CN113590279A - 一种面向多核边缘计算服务器的任务调度和资源分配方法 - Google Patents

Abstract

本发明公开了一种面向多核边缘计算服务器的任务调度和资源分配方法，属于无线通信和移动边缘计算领域，方法包括：在每个时隙起始时刻，接收各个用户设备产生的新任务的参数信息；结合约束条件确定各个任务的调度策略、计算频率、对应用户设备的发射功率以及对应基站的发射功率的最优解，使得执行完所有任务后，任务在本地的计算能耗、任务在多核MEC服务器的计算能耗、用户设备的上传能耗、基站到用户设备的传输能耗的加权和最小；将最优解下发至各个用户设备、基站以及多核MEC服务器。本发明针对多核MEC服务器计算卸载场景，从任务调度、计算资源分配和通信资源分配三个维度上同时进行优化，可以有效降低整个系统的加权能耗。

Description

一种面向多核边缘计算服务器的任务调度和资源分配方法

技术领域

本发明属于无线通信和移动边缘计算领域，更具体地，涉及一种面向多核边缘计算服务器的任务调度和资源分配方法。

背景技术

随着移动互联网技术的发展，人脸识别、虚拟现实、全息投影等新兴应用层出不穷，这些新应用在时延约束下对通信和计算提出了更高的要求。为了降低传输时延，移动边缘计算架构将计算服务器下沉到网络边缘，使得低延时任务的计算卸载成为可能。

目前大部分文献中MEC服务器任务调度和计算资源分配采用了并行计算模型，如图4所示，并行计算模型做了以下三点假设：

1)MEC服务器可以同时计算的任务数量没有上限；

2)计算资源可以按任意比例分配给各个任务；

3)任务对分配给它的计算资源在整个时隙内具有独占性，即使该任务已经计算完成，闲置的计算资源也不能分配给其它任务；

这三点假设并不适用于多核MEC服务器。首先，多核MEC服务器可以同时计算的任务数量取决于处理器中核心(core)的数量，对于拥有服务器集群的计算中心，第一点假设可以成立，但是多核MEC服务器的核心数量有限，可以同时计算的任务数量也是有限的。其次，多核MEC服务器各个核心的计算资源相互独立，一个核心不能同时计算多个任务，因此计算资源不能任意分配给各个任务。最后，在一个时隙内计算资源不能再分配给其它任务的假设也明显不合理，在实际系统中这会造成计算资源的闲置。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种面向多核边缘计算服务器的任务调度和资源分配方法，从任务调度、计算资源分配和通信资源分配三个维度上联合优化整个系统的加权能耗，解决了现有技术不适用于多核MEC服务器的问题。

为实现上述目的，本发明提供了一种面向多核边缘计算服务器的任务调度和资源分配方法，包括以下步骤：

S1，在每个时隙起始时刻，接收各个用户设备产生的新任务的参数信息；所述参数信息包括任务的最大等待时间、任务需要的计算量、原始数据大小以及结果数据大小；

S2，结合约束条件确定各个任务的调度策略、计算频率、对应用户设备的发射功率以及对应基站的发射功率的最优解，使得执行完所有任务后，任务在本地的计算能耗、任务在多核MEC服务器的计算能耗、用户设备的上传能耗、基站到用户设备的传输能耗的加权和最小；所述调度策略为各个任务在本地计算或卸载到多核MEC服务器某个核心计算，以及确定卸载到多核MEC服务器计算的任务的计算顺序；

S3，将所述最优解下发至各个用户设备、基站以及多核MEC服务器。

进一步地，所述S2中，约束条件为：

约束条件C1：任务必须在最大等待时间内完成；

约束条件C2：MEC服务器同一个核心的各个任务的计算时间不能重叠；

约束条件C3：同一个核心的各个任务必须按顺序计算；

约束条件C4：接入基站的用户设备数量不能大于基站信道数量；

约束条件C5：任务必须在本地或MEC服务器的某一个核心计算，且不能重复计算；

约束条件C6：任务的计算频率不能超过核心的频率上限，用户设备的发射功率不能超过上限，基站的发射功率不能超过上限。

进一步地，所述S2中，在确定所述最优解时，根据优化变量和约束条件，将加权能耗最小化问题P1等价拆分为问题P2和问题P3；在满足约束条件C3至C5时，问题P2用于优化调度策略；在满足约束条件C1、C2和C6时，问题P3用于优化计算频率、对应用户设备的发射功率以及对应基站的发射功率。

