CN114885028A - 业务调度方法、装置及计算机可读存储介质 - Google Patents

业务调度方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN114885028A
CN114885028A CN202210576276.9A CN202210576276A CN114885028A CN 114885028 A CN114885028 A CN 114885028A CN 202210576276 A CN202210576276 A CN 202210576276A CN 114885028 A CN114885028 A CN 114885028A
Authority
CN
China
Prior art keywords
target service
target
service
priority
scheduling
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.)
Granted
Application number
CN202210576276.9A
Other languages
English (en)
Other versions
CN114885028B (zh
Inventor
郝佳恺
赵广怀
温明时
海天翔
李俊芹
王萍萍
丰雷
杨志祥
金明
凡广宽
曹坤
赵洋
苏朝晖
刘晓宸
高鹏
郝颖
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 Corp of China SGCC
Beijing University of Posts and Telecommunications
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
State Grid Beijing 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 Corp of China SGCC, Beijing University of Posts and Telecommunications, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210576276.9A priority Critical patent/CN114885028B/zh
Publication of CN114885028A publication Critical patent/CN114885028A/zh
Application granted granted Critical
Publication of CN114885028B publication Critical patent/CN114885028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种业务调度方法、装置及计算机可读存储介质。其中，该方法包括：识别目标业务的优先级；在目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将目标业务发送至对应的边缘服务器，在目标业务的优先级未超过预定优先级门限的情况下，将目标业务发送至云服务器。本发明解决了相关技术中，存在由于业务调度不合理而导致的电力通信业务服务质量差的的技术问题。

Description

业务调度方法、装置及计算机可读存储介质
技术领域
本发明涉及电力通信领域，具体而言，涉及一种业务调度方法、装置及计算机可读存储介质。
背景技术
通信系统为能源互联网电力通信中的各种垂直行业应用提供了低延时、高带宽等定值化的服务质量体验。其中，能源互联网电力通信中存在大量具有不同QoS(Quality ofService，服务质量)需求的异构业务，各种异构业务对时延、带宽和可靠性的要求不同。
相关技术中，多通过边缘服务器对前述异构业务进行处理。这种方法存在如下缺陷：受边缘服务器数量和计算能力的限制，当大量异构电力计算业务同时请求计算时，边缘服务器不能够及时处理进行处理，由此影响电力通信业务的服务质量。即，相关技术中，存在由于业务调度不合理而导致的电力通信业务服务质量差的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种业务调度方法、装置及计算机可读存储介质，以至少解决相关技术中，存在由于业务调度不合理而导致的电力通信业务服务质量差的的技术问题。
根据本发明实施例的一个方面，提供了一种业务调度方法，其特征在于，包括：识别目标业务的优先级；在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器；在所述目标业务的优先级未超过所述预定优先级门限的情况下，将所述目标业务发送至云服务器。
可选地，所述识别目标业务的优先级，包括：接收针对所述目标业务的数据包，所述数据包包括：所述目标业务的最大丢包率δ、传输错误率门限β，以及截止处理时间τ；根据最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到所述目标业务到将所述目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取所述目标业务的优先级p。
可选地，所述根据最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到所述目标业务到将所述目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取所述目标业务的优先级p，包括：通过如下方式，获取所述目标业务的优先级p：
Figure BDA0003662207490000021
其中，λ1+λ2＝1，λ1为预定的等待调度时延twait的权重，λ2为预定的最大丢包率δ或传输错误率门限β的权重。
可选地，所述在所述转发节点在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器，包括：在所述目标业务的优先级超过预定优先级门限，并且所述目标业务的数量为多个的情况下，确定对所述多个目标业务进行调度的所述预定调度策略对应的成本函数cost；基于所述成本函数cost，获取假设将所述多个目标业务按照不同的映射关系分别发送至多个边缘服务器分别对应的多个成本值中，与最小成本值所对应的目标映射关系；按照所述目标映射关系，将所述多个目标业务分别发送至与所述目标映射关系对应的多个边缘服务器。
可选地，所述基于所述成本函数cost，获取假设将所述多个目标业务按照不同的映射关系分别发送至多个边缘服务器分别对应的多个成本值中，与最小成本值所对应的目标映射关系，包括：根据在预设时间段θ内，在各个边缘服务器上处理的目标业务集合中各目标业务的发送数量，以及各个边缘服务器的随机存取存储器RAM限制、各个边缘服务器的中央处理器CPU的多线程限制，构建约束条件；基于所述约束条件求解所述成本函数cost，获取与成本值最小的成本函数cost所对应的映射关系，将所述映射关系作为目标映射关系。
可选地，还包括：根据在预设时间段θ内处理的目标业务集合中，各个目标业务的发送数据量、处理各个目标业务所需的CPU的转数，以及各个边缘服务器的CPU频率、从接收到各个目标业务到将各个目标业务发送至对应边缘服务器的等待调度时延、从接收各个目标业务的转发节点到对应服务器的最短等效链路的等效带宽和等效时延，构建所述成本函数cost。
可选地，还包括：通过如下方式，获取成本函数：
Figure BDA0003662207490000022
其中，Tθ表示在预设时间段θ内处理的多个目标业务的平均任务时延，Vθ表示在所述预设时间段θ内处理的多个目标业务中，未满足业务的截止处理时间要求的目标业务的占比；Wθ表示在所述预设时间段θ内多个目标业务的预设计算量化价值和业务发送数据量的比值的平均值，其中，计算量化价值用于表征任务调度完成所产生的收益大小；η1、η2和η3分别表示预定的Tθ的权重、Vθ的权重和Wθ的权重，其中，η1，η2，η3≥0，η1+η2+η3＝1；其中，
Figure BDA0003662207490000031
UD表示在预设时间段θ内处理的多个目标业务的集合，UD＝{U1、U2…Ui…Un}，U1、U2、Ui、Un分别表示集合中的第1个目标业务、第2个目标业务、第i个目标业务、第n个目标业务；Ti表示从接受到第i个目标业务到将所述第i个目标业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长。
可选地，所述约束条件为：
∑di≤rj，
