CN112905327A - 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 - Google Patents
一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 Download PDFInfo
- Publication number
- CN112905327A CN112905327A CN202110234778.9A CN202110234778A CN112905327A CN 112905327 A CN112905327 A CN 112905327A CN 202110234778 A CN202110234778 A CN 202110234778A CN 112905327 A CN112905327 A CN 112905327A
- Authority
- CN
- China
- Prior art keywords
- task
- edge server
- tasks
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000035945 sensitivity Effects 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统,其中任务调度方法为:边缘服务器从本地用户端接收任务并将任务j加入到任务集;按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级,依次对任务集中的每个任务均按最优调度方案进行任务调度;其中,每个任务均采用帕累托优化方法确定其最优调度方案。本发明可以同时提高用户服务质量和系统服务效用。
Description
技术领域
本发明属于边缘计算领域,具体涉及一种边云协同计算中基于帕累托优化的任务调度方法、边缘服务器、计算机介质及边云协同计算系统。
背景技术
云计算、物联网、车联网、智能电网等技术迅速发展,泛在化、普适化、智能化终端广泛应用,动态内容交付、虚拟现实、增强现实、无人驾驶、远程医疗等新型网络应用对网络和计算的要求越来越高,传统数据、存储、处理集中的云计算模式面临新挑战,出现了雾计算、透明计算、边缘计算、移动边缘计算等新型网络计算模式。受分布式计算启发,边云协同计算将云计算能力扩展到边缘设备,聚合云计算与边缘计算各自优势,进行网络高速传输、资源高效分发、任务快速卸载,强化云、边数据协同处理,可以有效减少数据处理延迟,提高系统可扩展性,提升系统服务效应。
目前的调度方案,以云计算的任务调度为主,有面向用户,考虑减少任务完成时间,提升用户质量QoS(Quality of Service,服务质量);或者面向服务供应商,考虑减少能耗,提高系统效用。缺少在边云协同计算中同时考虑用户和服务供应商优化用户质量和服务效用目标的任务调度优化。由此,有必要面向用户和服务供应商研究边云协同计算环境下的任务调度优化方法,同时提升用户服务质量和系统服务效应。
发明内容
本发明提供一种边云协同计算中基于帕累托优化的任务调度方法、边缘服务器、计算机介质及边云协同计算系统,在边缘服务器以用户服务质量和系统服务效应同时作为优化目标,并采用帕累托优化方法获取最优调度方案,以优化任务调度,提高用户服务质量和系统服务效用。
为实现上述技术目的,本发明采用如下技术方案:
一种边云协同计算中基于帕累托优化的任务调度方法,包括:
边缘服务器从本地用户端接收任务并将任务j加入到任务集;
按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级,依次对任务集中的每个任务均按最优调度方案进行任务调度;
其中,每个任务均采用帕累托优化方法确定其最优调度方案,具体为:
首先,对任务j进行m轮预调度,且每轮预调度均将任务随机预调度到边云协同计算系统的任意一个或多个任务计算节点,每轮预调度重复n次得到n个预调度方案;所述边云协同计算系统的任务计算节点包括云服务中心和边缘服务器;
然后,从每轮预调度的n个预调度方案中,选择用户服务质量值最大的预调度方案保存至任务调度方案集Y′j[m],选择系统服务效用值最大的预调度方案保存至任务调度方案集Y″j[m];
最后,求解Y′j[m]与Y″j[m]的交集Yj←Y′j[m]∩Y″j[m],并计算交集Yj中每个预调度方案的用户服务质量值与系统服务效用值之和,取和最大值对应的预调度方案作为任务j的最优调度方案。
在更优的任务调度方法技术方案中,用户服务质量值的计算公式为:
式中,Qus表示用户服务质量,U表示边缘服务器的用户数量,J表示边缘服务器从用户接收的任务数量;表示用户u有任务j请求,表示用户u没有任务j请求;表示边缘服务器e有任务j资源,表示边缘服务器e没有任务j资源;表示用户服务质量系数;表示用户u发起任务j请求的数据量大小;
D表示两个任务计算节点之间的节点距离系数:为任务由用户递交到云服务中心执行的节点距离系数, 为任务在接收边缘服务器本地执行的节点距离系数, 为任务由本地边缘服务器派遣到其他边缘服务器执行的节点距离系数, 为任务由本地边缘服务器派遣到云服务中心执行的节点距离系数,d(x,y)表示节点x、y之间的距离度,等于两个节点x、y之间链路的累积延迟除以可靠性和最小带宽的积;
