CN113419867B - 一种面向边云协同计算环境中节能的服务供应方法 - Google Patents

一种面向边云协同计算环境中节能的服务供应方法 Download PDF

Info

Publication number
CN113419867B
CN113419867B CN202110965082.3A CN202110965082A CN113419867B CN 113419867 B CN113419867 B CN 113419867B CN 202110965082 A CN202110965082 A CN 202110965082A CN 113419867 B CN113419867 B CN 113419867B
Authority
CN
China
Prior art keywords
edge
service
edge server
cloud
request
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
CN202110965082.3A
Other languages
English (en)
Other versions
CN113419867A (zh
Inventor
向正哲
郑宇航
何梦竹
王东京
邓水光
郑增威
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.)
Hangzhou City University
Original Assignee
Hangzhou City University
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 Hangzhou City University filed Critical Hangzhou City University
Priority to CN202110965082.3A priority Critical patent/CN113419867B/zh
Publication of CN113419867A publication Critical patent/CN113419867A/zh
Application granted granted Critical
Publication of CN113419867B publication Critical patent/CN113419867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
    • G06F11/10—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's
    • G06F11/1008—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices
    • G06F11/1044—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices with specific ECC/EDC distribution
    • 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
    • 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)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computer And Data Communications (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种面向边云协同计算环境中节能的服务供应方法，基于ECC系统中边缘服务器和云服务器的协作，使用不同的流量调度策略对它们之间的连接进行建模；同时考虑了ECC系统中每个服务实例运行时的资源分配，提出了合理的平衡模型来量化资源分配策略的可靠性；进而基于边缘服务器的能耗，根据ECC服务器中分配的资源为边缘服务器建立了服务供应的能耗模型，对ECC系统中的能效性能优化问题进行数学建模，并使用现有的凸优化算法以易于解决的方式对其进行求解，从而能让服务供应云边协同系统在在满足边云协同系统资源约束、给定能耗上限约束以及系统相对可靠的情况下，生成适当的资源分配和流量调度策略，实现服务请求处理时间的最小化目标。

Description

一种面向边云协同计算环境中节能的服务供应方法
技术领域
本发明属于多接入边缘计算领域，具体涉及一种面向边云协同计算环境中节能的服务供应方法。
背景技术
随着移动计算技术的发展，物联网（Internet of Things, IoT）技术及其市场飞速发展。根据全球移动通信系统协会（Global System for Mobile CommunicationsAssociation, GSMA）的报告，预计到2024年，全球蜂窝物联网连接总数将达到32亿。毫无疑问，物联网技术将在日常生活中扮演越来越重要的角色，并重塑人们与世界的联结方式。
但是，由于使用场景的原因，IoT设备通常没有足够的容量来集成高性能计算或存储组件，需要将收集或感测到的信息上传到云中以进行进一步分析。在此过程中，长距离通信的不稳定性将使IoT用户无法获得高效无缝的体验，尤其是当大量的IoT设备同时访问云从而导致数据量暴涨时。
