CN113342510B - 一种水电流域应急指挥云边计算资源协同处理方法 - Google Patents

一种水电流域应急指挥云边计算资源协同处理方法 Download PDF

Info

Publication number
CN113342510B
CN113342510B CN202110894257.6A CN202110894257A CN113342510B CN 113342510 B CN113342510 B CN 113342510B CN 202110894257 A CN202110894257 A CN 202110894257A CN 113342510 B CN113342510 B CN 113342510B
Authority
CN
China
Prior art keywords
cloud
computing
migration
task
node
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
CN202110894257.6A
Other languages
English (en)
Other versions
CN113342510A (zh
Inventor
许剑
罗玮
王骞
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.)
Guoneng Daduhe Big Data Service Co ltd
Original Assignee
Guoneng Daduhe Big Data Service 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 Guoneng Daduhe Big Data Service Co ltd filed Critical Guoneng Daduhe Big Data Service Co ltd
Priority to CN202110894257.6A priority Critical patent/CN113342510B/zh
Publication of CN113342510A publication Critical patent/CN113342510A/zh
Application granted granted Critical
Publication of CN113342510B publication Critical patent/CN113342510B/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
    • G06F9/48—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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/48—Indexing scheme relating to G06F9/48
    • G06F2209/484—Precedence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种水电流域应急指挥云边计算资源协同处理方法，涉及云计算技术领域，其技术方案要点是：获取电站端采集的传感器监测数据，并在边云侧对传感器监测数据进行预处理以形成计算任务；若本地执行计算的时间大于最大容许延迟，则向中心云发送相应计算任务的迁移请求；根据中心云当前的节点资源负载均衡情况以及边云节点到中心云节点的网络传输时间成本对所有的迁移请求进行基于蚁群算法的计算任务队列最优化计算，得到最优分配策略；相应计算任务响应于最优分配策略后进行计算任务迁移以实现云边计算资源协同处置。本发明充分发挥中心云资源充足的优势，从软件层面提升平台的整体计算效率。

