CN114595049A - 一种云边协同任务调度方法及装置 - Google Patents

一种云边协同任务调度方法及装置 Download PDF

Info

Publication number
CN114595049A
CN114595049A CN202210251795.8A CN202210251795A CN114595049A CN 114595049 A CN114595049 A CN 114595049A CN 202210251795 A CN202210251795 A CN 202210251795A CN 114595049 A CN114595049 A CN 114595049A
Authority
CN
China
Prior art keywords
processed
task
habitat
cloud
unloading
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
CN202210251795.8A
Other languages
English (en)
Inventor
姚继明
吴鹏
陈端云
王玮
郭云飞
虞跃
朱亮
林彧茜
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.)
State Grid Smart Grid Research Institute Co ltd
State Grid Corp of China SGCC
State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Smart Grid Research Institute Co ltd
State Grid Corp of China SGCC
State Grid Fujian Electric Power Co Ltd
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 State Grid Smart Grid Research Institute Co ltd, State Grid Corp of China SGCC, State Grid Fujian Electric Power Co Ltd filed Critical State Grid Smart Grid Research Institute Co ltd
Priority to CN202210251795.8A priority Critical patent/CN114595049A/zh
Publication of CN114595049A publication Critical patent/CN114595049A/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
    • 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
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • 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
    • 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
    • G06F2209/5021—Priority
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种云边协同任务调度方法及装置，其中，该方法包括：确定各终端节点的待处理任务，以及各待处理任务的业务优先级；分别确定各待处理任务卸载至各边缘节点的第一计算总时延和第一卸载代价，以及卸载至云中心的第二计算总时延和第二卸载代价；根据各待处理任务的业务优先级、卸载至各边缘节点所对应的第一计算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算总时延、第二卸载代价建立优化目标；求解优化目标，得到各待处理任务的调度方案；按照调度方案将各待处理任务分别分配至对应的边缘节点或云中心。通过执行本发明既满足了实际的业务需求，又提高了计算效率，减小了运算代价。

