CN113434206A - 智能电网计算卸载的方法及装置 - Google Patents

智能电网计算卸载的方法及装置 Download PDF

Info

Publication number
CN113434206A
CN113434206A CN202110580627.9A CN202110580627A CN113434206A CN 113434206 A CN113434206 A CN 113434206A CN 202110580627 A CN202110580627 A CN 202110580627A CN 113434206 A CN113434206 A CN 113434206A
Authority
CN
China
Prior art keywords
computing
task
time delay
computing task
edge server
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
Application number
CN202110580627.9A
Other languages
English (en)
Other versions
CN113434206B (zh
Inventor
陆继钊
孟慧平
党芳芳
董刚松
刘远
杨杨
张艺馨
赵斌男
李强
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.)
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Henan Electric Power 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 State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110580627.9A priority Critical patent/CN113434206B/zh
Publication of CN113434206A publication Critical patent/CN113434206A/zh
Application granted granted Critical
Publication of CN113434206B publication Critical patent/CN113434206B/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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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
    • G06F9/5038—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 execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multi Processors (AREA)
  • Power Sources (AREA)

Abstract

本发明提供一种智能电网计算卸载的方法及装置，其方法包括：获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；并确定每个所述计算任务的时延增益；基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载。通过本发明提供的智能电网计算卸载方法，以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。

