CN112685162A - 边缘服务器异构计算资源的高效能调度方法、系统和介质 - Google Patents
边缘服务器异构计算资源的高效能调度方法、系统和介质 Download PDFInfo
- Publication number
- CN112685162A CN112685162A CN202110012674.3A CN202110012674A CN112685162A CN 112685162 A CN112685162 A CN 112685162A CN 202110012674 A CN202110012674 A CN 202110012674A CN 112685162 A CN112685162 A CN 112685162A
- Authority
- CN
- China
- Prior art keywords
- server
- edge server
- task
- tasks
- calculation
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种边缘服务器异构计算资源的高效能调度方法、系统及介质,方法包括下述步骤:通过先验计算,将计算任务归纳为n种任务类型;对边缘服务器每种服务器的状态进行初始化;在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。本发明实现了边缘服务器的异构计算资源的高效能调度方法,能够利用边缘服务器有限的异构计算资源,大大提高边缘服务器计算资源的利用率,同时加速边缘服务器的处理速度,更加高效地完成从终端传输给边缘服务器的计算任务。
Description
技术领域
本发明属于云计算的技术领域,具体涉及一种边缘服务器异构计算资源的高效能调度方法、系统和介质。
背景技术
目前云计算可以说是继计算机和互联网之后,一个充斥着数据与信息时代的一种新的革新。可以说在当今这样一个信息化时代是一个飞跃。总的来说,云计算具有很强的扩展性和需求性,可以为用户提供一种全新的体验。其核心是将很多的计算机资源协调在一起,使用户通过网络就可以获取到无限的资源,同时获取的资源不受时间和空间的限制。
然而随着人们对服务和需求的日益增加,云计算服务针对一些时效性很强的需求提供服务,便会显得较为乏力。由于云服务器的地理位置问题,导致类似于电视剧等时效性很强的服务,如果地域不一样,服务的速度就会有不同。随着物联网和5G的到来,云计算的服务模式也会慢慢跟不上发展速度。边缘计算也称雾计算的概念也随即提出,其目的就是为了提升服务器的计算力,将“云”的“边”也部署服务器,用户在使用云服务器的资源的时候可以直接从边缘服务器中提取资源,而云端服务器主要是起到统筹规划多个边缘服务器的作用,也可对所有边缘服务器的一些日志等数据收集上来进行分析,建立模型,起到监督作用等等。
然而,在目前的云边端协同一体化的结构中为了满足智能应用的实时性要求,对与边缘服务器的异构计算资源是会有很大的浪费的,与此同时随着终端越来越多样化,异构计算任务也越来越多,如果无法很好的处理,分配这些异构计算任务,甚至会导致任务无法及时的完成并且反馈给终端。在传统的云边端协同一体化的结构中终端与边缘节点的通讯过程,计算任务是通过“先发送,先处理的先后”的顺序从终端传输给边缘节点进行计算的,这样会导致计算资源没有最好的利用大致计算资源的浪费,有时甚至会引起之后的任务无法按时完成。因为只考虑在当前服务器状态下分配单个任务,会始终无法判断之后的计算任务相对于当前的计算任务,是否更需要目前的某些服务器计算资源,同时也无法保证计算任务都能够满足实时性的要求,如果所有的计算任务都要考虑,又会陷入隐马尔可夫链的困难问题中。
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,提供一种边缘服务器异构计算资源的高效能调度方法、系统和介质,能够利用边缘服务器有限的异构计算资源,大大提高边缘服务器计算资源的利用率,同时加速边缘服务器的处理速度,更加高效地完成从终端传输给边缘服务器的计算任务。
