CN114356531A - 基于K-means聚类和排队理论的边缘计算任务分类调度方法 - Google Patents

基于K-means聚类和排队理论的边缘计算任务分类调度方法 Download PDF

Info

Publication number
CN114356531A
CN114356531A CN202210033164.9A CN202210033164A CN114356531A CN 114356531 A CN114356531 A CN 114356531A CN 202210033164 A CN202210033164 A CN 202210033164A CN 114356531 A CN114356531 A CN 114356531A
Authority
CN
China
Prior art keywords
task
cpu
tasks
comm
edge computing
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
Application number
CN202210033164.9A
Other languages
English (en)
Inventor
付蔚
吴志强
童世华
李正
刘庆
张棚
冯建强
胡灿炜
严冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210033164.9A priority Critical patent/CN114356531A/zh
Publication of CN114356531A publication Critical patent/CN114356531A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/48—Indexing scheme relating to G06F9/48
    • G06F2209/484—Precedence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/548—Queue

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于计算机技术领域，具体涉及一种基于K‑means聚类和排队理论的边缘计算任务分类调度方法，该方法包括：终端模块向边缘计算节点发出任务请求；采用训练好的K‑means算法模型对任务进行分类，将分类后的任务保存到对应的队列中；计算边缘计算节点的资源可用性，根据资源可用性对边缘计算节点进行筛选；根据排队理论将分类后的任务分配给筛选后的边缘计算节点，完成任务分类调度；本方法能有效地调度和分配任务，减少任务的等待时间，提高了设备的利用率。