Description

智能电网计算卸载的方法及装置
技术领域
本发明涉及智能电网领域，尤其涉及智能电网计算卸载的方法及装置。
背景技术
智能电网就是电网的智能化，也被称为“电网2.0”，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标。
目前智能电网以物联网、云计算、边缘计算为代表的新一代信息技术为支撑，其中大量存在电力泛在终端进行协调工作，这些终端应用的计算任务通常需要使用终端设备上集成的传感器实时捕捉数据，由于计算任务对于数据的获取和响应通常具有很高的时延敏感度，服务的低响应时长在用户体验中凸显重要性。
在这一前提下，智能设备利用边缘计算技术将一些计算任务卸载到边缘服务器，同时边缘服务器通过配置可共享缓存以避免不必要的数据传输，为高时延敏感度提供了一定的支持。但是目前投入实践的智能电网中，设备独立自主地进行卸载决策，决策过程常专注于研究如何对计算任务进行分解以便于进行部分卸载，以及不同优化目标下的计算卸载策略，并没有考虑到执行卸载过程时，数据响应时间被延长的问题，因而无法使低时延得到持续的保证，严重影响用户“智能化”的体验。
发明内容
针对现有技术存在的问题，本发明提供智能电网计算卸载的方法及装置。
第一方面，本发明提供智能电网计算卸载的方法，包括：获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
可选的，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序之前，还包括：
当所述计算任务本地执行的时延小于等于所述计算任务的最大卸载时延时，将所述计算任务从第一计算任务集合中删除，更新所述第一计算任务集合。
可选的，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序，包括：
基于贪心策略对所述更新后的第一计算任务集合中每个所述计算任务的时延增益进行降序排序，并得到所述更新后的第一计算任务集合的每个计算任务的排序号。
可选的，所述最小化总时延优化模型包括：
获取所述第一计算任务集合中每个计算任务在本地执行的时间，结合本地卸载决策变量，确定每个所述计算任务本地执行的时延；
根据本地卸载决策变量确定在本地执行的计算任务的集合
Figure BDA0003085977190000031
获取所述第一计算任务集合中每个计算任务从本地到边缘服务器的卸载时间，以及所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，每个计算任务在边缘服务器执行的时间，结合边缘服务器卸载决策变量，确定每个所述计算任务最大卸载时延；
根据边缘服务器卸载决策变量确定在边缘服务器执行的计算任务的集合
Figure BDA0003085977190000032
确定本地执行的计算任务的集合
Figure BDA0003085977190000033
中每个所述计算任务本地执行的时延，以及边缘服务器执行的计算任务的集合
Figure BDA0003085977190000034
中每个所述计算任务最大卸载时延，求和作为所有计算任务执行的总时延；
根据边缘服务器的最大可用资源，以及每个计算任务分组被分配的计算资源比例，对所述最大卸载时延进行优化，得到最小化总时延优化模型；
所述最小化总时延优化模型满足：
所述总时延最小；
所述每个计算任务的本地卸载决策变量与边缘服务器卸载决策变量之和为一；
本地执行的计算任务的集合
Figure BDA0003085977190000035
与边缘服务器执行的计算任务的集合
Figure BDA0003085977190000036
的交集，与第一计算任务集合相同；
对边缘服务器执行的计算任务的集合中每个计算任务分组被分配的计算资源比例求和，得到的值小于等于一。
可选的，所述根据最小化总时延优化模型，对排序后的所述计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载，具体包括：
初始化本地执行的计算任务的集合
Figure BDA0003085977190000041
为所述更新后的第一计算任务集合，边缘服务器执行计算任务集合
Figure BDA0003085977190000042
为空；
确定所述本地执行的计算任务的集合
Figure BDA0003085977190000043
中所有计算任务的总时延t0；
按照排序号依次提取所述本地执行的计算任务的集合
Figure BDA0003085977190000044
中一个计算任务，加入所述边缘服务器执行计算任务集合
Figure BDA0003085977190000045
基于最小化总时延优化模型，计算提取后的所述本地执行的计算任务的集合
Figure BDA0003085977190000046
和加入后的所述边缘服务器执行的计算任务的集合
Figure BDA0003085977190000047
中所有计算任务的总时延t′；
基于所述总时延t0和所述总时延t′，确定时间增益θ′；
若θ′＞0，对应的更新所述本地执行的计算任务的集合
Figure BDA0003085977190000048
和所述边缘服务器执行的计算任务的集合
Figure BDA0003085977190000049
并同步更新本地卸载决策变量以及边缘卸载决策变量，更新所述总时延t0为所述总时延t′；
若θ′≤0，根据更新后的所述边缘服务器执行计算任务集合
Figure BDA00030859771900000410
执行计算卸载。
第二方面，本发明还提供智能电网计算卸载的设备，包括存储器，收发机，处理器；
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于执行所述存储器中的计算机程序并实现如下步骤：
获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
第三方面，本发明还提供智能电网计算卸载的装置，所述装置包括：
获取时延模块，用于获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
确定时延增益模块，用于基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
排序模块，用于基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
卸载模块，用于根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
第四方面，本发明还提供处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面所述智能电网计算卸载的方法的步骤。
本发明提供的智能电网计算卸载的方法及装置，通过以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的智能电网计算卸载的方法的流程示意图之一；
图2是本发明提供的智能电网计算卸载的方法流程图；
图3是本发明提供的智能电网计算卸载的设备的结构示意图；
图4为本发明提供的智能电网计算卸载的装置的结构示意图。
具体实施方式
本发明中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
智能电网场景下的新型应用通常对时延敏感度有很高的要求，电力泛在终端设备通常会独立自主地对计算任务进行计算卸载决策来为低时延提供支持，大量现有的针对计算卸载决策的方法在决策过程专注于研究如何对计算任务进行分解以便于进行部分卸载，并没有考虑到执行卸载过程时，数据响应时间被延长的情况，无法持续保证用户对高时延敏感度的需求。此外，在解决计算卸载问题的同时还需要考虑到缓存会给计算卸载机制的确定增加复杂度，对此，常见的处理方式是将计算卸载问题和数据缓存问题进行分别独立求解，这种方式忽略了数据文件缓存会影响数据传输时间进而影响计算卸载决策的问题。本发明针对上述问题，以在计算资源和缓存空间约束下最小化总时延为目标进行优化问题的建模，提出了一种将计算卸载和数据缓存联合优化的方案，该方案设计了一种基于时延增益的智能电网计算卸载方法，将时延增益设定为贪心策略，研究数据文件在计算卸载过程中如何制定卸载决策以及分配计算资源，达到低时延的目标。
首先，对本发明提供的智能电网计算卸载的方法及装置中使用的变量做出说明。使用的变量如下:
n：边缘服务器；
m：连接到边缘服务器的智能设备；
M：连接到边缘服务器的智能设备的集合；