为了解决这些相关问题，研究人员提出了基于多接入边缘计算（Multi-accessEdge Computing, MEC）范式的边云协同（Edge-Cloud Collaboration, ECC）系统。借助其帮助，IoT设备与云之间的计算和传输被部分迁移到边缘服务器。以便IoT设备可以轻松地通过无线网络连接到附近的边缘服务器，并将计算任务分配给它们。
用户和边缘服务器之间的短距离连接可以大大减少等待时间，并且可以充分利用边缘服务器的计算能力来完成常规任务。此外，边缘服务器不仅仅会单独发挥作用——借助EdgeSite等群集管理技术，边缘服务器之间可以相互协调以充分利用其资源。
例如，一台边缘服务器可以将服务请求分发到其他可以处理这些请求的服务器。而且，借助Kubernetes等平台即服务（Platform-as-a-Service, PaaS）技术的帮助，可以很容易地为服务分配资源。这样，通过将捕获的人脸图像与部署在边缘服务器上的人脸检测服务结合使用，可以很好地优化智能城市项目中的典型物联网数据分析任务（例如人脸识别）。
然而，这些优势不能成为在ECC环境中忽视资源分配和流量调度原因；例如，如果为紧急服务分配的资源很少，或者向具有多余资源的服务发送的请求很少，则ECC系统的性能将是不可接受的。更关键的是，如果资源分配组织不善，能耗将成为一个很大的挑战，更不用说边缘服务器通常是资源受限的。因此，为ECC系统中的IoT服务制定适当的资源分配和流量调度策略是非常重要的。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种面向边云协同计算环境中节能的服务供应方法，能让服务供应云边协同系统在满足总能耗约束的条件下尽可能提高处理服务请求的效率，实现对给定服务请求量的处理时间最短。为此，本发明采用以下技术方案：
一种面向边云协同计算环境中节能的服务供应方法，包括如下步骤：
S1、收集并统计边云协同系统中所部署服务的平均所需输入数据量大小以及各边缘服务器与它们所服务用户的平均数据传输速度，计算出边缘服务器到用户端的数据传输时间矩阵
Figure 592052DEST_PATH_IMAGE001
；
S2、根据边云协同系统中部署的各服务平均输入数据大小以及各边缘服务器之间的平均数据传输带宽，计算出边缘服务器之间的数据传输延迟矩阵
Figure 125802DEST_PATH_IMAGE002
；
S3、根据边云协同系统中处理每个服务对应的请求所需要的资源数，以及各边缘服务器对边云协同系统中各个服务的处理能力，计算出在单位时间内各边缘服务器所能够处理的各任务的数量矩阵
Figure 180345DEST_PATH_IMAGE003
；其中边缘服务器对所有任务的处理能力总和要满足资源上限约束；
S4、获取边云协同系统中各边缘服务器在单位时间内分配单位资源所需要消耗的
Figure 393546DEST_PATH_IMAGE004
, 各服务所需要消耗的资源负载
Figure 166329DEST_PATH_IMAGE005
，以及各服务器为各服务分配的资源数矩阵
Figure 238191DEST_PATH_IMAGE006
，使用以下公式对整个边云协同系统的能耗进行建模：
Figure 163552DEST_PATH_IMAGE007
其中，能耗
Figure 295457DEST_PATH_IMAGE008
满足给定上限约束；S5、获取关于各服务的请求到达各个边缘服务器的到达率，根据每个服务请求经由接入边缘服务器路由到执行边缘服务器的概率张量
Figure 289957DEST_PATH_IMAGE009
，计算出对每个边缘服务器实际处理的平均请求到达率；结合单位时间内边缘服务器
Figure 431089DEST_PATH_IMAGE010
对关于服务
Figure 709492DEST_PATH_IMAGE011
请求的处理数量
Figure 746718DEST_PATH_IMAGE012
，根据M/M/1排队模型中的里特尔规则，计算出边云协同系统对每个请求的处理时延
Figure 759674DEST_PATH_IMAGE013
，进而获取边云协同系统中任意服务请求所需要的处理时间
Figure 924070DEST_PATH_IMAGE014
；
S6、根据边云协同系统中部署的各服务平均输出数据大小以及各边缘服务器与云端的数据传输速率，计算出边缘服务器将处理后的数据上传到云端所消耗的时间矩阵
Figure 807712DEST_PATH_IMAGE015
，进而得到一次服务请求的总时长
Figure 281419DEST_PATH_IMAGE016
;
S7、根据各服务请求对边缘服务器的请求到达率矩阵
Figure 756570DEST_PATH_IMAGE017
，以及各服务请求在边缘服务器之间的路由概率张量
Figure 973924DEST_PATH_IMAGE009
，计算出各服务请求的一个闭环处理在整个边缘服务器集群系统中所占的比重
Figure 712073DEST_PATH_IMAGE018
，由此加权计算出整个边缘服务器集群系统的平均时长
Figure 622260DEST_PATH_IMAGE019
；
S8、使用损失函数