Description

基于K-means聚类和排队理论的边缘计算任务分类调度方法
技术领域
本发明属于计算机技术领域，具体涉及一种基于K-means聚类和排队理论的边缘计算任务分类调度方法。
背景技术
物联网的快速发展让我们进入了后云时代，在云计算中，所有数据都集中在网络的边缘，数据是通过一组连接在一起的服务器来处理的。尽管云计算有效地解决了物联网设备的资源限制问题，但也出现了其他挑战。由于物联网设备和数据传输到云端的数量过多，核心网络变得拥挤，云端节点过载。特别是，由于设备和云服务器之间的高延迟，实时交互应用程序在物联网设备上的执行可能被禁止，或性能显著下降。移动边缘计算是在网络的边缘设备上进行数据处理和服务。通过减少核心网络和云服务器的流量和工作量，有效地解决了云计算问题。
聚类分析主要用于发现在大量数据中有价值的部分数据，是数据挖掘主要的方式之一。聚类分析指将一个集合对象或一个数据集分成包含好多个相似的数据的簇或类。使得同一个簇中数据大小尽可能的相似，差异簇之间数据差别尽可能大。其中K-means算法是一种具有代表性的聚类算法，具有原理简单，实现容易，收敛速度快，聚类效果好等优点。随着物联网设备越来越多，需要处理的数据也越来越大。基于任务聚类技术能够根据任务的资源需求实现聚类，分为CPU密集型、I/O密集型和COMM密集型，然后将任务分配到相应队列中。
在当今技术领域中，排队论是一门在技术上要求很高的高度发展学科。排队与等待是大多数计算机系统中一种普遍的现象，数据包等待被路由器路由，线程等待在CPU上调度等。排队理论可以被用于分析所有系统的期望性能，在设计时，它用于确定需要提供的资源的最优水平。基于M/M/c排队理论建模的K-means算法，有效地调度和分配任务，降低了任务的执行时间，提升了边缘设备的利用率，显著提高了边缘节点的性能。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，该方法包括：获取终端向边缘计算节点发出的历史任务请求，对历史任务请求的CPU、I/O以及COMM资源需求类型进行特征识别，得到训练数据样本；采用训练数据样本对K-means算法模型进行训练；得到训练好的K-means算法模型；
边缘计算任务分类调度方法包括：
S1：终端模块向边缘计算节点发出任务请求，边缘计算节点的任务管理器对任务请求的CPU、I/O以及COMM资源需求类型进行特征识别，得到数据样本；
S2：采用训练好的K-means算法模型对任务进行分类，将分类后的任务保存到对应类别的队列中；
S3：计算边缘计算节点的资源可用性，根据资源可用性对边缘计算节点进行筛选；
S4：采用具有统计调度的队列来平衡边缘节点的负载，并将分类后的任务分配给筛选后的负载均衡后的边缘计算节点，完成任务分类调度。
优选的，对历史任务请求的CPU、I/O以及COMM资源需求类型进行特征识别包括：节点识别每个任务的信息，该信息包括CPU突发次数BCPU、IO的突发次数BIO、COMM的突发次数BCOMM以及工作负载类型；根据任务信息建立任务列表，该列表中的数据为任务请求的识别特征。
优选的，采用训练数据样本对K-means算法模型进行训练的过程包括：
步骤1：确定k个初始聚类中心；
步骤2：计算训练数据样本中的点xi到k个初始聚类中心的距离；若计算出的距离满足‖xi-cj‖<‖xi-cm‖，且j＝1，2，3，…k，m＝1，2，3，…k，m≠j，则点xi属于簇cj，否则点xi不属于簇Cj；其中，xi表示训练数据样本中的点，cj表示第j个簇，cm表示第m个簇；
步骤3：根据划分后的样本数据重新计算质心；
步骤4：设置质心阈值，将重新计算的质心与前一个质心作比较，若二者的距离小于设置的质心阈值，则结束计算，得到训练好的K-means算法模型，否则返回步骤2。
进一步的，计算质心的公式为：
Figure BDA0003467245850000031
其中，ni表示第i个聚类对象，xk表示训练数据样本中的第k个数据，xj表示第j个簇中的数据。
优选的，对任务进行分类的过程包括：
S21：利用训练后的K-means算法模型将需要处理的任务分成三个聚类，三个聚类类型分别为：CPU密集型TCPU、I/O密集型TIO及通信密集型TCOMM；
S22：根据新任务tj中CPU的突发次数BCPU、I/O的突发次数BIO和COMM的突发次数BCOMM，利用欧几里得距离公式确定任务tj离三个聚类质心ck的距离；
S23：根据计算出距离将任务分类到距离最小的聚类中；
S24：将三个聚类中任务分别放入不同的队列中，TCPU放入队列QCPU，TIO放入队列QIO，TCOMM放入队列QCOMM。
进一步的，确定任务tj离三个聚类质心ck的距离的公式为：
Figure BDA0003467245850000032
其中，tj表示任务，ck表示聚类质心，
Figure BDA0003467245850000033
