CN114650321A - 用于边缘计算的任务调度方法及边缘计算终端 - Google Patents

Abstract

本发明公开了一种用于边缘计算的任务调度方法及边缘计算终端，在边缘节点数据预处理阶段根据任务优先级将任务分为本地执行和云端执行两类，对于本地执行的任务在本地按照优先级调度执行，对于云端执行的任务，根据总任务完成时间最短、冲突最小为目标建立多目标优化模型，并采用改进的布谷鸟算法对多目标优化模型实施搜索优化得到云端的最优调度方案，有效降低任务处理的通信开销和网络延迟，缓解了网络和数据中心的处理压力，保证了任务资源的优化分配。

Description

用于边缘计算的任务调度方法及边缘计算终端

技术领域

本发明属于技术领域，具体地说，是涉及。

背景技术

边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。

边缘计算可以实时或更快的进行数据处理和分析，让数据处理更靠近源，而不是外部数据中心或者云，可以缩短延迟时间；在成本预算上可以大大减轻经费预算，企业在本地设备上的数据管理解决方案所花费的成本大大低于云和数据中心网络；减少网络流量；通过降低延迟级别，应用程序可以更高效、更快速地运行，提高应用程序效率；还可以通过边缘计算持续学习，根据个人的需求调整模型，带来个性化互动体验。

对物联网而言，边缘计算技术取得突破，意味着许多控制将通过本地设备实现而无需交由云端，处理过程将在本地边缘计算层完成。这无疑将大大提升处理效率，减轻云端的负荷。由于更加靠近用户，还可为用户提供更快的响应，将需求在边缘端解决。

根据需求调研分析和基于智能终端的边缘计算技术基础框架，如图1所示，框架主要由边缘节点(ECN)和边缘节点管理器(ECN Controller)组成，ECN对从智能终端采集到的数据进行预处理，主要包括目标检测、目标识别、行为分析、数据过滤等；ENC Controller连接多个ECN，处理任务请求，为ECN动态分配虚拟机资源，通过任务调度管理器将预处理后的数据传输到远端的云中心，对数据做进一步的分析处理。从图1可以看出，ECN部分设计的数据分析过程和ECN Controller部分包含的任务调度步骤都对数据的边缘处理起到至关重要的作用。

边缘计算模型在大流量情况下对网络带宽的利用率和对数据实时性的要求高，而边缘系统中存在大量不同类型服务运行于不同计算节点上的现象，由于不同服务处理不同任务，因此对于计算资源的需求也不同，如果无法将每个任务调度到合适的节点上对相对合理的资源进行计算，则会导致资源浪费，即在有大量任务积压情况下仍可能出现资源空闲现象，导致任务相应时间过长，造成数据时效性差。

发明内容

本发明的目的在于提供一种用于边缘计算的任务调度方法及边缘计算终端，为了提高边缘计算模型在大流量情况下对网络带宽的利用率和加强数据实时性，设计一种边缘节点任务调度框架，在边缘节点数据预处理阶段将任务分为本地执行和云端执行两种方案，有效降低任务处理的通信开销和网络延迟，缓解了网络和数据中心的处理压力，在本地执行模块根据任务资源的优先级进行调度信息处理，在云端执行模块，建立多目标模型，采用改进的布谷鸟算法进行调度处理，保证了任务资源的优化分配。

为解决上述技术问题，本发明采用以下技术方案予以实现：

提出一种用于边缘计算的任务调度方法，包括：根据各任务的优先级将任务分为本地执行和云端执行两类；对于本地执行的任务，根据优先级在本地处理；对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型

和

其中，

约束条件为：

和x_ij-x_i`j|≥t_ij；采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。

进一步的，所述布谷鸟算法包括：步骤1)初始化种群，得到M个鸟巢；步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。

进一步的，所述方法还包括：计算各任务的优先级：为每个任务设置复杂度k_i,i＝1,2,...,n，根据

得到每个任务的相对复杂度；根据P_i＝1/K_i*T_i计算每个任务的优先级；其中，T_i为任务完成时间。

进一步的，根据各任务的优先级将任务分为本地执行和云端执行两类，具体包括：设置调度决策参数α，α∈(0，1)；将P_i＜α的任务分配为云端执行任务，将P_i≥α的任务分配为本地执行任务。

进一步的，步骤4)中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；步骤6)中，使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。

提出一种边缘计算终端，包括：任务分类模块，用于根据各任务的优先级将任务分为本地执行和云端执行两类；本地处理模块，用于根据优先级对本地执行的任务进行调度处理；云端处理模块，用于对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型