Figure BDA0003662207490000032
Figure BDA0003662207490000033
其中，di表示第i个目标业务ui的发送数据量，Usj表示在预设时间段θ内在第j个边缘服务器上处理的目标业务的集合，rj表示第j个边缘服务器的随机存取存储器RAM限制，qj表示第j个边缘服务器的中央处理器CPU的多线程限制。
可选地，通过如下方式，获取从接受到第i个目标业务到将所述第i个目标业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长Ti：
Figure BDA0003662207490000034
其中，di表示第i个目标业务的发送数据量；ci表示处理第i个目标业务所需的中央处理器CPU转数，fj表示第j个边缘服务器的CPU频率，
Figure BDA0003662207490000035
表示从接收到第i个目标业务到将所述i个目标业务发送至对应边缘服务器的等待调度时延，bj，k和εj，k分别表示从接收目标业务的第k个转发节点到第j个边缘服务器的最短等效链路的等效带宽和等效时延。
可选地，所述数据包中的数据报文包括第一字段、第二字段和第三字段；所述第一字段用于记录所述目标业务的计算信息，所述计算信息包括所述最大丢包率δ、所述截止处理时间τ，所述第二字段用于记录所述目标业务的优先级；所述第三字段用于记录边缘服务器或云服务器对目标业务的处理结果。
另一个根据本发明实施例的另一方面，还提供了一种业务调度装置，包括：识别模块，用于识别目标业务的优先级，其中，所述目标业务包括电力控制业务；第一发送模块，用于在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器；第二发送模块，用于在所述目标业务的优先级未超过所述预定优先级门限的情况下，将所述目标业务发送至云服务器。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的业务调度方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述业务调度方法。
在本发明实施例中，通过识别目标业务的优先级，其中，所述目标业务包括电力控制业务；在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器；在所述目标业务的优先级未超过所述预定优先级门限的情况下，将所述目标业务发送至云服务器。即通过识别和区分不同优先级的异构业务，并将优先级高于预定优先级门限的业务发送至高效率低时延的边缘服务器处理，将优先级低于优先级门限的业务发送至时延相对较高的云服务器处理。由此，实现了对异构业务的识别和区分，在业务突发的高负载情况下，不仅可以降低处理业务的时延，还可以通过不同业务流对不同优先级的业务进行区分处理，以此保证对优先级高的关键业务进行优先处理，保证了业务处理的质量，解决了相关技术中，存在由于业务调度不合理而导致的电力通信业务服务质量差的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种业务调度方法的流程图；
图2是根据本发明实施例的另一种业务调度方法的流程图；
图3是根据本发明实施例的一种移动边缘计算MEC系统的架构示意图；
图4是根据本发明实施例的一种MEC场景下可编程实现的交换机制的架构示意图；
图5是根据本发明实施例的一种MEC场景下的数据包报文格式示意图；
图6是根据发明实施例的一种业务调度装置的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种业务调度的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的业务调度方法，如图1所示，该方法包括如下步骤：
步骤S102，识别目标业务的优先级，其中，目标业务包括电力控制业务。
步骤S104，在目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将目标业务发送至对应的边缘服务器。
步骤S106，在目标业务的优先级未超过预定优先级门限的情况下，将目标业务发送至云服务器。
在上述可选实施例中，通过识别目标业务的优先级，其中，目标业务包括电力控制业务；在目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将目标业务发送至对应的边缘服务器；在目标业务的优先级未超过预定优先级门限的情况下，将目标业务发送至云服务器。即通过识别和区分不同优先级的异构业务，并将优先级高于预定优先级门限的业务发送至高效率低时延的边缘服务器处理，将优先级低于优先级门限的业务发送至时延相对较高的云服务器处理。由此，实现了对异构业务的识别和区分，在业务突发的高负载情况下，不仅可以降低处理业务的时延，还可以通过不同业务流对不同优先级的业务进行区分处理，以此保证对优先级高的关键业务进行优先处理，保证业务处理的质量，解决了相关技术中，存在由于业务调度不合理而导致的电力通信业务服务质量差的问题。
在一些可选实时方式中，识别目标业务的优先级，可包括如下步骤：接收针对目标业务的数据包，数据包包括：目标业务的最大丢包率δ、传输错误率门限β，以及截止处理时间τ；根据最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到目标业务到将目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取目标业务的优先级p。
在本可选实施方式中，根据目标业务的最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到目标业务到将目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取目标业务的优先级p。需要明白的是，业务的最大丢包率δ和传输错误率门限β越小，说明对业务的可靠性要求越高，截止处理时间τ越小，表示业务越需要尽快被处理。基于目标业务的最大丢包率δ、传输错误率门限β，以及截止处理时间τ获取目标业务的优先级p，根据优先级p确定目标业务由处理时延小、处理效率高的边缘服务器处理，还是由处理时延大且处理效率低的云服务器处理，可以实现对不同QoS需求的业务进行分流处理，保证了业务处理的质量。
在一些可选实施例中，根据最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到目标业务到将目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取目标业务的优先级p，可包括如下步骤：通过如下方式，获取目标业务的优先级p：
Figure BDA0003662207490000061
其中，λ1+λ2＝1，λ1为预定的等待调度时延twait的权重，λ2为预定的最大丢包率δ或传输错误率门限β的权重。其中，λ1≥0，λ2≥0。
在本可选实时例中，等待调度时延twait的权重λ1，以及预定的最大丢包率δ或传输错误率门限β的权重λ2是根据用户需求设定的，例如，在更关注业务时延的情况下，可以将λ1设置的大一些，在更关注丢包率或传输错误率的情况下，可以将λ2设置的大一些。其中，τ-twait的值越小，说明该任务越需要尽快被处理，故优先级应越高，当τ-twait＜0即当任务在调度队列中等待调度时已经超过了任务的最晚处理时间限制时，那么将该任务的优先级设置为0，表明该任务已没有优先执行计算的必要。基于上述公式获取目标业务的优先级p，根据优先级p确定目标业务由处理时延小、处理效率高的边缘服务器处理，还是由处理时延大且处理效率低的云服务器处理，可以实现对不同QoS需求的业务进行分流处理，保证了业务处理的质量。
在一些可选实施例中，在转发节点在目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将目标业务发送至对应的边缘服务器，包括：在目标业务的优先级超过预定优先级门限，并且目标业务的数量为多个的情况下，确定对多个目标业务进行调度的预定调度策略对应的成本函数cost；基于成本函数cost，获取假设将多个目标业务按照不同的映射关系分别发送至多个边缘服务器分别对应的多个成本值中，与最小成本值所对应的目标映射关系；按照目标映射关系，将多个目标业务分别发送至与目标映射关系对应的多个边缘服务器。
在本可选实施方式中，基于成本函数cost，确定多个目标业务与多个边缘服务器的映射关系。由此，在对多个目标业务进行调度时，可以按照获取的映射关系，将各个目标业务分发至对应的边缘服务器进行处理，确保业务调度的合理性。