表示任务j在接收边缘服务器本地执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到其他边缘服务器执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到云服务中心执行的任务占比,对应的任务执行偏好权重系数为 μ0为非偏好权重系数,μ0=-μe,为负值。
在更优的任务调度方法技术方案中,系统服务效用值的计算公式为:
式中,Ess表示系统服务效用,U表示边缘服务器的用户数量,J表示边缘服务器从用户接收的任务数量,E表示边云协同计算系统中的边缘服务器数量;表示用户u有任务j请求,表示用户u没有任务j请求;表示边缘服务器e有任务j资源,表示边缘服务器e没有任务j资源;表示用户u发起任务j请求的数据量大小,表示边缘服务器将接收的任务派遣至云服务中心的收益指数,表示任务在本地边缘服务器执行的收益指数,为边缘服务器将接收的任务派遣至邻居边缘服务器执行的收益指数, tC表示云服务中心的任务执行时间当量,te表示边缘服务器的任务执行时间;sC表示云服务中心的服务平均能耗系数,se边缘服务器的服务平均能耗系数,sC>se;表示系统服务收益系数;表示任务j在接收边缘服务器本地执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到其他边缘服务器执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到云服务中心执行的任务占比,对应的任务执行偏好权重系数为 μ0为非偏好权重系数,μ0=-μe。
在更优的任务调度方法技术方案中,边缘服务器在启动任务调度之前,提前对任务资源进行配置;其中,边缘服务器的任务资源根据云服务中心部署得到:云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测,然后根据预测结果提前将任务资源推送到边缘服务器。
在更优的任务调度方法技术方案中,所述云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测,然后根据预测结果提前将任务资源推送到边缘服务器,具体为:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
一种用于边云协同计算的边缘服务器,包括处理器和存储器;其中:边缘服务器的存储器用于存储计算机指令;边缘服务器的处理器用于执行边缘服务器的存储器中存储的计算机指令,具体执行上述任一技术方案中所述的方法。
一种计算机介质,用于存储程序,所述程序被执行时,用于实现上述任一技术方案所述的方法。
一种边云协同计算系统,包括云服务层、边缘服务层和端用户层,所述云服务层包括云服务中心,所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器,所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端,端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器;所述边缘服务器采用上述技术方案所述的边缘服务器。
在更优的边云协同计算系统技术方案中,所述云服务中心包括处理器和存储器;其中:云服务中心的存储器用于存储计算机指令;云服务中心的处理器用于执行云服务中心的存储器中存储的计算机指令,具体执行以下步骤:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
有益效果
本发明综合考虑用户服务质量和系统服务效用两个优化目标,权衡两个目标进行综合优化,并采用帕累托优化方法确定最优调度方案,通过寻求用户服务质量和系统服务效应这两个目标的帕累托改进,得到边云协同计算的任务调度方案,从而在本地边缘服务器、其他边缘服务器和云服务中心对任务协同处理,提升用户服务质量,提高系统服务效用。
附图说明
图1是本申请实施例中所述的边云协同计算系统框架。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
实施例1
本实施例提供一种边云协同计算中基于帕累托优化的任务调度方法,应用于边云协同计算系统的边缘服务器,其中的边云协同计算系统包括云服务层、边缘服务层和端用户层,通过Internet互联互通,如图1所示。边云协同计算可在内容分发网络、工业互联网、智能家庭、智慧交通等场景应用。
云服务层包括云服务中心,由若干同构或异构的计算、存储、网络等硬件组成。云服务中心利用虚拟化、软件定义网络、冗余等技术提供高性能、高可靠、可扩展的资源,以支撑用户多样按需服务。云服务层与边缘服务层之间产生控制流(control flow,CF)。云服务中心对各边缘服务器从本地用户端接收的任务请求进行预测,根据预测结果提前将任务运行所需资源(包括运行任务所需软件及软件依赖,简称任务资源)通过CF推送到该边缘服务器。云服务中心实时监测边缘服务器的任务处理和资源使用,并将各边缘服务器的任务处理和资源使用情况汇总,通过CF下发给边缘服务器。
边缘服务层由多个资源受限、地理位置分散的边缘服务器组成,向端用户层的用户端提供实时、快速、多样、灵活的网络应用。边缘服务器根据当前资源使用情况,依据调度策略将用户任务决定在本地边缘服务器单独执行,或者将任务细分调度到其他边缘服务器和/或云服务中心协同执行。在边-边、边-云之间执行任务产生数据流(data flow,DF)。通过CF从云服务中心接收并加载任务资源,预先启动任务运行所需环境。边缘服务器将任务处理情况和计算、存储、网络等资源使用情况通过CF上传到云服务中心。边缘服务器之间不相互传递CF,以减少边缘服务器的处理开销和带宽占用。