Description

一种水电流域应急指挥云边计算资源协同处理方法
技术领域
本发明涉及云计算技术领域，更具体地说，它涉及一种水电流域应急指挥云边计算资源协同处理方法。
背景技术
传统的单体式应用系统集成度高、开发调试和部署难度低，随着应用系统功能和性能要求的不断增加，单体式应用复杂性高的问题不断暴露，模块设计难度大，各模块边界划分模糊，依赖关系重度耦合，模块集成难度急剧增大。为保证单体式应用有效支撑大型应用的可靠性、高效性，仅能通过增加服务器、数据库集群式部署和访问负载均衡等成本高、效果弱的方式进行有限增强。在软件工程领域里存在瀑布模型、快速原型、增量开发、喷泉模型等传统软件过程模型，最常用的瀑布模型从设计、开发到部署至少需花费数月时间，中途出现的任何需求变动、错误修复后进行回归测试和重新部署都会耗时数天至数周的时间。而传统云计算先传输后运算的集中式模式难以保障复杂环境下的流域级水灾害综合应急指挥，在面对流域高山峡谷地理环境复杂、网络传输距离远且通讯条件不稳定等不利因素环境下，传统集中式云计算模型中先传输后运算的特性出现效率低、数据延迟大等问题，难以有效保障水灾害数据的可靠传输、预警防控模型的快速分析以及应急指挥的畅通便利。
在传统单体式应用架构中，一个应用系统包含了所有的业务功能，且应用本身作为一个庞大的部署单元直接部署，将所有功能部署在同一个进程中。遇到高并发时，传统的庞大应用就面临着扩展部署的问题。因为所有的功能都部署在一起，即使只有其中一个功能有高并发需求，应用系统的横向扩展就必须通过在其他服务器上重新部署整个应用系统来实现。为此，无论是流域级气象预报WRF模式、梯级电战群联合防洪调度等模型所需的短时集中大规模计算，还是水灾害事件发生后涉及流域高原野外、山区水电站和数百公里之外的成都本部进行全景可视化、无延时的应急指挥需求都对平台的计算、存储和网络资源都提出了动态弹性扩展的需要。
云计算是一种基于信息网络，将信息技术资源以服务方式动态、弹性提供，用户可以按需使用的计算模式和服务模式，云计算具有分布式计算和存储特性，高扩展性等特点。自云计算兴起以来，应用部署方式完成从传统物理机迁移至虚拟机云端部署，应用开发模式由传统单体式应用向分布式服务化转变，应用系统由有状态变为无状态，后端数据库集群数据服务化，前端应用通过HTTP接口进行数据访问并利用自适应展示技术进行业务功能的展现和用户指令的输入。因此，如何研究设计一种能够克服上述缺陷的一种水电流域应急指挥云边计算资源协同处理方法是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供一种水电流域应急指挥云边计算资源协同处理方法。
本发明的上述技术目的是通过以下技术方案得以实现的：一种水电流域应急指挥云边计算资源协同处理方法，包括以下步骤：
获取电站端采集的传感器监测数据，并在边云侧对传感器监测数据进行预处理以形成至少一个计算任务；
获取计算任务的最大容许延迟，并计算得到计算任务在本地执行计算的时间；若本地执行计算的时间大于最大容许延迟，则向中心云发送相应计算任务的迁移请求；
根据中心云当前的节点资源负载均衡情况以及边云节点到中心云节点的网络传输时间成本对所有的迁移请求进行基于蚁群算法的计算任务队列最优化计算，得到最优分配策略；
相应计算任务响应于最优分配策略后进行计算任务迁移以实现云边计算资源协同处置。
进一步的，所述中心云接收迁移请求后为相应的计算迁移任务生成记录信息；
记录信息包括最终执行地方信息、中心云为相应计算任务分配的网络带宽资源、中心云为相应计算任务分配的CPU计算资源、计算任务的数据大小以及计算任务的最大容许延迟；
中心云节点在中心云下同步和更新维护计算迁移任务的记录信息，每次做出计算迁移决策后，记录信息同步更改并广播给中心云所有节点，全部计算迁移任务的记录集成任务记录集。
进一步的，所述最优分配策略的最优化计算过程具体为：
根据中心云节点分配给计算任务的网络带宽资源计算得到相应计算任务迁移至相应中心云节点的迁移传输延迟；
根据中心云节点分配给计算任务的CPU资源计算得到相应计算任务在对应中心云节点执行计算的迁移计算时间；
根据迁移传输延迟和迁移计算时间之和计算得到相应计算任务迁移的迁移总延时；
考虑中心云各节点的负载均衡情况，并以最小化全部计算任务执行完成时间对云边计算资源效率进行最优化计算，得到云边计算资源的最优分配策略。
