CN116233007A - 面向异构移动边缘计算负载均衡的分层分布式匹配方法 - Google Patents

面向异构移动边缘计算负载均衡的分层分布式匹配方法 Download PDF

Info

Publication number
CN116233007A
CN116233007A CN202310154924.6A CN202310154924A CN116233007A CN 116233007 A CN116233007 A CN 116233007A CN 202310154924 A CN202310154924 A CN 202310154924A CN 116233007 A CN116233007 A CN 116233007A
Authority
CN
China
Prior art keywords
task
node
matching
tasks
queue
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.)
Pending
Application number
CN202310154924.6A
Other languages
English (en)
Inventor
官权升
李瑞莛
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310154924.6A priority Critical patent/CN116233007A/zh
Publication of CN116233007A publication Critical patent/CN116233007A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/56—Queue scheduling implementing delay-aware scheduling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/60—Queue scheduling implementing hierarchical scheduling
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了面向异构移动边缘计算负载均衡的分层分布式匹配方法，包括以下步骤：每个时隙用户在匹配准备阶段产生待卸载任务并更新队列，广播发送消息请求获得节点状态，并根据获得的节点状态信息决定该时隙待匹配任务与可匹配节点；用户在匹配阶段等待任务与节点完成匹配；用户将任务卸载至匹配的节点；由用户决定是否进入匹配阶段；对节点计算偏好序列并对节点发起匹配请求，直至一个等待时延内没有任务的请求被拒绝，则匹配阶段结束；成功匹配的任务被卸载至匹配的节点；节点更新任务队列，在收到用户的请求后回复自身的状态信息，节点在匹配结果执行阶段接收用户卸载的任务并按照资源调度策略函数完成节点内资源调度。

Description

面向异构移动边缘计算负载均衡的分层分布式匹配方法
技术领域
本发明涉及移动边缘计算、匹配博弈、资源调度与负载均衡方法，具体涉及一种面向异构移动边缘计算负载均衡的分层分布式匹配方法。
背景技术
随着5G商用时代和物联网时代正式到来，海量的终端设备伴随着异构网络的涌入，一系列具有计算密集、延迟敏感、能耗较大特征的新型应用不断涌现。这些应用数据量大、对延迟的要求高，需要消耗大量的计算资源与能量。终端设备受物理尺寸的约束，其自身的计算能力和电池容量有限，无法满足应用程序地需求，同时面对5G+物联网爆炸式增长的终端设备，传统的集中式云计算已经不能满足用户低时延，低能耗、高可靠性的任务需求。分布式的移动边缘计算快速兴起。
在传统的移动边缘计算负载均衡中，往往需要一个集中角色进行全局资源调度，这并不符合移动边缘计算分布式的特点；同时由于用户之间会竞争资源，不合理的资源调度和负载均衡策略会导致系统资源利用率下降、任务等待时延较长、服务质量下降等问题。Wang和Zhang提出一种考虑睡眠机制的基于李雅普诺夫算法的同时减少能耗和缩短延迟的资源分配策略(S.Wang,X.Zhang,Z.Yan and W.Wenbo,"Cooperative Edge ComputingWith Sleep Control Under Nonuniform Traffic in Mobile Edge Networks,"in IEEEInternet of Things Journal,vol.6,no.3,pp.4295-4306)，该方法忽略了任务的种类异构性和长度异构性，因此不能很好的适用于异构移动边缘计算系统；Dong和Di在边缘计算节点内考虑了任务的种类异构性并在节点间与节点内形成了双队列模型，该方法需要集中式调度中心完成任务调度，在去中心化的分布式边缘计算系统中则不再适用；Zheng和Xu采用匹配博弈完成负载均衡的工作(G.Zheng,C.Xu and L.Tang,"Joint User Associationand Resource Allocation for NOMA-Based MEC:A Matching-Coalition Approach,"2020IEEE Wireless Communications and Networking Conference(WCNC),Seoul,Korea(South),2020,pp.1-6)，该方法只考虑静态限额和单一任务用户或单一种类任务，不能很好地和现实中多任务用户与多种类任务系统的需求。
发明内容
为了解决上述问题，本发明提出一种面向异构移动边缘计算负载均衡的分布式分层匹配方法，充分考虑节点层、用户层与任务层特性，在用户层与节点层对用户和节点的匹配限额进行动态调整，即决定参与匹配的任务与节点；在任务层与节点层利用基于异构任务的资源调度策略的匹配机制完成任务目标节点的选择，实现负载均衡，同时在节点内利用源调度策略决定任务先后处理的顺序，从而在异构任务系统中缩短任务平均完成时延的同时提高了资源利用率和资源分配公平性，该方法相比传统的集中式资源调度方法，无需集中调度角色，可提高移动边缘计算系统的资源利用率和公平性。