进一步地，确定所述最优解的具体过程为：

S21，针对问题P2，随机生成可行解并编码得到初始种群P₁，以问题P3的目标函数作为适应度函数；

S22，当适应度函数值稳定次数大于预设次数时，得到最优解，求解结束，否则执行步骤S23；

S23，对种群P₁进行交叉、变异操作产生新种群P₂，对种群P₂的个体解码并计算适应度，并对P₁和P₂采用具有精英保留能力的模拟退火选择算法得到新一代种群P₃；

S24，降低模拟退火选择算法的温度值，令P₁＝P₃，执行步骤S22。

进一步地，所述约束条件C2的公式如下：

其中，

和

分别表示第i个和第j个任务的原始数据完成上传需要的时间，

表示第i个任务完成计算需要的时间；x_im＝{0,1}，x_jm＝{0,1}，x_im＝1和x_jm＝1分别表示第i个和第j个任务卸载到MEC服务器的第m个核心计算；y_ij＝{0,1}，当任务i在任务j之前开始计算时，y_ij＝1，否则y_ij＝0；L为正常数，且L≥10000*max(T_i)，T_i为第i个任务的最大等待时间；N为任务总数，M为MEC服务器的核心总数。

进一步地，所述约束条件C3的公式如下：

其中，当任务i在任务j之前开始计算时，y_ji＝0，否则y_ji＝1。

进一步地，所述S3之后还包括：

S4，采用卸载计算的用户设备执行S5，采用本地计算的用户设备执行S6；

S5，依据所述最优解，用户设备调整发射功率将任务的原始数据传输到多核MEC服务器；多核MEC服务器调整各个核心的计算频率以及任务的计算顺序；基站调整发射功率并将计算结果传输到用户设备；

S6，用户设备调整计算频率在本地计算任务。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明在每个时隙起始时刻，接收各个用户设备产生的新任务的参数信息；结合约束条件确定各个任务的调度策略、计算频率、对应用户设备的发射功率以及对应基站的发射功率的最优解，使得执行完所有任务后，任务在本地的计算能耗、任务在多核MEC服务器的计算能耗、用户设备的上传能耗、基站到用户设备的传输能耗的加权和最小；将最优解下发至各个用户设备、基站以及多核MEC服务器。本发明针对多核MEC服务器计算卸载场景，从任务调度、计算资源分配和通信资源分配三个维度上同时进行优化，可以有效降低整个系统的加权能耗。

(2)本发明中问题P1是一个混合整数非线性规划问题，它可以规约为三阶段柔性车间调度问题，属于NP-hard问题。将问题P1等价拆分为两个子问题P2和P3，可以减小求解的难度。

(3)本发明在模拟退火选择的基础上又加入了“精英选择策略”：当P₁和P₂中的最优个体没有被选择放入结果集P₃时，将P₃中的最差个体替换为P₁和P₂中的最优个体，这可以保证搜索过程中的最优个体一定能够被保留下来。

