CN113553160A - 用于人工智能物联网的边缘计算节点任务调度方法及系统 - Google Patents
用于人工智能物联网的边缘计算节点任务调度方法及系统 Download PDFInfo
- Publication number
- CN113553160A CN113553160A CN202110884491.0A CN202110884491A CN113553160A CN 113553160 A CN113553160 A CN 113553160A CN 202110884491 A CN202110884491 A CN 202110884491A CN 113553160 A CN113553160 A CN 113553160A
- Authority
- CN
- China
- Prior art keywords
- things
- intelligent internet
- data
- task
- internet
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 61
- 238000004891 communication Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
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
- G06F9/44—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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- 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
Abstract
本发明提供一种用于人工智能物联网的边缘计算任务调度方法及系统，包括：获取智能物联网设备产生的待传输数据，并判断待传输数据的特征类型；建立智能物联网设备与边缘计算节点、云服务器的网络通信连接，以及生成智能物联网设备的调度任务队列；根据智能物联网设备与边缘计算节点、云服务器的网络通信连接状态进行排序，确定智能物联网设备的任务调度优先级；获取传输时延最小的通信路径，并根据获取的通信路径和任务调度优先级进行任务调度。本发明利用边缘计算可以减少数据传输的带宽占用，降低访问的时延。并且本发明通过对智能物联网设备进行任务调度，降低了智能物联网设备的能耗和移动边缘计算的任务卸载复杂度，提高了任务卸载的效率。
Description
技术领域
本发明涉及物联网技术领域，特别是涉及一种用于人工智能物联网的边缘计算节点任务调度方法及系统。
背景技术
随着越来越多数据的产生以及更加强大的算力算法的运用，物联网应用也变得越来越智能。典型的物联网应用也从简单的数据感知、收集和表示转向复杂的信息提取和分析。未来，物联网可广泛应用于环境监测、城市管理、医疗健康等任务。这些任务往往需要实时的数据处理、信息提取和分析决策。但是，由于有限的通信带宽、不稳定的网络连接以及严格的时延要求等，仅仅依靠云计算已无法支持无处不在且日渐强大的物联网部署和应用。
同时，随着物联网和移动终端的迅速发展，边缘计算技术应运而生，通过将计算和存储配置在互联网边缘，可以处理物联网终端产生的大量数据，应对时延敏感型应用请求。为提高计算资源使用效率，优化性能指标，边缘计算资源分配与任务调度优化问题受到了广泛关注。
但是，对于大规模的物联网系统来说，所产生的计算任务和数据量在空间、时间上的变动都非常大，如果采用固定的物联网架构，即一个边缘节点从固定的若干传感器、智能设备接受计算任务及相关数据，会导致各个边缘节点各自承担的负荷非常不均衡，比如有的边缘节点空闲，而有的边缘节点的计算任务、存储空间、通信能力已经过载。因此，如何合理调度计算任务及其相关数据，将计算任务均衡的分配给与之匹配的边缘节点，是目前亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种用于人工智能物联网的边缘计算节点任务调度方法及系统，用于解决如何合理调度计算任务及其相关数据，将计算任务均衡的分配给与之匹配的边缘节点的问题。
为实现上述目的及其他相关目的，本发明提供一种用于人工智能物联网的边缘计算节点任务调度方法，包括以下步骤：
获取多个智能物联网设备产生的待传输数据，并判断所述待传输数据的特征类型；所述特征类型包括：连续数值型和离散型；
建立每个智能物联网设备与边缘计算节点、云服务器的网络通信连接，并在建立网络通信连接后，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列；
根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级；
获取当前时刻传输时延最小的通信路径，并根据所获取的通信路径和任务调度优先级对每个智能物联网设备进行任务调度。
可选地，判断所述待传输数据的特征类型的过程包括：
获取所述待传输数据的属性指标；
若所述属性指标包括以下至少之一：均值、保准差、中位数、四分位数、四分位差、偏度、峰度、特征区间值域、零值率，则认定所述待传输数据为连续数值型数据；
若所述属性指标包括以下至少之一：众数、值占比、取值总数、特征数组值域、缺失率，则认定所述待传输数据为离散型数据。
可选地，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列的过程包括：
获取每个智能物联网设备产生的待传输数据，并确定所述待传输数据的数据量大小；
获取每个边缘计算节点的最大计算值，并按照边缘计算节点的最大计算值对每个智能物联网设备所对应的待传输数据进行分解，选取出最优的一个或多个边缘计算节点；
