CN115237506B - Cps系统中可靠性驱动的分层任务卸载方法和装置 - Google Patents

Cps系统中可靠性驱动的分层任务卸载方法和装置 Download PDF

Info

Publication number
CN115237506B
CN115237506B CN202211146704.0A CN202211146704A CN115237506B CN 115237506 B CN115237506 B CN 115237506B CN 202211146704 A CN202211146704 A CN 202211146704A CN 115237506 B CN115237506 B CN 115237506B
Authority
CN
China
Prior art keywords
task
application
tasks
feasible
ccr
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.)
Active
Application number
CN202211146704.0A
Other languages
English (en)
Other versions
CN115237506A (zh
Inventor
曹坤
陈冠宗
翁健
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.)
Jinan University
Original Assignee
Jinan 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 Jinan University filed Critical Jinan University
Priority to CN202211146704.0A priority Critical patent/CN115237506B/zh
Publication of CN115237506A publication Critical patent/CN115237506A/zh
Application granted granted Critical
Publication of CN115237506B publication Critical patent/CN115237506B/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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Hardware Redundancy (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种CPS系统中可靠性驱动的分层任务卸载方法和装置，包括：获取由大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；根据所述应用任务参数对任务队列里存储的任务进行分组，得到应用任务列表；根据所述处理器参数和应用任务参数对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案。采用本发明的技术方案，在满足任务可靠性、定时性和可调度性要求的前提下，通过为任务区分不同的能源需求，分析动态能源最优性，最小化终端设备的整体能耗。

