CN113452566A - 一种云边端协同资源管理方法及系统 - Google Patents

Abstract

本发明公开了一种云边端协同资源管理方法，包括如下步骤：步骤S1：接收用户任务请求；步骤S2：获取云边可用资源状态信息；步骤S3：基于用户请求和可用资源状态信息建立考虑可靠性、时延和资源容量约束的系统收益最大化的资源管理优化模型；步骤S4：求解资源管理优化模型，完成用户任务与资源节点匹配，用户将任务卸载至匹配的资源节点。本发明的云边端协同资源管理方法，加入了可靠性进行资源管理，同时考虑了计算、存储和网络资源，易于实现，保证时延，精准可靠，提高了资源利用率和系统收益等。

Description

一种云边端协同资源管理方法及系统

技术领域

本发明涉及云计算、边缘计算和智能网联技术领域，具体地说是一种云边端协同资源管理方法及系统。

背景技术

近年来，随着云计算、边缘计算、5G通信和物联网技术的发展，大量智能网联设备和用户终端设备，如智能手机、传感器、可穿戴式设备、智能网联汽车等，接入网络依靠中心云和边缘云的强大计算能力来部署应用并提供服务。例如，智能网联汽车的车载计算与存储资源较为有限，行驶过程中可将大量计算密集型和时延敏感型计算任务传输到中心云和边缘云中处理，保证服务质量并降低车辆本身的能耗。

在万物互联的场景下，大量高并发的任务需要卸载到中心云和边缘云中进行处理。中心云虽有庞大的计算和存储资源，但离终端设备较远，网络通信延迟较大，难以满足实时性要求高的任务需求。将任务卸载至靠近终端的边缘云中能够有效满足低时延，但边缘云的计算和存储资源远少于中心云，且边缘云通常与通信基站搭配使用，基站的信号覆盖范围以及无线通信资源也是有限的，大量高并发的任务在有限资源的使用上存在竞争关系。因此，针对各类任务的实时性、所需资源数量、运行方式等要求，合理分配任务的运行地点及占用资源数量，保障计算任务按需实时可靠地完成，对降低运营成本和提高用户体验具有重要意义。

现有主要的方法有：专利文件CN 110266744 A提出了一种基于位置的边缘云资源调度方法及系统，该方法将边缘节点的位置和提供的服务建立资源列表，持续循环地获取终端设备位置和所请求的云服务，为终端设备调度就近的边缘节点；专利文件CN111813502 A提出了一种面向工业边缘节点的计算资源管理调度方法，该方法构建了边缘节点的计算资源虚拟化架构，实现了计算资源的统一管理，同时通过预测边缘节点未来时刻的计算资源使用情况，结合工业计算优先级与边缘节点的过载情况，提出了一种面向边缘节点负载不均衡问题的计算资源调度策略。专利文件CN 110688213 A提出了一种基于边缘计算的资源管理方法、系统及电子设备，该方法获取所有可利用的边缘网络资源的状态信息，根据当前任务的相关信息分别计算当前任务在客户端本地和在边缘计算平台的任务执行时间，判断是否执行调度，该方法能够有效减少资源的浪费，提升资源利用率，减少任务执行时间。专利文件CN 112232863 A提供了一种基于云边端协同的虚拟资源管理方法及系统，该方法构建用户分簇模型、需求竞价算法和面向响应度的虚拟资源管理算法，将需求响应过程中的竞价目标转换为多目标整数线性规划目标问题，根据单个容器计算能力下的竞价耗时与预期时延要求，进行虚拟资源管理。

上述专利都从不同角度提出了云和边缘资源管理方法，但仍存在一定的不足。现有方法的管理决策考虑因素单一，只考虑用户终端与边缘云的位置距离、只考虑服务器负载情况或只考虑任务的时延等，缺乏统筹考虑且都未考虑可靠性对资源管理的影响；大部分方法只考虑了计算资源，未全面考虑计算、存储和网络资源。本发明提供了一种云边端资源管理方法及系统，同时考虑中心云和边缘云的计算、存储和网络资源，在满足用户任务时延要求的同时考虑可靠性进行资源管理，从而实现系统收益最大化。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种同时考虑计算、存储和网络资源，在满足用户任务的时延要求同时考虑可靠性的云边端协同资源管理方法和系统，实现系统收益最大化。