进一步的，所述最优分配策略的最优化计算公式具体为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示任务迁移的迁移总延时最小；n表示蚂蚁数量；m表示中心云资源数量；
Figure DEST_PATH_IMAGE006
表示计算任务i迁移至中心云节点j的迁移总延时。
进一步的，所述最优分配策略最优化计算时以迁移概率进行资源匹配，迁移概率的计算公式具体为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE010
表示计算任务 i 迁移至中心云节点j的概率；
Figure DEST_PATH_IMAGE012
表示路径（i，j）上的信息素浓度；
Figure DEST_PATH_IMAGE014
表示路径（i，q）上的信息素浓度；
Figure DEST_PATH_IMAGE016
表示蚂蚁对信息素的敏感度；
Figure DEST_PATH_IMAGE018
表示中心云节点j对计算任务i上蚂蚁的吸引水平，迁移成本越低，值越大；
Figure DEST_PATH_IMAGE020
表示节点q对计算任务i上蚂蚁的吸引水平；
Figure DEST_PATH_IMAGE022
表示蚁群对信息素的敏感度；
Figure DEST_PATH_IMAGE024
表示未访问的节点；
Figure DEST_PATH_IMAGE026
表示已访问过的节点。
进一步的，所述最优分配策略最优化计算时，路径上的信息素更新公式具体为：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
表示在t+1时刻计算任务i迁移至中心云节点ｊ的信息素浓度；
Figure DEST_PATH_IMAGE032
表示在t时刻计算任务i迁移至中心云节点ｊ的信息素浓度；
Figure DEST_PATH_IMAGE034
表示信息素挥发系数，取值为
Figure DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE038
表示所有蚂蚁释放在路径（i，j）上的信息素总量；
Figure DEST_PATH_IMAGE040
表示相应中心云节点负载情况；
Figure DEST_PATH_IMAGE042
表示目前最优的信息素增益；
Figure DEST_PATH_IMAGE044
表示历史最优精英个体贡献度的权值。
进一步的，所述信息素总量的计算公式具体为：
Figure DEST_PATH_IMAGE046
其中，n表示蚂蚁的数量；exp表示非线性递减函数；
Figure DEST_PATH_IMAGE048
表示超参数；k表示第k只蚂蚁；
Figure DEST_PATH_IMAGE050
表示在路径（i，j）上第k只蚂蚁释放信息素的增量。
进一步的，所述信息素的增量计算公式具体为：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE054
表示一次搜索结束后路径上存留信息素的总量；
Figure DEST_PATH_IMAGE056
表示第k只蚂蚁选择的匹配方案所计算得到的计算任务迁移成本；0表示第k只蚂蚁未经过路径（i，j）。
进一步的，所述历史最优精英个体贡献度的权值计算公式具体为：
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE060
表示中心云节点j上一次运行时间；
Figure DEST_PATH_IMAGE062
表示所有中心云节点的平均运行时间。
进一步的，所述计算任务的迁移过程具体为：
若计算任务需要迁移，则边缘云向中心云发送计算任务的迁移请求；
中心云收到迁移请求后根据当前中心云节点的负载情况，并结合计算任务到中心云的网络传输时间成本得出最优的计算迁移决策并发送给计算任务i所在边缘云；
边缘云接收到计算任务允许迁移的指令后通过电力专用传输网络向指定的中心云节点上传需要处理的数据，并为数据上传分配相应的网络带宽资源；
中心云节点分配相应的计算资源用以处理迁移后的计算任务，并将计算结果存入数据库。
与现有技术相比，本发明具有以下有益效果：
1、本发明在水电流域水灾害综合应急指挥平台的“端-边-云”架构中，通过引入边云计算资源动态协同模型，将位于流域电站边云侧的排队延迟计算任务动态迁移至中心云，充分发挥中心云资源充足的优势，从软件层面提升平台的整体计算效率；
