CN113590307A - 边缘计算节点优化配置方法、装置及云计算中心 - Google Patents
边缘计算节点优化配置方法、装置及云计算中心 Download PDFInfo
- Publication number
- CN113590307A CN113590307A CN202110693154.3A CN202110693154A CN113590307A CN 113590307 A CN113590307 A CN 113590307A CN 202110693154 A CN202110693154 A CN 202110693154A CN 113590307 A CN113590307 A CN 113590307A
- Authority
- CN
- China
- Prior art keywords
- data processing
- edge computing
- optimal
- scheme
- edge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000004891 communication Methods 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000005265 energy consumption Methods 0.000 claims abstract description 41
- 238000013468 resource allocation Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 101100194362 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res1 gene Proteins 0.000 description 1
- 101100194363 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res2 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明适用于边缘计算技术领域,提供了一种边缘计算节点优化配置方法、装置及云计算中心,该方法包括:在目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且其数据处理能力之和大于数据处理需求之和时,将目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;在目标通信区域对应的数据处理能力之和小于数据处理需求之和时,构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案并求解资源分配方案。本申请通过上述方法能够使得整个云边计算系统满足低时延、低能耗、高可靠性、均衡负载的要求,实现边缘感知节点优化配置。
Description
技术领域
本发明属于边缘计算技术领域,尤其涉及一种边缘计算节点优化配置方法、装置及云计算中心。
背景技术
传统的云计算是将智能采集设备的海量数据通过无线网或者光纤直接传输到云计算中心进行处理,但是容易造成数据拥堵以及传输延迟高、通信成本高等问题。为了应对云计算中心计算任务过重问题,边缘计算随之诞生,其主要思想为将云计算中心的部分计算任务直接“下沉”到数据源附近进行,这样既节省了大数据流的通讯成本,也减轻了云计算中心的计算负担,同时也满足实时低延迟的需求。但这种计算模式仍然存在缺陷,如边缘计算节点之间容易形成信息孤岛,数据不能共享,从而导致重复计算,浪费计算资源。
目前边缘计算通常采用实时流式的处理方式,但由于这种方法在任务分配上通过简单的轮询方式进行,所以任务分配和资源调度上的缺陷很明显。
发明内容
有鉴于此,本发明实施例提供了一种边缘计算节点优化配置方法、装置及云计算中心,以解决现有技术中边缘计算节点任务分配效果差的问题。
本发明实施例的第一方面提供了一种边缘计算节点优化配置方法,包括:
获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;
计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;
若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;
若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。
本发明实施例的第二方面提供了一种边缘计算节点优化配置装置,包括:
数据获取模块,用于获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;
求和模块,用于计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;
第一资源分配模块,用于若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;
第二资源分配模块,用于若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。