Description

一种云边协同任务调度方法及装置
技术领域
本发明涉及电力系统通信技术领域，具体涉及一种云边协同任务调度 方法及装置。
背景技术
随着5G商用时代到来，电力行业中涌现出众多新兴的电力业务，而且 随着电力终端设备的增多，电力终端产生的数据量也随之爆炸式增长，传 统的终端到主站模式已经无法快速响应业务的低时延需求，业务暴增所产 生的经济运行成本也在不断提高。云计算系统虽然能有效处理密集型的大 数据，但是给数据传输通道带来挑战，并且无法满足时延敏感型任务的需 求。因此，有研究者提出解决方案，通过在网络边缘部署具有计算和存储 数据能力的边缘服务器来缓解云中心的压力，并且能满足一些时延敏感型 任务对时延的要求。普遍接受的边缘计算体系包括移动云计算(Mobile Cloud Computing，MCC)、雾计算和多接入边缘计算(Multi-Access Edge Computing，MEC)等。云计算和边缘计算各有优点和缺点，云边协同的结 合能够充分发挥两者的优势，更好地为用户提供服务。在智能电网中，需 要提供能够进一步提高任务执行效率的云边协同调度方法。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的任务执行效率 较低的缺陷，从而提供一种云边协同任务调度方法及装置。
本发明第一方面提供了一种云边协同任务调度方法，应用于云边协同 系统，所述云边协同系统中包括云中心、至少一个边缘节点、至少一个终 端节点，其中，该方法包括：确定各终端节点的待处理任务，以及各待处 理任务的业务优先级；分别确定各待处理任务卸载至各边缘节点的第一计 算总时延和第一卸载代价，以及卸载至云中心的第二计算总时延和第二卸 载代价；根据各待处理任务的业务优先级、卸载至各边缘节点所对应的第一计算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算总时 延、第二卸载代价建立优化目标；求解所述优化目标，得到各待处理任务 的调度方案；按照所述调度方案将各待处理任务分别分配至对应的边缘节 点或云中心。
可选地，在本发明提供的云边协同任务调度方法中，根据各待处理任 务的业务优先级、卸载至各边缘节点所对应的第一计算总时延、卸载至各 边缘节点所对应的第一卸载代价、第二计算总时延、第二卸载代价建立优 化目标，包括：根据将各待处理任务卸载至各边缘节点所对应的第一总时 延，以及卸载至所述云中心的第二总时延建立时延优化子目标；根据将各 待处理任务卸载至各边缘节点所对应的第一卸载代价，以及卸载至所述云中心的第二卸载代价建立卸载代价优化子目标；根据所述各待处理任务的 业务优先级确定时延优化子目标权重，根据所述时延优化子目标权重对所 述时延优化子目标和所述卸载代价优化子目标进行综合评估，得到所述优 化目标。
可选地，在本发明提供的云边协同任务调度方法中，根据所述时延优 化子目标权重对标准归一化处理后的时延优化子目标和标准归一化处理后 的卸载代价优化子目标进行综合评估，得到所述优化目标。
可选地，在本发明提供的云边协同任务调度方法中，求解所述优化目 标，得到各待处理任务的调度方案的步骤，包括：将所述云中心和各边缘 节点确定为栖息地，初始化各栖息地与待处理任务的对应关系，一个栖息 地对应一个或多个待处理任务；根据目标函数计算栖息地对应的各待处理 任务的栖息地适用指数；所述目标函数根据所述优化目标确定，用于计算 待处理任务卸载至任一边缘节点或云中心时的总代价，将所述总代价确定为所述待处理任务在边缘节点或云中心对应的栖息地中的栖息地适用指数； 对于每一个栖息地，按照所述栖息地适用指数对所述栖息地对应的各待处 理任务进行排序，根据排序结果将所述栖息地对应的待处理任务分为非支 配集和支配集，所述非支配集中待处理任务的栖息地适用指数大于所述支 配集中待处理任务的栖息地适用指数；根据各栖息地的迁入率和迁出率确 定待迁入栖息地和待迁出栖息地，将待迁出栖息地的支配集中的一个或多 个待处理任务随机迁入待迁入栖息地中，并计算执行迁移操作后各栖息地 对应的各待处理任务的栖息地适用指数；根据各栖息地的变异率确定待变 异栖息地，对待变异栖息地执行变异操作，并计算变异操作后各栖息地对 应的各待处理任务的栖息地适用指数；若当前迭代结果不满足预设条件， 对于每一个栖息地，按照栖息地适用指数对所述栖息地对应的各待处理任 务进行排序，根据排序结果更新非支配集和支配集，返回所述根据各栖息地的迁入率和迁出率确定对栖息地对应的支配集中的一个或多个待处理任 务执行迁移操作的步骤，直到当前迭代结果满足预设条件，将当前各栖息 地与待处理任务的对应关系确定为各待处理任务的调度方案。
可选地，在本发明提供的云边协同任务调度方法中，初始化各栖息地 与待处理任务的对应关系，包括：若待处理任务的密集程度大于预设值， 所述待处理任务所属的栖息地与所述云中心对应。
可选地，在本发明提供的云边协同任务调度方法中，根据各栖息地的 迁出率计算各栖息地的动态选择概率，结合所述动态选择概率确定待迁出 栖息地；通过如下公式计算所述动态选择概率：
Figure BDA0003547218890000041
其中，μi和μj分别表示栖息地Di和Dj的迁出率，t为当前迭代次数，T为迭 代截止次数。
可选地，在本发明提供的云边协同任务调度方法中，通过自适应Lévy 变异算子计算各栖息地的变异率：Hi(SIV)←Hi(SIV)+LSIV(N(0.5,0.1))，
Figure BDA0003547218890000042
其中，Hi表示第i个栖息地的SIV值，0<β<2用 于控制曲线形状；γ为比例因子；LSIV(·)表示每个适应度指数变量向量根据 Lévy分布生成一个随机数；N(0.5,0.1)表示高斯分布将以大概率分布在0.5 附近。
本发明第二方面提供了一种云边协同任务调度装置，应用于云边协同 系统，所述云边协同系统中包括云中心、至少一个边缘节点、至少一个终 端节点，其中，该装置包括：业务优先级确定模块，用于确定各终端节点 的待处理任务，以及各待处理任务的业务优先级；代价计算模块，用于分 别确定各待处理任务卸载至各边缘节点的第一计算总时延和第一卸载代价， 以及卸载至云中心的第二计算总时延和第二卸载代价；优化目标建立模块，用于根据各待处理任务的业务优先级、卸载至各边缘节点所对应的第一计 算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算总时延、 第二卸载代价建立优化目标；优化目标求解模块，用于求解所述优化目标， 得到各待处理任务的调度方案；任务调度模块，用于按照所述调度方案将 各待处理任务分别分配至对应的边缘节点或云中心。
本发明第三方面提供了一种计算机设备，包括：至少一个处理器；以 及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可 被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行， 从而执行如本发明第一方面提供的云边协同任务调度方法。