在一些可选实施方式中，基于成本函数cost，获取假设将多个目标业务按照不同的映射关系分别发送至多个边缘服务器分别对应的多个成本值中，与最小成本值所对应的目标映射关系，包括：根据在预设时间段θ内，在各个边缘服务器上处理的目标业务集合中各目标业务的发送数量，以及各个边缘服务器的RAM(Random Access Memory，随机存取存储器)限制、各个边缘服务器的中央处理器CPU(Central Processing Unit，中央处理器)的多线程限制，构建约束条件；基于约束条件求解成本函数cost，获取与成本值最小的成本函数cost所对应的映射关系，将映射关系作为目标映射关系。基于前述约束条件求解成本函数cost，可确保业务调度的合理性。
在一些可选实施方式中，还包括：根据在预设时间段θ内处理的目标业务集合中，各个目标业务的发送数据量、处理各个目标业务所需的CPU的转数，以及各个边缘服务器的CPU频率、从接收到各个目标业务到将各个目标业务发送至对应边缘服务器的等待调度时延、从接收各个目标业务的转发节点到对应服务器的最短等效链路的等效带宽和等效时延，构建成本函数cost。
在本可选实施方式中，构建的成本函数是和在预设时间段θ内处理的目标业务集合中，各个目标业务的发送数据量、处理各个目标业务所需的CPU的转数，以及各个边缘服务器的CPU频率、从接收到各个目标业务到将各个目标业务发送至对应边缘服务器的等待调度时延、从接收各个目标业务的转发节点到对应服务器的最短等效链路的等效带宽和等效时延相关的函数。由此，在对成本函数cost进行求解，可以获取最小成本值对应接收各个目标业务的转发节点到对应服务器的最短等效链路的等效带宽和等效时延等信息，由此可以确定各成本值最小时，各目标业务与各边缘服务器的对应关系，即：获取各目标业务的调度策略。
在一些可选实施方式中，还包括：通过如下方式，获取成本函数：
Figure BDA0003662207490000081
其中，Tθ表示在预设时间段θ内处理的多个目标业务的平均任务时延，Vθ表示在预设时间段θ内处理的多个目标业务中，未满足业务的截止处理时间要求的目标业务的占比；Wθ表示在预设时间段θ内多个目标业务的预设计算量化价值和业务发送数据量的比值的平均值，其中，计算量化价值用于表征任务调度完成所产生的收益大小；η1、η2和η3分别表示预定的Tθ的权重、Vθ的权重和Wθ的权重；其中，η1，η2，η3≥0，η1+η2+η3＝1；其中，
Figure BDA0003662207490000082
UD表示在预设时间段θ内处理的多个目标业务的集合，UD＝{U1、U2…Ui…Un}，U1、U2、Ui、Un分别表示集合中的第1个目标业务、第2个目标业务、第i个目标业务、第n个目标业务；Ti表示从接受到第i个目标业务到将第i个目标业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长。
在本可选实施方式中，成本函数cost计及了在预设时间段θ内处理的多个目标业务的平均任务时延Tθ、预设时间段θ内处理的多个目标业务中，未满足业务的截止处理时间要求的目标业务的占比Vθ、在预设时间段θ内多个目标业务的预设计算量化价值和业务发送数据量的比值的平均值Wθ。在基于成本函数cost进行业务调度时，不仅考虑了不同任务的时延要求，还考虑了不同任务的计算量化价值，实现了业务调度过程中，对时延和计算量化价值的兼顾，提高了业务调度的合理性，解决了相关技术中，存在由于业务调度不合理而导致的电力通信业务服务质量差的问题。
在一些可选实施例中，约束条件可以为：
∑di≤rj，
Figure BDA0003662207490000083
Figure BDA0003662207490000084
其中，di表示第i个目标业务ui的发送数据量，Usj表示在预设时间段θ内在第j个边缘服务器上处理的目标业务的集合，rj表示第j个边缘服务器的随机存取存储器RAM限制，qj表示第j个边缘服务器的中央处理器CPU的多线程限制。基于上述约束条件进行成本函数cost的求解，确保了边缘服务器接收的业务发送数据量不会超过其随机存取存储器RAM限制，且确保了目标业务量不会超过边缘服务器的CPU的多线程限制，由此，确保了业务调度的合理性。
在一些可选实施例中，获取从接受到第i个目标业务到将第i个业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长Ti：
Figure BDA0003662207490000091
其中，di表示第i个目标业务的发送数据量；ci表示处理第i个目标业务所需的中央处理器CPU转数，fj表示第j个边缘服务器的CPU频率，
Figure BDA0003662207490000092
表示从接收到第i个目标业务到将i个目标业务发送至对应边缘服务器的等待调度时延，bj，k和εj，k分别表示从接收目标业务的第k个转发节点到第j个边缘服务器的最短等效链路的等效带宽和等效时延。
在本可选实施方式中，通过目标业务的第k个转发节点到第j个边缘服务器的最短等效链路的等效带宽和等效时延等参数构建从接受到第i个目标业务到将第i个目标业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长Ti，基于由此构建的Ti获取成本函数cost，再对成本函数cost进行求解，可以获取最小成本值对应接收各个目标业务的转发节点到对应服务器的最短等效链路的等效带宽和等效时延等信息，由此可以确定各成本值最小时，各目标业务与各边缘服务器的对应关系，即：获取各目标业务的调度策略。
在一些可选实施方式中，数据包中的数据报文包括第一字段、第二字段和第三字段；第一字段用于记录目标业务的计算信息，计算信息包括最大丢包率δ、截止处理时间τ，第二字段用于记录目标业务的优先级；第三字段用于记录对应的边缘服务器对目标业务的处理结果。
在本可选实施方式中，通过第一字段记录目标业务的计算信息、第二字段记录目标业务的优先级、第三字段记录对目标业务的处理结果。由此，在数据包转发至对应的节点(包括转发节点、边缘服务器或云服务器，以及用户终端)时，对应的节点可以自对应的字段中提取对应的数据，提高了处理效率。
基于上述实施例及可选实施例，提供了一种可选实施方式，下面具体说明。
相关技术中，能源互联网通信中存在大量具有不同QoS的异构业务，各种业务对时延、带宽和可靠性等的要求不同。当某个时间段内网络中存在大量异构的电力计算业务请求，即网络处于高负载的情况时，由于MEC(Mobile Edge Computing，移动边缘计算)边缘服务器数量的限制和计算能力的限制，可能会导致计算任务不能够及时得到处理。除此之外，在移动边缘网络中不同的边缘服务器存在差异化的计算能力，对不同的计算任务分配不同边缘服务器去进行计算的调度策略也会影响边缘网络中的计算处理性能，从而影响电力通信业务的服务质量，尤其是对于时延、可靠性要求高的电网关键类业务，如控制类业务，一旦服务质量无法得到满足，对电力安全生产的影响是不可估量的。因此，在高负载的MEC场景下实现业务识别并制定不同的业务流量转发策略极为重要。
相关技术中，通常是通过边缘计算网络中任务的属性优化计算任务的分配调度策略，而没有对应用场景中的异构业务进行识别和区分，同时相关技术通常仅针对计算任务的完成时延或负载均衡方面进行优化设计，而没有对任务的服务质量保障率和本身的计算价值进行综合的考虑。而在面向电力异构业务的应用场景中，尤其是针对多业务突发的高负载情况下，不仅要求尽可能降低计算任务的完成时延，此外设计不同业务流的区分和转发机制进而优先保障关键业务的完成能力同样也是重要一环。而相关技术中的方案并不能满足这一需求。
鉴于此，在本公开实施方式中，提供了一种业务调度方法，实现对电力通信业务的合理调度，确保了业务处理的质量。
图2是根据本发明可选实施例的另一种业务调度方法的流程图。参照图2所示，业务调度方法包括如下步骤：
步骤S201，用户终端发出任务请求包；然后进入步骤S202。
步骤S202，转发节点对业务信息进行识别；然后进入步骤S203。
步骤S203，计算业务优先级；然后进入步骤S204。
步骤S204，将任务按照优先级进行排序；然后进入步骤S205。
步骤S205，判断优先级是否小于设定的优先级门限P0，是则进入步骤S207，否则执行步骤S206，
步骤S206，将任务基于DRL(Deep Reinforcement Learning，深度强化学习)的调度策略转发至对应的边缘服务器；然后进入步骤S208。
步骤S207，将任务转发至云服务器；然后进入步骤S208。
步骤S208，执行计算任务，将计算结果发送至用户终端。
图3是根据本可选实施方式提供的移动边缘计算MEC系统的结构示意图。参照图3所示，MEC系统中的主要组件包括多个用户终端(如图3中的第一个用户终端1、第二个用户终端2…第s个用户终端s)、数据转发节点、多个边缘服务器(如图3中的第一个边缘服务器ES1、第二个边缘服务器ES2…第m个边缘服务器ESm)和远端云服务器(相当于前述实施例中的云服务器)。