为实现上述目的，本发明提供了如下技术方案：一种云边端协同资源管理方法，包括如下步骤：

步骤S1：接收用户任务请求；

步骤S2：获取云边可用资源状态信息；

步骤S3：基于用户请求和可用资源状态信息建立考虑可靠性、时延和资源容量约束的系统收益最大化的资源管理优化模型；

步骤S4：求解资源管理优化模型，完成用户任务与资源节点匹配，用户将任务卸载至匹配的资源节点。

作为本发明的进一步改进，所述步骤S1中接收用户任务请求的方式为通过中心云和边缘云服务器接收来自用户终端设备的任务请求，获取任务需求详细信息，并建立任务请求集合，具体的接收步骤如下：

步骤S1.1：用户终端设备通过网络如无线局域网接入中心云或边缘云，当其有任务需要卸载至中心云或边缘云处理时，用户设备将其任务请求发送至中心云或边缘云；

步骤S1.2：对用户发送的任务请求i，其详细信息可用〈q_c,i,q_m,i，th_i，d_i，B_i〉表示，其中q_c,i为任务i所需要的计算资源数量，q_m,i为任务i所需要的存储资源数量，th_i为任务i的最大完成截止时间，d_i为任务i的数据包尺寸，B_i为用户在任务i完成后支付给云端或边缘云的报酬；

步骤S1.3：将时间离散为时隙组合，针对在时隙τ处接收到的多个任务请求，建立任务请求集合T。

作为本发明的进一步改进，所述步骤S2获取云边可用资源状态信息包括计算资源、存储资源和网络资源，具体获取步骤如下：

步骤S2.1：在时隙τ处获取中心云和边缘云节点的可用资源状态信息，包括该时隙处的计算资源、存储资源和网络资源信息，资源节点包括1个中心云和多个边缘云，每个资源节点包括服务器和基站，服务器能够提供计算和存储服务，基站能够提供网络服务；

步骤S2.2：资源节点j的可用资源状态信息可表示为〈c_j,m_j,b_j,fq_j,λ_j,w_c,j,w_m,j,w_b,j〉，其中c_j为资源节点j的可用计算资源容量，m_j为资源节点j的可用存储资源容量，b_j为资源节点j的可用网络资源容量，fq_j为资源节点j的计算频率，λ_j为资源节点j的单位时间故障率，w_c,j为资源节点j的单位计算资源成本，w_m,j为资源节点j的单位存储资源成本，w_b,j为资源节点j的单位网络资源成本；

步骤S2.3：根据各资源节点的可用资源状态信息，建立可用资源节点集合C。作为本发明的进一步改进，所述步骤3中建立的模型为基于用户请求集合T和可用资源节点集合C，建立以系统收益最大为优化目标，考虑可靠性、时延和资源容量约束的资源管理优化模型，具体的优化步骤如下：

步骤S3.1：在资源管理过程中，考虑任务的时延约束，即任务从用户端开始传输数据至云边并处理完成后返回结果至用户端的总时间应当小于任务的最大完成截止时间限制；

步骤S3.2：在资源管理过程中，考虑任务的可靠性约束，即保障任务的服务质量，在卸载至云边并处理的整个时间段内资源节点处于正常状态不发生故障的概率超过给定的可靠性数值R；

步骤S3.3：在资源管理过程中，考虑资源节点的资源容量约束；

步骤S3.4：在资源管理过程中，目标是实现系统收益最大化，对单个任务i，在最大完成截止时间内完成任务，系统则可获得该任务对应的报酬，因此系统的收益P_i为任务i完成后报酬与资源节点j所分配给任务i的资源成本之间的差值。作为本发明的进一步改进，所述步骤3.1中的时延主要包括传输时延和计算时延，计算时延约束的具体步骤如下：