本发明至少通过如下技术方案之一实现。
面向异构移动边缘计算负载均衡的分层分布式匹配方法，包括以下步骤：
用户层根据与节点层交互得到的节点状态信息确认进入任务层的待匹配任务和进入节点层的可匹配节点；
将任务层与节点层的双边匹配，实现对移动边缘计算系统进行负载均衡，其中根据匹配的执行情况，每个时隙划分为匹配准备阶段、匹配阶段与匹配结果执行阶段。
进一步地，在匹配准备阶段，用户层的用户产生待卸载任务并更新任务队列，以广播的形式发送消息，请求获得节点状态，并根据获得的节点状态信息决定进入匹配阶段的任务；在匹配阶段，用户等待任务与节点完成匹配；在匹配结果执行阶段，用户将任务卸载至接受其匹配请求的节点。
进一步地，根据获得的节点状态信息决定任务是否进入匹配阶段，包括以下步骤：
步骤一、每个任务对通信范围内所有节点计算偏好序列，每个任务向最偏好的一个的节点发起匹配请求，请求包含待匹配任务自身属性信息；
步骤二、经过等待时延后，所有请求被拒绝的任务对偏好列表中最偏好的且未曾拒绝过自己的请求的一个节点发起请求；
步骤三、重复步骤二直至一个等待时延内没有任务的请求被拒绝，则任务与节点形成匹配对，匹配阶段结束；在匹配执行阶段，用户设备中参与匹配的任务被卸载至接受其匹配请求的节点。
进一步地，在匹配准备阶段，节点层的节点更新待处理任务队列，在收到用户的请求后回复自身的状态信息，每个节点根据自身的状态信息确定自己此时的时隙能够接受的匹配请求的最大数量qs，包括以下步骤：
步骤1、节点收到多个任务的匹配请求，将每一个任务转化为可行任务向量后根据资源调度策略函数得到节点对任务的偏好值，将任务按照偏好值从高到底排列，暂时保留最偏好的qs个请求，拒绝其他的请求；
步骤2、经过等待时延后，再次收到请求的节点对新收到的所有请求同样根据资源调度策略函数计算偏好值，将步骤1中暂时保留的请求与新收到的请求一起进行偏好排序，暂时保留最偏好的qs个请求，拒绝其他的请求；
步骤3、重复步骤2直至节点在一个等待时延中没有收到新的请求，此时节点接受之前步骤中暂时保留的全部请求，则任务与节点形成匹配对，匹配阶段结束；在匹配结果执行阶段，节点接收用户卸载的任务并按照资源调度策略函数完成节点内资源调度，即决定当前时隙开始处理的任务。
进一步地，用户在匹配准备阶段产生待卸载任务并更新任务队列过程步骤为：
S501、用户产生任务：
N个用户设备构成集合U＝{u1,u2,…,uN}，每个用户ui，1≤i≤N产生多个任务，一个任务表示为一个三元组t＝<D,R,L>，其中D是任务需要执行计算的数据量，R是处理该任务需要的资源集合，包括CPU、Storage、RAM资源，资源需求R决定了类型，L是当该任务分配到资源后需要的处理时长，在计算任务队列的队列长度时，处理时长小于单个时隙t的任务对队列长度的贡献为1，处理时长大于单个时隙的任务对队列长度的贡献值为
Figure SMS_1
；
S502、更新用户队列：
用户中待卸载任务暂存设备中并形成队列，设移动用户ui产生的任务种类数量为
Figure SMS_2
则形成
Figure SMS_3
个队列，每个队列内的任务按照产生的时间先后顺序排列，每个队列的长度记为Lenk，
Figure SMS_4
S503、用户以广播形式向通信范围内节点发起请求：
用户向节点发出请求，请求获得节点的状态信息，包括资源总量及队列情况信息，每个用户ui通过传输速率为
Figure SMS_5
的上行链路与节点sj相连接，其中
Figure SMS_6
为用户发射功率，σ2为高斯白噪声功率谱密度，Ijk为其他设备噪声干扰，Bij为用户ui与移动设备sj之间的带宽，hij(t)为用户ui到节点的时变函数；
S504、用户根据节点状态和自身队列情况决定参与匹配的任务与可匹配节点：
令
Figure SMS_8
为长度为
Figure SMS_11
的数组，数组中元素
Figure SMS_14
代表第k个队列会进入匹配阶段的任务数量，称为每个队列的限额；信道传输速率低于阈值RateTh的边缘计算节点视为不可接受的匹配对象，则所有可接受的边缘计算节点数量之和为
Figure SMS_9
若
Figure SMS_12
值大于待卸载任务总数，则该用户设备中所有任务均可进入匹配阶段；若
Figure SMS_15
值小于
Figure SMS_17
则按照Lenk从高到低排列，其中Lenk表示第k条任务队列的长度，前
Figure SMS_7
个队列各获得一个限额；用Qk表示第k个队列的优先值，若
Figure SMS_10
值大于
Figure SMS_13
则先给每个队列一个限额，然后计算每个缓冲队列的
Figure SMS_16
对Qk从高到低排序，给Q最大的队列分配一个限额并重新计算该队列的Q值，重复分配名额和计算Q值直到限额分配完毕；
S505、每个队列队头的
Figure SMS_18
个任务进入匹配阶段；
进一步地，节点在匹配准备阶段更新队列过程步骤为：
S601、构建节点的异构任务队列模型；
节点sj能处理Vj种任务，待处理的Vj类任务分别形成Vj条队列，队列内任务按照处理时长升序排列；令
Figure SMS_19
为节点sj中第vj个任务队列在t时隙的长度，
Figure SMS_20
为在t时隙需要处理任务的总长度，和整个队列长度在t+1时隙的长度
Figure SMS_21
为：
Figure SMS_22
Figure SMS_23
式中，vj表示第vj个队列，
Figure SMS_24
为在t时隙被开始被处理的第vj类任务的队列长度，
Figure SMS_25
为t时隙还需要继续被处理的第vj类任务的队列长度，
Figure SMS_26
代表在t时隙到达系统的第vj类任务的数量；
S602、构建可行任务组合的矩阵：
定义节点内一个任务组合向量为
Figure SMS_27
Figure SMS_28
为组合内第vj类任务的数量，当组合中任务需要的资源总和不超过节点的资源总量时则称该组合为可行的，当前系统的资源可构成的At个可行任务组合行向量拼接在一起形成大小为At×Vj的任务组合矩阵
Figure SMS_29
Figure SMS_30
其中，N(at,vj)代表第at种任务组合中第vj类任务的数量，vj∈(1,2,…,Vj)，节点内的资源调度问题，即每个时隙处理哪些任务的问题，转化为矩阵行向量的选择；
