CN116541153B - 边缘计算的任务调度方法、系统、可读存储介质及计算机 - Google Patents

边缘计算的任务调度方法、系统、可读存储介质及计算机 Download PDF

Info

Publication number
CN116541153B
CN116541153B CN202310819917.3A CN202310819917A CN116541153B CN 116541153 B CN116541153 B CN 116541153B CN 202310819917 A CN202310819917 A CN 202310819917A CN 116541153 B CN116541153 B CN 116541153B
Authority
CN
China
Prior art keywords
processing
task request
micro cloud
local
energy consumption
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
CN202310819917.3A
Other languages
English (en)
Other versions
CN116541153A (zh
Inventor
徐梦溪
樊飞燕
栾辉
张建德
黄陈蓉
王丹华
吕莉
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.)
Nanjing Institute of Technology
Nanchang Institute of Technology
Original Assignee
Nanjing Institute of Technology
Nanchang Institute of Technology
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 Nanjing Institute of Technology, Nanchang Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202311087431.1A priority Critical patent/CN116909715A/zh
Priority to CN202310819917.3A priority patent/CN116541153B/zh
Publication of CN116541153A publication Critical patent/CN116541153A/zh
Application granted granted Critical
Publication of CN116541153B publication Critical patent/CN116541153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/46—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
    • G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
    • 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
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Power Sources (AREA)

Abstract

本发明提供一种边缘计算的任务调度方法、系统、可读存储介质及计算机，该方法包括：分别利用本地计算场景和微云计算场景对用户传递的任务请求进行处理得到本地处理时间及微云上行、下行时间；根据本地处理终端的执行能力计算出执行能耗，基于循环能耗和任务数据计算出处理能耗；根据本地处理时间、执行能耗及处理能耗进行加权处理得到本地支出；根据微云上行、下行时间计算出微云支出；根据本地支出和微云支出计算出联合支出，根据联合支出计算出资源分配结果，利用资源分配结果进行任务调度。本发明根据本地支出和微云支所计算出的联合支出对任务请求进行问题优化，利用问题优化结果对任务请求进行资源分配，从而降低任务请求的计算总支出。