步骤3.11，通过以下方式计算传输时延：

对于用户任务i∈T，云边资源节点j∈C，其传输时延

计算公式如下：

其中，d_i为传输的数据尺寸，s_i,j为用户i和资源节点j间的传输速率，该传输速率与资源节点j为用户i分配的网络资源b_i,j成正比，其计算公式如下：

s_i,j＝Kb_i,j

其中，K为比例系数，将上式代入传输时延公式中得传输时延

步骤3.12，通过以下方式计算计算时延：

对于用户任务i∈T，云边资源节点j∈C，其计算时延

与其任务i所需的计算资源数量q_c，i和资源节点j的CPU频率fq_j有关，计算公式如下：

步骤3.13，通过以下方式计算总时延t_i,j：

步骤3.14，对计算获得的总时延t_i,j进行约束：

作为本发明的进一步改进，所述步骤3.2中的可靠性由其故障分布模式决定，假设其故障分布服从指数分布，则该资源节点j的理论可靠性r_j表示为：

其中，资源节点j的单位时间故障率λ_j可由其历史故障信息分析获得；

若任务i卸载至资源节点j处进行计算处理，则在总时延t_i,j期间内，其可靠性r_i,j为：

作为本发明的进一步改进，所述步骤3.3资源容量约束的具体方式为：

对资源节点j，分配给用户任务的计算、存储和网络资源不能超出其资源容量限制，计算公式如下：

其中，c_i，j为资源节点j为任务i分配的计算资源，m_i,j为资源节点j为任务i分配的存储资源，b_i,j为资源节点j为任务i分配的网络资源，c_j为资源节点j的可用计算资源容量，m_j为资源节点j的可用存储资源容量，b_j为资源节点j的可用网络资源容量；同时，在资源管理过程中，资源节点为任务分配到资源应当满足其相应的资源需求，如下所示：

if l_i＝j,c_i，j≥q_c,i

if l_i＝j,m_i,j≥q_m,i

其中，上述第一个公式表示在资源管理过程中，若将任务i卸载至资源节点j并为任务i分配资源节点j的资源，则分配的计算资源c_i,j应当大于或等于其本身的计算资源需求q_c，i，同理上述第二个公式表示，分配的存储资源m_i，j应当大于或等于其本身的存储资源需求q_m,i，网络资源需求则已经包含在上述时延约束中。

作为本发明的进一步改进，所述步骤3.4中系统的收益P_i的计算公式如下：

P_i＝B_i-(w_c，jc_i,j+w_m,jm_i,j+w_b，jb_i，j)；

对所有任务的收益求和即为系统的所有收益，系统优化目标如下：

max∑_i∈TB_i-(w_c，jc_i，j+w_m，jm_i，j+w_b，jb_i,j)

建立以系统收益最大为优化目标，考虑可靠性、时延和资源容量约束的云边资源管理优化模型，建立优化模型如下：

max∑_i∈TB_i-(w_c，jc_i,j+w_m,jm_i,j+w_b,jb_i,j)

s.t.

在该云边资源管理优化模型中，优化变量为任务集合T中每个任务i所分配的资源节点的位置l_i和相应分配的计算资源c_i,j、存储资源m_i,j和网络资源b_i,j。

本发明另一方面提供了一种系统，包括：

通信模块：为用户设备终端和云边资源节点之间提供数据交互支持，负责接收用户任务请求、发布卸载指令、传输数据及结果等功能；

资源监控模块：监控各资源节点状态，获取各资源节点的可用资源容量、故障信息、CPU频率信息等，为资源管理模块提供资源节点信息支持；

资源管理模块：基于通信模块获取的任务请求信息和资源监控模块获取的资源节点信息，构建本发明提出的云边端协同资源管理算法，通过求解资源管理优化模型得到各任务与资源节点的匹配关系及分配相应的资源，生成相应的资源管理指令；

任务处理模块：根据资源管理模块的指令，接收相应的任务并处理，处理结果经通信模块返回用户端。

本发明的有益效果，通过步骤S1的设置，便可有效地统计用户的任务请求，构建任务请求集合，再通过步骤S2的设置，便可有效的获取中心云和边缘云各资源节点的资源状态信息，构建可用资源节点集合，再通过步骤S3的设置，便可有效的结合步骤S1和步骤S2获得的任务请求和资源节点信息，建立以实现系统收益最大为优化目标，考虑考虑可靠性、时延和资源容量约束的云边端协同资源管理优化模型，最后通过步骤S4的设置，便可有效的对步骤S3建立的资源管理模型进行求解得到各任务与资源节点的匹配关系并分配相应的资源，如此相比于现有技术中的资源管理方法，加入了可靠性进行资源管理，同时考虑了计算、存储和网络资源，易于实现，保证时延，精准可靠，提高了资源利用率和系统收益等。