S603、构建节点资源调度策略函数：
对每个节点而言，其李雅普诺夫漂移函数为L(t)，其定义为
Figure SMS_31
Figure SMS_32
相邻时间内的一步李雅普诺夫漂移量可表示为：
Figure SMS_33
Figure SMS_34
令常数
Figure SMS_35
令节点系统的优化目标为最小化为所有类型已经完成的任务的平均完成时间p(t)，即
Figure SMS_36
李雅普诺夫漂移加惩罚可以写为：
Figure SMS_37
其中，
Figure SMS_38
Figure SMS_39
为第vj队列中第k个任务截至t时的排队时延，
Figure SMS_40
为其任务长度，两者之和为该任务的总时延
Figure SMS_41
Figure SMS_42
为系统资源能够容纳的第vj种虚拟机的最大数量，α为常数系数，系统目标函数转化为最小化ΔL(t)+α·p(t)上界，由于
Figure SMS_43
为与调度决策无关的变量，因此资源调度策略函数为
Figure SMS_44
进一步地，匹配准备阶段节点根据自身状态决定该时隙能匹配的最大任务数量
Figure SMS_45
的过程为：
假设节点sj的资源池中有Kj种资源，每一种资源在资源池中的总量为
Figure SMS_47
令
Figure SMS_51
为大小为Vj×Kj的矩阵，
Figure SMS_54
为第vj类任务需要的第kj种资源的数量，
Figure SMS_48
为该节点在t时隙正在虚拟机上运行的任务组成的可行任务组合行向量，节点sj空载时的限额为
Figure SMS_50
满载后的限额为
Figure SMS_52
在t时隙按照当前时隙剩余资源占总资源的比例决定
Figure SMS_53
即
Figure SMS_46
Figure SMS_49
进一步地，匹配阶段任务对节点产生偏好序列的步骤为：
S801、设M个节点构成集合S＝{s1,s2,…sj,…,sM}，设节点sj的资源池中有Kj种资源，每一种资源在资源池中的总量为
Figure SMS_55
节点支持Vj种类型的任务，令
Figure SMS_56
为大小为Vj×Kj的矩阵，
Figure SMS_57
为第vj类任务需要的第kj种资源的数量；
S802、待卸载任务t对节点sj的偏好为
Figure SMS_58
其中rij代表任务t所在的用户ui与节点sj信道的传输速率，
Figure SMS_59
代表节点sj的资源总和，Len代表任务t对应类型的队列长度；
S803、对每一个待卸载任务t，对所有的
Figure SMS_60
从高到低排列，一个待卸载任务对节点集合S中所有个体的偏好表示为一个行向量
Figure SMS_61
Figure SMS_62
即任务t偏好s2多过s1且偏好s1多过s3。
进一步地，在匹配阶段，待匹配任务与节点之间的匹配过程步骤为：
S901、任务对节点计算偏好向量，每个任务向偏好序列中最偏好的一个的节点发起匹配请求，匹配请求中包含待匹配任务自身属性；
S902、节点接收到多个任务的匹配请求，将每一个任务转化为可行任务向量后代入资源调度策略函数得到节点对任务的偏好值，将任务按照偏好值从高到底排列，暂时保留最偏好的
Figure SMS_63
个请求，拒绝其他的请求；
S903、经过等待时延后，请求被拒绝的任务对偏好列表中最偏好的且未曾拒绝过自己的请求的一个节点发起请求；
S904、经过等待时延后，再次接收到请求的节点对新收到的所有请求按照步骤S603中的资源调度策略函数计算偏好值，将步骤S902中暂时保留的请求与新收到的请求一同进行偏好排序，暂时保留最偏好的
Figure SMS_64
个请求，拒绝其他的请求；
S905、重复步骤S903、S904直至没有任务的请求被拒绝，节点也没有再收到新请求，此时节点接受之前步骤中暂时保留的全部请求，任务与接受其请求的节点形成匹配对，确定为时隙的匹配结果，该轮匹配结束；若有任务在该时隙并未匹配到服务器，则继续缓存在用户设备队列中，若同一个用户有多个任务待卸载至同一个边缘计算节点，则按照待上传的数据量从小到大的先后顺序卸载。
进一步地，节点内资源调度过程步骤为：
每个时隙的调度策略转化为每个时隙每个边缘计算节点根据自身剩余计算资源更新步骤S602中所述的可行任务组合矩阵
Figure SMS_65
每一个边缘计算节点sj都通过在矩阵
Figure SMS_66
中选择能使步骤S603中转化后资源调度策略函数C(t)达到最小值的可行任务组合行向量，即
Figure SMS_67
边缘计算节点sh通过在t时隙选择最优行向量
Figure SMS_68
决定该时隙该节点开始被处理的任务。
本发明相对于现有技术具有如下的优点及效果：
本方法在分层分布式的异构任务移动边缘计算场景中，相比传统集中式单一种类任务调度方法，无需集中调度角色并在资源调度策略中充分考虑任务的种类和长度异构性；同时本发明在用户层与节点层间充分考虑用户与节点特性从而进行匹配限额的动态调整，在任务层与节点层基于资源调度策略完成负载均衡，可缩短任务平均完成时延同时提高资源利用率和资源分配公平性。
附图说明
图1为本发明面向异构移动边缘计算负载均衡的分层分布式匹配方法的流程图；
图2为本发明面向异构移动边缘计算负载均衡的分层分布式匹配方法的整体系统结构图；
图3为本发明面向异构移动边缘计算负载均衡的分层分布式匹配方法中边缘计算节点内资源调度结构图。
具体实施方式
为了清楚地说明本发明的目的、技术方案及优点，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方案仅仅用以解释本发明，不应视为本发明专利的保护范围，本发明以所附权利要求为专利保护范围。此外，下面所描述的本发明各个实施方案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。
如图1、图2图所示，本实施例中，一种面向分层异构移动边缘计算系统负载均衡的分布式匹配系统，包括用户、节点和任务三个层次，每个时隙可划分为匹配准备阶段、匹配阶段与匹配结果执行阶段：
