CN113011678A - 基于边缘计算的虚拟运营平台运行控制方法 - Google Patents
基于边缘计算的虚拟运营平台运行控制方法 Download PDFInfo
- Publication number
- CN113011678A CN113011678A CN202110378848.8A CN202110378848A CN113011678A CN 113011678 A CN113011678 A CN 113011678A CN 202110378848 A CN202110378848 A CN 202110378848A CN 113011678 A CN113011678 A CN 113011678A
- Authority
- CN
- China
- Prior art keywords
- task
- calculation
- algorithm
- sub
- energy consumption
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于边缘计算的虚拟运营平台运行控制方法,包括:S1.构建边缘物联代理与云平台协作服务的协同管控框架,所述协同管控框架包括业务终端、用于对所述业务终端进行管理的边缘物联代理和用于对所述边缘物联代理进行管理的云平台;S2.利用计算资源协同卸载方法将业务终端的计算任务卸载迁移到边缘物联代理中。本发明通过构建协同管控框架,利用资源协同卸载技术将业务终端的计算任务卸载迁移到边缘物联代理中,从而达到提升设备性能,降低设备能耗,减少网络拥塞等目的。
Description
技术领域
本发明涉及一种基于边缘计算的虚拟运营平台运行控制方法。
背景技术
传统的电力通信网络承载的业务种类少、业务需求单一,而泛在电力物联网越来越多承载着对内对外的差异化能源服务,“枢纽、平台、共享”泛在电力物联网广泛支持了分布式能源接入、能源优化配置、能源互联共享和能源供需平衡。泛在电力物联网是由“云、管、边、端”ICT资源链形成融合模式,用于承载多种新型区域化综合能源服务。但是,目前电力物联网典型场景中存在业务终端计算资源受限、网络带宽有限等问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于边缘计算的虚拟运营平台运行控制方法。
本发明的目的是通过以下技术方案来实现的:基于边缘计算的虚拟运营平台运行控制方法,包括:
S1.构建边缘物联代理与云平台协作服务的协同管控框架,所述协同管控框架包括业务终端、用于对所述业务终端进行管理的边缘物联代理和用于对所述边缘物联代理进行管理的云平台;
S2.利用计算资源协同卸载方法将业务终端的计算任务卸载迁移到边缘物联代理中。
优选的,所述计算资源协同卸载方法包括:
S21.构建计算卸载模型,所述计算卸载模型包括任务模型、时延模型和能耗模型;
S22.根据业务终端的电池使用时间和任务时延要求选择相应的计算卸载调度算法:对能耗大于第一阈值、计算任务的时延大于第二阈值的业务终端,采用基于状态的组合优化算法;对能耗小于等于第一阈值、计算任务的时延小于等于第二阈值的业务终端,采用基于粒子群算法和遗传算法的计算卸载调度算法。
优选的,构建计算卸载模型包括:
构建任务模型:根据计算任务的数据量、计算量以及相应时延要求将计算任务进行分类;
构建时延模型:若计算任务在业务终端本地被处理,则该计算任务的延时包括任务的等待延时和任务实际被处理的时间;若计算任务在边缘物联代理被处理,则该计算任务的延时包括任务等待时间、任务被计算处理的时间、上传耗时和下载耗时;
构建能耗模型:若计算任务在业务终端本地被处理,则该计算任务在被处理时业务终端的能耗包括等待时间中业务终端的基本能耗和业务终端处理该计算任务的相应时间内的能耗;若计算任务在云端服务器被处理,则该计算任务在被处理时业务终端的能耗包括上传至边缘物联代理的能耗和下载到业务终端的能耗。
优选的,所述基于状态的组合优化算法包括:
简化问题:利用次优解算法和定界算法完成状态转移,通过反复迭代降低问题的维度;
对子问题精确求解:对降维后剩余的子问题,采用最优解算法得到最终最优解。
优选的,简化问题,包括:
S2211.输入原始数据:输入可卸载模块数据集合Y={(Esave_i,τi)|i=1,2,...N},其中,N表示可卸载模块个数,T表示应用总的时延限制;
S2212.生成问题的近似解Xsub,以及该近似解Xsub所对应的可以节省的能耗Esub;
S2213.设置状态标记flag=0;
S2214.利用上界算法进行降维。
优选的,利用上界算法进行降维,包括:
对于近似解中的可卸载模块yi=(Esave_i,τi),利用Dantzig上界算法计算该可卸载模块yi=(Esave_i,τi)起不在解中时问题的上界B(yi);若B(yi)<Esub,则可卸载模块yi必定在最优解汇总,即可卸载模块需要卸载,并令flag=1,否则,计算当可卸载模块yi不在解中时问题的近似解X以及该近似解X所对应的可节省能耗E,若E>Esub,则更新近似解Xsub←X,Esub←E,并令flag=1;
对于不在当前近似解中的可卸载模块,使用Dantzig上界算法计算该可卸载模块在近似解中时问题的上界B(yi);若B(yi)<Esub,则可卸载模块yi必定不在最优解中,即该可卸载模块不卸载,并令flag=1,否则,计算当可卸载模块yi在解中时问题的近似解X以及该近似解X所对应的可节省能耗E,若E>Esub,则更新近似解Xsub←X,Esub←E,并令flag=1;