表示第j个任务的CPU突发次数，
Figure BDA0003467245850000034
表示第j个任务的I/O突发次数，
Figure BDA0003467245850000035
第j个任务的COMM突发次数。
优选的，根据资源可用性对边缘计算节点进行筛选包括：
S41：计算m个边缘计算节点资源的可用性，其中S1,S2,S3,…Sm；每个节点由一组异构数据Ri组成，
Figure BDA0003467245850000041
其中，
Figure BDA0003467245850000042
表示节点i的剩余可用CPU资源，
Figure BDA0003467245850000043
表示节点i的剩余可用I/O资源，
Figure BDA0003467245850000044
表示节点i的剩余可用COMM资源；
S42：任务管理器根据资源可用性对计算节点进行分类，对于任意计算节点Sm，若它的CPU资源可用性大于I/O和COMM的资源可用性，即
Figure BDA0003467245850000045
和
Figure BDA0003467245850000046
该节点将被分类为CPU资源节点
Figure BDA0003467245850000047
Figure BDA0003467245850000048
和
Figure BDA0003467245850000049
采用与
Figure BDA00034672458500000410
相同方式定义。
本发明的有益效果在于：
本方法根据任务的资源需求进行任务分类并评估计算节点利用率，将分类后的任务分别放入不同的队列中，最后以排队理论的方式将队列任务分配给与请求的资源匹配的计算节点，该方法能有效地调度和分配任务，降低了任务的执行时间，提升了边缘设备的利用率，显著提高了边缘节点的性能。
附图说明
图1为本发明的基于K-means聚类和排队理论的边缘计算任务分类与调度方法的整体框图；
图2为本发明的任务分为QCPU、QIO、QCOMM队列的流程图；
图3为本发明的K-means方法流程图；
图4为本发明的边缘计算节点分类流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，该方法包括首先对K-means算法模型进行训练，再采用训练好的K-means算法模型对任务进行分类；最后为分类后的任务分配边缘计算节点。对K-means算法模型进行训练包括：获取终端向边缘计算节点发出的历史任务请求，对历史任务请求的的CPU、I/O以及COMM资源需求类型进行特征识别，得到训练数据样本；采用训练数据样本对K-means算法模型进行训练；得到训练好的K-means算法模型；
边缘计算任务分类调度方法包括：
S1：终端模块向边缘计算节点发出任务请求，边缘计算节点的任务管理器对任务请求的CPU、I/O以及COMM资源需求类型进行特征识别，得到数据样本；
S2：采用训练好的K-means算法模型对任务进行分类，将分类后的任务保存到对应类别的队列中；
S3：计算边缘计算节点的资源可用性，根据资源可用性对边缘计算节点进行筛选；
S4：采用具有统计调度的队列来平衡边缘节点的负载，并将分类后的任务分配给筛选后的负载均衡后的边缘计算节点，完成任务分类调度。
采用具有统计调度的队列来平衡边缘节点的负载包括：任务如果任务数量n小于节点数量m，任务无需等待即可完成，即任务分别进入当前没有处理任务的节点。如果任务数量n大于节点数量m，有些任务需要等待才能获取资源解决。统计调度的多个队列指的就是本文中根据每个任务消耗资源的特性生成的三个队列，将符合该队列的任务放进该队列中。在统计调度的过程中，不会出现将大量任务调度分配给某几个边缘计算节点，而让其他节点处理少量任务，采用的是一种均衡的思想，均衡分配任务，从而避免单个边缘计算节点负载过高。
对历史任务请求的CPU、I/O以及COMM资源需求类型进行特征识别包括：历史任务资源的特征识别首先进行的是节点对各种任务的处理，在处理的过程中，节点会识别到每个任务的CPU突发次数(BCPU)、IO的突发次数(BIO)、以及COMM的突发次数(BCOMM)以及工作负载类型。然后任务管理器根据每个任务识别到的，就会构建一个任务列表，然后就将这个任务列表的数据作为训练数据。利用K-Means分类，就是根据任务特征(BCPU、BIO、BCOMM)和工作负载类型训练模型来确定任务的聚类。
Task B<sub>CPU</sub> B<sub>IO</sub> B<sub>COMM</sub> 工作负载类型
t<sub>1</sub> 25 15 60 OLTP/Web服务
t<sub>2</sub> 50 35 15 计算/图像处理
t<sub>3</sub> 15 55 30 读/写数据
如图1所示，基于K-means聚类和排队理论的边缘计算任务分类与调度方法的过程包括：
