》;20200430;全文 *
Virtualization Enabled Multi-Point Cooperation with Convergence of Communication, Caching, and Computing;Shu Fu, Nan Cheng, Ning Zhang, Xin Jian, Feng Lyu, Hong Wen;《IEEE Network》;20200131;全文 *
云边智能:电力系统运行控制的边缘计算方法及其应用现状与展望;白昱阳等;《自动化学报》;20200331;全文 *
基于移动边缘计算的物联网资源管理策略研究;乔冠华;《万方》;20190916;全文 *
基于边缘侧的BP神经网络终端安全等级分级模型;侯文静等;《通信技术》;20181031;全文 *
工业互联网中基于边缘计算的任务卸载策略研究;代振楠;《中国优秀硕士学位论文全文数据库》;20200715;全文 *
应用于智能制造的边缘计算任务调度算法研究;王硕等;《制造业自动化》;20201225;全文 *
移动边缘计算中的计算卸载策略研究综述;董思岐等;《计算机科学》;20190814;全文 *
计量系统下基于边缘计算的电量预测;杨骏,侯文静,文红;《智能电网》;20190225;全文 *
车辆异构网中基于移动边缘计算的任务卸载与资源分配;张海波等;《物联网学报》;20180930;全文 *
面向移动边缘计算的多优先级任务调度算法研究;朱彦荣;《中国优秀硕士学位论文全文数据库》;20200715;全文 *

Also Published As

Publication number Publication date
CN112511652A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN111240701B (zh) 一种端-边-云协同计算的任务卸载优化方法
CN107766135B (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
WO2021197245A1 (zh) 一种车联网环境下的最优化边缘计算节点选择方法及系统
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN112511652B (zh) 一种边缘计算下的合作计算任务分配方法
CN110570075B (zh) 一种电力业务边缘计算任务分配方法及装置
CN110233755B (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
CN112019620B (zh) 基于Nginx动态加权的Web集群负载均衡方法及系统
CN110928691A (zh) 一种面向交通数据的端边协同计算卸载方法
CN112153145A (zh) 5g边缘环境下面向车联网的计算任务卸载方法及装置
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN111182495A (zh) 一种5g车联网部分计算卸载方法
CN107220108A (zh) 一种实现云数据中心负载均衡的方法和系统
CN113032096A (zh) 一种基于节点重要性与用户需求双感知的sfc映射方法
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN110167031B (zh) 一种面向集中式基站的资源分配方法、设备及存储介质
CN112437449B (zh) 联合资源分配方法
CN113766037A (zh) 面向大规模边缘计算系统的任务卸载控制方法及系统
CN113315669A (zh) 基于云边协同的吞吐量优化的机器学习推断任务部署方法
CN112835691A (zh) 一种物联网通讯的边缘数据处理方法及系统
CN111124439A (zh) 一种云边协同的智能动态卸载算法
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法

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