端用户层由用户拥有的移动设备、计算机、网联汽车、智能家电、智能终端等组成,具有一定算力,可以将任务进行预处理或部分前置处理,向边缘服务器发送任务请求(request data,RD)。请求任务在本地边缘服务器单独执行,或者在其他边缘服务器和/或云服务中心协同执行后,任务执行结果(answer data,AD)将从本地边缘服务器、其他边缘服务器、云服务中心返回至用户端。
本实施例应用于上述边云协同计算系统的基于帕累托优化的任务调度方法,具体包括以下步骤:
边缘服务器从本地用户端接收任务并将任务j加入到任务集;
按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级,依次对任务集中的每个任务均按最优调度方案进行任务调度;
其中,每个任务均采用帕累托优化方法确定其最优调度方案,具体为:
首先,对任务j进行m轮预调度,且每轮预调度均将任务随机预调度到边云协同计算系统的任意一个或多个任务计算节点,每轮预调度重复n次得到n个预调度方案;所述边云协同计算系统的任务计算节点包括云服务中心和边缘服务器;
然后,从每轮预调度的n个预调度方案中,选择用户服务质量值最大的预调度方案保存至任务调度方案集Y′j[m],选择系统服务效用值最大的预调度方案保存至任务调度方案集Y″j[m];
其中,用户服务质量主要关注用户在边云协同计算环境中的服务体验与质量,一般来说,用户任务在接收任务的边缘服务器本地执行,用户任务请求的响应时间越小,用户服务质量越高。本实施例中的用户服务质量值的计算公式为:
式中,Qus表示用户服务质量,U表示边缘服务器的用户数量,J表示边缘服务器从用户接收的任务数量;表示用户u有任务j请求,表示用户u没有任务j请求;表示边缘服务器e有任务j资源,表示边缘服务器e没有任务j资源;表示用户服务质量系数;表示用户u发起任务j请求的数据量大小;
D表示两个任务计算节点之间的节点距离系数:为任务由用户递交到云服务中心执行的节点距离系数, 为任务在接收边缘服务器本地执行的节点距离系数, 为任务由本地边缘服务器派遣到其他边缘服务器执行的节点距离系数, 为任务由本地边缘服务器派遣到云服务中心执行的节点距离系数,d(x,y)表示节点x、y之间的距离度,等于两个节点x、y之间链路的累积延迟除以可靠性和最小带宽的积;节点之间链路的最小带宽越大,累积延迟越小,可靠性越高,其距离度值越小;
表示任务j在接收边缘服务器本地执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到其他边缘服务器执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到云服务中心执行的任务占比,对应的任务执行偏好权重系数为 μ0为非偏好权重系数,μ0=-μe,为负值。
由上述式(1)看出,边缘服务器拥有任务j运行所需资源且在其本地执行的任务占比越大,Qus值越大,边云协同计算的用户服务质量越高。
系统服务效应主要关注服务供应商在边云协同计算中的系统服务收益与系统服务消耗,本实施例中的系统服务效用值的计算公式为:
式中,Ess表示系统服务效用,E表示边云协同计算系统中的边缘服务器数量;表示系统服务收益系数,与任务数据量和任务收益情况相关;表示边缘服务器将接收的任务派遣至云服务中心的收益指数,表示任务在本地边缘服务器执行的收益指数,为边缘服务器将接收的任务派遣至邻居边缘服务器执行的收益指数,tC表示云服务中心的任务执行时间当量,te表示边缘服务器的任务执行时间当量;sC表示云服务中心的服务平均能耗系数,se边缘服务器的服务平均能耗系数;能耗系数取决于硬(软)件成本和系统运维成本,硬(软)件成本包括硬(软)件采购成本、折旧损耗成本;系统运维成本包括设备电能消耗、空调制冷能耗、管理服务成本。从单量比较分析,sC>se。系统服务收益越高,系统服务消耗越低,则Ess值越大,边云协同计算的系统服务效应越高。
最后,求解Y′j[m]与Y″j[m]的交集Yj←Y′j[m]∩Y″j[m],并计算交集Yj中每个预调度方案的用户服务质量值与系统服务效用值之和,取和最大值对应的预调度方案作为任务j的最优调度方案。
其中,m和n均根据经验值预先确定得到,若交集Yj在预先设定的m和n条件下为空集,则适当调整m和n以能获取得到最优调度方案。
在边云协同计算系统中,由于任务调度的单一目标最优不能确保另一目标亦为最优所存在的缺陷,本实施例综合考虑用户服务质量和系统服务效用两个优化目标,权衡两个目标进行综合优化,并采用帕累托优化方法确定最优调度方案,通过寻求用户服务质量和系统服务效应这两个目标的帕累托改进,得到边云协同计算的任务调度方案,从而在本地边缘服务器、其他边缘服务器和云服务中心对任务协同处理,提升用户服务质量,提高系统服务效用。
实施例2
在实施例1的基础上,本实施例2提供的任务调度方法在边缘服务器启动任务调度之前,提前对边云协同计算系统的各边缘服务器进行任务资源部署。其中,边缘服务器的任务资源由云服务中心部署得到:云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测,然后根据预测结果提前将任务资源推送到边缘服务器。
