CN117042047A - 一种基于任务优先级的资源分配方法、装置、控制器及系统 - Google Patents

一种基于任务优先级的资源分配方法、装置、控制器及系统 Download PDF

Info

Publication number
CN117042047A
CN117042047A CN202310674854.7A CN202310674854A CN117042047A CN 117042047 A CN117042047 A CN 117042047A CN 202310674854 A CN202310674854 A CN 202310674854A CN 117042047 A CN117042047 A CN 117042047A
Authority
CN
China
Prior art keywords
task
layer
resource allocation
terminal
priority
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
CN202310674854.7A
Other languages
English (en)
Other versions
CN117042047B (zh
Inventor
覃团发
王素红
胡永乐
郭文豪
陈俊江
闫明
陈婷婷
蔡争
吴凌涛
万海斌
郑含博
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.)
Guangxi University
Original Assignee
Guangxi 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 Guangxi University filed Critical Guangxi University
Priority to CN202310674854.7A priority Critical patent/CN117042047B/zh
Publication of CN117042047A publication Critical patent/CN117042047A/zh
Application granted granted Critical
Publication of CN117042047B publication Critical patent/CN117042047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于任务优先级的资源分配方法、装置、控制器及系统，涉及光伏基站技术领域，其中，基于任务优先级的资源分配方法应用于SDN控制器，包括以下步骤：获取应用层发送的多个任务数据包；获取数据层终端的算力资源状态信息，将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；根据每一个任务的数据，利用多目标优化遗传算法得到任务对应的初始资源分配策略；根据任务的优先级，对初始资源分配策略进行加权处理，得到最终资源分配策略；根据最终资源分配策略，对任务进行算力资源分配。本发明提供的方法，提高终端的资源利用率，提高系统对高优先级任务响应的及时性。

Description

一种基于任务优先级的资源分配方法、装置、控制器及系统
技术领域
本发明涉及光伏基站技术领域，尤其一种基于任务优先级的资源分配方法、装置、控制器及系统。
背景技术
随着5G通信网络和可再生能源系统的深度融合，越来越多的5G技术应用到光伏发电系统中，其中边缘计算通过将边缘服务器就近部署在终端侧，终端设备的任务卸载到边缘服务器，实现任务的就近处理，可以有效的解决光伏发电系统中海量任务处理的延时长问题。
光伏5G基站系统中，除5G基站外，终端还有大量的光伏发电系统设备，目前光伏发电系统中的各种设备均来自不同的生产厂家，存在着网络异构的问题。SDN(软件定义网络)将各种设备经南向接口资源虚拟化后再通过北向接口进行调用，可以有效的解决网络异构问题，实现了全局资源的高效利用。当这些终端任务卸载到边缘服务器处理时，终端设备自身的资源就会处于闲置状态，造成资源浪费，具有一定的不合理性；此外，系统中各种终端设备对于整个系统具有不同的作用，其产生的任务也具有不同的优先级属性，如果处理不当，会影响系统运行效率，增加系统能耗，从而增加系统运行成本。
发明内容
针对现有技术存在的问题，本发明提供了一种基于任务优先级的资源分配方法，提高终端的资源利用率，提高系统对高优先级任务响应的及时性。
为实现上述发明目的，本发明的技术方案如下：
本发明提供了一种基于任务优先级的资源分配方法，所述方法应用于SDN控制器，所述SDN控制器归属于SDN网络的控制层，包括以下步骤：
S110，获取应用层发送的多个任务数据包，所述任务数据包暂存在所述控制层缓冲区待处理；