Description

CPS系统中可靠性驱动的分层任务卸载方法和装置
技术领域
本发明属于大规模信息物理融合系统（Cyber-physical systems，CPS）技术领域，尤其涉及一种CPS系统中可靠性驱动的分层任务卸载方法和装置、存储介质。
背景技术
大规模信息物理融合系统（Cyber-physical systems，CPS）广泛应用于智能电网、工业控制系统、智能交通、虚拟现实/增强现实等工业制造领域和人们的日常生活领域。与此同时，由于互联终端设备的激增，CPS的空间和时间维度不断增加，为了提供高质量的服务，这些大规模CPS应用具有严格的实时要求。分层任务卸载(Hierarchical taskoffloading, HTO)是一种结合了移动边缘计算(Mobile edge computing, MEC）和设备到设备通信技术(device-to-device, D2D)的计算模式，可以满足大规模CPS应用的严格的实时性要求。在HTO赋能的大型CPS中，在满足能源供应有限和终端设备固有的开放性的前提下，最大程度地降低能源消耗以及优化可靠性，已经成为一个非常重要的研究课题。
在尝试降低CPS的能耗以及增强可靠性方面，现有的任务卸载方案技术忽略了任务间的依赖性，因此它们只适用于最小化独立任务的能量消耗。从可靠性优化的角度出发，现有的任务卸载方案技术未能将HTO方法和可靠性问题结合到大规模CPS应用的能源优化中，此外，它们大多集中在一个调度水平上，只有一个终端设备可以作为请求者进行D2D级任务卸载的理想场景。然而，在实际的CPS环境中，单个终端设备很可能同时扮演请求者和帮助者的角色，以提高资源利用率。因此迫切需要对分层任务卸载技术进行可靠性驱动的研究，在满足任务可靠性、定时性和可调度性要求的前提下，最小化终端设备的整体能耗。
发明内容
本发明要解决的技术问题是，提供一种CPS系统中可靠性驱动的分层任务卸载方法和装置，在满足任务可靠性、定时性和可调度性要求的前提下，通过为任务区分不同的能源需求，分析动态能源最优性，最小化终端设备的整体能耗。
为实现上述目的，本发明采用如下的技术方案：
一种CPS系统中可靠性驱动的分层任务卸载方法，包括以下步骤：
步骤S1、获取由大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；
步骤S2、根据所述应用任务参数对任务队列里存储的任务进行分组，得到应用任务列表；
步骤S3、根据所述处理器参数和应用任务参数对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；
步骤S4、对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案。
作为优选，步骤S2中的应用任务参数为任务队列的任务通讯运算率值CCR值，所述CCR值为DAG应用程序在指定硬件平台上执行期间的平均通信开销与平均计算开销之比。
作为优选，步骤S3中处理器参数为处理器功率指数，步骤S3中应用任务参数为任务功率因子。
作为优选，步骤S4包括以下步骤：
根据任务适应度值导出所述通讯密集型应用任务的任务功率因子，其中，任务适应度值为任务的当前CCR值与预定义的CCR值阈值之差；
根据所述通讯密集型应用任务的任务功率因子，生成第二可行卸载方案。
本发明还提供一种CPS系统中可靠性驱动的分层任务卸载装置，包括：
获取模块，用于获取由大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；
分组模块，用于根据所述应用任务参数对任务队列里存储的任务进行分组，得到应用任务列表；
第一处理模块，用于根据所述处理器参数和应用任务参数对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；
第二处理模块，用于对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案。
作为优选，分组模块中的应用任务参数为任务队列的任务通讯运算率值CCR值，所述CCR值为DAG应用程序在指定硬件平台上执行期间的平均通信开销与平均计算开销之比。
作为优选，第一处理模块中处理器参数为处理器功率指数，第一处理模块中应用任务参数为任务功率因子。
作为优选，所述第二处理模块包括：
第一计算单元，用于根据任务适应度值导出所述通讯密集型应用任务的任务功率因子，其中，任务适应度值为任务的当前CCR值与预定义的CCR值阈值之差；
第二计算单元，用于根据所述通讯密集型应用任务的任务功率因子，生成第二可行卸载方案。
本发明考虑到大规模信息物理融合系统应用中的实时需求以及分层任务卸载技术中可靠性的需求，通过分类转换并生成可行卸载方案的方式，为CPS中每个人物选择合适的任务卸载方案，从而实现任务能耗最小化。本发明对于HTO方案驱动的CPS系统具有很高的应用价值。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例CPS系统中可靠性驱动的分层任务卸载方法的流程图；
图2为本发明实施例CPS系统中可靠性驱动的分层任务卸载装置的结构示意图。
具体实施方式
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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1所示，本发明提供一种CPS系统中可靠性驱动的分层任务卸载方法，包括以下步骤：