Figure 829382DEST_PATH_IMAGE020
衡量服务
Figure 850428DEST_PATH_IMAGE011
的可靠性损失，该损失满足给定上限约束；
S9、基于上述约束对目标函数
Figure 708662DEST_PATH_IMAGE019
进行最小化求解，求得矩阵
Figure 773439DEST_PATH_IMAGE006
和张量
Figure 717124DEST_PATH_IMAGE009
，从而得到每台边缘服务器针对每个服务所提供的处理能力，以及一个服务请求经由一台边缘服务器路由到另一台边缘服务器的概率；
S10、根据求得的矩阵
Figure 276282DEST_PATH_IMAGE006
和张量
Figure 989023DEST_PATH_IMAGE009
，进行对每个边缘服务器针对每一种服务提供处理能力的资源分配，以及设置每种服务请求路由到其他边缘服务器的概率参数。
进一步的，步骤S1中，矩阵
Figure 991745DEST_PATH_IMAGE001
的每行对应一个服务，每列对应一台边缘服务器，每个元素由服务平均输入数据大小
Figure 422726DEST_PATH_IMAGE021
与边缘服务器和使用该服务的客户端间的数据传输速率
Figure 519995DEST_PATH_IMAGE022
相除得到。
进一步的，步骤S5和S6中，张量
Figure 605019DEST_PATH_IMAGE023
和
Figure 762331DEST_PATH_IMAGE024
为3D张量，形状均为M*N*N，其中M为服务数，N为边缘服务器数；其中
Figure 680609DEST_PATH_IMAGE023
为边云协同系统中任意服务请求所需要的处理时间，
Figure 332301DEST_PATH_IMAGE024
为IoT设备发起的一个服务请求从发出到数据上传到云端的总时间。
进一步的，步骤S3中，矩阵
Figure 19634DEST_PATH_IMAGE003
的每行对应一个边缘服务器，每列对应一个服务其中第k行第i列元素
Figure 613427DEST_PATH_IMAGE012
为边缘服务器
Figure 753421DEST_PATH_IMAGE010
对服务
Figure 707339DEST_PATH_IMAGE011
的处理能力，代表单位时间内边缘服务器
Figure 249179DEST_PATH_IMAGE010
处理关于服务
Figure 748294DEST_PATH_IMAGE011
请求的数量，其数值由边缘服务器
Figure 391896DEST_PATH_IMAGE010
分配给服务
Figure 634658DEST_PATH_IMAGE011
的资源
Figure 296584DEST_PATH_IMAGE025
除以每个服务所需的资源数
Figure 966599DEST_PATH_IMAGE026
计算得到；所述资源上限约束为：
Figure 333383DEST_PATH_IMAGE027
，其中
Figure 379837DEST_PATH_IMAGE028
即为边缘服务器
Figure 161848DEST_PATH_IMAGE010
的负载上限。
进一步的，步骤S5中，
Figure 19076DEST_PATH_IMAGE009
为一个3D张量形状为M*N*N，其中元素
Figure 620959DEST_PATH_IMAGE029
为关于服务
Figure 205524DEST_PATH_IMAGE011
的请求经由边缘服务器
Figure 825730DEST_PATH_IMAGE030
路由到边缘服务器
Figure 103128DEST_PATH_IMAGE010
进行处理的概率，其中
Figure 192307DEST_PATH_IMAGE031
，因此有约束
Figure 65716DEST_PATH_IMAGE032
。
进一步的，步骤S7中，服务
Figure 822319DEST_PATH_IMAGE011
的请求到达边缘服务器
Figure 5039DEST_PATH_IMAGE030
的到达率代表单位时间到达请求的数量
Figure 315934DEST_PATH_IMAGE033
，对于边缘服务器
Figure 760079DEST_PATH_IMAGE010
所需要处理的请求
Figure 371189DEST_PATH_IMAGE011
的到达率
Figure 724810DEST_PATH_IMAGE034
，有
Figure 273734DEST_PATH_IMAGE035
；对于一个关于服务
Figure 269372DEST_PATH_IMAGE011
的请求，边缘服务器
Figure 469409DEST_PATH_IMAGE010
的处理时延为
Figure 243199DEST_PATH_IMAGE036
，根据里特尔规则可以计算为
Figure 528686DEST_PATH_IMAGE037
。
进一步的，对于一个关于服务
Figure 328015DEST_PATH_IMAGE011
的请求，经边缘服务器
Figure 382559DEST_PATH_IMAGE030
路由到边缘服务器
Figure 94294DEST_PATH_IMAGE010
处理完成并返回的总延迟为