本发明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指令，所述计算机指令用于使所述计算机执行如本发 明第一方面提供的云边协同任务调度方法。
本发明技术方案，具有如下优点：
本发明提供的云边协同任务调度方法及装置，根据各待处理任务的业 务优先级、将各待处理任务卸载至各边缘节点的第一计算总时延和第一卸 载代价，以及将各待处理任务卸载至云中心的第二计算总时延和第二卸载 代价建立优化目标，由于优化目标是结合第一计算总时延、第一卸载代价、 第二计算总时延、第二卸载代价建立的，因此，通过计算优化目标得到的 调度方案能够以更短的时间、更小的代价完成对待处理任务的计算，并且， 又由于优化目标是结合待处理任务的业务优先级建立的，因此，通过计算 优化目标得到的调度方案能够满足各待处理任务的时延要求，由此可见， 通过执行本发明既满足了实际的业务需求，又提高了计算效率，减小了运 算代价。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。
图1为本发明实施例中云边协同系统的一个模型示意图；
图2为本发明实施例中云边协同任务调度方法的一个具体示例的流 程图；
图3为本发明实施例中对优化目标的求解过程的一个具体示例的流 程图；
图4为本发明实施例中云边协同任务调度装置的一个具体示例的原 理框图；
图5为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然， 所描述的实施例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。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三” 仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼 此之间未构成冲突就可以相互结合。
随着电力终端设备的增多，电力终端设备产生的业务也不断增加，为 了实现对系统中所有待处理任务的高效处理，现有技术中通过云边协同调 度的方法，将各待处理任务分别分配至不同的边缘节点以及云中心中执行， 但是现有的调度方法只考虑优化时延单个目标，并没有考虑到待处理任务 的优先级、边缘节点与边缘节点之间的调度等问题。
本发明实施例提供了一种云边协同任务调度方法，应用于如图1所示 的云边协同系统，云边协同系统中包括云中心、至少一个边缘节点、至少 一个终端节点。其中，云中心主要由虚拟机组成，包含用来计算任务的计 算模块，核心网传输模块和用来协调整个系统资源节点批量处理任务的程 序调度模块，边缘节点由基站和部署的MEC服务器组成，部署在终端节点 附近，若云边协同系统用于处理电力业务，则终端节点为电力终端设备。
本发明实施例提供的云边协同任务调度方法如图2所示，包括如下步 骤：
步骤S11：确定各终端节点的待处理任务，以及各待处理任务的业务优 先级。
在一可选实施例中，在智能电网中，一般将业务分为电网控制类业务、 信息采集类业务和移动应用类业务。其中电网控制类业务具有毫秒级低时 延、高可靠业务特征，主要有配网差动保护、精准负荷控制、分布式电源 控制等；信息采集类业务具有广覆盖、大链接的业务特征，在总数据量中 占比很大，主要有用电信息采集等；移动应用类业务具有大带宽、灵活接 入的业务特征，主要有机器人巡检、移动作业等。不同类型的业务对时延 性要求不同，本发明实施中所称的业务优先级是指时延优先级，根据待处 理任务所属的业务类型确定该待处理任务的业务优先级。
步骤S12：分别确定各待处理任务卸载至各边缘节点的第一计算总时延 和第一卸载代价，以及卸载至云中心的第二计算总时延和第二卸载代价。
在本发明实施例中，云边协同系统中包括有多个边缘节点，将待处理 任务卸载至不同的边缘节点，会有不同的第一计算总时延和第一卸载代价。
在一可选实施例中，第一计算总时延包括终端节点将待处理任务传输 至边缘节点时的传输时延以及边缘节点计算待处理任务时的计算时延。
在一可选实施例中，第一卸载代价包括边缘节点执行待处理任务时的 计算代价，以及终端节点将待处理任务传输至边缘节点时的流量代价。
在一可选实施例中，第二计算总时延包括终端节点将待处理任务传输 至边缘节点时的传输时延、边缘节点将待处理任务传输至云中心时的传输 时延、云中心计算待处理任务时的计算时延。
在一可选实施例中，第二卸载代价包括云中心执行待处理任务时的计 算代价、终端节点将待处理任务传输至边缘节点时的流量代价、边缘节点 将待处理任务传输至云中心时的流量代价。
步骤S13：根据各待处理任务的业务优先级、卸载至各边缘节点所对应 的第一计算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算 总时延、第二卸载代价建立优化目标。
业务优先级是指时延优先级，待处理任务的业务优先级不同，其对时 延的要求不同，因此，结合业务优先级建立优化目标，能够在降低所有待 处理任务的计算总时延以及卸载代价的基础上，满足各待处理任务的时延 要求。
步骤S14：求解优化目标，得到各待处理任务的调度方案。
在本发明实施例中，调度方案用于表征各待处理任务与各边缘节点及 云中心的对应关系，从而根据调度方案能够确定各待处理任务的计算平台。
步骤S15：按照调度方案将各待处理任务分别分配至对应的边缘节点或 云中心。
在本发明实施例中，一个待处理任务只能与一个边缘节点或云中心对 应，即，一个待处理任务只能在一个边缘节点或云中心中计算。
本发明实施例提供的云边协同任务调度方法，根据各待处理任务的业 务优先级、将各待处理任务卸载至各边缘节点的第一计算总时延和第一卸 载代价，以及将各待处理任务卸载至云中心的第二计算总时延和第二卸载 代价建立优化目标，由于优化目标是结合第一计算总时延、第一卸载代价、 第二计算总时延、第二卸载代价建立的，因此，通过计算优化目标得到的 调度方案能够以更短的时间、更小的代价完成对待处理任务的计算，并且， 又由于优化目标是结合待处理任务的业务优先级建立的，因此，通过计算 优化目标得到的调度方案能够满足各待处理任务的时延要求，由此可见， 本发明实施例提供的云边协同任务调度方法既满足了实际的业务需求，又 提高了计算效率，减小了运算代价。
在一可选实施例中，设系统内有一个云中心，I个边缘节点和J个电力 终端设备。用Di表示系统中的第i个基站，1≤i≤I，
Figure BDA0003547218890000091
表示基站的集合，基 站的计算和存储能力是有限的。用
Figure BDA0003547218890000092