若flag=1,则重复S2214,否则降维结束,退出计算。
优选的,对子问题精确求解,包括:
S2221.数据输入:输入可卸载模块数据集合Y={(Esave_i,τi)|i=1,2,...N},其中,N为可卸载模块个数,T为应用总的时延限制;
S2222.初始化:计算单位时延所节省的能耗pi、卸载策略X={xi|xi=0,i=1,2,...N}和总的节省能耗Esave_i,并将数据元素能耗pi按降序排列;
S2223.求近似解:使用基于贪婪策略的移动计算卸载算法得到一个初始化近似解Xsub以及可节省能耗Esub;
S2224.使用简化问题步骤中的算法对问题进行简化;
S2225.结果输出:使用基于动态规划的移动计算卸载算法求剩余可卸载模块选择的子问题得到原问题的最优解。
优选的,所述粒子群算法包括:
S2231.为参数优化问题编码,将各类计算任务的到达率映射成粒子群中的一个粒子;
S2232.初始化粒子取值范围,设置种群规模和迭代次数;
S2233.利用计算任务的平均延时计算公式计算每组到达率参数适应值;
S2234.根据种群内每组到达率参数的适应值更新种群内所有到达率参数组的最好取值以及历史最好取值;
S2235.判断是否满足停止条件,若是,则算法结束,否则跳转至S2233。
优选的,所述遗传算法包括:
S2241.编码:将任务调度算法中N个任务执行地点位置映射出一个具有二进制码的码串,并随机初始化以上这样的二进制码串M个,M个即为种群大小;
S2242.用适应度函数来计算这M个个体的适应度值的大小,并记录下其中的最优解;
S2243.使用轮盘赌选择算法从M个个体中选择出M个个体;
S2244.对S2243中选出的M个个体采用按照动态交叉概率进行交叉,并用适应度指的大小来衡量是留下产生的新个体还是留下交叉前的个体;
S2245.对交叉操作后留下的M个个体采用动态变异概率进行变异操作,并用适应度值的大小来衡量是留下产生的新个体还是留下变异前的个体;
S2246.判断是否达到终止条件,若是,则终止算法,若否,则跳转至S2243。
本发明的有益效果是:
(1)本发明通过构建协同管控框架,利用资源协同卸载技术将业务终端的计算任务卸载迁移到边缘物联代理中,从而达到提升设备性能,降低设备能耗,减少网络拥塞等目的;
(2)本发明根据电力物联网中不同的业务场景需求,面向不同的优化目标,设计了基于状态转移的组合优化算法以及基于粒子群和遗传原理的计算卸载算法,实现计算任务的优化分配。
附图说明
图1为本发明基于边缘计算的虚拟运营平台运行控制方法的一种流程示意图;
图2为协同管控架构的一种示意图;
图3为基于状态的组合优化算法中简化问题步骤的一种流程示意图;
图4为基于状态的组合优化算法中对子问题进行精确求解步骤的一种流程示意图;
图5为粒子群算法的一种流程示意图;
图6为遗传算法的一种流程示意图。
具体实施方式
下面将结合实施例,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1-6,本发明提供一种基于边缘计算的虚拟运营平台运行控制方法:
如图1所示,基于边缘计算的虚拟运营平台运行控制方法,包括:
S1.构建边缘物联代理与云平台协作服务的协同管控框架,所述协同管控框架包括业务终端、用于对所述业务终端进行管理的边缘物联代理和用于对所述边缘物联代理进行管理的云平台。
具体的,如图2所示,云平台通过Restful/OpenFlow/SNMP或MQTT、HTTP等对边缘物联代理进行管理;边缘物联代理通过Restful/SNMP对业务终端进行管理,从而实现物联网管理平台结合边缘物联代理对业务终端的协同管理。除此之外,边缘物联代理内部的管控模块通过OpenFlow协议实现资源虚拟化、虚拟容器管理、资源编排、终端管理等功能,从而能够对其内部资源进行管理与调度。
在一些实施例中,利用RESTful实现云平台与边缘物联代理和边缘物联代理与终端之间的接口,利用SNMP在边缘物联代理与业务终端之间和边缘物联代理与云平台之间实现对业务终端的管控,从而实现边缘物联代理协同物联网管理平台对业务终端的管控。在边缘物联代理内部,通过OpenFlow协议实现边缘物联代理资源虚拟化、虚拟容器管理、资源编排、终端管理;利用RESTful设计合适的接口协议适配来完成对于业务终端的管控。
在这些实施例中,RESTful作为一种面相资源的架构模式,主要通过提供终端接入的统一接口实现边缘物联代理和云平台对终端系统的协同管控;Openflow在网络层和数据链路层上提供标准接口,实现对边缘物联代理内部的统一管理;SNMP作为一种面向方法的架构模式,在应用层上提供一种统一的协议,可以通过管理Openflow交换来实现协议间的交互和物联代理与云平台的统一管理。
业务终端是负责数据采集、就地处理并按照指定的业务逻辑进行动作的业务单元。边缘物联代理除了可以实现简单的业务终端告警管理、性能管理、配置管理,它还可以通过数据互联接口和支持泛在业务安全可信接入的通信终端以及同云平台的物联网管理中心相连,实现流量数据信息的采集。此外,边缘物联代理还可以实现接入、通信、计算和存储资源的管理和调度。
本实施例中,管控模块支持对业务和资源的有效管控,通过数据互联接口与业务终端和物联网管理平台相连以采集流量数据,并最终通过OpenFlow协议实现接入、通信、计算和存储资源的管理和调度。边缘物联代理的管控模块具体包括资源虚拟化、虚拟容器管理、资源编排、终端管理等子模块,同时,支持远程加载业务应用APP。其中
