CN114816721A - 一种基于边缘计算的多任务优化调度方法及系统 - Google Patents

Abstract

本发明公开了一种基于边缘计算的多任务优化调度方法及系统，涉及数据识别相关领域，所述方法包括：通过连接云端处理中心，获取多个任务源；获取所述云端处理中心的多个边缘节点；按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源‑边缘节点的映射信息；调用所述边缘调度处理模块和所述任务源‑边缘节点的映射信息，获取延时指标、质量指标和能耗指标；根据计算获得的结果，判断是否激活边缘卸载指令；若激活，获取任务优化调度结果。解决了对于多任务源的分配、和对应调度的节点不合理，产生资源损耗的技术问题，达到了匹配准确的边缘节点，降低资源损耗，提高边缘计算利用率，实现多任务集群高效处理的效果。

Description

一种基于边缘计算的多任务优化调度方法及系统

技术领域

本发明涉及数据识别相关领域，尤其涉及一种基于边缘计算的多任务优化调度方法及系统。

背景技术

近年来，市场对于算力和低延迟的需求不断增加，使得云计算遇到的困难，其中，任务调度是操作系统中的重要组成部分，对于实时操作系统，任务调度会直接影响其实时性能，而目前基于计算机数据的计算，多采取以云端处理中心进行实时的数据处理，但由于云端处理中心处理数据再返回至用户端容易产生任务计算的消耗，增加计算负荷消耗，从而采用边缘计算的方式作为云计算的补充，实现云计算的功能扩展，发挥更好的数据处理水平。

现阶段基于边缘计算扩展云端处理中心处理中，对于多任务源的分配、和对应调度的节点不合理，从而产生时间资源损耗，影响边缘计算效果的技术问题。

发明内容

针对现有技术中的缺陷，本申请通过提供一种基于边缘计算的多任务优化调度方法及系统，解决了现阶段基于边缘计算扩展云端处理中心处理中，对于多任务源的分配、和对应调度的节点不合理，从而产生时间资源损耗，影响边缘计算效果的技术问题，采用了通过对多任务集群进行综合管理分析，用于匹配准确的边缘节点，从而降低时间资源损耗，提高各个边缘节点有效利用率，进而实现多任务集群高效处理的效果。

一方面，本申请提供一种基于边缘计算的多任务优化调度方法，所述方法应用于边缘计算的多任务优化调度系统，所述系统与云端处理中心、边缘调度处理模块通信连接，所述方法包括：通过连接所述云端处理中心的任务请求信息，获取多个任务源；获取所述云端处理中心的多个边缘节点；按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源-边缘节点的映射信息，其中，所述任务源-边缘节点的映射信息呈一对多映射；调用所述边缘调度处理模块，所述边缘调度处理模块包括服务器延时计算层、服务器质量计算层和服务器能耗计算层；根据所述任务源-边缘节点的映射信息，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取延时指标、质量指标和能耗指标；按照所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，判断是否激活边缘卸载指令；若激活所述边缘卸载指令，获取所述多个任务源的任务优化调度结果。

另一方面，本申请还提供了一种基于边缘计算的多任务优化调度方法的系统，所述系统包括：任务获取模块，所述任务获取模块用于通过连接所述云端处理中心的任务请求信息，获取多个任务源；边缘分析模块，所述边缘分析模块用于获取所述云端处理中心的多个边缘节点；任务源匹配模块，所述任务源匹配模块用于按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源-边缘节点的映射信息，其中，所述任务源-边缘节点的映射信息呈一对多映射；边缘调度模块，所述边缘调度模块用于调用所述边缘调度处理模块，所述边缘调度处理模块包括服务器延时计算层、服务器质量计算层和服务器能耗计算层；调度分析模块，所述调度分析模块用于根据所述任务源-边缘节点的映射信息，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取延时指标、质量指标和能耗指标；卸载激活模块，所述卸载激活模块用于按照所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，判断是否激活边缘卸载指令；调度优化模块，所述调度优化模块用于若激活所述边缘卸载指令，获取所述多个任务源的任务优化调度结果。