S101：终端模块向边缘计算节点发出任务请求，计算节点任务管理器对任务的CPU、I/O和COMM资源需求类型进行特征识别，构建模型训练数据样本；
S102：利用训练数据集对K-means算法进行模型训练，行簇Cj划分；
S103：将训练后的K-means算法对新任务进行分类，分类后的任务放入到不同队列中；
S104：计算边缘计算节点资源的可用性，根据资源可用性对边缘计算节点进行分类；
S105：基于排队理论，根据任务管理器管理的资源可用性信息，将需要处理的任务分配给满足资源需求的边缘计算节点。
其中，步骤S101、S102、S103生成QCPU、QIO、QCOMM队列的流程图如图2所示。
S201：将需要处理的任务随机分配给计算节点进行特征识别；
S202：计算节点执行一些任务后，任务管理器会构建一个任务列表，作为具有不同特征和工作负载类型的训练数据。
S203：利用训练数据集对K-means算法进行模型训练，进行簇Cj划分；
S204：利用训练后的K-means算法模型，将需要处理的任务分成三个聚类，CPU密集型(TCPU)、I/O密集型(TIO)及通信密集型(TCOMM)；
S205：根据新任务tj中CPU的突发次数(BCPU)、I/O的突发次数(BIO)和COMM的突发次数(BCOMM)，利用欧几里得距离公式确定任务tj离三个聚类质心ck(k＝1，2，3)的距离：
Figure BDA0003467245850000071
S206:计算出d(tj-C1)、d(tj-C2)、d(tj-C3)的距离后，将任务分类到距离最小的聚类中。
S207:将三个聚类中任务分别放入不同的队列中，TCPU放入队列QCPU，TIO放入队列QIO，TCOMM放入队列QCOMM。
如图3所示，采用训练数据样本对K-means算法模型进行训练的过程包括：
S301：确定初始聚类中心。输入聚类中心的个数k，数据集，数据集包含n个聚类对象，从数据集X＝{x1，x2，x3，…xn}中任意选取k个数据对象，将其定义为初始质心c1，c2，c3，…ck。
S302：计算出数据集中的点xi(i＝1，2，3，…，n)到k个初始质心的距离，若满足‖xi-cj‖<‖xi-cm‖，j＝1，2，3，…k，m＝1，2，3，…k，m≠j，那么xi属于簇Cj，j＝1，2，3，…k。
S303:重新再次计算质心c1，c2，c3，…ck，计算公式()所示，其中，i＝1，2，3，…k，j＝1，2，3，…k。
Figure BDA0003467245850000072
S304：若将新计算出的质心和前一个质心做比较，若二者距离为0或者二者距离之差在指定阈值范围内，则结束计算，算法终止，否则转向步骤S302，继续迭代计算。
如图4所示，步骤S104的边缘计算节点分类过程包括：
S401：计算m个边缘计算节点资源的可用性，其中S1，S2，S3，…Sm，每个节点由一组异构数据(Ri)组成，
Figure BDA0003467245850000081
S402：任务管理器根据资源可用性对计算节点进行分类，对于任意计算节点Sm，如果它的CPU资源可用性大于I/O和COMM的资源可用性，即
Figure BDA0003467245850000082
和
Figure BDA0003467245850000083
该节点将被分类为CPU资源节点
Figure BDA0003467245850000084
Figure BDA0003467245850000085
Figure BDA0003467245850000086
以相同方式定义。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，包括：获取终端向边缘计算节点发出的历史任务请求，对历史任务请求的CPU、I/O以及COMM资源需求类型进行特征识别，得到训练数据样本；采用训练数据样本对K-means算法模型进行训练；得到训练好的K-means算法模型；
边缘计算任务分类调度方法包括：
S1：终端模块向边缘计算节点发出任务请求，边缘计算节点的任务管理器对任务请求的CPU、I/O以及COMM资源需求类型进行特征识别，得到数据样本；
S2：采用训练好的K-means算法模型对任务进行分类，将分类后的任务保存到对应类别的队列中；
S3：计算边缘计算节点的资源可用性，根据资源可用性对边缘计算节点进行筛选；
S4：采用具有统计调度的队列来平衡边缘节点的负载，并将分类后的任务分配给筛选后的负载均衡后的边缘计算节点，完成任务分类调度。
2.根据权利要求1所述的一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，对历史任务请求的CPU、I/O以及COMM资源需求类型进行特征识别包括：节点识别每个任务的信息，该信息包括CPU突发次数BCPU、IO的突发次数BIO、COMM的突发次数BCOMM以及工作负载类型；根据任务信息建立任务列表，该列表中的数据为任务请求的识别特征。
