CN115225517A - 一种面向平台制造服务聚合协作的分布式负载平衡调控方法 - Google Patents

一种面向平台制造服务聚合协作的分布式负载平衡调控方法 Download PDF

Info

Publication number
CN115225517A
CN115225517A CN202210810209.9A CN202210810209A CN115225517A CN 115225517 A CN115225517 A CN 115225517A CN 202210810209 A CN202210810209 A CN 202210810209A CN 115225517 A CN115225517 A CN 115225517A
Authority
CN
China
Prior art keywords
service
load
community
cooperation
nodes
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
CN202210810209.9A
Other languages
English (en)
Other versions
CN115225517B (zh
Inventor
王磊
高燕姗
程颖
陶飞
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202210810209.9A priority Critical patent/CN115225517B/zh
Publication of CN115225517A publication Critical patent/CN115225517A/zh
Application granted granted Critical
Publication of CN115225517B publication Critical patent/CN115225517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明涉及一种面向平台制造服务聚合协作的分布式负载平衡调控方法，包括以下根据平台服务节点功能和负载属性以及服务节点间协作关系，构建平台制造服务聚合网络；根据节点任务分配和节点间聚类协作关系，测量制造服务聚合网络中服务节点负载状态及节点间负载流量；根据节点任务分配和节点间组合协作关系，测量制造服务聚合网络中服务群落负载状态及群落间负载流量；设置制造服务聚合协作分布式负载平衡控制目标；网络负载平衡调控方案求解。本发明能够有效调控基于工业互联网/工业云平台的制造服务聚合协作负载，为平台批量任务分配及制造服务按需开展动态协作提供依据，有利于提高工业互联网/工业云平台的运营调控能力与鲁棒性。