本发明实施例的第三方面提供了一种云计算中心,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述边缘计算节点优化配置方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述边缘计算节点优化配置方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例首先获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;然后计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。本实施例通过上述方法能够通过边缘计算节点之间优化调度以及云边之间合理卸载计算任务和良性竞争计算资源,使得整个云边计算系统满足低时延、低能耗、高可靠性、均衡负载的要求,实现边缘感知节点优化配置。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的边缘计算节点优化配置方法的实现流程示意图;
图2是本发明实施例提供的边缘计算节点优化配置装置的结构示意图;
图3是本发明实施例提供的云计算中心的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
在一个实施例中,本实施例提供了一种边缘计算节点优化配置方法的实现流程,其包括:
S101:获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求。
在本实施例中,本实施例提供一种边缘感知节点优化配置系统。系统由云端层和边缘层组成,云端层包括云计算中心,边缘层包括边缘计算节点、数据采集节点、用户节点。边缘层和云端层通过无线通道连接或者光纤连接,用于交互数据流和指令,同一区域中的同一通信区域内的子边缘计算节点之间建立P2P的网络通信,同一边缘计算节点内部的边缘计算节点、数据采集节点、用户节点通信连接。通过建立分布式边缘计算节点之间的P2P通道以期满足高实时性、大数据处理的需求,从而实现整个系统计算资源的合理分布以及任务的最优分配。
具体的,本实施例的执行主体可以为云计算中心。云计算中心可以获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求。
S102:计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和。
S103:若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案。
在本实施例中,在目标通信区域内存在单个边缘计算节点的数据处理能力不足时,判断目标通信区域总的数据处理能力之和是否大于数据处理需求之和,若目标通信区域总的数据处理能力之和大于或等于数据处理需求之和,则进行目标通信区域内的资源调度。若目标通信区域总的数据处理能力之和小于数据处理需求之和,则进行云边之间的资源分配。
S104:若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。
在一个实施例中,上述S104的具体实现流程包括:
构建考虑能耗和时延的边缘计算节点卸载计算模型,并采用粒子群优化算法对所述边缘计算节点卸载计算模型进行求解,得到最优卸载方案;
所述边缘计算节点卸载计算模型为:
ai,1+ai,2=1,ai,1,ai,2∈[0,1]
式中,表示第i个边缘计算节点的时间需求系数,表示第i个边缘计算节点的能耗需求系数,ai,m={0,1}表示决策机制,m={1,2}表示决策方式,m=1表示本地计算模型执行计算任务,m=2表示云计算中心执行计算任务,z1表示本地计算总时延,z2表示云计算总时延,e1表示本地计算总能耗,e2表示云计算总能耗。
在本实施例中,当目标通信区域总的数据处理能力之和小于数据处理需求之和时,首先建立卸载决策模型,其中卸载决策模型分为本地计算模型和卸载计算模型。
本地计算模型,边缘计算节点i的计算时延和计算能耗其中表示边缘计算节点i的计算能力,表示边缘计算节点i的单个CPU计算周期内的能耗,Ci表示边缘计算节点i的完成任务所需时间。由于没有其他时延和能耗,所以计算时延为总时延,计算能耗为总能耗。
卸载计算模型中,卸载时延上行数据为:
可得传输时延整个卸载过程中没有其他形式的时延,所以总计算延时为其中,表示第i个边缘计算节点接入云计算中心y的上行数据速率,表示第i个边缘计算节点与云计算中心之间的功率,表示增益,表示其他接入云计算中心的边缘计算节点与第i个边缘计算节点之间存在的干扰,k0表示背景噪声功率,表示第i个边缘计算节点卸载到云计算中心执行完任务所需要的计算时延。
决策机制ai,j引入后,卸载模型时延为:
基于上述推导,可以得到综合考虑能耗和时延的边缘计算节点卸载计算模型。
在本实施例中,在完成综合考虑能耗和时延的边缘计算节点卸载计算模型的建立后,为了搜寻最优卸载方案,且需要适用于多竞争模式,采用改进的粒子群算法来求解本发明所述的综合考虑能耗和时延的边缘计算卸载决策模型。
具体地,基于改进的粒子群算法的边缘计算节点卸载决策求解过程如下:
步骤一:参数初始化。确定种群规模、空间维度和惯性权重,初始速度和初始位置随机产生。
步骤二:将当前位置的粒子代入边缘计算节点卸载计算模型的适应函数,求适应度值。
步骤三:寻找群体最优和个体最优。也即寻找所有不同卸载方式的组合方案下系统消耗最小值(最优值),寻找不同卸载方式下产生的能耗最优值。
步骤四:更新粒子速度和位置。
步骤五:更新个体极值和群体极值。
步骤六:根据最大迭代次数判断是否终止计算,若是,则退出循环,输出最优解,若否,则返回步骤二,并重复步骤二至步骤六。
