CN113282409B - 边缘计算任务的处理方法、装置和计算机设备 - Google Patents

边缘计算任务的处理方法、装置和计算机设备 Download PDF

Info

Publication number
CN113282409B
CN113282409B CN202110523563.9A CN202110523563A CN113282409B CN 113282409 B CN113282409 B CN 113282409B CN 202110523563 A CN202110523563 A CN 202110523563A CN 113282409 B CN113282409 B CN 113282409B
Authority
CN
China
Prior art keywords
task
edge calculation
edge
cluster
tasks
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
CN202110523563.9A
Other languages
English (en)
Other versions
CN113282409A (zh
Inventor
蔡燕春
危国恩
李锦煊
李东旭
姜臻
郭志诚
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202110523563.9A priority Critical patent/CN113282409B/zh
Publication of CN113282409A publication Critical patent/CN113282409A/zh
Application granted granted Critical
Publication of CN113282409B publication Critical patent/CN113282409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种边缘计算任务的处理方法、装置、计算机设备和存储介质。方法包括：根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；对多个边缘计算任务进行拟聚类，得到各边缘计算任务之间的相关度矩阵；根据相似度矩阵和相关度矩阵，确定交互作用矩阵；根据交互作用矩阵和多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；按照多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个任务簇中的边缘计算任务分配至目标设备进行执行。采用本方法能够提高边缘计算任务处理的实时性。

Description

边缘计算任务的处理方法、装置和计算机设备
技术领域
本申请涉及边缘计算技术领域，特别是涉及一种边缘计算任务的处理方法、装置、计算机设备和存储介质。
背景技术
随着电网技术和物联网技术的发展，数以亿计的终端设备接入到物联网络中，产生了海量的采集数据。相应地，将数据发送到功能强大的云服务器群进行计算的方式，会给网络造成巨大的额外负载，也造成了较高的网络延迟。由此出现了边缘计算技术。边缘计算靠近物或数据源头的网络边缘侧，就近提供计算服务，可以满足电网在精准感知、统一物联、边缘智能、开放共享等方面的关键需求。然而，由于网络、存储和计算资源的有限性，不同的任务执行顺序和调度方式往往对任务执行的时效性和效率造成很大的影响。
因此，在网络、存储和计算等各项资源受限的情况下，如何有效地进行任务调度以提高任务执行的实时性和效率，是目前亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高任务执行的实时性和效率的边缘计算任务的处理方法、装置、计算机设备和存储介质。
一种边缘计算任务的处理方法，所述方法包括：根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵；根据所述相似度矩阵和相关度矩阵，确定交互作用矩阵；所述交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；根据所述交互作用矩阵和所述多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，所述内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；按照所述多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个所述任务簇中的边缘计算任务分配至目标设备进行执行。
在其中一个实施例中，所述根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵，包括：分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据所述第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
在其中一个实施例中，所述对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵，包括：对由所述多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇；基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对所述簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，所述共聚类矩阵中包含有各边缘计算任务之间的相关度；重复上述步骤，并对所述初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵；基于所述多个共聚类矩阵确定所述多个边缘计算任务之间的相关度矩阵。
在其中一个实施例中，所述利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇，包括：在所述任务图网络中，确定其中一个边缘计算任务作为初始节点，所述初始节点构成一个任务簇；对于与所述初始节点相连接的每个邻居节点，分别计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值；基于所述内聚性评分值，确定每个所述邻居节点分别对应的边缘计算任务相应的任务簇；从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回所述对于与所述初始节点相连接的每个邻居节点，分别计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇；根据重叠评分指标衡量各任务簇之间的重叠情况，对所述任务簇进行更新，得到多个更新的任务簇；将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
在其中一个实施例中，所述计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值，包括：计算所述当前任务簇包含所述邻居节点所对应的边缘计算任务的情况下，所述当前任务簇的第一内聚性评分值；计算所述当前任务簇排除所述邻居节点所对应的边缘计算任务的情况下，所述当前任务簇的第二内聚性评分值；所述基于所述内聚性评分值，确定每个所述邻居节点分别对应的边缘计算任务相应的任务簇，包括：当所述第一内聚性评分值大于所述第二内聚性评分值时，将所述邻居节点所对应的边缘计算任务归类至所述当前任务簇中；当所述第一内聚性评分值小于所述第二内聚性评分值时，继续计算下一个邻居节点与所述初始节点构成的任务簇之间的内聚性评分值。