资源虚拟化模块用于实现对虚拟机等虚拟化资源的管理。为满足外部系统的应用集成的需求,部分业务功能可通过开放服务API对外开放。本实施例采用服务总线和能力开放网关提供核心服务和应用支撑服务,提供的形式可采用基于RESTful或SOAP的服务接口。通信能力开放网关通过协议适配统一接入基础的通信应用服务资源。在此基础上,进行业务能力的封装,以基于RESTful或SOAP的服务API接口形式注册发布到服务总线上。服务总线负责完成服务的注册、发布、路由和认证授权。在服务总线的支持下,应用层的各种高层应用可查找发现感兴趣的服务,并调用服务接口,获取/组合各种基础业务能力,以完成话音类、视频类、会议类、FTP、邮件等多种应用的逻辑控制和处理。
虚拟容器管理模块通过和云平台侧的协同实现了业务应用APP的远程加载和对轻量级容器资源的发布、配置、部署、运行管理。虚拟容器管理模块按功能大致可以划分为三类:对外访问、监控调度以及节点管理。面向用户接口的功能是对部署应用、管理应用、查看应用运行情况等操作的请求进行分析处理,再分发到业务层,业务层在完成了请求后把结果以恰当的方式返回。监控调度又可以分为资源调度模块和云平台监控模块。资源调度的功能是对云平台的整体资源进行合理的分配,分为初始化调度和动态调度两个方面。资源调度的初始化调度是指用户提交的应用部署请求在对外访问层接收并传递到这层,系统筛选出合适的主机并利用配置信息,从镜像仓库拉取应用镜像并创建Docker容器部署应用,等到网络配置完成后,在路由中注册新的应用信息,更新负载均衡列表,并将应用的IP和端口后返回到对外访问层,用户通过URL访问应用。云平台监控模块则负责采集物理主机和Docker节点上的Docker容器的性能数据,在应用部署成功后,运行的过程中,宿主机对其运行Web应用的Docker容器的CPU、内存、网络IO等指标进行收集并存入数据库。动态调度则是资源调度模块周期性从平台监控信息中拉取数据,依据动态扩容缩容的策略确定应用的负载过高还是过低,在综合计算各项监控指标得出的指数大于扩容阈值时,对应用进行扩容,并增加新的容器启动相同的镜像,将该容器加入应用服务域,加入服务的负载均衡器,缩容的过程与扩容相反。底层的物理主机群是系统的基础设施,每一个物理主机都安装了Docker服务用于把资源容器化,在Docker节点上运行着Docker节点代理,负责采集物理主机自身的负载和主机运行Docker容器的负载的监控数据,同时Docker节点代理提供原子的容器控制接口,进行控制容器的生命周期,如分配、删除、停止容器等操作,对容器化的资源进行调度管理;存储节点则是提供持久化服务如存储配置信息的数据库和放置应用镜像的私有仓库。
资源编排模块基于SDN的设计理念,基于集中式分级调度的资源管理方法,实现对边缘物联代理内虚拟化资源的编排,并配合物联网管理平台实现对全网资源的统一编排。SDN控制器对网络的控制主要是通过南向接口协议OpenFlow等实现,包括链路发现、拓扑管理、策略制定、表项下发等,其中链路发现和拓扑管理主要是控制其利用南向接口的上行通道对底层交换设备上报信息进行统一监控和统计;而策略制定和表项下发则是控制器利用南向接口的下行通道对网络设备进行统一控制。作为一个开放的协议,OpenFlow突破了传统网络设备厂商对设备能力接口的壁垒。
终端管理模块包括终端能力灵活组合配置管理、终端运行状态实时监控、终端及资源统一管控、用户管理等。终端管理模块通过监控和管理接口,获取相关的终端运行状态数据。
S2.利用计算资源协同卸载方法将业务终端的计算任务卸载迁移到边缘物联代理中。
在一些实施例中,所述计算资源协同卸载方法包括:
S21.构建计算卸载模型,所述计算卸载模型包括任务模型、时延模型和能耗模型。
构建任务模型:根据计算任务的数据量、计算量以及相应时延要求将计算任务进行分类。
具体的,按照计算任务的数据量、计算量以及相应时延要求这三个特点将计算任务分为三类,分别为I类、II类、III类,各类计算任务的部分属性如表1所示。表1中的到达率是任务调度过程中待优化的一个参数,返回量是一个只与任务数据量正相关的一个量。
表1计算任务相关属性
任务种类 | 到达率 | 数据量 | 计算量 | 返回结果 | 延时要求 |
I类 | λ<sub>1</sub> | 大 | 大 | 大 | 高 |
II类 | λ<sub>2</sub> | 小 | 小 | 小 | 最高 |
III类 | λ<sub>3</sub> | 中等 | 中等 | 中等 | 高 |
计算任务产生后,便会进入一个任务等待序列,等待被处理,假定第I类、II类、III类任务分别以λ1、λ2、λ3的到达率进入任务的等待序列。
构建时延模型:若计算任务在业务终端本地被处理,则该计算任务的延时包括任务的等待延时和任务实际被处理的时间;若计算任务在边缘物联代理被处理,则该计算任务的延时包括任务等待时间、任务被计算处理的时间、上传耗时和下载耗时。
具体的,如果计算任务在业务终端本地处理,那么该任务延包括任务的等待延时twi和任务实际被处理的时间tci。如果计算任务在边缘物联代理被处理,任务延时包括任务等待时间twi,任务被计算处理时间tci以及上传耗时tsi和下载耗时tri。
第I类计算任务的平均延时为:
第II类计算任务的平均延时为:
第III类计算任务的平均延时为:
构建能耗模型:若计算任务在业务终端本地被处理,则该计算任务在被处理时业务终端的能耗包括等待时间中业务终端的基本能耗和业务终端处理该计算任务的相应时间内的能耗;若计算任务在云端服务器被处理,则该计算任务在被处理时业务终端的能耗包括上传至边缘物联代理的能耗和下载到业务终端的能耗。
具体的,假设业务终端的发射功率为Pr,接收功率为Ps,正常运行的工作功率为Pm。
如果计算任务业务终端本地处理,用Em表示第i个计算任务在业务终端处理时消耗的能耗,Em计算公式如下:
其中,compute表示计算任务的计算量大小,mobile表示业务终端的执行速度。
如果计算任务被决策在边缘物联代理处理,用Ec表示计算任务在边缘物联代理处计算所消耗的能量,计算公式如下:
其中,date表示计算任务的数据量大小,result表示计算任务对应返回量的大小,R0表示无线网络的平均数据传输速率。
S22.根据业务终端的电池使用时间和任务时延要求选择相应的计算卸载调度算法:对能耗大于第一阈值、计算任务的时延大于第二阈值的业务终端,采用基于状态的组合优化算法;对能耗小于等于第一阈值、计算任务的时延小于等于第二阈值的业务终端,采用基于粒子群算法和遗传算法的计算卸载调度算法。
对能耗大于第一阈值、计算任务的时延大于第二阈值的业务终端(即电池寿命较短、任务时延要求不高的业务终端),采用基于状态的组合优化算法,在满足时延要求的条件下,通过计算卸载优化,降低网络终端能耗、延长电池续航时间。对能耗小于等于第一阈值、计算任务的时延小于等于第二阈值的业务终端(即业务时延要求高,对能耗有一定要求的业务终端),采用基于粒子群算法和遗传算法的计算卸载调度算法,从任务时延和能耗的两个角度出发,对两项性能指标做同步优化,实现多目标优化机制。
所述基于状态的组合优化算法的整体处理流程可以分为以下两个阶段:第一阶段为简化问题阶段,利用次优解算法和定界算法完成状态转移,通过反复迭代降低问题的维度;第二阶段为对子问题精确求解阶段,对降维后剩余的子问题,采用最优解算法得到最终最优解。
如图3所示,具体的,简化问题阶段包括:
S2211.输入原始数据:输入可卸载模块数据集合Y={(Esave_i,τi)|i=1,2,...N},其中,N表示可卸载模块个数,T表示应用总的时延限制;
S2212.生成问题的近似解Xsub,以及该近似解Xsub所对应的可以节省的能耗Esub;
S2213.设置状态标记flag=0;
S2214.利用上界算法进行降维。
利用上界算法进行降维,包括:
对于近似解中的可卸载模块yi=(Esave_i,τi),利用Dantzig上界算法计算该可卸载模块yi=(Esave_i,τi)起不在解中时问题的上界B(yi);若B(yi)<Esub,则可卸载模块yi必定在最优解汇总,即可卸载模块需要卸载,并令flag=1,否则,计算当可卸载模块yi不在解中时问题的近似解X以及该近似解X所对应的可节省能耗E,若E>Esub,则更新近似解Xsub←X,Esub←E,并令flag=1;
对于不在当前近似解中的可卸载模块,使用Dantzig上界算法计算该可卸载模块在近似解中时问题的上界B(yi);若B(yi)<Esub,则可卸载模块yi必定不在最优解中,即该可卸载模块不卸载,并令flag=1,否则,计算当可卸载模块yi在解中时问题的近似解X以及该近似解X所对应的可节省能耗E,若E>Esub,则更新近似解Xsub←X,Esub←E,并令flag=1;
若flag=1,则重复S2214继续降维,否则降维结束,退出计算。
通过以上的降维处理,可以确定部分肯定在最优解中的元素以及部分肯定不在最优解中的元素,从原问题中将已确定的这部分元素剔除,剩下一个小规模的字问题,原问题得到了简化。
具体的,如图4所示,对子问题精确求解,包括:
S2221.数据输入:输入可卸载模块数据集合Y={(Esave_i,τi)|i=1,2,...N},其中,N为可卸载模块个数,T为应用总的时延限制。
S2222.初始化:计算单位时延所节省的能耗pi、卸载策略X={xi|xi=0,i=1,2,...N}和总的节省能耗Esave_i,并将数据元素能耗pi按降序排列。
S2223.求近似解:使用基于贪婪策略的移动计算卸载算法得到一个初始化近似解Xsub以及可节省能耗Esub;
S2224.使用简化问题步骤中的算法对问题进行简化,改进近似解。
S2225.结果输出:使用基于动态规划的移动计算卸载算法求剩余可卸载模块选择的子问题得到原问题的最优解。
如图5所示,所述粒子群算法包括:
S2231.为参数优化问题编码,将各类计算任务的到达率映射成粒子群中的一个粒子。
例如,将三类计算任务的到达率映射成粒子群中的一个粒子,即(λ1,λ2,λ3)。
S2232.初始化粒子取值范围,设置种群规模和迭代次数。
例如,初始化粒子(λ1,λ2,λ3)取值范围为[0,3×λ0],设置种群规模为10和迭代次数为100。
S2233.利用计算任务的平均延时计算公式计算每组到达率参数适应值。
即,利用公式(1)、(2)、(3)计算每组到达率参数适应值。
S2234.根据种群内每组到达率参数的适应值更新种群内所有到达率参数组的最好取值以及历史最好取值。
S2235.判断是否满足停止条件,若是,则算法结束,否则跳转至S2233。
粒子群的参数配置为:编码:每个可行解映射到的每一个粒子为一个3维实数向量,到达率参数取值(a1,a2,a3)映射到粒子群算法对应的一个粒子位置取值。初始化范围:初步设定一组到达率参数的每一维分量的取值区间为[0,3×λ0]。计算卸载算法。