为了达到上述目的,本发明采用以下技术方案:
本发明一方面提出了一种边缘服务器异构计算资源的高效能调度方法,包括下述步骤:
通过先验计算,将计算任务归纳为n种任务类型,并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能指标,加权相加得出总和为k;
对边缘服务器每种服务器的状态进行初始化;
在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;
以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。
优选的,所述服务器包括CPU、GPU和FPGA,每种服务器为同一个类型,进而每个任务单独在各个服务器上运行的得分表示为kn1,kn2,kn3,其中n1为CPU,n1为GPU,n3为FPGA,那么所有M个终端的应用由F种任务组成可表示为:
F={(c1,d1),(c2,d2),(c3,d3),(c4,d4),......(cm,dm);}
其中c,d分别代表某种任务所需的计算和数据。
优选的,所述先验计算包括对任务类型进行标签化,以及对相应的数据进行归一化、结构化的预处理操作。
优选的,所述缓存区域的大小为W,其W的计算公式如下:
首先计算出三种服务器CPU、GPU、FPGA的平均任务期望:Lc,Lg,Lf,
缓存区的大小为:
W为整数且向下取整,满足0<W<min(Tg,Tc,Tf),其中Ti,i∈(g,c,f)为每种服务器的最大容量;
当W不满足约束条件是,W=W*θ,其中0<θ<1直至满足约束为止。
优选的,所述初始化具体为:
边缘管理器节点对服务器进行随机分配临时任务,建立服务器之间的通信,而临时任务将被从终端传输过来的任务取代,CPU,GPU,FPGA服务器设置的临时任务个数分别为Gc,Gg,Gf:
Gc=(Tc-W)*γc;
Gg=(Tg-W)*γg;
Gf=(Tf-W)*γf;
这里的Ti,i∈(g,c,f)为每种服务器的最大容量,γ是一个可学习优化的学习率。
优选的,在没有外来计算任务的时候,需要随机分配临时任务,用来提前建立不同服务器之间的通信。
优选的,当缓存区的任务都清空,并且暂时没有接收到从终端传输过来的计算任务时,边缘服务器会回到的初始状态中,并且向云端传输运行日志,开始初始化各个服务器的状态,直至缓存区传来新的任务,一直循环,最后到关闭边缘服务器结束整个流程。
优选的,所述用粒子群优化方法来求出最优,具体为:
通过遍历方式的扫描法计算出初始种群;其中每一种资源分配的侯选方案作为一个粒子;每个粒子的适应度的计算;其中适应度Fitness的计算方式为:
其中n为缓存区中总共计算任务个数,k为在对应服务器运行的任务得分数,具体为:
km=am·communicate(Cost)+bm·execution(Time)+cm·execution(Consumption)
其中,am+bm+cm=1且0<am<1,0<bm<1,0<cm<1,km为任务在m服务器中运行所得的分数;communicate(Cost)为服务器之间通讯的时间消耗,execution(Time)为任务的执行时间,execution(Consumption)为任务在m服务器制行的能耗;
通过适应度Fitness对各粒子进行筛选,选出最优的粒子同时保存Fitness前90%的粒子进行下一轮循环;
粒子群的速度和位置更新公式对对速度和位置进行更新,公式具体为:v(x+1)d=vxd+c1(Pid-Pxd)+c2(Pgd-Pxd)
P(x+1)d=Pxd+v(x+1)d
其v为速度,c1,c2为个体学习因子和社会学习因子在取[0,4]。Pid为在d维度中当前粒子自身过去最佳位置,Pgd为在d维度中整个种群的最佳位置,Pxd为在d维度中当前粒子的位置;
对优化后的粒子进行速度更新以及位置更新操作的迭代直到满足达到预设的条件,最终得到最优粒子,得到最优解。
本发明另一方面提出了一种边缘服务器异构计算资源的高效能调度系统,应用于所述的边缘服务器异构计算资源的高效能调度方法,包括先验计算模块、初始化模块、缓存模块以及求解模块;