附图说明

图1为云边端协同资源管理示意图；

图2为本发明提出的云边端协同资源管理方法流程图；

图3为本发明提出的云边端协同资源管理系统模块框图。

具体实施方式

下面将结合附图所给出的实施例对本发明做进一步的详述。

参照图1至3所示，其中，如附图1云边端协同资源管理示意图所示，本发明中假设用户设备为智能网联汽车，并采用一个中心云，三个边缘云为例描述所提出的云边资源管理方法，但用户设备不局限于智能网联汽车，同样适用于万物互联场景下的一种或多种用户和设备；同时云边资源节点也不局限一个中心云和三个边缘云，同样适用于任意数量的云边资源节点。

本发明提出的云边端协同资源管理方法流程图如附图2所示，以辅助理解所提出的方法。所提出的方法优点在于：加入了可靠性进行资源管理，同时考虑了计算、存储和网络资源，易于实现，保证时延，精准可靠，提高了资源利用率和系统收益等

为便于理解，以下描述中，i∈T为用户任务，j∈C为云边资源节点。

一种云边端协同资源管理方法，包括如下步骤：

步骤S1：接收用户任务请求。

步骤S2：获取云边可用资源状态信息。

步骤S3：基于用户请求和可用资源状态信息建立考虑可靠性、时延和资源容量约束的系统收益最大化的资源管理优化模型。

步骤S4：求解资源管理优化模型，完成用户任务与资源节点匹配，用户将任务卸载至匹配的资源节点。

步骤S1具体包括中心云和边缘云服务器接收来自用户终端设备的任务请求，获取任务需求详细信息，并建立任务请求集合。具体包括以下步骤：

步骤S1.1：用户终端设备通过网络如无线局域网接入中心云或边缘云，当其有任务需要卸载至中心云或边缘云处理时，用户设备将其任务请求发送至中心云或边缘云。

步骤S1.2：对用户发送的任务请求i，其详细信息可用〈q_c,i,q_m,i,th_i,d_i,B_i〉表示，其中q_c,i为任务i所需要的计算资源数量，q_m,i为任务i所需要的存储资源数量，th_i为任务i的最大完成截止时间，d_i为任务i的数据包尺寸，B_i为用户在任务i完成后支付给云端或边缘云的报酬。

步骤S1.3：将时间离散为时隙组合，针对在时隙τ处接收到的多个任务请求，建立任务请求集合T。

步骤S2具体包括在时隙τ处获取中心云和边缘云节点的可用资源状态信息，包括计算资源、存储资源和网络资源，建立可用资源节点集合。具体包括以下步骤：

步骤S2.1：在时隙τ处获取中心云和边缘云节点的可用资源状态信息，包括该时隙处的计算资源、存储资源和网络资源信息，资源节点包括1个中心云和多个边缘云，每个资源节点包括服务器和基站，服务器能够提供计算和存储服务，基站能够提供网络服务。

步骤S2.2：资源节点j的可用资源状态信息可表示为〈c_j,m_j,b_j,fq_j,λ_j,w_c,j,w_m,j,w_b,j〉，其中c_j为资源节点j的可用计算资源容量，m_j为资源节点j的可用存储资源容量，b_j为资源节点j的可用网络资源容量，fq_j为资源节点j的计算频率，λ_j为资源节点j的单位时间故障率，w_c,j为资源节点j的单位计算资源成本，w_m,j为资源节点j的单位存储资源成本，w_b,j为资源节点j的单位网络资源成本。

步骤S2.3：根据各资源节点的可用资源状态信息，建立可用资源节点集合C。

步骤S3具体包括基于用户请求集合T和可用资源节点集合C，建立以系统收益最大为优化目标，考虑可靠性、时延和资源容量约束的资源管理优化模型。

具体包括以下步骤：

步骤S3.1：在资源管理过程中，考虑任务的时延约束，即任务从用户端开始传输数据至云边并处理完成后返回结果至用户端的总时间应当小于任务的最大完成截止时间限制。时延主要包括两部分：传输时延和计算时延。由于返回的结果数据量很少，从云边返回结果至车辆的下行时延与从用户传输数据至云边的上行时延相比可忽略不计。

