CN113301151A - 基于云边协同的低时延容器化任务部署方法及设备 - Google Patents
基于云边协同的低时延容器化任务部署方法及设备 Download PDFInfo
- Publication number
- CN113301151A CN113301151A CN202110563102.4A CN202110563102A CN113301151A CN 113301151 A CN113301151 A CN 113301151A CN 202110563102 A CN202110563102 A CN 202110563102A CN 113301151 A CN113301151 A CN 113301151A
- Authority
- CN
- China
- Prior art keywords
- task
- containerized
- deployment
- containerization
- delay
- 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 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 4
- ZXQYGBMAQZUVMI-QQDHXZELSA-N [cyano-(3-phenoxyphenyl)methyl] (1r,3r)-3-[(z)-2-chloro-3,3,3-trifluoroprop-1-enyl]-2,2-dimethylcyclopropane-1-carboxylate Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)OC(C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-QQDHXZELSA-N 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000002040 relaxant effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种基于云边协同的低时延容器化任务部署方法及设备，所述方法包括：建立云边协同场景下的容器化任务部署模型，表示出移动终端到边缘节点以及云数据中心的带宽以及容器镜像层部署代价，其中对容器化任务的响应时延进行形式化分析，具体包括任务传输时延、容器镜像部署时延以及任务执行时延，建立响应时延最小化的优化问题；将上述优化问题松弛为线性规划问题，使用基于随机取整技术设计的容器部署算法完成容器化任务的部署。本发明基于云边协同场景并行处理容器化任务，进而达到优化容器化任务响应时延的目的。
Description
技术领域
本发明涉及分布式计算和任务调度领域，具体涉及一种低时延的容器化任务部署方法和设备。
背景技术
随着万物互联时代的到来，越来越多的终端设备接入网络以处理广泛产生的终端数据，然而算力与能耗受限的终端设备无法独立处理资源密集型的数据分析任务，这使得采用云边协同的任务部署架构成为解决终端设备资源瓶颈的主要方式。快速发展的开源数据处理框架、工具包和硬件生态系统使得数据分析应用堆栈具有高度复杂性。为了获得一致且可移植的应用运行环境，用户通常使用容器虚拟化技术将应用代码、数据处理框架以及各种依赖项封装于自包含的容器镜像中，因而容器虚拟化体系结构逐渐成为数据分析应用部署的主要方式。
传统的云边协同容器化任务部署方案依据资源容量或资源公平性调度策略，将容器化任务调度到满足资源约束的边缘或云数据中心服务器节点以实现调度目标。这种资源约束调度策略可确保任务的资源需求，但对于具有复杂镜像层依赖关系的容器化任务，存在以下两个问题：1)广域网带宽极其受限，不考虑镜像部署成本将导致边缘服务器节点在部署镜像时存在显著的拉取时延。2)即使在高速互联的云数据中心内部，由于容器镜像存在复杂的镜像层依赖关系，云数据中心服务器节点从镜像注册表中检索本地缺失的镜像层时存在串行解压过程，这极大受限于单核CPU频率进而导致显著的解压时延。
因此，亟需一种低时延的容器化任务部署方案。
发明内容
本发明实例目的在于提供一种低时延的容器化任务部署方法及设备，实现在云边协同环境下对具有复杂镜像层依赖关系的资源密集型容器化任务的响应时延进行优化，提高容器化任务的部署效率与执行性能。
为了实现上述发明目的，第一方面，本发明提供一种高效的容器化任务部署方法，所述方法包括：
基于容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的传输时延、部署时延和执行时延，建立以最小化总时延为目标的云边协同容器化任务部署模型；
对所述云边协同容器化任务部署模型进行求解，得到任务部署方案。
于本发明的第一方面的一些实施例中，容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的传输时延的计算方法如下：
基于边缘服务器节点ie与所有终端设备的回程网络带宽
以及容器化任务s的输入数据量大小Ds，计算出容器化任务s传输至边缘服务器节点ie的传输时延
