CN116366576A - 算力网络资源调度方法、装置、设备及介质 - Google Patents
算力网络资源调度方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116366576A CN116366576A CN202310135775.9A CN202310135775A CN116366576A CN 116366576 A CN116366576 A CN 116366576A CN 202310135775 A CN202310135775 A CN 202310135775A CN 116366576 A CN116366576 A CN 116366576A
- Authority
- CN
- China
- Prior art keywords
- computing
- energy consumption
- time delay
- power network
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005265 energy consumption Methods 0.000 claims abstract description 124
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000013468 resource allocation Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L47/70—Admission control; Resource allocation
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及云计算技术领域,提供一种算力网络资源调度方法、装置、设备及介质,包括:对任务的平均时延进行优化,确定目标时延;基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。本发明用以解决现有技术中优化网络资源、计算资源分配的问题,实现优化网络资源、计算资源分配,提升算力网络资源调度的效能。
Description
技术领域
本发明涉及云计算技术领域,尤其涉及一种算力网络资源调度方法、装置、设备及介质。
背景技术
算力网络的目标是将计算和存储资源分布式部署在各类型网络中,在满足明确的时延要求情况下,对全网中的计算资源、存储资源、传输链路通信资源等多类型资源进行协同调度,为所有用户提供确定性的业务质量保障,并且实现整网资源配置最优。
时延和能耗是算网系统中重要的性能指标,因此可通过基于时延能耗混合模型,确保在资源有限、任务优先级等约束条件下合理优化计算任务时延和系统能耗性能指标,进而优化网络资源、计算资源分配,是目前业界亟待解决的重要课题。
发明内容
本发明提供一种算力网络资源调度方法、装置、设备及介质,用以解决现有技术中优化网络资源、计算资源分配的问题,实现优化网络资源、计算资源分配,提升算力网络资源调度的效能。
本发明提供一种算力网络资源调度方法,包括:
对任务的平均时延进行优化,确定目标时延;
基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;
基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
根据本发明提供的一种算力网络资源调度方法,对任务的平均时延进行优化,确定目标时延,包括:
基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延;和/或,
根据所述算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序;
其中,所述卸载的应用程序用于降低所述任务的平均时延,确定目标时延。
根据本发明提供的一种算力网络资源调度方法,基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延,包括:
基于时延问题对应的第一目标函数,将所述时延问题转化为边缘任务卸载放置问题对应的第二目标函数和资源分配问题对应的第三目标函数;
基于所述第二目标函数和所述第三目标函数,确定混合整数非线性问题对应的目标函数;
基于所述混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延。
根据本发明提供的一种算力网络资源调度方法,根据所述算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序,包括:
以预先设定的时间间隔为周期,基于所述周期读取正在进行计算的任务程序;
根据所述算力网络的计算能力特征,确定所述任务程序中需要卸载的应用程序。
根据本发明提供的一种算力网络资源调度方法,基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗,包括:
基于计算资源需求和可用算力资源匹配的随机优化问题对应的第一优化函数,将所述第一优化函数转化为马尔可夫决策问题对应的第二优化函数;