其中，本MEC系统中各组件的特征和作用描述如下：各用户终端与边缘网络中的数据转发节点相连接，并通过数据转发节点将计算任务和数据传输到边缘网络中进行处理和计算。数据转发节点，通过可编程的交换技术对用户终端发送的任务(相当于前述实施例中的目标业务)进行识别和区分，并依据调度决策转发给不同的边缘服务器执行计算。边缘服务器包含资源管理模块和计算模块两个模块，其中，资源管理模块用来存储和记录任务信息以及当前服务器的资源消耗情况，计算模块用来对分配到的任务进行计算处理。云服务器比边缘服务器具备更强大的计算能力，但相对于更加靠近用户侧的边缘服务器，云服务器距离用户更远，因此相对于对用户的任务响应时延更大的云服务器，使用边缘服务器为用户终端传输的任务提供计算能力，可以降低电力终端的计算时延。在本MEC系统模型中云服务器用来处理电力通信中的非关键类业务，其中，非关键类业务包括优先级不超过预定优先级门限的业务。
在MEC系统中，网络拓扑中的所有边缘服务器和云服务器都通过稳定的通信链路(如以太网)与数据转发节点进行连接，由此形成了一个非全连接的无向图。其中任意两个网络节点(包括转发节点、服务器节点)j和k之间通过直连链路Dj，k或多跳链路Pj，k进行数据传输。每个直连链路Dj，k都有一个链路带宽bj，k和传输时延εj，k，对于多跳链路Pj，k，可以找到最短的等效链路
Figure BDA0003662207490000111
并可以得到其链路的等效带宽bj，k和传输时延εj，k。这些网络拓扑的配置可以在设置MEC系统时获得并静态存储在数据转发的节点上。
在本MEC场景中，存在多个具有异构业务请求的电力用户终端，在某一时刻用户的计算业务请求汇聚在网络中的数据转发节点上。由于待执行任务具有差异化的QoS需求，因此在业务转发之前，可通过识别机制对业务设置不同的优先级，基于优先级实现对关键类业务数据流的优先转发和处理，其中，关键类业务包括优先级超过预定优先级门限的业务。同时由于ES的计算能力有限，且不同ES的计算能力具有差异性，因此需要将异构的业务分配给不同的ES或者远程部署的云服务器执行计算。在任务计算结束后，边缘服务器或云服务器将计算结果回传给数据转发节点，通过数据转发节点发送给对应的用户终端。
本发明的场景中假设用户终端的计算任务是不可进一步划分的，即任务不可跨服务器进行分布式计算。能源互联网电力用户终端i发送的计算任务ui的具体信息参数集合ui＝{di，ci，τi，wi，δi，βi}表示，其中：di为任务i的发送数据量(单位为bit)；ci为完成任务i执行计算所需要的CPU转数；τi为任务i在任务调度队列中的最迟截止处理时间。wi为第i个任务的计算量化价值。δi为任务i传输过程的最大丢包率门限；βi为任务i传输过程的最大传输出错率门限。
在本可选实施方式中，任务调度的原则为：需要综合考虑价值最大化和计算时延最小。即，不能只根据计算时延最小的原则来调度任务，而忽视了对系统更加重要但难以计算完成的更关键的任务。需要明白的是，完成不同的任务带来的影响不同，但任务完成带来的好处和效果难以量化，为了表征完成不同的任务带来的影响不同，方案中引入计算量化价值，即引入计算量化价值wi用于表征完成第i个任务后带来的收益。其中，计算量化价值是依据用户申请业务的类型进行确定的，例如，可以将重要性更高的配电业务的计算量化价值设置为50，将重要性较低的视频业务的计算量化价值设置为20。
对于服务器，本发明采用集合sj＝{fj，rj，qj}表示边缘服务器和云服务器的具体参数配置。其中，fj表示边缘服务器或云服务器j的CPU频率，代表该边缘服务器或云服务器执行计算的能力；rj表示边缘服务器或云服务器j的RAM限制，需要明白的是，在服务器j上运行的任务的总数据量不能超过该服务器的RAM总量；qj表示边缘服务器或云服务器j的CPU的多线程限制，需要明白的是，在服务器j上运行的任务的总数不能超过CPU的多线程数量。
下面对系统模型中数据转发节点的可编程交换工作机制进行详细的介绍；图4是根据本发明实施例的一种面向能源互联网异构电力通信业务MEC场景下可编程实现的交换机制的架构示意图。参照图4所示，该机制的架构包括可编程生成器、可编程解析器、任务识别模块、计算单元和控制平面。其中，可编程生成器用于产生处理数据流方式；可编程解析器用于对任务的数据包进行解析操作；任务识别模块由海量的匹配-动作单元组成，大量匹配-动作单元并行执行实现数据包内容的精确查找和匹配，然后由动作逻辑对匹配后的表项执行运算及处理。
需要明白的是，可编程交换技术是在网络计算技术提出的一种用于数据转发的通用的协议无关交换技术。其中，通过网络中的交换节点进行数据交换的数据交换路径由数量庞大的匹配-动作(match-action)单元构成，可以对数据流执行大量的高精度匹配，匹配成功后，再将查找到的任务交由算术逻辑单元执行逻辑运算和处理。其中，可编程交换技术具备高度的灵活性和可塑性，本发明将可编程交换技术应用于存在大量电力异构业务的MEC场景之中，由此，可以实现MEC任务的业务识别和流量转发，进而实现对电力异构业务的服务质量和可靠性提供有效的保障。
其中，部署在边缘计算网络中的基于可编程交换技术的数据转发节点从功能上由两个部分组成：第一部分，基于数据转发节点实现任务的识别，具体的，对经过数据转发节点的计算任务的截止时间、丢包率等信息进行识别和提取；第二部分，数据转发节点中的计算模块根据可编程交换机制提取的每个业务的信息进行优先级计算，进而实现对业务的区分，然后，通过深度强化学习得到高优先级的关键业务的转发策略(相当于前述实施例中的预定调度策略)，并依据转发策略完成对不同业务流量的转发，实现业务调度。
本发明提出的MEC边缘网络场景中使用的数据包分为任务请求包和计算数据包：任务请求包是电力终端用于请求执行计算任务的数据包，计算数据包是服务器执行计算任务后返回给用户终端的数据包。图4是根据本发明实施例的一种MEC场景下的数据包报文格式示意图。参照图4，数据报文的格式包含ETH(Ethnet，以太网协议)，IP(IntemetProtocol，网际互联协议)，TCP(Transfer Control Protocol，传输控制协议)/UDP(UserDatagram Protocol，用户数据报协议)等字段，以及attribute，priority和content字段。attribute字段用于记录用户计算任务的相关信息，包含截止时间、丢包率等任务的服务质量需求，数据转发节点通过查找并读取该字段信息得到业务的相关信息并进一步计算出该任务请求的优先级p(p＝0，1，...，P)，并将优先级p放入字段priority，然后节点依据priority字段顺序对不同优先级的任务分别进行调度。content字段则是预留计算结果的字段，任务请求包不需要此字段，计算数据包中通过该字段存储任务执行计算后的结果。
对业务进行任务识别的方法包括如下步骤：当任务请求数据包经过可编程的数据转发节点时，数据转发节点使用由P4(Programming Protocol-Independent PacketProcessors，与协议无关的数据包处理编程语言)语言生的match-action表实现对数据包内容的识别。其中，内容获取match-action表如表1所示，表中的match部分表示数据包的任务信息标识，数据转发节点通过匹配任务信息标识实现对业务信息的提取，成功后action单元会将业务信息交给附于数据转发节点上的计算模块进行优先级的计算，然后将计算得到的优先级p写入数据包的priority字段。
表1
Match Action
信息标识1 提取信息标识1
信息标识2 提取信息标识2
… …
缺省 空
计算优先级的方法包括如下步骤：通过如下方法获取优先级p：
Figure BDA0003662207490000131
其中，λ1为预定的等待调度时延的权重，λ2为预定的丢包率或错误率的权重，其中，λ1+λ2＝1，λ1≥0，λ2≥0。其中，twait为计算任务在转发节点中等待调度的时延。τ-twait的值越小，说明该任务越需要尽快被处理，任务的优先级应越高，当τ-twait＜0，说明任务在调度队列中等待调度时延已经超过了任务的最晚处理时间限制时，因此将该任务的优先级设置为0，表明该任务已没有优先执行计算的必要。其中，δ和β分别为该任务所能容忍的最大丢包率和传输错误率门限，任务的最大丢包率和传输错误率门限越小，说明任务对可靠性的要求越高，任务的优先级越高。
基于可编程的交换机制依据计算单元计算出来的每个任务的优先级后，按照优先级对任务进行排序，并按照优先级顺序依次将任务调度给对应的边缘服务器或云服务器。下面对任务调度机制进行具体说明。