Description

一种面向平台制造服务聚合协作的分布式负载平衡调控方法
技术领域
本发明属于工业互联网/工业云平台等面向服务的智能制造平台运营过程中的制造服务协作技术领域，具体涉及一种面向平台制造服务聚合协作的分布式负载平衡调控方法。
背景技术
随着数字经济生态在制造领域的不断渗透，实现社会化制造资源/能力共享的工业互联网平台是促进制造产业数字化转型与智能化升级的重要载体。由于工业互联网平台实际运营过程中制造任务到达往往具有大规模性、随机性、并发性，而平台可协作服务数目有限，且其服务能力存在差异，往往难以满足制造任务匹配需求。针对某些特定任务需求，现有的平台服务功能可能难以与其匹配，导致无服务可执行或服务调度不及时，从而造成平台服务负载不平衡，影响平台持续稳健运营。因此，针对平台制造服务聚合协作负载平衡调控的研究具有重要应用意义。
发明内容
本发明要解决的技术问题为：以平台运营鲁棒性和按需协作稳健运营为目标，解决平台运营过程中制造服务聚合协作服务负载不平衡的问题。因此，本发明提出一种面向平台制造服务聚合协作的分布式负载平衡调控方法。该方法包括步骤考虑负载属性的平台制造服务聚合网络构建、网络服务节点负载状态及流量测量、网络服务群落负载状态及流量测量、分布式负载平衡控制目标设置、网络负载平衡调控方案求解共5个步骤。本发明一方面提出了一种服务聚合网络节点和群落负载状态及群落间负载流量测量方法，能够有效评估平台运营过程中制造服务聚合网络节点和群落的负载状态；另一方面提出了一种制造服务聚合协作分布式负载平衡控制策略，能够有效调控平台运营过程中服务节点间的负载分配和群落间的负载流量，提高平台服务平均利用率并减少任务执行拥堵情形的发生，为研究工业互联网平台持续稳健运营提供支持。
本发明解决其技术问题是采取以下技术方案实现的：
一种面向平台制造服务聚合协作的分布式负载平衡调控方法，包括步骤如下：
步骤1：考虑负载属性的平台制造服务聚合网络构建：将提交到平台上的制造资源与制造能力封装成制造服务节点，并根据节点功能属性将节点间的协作关系分为聚类协作和组合协作两类；考虑服务节点的负载属性，基于图论构建制造服务聚合网络，具有聚类协作关系的节点通过无向边相连并形成服务群落，其聚类协作强度代表节点间的相似程度，具有组合协作关系的节点通过有向边相连，其组合协作强度代表节点间的组合协作概率；
步骤2：网络服务节点负载状态及流量测量：将提交到平台上的制造任务分解为若干个具有不同功能需求和负载需求的独立子任务，考虑任务分配和服务-子任务匹配关系，建立状态方程测量网络服务节点负载状态及节点间负载流量；
步骤3：网络服务群落负载状态及流量测量：基于网络服务节点负载状态及节点间负载流量测量，考虑子任务执行次序，建立状态方程测量网络群落负载状态及群落间负载流量，并基于网络流理论引入群落负载流量约束：
步骤4：分布式负载平衡控制目标设置：考虑制造服务聚合网络中节点、群落、边等不同层级结构，引入任务负载分配因子和服务组合协作概率调节因子，设置群落内节点负载平衡、群落负载流量平衡、群落间负载流转平衡三个分布式负载平衡控制目标；
步骤5：网络负载平衡调控方案求解：将步骤4中设置的制造服务聚合协作分布式负载平衡控制目标转化为多目标优化问题，通过优化算法进行求解，从而得到满足优化目标和约束的最优解。
进一步地，所述步骤1具体包括：
①将制造资源与制造能力抽象化封装为服务节点，基于图论将制造服务聚合网络拓扑结构描述为图G，满足G＝{V,E,W(k)}，其中
Figure BDA0003740496060000021
代表网络所有服务节点的集合，
Figure BDA0003740496060000022
为服务群落
Figure BDA0003740496060000023
中的第i个节点，
Figure BDA0003740496060000024
为服务群落
Figure BDA0003740496060000025
中的服务节点数，N为网络中的所有服务节点数，NMS为网络中的所有服务群落数，
Figure BDA0003740496060000026
p,q∈NMS,p≠q；E＝(eij)N×N是网络中所有协作边集合，代表节点间的聚类/组合协作关系。假设平台运营过程为离散时间系统，其采样时间周期为τ，离散时刻为k，k是非负整数，其时间间隔为[(k-1)τ,kτ]。考虑服务节点的功能和负载属性，
Figure BDA0003740496060000027
为k时刻协作边权重矩阵，其中
Figure BDA0003740496060000028
是任一服务群落
Figure BDA0003740496060000031
的聚类协作边权重矩阵，
Figure BDA0003740496060000032
是服务群落间的组合协作边权重矩阵，满足
Figure BDA0003740496060000033
此外，
Figure BDA0003740496060000034
是任一服务群落
Figure BDA0003740496060000035
在所有制造任务执行过程中的相邻群落。假设存在常数θ＞0，如果任意两个服务群落
Figure BDA0003740496060000036
和
Figure BDA0003740496060000037
有组合协作可能性，那么k时刻至少在服务节点
Figure BDA0003740496060000038
和
Figure BDA0003740496060000039
之间存在一条组合协作边，满足
Figure BDA00037404960600000310
反之
Figure BDA00037404960600000311
②考虑不同时刻下平台制造任务负载量的动态性和不确定性，制造服务聚合网络拓扑结构G是时变的，且所有服务节点间的协作边权重随之动态改变。
进一步地，所述步骤2具体包括：
①将提交到平台上所有制造任务
Figure BDA00037404960600000312
分解为若干个独立子任务，并划分为不同的子任务集STm,STn,m≠n,m∈NST，其中NTT为提交平台的所有任务数目，NST为所有子任务集数目，子任务集STm属性满足STm＝{SFm,wlm}，SFm为服务功能需求类型m，wlm为负载需求量。不同的子任务具有不同的功能需求和负载需求，两两之间仅存在时序关系，无功能需求重叠；
②在平台运营过程中，服务节点负载状态可划分为欠载、饱和和超载；将k时刻服务节点
Figure BDA00037404960600000313
的负载状态表示为xi,p(k)≥0，其可用性ai,p(k)满足：
Figure BDA00037404960600000314
其中，
Figure BDA00037404960600000315
是服务节点
Figure BDA00037404960600000316
的负载能力上限；
当且仅当ai,p(k)＝1时，平台对服务节点
Figure BDA00037404960600000317
进行负载量分配及子任务匹配；
在不同时刻下，服务节点
Figure BDA00037404960600000318
的负载状态更新如下：
Figure BDA00037404960600000319
其中，
Figure BDA00037404960600000320
为k时刻分配给该节点的负载量，
Figure BDA00037404960600000321
为k时刻该节点执行完成的负载量。
进一步地，所述步骤3具体包括：
①服务群落
Figure BDA00037404960600000322
在不同时刻的负载状态表示为：
Figure BDA00037404960600000323
其中，群落负载状态表示为
Figure BDA00037404960600000324
k时刻服务群落
Figure BDA00037404960600000325
负载流量进一步地表示为：
Figure BDA0003740496060000041
Figure BDA0003740496060000042
其中，
Figure BDA0003740496060000043
表示k时刻从服务群落
Figure BDA0003740496060000044
起始执行的任务负载流量，满足
Figure BDA0003740496060000045
表示在该群落执行终止的任务负载流量，满足
Figure BDA0003740496060000046
表示已经被服务群落
Figure BDA0003740496060000047
执行完成，且即将由群落
Figure BDA0003740496060000048
开始下一阶段任务执行的负载流量，
Figure BDA0003740496060000049
表示刚被服务群落
Figure BDA00037404960600000410
执行完成，且进入等待群落
Figure BDA00037404960600000411
下一阶段任务执行的负载流量，满足：
Figure BDA00037404960600000412
Figure BDA00037404960600000413