在其中一个实施例中，所述目标设备包括边缘服务器和配变终端，所述按照所述任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，包括：按照所述任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销；根据所述第一开销和第二开销的大小，获得所述任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果；基于所述决策结果，将多个所述任务簇中的边缘计算任务分配至所述边缘服务器或配变终端进行执行。
一种边缘计算任务的处理装置，所述装置包括：计算模块，用于根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；所述计算模块，还用于对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵；所述计算模块，还用于根据所述相似度矩阵和相关度矩阵，确定交互作用矩阵；所述交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；处理模块，用于根据所述交互作用矩阵和所述多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，所述内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；所述处理模块，还用于按照所述多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个所述任务簇中的边缘计算任务分配至目标设备进行执行。
在其中一个实施例中，所述计算模块还用于分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据所述第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵；根据所述相似度矩阵和相关度矩阵，确定交互作用矩阵；所述交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；根据所述交互作用矩阵和所述多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，所述内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；按照所述多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个所述任务簇中的边缘计算任务分配至目标设备进行执行。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵；根据所述相似度矩阵和相关度矩阵，确定交互作用矩阵；所述交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；根据所述交互作用矩阵和所述多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，所述内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；按照所述多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个所述任务簇中的边缘计算任务分配至目标设备进行执行。
上述边缘计算任务的处理方法、装置、计算机设备和存储介质，通过计算多个边缘计算任务之间的相似度矩阵和相关度矩阵，确定表征了各边缘计算任务之间相互作用的交互作用矩阵，并根据交互作用矩阵所表示的任务图网络，利用首次定义的内聚性评分指标对多个边缘计算任务进行聚类，得到按内聚性评分值排序的多个任务簇，从而将资源消耗相似、时延敏感度相似的边缘计算任务归类至同一任务簇中；再对各任务簇依次执行任务分配，优先分配内聚性评分值高的任务簇中的边缘计算任务，从而确保时延敏感度高的边缘计算任务优先执行，有效地进行任务调度，提高了任务执行的实时性和效率。
附图说明
图1为一个实施例中边缘计算任务的处理方法的应用环境图；
图2为一个实施例中边缘计算任务的处理方法的流程示意图；
图3为一个实施例中处理设备对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵的步骤的流程示意图；
图4为一个实施例中处理设备利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇的步骤的流程示意图；
图5为一个实施例中按照所述多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配的步骤的流程示意图；
图6为一个实施例中边缘计算任务的处理装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
由于电网中数据采集、交互和反馈过程中能够产生高达千亿级流数据，用户对数据处理速率和服务质量的要求呈指数级增长，对数据处理的实时性提出了较高的要求。虽然传统的云计算可以提高较好的服务，但其在网络的无线和回程上增加了巨大的额外负载，造成了很高的延迟。有鉴于此，本申请提供一种应用于边缘计算环境中的边缘计算任务的处理方法，利用边缘计算提供更低的延迟和网络抖动，可以满足电网在边缘智能、实时反馈等方面的关键需求。
本申请提供的边缘计算任务的处理方法，可以应用于如图1所示的边缘计算环境中，从而提高边缘计算任务处理的实时性。其中，配变终端110获取边缘计算任务，并通过网络与处理设备130进行通信。处理设备130接收配变终端110发送的边缘计算任务，对边缘计算任务进行处理并执行任务分配，以通将边缘计算任务分配至配变终端110中进行执行，或通过网络将边缘计算任务分配至边缘服务器150进行执行。其中，配变终端110包括但不局限于配变监测终端、智能配变终端等，能够通过设定或定时采集并存储电网运行中的各项数据，从而获取边缘计算任务，并通过无线模块与处理设备进行通信传输。处理设备130包括但不限于基站、网关、智能路由、边缘物联代理设备等。边缘物联代理设备例如为嵌入式网关设备，能够部署于配电网中的输电线路、变电站和配网侧，能够获取配电网中的各类感知数据，具有一定的计算能力，能够对电力物联网等数据进行计算和处理分析，从而实现对低压配电变压器、智能开关等设备、线路运行状态及配变环境进行全面感知和监测。边缘服务器150可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种边缘计算任务的处理方法，以该方法应用于图1中的处理设备130为例进行说明，包括以下步骤：
步骤S201，根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵。
其中，边缘计算任务指的是物联网中因业务需求而产生的数据处理任务。举例而言，对于配电网环境而言，边缘计算任务可以是对配电线路运行过程中产生的数据进行计算以对低压配电变压器、智能开关等设备进行控制的任务。边缘计算任务的时延敏感参数用于表征边缘计算任务对时间延迟的敏感程度，时延敏感程度越高，意味着在处理边缘计算任务时需要更低的时间延迟。计算消耗参数用于表征完成对边缘计算任务的处理所需消耗的计算量。
具体地，处理设备获取多个边缘计算任务，并同时获取各边缘计算任务相应的时延敏感参数和计算消耗参数；处理设备依据各边缘计算任务相应的时延敏感参数和计算消耗参数，通过计算每两个边缘计算任务之间的距离，得到每两个边缘计算任务之间的相似度，并将各边缘计算任务之间的相似度表示为相似度矩阵。其中，每两个边缘计算任务之间的距离包括但不限于欧氏距离、曼哈顿距离、切比雪夫距离、可夫斯基距离等。
在一些实施例中，处理设备计算得到各边缘计算任务之间的相似度矩阵的步骤包括：分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
具体地，处理设备分别计算每两个边缘计算任务的时延敏感参数之间的距离，以及分别计算每两个边缘计算任务的计算消耗参数之间的距离，并遍历全部边缘计算任务，从而得到各边缘计算任务之间的相似度矩阵。本领域技术人员应当理解，上述术语“第一”和“第二”在本申请中用来描述不同参数之间的距离，但是这些距离不应当被这些术语限制。这些术语仅用来将一个距离与另一个距离进行区分。例如，第一距离可以被称作第二距离，并且类似地，第二距离可以被称作第一距离，而不脱离各种所描述的实施例的范围，但是除非上下文以其他方式明确指出，否则它们不是同一个距离。相似的情况还包括第一内聚性评分值和第二内聚性评分值、第一匹配结果和第二匹配结果、第一开销和第二开销等。