S120，获取数据层终端的算力资源状态信息，更新资源信息表，并按照更新后的资源信息表将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；
S130，根据每一个任务的数据，结合所述资源信息表，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略；
S140，根据所述任务的优先级，对所述初始资源分配策略进行加权处理，得到最终资源分配策略；
S150，根据所述最终资源分配策略，对所述任务进行算力资源分配，其中，所述任务按照分配的算力资源进行计算处理，自身终端层和虚拟终端层计算处理结束后，释放出算力资源；
重复执行S120至S150，直至所述控制层缓冲区的任务清空。
进一步地，所述步骤S110中，所述任务数据包包括任务的数据量，处理任务所需的CPU周期，任务的优先级；所述任务产生服从泊松分布。
进一步地，所述步骤S120中，所述获取数据层终端的算力资源状态信息，更新资源信息表具体为：
针对所述自身终端层和虚拟终端层的终端，若所述终端处理完任务并将处理结果返回所述应用层后、所述终端的算力资源处于空闲状态、所述终端的状态标识为由1初始为0，或所述终端未进行任务处理、状态标识也为0，并将所述状态标识信息通过通信模块实时发送到SDN控制器，SDN控制器接受信息后会将所述终端的可用的算力资源纳入虚拟终端层进行管理，同时将资源信息表中所述终端对应的信息赋值为0；若所述终端由空闲进入工作状态、状态标识为由0变为1、虚拟终端层剔除所述终端，若所述终端当前处于空闲状态，且有任务产生，则状态标识也由0变为1，虚拟终端层剔除该终端，同时将资源信息表中所述终端对应的信息赋值为1。
进一步地，所述步骤S130中，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略具体为：
S201、参数初始化；
S202、随机生成种群；
S203、计算父代个体的三个目标函数值；
S204、根据目标函数值，在父代中选择个体进行交叉、变异产生子代；
S205、计算子代个体的三个目标函数值；
S206、将父、子代染色体混合，并用非支配方法进行等级划分；
S207、按等级由前向后依次选取个体，若前m个等级中的个体数相加等于随机生成种群个体数量，则舍去m后等级并进入S212；若前m个等级中的个体数相加大于随机生成种群个体数量且前(m-1)个等级中的个体数相加小于随机生成种群个体数量，则舍去m后等级并进入S208；
S208、将混合后种群的三个目标函数值分别进行归一化处理；
S209、将归一化后的目标函数值进行分段处理，并基于分段建立参考点；
S210、将每个个体的目标函数值与参考点进行关联映射，并记录下每个参考点的映射个体数；
S211、基于S210中的映射个体数，考虑种群的多样性和收敛性来选择当前等级中的个体进入新一代种群；
S212、重复S203至S211满足迭代次数后得到优秀的种群；
S213、由得到的优秀种群中得到最优个体，即最优解；
其中：所述染色体为多个所述任务的一种资源分配策略；
所述基因为每个任务的资源分配策略，包括前半段基因和后半段基因，前半段基因为所述任务的卸载对象处理器、其中基因赋值为0表示任务在自身终端层处理、基因赋值为1表示任务在虚拟终端层处理、基因赋值为2表示任务在虚拟边缘层处理，后半段基因为所述任务卸载到虚拟终端层或虚拟边缘层初始的资源分配系数，所述任务在自身终端层处理，默认占用自身终端的全部资源，同时，对应的终端层或边缘层的资源分配系数基因赋值为0；所述种群为多个所述染色体的集合，即多个所述任务的多种资源分配策略；
所述种群为多个所述染色体的集合，即多个所述任务的多种资源分配策略；
所述目标函数值为多个所述任务在处理过程中平均处理延时，平均处理功耗以及卸载过程中产生的平均费用三个指标；
所述参数包括算法的迭代次数，种群个体数量信息；
所述个体为资源分配策略；
所述最优个体为所述目标函数值最低的资源分配策略。
进一步地，所述步骤S140中所述任务的优先级是根据产生任务的终端的重要程度划分为三级，并依次量化。
进一步地，所述步骤S140中，对所述初始资源分配策略进行加权处理具体为：
若由步骤S130得到的卸载的对象处理器为自身终端层，则默认所述终端的全部资源，无需再用优先级加权；若卸载的对象处理器为虚拟终端层或是虚拟边缘层，则用量化后的优先级数字加权初始的资源分配系数，得到在虚拟终端层或是虚拟边缘层的最终分配资源。
进一步地，所述步骤S150中，所述任务按照分配的资源进行计算处理具体规则为：
所述虚拟终端层和虚拟边缘层分别经SDN技术虚拟化为单个服务器，处理任务服从强占型M/M/1的排队模型；所述虚拟终端层和虚拟边缘层均设处理优先级，且所述处理优先级的级别划分与所述任务的优先级的级别划分相同，所述任务按照其优先级进入相应的所述处理优先级并按进入时间前后进行排队。