拟通过本申请提出的一种基于边缘计算的多任务优化调度方法及系统，所产生的技术效果如下：

由于采用了通过连接云端处理中心对实时任务请求信息进行分析，获取多个任务源，进一步的，基于所述云端处理中心连接的各个设备进行边缘节点分析，获取所连接的多个边缘节点，进而按照所述多个任务源和所述多个边缘节点之间的执行关系进行任一任务源与可执行的边缘节点进行关系匹配，获取任务源-边缘节点的映射信息，从而呈一对多映射集合，再调用所述边缘调度处理模块，基于所述边缘调度处理模块中的边缘调度分析模型对每一任务源所对应的所有边缘节点进行服务器延时、服务器质量和服务器能耗计算，从而获取延时指标、质量指标和能耗指标，并以计算输出的延时指标、质量指标和能耗指标进行综合分析后，判断是否激活边缘卸载指令，若激活所述边缘卸载指令，获取所述多个任务源进行匹配边缘卸载，进而获取任务优化调度结果的方式，对多任务集群进行综合管理分析，用于匹配准确的边缘节点，从而降低时间资源损耗，提高各个边缘节点有效利用率，进而实现多任务集群高效处理的效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本申请实施例一种基于边缘计算的多任务优化调度方法的流程示意图；

图2为本申请实施例一种基于边缘计算的多任务优化调度方法的激活所述边缘卸载指令的流程示意图；

图3为本申请实施例一种基于边缘计算的多任务优化调度方法的任务源重合分析的流程示意图；

图4为本申请实施例一种基于边缘计算的多任务优化调度方法的分离任务源的流程示意图；

图5为本申请实施例一种基于边缘计算的多任务优化调度方法的系统的结构示意图；

附图标记说明：任务获取模块11，边缘分析模块12，任务源匹配模块13，边缘调度模块14，调度分析模块15，卸载激活模块16，调度优化模块17。

后续将结合附图详细的描述本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

具体实施方式

实施例一

如图1所示，本申请实施例提供了一种基于边缘计算的多任务优化调度方法，所述方法应用于边缘计算的多任务优化调度系统，所述系统与云端处理中心、边缘调度处理模块通信连接,所述方法包括：

步骤S100：通过连接所述云端处理中心的任务请求信息，获取多个任务源；

步骤S200：获取所述云端处理中心的多个边缘节点；

基于科学技术和互联网的不断发展，对于计算机的使用需求也越来越高，分散分布的终端设备向计算平台提出了低时延、高带宽、数据私密性等需求，边缘计算作为一种高效、准确的技术手段，能够利用边缘计算减轻网络负载、分担终端计算任务，从而来提升系统整体的可用性和可拓展性，任务调度是操作系统中的重要组成部分，对于实时操作系统，任务调度会直接影响其实时性能，目前，多采用边缘计算的方式作为云计算的补充，实现云计算的功能扩展，发挥更好的数据处理水平。

现阶段基于边缘计算扩展云端处理中心处理中，对于多任务源的分配、和对应调度的节点不合理，从而产生时间资源损耗，影响边缘计算效果的技术问题，为解决上述问题，本申请提出一种基于边缘计算的多任务优化调度方法，用于对多任务集群进行综合管理分析，用于匹配准确的边缘节点，实现高效任务调度的效果。

所述云端处理中心为数据计算的任一云端处理中心，能够接收任务需求和对应的任务执行指令，因此，通过连接所述云端处理中心的任务请求信息，获取目前的实时任务，从而获取多个任务源，用于为边缘计算提供目标任务。进一步的，由于边缘计算是利用网络的边缘来处理数据，在网络边缘产生的数据正在逐步增加，以所述用户端所处的设备作为一个边缘节点进行数据的分析和处理，进一步的实现边缘计算的处理，通过对云端处理中心的各个边缘节点进行分析，能够进一步对云端处理中心用于进行边缘计算的设备进行分析，便于为之后的调度提供服务器数据基础。

步骤S300：按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源-边缘节点的映射信息，其中，所述任务源-边缘节点的映射信息呈一对多映射；

具体而言，通过对所述多个任务源的属性信息进行分析，获取任务源的基础处理需求，包括服务器型号、数据接收源以及处理器容量等，进一步的，对所述边缘节点中各个设备进行属性分析，对应获取设备数据收集的来源、传感数据类型，设备各个执行参数等信息，进而按照所述多个任务源的属性信息和所述边缘节点的属性信息，进行任务源的匹配，形成任务源-边缘节点的映射信息。