步骤S1、获取由大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；
步骤S2、根据所述应用任务参数对任务队列里存储的任务进行分组，得到应用任务列表；
步骤S3、根据所述处理器参数和应用任务参数对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；
步骤S4、对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案。
作为本发明实施例的一种实施方式，所述步骤S2具体包括：
步骤21、用集合
Figure 380688DEST_PATH_IMAGE001
表示所有DAG应用包含任务，根据任务队列中的任 务
Figure 969932DEST_PATH_IMAGE001
中通讯运算率值
Figure 952932DEST_PATH_IMAGE002
，随机生成
Figure 285824DEST_PATH_IMAGE003
个簇
Figure 280021DEST_PATH_IMAGE004
,其中
Figure 305746DEST_PATH_IMAGE005
均为簇中心，所述CCR值定义为DAG应用程序在指定硬件平 台上执行期间的平均通信开销与平均计算开销之比；
步骤22、将任务
Figure 776042DEST_PATH_IMAGE006
分配给在
Figure 178204DEST_PATH_IMAGE007
和
Figure 50345DEST_PATH_IMAGE008
之间中具有最小
Figure 246971DEST_PATH_IMAGE009
差异的 集群
Figure 470142DEST_PATH_IMAGE010
中，其中
Figure 410416DEST_PATH_IMAGE011
表示集群的中心点，重复此步骤直到所有任务分配完毕；
步骤23、判断簇集群
Figure 137064DEST_PATH_IMAGE010
中元素总数是否低于预定下边界约束，即
Figure 770171DEST_PATH_IMAGE012
，如 果是，将所有在
Figure 480638DEST_PATH_IMAGE010
中的元素
Figure 224603DEST_PATH_IMAGE013
附加到其最近的簇，并更新最近簇的簇中心；并将簇 的总数
Figure 71336DEST_PATH_IMAGE014
，即
Figure 875344DEST_PATH_IMAGE015
，其中，
Figure 73107DEST_PATH_IMAGE016
为常量；
步骤24、判断簇集群
Figure 355184DEST_PATH_IMAGE010
中元素总数是否高于预定上边界约束，即
Figure 322003DEST_PATH_IMAGE017
，如 果是，将簇集群
Figure 296912DEST_PATH_IMAGE010
划分为两个较小的簇，并将簇的总数
Figure 716392DEST_PATH_IMAGE018
，即
Figure 67739DEST_PATH_IMAGE019
。其中，
Figure 623485DEST_PATH_IMAGE020
为常量；
步骤25、判断任意两个簇之间的距离是否足够的近，即
Figure 34875DEST_PATH_IMAGE021
，如果是，首先将两个相似的簇集群合并成一个新的簇 集群，然后更新簇集群的总数量
Figure 941651DEST_PATH_IMAGE022
，其中，
Figure 565531DEST_PATH_IMAGE023
为k簇与j簇之间的距离，
Figure 506942DEST_PATH_IMAGE024
为常 量；
步骤26、计算单个簇集群
Figure 89233DEST_PATH_IMAGE010
中所有元素的方差
Figure 217726DEST_PATH_IMAGE025
进行判断是否超过所允许的 阈值，即
Figure 645296DEST_PATH_IMAGE026
，如果是，将簇集群
Figure 175635DEST_PATH_IMAGE010
划分为两个较小的簇，并将簇的总数
Figure 663248DEST_PATH_IMAGE018
，即
Figure 544616DEST_PATH_IMAGE019
；其中，
Figure 41456DEST_PATH_IMAGE027
为常量；
步骤27、返回更新此时的簇集群
Figure 426301DEST_PATH_IMAGE028
，所述簇集群
Figure 84816DEST_PATH_IMAGE028
为所述应用任务列表中的应用任务，所述应用任务为计算密集型应用 任务或通讯密集型任务。
作为本发明实施例的一种实施方式，所述步骤S3具体包括：
步骤31、获取计算密集型应用任务集Ω，并在保持拓扑顺序的前提下，将任务集中所有的任务以任务功率因子按降序进行排列。
步骤32、对于处理器功率指数，由低到高的顺序对所有处理器进行排列，即
Figure 187901DEST_PATH_IMAGE029
；
步骤33、设置PID控制器进行通信能量限制，即D2D或远程通信的每次耗能不能超 过给定的阈值
Figure 222853DEST_PATH_IMAGE030
,阈值公式为：
Figure 727784DEST_PATH_IMAGE031