本发明还提供了一种基于任务优先级的资源分配装置，应用于SDN控制器，所述SDN控制器归属于SDN网络的控制层，包括如下模块：
第一获取模块，用于获取应用层发送的多个任务数据包，所述任务数据包暂存在所述控制层缓冲区待处理；
第二获取模块，用于获取数据层终端的算力资源状态信息，更新资源信息表，并按照更新后的资源信息表将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；
初始资源分配策略确定模块，用于根据每一个任务的数据，结合所述资源信息表，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略；
最终资源分配策略确定模块，用于根据所述任务的优先级，对所述初始资源分配策略进行加权处理，得到最终资源分配策略；
资源分配模块，用于根据所述最终资源分配策略，对所述任务进行算力资源分配，其中，所述任务按照分配的算力资源进行计算处理，自身终端层和虚拟终端层计算处理结束后，释放出算力资源；
重复调用第二获取模块、初始资源分配策略确定模块、最终资源分配策略确定模块和资源分配模块，直至所述控制层缓冲区的任务清空。
本发明还提供了一种控制器，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现上述的基于任务优先级的资源分配方法的步骤。
本发明还提供了一种光伏5G基站系统，其特征在于，包括数据层，控制层和应用层，通过前述任一项所述基于任务优先级的资源分配方法进行资源分配，其中：
所述数据层包括移动边缘服务器和终端，所述终端包括5G基站主设备、光伏组件、蓄电池、汇流箱；
所述控制层包括SDN控制器和缓冲区，所述控制层和数据层通过南向接口接连，所述缓冲区用于暂存任务数据包；
所述应用层包括：所述终端产生的任务的集合，所述应用层和控制层通过北向接口连接，实现所述应用层对数据层多种算力资源的调用；
所述数据层与所述控制层之间以及应用层与所述控制层之间均设置有通讯模块，分别用于传送算力资源状态信息和任务数据；
所述SDN控制器将所述数据层的算力资源定义为自身终端层、虚拟终端层和虚拟边缘层，其中：
所述自身终端层包括：当前处于空闲状态，但自身有任务产生的各终端的集合；
所述虚拟终端层包括：当前处于空闲状态，且自身没有任务产生或自身任务由其他终端处理的各终端集合；
所述虚拟边缘层包括：边缘服务器。
与现有技术相比，本发明具有如下有益效果：
1、本发明提供的基于任务优先级的资源分配方法，融合软件定义网络(SDN)技术，对系统中的资源进行统一管理、协调、分配。当应用层产生任务后，SDN控制器根据任务的属性利用多目标优化遗传算法对任务的算力资源分配策略进行判断，包括自身终端处理，卸载到由其他空闲终端虚拟的终端层处理，或边缘层处理，相对传统的边-端任务调度考虑了闲置的终端资源，这样可以提高终端的资源利用率，降低了任务卸载过程因占用资源而产生的费用，提高整个系统的运行效益。同时根据任务的优先级属性为任务分配相应的算力资源，可一定程度上提高系统对高优先级任务响应的及时性，降低因重要终端的任务未及时处理而造成的的运行损失。
附图说明
图1为本发明实施例光伏5G基站系统的结构框图。
图2为本发明实施例为本发明实施例一种基于任务优先级的资源分配方法流程图。
图3为本发明实施例多目标遗传算法(NSGA-3)算法流程图。
图4为本发明实施例一种基于任务优先级的资源分配装置结构框图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施例并配合附图予以说明。
实施例一
如图1所示，光伏5G基站系统的结构框图，采用软件定义网络(SDN)架构技术，包括数据层、控制层和应用层。
所述数据层包括移动边缘服务器(MEC服务器)和终端，所述终端包括5G基站主设备、光伏组件、蓄电池、汇流箱、以及通信链路的部署设备等。
所述控制层包括SDN控制器和缓冲区，所述控制层和数据层通过南向接口接连，所述缓冲区用于暂存任务数据包。
所述应用层包括：所述终端产生的任务的集合，如故障报警、安全分析等任务，该层的任务由于具有不同的属性，例如需处理的数据量、任务的优先级、所需占用CPU的处理周期等，因此所需的处理资源也不同。应用层和控制层通过北向接口连接，实现应用层对多种资源的调用；
所述数据层与所述控制层之间以及应用层与所述控制层之间均设置有通讯模块，分别用于传送算力资源状态信息和任务数据。本实施例所述通讯模块采用WIFI通讯模块。
所述SDN控制器将所述数据层的算力资源定义为自身终端层、虚拟终端层和虚拟边缘层，其中：
所述自身终端层包括：当前处于空闲状态，但自身有任务产生的各终端设备的集合，对于所述数据层设备不再进行资源虚拟化处理，即保持处理资源与物理组件的耦合性；
所述虚拟终端层包括：当前处于空闲状态，且自身没有任务产生或自身任务由其他终端设备处理的各终端设备集合，对于该部分所述数据层设备进行资源虚拟化处理，等同为单个中等服务器，使所述数据层设备的算力资源独立于物理组件；
