CN112949200B - 一种边缘计算任务分割方法 - Google Patents
一种边缘计算任务分割方法 Download PDFInfo
- Publication number
- CN112949200B CN112949200B CN202110275708.8A CN202110275708A CN112949200B CN 112949200 B CN112949200 B CN 112949200B CN 202110275708 A CN202110275708 A CN 202110275708A CN 112949200 B CN112949200 B CN 112949200B
- Authority
- CN
- China
- Prior art keywords
- dirichlet
- task
- shadow
- task segmentation
- segmentation scheme
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Complex Calculations (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
Abstract
一种边缘计算任务分割方法,包括以下步骤:S1:通过Dirichlet分布随机生成任务分割方案,随机产生子任务传输顺序;S2:初始化Shadow Dirichlet;S3:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化;S4:如果步骤S3得到最优的任务分割方案以及子任务传输顺序,则停止计算,否则根据遗传算法的进化结果更新Shadow Dirichlet的边界,然后根据Shadow Dirichlet对任务分割方案进行更新,并重复步骤S3。将任务进行合理分割,更快速的完成任务分发、任务处理以及任务回传,提高边缘计算的实时性。
Description
技术领域
本发明涉及边缘计算领域,特别是一种边缘计算任务分割方法。
背景技术
为了提升煤电高效清洁发展水平,国家制定了煤电节能减排升级与改造行动计划(2014—2020年),力求在2020年全面实施燃煤电站节能减排升级与改造。即到2020年,现役燃煤机组供电煤耗要实现<310g/kW.h,600MW以上现役燃煤机组供电煤耗要实现<300g/kW.h的目标。为了达到这一目标,利用大数据技术针对锅炉运行进行优化成为近些年的研究热点。而在实际应用过程中,基于实验数据的传统非在线优化方法很难达到理论效果,而更注重实时性的在线优化方法越来越多的受到关注。利用边缘计算技术进行高实时性的智能计算可以高效的、低成本的实现在线优化。
边缘计算强调了大量物联网应用需要在离业务更近的区域处理数据以提高实时性,工业物联网的发展了体现了未来可以支持更频繁的数据的转发,分布式、并行化的数据处理模式将更普遍。而边缘计算通过区域内智能网关的互联以及计算能力,实现本地的分布式计算资源池化,将单一网关无法完成的数据处理任务,分解到资源池中,充分利用资源、提高处理效率,从而提升实时性。
尽管边缘计算借鉴了云计算的架构,但由于边缘计算与云计算存在一定差异,尤其是在节点间的网络传输、计算能力上远远达不到云计算水平,而云计算中的资源调度、任务分配方法没有充分考虑到这些不利因素,因此不能直接移植到边缘计算中。
如何将任务进行合理分割,更快速的完成任务分发、任务处理以及任务回传,提高边缘计算的实时性成为当前的技术问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种边缘计算任务分割方法,将任务进行合理分割,更快速的完成任务分发、任务处理以及任务回传,提高边缘计算的实时性。
本发明的目的是通过以下技术方案来实现的:
一种边缘计算任务分割方法,包括以下步骤:
S1:通过Dirichlet分布随机生成任务分割方案,随机产生子任务传输顺序;
S2:初始化Shadow Dirichlet;
S3:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化;
S4:如果步骤S3得到最优的任务分割方案以及子任务传输顺序,则停止计算,否则根据遗传算法的进化结果更新Shadow Dirichlet的边界,然后根据Shadow Dirichlet对任务分割方案进行更新,并重复步骤S3。
进一步,所述时延函数为
所述最优的任务分割方案以及子任务传输顺序为时延函数的值最小化时的任务分割方案以及子任务传输顺序。
进一步,所述步骤S2包括以下子步骤:
S201:初始化Shadow Dirichlet的参数;
S202:根据Shadow Dirichlet的参数生成Shadow Dirichlet的边界矩阵M;
所述步骤S3包括以下子步骤:
S301:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化,得到本次进化过程中最小的时延函数值及对应的任务分割方案以及子任务传输顺序;
S302:根据每次进化过程中最小的时延函数值进行比较获得最小的时延值;
进一步,所述步骤S4包括以下子步骤:
S401:如果最小的时延值达到要求,则最小的时延值对应的任务分割方案以及子任务传输顺序即为最优的任务分割方案以及子任务传输顺序,停止计算,否则继续计算;
S402:根据最小的时延值更新Shadow Dirichlet的参数;
S403:根据Shadow Dirichlet的参数生成Shadow Dirichlet的边界矩阵M;
S404:根据Shadow Dirichlet的边界矩阵M对任务分割方案进行更新,并重复步骤S3。
进一步,所述Shadow Dirichlet的参数包括上界upper_bounds以及下界lower_bounds;