Figure 867078DEST_PATH_IMAGE038
，定义
Figure 938939DEST_PATH_IMAGE039
为传输延迟。
进一步的，每个请求的一次闭环处理在整个边云协同系统中所占的比重
Figure 377485DEST_PATH_IMAGE040
，根据各服务请求对边缘服务器的请求到达率
Figure 509389DEST_PATH_IMAGE033
，以及各服务请求在边缘服务器之间的路由概率
Figure 503889DEST_PATH_IMAGE029
，可得
Figure 379441DEST_PATH_IMAGE041
，其中整个边云协同系统收到的所有请求的总数
Figure 159310DEST_PATH_IMAGE042
。
进一步的，令
Figure 462115DEST_PATH_IMAGE043
,使得
Figure 209491DEST_PATH_IMAGE044
，
Figure 872423DEST_PATH_IMAGE045
，所有请求处理的平均时延由
Figure 756065DEST_PATH_IMAGE046
计算得到，其中
Figure 495351DEST_PATH_IMAGE047
，
Figure 215176DEST_PATH_IMAGE048
，
Figure 698110DEST_PATH_IMAGE049
。
进一步的，根据边云协同系统中各边缘服务器在单位时间内分配单位资源所需要消耗的成本
Figure 701838DEST_PATH_IMAGE004
，各服务所需要消耗的资源负载
Figure 598644DEST_PATH_IMAGE005
，计算得到边云协同系统运行的总能耗
Figure 55033DEST_PATH_IMAGE050
，能耗满足约束
Figure 76078DEST_PATH_IMAGE051
。
本发明的面向边云协同计算环境中节能的服务供应方法，基于ECC系统中边缘服务器和云的协作，并使用不同的流量调度策略对它们之间的连接进行建模；同时考虑了ECC系统中每个服务实例的分布以及分配给它们的资源，并提出了合理的平衡模型来量化资源分配策略的可靠性。进而基于边缘服务器的能耗，并根据ECC服务器中分配的资源为边缘服务器建立了一个简单而有效的能耗模型，对ECC系统中的能效性能优化问题进行数学建模，并使用现有的凸优化算法以易于解决的方式对其进行求解，从而能让服务供应云边协同系统在在满足边云协同系统资源约束、给定能耗上限约束以及系统相对可靠的情况下，生成适当的资源分配和流量调度策略，实现服务请求处理时间的最小化目标。
具体实施方式
为了更为具体地描述本发明，下面结合具体实施方式对本发明的技术方案进行详细说明。
本发明基于面向边云协同计算环境中节能的服务供应方法，包括以下步骤：
（1）获取边云协同系统中所部署服务的所需输入数据量大小
Figure 934313DEST_PATH_IMAGE052
，以及各边缘服务器与用户端的数据传输速度
Figure 31713DEST_PATH_IMAGE053
，计算出边缘服务器到用户端的数据传输延迟矩阵
Figure 975398DEST_PATH_IMAGE054
；
（2）获取边云协同系统中部署的各服务输入数据大小
Figure 314982DEST_PATH_IMAGE052
以及各边缘服务器之间的数据传输带宽
Figure 27723DEST_PATH_IMAGE055
，计算出边缘服务器之间的数据传输延迟张量
Figure 279713DEST_PATH_IMAGE056
；
（3）类似的，根据各服务的输出数据大小
Figure 195847DEST_PATH_IMAGE057
以及以及各边缘服务器与云端的数据传输速率
Figure 293116DEST_PATH_IMAGE058
，计算出边缘服务器将处理后的数据上传到云端所消耗的时间
Figure 391522DEST_PATH_IMAGE059
；
（4）根据边云协同系统中处理每个服务对应的请求所需要的资源数/工作负载
Figure 801031DEST_PATH_IMAGE026
，以及各边缘服务器对边云协同系统中各个服务的处理能力
Figure 719309DEST_PATH_IMAGE025
，计算出在单位时间内各边缘服务器所能够处理的各任务的数量
Figure 620269DEST_PATH_IMAGE060
；其中边缘服务器对所有任务的处理能力总和要满足资源上限约束
Figure 307602DEST_PATH_IMAGE061
，即
Figure 652127DEST_PATH_IMAGE062
；
（5）获取关于各服务的请求到达各个边缘服务器的到达率
Figure 792121DEST_PATH_IMAGE033
，根据每个服务请求经由服务器
Figure 496772DEST_PATH_IMAGE030
路由到
Figure 287879DEST_PATH_IMAGE010
的概率
Figure 52573DEST_PATH_IMAGE009
，计算出对每个边缘服务器实际处理的平均请求到达率
Figure 679863DEST_PATH_IMAGE035
，即单位时间内关于各个服务的请求需要被边缘服务器
Figure 938937DEST_PATH_IMAGE010
进行处理的数量。结合单位时间内边缘服务器