进一步的，所述任务源-边缘节点的映射信息呈一对多映射，其中，针对每一任务源对云端处理中心所连接的所有边缘节点进行分析，获取满足该任务源处理需求的边缘节点集合，从而形成一个任务源与多个边缘节点之间的映射关系，以此类推，输出所述多个任务源的多个映射关系，即所述任务源-边缘节点的映射信息为用于进行边缘计算服务器分析的进一步备用数据。

步骤S400：调用所述边缘调度处理模块，所述边缘调度处理模块包括服务器延时计算层、服务器质量计算层和服务器能耗计算层；

步骤S500：根据所述任务源-边缘节点的映射信息，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取延时指标、质量指标和能耗指标；

进一步的，本申请实施例步骤S400还包括：

步骤S410：通过收集预设周期内的所有任务请求信息；

步骤S420：根据所述任务请求信息获取请求数量信息和请求周期信息，进行频率计算，若任务频率满足频率特征，获取任务特征提取指令；

步骤S430：按照所述任务特征提取指令对满足所述频率特征的任务进行特征提取，输出任务特征集；

步骤S440：按照所述任务特征集生成任务匹配模型，用于进行实时任务识别匹配边缘节点。

具体而言，所述边缘调度处理模块为用于进行任务源与边缘节点匹配的处理模块，其中，所述边缘调度处理模块中包括一边缘调度分析模型，能够针对实时的任务源分析最优边缘节点，即按照服务器延时计算层、服务器质量计算层和服务器能耗计算层分别进行计算，从而选取最优边缘节点。

进一步的，所述服务器延时计算层用于对服务器响应的延迟性进行分析；所述服务器质量计算层为服务器资源环境和负荷能力的传输质量进行分析；所述服务器能耗计算层为服务器进行数据云端和传输的能耗大小的进行分析；因此，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取所述可调用服务器集合的延时计算结果、质量计算结果和能耗计算结果。即所述延时指标、所述质量指标和所述能耗指标，从而基于三维分析的方式，实现最优边缘节点的调用，保持了任务进行边缘计算的有效性和准确性。

在本申请实时例中，对于输入的任务源通过模型指标计算，从而选取最优实施例，目前，由于云端处理中心的应用场景性较强，其任务请求也随之场景化、特征化，为了进一步提高任务源的匹配效率，通过分析搭建任务匹配模型来实现任务源与边缘节点的直接匹配，其过程如下：

首先，通过收集预设周期内的所有任务请求信息，其中，所述预设周期为基于任务请求数量设置的采样周期，从而对该周期内的所有任务请求进行数量分析和间隔时间分析，进而按照其对应的数量信息和间隔周期信息进行频率计算，当频率计算结果满足频率特征时，表示目前的该任务为具有较强的场景化任务，因此，按照任务特征提取指令对满足所述频率特征的任务进行特征提取，用于对之后实时输入的任务进行特征识别，因此，根据特征提取后的任务特征集生成任务匹配模型，用于对实时任务进行特征匹配，对于满足特征性和场景性的任务，根据所述边缘调度处理模块的历史调度信息进行边缘节点的直接匹配，从而达到了基于匹配模型实现边缘节点的直接匹配，从而能够提高边缘节点调度的效率。

进一步的，本申请实施例步骤S420还包括：

步骤S421：若所述任务频率不满足所述频率特征，获取模块优化指令；

步骤S422：所述边缘调度处理模块接收所述模块优化指令，调用所述边缘调度处理模块中的边缘调度分析模型，向所述边缘调度分析模型中添加短期记忆激励网络层，根据所述短期记忆激励网络层对所述边缘调度分析模型进行定时优化处理。

具体而言，当所述任务频率不满足所述频率特征时，标识目前的任务源场景化、特征化程度不高，因此，为了保证所述边缘调度分析模型的高效率效果，从而采取增加网络激励层来对边缘调度中的模型进行优化，其中，所采用的网络激励层为短期记忆网络层，由于所述边缘调度处理模块中的边缘调度分析模型为三维指标分析模型，是神经网络层结构，能够对输入边缘节点的所有数据进行数据分析训练，输出用于标识三个分析指标的结果，将所述短期记忆激励网络层添加至数据处理之前，用于对输入所述边缘调度分析模型的数据进行短期记忆处理，从而保证所述边缘调度处理模块中的数据能够定时记忆存储，不占用数据资源，从而提高模型处理效率。