Description

边缘计算的任务调度方法、系统、可读存储介质及计算机
技术领域
本发明涉及边缘计算技术领域，特别涉及一种边缘计算的任务调度方法、系统、可读存储介质及计算机。
背景技术
随着科技的飞速发展和人们生活水平的提高，移动终端等设备也得到迅速普及，从而导致网络的发展也需要进行极大地优化。
在近些年，边缘计算，特别是在移动蜂窝网络中的移动边缘计算已开始显现出巨大的潜力。移动边缘计算的主要目的是应对移动云计算所面临的挑战。微云技术是由终端设备、微云服务器以及集中式数据中心组成，其目的是将远程数据中心服务器的资源与服务延伸至最终用户附近，微云可以被视为资源丰富的边缘云节点，它拥有稳定的网络连接且受信任，可以为附近的终端设备提供可访问的存储和计算资源。
现有的边缘计算方法中，计算卸载至关重要，然而，计算卸载会导致延迟和能耗方面的额外开销，在多个用户的情况下，服务器必须要执行多个计算任务，无法预先计算出计算任务的相关支出，从而导致无法对各计算任务进行合理分配，使得多个用户之间共享稀缺的无线带宽，导致无法满足所有用户的计算需求。
发明内容
基于此，本发明的目的是提供一种边缘计算的任务调度方法、系统、可读存储介质及计算机，以至少解决上述技术中的不足。
本发明提出一种边缘计算的任务调度方法，包括：
构建边缘计算场景模型，其中，所述边缘计算场景模型中包含有本地计算场景以及微云计算场景；
当接收到用户传递的任务请求时，分别利用所述本地计算场景和所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间以及微云上行时间和微云下行时间；
根据所述本地处理时间和所述任务请求对应的本地处理终端的执行能力计算出所述任务请求的执行能耗，并基于循环能耗和所述任务请求的任务数据计算出所述任务请求的处理能耗；
根据所述本地处理时间、所述执行能耗以及所述处理能耗进行加权处理，以得到所述任务请求的本地支出；
根据所述微云上行时间和所述微云下行时间分别计算出微云上行能耗和微云下行能耗，利用所述任务请求在所述微云计算场景中的处理时间、所述微云上行时间、所述微云下行时间、所述微云上行能耗和所述微云下行能耗计算出所述任务请求的微云支出；
根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度。
进一步的，利用所述本地计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间的步骤包括：
获取所述任务请求的处理工作量以及所述本地计算场景的处理能力；
根据所述处理工作量和所述本地计算场景的处理能力按照以下公式计算出所述任务请求的本地处理时间：
；
式中，表示任务请求/>的处理工作量；/>表示本地计算场景对任务请求/>的处理能力，即本地计算场景中硬件的处理能力。
进一步的，利用所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的微云上行时间和微云下行时间的步骤包括：
获取所述微云计算场景中微云服务器的处理带宽以及上行信道和下行信道的处理功率；
根据所述处理带宽、所述上行信道的处理功率以及所述下行信道的处理功率分别计算出所述上行信道和所述下行信道的传输速率；
获取所述任务请求的输入数据和所述微云服务器处理所述输入数据所输出的输出数据，并利用所述上行信道的传输速率和所述输入数据计算出所述任务请求的微云上行时间，利用所述下行信道的传输速率和所述输出数据计算出所述任务请求的微云下行时间。
进一步的，所述上行信道的传输速率的计算公式为：
；
式中，表示微云服务器的处理带宽，/>表示微云服务器的处理带宽/>分配给任务请求的带宽百分比，/>表示卸载硬件设备的数量，/>表示上行信道的处理功率，表示信道增益，/>表示卸载硬件设备的集合；
所述下行信道的传输速率的计算公式为：
；
式中，表示下行信道的处理功率；
所述微云上行时间的计算公式为：
；
式中，表示任务请求/>的输入数据；
所述微云下行时间的计算公式为：
；
式中，表示微云服务器处理输入数据/>所输出的输出数据。
进一步的，所述执行能耗的计算公式为：
；
式中，表示任务请求的本地处理时间，/>表示任务请求/>所对应的本地处理终端的执行能力；
所述处理能耗的计算公式为：
；
；
式中，表示循环能耗，/>为常数，其表示能耗系数，当本地处理终端的处理周期小于预设处理周期，则能耗系数为/>，当本地处理终端的处理周期大于等于预设处理周期，则能耗系数为/>；
所述任务请求的本地支出的计算公式为：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重。
进一步的，所述微云支出的计算公式为：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，/>表示任务请求/>在微云计算场景中的处理时间。
本发明还提出一种边缘计算的任务调度系统，包括：
模型构建模块，用于构建边缘计算场景模型，其中，所述边缘计算场景模型中包含有本地计算场景以及微云计算场景；
时间计算模块，用于当接收到用户传递的任务请求时，分别利用所述本地计算场景和所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间以及微云上行时间和微云下行时间；
能耗计算模块，用于根据所述本地处理时间和所述任务请求对应的本地处理终端的执行能力计算出所述任务请求的执行能耗，并基于循环能耗和所述任务请求的任务数据计算出所述任务请求的处理能耗；
本地支出计算模块，用于根据所述本地处理时间、所述执行能耗以及所述处理能耗进行加权处理，以得到所述任务请求的本地支出；