Figure 335284DEST_PATH_IMAGE010
对关于服务
Figure 5299DEST_PATH_IMAGE011
请求的处理数量
Figure 637662DEST_PATH_IMAGE012
，根据M/M/1排队模型中的‘里特尔’规则，计算出边云协同系统对每个请求的处理时延
Figure 684116DEST_PATH_IMAGE037
；
（6）根据所述信息可以获得边云协同系统中任意服务请求所需要的总延迟
Figure 200548DEST_PATH_IMAGE038
，其中令
Figure 41465DEST_PATH_IMAGE039
;
（7）令
Figure 659659DEST_PATH_IMAGE043
,使得
Figure 244224DEST_PATH_IMAGE044
，
Figure 880742DEST_PATH_IMAGE045
。根据各服务请求对边缘服务器的请求到达率
Figure 141828DEST_PATH_IMAGE033
，以及各服务请求在边缘服务器之间的路由概率
Figure 231007DEST_PATH_IMAGE063
，计算出各服务请求的一个闭环处理在整个边云协同系统中所占的比重，即
Figure 619263DEST_PATH_IMAGE041
，由此计算出整个边云协同系统的平均时延，也即优化目标函数：
Figure 595440DEST_PATH_IMAGE046
，
其中
Figure 43739DEST_PATH_IMAGE047
，
Figure 354635DEST_PATH_IMAGE048
，
Figure 546582DEST_PATH_IMAGE049
;
（8）根据边云协同系统中各边缘服务器在单位时间内分配单位资源所需要消耗的成本
Figure 398170DEST_PATH_IMAGE004
，各服务所需要消耗的资源负载
Figure 17370DEST_PATH_IMAGE005
，可以计算得到边云协同系统运行的总能耗
Figure 815562DEST_PATH_IMAGE050
，能耗满足约束
Figure 296353DEST_PATH_IMAGE051
;
（9）为了在系统崩溃时边云协同系统的性能不会显著降低，需要平衡ECC系统中的资源分布，因此，使用损失函数
Figure 761969DEST_PATH_IMAGE020
来衡量服务
Figure 286492DEST_PATH_IMAGE011
的可靠性损失，该损失满足给定上限约束
Figure 86826DEST_PATH_IMAGE064
，构造常量
Figure 354996DEST_PATH_IMAGE065
从向量
Figure 409540DEST_PATH_IMAGE066
中筛选出
Figure 370543DEST_PATH_IMAGE067
，即
Figure 159638DEST_PATH_IMAGE068
;
（10）根据上述问题，有优化问题
Figure 231500DEST_PATH_IMAGE069
：
Figure 406129DEST_PATH_IMAGE070
（13）对上述目标函数
Figure 790230DEST_PATH_IMAGE019
进行最小化求解，以求得矩阵
Figure 315890DEST_PATH_IMAGE006
和张量
Figure 942174DEST_PATH_IMAGE009
，即每台边缘服务器针对每个服务所提供的处理能力，以及一个服务请求经由一台边缘服务器路由到另一台边缘服务器的概率；
（14）根据上述求得的矩阵
Figure 971310DEST_PATH_IMAGE006
和张量
Figure 539695DEST_PATH_IMAGE009
，进行对每个边缘服务器针对每一种服务提供处理能力的资源分配，以及设置每种服务请求路由到其他边缘服务器的概率参数，即可实现在给定能耗上限约束，各边缘服务器负载上限，以及系统相对可靠的情况下，实现服务请求处理时间的最小化。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种面向边云协同计算环境中节能的服务供应方法，其特征在于包括如下步骤：
S1、收集并统计边云协同系统中所部署服务的平均所需输入数据量大小以及各边缘服务器与它们所服务用户的平均数据传输速度，计算出边缘服务器到用户端的数据传输时间矩阵
Figure FDA0003342399520000011
S2、根据边云协同系统中部署的各服务平均输入数据大小以及各边缘服务器之间的平均数据传输带宽，计算出边缘服务器之间的数据传输延迟矩阵
Figure FDA0003342399520000012
S3、根据边云协同系统中处理每个服务对应的请求所需要的资源数，以及各边缘服务器对边云协同系统中各个服务的处理能力，计算出在单位时间内各边缘服务器所能够处理的各任务的数量矩阵γ；其中边缘服务器对所有任务的处理能力总和要满足资源上限约束；
S4、获取边云协同系统中各边缘服务器在单位时间内分配单位资源所需要消耗的资源η,各服务所需要消耗的资源负载w，以及各服务器为各服务分配的资源数矩阵μ，使用以下公式对整个边云协同系统的能耗进行建模：
Figure FDA0003342399520000013
其中，能耗E(μ)满足给定上限约束；