2、本发明通过改进后的蚁群算法进行迁移决策、带宽分配和计算资源的联合优化分配来实现云边计算资源效率最优化，通过优秀个体信息素更新权重非线性递减及历史最优精英个体每代都贡献信息素的改进策略，且考虑中心云节点的负载均衡使得最优化匹配效果更好，有效降低了计算任务的整体时间。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例中的流程图。
图2是本发明实施例中云边计算资源协同效果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：一种水电流域应急指挥云边计算资源协同处理方法，如图1所示，包括以下步骤：
S1：获取电站端采集的传感器监测数据，并在边云侧对传感器监测数据进行预处理以形成多个计算任务；
S2：获取计算任务的最大容许延迟，并计算得到计算任务在本地执行计算的时间；若本地执行计算的时间大于最大容许延迟，则向中心云发送相应计算任务的迁移请求；
S3：根据中心云当前的节点资源负载均衡情况以及边云节点到中心云节点的网络传输时间成本对所有的迁移请求进行基于蚁群算法的计算任务队列最优化计算，得到最优分配策略；
S4：相应计算任务响应于最优分配策略后进行计算任务迁移以实现云边计算资源协同处置。
需要说明的是，每个边云可以将计算任务迁移到指定的中心云节点，中心云节点为计算迁移任务分配带宽和相应的计算资源。在共享带宽与计算资源的基础上，每个计算任务都认为是相互独立的执行单元。
中心云接收迁移请求后为相应的计算迁移任务生成记录信息；记录信息包括最终执行地方信息、中心云为相应计算任务分配的网络带宽资源、中心云为相应计算任务分配的CPU计算资源、计算任务的数据大小以及计算任务的最大容许延迟；中心云节点在中心云下同步和更新维护计算迁移任务的记录信息，每次做出计算迁移决策后，记录信息同步更改并广播给中心云所有节点，全部计算迁移任务的记录集成任务记录集。
定义边云计算任务i和中心云节点j，其中 i∈{1，2，…，N}，j∈{0，1，2，…，M}。
记录信息Tij的表达式为：
Figure DEST_PATH_IMAGE064
式中，sij表示计算任务i最终是在边缘云本地进行执行还是迁移至中心云执行；bwij表示中心云为该计算任务分配的网络带宽资源；compij表示中心云为该计算任务分配的CPU计算资源；Vi表示算任务i的数据大小；Ti toler表示计算任务i的最大容许延迟。
任务记录集的表达式为：
Figure DEST_PATH_IMAGE066
。
当sij=0时，表示计算任务的本地计算执行时间小于该任务的最大容许延迟，云边计算资源协同模型选择在本地执行该任务；当sij=1时，表示计算任务的本地计算执行时间大于该任务的最大容许延迟，云边计算资源协同模型选择将该计算任务动态分配至云中心的某个节点运行。
最优分配策略的最优化计算过程具体为：
S301：根据中心云节点分配给计算任务的网络带宽资源计算得到相应计算任务迁移至相应中心云节点的迁移传输延迟；
S302：根据中心云节点分配给计算任务的CPU资源计算得到相应计算任务在对应中心云节点执行计算的迁移计算时间；
S303：根据迁移传输延迟和迁移计算时间之和计算得到相应计算任务迁移的迁移总延时；
S304：考虑中心云各节点的负载均衡情况，并以最小化全部计算任务执行完成时间对云边计算资源效率进行最优化计算，得到云边计算资源的最优分配策略。
计算任务i的本地计算执行时间只与本地 CPU 的处理能力有关。因此计算任务i的本地计算执行时间
Figure DEST_PATH_IMAGE068
为:
Figure DEST_PATH_IMAGE070
。
计算任务i迁移至中心云节点j的迁移传输延迟
Figure DEST_PATH_IMAGE072
为：
Figure DEST_PATH_IMAGE074
。
计算任务i在中心云节点j执行计算的迁移计算时间为：
Figure DEST_PATH_IMAGE076
。
最优分配策略的最优化计算公式具体为：
Figure 205224DEST_PATH_IMAGE002
其中，
Figure 176591DEST_PATH_IMAGE004
表示任务迁移的迁移总延时最小；n表示蚂蚁数量；m表示中心云资源数量；
Figure 200173DEST_PATH_IMAGE006
表示计算任务i迁移至中心云节点j的迁移总延时。计算任务i迁移至中心云节点j的迁移总延时
Figure 866778DEST_PATH_IMAGE006