微云支出计算模块，用于根据所述微云上行时间和所述微云下行时间分别计算出微云上行能耗和微云下行能耗，利用所述任务请求在所述微云计算场景中的处理时间、所述微云上行时间、所述微云下行时间、所述微云上行能耗和所述微云下行能耗计算出所述任务请求的微云支出；
任务调度模块，用于根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度。
进一步的，所述时间计算模块包括：
数据获取单元，用于获取所述任务请求的处理工作量以及所述本地计算场景的处理能力；
本地处理时间计算单元，用于根据所述处理工作量和所述本地计算场景的处理能力按照以下公式计算出所述任务请求的本地处理时间：
；
式中，表示任务请求/>的处理工作量；/>表示本地计算场景对任务请求/>的处理能力，即本地计算场景中硬件的处理能力。
进一步的，所述时间计算模块包括：
处理功率获取单元，用于获取所述微云计算场景中微云服务器的处理带宽以及上行信道和下行信道的处理功率；
传输速率计算单元，用于根据所述处理带宽、所述上行信道的处理功率以及所述下行信道的处理功率分别计算出所述上行信道和所述下行信道的传输速率；
微云时间计算单元，用于获取所述任务请求的输入数据和所述微云服务器处理所述输入数据所输出的输出数据，并利用所述上行信道的传输速率和所述输入数据计算出所述任务请求的微云上行时间，利用所述下行信道的传输速率和所述输出数据计算出所述任务请求的微云下行时间。
本发明还提出一种可读存储介质，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上述的边缘计算的任务调度方法。
本发明还提出一种计算机，包括存储器、处理器以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，所述处理器执行所述计算机程序时实现上述的边缘计算的任务调度方法。
本发明当中的边缘计算的任务调度方法、系统、可读存储介质及计算机，通过构建边缘计算场景模型，并利用边缘计算场景模型计算出任务请求的本地处理时间和微云处理时间，根据本地处理时间和微云处理时间分别计算出任务请求的本地支出和微云支出，进而根据本地支出和微云支出计算出联合支出，根据联合支出对任务请求进行问题优化，利用问题优化结果对任务请求进行资源分配，从而降低任务请求的计算总支出。
附图说明
图1为本发明第一实施例中边缘计算的任务调度方法的流程图；
图2为图1中步骤S102的详细流程图；
图3为图1中步骤S102的另一实施方式的详细流程；
图4为本发明第二实施例中边缘计算的任务调度系统的结构框图；
图5为本发明第三实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的边缘计算的任务调度方法，所述边缘计算的任务调度方法具体包括步骤S101至S106：
S101，构建边缘计算场景模型，其中，所述边缘计算场景模型中包含有本地计算场景以及微云计算场景；
在具体实施时，通过将小型基站（带有微云服务器）放置于预设区域（该区域可以为商圈区域、住宅区域、实验区域等），在该预设区域中设置有多个硬件设备，并且该硬件设备与该小型基站相关联，当基站不参与任务处理时，由用户终端直接与硬件设备相关联时，此时，构建成本地计算场景，当基站参与任务处理时，由微云服务器-硬件设备-用户终端之间构成微云计算场景。
S102，当接收到用户传递的任务请求时，分别利用所述本地计算场景和所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间以及微云上行时间和微云下行时间；
进一步的，请参阅图2，所述步骤S102具体包括步骤S1021~S1022：
S1021，获取所述任务请求的处理工作量以及所述本地计算场景的处理能力；
S1022，根据所述处理工作量和所述本地计算场景的处理能力按照以下公式计算出所述任务请求的本地处理时间：
；
式中，表示任务请求/>的处理工作量；/>表示本地计算场景对任务请求/>的处理能力，即本地计算场景中硬件的处理能力。
在具体实施时，用户在发送任务请求时，会将该任务请求压缩成对应的文件，该文件中记录有该任务请求的大小，即该任务请求的工作量：/>，其中，/>表示任务请求/>的工作量，/>表示任务请求/>的输入数据的大小。
当接收到用户所传递的任务请求时，获取该任务请求的工作量以及本地计算场景的处理能力/>，其中，本地计算场景的处理能力/>即为硬件设备的CPU芯片的时钟频率，其对应的执行能力表示为/>，根据处理工作量/>和所述本地计算场景的处理能力/>即可计算出任务请求/>的本地处理时间。
进一步的，请参阅图3，所述步骤S102还包括步骤S1121~S1123：
S1121，获取所述微云计算场景中微云服务器的处理带宽以及上行信道和下行信道的处理功率；
S1122，根据所述处理带宽、所述上行信道的处理功率以及所述下行信道的处理功率分别计算出所述上行信道和所述下行信道的传输速率；
S1123，获取所述任务请求的输入数据和所述微云服务器处理所述输入数据所输出的输出数据，并利用所述上行信道的传输速率和所述输入数据计算出所述任务请求的微云上行时间，利用所述下行信道的传输速率和所述输出数据计算出所述任务请求的微云下行时间。
在具体实施时，当该任务请求需要进行微云处理时，本地终端会将该任务请求卸载至微云服务器，此时，获取微云计算场景中微云服务器的处理带宽以及上行信道的处理功率/>和下行信道的处理功率/>，将上述的微云服务器的处理带宽/>和上行信道的处理功率/>按照以下公式计算出上行信道的传输速率：
；
式中，表示微云服务器的处理带宽/>分配给任务请求/>的带宽百分比，表示卸载硬件设备的数量，/>表示信道增益，/>表示卸载硬件设备的集合；
将上述的微云服务器的处理带宽和下行信道的处理功率/>按照以下公式计算出下行信道的传输速率：
；
式中，表示下行信道的处理功率；