表示基站Di范围内j个终端节点的集合。 假设系统内能提供业务计算能力的边缘节点有K个，nk表示第k个计算节点， 用
Figure BDA0003547218890000101
表示计算节点的集合。
Taski,j表示基站Di范围内第j个电力终端设备请求卸载的待处理任务， 任务量大小为
Figure BDA0003547218890000102
单位为bits。为了定义不同任务的计算量，用Ci,j表示计 算单位数据所需的计算能力，单位cycle/bit，假设所有待处理任务同时产生 并且任务相互独立，则待处理任务Taski,j所需的计算总量
Figure BDA0003547218890000103
为：
Figure BDA0003547218890000104
假设一个待处理任务不可分割，只能选择全部卸载到云中心执行或都 留在边缘节点执行，用xi,j表示待处理任务是否被卸载到云中心处理，其中 xi,j＝0表示待处理任务Taski,j被传输到云中心进行处理，相反xi,j＝1表示待处 理任务Taski,j留在边缘节点处理。
定义Ri,j为Taski,j所在终端节点的期望信道容量，则待处理任务Taski,j从 终端节点到关联的边缘节点的平均传输时延为：
Figure BDA0003547218890000105
假设所有任务信息传输到节点后再进行调度并执行，计算节点按照分 配到的计算量分配计算资源，分配到计算节点nk的总计算负载为
Figure BDA0003547218890000106
计算 速率为
Figure BDA0003547218890000107
当待处理任务选择在边缘节点处理时，需要通过调度程序进一 步判断该任务是否在节点nk上执行，采用xi,j,k表示任务Taski,j是否被调度到 节点nk上执行，若在nk上执行，则令xi,j,k＝1，反之，令xi,j,k＝0。为了方便 表示，采用mi,j表示调度后待处理任务Taski,j分配到的节点编号，特别地， 用mi,j＝0表示将任务卸载云中心执行，则mi,j＝{0,1,...,K}。当边缘节点对所分 配到的待处理任务采用CPU并行计算时，可以不考虑待处理任务的等待时 间，此时则待处理任务Taski,j在节点nk分配到的速度
Figure BDA0003547218890000108
和计算时延
Figure BDA0003547218890000109
可由 下式计算得到：
Figure BDA0003547218890000111
Figure BDA0003547218890000112
则待处理任务Taski,j选择在边缘节点执行的第一计算总时延
Figure BDA0003547218890000113
为：
Figure BDA0003547218890000114
如果待处理任务选择在云中心执行，要经过云中心和边缘节点之间的 链路，由于每个基站到云中心的任务传输线路是独立的，因此待处理任务 被分配到的带宽设为不变的，用B表示，单位bit/s，云中心的计算能力设 为vcenter，则待处理任务从边缘节点到云中心的传输时间
Figure BDA0003547218890000115
和在云中心的计 算时间
Figure BDA0003547218890000116
分别为：
Figure BDA0003547218890000117
Figure BDA0003547218890000118
则待处理任务Taski,j选择在云中心执行的第二计算总时延
Figure BDA0003547218890000119
为：
Figure BDA00035472188900001110
一般来说，边缘节点的计算模块和传输调度模块是互不影响的，本发 明实施例中重点考虑在边缘节点和云中心之间传输执行的时延开销，调度 程序的运行时间与计算结果的返回时间可忽略不计，因此任务Taski,j的总时 延可表示为：
Figure BDA00035472188900001111
考虑到5G网络中，待处理任务的数据在边缘卸载和在云中心卸载，其 所传输计费的数据流量是有明显差异的，这也直接影响到了业务承载成本， 因此，本发明实施例中考虑卸载代价这一因素。卸载代价包括计算代价和 流量代价。计算代价是指边缘节点和云中心计算待处理任务的代价，计算 能力越强，则设备的硬件成本也即越高，流量代价是指将待处理任务上传 到云中心和边缘节点所消耗的流量，进而产生的流量成本代价。
边缘节点和云中心执行任务时，都会产生与计算负荷有关的运行代价。 设αe为边缘节点的单位时间运行代价，与该边缘节点的计算能力的平方成 正比，本发明实施例中所有边缘节点的单位时间运行代价相同，表达式为：
Figure BDA0003547218890000121
其中
Figure BDA0003547218890000122
是与边缘节点CPU有关的代价系数。
用αc表示云中心的单位时间运行代价，已知求得任务Ki,j在边缘节点和 云中心分别执行的时间，则相应的计算代价为：
Figure BDA0003547218890000123
Figure BDA0003547218890000124
流量代价是指待处理任务上传至边缘节点和云中心所消耗的流量大小。 设终端节点到边缘节点的带宽为W，则待处理任务Taski,j卸载到边缘节点和 云中心产生流量分别为：
Figure BDA0003547218890000125
Figure BDA0003547218890000126
则待处理任务卸载至边缘节点的第一卸载代价为：
Figure BDA0003547218890000127
待处理任务卸载至云中心的第二卸载代价为：
Figure BDA0003547218890000128
因此，待处理任务Ki,j卸载的代价可表示为：
Figure BDA0003547218890000131
在一可选实施例中，上述步骤S13具体包括如下步骤：
首先，根据将各待处理任务卸载至各边缘节点所对应的第一总时延， 以及卸载至云中心的第二总时延建立时延优化子目标。时延优化子目标的 作用为降低各待处理任务的计算总时延。
然后，根据将各待处理任务卸载至各边缘节点所对应的第一卸载代价， 以及卸载至云中心的第二卸载代价建立卸载代价优化子目标。卸载代价优 化子目标的作用为降低各待处理任务的卸载代价。
最后，根据各待处理任务的业务优先级确定时延优化子目标权重，根 据时延优化子目标权重对时延优化子目标和卸载代价优化子目标进行综合 评估，得到优化目标。
通常云中心的计算能力是边缘节点计算能力的100～10K倍，传输到云 中心卸载虽然能降低计算时延，但带来了更多的传输时延和代价。如果全 部卸载到附近的边缘节点进行计算，虽然能降低时延，但当任务规模数大 到一定程度时，会给边缘节点带来巨大的负荷。从而引起边缘节点的性能 下降，不能满足时延敏感任务的需求。如果只考虑单一的优化目标没有实 际意义，因此本发明实施例中结合时延和代价函数作为云边协同系统的成 本开销，考虑多目标联合优化问题。并且，由分析可知，两个优化子目标 间存在冲突，本发明实施例中将引入时延优化子目标权重综合评估任务调 度方案的时延和代价，将时延和代价的优化结合成一个新的优化目标。
