用于边缘计算的任务调度方法及边缘计算终端技术

本发明专利技术公开了一种用于边缘计算的任务调度方法及边缘计算终端，在边缘节点数据预处理阶段根据任务优先级将任务分为本地执行和云端执行两类，对于本地执行的任务在本地按照优先级调度执行，对于云端执行的任务，根据总任务完成时间最短、冲突最小为目标建立多目标优化模型，并采用改进的布谷鸟算法对多目标优化模型实施搜索优化得到云端的最优调度方案，有效降低任务处理的通信开销和网络延迟，缓解了网络和数据中心的处理压力，保证了任务资源的优化分配。优化分配。优化分配。

【技术实现步骤摘要】
用于边缘计算的任务调度方法及边缘计算终端


[0001]本专利技术属于
，具体地说，是涉及。

技术介绍

[0002]边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。
[0003]边缘计算可以实时或更快的进行数据处理和分析，让数据处理更靠近源，而不是外部数据中心或者云，可以缩短延迟时间；在成本预算上可以大大减轻经费预算，企业在本地设备上的数据管理解决方案所花费的成本大大低于云和数据中心网络；减少网络流量；通过降低延迟级别，应用程序可以更高效、更快速地运行，提高应用程序效率；还可以通过边缘计算持续学习，根据个人的需求调整模型，带来个性化互动体验。
[0004]对物联网而言，边缘计算技术取得突破，意味着许多控制将通过本地设备实现而无需交由云端，处理过程将在本地边缘计算层完成。这无疑将大大提升处理效率，减轻云端的负荷。由于更加靠近用户，还可为用户提供更快的响应，将需求在边缘端解决。
[0005]根据需求调研分析和基于智能终端的边缘计算技术基础框架，如图1所示，框架主要由边缘节点(ECN)和边缘节点管理器(ECN Controller)组成，ECN对从智能终端采集到的数据进行预处理，主要包括目标检测、目标识别、行为分析、数据过滤等；ENC Controller连接多个ECN，处理任务请求，为ECN动态分配虚拟机资源，通过任务调度管理器将预处理后的数据传输到远端的云中心，对数据做进一步的分析处理。从图1可以看出，ECN部分设计的数据分析过程和ECN Controller部分包含的任务调度步骤都对数据的边缘处理起到至关重要的作用。
[0006]边缘计算模型在大流量情况下对网络带宽的利用率和对数据实时性的要求高，而边缘系统中存在大量不同类型服务运行于不同计算节点上的现象，由于不同服务处理不同任务，因此对于计算资源的需求也不同，如果无法将每个任务调度到合适的节点上对相对合理的资源进行计算，则会导致资源浪费，即在有大量任务积压情况下仍可能出现资源空闲现象，导致任务相应时间过长，造成数据时效性差。