进一步地，传输时延是指任务数据从用户端经网络传输至云边所需时间，对于用户任务i∈T，云边资源节点j∈C，其传输时延

计算公式如下：

其中，d_i为传输的数据尺寸，s_i,j为用户i和资源节点j间的传输速率，该传输速率与资源节点j为用户i分配的网络资源b_i,j成正比，其计算公式如下：

s_i,j＝Kb_i,j

其中，K为比例系数。将上式代入传输时延公式中得传输时延

进一步地，计算时延是指任务在资源节点处理所需的时间，对于用户任务i∈T，云边资源节点j∈C，其计算时延

与其任务i所需的计算资源数量q_c,i(如CPU周期数)和资源节点j的CPU频率fq_j有关，计算公式如下：

进一步地，由于忽略从云边返回结果至用户的下行传输延迟，故用户任务i和资源节点j之间的总时延t_i,j为传输时延

与计算时延

之和，计算公式如下：

在资源管理过程中，任务i的总时延应当满足其最大完成截止时间th_i限制，如下所示：

步骤S3.2：在资源管理过程中，考虑任务的可靠性约束，即保障任务的服务质量，在卸载至云边并处理的整个时间段内资源节点处于正常状态不发生故障的概率超过给定的可靠性数值R，如达到5个9的程度，即R＝99.999％。

资源节点j的可靠性由其故障分布模式决定，如假设其故障分布服从指数分布，则该资源节点j的理论可靠性r_j可表示为：

其中，资源节点j的单位时间故障率λ_j可由其历史故障信息分析获得，如单位时间取一天，N天内资源节点出现的故障次数为F，则其单位时间故障率为F/N，也可根据其理论MTTF(Mean Time To Failure，平均故障时间)计算，其单位时间故障率为1/MTTF。

进一步地，若任务i卸载至资源节点j处进行计算处理，则在总时延t_i,j期间内，其可靠性r_i,j为：

在资源管理过程中，对每个任务可以设定其可靠性约束，如可靠性需超过给定的可靠性数值，如99.999％，即：

步骤S3.3：在资源管理过程中，考虑资源节点的资源容量约束，如对于边缘云资源节点而言，其计算、存储和网络资源是有限的，不能无限制的进行资源分配，所分配给用户任务的总资源量不能超出其资源容量限制。

进一步地，对任务i，采用l_i表示为其分配的资源节点，如l_i＝j表示将任务i卸载至资源节点j，为任务分配资源节点j的资源。对资源节点j，分配给用户任务的计算、存储和网络资源不能超出其资源容量限制，计算公式如下：

其中，c_i,j为资源节点j为任务i分配的计算资源，m_i,j为资源节点j为任务i分配的存储资源，b_i,j为资源节点j为任务i分配的网络资源，c_j为资源节点j的可用计算资源容量，m_j为资源节点j的可用存储资源容量，b_j为资源节点j的可用网络资源容量。

进一步地，在资源管理过程中，资源节点为任务分配到资源应当满足其相应的资源需求，如下所示：

if l_i＝j,c_i,j≥q_c,i

if l_i＝j,m_i，j≥q_m,i

其中，c_i,j≥q_c,i表示在资源管理过程中，若将任务i卸载至资源节点j并为任务i分配资源节点j的资源，则分配的计算资源c_i,j应当大于或等于其本身的计算资源需求q_c,i，同理m_i,j≥q_m,i表示，分配的存储资源m_i，j应当大于或等于其本身的存储资源需求q_m，i，网络资源需求则已经包含在上述时延约束中。

步骤S3.4：在资源管理过程中，目标是实现系统收益最大化，对单个任务i，在最大完成截止时间内完成任务，系统则可获得该任务对应的报酬，因此系统的收益P_i为任务i完成后报酬与资源节点j所分配给任务i的资源成本之间的差值。公式如下：

P_i＝B_i-(w_c，jc_i，j+w_m，jm_i，j+w_b，jb_i，j)

进一步地，对所有任务的收益求和即为系统的所有收益，系统优化目标如下：

进一步地，建立以系统收益最大为优化目标，考虑可靠性、时延和资源容量约束的云边端协同资源管理优化模型，即综合上述公式，建立优化模型如下：

max∑_i∈TB_i-(w_c，jc_i,j+w_m,jm_i,j+w_b,jb_i,j)

s.t.