其中，

约束条件为：

和x_ij-x_i`j|≥t_ij；采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。

进一步的，所述云端处理模块包括：布谷鸟算法执行单元，用于执行以下步骤：步骤1)初始化种群，得到M个鸟巢；步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。

进一步的，所述终端还包括：任务优先级计算模块，用于计算各任务的优先级：为每个任务设置复杂度k_i,i＝1,2,...,n，根据

得到每个任务的相对复杂度；根据P_i＝1/K_i*T_i计算每个任务的优先级；其中，T_i为任务完成时间。

进一步的，所述任务分类模块包括：调度决策参数设置单元，用于设置调度决策参数为α，α∈(0，1)；任务分类单元，用于将P_i＜α的任务分配为云端执行任务，将P_i≥α的任务分配为本地执行任务。

进一步的，步骤4)中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；步骤6)中，使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。

与现有技术相比，本发明的优点和积极效果是：本发明提出的用于边缘计算的任务调度方法及边缘计算终端中，在边缘节点数据预处理阶段根据任务优先级将任务分为本地执行和云端执行两类，对于本地执行的任务在本地按照优先级调度执行，对于云端执行的任务，根据总任务完成时间最短、冲突最小为目标建立多目标优化模型，并采用改进的布谷鸟算法对多目标优化模型实施搜索优化得到云端的最优调度方案，有效降低任务处理的通信开销和网络延迟，缓解了网络和数据中心的处理压力，保证了任务资源的优化分配。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1为现有基于智能终端的边缘计算技术的基础框架；

图2为本发明提出的用于边缘计算的任务调度方法的执行系统架构图；

图3为本发明提出的用于边缘计算的任务调度方法的流程图；

图4为本发明提出的边缘计算终端的架构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细的说明。

本发明提出的用于边缘计算的任务调度方法，如图2所示，在边缘节点(ECN)数据预处理阶段，设计任务调度框架，将智能终端采集到的数据经过ECN数据预处理的调度处理，将任务分为本地任务和云端任务，起到降低任务处理的通信开销和网络延迟，缓解核心网络和数据中心的数据压力的作用。

具体的，如图3所示，包括：

步骤S31：计算各任务的优先级。

为每个任务设置复杂度k_i,i＝1,2,...,n，设共有n个复杂度，复杂度越大表示此任务处理越繁琐，通常将只包含简单计算的任务的复杂度设置为最低。

根据

计算每个任务的相对复杂度；然后根据每个任务的完成时间T_i，根据P_i＝1/K_i*T_i计算每个任务的优先级，优先级值越小，表示任务越复杂，难度也越大。

步骤S32：根据各任务的优先级将任务分为本地执行和云端执行两类。

设置一个调度决策参数α，α∈(0，1)；将P_i＜α的任务分配为云端执行任务，如图2所示，等待边缘节点在任务管理器将其上传至云端进行处理，将P_i≥α的任务分配为本地执行任务，传送到本地执行模块，等待在本地智能终端中进行处理。

步骤S33：对于本地执行的任务，根据优先级在本地处理。

如果本地具有多个等待处理的任务，则按照他们的优先级从小到大排列依次进行处理，然后将结果返回给用户。

步骤S34：对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型，采用布谷鸟算法对多目标优化模型进行搜素优化得到最优调度方案。

需要说明的是，步骤S33和步骤S34不分前后执行顺序，可并行执行。

由于传递到云端执行的任务都为复杂度较高并且所需完成时间也较长的难度较大的任务，简单根据优先级排序进行调度，不能很好的将每个任务分配到最适合的处理器并保证总任务完成时间最短，因此，本发明中先根据任务调度实际需求按照总任务完成时间最短、冲突最小为目标建立多目标优化模型，避免多个任务在同一个处理器上处理时产生冲突或处理器闲置的情况发生：

其中，

约束条件为：

和x_ij-x_i`j|≥t_ij；(5)

式(1)是以所有任务处理完成后从云端返回结果所需的时间最小为目标函数，其中，X_i为第i个任务经过云端处理后返回终端所需的时间，N为等待上传至云端的所有任务的个数，G_i表示第i个任务开始往云端上传的时间点，O_i表示第i个任务从云端返回结果的时间点。