其中，υi,p为服务节点
Figure BDA00037404960600000414
的任务执行速率，τ为平台运营数据采样时间周期，
Figure BDA00037404960600000415
为群落
Figure BDA00037404960600000416
和
Figure BDA00037404960600000417
间的组合协作概率，lpq(k)为服务群落
Figure BDA00037404960600000418
和
Figure BDA00037404960600000419
之间的等待序列长度，σpq(k)∈[0,1]为允许负载流量从群落
Figure BDA00037404960600000431
流入群落
Figure BDA00037404960600000432
的负载比；
在任务执行过程中，如果k时刻子任务准备好被执行且允许等待执行当且仅当所匹配的服务群落里的服务节点仍被占用时，该子任务将进入等待序列；
服务群落
Figure BDA00037404960600000420
和
Figure BDA00037404960600000421
之间的等待序列长度lpq(k)为：
Figure BDA00037404960600000422
服务群落
Figure BDA00037404960600000423
和
Figure BDA00037404960600000424
之间的负载流流量fpq(k)可表示为：
Figure BDA00037404960600000425
②为保证平台制造任务稳健执行，任两个服务群落间的负载流流量应满足约束：
Figure BDA00037404960600000426
其中，fij,sat为服务节点
Figure BDA00037404960600000427
和
Figure BDA00037404960600000428
间的饱和负载流流量；
基于网络流理论，服务群落
Figure BDA00037404960600000429
能达到服务能力与服务承载的平衡状态当在k时刻群落流入与流出负载流量相等时，即
Figure BDA00037404960600000430
进一步地，所述步骤4具体包括：
①服务群落组合协作概率
Figure BDA0003740496060000051
限制在k时刻从服务群落
Figure BDA0003740496060000052
流入群落
Figure BDA0003740496060000053
的负载流量，p,q∈NMS，这样其它后续执行阶段的具有足够负载空间的服务群落能够相应地提前执行任务；σpq(k)代表服务群落间任务负载分配因子，确定服务群落
Figure BDA0003740496060000054
作为群落
Figure BDA0003740496060000055
后续执行阶段的优先级，使得具有较高优先级的服务群落的任务负载尽可能地优先执行，从而减少服务群落负载压力；σpq(k)满足如下约束：
Figure BDA0003740496060000056
②设置三个分布式负载平衡控制目标包括：
a.群落内节点负载平衡：
考虑服务节点相似度和负载状态，服务节点
Figure BDA0003740496060000057
与
Figure BDA0003740496060000058
间的聚类协作强度为：
Figure BDA0003740496060000059
其中，
Figure BDA00037404960600000510
是k时刻服务节点
Figure BDA00037404960600000511
的负载闲置率，满足：
Figure BDA00037404960600000512
Figure BDA00037404960600000513
是服务节点
Figure BDA00037404960600000514
与
Figure BDA00037404960600000515
间相似度的标准化形式，满足：
Figure BDA00037404960600000516
其中，
Figure BDA00037404960600000517
分别表示服务节点
Figure BDA00037404960600000518
与
Figure BDA00037404960600000519
的服务质量，
Figure BDA00037404960600000520
为群落
Figure BDA00037404960600000521
中任意两个服务节点的服务质量，
Figure BDA00037404960600000522
利用欧几里得距离计算
Figure BDA00037404960600000523
Nind是服务质量属性集合，包括执行时间、成本、可靠性，
Figure BDA00037404960600000524
是服务节点
Figure BDA00037404960600000525
的第m个服务质量属性；
令
Figure BDA00037404960600000526
作为负载转移决策变量，表示为：
Figure BDA00037404960600000527
此外，服务节点负载状态更新为：
Figure BDA0003740496060000061
其中，Δxi,p(k)为由于负载转移造成的服务节点负载变化：
Figure BDA0003740496060000062
在该机制下，引入损失函数Jp,in，计算服务群落
Figure BDA0003740496060000063
内所有节点的负载不平衡程度，表示为：
Figure BDA0003740496060000064
b.群落负载流量平衡：
为保证服务群落有足够的负载处理能力，故有：
Figure BDA0003740496060000065
Figure BDA0003740496060000066
引入损失函数Jp,exe，表示为：
Figure BDA0003740496060000067
服务群落
Figure BDA0003740496060000068
的负载流入流量受允许流入负载比例σop(k)和组合协作概率
Figure BDA0003740496060000069
约束；如果
Figure BDA00037404960600000610
则降低σop(k)以减少服务群落
Figure BDA00037404960600000611
负载流量流入直至
Figure BDA00037404960600000612
如果
Figure BDA00037404960600000613
则增加σop(k)以允许更多负载流量流入服务群落
Figure BDA00037404960600000614
直至
Figure BDA00037404960600000615
如果
Figure BDA00037404960600000616
则σop(k)保持不变；
建立惩罚函数Jp,pen保证服务群落
Figure BDA00037404960600000617
的总体负载尽可能不超过其服务能力上限：
Figure BDA00037404960600000618
结合Jp,exe和Jp,pen，得到以下控制目标：
Figure BDA00037404960600000619
其中，χ是惩罚系数，χ＞0；Jp,LPA越小，代表服务群落
Figure BDA00037404960600000711
的负载处理能力越好；
c.群落间负载流转平衡：
相邻服务群落间的负载流满足约束条件：
Figure BDA0003740496060000071
Figure BDA0003740496060000072
其中，ε,θ为极小的正常数。利用增广Lagrangian方法，上述约束可表示为以下损失函数Jp,among：
Figure BDA0003740496060000073
其中，
Figure BDA0003740496060000074
是随时间迭代更新的Lagrangian乘子，
Figure BDA0003740496060000075
δ是标量。
进一步地，所述步骤5中具体包括：
①根据平台制造服务负载平衡需求设置权重系数β1,β2,β3对步骤4中的三个优化子目标进行加权求和，通过使网络总体服务负载不平衡程度最小化以实现优化目标；构造制造服务聚合协作多目标优化问题如下：
Figure BDA0003740496060000076
Figure BDA0003740496060000077
此外，为提高优化算法收敛速度，构造误差函数
Figure BDA0003740496060000078
并设置算法终止条件：
Figure BDA0003740496060000079
Figure BDA00037404960600000710
或当s>smax时，算法终止；s是迭代次数，smax是机器计算时间和采样时间下的最大允许迭代次数。
本发明与现有技术相比的优点在于：
(1)本发明所提出的制造服务聚合网络节点和群落负载状态及流量测量方法对服务节点和群落负载状态及服务能力进行了评估，能够有效监测服务群落间的负载流量；