该方案中移动边缘计算系统分为边缘计算节点(简称为节点)、移动用户设备(简称为用户)与任务三个层次，每个时隙用户层根据与节点层交互得到的节点状态信息确认进入任务层的待匹配任务和进入节点层的可匹配节点，通过完成任务层与节点层的双边匹配，实现对移动边缘计算系统进行负载均衡，根据匹配的执行情况，每个时隙可划分为匹配准备阶段、匹配阶段与匹配结果执行阶段；
用户：在匹配准备阶段，用户产生待卸载任务并更新任务队列，以广播的形式发送消息，请求获得节点状态，并根据获得的节点状态信息决定该时隙哪些任务可以进入匹配阶段；在匹配阶段，用户等待任务与节点完成匹配；在匹配结果执行阶段，用户将任务卸载至接受其匹配请求的节点；
任务：在匹配准备阶段，每个任务由用户决定是否进入匹配阶段；匹配阶段需要多个步骤完成：步骤一：每个任务对通信范围内所有节点计算偏好序列，每个任务向最偏好的一个的节点发起匹配请求，请求包含了待匹配任务自身属性信息；步骤二：经过等待时延后，所有请求被拒绝的任务对偏好列表中最偏好的且未曾拒绝过自己的请求的一个节点发起请求；步骤三：重复步骤二直至一个等待时延内没有任务的请求被拒绝，则任务与节点形成匹配对，匹配阶段结束；在匹配执行阶段，用户设备中参与匹配的任务被卸载至接受其匹配请求的节点；
节点：节点具有有限的资源，能够同时处理多个任务；在匹配准备阶段，节点更新待处理任务队列，在收到用户的请求后回复自身的状态信息，每个节点根据自身的状态信息确定自己该时隙能够接受的匹配请求的最大数量qs；匹配阶段需要多个步骤完成：步骤一：节点可收到多个任务的匹配请求，将每一个任务转化为可行任务向量后根据资源调度策略得到节点对任务的偏好值，将任务按照偏好值从高到底排列，暂时保留最偏好的qs个请求，拒绝其他的请求；步骤二：经过等待时延后，再次收到请求的节点对新收到的所有请求同样根据资源调度策略计算偏好值，将步骤一中暂时保留的请求与新收到的请求一起进行偏好排序，暂时保留最偏好的qs个请求，拒绝其他的请求；步骤三：重复步骤二直至节点在一个等待时延中没有收到新的请求，此时节点接受之前步骤中暂时保留的全部请求，则任务与节点形成匹配对，匹配阶段结束；在匹配结果执行阶段，节点接收用户卸载的任务并按照资源调度策略函数完成节点内资源调度，即决定当前时隙开始处理的任务。
进一步的，所述用户在匹配准备阶段产生和更新队列过程步骤为：
S201：用户产生任务：
系统中N个用户设备构成集合U＝{u1,u2,…,uN}，每个用户ui(1≤i≤N)可以产生多个任务，一个任务可以表示为一个三元组t＝<D,R,L>，其中D是任务需要执行计算的数据量，R是处理该任务需要的资源集合，包括CPU、Storage、RAM等资源，R决定了任务类型，L是当该任务分配到资源后需要的处理时长，在计算任务队列的队列长度时，处理时长小于单个时隙t的任务对队列长度的贡献为1，处理时长大于单个时隙的任务对队列长度的贡献值为
Figure SMS_69
S202：更新用户队列：
用户中待卸载任务会暂存设备中并形成队列，假设移动用户ui能够产生的任务种类数量为
Figure SMS_70
则形成
Figure SMS_71
个队列，每个队列内的任务按照产生的时间先后顺序排列，每个队列的长度记为Lenk,
Figure SMS_72
S203：用户以广播形式向通信范围内节点发起请求：
用户向节点发出请求，请求获得节点的状态信息，包括资源总量及队列情况信息，每个用户ui通过传输速率为
Figure SMS_73
的上行链路与节点sj相连接，其中
Figure SMS_74
为用户发射功率，σ2为高斯白噪声功率谱密度，Ijk为其他设备噪声干扰，由于用户具有移动性，信道增益hij(t)为用户ui到节点的时变函数；
S204：用户根据节点状态和自身队列情况决定参与匹配的任务与可匹配节点：
令
Figure SMS_76
为长度为
Figure SMS_79
的数组，数组中每个元素
Figure SMS_82
代表了第k个队列会进入匹配阶段的任务数量，称为每个队列的限额；信道传输速率低于阈值RateTh的边缘计算节点视为不可接受的匹配对象，则所有可接受的边缘计算节点数量之和为
Figure SMS_77
若
Figure SMS_80
值大于待卸载任务总数，则该用户设备中所有任务均可进入匹配阶段；若
Figure SMS_83
值小于
Figure SMS_85
则按照Lenk从高到低排列，前
Figure SMS_75
个队列各获得一个限额；若
Figure SMS_78
值大于
Figure SMS_81
则先给每个队列一个限额，然后计算每个缓冲队列的
Figure SMS_84
对Qk从高到低排序，给Q最大的队列分配一个限额并重新计算该队列的Q值，重复分配名额和计算Q值直到限额分配完毕；
S205：每个队列队头的
Figure SMS_86
个任务进入匹配阶段。
进一步的，所述节点在匹配准备阶段更新队列过程步骤为：
S301：构建节点的异构任务队列模型；
在节点sj内，待处理的Vj类任务分别形成Vj条队列，队列内任务按照处理时长升序排列；对第vj个队列而言，
Figure SMS_87
为在t时隙被开始被处理的第vj类任务的队列长度，
Figure SMS_88
为t时隙还需要继续被处理的第vj类任务的队列长度，
Figure SMS_89
代表在t时隙到达系统的第vj类任务的队列长度，在t时隙需要处理任务总长度为
Figure SMS_90
整个队列长度在t+1时隙的长度可表示为
Figure SMS_91
S302：构建可行任务组合的矩阵：
定义节点内一个任务组合向量为
Figure SMS_92
Nv是组合内第vj类任务的数量，当组合中任务需要的资源总和不超过节点的资源总量时则称该组合为可行的，当前系统的资源可构成的At个可行任务组合行向量拼接在一起形成了大小为At×Vj的任务组合矩阵
Figure SMS_93
Figure SMS_94
其中N(at,vj)代表第at种任务组合中第vj类任务的数量，节点内的资源调度问题，即每个时隙处理哪些任务的问题，可以转化为矩阵行向量的选择；
S303：构建节点资源调度策略函数：
令
Figure SMS_95
为对整个系统队列长度的李雅普诺夫漂移函数，相邻时间内的一步李雅普诺夫漂移量为ΔL(t)＝L(t+1)-L(t)，