3.根据权利要求1所述的一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，采用训练数据样本对K-means算法模型进行训练的过程包括：
步骤1：确定k个初始聚类中心；
步骤2：计算训练数据样本中的点xi到k个初始聚类中心的距离；若计算出的距离满足‖xi-cj‖<‖xi-cm‖，且j＝1，2，3，…k，m＝1，2，3，…k，m≠j，则点xi属于簇cj，否则点xi不属于簇Cj；其中，xi表示训练数据样本中的点，cj表示第j个簇，cm表示第m个簇；
步骤3：根据划分后的样本数据重新计算质心；
步骤4：设置质心阈值，将重新计算的质心与前一个质心作比较，若二者的距离小于设置的质心阈值，则结束计算，得到训练好的K-means算法模型，否则返回步骤2。
4.根据权利要求3所述的一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，计算质心的公式为：
Figure FDA0003467245840000021
其中，ni表示第i个聚类对象，xk表示训练数据样本中的第k个数据，xj表示第j个簇中的数据。
5.根据权利要求1所述的一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，对任务进行分类的过程包括：
S21：利用训练后的K-means算法模型将需要处理的任务分成三个聚类，三个聚类类型分别为：CPU密集型TCPU、I/O密集型TIO及通信密集型TCOMM；
S22：根据新任务tj中CPU的突发次数BCPU、I/O的突发次数BIO和COMM的突发次数BCOMM，利用欧几里得距离公式确定任务tj离三个聚类质心ck的距离；
S23：根据计算出距离将任务分类到距离最小的聚类中；
S24：将三个聚类中任务分别放入不同的队列中，TCPU放入队列QCPU，TIO放入队列QIO，TCOMM放入队列QCOMM。
6.根据权利要求5所述的一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，确定任务tj离三个聚类质心ck的距离的公式为：
Figure FDA0003467245840000022
其中，tj表示任务，ck表示聚类质心，
Figure FDA0003467245840000023
表示第j个任务的CPU突发次数，
Figure FDA0003467245840000031
表示第j个任务的I/O突发次数，
Figure FDA0003467245840000032
第j个任务的COMM突发次数。
7.根据权利要求1所述的一种基于K-means聚类和排队理论的边缘计算任务分类调度方法，其特征在于，根据资源可用性对边缘计算节点进行筛选包括：
S41：计算m个边缘计算节点资源的可用性，其中S1,S2,S3,…Sm；每个节点由一组异构数据Ri组成，
Figure FDA0003467245840000033
其中，
Figure FDA0003467245840000034
表示节点i的剩余可用CPU资源，
Figure FDA0003467245840000035
表示节点i的剩余可用I/O资源，
Figure FDA0003467245840000036
表示节点i的剩余可用COMM资源；
S42：任务管理器根据资源可用性对计算节点进行分类，对于任意计算节点Sm，若它的CPU资源可用性大于I/O和COMM的资源可用性，即
Figure FDA0003467245840000037
和
Figure FDA0003467245840000038
该节点将被分类为CPU资源节点
Figure FDA0003467245840000039
和
Figure FDA00034672458400000310
采用与
Figure FDA00034672458400000311
相同方式定义。
CN202210033164.9A 2022-01-12 2022-01-12 基于K-means聚类和排队理论的边缘计算任务分类调度方法 Pending CN114356531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210033164.9A CN114356531A (zh) 2022-01-12 2022-01-12 基于K-means聚类和排队理论的边缘计算任务分类调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210033164.9A CN114356531A (zh) 2022-01-12 2022-01-12 基于K-means聚类和排队理论的边缘计算任务分类调度方法