式(2)表示需要在相同处理设备上进行处理的相邻的两个任务的冲突值最小，当其值为零时，即相邻的任务在同一处理设备上无冲突。

式(3)中，y_ij＝1表示第i个任务在第j个处理设备上进行处理，如果y_ij＝0表示第i个任务没有在第j个处理设备上处理。

式(4)表示同一处理设备上相邻两个任务只有在前一任务完成后下一任务才可以进行处理。

式(5)表示决策变量非负性约束。

在执行布谷鸟算法对多目标优化模型进行搜索优化时，输入每个任务所需的处理设备编号j、任务个数N和每个任务的处理时间。

具体的，采用布谷鸟算法对多目标优化模型进行搜索优化，包括：

1、初始化种群，得到M个鸟巢。

每一个鸟巢表示为M_C＝(G₁,G₂,...,G_N),C＝1,2,...M，M_C为第C个鸟巢的位置，即一种任务调度方案。

2、采用多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢。

3、运用莱维飞行更新鸟巢，采用步骤2更新最优鸟巢。

布谷鸟算法寻找宿主鸟巢的莱维飞行更新公式如下：

式中，i取整数，i∈[1,X],X为鸟巢个数；

表示第t代的第i个鸟巢；α为步长因子，用来控制步长，α＞0；L(u,v)是随机移动步长，计算公式如下：

式中，λ∈(1,3]，本发明实施例中，取λ＝1.5；u和v服从正态分布，如下面公式所示：

式中，

σ_v＝1。

运用莱维飞行更新鸟巢后，采用步骤2再次计算每个更新鸟巢的适应度，选取选择最大适应度值的鸟巢更新为最优鸟巢。

4、将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2更新最优鸟巢.

将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：根据交叉概率P_c，产生随机数c，i∈[2,M]，c∈[0,1]，比较c和P_c，如果c＜P_c，则进行单点交叉操作，随机选取一个位置，交换两个鸟巢这个随机位置以后的所有基因；例如，按顺序每次选择两个鸟巢进行，依次经过两两鸟巢交叉操作，最终得到新的M个鸟巢，然后计算目标函数值，与当前最优鸟巢比较，并记录更新最优鸟巢。

将更新鸟巢进行交叉操作得到新的鸟巢后，采用步骤2再次计算每个更新鸟巢的适应度，选取选择最大适应度值的鸟巢更新为最优鸟巢。

5、更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2更新最优鸟巢.

对被宿主发现有外来鸟蛋的鸟巢，进行更新，公式如下：

其中，H为Heaviside函数，r表示每个鸟巢的每个变量被发现的概率，r∈(0，1),参数P_a为外来鸟蛋被宿主发现的概率，如果r≤P_a,记为H(P_a-r)＝0,即鸟巢不变；如果r＞P_a,H(P_a-r)＝1,则更新鸟巢；

和

分别为第t代中第x个和第y个鸟巢。

更新被宿主发现有外来鸟蛋的鸟巢后，采用步骤2再次计算每个更新鸟巢的适应度，选取选择最大适应度值的鸟巢更新为最优鸟巢。

6、利用变异操作更新鸟巢，采用步骤2更新最优鸟巢。

首先给出变异概率P_m，针对每个鸟巢产生随机数m，m∈[0,1]，比较m和P_m，如果m＜P_m，则进行单点变异操作，随机选取一个位置，将这个鸟巢此位置上的基因进行重新设置，这样每个鸟巢依次经过单点变异，最终得到新的X个鸟巢。

再与当前的最优鸟巢进行比较，采用步骤2再次计算每个更新鸟巢的适应度，选取选择最大适应度值的鸟巢更新为最优鸟巢。

7、在满足设定条件时输出最优鸟巢作为最优调度方案。

设定条件例如设置的迭代次数或搜索精度；在步骤6后，判断是否满足设定条件，若满足则输出最优鸟巢作为最优特征集合，否则返回步骤2继续迭代优化直至满足设定条件。

基于上述提出的用于边缘计算的任务调度方法，本发明还提出一种边缘计算终端，如图4所示，包括任务分类模块41、本地处理模块42和云端处理模块43。

任务分类模块41用于根据各任务的优先级将任务分为本地执行和云端执行两类；本地处理模块42用于根据优先级对本地执行的任务进行调度处理；云端处理模块43用于对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型

其中，

约束条件为：

并采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。

具体的，云端处理模块43包括布谷鸟算法执行单元431，用于执行以下步骤：1、初始化种群，得到M个鸟巢；2、根据多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；3、运用莱维飞行更新鸟巢，采用步骤2更新最优鸟巢；4、将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2更新最优鸟巢；5、更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2更新最优鸟巢；6、利用变异操作更新鸟巢，采用步骤2更新最优鸟巢；7、在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3；其中，设定条件为设置的迭代次数或搜索精度。

