CN115174584A - 边云协同计算管理方法、装置、电子设备及存储介质 - Google Patents
边云协同计算管理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115174584A CN115174584A CN202210769970.2A CN202210769970A CN115174584A CN 115174584 A CN115174584 A CN 115174584A CN 202210769970 A CN202210769970 A CN 202210769970A CN 115174584 A CN115174584 A CN 115174584A
- Authority
- CN
- China
- Prior art keywords
- cpu
- task
- time slot
- edge device
- edge
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/101—Server selection for load balancing based on network conditions
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Power Sources (AREA)
Abstract
本公开提供了一种边云协同计算管理方法,其包括:根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对;以及根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策。本公开还提供了一种边云协同计算管理装置、电子设备以及可读存储介质。
Description
技术领域
本公开涉及一种边云协同管理方法、装置、电子设备及存储介质。
背景技术
随着云计算的发展,大多数人都期望将物联网部署至云端,这的确可以给个人用户带来便捷的使用体验。
随着物联网等技术的不断发展、数据的不断增加,基于云的物联网解决方案渐渐无法满足人们日益增长的需求,越来越多的企业开始将目光转向边缘计算,并将其作为云的延伸扩展,以加快数据分析的速率,便于企业更快更好的做出决策。
与纯粹的云端解决方案相比,包含边缘侧的混合方案可以减少延迟、提高可扩展性、增强对信息的访问量,并使业务开发变得更加敏捷。
当采用边云协同计算方法时,如何有效地分配边缘计算和云端计算成为亟需解决的问题。
发明内容
为了解决上述技术问题中的至少一个,本公开提供了一种边云协同计算管理方法、装置、电子设备及存储介质。
根据本公开的一个方面,提供了一种边云协同计算管理方法,其包括:
获取边缘设备在时隙t内的所有任务,根据时隙t内的所有任务,获取所有任务的数据大小;获取边缘设备在时隙t内处理每比特i类型任务所需要的CPU周期;获取时隙t内边缘设备和云设备之间的传输速率、边缘设备的CPU电压和CPU频率;
获取边缘设备在第一时间尺度内的总数据大小以及总CPU周期,获取边缘设备在第一时间尺度内的平均传输速率,其中所述第一时间尺度包括至少两个时隙t;
根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对;以及
根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策。
根据本公开至少一个实施方式的边云协同计算管理方法,根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对包括:根据总数据大小、总CPU周期、平均传输速率、CPU电压和CPU频率,利用DQN强化学习模型决策获得下一第一时间尺度内的CPU电压和CPU频率对。
根据本公开至少一个实施方式的边云协同计算管理方法,根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策包括:根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率,利用DDPG强化学习模型,决策获得每一种任务的卸载决策。
根据本公开至少一个实施方式的边云协同计算管理方法,所述DDPG强化学习模型的回报函数为:
其中,Q(t)表示在时隙t之前未完成的所有任务的任务队列;表示在时隙t内的时隙t’所产生的任务j所花费的时间;表示在时隙t内的时隙t’所产生的任务j所消耗的能量;表示在时隙t内边缘设备的在计算过程中所消耗的能量;α为任务完成时间系数;β为能耗系数,其中α+β=1。
根据本公开至少一个实施方式的边云协同计算管理方法,在边缘设备运行过程中,控制边缘设备使得:
s.t.ρi(t)∈[0,1]
(V,f)∈{(V1,f1),...,(VM,fM)}
Re≤Rmax
其中,α为任务完成时间系数;β为能耗系数,其中α+β=1;V表示边缘设备的CPU电压,f、fc表示边缘设备的CPU的频率;,ρi(t)和ρn(t)均表示为时隙t内云设备执行的数据的百分比,i,n为自然数;T表示时间;表示在时隙t内第i个任务从产生至结束所需要的时间;表示在时隙t内第i个任务在数据传输时所消耗的能量;表示在时隙t内CPU所消耗的能量;Re表示边缘设备和云设备之间的传输速率;Rmax为边缘设备和运设备之间的最大传输速率。
根据本公开至少一个实施方式的边云协同计算管理方法,所述第一时间尺度为2-64个时隙t。