在一可选实施例中，在本发明实施例提供的云边协同任务调度方法中 建立优化目标时，根据时延优化子目标权重对标准归一化处理后的时延优 化子目标和标准归一化处理后的卸载代价优化子目标进行综合评估，得到 优化目标。
通过对时延优化子目标和卸载代价优化子目标进行标准归一化处理， 能够降低目标不同造成的竖直差异。
在一可选实施例中，可以通过聚集函数分别对两个子目标进行归一标 准化处理。
在一可选实施例中，在本发明实施例提供的云边协同任务调度方法中， 优化目标为：
Figure BDA0003547218890000141
Figure BDA0003547218890000142
Figure BDA0003547218890000143
Figure BDA0003547218890000144
(C4)θ∈[0,1]
Tmin、Tmax、Qmin、Qmax分别代表单个待执行任务选择不同卸载路径时， 时延和代价的最小值、最大值。C1约束表示待处理任务只能选择在云中心 或者边缘节点卸载；C2和C3约束表示待处理任务都能完成卸载并且卸载在 包括云中心在内的唯一计算节点上执行。
在一可选实施例中，在对求解优化目标时，用x表示调度可行方案的结 果，X为所有x解向量的集合，即解空间。根据问题模型，x可用一个三维 向量表示：
Figure BDA0003547218890000151
为了表示方便，本发明实施例中把计算节点k＝0是表示为云中心。
在一可选实施例中，本发明实施例提供的云边协同任务调度方法中， 基于满足电力业务时延要求的考虑业务优先级的生物地理自然进化 (Biogeographic NaturalEvolution，BNE)算法，该算法借助于迁移和变异操 作对算法解群体进行不断演化，从而求解云边协同的任务调度优化问题。
在BNE算法中，每个个体位于不同的栖息地中，个体在栖息地的适用 度用栖息地适用指数(Habitat Suitability Index,HIS)表示。而HIS与栖息 地的因素称为适应度指数变量(Suitability Index Variable,SIV)有关，每个 具有D维SIV的栖息地视为一个可行解，每一维SIV视为可行解的一个变 量。HIS高的栖息地由于种群数量多，导致该栖息地具有高迁出率、低迁入 率，相反HIS低的具有低迁出率、高迁入率。
在一可选实施例中，在本发明实施例提供的云边协同任务调度方法中， 对优化目标的具体求解过程如图3所示，包括如下步骤：
步骤S141：将云中心和各边缘节点确定为栖息地，初始化各栖息地与 待处理任务的对应关系，一个栖息地对应一个或多个待处理任务。
在本发明实施例中，栖息地的数量为云中心和边缘节点的总量。一个 栖息地对应有一个种群，一个种群中包括一个或多个待处理任务。
在一可选实施例中，初始化的数据还包括栖息地群体大小，栖息地群 体大小用于表征该栖息地能承载的最大计算量。
在一可选实施例中，将系统中所有终端节点产生的需要卸载的待处理 任务看作一个群体并对每个任务个体进行编号，用i表示集合中任务的编号 顺序，1≤i≤I。定义云中心的节点编号为k＝0，节点用k表示，0≤k≤K。 随机产生N个栖息地的适应度指数变量SIV，对应D维变量，一个栖息地 上有一个种群生存。本发明实施例中将Di表示为待处理任务i的调度，因此 优化目标的约束可以转换为Di∈{0,1,2,...,K}，问题的解可用向量 D＝[D1,D2,...DN],Di＝(di1,di2,...diD)表示。向量D对应个体的SIVs向量，联合 目标函数值对应栖息地的HIS，根据D和目标函数计算每个栖息地的HIS。
步骤S142：根据目标函数计算栖息地对应的各待处理任务的栖息地适 用指数；目标函数根据优化目标确定，用于计算待处理任务卸载至任一边 缘节点或云中心时的总代价，将总代价确定为待处理任务在边缘节点或云 中心对应的栖息地中的栖息地适用指数。
在一可选实施例中，目标函数为
Figure BDA0003547218890000161
步骤S143：对于每一个栖息地，按照栖息地适用指数对栖息地对应的 各待处理任务进行排序，根据排序结果将栖息地对应的待处理任务分为非 支配集和支配集，非支配集中待处理任务的栖息地适用指数大于支配集中 待处理任务的栖息地适用指数。
在一可选实施例中，待处理任务在当前栖息地中的栖息地适用指数值 越大，表示当前栖息地能够满足待处理任务的需求，因此，在按照栖息地 使用指数对待处理任务进行排序后，将前n个待处理任务加入非支配集中， 后续无需对非支配集中的待处理任务执行迁移操作，提高了优化目标的求 解效率，其中，n的值可以根据实际需求进行设定。
步骤S144：根据各栖息地的迁入率和迁出率确定待迁入栖息地和待迁 出栖息地，将待迁出栖息地的支配集中的一个或多个待处理任务随机迁入 待迁入栖息地中，并计算执行迁移操作后各栖息地对应的各待处理任务的 栖息地适用指数。
步骤S145：根据各栖息地的变异率确定待变异栖息地，对待变异栖息 地执行变异操作，并计算变异操作后各栖息地对应的各待处理任务的栖息 地适用指数。
判断当前迭代结果是否满足预设条件，若当前迭代结果不满足预设条 件，执行如下步骤：
步骤S146：对于每一个栖息地，按照栖息地适用指数对栖息地对应的 各待处理任务进行排序，根据排序结果更新非支配集和支配集。
在一可选实施例中，更新非支配集时，将前m个待处理任务加入非支 配集中形成更新后的非支配集，此时栖息地的非支配及中包括上一次迭代 过程中非支配及中的待处理任务，以及当前排序结果中前m个待处理任务。
在一可选实施例中，n和m的值可以相同，也可以不同，即，每次迭 代过程中加入非支配集中的待处理任务的数量可以相同，也可以不同。
在一可选实施例中，可以将排名后n位的待处理任务以及加入非支配 集中的待处理任务去除，将其余待处理任务作为新出的支配集，完成支配 集的更新。
返回上述步骤S144，直到当前迭代结果满足预设条件，执行步骤S147。
步骤S147：将当前各栖息地与待处理任务的对应关系确定为各待处理 任务的调度方案。
在一可选实施例中，若当前迭代次数达到迭代阈值，则判定当前迭代 结果满足预设条件，迭代阈值在上述步骤S141中初始化参数时进行设定， 示例性地，迭代阈值可以为600CPU cycle/bit。
在一可选实施例中，在云边协同系统中，对于某些任务超密集的待处 理任务，如果选择将待处理任务卸载到边缘节点进行处理，会对边缘节点 产生超负荷影响，开销成本较大。所以对于超密集任务，将其调度到云中 心处理更合理，因此在初始化各栖息地与待处理任务的对应关系时，若待 处理任务的密集程度大于预设值Cthre，则将该待处理任务所属的栖息地确定 为与云中心对应的栖息地，从而提高初始化群体的HIS值和进化效率。