所述先验计算模块,用于将计算任务归纳为n种任务类型,并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能指标,加权相加得出总和为k;
所述初始化模块,用于对边缘服务器每种服务器的状态进行初始化;
所述缓存模块,用于在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;
所述求解模块,用于以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。
本发明的又一方面提出了一种存储介质,存储有程序,所述程序被处理器执行时,实现所述的边缘服务器异构计算资源的高效能调度方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明提出的一种面向云边端一体化的边缘服务器异构计算资源的高效能调度方法,在传统的云边端协同一体化的结构中终端与边缘节点的通讯过程建立了一个缓存区,对终端传输给边缘节点的计算任务按时间段进行缓存,并由云端调度算法针对当前边缘节点的异构计算资源状态,对缓存区所有的计算任务,进行排序与调度。
(2)本发明中缓存区大小会设置一个默认的最大值,随着实际情况的不同,缓存区的吞吐量也会随着调度算法的安排自适应的伸缩。这样可以保证边缘服务器在每个时间段都能最大化的利用,也避免了造成隐马尔可夫链的问题。
(3)本发明对数据的预处理,也会让计算任务的异构性能够被调度算法考虑在其中。
附图说明
图1是本发明边缘服务器异构计算资源的高效能调度方法的流程图;
图2是本发明实整体结构示意图;
图3是本发明每种任务在各个服务器上面的得分图;
图4(a)-图4(c)是本发明三种边缘服务器在随机分配临时任务图;
图5是本发明缓存通道数据吞吐示意图;
图6是本发明云端系统结构示意图;
图7是本发明边缘服务器异构计算资源的高效能调度系统的结构示意图;
图8是本发明存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
本发明边缘服务器异构计算资源的高效能调度方法,综合考虑了边缘服务器的异构性在考虑调度策略,构建调度模型的时候,将异构计算资源作为一个核心影响特征来考虑,让调度方法面对异构计算任务的时候更加的具有高效性。其次设计了一个动态的排队缓存区,来让边缘服务器的异构计算资源在每个时间段都能更饱和的处理任务和数据,速度也更快。当抛开缓存区,把任务单个的看来看,边缘服务器在每个时间段都是以最优的姿态计算到来的任务数据。
如图1、图2所示,本实施例边缘服务器异构计算资源的高效能调度方法,具体包括下述步骤:
步骤1:在建立起模型之前,需要将各种任务和数据全部或者挑出最具代表性的任务和数据,分别在边缘服务器上的各个类型的服务器进行运行,并且记录其运行的各项指标,然后根据各项指标的加权组合,形成每种任务在各个服务器上面的得分。
进一步的,通过先验计算,将计算任务归纳为n种任务类型;并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能等指标,加权相加得出总和得分k。这里以三种服务器CPU,GPU,FPGA为例且每种服务器为同一个类型的服务器,进而每个任务单独在各个服务器上运行的得分可表示为kn1,kn2,kn3,其中n1为CPU,n1为GPU,n3为FPGA。那么所有M个终端的应用可由F种任务组成可表示为:
F={(c1,d1),(c2,d2),(c3,d3),(c4,d4),......(cm,dm);}
其中c,d分别代表某种任务所需的计算和数据,如图3所示。
步骤2:对边缘服务器每种服务器的状态进行初始化,如图4(a)-图4(c)所示:以CPU,GPU,FPGA三种服务器为例,边缘管理器节点对这3种服务器进行随机分配临时任务,建立服务器之间的通信。而临时任务将被从终端传输过来的任务取代。CPU,GPU,FPGA服务器设置的临时任务个数分别为Gc,Gg,Gf:
Gc=(Tc-W)*γc;
Gg=(Tg-W)*γg;
Gf=(Tf-W)*γf.