设置优先级门限P0(相当于前述实施例中的预定优先级门限)，对于优先级大于P0的任务，数据转发节点按照各任务的优先级顺序，依据调度策略ξ依次对任务执行调度，将优先级大于P0的任务发送至对应的边缘服务器进行处理。对于优先级小于等于P0的任务，数据转发节点按照优先级顺序依次将任务调度给远端的云服务器执行计算，直至调度结束。
其中，数据转发节点可以依据一段时间内等待处理的任务量多少，动态调整优先级门限P0，从而实现对关键业务和非关键业务的分流，并对优先级高的关键类业务执行优先计算处理。
下面对调度策略ξ进行具体说明。
通过如下方式获取待处理任务从抵达数据转发节点开始到执行计算并将结果交付给用户所需要的任务时延Ti：
Figure BDA0003662207490000141
其中，
Figure BDA0003662207490000142
表示第i个任务从抵达转发节点直到交付给用户终端所需的总传输时延，
Figure BDA0003662207490000143
表示边缘服务器或云服务器对第i个任务执行计算需要的计算时延，
Figure BDA0003662207490000144
表示第i个任务在数据转发节点上等待调度的时延。其中，传输时延
Figure BDA0003662207490000147
包含数据转发节点到边缘服务器或云服务器的上行传输时延和边缘服务器或云服务器将计算结果交付给用户终端的下行传输时延。由于边缘服务器或云服务器返回给用户终端的计算结果数据量远小于待处理任务的数据量，所以下行传输时延远小于上行传输时延，因此在下行传输时延可忽略不计。传输时延
Figure BDA0003662207490000145
可以表示为：
Figure BDA0003662207490000146
其中，di为任务的发送数据量(单位为bit)，bj，k和εj，k分别为从转发节点k到服务器j的最短等效链路的等效带宽和等效时延。
计算时延
Figure BDA0003662207490000151
由服务器的CPU频率和完成任务i执行计算所需要的CPU转数决定，可以通过如下方式获取计算时延
Figure BDA0003662207490000152
Figure BDA0003662207490000153
其中，fj表示第j个边缘服务器的CPU频率，rj表示第j个边缘服务器的随机存取存储器RAM限制；ci为完成任务i执行计算所需要的CPU转数。
结合上述公式，可通过如下方式获取任务时延Ti：
Figure BDA0003662207490000154
那么在一个时间段θ中系统的平均端到端的平均任务时延Tθ可以表示为：
Figure BDA0003662207490000155
其中，UD是在时间段θ内完成计算的任务集合。
除系统的平均端到端时延外，本发明的可选实施方式还计及任务完成是否满足最迟截止处理时间的限制，具体的，通过规定时间内未完成任务比率Vθ表征在时间段θ内完成的任务中超过最迟截止处理时间的比例，即UV＝{ui|Ti＞τi}，其中，τi表示第i个任务的截止处理时间。未完成任务比率Vθ的具体公式为：
Figure BDA0003662207490000156
针对能源互联网中的异构业务，由于业务类型不同，其价值也不同。本发明可选实施方式提出的调度策略不仅考虑不同任务的时延要求，还考虑任务的计算价值。通过平均计算价值Wθ表征在时间段θ内完成的任务的平均单位计算价值，平均计算价值Wθ的具体公式为：
Figure BDA0003662207490000157
其中，wi为第i个任务的计算量化价值，di为任务的发送数据量。
为保证电力终端不同业务的QoS需求，实现任务时延和计算价值的兼顾，本发明提出调度策略的目标是尽可能降低任务的计算时延，确保任务在最迟截止处理时间内完成计算，并尽可能最大化计算带来的量化价值。因此，本发明将该问题建模成优化问题，通过优化转发节点对任务的调度策略ξ即任务与服务器的映射关系，最小化模型的成本函数cost。该优化问题建模为：
Figure BDA0003662207490000161
其中，η1，η2，η3≥0，η1+η2+η3＝1约束条件为：
∑di≤rj，
Figure BDA0003662207490000162
Figure BDA0003662207490000163
其中，超参数η1、η2和η3分别对应时延、完成任务比例、计算价值的服务质量，η1、η2和η3可以依据用户对时延、完成任务比例、计算价值的不同服务质量需求进行动态调整。Usj表示时间间隔θ中在服务器sj上运行的任务的集合，约束条件分别为每个服务器上的RAM和每个服务器的CPU多线程约束。
为解决前述优化问题，本发明提出一种基于深度强化学习(DRL)的任务调度策略，将任务调度过程建模为MDP(Markov Decision Processes，马尔科夫决策过程)。下面具体说明。
在深度强化学习中，第∈个时刻的状态
Figure BDA0003662207490000169
是深度强化学习模型中某一时刻系统的观测值。在本可选实施方式中，状态由服务器资源消耗和新提交至服务器的任务两部分所定义。资源消耗包含一个边缘服务器中RAM和CPU的使用量，将边缘服务器sj上运行的任务集合标记为
Figure BDA0003662207490000164
可以通过如下方式获取在sj上的可用RAM：
Figure BDA0003662207490000165
其中，rj′表示在边缘服务器sj上的可用RAM。
边缘服务器sj上剩余可用的CPU线程q′j可通过如下方式获取：
Figure BDA0003662207490000166
结合上述公式，在时刻∈内所有边缘服务器的状态
Figure BDA0003662207490000167
可以用向量表示为：
Figure BDA0003662207490000168
其中，r′1，q′1分别表示在第一个边缘服务器s1上的可用RAM和第一个边缘服务器s1上剩余可用的CPU线程，r′m，q′m分别表示在在第m个边缘服务器sm上的可用RAM和第m个边缘服务器sm上剩余可用的CPU线程。
除此之外，另一部分状态由边缘服务器新接收的任务集合组成，该部分状态
Figure BDA0003662207490000171
表示为：
Figure BDA0003662207490000172
其中，d′1、d′n分别表示服务器sj中第1个任务、第n个任务传入的任务的数据量，
Figure BDA0003662207490000173
中的1表示每个任务占用一个CPU线程。上述两部分共同构成系统的状态
Figure BDA0003662207490000174
系统的状态
Figure BDA0003662207490000175
为：
Figure BDA0003662207490000176
Figure BDA0003662207490000177
动作
Figure BDA0003662207490000178
是模型所执行的一个改变环境状态的操作。在本发明可选实施方式中，可编程交换机需要确定时间间隔θ中每个任务调度给哪一个边缘服务器。因此动作
Figure BDA0003662207490000179
实际上是任务集合U中各个任务和可调度的各个边缘服务器S之间的映射关系，该映射关系表示为：
Figure BDA00036622074900001710
需要明白的是，对于每个动作，都应该遵守上述约束条件。
奖励
Figure BDA00036622074900001711
是模型执行一个改变环境状态的动作后获得的该动作的对应收益。对于本发明可选实施方式中提出的优化问题，优化目标是最小化cost，而DRL模型的目标是通过试验达到奖励函数最大化，因此结合优化问题建模定义执行动作
Figure BDA00036622074900001712
的奖励
Figure BDA00036622074900001713
为：
Figure BDA00036622074900001714
T∈表示在时刻∈处理的多个目标业务的平均任务时延，V∈表示在时刻∈处理的多个目标业务中未满足业务的截止处理时间要求的目标业务的占比；W∈表示在在时刻∈多个目标业务的预设计算量化价值和业务发送数据量的比值的平均值。
将基于可编程交换机制的数据转发节点调度任务的过程建模为MDP过程，并引入状态价值函数来衡量每个动作的价值，进而找到最优的策略。其中，∈时刻的状态价值函数
Figure BDA00036622074900001715
可以写为：
Figure BDA00036622074900001716
其中，π是优化策略，优化策略π表示在当前状态采取不同的动作的概率。
Figure BDA00036622074900001717
是采取动作
Figure BDA00036622074900001718
后状态从
Figure BDA00036622074900001719
转移到