基于云数据中心服务器节点ie与所有终端设备的回程网络带宽
以及所述Ds计算出容器化任务s传输至云数据中心服务器节点ic的传输时延
于本发明的第一方面的一些实施例中，容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的部署时延的计算方法如下：
基于容器化任务s包含的容器镜像层集合Is、边缘服务器节点ie已缓存的镜像层集合
以及镜像层j在边缘服务器节点ie的部署时延
计算出容器化任务s部署到边缘服务器节点ie的部署时延
基于所述Is、云数据中心服务器节点ic已缓存的镜像层集合
以及镜像层j在云数据中心服务器节点ic的部署时延
计算出容器化任务s部署到云数据中心服务器节点ic的部署时延
于本发明的第一方面的一些实施例中，容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的执行时延的计算方法如下：
基于容器化任务s对计算资源的需求Rs、边缘服务器节点ie单位时间的算力容量
计算出容器化任务s部署到边缘服务器节点ie的执行时延
基于所述Rs和云数据中心服务器节点ic单位时间的算力容量
计算出容器化任务s部署到云数据中心服务器节点ic的执行时延
于本发明的第一方面的一些实施例中，所述云边协同容器化任务部署模型的优化目标表示为：
约束条件包括：
其中二进制变量βs,v表示容器化任务s是否放置在服务器节点v上，v代表边缘服务器节点ie和云数据中心节点ic二者中的一个，βs,v＝1表示将容器化任务s部署到节点v，βs,v＝0表示容器化任务s未被部署到节点v；S表示容器化任务集合，V代表边缘服务器集合与云数据中心服务器集合的并集；Ps,v表示服务器节点v的处理时延，是传输时延、部署时延和执行时延的总和；约束条件C1和C2保证每个容器化任务只被调度到一个服务器节点。
于本发明的第一方面的一些实施例中，对所述云边协同容器化任务部署模型进行求解包括：
将原始优化问题P1通过线性规划松弛技术转化为线性规划问题P2：
约束条件包括：
其中δs,v为二进制变量βs,v松弛后的分数变量，取值范围为(0,1]的概率空间；
利用线性规划算法对问题P2进行求解，进而得到δs,v的分数解。
于本发明的第一方面的一些实施例中，使用基于随机取整技术设计的线性规划算法完成容器化任务的部署。
第二方面，本发明提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个计算机程序，所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述一个或多个计算机程序被所述一个或多个处理器执行时实现如本发明第一方面所述的容器化任务部署方法的步骤。
本发明综合考虑云边协同环境下容器编排系统在进行任务部署时对资源、效率和性能的需求，将容器化任务生命周期分为三部分：容器化任务传输到边缘服务器或云数据中心的数据传输过程、容器镜像部署过程，以及容器化任务执行过程，通过分别获取容器化任务的传输时延、部署时延和执行时延，提出一种以降低容器化任务响应时延为目标的部署模型，实现在云边协同环境下对具有膨胀容器镜像、易并行化、资源密集型容器化任务的响应时延进行优化，提高容器化任务的部署效率与执行性能。
附图说明
图1是本发明实例提供的云边协同环境下容器化任务部署过程的示意图；
图2是本发明实例提供的云边协同环境下的低时延容器化任务部署方法流程图；
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明，但应当理解，以下具体实施例的描述仅是为了使本领域技术人员更清楚地理解技术方案，而不是对本发明的限定。
图1示出了实施例提供的云边协同场景下容器化任务部署模型，该系统模型包括移动终端、基站、边缘服务器和云数据中心服务器，其中边缘服务器也称为边缘计算服务器。所述“云”指的是云数据中心服务器，所述“边”包括基站、移动终端以及边缘计算服务器，移动终端通过无线网络与基站相连，基站通过广域网或专线与云数据中心服务器和边缘计算服务器相连。容器化任务一般为具有复杂镜像层依赖关系的计算密集型任务，如容器化机器学习任务。容器化任务从移动终端上传到基站，经过容器编排系统决策后被部署到边缘服务器节点或者云数据中心服务器节点，容器化任务部署过程可简化为：移动终端将产生的任务发送到附近的基站，基站根据容器化任务调度策略对任务进行调度，在确定了具体的任务部署方案后，服务器节点从容器镜像注册表中拉取并解压本地缺失的镜像层，再从完整的容器镜像实例化容器以运行容器应用代码。
为了降低容器化任务响应时延，云边协同环境下容器编排系统在考虑应用资源需求的同时还需要考虑容器镜像的部署时延。考虑到数据分析任务复杂的镜像层依赖关系，基于细粒度容器镜像层亲和性的部署策略可显著降低从镜像注册表中检索的镜像层数据量，进而提高容器部署效率。此外，计算密集型容器化任务可有效利用容器虚拟化技术的动态资源分配机制，通过利用潜在的空闲资源来提高应用执行性能。