步骤S600：按照所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，判断是否激活边缘卸载指令；

进一步的，如图2所示，本申请实施例步骤S600还包括：

步骤S610：通过对所述多个任务源进行任务特征分析，获取任务源-任务需求的映射信息；

步骤S620：向所述任务源-边缘节点的映射信息添加任务源-任务需求的映射信息，基于生成的双映射关系进行信息熵计算，确定权重配置参数，其中，所述双映射关系为任务需求-任务源-边缘节点的双层映射关系；

步骤S630：按照所述权重配置参数，对所述延时指标、所述质量指标和所述指标进行权重计算，输出边缘调度分析指标；

步骤S640：当所述边缘调度分析指标大于预设边缘调度分析指标，激活所述边缘卸载指令。

具体而言，由于所述延时指标、所述质量指标和所述能耗指标能够对边缘节点进行各个性能分析，从而对三个指标进行综合分析以代表各个边缘节点的处理可行性，进一步的，由于任务源的不同会造成任务处理的需求有所不同，因此，需要对任务源的需求对所述延时指标、所述质量指标和所述能耗指标进行权重的综合计算，从而输出准确的调度匹配结果。

详细来说，对任务源的需求对所述延时指标、所述质量指标和所述能耗指标进行权重的综合计算的主要过程如下：

通过对所述多个任务源进行任务特征分析，比如紧急性、时效性、数据量化程度以及系统高配需求等任务特征，从而按照任务特征分析结果和任务源之间的对应关系，生成所述任务源-任务需求的映射信息，进一步的，由于任务源-边缘节点之间具有一对多的映射关系，因此，向所述任务源-边缘节点的映射信息添加任务源-任务需求的映射信息，基于任务需求-任务源-边缘节点的双层映射关系进行信息熵的计算，即按照其任务需求对限制对应任务源所匹配到的边缘节点进行约束，举例来说，当任务需求特征为时效性强，其对应的延迟指标所配置的权重最大，从而根据确定好的权重配置参数，能够输出准确的调度匹配结果，提高对多任务源调度的准确性。

步骤S700：若激活所述边缘卸载指令，获取所述多个任务源的任务优化调度结果。

进一步的，如图3所示，本申请实施例步骤S700还包括：

步骤S710：根据所述任务优化调度结果，获取卸载任务源和非卸载任务源，其中，所述卸载任务源为用于卸载至边缘节点进行数据处理的任务源；

步骤S720：获取所述卸载任务源对应的卸载边缘节点；

步骤S730：判断所述卸载边缘节点是否存在重合节点，所述卸载边缘节点中存在重合节点，对重复节点对应的任务源进行标识，输出重合任务源；

步骤S740：通过对所述重合任务源进行调度处理，用于对任务优化调度结果进行二次优化。

具体而言，当根据所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，激活边缘卸载指令，将对应的任务源卸载至匹配的边缘节点上，从而实现任务源在边缘节点的准确调用，实现最优边缘计算。进一步的，为了保证卸载的边缘节点执行的有效性，需要对边缘节点中的所执行的任务进行综合分析，防止由于任务重合引起边缘计算性能的降低，即导致边缘计算的负荷增加，从而影响边缘计算的有效执行。

应理解，所述任务优化调度结果为对所述多个任务源进行边缘卸载的调度结果，从而获取卸载任务源和非卸载任务源，并对卸载任务源所匹配的各个边缘节点进行分析，判断是否存在两个或者两个以上的任务源匹配至相同边缘节点的情况，若存在该情况，对重合的任务源进行标识，进而二次优化调度处理，能够进一步的提高任务在边缘节点计算的有效性。