获取每个智能物联网设备中待传输数据的分解结果以及所选取出的边缘结算节点，并结合所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列。
可选地，若待传输数据的特征类型为连续数值型，则在确定出最优的一个或多个边缘计算节点后，将所确定出的边缘计算节点与对应的智能物联网设备进行关联，并由关联后的边缘计算节点完成对应智能物联网设备在所有时刻下的数据传输；
若待传输数据的特征类型为离散型，则在确定出最优的一个或多个边缘计算节点后，利用确定出的边缘计算节点完成当前时刻下的数据传输，并在完成数据传输后，重新确定新的最优的一个或多个边缘计算节点。
可选地，所述根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级的过程包括：
获取当前时刻下每个智能物联网设备与所述边缘计算节点、所述云服务器的传输速率；
判断每个智能物联网设备的传输速率是否低于参考传输速率；
若某智能物联网设备的传输速率低于所述参考传输速率，则判定该智能物联网设备在进行任务调度时出现了网络抖动，并将该物联网设备的任务调度优先级调整至正常传输等级之前；
若某智能物联网设备的传输速率大于等于所述参考传输速率，则将该物联网设备的任务调度优先级调整为正常传输等级。
可选地，所述任务调度队列包括数据传输和任务卸载；在进行任务卸载时，还包括：
获取每个智能物联网设备的任务卸载速率和最大卸载时间；
将每个智能物联网设备按照任务卸载速度与最大卸载时间的比值进行降序排序；
根据排序后的智能物联网设备进行任务调度。
可选地，所述智能物联网设备的任务执行速度为：0.7GHz；所述边缘计算节点的任务执行速度为：1.0GHz；所述云服务器的任务执行速度为：1.6GHz。
可选地，当所述智能物联网设备与边缘计算节点、云服务器的数据传输带宽为20Mb/s时，任务调度的响应时间约束为5s；且传输时间时延为5s的通信路径为传输时延最小的通信路径。
本发明还提供一种用于人工智能物联网的边缘计算节点任务调度系统，包括有：
采集模块，用于获取多个智能物联网设备产生的待传输数据，并判断所述待传输数据的特征类型；所述特征类型包括：连续数值型和离散型；
通信连接模块，用于建立每个智能物联网设备与边缘计算节点、云服务器的网络通信连接，并在建立网络通信连接后，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列；
任务排序模块，用于根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级；
任务调度模块，用于获取当前时刻传输时延最小的通信路径，并根据所获取的通信路径和任务调度优先级对每个智能物联网设备进行任务调度。
如上所述，本发明提供一种用于人工智能物联网的边缘计算任务调度方法及系统，具有以下有益效果：
本发明对于计算任务和数据量在空间、时间上的变动都非常大的大规模物联网系统中，可以实现计算任务的最优化调度。本发明利用边缘计算尽可能靠近边缘节点侧的设备执行任务的原则，旨在减少数据传输的带宽占用，降低访问的时延。通过边缘节点收集数据，筛选出有效数据后，传输至云服务器。云服务器上按需训练多种精度的模型，再分发到各个物联网设备。需要执行任务时，利用基于时延的贪心任务调度方法，筛选出近距离内符合条件的设备，按照时延最小的原则，最终选择合适的执行任务的设备，降低系统整个的任务完成时延。此外，本发明通过对智能物联网设备进行任务调度，降低了智能物联网设备的能耗和移动边缘计算的任务卸载复杂度，提高了任务卸载的效率。
附图说明
图1为一实施例提供的用于人工智能物联网的边缘计算节点任务调度方法的流程示意图；
图2为一实施例提供的边缘计算资源分配示意图；
图3为一实施例提供的任务调度示意图；
图4为一实施例提供的用于人工智能物联网的边缘计算节点任务调度系统的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1至图3所示，本发明提供一种用于人工智能物联网的边缘计算节点任务调度方法，包括以下步骤：
S100，获取多个智能物联网设备产生的待传输数据，并判断所述待传输数据的特征类型；所述特征类型包括：连续数值型和离散型；
S200，建立每个智能物联网设备与边缘计算节点、云服务器的网络通信连接，并在建立网络通信连接后，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列；
S300，根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级；
S400，获取当前时刻传输时延最小的通信路径，并根据所获取的通信路径和任务调度优先级对每个智能物联网设备进行任务调度。
本实施例对于计算任务和数据量在空间、时间上的变动都非常大的大规模物联网系统中，可以实现计算任务的最优化调度。本实施例利用边缘计算尽可能靠近边缘节点侧的设备执行任务的原则，旨在减少数据传输的带宽占用，降低访问的时延。通过边缘节点收集数据，筛选出有效数据后，传输至云服务器。云服务器上按需训练多种精度的模型，再分发到各个物联网设备。需要执行任务时，利用基于时延的贪心任务调度方法，筛选出近距离内符合条件的设备，按照时延最小的原则，最终选择合适的执行任务的设备，降低系统整个的任务完成时延。此外，本实施例通过对智能物联网设备进行任务调度，降低了智能物联网设备的能耗和移动边缘计算的任务卸载复杂度，提高了任务卸载的效率。