因此，联合优化容器化应用的部署效率与执行性能是最优化容器化任务响应时延的关键。以容器化机器学习任务为例，封装了机器学习框架、GPU加速库、硬件加速库的机器学习容器镜像即使在高速网络带宽下也具有较大的部署时延。此外，主流的机器学习框架将模型计算单元映射到资源节点，因而具有高度可并行性。这也使得将易并行化的模型训练任务部署到可用资源更多的节点能潜在地提高应用并行度，进而提高应用运行性能。因而通过综合考虑容器化任务的部署效率与执行性能可得到一个高效的容器化任务部署决策。
基于上述分析，本发明提供了一种高效的容器化任务部署方法，并将容器化任务生命周期分为三部分，第一部分是容器化任务传输到边缘服务器或云数据中心的数据传输过程；第二部分是容器镜像部署过程，这涉及服务器节点对缺失镜像层拉取与解压两个阶段；第三部分是容器化任务的执行过程。
参照图2，本发明的云边协同环境下低时延容器化任务部署方法包括以下步骤：
步骤1：建立云边协同场景下的容器镜像部署模型，主要考虑容器化任务数据传输时延、镜像部署时延以及应用执行时延。
具体而言，容器化任务部署模型包括容器化任务集合S和资源服务器节点集合V，其中资源服务器节点集合V包括边缘服务器节点集合与云数据中心服务器节点集合。边缘服务器节点i与所有终端设备的回程网络带宽均为
云数据中心服务器节点i与所有终端设备的回程网络带宽为
容器化任务s的输入数据量大小为Ds，对计算资源的需求为Rs，包含的容器镜像层集合为Is。边缘服务器节点ie单位时间的算力容量为
已缓存的镜像层集合为
镜像层j∈Is在边缘服务器节点ie的部署时延为
云数据中心服务器节点ic单位时间的算力容量为
已缓存的镜像层集合为
镜像层j∈Is在云数据中心服务器节点ic的部署时延为
基于所述Wi e和Ds计算出容器任务s向边缘服务器节点ie的数据传输时延
基于所述Wi c和Ds计算出容器任务s向云数据中心服务器节点ic传输任务的传输时延
基于所述Is、Ii、
和
计算出容器镜像s在边缘服务器节点ie的部署时延
以及云数据中心服务器节点ic的部署时延
基于所述Rs、
和
计算出容器化任务s部署在边缘服务器节点ie的执行时延
和云数据中心节点ic的执行时间
综上所述，容器化任务s部署到服务器节点v时，服务器节点v的处理时延
其中服务器节点v表示边缘服务器节点或云数据中心服务器节点，当确定容器化任务s具体被调度到边缘服务器节点还是云数据中心服务器节点时，处理时延Ps,v中的传输时延
部署时延
和执行时延
需要用相应的变量替换。
步骤2：针对步骤1的容器镜像部署模型，以最小化最大服务器节点处理时间为目标，建立响应时延最优化的容器化任务部署问题，并采用线性规划松弛和随机取整技术得到近似最优的容器部署方案。
具体而言，所述容器化应用部署的优化问题可表示为：
约束条件包括：
其中二进制变量βs,v表示容器s是否放置在资源节点v，具体地βs,v＝1表示将容器s部署到资源节点v，βs,v＝0表示容器s未被部署到节点v。约束条件C1和C2是保证每个容器化任务只被部署到一个服务器节点。由于问题P1为最大最小整数线性规划问题，且为NP难问题。原始优化问题P1可通过线性规划松弛技术转化为线性规划问题P2：
约束条件包括：
其中δs,v为二进制变量βs,v松弛后的分数变量，取值范围为(0,1]的概率空间。对于松弛后的线性规划问题P2，可通过高效的线性规划算法进行求解，进而得到δs,v的分数解。对于每个容器s，随机从(0,1]区间中取值得到变量rs。如果
则βs,v＝1，否则βs,v＝0，进而得到容器化任务部署方案。
为了阐述随机算法的理论性能，可基于Martingale分析和Azuma不等式来证明容器部署方案以高概率接近于最优解。具体证明过程如下：
首先，将容器化任务s对资源节点v的负载贡献表示为：
其中
为仅与容器s、资源节点v相关的常量。依据随机取整策略可知：Pr[βs,v＝1]＝δs,v，因而
的期望可表示为：
对于每一个资源节点v，容器s实际负载贡献与其期望之间的差值表示为：
定义
的和为
由
可知，序列
为martingale序列。不失一般性，令
对于任意s∈S，可得：
其中
当从高效的线性规划算法中获得δs,v的解时，
的值随即确定。因而，martingale中的连续项能被常数约束住，这意味着
序列满足Azuma不等式的前提条件，进而可得：
其中t为集中约束(concentration bound)。根据等式(3)和等式(4)，可得：
为了便于描述，令
用Sv和Ev替换不等式(7)中的相应变量后，得到以下不等式：
其中，Sv代表资源节点v的实际负载，Ev代表节点v的期望负载。由于容器部署的优化问题为最小化问题，因而线性规划提供了原始优化问题的下界，即对于任意v∈V有：
Ev≤OPT #(9)
其中OPT为最优解。不失一般性，令u和v分别表示最大的Sv和Ev的下标索引，即：
基于等式(15)、等式(16)和不等式(8)和不等式(9)有以下不等式关系：
SOL＝Su≤Eu+t≤Ev+t≤OPT+t #(12)
其中SOL为求得的可行解。基于不等式(8)和不等式(12)，可得：
至此，已经证明了容器部署方案的可行解SOL以高概率集中于最优解OPT，进而说明本发明的容器部署方案具有良好的理论性能。