其中，步骤4中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；步骤6中，使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。

本发明实施例中，边缘计算终端还包括任务优先级计算模块44，用于计算各任务的优先级：为每个任务设置复杂度k_i,i＝1,2,...,n，根据

得到每个任务的相对复杂度；根据P_i＝1/K_i*T_i计算每个任务的优先级；其中，T_i为任务完成时间。

在本发明一些实施例中，任务分类模块41包括调度决策参数设置单元411和任务分类单元412；调度决策参数设置单元411用于设置调度决策参数为α，α∈(0，1)；任务分类单元412用于将P_i＜α的任务分配为云端执行任务，将P_i≥α的任务分配为本地执行任务。

该边缘计算终端执行最优任务调度的方法已经在上述的任务调度方法中详述，此处不予赘述。

上述本发明提出的用于边缘计算的任务调度方法及边缘计算终端中，在边缘节点数据预处理阶段根据任务优先级将任务分为本地执行和云端执行两类，对于本地执行的任务在本地按照优先级调度执行，对于云端执行的任务，根据总任务完成时间最短、冲突最小为目标建立多目标优化模型，并采用改进的布谷鸟算法对多目标优化模型实施搜索优化得到云端的最优调度方案，有效降低任务处理的通信开销和网络延迟，缓解了网络和数据中心的处理压力，保证了任务资源的优化分配。

应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.用于边缘计算的任务调度方法，其特征在于，包括：

根据各任务的优先级将任务分为本地执行和云端执行两类；

对于本地执行的任务，根据优先级在本地处理；

对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型

和

其中，

约束条件为：

和x_ij-x_i`j|≥t_ij；

采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。

2.根据权利要求1所述的用于边缘计算的任务调度算法，其特征在于，所述布谷鸟算法包括：

步骤1)初始化种群，得到M个鸟巢；

步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；

步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；

步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；

步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；

步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；

步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。

3.根据权利要求1所述的用于边缘计算的任务调度方法，其特征在于，所述方法还包括：

计算各任务的优先级：为每个任务设置复杂度k_i,i＝1,2,...,n，根据

得到每个任务的相对复杂度；

根据P_i＝1/K_i*T_i计算每个任务的优先级；其中，T_i为任务完成时间。

4.根据权利要求3所述的用于边缘计算的任务调度方法，其特征在于，根据各任务的优先级将任务分为本地执行和云端执行两类，具体包括：

设置调度决策参数α，α∈(0，1)；

将P_i＜α的任务分配为云端执行任务，将P_i≥α的任务分配为本地执行任务。

5.根据权利要求2所述的用于边缘计算的任务调度方法，其特征在于，步骤4)中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：

将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：

产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；

步骤6)中，使用变异操作继续更新鸟巢，具体包括：

针对每个鸟巢产生随机数；

在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。

6.一种边缘计算终端，其特征在于，包括：

任务分类模块，用于根据各任务的优先级将任务分为本地执行和云端执行两类；

本地处理模块，用于根据优先级对本地执行的任务进行调度处理；

云端处理模块，用于对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型

和

其中，

约束条件为：

和x_ij-x_i`j|≥t_ij；采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。

7.根据权利要求6所述的边缘计算终端，其特征在于，所述云端处理模块包括：

布谷鸟算法执行单元，用于执行以下步骤：

步骤1)初始化种群，得到M个鸟巢；

步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；

步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；

步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；

步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；

步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；

步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。

8.根据权利要求6所述的边缘计算终端，其特征在于，所述终端还包括：

任务优先级计算模块，用于计算各任务的优先级：为每个任务设置复杂度k_i,i＝1,2,...,n，根据

得到每个任务的相对复杂度；

根据P_i＝1/K_i*T_i计算每个任务的优先级；其中，T_i为任务完成时间。

9.根据权利要求8所述的边缘计算终端，其特征在于，所述任务分类模块包括：

调度决策参数设置单元，用于设置调度决策参数为α，α∈(0，1)；

任务分类单元，用于将P_i＜α的任务分配为云端执行任务，将P_i≥α的任务分配为本地执行任务。

10.根据权利要求7所述的边缘计算终端，其特征在于，步骤4)中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：

将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：

产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；

步骤6)中，使用变异操作继续更新鸟巢，具体包括：

针对每个鸟巢产生随机数；

在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。

Images