Fn：边缘服务器n具有的有限的计算可用资源；
Am：智能设备m所执行的计算任务，以一个二元组来表示Am＝{Dm,Xm}；
Figure BDA0003085977190000071
表示一个计算任务集；
Dm：计算任务的数据量大小；
Xm：计算任务所需的计算资源密度；
Figure BDA0003085977190000081
智能设备m在本地执行计算任务Am时所需要的执行时间；
Figure BDA0003085977190000082
智能设备m的计算能力；
Figure BDA0003085977190000083
从智能设备m到边缘服务器n的任务卸载时间；
ζm,n：智能设备m与边缘服务器n之间每单位计算任务的传输时间；
Figure BDA0003085977190000084
智能设备m卸载的计算任务Am在边缘服务器n上的执行时间；
Figure BDA0003085977190000085
边缘服务器n为每个计算任务分配的计算能力；
Figure BDA0003085977190000086
表示智能设备m是否选择在其本地来执行计算任务Am(
Figure BDA0003085977190000087
意味着是，
Figure BDA0003085977190000088
意味着否)；
Figure BDA0003085977190000089
表示智能设备m是否选择在边缘服务器n执行计算任务Am(
Figure BDA00030859771900000810
意味着是，
Figure BDA00030859771900000811
意味着否)；
t：系统的整体时延；
T：执行计算任务的时延集合；
λ：边缘服务器计算资源分配变量；
θ：时延增益。
图1是本发明提供的智能电网计算卸载的方法的流程示意图之一。如图1所示，该方法包括如下步骤：
步骤101、获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
具体的，步骤101具体包括：
S11、各计算任务的量化表示；
智能电网场景下的边缘服务器n通常具有有限的计算可用资源Fn和缓存容量Cn，连接到边缘服务器n的智能设备集合表示为M＝{1,2,…,m,…,M}。假设每个智能设备在一个时隙中都有一个要完成的计算任务，那么该场景中的计算任务集为
Figure BDA0003085977190000091
计算任务的特征主要在于两个参数：计算任务的数据量大小Dm和计算任务所需的计算资源密度Xm(cycles/bit)，因此将计算任务用一个二元组来表示Am＝{Dm,Xm}。假设当前时隙内计算任务Am所需的数据文件还没有被缓存在边缘服务器的可共享缓存中。此时，智能设备上的计算任务存在着两种可能的执行方式，分别为在智能设备本地执行和卸载到边缘服务器来执行。
在本场景中，如果将计算任务卸载到边缘服务器执行，需要将计算任务所需的数据文件传输给边缘服务器。为了获得系统的总时延t，针对两种可能的执行方式，分别计算出对应的时延；
S12、计算智能设备m在本地执行计算任务Am的时延；
其中，步骤S12具体包括：
S121、计算智能设备m在本地执行计算任务Am时的执行时间
Figure BDA0003085977190000092
Figure BDA0003085977190000093
其中，
Figure BDA0003085977190000094
为智能设备m的计算能力。
S13、计算边缘服务器n上执行智能设备m的计算任务Am的最大卸载时延；
其中，步骤S13具体包括：
S131、当智能设备m将计算任务Am卸载到边缘服务器n执行时，计算卸载的过程包括两个部分：从智能设备m到边缘服务器n的卸载过程，以及在边缘服务器n上的执行过程。
从智能设备m到边缘服务器n的任务卸载时间
Figure BDA0003085977190000095
为：
Figure BDA0003085977190000096
其中，ζm,n是智能设备m与边缘服务器n之间每单位计算任务的传输时间，为了简化模型，本发明中不考虑带宽分配以及信道中的噪声影响等问题。
“最大卸载”为边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务。对于任一时刻，智能设备m卸载的计算任务Am在边缘服务器n的执行时间
Figure BDA0003085977190000101
表示为：
Figure BDA0003085977190000102
其中，
Figure BDA0003085977190000103
为边缘服务器n为每个计算任务所分配的最大可用计算能力。
S132、那么在边缘服务器n上执行智能设备m的计算任务Am的时延为：
Figure BDA0003085977190000104
本发明针对一个确定的边缘服务器进行说明，对应的公式(4)也可表示为：
Figure BDA0003085977190000105
通过公式(1)和公式(5)，可以得到第一计算任务集合中，每个计算任务本地执行的时延集合，以及每个计算任务的最大卸载时延集合。
步骤102、基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
具体的，每个计算任务的时延增益θ按照如下公式计算：
Figure BDA0003085977190000106
其中
Figure BDA0003085977190000107
基于公式(6)，可确定第一计算任务集合中每个计算任务的时延增益，并构成了第一计算任务集合的时延增益集合。
步骤103、基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
具体的，按照时延增益θ对计算任务进行排序，将排序后的计算任务集合记为
Figure BDA0003085977190000111
这里的排序方式可能有多种，常见的方式是降序或者升序，而不论按照时延增益θ降序或者升序排序，计算任务的时延增益越大，该计算任务就越可能选择卸载到边缘服务器的方式来执行，以尽可能地减少时延。
步骤104、根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载。
具体的，最小化总时延优化模型是指将所有的计算任务分类后，分别分配给本地执行或者边缘服务器执行，两者同时执行的情况下，总时延最小。通过确定需要在边缘服务器执行的计算任务集合，即确定了需要执行卸载任务的集合。
本发明提供的智能电网计算卸载的方法，通过以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。
可选地，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序之前，还包括：
当所述计算任务本地执行的时延小于等于所述计算任务的最大卸载时延时，将所述计算任务从第一计算任务集合中删除，更新所述第一计算任务集合。
具体的，为每一计算任务Am比较其本地执行时延
Figure BDA0003085977190000112
和“最大卸载”时延
Figure BDA0003085977190000113
的大小，如果
Figure BDA0003085977190000114
说明在边缘服务器将全部的计算资源都分配给计算任务Am的情况下，在边缘服务器执行计算任务的时延都比在智能设备本地执行计算任务的时延长，那么该计算任务一定会在本地执行，这样既能使时延变得更小，还能让有限的计算资源被分配给那些更需要的计算任务，同时还可以降低问题的规模。将该部分已经预先确定卸载决策(在本地执行)的计算任务的集合记为
Figure BDA0003085977190000121
更新计算任务集合
Figure BDA0003085977190000122
作为后续计算任务分配的第一任务集合。
本发明提供的智能电网计算卸载的方法，通过以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，首先对计算任务集合进行预处理，预先确定本地执行的部分卸载决策，降低了处理任务集合中的任务量。对计算任务合理分配，充分有效的利用了计算资源。
可选的，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序，包括：
基于贪心策略对所述更新后的第一计算任务集合中每个所述计算任务的时延增益进行降序排序，并得到所述更新后的第一计算任务集合的每个计算任务的排序号。
具体的，在贪心算法中，基本思想为仅从当前状态下出发，做出当前状态下最优的决策，而在贪心算法中做选择的依据就是贪心策略，所以贪心算法中最重要的就是贪心策略的制定。在基于贪心策略的多场景计算卸载机制中，将时延增益θ作为贪心策略。