进一步的，当任务请求的输入数据/>输入至微云服务器时，通过上述所计算出的上行信道的传输速率和下行信道的传输速率即可计算出对应的微云上行时间和微云下行时间：
微云上行时间的计算公式为：
；
具体的，微云下行时间的计算公式为：
；
式中，表示微云服务器处理输入数据/>所输出的输出数据。
S103，根据所述本地处理时间和所述任务请求对应的本地处理终端的执行能力计算出所述任务请求的执行能耗，并基于循环能耗和所述任务请求的任务数据计算出所述任务请求的处理能耗；
在具体实施时，将上述得到的本地处理时间和任务请求所对应的本地终端（即硬件设备）的执行能力计算出任务请求的执行能耗：
；
进一步的，为了计算本地终端处理该任务请求的所产生的能耗，将本地终端的循环能耗设置为/>，其中，/>为常数，其表示能耗系数，具体数值取决于CPU的硬件结构，当本地处理终端的处理周期小于预设处理周期（在本实施例中，该预设处理周期为CPU的大核所对应的处理周期），则能耗系数为/>，当本地处理终端的处理周期大于等于预设处理周期，则能耗系数为/>。
具体的，基于上述得到的循环能耗和任务请求/>的任务数据按照下式计算出该任务请求的处理能耗：
；
S104，根据所述本地处理时间、所述执行能耗以及所述处理能耗进行加权处理，以得到所述任务请求的本地支出；
在具体实施时，将所得到的任务请求的执行能耗、任务请求的处理能耗以及本地处理时间进行加权处理，结合计算时所产生的延迟，从而得到该任务请求在本地处理时所产生的本地支出：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，其中，/>，对于客户不同的特定需求，本地终端在任务请求处理时会选择不同的权重。例如：当任务请求的对象为电量较低额的用户时，在进行任务请求处理时，会选择较高的能耗权重来节省能量。
S105，根据所述微云上行时间和所述微云下行时间分别计算出微云上行能耗和微云下行能耗，利用所述任务请求在所述微云计算场景中的处理时间、所述微云上行时间、所述微云下行时间、所述微云上行能耗和所述微云下行能耗计算出所述任务请求的微云支出；
在具体实施时，根据上述所得到的微云上行时间和微云下行时间分别计算出微云上行能耗和微云下行能耗，利用任务请求在微云计算场景中的处理时间、微云上行时间、微云下行时间、微云上行能耗和微云下行能耗计算出任务请求的微云支出：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，/>表示任务请求/>在微云计算场景中的处理时间。
S106，根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度。
在具体实施时，定义边缘计算场景模型的资源向量，并将该任务请求分配定义成二进制变量，将上述得到的本地支出和微云支出按照以下公式进行处理，以得到对应的联合支出：
；
式中，表示边缘计算场景模型的资源向量。
具体的，对联合支出进行联合问题优化处理，并约束任务请求所分配的资源不得超过微云服务器的总资源以及约束上行信道中总数据接收速率，将联合问题输入至预设的处理模型中，以使处理模型将其分解为两个子问题，并对两个子问题进行求解，通过多次迭代，最终求出最优解。
综上，本发明上述实施例中的边缘计算的任务调度方法，通过构建边缘计算场景模型，并利用边缘计算场景模型计算出任务请求的本地处理时间和微云处理时间，根据本地处理时间和微云处理时间分别计算出任务请求的本地支出和微云支出，进而根据本地支出和微云支出计算出联合支出，根据联合支出对任务请求进行问题优化，利用问题优化结果对任务请求进行资源分配，从而降低任务请求的计算总支出。
实施例二
本发明另一方面还提出一种边缘计算的任务调度系统，请查阅图4，所示为本发明第二实施例中的边缘计算的任务调度系统，所述系统包括：
模型构建模块11，用于构建边缘计算场景模型，其中，所述边缘计算场景模型中包含有本地计算场景以及微云计算场景；
时间计算模块12，用于当接收到用户传递的任务请求时，分别利用所述本地计算场景和所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间以及微云上行时间和微云下行时间；
进一步的，所述时间计算模块12包括：
数据获取单元，用于获取所述任务请求的处理工作量以及所述本地计算场景的处理能力；
本地处理时间计算单元，用于根据所述处理工作量和所述本地计算场景的处理能力按照以下公式计算出所述任务请求的本地处理时间：
；
式中，表示任务请求/>的处理工作量；/>表示本地计算场景对任务请求/>的处理能力，即本地计算场景中硬件的处理能力。
进一步的，所述时间计算模块12包括：
处理功率获取单元，用于获取所述微云计算场景中微云服务器的处理带宽以及上行信道和下行信道的处理功率；
传输速率计算单元，用于根据所述处理带宽、所述上行信道的处理功率以及所述下行信道的处理功率分别计算出所述上行信道和所述下行信道的传输速率；
微云时间计算单元，用于获取所述任务请求的输入数据和所述微云服务器处理所述输入数据所输出的输出数据，并利用所述上行信道的传输速率和所述输入数据计算出所述任务请求的微云上行时间，利用所述下行信道的传输速率和所述输出数据计算出所述任务请求的微云下行时间。
能耗计算模块13，用于根据所述本地处理时间和所述任务请求对应的本地处理终端的执行能力计算出所述任务请求的执行能耗，并基于循环能耗和所述任务请求的任务数据计算出所述任务请求的处理能耗；
本地支出计算模块14，用于根据所述本地处理时间、所述执行能耗以及所述处理能耗进行加权处理，以得到所述任务请求的本地支出；
微云支出计算模块15，用于根据所述微云上行时间和所述微云下行时间分别计算出微云上行能耗和微云下行能耗，利用所述任务请求在所述微云计算场景中的处理时间、所述微云上行时间、所述微云下行时间、所述微云上行能耗和所述微云下行能耗计算出所述任务请求的微云支出；