附图说明

图1为单MEC服务器多用户计算卸载场景示意图；

图2为本发明提供的一种面向多核边缘计算服务器的任务调度和资源分配方法的示意图；

图3为本发明中改进后的分段实数编码示意图；

图4为本发明中MEC服务器两种计算模型的任务调度对比示意图；

图5为本发明中改进遗传算法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

需要说明的是，为了解决多核边缘计算服务器的任务调度和资源分配问题，我们提出了适用于多核MEC服务器的多核顺序计算模型，如图4所示，它具有以下几点假设：

1)MEC服务器可以同时计算多个任务，但是不能超过CPU核心的数量；

2)每个任务只能在一个核心计算，任务开始计算后不能被打断，也不能切换到别的核心计算，直到计算完成；

3)每个核心的任务按顺序计算，上一个任务计算完成后，下一个任务才能开始计算；

4)通过动态电压技术，每个核心的计算频率可以动态调整，但不能超过它上限，各个核心的计算频率相互独立；

本发明以多核顺序计算模型为基础，从任务调度、计算资源分配和通信资源分配三个维度上，设计一种面向多核边缘计算服务器的任务调度和资源分配方法，优化整个边缘计算系统的加权能耗。

如图1所示，在单MEC服务器多用户计算卸载场景中，小区由一个配备了MEC服务器的基站和N个用户设备组成，其中第i个用户设备的任务可以用五元组{α_i,T_i,C_i,D_i,R_i}表示，其中α_i＝0表示任务在本地计算，α_i＝1表示任务完全卸载到MEC服务器计算，T_i为任务的最大等待时间，C_i为任务需要的计算量(CPU周期)，D_i为原始数据大小，R_i为结果数据大小。

如图2所示，本发明设计的一种面向多核边缘计算服务器的任务调度和资源分配方法，包括以下步骤：

步骤S1：每个时隙起始时刻，各个用户设备将新任务的参数信息传输到部署在多核MEC服务器的SDN控制器；其中，参数信息包括任务的最大等待时间、任务需要的计算量、原始数据大小以及结果数据大小。

步骤S2：SDN控制器汇总各个用户设备的任务参数、用户设备到基站的信道状态以及多核MEC服务器计算资源等信息，对任务的传输和计算过程进行建模。

步骤S2具体包含以下步骤：

步骤S21：建立任务原始数据上传模型；

根据对数路径损耗模型，路径损耗为：

PL(d_i)＝34.5+35×log₁₀(d_i) (1)

根据香农公式，第i个用户设备的传输速率为：

其中，d_i为第i个用户设备到基站的距离，

为第i个用户设备的发射功率，N₀为高斯白噪声的功率谱密度，w^UL为上行信道带宽，用户设备通过OFDMA技术接入基站，用户间的干扰可以忽略。

任务原始数据完成上传需要的时间为：

其中，D_i为任务原始数据大小。由于用户设备的发射功率存在上限

将它带入(3)可以得到用户设备上传时间

的下限：

用户设备的上传能耗为：

步骤S22：建立任务计算结果下载模型；

根据香农公式，基站的传输速率为：

其中w^DL为下行信道带宽，

为基站的发射功率。任务计算结果传输到用户设备需要的时间为：

其中R_i为任务计算结果的大小。由于基站的发射功率存在上限

将它带入(7)可以得到基站到用户设备i传输时间

的下限：

基站到用户设备i的传输能耗可以表示为：

步骤S23：建立任务本地计算模型；

当任务在本地计算时，用户设备的CPU频率用

表示，通过动态电压技术，用户设备可以调整

本地计算时间可以表示为：

任务在本地计算的能耗可以表示为：

其中κ^loc为用户设备CPU的能效系数，在(11)中

是关于

单调递增的，当

时任务的本地计算能耗最低，所以可以认为

是一个常数。

步骤S24：建立任务卸载计算模型；

多核MEC服务器可分配的CPU频率为F，它有M个核心，每个核心最大的CPU频率为F/M。对于被分配到第m个核心计算的任务，它在计算时的CPU频率为f_i，计算需要的时间为：