在一个实施例中,上述S104的具体实现流程还包括:
S201:基于可信度的博弈模型建立所述最优卸载方案对应的资源分配模型;
S202:采用拉格朗日乘子法求解所述资源分配模型,得到所述资源分配方案;
所述资源分配模型为:
其中,Li表示云计算中心为第i个边缘计算节点分配的计算资源,Li(min)表示云计算中心可为需要请求计算资源的第i个边缘节点所分配的最小计算资源,表示边缘计算节点i的决策因子,Mi表示边缘计算节点i的可信度相关系数,L表示云计算中心的总计算资源。
在一个实施例中,上述S202的具体实现流程包括:
构建所述资源分配模型的Lagrange函数,所述Lagrange函数为:
其中,λ表示Lagrange乘数;
对所述Lagrange函数中的Li求偏导数,得到所述Lagrange函数的局部最优解,并将所述Lagrange函数的局部最优解作为所述资源分配方案。
在本实施例中,根据函数取极值的必要条件可知,令所有偏导式子等于零,得到局部最优解。
在一个实施例中,图1中S103的具体实现流程包括:
S301:将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到至少一个初始调度方案;
S302:基于调度总消耗时间和负载均衡程度确定初始调度方案中的最优调度方案。
在一个实施例中,上述S301的具体实现流程包括:
S402:获取所述目标通信区域对应的拓扑数据流T,所述拓扑数据流T包括任务实例的至少一个线程。
将任务实例分配给进程中的多个线程,线程中的实例定义为[start-task-id,end-task-id];实例中开始和末尾的id相同,实例为Ei,i∈[1,N]。
S403:参考各个边缘计算节点的配置信息,采用调度器将每个任务实例对应的线程分配给所述Slot集合中的各个Slot,得到调度方案集合,所述调度方案集合包括至少一个初始调度方案,所述调度方案集合为res={res1,res2,…resm…,resM},M表示初始调度方案的数量,表示第m个初始调度方案中索引为idx的Slot分配得到的线程数量。
在本实施例中,对于T的每个实例的Ne(T)个线程以[start-task-id,end-task-id]集合的形式均匀分配到相应节点所对应的Slot的空集合,最终线程在每个Slot集合中的储存形式是其分配到相应Slot的数量。对T的资源调度为f(x)→S,函数f(x)表示线程到Slot的映射,x表示执行实例的线程集合和容纳线程集合,S为对应的Slot。占用的进程数小于等于集群节点的Slot数。当两个线程不属于同一个T的线程时,该两个线程不会被分配到同一个进程中。
本发明中,集合实际为一个数组,数组中的每个元素为分配到该Slot的线程的数量,将计算得到的全局最优解集合,按照其集合中每个维度的属性通过调度器Scheduler分配到相应节点,也即是集合的每个维度代表节点中每个Slot所分配到线程的数量。
具体地,将各个线程分配到各个边缘计算节点的Slot中的具体实现流程包括:
1、初始化解集res={res1,res2,…,resM},定义当前节点的Slot的索引为全局变量idx,拓扑数据流T配置的线程的数量为Ne(T),Slot的数量为Ns(T);设置T配置的线程的数量的最大值MaxNe(T)及最小值MinNe(T),MaxNe(T),MinNe(T)∈[1,Ns(T)]。
2、初始化当前已经分配的线程数为0;
3、判断当前节点的Slot的索引idx,如果当前索引值小于Ns(T)且当前已分配线程数小于Ne(T),则根据全局变量索引idx,循环遍历将第j个值赋值到res[idx]中;
4、重复步骤2.3,将还未分配的任务数补位到数组res[Ns(T)]的位置;得到当前节点的调度方案集合;
5、若还存在没有处理的节点,则以没有处理的边缘计算节点为新的当前边缘计算节点,返回1,使用递归的形式重复循环遍历,直至计算得到所有可能的调度方案集合。
在一个实施例中,上述S302的具体实现流程还包括:
S501:基于消耗时间计算公式计算所述调度方案集合中各个slot分配到线程的消耗时间;所述消耗时间计算公式为:
其中,Csys表示系统分配给集群的CPU值,Pexe表示给每个线程的CPU占集群总值的百分比;Tj表示第j个slot分配到线程的消耗时间;res[j]表示第j个slot分配到的线程数量;
S502:基于负载均衡程度计算公式计算所述调度方案集合中各个初始调度方案的负载均衡标准差;所述负载均衡程度计算公式为:
其中,Tavg为集群所有Slot分配线程所需的执行时间总和的平均值;LB表示负载均衡标准差;Ns(T)表示线程总数量;
S503:将Slot分配到线程的消耗时间最小和负载均衡标准差最小的初始调度方案作为最优调度方案。
在本实施例中,将上述最优调度方案基于出入栈的思想将线程以[start-task-id,end-task-id]对应的首尾实例的集合,将计算得到的全局最优解集合按照其集合中每个维度的属性分配到集群中。
从上述实施例可知,本发明以一种集合的形式,集合每个维度代表边缘计算节点中每个Slot所分配到线程的数量,将拓扑数据流T中的实例通过调度器分配到相应边缘计算节点,改变Storm的分配方式;通过获取集群节点的配置信息并作为调度的输入、计算出所有调度方案,再以一次任务调度的总执行时间和每个边缘计算节点的负载均衡标准差作为解的评价值,以得到评价值最优的全局最优解,作为Storm节点任务调度的最优调度方案,最后基于出入栈的思想将线程以对应的首尾实例的集合,按照其集合中每个维度的属性分配到集群中。