任务调度模块16，用于根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
本发明实施例所提供的边缘计算的任务调度系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例三
本发明还提出一种计算机，请参阅图5，所示为本发明第三实施例中的计算机，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的边缘计算的任务调度方法。
其中，存储器10至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元，例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图5示出的结构并不构成对计算机的限定，在其它实施例当中，该计算机可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种可读存储介质，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的边缘计算的任务调度方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种边缘计算的任务调度方法，其特征在于，包括：
构建边缘计算场景模型，其中，所述边缘计算场景模型中包含有本地计算场景以及微云计算场景；
当接收到用户传递的任务请求时，分别利用所述本地计算场景和所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间以及微云上行时间和微云下行时间，其中，利用所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的微云上行时间和微云下行时间的步骤包括：
获取所述微云计算场景中微云服务器的处理带宽以及上行信道和下行信道的处理功率；
根据所述处理带宽、所述上行信道的处理功率以及所述下行信道的处理功率分别计算出所述上行信道和所述下行信道的传输速率，所述上行信道的传输速率的计算公式为：
；
式中，表示微云服务器的处理带宽，/>表示微云服务器的处理带宽/>分配给任务请求的带宽百分比，/>表示卸载硬件设备的数量，/>表示上行信道的处理功率，表示信道增益，/>表示卸载硬件设备的集合；
所述下行信道的传输速率的计算公式为：
；
式中，表示下行信道的处理功率；
获取所述任务请求的输入数据和所述微云服务器处理所述输入数据所输出的输出数据，并利用所述上行信道的传输速率和所述输入数据计算出所述任务请求的微云上行时间，利用所述下行信道的传输速率和所述输出数据计算出所述任务请求的微云下行时间，所述微云上行时间的计算公式为：
；
式中，表示任务请求/>的输入数据；
所述微云下行时间的计算公式为：
；
式中，表示微云服务器处理输入数据/>所输出的输出数据；
根据所述本地处理时间和所述任务请求对应的本地处理终端的执行能力计算出所述任务请求的执行能耗，并基于循环能耗和所述任务请求的任务数据计算出所述任务请求的处理能耗，其中，所述执行能耗的计算公式为：
；
式中，表示任务请求的本地处理时间，/>表示任务请求/>所对应的本地处理终端的执行能力；
所述处理能耗的计算公式为：
；
；
式中，表示循环能耗，/>为常数，其表示能耗系数，当本地处理终端的处理周期小于预设处理周期，则能耗系数为/>，当本地处理终端的处理周期大于等于预设处理周期，则能耗系数为/>，所述预设处理周期为CPU的大核所对应的处理周期；
根据所述本地处理时间、所述执行能耗以及所述处理能耗进行加权处理，以得到所述任务请求的本地支出，其中，所述任务请求的本地支出的计算公式为：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，其中，/>；
根据所述微云上行时间和所述微云下行时间分别计算出微云上行能耗和微云下行能耗，利用所述任务请求在所述微云计算场景中的处理时间、所述微云上行时间、所述微云下行时间、所述微云上行能耗和所述微云下行能耗计算出所述任务请求的微云支出，其中，所述微云支出的计算公式为：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，表示任务请求/>在微云计算场景中的处理时间；
根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度，其中，根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度的步骤包括：
定义所述边缘计算场景模型的资源向量，并将所述任务请求分配定义成二进制变量，将所述本地支出和所述微云支出按照以下公式进行处理，以得到对应的联合支出：
；
式中，表示边缘计算场景模型的资源向量；
对所述联合支出进行联合问题优化处理，并约束所述任务请求所分配的资源不得超过所述微云服务器的总资源以及约束所述上行信道中总数据接收速率，将联合问题输入至预设的处理模型中，以使所述处理模型将其分解为两个子问题，并对两所述子问题进行求解，通过多次迭代，最终求出最优解。
2.根据权利要求1所述的边缘计算的任务调度方法，其特征在于，利用所述本地计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间的步骤包括：
获取所述任务请求的处理工作量以及所述本地计算场景的处理能力；
根据所述处理工作量和所述本地计算场景的处理能力按照以下公式计算出所述任务请求的本地处理时间：
；