S5、获取关于各服务的请求到达各个边缘服务器的到达率，根据每个服务请求经由接入边缘服务器路由到执行边缘服务器的概率张量θ，计算出对每个边缘服务器实际处理的平均请求到达率；结合单位时间内边缘服务器k对关于服务i请求的处理数量γk,i，根据M/M/1排队模型中的里特尔规则，计算出边云协同系统对每个请求的处理时延
Figure FDA0003342399520000014
进而获取边云协同系统中任意服务请求所需要的处理时间
Figure FDA0003342399520000015
S6、根据边云协同系统中部署的各服务平均输出数据大小以及各边缘服务器与云端的数据传输速率，计算出边缘服务器将处理后的数据上传到云端所消耗的时间矩阵
Figure FDA0003342399520000021
进而得到一次服务请求的总时长
Figure FDA0003342399520000022
S7、根据各服务请求对边缘服务器的请求到达率矩阵Λ，以及各服务请求在边缘服务器之间的路由概率张量θ，计算出各服务请求的一个闭环处理在整个边缘服务器集群系统中所占的比重Pr，由此加权计算出整个边缘服务器集群系统的平均时长
Figure FDA0003342399520000023
S8、使用损失函数li(μ)＝max(μ*,i)-min(μ*,i)衡量服务si的可靠性损失，该损失满足给定上限约束；
S9、对由目标函数
Figure FDA0003342399520000024
及能耗约束、可靠性约束构成的最优化问题进行最小化求解，求得矩阵μ和张量θ，从而得到每台边缘服务器针对每个服务所提供的处理能力，以及一个服务请求经由一台边缘服务器路由到另一台边缘服务器的概率；
S10、根据求得的矩阵μ和张量θ，进行对每个边缘服务器针对每一种服务提供处理能力的资源分配，以及设置每种服务请求路由到其他边缘服务器的概率参数。
2.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：步骤S1中，矩阵
Figure FDA0003342399520000025
的每行对应一个服务，每列对应一台边缘服务器，每个元素由服务平均输入数据大小dI与边缘服务器和使用该服务的客户端间的数据传输速率v相除得到。
3.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：步骤S5和S6中，张量
Figure FDA0003342399520000026
和T为3D张量，形状均为M*N*N，其中M为服务数，N为边缘服务器数；张量中的每个元素
Figure FDA0003342399520000027
为边云协同系统中任意服务请求所需要的处理时间，T’i,j,k为IoT设备发起的一个服务请求发出到数据上传到云端的总时间。
4.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：步骤S3中，矩阵γ的每行对应一个边缘服务器，每列对应一个服务，其中第k行第i列元素γk，i为边缘服务器hk对服务si的处理能力，代表单位时间内边缘服务器hk处理关于服务si请求的数量，其数值由边缘服务器hk分配给服务si的资源μk，i除以每个服务所需的资源数wi计算得到；所述资源上限约束为
Figure FDA0003342399520000031
其中
Figure FDA0003342399520000032
即为边缘服务器hk的负载上限。
5.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：步骤S5中，θ为一个3D张量，形状为M*N*N，其中元素θi，j，k为关于服务si的请求经由边缘服务器hj路由到边缘服务器hk进行处理的概率，其中0≤θi，j，k≤1，因此有约束
Figure FDA0003342399520000033
6.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：步骤S7中，服务si的请求到达边缘服务器hj的到达率代表单位时间到达请求的数量Λj，i，对于边缘服务器hk所需要处理的请求si的到达率λk，i，有
Figure FDA0003342399520000034
Figure FDA0003342399520000035
对于一个关于服务si的请求，边缘服务器hk的处理时延为
Figure FDA0003342399520000036
根据里特尔规则可以计算为
Figure FDA0003342399520000037
7.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：对于一个关于服务si的请求，经边缘服务器hj路由到边缘服务器hk处理完成并返回的总延迟为
Figure FDA0003342399520000038
定义
Figure FDA0003342399520000039
Figure FDA00033423995200000310
为传输延迟。
8.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：每个请求的一次闭环处理在整个边云协同系统中所占的比重Pr(s＝si|Ht＝hj|Hp＝hk)，根据各服务请求对边缘服务器的请求到达率Λj，i，以及各服务请求在边缘服务器之间的路由概率θi，j，k，可得