基于不同路径上的能耗因子和算力节点的能耗权重和所述第二优化函数,确定目标能耗。
根据本发明提供的一种算力网络资源调度方法,所述平均时延是通过以下步骤确定的:
将所述计算节点对应的任务队列,确定任务队列对应的队列方程,所述队列方程用于表征所述计算节点计算所述任务的队列动态过程;
基于所述队列方程以及极限方程,确定所有的所述任务队列的平均时延。
本发明还提供一种算力网络资源调度装置,包括:
时延优化模块,用于对任务的平均时延进行优化,确定目标时延;
能耗优化模块,用于基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;
算力资源调度模块,用于基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述算力网络资源调度方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述算力网络资源调度方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述算力网络资源调度方法。
本发明提供的算力网络资源调度方法、装置、设备及介质,通过在时延优化方面,通过对平均时延进行优化,得到目标时延,在能耗优化方面,通过基于不同路径上的能耗因子和算力节点的能耗权重,计算出最小的能耗解,即目标能耗。最后,针对时延和能耗的维度,对算力网络的资源量进行条件约束,再进行算力网络分配调度,实现配置最优和效益最大化的算力网络分配调度,降低系统时延和系统能耗维度,实现算网资源的最优调度解,从而优化网络资源、计算资源分配,提升算力网络资源调度的效能。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的算力网络资源调度方法的流程示意图之一;
图2是本发明提供的计算任务分发过程示意图;
图3是本发明提供的算力网络资源调度方法的流程示意图之二;
图4是本发明提供的算力网络资源调度方法的流程示意图之三;
图5是本发明提供的算力网络资源调度方法的流程示意图之四;
图6是本发明提供的算力网络资源调度方法的流程示意图之五;
图7是本发明提供的算力网络资源调度装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1-图6描述本发明的算力网络资源调度方法。
请参照图1,本发明提出的算力网络资源调度方法,包括:
请参照图2,本发明的算力网络资源调度方法应用于一种系统架构,该系统架构包括用户节点(用户侧),边缘计算节点和云计算节点(云数据中心计算节点)。其中,用户节点通过无线通信链路与边缘计算节点实现通讯,边缘计算节点通过广域网传输链路与云计算节点实现通讯,图2示出了由用户侧、通信链路、边缘计算节点、云计算节点构成的计算任务调度分发过程。
步骤10,对任务的平均时延进行优化,确定目标时延;
其中,平均时延是基于任务的总时延确定的。在网络传输中,时延是衡量系统性能的重要特征之一,可通过云、网、边、端中各段的任务队列长度之和来度量系统的时延特性。考虑边缘节点、云数据中心节点的动态队列特性,系统的平均时延可表示为:
一个任务的总时延包括该任务从用户节点到边缘计算节点的传输时延,该任务在边缘计算节点的处理时延,该任务从边缘计算节点到云数据中心计算节点的传输时延,以及该任务在云计算节点的计算时延,定义计算任务i在算网系统中的总时延为
假设用户节点通过无线信道的通信链路接入边缘计算节点。设无线通信链路的数据传输带宽为b,由香农定理可得出在有限带宽、噪声的信道环境下,用户i的任务上传至边缘计算节点的传输时延为:
其中,pi是第i个设备的发送功率,hk,i是第i个用户终端到第k个边缘节点的信道增益,是一个随机的独立同分布变量,σ2是加性高斯白噪声功率。
用户任务可根据计算、网络资源的不同需求,对计算任务进行调度,即一部分放在边缘计算节点进行计算,另一部分卸载到云数据中心计算。λi表示第i个用户的计算任务分配给其对应的边缘计算节点的比例,λi∈[0,1]。则1-λi比例的计算任务卸载到云数据中心,用表示第k个边缘计算节点分配给用户i的算力资源。任务i的边缘计算时延为:
假设云数据中心为第k个边缘计算节点的任务i提供的带宽为Bk,i(bit/s),则边缘计算节点到云数据中心的传输时延可表示为:
进一步地,可以通过李雅普诺夫优化技术,对平均时延进行优化。
步骤20,基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;
其中,传输路径至少包括用户节点到边缘计算节点,以及边缘计算节点到云数据中心计算节点;计算节点包括边缘计算和云数据中心计算节点。
能耗即为能源的消耗,能耗因子用于表征传输路径的损耗,通过能耗因子可以计算得到传输路径的能耗,不同的计算节点之间存在传输路径,计算节点的能耗权重表征计算节点进行任务处理或者任务计算的能源消耗系数,也是用于计算传输的能耗。基于不同传输路径上的能耗因子和传输路径对应的计算节点的能耗权重,进行计算目标能耗。需要说明的是,根据不同传输路径和传输路径对应的计算节点计算的目标能耗,考虑到了传输路径以及传输路径对应的计算节点,充分考虑了任务在传输以及计算的消耗,提升计算目标能耗的准确性。其中,可以按照业务特性和需求设定计算节点的能耗权重。