式中，表示任务请求/>的处理工作量；/>表示本地计算场景对任务请求/>的处理能力，即本地计算场景中硬件的处理能力。
3.一种边缘计算的任务调度系统，其特征在于，包括：
模型构建模块，用于构建边缘计算场景模型，其中，所述边缘计算场景模型中包含有本地计算场景以及微云计算场景；
时间计算模块，用于当接收到用户传递的任务请求时，分别利用所述本地计算场景和所述微云计算场景对所述任务请求进行处理，以得到所述任务请求的本地处理时间以及微云上行时间和微云下行时间，其中，所述时间计算模块包括：
处理功率获取单元，用于获取所述微云计算场景中微云服务器的处理带宽以及上行信道和下行信道的处理功率；
传输速率计算单元，用于根据所述处理带宽、所述上行信道的处理功率以及所述下行信道的处理功率分别计算出所述上行信道和所述下行信道的传输速率，所述上行信道的传输速率的计算公式为：
；
式中，表示微云服务器的处理带宽，/>表示微云服务器的处理带宽/>分配给任务请求的带宽百分比，/>表示卸载硬件设备的数量，/>表示上行信道的处理功率，表示信道增益，/>表示卸载硬件设备的集合；
所述下行信道的传输速率的计算公式为：
；
式中，表示下行信道的处理功率；
微云时间计算单元，用于获取所述任务请求的输入数据和所述微云服务器处理所述输入数据所输出的输出数据，并利用所述上行信道的传输速率和所述输入数据计算出所述任务请求的微云上行时间，利用所述下行信道的传输速率和所述输出数据计算出所述任务请求的微云下行时间，所述微云上行时间的计算公式为：
；
式中，表示任务请求/>的输入数据；
所述微云下行时间的计算公式为：
；
式中，表示微云服务器处理输入数据/>所输出的输出数据；
能耗计算模块，用于根据所述本地处理时间和所述任务请求对应的本地处理终端的执行能力计算出所述任务请求的执行能耗，并基于循环能耗和所述任务请求的任务数据计算出所述任务请求的处理能耗，其中，所述执行能耗的计算公式为：
；
式中，表示任务请求的本地处理时间，/>表示任务请求/>所对应的本地处理终端的执行能力；
所述处理能耗的计算公式为：
；
；
式中，表示循环能耗，/>为常数，其表示能耗系数，当本地处理终端的处理周期小于预设处理周期，则能耗系数为/>，当本地处理终端的处理周期大于等于预设处理周期，则能耗系数为/>，所述预设处理周期为CPU的大核所对应的处理周期；
本地支出计算模块，用于根据所述本地处理时间、所述执行能耗以及所述处理能耗进行加权处理，以得到所述任务请求的本地支出，其中，所述任务请求的本地支出的计算公式为：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，其中，/>；
微云支出计算模块，用于根据所述微云上行时间和所述微云下行时间分别计算出微云上行能耗和微云下行能耗，利用所述任务请求在所述微云计算场景中的处理时间、所述微云上行时间、所述微云下行时间、所述微云上行能耗和所述微云下行能耗计算出所述任务请求的微云支出，其中，所述微云支出的计算公式为：
；
式中，和/>分别表示本地处理终端的能耗权重和处理时间权重，表示任务请求/>在微云计算场景中的处理时间；
任务调度模块，用于根据所述本地支出和所述微云支出计算出所述任务请求的联合支出，并根据所述联合支出计算出所述边缘计算场景模型的资源分配结果，利用所述资源分配结果进行任务调度，其中，所述任务调度模块具体用于：
定义所述边缘计算场景模型的资源向量，并将所述任务请求分配定义成二进制变量，将所述本地支出和所述微云支出按照以下公式进行处理，以得到对应的联合支出：
；
式中，表示边缘计算场景模型的资源向量；
对所述联合支出进行联合问题优化处理，并约束所述任务请求所分配的资源不得超过所述微云服务器的总资源以及约束所述上行信道中总数据接收速率，将联合问题输入至预设的处理模型中，以使所述处理模型将其分解为两个子问题，并对两所述子问题进行求解，通过多次迭代，最终求出最优解。
4.根据权利要求3所述的边缘计算的任务调度系统，其特征在于，所述时间计算模块包括：
数据获取单元，用于获取所述任务请求的处理工作量以及所述本地计算场景的处理能力；
本地处理时间计算单元，用于根据所述处理工作量和所述本地计算场景的处理能力按照以下公式计算出所述任务请求的本地处理时间：
；
式中，表示任务请求/>的处理工作量；/>表示本地计算场景对任务请求/>的处理能力，即本地计算场景中硬件的处理能力。
5.一种可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一所述的边缘计算的任务调度方法。
6.一种计算机，包括存储器、处理器以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计算机程序时实现如权利要求1至2任一所述的边缘计算的任务调度方法。
CN202310819917.3A 2023-07-06 2023-07-06 边缘计算的任务调度方法、系统、可读存储介质及计算机 Active CN116541153B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202311087431.1A CN116909715A (zh) 2023-07-06 2023-07-06 一种计算机的边缘计算的任务调度方法
CN202310819917.3A CN116541153B (zh) 2023-07-06 2023-07-06 边缘计算的任务调度方法、系统、可读存储介质及计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310819917.3A CN116541153B (zh) 2023-07-06 2023-07-06 边缘计算的任务调度方法、系统、可读存储介质及计算机