如图6所示,所述遗传算法包括:
S2241.编码:将任务调度算法中N个任务执行地点位置映射出一个具有二进制码的码串,并随机初始化以上这样的二进制码串M个,M个即为种群大小;
S2242.用适应度函数来计算这M个个体的适应度值的大小,并记录下其中的最优解;
S2243.使用轮盘赌选择算法从M个个体中选择出M个个体;
S2244.对S2243中选出的M个个体采用按照动态交叉概率进行交叉,并用适应度指的大小来衡量是留下产生的新个体还是留下交叉前的个体;
S2245.对交叉操作后留下的M个个体采用动态变异概率进行变异操作,并用适应度值的大小来衡量是留下产生的新个体还是留下变异前的个体;
S2246.判断是否达到终止条件,若是,则终止算法,若否,则跳转至S2243。
遗传算法的相关配置为:
问题编码:将N个计算任务的处理地点编码为一个二进制码序列,其中每个码序列中的一个码字代表了一个计算任务的对应的处理地点。如果计算任务在边缘物联代理处处理,那么对应码字为1,业务终端本地处理为0。
适应性函数设计:本实施例中使用的是粒子群算法中得到的能让时延最佳的参数,所以本实施例中仍然需要考虑各项任务的时延限制,还有移动端储能的一个上限等因素。综上所述,遗传算法适应度函数设计为如下所示:
其中,n1代表第I类计算任务数量,n2代表第II类计算任务数量,n3代表第III类计算任务数量,n1+n2+n3=N,Econsume表示N个任务被处理后所需要消耗业务终端的总电量,代表第I类的计算量的期望值,代表第II类的计算量的期望值,代表第III类的计算量的期望值。
交叉操作:使用单点交叉和多点交叉,交叉概率采用动态变异函数来决定变异概率,变异概率公式如下:
其中,fmax代表种群中全部个体对应最大适应度值,favg代表种群中适应度的平均值。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.基于边缘计算的虚拟运营平台运行控制方法,其特征在于,包括:
S1.构建边缘物联代理与云平台协作服务的协同管控框架,所述协同管控框架包括业务终端、用于对所述业务终端进行管理的边缘物联代理和用于对所述边缘物联代理进行管理的云平台;
S2.利用计算资源协同卸载方法将业务终端的计算任务卸载迁移到边缘物联代理中。
2.根据权利要求1所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,所述计算资源协同卸载方法包括:
S21.构建计算卸载模型,所述计算卸载模型包括任务模型、时延模型和能耗模型;
S22.根据业务终端的电池使用时间和任务时延要求选择相应的计算卸载调度算法:对能耗大于第一阈值、计算任务的时延大于第二阈值的业务终端,采用基于状态的组合优化算法;对能耗小于等于第一阈值、计算任务的时延小于等于第二阈值的业务终端,采用基于粒子群算法和遗传算法的计算卸载调度算法。
3.根据权利要求2所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,构建计算卸载模型包括:
构建任务模型:根据计算任务的数据量、计算量以及相应时延要求将计算任务进行分类;
构建时延模型:若计算任务在业务终端本地被处理,则该计算任务的延时包括任务的等待延时和任务实际被处理的时间;若计算任务在边缘物联代理被处理,则该计算任务的延时包括任务等待时间、任务被计算处理的时间、上传耗时和下载耗时;
构建能耗模型:若计算任务在业务终端本地被处理,则该计算任务在被处理时业务终端的能耗包括等待时间中业务终端的基本能耗和业务终端处理该计算任务的相应时间内的能耗;若计算任务在云端服务器被处理,则该计算任务在被处理时业务终端的能耗包括上传至边缘物联代理的能耗和下载到业务终端的能耗。
4.根据权利要求2所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,所述基于状态的组合优化算法包括:
简化问题:利用次优解算法和定界算法完成状态转移,通过反复迭代降低问题的维度;
对子问题精确求解:对降维后剩余的子问题,采用最优解算法得到最终最优解。
5.根据权利要求4所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,简化问题,包括:
S2211.输入原始数据:输入可卸载模块数据集合Y={(Esave_i,τi)|i=1,2,...N},其中,N表示可卸载模块个数,T表示应用总的时延限制;
S2212.生成问题的近似解Xsub,以及该近似解Xsub所对应的可以节省的能耗Esub;
S2213.设置状态标记flag=0;
S2214.利用上界算法进行降维。
6.根据权利要求5所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,利用上界算法进行降维,包括:
对于近似解中的可卸载模块yi=(Esave_i,τi),利用Dantzig上界算法计算该可卸载模块yi=(Esave_i,τi)起不在解中时问题的上界B(yi);若B(yi)<Esub,则可卸载模块yi必定在最优解汇总,即可卸载模块需要卸载,并令flag=1,否则,计算当可卸载模块yi不在解中时问题的近似解X以及该近似解X所对应的可节省能耗E,若E>Esub,则更新近似解Xsub←X,Esub←E,并令flag=1;
