CN113986562A - 一种资源调度策略生成方法、装置及终端设备 - Google Patents
一种资源调度策略生成方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113986562A CN113986562A CN202111626055.XA CN202111626055A CN113986562A CN 113986562 A CN113986562 A CN 113986562A CN 202111626055 A CN202111626055 A CN 202111626055A CN 113986562 A CN113986562 A CN 113986562A
- Authority
- CN
- China
- Prior art keywords
- particle
- edge node
- determining
- computing
- task
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000002245 particle Substances 0.000 claims description 287
- 230000006870 function Effects 0.000 claims description 102
- 238000004364 calculation method Methods 0.000 claims description 86
- 239000000126 substance Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06F9/5044—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 hardware capabilities
-
- 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
- G06F9/505—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 load
-
- 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
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F2209/502—Proximity
-
- 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
- G06F2209/508—Monitor
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种资源调度策略生成方法、装置及终端设备,涉及IT应用技术领域。该方法包括:获取各个边缘节点的计算任务以及资源使用状态信息;根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本;将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。本发明的方案,基于云边协同框架,生成多优化指标的资源调度策略,提高了边缘节点对计算任务的计算效率,解决了不能同时考虑时延、成本、以及负载均衡生成资源调度策略的问题。
Description
技术领域
本发明涉及IT应用技术领域,特别是指一种资源调度策略生成方法、装置及终端设备。
背景技术
在云边协同场景下,在云端进行资源调度策略的生成,将资源调度策略发送至边缘侧,边缘节点根据资源调度策略进行计算卸载。基于云边协同的计算卸载可大致分为卸载决策和资源分配两部分。卸载决策包含卸载哪些资源、如何卸载、计算分配策略;资源分配,则是资源卸载目的地的选择。
传统云边协同采用优化对应的卸载策略,通过自定义相应的资源分配机制,优化出资源调度策略,存在计算卸载效率低的问题,而且优化指标单一,不能同时考虑时延、成本、以及负载均衡生成资源调度策略。
发明内容
本发明的目的是提供一种资源调度策略生成方法、装置及终端设备,用以解决现有技术中资源调度策略的生成不能同时考虑时延、成本、以及负载均衡生成资源调度策略的问题。
为达到上述目的,本发明的实施例提供一种资源调度策略生成方法,应用于云端,包括:
获取各个边缘节点的计算任务以及资源使用状态信息;
根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
进一步地,所述方法还包括:
接收所述边缘节点每隔预设时间反馈的实时资源使用状态信息;
根据所述实时资源使用状态信息,对所述边缘节点的计算任务进行更新。
进一步地,所述根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,包括:
根据所述计算任务初始化目标粒子群中粒子的粒子位置、粒子速度,粒子数量以及迭代上限;
确定所述目标粒子群中的粒子与所述边缘节点的第一对应关系,每个所述粒子对应一个所述计算任务;
计算每个所述粒子的适应度函数值;
根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,所述适应度函数值是与所述目标参数相关的函数值;
根据所述第二对应关系以及所述粒子对应的计算任务,重新确定出所述边缘节点的计算任务。
进一步地,所述根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,包括:
根据所述粒子的适应度函数值,获取迭代结果,所述迭代结果包括所述粒子与所述边缘节点的对应关系;
在所述迭代结果对应的迭代次数大于或者等于所述迭代上限的情况下,根据当前迭代结果,确定所述粒子与所述边缘节点的第二对应关系;
在所述迭代结果对应的迭代次数小于所述迭代上限的情况下,判断当前所处的迭代时期;
根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系。
进一步地,所述计算每个所述粒子的适应度函数值,包括:
根据计算时延函数计算每个所述粒子的计算时延函数值;