Figure SMS_96
令常数
Figure SMS_97
令节点系统的优化目标为最小化任务完成时延，即
Figure SMS_98
李雅普诺夫漂移加惩罚可以写为：
Figure SMS_99
其中α为常数系数，系统目标函数转化为最小化ΔL(t)+α·p(t)上界，由于
Figure SMS_100
为与调度决策无关的变量，因此资源调度策略函数可以写为
Figure SMS_101
作为一种优选的实施例，所述匹配准备阶段节点根据自身状态决定该时隙能匹配的最大任务数量
Figure SMS_102
的过程为：
节点sj空载时的限额为
Figure SMS_103
满载后的限额为
Figure SMS_104
在t时隙按照当前时隙剩余资源占总资源的比例决定
Figure SMS_105
即
Figure SMS_106
Figure SMS_107
进一步的，所述匹配阶段任务对节点产生偏好序列的步骤为：
S501：系统中M个节点构成集合S＝{s1,s2,…,sM}，假设节点sj的资源池中有Kj种资源，每一种资源在资源池中的总量为
Figure SMS_108
节点支持Vj种类型的任务，令
Figure SMS_109
为大小为Vj×Kj的矩阵，其中
Figure SMS_110
为第vj类任务需要的第kj种资源的数量；
S502：待卸载任务tk对节点sj的偏好为
Figure SMS_111
其中rij代表任务tk所在的用户ui与节点sj信道的传输速率，
Figure SMS_112
代表节点sj的资源总和，Lenk代表节点sj中与任务tk同类型的队列的队列长度；
S503：对每一个待卸载任务tk，对所有的
Figure SMS_113
从高到低排列，一个待卸载任务对节点集合S中所有个体的偏好可以表示为一个行向量
Figure SMS_114
如
Figure SMS_115
Figure SMS_116
即任务t1偏好s2多过s1且偏好s1多过s3。
进一步的，所述待匹配任务与节点之间的匹配过程步骤为：
S601：任务依照步骤S301对节点计算偏好向量，每个任务向偏好序列中最偏好的一个的节点发起匹配请求，匹配请求中包含了待匹配任务自身属性；
S602：节点可接收到多个任务的匹配请求，将每一个任务转化为可行任务向量后代入步骤S403中的资源调度策略函数得到节点对任务的偏好值，将任务按照偏好值从高到底排列，暂时保留最偏好的
Figure SMS_117
个请求，拒绝其他的请求；
S603：经过等待时延后，请求被拒绝的任务对偏好列表中最偏好的且未曾拒绝过自己的请求的一个节点发起请求；
S604：经过等待时延后，再次接收到请求的节点对新收到的所有请求按照步骤S303中的资源调度策略函数计算偏好值，将步骤S602中暂时保留的请求与新收到的请求一同进行偏好排序，暂时保留最偏好的
Figure SMS_118
个请求，拒绝其他的请求；
S605：重复步骤603、604直至没有任务的请求被拒绝，节点也没有再收到新请求，此时节点接受之前步骤中暂时保留的全部请求，任务与接受其请求的节点形成匹配对，确定为时隙的匹配结果，该轮匹配结束；若有任务在该时隙并未匹配到服务器，则继续缓存在用户设备队列中，若同一个用户有多个任务待卸载至同一个边缘计算节点，则按照待上传的数据量从小到大的先后顺序卸载。
作为另一种优选的实施例，所述节点内资源调度过程步骤为：
每个时隙的调度策略可以转化为，每个时隙每个边缘计算节点根据自身剩余计算资源更新步骤S402中所述的可行任务组合矩阵
Figure SMS_119
每一个边缘计算节点sj都通过在矩阵
Figure SMS_120
中选择能使步骤S403中转化后资源调度策略函数C(t)达到最小值的可行任务组合行向量，即
Figure SMS_121
边缘计算节点sj通过在t时隙选择最优行向量
Figure SMS_122
决定了该时隙该节点开始被处理的任务。
因此，本发明实施例中，在分层分布式移动边缘计算系统中，在用户层与节点层之间确定参与匹配的任务与可匹配节点，同时利用基于异构任务的资源调度策略，在任务层与节点层之间进行匹配完成负载均衡并在节点内进行任务处理。相比传统的卸载和调度方法，本发明实施例中在系统中无需集中调度的角色，同时利用分层结构各层特性动态调整匹配限额并完成匹配，具有更好的资源利用率和资源分配公平性，从而缩短任务平均完成时延同时提高资源利用率和资源分配公平性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制、其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，包括以下步骤：
用户层根据与节点层交互得到的节点状态信息确认进入任务层的待匹配任务和进入节点层的可匹配节点；
将任务层与节点层的双边匹配，实现对移动边缘计算系统进行负载均衡，其中根据匹配的执行情况，每个时隙划分为匹配准备阶段、匹配阶段与匹配结果执行阶段。
2.根据权利要求1所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，在匹配准备阶段，用户层的用户产生待卸载任务并更新任务队列，以广播的形式发送消息，请求获得节点状态，并根据获得的节点状态信息决定进入匹配阶段的任务；在匹配阶段，用户等待任务与节点完成匹配；在匹配结果执行阶段，用户将任务卸载至接受其匹配请求的节点。
3.根据权利要求2所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，根据获得的节点状态信息决定任务是否进入匹配阶段，包括以下步骤：
步骤一、每个任务对通信范围内所有节点计算偏好序列，每个任务向最偏好的一个的节点发起匹配请求，请求包含待匹配任务自身属性信息；
步骤二、经过等待时延后，所有请求被拒绝的任务对偏好列表中最偏好的且未曾拒绝过自己的请求的一个节点发起请求；
步骤三、重复步骤二直至一个等待时延内没有任务的请求被拒绝，则任务与节点形成匹配对，匹配阶段结束；在匹配执行阶段，用户设备中参与匹配的任务被卸载至接受其匹配请求的节点。