本发明改变Storm调度框架中Task实例的排序分配方式以及Task实例和Slot任务槽的映射关系,然后根据边缘计算节点配置检测的结果来计算出最优的全局调度方案。该计算方式复杂度低、运行速度快,适合任何并发情况,且无须手动配置参数,能将属于同任务的线程最大化地分配到相同边缘计算节点,保证了边缘计算节点的通信代价最低。
从上述实施例可知,本实施例提供的优化配置方法包括调度优化和计算卸载资源整体优化配置。其中,调度优化是边缘计算环境中Storm计算框架下的计算任务卸载策略,提出一种动态规划算法,其能够找到所有分配方案并求得最优解。计算卸载资源整体优化配置是在综合考虑能耗和时延敏感型系统的计算卸载问题,根据不同的卸载任务需求与边缘计算中心信誉值分配计算资源,以获得低时延、低能耗和高可靠的最优计算卸载方案。两种不同层次的优化策略有利于减小边缘计算节点计算能耗和调度时延,降低通信成本,提高计算效率、促进信息共享以及负载均衡。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中,如图2所示,图2示出了本实施例提供的一种边缘计算节点优化配置装置100的结构,其包括:
数据获取模块110,用于获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;
求和模块120,用于计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;
第一资源分配模块130,用于若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;
第二资源分配模块140,用于若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。
在一个实施例中,所述第二资源分配模块140包括:
最优卸载方案计算单元,用于构建考虑能耗和时延的边缘计算节点卸载计算模型,并采用粒子群优化算法对所述边缘计算节点卸载计算模型进行求解,得到最优卸载方案;
所述边缘计算节点卸载计算模型为:
ai,1+ai,2=1,ai,1,ai,2∈[0,1]
式中,表示第i个边缘计算节点的时间需求系数,表示第i个边缘计算节点的能耗需求系数,ai,m={0,1}表示决策机制,m={1,2}表示决策方式,m=1表示本地计算模型执行计算任务,m=2表示云计算中心执行计算任务,z1表示本地计算总时延,z2表示云计算总时延,e1表示本地计算总能耗,e2表示云计算总能耗。
在一个实施例中,所述第二资源分配模块140还包括:
资源分配模型建立单元,用于基于可信度的博弈模型建立所述最优卸载方案对应的资源分配模型;
资源分配方案确定单元,用于采用拉格朗日乘子法求解所述资源分配模型,得到所述资源分配方案;
所述资源分配模型为:
其中,Li表示云计算中心为第i个边缘计算节点分配的计算资源,Li(min)表示云计算中心可为需要请求计算资源的第i个边缘节点所分配的最小计算资源,表示边缘计算节点i的决策因子,Mi表示边缘计算节点i的可信度相关系数,L表示云计算中心的总计算资源。
在一个实施例中,资源分配方案确定单元包括:
构建所述资源分配模型的Lagrange函数,所述Lagrange函数为:
其中,λ表示Lagrange乘数;
对所述Lagrange函数中的Li求偏导数,得到所述Lagrange函数的局部最优解,并将所述Lagrange函数的局部最优解作为所述资源分配方案。
在一个实施例中,第一资源分配模块130包括:
初始调度方案确定单元,用于将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到至少一个初始调度方案;
最优调度方案筛选单元,用于基于调度总消耗时间和负载均衡程度确定初始调度方案中的最优调度方案。
在一个实施例中,初始调度方案确定单元具体用于:
获取所述目标通信区域对应的拓扑数据流T,所述拓扑数据流T包括任务实例的至少一个线程;
参考各个边缘计算节点的配置信息,采用调度器将每个任务实例对应的线程分配给所述Slot集合中的各个Slot,得到调度方案集合,所述调度方案集合包括至少一个初始调度方案,所述调度方案集合为res={res1,res2,…resm…,resM},M表示初始调度方案的数量,表示第m个初始调度方案中索引为idx的Slot分配得到的线程数量。
在一个实施例中,最优调度方案筛选单元具体用于:
基于消耗时间计算公式计算所述调度方案集合中各个slot分配到线程的消耗时间;所述消耗时间计算公式为:
其中,Csys表示系统分配给集群的CPU值,Pexe表示给每个线程的CPU占集群总值的百分比;Tj表示第j个Slot分配到线程的消耗时间;res[j]表示第j个Slot分配到的线程数量;
基于负载均衡程度计算公式计算所述调度方案集合中各个初始调度方案的负载均衡标准差;所述负载均衡程度计算公式为:
其中,Tavg为集群所有Slot分配线程所需的执行时间总和的平均值;LB表示负载均衡标准差;Ns(T)表示线程总数量;
将Slot分配到线程的消耗时间最小和负载均衡标准差最小的初始调度方案作为最优调度方案。
从上述实施例可知,本发明实施例首先获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;然后计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。本实施例通过上述方法能够通过边缘计算节点之间优化调度以及云边之间合理卸载计算任务和良性竞争计算资源,使得整个云边计算系统满足低时延、低能耗、高可靠性、均衡负载的要求,实现边缘感知节点优化配置。