进一步地,所述计算每个所述粒子的适应度函数值,还包括:
根据负载均衡函数计算每个所述粒子的负载均衡函数值;
所述负载均衡函数为:
进一步地,所述计算每个所述粒子的适应度函数值,还包括:
根据计算成本函数计算每个所述粒子的计算成本函数值;
其中,Rcost(Vm j ):边缘节点Vm j 单位计算时间内所需要的成本;
Tcost:计算任务的总成本;
Rcost:在各个边缘节点上执行计算任务单位时间所需的成本。
进一步地,所述根据所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,包括:
确定第一粒子集,所述第一粒子集包括所述计算时延函数值小于预设值的粒子;
根据加权函数计算所述第一粒子集中加权函数值最小的第一粒子;
根据所述第一粒子,确定所述粒子与所述边缘节点的第二对应关系;
其中,所述加权函数为:
其中,
F1:最大任务执行时间,Tcost:计算任务总成本;
D1:中央处理器的资源占用状态、D2图形处理器的资源占用状态、D3随机存取存储器的资源占用状态、D4只读存储器的资源占用状态;
E1:计算时延;E2:负载均衡;E3:计算成本。
进一步地,所述根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系,包括:
根据所述粒子所处的迭代时期,设置所述目标粒子群中粒子的粒子位置和粒子速度;
重新确定所述粒子与所述边缘节点的第一对应关系;
重新计算每个所述粒子的适应度函数值,并重新确定粒子与边缘节点的第二对应关系。
进一步地,所述设置所述目标粒子群中的粒子位置和粒子速度,包括:
通过粒子位置计算公式和粒子速度计算公式计算:
其中,所述第一惯性权重∈[0.75,0.85),δ={0,0.1},γ∈[0.95,1.15]。
为达到上述目的,本发明的实施例提供一种资源调度策略生成装置,包括:
获取模块,用于获取各个边缘节点的计算任务以及资源使用状态信息;
确定模块,用于根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
发送模块,用于将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
进一步地,所述装置还包括:
接收模块,用于接收所述边缘节点每隔预设时间反馈的实时资源使用状态信息;
更新模块,用于根据所述实时资源使用状态信息,对所述边缘节点的计算任务进行更新。
进一步地,所述确定模块,还用于:
根据所述计算任务初始化目标粒子群中的粒子位置、粒子速度,粒子数量以及迭代上限;
确定所述目标粒子群中的粒子与所述边缘节点的第一对应关系,每个所述粒子对应一个所述计算任务;
计算每个所述粒子的适应度函数值;
根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,所述适应度函数值是与所述目标参数相关的函数值;
根据所述第二对应关系以及所述粒子对应的计算任务,重新确定出所述边缘节点的计算任务。
进一步地,所述确定模块,还用于:
根据所述粒子的适应度函数值,获取迭代结果,所述迭代结果包括所述粒子与所述边缘节点的对应关系;
在所述迭代结果对应的迭代次数大于或者等于所述迭代上限的情况下,根据当前迭代结果,确定所述粒子与所述边缘节点的第二对应关系;
在所述迭代结果对应的迭代次数小于所述迭代上限的情况下,判断当前所处的迭代时期;
根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系。
进一步地,所述确定模块,还用于;
根据所述粒子所处的迭代时期,设置所述目标粒子群中粒子的粒子位置和粒子速度;
重新确定所述粒子与所述边缘节点的第一对应关系;
重新计算每个所述粒子的适应度函数值,并重新确定粒子与边缘节点的第二对应关系。
为达到上述目的,本发明的实施例提供一种终端设备,包括处理机和收发机;
所述收发机用于获取各个边缘节点的计算任务以及资源使用状态信息;
所述处理机用于根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
所述收发机还用于将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
为达到上述目的,本发明的实施例提供一种终端设备,包括收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令;所述处理器执行所程序或指令时实现如上所述的资源调度策略生成方法。
为达到上述目的,本发明的实施例提供一种可读存储介质,其上存储有程序或指令,所述程序或指令被处理器执行时实现如上所述的资源调度策略生成方法中的步骤。
本发明的上述技术方案的有益效果如下:
本发明实施例的资源调度策略生成方法,通过各个边缘节点的计算任务、资源使用状态信息以及包括缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的目标参数,重新确定所述边缘节点的计算任务,得到同时考虑边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的资源调度策略。本发明的方案,基于云边协同框架,生成多优化指标的资源调度策略,提高了边缘节点对计算任务的计算效率,解决了不能同时考虑时延、成本、以及负载均衡生成资源调度策略的问题。
附图说明
图1为本发明实施例的资源调度策略生成的流程示意图;
图2为本发明实施例的资源调度策略生成的示意图;
图3为本发明实施例的本发明实施例的资源调度策略通过粒子群优化算法生成的步骤示意图;
图4为本发明实施例的资源调度策略生成方法在车联网的应用场景下的示意图;
图5为本发明实施例的资源调度策略生成装置的示意图;
图6为本发明实施例的移动终端的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程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。