所述虚拟边缘层包括：边缘服务器。物理边缘层的多个边缘服务器经资源虚拟化后等同为单个大型的服务器，解决了服务器间的网络异构问题。
如图2所示，一种基于任务优先级的资源分配方法，所述方法应用于SDN控制器，所述SDN控制器归属于SDN网络的控制层，包括以下步骤：
S110，获取应用层发送的多个任务数据包，所述任务数据包暂存在所述控制层缓冲区待处理；
具体地，所述任务数据包包括任务的数据量，处理任务所需的CPU周期，任务的优先级；所述任务产生服从泊松分布。
S120，获取数据层设备的算力资源状态信息，更新资源信息表，并按照更新后的资源信息表将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；
具体地，所述获取可用的算力资源状态信息，更新资源信息表具体为：
针对所述自身终端层和虚拟终端层的终端，若所述终端处理完任务并将处理结果返回应用层后、所述终端的算力资源处于空闲状态、所述终端的状态标识为由1初始为0，或所述终端未进行任务处理、状态标识也为0，并将所述状态标识信息通过通信模块实时发送到SDN控制器，SDN控制器接受信息后会将所述终端的算力资源纳入虚拟终端层进行管理，同时将资源信息表中所述终端对应的信息赋值为0；若所述终端由空闲进入工作状态，则上述过程相同，状态标识为由0变为1、虚拟终端层剔除该终端，若所述终端当前处于空闲状态，且有任务产生，则状态标识也由0变为1，虚拟终端层剔除所述终端，同时将资源信息表中所述终端对应的信息赋值为1。所述资源信息表及其更新实例如下表所示。
终端名称 1 2 3 …… n
标识位 1 0 1 …… 0
更新后
终端名称 1 2 3 …… n
标识位 0 1 1 …… 1
S130，根据每一个所述任务的数据，结合所述资源信息表，利用多目标优化遗传算法(NSGA-3)得到所述任务对应的初始资源分配策略；
利用多目标优化遗传算法(NSGA-3)得到所述任务对应的初始资源分配策略具体为：
S201、参数初始化；
S202、随机生成种群；
S203、计算父代个体的三个目标函数值；
S204、根据目标函数值，在父代中选择个体进行交叉、变异产生子代；
S205、计算子代个体的三个目标函数值；
S206、将父、子代染色体混合，并用非支配方法进行等级划分；
S207、按等级由前向后依次选取个体，若前m个等级中的个体数相加等于随机生成种群个体数量，则舍去m后等级并进入S212；若前m个等级中的个体数相加大于随机生成种群个体数量且前(m-1)个等级中的个体数相加小于随机生成种群个体数量，则舍去m后等级并进入S208；
S208、将混合后种群的三个目标函数值分别进行归一化处理；
S209、将归一化后的目标函数值进行分段处理，并基于分段建立参考点；
S210、将每个个体的目标函数值与参考点进行关联映射，并记录下每个参考点的映射个体数；
S211、基于S210中的映射个体数，考虑种群的多样性和收敛性来选择当前等级中的个体进入新一代种群；
S212、重复S203至S211满足迭代次数后得到优秀的种群；
S213、由得到的优秀种群中得到最优个体，即最优解；
其中：所述染色体为多个所述任务的一种资源分配策略；
所述基因为每个任务的资源分配策略，包括前半段基因和后半段基因，前半段基因为所述任务的卸载对象处理器、其中基因赋值为0表示任务在自身终端层处理、基因赋值为1表示任务在虚拟终端层处理、基因赋值为2表示任务在虚拟边缘层处理，后半段基因为所述任务卸载到虚拟终端层或虚拟边缘层初始的资源分配系数，所述任务在自身终端层处理，默认占用自身终端的全部资源，同时，对应的终端层或边缘层的资源分配系数基因赋值为0；所述种群为多个所述染色体的集合，即多个所述任务的多种资源分配策略；
所述种群为多个所述染色体的集合，即多个所述任务的多种资源分配策略；
所述目标函数值为多个所述任务在处理过程中平均处理延时，平均处理功耗以及卸载过程中产生的平均费用三个指标；
所述参数包括算法的迭代次数，种群个体数量信息；
所述个体为资源分配策略；
所述最优个体为所述目标函数值最低的资源分配策略。
基于多目标优化遗传算法(NSGA-3)可在延时、功耗以及卸载费用目标优化的前提下得到所述任务对应的初始资源分配策略，可以有效解决传统边-端架构中终端资源浪费，任务卸载处理费用高的等问题。
S140，根据所述任务的优先级，对所述初始资源分配策略进行加权处理，得到最终资源分配策略；
具体地，所述任务的优先级是根据产生任务的终端的重要程度划分为三级，并依次量化。具体为：
由于不同终端在光伏5G基站系统中处于不同的功能位置，因此其产生任务的处理结果对于系统也有着不同程度的作用。例如蓄电池在该系统中处于能量储存的作用，该终端产生的任务与能量存储有关，若不能得到及时处理会导致能量的浪费；而汇流箱在整个系统中处于能量交汇中枢的作用，该终端产生的任务关系整个系统的能量调度，若该终端问题无法及时处理，则会影响整个系统的运行。所以按照终端对于系统的重要程度将其产生的任务划分相应的优先级，层次划分太多会影响系统资源分配的效率，层次划分太少无法体现优先级间的区分程度。