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311087431.1A Division CN116909715A (zh) 2023-07-06 2023-07-06 一种计算机的边缘计算的任务调度方法

Publications (2)

Publication Number Publication Date
CN116541153A CN116541153A (zh) 2023-08-04
CN116541153B true CN116541153B (zh) 2023-10-03

Family

ID=87454568

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311087431.1A Pending CN116909715A (zh) 2023-07-06 2023-07-06 一种计算机的边缘计算的任务调度方法
CN202310819917.3A Active CN116541153B (zh) 2023-07-06 2023-07-06 边缘计算的任务调度方法、系统、可读存储介质及计算机

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202311087431.1A Pending CN116909715A (zh) 2023-07-06 2023-07-06 一种计算机的边缘计算的任务调度方法

Country Status (1)

Country Link
CN (2) CN116909715A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108964817A (zh) * 2018-08-20 2018-12-07 重庆邮电大学 一种异构网络联合计算卸载及资源分配方法
CN109710336A (zh) * 2019-01-11 2019-05-03 中南林业科技大学 联合能量和延迟优化的移动边缘计算任务调度方法
CN109800072A (zh) * 2019-01-22 2019-05-24 深圳市简智联信息科技有限公司 基于边缘计算的任务调度优化方法和装置
CN111787618A (zh) * 2020-05-25 2020-10-16 中南林业科技大学 一种边缘计算中联合能量获取的能耗优化资源分配方法
CN112995913A (zh) * 2021-03-08 2021-06-18 南京航空航天大学 一种无人机轨迹、用户关联和资源分配联合优化方法
CN113590307A (zh) * 2021-06-22 2021-11-02 国网河北省电力有限公司电力科学研究院 边缘计算节点优化配置方法、装置及云计算中心
CN113873662A (zh) * 2021-10-11 2021-12-31 浙江工业大学 一种绿色边缘计算系统中联合卸载决策与资源分配优化方法
CN116225649A (zh) * 2023-02-28 2023-06-06 山东理工大学 一种细粒度电力任务云边协同优化调度方法
CN116263681A (zh) * 2022-11-29 2023-06-16 中移(苏州)软件技术有限公司 移动边缘计算任务卸载方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020042008A1 (en) * 2018-08-29 2020-03-05 Nokia Shanghai Bell Co., Ltd. Joint allocation of transmission power and time resource
US11983568B2 (en) * 2021-04-23 2024-05-14 Kabushiki Kaisha Toshiba Allocation of heterogeneous computational resource