Figure 557200DEST_PATH_IMAGE032
其中，
Figure 147581DEST_PATH_IMAGE033
分别表示PID控制器的比例系数、积分系数和导数系 数，
Figure 986224DEST_PATH_IMAGE034
指的是期望可调度性与第
Figure 345661DEST_PATH_IMAGE035
代迭代时可调度性之间的差值，
Figure 345978DEST_PATH_IMAGE036
表示为累积积分 误差的迭代次数，
Figure 423656DEST_PATH_IMAGE037
表示得到导数误差的迭代次数；
步骤34、检查任务
Figure 800410DEST_PATH_IMAGE038
是否在容器
Figure 279933DEST_PATH_IMAGE039
满足所有的约束条件，使用CheckConstraints
Figure 716731DEST_PATH_IMAGE040
测试函数；如果标志
Figure 16125DEST_PATH_IMAGE040
为真，将任务
Figure 196571DEST_PATH_IMAGE038
分配至容器
Figure 530600DEST_PATH_IMAGE039
，然后从任务集
Figure 872720DEST_PATH_IMAGE041
中删除任务
Figure 924989DEST_PATH_IMAGE038
，即
Figure 377967DEST_PATH_IMAGE042
；
步骤35、如果任务
Figure 832082DEST_PATH_IMAGE038
被所有的容器拒绝，采用一种首次适应算法方式来确定用于任 务执行的节能移动设备，函数为CheckConstraints
Figure 345103DEST_PATH_IMAGE043
，其中
Figure 884669DEST_PATH_IMAGE044
为移动设备；
步骤36、对给定的计算密集型DAG集群输出更新当前迭代获得的第一可行卸载方 案
Figure 406917DEST_PATH_IMAGE045
。
作为本发明实施例的一种实施方式，所述步骤4具体包括：
步骤41、获取通讯密集型任务集
Figure 449960DEST_PATH_IMAGE046
，采用超立方体抽样产生初始可行粒子
Figure 399461DEST_PATH_IMAGE047
，所述粒子为通讯密集型任务；
步骤42、根据适应度值评估每个初始可行粒子，按照适应度值的降序对所有粒子进行排序，适应度值为粒子的当前CCR值与预定义的CCR值阈值之差；
步骤43、对于每个粒子
Figure 895165DEST_PATH_IMAGE048
，采用PSOSR方法随机选择总共
Figure 221104DEST_PATH_IMAGE049
个二进制变量来放宽它 们的值范围，例如，从0或1到[0,1]中的任意实值，在此步骤中，粒子
Figure 384232DEST_PATH_IMAGE048
被划分为
Figure 239055DEST_PATH_IMAGE050
和
Figure 753213DEST_PATH_IMAGE051
，分 别存储连续变量和离散变量；
步骤44、通过调用函数OffspringContinuous
Figure 617264DEST_PATH_IMAGE052
，为
Figure 369319DEST_PATH_IMAGE050
中连续变量构建后代，调 用函数OffspringContinuous
Figure 926203DEST_PATH_IMAGE053
，为
Figure 396498DEST_PATH_IMAGE051
中离散变量构建后代，即
Figure 64240DEST_PATH_IMAGE054
和
Figure 670802DEST_PATH_IMAGE055
步骤45、结合
Figure 398586DEST_PATH_IMAGE056
和
Figure 356178DEST_PATH_IMAGE057
生成完整的后代
Figure 296452DEST_PATH_IMAGE058
，即
Figure 288679DEST_PATH_IMAGE059
，通过顺序舍 入函数
Figure 187365DEST_PATH_IMAGE060
对
Figure 366674DEST_PATH_IMAGE050
中连续变量进行舍入，
Figure 376218DEST_PATH_IMAGE061
步骤46、判断对任务集
Figure 488530DEST_PATH_IMAGE062
应用分割解决方案
Figure 26959DEST_PATH_IMAGE058
时，任务集
Figure 959143DEST_PATH_IMAGE062
的当前CCR值是否低 于预定义的CCR值阈值，如果是，
Figure 506799DEST_PATH_IMAGE063
，否则返回步骤48；
步骤47、当
Figure 473618DEST_PATH_IMAGE063
成立时，通过利用比较函数
Figure 182948DEST_PATH_IMAGE064
比较后代
Figure 868007DEST_PATH_IMAGE058
与父 代
Figure 219354DEST_PATH_IMAGE048
，如果后代
Figure 775100DEST_PATH_IMAGE058
优于父代
Figure 186490DEST_PATH_IMAGE048