系统能耗主要包括两方面内容,一是网络传输通信链路产生的能耗,包括无线接入传输能耗和广域网的数据传输能耗;二是边缘计算节点服务器和云数据中心服务器出来计算任务产生的计算能耗,与处理的计算任务量和算力资源分配相关。计算任务i需要总能耗可表示为
其中,Pw、Pl分别表示为无线链路、广域网链路传输单位比特数据所消耗的能量(J/bit)。ηe、ηc是边缘节点、云数据中心服务器单位CPU周期的能耗因子(J/CPU cycle)。这些参数均为常数,仅与用户设备和服务器的硬件设备相关。
同样,考虑队列状态变化,系统的平均能耗表达式可表示为
上述算式中,wk、wN+1分别表示边缘计算节点、云数据中心节点服务器的能耗权重。
对算力网络资源进行分维度统计优化的目标是实现在满足不同优先级用户的计算、网络等需求的前提下,实现整网配置最优和收益最大化。通过建立不同的目标函数,将边缘节点算力、云计算节点算力、计算任务分配比例、用户分配调度策略、差异化时延等作为约束条件,建立数学模型。
步骤30,基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
针对时延以及能耗的因素作为约束条件进行数据建模与分析,从能耗以及时延维度建立配置最优和效益最大化的算力资源分配调度数学模型,从而通过算力资源分配调度数学模型,以及目标能耗和目标时延对算力网络的资源量的条件约束的情况下,求得所述算力网络的分配调度策略。从而,结合算力、时延等约束条件,快速生成用户及任务的分配调度策略,实现算力网络下多用户、多任务的最大收益求解。
本发明提供的算力网络资源调度方法、装置、设备及介质,通过在时延优化方面,通过对平均时延进行优化,得到目标时延,在能耗优化方面,通过基于不同路径上的能耗因子和算力节点的能耗权重,计算出最小的能耗解,即目标能耗。最后,针对时延和能耗的维度,对算力网络的资源量进行条件约束,再进行算力网络分配调度,实现配置最优和效益最大化的算力网络分配调度,降低系统时延和系统能耗维度,实现算网资源的最优调度解,从而优化网络资源、计算资源分配,提升算力网络资源调度的效能。
在一种实施例中,请参照图3,步骤10,对任务的平均时延进行优化,确定目标时延,包括:
步骤11,基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延;和/或,
步骤12,根据算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序;
其中,所述卸载的应用程序用于降低所述任务的平均时延,确定目标时延。
本实施例中,在时延优化方面,通过构建混合整数非线性问题,对平均时延进行优化,将时延问题转化为混合整数非线性问题,对任务的平均时延进行优化,确定目标时延。
或者,还可以使用一维搜索算法最优解卸载策略方法,获取正在进行计算的任务程序,在每个时间间隔内根据算力网络的计算能力特征,来决定缓存区中的应用程序是否卸载,提升应用程序卸载的准确度,并且进一步提升最小化时延效果。
需要说明的是,可以通过构建混合整数非线性问题对应的目标函数,或者,通过计算缓冲区中卸载的应用程序,并将缓存区中需要卸载的应用程序进行卸载,实现对任务的平均时延进行优化,两种方法可以应用其中一种或者两种同时应用,同时应用两种方法对任务的平均时延进行优化,能够更有效实现对最小化时延效果。
在一种实施例中,请参照图4,步骤11,基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延,包括:
步骤111,基于时延问题对应的第一目标函数,将所述时延问题转化为边缘任务卸载放置问题对应的第二目标函数和资源分配问题对应的第三目标函数;
步骤112,基于所述第二目标函数和所述第三目标函数,确定混合整数非线性问题对应的目标函数;
步骤113,基于所述混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延。
其中,第一目标函数用于表征算力网络的时延问题,对时延进行优化;第二目标函数用于表征算力网络的边缘任务卸载放置问题,第三目标函数用于算力网络中的资源分配的优化问题。
本实施例中,通过李雅普诺夫优化技术对平均时延进行优化,实现降低系统时延,并进一步提升算力网络资源调度的效能。具体地,将时延问题转化为边缘任务卸载放置问题和资源分配问题,构建混合整数非线性问题,最后通过边缘任务卸载放置问题和资源分配问题构建的混合整数非线性问题,进行对任务的平均时延进行优化,实现降低系统时延,并进一步提升算力网络资源调度的效能。
在一种实施例中,请参照图5,步骤12,根据算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序,包括:
步骤121,以预先设定的时间间隔为周期,基于所述周期读取正在进行计算的任务程序;
步骤122,根据所述算力网络的计算能力特征,确定所述任务程序中需要卸载的应用程序。
在本实施例中,使用一维搜索算法最优解卸载策略方法,预先设定好时间间隔,按照周期读取正在进行计算的任务程序,在每个时间间隔内根据算力网络的计算能力特征决定缓冲区等待的应用程序是否卸载,以此达成最小化时延效果。其中,算力网络的计算能力特征可以包括缓冲区队列状态、用户端、计算节点能力、网络特征等,时间间隔可以按照业务需求进行设置。