根据本公开的另一方面,提供一种边云协同计算管理装置,其包括:
第一信息获取模块,所述第一信息获取模块用于获取边缘设备在时隙t内的所有任务,根据时隙t内的所有任务,获取所有任务的数据大小;获取边缘设备在时隙t内处理每比特i类型任务所需要的CPU周期;获取时隙t内边缘设备和云设备之间的传输速率、边缘设备的CPU电压和CPU频率;
第二信息获取模块,所述第二信息获取模块用于获取边缘设备在第一时间尺度内的总数据大小以及总CPU周期,获取边缘设备在第一时间尺度内的平均传输速率,其中所述第一时间尺度包括至少两个时隙t;
第一控制模块,所述第一控制模块根据总数据大小、总CPU周期、平均传输速率、CPU电压和CPU频率获得下一第一时间尺度内的CPU电压和CPU频率对;以及
第二控制模块,所述第二控制模块根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率获得针对每一种任务的卸载决策。
根据本公开的另一方面,提供一种电子设备,其包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行上述的方法。
根据本公开的另一方面,提供一种可读存储介质,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述的方法。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1是根据本公开的一个实施方式的边云协同计算管理方法的流程示意图。
图2是根据本公开的一个实施方式的边云协同计算管理装置的结构示意图。
图中附图标记具体为:
1000 边云协同计算管理装置
1002 第一信息获取模块
1004 第二信息获取模块
1006 第一控制模块
1008 第二控制模块
1100 总线
1200 处理器
1300 存储器
1400 其它电路。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明,否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此,除非另有说明,否则在不脱离本公开的技术构思的情况下,各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此,除非说明,否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外,在附图中,为了清楚和/或描述性的目的,可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时,可以以不同于所描述的顺序来执行具体的工艺顺序。例如,可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外,同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时,该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件,或者可以存在中间部件。然而,当部件被称作“直接在”另一部件“上“、“直接连接到”或“直接结合到”另一部件时,不存在中间部件。为此,术语“连接”可以指物理连接、电气连接等,并且具有或不具有中间部件。
本文使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
图1是根据本公开的一个实施方式的1的流程示意图。
如图1所示,本公开的边云协同计算管理方法,包括102、获取边缘设备在时隙t内的所有任务,根据时隙t内的所有任务,获取所有任务的数据大小;获取边缘设备在时隙t内处理每比特i类型任务所需要的CPU周期;获取时隙t内边缘设备和云设备之间的传输速率、边缘设备的CPU电压和CPU频率;104、获取边缘设备在第一时间尺度内的总数据大小以及总CPU周期,获取边缘设备在第一时间尺度内的平均传输速率,其中所述第一时间尺度包括至少两个时隙t;106、根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对;以及108、根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策。
本公开的边云协同智能计算方法,本质上是一种两时间尺度的在线优化方法,在高时间尺度(第一时间尺度)下,利用当前第一时间尺度内的信息,输出每一种CPU电压和频率对,并根据每一种CPU电压和频率对获得Q值,选择最大Q值所对应的CPU电压和频率对,控制边缘设备的CPU工作。而且,在低时间尺度下,该底时间尺度也可以称之为第二时间尺度,该第二时间尺度优选地为一个时隙。
其中,所述Q值为即根据状态(任务信息、带宽信息、CPU信息)和动作(待选动作,指CPU电压频率对的选择,就是这里说的CPU电压频率对)获得Q值;关于Q值的获取也可以通过查表法获得,在此不再一一详述。
在第二时间尺度上,利用当前时隙内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率,决策得到针对每一种任务的卸载决策。
本实施例中,所述卸载决策ρi(t)表示为时隙t内第i类型任务数据在云端执行的比例;其值大于等于0,并且小于等于1。具体地,当ρi(t)为0,表示对应的任务将在边缘设备执行;另一方面,当ρi(t)为1,表示对应的任务将在云设备执行。
本公开中,获取边缘设备的时隙t内的所有任务U(t):