举例而言，处理设备获取M个边缘计算任务
Figure BDA0003064922680000071
每一个边缘计算任务的计算消耗参数分别为{J′1,J′2,…,J′m}。假设全部边缘计算任务的时延敏感的程度共分为N类：{1,2,…,n}，则M个边缘计算任务的时延敏感参数分别为{D′1,D′2,…,D′m}，其中Di∈{1,2,…,N}，i∈{T1,T2,…,Tm}。由于时延敏感参数的大小通常不一致，为了便于后续计算，在一些实施例中，还可以对时延敏感参数和计算消耗参数进行归一化，得到归一化后的时延敏感参数
Figure BDA0003064922680000072
和计算消耗参数
Figure BDA0003064922680000073
计算公式分别如公式(1)和公式(2)所示：
Figure BDA0003064922680000074
Figure BDA0003064922680000081
处理设备可利用例如欧氏距离来计算两两任务之间的相似度，得到相似度矩阵
Figure BDA0003064922680000082
计算公式如公式(3)所示：
Figure BDA0003064922680000083
由此，处理设备得到各边缘计算任务之间的相似度矩阵。
步骤S202，对多个边缘计算任务进行拟聚类，得到各边缘计算任务之间的相关度矩阵。
其中，拟聚类指的是对多个边缘计算任务进行聚类，以在聚类过程中或聚类完成后获得与聚类结果相关的参数。由于拟聚类的目的在于获取与聚类结果相关的参数而非获取最后的聚类结果，因此在步骤S202中，将拟聚类与后续步骤S204中的聚类作区分。例如，使用“Ganesh”软件对多个边缘计算任务的聚类分配进行迭代更新，并根据各边缘计算任务在迭代更新过程中的共现情况得到各边缘计算任务之间的共现频率的过程，即可以被称为拟聚类。
具体地，处理设备通过对多个边缘计算任务进行聚类，并在聚类的每次迭代更新过程中获得相应的参数，从而依据中间过程的参数得到每两个边缘计算任务之间的相关度，从而得到各边缘计算任务之间的相关度矩阵。
在一些实施例中，如图3所示，处理设备对多个边缘计算任务进行拟聚类，得到各边缘计算任务之间的相关度矩阵的步骤包括：
步骤S211，对由多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇。
其中，任务空间指的是由多个边缘计算任务分布于其中而形成的矢量空间。具体地，处理设备对该任务空间进行划分，得到多个区域作为初始分区。其中，每个初始分区内包括被划分在内的至少一个边缘计算任务。每个初始分区内具有一个区域中心作为质心，该质心作为拟聚类的初始簇。举例而言，可以利用“Ganesh”软件对每个边缘计算任务的聚类分配进行K次迭代更新，得到K个初始分区。
步骤S212，基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，共聚类矩阵中包含有各边缘计算任务之间的相关度。
具体地，处理设备基于前述划分得到的初始分区和每个初始分区所对应的初始簇，可以得到一个簇分配矩阵C(k)。其中，簇分配矩阵C(k)是一个M*Sk的矩阵，其中M是指边缘计算任务的数量，Sk是指第k次迭代更新的簇的数量。示例性地，簇分配矩阵C(k)可以表示为：
Figure BDA0003064922680000091
根据簇分配矩阵，可以得到共聚类矩阵，共聚类矩阵用于表征两个边缘计算任务的相关性，其矩阵元素为各边缘计算任务之间的相关度。其中，共聚类矩阵A(k)的定义可以由如下公式表示：
Figure BDA0003064922680000092
具体地，处理设备可以利用如下公式计算得到共聚类矩阵A(k)：
A(k)＝C(k)(C(k))T (6)
其中，(C(k))T表示对矩阵C(k)的转置。
步骤S213，重复上述步骤，并对初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵。
具体地，处理设备重复上述步骤S211-S212，每一次迭代更新均得到相应的簇分配矩阵以及相应的共聚类矩阵。当满足迭代结束条件时，处理设备停止重复执行上述步骤S211-S212，并结束迭代。其中，迭代结束条件包括但不局限于：迭代次数达到预设阈值、迭代更新的运行时间达到预设阈值等。迭代结束后，处理设备得到基于K次迭代更新得到的K个共聚类矩阵A(k)。
步骤S214，基于多个共聚类矩阵确定多个边缘计算任务之间的相关度矩阵。
具体地，处理设备可基于K个共聚类矩阵A(k)计算得到相关度矩阵。示例性地，相关度矩阵Am的计算公式如下：
Figure BDA0003064922680000101
其中，K表示迭代更新的总次数。
为了加强各边缘计算任务之间的相关性，在一些实施例中，处理设备还可以对相关度矩阵中的元素值作进一步更新。例如，可以利用阈值对相关度矩阵Am中的各边缘计算任务之间的相关度进行筛选，从而剔除小于阈值的相关度，进而得到相关度矩阵Iij。其中，i和j表示不同的边缘计算任务。
由此，通过对多个边缘计算任务进行拟聚类获得各边缘计算任务之间的相关度，相比仅根据各边缘计算任务之间的相似度来进行计算而言，更加充分地考虑了各边缘计算任务之间的相关性，能够提高后续聚类的结果的准确性。
步骤S203，根据相似度矩阵和相关度矩阵，确定交互作用矩阵；交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数。
具体地，处理设备为了进一步加强各边缘计算任务之间的相互作用，将前述得到的相似度矩阵和相关度矩阵进行结合，从而得到交互作用矩阵。示例性地，交互作用矩阵Iij可以根据公式(3)得到的
Figure BDA0003064922680000102
结合对相关度矩阵Am进行筛选后得到的相关度矩阵Iij，进行更新后得到；例如可以由如下公式计算得到：
Figure BDA0003064922680000103
由此，处理设备得到一个交互作用矩阵，该交互作用矩阵中的每个元素值分别表征了对应的两个边缘计算任务之间的相关系数。
步骤S204，根据交互作用矩阵和多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性。
具体地，处理设备根据所得到的交互作用矩阵，对多个边缘计算任务进行聚类。为了更清楚地表示各边缘计算任务之间的相关性，可以将相互作用矩阵Iij表示为一个任务图网络。任务图网络是由节点和边表示的图，节点表示边缘计算任务，边表示权值，即其所连接的两个边缘计算任务之间的相关系数。
考虑到在聚类时，一个边缘计算任务可能被划分在多个簇的中间，由此影响聚类的结果的准确性。因此，本申请实施例中定义内聚性评分指标来衡量各边缘计算任务构成同一任务簇的可能性，从而能够更准确地对边缘计算任务进行归类。其中，内聚性评分指标(CS)被定义为：
Figure BDA0003064922680000111
其中，CS(S)表示簇S的内聚性评分值，
Figure BDA0003064922680000112
表示簇S中包含的边的总权值，
Figure BDA0003064922680000113
表示任务图网络中除簇S中包含的边以外、与簇S相连接的边的总权值。为了考虑任务图网络中可能隐藏的、未被发现的相互作用，还可以设置惩罚项P|S|。
由此，处理设备通过利用公式(9)计算各任务簇的聚性评分值，从而对任务图网络中的各边缘计算任务进行聚类，得到多个任务簇。示例性地，本申请实施例中采用改进的贪心算法对各边缘计算任务进行聚类。聚类完成后，处理设备对所得到的多个任务簇按照内聚性评分值大小进行排序，从而得到按内聚性评分值排序的多个任务簇。
在一些实施例中，如图4所示，处理设备利用内聚性评分指标对任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇的步骤包括：
步骤S221，在任务图网络中，确定其中一个边缘计算任务作为初始节点，初始节点构成一个任务簇。
步骤S222，对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值。
步骤S223，基于内聚性评分值，确定每个邻居节点分别对应的边缘计算任务相应的任务簇；
步骤S224，从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇。
步骤S225，根据重叠评分指标衡量各任务簇之间的重叠情况，对任务簇进行更新，得到多个更新的任务簇。
步骤S226，将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
具体地，在任务图网络中，处理设备选择其中与其他边缘计算任务相关性最强的边缘计算任务作为初始节点，并从该初始节点开始聚类。其中，相关性最强指的是与之相连接的边所代表的权值最大，即相关系数最大。
处理设备在确定初始节点后，再利用内聚性评分指标进行聚类。由于内聚性评分指标计算的是任务簇的内聚性评分值，而当前初始节点对应的是一个边缘计算任务，因此此时将当前初始节点对应的边缘计算任务作为第一个任务簇。然后再依次计算与该初始节点相连接的每一个邻居节点与第一个任务簇之间的内聚性评分值。
在一些实施例中，处理设备计算邻居节点与初始节点构成的任务簇之间的内聚性评分值的步骤包括：计算当前任务簇包含邻居节点所对应的边缘计算任务的情况下，当前任务簇的第一内聚性评分值；以及，计算当前任务簇排除邻居节点所对应的边缘计算任务的情况下，当前任务簇的第二内聚性评分值。相对应地，基于内聚性评分值，处理设备确定每个邻居节点分别对应的边缘计算任务相应的任务簇的步骤包括：当第一内聚性评分值大于第二内聚性评分值时，将邻居节点所对应的边缘计算任务归类至当前任务簇中；当第一内聚性评分值小于第二内聚性评分值时，继续计算下一个邻居节点与初始节点构成的任务簇之间的内聚性评分值。
具体地，处理设备通过计算邻居节点在不同情况下与初始节点构成的任务簇之间的内聚性评分值，通过比较相应的内聚性评分值的差异，从而判断是否将邻居节点归类至当前任务簇中。一方面，处理设备计算当把邻居节点归类至当前任务簇的情况下，相应的第一内聚性评分值；另一方面，处理设备计算当不把邻居节点归类至当前任务簇的情况下，相应的第二内聚性评分值，即当前任务簇原本对应的内聚性评分值。处理设备通过比较第一内聚性评分值和第二内聚性评分值的大小，选择较大的内聚性评分值所对应的情况，并相应地确定是否将邻居节点归类至当前任务簇中。当处理设备将邻居节点归类至当前任务簇中时，当前任务簇的范围扩大至包括邻居节点和初始节点；当初始节点的邻居节点不足以被归类至当前任务簇中时，则继续计算下一个邻居节点与初始节点构成的任务簇之间的内聚性评分值。直至该初始节点的邻居节点均完成计算并分别完成归类的步骤后，将当前任务簇作为一个归类完成的任务簇。然后，处理设备从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并重复上述步骤，以开始新的轮次的计算，直至所有边缘计算任务均完成归类，得到多个任务簇。
举例而言，处理设备从初始节点s0构成的第一个任务簇S0开始聚类，此时记步长t＝0，并计算S0的内聚性评分值CS(S0)，并令St+1＝St，即令S1＝S0。此时，对于与初始节点相连接的邻居节点s，一方面，计算将邻居节点s归类至任务簇S0的情况下的内聚性评分值。如果计算得到的内聚性评分值大于原任务簇的内聚性评分值，则将邻居节点s归类至该任务簇S0中。同时，另一方面，计算任务簇S0排除邻居节点s之后的任务簇的内聚性评分值。如果计算得到的内聚性评分值大于原任务簇的内聚性评分值，则将原任务簇作为一个归类完成的任务簇。
示例性地，基于改进的贪心算法的聚类过程可以描述为如下步骤：
第一步，计算St的内聚性评分值CS(St)，并且令St+1＝St；
第二步，计算当前任务簇包含邻居节点所对应的边缘计算任务的情况下的内聚性值评分CS(St∪{s})。如果CS(St∪{s})>CS(St+1)，取St+1＝St∪{s}；
第三步，计算当前任务簇排除邻居节点所对应的边缘计算任务的情况下的内聚性评分CS(St\{s})。如果CS(St\{s})>CS(St+1)，取St+1＝St\{s}；
第四步，如果St≠St+1，则令t＝t+1，并返回第一步继续执行，依此类推；否则，将St视作一个局部最优的任务簇。由此，得到一个聚类完成的任务簇。
需要说明的是，本实施例中对于第二步与第三步之间的顺序并未作规定，在一些实施例中也可以先执行第三步中的步骤而后执行第二步中的步骤，或者在计算能力满足的情况下同时计算第二步和第三步。
当得到一个聚类完成的任务簇后，处理设备从未划分到任务簇的多个边缘计算任务中，选中其中相关性最强的边缘计算任务作为下一次归类所对应的初始节点，并返回前述步骤S222的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇后，停止聚类。此时，处理设备得到了多个局部最优的任务簇。
考虑到有可能存在一个边缘计算任务被归类至两个甚至多个任务簇中、或者一个边缘计算任务被划分在两个任务簇中间的情况，为了避免此种情况所带来的聚类结果不准确的问题，本申请实施例中还定义了重叠评分指标，该重叠评分指标用于衡量各任务簇之间的重叠情况，从而供处理设备依据重叠情况对任务簇进行更新，避免两个任务簇中包含有同一个边缘计算任务。
示例性地，重叠评分指标ω被定义为：
Figure BDA0003064922680000141
其中，ω(S1，S2)表示任务簇S1和任务簇S2之间的重叠情况。如果ω(S1,S2)＝0，则说明任务簇S1和任务簇S2彼此相互独立，不存在相同的边缘计算任务，此时可以将任务簇S1和任务簇S2称为“独立簇”。如果ω(S1,S2)<ω0(ω0为预设阈值)，则说明任务簇S1和任务簇S2存在少量相同的边缘计算任务，此时可以称任务簇S1和任务簇S2为两个“依赖簇”。如果ω(S1,S2)>ω0，则说明任务簇S1和任务簇S2存在较多相同的边缘计算任务，此时可以称任务簇S1和任务簇S2为“合并簇”，并且需要将任务簇S1和任务簇S2合并为一个任务簇。由此，处理设备分别计算每两个任务簇之间的重叠评分指标，并根据其重叠评分指标对聚类得到的多个任务簇进行进一步地更新，从而使得边缘计算任务的聚类结果更加准确。
然后，处理设备将合并后的多个任务簇，按照其各自的内聚性评分值进行排序，从而得到按照内聚性评分值的大小排序的多个任务簇。例如，可以按照各任务簇的内聚性评分值从大到小依次排列。为了进一步确保一个边缘计算任务只存在于一个任务簇中，处理设备还依次遍历各任务簇中的边缘计算任务，并对被归类于多个任务簇中的边缘计算任务进行重归类。示例性地，对于一个边缘计算任务，若其除了当前被归类的任务簇以外，还被归类至另一个内聚性评分值更高的任务簇中，则将该边缘计算任务重新归类至该内聚性评分值更高的任务簇中，并将其从当前被归类的任务簇中删除。由此，处理设备得到多个按照内聚性评分值排序的、且不存在重复归类的边缘计算任务的任务簇。
由此，通过处理设备依据改进的贪心算法进行聚类，并将首次定义的内聚性评分指标作为聚类过程中的归类依据，以及结合首次定义的重叠评分指标对聚类结果作进一步的更新，充分考虑了各边缘计算任务之间的相互作用，并避免了统一边缘计算任务被重复归类的情况，聚类结果更加准确。
步骤S205，按照多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个任务簇中的边缘计算任务分配至目标设备进行执行。其中，目标设备包括边缘服务器和配变终端。
具体地，处理设备依据前述实施例的步骤，得到按照内聚性评分值排序的多个任务簇，并依照该多各任务簇的顺序，依次对各任务簇中的边缘计算任务执行任务分配，从而确定将相应的边缘计算任务分配至边缘服务器中执行、或是分配至配变终端中执行。
考虑到边缘计算服务器的计算能力强于配变终端的计算能力，将边缘计算任务发送到边缘计算服务器中执行是理想的任务调度方式。然而实际场景中，复杂的物联网会产生大量的边缘计算任务，为了尽可能满足边缘计算任务的时延敏感需求，尽可能确保边缘计算任务执行的实时性，因此，处理设备根据由不同目标设备进行处理的开销，确定是否将边缘计算任务分配至边缘服务器进行执行。因此，在一些实施例中，如图5所示，处理设备按照多个任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配的步骤包括：
步骤S231，按照任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销；
具体地，处理设备按照任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由不同的目标设备进行处理的情况下相应的开销。考虑到传输过程中存在的时延和边缘服务器的占用情况，可以依据由边缘服务器处理的情况下相应的总时延，计算得到相应的第一开销。示例性地，处理设备可根据如下公式对各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的总时延：
Figure BDA0003064922680000161
其中，HEi是指边缘计算任务在边缘服务器处理的总时延，Dti指传输时延，Bti表示由于网络资源不够而导致的等待时延，tei表示在边缘计算服务器上的任务处理时延，Peij指任务簇Ti在边缘计算服务器j的排队等待时延，r表示边缘计算服务器的个数。其中，bij指任务簇Si是否分配给边缘计算服务器，bij可以表示为：
Figure BDA0003064922680000162
由于边缘计算任务在传输时的最低传输速率，需要大于当前实际可分配的传输速率，因此，bij需要满足如下关于传输速率的限制条件：
Figure BDA0003064922680000163
其中，hi为上、下行的传输速率，ΔH为当前可分配的最大传输速率。
由此，依据边缘计算任务在边缘服务器处理的总时延，在边缘服务器处理的所有任务的总开销(即第一开销)v(t)可以被计算为：
Figure BDA0003064922680000164
其中，K表示可供分配的配变终端的个数，stc指当边缘服务器处于满负载计算情况下单位时间内运算的开销。
同时，处理设备可利用如下公式计算各边缘计算任务由配变终端处理的情况下相应的第二开销u(t)：
Figure BDA0003064922680000165
其中，zzi指边缘计算任务Ti需要的计算总资源，hme指该边缘计算任务在配变终端执行计算处理时的计算速率，sec指当配变终端处于负载计算情况下单位时间内运算的开销。
由此，处理设备计算得到了各任务簇中各边缘计算任务分别由不同的目标设备进行计算处理情况下相应的开销。
步骤S232，根据第一开销和第二开销的大小，获得任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果。
具体地，处理设备根据边缘计算任务由边缘服务器执行情况下的第一开销，和边缘计算任务由配变终端执行情况下的第二开销，通过比较第一开销和第二开销的大小，确定较小开销所对应的分配方式作为决策结果，从而尽可能减少执行任务的开销。
示例性地，依据上述公式(11)～(15)，对于边缘计算任务分配的决策结果可以转化为如下优化问题：
Min{u(t)+v(t)}
Figure BDA0003064922680000171
处理设备可以通过对上述优化问题求解，从而获得最终的决策结果。
步骤S233，基于进行执行，将多个任务簇中的边缘计算任务分配至边缘服务器或配变终端进行执行。
具体地，处理设备基于较小开销所对应的分配方式，依次分别将各任务簇中的边缘计算任务分配至边缘服务器或配变终端进行执行。示例性地，当由边缘服务器执行情况下的第一开销小于由配变终端执行情况下的第二开销时，处理设备确定将边缘计算任务分配至边缘服务器进行执行的决策结果，并依据该决策结果，将边缘计算任务分配至边缘服务器进行执行。或者，当由边缘服务器执行情况下的第一开销大于由配变终端执行情况下的第二开销时，处理设备确定将边缘计算任务分配至配变终端进行执行的决策结果，并依据该决策结果，将边缘计算任务分配至配变终端进行执行。
上述边缘计算任务的处理方法，通过计算多个边缘计算任务之间的相似度矩阵和相关度矩阵，确定表征了各边缘计算任务之间相互作用的交互作用矩阵，并根据交互作用矩阵所表示的任务图网络，利用首次定义的内聚性评分指标对多个边缘计算任务进行聚类，得到按内聚性评分值排序的多个任务簇，从而将资源消耗相似、时延敏感度相似的边缘计算任务归类至同一任务簇中；再对各任务簇依次执行任务分配，优先分配内聚性评分值高的任务簇中的边缘计算任务，从而确保时延敏感度高的边缘计算任务优先执行，有效地进行任务调度，提高了任务执行的实时性和效率。相较于直接将边缘计算任务全部分配至边缘计算服务器中的调度方式，将部分边缘计算任务分配至边缘服务器中进行计算处理，并同时保留一部分边缘计算任务在配变终端中进行计算处理，这样的调度方式能够显著降低边缘服务器的负载，从而可以减少任务处理的总体处理时延。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种边缘计算任务的处理装置300，包括计算模块310和处理模块320。其中：
计算模块310用于根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵。
计算模块310还用于对多个边缘计算任务进行拟聚类，得到各边缘计算任务之间的相关度矩阵。
计算模块310还用于根据相似度矩阵和相关度矩阵，确定交互作用矩阵；交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数。
处理模块320用于根据交互作用矩阵和多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性。
处理模块320还用于按照任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个任务簇中的边缘计算任务分配至目标设备进行执行。
在一些实施例中，计算模块310还用于分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
在一些实施例中，计算模块310还用于对由多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇；基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，共聚类矩阵中包含有各边缘计算任务之间的相关度；重复上述步骤，并对初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵；基于多个共聚类矩阵确定多个边缘计算任务之间的相关度矩阵。
在一些实施例中，处理模块320还用于在任务图网络中，确定其中一个边缘计算任务作为初始节点，初始节点构成一个任务簇；对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值；基于内聚性评分值，确定每个邻居节点分别对应的边缘计算任务相应的任务簇；从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇；根据重叠评分指标衡量各任务簇之间的重叠情况，对任务簇进行更新，得到多个更新的任务簇；将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
在一些实施例中，处理模块320还用于计算当前任务簇包含邻居节点所对应的边缘计算任务的情况下，当前任务簇的第一内聚性评分值；计算当前任务簇排除邻居节点所对应的边缘计算任务的情况下，当前任务簇的第二内聚性评分值。相应地，在一些实施例中，处理模块320还用于当第一内聚性评分值大于第二内聚性评分值时，将邻居节点所对应的边缘计算任务归类至当前任务簇中；当第一内聚性评分值小于第二内聚性评分值时，继续计算下一个邻居节点与初始节点构成的任务簇之间的内聚性评分值。
在一些实施例中，分配模块330还用于按照任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销；根据第一开销和第二开销的大小，获得任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果；基于决策结果，将多个任务簇中的边缘计算任务分配至边缘服务器或配变终端进行执行。
关于边缘计算任务的处理装置的具体限定可以参见上文中对于边缘计算任务的处理方法的限定，在此不再赘述。上述边缘计算任务的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
上述边缘计算任务的处理装置，通过计算多个边缘计算任务之间的相似度矩阵和相关度矩阵，确定表征了各边缘计算任务之间相互作用的交互作用矩阵，并根据交互作用矩阵所表示的任务图网络，利用首次定义的内聚性评分指标对多个边缘计算任务进行聚类，得到按内聚性评分值排序的多个任务簇，从而将资源消耗相似、时延敏感度相似的边缘计算任务归类至同一任务簇中；再对各任务簇依次执行任务分配，优先分配内聚性评分值高的任务簇中的边缘计算任务，从而确保时延敏感度高的边缘计算任务优先执行，有效地进行任务调度，提高了任务执行的实时性和效率。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是前述实施例中的处理设备，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的配变终端通过网络连接通信。该计算机程序被处理器执行时以实现一种边缘计算任务的处理方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
上述计算机设备，通过计算多个边缘计算任务之间的相似度矩阵和相关度矩阵，确定表征了各边缘计算任务之间相互作用的交互作用矩阵，并根据交互作用矩阵所表示的任务图网络，利用首次定义的内聚性评分指标对多个边缘计算任务进行聚类，得到按内聚性评分值排序的多个任务簇，从而将资源消耗相似、时延敏感度相似的边缘计算任务归类至同一任务簇中；再对各任务簇依次执行任务分配，优先分配内聚性评分值高的任务簇中的边缘计算任务，从而确保时延敏感度高的边缘计算任务优先执行，有效地进行任务调度，提高了任务执行的实时性和效率。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；对多个边缘计算任务进行拟聚类，得到各边缘计算任务之间的相关度矩阵；根据相似度矩阵和相关度矩阵，确定交互作用矩阵；交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；根据交互作用矩阵和多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；按照任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个任务簇中的边缘计算任务分配至目标设备进行执行。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对由多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇；基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，共聚类矩阵中包含有各边缘计算任务之间的相关度；重复上述步骤，并对初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵；基于多个共聚类矩阵确定多个边缘计算任务之间的相关度矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在任务图网络中，确定其中一个边缘计算任务作为初始节点，初始节点构成一个任务簇；对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值；基于内聚性评分值，确定每个邻居节点分别对应的边缘计算任务相应的任务簇；从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇；根据重叠评分指标衡量各任务簇之间的重叠情况，对任务簇进行更新，得到多个更新的任务簇；将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算当前任务簇包含邻居节点所对应的边缘计算任务的情况下，当前任务簇的第一内聚性评分值；计算当前任务簇排除邻居节点所对应的边缘计算任务的情况下，当前任务簇的第二内聚性评分值；基于内聚性评分值，确定每个邻居节点分别对应的边缘计算任务相应的任务簇，包括：当第一内聚性评分值大于第二内聚性评分值时，将邻居节点所对应的边缘计算任务归类至当前任务簇中；当第一内聚性评分值小于第二内聚性评分值时，继续计算下一个邻居节点与初始节点构成的任务簇之间的内聚性评分值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：按照任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销；根据第一开销和第二开销的大小，获得任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果；基于决策结果，将多个任务簇中的边缘计算任务分配至边缘服务器或配变终端进行执行。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；对多个边缘计算任务进行拟聚类，得到各边缘计算任务之间的相关度矩阵；根据相似度矩阵和相关度矩阵，确定交互作用矩阵；交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；根据交互作用矩阵和多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；按照任务簇的排序顺序，依次对相应顺序的任务簇中的边缘计算任务进行任务分配，以将多个任务簇中的边缘计算任务分配至目标设备进行执行。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对由多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇；基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，共聚类矩阵中包含有各边缘计算任务之间的相关度；重复上述步骤，并对初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵；基于多个共聚类矩阵确定多个边缘计算任务之间的相关度矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在任务图网络中，确定其中一个边缘计算任务作为初始节点，初始节点构成一个任务簇；对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值；基于内聚性评分值，确定每个邻居节点分别对应的边缘计算任务相应的任务簇；从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回对于与初始节点相连接的每个邻居节点，分别计算邻居节点与初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇；根据重叠评分指标衡量各任务簇之间的重叠情况，对任务簇进行更新，得到多个更新的任务簇；将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算当前任务簇包含邻居节点所对应的边缘计算任务的情况下，当前任务簇的第一内聚性评分值；计算当前任务簇排除邻居节点所对应的边缘计算任务的情况下，当前任务簇的第二内聚性评分值；基于内聚性评分值，确定每个邻居节点分别对应的边缘计算任务相应的任务簇，包括：当第一内聚性评分值大于第二内聚性评分值时，将邻居节点所对应的边缘计算任务归类至当前任务簇中；当第一内聚性评分值小于第二内聚性评分值时，继续计算下一个邻居节点与初始节点构成的任务簇之间的内聚性评分值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：按照任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销；根据第一开销和第二开销的大小，获得任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果；基于决策结果，将多个任务簇中的边缘计算任务分配至边缘服务器或配变终端进行执行。