更新粒子
Figure 93266DEST_PATH_IMAGE065
，用后代代替父代并调整粒子
Figure 717146DEST_PATH_IMAGE048
的进化 参数以进行下一轮迭代。
步骤48、检查所有粒子
Figure 658557DEST_PATH_IMAGE048
，使用选择函数
Figure 709689DEST_PATH_IMAGE066
选择具有最佳适应性的粒子
Figure 103762DEST_PATH_IMAGE067
,对于粒子
Figure 796911DEST_PATH_IMAGE068
，使用函数
Figure 327250DEST_PATH_IMAGE069
导出其任务功率因子；
步骤49、由于通讯密集型应用任务现在已经变成了计算密集型应用任务，采用步 骤S3的方法生成第二可行卸载方案
Figure 80442DEST_PATH_IMAGE070
；
步骤50、判断迭代终止条件是否满足，如果满足，返回第二可行卸载方案
Figure 961810DEST_PATH_IMAGE070
，任务 调度结束，否则返回步骤32。
下面通过实验来验证本发明的有效性。实施过程中，处理器
Figure 927492DEST_PATH_IMAGE071
的工作频率
Figure 577917DEST_PATH_IMAGE072
和容 器
Figure 236431DEST_PATH_IMAGE073
的工作频率
Figure 605095DEST_PATH_IMAGE074
分别设置为[1.0,3.5]GHz和[5,20]GHz。单个终端设备的D2D传输功率为 [200，2000]
Figure 640048DEST_PATH_IMAGE075
，任意两个终端设备之间的D2D整流带宽为20GHz到100GHz。D2D的最大距离 设置为200m。在实验中，利用现实生活中的DAG应用程序进行测试，包括OpenALPR、高斯消 减、 Montage、分子动力代码分析、 CyberShake、LIGO 灵感分析，单个DAG中的任务数在 [50,500]中随机生成,这样就构造了大量的具有不同CCR值的DAG应用程序实例。
表1
Figure 879399DEST_PATH_IMAGE076
表1展示了六种任务卸载算法的能耗，以及本发明所实现的节能效果。一方面，本发明方法显著降低了终端设备的能量消耗，特别是当更多终端设备参与任务卸载过程时。例如，当终端设备数量设置为700台时，本发明与基准算法ELYO、EDID、ELDM和RMAX相比，分别节约了57.01%、54.06%、49.14%和70.7%的能耗。另一方面，本发明要优于基准算法EILP，在能耗方面的性能差异高达18.13%。
表2
Figure 974394DEST_PATH_IMAGE078
表2列出了不同任务卸载算法的运行时间，以及本发明方法所获得的加速效果。该表的结果清楚地显示了本发明在缩短时间开销方面的有效性，从而得出一个可行的任务卸载解决方案。例如，当终端设备数设置为1000时，本发明与基准算法ELYO EDID、ELDM、RMAX和EILP相比，分别获得54.63、70.12、72.46、71.36和235.37倍的运行加速。此外，该表中的结果也反映出，随着终端设备数量的增加，本发明的运行时间增长缓慢，而不是急剧增长。这主要是因为在本发明中引入了ISODATA技术，允许并行搜索不同集群的任务卸载解决方案。
表3
Figure DEST_PATH_IMAGE079
在表3中任务卸载算法的可调度性是指成功处理的DAG应用程序实例数与被测试的DAG应用程序实例总数的比值，如表中所列，本发明和基准测试算法EILP总是保持100%的可调度性，无论终端设备的数量的多少。然而，本发明可以在算法运行时间和任务卸载解决方案的质量之间实现更好的权衡。
通过上述的实验数据，能够很清楚的看出本发明在满足任务可靠性、定时性和可调度性要求的前提下，最小化终端设备的整体能耗。
实施例2：
本发明实施例提供一种CPS系统中可靠性驱动的分层任务卸载装置，包括：
获取模块，用于获取由大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；
分组模块，用于根据所述应用任务参数对任务队列里存储的任务进行分组，得到应用任务列表；
第一处理模块，用于根据所述处理器参数和应用任务参数对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；
第二处理模块，用于对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案。
作为本发明实施例的一种实施方式，分组模块中的应用任务参数为任务队列的任务通讯运算率值CCR值，所述CCR值为DAG应用程序在指定硬件平台上执行期间的平均通信开销与平均计算开销之比。
作为本发明实施例的一种实施方式，第一处理模块中处理器参数为处理器功率指数，第一处理模块中应用任务参数为任务功率因子。
作为本发明实施例的一种实施方式，所述第二处理模块包括：
第一计算单元，用于根据任务适应度值导出所述通讯密集型应用任务的任务功率因子，其中，任务适应度值为任务的当前CCR值与预定义的CCR值阈值之差；
第二计算单元，用于根据所述通讯密集型应用任务的任务功率因子，生成第二可行卸载方案。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (2)