另外,本文中术语“系统”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中,应理解,“与A 相应的B”表示B 与A 相关联,根据A可以确定B。但还应理解,根据A 确定B 并不意味着仅仅根据A 确定B,还可以根据A 和/或其它信息确定B。
如图1所示,本发明实施例的一种资源调度策略生成方法,应用于云端,包括:
步骤101,获取各个边缘节点的计算任务以及资源使用状态信息;
步骤102,根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本;
步骤103,将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
本发明一实施例中,通过粒子群优化算法,根据所述计算任务、所述资源使用状态信息和目标参数,进行重新确定所述边缘节点的计算任务。
可选地,获取边缘侧设备收集的各个边缘节点的计算任务和资源使用状态信息发送给云端,云端根据收到的各个边缘节点的计算任务和各个边缘节点的资源使用状态,将所述计算任务重新分配给边缘节点。
本发明实施例的资源调度策略生成方法,通过各个边缘节点的计算任务、资源使用状态信息以及包括缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的目标参数,重新确定所述边缘节点的计算任务,得到同时考虑边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的资源调度策略。本发明的方案,基于云边协同框架,生成多优化指标的资源调度策略,提高了边缘节点对计算任务的计算效率,解决了不能同时考虑时延、成本、以及负载均衡生成资源调度策略的问题。
可选地,所述方法还包括:
接收所述边缘节点每隔预设时间反馈的实时资源使用状态信息;
根据所述实时资源使用状态信息,对所述边缘节点的计算任务进行更新。
如图2所示,在SaaS和PaaS平台上,采用K8S调度机制,VMn表示n个计算任务,Nn表示n个边缘节点;云端根据每个边缘节点的资源使用状态,将n个计算任务重新分配给n个边缘节点。边缘节点对计算任务进行计算,并周期性的反馈自身的实时资源使用状态给云端。云端根据接收到的边缘节点的实时资源使用状态动态调整边缘节点的计算任务。
可选地,所述边缘节点根据自身的资源使用状态,向云端反馈包括CPU、GPU、RAM、ROM、计算成本、计算时延、负载均衡等指标信息;当某一边缘节点出现CPU、GPU使用过高或过低,或者内存、硬盘不足,则实时反馈各指标信息。
本发明实施例的资源调度策略生成方法,通过云端接收边缘节点的实时指标信息,形成云边协同闭环生态,便于云端基于优化的粒子群算法进行不断迭代、收敛,提高了边缘节点对计算任务的计算效率。
可选地,所述根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,包括:
根据所述计算任务初始化目标粒子群中粒子的粒子位置、粒子速度,粒子数量以及迭代上限;
确定所述目标粒子群中的粒子与所述边缘节点的第一对应关系,每个所述粒子对应一个所述计算任务;
计算每个所述粒子的适应度函数值;
根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,所述适应度函数值是与所述目标参数相关的函数值;
根据所述第二对应关系以及所述粒子对应的计算任务,重新确定出所述边缘节点的计算任务。
如图3所示,本发明实施例的资源调度策略通过粒子群优化算法生成的步骤如下:
根据接收到的计算任务进行参数初始化,包括目标粒子群中粒子的粒子位置、粒子速度,粒子数量以及迭代上限的设置;
对粒子进行随机编码,得到代表粒子与边缘节点的第一对应关系的矩阵,如下:
即得到计算任务与边缘节点的初始对应关系;
其中,LOCATE表示i*m_i的一个向量矩阵locate i,j 表示计算任务j分配到第i个边缘节点上,i∈[1,n] 且为整数;
计算每个所述粒子的适应度函数值;
先对时延小于预设值的粒子进行筛选,得到第一粒子集;
再进行二级筛选,得到第一粒子集中负载均衡和计算成本最小的第一粒子,作为最优位置;
对粒子进行解码,得到每个边缘节点对应的计算任务。
针对举例说明,计算任务的数量=16,边缘节点的数量为n=8,即将16个计算任务,分配到8个边缘节点上进行计算,粒子群的一个编码策略为(8,1,6,4,2,3,8,7,7,5,1,4,2,6,3,5);通过解码可知,计算任务2,11分配到边缘节点1上,计算任务5,13分配到边缘节点2上,计算任务6,15分配到边缘节点3上,以此类推,计算任务1,7分配到边缘节点8上。
本发明实施例的资源调度策略生成方法,通过计算适应度函数值,筛选出来计算时延、负载均衡以及计算成本最优的第一粒子,从而得到每个边缘节点的计算任务。本发明实施例的方案,能够通过粒子群优化算法得到同时考虑时延、成本、以及负载均衡生成资源调度策略。
可选地,所述根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,包括:
根据所述粒子的适应度函数值,获取迭代结果,所述迭代结果包括所述粒子与所述边缘节点的对应关系;
在所述迭代结果对应的迭代次数大于或者等于所述迭代上限的情况下,根据当前迭代结果,确定所述粒子与所述边缘节点的第二对应关系;
在所述迭代结果对应的迭代次数小于所述迭代上限的情况下,判断当前所处的迭代时期;
根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系。
本发明实施例的资源调度策略生成方法,对迭代的阶段进行划分,根据迭代时期的不同,实时调整边缘节点上的计算任务,使得计算任务时时处于时延、成本、以及负载均衡均较小的状态下进行任务计算,提高了边缘节点对计算任务的计算效率。
可选地,所述计算每个所述粒子的适应度函数值,包括:
根据计算时延函数计算每个所述粒子的计算时延函数值;
本发明实施例的资源调度策略生成方法,通过对计算时延定义的适应度函数,能够快速且准确筛选出计算时延较低的粒子对应的边缘节点,提高了边缘节点对计算任务的计算效率。
可选地,所述计算每个所述粒子的适应度函数值,还包括:
根据负载均衡函数计算每个所述粒子的负载均衡函数值;
所述负载均衡函数为:
本发明实施例的资源调度策略生成方法,通过对负载均衡定义的适应度函数,能够快速且准确筛选出负载均衡较低的粒子对应的边缘节点,提高了边缘节点对计算任务的计算效率。
可选地,所述计算每个所述粒子的适应度函数值,还包括:
根据计算成本函数计算每个所述粒子的计算成本函数值;
其中,Rcost(Vm j ):边缘节点Vm j 单位计算时间内所需要的成本;
Tcost:计算任务的总成本;
Rcost:在各个边缘节点上执行计算任务单位时间所需的成本。
本发明实施例的资源调度策略生成方法,通过对计算成本定义的适应度函数,能够快速且准确筛选出计算成本较低的粒子对应的边缘节点,提高了边缘节点对计算任务的计算效率。
可选地,所述根据所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,包括:
确定第一粒子集,所述第一粒子集包括所述计算时延函数值小于预设值的粒子;
根据加权函数计算所述第一粒子集中加权函数值最小的第一粒子;
根据所述第一粒子,确定所述粒子与所述边缘节点的第二对应关系;
其中,所述加权函数为:
F1:最大任务执行时间,Tcost:计算任务总成本;
D1:中央处理器的资源占用状态、D2图形处理器的资源占用状态、D3随机存取存储器的资源占用状态、D4只读存储器的资源占用状态;
E1:计算时延;E2:负载均衡;E3:计算成本。
本发明实施例的资源调度策略生成方法,通过对负载均衡和计算成本定义的加权函数,能够快速且准确筛选出负载均衡和计算成本均较低的粒子对应的边缘节点,提高了边缘节点对计算任务的计算效率。
可选地,所述根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系,包括:
根据所述粒子所处的迭代时期,设置所述目标粒子群中粒子的粒子位置和粒子速度;
重新确定所述粒子与所述边缘节点的第一对应关系;
重新计算每个所述粒子的适应度函数值,并重新确定粒子与边缘节点的第二对应关系。
本发明实施例的资源调度策略生成方法,通过对迭代时期的划分,对计算粒子位置的权重因子进行调整更新,使得边缘节点根据自身的实时资源使用状态实时调整所需要计算的计算任务,在同时考虑时延、成本、以及负载均衡指标的情况下提高了边缘节点对计算任务的计算效率。
可选地,所述设置所述目标粒子群中的粒子位置和粒子速度,包括:
通过粒子位置计算公式和粒子速度计算公式计算:
其中,所述第一惯性权重∈[0.75,0.85),δ={0,0.1},γ∈[0.95,1.15]。
如图3所示,在粒子群优化算法中,刚开始迭代,惯性权重可以按照第一惯性权重来计算粒子的粒子位置和粒子速度;在迭代前期,当确定不出最佳位置的粒子时,对惯性权重加入常量δ进行扰动;在迭代后期,算法容易陷入个体最优而无法确定位置最佳的粒子,通过加入常量γ进行惯性权重的动态自适应更新。
本发明实施例的资源调度策略生成方法,通过对计算粒子位置的惯性权重的调整,使得每个边缘节点的计算任务根据边缘节点的实时资源使用状态而实时调整,使得边缘节点实时处于时延、成本、以及负载均衡均较小的状态下进行任务计算,提高了边缘节点对计算任务的计算效率。
如图4所示,本发明实施例的资源调度策略生成方法在车联网V2X的应用场景下:路侧设备作为边缘节点,收集车辆的计算任务;
车辆根据自身的资源负载状态判断是否需要将计算卸载到边缘节点以及需要卸载的计算任务(可以设置阈值为自身资源负载的四分之三);
边缘节点将自身的资源使用状态和需要卸载的计算任务发送至云端;
通过粒子群优化算法确定所述边缘节点的计算任务;
将确定的所述边缘节点的计算任务发送给边缘节点;
其中,所述通过粒子群优化算法确定所述边缘节点的计算任务,包括:
根据计算任务进行参数初始化,包括目标粒子群中粒子的粒子位置、粒子速度,粒子数量以及迭代上限的设置;
需要说明的是,一个粒子表示一个计算任务,一个粒子位置对应一个边缘节点;
对所述粒子群进行编码,得到所述目标粒子群中的粒子与所述边缘节点的第一对应关系,即每一个任务与边缘节点的对应关系;
计算粒子群中每个粒子的适应度函数值;
根据二级筛选机制,首先对时延进行选择,选择时延小于预设值的第一粒子集,然后选择第一粒子集中负载均衡和计算成本最小的第一粒子,作为最优位置,即确定每个边缘节点对应的计算任务;
若迭代次数大于或者等于迭代上限,则输出当前确定的每个计算任务对应的边缘节点作为边缘节点的资源调度策略;
若迭代次数小于迭代上限,则更新所述目标粒子群中粒子的粒子位置和粒子速度,并重新确定所述粒子与所述边缘节点的第一对应关系,重新计算每个所述粒子的适应度函数值,且重新确定第一粒子,输出当前确定的每个计算任务对应的边缘节点作为边缘节点的资源调度策略;
其中,更新所述目标粒子群中粒子的粒子位置和粒子速度包括:
根据粒子的分散情况或者当前迭代次数判断当前所处的迭代时期(例如若粒子的分布比较聚集,则认为处于迭代后期,或者若当前迭代次数粘迭代上限的比例判断当前所处的迭代时期);
根据当前所述的迭代时期,对计算粒子位置的惯性权重进行更新。
如图5所述,本发明实施例还提供了一种资源调度策略生成装置500,包括:
获取模块501,用于获取各个边缘节点的计算任务以及资源使用状态信息;
确定模块502,用于根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
发送模块503,用于将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
本发明实施例的资源调度策略生成装置,通过各个边缘节点的计算任务、资源使用状态信息以及包括缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的目标参数,重新确定所述边缘节点的计算任务,得到同时考虑边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的资源调度策略。本发明的方案,基于云边协同框架,生成多优化指标的资源调度策略,提高了边缘节点对计算任务的计算效率,解决了不能同时考虑时延、成本、以及负载均衡生成资源调度策略的问题。
可选地,所述装置还包括:
接收模块,用于接收所述边缘节点每隔预设时间反馈的实时资源使用状态信息;