进一步的，如图4所示，本申请实施例步骤S740还包括：

步骤S741：获取所述重合任务源和所述重合任务源的重合边缘节点；

步骤S742：通过对所述重合任务源进行任务复杂度分析，获取任务复杂度集合；

步骤S743：通过对所述重合边缘节点的节点计算资源环境进行分析，获取边缘处理约束条件；

步骤S744：判断所述任务复杂度集合是否满足所述边缘处理约束条件，若不满足，获取分离复杂度阈值；

步骤S745：按照所述分离复杂度阈值对所述任务复杂度集合进行任务源分离，输出用于二次任务调度的分离任务源。

进一步的，本申请实施例步骤S745还包括：

步骤S745-1：获取所述分离任务源对应的映射边缘节点，其中，所述映射边缘节点包括每个边缘节点对应的各个边缘调度分析指标；

步骤S745-2：根据所述分离任务源，获取次级匹配边缘节点；

步骤S745-3：按照所述次级匹配边缘节点对所述分离任务源进行边缘卸载。

具体而言，获取重合任务源之后，需要对重合任务源进行二次优化调度，由于边缘计算节点的负载能力是有限的，为了进一步的分析负载时任务源是否超出边缘计算的性能，首先对重合任务源的任务复杂性进行分析，获取用于处理该任务源的计算复杂度，进而再对其重合边缘节点的硬件资源环境、软件资源环境进行分析，获取该边缘节点用于执行任务处理的最大复杂度阈值，从而生成边缘处理约束条件。进一步的，再判断所述任务复杂度集合是否满足所述边缘处理约束条件，若不满足，需要对处于同一边缘节点的重合任务源进行分离和二次分配，从而实现优化调度的效果。

进一步的，对处于同一边缘节点的重合任务源进行分离和二次分配的过程如下：

任务源的分离是通过对所述任务复杂度和边缘处理约束条件之间的复杂度差值进行分析，从而获取接近复杂度差值的对应任务源作为待匹配任务源，由于每个任务源对应具有一对多的映射关系，通过边缘调度分析指标用于确定指标最高的节点，通过在所述分离任务源对应的映射边缘节点中，获取次级匹配边缘节点再进行边缘卸载的方式，能够实现二次优化调度，从而降低时间资源损耗，提高各个边缘节点有效利用率。

结合上述实施例，本发明具有如下的有益效果：

由于采用了通过连接云端处理中心对实时任务请求信息进行分析，获取多个任务源，进一步的，基于所述云端处理中心连接的各个设备进行边缘节点分析，获取所连接的多个边缘节点，进而按照所述多个任务源和所述多个边缘节点之间的执行关系进行任一任务源与可执行的边缘节点进行关系匹配，获取任务源-边缘节点的映射信息，从而呈一对多映射集合，再调用所述边缘调度处理模块，基于所述边缘调度处理模块中的边缘调度分析模型对每一任务源所对应的所有边缘节点进行服务器延时、服务器质量和服务器能耗计算，从而获取延时指标、质量指标和能耗指标，并以计算输出的延时指标、质量指标和能耗指标进行综合分析后，判断是否激活边缘卸载指令，若激活所述边缘卸载指令，获取所述多个任务源进行匹配边缘卸载，进而获取任务优化调度结果的方式，对多任务集群进行综合管理分析，用于匹配准确的边缘节点，从而降低时间资源损耗，提高各个边缘节点有效利用率，进而实现多任务集群高效处理的效果。

采用了将所述短期记忆激励网络层添加至数据处理之前，用于对输入所述边缘调度分析模型的数据进行短期记忆处理，从而保证所述边缘调度处理模块中的数据能够定时记忆存储，不占用数据资源，从而提高模型处理效率。

实施例二

基于与前述实施例中一种基于边缘计算的多任务优化调度方法同样发明构思，本发明还提供了一种基于边缘计算的多任务优化调度方法的系统，如图5所示，所述系统包括：

任务获取模块11，所述任务获取模块11用于通过连接所述云端处理中心的任务请求信息，获取多个任务源；

边缘分析模块12，所述边缘分析模块12用于获取所述云端处理中心的多个边缘节点；

任务源匹配模块13，所述任务源匹配模块13用于按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源-边缘节点的映射信息，其中，所述任务源-边缘节点的映射信息呈一对多映射；

边缘调度模块14，所述边缘调度模块14用于调用所述边缘调度处理模块，所述边缘调度处理模块包括服务器延时计算层、服务器质量计算层和服务器能耗计算层；

调度分析模块15，所述调度分析模块15用于根据所述任务源-边缘节点的映射信息，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取延时指标、质量指标和能耗指标；

卸载激活模块16，所述卸载激活模块16用于按照所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，判断是否激活边缘卸载指令；