上述计算机可读存储介质，通过计算多个边缘计算任务之间的相似度矩阵和相关度矩阵，确定表征了各边缘计算任务之间相互作用的交互作用矩阵，并根据交互作用矩阵所表示的任务图网络，利用首次定义的内聚性评分指标对多个边缘计算任务进行聚类，得到按内聚性评分值排序的多个任务簇，从而将资源消耗相似、时延敏感度相似的边缘计算任务归类至同一任务簇中；再对各任务簇依次执行任务分配，优先分配内聚性评分值高的任务簇中的边缘计算任务，从而确保时延敏感度高的边缘计算任务优先执行，有效地进行任务调度，提高了任务执行的实时性和效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种边缘计算任务的处理方法，其特征在于，所述方法包括：
根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；
对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵；其中，拟聚类是对多个边缘计算任务的聚类分配进行迭代更新，并根据各边缘计算任务在迭代更新过程中的共现情况得到各边缘计算任务之间的共现频率的过程；
根据所述相似度矩阵和相关度矩阵，确定交互作用矩阵；所述交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；
根据所述交互作用矩阵和所述多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，所述内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；
依次遍历各任务簇中的边缘计算任务，并基于重叠评分指标，对所述多个任务簇进行更新；其中，所述重叠评分指标用于衡量各任务簇之间的重叠情况；
按照更新后的多个任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销，根据第一开销和第二开销的大小，获得任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果，基于所述决策结果将多个任务簇中的边缘计算任务分配至边缘服务器或配变终端执行。
2.根据权利要求1所述的方法，其特征在于，所述根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵，包括：
分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；
根据所述第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
3.根据权利要求1所述的方法，其特征在于，所述对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵，包括：
对由所述多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇；
基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对所述簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，所述共聚类矩阵中包含有各边缘计算任务之间的相关度；
重复上述步骤，并对所述初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵；
基于所述多个共聚类矩阵确定所述多个边缘计算任务之间的相关度矩阵。
4.根据权利要求1所述的方法，其特征在于，所述利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇，包括：
在所述任务图网络中，确定其中一个边缘计算任务作为初始节点，所述初始节点构成一个任务簇；
对于与所述初始节点相连接的每个邻居节点，分别计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值；
基于所述内聚性评分值，确定每个所述邻居节点分别对应的边缘计算任务相应的任务簇；
从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回所述对于与所述初始节点相连接的每个邻居节点，分别计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇；
根据重叠评分指标衡量各任务簇之间的重叠情况，对所述任务簇进行更新，得到多个更新的任务簇；
将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
5.根据权利要求4所述的方法，其特征在于，所述计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值，包括：
计算当前任务簇包含所述邻居节点所对应的边缘计算任务的情况下，所述当前任务簇的第一内聚性评分值；
计算所述当前任务簇排除所述邻居节点所对应的边缘计算任务的情况下，所述当前任务簇的第二内聚性评分值；
所述基于所述内聚性评分值，确定每个所述邻居节点分别对应的边缘计算任务相应的任务簇，包括：
当所述第一内聚性评分值大于所述第二内聚性评分值时，将所述邻居节点所对应的边缘计算任务归类至所述当前任务簇中；
当所述第一内聚性评分值小于所述第二内聚性评分值时，继续计算下一个邻居节点与所述初始节点构成的任务簇之间的内聚性评分值。
6.一种边缘计算任务的处理装置，其特征在于，所述装置包括：
计算模块，用于根据多个边缘计算任务的时延敏感参数和计算消耗参数，计算得到各边缘计算任务之间的相似度矩阵；
所述计算模块，还用于对所述多个边缘计算任务进行拟聚类，得到所述各边缘计算任务之间的相关度矩阵；其中，拟聚类是对多个边缘计算任务的聚类分配进行迭代更新，并根据各边缘计算任务在迭代更新过程中的共现情况得到各边缘计算任务之间的共现频率的过程；
所述计算模块，还用于根据所述相似度矩阵和相关度矩阵，确定交互作用矩阵；所述交互作用矩阵中的每个元素分别表征每两个边缘计算任务间的相关系数；
处理模块，用于根据所述交互作用矩阵和所述多个边缘计算任务，构建任务图网络，并利用内聚性评分指标对所述任务图网络进行聚类，得到按内聚性评分值排序的多个任务簇；其中，所述内聚性评分指标用于衡量各边缘计算任务构成同一任务簇的可能性；依次遍历各任务簇中的边缘计算任务，并基于重叠评分指标，对所述多个任务簇进行更新；其中，所述重叠评分指标用于衡量各任务簇之间的重叠情况；
所述处理模块，还用于按照更新后的多个任务簇的排序顺序，依次计算各任务簇中各边缘计算任务由边缘服务器处理的情况下相应的第一开销、以及各边缘计算任务由配变终端处理的情况下相应的第二开销，根据第一开销和第二开销的大小，获得任务簇中的边缘计算任务分配至边缘服务器或配变终端执行处理的决策结果，基于所述决策结果将多个任务簇中的边缘计算任务分配至边缘服务器或配变终端执行。
7.根据权利要求6所述的装置，其特征在于，所述计算模块还用于分别计算每两个边缘计算任务的时延敏感参数之间的第一距离，以及，分别计算每两个边缘计算任务的计算消耗参数之间的第二距离；根据所述第一距离与第二距离的差异，得到各边缘计算任务之间的相似度矩阵。
8.根据权利要求6所述的装置，其特征在于，所述计算模块还用于对由所述多个边缘计算任务构成的任务空间进行划分，得到多个初始分区；每个初始分区中包括有初始划分至相应分区的边缘计算任务；其中，每个初始分区对应一个初始簇；基于每个初始分区所对应的初始簇，构建对应的簇分配矩阵，并对所述簇分配矩阵进行矩阵变换，得到共聚类矩阵；其中，所述共聚类矩阵中包含有各边缘计算任务之间的相关度；重复上述步骤，并对所述初始簇进行多次迭代更新，直至满足迭代结束条件，并在迭代结束后获得基于历次迭代所得到的多个共聚类矩阵；基于所述多个共聚类矩阵确定所述多个边缘计算任务之间的相关度矩阵。