U(t)={u1(t),u2(t),...,uN(f)};
其中,ui表示i类型任务,i为自然数,N表示任务的数量;
ui(t)=(di(t),ci);di(t)表示i类型任务在时隙t时的数据大小,其形成为任务ui(t)的一个参数,ci表示处理每比特i类型任务所需要的CPU周期,其形成为任务ui(t)的另一个参数,该ci针对于确认的任务类型,具有确认的值;在一个实施例中,该ci可以通过查表法来获得。
另一方面,考虑到第一时间尺度包括至少两个时隙t,例如,可以包括2-64个时隙,因此,需要统计边缘设备在第一时间尺度内的总数据大小以及总CPU循环,根据每个边缘设备的传输速率获得边缘设备在第一时间尺度内的平均传输速率,以及能够获得第一时间尺度内的CPU电压和CPU频率对;本公开中,在一个第一时间尺度内,该CPU电压和CPU频率保持不变,在下一个第一时间尺度内,可以改变该CPU电压和CPU频率对,也可以不改变该CPU电压和CPU频率对。
在获得上述任务状态和环境状态的技术上,本公开中,根据总数据大小、总CPU周期、平均传输速率、CPU电压和CPU频率,利用DQN强化学习模型决策获得下一第一时间尺度内的CPU电压和CPU频率对;更优选地,通过所获得的下一第一时间尺度内的CPU电压和CPU频率对控制边缘设备的CPU。
本公开中利用了DQN强化学习模型适合做离散动作决策的特点,从而可以控制CPU的电压和频率,以对边缘设备进行能耗控制。
另一方面,根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率,利用DDPG强化学习模型,决策获得每一种任务的卸载决策,也就是说,根据DDPG强化学习模型,决定哪些任务在边缘设备执行,哪些任务在云设备执行。
在一个优选的实施例中,所述DDPG强化学习模型的回报函数为:
其中,Q(t)表示在时隙t之前未完成的所有任务的任务队列;表示在时隙t内的时隙t’所产生的任务j所花费的时间;表示在时隙t内的时隙t’所产生的任务j所消耗的能量;表示在时隙t内边缘设备的在计算过程中所消耗的能量;α为任务完成时间系数;β为能耗系数,其中α+β=1。
通过该回报函数,能够加速DDPG强化学习模型的收敛,并且在该DDPG强化学习模型中,适合于做连续值的决策,因此,通过在同一个边缘设备中运行两个时间尺度的模型,有效地降低了边缘设备的系统开销,例如,通过本公开的边云协同智能计算方法,能够降低边缘设备的46.5%的能源消耗,并且降低了约一半的任务响应延迟。
本公开中,在边缘设备运行过程中,控制边缘设备使得:
其中,α为任务完成时间系数;β为能耗系数,其中α+β=1;V表示边缘设备的CPU电压,f、fc表示边缘设备的CPU的频率;,ρi(t)和ρn(t)均表示为时隙t内云设备执行的数据的百分比,i,n为自然数;T表示时间;表示在时隙t内第i个任务从产生至结束所需要的时间;表示在时隙t内第i个任务在数据传输时所消耗的能量;表示在时隙t内CPU所消耗的能量;(Vm,fm)表示CPU电压和CPU频率对,其中M为自然数,表示CPU电压和频率对的数量;Re表示边缘设备和云设备之间的传输速率;Rmax为边缘设备和运设备之间的最大传输速率;min表示取最小值函数。
在上述公式中,能够综合考虑边缘设备的任务处理延迟和能量消耗,在具体的边缘设备中,可以根据边缘设备的处理能力等环境参数,设置不同的α和β值,以使得边缘设备能够运行在合适的工况下。
calQ(i,t)表示为时隙t内第i类型任务之前所生成的任务队列;dj(t′)表示为值t'时刻生成的j类任务的数据量大小;ρj(t′)表示为值t'时刻生成的j类任务的卸载决策;fe表示边缘设备的CPU当前频率;表示边缘设备中的时隙t内生成的第i类型任务的处理时间。
在该公式中,表示在边缘设备中的队列时延和执行该任务的时延的综合。
即该数据传输完成时间包括传输等待时间和数据传输延迟之和。其中,transQ(i,t)表示时隙t内第i类型任务之前待传输的传输队列。
其中,calQc(i,t)表示云设备中,时隙t内第i类型任务之前产生的任务处理队列;fc表示云设备的CPU频率,该CPU频率不会被本公开的边云协同计算管理方法所更改。表示云设备处理时隙t内的第i类型任务所需要消耗的时间。
其中,Ptrans表示边缘设备中,每单位时间的传输能量消耗。
式中,C表示边缘设备的CPU的能量消耗系数,根据边缘设备的类型可以获得。V表示边缘设备的CPU的电压;fe表示边缘设备的CPU的频率。
本公开中,所述边缘设备可以为边缘服务器,所述云设备可以为云服务器,所述边缘服务器与所述云服务器连接,物联网设备,例如手机、路由器或者飞行器等设备。
在一个具体的实施例中,传输速率Re可以为[500,1000]Mbps;任务类型N可以为5;时隙t可以为1s。
在一个具体的实施例中,α和β可以根据不同需求或者说不同侧重来进行调节,在一个具体的实施例中,α可以取0.1;β可以取0.9。
边缘设备的CPU可以为intel core i7-2760QM,其电压频率对为(2.4GHz,1.060V);(2.0GHz,0.970V);(1.6GHz,0.890V)以及(0.8GHz,0.760V)。在传输程所消耗的能量为3.65J/s。云设备的CPU频率为3.9GHz,传输速率Re在[500,1000]Mbps,针对于本公开的其他参数,本领域技术人员可以根据物料网设备、边缘设备以及云设备的类型作出相应的设定。
图2示出了采用处理系统的硬件实现方式的装置示例图。