4.根据权利要求2所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，在匹配准备阶段，节点层的节点更新待处理任务队列，在收到用户的请求后回复自身的状态信息，每个节点根据自身的状态信息确定自己此时的时隙能够接受的匹配请求的最大数量qs，包括以下步骤：
步骤1、节点收到多个任务的匹配请求，将每一个任务转化为可行任务向量后根据资源调度策略函数得到节点对任务的偏好值，将任务按照偏好值从高到底排列，暂时保留最偏好的qs个请求，拒绝其他的请求；
步骤2、经过等待时延后，再次收到请求的节点对新收到的所有请求同样根据资源调度策略函数计算偏好值，将步骤1中暂时保留的请求与新收到的请求一起进行偏好排序，暂时保留最偏好的qs个请求，拒绝其他的请求；
步骤3、重复步骤2直至节点在一个等待时延中没有收到新的请求，此时节点接受之前步骤中暂时保留的全部请求，则任务与节点形成匹配对，匹配阶段结束；在匹配结果执行阶段，节点接收用户卸载的任务并按照资源调度策略函数完成节点内资源调度，即决定当前时隙开始处理的任务。
5.根据权利要求1所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，用户在匹配准备阶段产生待卸载任务并更新任务队列过程步骤为：
S501、用户产生任务：
N个用户设备构成集合U＝{u1,u2,…,uN}，每个用户ui，1≤i≤N产生多个任务，一个任务表示为一个三元组t＝<D,R,L>，其中D是任务需要执行计算的数据量，R是处理该任务需要的资源集合，包括CPU、Storage、RAM资源，资源需求R决定了类型，L是当该任务分配到资源后需要的处理时长，在计算任务队列的队列长度时，处理时长小于单个时隙t的任务对队列长度的贡献为1，处理时长大于单个时隙的任务对队列长度的贡献值为
Figure QLYQS_1
S502、更新用户队列：
用户中待卸载任务暂存设备中并形成队列，设移动用户ui产生的任务种类数量为
Figure QLYQS_2
则形成
Figure QLYQS_3
个队列，每个队列内的任务按照产生的时间先后顺序排列，每个队列的长度记为
Figure QLYQS_4
S503、用户以广播形式向通信范围内节点发起请求：
用户向节点发出请求，请求获得节点的状态信息，包括资源总量及队列情况信息，每个用户ui通过传输速率为
Figure QLYQS_5
的上行链路与节点sj相连接，其中
Figure QLYQS_6
为用户发射功率，σ2为高斯白噪声功率谱密度，Ijk为其他设备噪声干扰，Bij为用户ui与移动设备sj之间的带宽，hij(t)为用户ui到节点的时变函数；
S504、用户根据节点状态和自身队列情况决定参与匹配的任务与可匹配节点：
令
Figure QLYQS_9
为长度为
Figure QLYQS_11
的数组，数组中元素
Figure QLYQS_13
代表第k个队列会进入匹配阶段的任务数量，称为每个队列的限额；信道传输速率低于阈值RateTh的边缘计算节点视为不可接受的匹配对象，则所有可接受的边缘计算节点数量之和为
Figure QLYQS_8
若
Figure QLYQS_12
值大于待卸载任务总数，则该用户设备中所有任务均可进入匹配阶段；若
Figure QLYQS_15
值小于
Figure QLYQS_17
则按照Lenk从高到低排列，其中Lenk表示第k条任务队列的长度，前
Figure QLYQS_7
个队列各获得一个限额；用Qk表示第k个队列的优先值，若
Figure QLYQS_10
值大于
Figure QLYQS_14
则先给每个队列一个限额，然后计算每个缓冲队列的
Figure QLYQS_16
对Qk从高到低排序，给Q最大的队列分配一个限额并重新计算该队列的Q值，重复分配名额和计算Q值直到限额分配完毕；
S505、每个队列队头的
Figure QLYQS_18
个任务进入匹配阶段。
6.根据权利要求4所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，节点在匹配准备阶段更新队列过程步骤为：
S601、构建节点的异构任务队列模型；
节点sj能处理Vj种任务，待处理的Vj类任务分别形成Vj条队列，队列内任务按照处理时长升序排列；令
Figure QLYQS_19
为节点sj中第vj个任务队列在t时隙的长度，
Figure QLYQS_20
为在t时隙需要处理任务的总长度，和整个队列长度在t+1时隙的长度
Figure QLYQS_21
为：
Figure QLYQS_22
Figure QLYQS_23
式中，vj表示第vj个队列，
Figure QLYQS_24
为在t时隙被开始被处理的第vj类任务的队列长度，
Figure QLYQS_25
为t时隙还需要继续被处理的第vj类任务的队列长度，
Figure QLYQS_26
代表在t时隙到达系统的第vj类任务的数量；
S602、构建可行任务组合的矩阵：
定义节点内一个任务组合向量为
Figure QLYQS_27
Figure QLYQS_28
为组合内第vj类任务的数量，当组合中任务需要的资源总和不超过节点的资源总量时则称该组合为可行的，当前系统的资源可构成的At个可行任务组合行向量拼接在一起形成大小为At×Vj的任务组合矩阵
Figure QLYQS_29
Figure QLYQS_30
其中，N(at,vj)代表第at种任务组合中第vj类任务的数量，vj∈(1,2,…,Vj)，节点内的资源调度问题，即每个时隙处理哪些任务的问题，转化为矩阵行向量的选择；
S603、构建节点资源调度策略函数：
对每个节点而言，其李雅普诺夫漂移函数为L(t)，其定义为
Figure QLYQS_31
Figure QLYQS_32
相邻时间内的一步李雅普诺夫漂移量可表示为：
Figure QLYQS_33
令常数
Figure QLYQS_34
令节点系统的优化目标为最小化为所有类型已经完成的任务的平均完成时间p(t)，即
Figure QLYQS_35
李雅普诺夫漂移加惩罚可以写为：
Figure QLYQS_36
其中，
Figure QLYQS_37
Figure QLYQS_38
为第vj队列中第k个任务截至t时的排队时延，
Figure QLYQS_39