对于不在当前近似解中的可卸载模块,使用Dantzig上界算法计算该可卸载模块在近似解中时问题的上界B(yi);若B(yi)<Esub,则可卸载模块yi必定不在最优解中,即该可卸载模块不卸载,并令flag=1,否则,计算当可卸载模块yi在解中时问题的近似解X以及该近似解X所对应的可节省能耗E,若E>Esub,则更新近似解Xsub←X,Esub←E,并令flag=1;
若flag=1,则重复S2214,否则降维结束,退出计算。
7.根据权利要求4所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,对子问题精确求解,包括:
S2221.数据输入:输入可卸载模块数据集合Y={(Esave_i,τi)|i=1,2,...N},其中,N为可卸载模块个数,T为应用总的时延限制;
S2222.初始化:计算单位时延所节省的能耗pi、卸载策略X={xi|xi=0,i=1,2,...N}和总的节省能耗Esave_i,并将数据元素能耗pi按降序排列;
S2223.求近似解:使用基于贪婪策略的移动计算卸载算法得到一个初始化近似解Xsub以及可节省能耗Esub;
S2224.使用简化问题步骤中的算法对问题进行简化;
S2225.结果输出:使用基于动态规划的移动计算卸载算法求剩余可卸载模块选择的子问题得到原问题的最优解。
8.根据权利要求2所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,所述粒子群算法包括:
S2231.为参数优化问题编码,将各类计算任务的到达率映射成粒子群中的一个粒子;
S2232.初始化粒子取值范围,设置种群规模和迭代次数;
S2233.利用计算任务的平均延时计算公式计算每组到达率参数适应值;
S2234.根据种群内每组到达率参数的适应值更新种群内所有到达率参数组的最好取值以及历史最好取值;
S2235.判断是否满足停止条件,若是,则算法结束,否则跳转至S2233。
9.根据权利要求2所述的基于边缘计算的虚拟运营平台运行控制方法,其特征在于,所述遗传算法包括:
S2241.编码:将任务调度算法中N个任务执行地点位置映射出一个具有二进制码的码串,并随机初始化所述码串M个,M个即为种群大小;
S2242.用适应度函数来计算这M个个体的适应度值的大小,并记录下其中的最优解;
S2243.使用轮盘赌选择算法从M个个体中选择出M个个体;
S2244.对S2243中选出的M个个体采用按照动态交叉概率进行交叉,并用适应度指的大小来衡量是留下产生的新个体还是留下交叉前的个体;
S2245.对交叉操作后留下的M个个体采用动态变异概率进行变异操作,并用适应度值的大小来衡量是留下产生的新个体还是留下变异前的个体;
S2246.判断是否达到终止条件,若是,则终止算法,若否,则跳转至S2243。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378848.8A CN113011678B (zh) | 2021-04-08 | 2021-04-08 | 基于边缘计算的虚拟运营平台运行控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378848.8A CN113011678B (zh) | 2021-04-08 | 2021-04-08 | 基于边缘计算的虚拟运营平台运行控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011678A true CN113011678A (zh) | 2021-06-22 |
CN113011678B CN113011678B (zh) | 2023-07-14 |
Family
ID=76388083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378848.8A Active CN113011678B (zh) | 2021-04-08 | 2021-04-08 | 基于边缘计算的虚拟运营平台运行控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011678B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113453255A (zh) * | 2021-06-25 | 2021-09-28 | 国网湖南省电力有限公司 | 一种边设备容器的业务数据传输负载均衡优化方法及装置 |
CN113676357A (zh) * | 2021-08-30 | 2021-11-19 | 华北电力大学 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN114024822A (zh) * | 2021-11-02 | 2022-02-08 | 中国联合网络通信集团有限公司 | 基于区块链的物联网设备管理方法、设备、服务器及介质 |
CN114363367A (zh) * | 2021-12-09 | 2022-04-15 | 广东电网有限责任公司 | 一种基于边缘物联代理的业务处理方法及系统 |
CN114584634A (zh) * | 2022-03-03 | 2022-06-03 | 北京宇航系统科技有限公司 | 一种应用于运营管理的多层架构 |