故本发明划分三个层次，并依次量化。举例说明如下：
高优先级任务对应量化数字为3，包括需立即采取响应措施或对传输实时性要求高的任务，一般为秒级甚至更短的时间，例如继电保护、安稳控制等；
中优先级任务对应量化数字为2，包括任务从产生到响应有一定的时间容限，响应时间明显长于高优先级任务，例如调控业务；
低优先级任务对应量化数字为1，例如用于后续分析发电的数据统计任务等。
任务产生后有可能在自身终端处理，有可能到其他终端处理，也有可能到边缘层处理，处理自身任务的终端集合构成自身终端层；处理非自身任务的终端以及未处理任务的终端的集合，构成虚拟终端层。边缘层的服务器集合，构成虚拟边缘层。
具体地，对所述初始资源分配策略进行加权处理具体为：
若由步骤S130得到的卸载对象处理器为自身终端层，则默认所述终端的全部资源，无需再用优先级加权；若卸载对象处理器为虚拟终端层或是虚拟边缘层，则用量化后的优先级数字加权初始的资源分配系数，得到在虚拟终端层或是虚拟边缘层的最终分配资源。
S150，根据所述最终资源分配策略，对所述任务进行算力资源分配，其中，所述任务按照分配的算力资源进行计算处理，自身终端层和虚拟终端层计算处理结束后，释放出算力资源；
具体地，所述任务按照分配的资源进行计算处理具体规则为：
所述虚拟终端层和虚拟边缘层分别分别经SDN技术虚拟化为单个服务器，处理任务服从强占型M/M/1的排队模型；所述虚拟终端层和虚拟边缘层均设处理优先级，且所述处理优先级的级别划分与所述任务的优先级的级别划分相同，所述任务按照其优先级进入相应的所述处理优先级并按进入时间前后进行排队。例如虚拟终端层经SDN技术虚拟化为单个服务器后，设处理优先级，且处理优先级的级别划分与任务的优先级的级别划分相同，也为三个层次，分别为高优先级、中优先级和低优先级，其现有的任务有：高优先级任务、高优先级任务、高优先级任务、中优先级任务、中优先级任务、中优先级任务、低优先级任务、低优先级任务、低优先级任务，如果新到任务是高优先级任务，就排在现有的高优先级任务的最后面；如果是中优先级任务，就排在现有的中优先级任务的最后面；如果是低优先级任务，就直接排在队尾。
重复执行S120至S150，直至所述控制层缓冲区的任务清空。
综上所述，本发明提供的方法，融合软件定义网络(SDN)技术，对系统中的资源进行统一管理、协调、分配。当应用层产生任务后，SDN控制器根据任务的属性利用多目标优化遗传算法(NSGA-3)对任务的算力资源分配策略进行判断，包括自身终端处理，卸载到由其他空闲终端虚拟的终端层处理，或边缘层处理，相对传统的边-端任务调度考虑了闲置的终端资源，这样可以提高终端的资源利用率，降低了任务卸载过程因占用资源而产生的费用，提高整个系统的运行效益。同时根据任务的优先级属性为任务分配相应的算力资源，可一定程度上提高系统对高优先级任务响应的及时性，降低因重要终端的任务未及时处理而造成的的运行损失。
实施例二
本发明提供了一种基于任务优先级的资源分配装置，应用于SDN控制器，所述SDN控制器归属于SDN网络的控制层，如图4所示，该装置包括：
第一获取模块，用于获取应用层发送的多个任务数据包，所述任务数据包暂存在所述控制层缓冲区待处理；
第二获取模块，用于获取数据层终端的算力资源状态信息，更新资源信息表，并按照更新后的资源信息表将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；
初始资源分配策略确定模块，用于根据每一个任务的数据，结合所述资源信息表，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略；
最终资源分配策略确定模块，用于根据所述任务的优先级，对所述初始资源分配策略进行加权处理，得到最终资源分配策略；
资源分配模块，用于根据所述最终资源分配策略，对所述任务进行算力资源分配，其中，所述任务按照分配的算力资源进行计算处理，自身终端层和虚拟终端层计算处理结束后，释放出算力资源；
重复调用第二获取模块、初始资源分配策略确定模块、最终资源分配策略确定模块和资源分配模块，直至所述控制层缓冲区的任务清空。
实施例三
本发明还提供了一种控制器，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现上述的基于任务优先级的资源分配方法的步骤。
虽然，上文中已经用具体实施方式，对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于任务优先级的资源分配方法，其特征在于，所述方法应用于SDN控制器，所述SDN控制器归属于SDN网络的控制层，包括以下步骤：