1.一种CPS系统中可靠性驱动的分层任务卸载方法，其特征在于，包括以下步骤：
步骤S1、获取大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；其中，所述应用任务参数包括：任务功率因子和任务通讯运算率值CCR，所述 CCR 为用有向无环图DAG 描述的应用程序在指定硬件平台上执行期间的平均通信开销与平均计算开销之比；
步骤S2、根据所述任务通讯运算率值CCR对任务队列里存储的任务进行分组，得到应用任务列表；
步骤S3、根据所述处理器参数和所述任务功率因子对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；
步骤S4、对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案，具体包括：
步骤41、获取通讯密集型任务集
Figure DEST_PATH_IMAGE001
，采用超立方体抽样产生初始可行粒子的样本集
Figure 532853DEST_PATH_IMAGE002
，其中，S1,S2,......,Sj为初始可行粒子，j为正整数，所述初始可行粒子为通讯密集型任务；
步骤42、根据适应度值评估样本集中的每个初始可行粒子，按照适应度值的降序对所有初始可行粒子进行排序，适应度值为初始可行粒子的当前CCR值与预定义的CCR值阈值之差；
步骤43、对于样本集中的每个初始可行粒子
Figure 525080DEST_PATH_IMAGE003
，采用PSOSR方法随机选择总共
Figure 548399DEST_PATH_IMAGE004
个二进制变量来放宽它们的取值范围，初始可行粒子
Figure 258866DEST_PATH_IMAGE003
被划分为
Figure 127465DEST_PATH_IMAGE005
和
Figure 239778DEST_PATH_IMAGE006
，分别存储连续变量和离散变量；
步骤44、通过调用函数OffspringContinuous
Figure 168419DEST_PATH_IMAGE007
为
Figure 366183DEST_PATH_IMAGE005
中连续变量构建后代，调用函数OffspringContinuous
Figure 38472DEST_PATH_IMAGE008
为
Figure 5291DEST_PATH_IMAGE006
中离散变量构建后代，即
Figure 370414DEST_PATH_IMAGE009
和
Figure 789894DEST_PATH_IMAGE010
；
步骤45、根据
Figure 265874DEST_PATH_IMAGE011
和
Figure 87200DEST_PATH_IMAGE012
得到完整的后代
Figure 623223DEST_PATH_IMAGE013
，即
Figure 530000DEST_PATH_IMAGE014
，通过顺序舍入函数
Figure 685037DEST_PATH_IMAGE015
对
Figure 222854DEST_PATH_IMAGE005
中连续变量进行舍入，即
Figure 929778DEST_PATH_IMAGE016
步骤46、判断对任务集
Figure 323851DEST_PATH_IMAGE001
应用分割解决方案
Figure 407213DEST_PATH_IMAGE017
时，任务集
Figure 937552DEST_PATH_IMAGE001
的当前CCR值是否低于预定义的CCR值阈值，如果是，
Figure 815378DEST_PATH_IMAGE018
，否则返回步骤48；
步骤47、当
Figure 696746DEST_PATH_IMAGE018
成立时，利用比较函数
Figure 318220DEST_PATH_IMAGE019
比较后代
Figure 968645DEST_PATH_IMAGE017
与父代
Figure 751793DEST_PATH_IMAGE020
，如果后代
Figure 120457DEST_PATH_IMAGE017
优于父代
Figure 280043DEST_PATH_IMAGE020
，更新粒子
Figure 50553DEST_PATH_IMAGE021
，用后代代替父代并调整粒子
Figure 4603DEST_PATH_IMAGE020
的进化参数以进行下一轮迭代；
步骤48、检查所有初始可行粒子
Figure 860563DEST_PATH_IMAGE020
，使用选择函数
Figure 815051DEST_PATH_IMAGE022
选择具有最佳适应性的粒子
Figure 174488DEST_PATH_IMAGE023
,对于粒子
Figure 565018DEST_PATH_IMAGE024
使用函数
Figure 642695DEST_PATH_IMAGE025
导出其任务功率因子；
步骤49、此时在通讯密集型应用任务转换为计算密集型应用任务后，采用步骤S3的方法生成第二可行卸载方案
Figure 409663DEST_PATH_IMAGE026
。
2.一种采用权利要求1所述的CPS系统中可靠性驱动的分层任务卸载方法实现CPS系统中可靠性驱动的分层任务卸载装置，其特征在于，包括：
获取模块，用于获取大规模信息物理融合系统中每个终端设备的应用任务参数和处理器参数；其中，所述应用任务参数包括：任务功率因子和任务通讯运算率值CCR，所述 CCR为用有向无环图DAG 描述的应用程序在指定硬件平台上执行期间的平均通信开销与平均计算开销之比；
分组模块，用于根据所述任务通讯运算率值CCR对任务队列里存储的任务进行分组，得到应用任务列表；
第一处理模块，用于根据所述处理器参数和所述任务功率因子对所述应用任务列表里计算密集型应用任务生成第一可行卸载方案；
第二处理模块，用于对所述应用任务列表里通讯密集型应用任务进行转换并生成第二可行卸载方案。
CN202211146704.0A 2022-09-21 2022-09-21 Cps系统中可靠性驱动的分层任务卸载方法和装置 Active CN115237506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211146704.0A CN115237506B (zh) 2022-09-21 2022-09-21 Cps系统中可靠性驱动的分层任务卸载方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211146704.0A CN115237506B (zh) 2022-09-21 2022-09-21 Cps系统中可靠性驱动的分层任务卸载方法和装置