调度优化模块17，所述调度优化模块17用于若激活所述边缘卸载指令，获取所述多个任务源的任务优化调度结果。

进一步的，所述卸载激活模块16还包括：

任务特征分析单元，所述任务特征分析单元用于通过对所述多个任务源进行任务特征分析，获取任务源-任务需求的映射信息；

权重配置单元，所述权重配置单元用于向所述任务源-边缘节点的映射信息添加任务源-任务需求的映射信息，基于生成的双映射关系进行信息熵计算，确定权重配置参数，其中，所述双映射关系为任务需求-任务源-边缘节点的双层映射关系；

权重计算单元，所述权重计算单元用于按照所述权重配置参数，对所述延时指标、所述质量指标和所述指标进行权重计算，输出边缘调度分析指标；

指令激活单元，所述指令激活单元用于当所述边缘调度分析指标大于预设边缘调度分析指标，激活所述边缘卸载指令。

进一步的，所述调度优化模块17还包括：

任务分类单元，所述任务分类单元用于根据所述任务优化调度结果，获取卸载任务源和非卸载任务源，其中，所述卸载任务源为用于卸载至边缘节点进行数据处理的任务源；

节点获取单元，所述节点获取单元用于获取所述卸载任务源对应的卸载边缘节点；

节点重合判断单元，所述节点重合判断单元用于判断所述卸载边缘节点是否存在重合节点，所述卸载边缘节点中存在重合节点，对重复节点对应的任务源进行标识，输出重合任务源；

调度二次优化单元，所述调度二次优化单元用于通过对所述重合任务源进行调度处理，用于对任务优化调度结果进行二次优化。

进一步的，所述调度二次优化单元还包括：

重合节点获取单元，所述重合节点获取单元用于获取所述重合任务源和所述重合任务源的重合边缘节点；

复杂度分析单元，所述复杂度分析单元用于通过对所述重合任务源进行任务复杂度分析，获取任务复杂度集合；

边缘约束单元，所述边缘约束单元用于通过对所述重合边缘节点的节点计算资源环境进行分析，获取边缘处理约束条件；

约束判断单元，所述约束判断单元用于判断所述任务复杂度集合是否满足所述边缘处理约束条件，若不满足，获取分离复杂度阈值；

任务源分离单元，所述任务源分离单元用于按照所述分离复杂度阈值对所述任务复杂度集合进行任务源分离，输出用于二次任务调度的分离任务源。

进一步的，所述任务源分离单元还包括：

分离节点获取单元，所述分离节点获取单元用于获取所述分离任务源对应的映射边缘节点，其中，所述映射边缘节点包括每个边缘节点对应的各个边缘调度分析指标；

节点二次匹配单元，所述节点二次匹配单元用于根据所述分离任务源，获取次级匹配边缘节点；

边缘优化卸载单元，所述边缘优化卸载单元用于按照所述次级匹配边缘节点对所述分离任务源进行边缘卸载。

进一步的，所述边缘调度模块14还包括：

任务收集单元，所述任务收集单元用于通过收集预设周期内的所有任务请求信息；

频率计算单元，所述频率计算单元用于根据所述任务请求信息获取请求数量信息和请求周期信息，进行频率计算，若任务频率满足频率特征，获取任务特征提取指令；

任务特征提取单元，所述任务特征提取单元用于按照所述任务特征提取指令对满足所述频率特征的任务进行特征提取，输出任务特征集；

匹配模型生成单元，所述匹配模型生成单元用于按照所述任务特征集生成任务匹配模型，用于进行实时任务识别匹配边缘节点。

进一步的，所述频率计算单元还包括：

任务频率判断单元，所述任务频率判断单元用于若所述任务频率不满足所述频率特征，获取模块优化指令；

调度模型优化单元，所述调度模型优化单元用于所述边缘调度处理模块接收所述模块优化指令，调用所述边缘调度处理模块中的边缘调度分析模型，向所述边缘调度分析模型中添加短期记忆激励网络层，根据所述短期记忆激励网络层对所述边缘调度分析模型进行定时优化处理。

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装置及算法步骤，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。以上实施例所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于边缘计算的多任务优化调度方法，其特征在于，所述方法应用于边缘计算的多任务优化调度系统，所述系统与云端处理中心、边缘调度处理模块通信连接，所述方法包括：

通过连接所述云端处理中心的任务请求信息，获取多个任务源；

获取所述云端处理中心的多个边缘节点；

按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源-边缘节点的映射信息，其中，所述任务源-边缘节点的映射信息呈一对多映射；