S110，获取应用层发送的多个任务数据包，所述任务数据包暂存在所述控制层缓冲区待处理；
S120，获取数据层终端的算力资源状态信息，更新资源信息表，并按照更新后的资源信息表将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；
S130，根据每一个任务的数据，结合所述资源信息表，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略；
S140，根据所述任务的优先级，对所述初始资源分配策略进行加权处理，得到最终资源分配策略；
S150，根据所述最终资源分配策略，对所述任务进行算力资源分配，其中，所述任务按照分配的算力资源进行计算处理，自身终端层和虚拟终端层计算处理结束后，释放出算力资源；
重复执行S120至S150，直至所述控制层缓冲区的任务清空。
2.根据权利要求1所述的基于任务优先级的资源分配方法，其特征在于，所述步骤S110中，所述任务数据包包括任务的数据量，处理任务所需的CPU周期，任务的优先级；所述任务产生服从泊松分布。
3.根据权利要求1所述的基于任务优先级的资源分配方法，其特征在于，所述步骤S120中，所述获取数据层终端的算力资源状态信息，更新资源信息表具体为：
针对所述自身终端层和虚拟终端层的终端，若所述终端处理完任务并将处理结果返回所述应用层后、所述终端的算力资源处于空闲状态、所述终端的状态标识为由1初始为0，或所述终端未进行任务处理、状态标识也为0，并将所述状态标识信息通过通信模块实时发送到SDN控制器，SDN控制器接受信息后会将所述终端的算力资源纳入虚拟终端层进行管理，同时将资源信息表中所述终端对应的信息赋值为0；若所述终端由空闲进入工作状态、状态标识为由0变为1、虚拟终端层剔除所述终端，若所述终端当前处于空闲状态，且有任务产生，则状态标识也由0变为1，虚拟终端层剔除该终端，同时将资源信息表中所述终端对应的信息赋值为1。
4.根据权利要求1所述的基于任务优先级的资源分配方法，其特征在于，所述步骤S130中，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略具体为：
S201、参数初始化；
S202、随机生成种群；
S203、计算父代个体的三个目标函数值；
S204、根据目标函数值，在父代中选择个体进行交叉、变异产生子代；
S205、计算子代个体的三个目标函数值；
S206、将父、子代染色体混合，并用非支配方法进行等级划分；
S207、按等级由前向后依次选取个体，若前m个等级中的个体数相加等于随机生成种群个体数量，则舍去m后等级并进入S212；若前m个等级中的个体数相加大于随机生成种群个体数量且前(m-1)个等级中的个体数相加小于随机生成种群个体数量，则舍去m后等级并进入S208；
S208、将混合后种群的三个目标函数值分别进行归一化处理；
S209、将归一化后的目标函数值进行分段处理，并基于分段建立参考点；
S210、将每个个体的目标函数值与参考点进行关联映射，并记录下每个参考点的映射个体数；
S211、基于S210中的映射个体数，考虑种群的多样性和收敛性来选择当前等级中的个体进入新一代种群；
S212、重复S203至S211满足迭代次数后得到优秀的种群；
S213、由得到的优秀种群中得到最优个体，即最优解；
其中：所述染色体为多个所述任务的一种资源分配策略；
所述基因为每个任务的资源分配策略，包括前半段基因和后半段基因，前半段基因为所述任务的卸载对象处理器、其中基因赋值为0表示任务在自身终端层处理、基因赋值为1表示任务在虚拟终端层处理、基因赋值为2表示任务在虚拟边缘层处理，后半段基因为所述任务卸载到虚拟终端层或虚拟边缘层初始的资源分配系数，所述任务在自身终端层处理，默认占用自身终端的全部资源，同时，对应的终端层或边缘层的资源分配系数基因赋值为0；所述种群为多个所述染色体的集合，即多个所述任务的多种资源分配策略；
所述种群为多个所述染色体的集合，即多个所述任务的多种资源分配策略；
所述目标函数值为多个所述任务在处理过程中平均处理延时，平均处理功耗以及卸载过程中产生的平均费用三个指标；
所述参数包括算法的迭代次数，种群个体数量信息；
所述个体为资源分配策略；
所述最优个体为所述目标函数值最低的资源分配策略。
5.根据权利要求1所述的基于任务优先级的资源分配方法，其特征在于，所述步骤S140中所述任务的优先级是根据产生任务的终端的重要程度划分为三级，并依次量化。
6.根据权利要求1所述的基于任务优先级的资源分配方法，其特征在于，所述步骤S140中，对所述初始资源分配策略进行加权处理具体为：
若由步骤S130得到的卸载的对象处理器为自身终端层，则默认所述终端的全部资源，无需再用优先级加权；若卸载的对象处理器为虚拟终端层或是虚拟边缘层，则用量化后的优先级数字加权初始的资源分配系数，得到在虚拟终端层或是虚拟边缘层的最终分配资源。