本实施例中,根据算力网络的计算能力特征,来决定缓冲区等待的应用程序是否卸载,来达成算力网络时延的最小化效果。
在一种实施例中,图6,步骤20,基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗,包括:
步骤21,基于计算资源需求和可用算力资源匹配的随机优化问题对应的第一优化函数,将所述第一优化函数转化为马尔可夫决策问题对应的第二优化函数;
步骤22,基于不同路径上的能耗因子和算力节点的能耗权重和所述第二优化函数,确定目标能耗。
在能耗优化方面,通过提出同时适用于队列信息和信道状态信息的控制策略,并将计算资源需求和可用算力资源匹配的无限维度的随机优化问题转化为马尔可夫决策问题;之后,再通过马尔可夫决策问题确定的第二优化函数,对不同路径上的能耗因子和算力节点的能耗权重进行优化,优化完成后最终确定目标能耗,实现计算出最小能耗解,最终得到目标能耗。
本实施例中,在能耗优化方面,将计算资源需求和可用算力资源匹配的随机优化问题转化为马尔可夫决策问题,结合马尔可夫决策问题对应的优化函数,对计算能耗进行约束,计算出最小的能耗解,提升能耗最小化效果,从而进一步提升算力网络分配调度能力,优化算力网络的效能。
在一种实施例,所述平均时延通过以下步骤包括:
将所述计算节点对应的任务队列,确定任务队列对应的队列方程,所述队列方程用于表征所述计算节点计算所述任务的队列动态过程;
基于所述队列方程以及极限方程,确定所有的所述任务队列的平均时延。
在本实施例中,考虑信道状态和队列状态变化的马尔可夫性,可将时延模型转化为马尔可夫决策问题模型,将计算任务的队列按照边缘计算节点和数据中心计算节点两个环节分别进行队列动态过程描述,并基于两个队列方程使用极限方程计算出系统总的任务队列平均时延,作为设置约束条件的参考。
其中,任务队列包括边缘计算节点进行计算任务对应的任务队列以及云数据中心进行计算任务对应的任务队列。
考虑信道状态和队列状态变化的马尔可夫性,可将时延模型转化为马尔可夫决策问题模型。用集合T={0,1,2…}表示离散时间间隙,t表示第t个决策时间。在时刻t,边缘计算节点上存在的任务队列记为Qk(t),卸载到中心云计算节点处理的任务队列记为Sk(t)。
Ak(t)表示在第t个时刻到达第k个边缘计算节点的计算任务量,并且在第t+1个时刻立即被计算处理。在不同的决策时间间隙,Ak(t)独立且服从泊松分布。Qk(t)∈[0,+∞)表示t时刻k个边缘计算节点上的任务队列状态信息。
第k个算力池上计算任务的动态队列表示为:
Qk(t+1)=[Qk(t)-Hl,k(t)-Hr,k(t)]++Ak(t),t∈T
其中,Hl,k(t)为在第t个时刻分配到第k个边缘算力节点的计算任务量,Hr,k(t)为t个时刻卸载到云数据中心节点的任务量。
Sk(t)为t时刻卸载到云数据中心计算节点的任务队列,Hs,k(t)表示t时刻云数据中心计算节点的计算任务量。动态队列方程表示为Sk(t+1)=[Sk(t)-Hs,k(t)]++Hr,k(t)。
下面对本发明提供的算力网络资源调度装置进行描述,下文描述的算力网络资源调度装置与上文描述的算力网络资源调度方法可相互对应参照。
请参照图7,本发明提出的一种算力网络资源调度装置,包括:
时延优化模块710,用于对任务的平均时延进行优化,确定目标时延;
能耗优化模块720,用于基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;
算力资源调度模块730,用于基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
进一步地,所述时延优化模块,还用于:
基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延;和/或,
根据所述算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序;
其中,所述卸载的应用程序用于降低所述任务的平均时延,确定目标时延。
进一步地,所述时延优化模块,还用于:
基于时延问题对应的第一目标函数,将所述时延问题转化为边缘任务卸载放置问题对应的第二目标函数和资源分配问题对应的第三目标函数;
基于所述第二目标函数和所述第三目标函数,确定混合整数非线性问题对应的目标函数;
基于所述混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延。
进一步地,所述时延优化模块,还用于:
以预先设定的时间间隔为周期,基于所述周期读取正在进行计算的任务程序;
根据所述算力网络的计算能力特征,确定所述任务程序中需要卸载的应用程序。
进一步地,所述能耗优化模块,还用于:
基于计算资源需求和可用算力资源匹配的随机优化问题对应的第一优化函数,将所述第一优化函数转化为马尔可夫决策问题对应的第二优化函数;
基于不同路径上的能耗因子和算力节点的能耗权重和所述第二优化函数,确定目标能耗。
进一步地,所述算力网络资源调度装置还包括平均时延确定模块,用于:
将所述计算节点对应的任务队列,确定任务队列对应的队列方程,所述队列方程用于表征所述计算节点计算所述任务的队列动态过程;