Publications (1)

Publication Number Publication Date
CN114356531A true CN114356531A (zh) 2022-04-15

Family

ID=81109194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210033164.9A Pending CN114356531A (zh) 2022-01-12 2022-01-12 基于K-means聚类和排队理论的边缘计算任务分类调度方法

Country Status (1)

Country Link
CN (1) CN114356531A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115904671A (zh) * 2023-02-20 2023-04-04 中国华能集团清洁能源技术研究院有限公司 一种边缘计算环境下的任务调度方法、装置、设备及介质
CN116467088A (zh) * 2023-06-20 2023-07-21 深圳博瑞天下科技有限公司 一种基于深度学习的边缘计算调度管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657221A (zh) * 2015-03-12 2015-05-27 广东石油化工学院 一种云计算中基于任务分类的多队列错峰调度模型及方法
AU2018100381A4 (en) * 2018-03-27 2018-05-10 Chongqing University Of Posts And Telecommunications A physical resource scheduling method in cloud cluster

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657221A (zh) * 2015-03-12 2015-05-27 广东石油化工学院 一种云计算中基于任务分类的多队列错峰调度模型及方法
AU2018100381A4 (en) * 2018-03-27 2018-05-10 Chongqing University Of Posts And Telecommunications A physical resource scheduling method in cloud cluster

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUKIKO KATAYAMA: "Collaborative Task Assignment Algorithm to Reduce Total Response Time in MEC Platform", 《PROCEEDINGS OF THE 2020 8TH INTERNATIONAL CONFERENCE ON INFORMATION AND EDUCATION TECHNOLOGY》 *
王欢等: "改进K-means聚类的云任务调度算法", 《计算机与现代化》 *
陈东虎: "基于排队论的云数据中心节能管理策略", 《中国优秀硕士学位论文全文数据库基础学科辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115904671A (zh) * 2023-02-20 2023-04-04 中国华能集团清洁能源技术研究院有限公司 一种边缘计算环境下的任务调度方法、装置、设备及介质
CN116467088A (zh) * 2023-06-20 2023-07-21 深圳博瑞天下科技有限公司 一种基于深度学习的边缘计算调度管理方法及系统
CN116467088B (zh) * 2023-06-20 2024-03-26 深圳博瑞天下科技有限公司 一种基于深度学习的边缘计算调度管理方法及系统

Similar Documents

Publication Publication Date Title
US8869160B2 (en) Goal oriented performance management of workload utilizing accelerators
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
CN111431961B (zh) 一种云数据中心的节能任务分配方法
CN113193984B (zh) 一种空天地一体化网络资源映射方法及系统
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
WO2021136137A1 (zh) 一种资源调度方法、装置及相关设备
WO2019184739A1 (zh) 一种数据查询方法、装置及设备
CN111506434B (zh) 一种任务处理方法、装置及计算机可读存储介质
Li et al. Resource scheduling based on improved spectral clustering algorithm in edge computing
CN112888005B (zh) 一种面向mec的分布式业务调度方法
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
Muthusamy et al. Cluster-based task scheduling using K-means clustering for load balancing in cloud datacenters
CN112181613A (zh) 异构资源分布式计算平台批量任务调度方法及存储介质
US8819239B2 (en) Distributed resource management systems and methods for resource management thereof
CN113157443A (zh) 一种基于边缘计算环境的资源均衡调度方法
CN114327811A (zh) 一种任务调度方法、装置、设备及可读存储介质
CN110519386B (zh) 云环境下基于数据聚类的弹性资源供应方法和装置
CN111625367B (zh) 一种动态调整文件系统读写资源的方法
CN111144701B (zh) 一种分布式环境下etl作业调度资源分类评估的方法
CN112685162A (zh) 边缘服务器异构计算资源的高效能调度方法、系统和介质
Li et al. Resource scheduling approach for multimedia cloud content management
Hou et al. Dynamic Load Balancing Algorithm Based on Optimal Matching of Weighted Bipartite Graph
CN111367653A (zh) 一种流计算任务管理方法
KR102642396B1 (ko) 제한된 gpu리소스를 사용한 딥러닝 추론 모델을 위한 배치 스케줄링 장치

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: 20220415