在一示例性实施例中，判断所述待传输数据的特征类型的过程包括：获取所述待传输数据的属性指标；若所述属性指标包括以下至少之一：均值、保准差、中位数、四分位数、四分位差、偏度、峰度、特征区间值域、零值率，则认定所述待传输数据为连续数值型数据；若所述属性指标包括以下至少之一：众数、值占比、取值总数、特征数组值域、缺失率，则认定所述待传输数据为离散型数据。作为示例，具体地，确定待传输数据的属性指标；按照确定出的属性指标确定待传输数据的特征类型。若待传输数据为连续数值型，则还可以计算连续数值型特征样本数据的指标值；根据确定出的属性指标和计算出的指标值对连续数值型特征样本数据进行分箱处理，并统计每个分箱区间内的样本数据占所有样本数据的比例；将连续数值型特征样本数据进行正样本和负样本区分，并获取每个分箱区间内正样本和负样本的比例，得到连续数值型特征样本数据的指标探查结果。其中，连续数值型特征的属性指标包括但不限于：均值、保准差、中位数、四分位数、四分位差、偏度、峰度、特征值域(区间)、取值总数、缺失率、0值率等指标。若待传输数据为离散型，则还包括按照确定出的统计指标计算出离散型特征样本数据的指标值，得到离散型特征样本数据的指标探查结果。其中，离散型特征的统计指标包括但不限于：众数、值占比、取值总数、特征值域(数组)、缺失率等指标。本申请实施例中，可以根据经验规则将数据集中的特征列自动分为离散型特征和连续数值型特征。
在一示例性实施例中，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列的过程包括：获取每个智能物联网设备产生的待传输数据，并确定所述待传输数据的数据量大小；获取每个边缘计算节点的最大计算值，并按照边缘计算节点的最大计算值对每个智能物联网设备所对应的待传输数据进行分解，选取出最优的一个或多个边缘计算节点；获取每个智能物联网设备中待传输数据的分解结果以及所选取出的边缘结算节点，并结合所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列。其中，所述任务调度队列包括数据传输和任务卸载；在进行任务卸载时，还包括：获取每个智能物联网设备的任务卸载速率和最大卸载时间；将每个智能物联网设备按照任务卸载速度与最大卸载时间的比值进行降序排序；根据排序后的智能物联网设备进行任务调度。
在一示例性实施例中，若待传输数据的特征类型为连续数值型，则在确定出最优的一个或多个边缘计算节点后，将所确定出的边缘计算节点与对应的智能物联网设备进行关联，并由关联后的边缘计算节点完成对应智能物联网设备在所有时刻下的数据传输；若待传输数据的特征类型为离散型，则在确定出最优的一个或多个边缘计算节点后，利用确定出的边缘计算节点完成当前时刻下的数据传输，并在完成数据传输后，重新确定新的最优的一个或多个边缘计算节点。本实施例通过找出最优的一个或多个边缘计算节点，可以得到最优传输路径。
在一示例性实施例中，所述根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级的过程包括：获取当前时刻下每个智能物联网设备与所述边缘计算节点、所述云服务器的传输速率；判断每个智能物联网设备的传输速率是否低于参考传输速率；若某智能物联网设备的传输速率低于所述参考传输速率，则判定该智能物联网设备在进行任务调度时出现了网络抖动，并将该物联网设备的任务调度优先级调整至正常传输等级之前；若某智能物联网设备的传输速率大于等于所述参考传输速率，则将该物联网设备的任务调度优先级调整为正常传输等级。通过设置任务调度优先级，可以提高任务调度速率，减少数据传输的带宽占用，降低访问的时延。如图2所示，独立任务的卸载或分配，可看作任务i与边缘计算节点j的决策问题，即确定任务i是否分配至边缘计算节点j。多个独立任务的卸载或分配，可看作任务i和边缘计算节点j的匹配问题，以实现负载均衡。如果计算节点特定时间内最多只能处理一个任务时，可看作任务-节点匹配和节点上的任务排序问题。
在一些示例性实施例中，所述智能物联网设备的任务执行速度为：0.7GHz；所述边缘计算节点的任务执行速度为：1.0GHz；所述云服务器的任务执行速度为：1.6GHz。当所述智能物联网设备与边缘计算节点、云服务器的数据传输带宽为20Mb/s时，任务调度的响应时间约束为5s；且传输时间时延为5s的通信路径为传输时延最小的通信路径。如图3所示，当待传输数据为“12345”时，在终端设备(即智能物联网设备)与边缘服务器(包含有边缘计算节点)建立通信连接时，是将“12345”全部传输至边缘服务器进行计算；而当终端设备与边缘服务器以及云服务器建立通信连接时，对应的数据“5”留在本地智能物联网设备上进行计算，对应的数据“12”在边缘服务器上进行计算，对应的数据“34”在云服务器上进行计算。
综上所述，本方法对于计算任务和数据量在空间、时间上的变动都非常大的大规模物联网系统中，可以实现计算任务的最优化调度。本方法利用边缘计算尽可能靠近边缘节点侧的设备执行任务的原则，旨在减少数据传输的带宽占用，降低访问的时延。通过边缘节点收集数据，筛选出有效数据后，传输至云服务器。云服务器上按需训练多种精度的模型，再分发到各个物联网设备。需要执行任务时，利用基于时延的贪心任务调度方法，筛选出近距离内符合条件的设备，按照时延最小的原则，最终选择合适的执行任务的设备，降低系统整个的任务完成时延。此外，本方法通过对智能物联网设备进行任务调度，降低了智能物联网设备的能耗和移动边缘计算的任务卸载复杂度，提高了任务卸载的效率。
如图4所示，本发明还提供一种用于人工智能物联网的边缘计算节点任务调度系统，包括有：
采集模块M10，用于获取多个智能物联网设备产生的待传输数据，并判断所述待传输数据的特征类型；所述特征类型包括：连续数值型和离散型；
通信连接模块M20，用于建立每个智能物联网设备与边缘计算节点、云服务器的网络通信连接，并在建立网络通信连接后，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列；