按照时延增益θ降序对计算任务进行排序，将排序后的计算任务集合记为
Figure BDA0003085977190000123
显然，计算任务的时延增益越大，该计算任务就越可能选择卸载到边缘服务器的方式来执行，以尽可能地减少时延。
按照时延增益θ降序排序后，可以确认每个计算任务对应的排序号，排序号越是靠前的计算任务，卸载到边缘服务器执行的时延与本地执行的时延差异越大，即该计算任务卸载到边缘服务器执行的时延与本地执行的时延的差值更大，该计算任务卸载到边缘服务器执行的时延越短。
本发明提供的智能电网计算卸载的方法，通过以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。
可选的，所述最小化总时延优化模型包括：
获取所述第一计算任务集合中每个计算任务在本地执行的时间，结合本地卸载决策变量，确定每个所述计算任务本地执行的时延；
根据本地卸载决策变量确定在本地执行的计算任务的集合
Figure BDA0003085977190000131
获取所述第一计算任务集合中每个计算任务从本地到边缘服务器的卸载时间，以及所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，每个计算任务在边缘服务器执行的时间，结合边缘服务器卸载决策变量，确定每个所述计算任务最大卸载时延；
根据边缘服务器卸载决策变量确定在边缘服务器执行的计算任务的集合
Figure BDA0003085977190000132
确定本地执行的计算任务的集合
Figure BDA0003085977190000133
中每个所述计算任务本地执行的时延，以及边缘服务器执行的计算任务的集合
Figure BDA0003085977190000134
中每个所述计算任务最大卸载时延，求和作为所有计算任务执行的总时延；
根据边缘服务器的最大可用资源，以及每个计算任务分组被分配的计算资源比例，对所述最大卸载时延进行优化，得到最小化总时延优化模型；
所述最小化总时延优化模型满足：
所述总时延最小；
所述每个计算任务的本地卸载决策变量与边缘服务器卸载决策变量之和为一；
本地执行的计算任务的集合
Figure BDA0003085977190000135
与边缘服务器执行的计算任务的集合
Figure BDA0003085977190000136
的交集，与第一计算任务集合相同；
对边缘服务器执行的计算任务的集合中每个计算任务分组被分配的计算资源比例求和，得到的值小于等于一。
具体的，将本地卸载决策变量定义为
Figure BDA0003085977190000141
它表示智能设备m是否选择在其本地来执行计算任务Am，(
Figure BDA0003085977190000142
意味着是，
Figure BDA0003085977190000143
意味着否)。那么在本地执行智能设备m的计算任务Am的时延为：
Figure BDA0003085977190000144
当本地卸载决策变量
Figure BDA0003085977190000145
可以确定在本地执行的计算任务的集合
Figure BDA0003085977190000146
获取本地执行时延集合；根据公式(1)计算每一个计算任务计算在智能终端本地执行计算任务的时延，将本地执行计算任务的时延集合记为
Figure BDA0003085977190000147
将边缘服务器n的卸载决策变量定义为
Figure BDA0003085977190000148
它表示智能设备m是否选择在边缘服务器n执行计算任务Am，(
Figure BDA0003085977190000149
意味着是，
Figure BDA00030859771900001410
意味着否)。那么在边缘服务器n上执行智能设备m的计算任务Am的时延为：
Figure BDA00030859771900001411
当边缘服务器n的卸载决策变量
Figure BDA00030859771900001412
可以确定卸载到边缘服务器执行的计算任务集合
Figure BDA00030859771900001413
“最大卸载”为边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务。对于任一时刻，假设边缘服务器的CPU占用率为Uc，那么边缘服务器于当前负载状态下的CPU最大可用资源需要更新为：
Fn＝Fn×(1-Uc) (9)
“最大卸载”时延即为这种情况下该计算任务的时延。“最大卸载”时延集合记为
Figure BDA00030859771900001414
其中
Figure BDA00030859771900001415
的计算公式为：
Figure BDA00030859771900001416
计算所有计算任务执行的总时延；
由于各个计算任务的数据文件的缓存状态都可看作是已经确定的，将数据文件未缓存在边缘服务器的计算任务集合记为
Figure BDA0003085977190000151
至此，总时延的表示更新如下：
Figure BDA0003085977190000152
假设计算任务卸载决策变量已知，将选择本地执行
Figure BDA0003085977190000153
的计算任务集合记为Al，将选择将计算任务卸载到边缘服务器执行
Figure BDA0003085977190000154
的任务集合记为Ae,总时延可以进一步更新为：
Figure BDA0003085977190000155
进一步带入公式2与公式3可得：
Figure BDA0003085977190000156
边缘服务器n执行计算的最大可用资源为Fn，设定边缘服务器计算资源分配变量为λ，每个计算任务能够被分到的边缘服务器计算资源占边缘服务器最大可用资源Fn的比例为λm,n，
Figure BDA0003085977190000157
令
Figure BDA0003085977190000158
更新总时延表达式：
Figure BDA0003085977190000159
S15、以最小化总时延为目标进行优化问题的建模，得到计算任务卸载决策确定后的计算资源分配问题，为一个只包含一个未知变量λm,n′的凸函数。
Figure BDA00030859771900001510
其中，约束C1表示每个任务必须选择且只能够选择一种卸载模式；约束C2表示我们从计算任务所选执行方式的角度将其分成两个集合，
Figure BDA0003085977190000161
和
Figure BDA0003085977190000162
约束C3保证了边缘服务器分配给计算任务的计算资源不超过边缘服务器自身能力的上限。
本发明提供的智能电网计算卸载的方法及装置，通过以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。
可选的，所述根据最小化总时延优化模型，对排序后的所述计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载，具体包括：
初始化本地执行的计算任务的集合
Figure BDA0003085977190000163
为所述更新后的第一计算任务集合，边缘服务器执行计算任务集合
Figure BDA0003085977190000164
为空；
确定所述本地执行的计算任务的集合
Figure BDA0003085977190000165
中所有计算任务的总时延t0；
按照排序号依次提取所述本地执行的计算任务的集合
Figure BDA0003085977190000166
中一个计算任务，加入所述边缘服务器执行计算任务集合
Figure BDA0003085977190000167
基于最小化总时延优化模型，计算提取后的所述本地执行的计算任务的集合
Figure BDA0003085977190000168
和加入后的所述边缘服务器执行的计算任务的集合
Figure BDA0003085977190000169
中所有计算任务的总时延t′；
基于所述总时延t0和所述总时延t′，确定时间增益θ′；
若θ′>0，对应的更新所述本地执行的计算任务的集合
Figure BDA00030859771900001610
和所述边缘服务器执行的计算任务的集合
Figure BDA00030859771900001611
并同步更新本地卸载决策变量以及边缘卸载决策变量，更新所述总时延t0为所述总时延t′；
若θ′≤0，根据更新后的所述边缘服务器执行计算任务集合