Figure BDA00036622074900001720
的概率，这个概率由实际环境决定，可以假设成为确定性环境，以概率为1跳到指定的状态，也可以是随机性环境，以概率a跳到指定状态，以概率(1-a)跳到其他状态。γ是用于衡量未来奖励权重的折扣因子。
Figure BDA00036622074900001721
表示(∈+1)时刻的状态价值函数。
可以通过寻找最大化状态价值函数的累积值，找到最优的调度策略
Figure BDA00036622074900001722
的集合，但是，这种方法复杂度高，处理效率低。为了简化方法进而提高处理效率，本可选实施方式引入DQL(DeepQ-Leaming，深度Q学习模型)算法降低复杂度，从而得到近似的最优策略，下面进行具体说明。
DQL通过将状态和动作(映射关系)组成一个动作价值函数表来储存动作价值函数Q。其中，Q反应的是对当前状态
Figure BDA0003662207490000181
的估计奖励，基于动作价值函数Q选择最大奖励对应的动作进行执行，动作价值函数Q可以表示为：
Figure BDA0003662207490000182
本发明使用两个神经网络
Figure BDA0003662207490000183
和
Figure BDA0003662207490000184
来学习从状态到动作可能的映射关系，两个神经网络拥有相同的结构，权重分别为w和w′。将神经网络标
Figure BDA0003662207490000185
记为优化神经网络，将神经网络标记
Figure BDA0003662207490000186
为目标神经网络。神经网络以状态作为输入层，以动作和Q值组成的元组
Figure BDA0003662207490000187
作为输出层节点，中间由两个神经网络所连接构成隐藏层。
其中，神经网络的学习算法流程如下：
步骤1，输入系统状态，初始化回收池
Figure BDA0003662207490000188
初始化神经网络的动作价值函数。
步骤2，使用ε-贪婪策略选择动作：以概率ε执行随机动作，即将计算任务调度给随机ES(边缘服务器)，以概率(1-ε)执行满足最大化
Figure BDA0003662207490000189
的调度动作；其中，概率ε是为了保证算法能够探索到更多的动作而设定的概率值，在处理过程中，以该概率随机选择动作，以(1-ε)的概率选择最优的动作。
步骤3，在状态
Figure BDA00036622074900001810
下，执行动作
Figure BDA00036622074900001811
后得到即时奖励
Figure BDA00036622074900001812
步骤4，状态从
Figure BDA00036622074900001813
转移到
Figure BDA00036622074900001814
步骤5，将上述信息
Figure BDA00036622074900001815
存储在回收池
Figure BDA00036622074900001816
中。
步骤6，从回收池
Figure BDA00036622074900001817
中随机选取mini-batch样本数据
Figure BDA00036622074900001818
其中，
Figure BDA00036622074900001819
分别为与时段g对应的状态、动作、奖励，
Figure BDA00036622074900001820
为与时段g+1对应的状态。
步骤7，定义
Figure BDA00036622074900001821
利用梯度下降法最小化损失函数
Figure BDA00036622074900001822
以更新神经网络
Figure BDA00036622074900001823
的权重w。
步骤8，执行预定次数后将神经网络
Figure BDA00036622074900001824
的权重w复制给神经网络
Figure BDA00036622074900001825
的权重w′。
重复执行步骤2至步骤8，最终获得训练好的用于调度计算任务的近似最优策略ξ。
本可选实施方式具备如下有益效果：本发明利用基于可编程交换技术的数据转发节点，通过计算任务的信息计算业务优先级，实现关键业务与非关键业务的区分，进而基于优先级完成调度，从而保证高优先级的关键业务优先得到边缘服务器的计算处理，而低优先级的非关键业务由远处的云服务器进行计算，大大缩短关键业务的完成时延，并降低高负载下非关键业务流对关键业务流的影响。此外，本发明针对关键类业务，利用深度强化学习算法辅助可编程交换技术进行MEC边缘服务器任务流摆处理决策，实现业务流的合理数据转发，从而在满足各业务时延需求的同时，保证业务的优先级，尽可能优先处理价值函数较高的业务，实现了任务处理时延和计算价值的兼顾。
实施例2
根据本发明实施例，还提供了一种用于实施上述业务调度装置。
图6是根据本发明实施例提供的一种业务调度装置的框架图。参照图6所示，业务调度装置包括识别模块602、第一发送模块604、第二发送模块606，下面具体说明。
识别模块602，用于识别目标业务的优先级，其中，目标业务包括电力控制业务；第一发送模块604，连接于上述识别模块602，用于在目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将目标业务发送至对应的边缘服务器；第二发送模块606，连接于上述第一发送模块604，用于在目标业务的优先级未超过预定优先级门限的情况下，将目标业务发送至云服务器。
此处需要说明的是，上述识别模块602、第一发送模块604、第二发送模块606分别对应于实施例1中的步骤S102至步骤S106，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
本发明的实施例可以提供一种可读计算机存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的业务调度方法。
本发明的实施例可以提供一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项业务调度方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种业务调度方法，其特征在于，包括：
识别目标业务的优先级；
在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器；
在所述目标业务的优先级未超过所述预定优先级门限的情况下，将所述目标业务发送至云服务器。
2.根据权利要求1所述方法，其特征在于，所述识别目标业务的优先级，包括：
接收针对所述目标业务的数据包，所述数据包包括：所述目标业务的最大丢包率δ、传输错误率门限β，以及截止处理时间τ；
根据最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到所述目标业务到将所述目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取所述目标业务的优先级p。
3.根据权利要求2所述方法，其特征在于，所述根据最大丢包率δ、传输错误率门限β，以及截止处理时间τ，以及从接收到所述目标业务到将所述目标业务转发至边缘服务器或云服务器的等待调度时延twait，获取所述目标业务的优先级p，包括：
通过如下方式，获取所述目标业务的优先级p：
Figure FDA0003662207480000011
其中，λ1+λ2＝1，λ1为预定的等待调度时延twait的权重，λ2为预定的最大丢包率δ或传输错误率门限β的权重。
4.根据权利要求2所述方法，其特征在于，所述在所述转发节点在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器，包括：
在所述目标业务的优先级超过预定优先级门限，并且所述目标业务的数量为多个的情况下，确定对所述多个目标业务进行调度的所述预定调度策略对应的成本函数cost；
基于所述成本函数cost，获取假设将所述多个目标业务按照不同的映射关系分别发送至多个边缘服务器分别对应的多个成本值中，与最小成本值所对应的目标映射关系；
按照所述目标映射关系，将所述多个目标业务分别发送至与所述目标映射关系对应的多个边缘服务器。
5.根据权利要求4所述方法，其特征在于，所述基于所述成本函数cost，获取假设将所述多个目标业务按照不同的映射关系分别发送至多个边缘服务器分别对应的多个成本值中，与最小成本值所对应的目标映射关系，包括：
根据在预设时间段θ内，在各个边缘服务器上处理的目标业务集合中各目标业务的发送数量，以及各个边缘服务器的随机存取存储器RAM限制、各个边缘服务器的中央处理器CPU的多线程限制，构建约束条件；