(2)本发明所提出的制造服务聚合协作分布式负载平衡控制方法，从制造服务聚合网络服务节点、群落和边不同层级结构，引入任务负载分配因子和服务组合协作概率调节因子，设置了三个负载平衡控制目标，能够有效调控制造服务节点/群落间的负载分配和负载流量，提高平台服务平均利用率并减少任务执行拥堵情形的发生，为研究工业互联网平台持续稳健运营提供支持。
附图说明
图1是本发明的一种面向平台制造服务聚合协作的分布式负载平衡调控方法流程图；
图2是本发明所述的制造服务聚合网络。
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，以下结合附图及实施例，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例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本发明公开了一种面向平台制造服务聚合协作的分布式负载平衡调控方法，该方法包括考虑负载属性的平台制造服务聚合网络构建、网络服务节点负载状态及流量测量、网络服务群落负载状态及流量测量、分布式负载平衡控制目标设置、算法通用性求解5个步骤。一方面提出了一种服务聚合网络节点和群落负载状态及群落间负载流量测量方法，能够有效评估平台运营过程中制造服务聚合网络节点和群落的负载状态；另一方面提出了一种制造服务聚合协作分布式负载平衡控制策略，能够有效调控平台运营过程中服务节点间的负载分配和群落间的负载流量，提高平台服务平均利用率并减少任务执行拥堵情形的发生，为研究工业互联网平台持续稳健运营提供支持。
如图1所示，本发明的一种面向平台制造服务聚合协作的分布式负载平衡调控方法，具体实施方式如下：
步骤1：考虑负载属性的平台制造服务聚合网络构建，构建的制造服务聚合网络如图2，具体实施方式如下：
①将制造资源与制造能力抽象化封装为服务节点，基于图论将制造服务聚合网络拓扑结构描述为图G，满足G＝{V,E,W(k)}，其中
Figure BDA0003740496060000081
代表网络所有服务节点的集合，
Figure BDA0003740496060000082
为服务群落
Figure BDA0003740496060000083
中的第i个节点，
Figure BDA0003740496060000084
为服务群落
Figure BDA0003740496060000085
中的服务节点数，N为网络中的所有服务节点数，NMS为网络中的所有服务群落数，
Figure BDA00037404960600000921
E＝(eij)N×N是网络中所有协作边集合，代表节点间的聚类/组合协作关系。假设平台运营过程为离散时间系统，其采样时间周期为τ，离散时刻为k，k是非负整数，其时间间隔为[(k-1)τ,kτ]。考虑服务节点的功能和负载属性，
Figure BDA0003740496060000092
为k时刻协作边权重矩阵，其中
Figure BDA0003740496060000093
是任一服务群落
Figure BDA0003740496060000094
的聚类协作边权重矩阵，
Figure BDA0003740496060000095
是服务群落间的组合协作边权重矩阵，满足
Figure BDA0003740496060000096
此外，
Figure BDA0003740496060000097
是任一服务群落
Figure BDA0003740496060000098
在所有制造任务执行过程中的相邻群落。假设存在常数θ＞0，如果任意两个服务群落
Figure BDA0003740496060000099
和
Figure BDA00037404960600000910
有组合协作可能性，那么k时刻至少在服务节点
Figure BDA00037404960600000911
和
Figure BDA00037404960600000912
之间存在一条组合协作边，满足
Figure BDA00037404960600000913
反之
Figure BDA00037404960600000914
②在同一服务群落中，所有服务节点具有相同的功能，故群落内所有协作边是无向的；属于不同服务群落内的服务节点虽然具有不同功能，但具备共同完成同一复杂制造任务的可能，对于某一项制造任务而言，所需的若干种功能存在执行时序关系，故对应服务群落中的服务节点存在组合完成同一任务的概率，且该组合协作边是有向的。这里考虑不同时刻下平台制造任务负载量的动态性和不确定性，制造服务聚合网络拓扑结构G是时变的，且所有服务节点间的协作边权重随之动态改变。
步骤2：网络服务节点负载状态及流量测量，具体实施方式如下：
①将提交到平台上的所有制造任务
Figure BDA00037404960600000915
分解为若干个独立子任务，并划分为不同的子任务集STm,STn,m≠n,m∈NST，其中NTT为提交平台的所有制造任务数目，NST为所有子任务集数目，子任务集STm属性满足STm＝{SFm,wlm}，SFm为服务功能需求类型m，wlm为负载需求量。不同的子任务具有不同的功能需求和负载需求，两两之间仅存在时序关系，无功能需求重叠。
②在平台运营过程中，服务节点负载状态可划分为欠载、饱和和超载。将k时刻服务节点
Figure BDA00037404960600000916
的负载状态表示为xi,p(k)≥0，其可用性ai,p(k)满足：
Figure BDA00037404960600000917
其中，
Figure BDA00037404960600000918
是服务节点
Figure BDA00037404960600000919
的负载能力上限。当且仅当ai,p(k)＝1时，平台可对服务节点
Figure BDA00037404960600000920
进行负载量分配及子任务匹配。
在不同时刻下，服务节点
Figure BDA0003740496060000101
的负载状态更新如下：
Figure BDA0003740496060000102
其中，
Figure BDA0003740496060000103
为k时刻分配给该节点的负载量，
Figure BDA0003740496060000104
为k时刻该节点执行完成的负载量。
步骤3：网络服务群落负载状态及流量测量，具体实施方式如下：
①服务群落
Figure BDA00037404960600001031
在不同时刻的负载状态表示为：
Figure BDA0003740496060000105
其中，群落负载状态表示为
Figure BDA0003740496060000106
k时刻服务群落
Figure BDA0003740496060000107
负载流量进一步地表示为：
Figure BDA0003740496060000108
Figure BDA0003740496060000109
其中，
Figure BDA00037404960600001010
表示k时刻从服务群落
Figure BDA00037404960600001011
起始执行的任务负载流量，满足
Figure BDA00037404960600001012
表示在该群落执行终止的任务负载流量，满足
Figure BDA00037404960600001013
表示已经被服务群落
Figure BDA00037404960600001014
执行完成，且即将由群落
Figure BDA00037404960600001015
开始下一阶段任务执行的负载流量，
Figure BDA00037404960600001016
表示刚被服务群落
Figure BDA00037404960600001032
执行完成，且进入等待群落
Figure BDA00037404960600001017
下一阶段任务执行的负载流量，满足：
Figure BDA00037404960600001018
Figure BDA00037404960600001019
其中，υi,p为服务节点
Figure BDA00037404960600001020
的任务执行速率，τ为平台运营数据采样时间周期，
Figure BDA00037404960600001021
为群落
Figure BDA00037404960600001022
和
Figure BDA00037404960600001023
间的组合协作概率，lpq(k)为服务群落
Figure BDA00037404960600001024
和
Figure BDA00037404960600001025
之间的等待序列长度，σpq(k)∈[0,1]为允许负载流量从群落
Figure BDA00037404960600001026
流入群落
Figure BDA00037404960600001027
的负载比。
在任务执行过程中，如果k时刻子任务准备好被执行且允许等待执行当且仅当所匹配的服务群落里的服务节点仍被占用时，该子任务将进入等待序列。服务群落
Figure BDA00037404960600001028
和
Figure BDA00037404960600001029