该装置可以包括执行上述流程图中各个或几个步骤的相应模块。因此,可以由相应模块执行上述流程图中的每个步骤或几个步骤,并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该硬件结构可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线1100将包括一个或多个处理器1200、存储器1300和/或硬件模块的各种电路连接到一起。总线1100还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路1400连接。
总线1100可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本公开中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,可以具体实现在任何可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
就本说明书而言,“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在存储器中。
应当理解,本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种可读存储介质中,该程序在执行时,包括方法实施方式的步骤之一或其组合。
此外,在本公开各个实施方式中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读存储介质中。存储介质可以是只读存储器,磁盘或光盘等。
根据本公开的另一方面,如图2所示,本公开提供一种边云协同计算管理装置,其包括:
第一信息获取模块1002,所述第一信息获取模块用于获取边缘设备在时隙t内的所有任务,根据时隙t内的所有任务,获取所有任务的数据大小;获取边缘设备在时隙t内处理每比特i类型任务所需要的CPU周期;获取时隙t内边缘设备和云设备之间的传输速率、边缘设备的CPU电压和CPU频率;
第二信息获取模块1004,所述第二信息获取模块用于获取边缘设备在第一时间尺度内的总数据大小以及总CPU周期,获取边缘设备在第一时间尺度内的平均传输速率,其中所述第一时间尺度包括至少两个时隙t;
第一控制模块1006,所述第一控制模块根据总数据大小、总CPU周期、平均传输速率、CPU电压和CPU频率获得下一第一时间尺度内的CPU电压和CPU频率对;以及
第二控制模块1008,所述第二控制模块根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率获得针对每一种任务的卸载决策。
本公开还提供了一种电子设备,包括:存储器,存储器存储执行指令;以及处理器或其他硬件模块,处理器或其他硬件模块执行存储器存储的执行指令,使得处理器或其他硬件模块执行上述的方法。
本公开还提供了一种可读存储介质,可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述的方法。
在本说明书的描述中,参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中,对上述术语的示意性表述不必须的是相同的实施方式/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (9)
1.一种边云协同计算管理方法,其特征在于,包括:
获取边缘设备在时隙t内的所有任务,根据时隙t内的所有任务,获取所有任务的数据大小;获取边缘设备在时隙t内处理每比特i类型任务所需要的CPU周期;获取时隙t内边缘设备和云设备之间的传输速率、边缘设备的CPU电压和CPU频率;
获取边缘设备在第一时间尺度内的总数据大小以及总CPU周期,获取边缘设备在第一时间尺度内的平均传输速率,其中所述第一时间尺度包括至少两个时隙t;
根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对;以及
根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策。
2.根据权利要求1所述的边云协同计算管理方法,其特征在于,根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对包括:根据总数据大小、总CPU周期、平均传输速率、CPU电压和CPU频率,利用DQN强化学习模型决策获得下一第一时间尺度内的CPU电压和CPU频率对。
3.根据权利要求1所述的边云协同计算管理方法,其特征在于,根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策包括:根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率,利用DDPG强化学习模型,决策获得每一种任务的卸载决策。
5.根据权利要求1所述的边云协同计算管理方法,其特征在于,在边缘设备运行过程中,控制边缘设备使得:
s.t.ρi(t)∈[0,1]
(V,f)∈{(V1,f1),...,(VM,fM)}
Re≤Rmax
6.根据权利要求1所述的边云协同计算管理方法,其特征在于,所述第一时间尺度为2-64个时隙t。
7.一种边云协同计算管理装置,其特征在于,包括:
第一信息获取模块,所述第一信息获取模块用于获取边缘设备在时隙t内的所有任务,根据时隙t内的所有任务,获取所有任务的数据大小;获取边缘设备在时隙t内处理每比特i类型任务所需要的CPU周期;获取时隙t内边缘设备和云设备之间的传输速率、边缘设备的CPU电压和CPU频率;