图3是本发明一实施例提供的云计算中心的示意图。如图3所示,该实施例的云计算中心3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个边缘计算节点优化配置方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块110至140的功能。
所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述云计算中心3中的执行过程。
所述云计算中心3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述云计算中心可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是云计算中心3的示例,并不构成对云计算中心3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述云计算中心还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述云计算中心3的内部存储单元,例如云计算中心3的硬盘或内存。所述存储器31也可以是所述云计算中心3的外部存储设备,例如所述云计算中心3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述云计算中心3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述云计算中心所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/云计算中心和方法,可以通过其它的方式实现。例如,以上所描述的装置/云计算中心实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
所述集成的模块/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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种边缘计算节点优化配置方法,其特征在于,包括:
获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;
计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;
若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;
若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。
2.如权利要求1所述的边缘计算节点优化配置方法,其特征在于,所述构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案包括:
构建考虑能耗和时延的边缘计算节点卸载计算模型,并采用粒子群优化算法对所述边缘计算节点卸载计算模型进行求解,得到最优卸载方案;
所述边缘计算节点卸载计算模型为:
ai,1+ai,2=1,ai,1,ai,2∈[0,1]
5.如权利要求1所述的边缘计算节点优化配置方法,其特征在于,所述将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案,包括:
将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到至少一个初始调度方案;
基于调度总消耗时间和负载均衡程度确定初始调度方案中的最优调度方案。
6.如权利要求5所述的边缘计算节点优化配置方法,其特征在于,所述将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到至少一个初始调度方案包括:
获取所述目标通信区域对应的拓扑数据流T,所述拓扑数据流T包括任务实例的至少一个线程;
7.如权利要求5所述的边缘计算节点优化配置方法,其特征在于,所述基于调度总消耗时间和负载均衡程度确定初始调度方案中的最优调度方案,包括:
基于消耗时间计算公式计算所述调度方案集合中各个Slot分配到线程的消耗时间;所述消耗时间计算公式为:
其中,Csys表示系统分配给集群的CPU值,Pexe表示给每个线程的CPU占集群总值的百分比;Tj表示第j个Slot分配到线程的消耗时间;res[j]表示第j个slot分配到的线程数量;
基于负载均衡程度计算公式计算所述调度方案集合中各个初始调度方案的负载均衡标准差;所述负载均衡程度计算公式为:
其中,Tavg为集群所有Slot分配线程所需的执行时间总和的平均值;LB表示负载均衡标准差;Ns(T)表示线程总数量;
将Slot分配到线程的消耗时间最小和负载均衡标准差最小的初始调度方案作为最优调度方案。
8.一种边缘计算节点优化配置装置,其特征在于,包括:
数据获取模块,用于获取目标通信区域内所有边缘计算节点的数据处理能力和数据处理需求;
求和模块,用于计算所述目标通信区域内所有边缘计算节点的数据处理能力之和及数据处理需求之和;