这里的Ti,i∈(g,c,f)为每种服务器的最大容量,γ是一个可学习优化的学习率。
步骤3:在终端传输到边缘服务器的过程中增加一个缓存区域,对传输给边缘服务器计算任务进行排队、分析,从而加快任务被执行的效率,并确定缓存区W的大小,这里以三种服务器CPU,GPU,FPGA为例,首先是算出三种服务器的平均任务期望:Lc,Lg,Lf,计算如下:
所述缓存区域的大小为:
W为整数且向下取整,满足0<W<min(Tg,Tc,Tf),其中Ti,i∈(g,c,f)为每种服务器的最大容量。
进一步的,当W不满足约束条件是,W=W*θ,其中0<θ<1直至满足约束为止。
步骤4:确定缓存区的大小,这部分采用批量处理的方式代替单个任务排队的方式,有助于让边缘节点的计算模型,高效的计算出每个时段的最优资源分配方案,使每个时间段的任务完成时间最短,达到智能应用的实时性要求。确定当前时段每个服务器剩余的处理空间能处理的计算任务都是最优的,如图5所示。
每个时间段的缓存区的吞吐计算任务,大小是不相同的。边缘节点的每个时间段,不一定会完成缓存区中所有的任务。在下一个时间段,缓存区的吞吐计算任务大小会根据上一个时间段已完成的任务计算任务量来定,而每个时间段完成的计算任务大小,是根据边缘服务器的最优决策来判断。
边缘服务器当前的任务调度模型,会对当前的计算任务以及各个服务器的状态进行任务分配,通过调度算法给出的最优方案。出现需要等待的计算任务时,会根据当前终端要求的返回时间多少,添加相应的处理优先级,然后和下一个时间段从终端输入进来的任务一起存储在缓存区。每个时间段之间边缘服务器完成计算任务是不相等的,是根据当前时间段的最优分配方案来执行。因此宏观的来讲,将所有时间段组成一条时间段,缓存区会形成一个动态排位的通道。
步骤5:以当前缓存通道的计算任务W,CPU,GPU,FPGA三种服务器群的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解,如图6所示。
进一步的,当缓存区的任务都清空,并且暂时没有接收到从终端传输过来的计算任务时,边缘服务器会回到步骤2的初始状态中,并且向云端传输运行日志,开始初始化各个服务器的状态,直至缓存区传来新的任务,一直循环,最后到关闭边缘服务器结束整个流程。
更进一步的,得到最优解的步骤如下:
步骤5.1:是通过遍历方式的扫描法计算出初始种群;其中每一种资源分配的侯选方案作为一个粒子。
步骤5.2:是每个粒子的适应度的计算;其中适应度Fitness的计算方式为:
其中n为缓存区中总共计算任务个数,k为权利要求1中所述在对应服务器运行的任务得分数,具体为:
km=am·communicate(Cost)+bm·execution(Time)+cm·execution(Consumption)
其中,am+bm+cm=1且0<am<1,0<bm<1,0<cm<1。km为任务在m服务器中运行所得的分数;communicate(Cost)为服务器之间通讯的时间消耗,execution(Time)为任务的执行时间,execution(Consumption)为任务在m服务器制行的能耗。
步骤5.3:通过适应度Fitness对各粒子进行筛选,选出最优的粒子同时保存Fitness前90%的粒子进行下一轮循环。
步骤5.4:粒子群的速度和位置更新公式对对速度和位置进行更新,公式具体为:
v(x+1)d=vxd+c1(Pid-Pxd)+c2(Pgd-Pxd)
P(x+1)d=Pxd+v(x+1)d
其v为速度,c1,c2为个体学习因子和社会学习因子在取[0,4]。Pid为在d维度中当前粒子自身过去最佳位置,Pgd为在d维度中整个种群的最佳位置,Pxd为在d维度中当前粒子的位置。
步骤5.5:对优化后的粒子进行速度更新以及位置更新操作的迭代直到满足达到预设的条件,最终得到最优粒子,得到最优解。
本发明将每种服务器都单独作为一种计算资源来进行优化,最大程度上的开发和利用边缘服务器各种计算资源的运用效率。另外一点设计了一个有弹性,可伸缩的缓存通道,使得每一个时间段边缘服务器的利用率都是最优的,并加速,加强了边缘服务器的计算资源的利用率。
如图7所示,在另一个实施例中,边缘服务器异构计算资源的高效能调度系统,应用于所述的边缘服务器异构计算资源的高效能调度方法,包括先验计算模块、初始化模块、缓存模块以及求解模块;
所述先验计算模块,用于将计算任务归纳为n种任务类型,并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能指标,加权相加得出总和为k;
所述初始化模块,用于对边缘服务器每种服务器的状态进行初始化;
所述缓存模块,用于在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;
所述求解模块,用于以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。
如图8所示,在本申请的另一个实施例中,还提供了一种存储介质,存储有程序,所述程序被处理器执行时,实现边缘服务器异构计算资源的高效能调度方法,具体为:
通过先验计算,将计算任务归纳为n种任务类型,并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能指标,加权相加得出总和为k;
对边缘服务器每种服务器的状态进行初始化;
在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;
以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。