所述边界矩阵M为d×d矩阵;
所述子步骤S402包括以下步骤:
S40201:根据upper_bounds=min(1,T/(vi/ti+vi/pi+vi/ri))(T为最小的时延值)更新上界upper_bound;
所述i∈(1,d)。
进一步,所述子步骤S202与S403中生成Shadow Dirichlet的边界矩阵M的方法是以下界lower_bounds将边界矩阵M填充为
本发明的有益效果是:
将任务进行合理分割,更快速的完成任务分发、任务处理以及任务回传,提高边缘计算的实时性。
附图说明
图1为基于遗传算法的锅炉燃烧在线优化系统的结构示意图;
图2为边缘计算实现遗传算法示意图;
图3为弹性任务分割示意图;
图4为3X3MU-MIMO传输单跳模型分发阶段示意图;
图5为3X3MU-MIMO传输单跳模型回传阶段示意图;
图6为时延函数优化示意图;
图7为本发明的流程图;
图8为仿真结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一:
如图1至图8所示,在基于遗传算法的锅炉燃烧在线优化系统中,利用一定时间积累的在线数据通过机器学习算法(神经网络、支持向量机、高斯过程等)进行数据建模,其中可以通过进化计算框架进行机器学习模型的超参数优化。优化后的数据模型预测飞灰含碳或氮化物,并作为优化目标放入进化计算框架(遗传算法),获得最优情况下的可操作输入参数。
利用边缘计算分布式提升优化的实时性,遗传算法的种群大小设置影响计算的复杂度。尤其是针对采用处理能力有限的嵌入式框架的边缘计算架构,很大程度影响实时性。利用边缘计算的分布式能力,在多个边缘计算处理单元部署小种群遗传算法,实现并行处理,再从所有反馈的优化结果中选择最优的,实现接近大种群遗传算法可获得的全局最优结果。
为此,搭建弹性任务分割模型,由于计算子节点的计算性能和网络传输速率可能存在差异,在并行计算的整个过程最终的时延取决于最后一个优化子结果的完成时间,因此平衡计算时间可以在实时性与优化效果中找到一个折中的方案。
充分考虑边缘计算模式下资源异构且可用节点受限、计算能力受限、网络受限等特点,以提高实时性为目标,建立弹性任务分割模型。
首先,采用弹性分割的方法,根据边缘节点的性能与网络信息指定将某分片发给它,因此可将分割后的子任务与目标边缘节点一一对应,即第i个任务分发给第i个节点,如图3所示。
其次,建立单任务整体时延模型,整体时延模型通过分发时延、处理时延和回传时延三个阶段累加获得。以3X3 MU-MIMO传输单跳模式为例:
a.分发阶段
给出一个分片比例并以分发初始时刻定为0时刻,此时三个通道均为空,因此可以同时令三个任务分片进入通道,由于分片大小不同,完成传输的时间也不同,用Tt1、Tt2、Tt3表示。
此时可设每个通道将会空闲时刻为Tc1=Tt1、Tc2=Tt2、Tc3=Tt3。因此当第4个任务分片进入通道时,将选取最先腾空的通道,如图4。而它占用通道的空闲可用时刻需要进行更新。以此类推。
b.处理阶段
设完成处理的时刻为T(t+p)i,即传输时间Tti和计算时间Tpi之和,i=1,2,3...N(N为分片个数)。将T(t+p)i进行排序,由小到大标记为T①、T②、....。
c.回传阶段
最先完成处理数据进行回传,但考虑到最先处理完成的分片时,其他分片仍可能在进行传输并占据通道,因需要将T①与三个通道空闲时刻进行比较,从而确定是否需要等待,如图5。回传完成时同样需要更新通道空闲时刻。依此类推,当最后一个分片传输完毕时,TN即为任务总时延。
直接对时延模型进行最小化规划,可确定分片个数、大小、传输顺序。该模型会是NP问题,可以通过启发式进化计算框架进行求解。
时延函数为
式中,vi是任务分割方案中第i任务分片的大小,ti、pi、ri分别是第i个边缘计算节点的传送速度、处理速度与回传速度,分别是发送以及回传时子任务调度排队的非线性部分;整体完成时间T取决于最后一个子任务回归的时间,即各个子任务中的最大的时间消耗。该问题转化为优化问题即,T最小化时求解vi,运用遗传算法求解。
在此基础上提出一种启发式的优化算法,即一种边缘计算任务分割方法,包括以下步骤:
S1:通过Dirichlet分布随机生成任务分割方案,随机产生子任务传输顺序;
任务分割方案包括子任务的个数、大小分片;
通过matlab自带函数randperm随机产生一组表示子任务传输顺序的顺序数组p,通过遗传算法的进化计算框架进行计算,找出其中对最优结果时的顺序数组。
S2:初始化Shadow Dirichlet;
S201:初始化Shadow Dirichlet的参数;
所述Shadow Dirichlet的参数包括上界upper_bounds以及下界lower_bounds;
S202:根据Shadow Dirichlet的参数生成Shadow Dirichlet的边界矩阵M;
所述边界矩阵M为d×d矩阵;
所述子步骤S202中生成Shadow Dirichlet的边界矩阵M的方法是以下界lower_bounds将边界矩阵M填充为
S201中,upper_bounds=one(length(upper_bound))
S3:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化;
所述时延函数为
S301:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化,得到本次进化过程中最小的时延函数值及对应的任务分割方案以及子任务传输顺序;
S302:根据每次进化过程中最小的时延函数值进行比较获得最小的时延值;
S4:如果步骤S3得到最优的任务分割方案以及子任务传输顺序,则停止计算,否则根据遗传算法的进化结果更新Shadow Dirichlet的边界,然后根据Shadow Dirichlet对任务分割方案进行更新,并重复步骤S3。