为迁移计算时间与迁移传输延迟之和。
蚁群算法受自然界中蚂蚁的觅食行为过程启发而提出，具有启发式、正反馈和分布式搜索特点，在许多NP类问题的优化求解过程中被普遍应用。蚂蚁在寻找食物经过的路径上，蚂蚁会留下信息素，后来的蚂蚁会依据在此路径上之前蚂蚁留下信息素浓度去选择合适的路径，即每只蚂蚁会根据一定的概率从某个资源匹配转移到下一个资源匹配。在寻找食物经过的路径上，蚂蚁会留下信息素，而后来的蚂蚁会依据在此路径上走过的蚂蚁留下信息素浓度去选择合适的路径，即每只蚂蚁会根据一定的概率选择从边云中一个节点转移到中心云的某个节点。最优分配策略最优化计算时以迁移概率进行资源匹配，迁移概率的计算公式具体为：
Figure DEST_PATH_IMAGE077
其中，
Figure 70226DEST_PATH_IMAGE010
表示计算任务 i 迁移至中心云节点j的概率；
Figure 364941DEST_PATH_IMAGE012
表示路径（i，j）上的信息素浓度；
Figure 822074DEST_PATH_IMAGE014
表示路径（i，q）上的信息素浓度；
Figure 710395DEST_PATH_IMAGE016
表示蚂蚁对信息素的敏感度；
Figure 779851DEST_PATH_IMAGE018
表示中心云节点j对计算任务i上蚂蚁的吸引水平，迁移成本越低，值越大；
Figure 70018DEST_PATH_IMAGE020
表示节点q对计算任务i上蚂蚁的吸引水平；
Figure 700982DEST_PATH_IMAGE022
表示蚁群对信息素的敏感度；
Figure 76600DEST_PATH_IMAGE024
表示未访问的节点；
Figure 684168DEST_PATH_IMAGE026
表示已访问过的节点。
在不断寻找最优匹配的过程中, 蚂蚁在路径上留下的初始信息素会陆续散发掉,同时又会在路径上继续释放出新的信息素，最优分配策略最优化计算时。在寻找云边任务最优匹配时，考虑中心云节点的负载均衡，所以，路径上的信息素更新公式具体为：
Figure 94420DEST_PATH_IMAGE028
其中，
Figure 893356DEST_PATH_IMAGE030
表示在t+1时刻计算任务i迁移至中心云节点ｊ的信息素浓度；
Figure 756270DEST_PATH_IMAGE032
表示在t时刻计算任务i迁移至中心云节点ｊ的信息素浓度；
Figure 167528DEST_PATH_IMAGE034
表示信息素挥发系数，取值为
Figure 901129DEST_PATH_IMAGE036
；
Figure 873895DEST_PATH_IMAGE038
表示所有蚂蚁释放在路径（i，j）上的信息素总量；
Figure 224105DEST_PATH_IMAGE040
表示相应中心云节点负载情况；
Figure 439055DEST_PATH_IMAGE042
表示目前最优的信息素增益；
Figure 558320DEST_PATH_IMAGE044
表示历史最优精英个体贡献度的权值。
为提升传统蚂蚁算法的最优结果，研究工作提出优秀个体信息素更新权重非线性递减及历史最优精英个体每代都贡献信息素的改进策略。
信息素总量的计算公式具体为：
Figure 699058DEST_PATH_IMAGE046
其中，n表示蚂蚁的数量；exp表示非线性递减函数；
Figure 536564DEST_PATH_IMAGE048
表示超参数；k表示第k只蚂蚁；
Figure 289626DEST_PATH_IMAGE050
表示在路径（i，j）上第k只蚂蚁释放信息素的增量。
信息素的增量计算公式具体为：
Figure 528977DEST_PATH_IMAGE052
其中，
Figure 577967DEST_PATH_IMAGE054
表示一次搜索结束后路径上存留信息素的总量；
Figure 902769DEST_PATH_IMAGE056
表示第k只蚂蚁选择的匹配方案所计算得到的计算任务迁移成本；0表示第k只蚂蚁未经过路径（i，j）。
历史最优精英个体贡献度的权值计算公式具体为：
Figure 459521DEST_PATH_IMAGE058
其中，
Figure 22221DEST_PATH_IMAGE060
表示中心云节点j上一次运行时间；
Figure 770340DEST_PATH_IMAGE062