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。例如,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。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.边缘服务器异构计算资源的高效能调度方法,其特征在于,包括下述步骤:
通过先验计算,将计算任务归纳为n种任务类型,并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能指标,加权相加得出总和为k;
对边缘服务器每种服务器的状态进行初始化;
在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;
以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。
2.根据权利要求1所述边缘服务器异构计算资源的高效能调度方法,其特征在于,所述服务器包括CPU、GPU和FPGA,每种服务器为同一个类型,进而每个任务单独在各个服务器上运行的得分表示为kn1,kn2,kn3,其中n1为CPU,n1为GPU,n3为FPGA,那么所有M个终端的应用由F种任务组成可表示为:
F={(c1,d1),(c2,d2),(c3,d3),(c4,d4),……(cm,dm);}
其中c,d分别代表某种任务所需的计算和数据。
3.根据权利要求1所述边缘服务器异构计算资源的高效能调度方法,其特征在于,所述先验计算包括对任务类型进行标签化,以及对相应的数据进行归一化、结构化的预处理操作。
5.根据权利要求1所述边缘服务器异构计算资源的高效能调度方法,其特征在于,所述初始化具体为:
边缘管理器节点对服务器进行随机分配临时任务,建立服务器之间的通信,而临时任务将被从终端传输过来的任务取代,CPU,GPU,FPGA服务器设置的临时任务个数分别为Gc,Gg,Gf:
Gc=(Tc-W)*γc;
Gg=(Tg-W)*γg;
Gf=(Tf-W)*γf;
这里的Ti,i∈(g,c,f)为每种服务器的最大容量,γ是一个可学习优化的学习率。
6.根据权利要求1所述边缘服务器异构计算资源的高效能调度方法,其特征在于,在没有外来计算任务的时候,需要随机分配临时任务,用来提前建立不同服务器之间的通信。
7.根据权利要求1所述边缘服务器异构计算资源的高效能调度方法,其特征在于,当缓存区的任务都清空,并且暂时没有接收到从终端传输过来的计算任务时,边缘服务器会回到的初始状态中,并且向云端传输运行日志,开始初始化各个服务器的状态,直至缓存区传来新的任务,一直循环,最后到关闭边缘服务器结束整个流程。
8.根据权利要求1所述边缘服务器异构计算资源的高效能调度方法,其特征在于,所述用粒子群优化方法来求出最优,具体为:
通过遍历方式的扫描法计算出初始种群;其中每一种资源分配的侯选方案作为一个粒子;
每个粒子的适应度的计算;其中适应度Fitness的计算方式为:
其中n为缓存区中总共计算任务个数,k为在对应服务器运行的任务得分数,具体为:
km=am·communicate(Cost)+bm·execution(Time)+cm·execution(Consumption)
其中,am+bm+cm=1且0<am<1,0<bm<1,0<cm<1,km为任务在m服务器中运行所得的分数;communicate(Cost)为服务器之间通讯的时间消耗,execution(Time)为任务的执行时间,execution(Consumption)为任务在m服务器制行的能耗;
通过适应度Fitness对各粒子进行筛选,选出最优的粒子同时保存Fitness前90%的粒子进行下一轮循环;
粒子群的速度和位置更新公式对对速度和位置进行更新,公式具体为:v(x+1)d=vxd+
c1(Pid-Pxd)+c2(Pgd-Pxd)
P(x+1)d=Pxd+v(x+1)d
其v为速度,c1,c2为个体学习因子和社会学习因子在取[0,4]。Pid为在d维度中当前粒子自身过去最佳位置,Pgd为在d维度中整个种群的最佳位置,Pxd为在d维度中当前粒子的位置;
对优化后的粒子进行速度更新以及位置更新操作的迭代直到满足达到预设的条件,最终得到最优粒子,得到最优解。
9.边缘服务器异构计算资源的高效能调度系统,其特征在于,应用于权利要求1-8中任一项所述的边缘服务器异构计算资源的高效能调度方法,包括先验计算模块、初始化模块、缓存模块以及求解模块;
所述先验计算模块,用于将计算任务归纳为n种任务类型,并计算出每一种任务在各种边缘服务器的各个服务器所需要的平均计算时间、耗能指标,加权相加得出总和为k;
所述初始化模块,用于对边缘服务器每种服务器的状态进行初始化;
所述缓存模块,用于在终端与边缘服务器的传输计算任务过程中增加一个缓存区域,对传输给边缘服务器的计算任务进行排队、分析;
所述求解模块,用于以当前缓存通道的计算任务W,服务器的当前的运行与存储状态作为输入,构建IPQC问题,然后用粒子群优化方法来求出最优解。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-8任一项所述的边缘服务器异构计算资源的高效能调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012674.3A CN112685162A (zh) | 2021-01-06 | 2021-01-06 | 边缘服务器异构计算资源的高效能调度方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012674.3A CN112685162A (zh) | 2021-01-06 | 2021-01-06 | 边缘服务器异构计算资源的高效能调度方法、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112685162A true CN112685162A (zh) | 2021-04-20 |