任务的计算频率f_i不能超过核心的频率上限F/M：

任务在多核MEC服务器的计算能耗可以表示为：

由于任务可以在本地或MEC服务器的某个核心上计算，因此引入卸载选择矩阵x来表示任务被分配到哪里计算：

当任务在本地计算时，x_i0＝1；当任务卸载到MEC服务器的第m个核心计算时，x_im＝1。卸载选择矩阵x需要满足：

(16)限制了任务不会被多次计算。由于分配到同一个核心的任务在计算时有先后顺序，因此引入任务计算顺序矩阵y来表示任务计算时的先后顺序：

当任务i在任务j之前开始计算时，y_ij＝1；否则y_ij＝0。卸载计算的任务需要满足两个约束条件：

第一，分配到同一个核心各个任务的计算时间不能重叠。

如果任务i,j被分配到第m个核心(x_im＝x_jm＝1)，且任务i在任务j之前开始计算(y_ij＝1)，那么任务j开始计算的时刻必须在任务i计算完成之后：

利用大M法，我们可以把这个if-then结构的约束条件表示为：

(19)中的L是一个很大的常数，且L≥10000*max(T_i)，T_i为第i个任务的最大等待时间，当任务i,j没有分到同一个核心或任务i在任务j之后开始计算时，x_imx_jmy_ij＝0，(19)是恒成立的；当任务i,j被分到同一个核心且任务i在任务j之前开始计算时，x_im＝x_jm＝y_ij＝1，(19)等价于(18)。

第二，同一个核心的各个任务必须按顺序计算。

当任务i,j被分到同一个核心时，它们在计算时必须有先后顺序，y_ij和y_ji必须满足：

y_ij+y_ji＝1 (20)

可以把这个约束条件表示为：

当任务i,j没有分到同一个核心时，x_im+x_jm≤1，(21)恒成立；当任务i,j被分到同一个核心时，x_im+x_jm＝2，此时约束条件变成了：

y_ij+y_ji≥1 (22)

由于y_ij＝y_ji＝1明显违反了(19)，所以y_ij和y_ji中有且只有一个等于1，(22)等价于(20)。

任务在多核MEC服务器计算的能耗可以表示为：

其中κ^mec为MEC服务器CPU的能效系数，它是一个常数，取决于芯片的结构和制程。

步骤S3：SDN控制器在任务完成时间、有限的通信和计算资源约束下，针对多核MEC服务器，构建出系统加权和最小化问题；

步骤S3具体包含以下步骤：

S31：建立系统加权能耗最小化问题P1：

需要满足的约束条件为：

C1：

C2：

C3：

C4：

C5：

C6：

C7：

C8：

其中，t^UL为任务原始数据上传时间，t^DL为任务计算结果下载时间，f为任务在多核MEC服务器的计算频率，x是卸载选择矩阵，y是计算顺序矩阵。约束条件C1表示任务不论是在本地计算还是卸载到多核MEC服务器计算，都必须在最大等待时间T_i内完成。C2表示同一个核心的各个任务的计算时间不能重叠。C3表示同一个核心的各个任务必须按顺序计算。C4表示卸载计算的任务数量，即接入基站的用户设备数量不能大于基站信道数量K。约束条件C5表示任务必须在本地或MEC服务器的某一个核心计算，且不能重复计算。约束条件C6～C8限定了各个优化变量的取值范围。