更新模块,用于根据所述实时资源使用状态信息,对所述边缘节点的计算任务进行更新。
本发明实施例的资源调度策略生成装置,通过云端接收边缘节点的实时指标信息,形成云边协同闭环生态,便于云端基于优化的粒子群算法进行不断迭代、收敛,提高了边缘节点对计算任务的计算效率。
可选地,所述确定模块,还用于:
根据所述计算任务初始化目标粒子群中的粒子位置、粒子速度,粒子数量以及迭代上限;
确定所述目标粒子群中的粒子与所述边缘节点的第一对应关系,每个所述粒子对应一个所述计算任务;
计算每个所述粒子的适应度函数值;
根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,所述适应度函数值是与所述目标参数相关的函数值;
根据所述第二对应关系以及所述粒子对应的计算任务,重新确定出所述边缘节点的计算任务。
本发明实施例的资源调度策略生成装置,通过计算适应度函数值,筛选出来计算时延、负载均衡以及计算成本最优的第一粒子,从而得到每个边缘节点的计算任务。本发明实施例的方案,能够通过粒子群优化算法得到同时考虑时延、成本、以及负载均衡生成资源调度策略。
可选地,所述确定模块,还用于:
根据所述粒子的适应度函数值,获取迭代结果,所述迭代结果包括所述粒子与所述边缘节点的对应关系;
在所述迭代结果对应的迭代次数大于或者等于所述迭代上限的情况下,根据当前迭代结果,确定所述粒子与所述边缘节点的第二对应关系;
在所述迭代结果对应的迭代次数小于所述迭代上限的情况下,判断当前所处的迭代时期;
根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系。
本发明实施例的资源调度策略生成装置,对迭代的阶段进行划分,根据迭代时期的不同,实时调整边缘节点上的计算任务,使得计算任务时时处于时延、成本、以及负载均衡均较小的状态下进行任务计算,提高了边缘节点对计算任务的计算效率。
可选地,所述确定模块,还用于;
根据所述粒子所处的迭代时期,设置所述目标粒子群中粒子的粒子位置和粒子速度;
重新确定所述粒子与所述边缘节点的第一对应关系;
重新计算每个所述粒子的适应度函数值,并重新确定粒子与边缘节点的第二对应关系。
本发明实施例的资源调度策略生成装置,通过对迭代时期的划分,对计算粒子位置的权重因子进行调整更新,使得边缘节点根据自身的实时资源使用状态实时调整所需要计算的计算任务,在同时考虑时延、成本、以及负载均衡指标的情况下提高了边缘节点对计算任务的计算效率。
本发明实施例还提供了一种终端设备,包括:收发机和处理机;
所述收发机用于获取各个边缘节点的计算任务以及资源使用状态信息;
所述处理机用于根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
所述收发机还用于将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
本发明实施例的终端设备,通过各个边缘节点的计算任务、资源使用状态信息以及包括缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的目标参数,重新确定所述边缘节点的计算任务,得到同时考虑边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本的资源调度策略。本发明的方案,基于云边协同框架,生成多优化指标的资源调度策略,提高了边缘节点对计算任务的计算效率,解决了不能同时考虑时延、成本、以及负载均衡生成资源调度策略的问题。
本发明另一实施例的终端设备,如图6所示,包括收发器610、处理器600、存储器620及存储在所述存储器620上并可在所述处理器600上运行的程序或指令;所述处理器700执行所述程序或指令时实现上述应用于资源调度策略生成方法。
所述收发器610,用于在处理器600的控制下接收和发送数据。
其中,在图6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600代表的一个或多个处理器和存储器620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,本文不再对其进行进一步描述。总线接口提供接口。收发器610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。处理器600负责管理总线架构和通常的处理,存储器620可以存储处理器600在执行操作时所使用的数据。
本发明实施例的一种可读存储介质,其上存储有程序或指令,所述程序或指令被处理器执行时实现如上所述的资源调度策略生成方法中的步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的资源调度策略生成装置中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
进一步需要说明的是,此说明书中所描述的终端包括但不限于智能手机、平板电脑等,且所描述的许多功能部件都被称为模块,以便更加特别地强调其实现方式的独立性。
本发明实施例中,模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的,许多不同的形式和实施例是可行而不偏离本发明精神及教示,因此,本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说,这些范例性实施例被提供以使得本发明会是完善又完整,且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中,组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的,并无意成为限制用。如在此所使用地,除非该内文清楚地另有所指,否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时,表示所述特征、整数、步骤、操作、构件及/或组件的存在,但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示,陈述时,一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种资源调度策略生成方法,应用于云端,其特征在于,包括:
获取各个边缘节点的计算任务以及资源使用状态信息;
根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的计算时延、边缘节点的负载均衡和边缘节点的计算成本;
将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
2.根据权利要求1所述的资源调度策略生成方法,其特征在于,所述方法还包括:
接收所述边缘节点每隔预设时间反馈的实时资源使用状态信息;
根据所述实时资源使用状态信息,对所述边缘节点的计算任务进行更新。
3.根据权利要求1所述的资源调度策略生成方法,其特征在于,所述根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,包括:
根据所述计算任务初始化目标粒子群中粒子的粒子位置、粒子速度,粒子数量以及迭代上限;
确定所述目标粒子群中的粒子与所述边缘节点的第一对应关系,每个所述粒子对应一个所述计算任务;
计算每个所述粒子的适应度函数值;
根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,所述适应度函数值是与所述目标参数相关的函数值;
根据所述第二对应关系以及所述粒子对应的计算任务,重新确定出所述边缘节点的计算任务。
4.根据权利要求3所述的资源调度策略生成方法,其特征在于,所述根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,包括:
根据所述粒子的适应度函数值,获取迭代结果,所述迭代结果包括所述粒子与所述边缘节点的对应关系;
在所述迭代结果对应的迭代次数大于或者等于所述迭代上限的情况下,根据当前迭代结果,确定所述粒子与所述边缘节点的第二对应关系;
在所述迭代结果对应的迭代次数小于所述迭代上限的情况下,判断当前所处的迭代时期;
根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系。
8.根据权利要求5所述的资源调度策略生成方法,其特征在于,所述根据所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,包括:
确定第一粒子集,所述第一粒子集包括所述计算时延函数值小于预设值的粒子;
根据加权函数计算所述第一粒子集中加权函数值最小的第一粒子;
根据所述第一粒子,确定所述粒子与所述边缘节点的第二对应关系;
其中,所述加权函数为:
F1:最大任务执行时间,Tcost:计算任务总成本;
D1:中央处理器的资源占用状态、D2图形处理器的资源占用状态、D3随机存取存储器的资源占用状态、D4只读存储器的资源占用状态;
E1:计算时延;E2:负载均衡;E3:计算成本。
9.根据权利要求4所述的资源调度策略生成方法,其特征在于,所述根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系,包括:
根据所述粒子所处的迭代时期,设置所述目标粒子群中粒子的粒子位置和粒子速度;
重新确定所述粒子与所述边缘节点的第一对应关系;
重新计算每个所述粒子的适应度函数值,并重新确定粒子与边缘节点的第二对应关系。
11.一种资源调度策略生成装置,其特征在于,包括:
获取模块,用于获取各个边缘节点的计算任务以及资源使用状态信息;
确定模块,用于根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
发送模块,用于将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
12.根据权利要求11所述的资源调度策略生成装置,其特征在于,所述装置还包括:
接收模块,用于接收所述边缘节点每隔预设时间反馈的实时资源使用状态信息;
更新模块,用于根据所述实时资源使用状态信息,对所述边缘节点的计算任务进行更新。
13.根据权利要求11所述的资源调度策略生成装置,其特征在于,所述确定模块,还用于:
根据所述计算任务初始化目标粒子群中的粒子位置、粒子速度,粒子数量以及迭代上限;
确定所述目标粒子群中的粒子与所述边缘节点的第一对应关系,每个所述粒子对应一个所述计算任务;
计算每个所述粒子的适应度函数值;
根据每个所述粒子的适应度函数值,确定所述粒子与所述边缘节点的第二对应关系,所述适应度函数值是与所述目标参数相关的函数值;
根据所述第二对应关系以及所述粒子对应的计算任务,重新确定出所述边缘节点的计算任务。
14.根据权利要求13所述的资源调度策略生成装置,其特征在于,所述确定模块,还用于:
根据所述粒子的适应度函数值,获取迭代结果,所述迭代结果包括所述粒子与所述边缘节点的对应关系;
在所述迭代结果对应的迭代次数大于或者等于所述迭代上限的情况下,根据当前迭代结果,确定所述粒子与所述边缘节点的第二对应关系;
在所述迭代结果对应的迭代次数小于所述迭代上限的情况下,判断当前所处的迭代时期;
根据所述粒子所处的迭代时期,确定所述粒子与所述边缘节点的第二对应关系。
15.根据权利要求14所述的资源调度策略生成装置,其特征在于,所述确定模块,还用于;
根据所述粒子所处的迭代时期,设置所述目标粒子群中粒子的粒子位置和粒子速度;
重新确定所述粒子与所述边缘节点的第一对应关系;
重新计算每个所述粒子的适应度函数值,并重新确定粒子与边缘节点的第二对应关系。
16.一种终端设备,其特征在于,包括:收发机和处理机;
所述收发机用于获取各个边缘节点的计算任务以及资源使用状态信息;
所述处理机用于根据所述计算任务、所述资源使用状态信息和目标参数,重新确定所述边缘节点的计算任务,所述目标参数包括边缘节点的负载均衡、边缘节点的计算时延和边缘节点的计算成本;
所述收发机还用于将所述重新确定的所述边缘节点的计算任务发送给所述边缘节点。
17.一种终端设备,包括:收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令;其特征在于,所述收发器用于在所述处理器的控制下接收和发送数据所述处理器执行所述程序或指令时实现如权利要求1-10任一项所述的资源调度策略生成方法。