表示所有中心云节点的平均运行时间。在云中心节点j负载高时，
Figure DEST_PATH_IMAGE079
变小的同时
Figure 238231DEST_PATH_IMAGE012
减小，迁移概率也随之减小。
在步骤S4中，计算任务的迁移过程具体为：
S401：若计算任务需要迁移，则边缘云向中心云发送计算任务的迁移请求；
S402：中心云收到迁移请求后根据当前中心云节点的负载情况，并结合计算任务到中心云的网络传输时间成本得出最优的计算迁移决策并发送给计算任务i所在边缘云；
S403：边缘云接收到计算任务允许迁移的指令后通过电力专用传输网络向指定的中心云节点上传需要处理的数据，并为数据上传分配相应的网络带宽资源；
S404：中心云节点分配相应的计算资源用以处理迁移后的计算任务，并将计算结果存入数据库。
现以大渡河流域水灾害综合应急指挥平台为例进行说明，本发明提供的模型在2S内即可生成最优计算任务迁移策略。如图2所示，经测试，在任务数超过200个时本模型依然表现良好，较神经网络、强化学习等寻优算法更稳定，计算任务的整体时间减少60%。
工作原理：本发明在水电流域水灾害综合应急指挥平台的“端-边-云”架构中，通过引入边云计算资源动态协同模型，将位于流域电站边云侧的排队延迟计算任务动态迁移至中心云，充分发挥中心云资源充足的优势，从软件层面提升平台的整体计算效率；本发明通过改进后的蚁群算法进行迁移决策、带宽分配和计算资源的联合优化分配来实现云边计算资源效率最优化，通过优秀个体信息素更新权重非线性递减及历史最优精英个体每代都贡献信息素的改进策略，且考虑中心云节点的负载均衡使得最优化匹配效果更好，有效降低了计算任务的整体时间。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水电流域应急指挥云边计算资源协同处理方法，其特征是，包括以下步骤：
获取电站端采集的传感器监测数据，并在边云侧对传感器监测数据进行预处理以形成至少一个计算任务；
获取计算任务的最大容许延迟，并计算得到计算任务在本地执行计算的时间；若本地执行计算的时间大于最大容许延迟，则向中心云发送相应计算任务的迁移请求；
根据中心云当前的节点资源负载均衡情况以及边云节点到中心云节点的网络传输时间成本对所有的迁移请求进行基于蚁群算法的计算任务队列最优化计算，得到最优分配策略；
相应计算任务响应于最优分配策略后进行计算任务迁移以实现云边计算资源协同处置；
所述最优分配策略的最优化计算过程具体为：
根据中心云节点分配给计算任务的网络带宽资源计算得到相应计算任务迁移至相应中心云节点的迁移传输延迟；
根据中心云节点分配给计算任务的CPU资源计算得到相应计算任务在对应中心云节点执行计算的迁移计算时间；
根据迁移传输延迟和迁移计算时间之和计算得到相应计算任务迁移的迁移总延时；
考虑中心云各节点的负载均衡情况，并以最小化全部计算任务执行完成时间对云边计算资源效率进行最优化计算，得到云边计算资源的最优分配策略。
2.根据权利要求1所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述中心云接收迁移请求后为相应的计算迁移任务生成记录信息；
记录信息包括最终执行地方信息、中心云为相应计算任务分配的网络带宽资源、中心云为相应计算任务分配的CPU计算资源、计算任务的数据大小以及计算任务的最大容许延迟；
中心云节点在中心云下同步和更新维护计算迁移任务的记录信息，每次做出计算迁移决策后，记录信息同步更改并广播给中心云所有节点，全部计算迁移任务的记录集成任务记录集。
3.根据权利要求1所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述最优分配策略的最优化计算公式具体为：
Figure FDA0003265191650000011
其中，arg min表示任务迁移的迁移总延时最小；n表示蚂蚁数量；m表示中心云资源数量；
Figure FDA0003265191650000012
表示计算任务i迁移至中心云节点j的迁移总延时。
4.根据权利要求1所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述最优分配策略最优化计算时以迁移概率进行资源匹配，迁移概率的计算公式具体为：
Figure FDA0003265191650000021
其中，pij k(t)表示计算任务i迁移至中心云节点j的概率；τij表示路径(i，j)上的信息素浓度；τiq表示路径(i，q)上的信息素浓度；
