一种细粒度电力任务云边协同优化调度方法技术

一种细粒度电力任务云边协同优化调度方法，属于配电物联网边缘计算技术领域。其特征在于：包括如下步骤：步骤a，布置边缘计算网络场景；步骤b，建立任务模型及确定任务信息；步骤c，考虑服务配置的微服务处理模型；步骤d，微服务时延以及能耗的计算；步骤e，调度约束与目标数的建立；步骤f，基于NSGA

【技术实现步骤摘要】
一种细粒度电力任务云边协同优化调度方法


[0001]一种细粒度电力任务云边协同优化调度方法，属于配电物联网边缘计算


技术介绍

[0002]在新型电力系统建设的大背景下，用户侧分布式电源接入、电动汽车智能充放电以及低碳楼宇等新应用场景促使业务种类及数量不断增加，使得云计算在实时性及能耗上体现出了许多不足。边缘计算技术是云计算的延伸，将计算能力从中心化的云端迁移到边设备中，可实现对电力任务快速、就近处理，提升服务质量。
[0003]传统云平台以单体应用的方式通过虚拟机进行发布，每个应用就是一个整体，应用需要整体调度，灵活性较差并且时间、能耗成本较高。面向涌现出的业务增量，边设备采用微服务架构和容器技术实现一台物理设备对不同业务的处理。配电网边缘侧业务构成复杂，各类业务对边缘计算功能与性能的需求存在较大差异，需要依赖于边缘侧实时计算、控制响应、智能推理等多样化计算能力。单个边设备资源有限，只能同时配置有限数量的服务，难以实现对所有任务进行本地的低延时与低能耗处理。因此，设计一种能够利用微服务间独立运行的特点，进行服务配置与任务调度，对充分利用云边资源，降低任务时延与系统能耗，提高任务完成率的技术方案，成为本领域亟待解决的问题。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种细粒度电力任务云边协同优化调度方法，综合考虑微服务执行约束、任务排队、服务配置、设备资源以及任务属性，减小了任务执行时间和能耗。
[0005]本专利技术解决其技术问题所采用的技术方案是：该细粒度电力任务云边协同优化调度方法，其特征在于：包括如下步骤：
[0006]步骤a，确定边设备与云端数量，进行边设备与云端的通讯设置，并进行容器以及设备的创建；
[0007]步骤b，建立任务模型及确定任务信息；
[0008]步骤c，考虑服务配置的微服务处理模型；
[0009]步骤d，微服务时延以及能耗的计算；
[0010]步骤e，调度约束与目标数的建立；
[0011]步骤f，基于NSGA
‑Ⅱ
的任务调度算法设计；
[0012]步骤g，基于模糊逻辑的权重计算；
[0013]步骤h，采用逼近理想解排序方法对最优前沿的所有解进行排序，计算每个方案的得分，选择得分最大值对应的调度方案作为任务的调度方案。
[0014]优选的，在步骤b中，包括如下步骤：
[0015]步骤b
‑
1，基于微服务的细粒度电力任务采用有向无环图建模，表示为Q
u
＝{A
u
,B
u
,
G
u
}，其中：为图的节点的集合，节点表示任务调用的微服务，B
u
为图的有向边的集合，有向边表示微服务之间的依赖关系，基于两个微服务间的依赖关系，将传输数据的微服务称为前置微服务，将接收数据的微服务称为后置微服务，G
u
为微服务间传输的数据量的集合；
[0016]步骤2
‑
2，任务拓扑结构修改：将不含任何前置微服务的微服务称为入口微服务，将不含任何后置微服务的微服务称为出口微服务，增加不占用任何时间和资源的虚拟入口微服务与虚拟出口微服务并规定两个虚拟微服务不参与调度，图结构修改为：
[0017][0018]步骤2
‑
3，电力任务的集合表示为R＝{r1,r2,r3,...,r
u
,...}，每个任务r
u
有四个基本信息，表示为r
u
＝{t
u
,y
u
,v
u
,Q
u
}，
[0019]其中，t
u
表示任务r
u
的到达时间，y
u
表示任务r
u
的时延，即任务需要在y
u
时长内处理完成，v
u
表示任务r
u
的类型值，用以区分常规任务、告警任务、故障处理任务。
[0020]优选的，在步骤g中，包括如下步骤：
[0021]步骤8
‑
1，模糊化，通过三角形隶属度函数为每个变量确定其隶属度；
[0022]步骤8
‑
2，模糊推理，根据模糊规则推理出相应的模糊变量，用于去模糊化；
[0023]步骤8
‑
3，去模糊化，对推理出的模糊变量使用质心法进行去模糊化的计算，其计算公式为：
[0024][0025]其中，x为输入或输出变量，f(x)为步骤8
‑
1中求得的隶属度，通过计算得到任务的时延权重Y
u
，1
‑
Y
u
为任务的能耗权重。
[0026]优选的，在步骤8
‑
1中，通过三角形隶属度函数为每个变量确定其隶属度，其计算公式为：
[0027][0028]其中，x为输入或输出变量，α，β，γ为给定实数，依赖于任务参数，且α＜β＜γ，在任务信息中，时延、任务类型值、输入数据量对于时延权重的影响较为显著，因此作为输入，输出为任务的时延权重，采用低、中、高作为时延和输入数据量的语言变量，采用常规、告警、故障作为任务类型值的语言变量，采用非常低、低、中、高、非常高作为时延权重的语言变量。