云服务中心为边缘服务器部署任务资源的具体过程为:
(1)将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务,每种任务对应不同的网络应用。时间敏感型的用户任务包括人脸识别、交互游戏、导航、网络支付、网络购物、IP语音和/或流媒体播放等,非时间型的用户任务包括网页浏览、收发邮件和/或普通文件下载等。
(3)使用二维时间序列预测法预测每个边缘服务器每种任务的任务数;
根据边云协同计算中用户任务为强周期性、中趋势性和弱随机性的叠加变化趋势,可在云服务中心对用户任务从横向和纵向2个维度进行综合预测,统计分析过去基于时间序列的数据,推测任务的发展变化,从而得到如下所示的预测模型:
L(t)=δx(t)+(1-δ)z(t);
式中,L(t)表示为某种任务在目标预测时间段t的预测任务数;x(t)表示某种任务横向维度在目标预测时间段t的任务数,其等于时间段t的前p个时间槽(t-1,t-2,…,t-p)实际任务数的平均值加上一个值为的修正偏差, 值可用线性回归公式计算得出,xi为时间槽i,yi为时间槽i的任务数,为p个时间槽的平均数,为p个时间槽的平均任务数;z(t)表示某种任务纵向维度在目标预测时间段t的任务数,由当前所在统计周期之前的q个统计周期在与目标预测时间段t对应时间段的任务数求平均得到;δ为二维时间序列调整因子,取值范围为[0,1]。
在本实施例中,每个统计周期为1天,平分为24~48个时间段,每个时间段分为10~30个时间槽,p和q均为整数,且10≤p≤30,7≤q≤30。
(4)针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列,从而将相同种类的任务聚合,只要这种任务的任务数大于1,本实施例只需要考虑1次该种任务的任务资源部署。
在本发明中,任务资源是指边缘服务器运行任务所需软件及软件依赖数据。对于每个边缘服务器,将其本地不同用户端的相同任务请求聚合,只发送此任务对应的任务资源,可以减少云服务中心向边缘服务器推送任务资源的次数。另外,每种任务的任务数进行降序排列,即根据出现频次降序排列,可以在后面的步骤中先依次加载出现频次高的任务资源,再依次加载出现频次低的任务资源。如果边缘服务器的硬件资源不够,就不再加载余下的任务资源。这样可以提高边缘器接收用户任务请求并将任务在自己本地执行的比率。
(5)对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照降序依次进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,ζ>0.2,{vj,wj}为第j种任务的资源消耗。
(6)对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
(7)云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
本实施例在边缘服务器启动任务调度之前,提前对边云协同计算系统的各边缘服务器进行任务资源部署,可以提高平均用户任务命中率(各边缘服务器首次接收用户任务请求,其具备任务运行所需资源并将任务本地执行的占比均值),减少边缘服务器资源占用开销,提高用户任务在边缘服务器的本地执行率。
实施例3
本实施例提供一种用于边云协同计算的边缘服务器,包括处理器和存储器;其中:边缘服务器的存储器用于存储计算机指令;边缘服务器的处理器用于执行边缘服务器的存储器中存储的计算机指令,具体执行实施例1所述的方法。
实施例4
本实施例提供一种计算机介质,用于存储程序,所述程序被执行时,用于实现实施例1所述的方法。
实施例5
本实施例提供一种边云协同计算系统,包括云服务层、边缘服务层和端用户层,所述云服务层包括云服务中心,所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器,所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端,端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器;所述边缘服务器采用实施例3所述的边缘服务器。
实施例6
本实施例提供一种边云协同计算系统,在实施例5的基础上,其中的云服务中心包括处理器和存储器;其中:云服务中心的存储器用于存储计算机指令;云服务中心的处理器用于执行云服务中心的存储器中存储的计算机指令,具体执行以下步骤:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种边云协同计算中基于帕累托优化的任务调度方法,其特征在于,包括:
边缘服务器从本地用户端接收任务并将任务j加入到任务集;
按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级,依次对任务集中的每个任务均按最优调度方案进行任务调度;
其中,每个任务均采用帕累托优化方法确定其最优调度方案,具体为:
首先,对任务j进行m轮预调度,且每轮预调度均将任务随机预调度到边云协同计算系统的任意一个或多个任务计算节点,每轮预调度重复n次得到n个预调度方案;所述边云协同计算系统的任务计算节点包括云服务中心和边缘服务器;
然后,从每轮预调度的n个预调度方案中,选择用户服务质量值最大的预调度方案保存至任务调度方案集Y′j[m],选择系统服务效用值最大的预调度方案保存至任务调度方案集Y″j[m];