在一可选实施例中，在上述步骤S144中，对每个栖息地计算其迁入率 λi和迁出率μi，先根据迁入率的大小选择最适宜的待迁入栖息地Di，然后 再根据迁出率的大小选择待迁出栖息地Dj。从Dj中随机选取SIV分量替换 Di中对应的分量，再计算新的栖息地适应度HIS。迁入率λi和迁出率μi表 达式如下：
Figure BDA0003547218890000181
Figure BDA0003547218890000182
其中，Si和Smax表示栖息地的种群数量及可容纳的最大值，I和E表示 迁入率和迁出率的最大值。当迁入率和迁出率相等时，种群数量达到一个 平衡态。为了在进化前期让较低HIS的待处理任务能以较大概率迁入较大 HIS的栖息地，在进化后期能让较优解继续参与迁移，提高解的准确度，本 发明实施例中采用动态选择概率Pi代替之前的随机选择概率，从而确定待 迁出栖息地Di，Pi的定义如下：
Figure BDA0003547218890000191
Figure BDA0003547218890000192
其中，μi和μj分别对应栖息地Di和Dj的迁出率，t为当前的迭代次数， T为迭代截止次数。
在一可选实施例中，变异算子会影响当前栖息地的适应度，从而使低 适应度的栖息地发生大概率的变异，为低适应度的栖息地提供更多机会被 搜索，变异概率mi与栖息地的个体数量成反比，可表示为：
Figure BDA0003547218890000193
其中，mmax为用户自定义最大变异率；P(Si)为种群数量为Si的概率；Pmax为P(Si)的最大值。
由于在云边协同系统中，将云中心视为特殊的一个边缘节点，但是云 中心占比非常小，被随机选择变异的概率很低，这会影响寻找最优解。因 此本发明实施例中为了增大云中心变异的概率，对变异算子进行调整，使 云中心变异的概率增大，引入了一种自适应Lévy变异算子：
Hi(SIV)←Hi(SIV)+LSIV(N(0.5,0.1))，
Lévy分布的概率密度函数表达式为：
Figure BDA0003547218890000194
其中，Hi表示第i个栖息地的SIV值，0<β<2用于控制曲线形状；γ为 比例因子，一般取1；LSIV(·)表示向量SIVs中每个变量根据Lévy分布生成 一个随机数；N(0.5,0.1)表示高斯分布将以大概率分布在0.5附近；x为实数。
本发明实施例提供的云边协同任务调度方法，采用生物地理自然进化 算法计算优化目标，能根据不同待处理任务的需求，计算待处理任务在不 同卸载路径下的端到端时延和代价加权和，选择成本开销最小的方式进行 卸载处理，同时，能保证在优先级高的待处理任务分配到充足资源前提下， 调度待处理任务卸载到其他资源空闲的边缘节点，降低系统中待处理任务 的总时延，从而提高系统的吞吐量和用户满意度。本发明实施例提供的方 法，可有效解决系统中因任务调度不合理引起的资源浪费和时延要求不达 标的问题。
本发明实施例提供了一种云边协同任务调度装置，应用于如图1所示 的云边协同系统，云边协同系统中包括云中心、至少一个边缘节点、至少 一个终端节点，如图4所示，该装置包括：
业务优先级确定模块21，用于确定各终端节点的待处理任务，以及各 待处理任务的业务优先级，详细内容参见上述实施例中对步骤S11的描述， 在此不再赘述。
代价计算模块22，用于分别确定各待处理任务卸载至各边缘节点的第 一计算总时延和第一卸载代价，以及卸载至云中心的第二计算总时延和第 二卸载代价，详细内容参见上述实施例中对步骤S12的描述，在此不再赘 述。
优化目标建立模块23，用于根据各待处理任务的业务优先级、卸载至 各边缘节点所对应的第一计算总时延、卸载至各边缘节点所对应的第一卸 载代价、第二计算总时延、第二卸载代价建立优化目标，详细内容参见上 述实施例中对步骤S13的描述，在此不再赘述。
优化目标求解模块24，用于求解优化目标，得到各待处理任务的调度 方案，详细内容参见上述实施例中对步骤S14的描述，在此不再赘述。
任务调度模块25，用于按照调度方案将各待处理任务分别分配至对应 的边缘节点或云中心，详细内容参见上述实施例中对步骤S15的描述，在 此不再赘述。
本发明实施例提供了一种计算机设备，如图5所示，该计算机设备主 要包括一个或多个处理器31以及存储器32，图5中以一个处理器31为例。
该计算机设备还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者 其他方式连接，图5中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器 31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场 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、分立硬件组件等芯片，或者上述各 类芯片的组合。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。存储器32可以包括存储程序区和存储数据区，其中，存储 程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可 存储根据云边协同任务调度装置的使用所创建的数据等。此外，存储器32 可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个 磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中， 存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器 可以通过网络连接至云边协同任务调度装置。输入装置33可接收用户输入 的计算请求(或其他数字或字符信息)，以及产生与云边协同任务调度装置 有关的键信号输入。输出装置34可包括显示屏等显示设备，用以输出计算 结果。
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介 质存储计算机指令，计算机存储介质存储有计算机可执行指令，该计算机 可执行指令可执行上述任意方法实施例中的云边协同任务调度方法。其中， 存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、 随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方 式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予 以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保 护范围之中。