Publications (2)

Publication Number Publication Date
CN115237506A CN115237506A (zh) 2022-10-25
CN115237506B true CN115237506B (zh) 2022-12-09

Family

ID=83680645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211146704.0A Active CN115237506B (zh) 2022-09-21 2022-09-21 Cps系统中可靠性驱动的分层任务卸载方法和装置

Country Status (1)

Country Link
CN (1) CN115237506B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101217A (zh) * 2013-03-15 2018-12-28 先进元素科技公司 用于有目的计算的方法和系统
CN111431961A (zh) * 2020-02-20 2020-07-17 重庆邮电大学 一种云数据中心的节能任务分配方法
CN111459662A (zh) * 2020-03-18 2020-07-28 湖南大学 移动边缘计算中的迁移管理方法、装置和存储介质
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统
CN113568675A (zh) * 2021-07-08 2021-10-29 广东利通科技投资有限公司 一种基于分层强化学习的车联网边缘计算任务卸载方法
CN114928607A (zh) * 2022-03-18 2022-08-19 南京邮电大学 面向多边接入边缘计算的协同任务卸载方法
CN115048200A (zh) * 2022-05-26 2022-09-13 南京邮电大学 一种面向云边聚合计算的多决策计算任务优化卸载方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8933942B2 (en) * 2011-12-08 2015-01-13 Advanced Micro Devices, Inc. Partitioning resources of a processor
US20150026696A1 (en) * 2013-07-21 2015-01-22 General Electric Company Systems and methods for scheduling vehicle-related tasks
US9652213B2 (en) * 2014-10-23 2017-05-16 National Instruments Corporation Global optimization and verification of cyber-physical systems using floating point math functionality on a system with heterogeneous hardware components
US10146599B2 (en) * 2016-12-06 2018-12-04 Synchronoss Technologies, Inc. System and method for a generic actor system container application
CN107295573B (zh) * 2017-07-12 2019-08-02 网宿科技股份有限公司 一种业务应用流量的引导方法和系统
CN108804227B (zh) * 2018-05-23 2021-05-07 大连理工大学 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法
CN110119311B (zh) * 2019-04-12 2022-01-04 华中科技大学 一种基于fpga的分布式流计算系统加速方法
CN110990130B (zh) * 2019-10-28 2023-05-12 华东师范大学 一种可再生自适应计算卸载分层服务质量优化方法
CN111918245B (zh) * 2020-07-07 2021-11-19 西安交通大学 基于多智能体的车速感知的计算任务卸载和资源分配方法
CN112685186B (zh) * 2021-01-08 2023-04-28 北京信息科技大学 一种计算任务的卸载方法、装置、电子设备及存储介质
CN113238814B (zh) * 2021-05-11 2022-07-15 燕山大学 基于多用户和分类任务的mec任务卸载系统及优化方法
CN114285853B (zh) * 2022-01-14 2022-09-23 河海大学 设备密集型工业物联网中基于端边云协同的任务卸载方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101217A (zh) * 2013-03-15 2018-12-28 先进元素科技公司 用于有目的计算的方法和系统
CN111431961A (zh) * 2020-02-20 2020-07-17 重庆邮电大学 一种云数据中心的节能任务分配方法
CN111459662A (zh) * 2020-03-18 2020-07-28 湖南大学 移动边缘计算中的迁移管理方法、装置和存储介质
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统
CN113568675A (zh) * 2021-07-08 2021-10-29 广东利通科技投资有限公司 一种基于分层强化学习的车联网边缘计算任务卸载方法
CN114928607A (zh) * 2022-03-18 2022-08-19 南京邮电大学 面向多边接入边缘计算的协同任务卸载方法
CN115048200A (zh) * 2022-05-26 2022-09-13 南京邮电大学 一种面向云边聚合计算的多决策计算任务优化卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
车辆边缘计算环境下任务卸载研究综述;李智勇 等;《计算机学报》;20210531;第44卷(第5期);第963页-第982页 *