优化问题P1是一个混合整数非线性规划问题，它可以规约为三阶段柔性车间调度问题，属于NP-hard问题。将P1等价拆分为两个子问题，可以减小求解的难度。

S32：等价拆分优化问题P1；

根据优化变量和约束条件，优化问题P1可以等价拆分为P2和P3，在问题P2中，需要解决卸载决策和任务计算排序子问题，即求解卸载选择矩阵x和计算顺序矩阵y：

问题P2：

需要满足的约束条件为：C3～C7。

在问题P3中，需要解决任务卸载选择矩阵x和任务计算顺序矩阵y已经确定时，解决通信和计算资源分配子问题，即求解连续变量t^UL,t^DL,f：

问题P3：

需要满足的约束条件为：C1、C2、C8。

问题P2是一个整数规划问题，很难求解，问题P3是一个凸优化问题，可以通过梯度下降法、内点法等方法求解。因此求解问题P1的难点在解决问题P2。

步骤S4：SDN控制器利用改进遗传算法得到各个任务的调度策略和计算频率、用户设备和基站的发射功率；

如图5所示，步骤S4具体包含以下步骤：

步骤S41：参数初始化；

交叉概率p_c＝0.6，变异概率p_m＝0.4，收敛阈值N＝30，模拟退火初始温度T＝10⁵，降温系数α＝0.95。

步骤S42：随机生成可行解并编码得到初始种群P₁；

随机生产20组可行解{x,y}作为问题P2的初始可行解，P3的目标函数作为适应度函数，将{x,y}带入问题P3利用内点法可以得到对应的{t^UL,t^DL,f}。其中卸载选择矩阵x和计算顺序矩阵y都是二维0-1矩阵，如果采用二进制编码直接将x,y转换为一维向量作为染色体，那后续的交叉、变异操作将会产生大量违反约束条件C3～C5的不可行解，太多的不可行解会影响遗传算法的效果。柔性车间调度问题一般采用分段实数编码，它分为卸载选择编码和计算顺序编码两段，由于约束条件C4限制了可以卸载计算的任务数量，分段实数编码并不完全适用于问题P2，所以我们在它的基础上设计了图3所示的改进分段实数编码。改进后的编码方式不会产生违反约束条件C3～C5的个体，具有完备性和健全性。

步骤S43：当适应度函数值稳定次数大于收敛次数时，算法求解结束，否则执行步骤S44；

步骤S44：对P₁利用交叉、变异操作产生新种群P₂；由于计算顺序编码的各个元素不能重复，两段编码需要采用不同的交叉和变异策略，卸载选择编码使用两点交叉和基本位变异，计算顺序编码使用顺序交叉和交换变异。以P₁为基础产生相同个体数量的新种群P₂。

步骤S45：对P₂的个体解码并计算适应度，将{x,y}带入问题P3利用内点法可以得到对应的{t^UL,t^DL,f}，P3的目标函数值作为个体的适应度；

步骤S46：对P₁和P₂利用改进模拟退火选择算法得到新一代种群P₃；

为了增强遗传算法的局部搜索能力，在个体选择过程中用模拟退火选择算法替代常用的锦标赛算法和轮盘赌算法。模拟退火选择算法利用公式(27)所示的Metrospolis准则来挑选个体，首先从初始种群P₁中随机挑选个体I₁，它的适应度函数值为

再从交叉和变异产生的新种群P₂中随机挑选个体I₂，它的适应度函数值为

设这次迭代时模拟退火算法的温度为T，则I₂被选择放入结果集P₃的概率为：

当新种群中个体I₂更优秀时

I₂一定被选择放入结果集P₃；当I₁更优秀时

较差的个体I₂仍有概率

被选择放入P₃，没有放入P₃的个体将被放回原种群。在遗传算法迭代初期T比较大，交叉和变异操作产生的较差个体被保留下来的概率

也会比较大，这有利于跳出局部最优解，扩大搜索范围。随着迭代次数的增加，T会逐渐减小趋近于0，

也会减小，交叉和变异操作产生的较差个体几乎不会被选择，这可以减少迭代次数，加快遗传算法的收敛。

我们在模拟退火选择的基础上又加入了“精英选择策略”，得到改进模拟退火选择算法：当P₁和P₂中的最优个体没有被选择放入结果集P₃时，将P₃中的最差个体替换为P₁和P₂中的最优个体，这可以保证搜索过程中的最优个体一定能够被保留下来。

步骤S47：更新模拟退火温度，令P₁＝P₃，T＝αT，执行步骤S43；

步骤S5：SDN控制器将优化结果反馈到各个用户设备、基站以及多核MEC服务器；

步骤S6：结合步骤S5的优化结果，采用卸载计算的用户设备执行步骤S7，采用本地计算的用户设备执行步骤S10；

步骤S7：用户设备调整发射功率将任务数据传输到多核MEC服务器；

步骤S8：多核MEC服务器根据SDN控制器的优化结果调整各个核心的计算频率以及任务的计算顺序；

步骤S9：基站调整发射功率将计算结果传输到用户设备，任务计算完成；

步骤S10：用户设备调整计算频率在本地计算任务，任务计算完成。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，包括以下步骤：