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108964817A (zh) * 2018-08-20 2018-12-07 重庆邮电大学 一种异构网络联合计算卸载及资源分配方法
CN109710336A (zh) * 2019-01-11 2019-05-03 中南林业科技大学 联合能量和延迟优化的移动边缘计算任务调度方法
CN109800072A (zh) * 2019-01-22 2019-05-24 深圳市简智联信息科技有限公司 基于边缘计算的任务调度优化方法和装置
CN111787618A (zh) * 2020-05-25 2020-10-16 中南林业科技大学 一种边缘计算中联合能量获取的能耗优化资源分配方法
CN112995913A (zh) * 2021-03-08 2021-06-18 南京航空航天大学 一种无人机轨迹、用户关联和资源分配联合优化方法
CN113590307A (zh) * 2021-06-22 2021-11-02 国网河北省电力有限公司电力科学研究院 边缘计算节点优化配置方法、装置及云计算中心
CN113873662A (zh) * 2021-10-11 2021-12-31 浙江工业大学 一种绿色边缘计算系统中联合卸载决策与资源分配优化方法
CN116263681A (zh) * 2022-11-29 2023-06-16 中移(苏州)软件技术有限公司 移动边缘计算任务卸载方法、装置、设备及存储介质
CN116225649A (zh) * 2023-02-28 2023-06-06 山东理工大学 一种细粒度电力任务云边协同优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Service Characteristics-Oriented Joint Optimization of Radio and Computing Resource Allocation in Mobile-Edge Computing;Jie Feng;《 IEEE Internet of Things Journal ( Volume: 8, Issue: 11, 01 June 2021)》;9407-9421 *
基于移动边缘计算的混合分布式任务容错调度方法;陈刚;《计算机与数字工程》;第50卷(第10期);2202-2206 *
面向优先级任务的移动边缘计算资源分配方法;董思岐;吴嘉慧;李海龙;屈毓锛;胡磊;;计算机工程(03);24-29 *

Also Published As

Publication number Publication date
CN116909715A (zh) 2023-10-20
CN116541153A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN109814951B (zh) 移动边缘计算网络中任务卸载及资源分配的联合优化方法
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
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN110968366B (zh) 一种基于有限mec资源的任务卸载方法、装置及设备
CN110740473B (zh) 一种用于移动边缘计算的管理方法及边缘服务器
CN109617829B (zh) 一种业务请求数据的处理方法、装置及系统
CN109743713B (zh) 一种电力物联网系统的资源分配方法及装置
CN110267276B (zh) 网络切片部署方法及装置
CN111511028A (zh) 一种多用户资源分配方法、装置、系统及存储介质
CN114007225A (zh) Bwp的分配方法、装置、电子设备及计算机可读存储介质
CN115460216A (zh) 算力资源调度方法和装置、算力资源调度设备、系统
CN111050387B (zh) 基于能效估计的基站休眠方法、装置、电子设备及介质
CN108667864B (zh) 一种进行资源调度的方法和装置
CN110780986A (zh) 一种基于移动边缘计算的物联网任务调度方法及系统
CN116541153B (zh) 边缘计算的任务调度方法、系统、可读存储介质及计算机
CN111158893A (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN112994911B (zh) 计算卸载方法、装置及计算机可读存储介质
JP6415556B2 (ja) データ受信リンク内でコンピューティング要素を割り振るための方法、装置、およびコンピュータ・プログラム（データ受信リンク内でのコンピューティング要素割振り）
CN111158907A (zh) 数据处理方法及装置、电子设备和存储介质
CN114461299B (zh) 一种卸载决策确定方法、装置、电子设备及存储介质
CN115941488A (zh) 一种网络切片配置方法及系统
US9479579B2 (en) Grouping processing method and system
CN109510694B (zh) 一种控制信道单元资源的配置方法及网络侧设备
CN111970073B (zh) 一种网络负荷状态的确定方法及装置
CN104391916A (zh) 基于分布式计算平台的gpeh数据解析方法和装置

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