Figure FDA0003265191650000022
表示蚂蚁对信息素的敏感度；ηij表示中心云节点j对计算任务i上蚂蚁的吸引水平，迁移成本越低，值越大；ηiq表示节点q对计算任务i上蚂蚁的吸引水平；β表示蚁群对信息素的敏感度；allowedk表示未访问的节点；others表示已访问过的节点。
5.根据权利要求4所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述最优分配策略最优化计算时，路径上的信息素更新公式具体为：
τij(t+1)＝ρτij(t)+Δτij(t)+ωΔbestτ(i，j)
其中，τij(t+1)表示在t+1时刻计算任务i迁移至中心云节点j的信息素浓度；τij(t)表示在t时刻计算任务i迁移至中心云节点j的信息素浓度；ρ表示信息素挥发系数，取值为(0，1]；Δτij(t)表示所有蚂蚁释放在路径(i，j)上的信息素总量；δ表示相应中心云节点负载情况；Δbestτ(i，j)表示目前最优的信息素增益；ω表示历史最优精英个体贡献度的权值。
6.根据权利要求5所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述信息素总量的计算公式具体为：
Figure FDA0003265191650000023
其中，n表示蚂蚁的数量；exp表示非线性递减函数；λ表示超参数；k表示第k只蚂蚁；Δτij k(t)表示在路径(i，j)上第k只蚂蚁释放信息素的增量。
7.根据权利要求6所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述信息素的增量计算公式具体为：
Figure FDA0003265191650000031
其中，Q表示一次搜索结束后路径上存留信息素的总量；Lk表示第k只蚂蚁选择的匹配方案所计算得到的计算任务迁移成本；0表示第k只蚂蚁未经过路径(i，j)。
8.根据权利要求5所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述历史最优精英个体贡献度的权值计算公式具体为：
ω＝1-((Ej-Eavg)/∑Ej)
其中，Ej表示中心云节点j上一次运行时间；Eavg表示所有中心云节点的平均运行时间。
9.根据权利要求1所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述计算任务的迁移过程具体为：
若计算任务需要迁移，则边缘云向中心云发送计算任务的迁移请求；
中心云收到迁移请求后根据当前中心云节点的负载情况，并结合计算任务到中心云的网络传输时间成本得出最优的计算迁移决策并发送给计算任务i所在边缘云；
边缘云接收到计算任务允许迁移的指令后通过电力专用传输网络向指定的中心云节点上传需要处理的数据，并为数据上传分配相应的网络带宽资源；
中心云节点分配相应的计算资源用以处理迁移后的计算任务，并将计算结果存入数据库。
10.根据权利要求2-8任意一项所述的一种水电流域应急指挥云边计算资源协同处理方法，其特征是，所述计算任务的迁移过程具体为：
若计算任务需要迁移，则边缘云向中心云发送计算任务的迁移请求；
中心云收到迁移请求后根据当前中心云节点的负载情况，并结合计算任务到中心云的网络传输时间成本得出最优的计算迁移决策并发送给计算任务i所在边缘云；
边缘云接收到计算任务允许迁移的指令后通过电力专用传输网络向指定的中心云节点上传需要处理的数据，并为数据上传分配相应的网络带宽资源；
中心云节点分配相应的计算资源用以处理迁移后的计算任务，并将计算结果存入数据库。
CN202110894257.6A 2021-08-05 2021-08-05 一种水电流域应急指挥云边计算资源协同处理方法 Active CN113342510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110894257.6A CN113342510B (zh) 2021-08-05 2021-08-05 一种水电流域应急指挥云边计算资源协同处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110894257.6A CN113342510B (zh) 2021-08-05 2021-08-05 一种水电流域应急指挥云边计算资源协同处理方法