第二信息获取模块,所述第二信息获取模块用于获取边缘设备在第一时间尺度内的总数据大小以及总CPU周期,获取边缘设备在第一时间尺度内的平均传输速率,其中所述第一时间尺度包括至少两个时隙t;
第一控制模块,所述第一控制模块根据总数据大小、总CPU周期、平均传输速率、CPU电压和CPU频率获得下一第一时间尺度内的CPU电压和CPU频率对;以及
第二控制模块,所述第二控制模块根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率获得针对每一种任务的卸载决策。
8.一种电子设备,其特征在于,包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行如权利要求1至6中任一项所述的方法。
9.一种可读存储介质,其特征在于,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769970.2A CN115174584B (zh) | 2022-06-30 | 2022-06-30 | 边云协同计算管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210769970.2A CN115174584B (zh) | 2022-06-30 | 2022-06-30 | 边云协同计算管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115174584A true CN115174584A (zh) | 2022-10-11 |
CN115174584B CN115174584B (zh) | 2023-05-05 |
Family
ID=83489181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210769970.2A Active CN115174584B (zh) | 2022-06-30 | 2022-06-30 | 边云协同计算管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115174584B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343904A (zh) * | 2018-09-28 | 2019-02-15 | 燕山大学 | 一种基于Lyapunov优化的雾计算动态卸载方法 |
CN110489233A (zh) * | 2019-08-15 | 2019-11-22 | 北京信息科技大学 | 基于移动边缘计算的设备任务卸载及cpu调频方法及系统 |
CN111953759A (zh) * | 2020-08-04 | 2020-11-17 | 国网河南省电力公司信息通信公司 | 基于强化学习的协同计算任务卸载和迁移的方法及装置 |
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN113115459A (zh) * | 2021-04-15 | 2021-07-13 | 华北电力大学 | 一种面向电力物联网海量终端的多尺度多维资源分配方法 |
CN113115339A (zh) * | 2021-04-13 | 2021-07-13 | 重庆邮电大学 | 一种基于移动性感知的任务卸载和资源分配联合优化方法 |
CN113626104A (zh) * | 2021-08-18 | 2021-11-09 | 北京工业大学 | 边云架构下基于深度强化学习的多目标优化卸载策略 |
CN113747507A (zh) * | 2021-08-16 | 2021-12-03 | 北京信息科技大学 | 一种面向5g超密集网络的计算资源管理方法及装置 |
CN113747504A (zh) * | 2021-07-29 | 2021-12-03 | 山东师范大学 | 多接入边缘计算联合任务卸载和资源分配的方法及系统 |
CN113778691A (zh) * | 2021-11-10 | 2021-12-10 | 清华大学 | 一种任务迁移决策的方法、装置及系统 |
CN114564304A (zh) * | 2022-02-15 | 2022-05-31 | 广州杰赛科技股份有限公司 | 一种边缘计算的任务卸载方法 |
-
2022
- 2022-06-30 CN CN202210769970.2A patent/CN115174584B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343904A (zh) * | 2018-09-28 | 2019-02-15 | 燕山大学 | 一种基于Lyapunov优化的雾计算动态卸载方法 |
CN110489233A (zh) * | 2019-08-15 | 2019-11-22 | 北京信息科技大学 | 基于移动边缘计算的设备任务卸载及cpu调频方法及系统 |
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN111953759A (zh) * | 2020-08-04 | 2020-11-17 | 国网河南省电力公司信息通信公司 | 基于强化学习的协同计算任务卸载和迁移的方法及装置 |