基于所述约束条件求解所述成本函数cost，获取与成本值最小的成本函数cost所对应的映射关系，将所述映射关系作为目标映射关系。
6.根据权利要求5所述方法，其特征在于，还包括：根据在预设时间段θ内处理的目标业务集合中，各个目标业务的发送数据量、处理各个目标业务所需的CPU的转数，以及各个边缘服务器的CPU频率、从接收到各个目标业务到将各个目标业务发送至对应边缘服务器的等待调度时延、从接收各个目标业务的转发节点到对应服务器的最短等效链路的等效带宽和等效时延，构建所述成本函数cost。
7.根据权利要求6所述方法，其特征在于，还包括：
通过如下方式，获取成本函数：
Figure FDA0003662207480000021
其中，Tθ表示在预设时间段θ内处理的多个目标业务的平均任务时延，Vθ表示在所述预设时间段θ内处理的多个目标业务中未满足业务的截止处理时间要求的目标业务的占比；Wθ表示在所述预设时间段θ内多个目标业务的预设计算量化价值和业务发送数据量的比值的平均值，其中，计算量化价值用于表征任务调度完成所产生的收益大小；η1、η2和η3分别表示预定的Tθ的权重、Tθ的权重和Wθ的权重，其中，η1，η2，η3≥0，η1+η2+η3＝1；
其中，
Figure FDA0003662207480000022
UD表示在预设时间段θ内处理的多个目标业务的集合，UD＝{U1、U2...Ui...Un}，U1、U2、Ui、Un分别表示集合中的第1个目标业务、第2个目标业务、第i个目标业务、第n个目标业务；Ti表示从接受到第i个目标业务到将所述第i个目标业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长。
8.根据权利要求7所述方法，其特征在于，所述约束条件为：
Figure FDA0003662207480000031
Figure FDA0003662207480000032
其中，di表示第i个目标业务ui的发送数据量，
Figure FDA0003662207480000035
表示在预设时间段θ内在第j个边缘服务器上处理的目标业务的集合，rj表示第j个边缘服务器的随机存取存储器RAM限制，qj表示第j个边缘服务器的中央处理器CPU的多线程限制。
9.根据权利要求7所述方法，其特征在于，通过如下方式，获取从接受到第i个目标业务到将所述第i个目标业务转发给边缘服务器进行处理，然后将处理结果转发给对应的用户终端所用的总时长Ti：
Figure FDA0003662207480000033
其中，di表示第i个目标业务的发送数据量；ci表示处理第i个目标业务所需的中央处理器CPU转数，fj表示第j个边缘服务器的CPU频率，
Figure FDA0003662207480000034
表示从接收到第i个目标业务到将所述i个目标业务发送至对应边缘服务器的等待调度时延，bj，k和εj，k分别表示从接收目标业务的第k个转发节点到第j个边缘服务器的最短等效链路的等效带宽和等效时延。
10.根据权利要求2至9中任意一项所述方法，其特征在于，所述数据包中的数据报文包括第一字段、第二字段和第三字段；所述第一字段用于记录所述目标业务的计算信息，所述计算信息包括所述最大丢包率δ、所述截止处理时间τ，所述第二字段用于记录所述目标业务的优先级；所述第三字段用于记录边缘服务器或云服务器对目标业务的处理结果。
11.一种业务调度装置，其特征在于，包括：
识别模块，用于识别目标业务的优先级；
第一发送模块，用于在所述目标业务的优先级超过预定优先级门限的情况下，按照预定的调度策略，将所述目标业务发送至对应的边缘服务器；
第二发送模块，用于在所述目标业务的优先级未超过所述预定优先级门限的情况下，将所述目标业务发送至云服务器。
12.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的业务调度方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至10中任意一项所述业务调度方法。
CN202210576276.9A 2022-05-25 2022-05-25 业务调度方法、装置及计算机可读存储介质 Active CN114885028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210576276.9A CN114885028B (zh) 2022-05-25 2022-05-25 业务调度方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210576276.9A CN114885028B (zh) 2022-05-25 2022-05-25 业务调度方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114885028A true CN114885028A (zh) 2022-08-09
CN114885028B CN114885028B (zh) 2024-01-23

Family

ID=82677278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210576276.9A Active CN114885028B (zh) 2022-05-25 2022-05-25 业务调度方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114885028B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116095175A (zh) * 2022-12-21 2023-05-09 北京邮电大学 一种用于电网边缘计算系统的数据流调度方法及装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050053046A1 (en) * 2003-09-10 2005-03-10 Shiwei Wang QoS based load-balance policy for WLAN
US20130191843A1 (en) * 2011-08-23 2013-07-25 Infosys Limited System and method for job scheduling optimization
WO2016161582A1 (zh) * 2015-04-08 2016-10-13 华为技术有限公司 一种服务质量度量方法、装置及一种基站
CN109392007A (zh) * 2017-08-10 2019-02-26 中国电信股份有限公司 用于解决随选网络信令风暴的方法、装置和系统
CN109684083A (zh) * 2018-12-11 2019-04-26 北京工业大学 一种面向边缘-云异构下的多级事务调度分配策略
WO2020185132A1 (en) * 2019-03-12 2020-09-17 Telefonaktiebolaget Lm Ericsson (Publ) Method and current edge cloud manager for controlling resources
CN112752302A (zh) * 2021-01-05 2021-05-04 全球能源互联网研究院有限公司 一种基于边缘计算的电力业务时延优化方法及系统
US20210194988A1 (en) * 2019-12-18 2021-06-24 Verizon Patent And Licensing Inc. Systems and methods for dynamic multi-access edge allocation using artificial intelligence
CN113032185A (zh) * 2021-04-29 2021-06-25 中国工商银行股份有限公司 一种备份任务管理方法、装置、设备及存储介质
CN113032120A (zh) * 2021-03-26 2021-06-25 重庆大学 一种基于边缘计算的工业现场大数据任务协调度方法
CN113259469A (zh) * 2021-06-02 2021-08-13 西安邮电大学 智能制造中边缘服务器部署方法、系统及存储介质
CN113596106A (zh) * 2021-07-07 2021-11-02 北京信息科技大学 基于多边缘服务器协作的时延敏感型切片资源调度方法
CN114330722A (zh) * 2021-11-25 2022-04-12 达闼科技（北京）有限公司 推理实现方法、网络、电子设备及存储介质
US20220116478A1 (en) * 2021-12-23 2022-04-14 Dan Biederman Microservice latency reduction
US20220159785A1 (en) * 2020-11-17 2022-05-19 Microsoft Technology Licensing, Llc Virtualized radio access network (vran) decoding as a service

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050053046A1 (en) * 2003-09-10 2005-03-10 Shiwei Wang QoS based load-balance policy for WLAN
US20130191843A1 (en) * 2011-08-23 2013-07-25 Infosys Limited System and method for job scheduling optimization
WO2016161582A1 (zh) * 2015-04-08 2016-10-13 华为技术有限公司 一种服务质量度量方法、装置及一种基站
CN109392007A (zh) * 2017-08-10 2019-02-26 中国电信股份有限公司 用于解决随选网络信令风暴的方法、装置和系统
CN109684083A (zh) * 2018-12-11 2019-04-26 北京工业大学 一种面向边缘-云异构下的多级事务调度分配策略
WO2020185132A1 (en) * 2019-03-12 2020-09-17 Telefonaktiebolaget Lm Ericsson (Publ) Method and current edge cloud manager for controlling resources
US20210194988A1 (en) * 2019-12-18 2021-06-24 Verizon Patent And Licensing Inc. Systems and methods for dynamic multi-access edge allocation using artificial intelligence
US20220159785A1 (en) * 2020-11-17 2022-05-19 Microsoft Technology Licensing, Llc Virtualized radio access network (vran) decoding as a service
CN112752302A (zh) * 2021-01-05 2021-05-04 全球能源互联网研究院有限公司 一种基于边缘计算的电力业务时延优化方法及系统
CN113032120A (zh) * 2021-03-26 2021-06-25 重庆大学 一种基于边缘计算的工业现场大数据任务协调度方法
CN113032185A (zh) * 2021-04-29 2021-06-25 中国工商银行股份有限公司 一种备份任务管理方法、装置、设备及存储介质
CN113259469A (zh) * 2021-06-02 2021-08-13 西安邮电大学 智能制造中边缘服务器部署方法、系统及存储介质
CN113596106A (zh) * 2021-07-07 2021-11-02 北京信息科技大学 基于多边缘服务器协作的时延敏感型切片资源调度方法
CN114330722A (zh) * 2021-11-25 2022-04-12 达闼科技（北京）有限公司 推理实现方法、网络、电子设备及存储介质
US20220116478A1 (en) * 2021-12-23 2022-04-14 Dan Biederman Microservice latency reduction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石佳明: ""数据中心网络中高吞吐低延时拥塞控制方法"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116095175A (zh) * 2022-12-21 2023-05-09 北京邮电大学 一种用于电网边缘计算系统的数据流调度方法及装置
CN116095175B (zh) * 2022-12-21 2024-02-02 北京邮电大学 一种用于电网边缘计算系统的数据流调度方法及装置

Also Published As

Publication number Publication date
CN114885028B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN112202672B (zh) 一种基于业务服务质量需求的网络路由转发方法和系统
Hussein et al. Efficient task offloading for IoT-based applications in fog computing using ant colony optimization
Dai et al. Multi-armed bandit learning for computation-intensive services in MEC-empowered vehicular networks
Zhang et al. A novel edge computing architecture based on adaptive stratified sampling
CN112418497B (zh) 一种面向制造物联的物料配送路径优化方法
Gao et al. Resource provisioning and profit maximization for transcoding in clouds: A two-timescale approach
CN104901989B (zh) 一种现场服务提供系统及方法
CN110955463B (zh) 支持边缘计算的物联网多用户计算卸载方法
CN103346922A (zh) 基于sdn的确定网络状态的控制器及其确定方法
CN111614754B (zh) 面向雾计算的成本效率优化的动态自适应任务调度方法
WO2019134197A1 (zh) 基于朴素贝叶斯分类器的最小负载路由选择方法及系统
CN108170531B (zh) 一种基于深度信念网络的云数据中心请求流调度方法
Hu et al. Distributed computer system resources control mechanism based on network-centric approach
CN106537824A (zh) 用于减少信息中心网络的响应时间的方法和装置
CN113138860A (zh) 消息队列的管理方法及装置
Villota-Jacome et al. Admission control for 5G core network slicing based on deep reinforcement learning
CN106254273A (zh) 一种数据中心网络流的调度方法和系统
CN114885028A (zh) 业务调度方法、装置及计算机可读存储介质
CN115033359A (zh) 一种基于时延控制的物联代理多任务调度方法和系统
Ghosal et al. A deep deterministic policy gradient based network scheduler for deadline-driven data transfers
Liu et al. RFID: Towards low latency and reliable DAG task scheduling over dynamic vehicular clouds
CN108833294B (zh) 面向数据中心广域网的低带宽开销的流量调度方法
CN115361333A (zh) 一种基于QoS边缘自适应的网云融合信息传输方法
CN113190342B (zh) 用于云-边协同网络的多应用细粒度卸载的方法与系统架构
Xiao et al. Dscaler: A horizontal autoscaler of microservice based on deep reinforcement learning

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
GR01 Patent grant
GR01 Patent grant