最后,求解Y′j[m]与Y″j[m]的交集Yj←Y′j[m]∩Y″j[m],并计算交集Yj中每个预调度方案的用户服务质量值与系统服务效用值之和,取和最大值对应的预调度方案作为任务j的最优调度方案。
2.根据权利要求1所述的方法,其特征在于,用户服务质量值的计算公式为:
式中,Qus表示用户服务质量,U表示边缘服务器的用户数量,J表示边缘服务器从用户接收的任务数量;表示用户u有任务j请求,表示用户u没有任务j请求;表示边缘服务器e有任务j资源,表示边缘服务器e没有任务j资源;表示用户服务质量系数;表示用户u发起任务j请求的数据量大小;
D表示两个任务计算节点之间的节点距离系数:为任务由用户递交到云服务中心执行的节点距离系数, 为任务在接收边缘服务器本地执行的节点距离系数, 为任务由本地边缘服务器派遣到其他边缘服务器执行的节点距离系数, 为任务由本地边缘服务器派遣到云服务中心执行的节点距离系数,d(x,y)表示节点x,y之间的距离度,等于两个节点x,y之间链路的累积延迟除以可靠性和最小带宽的积;
3.根据权利要求1所述的方法,其特征在于,系统服务效用值的计算公式为:
式中,Ess表示系统服务效用,U表示边缘服务器的用户数量,J表示边缘服务器从用户接收的任务数量,E表示边云协同计算系统中的边缘服务器数量;表示用户u有任务j请求,表示用户u没有任务j请求;表示边缘服务器e有任务j资源,表示边缘服务器e没有任务j资源;表示用户u发起任务j请求的数据量大小,表示边缘服务器将接收的任务派遣至云服务中心的收益指数,表示任务在本地边缘服务器执行的收益指数,为边缘服务器将接收的任务派遣至邻居边缘服务器执行的收益指数, tC表示云服务中心的任务执行时间,te表示边缘服务器的任务执行时间;sC表示云服务中心的服务平均能耗系数,se边缘服务器的服务平均能耗系数,sC>se;表示系统服务收益系数;表示任务j在接收边缘服务器本地执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到其他边缘服务器执行的任务占比,对应的任务执行偏好权重系数为 表示由接收边缘服务器派遣到云服务中心执行的任务占比,对应的任务执行偏好权重系数为 μ0为非偏好权重系数,μ0=-μe。
4.根据权利要求1所述的方法,其特征在于,边缘服务器在启动任务调度之前,提前对任务资源进行配置;其中,边缘服务器的任务资源根据云服务中心部署得到:云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测,然后根据预测结果提前将任务资源推送到边缘服务器。
5.根据权利要求4所述的方法,其特征在于,所述云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测,然后根据预测结果提前将任务资源推送到边缘服务器,具体为:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
6.一种用于边云协同计算的边缘服务器,其特征在于,包括处理器和存储器;其中:边缘服务器的存储器用于存储计算机指令;边缘服务器的处理器用于执行边缘服务器的存储器中存储的计算机指令,具体执行如权利要求1-4任一所述的方法。
7.一种计算机介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如权利要求1-4任一所述的方法。
8.一种边云协同计算系统,其特征在于,包括云服务层、边缘服务层和端用户层,所述云服务层包括云服务中心,所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器,所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端,端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器;所述边缘服务器采用权利要求6所述的边缘服务器。
9.根据权利要求8所述的边云协同计算系统,其特征在于,所述云服务中心包括处理器和存储器;其中:云服务中心的存储器用于存储计算机指令;云服务中心的处理器用于执行云服务中心的存储器中存储的计算机指令,具体执行以下步骤:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234778.9A CN112905327B (zh) | 2021-03-03 | 2021-03-03 | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234778.9A CN112905327B (zh) | 2021-03-03 | 2021-03-03 | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905327A true CN112905327A (zh) | 2021-06-04 |
CN112905327B CN112905327B (zh) | 2024-03-22 |
Family