根据本发明的另一实施例，提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个计算机程序，所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述一个或多个计算机程序被所述一个或多个处理器执行时实现如上所述的容器化任务部署方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出以上实施列对本发明不构成限定，本领域相关技术人员在不偏离本发明技术思想的范围内，所进行的多样变化和修改，均落在本发明的保护范围内。
Claims (8)
1.一种基于云边协同的低时延容器化任务部署方法，其特征在于，所述方法包括：
基于容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的传输时延、部署时延和执行时延，建立以最小化总时延为目标的云边协同容器化任务部署模型；
对所述云边协同容器化任务部署模型进行求解，得到任务部署方案。
2.根据权利要求1所述的容器化任务部署方法，其特征在于，容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的传输时延的计算方法如下：
基于边缘服务器节点ie与所有终端设备的回程网络带宽Wi e以及容器化任务s的输入数据量大小Ds，计算出容器化任务s传输至边缘服务器节点ie的传输时延
基于云数据中心服务器节点ic与所有终端设备的回程网络带宽Wi c以及所述Ds计算出容器化任务s传输至云数据中心服务器节点ic的传输时延
3.根据权利要求1所述的容器化任务部署方法，其特征在于，容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的部署时延的计算方法如下：
基于容器化任务s包含的容器镜像层集合Is、边缘服务器节点ie已缓存的镜像层集合
以及镜像层j在边缘服务器节点ie的部署时延
计算出容器化任务s部署到边缘服务器节点ie的部署时延
基于所述Is、云数据中心服务器节点ic已缓存的镜像层集合
以及镜像层j在云数据中心服务器节点ic的部署时延
计算出容器化任务s部署到云数据中心服务器节点ic的部署时延
4.根据权利要求1所述的容器化任务部署方法，其特征在于，容器化任务s分别在边缘服务器节点ie和云数据中心节点ic的执行时延的计算方法如下：
基于容器化任务s对计算资源的需求Rs、边缘服务器节点ie单位时间的算力容量
计算出容器化任务s部署到边缘服务器节点ie的执行时延
基于所述Rs和云数据中心服务器节点ic单位时间的算力容量
计算出容器化任务s部署到云数据中心服务器节点ic的执行时延
5.根据权利要求1所述的容器化任务部署方法，其特征在于，所述云边协同容器化任务部署模型的优化目标表示为：
约束条件包括：
其中二进制变量βs，v表示容器化任务s是否放置在服务器节点v上，v代表边缘服务器节点ie和云数据中心节点ic二者中的一个，βs，v＝1表示将容器化任务s部署到节点v，βs，v＝0表示容器化任务s未被部署到节点v；S表示容器化任务集合，V代表边缘服务器集合与云数据中心服务器集合的并集；Ps，v表示服务器节点v的处理时延，是传输时延、部署时延和执行时延的总和；约束条件C1和C2保证每个容器化任务只被调度到一个服务器节点。
6.根据权利要求5所述的容器化任务部署方法，其特征在于，对所述云边协同容器化任务部署模型进行求解包括：
将原始优化问题P1通过线性规划松弛技术转化为线性规划问题P2：
约束条件包括：
其中δs，v为二进制变量βs，v松弛后的分数变量，取值范围为(0，1]的概率空间；
利用线性规划算法对问题P2进行求解，进而得到δs，v的分数解。
7.根据权利要求6所述的容器化任务部署方法，其特征在于，利用线性规划算法对问题P2进行求解包括：对于每个容器s，随机从(0，1]区间中取值得到变量rs，如果
则βs，v＝1，否则βs，v＝0，进而得到容器部署方案。
8.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器；以及
一个或多个计算机程序，所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述一个或多个计算机程序被所述一个或多个处理器执行时实现如权利要求1-7中的任一项所述容器化任务部署方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110563102.4A CN113301151B (zh) | 2021-05-24 | 2021-05-24 | 基于云边协同的低时延容器化任务部署方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110563102.4A CN113301151B (zh) | 2021-05-24 | 2021-05-24 | 基于云边协同的低时延容器化任务部署方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113301151A true CN113301151A (zh) | 2021-08-24 |
| CN113301151B CN113301151B (zh) | 2023-01-06 |
Family