Figure BDA00030859771900001612
执行计算卸载。
具体的，确定卸载计算任务集合的步骤包括：
S41、在边缘服务器执行的计算任务集合为
Figure BDA0003085977190000171
在智能终端本地执行的计算任务的集合为
Figure BDA0003085977190000172
初始化
Figure BDA0003085977190000173
总时延
Figure BDA0003085977190000174
初始状态下计算任务都在本地执行，本地卸载决策变量
Figure BDA0003085977190000175
边缘卸载决策变量
Figure BDA0003085977190000176
即第一计算任务集合中的所有计算任务都在本地执行。
S42、从
Figure BDA0003085977190000177
中的第一个计算任务开始，依次选取计算任务Am，试图将Am加入
Figure BDA0003085977190000178
中；
S43、对于每一次尝试，基于当前划分好的
Figure BDA0003085977190000179
和
Figure BDA00030859771900001710
应用凸优化问题求解算法牛顿-拉夫逊方法求解仅剩的未知变量λm,n′，得到此时的总时延t′；
S44、计算时间增益θ′，具体采用的公式为：
Figure BDA00030859771900001711
如果θ′>0，说明当次尝试仍然存在时延增益，将Am正式加入
Figure BDA00030859771900001712
中，
Figure BDA00030859771900001713
令t0＝t′，同时更新
Figure BDA00030859771900001714
βl、βe；
S45、循环S41至S44，直到
Figure BDA00030859771900001715
S46、输出此时所有计算任务的总时延t0、生成卸载任务集合以及资源分配变量集合λ。
本发明提供的智能电网计算卸载的方法，通过以在计算资源和缓存空间约束下最小化总时延为目标，建立了最小化时延优化模型并结合时延增益，对计算任务合理分配，充分利用计算资源，达到了低时延的目标。
下面以具体的实施例来说明本发明的智能电网计算卸载的方法。对于计算任务集合
Figure BDA00030859771900001716
(共包含10个计算任务)，如图2所示，具体分析步骤如下：
S1、记录各计算任务的数据文件大小Dm(bit)、计算任务所需的计算资源密度Xm(cycles/bit)以及计算任务对应的智能设备的计算能力
Figure BDA0003085977190000181
实例中边缘服务器的最大可用资源F：30GHz，单位数据传输时间ζm,n：10-7s，计算任务集合记录结果如下表：
Figure BDA0003085977190000182
表1计算任务记录表
S2、获取本地执行时延集合以及“最大卸载”时延集合，结果记录在表2中，并执行卸载决策的预选择，m＝8时，
Figure BDA0003085977190000183
计算任务A8将在智能设备本地执行，更新
Figure BDA0003085977190000184
Figure BDA0003085977190000185
Figure BDA0003085977190000191
表2时延集合记录表
S3、计算卸载机制中各计算任务的时延增益θ，将时延增益设定为贪心策略，将计算任务基于时延增益递减的顺序排序，排序后的结果记录在表3中，定义更新的计算任务集合记为
Figure BDA0003085977190000192
A<sub>m</sub> θ
1 2.1579
5 1.8378
2 1.3077
9 1.1429
6 0.8919
10 0.4286
3 0.4189
4 0.2632
7 0.2500
表3时延增益记录表
S4、按照S3得到的排序选取计算任务加入计算任务集合，并基于当前状态来求解转化后的资源分配变量和最小总时延，直到不存在时延增益。具体执行过程如下：初始化
Figure BDA0003085977190000193
t0＝1.0282；
第一次循环：试图将A1加入
Figure BDA0003085977190000194
中，λ＝0.9999，t′＝1.0008，t′<t0，A1正式加入
Figure BDA0003085977190000195
中，
Figure BDA0003085977190000196
Figure BDA0003085977190000197
t0＝1.0008；
第二次循环：试图将A5加入
Figure BDA0003085977190000198
中，λ＝{0.3235，0.6765}，t′＝0.8987，t′<t0，A5正式加入
Figure BDA0003085977190000199
中，
Figure BDA00030859771900001910
Figure BDA0003085977190000201
t0＝0.8987；
第三次循环：试图将A2加入
Figure BDA0003085977190000202
中，λ＝{0.2178,0.4555,0.3267}，t′＝0.8894，t′<t0，A2正式加入
Figure BDA0003085977190000203
中，
Figure BDA0003085977190000204
Figure BDA0003085977190000205
t0＝0.8894；
第四次循环：试图将A9加入
Figure BDA0003085977190000206
中，λ＝{0.1436,0.3004,0.2154,0.3406}，t′＝0.8275，t′<t0，A9正式加入
Figure BDA0003085977190000207
中，
Figure BDA0003085977190000208
t0＝0.8275；
第五次循环：试图将A6加入
Figure BDA0003085977190000209
中，λ＝{0.1081,0.2260,0.1621,0.2563,0.2476}，t′＝0.8466，t′>t0，A6未能加入
Figure BDA00030859771900002010
中，结束循环；结合S2中将计算任务A8将在智能设备本地执行，
Figure BDA00030859771900002011
t0＝0.8275，t＝t0+0.0960＝0.9235。
上述实施例中λ的取值是采用matlab的CVX凸优化工具箱求解得到的。
图3是本发明提供的智能电网计算卸载的设备的结构示意图，如图3所示，该智能电网计算卸载的设备包括存储器320，收发机310和处理器300；其中，处理器300与存储器320也可以物理上分开布置。
存储器320，用于存储计算机程序；收发机310，用于在处理器300的控制下收发数据。
具体地，收发机310用于在处理器300的控制下接收和发送数据。
其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器300代表的一个或多个处理器和存储器320代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本发明不再对其进行进一步描述。总线接口提供接口。收发机310可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。
处理器300负责管理总线架构和通常的处理，存储器320可以存储处理器300在执行操作时所使用的数据。
处理器300可以是中央处埋器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。
处理器300通过调用存储器320存储的计算机程序，用于按照获得的可执行指令执行本发明提供的任一所述方法，例如：获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
可选的，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序之前，还包括：
当所述计算任务本地执行的时延小于等于所述计算任务的最大卸载时延时，将所述计算任务从第一计算任务集合中删除，更新所述第一计算任务集合。
可选的，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序，包括：
基于贪心策略对所述更新后的第一计算任务集合中每个所述计算任务的时延增益进行降序排序，并得到所述更新后的第一计算任务集合的每个计算任务的排序号。
可选的，所述最小化总时延优化模型包括：