ID=76107559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110234778.9A Active CN112905327B (zh) | 2021-03-03 | 2021-03-03 | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905327B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590324A (zh) * | 2021-07-30 | 2021-11-02 | 郑州轻工业大学 | 一种面向云边端协同计算的启发式任务调度方法和系统 |
CN113742048A (zh) * | 2021-11-03 | 2021-12-03 | 北京中科金马科技股份有限公司 | 一种酒店云服务系统及其服务方法 |
CN114253735A (zh) * | 2021-12-29 | 2022-03-29 | 苏州浪潮智能科技有限公司 | 一种任务处理方法、装置及相关设备 |
CN114844900A (zh) * | 2022-05-05 | 2022-08-02 | 中南大学 | 一种基于不确定需求下的边云资源协作方法 |
CN115174488A (zh) * | 2022-04-22 | 2022-10-11 | 西安交通大学 | 一种基于效用值的在线分组调度方法及系统及设备 |
CN115174488B (zh) * | 2022-04-22 | 2024-04-26 | 西安交通大学 | 一种基于效用值的在线分组调度方法及系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109745A (zh) * | 2019-05-15 | 2019-08-09 | 华南理工大学 | 一种针对边缘计算环境的任务协同在线调度方法 |
CN110647398A (zh) * | 2019-09-18 | 2020-01-03 | 北京航空航天大学 | 一种面向边缘计算的基于任务关键度和时效性的交叉口控制任务调度方法 |
CN111800486A (zh) * | 2020-06-22 | 2020-10-20 | 山东大学 | 一种云边协同的资源调度方法及系统 |
CN111901435A (zh) * | 2020-07-31 | 2020-11-06 | 南京航空航天大学 | 一种负载感知的云边协同服务部署方法 |
CN112000388A (zh) * | 2020-06-05 | 2020-11-27 | 国网江苏省电力有限公司信息通信分公司 | 基于多边缘集群协同的并发任务调度方法及装置 |
-
2021
- 2021-03-03 CN CN202110234778.9A patent/CN112905327B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109745A (zh) * | 2019-05-15 | 2019-08-09 | 华南理工大学 | 一种针对边缘计算环境的任务协同在线调度方法 |
CN110647398A (zh) * | 2019-09-18 | 2020-01-03 | 北京航空航天大学 | 一种面向边缘计算的基于任务关键度和时效性的交叉口控制任务调度方法 |
CN112000388A (zh) * | 2020-06-05 | 2020-11-27 | 国网江苏省电力有限公司信息通信分公司 | 基于多边缘集群协同的并发任务调度方法及装置 |
CN111800486A (zh) * | 2020-06-22 | 2020-10-20 | 山东大学 | 一种云边协同的资源调度方法及系统 |
CN111901435A (zh) * | 2020-07-31 | 2020-11-06 | 南京航空航天大学 | 一种负载感知的云边协同服务部署方法 |
Non-Patent Citations (1)
Title |
---|
孙毓聪等: "一种边缘云协同的任务调度方法研究", 《无线互联科技》, vol. 16, no. 23, 31 December 2019 (2019-12-31), pages 17 - 18 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590324A (zh) * | 2021-07-30 | 2021-11-02 | 郑州轻工业大学 | 一种面向云边端协同计算的启发式任务调度方法和系统 |
CN113742048A (zh) * | 2021-11-03 | 2021-12-03 | 北京中科金马科技股份有限公司 | 一种酒店云服务系统及其服务方法 |
CN114253735A (zh) * | 2021-12-29 | 2022-03-29 | 苏州浪潮智能科技有限公司 | 一种任务处理方法、装置及相关设备 |
WO2023124947A1 (zh) * | 2021-12-29 | 2023-07-06 | 苏州浪潮智能科技有限公司 | 一种任务处理方法、装置及相关设备 |
CN114253735B (zh) * | 2021-12-29 | 2024-01-16 | 苏州浪潮智能科技有限公司 | 一种任务处理方法、装置及相关设备 |
CN115174488A (zh) * | 2022-04-22 | 2022-10-11 | 西安交通大学 | 一种基于效用值的在线分组调度方法及系统及设备 |
CN115174488B (zh) * | 2022-04-22 | 2024-04-26 | 西安交通大学 | 一种基于效用值的在线分组调度方法及系统及设备 |