Claims (10)

1.一种云边协同任务调度方法，应用于云边协同系统，所述云边协同系统中包括云中心、至少一个边缘节点、至少一个终端节点，其特征在于，所述方法包括：
确定各终端节点的待处理任务，以及各待处理任务的业务优先级；
分别确定各待处理任务卸载至各边缘节点的第一计算总时延和第一卸载代价，以及卸载至云中心的第二计算总时延和第二卸载代价；
根据各待处理任务的业务优先级、卸载至各边缘节点所对应的第一计算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算总时延、第二卸载代价建立优化目标；
求解所述优化目标，得到各待处理任务的调度方案；
按照所述调度方案将各待处理任务分别分配至对应的边缘节点或云中心。
2.根据权利要求1所述的云边协同任务调度方法，其特征在于，根据各待处理任务的业务优先级、卸载至各边缘节点所对应的第一计算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算总时延、第二卸载代价建立优化目标，包括：
根据将各待处理任务卸载至各边缘节点所对应的第一总时延，以及卸载至所述云中心的第二总时延建立时延优化子目标；
根据将各待处理任务卸载至各边缘节点所对应的第一卸载代价，以及卸载至所述云中心的第二卸载代价建立卸载代价优化子目标；
根据所述各待处理任务的业务优先级确定时延优化子目标权重，根据所述时延优化子目标权重对所述时延优化子目标和所述卸载代价优化子目标进行综合评估，得到所述优化目标。
3.根据权利要求2所述的云边协同任务调度方法，其特征在于，
根据所述时延优化子目标权重对标准归一化处理后的时延优化子目标和标准归一化处理后的卸载代价优化子目标进行综合评估，得到所述优化目标。
4.根据权利要求1所述的云边协同任务调度方法，其特征在于，求解所述优化目标，得到各待处理任务的调度方案的步骤，包括：
将所述云中心和各边缘节点确定为栖息地，初始化各栖息地与待处理任务的对应关系，一个栖息地对应一个或多个待处理任务；
根据目标函数计算栖息地对应的各待处理任务的栖息地适用指数；所述目标函数根据所述优化目标确定，用于计算待处理任务卸载至任一边缘节点或云中心时的总代价，将所述总代价确定为所述待处理任务在边缘节点或云中心对应的栖息地中的栖息地适用指数；
对于每一个栖息地，按照所述栖息地适用指数对所述栖息地对应的各待处理任务进行排序，根据排序结果将所述栖息地对应的待处理任务分为非支配集和支配集，所述非支配集中待处理任务的栖息地适用指数大于所述支配集中待处理任务的栖息地适用指数；
根据各栖息地的迁入率和迁出率确定待迁入栖息地和待迁出栖息地，将待迁出栖息地的支配集中的一个或多个待处理任务随机迁入待迁入栖息地中，并计算执行迁移操作后各栖息地对应的各待处理任务的栖息地适用指数；
根据各栖息地的变异率确定待变异栖息地，对待变异栖息地执行变异操作，并计算变异操作后各栖息地对应的各待处理任务的栖息地适用指数；
若当前迭代结果不满足预设条件，对于每一个栖息地，按照栖息地适用指数对所述栖息地对应的各待处理任务进行排序，根据排序结果更新非支配集和支配集，返回所述根据各栖息地的迁入率和迁出率确定对栖息地对应的支配集中的一个或多个待处理任务执行迁移操作的步骤，直到当前迭代结果满足预设条件，将当前各栖息地与待处理任务的对应关系确定为各待处理任务的调度方案。
5.根据权利要求4所述的云边协同任务调度方法，其特征在于，初始化各栖息地与待处理任务的对应关系，包括：
若待处理任务的密集程度大于预设值，所述待处理任务所属的栖息地与所述云中心对应。
6.根据权利要求4所述的云边协同任务调度方法，其特征在于，
根据各栖息地的迁出率计算各栖息地的动态选择概率，结合所述动态选择概率确定待迁出栖息地；
通过如下公式计算所述动态选择概率：
Figure FDA0003547218880000031
Figure FDA0003547218880000041
其中，μi和μj分别表示栖息地Di和Dj的迁出率，t为当前迭代次数，T为迭代截止次数。
7.根据权利要求4所述的云边协同任务调度方法，其特征在于，通过自适应Lévy变异算子计算各栖息地的变异率：
Hi(SIV)←Hi(SIV)+LSIV(N(0.5,0.1))，
Figure FDA0003547218880000042
其中，Hi表示第i个栖息地的SIV值，0<β<2用于控制曲线形状；γ为比例因子；LSIV(·)表示每个适应度指数变量向量根据Lévy分布生成一个随机数；N(0.5,0.1)表示高斯分布将以大概率分布在0.5附近。
8.一种云边协同任务调度装置，应用于云边协同系统，所述云边协同系统中包括云中心、至少一个边缘节点、至少一个终端节点，其特征在于，所述装置包括：
业务优先级确定模块，用于确定各终端节点的待处理任务，以及各待处理任务的业务优先级；
代价计算模块，用于分别确定各待处理任务卸载至各边缘节点的第一计算总时延和第一卸载代价，以及卸载至云中心的第二计算总时延和第二卸载代价；
优化目标建立模块，用于根据各待处理任务的业务优先级、卸载至各边缘节点所对应的第一计算总时延、卸载至各边缘节点所对应的第一卸载代价、第二计算总时延、第二卸载代价建立优化目标；
优化目标求解模块，用于求解所述优化目标，得到各待处理任务的调度方案；
任务调度模块，用于按照所述调度方案将各待处理任务分别分配至对应的边缘节点或云中心。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-7中任一项所述的云边协同任务调度方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7中任一项所述的云边协同任务调度方法。
CN202210251795.8A 2022-03-15 2022-03-15 一种云边协同任务调度方法及装置 Pending CN114595049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210251795.8A CN114595049A (zh) 2022-03-15 2022-03-15 一种云边协同任务调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210251795.8A CN114595049A (zh) 2022-03-15 2022-03-15 一种云边协同任务调度方法及装置