之间的等待序列长度lpq(k)为：
Figure BDA00037404960600001030
服务群落
Figure BDA0003740496060000111
和
Figure BDA0003740496060000112
之间的负载流流量fpq(k)可表示为：
Figure BDA0003740496060000113
②为保证平台制造任务稳健执行，任两个服务群落间的负载流流量应满足约束：
Figure BDA0003740496060000114
其中，fij,sat为服务节点
Figure BDA0003740496060000115
和
Figure BDA0003740496060000116
间的饱和负载流流量。
基于网络流理论，服务群落
Figure BDA0003740496060000117
能达到服务能力与服务承载的平衡状态当在k时刻群落流入与流出负载流量相等时，即
Figure BDA0003740496060000118
步骤4：分布式负载平衡控制目标设置，具体实施方式如下：
①在平台运营过程中，针对所有服务群落引入任务负载分配因子和服务组合协作概率调节因子，从而分布式协调服务群落间的负载流量。服务群落组合协作概率
Figure BDA0003740496060000119
能够限制在k时刻从服务群落
Figure BDA00037404960600001110
流入群落
Figure BDA00037404960600001111
的负载流量，p,q∈NMS，这样其它后续执行阶段的具有足够负载空间的服务群落能够相应地提前执行任务。σpq(k)代表服务群落间任务负载分配因子，能够确定服务群落
Figure BDA00037404960600001112
作为群落
Figure BDA00037404960600001113
后续执行阶段的优先级，使得具有较高优先级的服务群落的任务负载尽可能地优先执行，从而减少服务群落负载压力。σpq(k)满足如下约束：
Figure BDA00037404960600001114
②设置三个分布式负载平衡控制目标，包括群落内节点负载平衡，群落负载流量平衡，群落间负载流转平衡。
a.群落内节点负载平衡：
考虑服务节点相似度和负载状态，服务节点
Figure BDA00037404960600001115
与
Figure BDA00037404960600001116
间的聚类协作强度为：
Figure BDA00037404960600001117
其中，
Figure BDA00037404960600001118
是k时刻服务节点
Figure BDA00037404960600001119
的负载闲置率，满足：
Figure BDA00037404960600001120
Figure BDA00037404960600001121
是服务节点
Figure BDA00037404960600001122
与
Figure BDA00037404960600001123
间相似度的标准化形式，满足：
Figure BDA00037404960600001124
其中，
Figure BDA0003740496060000121
分别表示服务节点
Figure BDA0003740496060000122
与
Figure BDA0003740496060000123
的服务质量，
Figure BDA0003740496060000124
为群落
Figure BDA0003740496060000125
中任意两个服务节点的服务质量，
Figure BDA00037404960600001220
利用欧几里得距离计算
Figure BDA0003740496060000127
Nind是服务质量(Quality of Service，缩称QoS)属性集合，包括执行时间、成本、可靠性等，
Figure BDA0003740496060000128
是服务节点
Figure BDA0003740496060000129
的第m个QoS属性。
对于服务群落内的任一服务节点
Figure BDA00037404960600001210
它与其它节点的聚类协作强度按照递减次序排序，从而分配给
Figure BDA00037404960600001211
的任务负载能够相应地转移给排序中前几个具有较高聚类协作强度的服务节点以降低服务负载压力。令
Figure BDA00037404960600001212
作为负载转移决策变量，表示为：
Figure BDA00037404960600001213
此外，服务节点负载状态更新为：
Figure BDA00037404960600001214
其中，Δxi,p(k)为由于负载转移造成的服务节点负载变化：
Figure BDA00037404960600001215
在该机制下，引入损失函数Jp,in，计算服务群落
Figure BDA00037404960600001216
内所有节点的负载不平衡程度，表示为：
Figure BDA00037404960600001217
b.群落负载流量平衡：
为保证分配给服务群落的制造任务能够稳健执行，流入群落的负载流量应低于其服务能力上限。同时，考虑到服务节点往往难以一次性地完成分配的所有负载，需要在服务群落的负载流入流量和负载余度之间达到平衡，从而保证服务群落有足够的负载处理能力，故有：
Figure BDA00037404960600001218
Figure BDA00037404960600001219
引入损失函数Jp,exe，表示为：
Figure BDA0003740496060000131
服务群落
Figure BDA0003740496060000132
的负载流入流量受允许流入负载比例σop(k)和组合协作概率
Figure BDA0003740496060000133
约束。考虑以下三种情况：(a)如果
Figure BDA0003740496060000134
则降低σop(k)以减少服务群落
Figure BDA0003740496060000135
负载流量流入直至
Figure BDA0003740496060000136
(b)如果
Figure BDA0003740496060000137
则增加σop(k)以允许更多负载流量流入服务群落
Figure BDA0003740496060000138
直至
Figure BDA0003740496060000139
(c)如果
Figure BDA00037404960600001310
则σop(k)保持不变。
此外，建立惩罚函数Jp,pen保证服务群落
Figure BDA00037404960600001311
的总体负载尽可能不超过其服务能力上限：
Figure BDA00037404960600001312
结合Jp,exe和Jp,pen，得到以下控制目标：
Figure BDA00037404960600001313
其中，χ是惩罚系数，χ＞0。Jp,LPA越小，代表服务群落
Figure BDA00037404960600001319
的负载处理能力越好。
c.群落间负载流转平衡：
相邻服务群落间的负载流满足约束条件：
Figure BDA00037404960600001314
Figure BDA00037404960600001315
其中，ε,θ为极小的正常数。利用增广Lagrangian方法，上述约束可表示为以下损失函数Jp,among：
Figure BDA00037404960600001316
其中，
Figure BDA00037404960600001317
是随时间迭代更新的Lagrangian乘子，
Figure BDA00037404960600001318
δ是标量。
步骤5：网络负载平衡调控方案求解，具体实施方式如下：
①根据平台制造服务负载平衡需求设置权重系数β1,β2,β3对步骤4中的三个优化子目标进行加权求和，通过使网络总体服务负载不平衡程度最小化以实现优化目标。构造制造服务聚合协作多目标优化问题如下：
Figure BDA0003740496060000141
Figure BDA0003740496060000142
此外，为提高优化算法收敛速度，构造误差函数
Figure BDA0003740496060000143
并设置算法终止条件：
Figure BDA0003740496060000144
Figure BDA0003740496060000145
或当s>smax时，算法终止。s是迭代次数，smax是机器计算时间和采样时间下的最大允许迭代次数。
②考虑该优化问题具有一般性，因此可结合常用的优化算法对该问题进行求解，得到满足优化目标和约束的最优解，从而以制造服务负载平衡为目标优化平台任务分配。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
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 (6)