调用所述边缘调度处理模块，所述边缘调度处理模块包括服务器延时计算层、服务器质量计算层和服务器能耗计算层；

根据所述任务源-边缘节点的映射信息，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取延时指标、质量指标和能耗指标；

按照所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，判断是否激活边缘卸载指令；

若激活所述边缘卸载指令，获取所述多个任务源的任务优化调度结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

通过对所述多个任务源进行任务特征分析，获取任务源-任务需求的映射信息；

向所述任务源-边缘节点的映射信息添加任务源-任务需求的映射信息，基于生成的双映射关系进行信息熵计算，确定权重配置参数，其中，所述双映射关系为任务需求-任务源-边缘节点的双层映射关系；

按照所述权重配置参数，对所述延时指标、所述质量指标和所述指标进行权重计算，输出边缘调度分析指标；

当所述边缘调度分析指标大于预设边缘调度分析指标，激活所述边缘卸载指令。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述任务优化调度结果，获取卸载任务源和非卸载任务源，其中，所述卸载任务源为用于卸载至边缘节点进行数据处理的任务源；

获取所述卸载任务源对应的卸载边缘节点；

判断所述卸载边缘节点是否存在重合节点，所述卸载边缘节点中存在重合节点，对重复节点对应的任务源进行标识，输出重合任务源；

通过对所述重合任务源进行调度处理，用于对任务优化调度结果进行二次优化。

4.如权利要求3所述的方法，其特征在于，通过对所述重合任务源进行调度处理，所述方法还包括：

获取所述重合任务源和所述重合任务源的重合边缘节点；

通过对所述重合任务源进行任务复杂度分析，获取任务复杂度集合；

通过对所述重合边缘节点的节点计算资源环境进行分析，获取边缘处理约束条件；

判断所述任务复杂度集合是否满足所述边缘处理约束条件，若不满足，获取分离复杂度阈值；

按照所述分离复杂度阈值对所述任务复杂度集合进行任务源分离，输出用于二次任务调度的分离任务源。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述分离任务源对应的映射边缘节点，其中，所述映射边缘节点包括每个边缘节点对应的各个边缘调度分析指标；

根据所述分离任务源，获取次级匹配边缘节点；

按照所述次级匹配边缘节点对所述分离任务源进行边缘卸载。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

通过收集预设周期内的所有任务请求信息；

根据所述任务请求信息获取请求数量信息和请求周期信息，进行频率计算，若任务频率满足频率特征，获取任务特征提取指令；

按照所述任务特征提取指令对满足所述频率特征的任务进行特征提取，输出任务特征集；

按照所述任务特征集生成任务匹配模型，用于进行实时任务识别匹配边缘节点。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

若所述任务频率不满足所述频率特征，获取模块优化指令；

所述边缘调度处理模块接收所述模块优化指令，调用所述边缘调度处理模块中的边缘调度分析模型，向所述边缘调度分析模型中添加短期记忆激励网络层，根据所述短期记忆激励网络层对所述边缘调度分析模型进行定时优化处理。

8.一种基于边缘计算的多任务优化调度方法的系统，其特征在于，所述系统与云端处理中心、边缘调度处理模块通信连接，所述系统包括：

任务获取模块，所述任务获取模块用于通过连接所述云端处理中心的任务请求信息，获取多个任务源；

边缘分析模块，所述边缘分析模块用于获取所述云端处理中心的多个边缘节点；

任务源匹配模块，所述任务源匹配模块用于按照所述多个任务源的属性信息和所述边缘节点的属性信息进行任务源匹配，获取任务源-边缘节点的映射信息，其中，所述任务源-边缘节点的映射信息呈一对多映射；

边缘调度模块，所述边缘调度模块用于调用所述边缘调度处理模块，所述边缘调度处理模块包括服务器延时计算层、服务器质量计算层和服务器能耗计算层；

调度分析模块，所述调度分析模块用于根据所述任务源-边缘节点的映射信息，基于所述服务器延时计算层、所述服务器质量计算层和所述服务器能耗计算层，获取延时指标、质量指标和能耗指标；

卸载激活模块，所述卸载激活模块用于按照所述延时指标、所述质量指标和所述能耗指标综合计算获得的结果，判断是否激活边缘卸载指令；

调度优化模块，所述调度优化模块用于若激活所述边缘卸载指令，获取所述多个任务源的任务优化调度结果。

Images