18.一种可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1-10任一项所述的资源调度策略生成方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626055.XA CN113986562A (zh) | 2021-12-29 | 2021-12-29 | 一种资源调度策略生成方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626055.XA CN113986562A (zh) | 2021-12-29 | 2021-12-29 | 一种资源调度策略生成方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113986562A true CN113986562A (zh) | 2022-01-28 |
Family
ID=79734721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111626055.XA Pending CN113986562A (zh) | 2021-12-29 | 2021-12-29 | 一种资源调度策略生成方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113986562A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827174A (zh) * | 2022-04-28 | 2022-07-29 | 深圳赛宝工业技术研究院有限公司 | 面向社会制造的制造资源一实多虚同步方法及系统 |
CN115134243A (zh) * | 2022-09-02 | 2022-09-30 | 北京科技大学 | 一种工业控制任务分布式部署方法及系统 |
EP4290443A4 (en) * | 2022-04-21 | 2024-02-07 | Kuyun Shanghai Information Tech Co Ltd | METHOD AND APPARATUS FOR CONFIGURATION OF COMPUTER RESOURCES FOR ENTERPRISE CLOUDIFICATION |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106534318A (zh) * | 2016-11-15 | 2017-03-22 | 浙江大学 | 一种基于流量亲和性的OpenStack云平台资源动态调度系统和方法 |
US20190318268A1 (en) * | 2018-04-13 | 2019-10-17 | International Business Machines Corporation | Distributed machine learning at edge nodes |
US20190327506A1 (en) * | 2019-06-27 | 2019-10-24 | Intel Corporation | Dynamic rebalancing of edge resources for multi-camera video streaming |
CN110717300A (zh) * | 2019-09-27 | 2020-01-21 | 云南电网有限责任公司 | 面向电力物联实时在线监测业务的边缘计算任务分配方法 |
CN111445111A (zh) * | 2020-03-09 | 2020-07-24 | 国网江苏省电力有限公司南京供电分公司 | 一种基于边缘协同的电力物联网任务分配方法 |
CN111813506A (zh) * | 2020-07-17 | 2020-10-23 | 华侨大学 | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 |
CN112491957A (zh) * | 2020-10-27 | 2021-03-12 | 西安交通大学 | 一种边缘网络环境下的分布式计算卸载方法及系统 |
CN112543481A (zh) * | 2020-11-23 | 2021-03-23 | 中国联合网络通信集团有限公司 | 一种边缘节点算力负载均衡的方法、装置及系统 |
CN113138848A (zh) * | 2020-01-20 | 2021-07-20 | 中移(上海)信息通信科技有限公司 | 获取资源分配策略的方法、装置、设备及存储介质 |
CN113342409A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 多接入边缘计算系统时延敏感型任务卸载决策方法及系统 |
CN113411369A (zh) * | 2020-03-26 | 2021-09-17 | 山东管理学院 | 一种云服务资源协同优化调度方法、系统、介质及设备 |
-
2021
- 2021-12-29 CN CN202111626055.XA patent/CN113986562A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106534318A (zh) * | 2016-11-15 | 2017-03-22 | 浙江大学 | 一种基于流量亲和性的OpenStack云平台资源动态调度系统和方法 |
US20190318268A1 (en) * | 2018-04-13 | 2019-10-17 | International Business Machines Corporation | Distributed machine learning at edge nodes |
US20190327506A1 (en) * | 2019-06-27 | 2019-10-24 | Intel Corporation | Dynamic rebalancing of edge resources for multi-camera video streaming |