[0029]优选的，在步骤c中，定义了map()函数来表示微服务与容器的对应关系，对于任何a∈A
all
和c∈C
all
，map(a)＝c代表微服务a由容器c处理，其中A
all
是所有微服务的集合，C
all
是所有业务容器的集合，设备中容器的运行与部署情况也是动态变化的，微服务a被分配到
设备d
n
处理时会有三种情况：
[0030]情况1：设备d
n
配置了微服务需要的容器c，若此容器在处理其它同类型的微服务，微服务a需要进入容器等待队列等待执行，若容器空闲，则微服务a可以立即执行；
[0031]情况2：设备没有配置容器c且|P
n
|＜N
n
，需要从云端下载所需容器的镜像文件，然后投入运行来处理微服务a；
[0032]情况3：设备d
n
没有配置容器c且|P
n
|＝N
n
，则需要将容器列表P
n
中的某一个容器替换掉，并将被替换的容器从容器列表P
n
中删除，然后添加新配置的容器来处理微服务a。
[0033]优选的，在步骤d中，微服务时延的计算，包括微服务的执行时间，微服务之间的数据传输时间以及微服务的等待时间；微服务能耗的计算包括微服务执行能耗与数据传输能耗。
[0034]优选的，微服务执行时间为：
[0035][003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细粒度电力任务云边协同优化调度方法，其特征在于：包括如下步骤：步骤a，确定边设备与云端数量，进行边设备与云端的通讯设置，并进行容器以及设备的创建；步骤b，建立任务模型及确定任务信息；步骤c，考虑服务配置的微服务处理模型；步骤d，微服务时延以及能耗的计算；步骤e，调度约束与目标数的建立；步骤f，基于NSGA
‑Ⅱ
的任务调度算法设计；步骤g，基于模糊逻辑的权重计算；步骤h，采用逼近理想解排序方法对最优前沿的所有解进行排序，计算每个方案的得分，选择得分最大值对应的调度方案作为任务的调度方案。2.根据权利要求1所述的细粒度电力任务云边协同优化调度方法，其特征在于：在步骤b中，包括如下步骤：步骤b
‑
1，基于微服务的细粒度电力任务采用有向无环图建模，表示为Q
u
＝{A
u
,B
u
,G
u
}，其中：为图的节点的集合，节点表示任务调用的微服务，B
u
为图的有向边的集合，有向边表示微服务之间的依赖关系，基于两个微服务间的依赖关系，将传输数据的微服务称为前置微服务，将接收数据的微服务称为后置微服务，G
u
为微服务间传输的数据量的集合；步骤2
‑
2，任务拓扑结构修改：将不含任何前置微服务的微服务称为入口微服务，将不含任何后置微服务的微服务称为出口微服务，增加不占用任何时间和资源的虚拟入口微服务a0u与虚拟出口微服务并规定两个虚拟微服务不参与调度，图结构修改为：步骤2
‑
3，电力任务的集合表示为R＝{r1,r2,r3,...,r
u
,...}，每个任务r
u
有四个基本信息，表示为r
u
＝{t
u
,y
u
,v
u
,Q
u
}，其中，t
u
表示任务r
u
的到达时间，y
u
表示任务r
u
的时延，即任务需要在y
u
时长内处理完成，v
u
表示任务r
u
的类型值，用以区分常规任务、告警任务、故障处理任务。3.根据权利要求1所述的细粒度电力任务云边协同优化调度方法，其特征在于：在步骤g中，包括如下步骤：步骤8
‑
1，模糊化，通过三角形隶属度函数为每个变量确定其隶属度；步骤8
‑
2，模糊推理，根据模糊规则推理出相应的模糊变量，用于去模糊化；步骤8
‑
3，去模糊化，对推理出的模糊变量使用质心法进行去模糊化的计算，其计算公式为：其中，x为输入或输出变量，f(x)为步骤8
‑
1中求得的隶属度，通过计算得到任务的时延权重Y
u
，1
‑
Y
u
为任务的能耗权重。4.根据权利要求3所述的细粒度电力任务云边协同优化调度方法，其特征在于：在步骤
8
‑
1中，通过三角形隶属度函数为每个变量确定其隶属度，其计算公式为：其中，x为输入或输出变量，α，β，γ为给定实数，依赖于任务参数，且α＜β＜γ，在任务信息中，时延、任务类型值、输入数据量对于时延权重的影响较为显著，因此作为输入，输出为任务的时延权重，采用低、中、高作为时延和输入数据量的语言变量，采用常规、告警、故障作为任务类型值的语言变量，采用非常低、低、中、高、非常高作为时延权重的语言变量。5.根据权利要求1所述的细粒度电力任务云边协同优化调度方法，其特征在于：在步骤c中，定义了map()函数来表示微服务与容器的对应关系，对于任何a...

【专利技术属性】
技术研发人员：陈羽，程钎，孙伶雁，彭克，王玮，王敬华，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：