9.根据权利要求6所述的装置，其特征在于，所述处理模块还用于在所述任务图网络中，确定其中一个边缘计算任务作为初始节点，所述初始节点构成一个任务簇；对于与所述初始节点相连接的每个邻居节点，分别计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值；基于所述内聚性评分值，确定每个所述邻居节点分别对应的边缘计算任务相应的任务簇；从未划分到任务簇的边缘计算任务中选中其中一个作为下一次归类所对应的初始节点，并返回所述对于与所述初始节点相连接的每个邻居节点，分别计算所述邻居节点与所述初始节点构成的任务簇之间的内聚性评分值的步骤继续执行，直至将每个边缘计算任务均划分至对应的任务簇；根据重叠评分指标衡量各任务簇之间的重叠情况，对所述任务簇进行更新，得到多个更新的任务簇；将更新后的多个任务簇按照内聚性评分值进行排序，并对被重复归类至多个任务簇的边缘计算任务进行重归类，得到按内聚性评分值排序的多个任务簇。
10.根据权利要求9所述的装置，其特征在于，所述处理模块还用于计算当前任务簇包含所述邻居节点所对应的边缘计算任务的情况下，所述当前任务簇的第一内聚性评分值；计算所述当前任务簇排除所述邻居节点所对应的边缘计算任务的情况下，所述当前任务簇的第二内聚性评分值；
相应地，所述处理模块还用于当所述第一内聚性评分值大于所述第二内聚性评分值时，将所述邻居节点所对应的边缘计算任务归类至所述当前任务簇中；当所述第一内聚性评分值小于所述第二内聚性评分值时，继续计算下一个邻居节点与所述初始节点构成的任务簇之间的内聚性评分值。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202110523563.9A 2021-05-13 2021-05-13 边缘计算任务的处理方法、装置和计算机设备 Active CN113282409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110523563.9A CN113282409B (zh) 2021-05-13 2021-05-13 边缘计算任务的处理方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110523563.9A CN113282409B (zh) 2021-05-13 2021-05-13 边缘计算任务的处理方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN113282409A CN113282409A (zh) 2021-08-20
CN113282409B true CN113282409B (zh) 2023-03-28

Family

ID=77278808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110523563.9A Active CN113282409B (zh) 2021-05-13 2021-05-13 边缘计算任务的处理方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113282409B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899971B (zh) * 2021-09-30 2023-11-14 广东电网有限责任公司广州供电局 基于密度相似稀疏聚类的变压器异常工况判别方法
CN114389642B (zh) * 2021-12-08 2023-10-10 广东电网有限责任公司 一种基于边缘物联代理的配网通信方法及系统
CN117061449B (zh) * 2023-10-11 2024-01-30 广东百德朗科技有限公司 一种边缘网关的数据分批传输方法、装置、设备及介质
CN117649175B (zh) * 2024-01-26 2024-03-29 江苏中创供应链服务有限公司 一种基于边缘计算的跨境仓配服务方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200249998A1 (en) * 2019-02-01 2020-08-06 Alibaba Group Holding Limited Scheduling computation graph heterogeneous computer system
CN111679904B (zh) * 2020-03-27 2023-10-31 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
CN111552564A (zh) * 2020-04-23 2020-08-18 中南大学 基于边缘缓存的任务卸载与资源优化的方法
CN111626354B (zh) * 2020-05-27 2023-09-15 多伦科技股份有限公司 应用于车联网中的基于任务依赖性的聚类方法

Also Published As

Publication number Publication date
CN113282409A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113282409B (zh) 边缘计算任务的处理方法、装置和计算机设备
CN109167835B (zh) 一种基于kubernetes的物理资源调度方法及系统
US7752628B2 (en) Method and apparatus for reassigning objects to processing units
CN109684083A (zh) 一种面向边缘-云异构下的多级事务调度分配策略
CN111258767A (zh) 复杂系统仿真应用的云计算资源智能分配方法与装置
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN110162379B (zh) 虚拟机迁移方法、装置和计算机设备
CN114611675A (zh) 数据处理方法、装置、电子装置和存储介质
CN108989092A (zh) 一种无线网络预测方法、电子设备及存储介质
CN106502790A (zh) 一种基于数据分布的任务分配优化方法
CN115904737A (zh) 一种算力网络计算资源优化调度方法及随动控制装置
CN113300861B (zh) 网络切片配置方法、装置以及存储介质
CN113642730A (zh) 卷积网络剪枝方法和装置、电子设备
US7664858B2 (en) Method for balancing load between processors in a multi-processor environment
CN112181659A (zh) 云仿真内存资源预测模型构建方法与内存资源预测方法
CN110688993A (zh) 一种基于Spark作业的计算资源确定方法及装置
CN107155215B (zh) 一种应用归属服务集群的分配方法和装置
CN113158435B (zh) 基于集成学习的复杂系统仿真运行时间预测方法与设备
CN111324429A (zh) 一种基于多代血统参考距离的微服务组合调度方法
EP1524599A1 (en) A method of reassigning objects to processing units
Wang et al. Multi-granularity decomposition for componentized multimedia applications based on graph clustering
CN115629883A (zh) 资源预测方法、装置、计算机设备及存储介质
CN115221955A (zh) 基于样本差异分析的多深度神经网络参数融合系统及方法
CN114035906A (zh) 虚拟机迁移方法、装置、电子设备及存储介质
CN112948087A (zh) 一种基于拓扑排序的任务调度方法及系统

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