Family
ID=75456012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110012674.3A Pending CN112685162A (zh) | 2021-01-06 | 2021-01-06 | 边缘服务器异构计算资源的高效能调度方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685162A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227105A1 (zh) * | 2021-04-30 | 2022-11-03 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
CN116483573A (zh) * | 2023-04-25 | 2023-07-25 | 格莱杰(深圳)科技有限公司 | 一种响应待处理任务时的计算资源调度方法及装置 |
-
2021
- 2021-01-06 CN CN202110012674.3A patent/CN112685162A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227105A1 (zh) * | 2021-04-30 | 2022-11-03 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
CN116483573A (zh) * | 2023-04-25 | 2023-07-25 | 格莱杰(深圳)科技有限公司 | 一种响应待处理任务时的计算资源调度方法及装置 |
CN116483573B (zh) * | 2023-04-25 | 2023-11-03 | 格莱杰(深圳)科技有限公司 | 一种响应待处理任务时的计算资源调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108804227B (zh) | 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 | |
CN109753751B (zh) | 一种基于机器学习的mec随机任务迁移方法 | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
CN113515351B (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
CN107341041B (zh) | 基于优先队列的云任务多维约束回填调度方法 | |
CN114662661B (zh) | 边缘计算下异构处理器加速多出口dnn推理的方法 | |
CN112988345A (zh) | 一种基于移动边缘计算的依赖型任务卸载方法及装置 | |
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 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
CN109542608B (zh) | 一种基于混合排队网络的云仿真任务调度方法 | |
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 | |
CN110069341A (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
CN111431961A (zh) | 一种云数据中心的节能任务分配方法 | |
CN108170861B (zh) | 一种基于动态规划的分布式数据库系统协同优化方法 | |
CN111740925B (zh) | 一种基于深度强化学习的Coflow调度方法 | |
CN114327811A (zh) | 一种任务调度方法、装置、设备及可读存储介质 | |
CN109976873B (zh) | 容器化分布式计算框架的调度方案获取方法及调度方法 | |
Dong et al. | Quantum particle swarm optimization for task offloading in mobile edge computing | |
CN111176784A (zh) | 一种基于极限学习机和蚁群系统的虚拟机整合方法 | |
He | Optimization of edge delay sensitive task scheduling based on genetic algorithm | |
CN114356531A (zh) | 基于K-means聚类和排队理论的边缘计算任务分类调度方法 | |
CN117354934A (zh) | 一种多时隙mec系统双时间尺度任务卸载和资源分配方法 | |
CN116915869A (zh) | 基于云边协同的时延敏感型智能服务快速响应方法 |
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 |