S1，在每个时隙起始时刻，接收各个用户设备产生的新任务的参数信息；所述参数信息包括任务的最大等待时间、任务需要的计算量、原始数据大小以及结果数据大小；

S2，结合约束条件确定各个任务的调度策略、计算频率、对应用户设备的发射功率以及对应基站的发射功率的最优解，使得执行完所有任务后，任务在本地的计算能耗、任务在多核MEC服务器的计算能耗、用户设备的上传能耗、基站到用户设备的传输能耗的加权和最小；所述调度策略为各个任务在本地计算或卸载到多核MEC服务器某个核心计算，以及确定卸载到多核MEC服务器计算的任务的计算顺序；

S3，将所述最优解下发至各个用户设备、基站以及多核MEC服务器。

2.根据权利要求1所述的一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，所述S2中，约束条件为：

约束条件C1：任务必须在最大等待时间内完成；

约束条件C2：MEC服务器同一个核心的各个任务的计算时间不能重叠；

约束条件C3：同一个核心的各个任务必须按顺序计算；

约束条件C4：接入基站的用户设备数量不能大于基站信道数量；

约束条件C5：任务必须在本地或MEC服务器的某一个核心计算，且不能重复计算；

约束条件C6：任务的计算频率不能超过核心的频率上限，用户设备的发射功率不能超过上限，基站的发射功率不能超过上限。

3.根据权利要求2所述的一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，所述S2中，在确定所述最优解时，根据优化变量和约束条件，将加权能耗最小化问题P1等价拆分为问题P2和问题P3；在满足约束条件C3至C5时，问题P2用于优化调度策略；在满足约束条件C1、C2和C6时，问题P3用于优化计算频率、对应用户设备的发射功率以及对应基站的发射功率。

4.根据权利要求3所述的一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，确定所述最优解的具体过程为：

S21，针对问题P2，随机生成可行解并编码得到初始种群P₁，以问题P3的目标函数作为适应度函数；

S22，当适应度函数值稳定次数大于预设次数时，得到最优解，求解结束，否则执行步骤S23；

S23，对种群P₁进行交叉、变异操作产生新种群P₂，对种群P₂的个体解码并计算适应度，并对P₁和P₂采用具有精英保留能力的模拟退火选择算法得到新一代种群P₃；

S24，降低模拟退火选择算法的温度值，令P₁＝P₃，执行步骤S22。

5.根据权利要求2至4任一项所述的一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，所述约束条件C2的公式如下：

其中，

和

分别表示第i个和第j个任务的原始数据完成上传需要的时间，

表示第i个任务完成计算需要的时间；x_im＝{0,1}，x_jm＝{0,1}，x_im＝1和x_jm＝1分别表示第i个和第j个任务卸载到MEC服务器的第m个核心计算；y_ij＝{0,1}，当任务i在任务j之前开始计算时，y_ij＝1，否则y_ij＝0；L为正常数，且L≥10000*max(T_i)，T_i为第i个任务的最大等待时间；N为任务总数，M为MEC服务器的核心总数。

6.根据权利要求5所述的一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，所述约束条件C3的公式如下：

其中，当任务i在任务j之前开始计算时，y_ji＝0，否则y_ji＝1。

7.根据权利要求1所述的一种面向多核边缘计算服务器的任务调度和资源分配方法，其特征在于，所述S3之后还包括：

S4，采用卸载计算的用户设备执行S5，采用本地计算的用户设备执行S6；

S5，依据所述最优解，用户设备调整发射功率将任务的原始数据传输到多核MEC服务器；多核MEC服务器调整各个核心的计算频率以及任务的计算顺序；基站调整发射功率并将计算结果传输到用户设备；

S6，用户设备调整计算频率在本地计算任务。

Images