为其任务长度，两者之和为该任务的总时延
Figure QLYQS_40
Figure QLYQS_41
为系统资源能够容纳的第vj种虚拟机的最大数量，α为常数系数，系统目标函数转化为最小化ΔL(t)+α·p(t)上界，由于
Figure QLYQS_42
为与调度决策无关的变量，因此资源调度策略函数为
Figure QLYQS_43
7.根据权利要求1～6任一项所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，匹配准备阶段节点根据自身状态决定该时隙能匹配的最大任务数量
Figure QLYQS_44
的过程为：
假设节点sj的资源池中有Kj种资源，每一种资源在资源池中的总量为
Figure QLYQS_47
令
Figure QLYQS_48
为大小为Vj×Kj的矩阵，
Figure QLYQS_51
为第vj类任务需要的第kj种资源的数量，
Figure QLYQS_46
为该节点在t时隙正在虚拟机上运行的任务组成的可行任务组合行向量，节点sj空载时的限额为
Figure QLYQS_49
满载后的限额为
Figure QLYQS_52
在t时隙按照当前时隙剩余资源占总资源的比例决定
Figure QLYQS_53
即
Figure QLYQS_45
Figure QLYQS_50
8.根据权利要求7所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，匹配阶段任务对节点产生偏好序列的步骤为：
S801、设M个节点构成集合S＝{s1,s2,…sj,…,sM}，设节点sj的资源池中有Kj种资源，每一种资源在资源池中的总量为
Figure QLYQS_54
节点支持Vj种类型的任务，令
Figure QLYQS_55
为大小为Vj×Kj的矩阵，
Figure QLYQS_56
为第vj类任务需要的第kj种资源的数量；
S802、待卸载任务t对节点sj的偏好为
Figure QLYQS_57
其中rjj代表任务t所在的用户ui与节点sj信道的传输速率，
Figure QLYQS_58
代表节点sj的资源总和，Len代表任务t对应类型的队列长度；
S803、对每一个待卸载任务t，对所有的
Figure QLYQS_59
从高到低排列，一个待卸载任务对节点集合S中所有个体的偏好表示为一个行向量
Figure QLYQS_60
Figure QLYQS_61
即任务t偏好s2多过s1且偏好s1多过s3。
9.根据权利要求8所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，在匹配阶段，待匹配任务与节点之间的匹配过程步骤为：
S901、任务对节点计算偏好向量，每个任务向偏好序列中最偏好的一个的节点发起匹配请求，匹配请求中包含待匹配任务自身属性；
S902、节点接收到多个任务的匹配请求，将每一个任务转化为可行任务向量后代入资源调度策略函数得到节点对任务的偏好值，将任务按照偏好值从高到底排列，暂时保留最偏好的
Figure QLYQS_62
个请求，拒绝其他的请求；
S903、经过等待时延后，请求被拒绝的任务对偏好列表中最偏好的且未曾拒绝过自己的请求的一个节点发起请求；
S904、经过等待时延后，再次接收到请求的节点对新收到的所有请求按照步骤S603中的资源调度策略函数计算偏好值，将步骤S902中暂时保留的请求与新收到的请求一同进行偏好排序，暂时保留最偏好的
Figure QLYQS_63
个请求，拒绝其他的请求；
S905、重复步骤S903、S904直至没有任务的请求被拒绝，节点也没有再收到新请求，此时节点接受之前步骤中暂时保留的全部请求，任务与接受其请求的节点形成匹配对，确定为时隙的匹配结果，该轮匹配结束；若有任务在该时隙并未匹配到服务器，则继续缓存在用户设备队列中，若同一个用户有多个任务待卸载至同一个边缘计算节点，则按照待上传的数据量从小到大的先后顺序卸载。
10.根据权利要求9所述的面向异构移动边缘计算负载均衡的分层分布式匹配方法，其特征在于，节点内资源调度过程步骤为：
每个时隙的调度策略转化为每个时隙每个边缘计算节点根据自身剩余计算资源更新步骤S602中所述的可行任务组合矩阵
Figure QLYQS_64
每一个边缘计算节点sj都通过在矩阵
Figure QLYQS_65
中选择能使步骤S603中转化后资源调度策略函数C(t)达到最小值的可行任务组合行向量，即
Figure QLYQS_66
边缘计算节点sj通过在t时隙选择最优行向量
Figure QLYQS_67
决定该时隙该节点开始被处理的任务。
CN202310154924.6A 2023-02-21 2023-02-21 面向异构移动边缘计算负载均衡的分层分布式匹配方法 Pending CN116233007A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310154924.6A CN116233007A (zh) 2023-02-21 2023-02-21 面向异构移动边缘计算负载均衡的分层分布式匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310154924.6A CN116233007A (zh) 2023-02-21 2023-02-21 面向异构移动边缘计算负载均衡的分层分布式匹配方法

Publications (1)

Publication Number Publication Date
CN116233007A true CN116233007A (zh) 2023-06-06

Family

ID=86574590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310154924.6A Pending CN116233007A (zh) 2023-02-21 2023-02-21 面向异构移动边缘计算负载均衡的分层分布式匹配方法

Country Status (1)

Country Link