CN113115339A (zh) * | 2021-04-13 | 2021-07-13 | 重庆邮电大学 | 一种基于移动性感知的任务卸载和资源分配联合优化方法 |
CN113115459A (zh) * | 2021-04-15 | 2021-07-13 | 华北电力大学 | 一种面向电力物联网海量终端的多尺度多维资源分配方法 |
CN113747504A (zh) * | 2021-07-29 | 2021-12-03 | 山东师范大学 | 多接入边缘计算联合任务卸载和资源分配的方法及系统 |
CN113747507A (zh) * | 2021-08-16 | 2021-12-03 | 北京信息科技大学 | 一种面向5g超密集网络的计算资源管理方法及装置 |
CN113626104A (zh) * | 2021-08-18 | 2021-11-09 | 北京工业大学 | 边云架构下基于深度强化学习的多目标优化卸载策略 |
CN113778691A (zh) * | 2021-11-10 | 2021-12-10 | 清华大学 | 一种任务迁移决策的方法、装置及系统 |
CN114564304A (zh) * | 2022-02-15 | 2022-05-31 | 广州杰赛科技股份有限公司 | 一种边缘计算的任务卸载方法 |
Non-Patent Citations (3)
Title |
---|
SHOULU HOU: ""Frequency-Reconfigurable Cloud Versus Fog Computing :An Energy -Efficiency Aspect"" * |
YUNZHENG TAO: ""Stochastic Control of Computing Offloading to a Helper With a Dynamically Loaded CPU"" * |
陈玉立等.: ""基于注意力机制和生成对抗网络的飞行器短期航迹预测模型"" * |
Also Published As
Publication number | Publication date |
---|---|
CN115174584B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2178080B1 (en) | Performance allocation method and apparatus | |
CN111132235B (zh) | 基于改进hrrn算法和多属性决策的移动卸载迁移算法 | |
CN111176792B (zh) | 一种资源调度方法、装置及相关设备 | |
DE102009058426A1 (de) | Verfahren und Vorrichtung zum Power-Management eines Prozessors | |
US11153375B2 (en) | Using reinforcement learning to scale queue-based services | |
CN113222118B (zh) | 神经网络训练方法、装置、电子设备、介质和程序产品 | |
CN112261120B (zh) | 一种配电物联网云边协同任务卸载方法及装置 | |
CN110505165A (zh) | 一种基于双向拍卖机制的边缘计算任务卸载方法及装置 | |
CN110233591A (zh) | 一种电机的控制方法及装置 | |
CN110489233A (zh) | 基于移动边缘计算的设备任务卸载及cpu调频方法及系统 | |
CN115880132A (zh) | 图形处理器、矩阵乘法任务处理方法、装置及存储介质 | |
CN114710563A (zh) | 一种集群节能方法及装置 | |
CN114780244A (zh) | 容器云资源弹性分配方法、装置、计算机设备及介质 | |
CN113815481B (zh) | 电池包选择方法、装置、电子设备及存储介质 | |
KR101065436B1 (ko) | 불확실한 계산량을 가진 실시간 병렬 작업을 위한 멀티코어 프로세서의 확률적 스케줄링 방법 | |
CN110780986A (zh) | 一种基于移动边缘计算的物联网任务调度方法及系统 | |
JP2007172322A (ja) | 分散処理型マルチプロセッサシステム、制御方法、マルチプロセッサ割り込み制御装置及びプログラム | |
CN115174584A (zh) | 边云协同计算管理方法、装置、电子设备及存储介质 | |
CN115879543B (zh) | 一种模型训练方法、装置、设备、介质及系统 | |
CN115995839B (zh) | 多功能移动储能车工作状态确定方法、装置、设备及介质 | |
CN115952054A (zh) | 一种仿真任务资源管理方法、装置、设备及介质 | |
CN113626164A (zh) | 一种监控平台作业调度方法、装置、终端及存储介质 | |
CN114661431A (zh) | 一种任务调度方法、存储介质及终端设备 | |
WO2022053070A1 (zh) | 流量模式确定方法、电子设备及存储介质 | |
CN114598705B (zh) | 消息负载均衡方法、装置、设备和介质 |
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 |