CN114844900A (zh) * | 2022-05-05 | 2022-08-02 | 中南大学 | 一种基于不确定需求下的边云资源协作方法 |
CN114844900B (zh) * | 2022-05-05 | 2022-12-13 | 中南大学 | 一种基于不确定需求下的边云资源协作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112905327B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905327B (zh) | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 | |
CN110941667B (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
CN110717300B (zh) | 面向电力物联实时在线监测业务的边缘计算任务分配方法 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN112911016B (zh) | 边端协同计算卸载方法及系统、电子设备和存储介质 | |
CN113010282A (zh) | 一种基于深度强化学习的边云协同串行任务卸载方法 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN111757361B (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN112702714B (zh) | 一种无人机协作式的车联网运算任务卸载方法 | |
CN113641417B (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
CN111711666A (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
CN114138373A (zh) | 一种基于强化学习的边缘计算任务卸载方法 | |
CN112492032A (zh) | 一种移动边缘环境下的工作流协作调度方法 | |
Lu et al. | Dynamic offloading for energy-aware scheduling in a mobile cloud | |
Zheng et al. | Learning based task offloading in digital twin empowered internet of vehicles | |
CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
Wang | Edge artificial intelligence-based affinity task offloading under resource adjustment in a 5G network | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
Chen et al. | Joint optimization of task caching, computation offloading and resource allocation for mobile edge computing | |
Li et al. | A cost‐efficient and QoS‐aware adaptive placement of applications in fog computing | |
CN115858048A (zh) | 一种面向混合关键级任务动态到达边缘卸载方法 | |
CN112905346A (zh) | 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 | |
CN115022332A (zh) | 一种边缘计算中基于深度强化学习的动态服务放置方法 | |
Jiang et al. | Intelligent task offloading and collaborative computation over D2D communication |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231103 Address after: No. 1015, Fenglin Third Road, Yuelu District, Changsha City, Hunan Province, 410205 Applicant after: HUNAN FIRST NORMAL University Address before: No. 335, Leifeng Avenue, Yuelu District, Changsha City, Hunan Province, 410205 Applicant before: HUNAN VOCATIONAL College OF COMMERCE |
|
GR01 | Patent grant | ||
GR01 | Patent grant |