基于所述队列方程以及极限方程,确定所有的所述任务队列的平均时延。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行算力网络资源调度方法,该方法包括:对任务的平均时延进行优化,确定目标时延;基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的算力网络资源调度方法,该方法包括:对任务的平均时延进行优化,确定目标时延;基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的算力网络资源调度方法,该方法包括:对任务的平均时延进行优化,确定目标时延;基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种算力网络资源调度方法,其特征在于,包括:
对任务的平均时延进行优化,确定目标时延;
基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;
基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
2.根据权利要求1所述的算力网络资源调度方法,其特征在于,对任务的平均时延进行优化,确定目标时延,包括:
基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延;和/或,
根据所述算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序;
其中,所述卸载的应用程序用于降低所述任务的平均时延,确定目标时延。
3.根据权利要求2所述的算力网络资源调度方法,其特征在于,基于混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延,包括:
基于时延问题对应的第一目标函数,将所述时延问题转化为边缘任务卸载放置问题对应的第二目标函数和资源分配问题对应的第三目标函数;
基于所述第二目标函数和所述第三目标函数,确定混合整数非线性问题对应的目标函数;
基于所述混合整数非线性问题对应的目标函数,对所述任务的平均时延进行优化,确定目标时延。
4.根据权利要求2所述的算力网络资源调度方法,其特征在于,根据所述算力网络对应的计算能力特征,确定缓冲区中卸载的应用程序,包括:
以预先设定的时间间隔为周期,基于所述周期读取正在进行计算的任务程序;
根据所述算力网络的计算能力特征,确定所述任务程序中需要卸载的应用程序。
5.根据权利要求1所述的算力网络资源调度方法,其特征在于,基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗,包括:
基于计算资源需求和可用算力资源匹配的随机优化问题对应的第一优化函数,将所述第一优化函数转化为马尔可夫决策问题对应的第二优化函数;
基于不同路径上的能耗因子和算力节点的能耗权重和所述第二优化函数,确定目标能耗。
6.根据权利要求1所述的算力网络资源调度方法,其特征在于,所述平均时延是通过以下步骤确定的:
将所述计算节点对应的任务队列,确定任务队列对应的队列方程,所述队列方程用于表征所述计算节点计算所述任务的队列动态过程;
基于所述队列方程以及极限方程,确定所有的所述任务队列的平均时延。
7.一种算力网络资源调度装置,其特征在于,包括:
时延优化模块,用于对任务的平均时延进行优化,确定目标时延;
能耗优化模块,用于基于不同传输路径上的能耗因子和计算节点的能耗权重,确定目标能耗;
算力资源调度模块,用于基于所述目标能耗和所述目标时延,对算力网络的资源量进行条件约束,确定所述算力网络的分配调度策略,所述算力网络包括多个所述计算节点。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述算力网络资源调度方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述算力网络资源调度方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述算力网络资源调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135775.9A CN116366576A (zh) | 2023-02-16 | 2023-02-16 | 算力网络资源调度方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135775.9A CN116366576A (zh) | 2023-02-16 | 2023-02-16 | 算力网络资源调度方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116366576A true CN116366576A (zh) | 2023-06-30 |
Family