Figure FDA00033423995200000311
Figure FDA00033423995200000312
其中整个边云协同系统收到的所有请求的总数
Figure FDA00033423995200000313
Figure FDA00033423995200000314
9.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：令x＝(μ，θ)，使得
Figure FDA0003342399520000041
所有请求处理的平均时延由
Figure FDA0003342399520000042
计算得到，其中
Figure FDA0003342399520000043
Figure FDA0003342399520000044
10.根据权利要求1所述的面向边云协同计算环境中节能的服务供应方法，其特征在于：根据边云协同系统中各边缘服务器在单位时间内分配单位资源所需要消耗的成本η，各服务所需要消耗的资源负载w，计算得到边云协同系统运行的总能耗
Figure FDA0003342399520000045
能耗满足约束E(μ)≤Emax。
CN202110965082.3A 2021-08-23 2021-08-23 一种面向边云协同计算环境中节能的服务供应方法 Active CN113419867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110965082.3A CN113419867B (zh) 2021-08-23 2021-08-23 一种面向边云协同计算环境中节能的服务供应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110965082.3A CN113419867B (zh) 2021-08-23 2021-08-23 一种面向边云协同计算环境中节能的服务供应方法

Publications (2)

Publication Number Publication Date
CN113419867A CN113419867A (zh) 2021-09-21
CN113419867B true CN113419867B (zh) 2022-01-18

Family

ID=77719137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110965082.3A Active CN113419867B (zh) 2021-08-23 2021-08-23 一种面向边云协同计算环境中节能的服务供应方法

Country Status (1)

Country Link
CN (1) CN113419867B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615264B (zh) * 2022-02-22 2024-02-09 东南大学 边云协同计算环境下的城市交通网络数据传输分配方法
CN114698119B (zh) * 2022-03-31 2024-09-17 合肥工业大学 配网分布式保护系统的5g通信/云边计算资源协同分配方法
CN114841952B (zh) * 2022-04-28 2024-05-03 华南理工大学 一种云边协同的早产儿视网膜病变检测系统及检测方法
CN114844900B (zh) * 2022-05-05 2022-12-13 中南大学 一种基于不确定需求下的边云资源协作方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN110928658A (zh) * 2019-11-20 2020-03-27 湖南大学 一种车边云协同架构的协同任务迁移系统及算法
CN111356107A (zh) * 2018-12-21 2020-06-30 大众汽车有限公司 用于运行分散式计算网络、尤其其边缘云计算机的方法
CN111756812A (zh) * 2020-05-29 2020-10-09 华南理工大学 一种能耗感知的边云协同动态卸载调度方法
CN112689303A (zh) * 2020-12-28 2021-04-20 西安电子科技大学 一种边云协同资源联合分配方法、系统及应用
CN112835708A (zh) * 2020-12-14 2021-05-25 浙大城市学院 一种面向边缘计算环境中移动群体感知系统的高质量任务分配与服务部署方法
CN113032146A (zh) * 2021-03-19 2021-06-25 浙大城市学院 一种面向多接入边缘计算环境的健壮性服务供应方法
CN113157430A (zh) * 2020-12-14 2021-07-23 浙大城市学院 一种面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111356107A (zh) * 2018-12-21 2020-06-30 大众汽车有限公司 用于运行分散式计算网络、尤其其边缘云计算机的方法