基于Dirichlet分布,通过搜索空间边界矩阵,控制寻优空间的范围,可以减少搜索代价。所述最优的任务分割方案以及子任务传输顺序为时延函数的值最小化时的任务分割方案以及子任务传输顺序。
S401:如果最小的时延值达到要求,则最小的时延值对应的任务分割方案以及子任务传输顺序即为最优的任务分割方案以及子任务传输顺序,停止计算,否则继续计算;
S402:根据最小的时延值更新Shadow Dirichlet的参数;
S40201:根据upper_bounds=min(1,T/(vi/ti+vi/pi+vi/ri))(T为最小的时延值)更新上界upper_bound;
所述i∈(1,d)。
S403:根据Shadow Dirichlet的参数生成Shadow Dirichlet的边界矩阵M;
所述子步骤S403中生成Shadow Dirichlet的边界矩阵M的方法是以下界lower_bounds将边界矩阵M填充为
S404:根据Shadow Dirichlet的边界矩阵M对任务分割方案进行更新,并重复步骤S3。
M*Dirichlet分布作为空间收缩的Dirichlet分布生成新的任务分割方案。
利用边界的不断收缩,使得优化结果在全局快速收敛,并找到最优解。
图8显示10、20、30、40、50节点经过优化的仿真结果,可见一种边缘计算任务分割方法可以有效减少时延。
其中,估计函数数量是包括迭代次数、种群数与遗传代数的乘积。
通过一种边缘计算任务分割方法,将任务进行合理分割,更快速的完成任务分发、任务处理以及任务回传,提高边缘计算的实时性。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种边缘计算任务分割方法,其特征在于:包括以下步骤:
S1:通过Dirichlet分布随机生成任务分割方案,随机产生子任务传输顺序;
S2:初始化Shadow Dirichlet;
S3:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化;
S4:如果步骤S3得到最优的任务分割方案以及子任务传输顺序,则停止计算,否则根据遗传算法的进化结果更新Shadow Dirichlet的边界,然后根据Shadow Dirichlet对任务分割方案进行更新,并重复步骤S3;
所述步骤S2包括以下子步骤:
S201:初始化Shadow Dirichlet的参数;
S202:根据Shadow Dirichlet的参数生成Shadow Dirichlet的边界矩阵M;
所述步骤S3包括以下子步骤:
S301:根据所述任务分割方案以及子任务传输顺序针对时延函数,通过遗传算法进行进化,得到本次进化过程中最小的时延函数值及对应的任务分割方案以及子任务传输顺序;
S302:根据每次进化过程中最小的时延函数值进行比较获得最小的时延值;
所述步骤S4包括以下子步骤:
S401:如果最小的时延值达到要求,则最小的时延值对应的任务分割方案以及子任务传输顺序即为最优的任务分割方案以及子任务传输顺序,停止计算,否则继续计算;
S402:根据最小的时延值更新Shadow Dirichlet的参数;
S403:根据Shadow Dirichlet的参数生成Shadow Dirichlet的边界矩阵M;
S404:根据Shadow Dirichlet的边界矩阵M对任务分割方案进行更新,并重复步骤S3;
所述Shadow Dirichlet的参数包括上界upper_bounds以及下界lower_bounds;
所述边界矩阵M为d×d矩阵;
所述子步骤S402包括以下步骤:
S40201:根据upper_bounds=min(1,T/(vi/ti+vi/pi+vi/ri)),T为最小的时延值,更新上界upper_bounds;
式中,vi是任务分割方案中第i任务分片的大小,ti、pi、ri分别是第i个边缘计算节点的传送速度、处理速度与回传速度;
所述k∈(1,d)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275708.8A CN112949200B (zh) | 2021-03-15 | 2021-03-15 | 一种边缘计算任务分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275708.8A CN112949200B (zh) | 2021-03-15 | 2021-03-15 | 一种边缘计算任务分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949200A CN112949200A (zh) | 2021-06-11 |
CN112949200B true CN112949200B (zh) | 2022-10-25 |
Family
ID=76229858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275708.8A Active CN112949200B (zh) | 2021-03-15 | 2021-03-15 | 一种边缘计算任务分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949200B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586720A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 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 |
CN111585816A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 一种基于自适应遗传算法的任务卸载决策方法 |