在该云边端协同资源管理优化模型中，优化变量为任务集合T中每个任务i所分配的资源节点的位置l_i和相应分配的计算资源c_i，j、存储资源m_i，j和网络资源b_i，j。

步骤S4：对上述资源管理优化模型进行求解，完成用户任务与资源节点匹配，生成卸载指令并将用户任务卸载至匹配的资源节点。

本发明另一方面提供了一种应用上述方法的系统，包括：

通信模块：为用户设备终端和云边资源节点之间提供数据交互支持，负责接收用户任务请求、发布卸载指令、传输数据及结果等功能；

资源监控模块：监控各资源节点状态，获取各资源节点的可用资源容量、故障信息、CPU频率信息等，为资源管理模块提供资源节点信息支持；

资源管理模块：基于通信模块获取的任务请求信息和资源监控模块获取的资源节点信息，构建本发明提出的云边端协同资源管理算法，通过求解资源管理优化模型得到各任务与资源节点的匹配关系及分配相应的资源，生成相应的资源管理指令；

任务处理模块：根据资源管理模块的指令，接收相应的任务并处理，处理结果经通信模块返回用户端。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种云边端协同资源管理方法，其特征在于：包括如下步骤：

步骤S1：接收用户任务请求；

步骤S2：获取云边可用资源状态信息；

步骤S3：基于用户请求和可用资源状态信息建立考虑可靠性、时延和资源容量约束的系统收益最大化的资源管理优化模型；

步骤S4：求解资源管理优化模型，完成用户任务与资源节点匹配，用户将任务卸载至匹配的资源节点。

2.根据权利要求1所述的云边端协同资源管理方法，其特征在于：所述步骤S1中接收用户任务请求的方式为通过中心云和边缘云服务器接收来自用户终端设备的任务请求，获取任务需求详细信息，并建立任务请求集合，具体的接收步骤如下：

步骤S1.1：用户终端设备通过网络如无线局域网接入中心云或边缘云，当其有任务需要卸载至中心云或边缘云处理时，用户设备将其任务请求发送至中心云或边缘云；

步骤S1.2：对用户发送的任务请求i，其详细信息可用<q_c,i，q_m，i，th_i,d_i,B_i>表示，其中q_c,i为任务i所需要的计算资源数量，q_m，i为任务i所需要的存储资源数量，th_i为任务i的最大完成截止时间，d_i为任务i的数据包尺寸，B_i为用户在任务i完成后支付给云端或边缘云的报酬；

步骤S1.3：将时间离散为时隙组合，针对在时隙τ处接收到的多个任务请求，建立任务请求集合T。

3.根据权利要求1或2所述的云边端协同资源管理方法，其特征在于：所述步骤S2获取云边可用资源状态信息包括计算资源、存储资源和网络资源，具体获取步骤如下：

步骤S2.1：在时隙τ处获取中心云和边缘云节点的可用资源状态信息，包括该时隙处的计算资源、存储资源和网络资源信息，资源节点包括1个中心云和多个边缘云，每个资源节点包括服务器和基站，服务器能够提供计算和存储服务，基站能够提供网络服务；

步骤S2.2：资源节点j的可用资源状态信息可表示为<c_j，m_j，b_j，fq_j，λ_j，w_c,j,w_m,j,w_b,j>，其中c_j为资源节点j的可用计算资源容量，m_j为资源节点j的可用存储资源容量，b_j为资源节点j的可用网络资源容量，fq_j为资源节点j的计算频率，λ_j为资源节点j的单位时间故障率，w_c，j为资源节点j的单位计算资源成本，w_m，j为资源节点j的单位存储资源成本，w_b，j为资源节点j的单位网络资源成本；

步骤S2.3：根据各资源节点的可用资源状态信息，建立可用资源节点集合C。

4.根据权利要求1或2所述的云边端协同资源管理方法，其特征在于：所述步骤3中建立的模型为基于用户请求集合T和可用资源节点集合C，建立以系统收益最大为优化目标，考虑可靠性、时延和资源容量约束的资源管理优化模型，具体的优化步骤如下：

步骤S3.1：在资源管理过程中，考虑任务的时延约束，即任务从用户端开始传输数据至云边并处理完成后返回结果至用户端的总时间应当小于任务的最大完成截止时间限制；

步骤S3.2：在资源管理过程中，考虑任务的可靠性约束，即保障任务的服务质量，在卸载至云边并处理的整个时间段内资源节点处于正常状态不发生故障的概率超过给定的可靠性数值R；

步骤S3.3：在资源管理过程中，考虑资源节点的资源容量约束；

步骤S3.4：在资源管理过程中，目标是实现系统收益最大化，对单个任务i，在最大完成截止时间内完成任务，系统则可获得该任务对应的报酬，因此系统的收益P_i为任务i完成后报酬与资源节点j所分配给任务i的资源成本之间的差值。