CN110717300A (zh) * | 2019-09-27 | 2020-01-21 | 云南电网有限责任公司 | 面向电力物联实时在线监测业务的边缘计算任务分配方法 |
CN113138848A (zh) * | 2020-01-20 | 2021-07-20 | 中移(上海)信息通信科技有限公司 | 获取资源分配策略的方法、装置、设备及存储介质 |
CN111445111A (zh) * | 2020-03-09 | 2020-07-24 | 国网江苏省电力有限公司南京供电分公司 | 一种基于边缘协同的电力物联网任务分配方法 |
CN113411369A (zh) * | 2020-03-26 | 2021-09-17 | 山东管理学院 | 一种云服务资源协同优化调度方法、系统、介质及设备 |
CN111813506A (zh) * | 2020-07-17 | 2020-10-23 | 华侨大学 | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 |
CN112491957A (zh) * | 2020-10-27 | 2021-03-12 | 西安交通大学 | 一种边缘网络环境下的分布式计算卸载方法及系统 |
CN112543481A (zh) * | 2020-11-23 | 2021-03-23 | 中国联合网络通信集团有限公司 | 一种边缘节点算力负载均衡的方法、装置及系统 |
CN113342409A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 多接入边缘计算系统时延敏感型任务卸载决策方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4290443A4 (en) * | 2022-04-21 | 2024-02-07 | Kuyun Shanghai Information Tech Co Ltd | METHOD AND APPARATUS FOR CONFIGURATION OF COMPUTER RESOURCES FOR ENTERPRISE CLOUDIFICATION |
CN114827174A (zh) * | 2022-04-28 | 2022-07-29 | 深圳赛宝工业技术研究院有限公司 | 面向社会制造的制造资源一实多虚同步方法及系统 |
CN114827174B (zh) * | 2022-04-28 | 2024-05-07 | 深圳赛宝工业技术研究院有限公司 | 面向社会制造的制造资源一实多虚同步方法及系统 |
CN115134243A (zh) * | 2022-09-02 | 2022-09-30 | 北京科技大学 | 一种工业控制任务分布式部署方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113986562A (zh) | 一种资源调度策略生成方法、装置及终端设备 | |
KR101770673B1 (ko) | 작업부하 밀도를 증가시키고 또한 에너지 효율성을 개선하기 위한 전력 균형화 | |
US11829849B2 (en) | Dynamic orchestration of machine learning functions on a distributed network | |
US11784931B2 (en) | Network burst load evacuation method for edge servers | |
CN111399933A (zh) | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN108123998B (zh) | 多云数据中心中面向延迟敏感应用的启发式请求调度方法 | |
CN108270805B (zh) | 用于数据处理的资源分配方法及装置 | |
CN113961264B (zh) | 一种面向视频监控云边协同的智能卸载算法与系统 | |
CN116541106B (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN112667400A (zh) | 边缘自治中心管控的边云资源调度方法、装置及系统 | |
CN114265631A (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
CN111585915B (zh) | 长、短流量均衡传输方法、系统、存储介质、云服务器 | |
CN104243531A (zh) | 一种数据处理的方法、装置及系统 | |
CN113448714B (zh) | 基于云平台的计算资源控制系统 | |
CN111352731A (zh) | 在边缘计算网络中分配任务的方法、系统、装置及介质 | |
CN111131447A (zh) | 一种基于中介节点任务分配的负载均衡方法 | |
CN113722112A (zh) | 一种服务资源负载均衡处理方法及系统 | |
CN113868808A (zh) | 一种道路网络临近检测时延优化方法、装置和系统 | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
CN111858029A (zh) | 基于离散粒子群的Storm集群负载均衡方法及系统 | |
KR102484004B1 (ko) | Mec 네트워크에서 단말-위성 간 태스크 오프로딩 수행 방법 및 장치 | |
CN116069498A (zh) | 一种分布式算力调度方法、装置、电子设备及存储介质 | |
CN111897816B (zh) | 卫星间计算信息的交互方法及其应用的信息表的生成方法 | |
CN113949666A (zh) | 流量控制方法、装置、设备及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |