CN115033373A - 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 - Google Patents

一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 Download PDF

Info

Publication number
CN115033373A
CN115033373A CN202210227976.7A CN202210227976A CN115033373A CN 115033373 A CN115033373 A CN 115033373A CN 202210227976 A CN202210227976 A CN 202210227976A CN 115033373 A CN115033373 A CN 115033373A
Authority
CN
China
Prior art keywords
task
scheduling
processor
node
user
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
CN202210227976.7A
Other languages
English (en)
Other versions
CN115033373B (zh
Inventor
张艳芳
陈健
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210227976.7A priority Critical patent/CN115033373B/zh
Publication of CN115033373A publication Critical patent/CN115033373A/zh
Application granted granted Critical
Publication of CN115033373B publication Critical patent/CN115033373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/50—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
    • 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
    • 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
    • G06F2209/50—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
    • 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

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于移动边缘计算技术领域，公开了一种移动边缘计算网络中复杂逻辑依赖任务的调度卸载方法，该方案中建模了一种新的内部具有依赖关系和执行约束的任务模型，并基于执行约束条件采用递归方式为用户制定任务响应时延最小的卸载决策；边缘网络场景中移动用户设备可以将计算密集型和延迟敏感性任务卸载到设备所在服务区的边缘处理器上，边缘设备会根据用户任务信息为用户任务构建一个DAG任务拓扑图并通过计算获得任务调度优先级序列，设备调度中心会根据任务调度优先级为其创建对应的任务调度表。本发明在任务模型方案更贴合实际且响应时延方面有很大降低，能够提高用户服务体验，从商业角度来讲，更好的服务体验会促使更多的用户去使用。

Description

一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法
技术领域
本发明属于移动边缘计算技术领域，尤其涉及一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法。
背景技术
随着通信和物联网设备的飞速发展，越来越多的新型应用(如人脸识别，虚拟现实等)正在逐步被大家接受，这些新型应用任务需要大规模的计算资源同时对任务响应时延要求非常高，一般的移动终端设备CPU处理能力比较弱，且电池容量不能太大而影响其移动性，因此移动设备终端的计算和能耗资源受限无法为应用提供与之相匹配的服务。虽然远程云中心能为用户计算密集型任务提供计算服务，但由于远程云中心的地理位置较用户设备较远，花费在通信回程链路上的时间较长，以至不能满足超低任务响应时延的要求。在这样的背景下，移动边缘计算(Mobile Edge Computing，MEC)技术应运而生，通过将远程云中心的计算和存储资源下沉至无线接入网，就近为用户提供服务。
现有边缘网络计算卸载研究工作中更侧重于研究独立任务，而非内部各部分具有逻辑依赖的任务。而现实生活中的很大一部分任务都属于逻辑依赖性任务，它们内部各部分之间具有复杂的逻辑依赖关系，各部分任务之间的计算卸载相互约束。
在部分研究工作考虑了任务之间存在的逻辑依赖关系，部分文献将子任务之间的逻辑依赖关系描述为前后串联的子任务，后边任务节点必须要等到前序子任务执行结束才能开始执行。也有部分文献将子任务之间的逻辑依赖关系用树形结构描述。但这样的任务拓扑结构无法适用于所有类型的任务。
由于现实生活中的某些任务必须在用户设备而不能卸载到远程的边缘服务器执行，例如人脸识别功能。其人脸图像拍摄过程必须在用户智能终端完成，而图片渲染阶段由于计算量较大，则可以卸载到边缘服务器处理。因此任务卸载还应满足任务执行条件约束。
通过上述分析，现有技术存在的问题及缺陷为：现有边缘网络计算卸载研究工作中更侧重于研究独立任务，而非内部各部分具有逻辑依赖的任务。而现实生活中的很大一部分任务都属于逻辑依赖性任务，它们内部各部分之间具有复杂的逻辑依赖关系，各部分任务之间的计算卸载相互约束。
发明内容
针对现有技术存在的问题，本发明提供了一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法。
本发明是这样实现的，一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法根据任务本身内部逻辑结构采用递归的方式确定各子任务调度优先级，依据任务节点优先级顺序和任务执行约束条件为用户制定任务响应时延最小的最优卸载决策。
进一步，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的边缘网络场景中移动用户设备可以将计算密集型和延迟敏感性任务卸载到设备所在服务区的边缘处理器上，边缘设备会根据用户任务信息为用户任务构建一个 DAG任务拓扑图并通过计算获得任务调度优先级序列，设备调度中心会根据任务调度优先级为其创建对应的任务调度表。
进一步，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的任务调度中心会根据任务调度表中任务节点顺序从中依次调度优先级最高的任务节点，调度过程中设备中心会依据公式计算任务调度最早完成时间，并在满足任务调度约束和任务响应时延约束以及任务节点之间依赖关系的前提下将该调度任务节点卸载到对应任务调度最早完成时间最小的处理器上并将该任务节点从任务调度表中删除。
进一步，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的对任务调度表中的剩余任务节点依次做调度卸载工作直至任务调度表中的所有任务节点都被调度卸载到对应合适的处理器上并记录任务的整体响应时延。通过上述步骤设计合适的任务调度卸载方案，能够将用户逻辑依赖任务的各部分子任务卸载到合适的处理器上；实现更低的任务响应时延和更好的用户服务体验。
进一步，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法具体包括以下步骤：
步骤一，利用任务生成器，随机生成用户设备DAG任务拓扑结构；该步骤的意义是生成不同种类的任务结构对于研究调度算法的普适性有一定价值。
步骤二，给每一个随机生成的DAG任务分别添加一个入口伪任务节点和出口伪任务节点；该步骤的意义是通过伪入口和出口任务节点的添加使生成的 DAG任务是一个完整的拓扑。
步骤三，将只能在本地设备执行的任务部分打上标签；该步骤的意义是将必须在本地执行的任务做上标记为后续任务调度和卸载提供基础。
步骤四，移动设备将任务结构信息数据上传到边缘计算设备；该步骤中信息数据的上传能够让设备中心获取系统内用户信息。
步骤五，边缘设备根据接收到的用户任务信息按照下式计算任务优先级B；该步骤的意义是通过计算任务优先级的确立为下一步骤任务的调度卸载做好铺垫。
步骤六，将计算所得的任务节点优先级降序排列创建任务节点调度表；该步骤的意义是将优先级序列转化建立为一个准备调度的任务节点调度表。
步骤七，选择任务调度表中的第一个任务节点，判断该任务节点是否能卸载到边缘服务器执行；该步骤的意义是按照调度表对任务进行调度卸载。
步骤八，针对能卸载到边缘服务器的任务节点，对于用户所在服务区的每一个处理器利用下式计算其最早完成时间EFT(vj,qk)值；该步骤的意义是计算任务节点卸载到各服务器的最早完成时间为下一步任务卸载做好铺垫。
步骤九，选择将任务节点卸载到EFT(vj,qk)值最小对应的处理器上并将该任务节点从任务调度列表中删除；该步骤的意义是对任务调度表中的任务节点进行卸载并删除。
步骤十，重复步骤七-步骤九直至任务调度列表中的所有任务都被计算处理完成同时记录该任务调度方案；
步骤十一，当有新的应用任务到达将再次出发步骤三-步骤十，直到没有新的任务到达或者系统中的所有任务都已执行完毕
进一步，所述步骤五边缘设备根据接收到的用户任务信息按照下式计算任务优先级B：
Figure RE-GDA0003777206380000041
Figure RE-GDA0003777206380000042
式中的rank(vi)表示任务节点vi的优先值，
Figure RE-GDA0003777206380000043
是任务节点vi在用户所在服务区内处理器的平均计算开销，应用统计量平均计算开销和平均通信开销来衡量计算任务节点的优先级同样
Figure RE-GDA0003777206380000044
是平均通信开销；式中i＜j表示任务节点vi是任务节点vj的直接前驱任务节点，pred(vj)是任务节点vj的直接前驱任务节点集合，只有当pred(vj)集合中所有任务节点执行结束vj任务节点开始执行；式中 rank(vexit)代表出口任务节点向上迭代的值，是出口任务节点的平均计算开销。平均计算开销和通信开销可用下式描述：
Figure RE-GDA0003777206380000045
Figure RE-GDA0003777206380000046
式中q0是用户设备处理器Q＝{q1,q2,···,qn}是用户设备所在服务区的n个异构边缘处理器；
Figure RE-GDA0003777206380000047
是任务节点vj在处理器qm的计算处理开销，式中dataj是任务节点vj的数据量大小，fm是处理器qm的CPU执行频率；式中
Figure RE-GDA0003777206380000048
是任务节点vi和vj之间数据的平均通信开销，
Figure RE-GDA0003777206380000051
是任务节点vi的计算结果数据从qm处理器传输到vj所在处理器qn的数据通信开销。datai,j是计算结果数据大小，
Figure RE-GDA0003777206380000052
是处理器qm到qn的平均数据传输速率。
进一步，所述步骤八针对能卸载到边缘服务器的任务节点，对于用户所在服务区的每一个处理器利用下式计算其最早完成时间EFT(vj,qk)值：
Figure RE-GDA0003777206380000053
Figure RE-GDA0003777206380000054
式中EFT(vj,qk)表示任务节点vj在处理器qk计算执行的最早完成时间， EST(vj,qk)是其最早开始执行时间；式中avail{vj,qk}是处理器qk能够为任务节点 vj提供任务处理服务的最早时间；pred(vj)是任务节点vj所有直接前驱任务节点集合，
Figure RE-GDA0003777206380000055
是vj所有直接前驱任务节点计算结果数据传输到边缘服务器qk的最晚时间描述为：
Figure RE-GDA0003777206380000056
任务节点vi被决策到处理器qp执行，则式中EFT(vi)表示任务节点vi在边缘服务器qp完成处理的时间，
Figure RE-GDA0003777206380000057
为任务节点vi计算结果数据从处理器qp传输到qk的数据通信开销。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明移动边缘计算网络中，用户逻辑依赖性任务的调度卸载方案。从用户设备角度出发，以DAG图为研究基础提出更加符合现实生活的任务拓扑图。边缘网络场景中移动用户设备可以将计算密集型和延迟敏感性任务卸载到设备所在服务区的边缘处理器上(该边缘处理器所在基站能够与移动终端设备通信并为之提供无线访问服务)，边缘设备会根据用户任务信息为用户任务构建一个DAG任务拓扑图并通过计算获得任务调度优先级序列，设备调度中心会根据任务调度优先级为其创建对应的任务调度表。随后任务调度中心会根据任务调度表中任务节点顺序从中依次调度优先级最高的任务节点，调度过程中设备中心会依据公式计算任务调度最早完成时间，并在满足任务调度约束和任务响应时延约束以及任务节点之间依赖关系的前提下将该调度任务节点卸载到对应任务调度最早完成时间最小的处理器上并将该任务节点从任务调度表中删除。对任务调度表中的剩余任务节点依次做调度卸载工作直至任务调度表中的所有任务节点都被调度卸载到对应合适的处理器上并记录任务的整体响应时延。通过上述步骤设计合适的任务调度卸载方案，能够将用户逻辑依赖任务的各部分子任务卸载到合适的处理器上。实现更低的任务响应时延和更好的用户服务体验。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：本发明在移动边缘计算网络中为用户逻辑依赖性任务提供一种更加符合现实生活的调度卸载策略。依据任务本身的内部逻辑依赖关系和执行约束条件通过将各任务卸载调度到不同处理器的方式，有效降低用户任务的响应时延和提高边缘计算网络的运行效率。本发明用户任务内部存在的逻辑依赖关系，针对任务中存在特定子任务只能在本地设备执行的情况以有向无环图(Directed Acyclic Graph，DAG)为基础建立了一种更加贴近现实生活的任务结构图。同时采用一种自适应优化算法(Adaptive Optimization Algorithm，AOA)为各子任务执行卸载决策。该算法首先根据任务本身内部逻辑结构采用递归的方式确定各子任务调度优先级，依据任务节点优先级顺序和任务执行约束条件为用户制定任务响应时延最小的最优卸载决策。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：本发明中关于逻辑依赖任务的调度卸载方案通过后续实验仿真图可以看出在任务响应时延方面有很大降低，能够提高用户服务体验，从商业角度来讲，更好的服务体验会促使更多的用户去使用。
(2)本发明的技术方案填补了国内外业内技术空白：现有很多关于移动边缘计算网络中任务计算卸载方案的研究都将用户任务描述为独立任务或者是可随意分割的任务对于内部具有逻辑关系任务在边缘网络中的计算卸载少之又少。
附图说明
图1是本发明实施例提供的移动边缘计算网络中逻辑依赖性任务的调度卸载方法路线图。
图2是本发明实施例提供的边缘计算网络架构示意图。
图3是本发明实施例提供的用户所在服务区内异构边缘服务器分布示例图。
图4是本发明实施例提供的几种典型特殊任务节点调度受限的任务拓扑结构图。
图5是本发明实施例提供的以任务节点调度受限任务拓扑结构为研究对象实施所设计方案与其他不同卸载调度方案在不同任务调度情况下平均任务完成时延比较图。
图6是本发明实施例提供的几种典型任务拓扑结构下该方案与其他不同卸载调度方案在不同任务调度情况下平均任务完成时延比较图。
图7是本发明实施例提供的三种任务拓扑结构对HEFT和HEFT-New任务调度卸载方案的仿真图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明提供的移动边缘计算网络中逻辑依赖性任务的调度卸载方法包括以下步骤：
S101：边缘网络场景中移动用户设备可以将计算密集型和延迟敏感性任务卸载到设备所在服务区的边缘处理器上，边缘设备会根据用户任务信息为用户任务构建一个DAG任务拓扑图并通过计算获得任务调度优先级序列，设备调度中心会根据任务调度优先级为其创建对应的任务调度表；
S102：任务调度中心会根据任务调度表中任务节点顺序从中依次调度优先级最高的任务节点，调度过程中设备中心会依据公式计算任务调度最早完成时间，并在满足任务调度约束和任务响应时延约束以及任务节点之间依赖关系的前提下将该调度任务节点卸载到对应任务调度最早完成时间最小的处理器上并将该任务节点从任务调度表中删除；
S103：对任务调度表中的剩余任务节点依次做调度卸载工作直至任务调度表中的所有任务节点都被调度卸载到对应合适的处理器上并记录任务的整体响应时延。通过上述步骤设计合适的任务调度卸载方案，能够将用户逻辑依赖任务的各部分子任务卸载到合适的处理器上；实现更低的任务响应时延和更好的用户服务体验。
在本发明实施案例中，整个边缘网络系统建立在5G通信背景下。随着通信技术的不断发展和大规模普及，5G通信技术已经走进了千家万户，通信技术发展的重要标志是更大的网络覆盖面积更低的数据传输时延更高的资源利用率和更好的用户服务体验。实现这些指标的一个重要方式就是基站的部署越来越精细化越来越密集化并将这些密集化部署小型基站称之为微基站(多个微基站部署区域内会有响应的宏基站对其进行通信管理)。本发明边缘网络系统中通信基站就呈现密集化部署，通常边缘服务器都部署在基站旁侧即用户处在一个异构边缘服务器密集部署的场景。从用户设备角度出发，用户所在异构边缘设备构成的网络服务区中存在一个协同器(通常由设备信息上传模块和边缘设备信息下发模块组成)能够实时收集各边缘设备当前信息状态并将其发布给其他边缘设备。系统中所有部署边缘服务器的微基站都能够相互通信组成一个分布式异构边缘计算网络，如图3所示。从边缘服务器角度而言，每个边缘计算设备都能为其服务区内的用户(特定区域的移动用户设备)提供任务计算处理服务，即该服务区内的任务移动设备都能在合法情况下访问该边缘服务器资源。从移动用户设备角度而言，用户某时刻的服务区就是该时刻能与用户设备通信的异构边缘服务器组成的边缘网络，由于移动用户时刻在变，所以用户服务区也在不断变化。某时刻用户产生计算密集型和延迟敏感性任务，设备任务分析模块将会对任务按照一定逻辑进行拆分并将只能在设备本地执行的任务节点打上标签同时通过添加伪入口任务节点和出口任务节点的方式构建完整任务DAG图。随后设备信息上传模块将任务信息数据上传到控制中心(可以是通信宏基站)，控制中心会根据接收到的任务信息数据计算该任务的优先级，后续再创建任务调度表完成各部分任务的调度卸载。
在本实施案例中，出于现实生活中某些特定任务只能在设备终端完成计算处理的考虑，例如最近特别火的人脸识别功能。该功能的人脸拍摄阶段必须在设备终端完成，后续图片信息特征提取和分析阶段由于计算量较大，则可以通过任务卸载借助边缘服务器完成。因此，为了使本发明任务模型更具有实际物理意义，建模更加复杂的任务拓扑图，如图4所示为一个人脸识别功能的简单建模，v1代表人像图片拍摄采集阶段，v2表示人像图片特征信息提取阶段，v3是对特征信息分析处理阶段，v5是图片信息结果数据展示阶段。图中虚线圆圈表示必须在本地执行的任务节点，实线圆圈表示该任务节点在本地和边缘处理器都能执行。圆圈之间的有向边代表各任务节点之间的逻辑依赖关系。
本实验案例以matlab仿真工具为实验平台，实验环境中为用户服务区配备两个可连接的边缘设备，用户设备本身也可以看作是一个较边缘设备较低计算能力的异构边缘服务器，各异构边缘服务器之间可以相互通信，各设备之间的数据传输率利用香浓公式计算与两设备之间的信道条件有关。异构边缘服务器之间的CPU处理频率不尽相同，但要比用户设备CPU处理能力要强本实验中设置为用户设备的2-3倍。
本实验案例中为了使所研究逻辑依赖任务调度卸载方案更具有普适性，采用任务生成器随机生成DAG任务结构。通过对稀疏度和并行度因子的调节可以生成多种多样的任务结构，排除了算法对比测试数据的偶然性，增加了实验的可靠性。从卸载任务本身出发，每一个移动设备再进行任务卸载的过程中都有不同的DAG任务拓扑结构，图4给出了一个简单的任务拓扑结构，图中圆圈的任务节点v1和v5必须在本地设备执行，其余任务节点在本地和边缘设备都可以执行，图中的有向边代表任务节点之间的逻辑依赖关系，有向边尾端的任务节点是箭头端任务节点的父亲节点，反之箭头端任务节点是箭尾端任务节点的孩子节点。
本发明异构边缘网络中用户逻辑依赖任务调度卸载的matlab实验实现过程主要包括以下几个步骤：
步骤一，利用任务生成器，随机生成用户设备DAG任务拓扑结构；
步骤二，给每一个随机生成的DAG任务分别添加一个入口伪任务节点和出口伪任务节点组成完整的DAG任务拓扑；
步骤三，将只能在本地设备执行的任务部分打上标签；
步骤四，移动设备将任务结构信息数据上传到边缘计算设备；
步骤五，边缘设备根据接收到的用户任务信息按照下式计算任务优先级B：
Figure RE-GDA0003777206380000111
Figure RE-GDA0003777206380000112
式中的rank(vi)表示任务节点vi的优先值，
Figure RE-GDA0003777206380000113
是任务节点vi在用户所在服务区内处理器的平均计算开销，由于本发明边缘系统网络中用户服务区内处理器计算存储能力参差不齐设备参数异构化呈现，因此这里应用统计量平均计算开销和平均通信开销来衡量计算任务节点的优先级同样
Figure RE-GDA0003777206380000114
是平均通信开销。式中 i＜j表示任务节点vi是任务节点vj的直接前驱任务节点，pred(vj)是任务节点vj的直接前驱任务节点集合，只有当pred(vj)集合中所有任务节点执行结束vj任务节点才可以开始执行。式中rank(vexit)代表出口任务节点向上迭代的值，也就是出口任务节点的平均计算开销。平均计算开销和通信开销可用下式描述：
Figure RE-GDA0003777206380000115
Figure RE-GDA0003777206380000116
式中q0是用户设备处理器Q＝{q1,q2,···,qn}是用户设备所在服务区的n个异构边缘处理器。
Figure RE-GDA0003777206380000117
是任务节点vj在处理器qm的计算处理开销，式中dataj是任务节点vj的数据量大小，fm是处理器qm的CPU执行频率。式中
Figure RE-GDA0003777206380000118
是任务节点vi和vj之间数据的平均通信开销，
Figure RE-GDA0003777206380000119
是任务节点vi的计算结果数据从qm处理器传输到vj所在处理器qn的数据通信开销。datai,j是计算结果数据大小，
Figure RE-GDA0003777206380000121
是处理器qm到qn的平均数据传输速率。
步骤六，将计算所得的任务节点优先级降序排列创建任务节点调度表；
步骤七，选择任务调度表中的第一个任务节点，判断该任务节点是否能卸载到边缘服务器执行；
步骤八，针对能卸载到边缘服务器的任务节点，对于用户所在服务区的每一个处理器利用下式计算其最早完成时间EFT(vj,qk)值：
Figure RE-GDA0003777206380000122
Figure RE-GDA0003777206380000123
式中EFT(vj,qk)表示任务节点vj在处理器qk计算执行的最早完成时间， EST(vj,qk)是其最早开始执行时间，式中avail{vj,qk}是处理器qk能够为任务节点vj提供任务处理服务的最早时间。pred(vj)是任务节点vj所有直接前驱任务节点集合，
Figure RE-GDA0003777206380000124
是vj所有直接前驱任务节点计算结果数据传输到边缘服务器qk的最晚时间可描述为：
Figure RE-GDA0003777206380000125
假设任务节点vi被决策到处理器qp执行，则式中EFT(vi)表示任务节点vi在边缘服务器qp完成处理的时间，
Figure RE-GDA0003777206380000126
为任务节点vi计算结果数据从处理器qp传输到qk的数据通信开销。
步骤九，选择将任务节点卸载到EFT(vj,qk)值最小对应的处理器上并将该任务节点从任务调度列表中删除；
步骤十，重复步骤七-步骤九直至任务调度列表中的所有任务都被计算处理完成同时记录该任务调度方案；
步骤十一，当有新的应用任务到达将再次出发步骤三-步骤十，直到没有新的任务到达或者系统中的所有任务都已执行完毕。
二、应用实施例。为了证明本发明技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
附件图5中描述了各调度方式下任务响应时延随任务数据大小增长的变化情况，从图中可以看出，各调度方式下任务响应时延随任务数据量增长呈上升趋势，原因是随数据量增加任务需要的计算和通信时间开销也在不断增加，因此任务整体响应时延也在不断地增加。由图中还可以看出，本发明提出基于 HEFT的HEFT-New任务调度卸载策略在任务数据不断增加的情况下任务响应时延涨幅最慢，因此说明本发明所述方案有效。
附件图7中基于图6中三种任务拓扑结构对HEFT和HEFT-New任务调度卸载方案做了实验仿真，从图中可以看出，随着任务数量的不断增加除串行任务拓扑下两种调度方案的性能相同之外，其余两种调度方案任务响应时延都随任务数量增加呈上升趋势，其中本发明所提任务调度方案较HEFT在混合和并行任务拓扑结构下任务响应时延都有降低。因此，能说明本文提出方案更好。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法根据任务本身内部逻辑结构采用递归的方式确定各子任务调度优先级，依据任务节点优先级顺序和任务执行约束条件为用户制定任务响应时延最小的卸载决策。
2.如权利要求1所述的移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的边缘网络场景中移动用户设备可以将计算密集型和延迟敏感性任务卸载到设备所在服务区的边缘处理器上，边缘设备会根据用户任务信息为用户任务构建一个DAG任务拓扑图并通过计算获得任务调度优先级序列，设备调度中心会根据任务调度优先级为其创建对应的任务调度表。
3.如权利要求1所述的移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的任务调度中心会根据任务调度表中任务节点顺序从中依次调度优先级最高的任务节点，调度过程中设备中心会依据公式计算任务调度最早完成时间，并在满足任务调度约束和任务响应时延约束以及任务节点之间依赖关系的前提下将该调度任务节点卸载到对应任务调度最早完成时间最小的处理器上并将该任务节点从任务调度表中删除。
4.如权利要求1所述的移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的对任务调度表中的剩余任务节点依次做调度卸载工作直至任务调度表中的所有任务节点都被调度卸载到对应合适的处理器上并记录任务的整体响应时延；通过上述步骤设计合适的任务调度卸载方案，能够将用户逻辑依赖任务的各部分子任务卸载到合适的处理器上；实现更低的任务响应时延和更好的用户服务体验。
5.如权利要求1所述的移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法具体包括以下步骤：
步骤一，利用任务生成器，随机生成用户设备DAG任务拓扑结构；
步骤二，给每一个随机生成的DAG任务分别添加一个入口伪任务节点和出口伪任务节点组成完整的DAG任务拓扑；
步骤三，将只能在本地设备执行的任务部分打上标签；
步骤四，移动设备将任务结构信息数据上传到边缘计算设备；
步骤五，边缘设备根据接收到的用户任务信息按照下式计算任务优先级B；
步骤六，将计算所得的任务节点优先级降序排列创建任务节点调度表；
步骤七，选择任务调度表中的第一个任务节点，判断该任务节点是否能卸载到边缘服务器执行；
步骤八，针对能卸载到边缘服务器的任务节点，对于用户所在服务区的每一个处理器利用下式计算其最早完成时间EFT(vj,qk)值；
步骤九，选择将任务节点卸载到EFT(vj,qk)值最小对应的处理器上并将该任务节点从任务调度列表中删除；
步骤十，重复步骤七-步骤九直至任务调度列表中的所有任务都被计算处理完成同时记录该任务调度方案；
步骤十一，当有新的应用任务到达将再次出发步骤三-步骤十，直到没有新的任务到达或者系统中的所有任务都已执行完毕。
6.如权利要求5所述的移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述步骤五边缘设备根据接收到的用户任务信息按照下式计算任务优先级B：
Figure FDA0003536968150000021
Figure FDA0003536968150000022
式中的rank(vi)表示任务节点vi的优先值，
Figure FDA0003536968150000023
是任务节点vi在用户所在服务区内处理器的平均计算开销，应用统计量平均计算开销和平均通信开销来衡量计算任务节点的优先级同样
Figure FDA0003536968150000031
是平均通信开销；式中i＜j表示任务节点vi是任务节点vj的直接前驱任务节点，parent(vj)是任务节点vj的直接前驱任务节点集合，只有当parent(vj)集合中所有任务节点执行结束vj任务节点开始执行；式中rank(vexit)代表出口任务节点向上迭代的值，是出口任务节点的平均计算开销；平均计算开销和通信开销可用下式描述：
Figure FDA0003536968150000032
Figure FDA0003536968150000033
式中q0是用户设备处理器Q＝{q1,q2,···,qn}是用户设备所在服务区的n个异构边缘处理器；
Figure FDA0003536968150000034
是任务节点vj在处理器qm的计算处理开销，式中dataj是任务节点vj的数据量大小，fm是处理器qm的CPU执行频率；式中
Figure FDA0003536968150000035
是任务节点vi和vj之间数据的平均通信开销，
Figure FDA0003536968150000036
是任务节点vi的计算结果数据从qm处理器传输到vj所在处理器qn的数据通信开销；datai,j是计算结果数据大小，
Figure FDA0003536968150000037
是处理器qm到qn的平均数据传输速率。
7.如权利要求5所述的移动边缘计算网络中逻辑依赖性任务的调度卸载方法，其特征在于，所述步骤八针对能卸载到边缘服务器的任务节点，对于用户所在服务区的每一个处理器利用下式计算其最早完成时间EFT(vj,qk)值：
Figure FDA0003536968150000038
Figure FDA0003536968150000039
式中EFT(vj,pk)表示任务节点vj在处理器qk计算执行的最早完成时间，EST(vj,qk)是其最早开始执行时间；式中avail{vj,qk}是处理器qk能够为任务节点vj提供任务处理服务的最早时间；parent(vj)是任务节点vj所有直接前驱任务节点集合，
Figure FDA0003536968150000041
是vj所有直接前驱任务节点计算结果数据传输到边缘服务器qk的最晚时间描述为：
Figure FDA0003536968150000042
任务节点vi被决策到处理器qp执行，则式中EFT(vi)表示任务节点vi在边缘服务器qp完成处理的时间，
Figure FDA0003536968150000043
为任务节点vi计算结果数据从处理器qp传输到qk的数据通信开销。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～7任意一项所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～7任意一项所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～7任意一项所述移动边缘计算网络中逻辑依赖性任务的调度卸载方法。
CN202210227976.7A 2022-03-08 2022-03-08 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 Active CN115033373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210227976.7A CN115033373B (zh) 2022-03-08 2022-03-08 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210227976.7A CN115033373B (zh) 2022-03-08 2022-03-08 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法

Publications (2)

Publication Number Publication Date
CN115033373A true CN115033373A (zh) 2022-09-09
CN115033373B CN115033373B (zh) 2024-07-02

Family

ID=83119405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210227976.7A Active CN115033373B (zh) 2022-03-08 2022-03-08 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法

Country Status (1)

Country Link
CN (1) CN115033373B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115883561A (zh) * 2022-12-01 2023-03-31 重庆邮电大学 一种面向边缘计算中dag任务流的安全调度方法
CN115941791A (zh) * 2022-11-25 2023-04-07 重庆邮电大学 一种基于无服务器边缘计算的热点服务缓存方法及系统
CN116303686A (zh) * 2023-05-11 2023-06-23 北京庚顿数据科技有限公司 数据库方程式计算引擎
CN116521345A (zh) * 2023-05-18 2023-08-01 重庆邮电大学空间通信研究院 一种基于任务依赖关系的联合调度和卸载方法
CN117479235A (zh) * 2023-12-28 2024-01-30 中通信息服务有限公司 一种末梢网络设施调度管理方法及系统
CN117806806A (zh) * 2024-02-28 2024-04-02 湖南科技大学 任务部分卸载调度方法、终端设备及存储介质
WO2024088434A1 (zh) * 2023-04-10 2024-05-02 南京邮电大学 一种6g网络中基于时序图和图匹配理论的任务卸载方法、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951313A (zh) * 2017-03-02 2017-07-14 北京工业大学 多工作流共享资源协同调度的子期限获取方法
CN107908464A (zh) * 2017-10-12 2018-04-13 华东师范大学 一种考虑可靠性的云计算工作流节能调度方法
CN109597682A (zh) * 2018-11-26 2019-04-09 华南理工大学 一种采用启发式编码策略的云计算工作流调度方法
CN112905317A (zh) * 2021-02-04 2021-06-04 西安电子科技大学 快速可重构信号处理异构平台下任务调度方法和系统
CN113220465A (zh) * 2021-05-31 2021-08-06 大连海事大学 一种面向工业污染排放监测的移动边缘计算资源分配方法
CN113220356A (zh) * 2021-03-24 2021-08-06 南京邮电大学 一种移动边缘计算中的用户计算任务卸载方法
CN113535393A (zh) * 2021-07-12 2021-10-22 湖南工学院 异构边缘计算中卸载dag任务的计算资源分配方法
US20210373957A1 (en) * 2020-05-29 2021-12-02 Advanced Micro Devices, Inc. Task graph scheduling for workload processing

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951313A (zh) * 2017-03-02 2017-07-14 北京工业大学 多工作流共享资源协同调度的子期限获取方法
CN107908464A (zh) * 2017-10-12 2018-04-13 华东师范大学 一种考虑可靠性的云计算工作流节能调度方法
CN109597682A (zh) * 2018-11-26 2019-04-09 华南理工大学 一种采用启发式编码策略的云计算工作流调度方法
US20210373957A1 (en) * 2020-05-29 2021-12-02 Advanced Micro Devices, Inc. Task graph scheduling for workload processing
CN112905317A (zh) * 2021-02-04 2021-06-04 西安电子科技大学 快速可重构信号处理异构平台下任务调度方法和系统
CN113220356A (zh) * 2021-03-24 2021-08-06 南京邮电大学 一种移动边缘计算中的用户计算任务卸载方法
CN113220465A (zh) * 2021-05-31 2021-08-06 大连海事大学 一种面向工业污染排放监测的移动边缘计算资源分配方法
CN113535393A (zh) * 2021-07-12 2021-10-22 湖南工学院 异构边缘计算中卸载dag任务的计算资源分配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUXIN WANG: ""Fairness scheduling with dynamic priority for multi workflow on heterogeneous systems"", 《2017 IEEE 2ND INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND BIG DATA ANALYSIS (ICCCBDA)》, 19 June 2017 (2017-06-19), pages 404 - 409 *
周思恒: ""云计算中有期限约束DAG调度策略的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2020, 15 February 2020 (2020-02-15), pages 138 - 3 *
张艳芳: ""面向依赖任务的高效计算卸载研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2023, 15 July 2023 (2023-07-15), pages 136 - 564 *
王涛: ""DAG算法浅析"", Retrieved from the Internet <URL:《https://zhuanlan.zhihu.com/p/35782026》> *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115941791A (zh) * 2022-11-25 2023-04-07 重庆邮电大学 一种基于无服务器边缘计算的热点服务缓存方法及系统
CN115883561A (zh) * 2022-12-01 2023-03-31 重庆邮电大学 一种面向边缘计算中dag任务流的安全调度方法
CN115883561B (zh) * 2022-12-01 2024-03-15 重庆邮电大学 一种面向边缘计算中dag任务流的安全调度方法
WO2024088434A1 (zh) * 2023-04-10 2024-05-02 南京邮电大学 一种6g网络中基于时序图和图匹配理论的任务卸载方法、设备及介质
CN116303686A (zh) * 2023-05-11 2023-06-23 北京庚顿数据科技有限公司 数据库方程式计算引擎
CN116521345A (zh) * 2023-05-18 2023-08-01 重庆邮电大学空间通信研究院 一种基于任务依赖关系的联合调度和卸载方法
CN116521345B (zh) * 2023-05-18 2024-04-05 深圳点链科技有限公司 一种基于任务依赖关系的联合调度和卸载方法
CN117479235A (zh) * 2023-12-28 2024-01-30 中通信息服务有限公司 一种末梢网络设施调度管理方法及系统
CN117479235B (zh) * 2023-12-28 2024-03-19 中通信息服务有限公司 一种末梢网络设施调度管理方法及系统
CN117806806A (zh) * 2024-02-28 2024-04-02 湖南科技大学 任务部分卸载调度方法、终端设备及存储介质
CN117806806B (zh) * 2024-02-28 2024-05-17 湖南科技大学 任务部分卸载调度方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN115033373B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
CN115033373A (zh) 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法
Ning et al. Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme
CN108540406B (zh) 一种基于混合云计算的网络卸载方法
Deng et al. Fogbus2: a lightweight and distributed container-based framework for integration of iot-enabled systems with edge and cloud computing
CN111538570B (zh) 一种面向节能和QoS保障的VNF部署方法及装置
Sorkhoh et al. An infrastructure-assisted workload scheduling for computational resources exploitation in the fog-enabled vehicular network
Azizi et al. A priority-based service placement policy for fog-cloud computing systems
CN112214301B (zh) 面向智慧城市基于用户偏好的动态计算迁移方法及装置
Liu et al. Minimizing system cost with efficient task assignment on heterogeneous multicore processors considering time constraint
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
Nakamura et al. In-situ resource provisioning with adaptive scale-out for regional iot services
Maray et al. Dependent task offloading with deadline-aware scheduling in mobile edge networks
CN116633801A (zh) 资源调度方法、装置、系统及相关设备
CN103414784B (zh) 支持应急模式的云计算资源调度方法
CN113010317B (zh) 联合服务部署与任务卸载方法、装置、计算机设备及介质
CN117290006A (zh) 面向vec的依赖性任务卸载和服务缓存联合优化方法
Kashyap et al. DECENT: Deep learning enabled green computation for edge centric 6G networks
Yang et al. Towards 6g joint haps-mec-cloud 3c resource allocation for delay-aware computation offloading
Happ et al. On the impact of clustering for IoT analytics and message broker placement across cloud and edge
Yuan et al. Joint optimization of dnn partition and continuous task scheduling for digital twin-aided mec network with deep reinforcement learning
Fang et al. Research on task offloading strategy based on priority chemical reaction algorithm in edge-cloud scenario
CN115834386A (zh) 面向边缘计算环境中的智能服务部署方法、系统及终端
Ardic et al. Random walking snakes for decentralized learning at edge networks
Silva et al. Task offloading optimization in mobile edge computing based on deep reinforcement learning
Liang et al. TMHD: Twin-Bridge Scheduling of Multi-Heterogeneous Dependent Tasks for 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
GR01 Patent grant