ID=86907460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135775.9A Pending CN116366576A (zh) | 2023-02-16 | 2023-02-16 | 算力网络资源调度方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116366576A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934530A (zh) * | 2023-09-18 | 2023-10-24 | 深圳华越南方电子技术有限公司 | 一种智能电表的数据处理方法和装置、设备及存储介质 |
CN117112180A (zh) * | 2023-09-27 | 2023-11-24 | 广州有机云计算有限责任公司 | 一种基于任务的集群自动化控制方法 |
-
2023
- 2023-02-16 CN CN202310135775.9A patent/CN116366576A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934530A (zh) * | 2023-09-18 | 2023-10-24 | 深圳华越南方电子技术有限公司 | 一种智能电表的数据处理方法和装置、设备及存储介质 |
CN116934530B (zh) * | 2023-09-18 | 2023-12-29 | 深圳华越南方电子技术有限公司 | 一种智能电表的数据处理方法和装置、设备及存储介质 |
CN117112180A (zh) * | 2023-09-27 | 2023-11-24 | 广州有机云计算有限责任公司 | 一种基于任务的集群自动化控制方法 |
CN117112180B (zh) * | 2023-09-27 | 2024-03-29 | 广州有机云计算有限责任公司 | 一种基于任务的集群自动化控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN108920280B (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
CN113950103B (zh) | 一种移动边缘环境下多服务器完全计算卸载方法及系统 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN113950066A (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
CN113612843A (zh) | 一种基于深度强化学习的mec任务卸载和资源分配方法 | |
CN116366576A (zh) | 算力网络资源调度方法、装置、设备及介质 | |
CN109343904B (zh) | 一种基于Lyapunov优化的雾计算动态卸载方法 | |
CN112988345B (zh) | 一种基于移动边缘计算的依赖型任务卸载方法及装置 | |
CN111401744B (zh) | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 | |
US11831708B2 (en) | Distributed computation offloading method based on computation-network collaboration in stochastic network | |
CN113515351A (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
CN112579194A (zh) | 基于时延和事务吞吐量的区块链共识任务卸载方法及装置 | |
CN112911647A (zh) | 一种基于深度强化学习的计算卸载和资源分配方法 | |
CN111511028B (zh) | 一种多用户资源分配方法、装置、系统及存储介质 | |
CN115714820A (zh) | 一种分布式的微服务调度优化方法 | |
CN116579418A (zh) | 联邦边缘学习环境下模型分割优化的隐私数据保护方法 | |
CN114938381A (zh) | 一种基于深度强化学习的d2d-mec卸载方法、计算机程序产品 | |
CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
Hu et al. | Dynamic task offloading in MEC-enabled IoT networks: A hybrid DDPG-D3QN approach | |
Wang et al. | Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
CN116954866A (zh) | 基于深度强化学习的边缘云下任务调度方法及系统 | |
CN111611069A (zh) | 多数据中心间多类型任务迁移方法 | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 |
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 |