CN111930436A (zh) * | 2020-07-13 | 2020-11-13 | 兰州理工大学 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
-
2021
- 2021-03-15 CN CN202110275708.8A patent/CN112949200B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586720A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 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 |
CN111585816A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 一种基于自适应遗传算法的任务卸载决策方法 |
CN111930436A (zh) * | 2020-07-13 | 2020-11-13 | 兰州理工大学 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
Non-Patent Citations (2)
Title |
---|
Shadow Dirichlet for Restricted Probability Modeling;Bela A. Frigyik 等;《NIPS 2010》;20101231;第1-8页 * |
边缘计算资源分配与任务调度优化综述;王凌 等;《系统仿真学报(网络首发论文)》;20200921;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949200A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112039950B (zh) | 边缘计算网络任务调度与资源分配方法和边缘计算系统 | |
Rahimi-Vahed et al. | A hybrid multi-objective shuffled frog-leaping algorithm for a mixed-model assembly line sequencing problem | |
CN113346944A (zh) | 空天地一体化网络中时延最小化计算任务卸载方法及系统 | |
CN113852405B (zh) | 多波束中继卫星任务调度模型的构建方法及装置 | |
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 | |
CN111274036A (zh) | 一种基于速度预测的深度学习任务的调度方法 | |
CN111176784B (zh) | 一种基于极限学习机和蚁群系统的虚拟机整合方法 | |
CN112788605A (zh) | 基于双延迟深度确定性策略边缘计算资源调度方法和系统 | |
CN110401936A (zh) | 一种基于d2d通信的任务卸载与资源分配方法 | |
CN101944157B (zh) | 一种应用于仿真网格系统的生物智能调度方法 | |
CN115271099A (zh) | 一种支持异构模型的自适应个性化联邦学习方法 | |
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN115277689A (zh) | 一种基于分布式联邦学习的云边网络通信优化方法及系统 | |
CN115033359A (zh) | 一种基于时延控制的物联代理多任务调度方法和系统 | |
CN116933939A (zh) | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 | |
CN116185523A (zh) | 一种任务卸载和部署的方法 | |
Deniziak et al. | Cost optimization of real-time cloud applications using developmental genetic programming | |
CN112949200B (zh) | 一种边缘计算任务分割方法 | |
CN111026534B (zh) | 云计算环境下基于多种群遗传算法的工作流执行优化方法 | |
CN115022231B (zh) | 一种基于深度强化学习的最优路径规划的方法和系统 | |
CN110928648A (zh) | 融合启发式和智能计算的云工作流分段在线调度优化方法 | |
CN112506644B (zh) | 基于云边端混合计算模式系统的任务调度方法和系统 | |
CN115421885A (zh) | 一种分布式多目标云任务的调度方法、装置及云服务系统 | |
Masdari et al. | Energy-aware computation offloading in mobile edge computing using quantum-based arithmetic optimization algorithm | |
Zeng et al. | Distributed scheduling strategy for divisible loads on arbitrarily configured distributed networks using load balancing via virtual routing |
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 |