Also Published As

Publication number Publication date
CN115237506A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
Li et al. Resource allocation and task offloading for heterogeneous real-time tasks with uncertain duration time in a fog queueing system
CN109271015B (zh) 一种降低大规模分布式机器学习系统能耗的方法
CN105204971B (zh) 一种基于朴素贝叶斯分类技术的动态监控间隔调整方法
CN111459617A (zh) 基于云平台的容器化应用自动分配优化系统及其方法
Dong et al. A ‘joint-me’task deployment strategy for load balancing in edge computing
Hou et al. Distredge: Speeding up convolutional neural network inference on distributed edge devices
CN117472587B (zh) 一种ai智算中心的资源调度系统
CN110531996B (zh) 一种多微云环境下基于粒子群优化的计算任务卸载方法
Li et al. Resource scheduling based on improved spectral clustering algorithm in edge computing
CN114610474A (zh) 一种异构超算环境下多策略的作业调度方法及系统
CN110826692B (zh) 一种自动化模型压缩方法、装置、设备及存储介质
CN117135131A (zh) 一种面向云边协同场景的任务资源需求感知方法
CN107040475B (zh) 资源调度方法和装置
US20240004707A1 (en) Methods and systems for energy-efficient scheduling of periodic tasks on a group of processing devices
CN115237506B (zh) Cps系统中可靠性驱动的分层任务卸载方法和装置
CN112559078B (zh) 一种移动边缘计算服务器分级卸载任务方法及系统
CN114356531A (zh) 基于K-means聚类和排队理论的边缘计算任务分类调度方法
CN115378789B (zh) 一种多层次协作的流资源管理方法及系统
Li et al. Joint optimization of auto-scaling and adaptive service placement in edge computing
Hou et al. Dynamic load balancing algorithm based on optimal matching of weighted bipartite graph
CN110427217B (zh) 基于内容的发布订阅系统匹配算法轻量级并行方法和系统
Argerich et al. Reinforcement learning based orchestration for elastic services
CN114866430A (zh) 边缘计算的算力预测方法、算力编排方法及系统
CN111522632A (zh) 基于核聚类特征选择的Hadoop配置参数选择方法
Chandak et al. Performance analysis of classifier techniques at the edge node

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