ID=77324004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110563102.4A Active CN113301151B (zh) | 2021-05-24 | 2021-05-24 | 基于云边协同的低时延容器化任务部署方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113301151B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114124732A (zh) * | 2021-11-29 | 2022-03-01 | 南京大学 | 一种面向云的带内计算部署方法、装置和系统 |
| CN114301972A (zh) * | 2021-12-17 | 2022-04-08 | 杭州谐云科技有限公司 | 一种基于云边协同的区块链节点分级部署方法和系统 |
| CN114826900A (zh) * | 2022-04-22 | 2022-07-29 | 阿里巴巴（中国）有限公司 | 针对分布式云架构的服务部署处理方法及装置 |
| CN116661992A (zh) * | 2023-05-09 | 2023-08-29 | 支付宝(杭州)信息技术有限公司 | 端边云协同计算方法、设备、系统、介质及程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968920A (zh) * | 2019-11-29 | 2020-04-07 | 江苏方天电力技术有限公司 | 一种边缘计算中链式服务实体的放置方法及边缘计算设备 |
| CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
| CN112148492A (zh) * | 2020-09-28 | 2020-12-29 | 南京大学 | 一种考虑多用户移动性的服务部署和资源分配方法 |
| CN112579194A (zh) * | 2020-11-27 | 2021-03-30 | 国网河南省电力公司信息通信公司 | 基于时延和事务吞吐量的区块链共识任务卸载方法及装置 |
| CN112650585A (zh) * | 2020-12-24 | 2021-04-13 | 山东大学 | 一种新型边缘-云协同边缘计算平台、方法及存储介质 |
-
2021
- 2021-05-24 CN CN202110563102.4A patent/CN113301151B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968920A (zh) * | 2019-11-29 | 2020-04-07 | 江苏方天电力技术有限公司 | 一种边缘计算中链式服务实体的放置方法及边缘计算设备 |
| CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
| CN112148492A (zh) * | 2020-09-28 | 2020-12-29 | 南京大学 | 一种考虑多用户移动性的服务部署和资源分配方法 |
| CN112579194A (zh) * | 2020-11-27 | 2021-03-30 | 国网河南省电力公司信息通信公司 | 基于时延和事务吞吐量的区块链共识任务卸载方法及装置 |
| CN112650585A (zh) * | 2020-12-24 | 2021-04-13 | 山东大学 | 一种新型边缘-云协同边缘计算平台、方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 罗晓霞: "云边协同任务调度算法的研究与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114124732A (zh) * | 2021-11-29 | 2022-03-01 | 南京大学 | 一种面向云的带内计算部署方法、装置和系统 |
| CN114124732B (zh) * | 2021-11-29 | 2022-11-25 | 南京大学 | 一种面向云的带内计算部署方法、装置和系统 |
| CN114301972A (zh) * | 2021-12-17 | 2022-04-08 | 杭州谐云科技有限公司 | 一种基于云边协同的区块链节点分级部署方法和系统 |
| CN114301972B (zh) * | 2021-12-17 | 2023-06-27 | 杭州谐云科技有限公司 | 一种基于云边协同的区块链节点分级部署方法和系统 |
| CN114826900A (zh) * | 2022-04-22 | 2022-07-29 | 阿里巴巴（中国）有限公司 | 针对分布式云架构的服务部署处理方法及装置 |
| CN114826900B (zh) * | 2022-04-22 | 2024-03-29 | 阿里巴巴（中国）有限公司 | 针对分布式云架构的服务部署处理方法及装置 |