第一资源分配模块,用于若所述目标通信区域内存在边缘计算节点的数据处理能力不满足对应的数据处理需求,且所述目标通信区域对应的数据处理能力之和大于数据处理需求之和,则将所述目标通信区域内拓扑数据流中的任务实例的线程采用调度器分配至不同的边缘计算节点,得到最优调度方案;
第二资源分配模块,用于若所述目标通信区域对应的数据处理能力之和小于数据处理需求之和,则构建考虑能耗和时延的边缘计算节点卸载计算模型,得到最优卸载方案,并采用拉格朗日乘子法求解所述最优卸载方案对应的资源分配方案。
9.一种云计算中心,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693154.3A CN113590307B (zh) | 2021-06-22 | 边缘计算节点优化配置方法、装置及云计算中心 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693154.3A CN113590307B (zh) | 2021-06-22 | 边缘计算节点优化配置方法、装置及云计算中心 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113590307A true CN113590307A (zh) | 2021-11-02 |
CN113590307B CN113590307B (zh) | 2024-05-28 |
Family
ID=
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361287A (zh) * | 2022-08-16 | 2022-11-18 | 中国银行股份有限公司 | 一种边缘节点流量调度方法及装置 |
CN116434936A (zh) * | 2023-04-20 | 2023-07-14 | 南京优悠健康科技有限公司 | 一种基于大数据的电子健康全信息采集终端系统及其方法 |
CN116541153A (zh) * | 2023-07-06 | 2023-08-04 | 南昌工程学院 | 边缘计算的任务调度方法、系统、可读存储介质及计算机 |
CN115361287B (zh) * | 2022-08-16 | 2024-05-24 | 中国银行股份有限公司 | 一种边缘节点流量调度方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
KR20200017589A (ko) * | 2018-07-27 | 2020-02-19 | 한국전자통신연구원 | 무선 통신 시스템에서 모바일 노드의 태스크를 오프로딩하기 위한 클라우드 서버 및 그의 동작 방법 |
CN111245950A (zh) * | 2020-01-20 | 2020-06-05 | 南京邮电大学 | 基于深度学习的工业物联网边缘资源智能调度系统及方法 |
CN111488209A (zh) * | 2020-03-22 | 2020-08-04 | 浙江工业大学 | 一种启发式Storm节点任务调度优化方法 |
US10778755B1 (en) * | 2019-04-30 | 2020-09-15 | Verizon Patent And Licensing Inc. | Methods and systems for multi-access edge selection based on performance metrics in a communication network |
CN112162789A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算随机卸载决策方法及系统 |
CN112492626A (zh) * | 2020-12-07 | 2021-03-12 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200017589A (ko) * | 2018-07-27 | 2020-02-19 | 한국전자통신연구원 | 무선 통신 시스템에서 모바일 노드의 태스크를 오프로딩하기 위한 클라우드 서버 및 그의 동작 방법 |
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
US10778755B1 (en) * | 2019-04-30 | 2020-09-15 | Verizon Patent And Licensing Inc. | Methods and systems for multi-access edge selection based on performance metrics in a communication network |
CN111245950A (zh) * | 2020-01-20 | 2020-06-05 | 南京邮电大学 | 基于深度学习的工业物联网边缘资源智能调度系统及方法 |
CN111488209A (zh) * | 2020-03-22 | 2020-08-04 | 浙江工业大学 | 一种启发式Storm节点任务调度优化方法 |
CN112162789A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算随机卸载决策方法及系统 |
CN112492626A (zh) * | 2020-12-07 | 2021-03-12 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