获取所述第一计算任务集合中每个计算任务在本地执行的时间，结合本地卸载决策变量，确定每个所述计算任务本地执行的时延；
根据本地卸载决策变量确定在本地执行的计算任务的集合
Figure BDA0003085977190000224
获取所述第一计算任务集合中每个计算任务从本地到边缘服务器的卸载时间，以及所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，每个计算任务在边缘服务器执行的时间，结合边缘服务器卸载决策变量，确定每个所述计算任务最大卸载时延；
根据边缘服务器卸载决策变量确定在边缘服务器执行的计算任务的集合
Figure BDA0003085977190000221
确定本地执行的计算任务的集合
Figure BDA0003085977190000222
中每个所述计算任务本地执行的时延，以及边缘服务器执行的计算任务的集合
Figure BDA0003085977190000223
中每个所述计算任务最大卸载时延，求和作为所有计算任务执行的总时延；
根据边缘服务器的最大可用资源，以及每个计算任务分组被分配的计算资源比例，对所述最大卸载时延进行优化，得到最小化总时延优化模型；
所述最小化总时延优化模型满足：
所述总时延最小；
所述每个计算任务的本地卸载决策变量与边缘服务器卸载决策变量之和为一；
本地执行的计算任务的集合
Figure BDA0003085977190000231
与边缘服务器执行的计算任务的集合
Figure BDA0003085977190000232
的交集，与第一计算任务集合相同；
对边缘服务器执行的计算任务的集合中每个计算任务分组被分配的计算资源比例求和，得到的值小于等于一。
可选的，所述根据最小化总时延优化模型，对排序后的所述计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载，具体包括：
初始化本地执行的计算任务的集合
Figure BDA0003085977190000233
为所述更新后的第一计算任务集合，边缘服务器执行计算任务集合
Figure BDA0003085977190000234
为空；
确定所述本地执行的计算任务的集合
Figure BDA0003085977190000235
中所有计算任务的总时延t0；
按照排序号依次提取所述本地执行的计算任务的集合
Figure BDA0003085977190000236
中一个计算任务，加入所述边缘服务器执行计算任务集合
Figure BDA0003085977190000237
基于最小化总时延优化模型，计算提取后的所述本地执行的计算任务的集合
Figure BDA0003085977190000238
和加入后的所述边缘服务器执行的计算任务的集合
Figure BDA0003085977190000239
中所有计算任务的总时延t′；
基于所述总时延t0和所述总时延t′，确定时间增益θ′；
若θ′＞0，对应的更新所述本地执行的计算任务的集合
Figure BDA00030859771900002310
和所述边缘服务器执行的计算任务的集合
Figure BDA00030859771900002311
并同步更新本地卸载决策变量以及边缘卸载决策变量，更新所述总时延t0为所述总时延t′；
若θ′≤0，根据更新后的所述边缘服务器执行计算任务集合
Figure BDA00030859771900002312
执行计算卸载。
在此需要说明的是，本发明提供的上述智能电网计算卸载的设备，能够实现上述智能电网计算卸载的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4为本发明提供的智能电网计算卸载的装置的结构示意图，如图4所示，该装置包括：
获取时延模块401，用于获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
确定时延增益模块402，用于基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
排序模块403，用于基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
卸载模块404，用于根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
可选的，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序之前，还包括：
当所述计算任务本地执行的时延小于等于所述计算任务的最大卸载时延时，将所述计算任务从第一计算任务集合中删除，更新所述第一计算任务集合。
可选的，排序模块403，还用于基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序，包括：
基于贪心策略对所述更新后的第一计算任务集合中每个所述计算任务的时延增益进行降序排序，并得到所述更新后的第一计算任务集合的每个计算任务的排序号。
可选的，所述最小化总时延优化模型包括：
获取所述第一计算任务集合中每个计算任务在本地执行的时间，结合本地卸载决策变量，确定每个所述计算任务本地执行的时延；
根据本地卸载决策变量确定在本地执行的计算任务的集合
Figure BDA0003085977190000251
获取所述第一计算任务集合中每个计算任务从本地到边缘服务器的卸载时间，以及所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，每个计算任务在边缘服务器执行的时间，结合边缘服务器卸载决策变量，确定每个所述计算任务最大卸载时延；
根据边缘服务器卸载决策变量确定在边缘服务器执行的计算任务的集合
Figure BDA0003085977190000252
确定本地执行的计算任务的集合
Figure BDA0003085977190000253
中每个所述计算任务本地执行的时延，以及边缘服务器执行的计算任务的集合
Figure BDA0003085977190000254
中每个所述计算任务最大卸载时延，求和作为所有计算任务执行的总时延；
根据边缘服务器的最大可用资源，以及每个计算任务分组被分配的计算资源比例，对所述最大卸载时延进行优化，得到最小化总时延优化模型；
所述最小化总时延优化模型满足：
所述总时延最小；
所述每个计算任务的本地卸载决策变量与边缘服务器卸载决策变量之和为一；
本地执行的计算任务的集合
Figure BDA0003085977190000255
与边缘服务器执行的计算任务的集合
Figure BDA0003085977190000261
的交集，与第一计算任务集合相同；
对边缘服务器执行的计算任务的集合中每个计算任务分组被分配的计算资源比例求和，得到的值小于等于一。
可选的，卸载模块404还用于根据最小化总时延优化模型，对排序后的所述计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载，具体包括：
初始化本地执行的计算任务的集合
Figure BDA0003085977190000262
为所述更新后的第一计算任务集合，边缘服务器执行计算任务集合
Figure BDA0003085977190000263
为空；
确定所述本地执行的计算任务的集合
Figure BDA0003085977190000264
中所有计算任务的总时延t0；
按照排序号依次提取所述本地执行的计算任务的集合
Figure BDA0003085977190000265
中一个计算任务，加入所述边缘服务器执行计算任务集合
Figure BDA0003085977190000266
基于最小化总时延优化模型，计算提取后的所述本地执行的计算任务的集合
Figure BDA0003085977190000267
和加入后的所述边缘服务器执行的计算任务的集合
Figure BDA0003085977190000268
中所有计算任务的总时延t′；
基于所述总时延t0和所述总时延t′，确定时间增益θ′；
若θ′＞0，对应的更新所述本地执行的计算任务的集合
Figure BDA0003085977190000269
和所述边缘服务器执行的计算任务的集合
Figure BDA00030859771900002610
并同步更新本地卸载决策变量以及边缘卸载决策变量，更新所述总时延t0为所述总时延t′；
若θ′≤0，根据更新后的所述边缘服务器执行计算任务集合
Figure BDA00030859771900002611
执行计算卸载。