1.一种面向平台制造服务聚合协作的分布式负载平衡调控方法，其特征在于，包括步骤如下：
步骤1：构建考虑负载属性的平台制造服务聚合网络：将提交到平台上的制造资源与制造能力封装成制造服务节点，并根据节点功能属性将节点间的协作关系分为聚类协作和组合协作两类；考虑服务节点的负载属性，基于图论构建制造服务聚合网络，具有聚类协作关系的节点通过无向边相连并形成服务群落，其聚类协作强度代表节点间的相似程度，具有组合协作关系的节点通过有向边相连，其组合协作强度代表节点间的组合协作概率；
步骤2：测量网络服务节点负载状态及流量：将提交到平台上的制造任务分解为若干个具有不同功能需求和负载需求的独立子任务，考虑任务分配和服务-子任务匹配关系，建立状态方程测量网络服务节点负载状态及节点间负载流量；
步骤3：测量网络服务群落负载状态及流量：基于网络服务节点负载状态及节点间负载流量测量，考虑子任务执行次序，建立状态方程测量网络群落负载状态及群落间负载流量，并基于网络流理论引入群落负载流量约束：
步骤4：设置分布式负载平衡控制目标：考虑制造服务聚合网络中节点、群落、边等不同层级结构，引入任务负载分配因子和服务组合协作概率调节因子，设置群落内节点负载平衡、群落负载流量平衡、群落间负载流转平衡三个分布式负载平衡控制目标；
步骤5：求解网络负载平衡调控方案：将步骤4中设置的制造服务聚合协作分布式负载平衡控制目标转化为多目标优化问题，通过优化算法进行求解，从而得到满足优化目标和约束的最优解。
2.根据权利要求1中所述的一种面向平台制造服务聚合协作的分布式负载平衡调控方法，其特征在于：
所述步骤1具体包括：
①将制造资源与制造能力抽象化封装为服务节点，基于图论将制造服务聚合网络拓扑结构描述为图G，满足G＝{V,E,W(k)}，其中
Figure FDA0003740496050000011
代表网络所有服务节点的集合，
Figure FDA0003740496050000012
为服务群落
Figure FDA0003740496050000013
中的第i个节点，
Figure FDA0003740496050000014
为服务群落
Figure FDA0003740496050000015
中的服务节点数，N为网络中的所有服务节点数，NMS是网络中的所有服务群落数，
Figure FDA0003740496050000016
p,q∈NMS,p≠q；E＝(eij)N×N是网络中所有协作边集合，代表节点间的聚类/组合协作关系，假设平台运营过程为离散时间系统，其采样时间周期为τ，离散时刻为k，k是非负整数，其时间间隔为[(k-1)τ,kτ]。考虑服务节点的功能和负载属性，
Figure FDA0003740496050000021
为k时刻协作边权重矩阵，其中
Figure FDA0003740496050000022
是任一服务群落
Figure FDA0003740496050000023
的聚类协作边权重矩阵，i,
Figure FDA0003740496050000024
是服务群落间的组合协作边权重矩阵，满足
Figure FDA0003740496050000025
此外，
Figure FDA0003740496050000026
是任一服务群落
Figure FDA0003740496050000027
在所有制造任务执行过程中的相邻群落。假设存在常数θ＞0，如果任意两个服务群落
Figure FDA0003740496050000028
和
Figure FDA0003740496050000029
有组合协作可能性，那么k时刻至少在服务节点
Figure FDA00037404960500000210
和
Figure FDA00037404960500000211
之间存在一条组合协作边，满足
Figure FDA00037404960500000212
反之
Figure FDA00037404960500000213
②考虑不同时刻下平台制造任务负载量的动态性和不确定性，制造服务聚合网络拓扑结构G是时变的，且所有服务节点间的协作边权重随之动态改变。
3.根据权利要求2中所述的一种面向平台制造服务聚合协作的分布式负载平衡调控方法，其特征在于：
所述步骤2具体包括：
①将提交到平台上所有制造任务
Figure FDA00037404960500000214
分解为若干个独立子任务，并划分为不同的子任务集STm,STn,m≠n,m∈NST，其中NTT为提交平台的所有任务数目，NST为所有子任务集数目，子任务集STm属性满足STm＝{SFm,wlm}，SFm为服务功能需求类型m，wlm为负载需求量；不同的子任务具有不同的功能需求和负载需求，两两之间仅存在时序关系，无功能需求重叠；
②在平台运营过程中，服务节点负载状态可划分为欠载、饱和和超载；将k时刻服务节点
Figure FDA00037404960500000215
的负载状态表示为xi,p(k)≥0，其可用性ai,p(k)满足：
Figure FDA00037404960500000216
其中，
Figure FDA00037404960500000217
是服务节点
Figure FDA00037404960500000218
的负载能力上限；
当且仅当ai,p(k)＝1时，平台对服务节点
Figure FDA00037404960500000219
进行负载量分配及子任务匹配；
在不同时刻下，服务节点
Figure FDA00037404960500000220
的负载状态更新如下：
Figure FDA00037404960500000221
其中，
Figure FDA0003740496050000031
为k时刻分配给该节点的负载量，
Figure FDA0003740496050000032
为k时刻该节点执行完成的负载量。
4.根据权利要求3中所述的一种面向平台制造服务聚合协作的分布式负载平衡调控方法，其特征在于：
所述步骤3具体包括：
①服务群落
Figure FDA0003740496050000033
在不同时刻的负载状态表示为：
Figure FDA0003740496050000034
其中，群落负载状态表示为
Figure FDA0003740496050000035
k时刻服务群落
Figure FDA0003740496050000036
负载流量进一步地表示为：
Figure FDA0003740496050000037
Figure FDA0003740496050000038
其中，
Figure FDA0003740496050000039
表示k时刻从服务群落
Figure FDA00037404960500000310
起始执行的任务负载流量，满足
Figure FDA00037404960500000311
Figure FDA00037404960500000312
表示在该群落执行终止的任务负载流量，满足
Figure FDA00037404960500000313
Figure FDA00037404960500000314
表示已经被服务群落
Figure FDA00037404960500000315
执行完成，且即将由群落
Figure FDA00037404960500000316
开始下一阶段任务执行的负载流量，
Figure FDA00037404960500000317
表示刚被服务群落
Figure FDA00037404960500000318
执行完成，且进入等待群落
Figure FDA00037404960500000319
下一阶段任务执行的负载流量，满足：
Figure FDA00037404960500000320
Figure FDA00037404960500000321
其中，υi,p为服务节点
Figure FDA00037404960500000322
的任务执行速率，τ为平台运营数据采样时间周期，
Figure FDA00037404960500000323
为群落
Figure FDA00037404960500000324
和
Figure FDA00037404960500000325
间的组合协作概率，lpq(k)为服务群落
Figure FDA00037404960500000326
和
Figure FDA00037404960500000327
之间的等待序列长度，σpq(k)∈[0,1]为允许负载流量从群落
Figure FDA00037404960500000328
流入群落
Figure FDA00037404960500000329
的负载比；
在任务执行过程中，如果k时刻子任务准备好被执行且允许等待执行当且仅当所匹配的服务群落里的服务节点仍被占用时，该子任务将进入等待序列；
服务群落
Figure FDA00037404960500000330