CN114598723A (zh) * | 2022-03-16 | 2022-06-07 | 国网河南省电力公司电力科学研究院 | 一种用于智慧换流站中的数据交互方法及系统 |
CN115065727A (zh) * | 2022-05-19 | 2022-09-16 | 南京邮电大学 | 一种基于边缘计算场景的任务卸载方法 |
CN117749836A (zh) * | 2023-12-22 | 2024-03-22 | 哈尔滨笃远科技有限公司 | 一种基于人工智能的物联网终端监控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586762A (zh) * | 2020-04-29 | 2020-08-25 | 重庆邮电大学 | 一种基于边缘协作的任务卸载及资源分配联合优化方法 |
CN111953759A (zh) * | 2020-08-04 | 2020-11-17 | 国网河南省电力公司信息通信公司 | 基于强化学习的协同计算任务卸载和迁移的方法及装置 |
CN112165479A (zh) * | 2020-09-22 | 2021-01-01 | 北京智芯微电子科技有限公司 | 配电网的云边协同管控系统 |
-
2021
- 2021-04-08 CN CN202110378848.8A patent/CN113011678B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586762A (zh) * | 2020-04-29 | 2020-08-25 | 重庆邮电大学 | 一种基于边缘协作的任务卸载及资源分配联合优化方法 |
CN111953759A (zh) * | 2020-08-04 | 2020-11-17 | 国网河南省电力公司信息通信公司 | 基于强化学习的协同计算任务卸载和迁移的方法及装置 |
CN112165479A (zh) * | 2020-09-22 | 2021-01-01 | 北京智芯微电子科技有限公司 | 配电网的云边协同管控系统 |
Non-Patent Citations (1)
Title |
---|
张伟;: "边缘计算的任务迁移机制研究", 软件导刊 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113453255A (zh) * | 2021-06-25 | 2021-09-28 | 国网湖南省电力有限公司 | 一种边设备容器的业务数据传输负载均衡优化方法及装置 |
CN113676357B (zh) * | 2021-08-30 | 2022-07-29 | 国网内蒙古东部电力有限公司 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN113676357A (zh) * | 2021-08-30 | 2021-11-19 | 华北电力大学 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN114024822A (zh) * | 2021-11-02 | 2022-02-08 | 中国联合网络通信集团有限公司 | 基于区块链的物联网设备管理方法、设备、服务器及介质 |
CN114024822B (zh) * | 2021-11-02 | 2023-09-22 | 中国联合网络通信集团有限公司 | 基于区块链的物联网设备管理方法、设备、服务器及介质 |
CN114363367A (zh) * | 2021-12-09 | 2022-04-15 | 广东电网有限责任公司 | 一种基于边缘物联代理的业务处理方法及系统 |
CN114363367B (zh) * | 2021-12-09 | 2023-12-01 | 广东电网有限责任公司 | 一种基于边缘物联代理的业务处理方法及系统 |
CN114584634A (zh) * | 2022-03-03 | 2022-06-03 | 北京宇航系统科技有限公司 | 一种应用于运营管理的多层架构 |
CN114598723A (zh) * | 2022-03-16 | 2022-06-07 | 国网河南省电力公司电力科学研究院 | 一种用于智慧换流站中的数据交互方法及系统 |
CN114598723B (zh) * | 2022-03-16 | 2023-06-13 | 国网河南省电力公司电力科学研究院 | 一种用于智慧换流站中的数据交互方法及系统 |
CN115065727A (zh) * | 2022-05-19 | 2022-09-16 | 南京邮电大学 | 一种基于边缘计算场景的任务卸载方法 |
CN115065727B (zh) * | 2022-05-19 | 2023-08-22 | 南京邮电大学 | 一种基于边缘计算场景的任务卸载方法 |
CN117749836A (zh) * | 2023-12-22 | 2024-03-22 | 哈尔滨笃远科技有限公司 | 一种基于人工智能的物联网终端监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113011678B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011678B (zh) | 基于边缘计算的虚拟运营平台运行控制方法 | |