技术实现思路

[0007]本专利技术的目的在于提供一种用于边缘计算的任务调度方法及边缘计算终端，为了提高边缘计算模型在大流量情况下对网络带宽的利用率和加强数据实时性，设计一种边缘节点任务调度框架，在边缘节点数据预处理阶段将任务分为本地执行和云端执行两种方案，有效降低任务处理的通信开销和网络延迟，缓解了网络和数据中心的处理压力，在本地执行模块根据任务资源的优先级进行调度信息处理，在云端执行模块，建立多目标模型，采用改进的布谷鸟算法进行调度处理，保证了任务资源的优化分配。
[0008]为解决上述技术问题，本专利技术采用以下技术方案予以实现：
[0009]提出一种用于边缘计算的任务调度方法，包括：根据各任务的优先级将任务分为本地执行和云端执行两类；对于本地执行的任务，根据优先级在本地处理；对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型和其中，约束条件为：和x
ij
‑
x
i`j
|≥t
ij
；采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。
[0010]进一步的，所述布谷鸟算法包括：步骤1)初始化种群，得到M个鸟巢；步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。
[0011]进一步的，所述方法还包括：计算各任务的优先级：为每个任务设置复杂度k
i
,i＝1,2,...,n，根据得到每个任务的相对复杂度；根据P
i
＝1/K
i
*T
i
计算每个任务的优先级；其中，T
i
为任务完成时间。
[0012]进一步的，根据各任务的优先级将任务分为本地执行和云端执行两类，具体包括：设置调度决策参数α，α∈(0，1)；将P
i
＜α的任务分配为云端执行任务，将P
i
≥α的任务分配为本地执行任务。
[0013]进一步的，步骤4)中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；步骤6)中，使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。
[0014]提出一种边缘计算终端，包括：任务分类模块，用于根据各任务的优先级将任务分为本地执行和云端执行两类；本地处理模块，用于根据优先级对本地执行的任务进行调度处理；云端处理模块，用于对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型其中，
约束条件为：和x
ij
‑
x
i`j
|≥t
ij
；采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。
[0015]进一步的，所述云端处理模块包括：布谷鸟算法执行单元，用于执行以下步骤：步骤1)初始化种群，得到M个鸟巢；步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。
[0016]进一步的，所述终端还包括：任务优先级计算模块，用于计算各任务的优先级：为每个任务设置复杂度k
i
,i＝1,2,...,n，根据得到每个任务的相对复杂度；根据P
i
＝1/K
i
*T
i
计算每个任务的优先级；其中，T
i
为任务完成时间。
[0017]进一步的，所述任务分类模块包括：调度决策参数设置单元，用于设置调度决策参数为α，α∈(0，1)；任务分类单元，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于边缘计算的任务调度方法，其特征在于，包括：根据各任务的优先级将任务分为本地执行和云端执行两类；对于本地执行的任务，根据优先级在本地处理；对于云端执行的任务，以总任务完成时间最短、冲突最小为目标建立多目标优化模型和其中，约束条件为：和x
ij
‑
x
i`j
|≥t
ij
；采用布谷鸟算法对多目标优化模型进行搜索优化，得到最优调度方案。2.根据权利要求1所述的用于边缘计算的任务调度算法，其特征在于，所述布谷鸟算法包括：步骤1)初始化种群，得到M个鸟巢；步骤2)根据所述多目标优化模型计算每个鸟巢的适应度，选择最大适应度值的鸟巢记为最优鸟巢；步骤3)运用莱维飞行更新鸟巢，采用步骤2)更新最优鸟巢；步骤4)将更新鸟巢进行交叉操作得到新的鸟巢，采用步骤2)更新最优鸟巢；步骤5)更新被宿主发现有外来鸟蛋的鸟巢，采用步骤2)更新最优鸟巢；步骤6)利用变异操作更新鸟巢，采用步骤2)更新最优鸟巢；步骤7)在满足设定条件时输出最优鸟巢作为最优调度方案，否则返回步骤3)；其中，所述设定条件为设置的迭代次数或搜索精度。3.根据权利要求1所述的用于边缘计算的任务调度方法，其特征在于，所述方法还包括：计算各任务的优先级：为每个任务设置复杂度k
i
,i＝1,2,...,n，根据得到每个任务的相对复杂度；根据P
i
＝1/K
i
*T
i
计算每个任务的优先级；其中，T
i
为任务完成时间。4.根据权利要求3所述的用于边缘计算的任务调度方法，其特征在于，根据各任务的优先级将任务分为本地执行和云端执行两类，具体包括：设置调度决策参数α，α∈(0，1)；将P
i
＜α的任务分配为云端执行任务，将P
i
≥α的任务分配为本地执行任务。5.根据权利要求2所述的用于边缘计算的任务调度方法，其特征在于，步骤4)中，将更新鸟巢进行交叉操作得到新的鸟巢具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：
产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；步骤6)中，使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。6.一种边缘计算终端，其特征在于，包...

【专利技术属性】
技术研发人员：梁邦永，任亚丽，杨宁，刘涛，程航，
申请(专利权)人：青岛海大新星软件咨询有限公司，
类型：发明
国别省市：