任务排序模块M30，用于根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级；
任务调度模块M40，用于获取当前时刻传输时延最小的通信路径，并根据所获取的通信路径和任务调度优先级对每个智能物联网设备进行任务调度。
本系统用于执行上述任一所述的方法，其具体的技术功能及对应的技术效果请参见上述方法，此处不再进行赘述。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，包括以下步骤：
获取多个智能物联网设备产生的待传输数据，并判断所述待传输数据的特征类型；所述特征类型包括：连续数值型和离散型；
建立每个智能物联网设备与边缘计算节点、云服务器的网络通信连接，并在建立网络通信连接后，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列；
根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级；
获取当前时刻传输时延最小的通信路径，并根据所获取的通信路径和任务调度优先级对每个智能物联网设备进行任务调度。
2.根据权利要求1所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，判断所述待传输数据的特征类型的过程包括：
获取所述待传输数据的属性指标；
若所述属性指标包括以下至少之一：均值、保准差、中位数、四分位数、四分位差、偏度、峰度、特征区间值域、零值率，则认定所述待传输数据为连续数值型数据；
若所述属性指标包括以下至少之一：众数、值占比、取值总数、特征数组值域、缺失率，则认定所述待传输数据为离散型数据。
3.根据权利要求2所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列的过程包括：
获取每个智能物联网设备产生的待传输数据，并确定所述待传输数据的数据量大小；
获取每个边缘计算节点的最大计算值，并按照边缘计算节点的最大计算值对每个智能物联网设备所对应的待传输数据进行分解，选取出最优的一个或多个边缘计算节点；
获取每个智能物联网设备中待传输数据的分解结果以及所选取出的边缘结算节点，并结合所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列。
4.根据权利要求3所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，若待传输数据的特征类型为连续数值型，则在确定出最优的一个或多个边缘计算节点后，将所确定出的边缘计算节点与对应的智能物联网设备进行关联，并由关联后的边缘计算节点完成对应智能物联网设备在所有时刻下的数据传输；
若待传输数据的特征类型为离散型，则在确定出最优的一个或多个边缘计算节点后，利用确定出的边缘计算节点完成当前时刻下的数据传输，并在完成数据传输后，重新确定新的最优的一个或多个边缘计算节点。
5.根据权利要求1所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，所述根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级的过程包括：
获取当前时刻下每个智能物联网设备与所述边缘计算节点、所述云服务器的传输速率；
判断每个智能物联网设备的传输速率是否低于参考传输速率；
若某智能物联网设备的传输速率低于所述参考传输速率，则判定该智能物联网设备在进行任务调度时出现了网络抖动，并将该物联网设备的任务调度优先级调整至正常传输等级之前；
若某智能物联网设备的传输速率大于等于所述参考传输速率，则将该物联网设备的任务调度优先级调整为正常传输等级。
6.根据权利要求1所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，所述任务调度队列包括数据传输和任务卸载；在进行任务卸载时，还包括：
获取每个智能物联网设备的任务卸载速率和最大卸载时间；
将每个智能物联网设备按照任务卸载速度与最大卸载时间的比值进行降序排序；
根据排序后的智能物联网设备进行任务调度。
7.根据权利要求1所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，所述智能物联网设备的任务执行速度为：0.7GHz；所述边缘计算节点的任务执行速度为：1.0GHz；所述云服务器的任务执行速度为：1.6GHz。
8.根据权利要求1所述的用于人工智能物联网的边缘计算节点任务调度方法，其特征在于，当所述智能物联网设备与边缘计算节点、云服务器的数据传输带宽为20Mb/s时，任务调度的响应时间约束为5s；且传输时间时延为5s的通信路径为传输时延最小的通信路径。
9.一种用于人工智能物联网的边缘计算节点任务调度系统，其特征在于，包括有：
采集模块，用于获取多个智能物联网设备产生的待传输数据，并判断所述待传输数据的特征类型；所述特征类型包括：连续数值型和离散型；
通信连接模块，用于建立每个智能物联网设备与边缘计算节点、云服务器的网络通信连接，并在建立网络通信连接后，根据所述待传输数据的特征类型生成每个智能物联网设备的调度任务队列；
任务排序模块，用于根据每个智能物联网设备与所述边缘计算节点、所述云服务器的网络通信连接状态来对每个智能物联网设备进行排序，确定每个智能物联网设备的任务调度优先级；