5.根据权利要求4所述的云边端协同资源管理方法，其特征在于：所述步骤3.1中的时延主要包括传输时延和计算时延，计算时延约束的具体步骤如下：

步骤3.11，通过以下方式计算传输时延：

对于用户任务i∈T，云边资源节点j∈C，其传输时延

计算公式如下：

其中，d_i为传输的数据尺寸，s_i,j为用户i和资源节点j间的传输速率，该传输速率与资源节点j为用户i分配的网络资源b_i,j成正比，其计算公式如下：

s_i,j＝Kb_i,j

其中，K为比例系数，将上式代入传输时延公式中得传输时延

步骤3.12，通过以下方式计算计算时延：

对于用户任务i∈T，云边资源节点j∈C，其计算时延

与其任务i所需的计算资源数量q_c，i和资源节点j的CPU频率fq_j有关，计算公式如下：

步骤3.13，通过以下方式计算总时延t_i,j：

步骤3.14，对计算获得的总时延t_i,j进行约束：

6.根据权利要求4所述的云边端协同资源管理方法，其特征在于：所述步骤3.2中的可靠性由其故障分布模式决定，假设其故障分布服从指数分布，则该资源节点j的理论可靠性r_j表示为：

其中，资源节点j的单位时间故障率λ_j可由其历史故障信息分析获得；

若任务i卸载至资源节点j处进行计算处理，则在总时延t_i,j期间内，其可靠性r_i,j为：

7.根据权利要求4所述的云边端协同资源管理方法，其特征在于：所述步骤3.3资源容量约束的具体方式为：

对资源节点j，分配给用户任务的计算、存储和网络资源不能超出其资源容量限制，计算公式如下：

其中，c_i,j为资源节点j为任务i分配的计算资源，m_i,j为资源节点j为任务i分配的存储资源，b_i,j为资源节点j为任务i分配的网络资源，c_j为资源节点j的可用计算资源容量，m_j为资源节点j的可用存储资源容量，b_j为资源节点j的可用网络资源容量；

同时，在资源管理过程中，资源节点为任务分配到资源应当满足其相应的资源需求，如下所示：

if l_i＝j,c_i,j≥q_c,i

if l_i＝j,m_i,j≥q_m,i

其中，上述第一个公式表示在资源管理过程中，若将任务i卸载至资源节点j并为任务i分配资源节点j的资源，则分配的计算资源c_i,j应当大于或等于其本身的计算资源需求q_c,i，同理上述第二个公式表示，分配的存储资源m_i,j应当大于或等于其本身的存储资源需求q_m,i，网络资源需求则已经包含在上述时延约束中。

8.根据权利要求4所述的云边端协同资源管理方法，其特征在于：所述步骤3.4中系统的收益P_i的计算公式如下：

P_i＝B_i-(w_c,jc_i,j+w_m,jm_i,j+w_b,jb_i,j)；

对所有任务的收益求和即为系统的所有收益，系统优化目标如下：

max∑_i∈TB_i-(w_c，jc_i，j+w_m，jm_i，j+w_b，jb_i，j)

建立以系统收益最大为优化目标，考虑可靠性、时延和资源容量约束的云边资源管理优化模型，建立优化模型如下：

max∑_i∈TB_i-(w_c,jc_i,j+w_m，jm_i，j+w_b,jb_i,j)

s.t.

在该云边资源管理优化模型中，优化变量为任务集合T中每个任务i所分配的资源节点的位置l_i和相应分配的计算资源c_i,j、存储资源m_i,j和网络资源b_i,j。

9.一种应用权利要求1至8任意一项所述方法的系统，其特征在于：包括：

通信模块：为用户设备终端和云边资源节点之间提供数据交互支持，负责接收用户任务请求、发布卸载指令、传输数据及结果等功能；

资源监控模块：监控各资源节点状态，获取各资源节点的可用资源容量、故障信息、CPU频率信息等，为资源管理模块提供资源节点信息支持；

资源管理模块：基于通信模块获取的任务请求信息和资源监控模块获取的资源节点信息，构建本发明提出的云边端协同资源管理算法，通过求解资源管理优化模型得到各任务与资源节点的匹配关系及分配相应的资源，生成相应的资源管理指令；

任务处理模块：根据资源管理模块的指令，接收相应的任务并处理，处理结果经通信模块返回用户端。

Images