CN (1) CN116233007A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401071A (zh) * 2023-06-07 2023-07-07 江西财经大学 一种用于边缘计算的资源分配方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190208007A1 (en) * 2018-01-03 2019-07-04 Verizon Patent And Licensing Inc. Edge Compute Systems and Methods
CN111182570A (zh) * 2020-01-08 2020-05-19 北京邮电大学 提高运营商效用的用户关联和边缘计算卸载方法
CN111193615A (zh) * 2019-12-13 2020-05-22 南京理工大学 一种移动边缘计算网络中的边缘计算节点选择方法
CN114143814A (zh) * 2021-12-13 2022-03-04 华北电力大学（保定） 一种基于异构边缘云架构的多任务卸载方法及系统
WO2023280121A1 (zh) * 2021-07-07 2023-01-12 华为技术有限公司 一种获取边缘服务的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190208007A1 (en) * 2018-01-03 2019-07-04 Verizon Patent And Licensing Inc. Edge Compute Systems and Methods
CN111193615A (zh) * 2019-12-13 2020-05-22 南京理工大学 一种移动边缘计算网络中的边缘计算节点选择方法
CN111182570A (zh) * 2020-01-08 2020-05-19 北京邮电大学 提高运营商效用的用户关联和边缘计算卸载方法
WO2023280121A1 (zh) * 2021-07-07 2023-01-12 华为技术有限公司 一种获取边缘服务的方法和装置
CN114143814A (zh) * 2021-12-13 2022-03-04 华北电力大学（保定） 一种基于异构边缘云架构的多任务卸载方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S TIAN: "《IEEE》", 31 December 2021, "USER PREFERENCE-BASED HIERARCHICAL OFFLOADING FOR COLLABORATIVE CLOUD-EDGE COMPUTING" *
彭青蓝: "《中国优秀博士学位论文全文数据库》", 30 June 2022, "边缘计算环境中计算卸载与服务放置策略的研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401071A (zh) * 2023-06-07 2023-07-07 江西财经大学 一种用于边缘计算的资源分配方法及系统
CN116401071B (zh) * 2023-06-07 2023-08-29 江西财经大学 一种用于边缘计算的资源分配方法及系统

Similar Documents

Publication Publication Date Title
CN109947545B (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN112737837B (zh) 一种高动态网络拓扑下无人机群带宽资源分配方法
CN107766135B (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN111800828B (zh) 一种超密集网络的移动边缘计算资源分配方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN111405569A (zh) 基于深度强化学习的计算卸载和资源分配方法及装置
CN110099384A (zh) 基于边-端协同的多用户多mec任务卸载资源调度方法
CN113296845A (zh) 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法
CN110493854B (zh) 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制
CN111093203A (zh) 一种基于环境感知的服务功能链低成本智能部署方法
CN110519776B (zh) 一种雾计算系统中的均衡聚类和联合资源分配方法
CN113064665A (zh) 一种基于李雅普诺夫优化的多服务器计算卸载方法
CN115297013B (zh) 一种基于边缘协作的任务卸载及服务缓存联合优化方法
CN113784373A (zh) 云边协同网络中时延和频谱占用联合优化方法及系统
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN109947574A (zh) 一种基于雾网络的车辆大数据计算卸载方法
CN116233007A (zh) 面向异构移动边缘计算负载均衡的分层分布式匹配方法
Gan et al. Trajectory optimization and computing offloading strategy in UAV-assisted MEC system
CN113992678A (zh) 一种海上mec负载均衡和资源分配联合优化的计算迁移方法
CN113873658B (zh) 一种以用户服务权重增益为目标函数的跳波束资源分配方法
CN111542091B (zh) 网络切片的无线与计算资源联合分配方法
Xia et al. Dynamic task offloading and resource allocation for heterogeneous MEC-enable IoT

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