7.根据权利要求2所述的基于任务优先级的资源分配方法，其特征在于，所述步骤S150中，所述任务按照分配的资源进行计算处理具体规则为：
所述虚拟终端层和虚拟边缘层分别经SDN技术虚拟化为单个服务器，处理任务服从强占型M/M/1的排队模型；所述虚拟终端层和虚拟边缘层均设处理优先级，且所述处理优先级的级别划分与所述任务的优先级的级别划分相同，所述任务按照其优先级进入相应的所述处理优先级并按进入时间前后进行排队。
8.一种基于任务优先级的资源分配装置，其特征在于，应用于SDN控制器，所述SDN控制器归属于SDN网络的控制层，包括如下模块：
第一获取模块，用于获取应用层发送的多个任务数据包，所述任务数据包暂存在所述控制层缓冲区待处理；
第二获取模块，用于获取数据层终端的算力资源状态信息，更新资源信息表，并按照更新后的资源信息表将算力资源分别定义为自身终端层、虚拟终端层和虚拟边缘层；
初始资源分配策略确定模块，用于根据每一个任务的数据，结合所述资源信息表，利用多目标优化遗传算法得到所述任务对应的初始资源分配策略；
最终资源分配策略确定模块，用于根据所述任务的优先级，对所述初始资源分配策略进行加权处理，得到最终资源分配策略；
资源分配模块，用于根据所述最终资源分配策略，对所述任务进行算力资源分配，其中，所述任务按照分配的算力资源进行计算处理，自身终端层和虚拟终端层计算处理结束后，释放出算力资源；
重复调用第二获取模块、初始资源分配策略确定模块、最终资源分配策略确定模块和资源分配模块，直至所述控制层缓冲区的任务清空。
9.一种控制器，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的基于任务优先级的资源分配方法的步骤。
10.一种光伏5G基站系统，其特征在于，包括数据层，控制层和应用层，通过权利要求1至7任一项所述基于任务优先级的资源分配方法进行资源分配，其中：
所述数据层包括移动边缘服务器和终端，所述终端包括5G基站主设备、光伏组件、蓄电池、汇流箱；
所述控制层包括SDN控制器和缓冲区，所述控制层和数据层通过南向接口接连，所述缓冲区用于暂存任务数据包；
所述应用层包括：所述终端产生的任务的集合，所述应用层和控制层通过北向接口连接，实现所述应用层对数据层多种算力资源的调用；
所述数据层与所述控制层之间以及应用层与所述控制层之间均设置有通讯模块，分别用于传送算力资源状态信息和任务数据；
所述SDN控制器将所述数据层的算力资源定义为自身终端层、虚拟终端层和虚拟边缘层，其中：
所述自身终端层包括：当前处于空闲状态，但自身有任务产生的各终端的集合；
所述虚拟终端层包括：当前处于空闲状态，且自身没有任务产生或自身任务由其他终端处理的各终端集合；
所述虚拟边缘层包括：边缘服务器。
CN202310674854.7A 2023-06-08 2023-06-08 一种基于任务优先级的资源分配方法、装置、控制器及系统 Active CN117042047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310674854.7A CN117042047B (zh) 2023-06-08 2023-06-08 一种基于任务优先级的资源分配方法、装置、控制器及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310674854.7A CN117042047B (zh) 2023-06-08 2023-06-08 一种基于任务优先级的资源分配方法、装置、控制器及系统

Publications (2)

Publication Number Publication Date
CN117042047A true CN117042047A (zh) 2023-11-10
CN117042047B CN117042047B (zh) 2024-03-22

Family

ID=88630626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310674854.7A Active CN117042047B (zh) 2023-06-08 2023-06-08 一种基于任务优先级的资源分配方法、装置、控制器及系统

Country Status (1)

Country Link
CN (1) CN117042047B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117971440A (zh) * 2024-04-01 2024-05-03 上海采日能源科技有限公司 电池储能系统中算力任务处理方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019141041A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种风电场机组布局多目标优化方法