需要说明的是，本发明的实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是，本发明提供的智能电网计算卸载的装置，能够实现上述智能电网计算卸载的方法的实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面，本发明还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的智能电网计算卸载的方法，包括：获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
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和光学存储器等)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。应理解可由计算机可执行指令实现流程图和/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。可提供这些计算机可执行指令到通用计算机、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。
这些处理器可执行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处理器可读存储器中，使得存储在该处理器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。
这些处理器可执行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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种智能电网计算卸载的方法，其特征在于，包括：
获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
2.根据权利要求1所述的智能电网计算卸载的方法，其特征在于，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序之前，还包括：
当所述计算任务本地执行的时延小于等于所述计算任务的最大卸载时延时，将所述计算任务从第一计算任务集合中删除，更新所述第一计算任务集合。
3.根据权利要求2所述的智能电网计算卸载的方法，其特征在于，所述基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序，包括：
基于贪心策略对所述更新后的第一计算任务集合中每个所述计算任务的时延增益进行降序排序，并得到所述更新后的第一计算任务集合的每个计算任务的排序号。
4.根据权利要求1至3任一所述的智能电网计算卸载的方法，其特征在于，所述最小化总时延优化模型包括：
获取所述第一计算任务集合中每个计算任务在本地执行的时间，结合本地卸载决策变量，确定每个所述计算任务本地执行的时延；
根据本地卸载决策变量确定在本地执行的计算任务的集合
Figure FDA0003085977180000021
获取所述第一计算任务集合中每个计算任务从本地到边缘服务器的卸载时间，以及所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，每个计算任务在边缘服务器执行的时间，结合边缘服务器卸载决策变量，确定每个所述计算任务最大卸载时延；
根据边缘服务器卸载决策变量确定在边缘服务器执行的计算任务的集合
Figure FDA0003085977180000022
确定本地执行的计算任务的集合
Figure FDA0003085977180000023
中每个所述计算任务本地执行的时延，以及边缘服务器执行的计算任务的集合
Figure FDA0003085977180000024
中每个所述计算任务最大卸载时延，求和作为所有计算任务执行的总时延；
根据边缘服务器的最大可用资源，以及每个计算任务分组被分配的计算资源比例，对所述最大卸载时延进行优化，得到最小化总时延优化模型；
所述最小化总时延优化模型满足：
所述总时延最小；
所述每个计算任务的本地卸载决策变量与边缘服务器卸载决策变量之和为一；
本地执行的计算任务的集合
Figure FDA0003085977180000025
与边缘服务器执行的计算任务的集合
Figure FDA0003085977180000026
的交集，与第一计算任务集合相同；
对边缘服务器执行的计算任务的集合中每个计算任务分组被分配的计算资源比例求和，得到的值小于等于一。
5.根据权利要求4所述的智能电网计算卸载的方法，其特征在于，所述根据最小化总时延优化模型，对排序后的所述计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载，具体包括：
初始化本地执行的计算任务的集合
Figure FDA0003085977180000031
为所述更新后的第一计算任务集合，边缘服务器执行计算任务集合
Figure FDA0003085977180000032
为空；
确定所述本地执行的计算任务的集合
Figure FDA0003085977180000033
中所有计算任务的总时延t0；
按照排序号依次提取所述本地执行的计算任务的集合
Figure FDA0003085977180000034
中一个计算任务，加入所述边缘服务器执行计算任务集合
Figure FDA0003085977180000035
基于最小化总时延优化模型，计算提取后的所述本地执行的计算任务的集合
Figure FDA0003085977180000036
和加入后的所述边缘服务器执行的计算任务的集合
Figure FDA0003085977180000037
中所有计算任务的总时延t′；
基于所述总时延t0和所述总时延t′，确定时间增益θ′；
若θ′＞0，对应的更新所述本地执行的计算任务的集合
Figure FDA0003085977180000038
和所述边缘服务器执行的计算任务的集合
Figure FDA0003085977180000039
并同步更新本地卸载决策变量以及边缘卸载决策变量，更新所述总时延t0为所述总时延t′；
若θ′≤0，根据更新后的所述边缘服务器执行计算任务集合
Figure FDA00030859771800000310
执行计算卸载。
6.一种智能电网计算卸载的设备，其特征在于，包括存储器，收发机，处理器；
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于执行所述存储器中的计算机程序并实现如下步骤：
获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
7.一种智能电网计算卸载的装置，其特征在于，所述装置包括：
获取时延模块，用于获取第一计算任务集合中的每个计算任务的本地执行的时延和每个计算任务的最大卸载时延；
确定时延增益模块，用于基于所述第一计算任务集合中的每个计算任务本地执行的时延和每个计算任务的最大卸载时延，确定每个所述计算任务的时延增益；
排序模块，用于基于所述第一计算任务集合中每个计算任务的时延增益，对所述第一计算任务集合中的每个所述计算任务进行排序；
卸载模块，用于根据最小化总时延优化模型，对所述排序后的第一计算任务集合进行分类，确定所述边缘服务器执行所述计算任务集合，并执行计算卸载；
其中，所述最大卸载时延包括所述计算任务从本地到边缘服务器的卸载时间和所述边缘服务器在当前负载状态下将其CPU最大可用资源分配给一个计算任务的情况下，所述计算任务在边缘服务器执行的时间。
8.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至5任一项所述的智能电网计算卸载方法。
CN202110580627.9A 2021-05-26 2021-05-26 智能电网计算卸载的方法及装置 Active CN113434206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110580627.9A CN113434206B (zh) 2021-05-26 2021-05-26 智能电网计算卸载的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110580627.9A CN113434206B (zh) 2021-05-26 2021-05-26 智能电网计算卸载的方法及装置