和
Figure FDA00037404960500000331
之间的等待序列长度lpq(k)为：
Figure FDA00037404960500000332
服务群落
Figure FDA0003740496050000041
和
Figure FDA0003740496050000042
之间的负载流流量fpq(k)可表示为：
Figure FDA0003740496050000043
②为保证平台制造任务稳健执行，任两个服务群落间的负载流流量应满足约束：
Figure FDA0003740496050000044
其中，fij,sat为服务节点
Figure FDA0003740496050000045
和
Figure FDA0003740496050000046
间的饱和负载流流量；
基于网络流理论，服务群落
Figure FDA0003740496050000047
能达到服务能力与服务承载的平衡状态当在k时刻群落流入与流出负载流量相等时，即
Figure FDA0003740496050000048
5.根据权利要求4中所述的一种面向平台制造服务聚合协作的分布式负载平衡调控方法，其特征在于：
所述步骤4具体包括：
①服务群落组合协作概率
Figure FDA0003740496050000049
限制在k时刻从服务群落
Figure FDA00037404960500000410
流入群落
Figure FDA00037404960500000411
的负载流量，p,q∈NMS，这样其它后续执行阶段的具有足够负载空间的服务群落能够相应地提前执行任务；σpq(k)代表服务群落间任务负载分配因子，确定服务群落
Figure FDA00037404960500000412
作为群落
Figure FDA00037404960500000413
后续执行阶段的优先级，使得具有较高优先级的服务群落的任务负载尽可能地优先执行，从而减少服务群落负载压力；σpq(k)满足如下约束：
Figure FDA00037404960500000414
②设置三个分布式负载平衡控制目标包括：
a.群落内节点负载平衡：
考虑服务节点相似度和负载状态，服务节点
Figure FDA00037404960500000415
与
Figure FDA00037404960500000416
间的聚类协作强度为：
Figure FDA00037404960500000417
其中，
Figure FDA00037404960500000418
是k时刻服务节点
Figure FDA00037404960500000419
的负载闲置率，满足：
Figure FDA00037404960500000420
Figure FDA00037404960500000421
是服务节点
Figure FDA00037404960500000422
与
Figure FDA00037404960500000423
间相似度的标准化形式，满足：
Figure FDA0003740496050000051
其中，
Figure FDA0003740496050000052
分别表示服务节点
Figure FDA0003740496050000053
与
Figure FDA0003740496050000054
的服务质量，
Figure FDA0003740496050000055
为群落
Figure FDA0003740496050000056
中任意两个服务节点的服务质量，u,
Figure FDA0003740496050000057
u≠v；
利用欧几里得距离计算
Figure FDA0003740496050000058
Nind是服务质量属性集合，包括执行时间、成本、可靠性，
Figure FDA0003740496050000059
是服务节点
Figure FDA00037404960500000510
的第m个服务质量属性；
令
Figure FDA00037404960500000511
作为负载转移决策变量，表示为：
Figure FDA00037404960500000512
此外，服务节点负载状态更新为：
Figure FDA00037404960500000513
其中，Δxi,p(k)为由于负载转移造成的服务节点负载变化：
Figure FDA00037404960500000514
在该机制下，引入损失函数Jp,in，计算服务群落
Figure FDA00037404960500000515
内所有节点的负载不平衡程度，表示为：
Figure FDA00037404960500000516
b.群落负载流量平衡：
为保证服务群落有足够的负载处理能力，故有：
Figure FDA00037404960500000517
Figure FDA00037404960500000518
引入损失函数Jp,exe，表示为：
Figure FDA00037404960500000519
服务群落
Figure FDA00037404960500000520
的负载流入流量受允许流入负载比例σop(k)和组合协作概率
Figure FDA0003740496050000061
约束；如果
Figure FDA0003740496050000062
则降低σop(k)以减少服务群落
Figure FDA0003740496050000063
负载流量流入直至
Figure FDA0003740496050000064
如果
Figure FDA0003740496050000065
则增加σop(k)以允许更多负载流量流入服务群落
Figure FDA0003740496050000066
直至
Figure FDA0003740496050000067
如果
Figure FDA0003740496050000068
则σop(k)保持不变；
建立惩罚函数Jp,pen保证服务群落
Figure FDA0003740496050000069
的总体负载尽可能不超过其服务能力上限：
Figure FDA00037404960500000610
结合Jp,exe和Jp,pen，得到以下控制目标：
Figure FDA00037404960500000611
其中，χ是惩罚系数，χ＞0；Jp,LPA越小，代表服务群落
Figure FDA00037404960500000612
的负载处理能力越好；
c.群落间负载流转平衡：
相邻服务群落间的负载流满足约束条件：
Figure FDA00037404960500000613
Figure FDA00037404960500000614
其中，ε,θ为极小的正常数。利用增广Lagrangian方法，上述约束可表示为以下损失函数Jp,among：
Figure FDA00037404960500000615
其中，
Figure FDA00037404960500000616
是随时间迭代更新的Lagrangian乘子，
Figure FDA00037404960500000617
δ是标量。
6.根据权利要求5中所述的一种面向平台制造服务聚合协作的分布式负载平衡调控方法，其特征在于：
所述步骤5中具体包括：
①根据平台制造服务负载平衡需求设置权重系数β1,β2,β3对步骤4中的三个优化子目标进行加权求和，通过使网络总体服务负载不平衡程度最小化以实现优化目标；构造制造服务聚合协作多目标优化问题如下：
Figure FDA0003740496050000071
Figure FDA0003740496050000072
此外，为提高优化算法收敛速度，构造误差函数
Figure FDA0003740496050000073
并设置算法终止条件：
Figure FDA0003740496050000074
Figure FDA0003740496050000075
或当s>smax时，算法终止；s是迭代次数，smax是机器计算时间和采样时间下的最大允许迭代次数。
CN202210810209.9A 2022-07-11 2022-07-11 一种面向平台制造服务聚合协作的分布式负载平衡调控方法 Active CN115225517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210810209.9A CN115225517B (zh) 2022-07-11 2022-07-11 一种面向平台制造服务聚合协作的分布式负载平衡调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210810209.9A CN115225517B (zh) 2022-07-11 2022-07-11 一种面向平台制造服务聚合协作的分布式负载平衡调控方法