任务调度模块，用于获取当前时刻传输时延最小的通信路径，并根据所获取的通信路径和任务调度优先级对每个智能物联网设备进行任务调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884491.0A CN113553160A (zh) | 2021-08-03 | 2021-08-03 | 用于人工智能物联网的边缘计算节点任务调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884491.0A CN113553160A (zh) | 2021-08-03 | 2021-08-03 | 用于人工智能物联网的边缘计算节点任务调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113553160A true CN113553160A (zh) | 2021-10-26 |
Family
ID=78105164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110884491.0A Withdrawn CN113553160A (zh) | 2021-08-03 | 2021-08-03 | 用于人工智能物联网的边缘计算节点任务调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553160A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114003364A (zh) * | 2021-11-02 | 2022-02-01 | 中国联合网络通信集团有限公司 | 数据采集调度方法、服务器、移动设备及系统 |
| CN114285855A (zh) * | 2022-03-07 | 2022-04-05 | 济南英华自动化技术有限公司 | 一种基于智能边缘物联的云边协同方法 |
| CN115102986A (zh) * | 2022-06-15 | 2022-09-23 | 之江实验室 | 一种边缘环境下物联网数据分发、存储方法及系统 |
| CN115776524A (zh) * | 2023-02-10 | 2023-03-10 | 广东瑞恩科技有限公司 | 用于智能制造的物联网海量数据多级调度传输系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110780986A (zh) * | 2019-10-10 | 2020-02-11 | 北京信息科技大学 | 一种基于移动边缘计算的物联网任务调度方法及系统 |
| CN111400007A (zh) * | 2020-03-13 | 2020-07-10 | 重庆特斯联智慧科技股份有限公司 | 一种基于边缘计算的任务调度方法和系统 |
| CN111538571A (zh) * | 2020-03-20 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 |
| CN111835827A (zh) * | 2020-06-11 | 2020-10-27 | 北京邮电大学 | 物联网边缘计算任务卸载方法及系统 |
| US20210037113A1 (en) * | 2018-12-21 | 2021-02-04 | Huawei Technologies Co., Ltd. | Data deterministic deliverable communication technology based on qos as a service |
| CN112650581A (zh) * | 2020-12-21 | 2021-04-13 | 湘潭大学 | 一种面向智能楼宇的云边协同任务调度方法 |
| CN113114714A (zh) * | 2020-11-03 | 2021-07-13 | 吉林大学 | 一种大规模任务卸载到5g边缘服务器的节能方法及系统 |
-
2021
- 2021-08-03 CN CN202110884491.0A patent/CN113553160A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210037113A1 (en) * | 2018-12-21 | 2021-02-04 | Huawei Technologies Co., Ltd. | Data deterministic deliverable communication technology based on qos as a service |
| CN110780986A (zh) * | 2019-10-10 | 2020-02-11 | 北京信息科技大学 | 一种基于移动边缘计算的物联网任务调度方法及系统 |
| CN111400007A (zh) * | 2020-03-13 | 2020-07-10 | 重庆特斯联智慧科技股份有限公司 | 一种基于边缘计算的任务调度方法和系统 |
| CN111538571A (zh) * | 2020-03-20 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 |
| CN111835827A (zh) * | 2020-06-11 | 2020-10-27 | 北京邮电大学 | 物联网边缘计算任务卸载方法及系统 |
| CN113114714A (zh) * | 2020-11-03 | 2021-07-13 | 吉林大学 | 一种大规模任务卸载到5g边缘服务器的节能方法及系统 |