CN112631783A (zh) * 2020-12-30 2021-04-09 平安证券股份有限公司 虚拟资源分配方法、装置、电子设备及存储介质
CN113590279A (zh) * 2021-07-08 2021-11-02 华中科技大学 一种面向多核边缘计算服务器的任务调度和资源分配方法
WO2022257348A1 (zh) * 2021-06-08 2022-12-15 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019141041A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种风电场机组布局多目标优化方法
CN112631783A (zh) * 2020-12-30 2021-04-09 平安证券股份有限公司 虚拟资源分配方法、装置、电子设备及存储介质
WO2022257348A1 (zh) * 2021-06-08 2022-12-15 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN113590279A (zh) * 2021-07-08 2021-11-02 华中科技大学 一种面向多核边缘计算服务器的任务调度和资源分配方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117971440A (zh) * 2024-04-01 2024-05-03 上海采日能源科技有限公司 电池储能系统中算力任务处理方法、装置及系统

Also Published As

Publication number Publication date
CN117042047B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN111278132B (zh) 移动边缘计算中面向低时延高可靠业务的资源分配方法
CN107172166B (zh) 面向工业智能化服务的云雾计算系统
CN107911478B (zh) 基于化学反应优化算法的多用户计算卸载方法及装置
CN109167671B (zh) 一种面向量子密钥分发业务的配用通信系统均衡负载调度方法
CN111475274B (zh) 云协同多任务调度方法及装置
CN110570075B (zh) 一种电力业务边缘计算任务分配方法及装置
CN113032120B (zh) 一种基于边缘计算的工业现场大数据任务协同调度方法
CN109150738B (zh) 工业互联网资源管理方法及系统、可读存储介质和终端
CN109542608B (zh) 一种基于混合排队网络的云仿真任务调度方法
CN111556516B (zh) 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
CN117042047B (zh) 一种基于任务优先级的资源分配方法、装置、控制器及系统
CN110717300A (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN112188551B (zh) 一种计算迁移方法、计算终端设备及边缘服务器设备
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN113163498B (zh) 5g网络切片下基于遗传算法的虚拟网资源分配方法及装置
CN113641417B (zh) 一种基于分支定界法的车辆安全任务卸载方法
CN113993218A (zh) 一种mec架构下基于多智能体drl的协作卸载和资源分配方法
CN113961264B (zh) 一种面向视频监控云边协同的智能卸载算法与系统
CN113316116B (zh) 一种车辆计算任务卸载方法
CN113407249B (zh) 一种面向位置隐私保护的任务卸载方法
CN114327811A (zh) 一种任务调度方法、装置、设备及可读存储介质
CN115460216A (zh) 算力资源调度方法和装置、算力资源调度设备、系统
Xing et al. Task classification unloading algorithm for mobile edge computing in smart grid
CN114338675A (zh) 一种基于边缘计算的遥感卫星大数据处理方法及系统
CN113032146A (zh) 一种面向多接入边缘计算环境的健壮性服务供应方法

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
GR01 Patent grant
GR01 Patent grant