Publications (2)

Publication Number Publication Date
CN113342510A CN113342510A (zh) 2021-09-03
CN113342510B true CN113342510B (zh) 2021-11-02

Family

ID=77480810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110894257.6A Active CN113342510B (zh) 2021-08-05 2021-08-05 一种水电流域应急指挥云边计算资源协同处理方法

Country Status (1)

Country Link
CN (1) CN113342510B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936808A (zh) * 2022-07-21 2022-08-23 之江实验室 一种面向变电站故障检测的云边协同任务管理系统及方法
CN115277789B (zh) * 2022-08-26 2024-03-26 中国长江三峡集团有限公司 一种梯级水电站安全防护系统及方法
JP2024067227A (ja) * 2022-11-04 2024-05-17 ソニーグループ株式会社 情報処理装置、及び情報処理方法
CN115587222B (zh) * 2022-12-12 2023-03-17 阿里巴巴（中国）有限公司 分布式图计算方法、系统及设备
CN117170885B (zh) * 2023-11-03 2024-01-26 国网山东综合能源服务有限公司 基于云边协同的分布式资源优化调配方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN103176850A (zh) * 2013-04-10 2013-06-26 国家电网公司 一种基于负载均衡的电力系统网络集群任务分配方法
CN104618406A (zh) * 2013-11-05 2015-05-13 镇江华扬信息科技有限公司 一种基于朴素贝叶斯分类的负载均衡算法
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9940175B2 (en) * 2016-03-31 2018-04-10 International Business Machines Corporation Joint network and task scheduling

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN103176850A (zh) * 2013-04-10 2013-06-26 国家电网公司 一种基于负载均衡的电力系统网络集群任务分配方法
CN104618406A (zh) * 2013-11-05 2015-05-13 镇江华扬信息科技有限公司 一种基于朴素贝叶斯分类的负载均衡算法
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A slave ants based ant colony optimization algorithm for task scheduling in cloud computing environments;YoungJu Moon等;《Human-centric Computing and Information Sciences volume》;20171009;第1-10页 *
基于概率自适应蚁群算法的云任务调度方法;王俊英 等;《郑州大学学报（工学版）》;20170217;第38卷(第4期);第51-56页 *
基于移动Agent的服务器集群研究;王骞;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;CNKI;20111215(第S2期);第I139-151页 *

Also Published As

Publication number Publication date
CN113342510A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113342510B (zh) 一种水电流域应急指挥云边计算资源协同处理方法
US10924535B2 (en) Resource load balancing control method and cluster scheduler
CN108829494B (zh) 基于负载预测的容器云平台智能资源优化方法
CN105550323B (zh) 一种分布式数据库负载均衡预测方法和预测分析器
US8745434B2 (en) Platform for continuous mobile-cloud services
Sonbol et al. EdgeKV: Decentralized, scalable, and consistent storage for the edge
CN102281290B (zh) 一种PaaS云平台的仿真系统及方法
CN111147307A (zh) 基于深度强化学习的服务功能链可靠部署方法
TWI725744B (zh) 透過多層次相關性建立系統資源預測及資源管理模型的方法
CN104618153B (zh) 分布式并行图处理中基于p2p的动态容错方法及系统
CN110858973A (zh) 小区网络流量预测方法及装置
CN112148492A (zh) 一种考虑多用户移动性的服务部署和资源分配方法
CN110322931A (zh) 一种碱基识别方法、装置、设备及存储介质
Filip et al. Data capsule: Representation of heterogeneous data in cloud-edge computing
CN115134371A (zh) 包含边缘网络算力资源的调度方法、系统、设备及介质
Shafik et al. Internet of things-based energy efficiency optimization model in fog smart cities
CN112433852A (zh) 一种物联网边缘计算控制方法、装置、设备及存储介质
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
CN108153859A (zh) 一种基于Hadoop与Spark的效用次序并行确定方法
Patil et al. Memory and Resource Management for Mobile Platform in High Performance Computation Using Deep Learning
CN107301094A (zh) 面向大规模动态事务查询的动态自适应数据模型
Shefu et al. Fruit fly optimization algorithm for network-aware web service composition in the cloud
CN113014649A (zh) 一种基于深度学习的云物联负载均衡方法、装置及设备
CN115129463A (zh) 算力调度方法及装置、系统及存储介质
US20230206130A1 (en) Interactive and dynamic mapping engine (idme)

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