| CN112650581A (zh) * | 2020-12-21 | 2021-04-13 | 湘潭大学 | 一种面向智能楼宇的云边协同任务调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| YOUNGJIN KIM ETC.: "Collaborative_Task_Scheduling_for_IoT-Assisted_Edge_Computing", 《IEEE》 * |
| 朱晓娟: "智慧煤矿中边缘计算任务分配研究", 《工矿自动化》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114003364A (zh) * | 2021-11-02 | 2022-02-01 | 中国联合网络通信集团有限公司 | 数据采集调度方法、服务器、移动设备及系统 |
| CN114003364B (zh) * | 2021-11-02 | 2024-04-26 | 中国联合网络通信集团有限公司 | 数据采集调度方法、服务器、移动设备及系统 |
| CN114285855A (zh) * | 2022-03-07 | 2022-04-05 | 济南英华自动化技术有限公司 | 一种基于智能边缘物联的云边协同方法 |
| CN115102986A (zh) * | 2022-06-15 | 2022-09-23 | 之江实验室 | 一种边缘环境下物联网数据分发、存储方法及系统 |
| CN115102986B (zh) * | 2022-06-15 | 2023-12-01 | 之江实验室 | 一种边缘环境下物联网数据分发、存储方法及系统 |
| CN115776524A (zh) * | 2023-02-10 | 2023-03-10 | 广东瑞恩科技有限公司 | 用于智能制造的物联网海量数据多级调度传输系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及系统 | |
| CN109032801B (zh) | 一种请求调度方法、系统及电子设备和存储介质 | |
| CN111459617B (zh) | 基于云平台的容器化应用自动分配优化系统及其方法 | |
| CN108768716B (zh) | 一种微服务路径选择方法及装置 | |
| CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
| Li et al. | Method of resource estimation based on QoS in edge computing | |
| CN109831524A (zh) | 一种负载均衡处理方法及装置 | |
| Santos et al. | Zeus: A resource allocation algorithm for the cloud of sensors | |
| Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
| CN111752678A (zh) | 面向边缘计算中分布式协同学习的低功耗容器放置方法 | |
| CN113590307A (zh) | 边缘计算节点优化配置方法、装置及云计算中心 | |
| CN115543577B (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
| CN113157443A (zh) | 一种基于边缘计算环境的资源均衡调度方法 | |
| CN114064261A (zh) | 基于工业边缘计算系统的多维异构资源量化方法及装置 | |
| CN115220916A (zh) | 视频智能分析平台的自动算力调度方法、装置及系统 | |
| CN114356531A (zh) | 基于K-means聚类和排队理论的边缘计算任务分类调度方法 | |
| Ghebleh et al. | A multi-criteria method for resource discovery in distributed systems using deductive fuzzy system | |
| Chopra et al. | Applications of fuzzy logic in cloud computing: A review | |
| Garg et al. | Optimal virtual machine scheduling in virtualized cloud environment using VIKOR method | |
| Subrahmanyam et al. | Optimizing horizontal scalability in cloud computing using simulated annealing for Internet of Things | |
| Prado et al. | On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers | |
| CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
| CN114612037A (zh) | 一种仓库信息的管理方法和系统 | |
| CN116012067A (zh) | 资源分配方法、装置、计算机、可读存储介质及程序产品 | |
| CN111784029A (zh) | 一种雾节点资源分配方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211026 |
|
| WW01 | Invention patent application withdrawn after publication |