| CN116661992A (zh) * | 2023-05-09 | 2023-08-29 | 支付宝(杭州)信息技术有限公司 | 端边云协同计算方法、设备、系统、介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113301151B (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113301151B (zh) | 基于云边协同的低时延容器化任务部署方法及设备 | |
| Liu et al. | Dependent task placement and scheduling with function configuration in edge computing | |
| CN108885571B (zh) | 分批处理机器学习模型的输入 | |
| Rashid et al. | Design and analysis of proposed remote controlling distributed parallel computing system over the cloud | |
| CN110889492B (zh) | 用于训练深度学习模型的方法和装置 | |
| Yang et al. | A framework for partitioning and execution of data stream applications in mobile cloud computing | |
| Ali et al. | A cost and energy efficient task scheduling technique to offload microservices based applications in mobile cloud computing | |
| CN109918184A (zh) | 图片处理系统、方法及相关装置和设备 | |
| CN113568599A (zh) | 用于处理计算作业的方法、电子设备和计算机程序产品 | |
| CN114610474B (zh) | 一种异构超算环境下多策略的作业调度方法及系统 | |
| Vu et al. | Parallel Branch-and-Bound in multi-core multi-CPU multi-GPU heterogeneous environments | |
| CN113220356A (zh) | 一种移动边缘计算中的用户计算任务卸载方法 | |
| Zhang et al. | Effect: Energy-efficient fog computing framework for real-time video processing | |
| Rościszewski et al. | KernelHive: a new workflow‐based framework for multilevel high performance computing using clusters and workstations with CPUs and GPUs | |
| CN116684420A (zh) | 集群资源调度方法、装置、集群系统和可读存储介质 | |
| Whaiduzzaman et al. | Credit based task scheduling process management in fog computing | |
| CN116011562A (zh) | 算子处理方法及算子处理装置、电子设备和可读存储介质 | |
| CN113741999B (zh) | 一种基于移动边缘计算的面向依赖型任务卸载方法及装置 | |
| Senger | Improving scalability of Bag-of-Tasks applications running on master–slave platforms | |
| Kang et al. | Scheduling multiple divisible loads in a multi-cloud system | |
| CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及系统 | |
| Gao et al. | Ocdst: Offloading chained dnns for streaming tasks | |
| Wang et al. | Edge computing for artificial intelligence | |
| Du et al. | Joint task offloading and resource allocation in mixed edge/cloud computing and blockchain empowered device-free sensing systems | |
| CN115470901A (zh) | 支持移动端异构处理器分载的混合精度训练方法及设备 |
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 |