Publications (2)

Publication Number Publication Date
CN113434206A true CN113434206A (zh) 2021-09-24
CN113434206B CN113434206B (zh) 2023-03-21

Family

ID=77802877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110580627.9A Active CN113434206B (zh) 2021-05-26 2021-05-26 智能电网计算卸载的方法及装置

Country Status (1)

Country Link
CN (1) CN113434206B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240818A (zh) * 2018-09-04 2019-01-18 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN111130911A (zh) * 2019-12-31 2020-05-08 杭州电子科技大学 一种基于移动边缘计算的计算卸载方法
CN111726826A (zh) * 2020-05-25 2020-09-29 上海大学 一种基站密集型边缘计算网络中的在线任务卸载方法
WO2020216135A1 (zh) * 2019-04-25 2020-10-29 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN112272102A (zh) * 2020-09-11 2021-01-26 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112752302A (zh) * 2021-01-05 2021-05-04 全球能源互联网研究院有限公司 一种基于边缘计算的电力业务时延优化方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240818A (zh) * 2018-09-04 2019-01-18 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
WO2020216135A1 (zh) * 2019-04-25 2020-10-29 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN111130911A (zh) * 2019-12-31 2020-05-08 杭州电子科技大学 一种基于移动边缘计算的计算卸载方法
CN111726826A (zh) * 2020-05-25 2020-09-29 上海大学 一种基站密集型边缘计算网络中的在线任务卸载方法
CN112272102A (zh) * 2020-09-11 2021-01-26 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112752302A (zh) * 2021-01-05 2021-05-04 全球能源互联网研究院有限公司 一种基于边缘计算的电力业务时延优化方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
董思岐等: "移动边缘计算中的计算卸载策略研究综述", 《计算机科学》 *
LIC: "Radioandcomputingresourceallocationwithenergyharvestingdevicesinmobileedgecomputingenvironment", 《COMPUTER COMMUNICATIONS》 *

Also Published As

Publication number Publication date
CN113434206B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
Le et al. Allox: compute allocation in hybrid clusters
CN110096349B (zh) 一种基于集群节点负载状态预测的作业调度方法
US20200257968A1 (en) Self-learning scheduler for application orchestration on shared compute cluster
KR102499076B1 (ko) 그래프 데이터 기반의 태스크 스케줄링 방법, 디바이스, 저장 매체 및 장치
CN109710374A (zh) 移动边缘计算环境下最小化任务卸载费用的vm迁移策略
CN112068957B (zh) 资源分配方法、装置、计算机设备及存储介质
CN113037877B (zh) 云边端架构下时空数据及资源调度的优化方法
CN107908536B (zh) Cpu-gpu异构环境中对gpu应用的性能评估方法及系统
CN105607952B (zh) 一种虚拟化资源的调度方法及装置
CN108270805B (zh) 用于数据处理的资源分配方法及装置
US20130268941A1 (en) Determining an allocation of resources to assign to jobs of a program
CN113821332B (zh) 自动机器学习系统效能调优方法、装置、设备及介质
CN113590307B (zh) 边缘计算节点优化配置方法、装置及云计算中心
CN107220108A (zh) 一种实现云数据中心负载均衡的方法和系统
Huang et al. Novel heuristic speculative execution strategies in heterogeneous distributed environments
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN113037800A (zh) 作业调度方法以及作业调度装置
CN112905317A (zh) 快速可重构信号处理异构平台下任务调度方法和系统
CN113568759B (zh) 一种基于云计算的大数据处理方法及其系统
CN117311998B (zh) 一种大模型部署方法及系统
Kang et al. Scheduling multiple divisible loads in a multi-cloud system
EP4189542A1 (en) Sharing of compute resources between the virtualized radio access network (vran) and other workloads
CN116501505B (zh) 负载任务的数据流生成方法、装置、设备及介质
CN113434206B (zh) 智能电网计算卸载的方法及装置
CN112232401A (zh) 一种基于差分隐私及随机梯度下降的数据分类方法

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