Non-Patent Citations (2)
Title |
---|
KENTA NIWA ETC: ""Edge Consensus Computing for Heterogeneous Data Sets"", 《2018 IEEE STATISTICAL SIGNAL PROCESSING WORKSHOP (SSP)》, 13 June 2018 (2018-06-13) * |
徐佳;李学俊;丁瑞苗;刘晓;: "移动边缘计算中能耗优化的多重资源计算卸载策略", 计算机集成制造系统, no. 04 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361287A (zh) * | 2022-08-16 | 2022-11-18 | 中国银行股份有限公司 | 一种边缘节点流量调度方法及装置 |
CN115361287B (zh) * | 2022-08-16 | 2024-05-24 | 中国银行股份有限公司 | 一种边缘节点流量调度方法及装置 |
CN116434936A (zh) * | 2023-04-20 | 2023-07-14 | 南京优悠健康科技有限公司 | 一种基于大数据的电子健康全信息采集终端系统及其方法 |
CN116541153A (zh) * | 2023-07-06 | 2023-08-04 | 南昌工程学院 | 边缘计算的任务调度方法、系统、可读存储介质及计算机 |
CN116541153B (zh) * | 2023-07-06 | 2023-10-03 | 南昌工程学院 | 边缘计算的任务调度方法、系统、可读存储介质及计算机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
US9201690B2 (en) | Resource aware scheduling in a distributed computing environment | |
CN112039965B (zh) | 一种时间敏感网络中的多任务卸载方法及系统 | |
WO2023125493A1 (zh) | 资源管理方法、装置及资源管理平台 | |
CN103699433B (zh) | 一种于Hadoop平台中动态调整任务数目的方法及系统 | |
CN105471985A (zh) | 负载均衡方法及云平台计算方法、云平台 | |
Abouaomar et al. | A resources representation for resource allocation in fog computing networks | |
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 | |
Armant et al. | Semi-online task assignment policies for workload consolidation in cloud computing systems | |
CN112148492A (zh) | 一种考虑多用户移动性的服务部署和资源分配方法 | |
CN115629865B (zh) | 一种基于边缘计算的深度学习推理任务调度方法 | |
CN113157443A (zh) | 一种基于边缘计算环境的资源均衡调度方法 | |
Wen et al. | Load balancing job assignment for cluster-based cloud computing | |
CN108170861B (zh) | 一种基于动态规划的分布式数据库系统协同优化方法 | |
CN111159859B (zh) | 一种云容器集群的部署方法及系统 | |
CN110167031B (zh) | 一种面向集中式基站的资源分配方法、设备及存储介质 | |
Hosseinzadeh et al. | Optimal accuracy-time trade-off for deep learning services in edge computing systems | |
Wang et al. | Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system | |
CN111158893B (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN108650191B (zh) | 一种虚拟化网络中映射策略的决策方法 | |
CN112511652B (zh) | 一种边缘计算下的合作计算任务分配方法 | |
CN113190342A (zh) | 用于云-边协同网络的多应用细粒度卸载的方法与系统架构 | |
CN113590307B (zh) | 边缘计算节点优化配置方法、装置及云计算中心 | |
Zhou et al. | Dynamic computation offloading scheme for fog computing system with energy harvesting devices | |
CN113590307A (zh) | 边缘计算节点优化配置方法、装置及云计算中心 |
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 |