US11012502B2 (en) * 2018-12-21 2021-05-18 Volkswagen Aktiengesellschaft Method for operating a decentralized computing network, in particular an edge cloud computer of the decentralized computing network
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN110928658A (zh) * 2019-11-20 2020-03-27 湖南大学 一种车边云协同架构的协同任务迁移系统及算法
CN111756812A (zh) * 2020-05-29 2020-10-09 华南理工大学 一种能耗感知的边云协同动态卸载调度方法
CN112835708A (zh) * 2020-12-14 2021-05-25 浙大城市学院 一种面向边缘计算环境中移动群体感知系统的高质量任务分配与服务部署方法
CN113157430A (zh) * 2020-12-14 2021-07-23 浙大城市学院 一种面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法
CN112689303A (zh) * 2020-12-28 2021-04-20 西安电子科技大学 一种边云协同资源联合分配方法、系统及应用
CN113032146A (zh) * 2021-03-19 2021-06-25 浙大城市学院 一种面向多接入边缘计算环境的健壮性服务供应方法

Also Published As

Publication number Publication date
CN113419867A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113419867B (zh) 一种面向边云协同计算环境中节能的服务供应方法
WO2020216135A1 (zh) 基于边-端协同的多用户多mec任务卸载资源调度方法
Lin et al. Cost-driven off-loading for DNN-based applications over cloud, edge, and end devices
Sadatdiynov et al. A review of optimization methods for computation offloading in edge computing networks
CN107450982B (zh) 一种基于系统状态的任务调度方法
CN109582448B (zh) 一种面向关键度和时效性的边缘计算任务调度方法
CN112004239A (zh) 一种基于云边协同的计算卸载方法及系统
CN111953758A (zh) 一种边缘网络计算卸载和任务迁移方法及装置
CN111641973B (zh) 一种雾计算网络中基于雾节点协作的负载均衡方法
Sufyan et al. Computation offloading for distributed mobile edge computing network: A multiobjective approach
WO2023040022A1 (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN112118312B (zh) 一种面向边缘服务器的网络突发负载疏散方法
Sun et al. Energy-efficient multimedia task assignment and computing offloading for mobile edge computing networks
CN111614754B (zh) 面向雾计算的成本效率优化的动态自适应任务调度方法
CN109041130A (zh) 基于移动边缘计算的资源分配方法
CN109947551A (zh) 一种多轮次任务分配方法、边缘计算系统及其存储介质
CN110401936A (zh) 一种基于d2d通信的任务卸载与资源分配方法
CN104619029A (zh) 一种集中式蜂窝网络架构下的基带池资源分配方法和装置
Li et al. Computation offloading and service allocation in mobile edge computing
Mebrek et al. Intelligent resource allocation and task offloading model for IoT applications in fog networks: a game-theoretic approach
CN114691372A (zh) 一种多媒体端边云系统的群体智能控制方法
CN113032146A (zh) 一种面向多接入边缘计算环境的健壮性服务供应方法
CN103533052B (zh) 一种群智感知系统中任务接入和分配的在线控制方法
CN117149351A (zh) 一种基于预测的边缘协同计算迁移方法及系统
Narayana et al. A research on various scheduling strategies in fog computing environment

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