Publications (2)

Publication Number Publication Date
CN115225517A true CN115225517A (zh) 2022-10-21
CN115225517B CN115225517B (zh) 2023-07-28

Family

ID=83609723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210810209.9A Active CN115225517B (zh) 2022-07-11 2022-07-11 一种面向平台制造服务聚合协作的分布式负载平衡调控方法

Country Status (1)

Country Link
CN (1) CN115225517B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172633A (zh) * 2023-10-30 2023-12-05 浙江大学高端装备研究院 一种面向工业互联网平台的制造服务子图仿真方法及系统
CN117667639A (zh) * 2024-01-30 2024-03-08 华北电力大学 基于任务调度的数据中心用能调节能力评估方法及系统
CN117955984A (zh) * 2024-03-26 2024-04-30 苏州元脑智能科技有限公司 服务器调度方法、装置、系统、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111654396A (zh) * 2020-06-03 2020-09-11 北京航空航天大学 一种面向汇聚任务多维分解的制造服务聚合协作配置方法
CN112381134A (zh) * 2020-11-11 2021-02-19 北京航空航天大学 一种网络制造服务聚合协作特征动态度量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111654396A (zh) * 2020-06-03 2020-09-11 北京航空航天大学 一种面向汇聚任务多维分解的制造服务聚合协作配置方法
CN112381134A (zh) * 2020-11-11 2021-02-19 北京航空航天大学 一种网络制造服务聚合协作特征动态度量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YING CHENG, ET AL.: "Graph-based operational robustness analysis of industrial Internet of things platform for manufacturing service collaboration", INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172633A (zh) * 2023-10-30 2023-12-05 浙江大学高端装备研究院 一种面向工业互联网平台的制造服务子图仿真方法及系统
CN117172633B (zh) * 2023-10-30 2024-01-30 浙江大学高端装备研究院 一种面向工业互联网平台的制造服务子图仿真方法及系统
CN117667639A (zh) * 2024-01-30 2024-03-08 华北电力大学 基于任务调度的数据中心用能调节能力评估方法及系统
CN117667639B (zh) * 2024-01-30 2024-05-10 华北电力大学 基于任务调度的数据中心用能调节能力评估方法及系统
CN117955984A (zh) * 2024-03-26 2024-04-30 苏州元脑智能科技有限公司 服务器调度方法、装置、系统、计算机设备及存储介质

Also Published As

Publication number Publication date
CN115225517B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN115225517A (zh) 一种面向平台制造服务聚合协作的分布式负载平衡调控方法
CN104657221B (zh) 一种云计算中基于任务分类的多队列错峰调度模型及方法
CN112039965B (zh) 一种时间敏感网络中的多任务卸载方法及系统
CN103793272B (zh) 一种周期性任务调度方法及系统
CN110099384A (zh) 基于边-端协同的多用户多mec任务卸载资源调度方法
CN105656973A (zh) 一种分布式节点组内任务调度方法及系统
CN107329815A (zh) 一种基于BP‑Tabu搜索的云任务负载均衡调度方法
CN103401939A (zh) 一种采用混合调度策略的负载均衡方法
CN113641417B (zh) 一种基于分支定界法的车辆安全任务卸载方法
WO2020134133A1 (zh) 一种资源配置方法、变电站及计算机可读存储介质
CN105005503B (zh) 基于元胞自动机的云计算负载均衡任务调度方法
CN108667657A (zh) 一种面向sdn的基于局部特征信息的虚拟网络映射方法
CN105302650A (zh) 一种面向云计算环境下的动态多资源公平分配方法
CN113535393B (zh) 异构边缘计算中卸载dag任务的计算资源分配方法
CN107608777A (zh) 一种分布式环境中大数据处理任务的调度方法
CN111835849A (zh) 增强接入网服务能力的方法和装置
Yang et al. A novel distributed task scheduling framework for supporting vehicular edge intelligence
CN106060145A (zh) 一种分布式多云数据中心中基于收益的请求访问控制方法
CN114980029B (zh) 车联网中基于任务关联性的卸载方法
CN114172558A (zh) 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法
CN102184124B (zh) 任务调度方法及系统
CN113190342A (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
CN112084034B (zh) 一种基于边缘平台层调节系数的mct调度方法
CN110958192B (zh) 一种基于虚拟交换机的虚拟数据中心资源分配系统及方法
Khalili et al. GAJEL-DSDN: an intelligent hybrid genetic-Jaya-based switch migration algorithm for efficient load balancing in distributed SDNs

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