Tang et al. | Migration modeling and learning algorithms for containers in fog computing | |
CN109379727B (zh) | 车联网中基于mec的任务分布式卸载与协作执行方案 | |
Luo et al. | Resource scheduling in edge computing: A survey | |
Ning et al. | Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme | |
Kadhim et al. | Proactive load balancing mechanism for fog computing supported by parked vehicles in IoV-SDN | |
CN109831524A (zh) | 一种负载均衡处理方法及装置 | |
Banaie et al. | Load-balancing algorithm for multiple gateways in Fog-based Internet of Things | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
Wu et al. | Deep reinforcement learning for scheduling in an edge computing‐based industrial internet of things | |
Wu et al. | Optimal deploying IoT services on the fog computing: A metaheuristic-based multi-objective approach | |
Dimitrios et al. | Simulation and performance evaluation of a fog system | |
Cui et al. | Learning‐based deep neural network inference task offloading in multi‐device and multi‐server collaborative edge computing | |
Yu et al. | Async-HFL: Efficient and robust asynchronous federated learning in hierarchical IoT networks | |
Nguyen et al. | Parked vehicles task offloading in edge computing | |
Ebrahim et al. | Resilience and load balancing in fog networks: A multi-criteria decision analysis approach | |
El Menbawy et al. | Energy-efficient computation offloading using hybrid GA with PSO in internet of robotic things environment | |
Chen | Design of computer big data processing system based on genetic algorithm | |
Chu et al. | A holistic service provision strategy for drone-as-a-service in MEC-based UAV delivery | |
Zhu et al. | Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT | |
Fang et al. | Latency aware online tasks scheduling policy for edge computing system | |
Chang et al. | Low-latency controller load balancing strategy and offloading decision generation algorithm based on lyapunov optimization in SDN mobile edge computing environment | |
Belkout et al. | A load balancing and routing strategy in fog computing using deep reinforcement learning | |
Nazari et al. | An optimal service composition algorithm in multi-cloud environment | |
Mohamed et al. | Dynamic Resource Allocation in Cloud Computing Based on Software-Defined Networking Framework |
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 |