CN117135131A - 一种面向云边协同场景的任务资源需求感知方法 - Google Patents
一种面向云边协同场景的任务资源需求感知方法 Download PDFInfo
- Publication number
- CN117135131A CN117135131A CN202311075197.0A CN202311075197A CN117135131A CN 117135131 A CN117135131 A CN 117135131A CN 202311075197 A CN202311075197 A CN 202311075197A CN 117135131 A CN117135131 A CN 117135131A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- cloud
- tasks
- edge
- 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 42
- 230000008447 perception Effects 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 2
- 230000008859 change Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/808—User-type aware
-
- 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
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/803—Application aware
-
- 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
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
-
- 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
-
- 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)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种面向云边协同场景的任务资源需求感知方法，属于云计算领域。本发明对上载到中心云或者边缘云的应用任务，根据任务的类型、任务效能进行资源需求预测后，依据中心云或边缘云中的资源状况以及任务的优先级，对任务所需资源进行配额决策，最终将决策方案上传给中心云或边缘云资源调度模块，达到任务处理的目的。本发明通过对上载到中心云或边缘云的应用任务进行任务类型、效能、优先级等进行评价，预测任务所需资源，从而进行合理的资源配额，提高资源利用率与任务执行效能。
Description
技术领域
本发明属于云计算领域，具体涉及一种面向云边协同场景的任务资源需求感知方法。
背景技术
近年来，边缘云计算进一步发展，边缘云位于尽可能靠近事务和数据源头的网络边缘侧位置，并能够与中心云协作的计算模式，即云边协同。在云边协同场景中，云资源分配问题主要包括两方面，一是任务上载到云端平台层时，对任务所需资源进行预测，决定应当分配给该任务一个什么样的虚拟机来保证应用的任务配置需求，提高应用的任务效能，即任务资源需求感知问题；二是在确定了虚拟机的参数之后应当在哪个服务器上建立该虚拟机，使分配给任务的资源得到充分的利用，提高资源的使用效率，即资源调度问题。
目前，已存在大量对云资源调度策略的研究，包括资源需求预测，其目标为提高云资源调度效率及云服务质量，但对云边协同中任务资源需求感知尚缺少研究。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种面向云边协同场景的任务资源需求感知方法，以解决对云边协同中任务资源需求感知的问题。
(二)技术方案
为了解决上述技术问题，本发明提出一种面向云边协同场景的任务资源需求感知方法，该方法包括如下步骤：
S1、任务类型感知：对上载到中心云或者边缘云的应用任务，通过分析任务的请求方式、分析任务中的应用程序、模拟运行三种方式确定任务对资源的需求特性，进而确定任务类型；
S2、任务效能感知：确定任务的效能参数及各个参数的权重，结合S1得到的任务类型以及任务的资源历史数据得到任务的效能评价，并据此对任务所需资源进行初步决策；
S3、任务优先级分析：同时考虑任务累计价值、执行紧迫度两种属性，得到任务的优先级；
S4、资源配额决策：依据中心云或边缘云中的资源状况以及任务的优先级，对初步决策进行调整，得到任务的资源配额决策方案，最终将资源配额决策方案上传给资源调度模块。
(三)有益效果
本发明提出一种面向云边协同场景的任务资源需求感知方法，本发明提供一种面向云边协同场景的任务需求感知策略，通过对上载到中心云或边缘云的应用任务进行任务类型、效能、优先级等进行评价，预测任务所需资源，从而进行合理的资源配额，提高资源利用率与任务执行效能。
附图说明
图1为本发明的任务分类模型；
图2为本发明的效能参数、任务类型与资源特征映射关系图；
图3为本发明的效能分析评价模型组成图；
图4为本发明的资源配额决策框架图；
图5为本发明的边缘云资源配额决策流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明主要关注在资源充足的中心端和资源受限的边缘端如何利用实时和历史数据对任务进行资源需求预测，并根据两个场景的资源状况做出资源配额决策。
本发明主要关注云边协同场景中任务资源需求感知，保障任务能够按其类型、优先级得到高效执行，提高任务效能。
本发明设计的面向云边协同场景的任务需求感知策略的基本思想为：对上载到中心云或者边缘云的应用任务，根据任务的类型、任务效能进行资源需求预测后，依据中心云或边缘云中的资源状况以及任务的优先级，对任务所需资源进行配额决策，最终将决策方案上传给中心云或边缘云资源调度模块，达到任务处理的目的。本发明主要关注应用任务需求感知的任务类型感知、任务效能感知、任务优先级分析，资源配额决策为任务需求感知的具体应用。详细方案如下。
本发明的面向云边协同场景的任务资源需求感知方法，包括如下步骤：
S1、任务类型感知：对上载到中心云或者边缘云的应用任务，通过分析任务的请求方式、分析任务中的应用程序、模拟运行三种方式确定任务对资源的需求特性，进而确定任务类型；
S2、任务效能感知：确定任务的效能参数及各个参数的权重，结合S1得到的任务类型以及任务的资源历史数据得到任务的效能评价，并据此对任务所需资源进行初步决策；
S3、任务优先级分析：同时考虑任务累计价值、执行紧迫度两种属性，得到任务的优先级；
S4、资源配额决策：依据中心云或边缘云中的资源状况以及任务的优先级，对初步决策进行调整，得到任务的资源配额决策方案，最终将资源配额决策方案上传给资源调度模块。
具体介绍如下：
1、任务类型感知
任务类型感知的目的在于在资源分配决策时向特定类型的任务倾斜对应的资源。
(1)任务分类规则
对各类应用系统，核心资源为存储资源(磁盘空间)、计算资源(CPU数量、主频和内存)和通信资源(网络带宽)。因此，本发明按任务对上述三种资源的需求特性，将任务类型划分为四类，分别为：数据密集型任务、计算密集型任务、通信密集型任务和均衡型任务。
1)数据密集型任务：对由大量传感器采集到的原始数据或来自各个边缘节点需要分类汇总的大量数据进行诸如数据预处理、特征提取、信息融合等信息处理服务的任务称之为数据密集型任务。其特点为自身携带信息量大、种类繁多、数据格式不规范等，由此容易导致任务需要大量硬盘空间去进行数据存储和备份，需要高效的网络带宽进行数据传输和迁移。
2)计算密集型任务：某些高速、高效的计算服务需要大量计算单元、大量高性能CPU处理器来完成高精度、高时敏性的任务称之为计算密集型任务。其特点为计算量大、精度和时敏性要求高。
3)通信密集型任务：在整个应用任务过程中，边缘节点与边缘云或者中心云，边缘云与中心云之间通信频次高且对通信带宽和时敏性要求较高的信息传递和交互任务称之为通信密集型任务。其特点为小数据量高频次通信或大数据量的信息传递和数据迁移，需要提供稳定而高效的通信带宽。
4)均衡型任务：对计算、存储、通信三种资源需求比较均衡，无明显需求特征的任务称之为均衡型任务。该类任务对时敏性要求并不严苛。
四种不同资源密集型任务的差异在于不同的任务性质与完成需求，表现在每个任务对三种资源需求量以及资源需求侧重的差异。根据任务对计算资源P、通信资源N、存储资源D的消耗量，把任务对资源的消耗强度划分为强和弱两种类型，以p表示任务计算资源消耗量，n表示任务存储资源消耗量，d表示存储资源消耗量，资源消耗强度划分规则如下：
根据划分规则，可以分别得到P、D、N资源的消耗强度，这三种资源以不同强弱程度进行组合，就可以区分出任务的类型，表1展示了资源组合和任务类型之间的关系。
表1任务类型与资源组合关系
(2)任务分类模型
任务分类的方法主要由分析任务的请求方式、分析任务中的应用程序、模拟运行三种方法组成。而模拟运行方法是在分析任务的请求方式、分析任务中的应用程序这两种方法都难以有效得出任务类型时才使用。基于此，可以建立任务分类的模型，其模型如图1所示。
任务分类模型由请求方式分析模块、程序性能分析模块、模拟运行模块和归一化处理模块等四个模块组成。
请求方式分析模块的主要功能是分析用户请求任务时所用的网络协议及相关的文件格式来获得任务的资源需求特性。其主要实现思想是：首先，根据网络应用层的协议及其应用的范围和目的，对使用该协议的任务做出测评和分析，表2列出了常用的一些应用层协议与其应用场合的关系，可以看出任务所使用的协议和任务对处理器、内存、磁盘、网络带宽等资源的需求量大小之间存在有一定的关系；其次，根据任务所使用或所处理的文件格式来分析任务的应用目的估测其资源需求量。
表2协议及其应用场合
程序性能分析模块的主要功能是对任务中的应用程序信息与历史程序信息进行匹配，从而获得其在执行中的资源需求特性。其主要实现思想是：依据程序历史运行记录，采用静态分析的方法对历史任务的应用程序进行复杂度度量，并据此建立历史程序对运算资源的需求记录。
模拟运行模块的主要功能是对任务进行预运行来获得任务的资源需求特性。其主要实现思想是：将任务在一台虚拟机上运行一段时间(30s<T<50s)，不间断地监测其资源需求情况，再根据监测结果估测其资源需求量。由于模拟运行在资源消耗和时间消耗上的代价比较大，因此该模块只有在前面两个模块得出的结果都无效时才会运行，否则只负责转发结果。
归一化处理模块，在获得任务对各种资源的需求量以后，还需要将以上三个模块得到的结果按照一定的权值换算进行统一量化处理，即归一化处理。在归一化处理过程中对于资源值偏高的、容易成为瓶颈的资源值进行强化处理，相反对值偏低的结果进行弱化处理。归一化完成后，按照任务分类规则对归一化后的值进行分类综合处理从而得到最终的任务类型。
2、任务效能感知
基于应用的历史运行记录，建立应用的效能评价模型，为任务资源需求提供决策依据。
(1)任务效能参数
本发明提出了一套测量任务效能的量化指标和评价方法，通过对历史效能的分析，为资源分配提供依据，提高资源利用效率。效能参数包括：性能参数、可用性参数、可靠性参数、可扩展性以及资源利用率。
1)性能参数
性能参数包括响应时间、吞吐量。
响应时间也即往返延迟时间，为从任务请求到收到请求结果之间的所需时间，主要包括任务等待时间、执行时间以及往返通信时间。响应时间是一个成本型参数，值越长，用户等待时间越长，期间出现故障的可能性也会增加，任务效能也将降低。
吞吐量也即单位时间内应用交互次数，是任务效能评价的一个统计属性参数。
2)可用性参数
可用性参数包括准确率、鲁棒性。
准确率也即任务执行的成功率，是指在最大期望时间范围内任务响应的正确性概率。准确率可以通过最大期望时间内任务实际完成的次数与任务执行总次数比值来衡量。
鲁棒性指一个任务在执行过程中处理错误，以及算法在遭遇输入、运算等异常时继续正常运行的能力，可以用任务遇到异常时任务正常执行时间与任务执行总时间的比值来衡量。
3)可靠性参数
可靠性参数包含平均故障间隔时间。
平均故障间隔时间指相邻两次故障之间的平均工作时间，也即平均无故障时间，可用全部故障的相邻两次故障发生的总时间间隔与任务执行全过程中发生故障次数的比值来衡量。
4)可扩展性
可扩展性用于测量满足任务资源增长的能力，以及能否方便任务不断增长的需求。可以用需求变更时调用成功总次数与变更总次数的比值来衡量。
5)资源利用率
资源利用率用于衡量任务实际使用到的资源量占预先定制的资源量的比率。资源包括CPU、内存、磁盘、网络带宽等。
(2)任务效能评价模型
资源是提供应用服务的基础，包括计算资源、存储资源、网络资源、基础设施资源以及其他资源。资源(包括物理资源和虚拟资源)的特征表现在CPU、内存、磁盘、网络带宽等方面，任务效能参数、资源特征以及任务类型的映射关系如图2所示。
效能评价模型包括：任务类型模块、资源特征模块、效能参数模块以及效能分析评价模块，如图3所示。
任务类型模块从任务分类模型得到任务类型，并输出至效能分析评价模块；
资源特征模块根据任务执行的历史情况，输出某类型任务的资源历史数据，包括CPU(核数、主频)、内存、磁盘(类型、空间)、网络带宽。
效能参数模块的输入为响应时间、吞吐量、准确率、鲁棒性、平均故障时间、可扩展性、资源利用率的量化参数值以及各个参数的权重。参数权重的计算：根据任务类型，采用“1-9标度”方法(如表3所示)对不同参数重要程度进行两两比较，最终得到各个参数的权重。效能参数模块的输出为初步评分。
效能参数模块对输入的各个量化参数按照阈值进行评分，并结合权重计算出初步评分，评分越高任务效能越好。
表3“1-9标度”
效能分析评价模块依据初步评分、任务类型以及任务的资源历史数据得到任务效能评价，并据此对任务所需资源进行初步决策。
3、任务优先级分析
区别于中心云对所有任务同等对待，边缘端资源有限，要求重要任务在有限时间内利用有限资源优先完成，因此对于价值和时效性高的任务需要优先分配足够的资源。
在云计算任务调度过程中，紧急的任务不一定具有较高的任务价值，相反地，价值较高的任务时间不一定紧急。因此，仅仅考虑任务时间紧迫性虽然可保证临近截止期的任务能够按时完成避免夭折，但是一些价值较高的任务可能会因此陷入较长的等待期甚至错过截止期。相反地，片面根据任务价值确定优先级会使得价值较低的任务被频繁抢占致错过截止日期，这在一定程度上降低了任务执行成功率。因此，本发明同时考虑任务累计价值、执行紧迫度两种属性，决策出任务优先级，从而为边缘任务资源配额提供决策依据。
确定任务累计价值：任务价值是在任务执行过程中不停累积产生的值，本发明通过历史任务截止期内成功完成带来的贡献度来衡量任务价值的大小。如果任务未能在截止期内完成，那么任务在截止期前产生的累积价值会被丢弃，最终贡献价值为0。
确定执行紧迫度：为了提高上载到边缘云的任务执行的成功率，创造更高的效能，需要将任务的时间属性作为优先级设定的另一参数。任务执行紧迫度依据历史任务执行截止期以及执行时间进行衡量。
最后依据任务类型为任务累计价值和执行紧迫度分配不同的权重，确定任务的优先级。
4、资源配额决策
资源配额决策主要是对上载到中心云或者边缘云的任务，根据任务的类型、任务效能进行任务所需资源的初步决策后，依据中心云或边缘云中的资源状况以及任务的优先级，对初步决策进行调整，得到任务的资源配额决策，最终将资源配额决策方案上传给资源调度模块，达到任务处理的目的。
中心云利用数据中心的资源池，可提供近似无限动态调整的资源和能力，为各类应用提供资源访问、服务调用等全功能信息能力，同时，能够为边缘云提供信息共享、数据同步等支撑。对于上载到中心云处理的任务，中心云对所有任务同等对待，在通过任务效能感知对任务所需资源进行初步决策，将资源配额决策方案传送给资源调度模块，由资源调度模块为任务调度所需资源即可。
在边缘云，云计算、云存储物理设备有限，同时可能存在网络通信连接弱等情况，本发明考虑将边缘端的任务处理等历史信息定时上传到中心云，利用中心云的计算和存储资源对历史信息进行处理和存储，生成不同类型任务的效能评价表，不同域的边缘云通过与中心云的交互获取评价表，从而达到边缘云间通信总量减少与计算存储资源节省条件下的信息共享以及任务资源需求预测的目的。
如图5所示，区别于中心云的资源配额决策，对于上载到边缘云的任务，除通过任务类型感知和任务效能感知对任务所需资源进行初步决策外，由于边缘云资源受限，还需进行全局资源感知(资源调度模块提供)获取当前可用且稳定的资源列表，包括CPU、内存、存储以及网络带宽等，通过资源列表以及任务优先级对任务所需资源进行最终决策。
本发明提供一种面向云边协同场景的任务需求感知策略，通过对上载到中心云或边缘云的应用任务进行任务类型、效能、优先级等进行评价，预测任务所需资源，从而进行合理的资源配额，提高资源利用率与任务执行效能。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种面向云边协同场景的任务资源需求感知方法，其特征在于，该方法包括如下步骤：
S1、任务类型感知：对上载到中心云或者边缘云的应用任务，通过分析任务的请求方式、分析任务中的应用程序、模拟运行三种方式确定任务对资源的需求特性，进而确定任务类型；
S2、任务效能感知：确定任务的效能参数及各个参数的权重，结合S1得到的任务类型以及任务的资源历史数据得到任务的效能评价，并据此对任务所需资源进行初步决策；
S3、任务优先级分析：同时考虑任务累计价值、执行紧迫度两种属性，得到任务的优先级；
S4、资源配额决策：依据中心云或边缘云中的资源状况以及任务的优先级，对初步决策进行调整，得到任务的资源配额决策方案，最终将资源配额决策方案上传给资源调度模块。
2.如权利要求1所述的面向云边协同场景的任务资源需求感知方法，其特征在于，所述任务类型划分为四类，分别为：数据密集型任务、计算密集型任务、通信密集型任务和均衡型任务；
数据密集型任务：对由大量传感器采集到的原始数据或来自各个边缘节点需要分类汇总的大量数据进行信息处理服务的任务称之为数据密集型任务，此类任务需要大量硬盘空间去进行数据存储和备份，需要高效的网络带宽进行数据传输和迁移；
计算密集型任务：某些高速、高效的计算服务需要大量计算单元、大量高性能CPU处理器来完成高精度、高时敏性的任务称之为计算密集型任务，计算量大、精度和时敏性要求高；
通信密集型任务：在整个应用任务过程中，边缘节点与边缘云或者中心云，边缘云与中心云之间通信频次高且对通信带宽和时敏性要求较高的信息传递和交互任务称之为通信密集型任务，此类任务需要小数据量高频次通信或大数据量的信息传递和数据迁移，需要提供稳定而高效的通信带宽；
均衡型任务：对计算、存储、通信三种资源需求比较均衡，无明显需求特征的任务称之为均衡型任务。
3.如权利要求2所述的面向云边协同场景的任务资源需求感知方法，其特征在于，根据任务对计算资源P、通信资源N、存储资源D的消耗量，把任务对资源的消耗强度划分为强和弱两种类型，以p表示任务计算资源消耗量，n表示任务存储资源消耗量，d表示存储资源消耗量，资源消耗强度划分规则如下：
根据划分规则，分别得到P、D、N资源的消耗强度，这三种资源以不同强弱程度进行组合，以区分出任务的类型，组合关系包括：
计算密集型：PH、NL、DL；
通信密集型：PL、NH、DL；
数据密集型：PL、NH、DH；
均衡型：PH、NH、DH；PL、NL、DL。
4.如权利要求2或3所述的面向云边协同场景的任务资源需求感知方法，其特征在于，任务对资源的需求特性由任务分类模型确定，任务分类模型由请求方式分析模块、程序性能分析模块、模拟运行模块和归一化处理模块四个模块组成；
请求方式分析模块，用于分析用户请求任务时所用的网络协议及相关的文件格式来获得任务的资源需求特性；
程序性能分析模块，用于对任务中的应用程序信息与历史程序信息进行匹配，从而获得其在执行中的资源需求特性；
模拟运行模块，用于对任务进行预运行来获得任务的资源需求特性；模拟运行模块只有在前面两个模块得出的结果都无效时才会运行；
归一化处理模块，用于在获得任务对各种资源的需求量以后，将以上三个模块得到的结果按照一定的权值换算进行统一量化处理，即归一化处理；在归一化处理过程中对于资源值偏高的、容易成为瓶颈的资源值进行强化处理，相反对值偏低的结果进行弱化处理；归一化完成后，按照任务分类规则对归一化后的值进行分类综合处理从而得到最终的任务类型。
5.如权利要求4所述的面向云边协同场景的任务资源需求感知方法，其特征在于，模拟运行模块的具体实现包括：将任务在一台虚拟机上运行一段时间T，30s<T<50s，不间断地监测其资源需求情况，再根据监测结果估测其资源需求量。
6.如权利要求4所述的面向云边协同场景的任务资源需求感知方法，其特征在于，任务的效能参数包括：性能参数、可用性参数、可靠性参数、可扩展性以及资源利用率；
性能参数包括响应时间、吞吐量；响应时间为从任务请求到收到请求结果之间的所需时间，吞吐量为单位时间内应用交互次数；
可用性参数包括准确率、鲁棒性；准确率为任务执行的成功率，是指在最大期望时间范围内任务响应的正确性概率，准确率通过最大期望时间内任务实际完成的次数与任务执行总次数比值来衡量；鲁棒性指一个任务在执行过程中处理错误，以及算法在遭遇异常时继续正常运行的能力，用任务遇到异常时任务正常执行时间与任务执行总时间的比值来衡量；
可靠性参数包括平均故障间隔时间；平均故障间隔时间指相邻两次故障之间的平均工作时间，也即平均无故障时间，可用全部故障的相邻两次故障发生的总时间间隔与任务执行全过程中发生故障次数的比值来衡量；
可扩展性用于测量满足任务资源增长的能力，以及能否方便任务不断增长的需求，用需求变更时调用成功总次数与变更总次数的比值来衡量；
资源利用率用于衡量任务实际使用到的资源量占预先定制的资源量的比率，资源包括CPU、内存、磁盘和网络带宽。
7.如权利要求6所述的面向云边协同场景的任务资源需求感知方法，其特征在于，效能评价由任务效能评价模型确定，效能评价模型包括：任务类型模块、资源特征模块、效能参数模块以及效能分析评价模块；
任务类型模块从任务分类模型得到任务类型，并输出至效能分析评价模块；
资源特征模块根据任务执行的历史情况，输出某类型任务的资源历史数据；
效能参数模块的输入为响应时间、吞吐量、准确率、鲁棒性、平均故障时间、可扩展性、资源利用率的量化参数值以及各个参数的权重，输出初步评分；其中，根据任务类型，采用“1-9标度”方法对不同参数重要程度进行两两比较，最终得到各个参数的权重；
效能分析评价模块依据初步评分、任务类型以及任务的资源历史数据得到任务效能评价，并据此对任务所需资源进行初步决策。
8.如权利要求7所述的面向云边协同场景的任务资源需求感知方法，其特征在于，所述S3具体包括：
确定任务累计价值：通过历史任务截止期内成功完成带来的贡献度来衡量任务价值的大小；如果任务未能在截止期内完成，那么任务在截止期前产生的累积价值会被丢弃，最终贡献价值为0；
确定执行紧迫度：依据历史任务执行截止期以及执行时间进行衡量；
最后依据任务类型为任务累计价值和执行紧迫度分配不同的权重，确定任务的优先级。
9.如权利要求8所述的面向云边协同场景的任务资源需求感知方法，其特征在于，所述S4中，对于上载到中心云处理的任务，中心云对所有任务同等对待，在通过任务效能感知对任务所需资源进行初步决策，将资源配额决策方案传送给资源调度模块，由资源调度模块为任务调度所需资源即可。
10.如权利要求8所述的面向云边协同场景的任务资源需求感知方法，其特征在于，所述S4中，将边缘端的任务处理历史信息定时上传到中心云，利用中心云的计算和存储资源对历史信息进行处理和存储，生成不同类型任务的效能评价表，不同域的边缘云通过与中心云的交互获取评价表，从而达到边缘云间通信总量减少与计算存储资源节省条件下的信息共享以及任务资源需求预测的目的；对于上载到边缘云的任务，除通过任务类型感知和任务效能感知对任务所需资源进行初步决策外，由于边缘云资源受限，还需进行全局资源感知获取当前可用且稳定的资源列表，包括CPU、内存、存储以及网络带宽，通过资源列表以及任务优先级对任务所需资源进行最终决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311075197.0A CN117135131A (zh) | 2023-08-24 | 2023-08-24 | 一种面向云边协同场景的任务资源需求感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311075197.0A CN117135131A (zh) | 2023-08-24 | 2023-08-24 | 一种面向云边协同场景的任务资源需求感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117135131A true CN117135131A (zh) | 2023-11-28 |
Family
ID=88853995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311075197.0A Pending CN117135131A (zh) | 2023-08-24 | 2023-08-24 | 一种面向云边协同场景的任务资源需求感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117135131A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117472587A (zh) * | 2023-12-26 | 2024-01-30 | 广东奥飞数据科技股份有限公司 | 一种ai智算中心的资源调度系统 |
| CN117938766A (zh) * | 2024-03-25 | 2024-04-26 | 中国电子科技集团公司第五十四研究所 | 一种受限网络下的数据资源分级传输方法 |
| CN118381018A (zh) * | 2024-06-21 | 2024-07-23 | 中建安装集团有限公司 | 一种基于数据分析的分布式储能资源聚合调控系统及方法 |
-
2023
- 2023-08-24 CN CN202311075197.0A patent/CN117135131A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117472587A (zh) * | 2023-12-26 | 2024-01-30 | 广东奥飞数据科技股份有限公司 | 一种ai智算中心的资源调度系统 |
| CN117472587B (zh) * | 2023-12-26 | 2024-03-01 | 广东奥飞数据科技股份有限公司 | 一种ai智算中心的资源调度系统 |
| CN117938766A (zh) * | 2024-03-25 | 2024-04-26 | 中国电子科技集团公司第五十四研究所 | 一种受限网络下的数据资源分级传输方法 |
| CN117938766B (zh) * | 2024-03-25 | 2024-06-04 | 中国电子科技集团公司第五十四研究所 | 一种受限网络下的数据资源分级传输方法 |
| CN118381018A (zh) * | 2024-06-21 | 2024-07-23 | 中建安装集团有限公司 | 一种基于数据分析的分布式储能资源聚合调控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117135131A (zh) | 一种面向云边协同场景的任务资源需求感知方法 | |
| WO2020206705A1 (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
| CN112162865B (zh) | 服务器的调度方法、装置和服务器 | |
| CN106528266B (zh) | 一种云计算系统中的资源动态调整方法及装置 | |
| CN114816721B (zh) | 一种基于边缘计算的多任务优化调度方法及系统 | |
| Mekala et al. | A DRL-based service offloading approach using DAG for edge computational orchestration | |
| CN111132235A (zh) | 基于改进hrrn算法和多属性决策的移动卸载迁移算法 | |
| CN112162863B (zh) | 一种边缘卸载决策方法、终端及可读存储介质 | |
| CN107566535B (zh) | 基于Web地图服务并发访问时序规则的自适应负载均衡方法 | |
| CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及系统 | |
| CN111506434A (zh) | 一种任务处理方法、装置及计算机可读存储介质 | |
| CN109358953A (zh) | 一种微云中的多任务应用卸载方法 | |
| CN112261120A (zh) | 一种配电物联网云边协同任务卸载方法及装置 | |
| CN117785465A (zh) | 一种资源调度方法、装置、设备及存储介质 | |
| Wang et al. | Task arrival based energy efficient optimization in smart-IoT data center | |
| CN114741200A (zh) | 面向数据中台的计算资源分配方法、装置及电子设备 | |
| CN113778675A (zh) | 一种基于面向区块链网络的计算任务分配系统及方法 | |
| CN111580950A (zh) | 一种提升云可靠性的自适应反馈资源调度方法 | |
| CN115952054A (zh) | 一种仿真任务资源管理方法、装置、设备及介质 | |
| CN112948114B (zh) | 边缘计算方法和边缘计算平台 | |
| CN112631771B (zh) | 一种大数据系统的并行处理方法 | |
| Ogden et al. | Layercake: Efficient Inference Serving with Cloud and Mobile Resources | |
| CN114866430A (zh) | 边缘计算的算力预测方法、算力编排方法及系统 | |
| CN114500398A (zh) | 一种处理器协同加速的方法、装置、设备及介质 | |
| CN111784029A (zh) | 一种雾节点资源分配方法 |
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 |