Publications (1)

Publication Number Publication Date
CN114595049A true CN114595049A (zh) 2022-06-07

Family

ID=81817133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210251795.8A Pending CN114595049A (zh) 2022-03-15 2022-03-15 一种云边协同任务调度方法及装置

Country Status (1)

Country Link
CN (1) CN114595049A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115220916A (zh) * 2022-07-19 2022-10-21 浙江通见科技有限公司 视频智能分析平台的自动算力调度方法、装置及系统
CN115348324A (zh) * 2022-10-19 2022-11-15 北京中科海芯科技有限公司 一种最优化调度策略的确定方法及装置和电子设备
CN115840634A (zh) * 2023-02-24 2023-03-24 中移动信息技术有限公司 业务执行方法、装置、设备及存储介质
CN116708445A (zh) * 2023-08-08 2023-09-05 北京智芯微电子科技有限公司 边缘计算任务的分配方法、配电网系统、装置及存储介质
CN117119500A (zh) * 2023-10-25 2023-11-24 国网山东省电力公司东营供电公司 基于智能cpe模组的巡检机器人数据传输优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475274A (zh) * 2020-04-20 2020-07-31 北京邮电大学 云协同多任务调度方法及装置
CN111901145A (zh) * 2020-06-23 2020-11-06 国网江苏省电力有限公司南京供电分公司 一种电力物联网异构共享资源分配系统和方法
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统
US20210295684A1 (en) * 2020-03-18 2021-09-23 Research Institute Of Highway Ministry Of Transport Cloud-edge-end cooperative highway cloud control system and control method
US20220006879A1 (en) * 2020-07-03 2022-01-06 Electronics And Telecommunications Research Institute Intelligent scheduling apparatus and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210295684A1 (en) * 2020-03-18 2021-09-23 Research Institute Of Highway Ministry Of Transport Cloud-edge-end cooperative highway cloud control system and control method
CN111475274A (zh) * 2020-04-20 2020-07-31 北京邮电大学 云协同多任务调度方法及装置
CN111901145A (zh) * 2020-06-23 2020-11-06 国网江苏省电力有限公司南京供电分公司 一种电力物联网异构共享资源分配系统和方法
US20220006879A1 (en) * 2020-07-03 2022-01-06 Electronics And Telecommunications Research Institute Intelligent scheduling apparatus and method
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIMING YAO等: "A Power Multi-Service Transmission Scheduling Method in 5G Edge-Cloud Collaboration Scenario", 《2022 IEEE 6TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC )》, 9 November 2022 (2022-11-09), pages 703 - 709 *
JINKE REN等: "Joint Communication and Computation Resource Allocation for Cloud-Edge Collaborative System", 《2019 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》, 31 October 2019 (2019-10-31), pages 1 - 6 *
张依琳等: "移动边缘计算中计算卸载方案研究综述", 《计算机学报》, 15 December 2021 (2021-12-15), pages 2406 - 2430 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115220916A (zh) * 2022-07-19 2022-10-21 浙江通见科技有限公司 视频智能分析平台的自动算力调度方法、装置及系统
CN115220916B (zh) * 2022-07-19 2023-09-26 浙江通见科技有限公司 视频智能分析平台的自动算力调度方法、装置及系统
CN115348324A (zh) * 2022-10-19 2022-11-15 北京中科海芯科技有限公司 一种最优化调度策略的确定方法及装置和电子设备
CN115840634A (zh) * 2023-02-24 2023-03-24 中移动信息技术有限公司 业务执行方法、装置、设备及存储介质
CN115840634B (zh) * 2023-02-24 2023-06-30 中移动信息技术有限公司 业务执行方法、装置、设备及存储介质
CN116708445A (zh) * 2023-08-08 2023-09-05 北京智芯微电子科技有限公司 边缘计算任务的分配方法、配电网系统、装置及存储介质
CN116708445B (zh) * 2023-08-08 2024-05-28 北京智芯微电子科技有限公司 边缘计算任务的分配方法、配电网系统、装置及存储介质
CN117119500A (zh) * 2023-10-25 2023-11-24 国网山东省电力公司东营供电公司 基于智能cpe模组的巡检机器人数据传输优化方法
CN117119500B (zh) * 2023-10-25 2024-01-12 国网山东省电力公司东营供电公司 基于智能cpe模组的巡检机器人数据传输优化方法

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN114595049A (zh) 一种云边协同任务调度方法及装置
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
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
CN109684083B (zh) 一种面向边缘-云异构下的多级事务调度分配策略
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
CN111586696A (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN111538570B (zh) 一种面向节能和QoS保障的VNF部署方法及装置
CN112784362A (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
CN111641973A (zh) 一种雾计算网络中基于雾节点协作的负载均衡方法
CN111462487A (zh) 一种车联网环境下的最优化边缘计算节点选择方法及系统
CN112073452B (zh) 一种能源有效和资源受限的移动边缘计算任务分配方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN111988787B (zh) 一种任务的网络接入和服务放置位置选择方法及系统
CN112153145A (zh) 5g边缘环境下面向车联网的计算任务卸载方法及装置
CN113778691B (zh) 一种任务迁移决策的方法、装置及系统
CN113220356A (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN114564312A (zh) 一种基于自适应深度神经网络的云边端协同计算方法
CN113918240A (zh) 任务卸载方法及装置
CN114356544A (zh) 面向边缘集群的并行计算方法和系统
CN113342409A (zh) 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
Zhang et al. Effect: Energy-efficient fog computing framework for real-time video processing
Li et al. Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment
CN116541106A (zh) 计算任务卸载方法、计算设备及存储介质
Chen et al. A game theoretic approach to task offloading for multi-data-source tasks in mobile edge computing

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