【技术实现步骤摘要】
本申请属于边缘计算环境资源调度，更具体地说，涉及边缘计算环境下的资源协同调度方法。
技术介绍
1、随着物联网(iot)、5g通信技术的快速发展，边缘计算(edge computing)作为一种新兴的计算范式，逐渐成为解决大规模数据处理和低延迟需求的关键技术。在边缘计算环境下，大量的计算任务被分散到靠近数据源的边缘节点进行处理，从而减少数据传输的延迟，提高系统的响应速度。然而，边缘计算节点资源有限，特别是在能耗、计算能力和电力供应方面，这对资源协同调度提出了更高的要求。
2、传统的集中式计算模式中，计算任务主要在云端数据中心完成。这些数据中心通常具备强大的计算能力和稳定的能源供应，可以通过优化计算任务的调度来提高能源利用效率。然而，边缘计算节点分布在网络的边缘，可能位于地理上分散的区域，且各节点的能耗特性和供电状况差异较大。在这种环境下，单纯依靠现有的能耗管理方法无法有效应对以下挑战：
3、资源异构性：边缘计算节点的计算能力、存储资源和网络带宽等特性存在异构性，导致任务分配和资源调度的复杂性增加。
4、能源供应波动：与数据中心相比，边缘计算节点的能源供应更加依赖于局部电网，尤其是在采用可再生能源的场景下，电力供应的不稳定性进一步加剧了能耗管理的难度。
5、任务负载动态变化：边缘计算节点上的任务负载变化频繁，传统的静态调度策略难以适应这种动态变化。
技术实现思路
1、本专利技术提供了边缘计算环境下的资源协同调度方法，拟解决目前电力供应的不
2、边缘计算环境下的资源协同调度方法，包括以下步骤：
3、步骤1：采集边缘计算节点上的能耗数据、工作负载数据以及历史负载数据，采集电力供应数据以及环境数据；
4、步骤2：基于采集的能耗数据构建能耗模型，预测不同负载下各边缘计算节点的能源消耗情况；
5、步骤3：基于历史电力供应数据和环境数据，预测可再生能源的短期和中期供电能力；
6、步骤4：基于预测的能源消耗情况以及可再生能源的短期和中期供电能力对所述边缘计算节点上的任务进行分配。
7、本专利技术在能耗数据的基础上构建能耗模型，通过预测能耗，调度系统可以在任务分配时，优先选择那些在特定负载下能耗较低的节点，从而有效降低整体系统的能耗，缓解因电力供应不稳定带来的能耗管理压力，再基于历史电力供应数据和环境数据，预测未来数小时甚至数天内可再生能源的供电能力，帮助系统在短期内进行更精确的能耗管理和任务调度；：基于预测的能源消耗情况和可再生能源的供电能力，系统会优先将任务分配给那些在当前供电能力范围内，能耗最低且供电稳定的节点。这不仅能有效降低整体能耗，还能在能源供应不足时，优先保证关键任务的执行；故本专利技术实现了在边缘计算环境下，对资源的高效协同调度，充分利用了可再生能源，降低了因电力供应不稳定导致的能耗管理难度。
8、优选的，所述步骤2中所构建的能耗模型为线性回归模型，具体如下：
9、
10、式中：e表示预测的能源消耗；β0表示截距项；β1到β8均表示对应自变量的回归系数；cpuusage表示cpu使用率；memoryusage表示内存使用率；historicalload表示历史负载；temperature表示边缘计算节点所在环境的温度；networktraffic表示网络流量；concurrency表示任务并发度；priority表示任务优先级；datatransfer表示数据传输量，描述节点间的数据传输量；表示任务类型，不同任务类型的虚拟变量；表示任务类型之间的交互效应；nodestate表示节点的当前状态；∈表示误差项；表示任务类型的回归系数总和；表示任务类型之间的交互效应的回归系数总和。
11、优选的，所述线性回归模型的损失函数如下：
12、
13、式中：wi表示第i个样本的权重；ei表示第i个样本的实际能耗；表示第i个样本的预测能耗；n表示样本总数；
14、在所述损失函数中加入能耗约束：
15、
16、式中：λ表示超参数；表示所有节点的平均能耗；为确保尽在节点能耗高于平均值时才对损失进行惩罚。
17、优选的，所述样本的权重wi的计算方式如下：
18、
19、式中：α1，α2，α3表示权重系数，满足α1+α2+α3＝1；priorityi表示第i个任务的优先级；表示第i个任务的历史能耗；concurrencyi表示第i个任务的并发度。
20、优选的，所述步骤3中采用lstm模型预测可再生能源的短期和中期供电能力。
21、优选的，所述步骤4包括以下步骤：
22、任务优先级确定：根据任务的重要性和紧急性确定各任务的优先级；
23、可再生能源供电能力：基于预测的每个节点在短期和中期内的可再生能源供电能力，并结合当前节点的电力需求，评估节点的总供电能力；
24、任务与节点匹配：匹配条件如下：
25、节点当前负载与任务负载匹配；节点的可用电力是否能够支持任务执行，具体匹配公式如下：
26、
27、式中：ej表示节点j的当前能耗；etask,i表示任务i的能耗预测值；lj表示节点j的总供电能力；ltask,i表示任务i的负载预测值；
28、基于遗传算法实现全局最优任务分配。
29、优选的，基于遗传算法实现全局最优任务分配的优化目标如下：
30、
31、其中cij表示一个二值变量，表示任务是否可以分配到节点j，值为1时，表示可以分配；
32、约束条件如下：
33、
34、式中：表示节点j的最大供电能力。
35、本专利技术的有益效果包括：
36、本专利技术在能耗数据的基础上构建能耗模型，通过预测能耗，调度系统可以在任务分配时，优先选择那些在特定负载下能耗较低的节点，从而有效降低整体系统的能耗，缓解因电力供应不稳定带来的能耗管理压力，再基于历史电力供应数据和环境数据，预测未来数小时甚至数天内可再生能源的供电能力，帮助系统在短期内进行更精确的能耗管理和任务调度；：基于预测的能源消耗情况和可再生能源的供电能力，系统会优先将任务分配给那些在当前供电能力范围内，能耗最低且供电稳定的节点。这不仅能有效降低整体能耗，还能在能源供应不足时，优先保证关键任务的执行；故本专利技术实现了在边缘计算环境下，对资源的高效协同调度，充分利用了可再生能源，降低了因电力供应不稳定导致的能耗管理难度。
本文档来自技高网...【技术保护点】
1.边缘计算环境下的资源协同调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的边缘计算环境下的资源协同调度方法，其特征在于，所述步骤2中所构建的能耗模型为线性回归模型，具体如下：
3.根据权利要求2所述的边缘计算环境下的资源协同调度方法，其特征在于，所述线性回归模型的损失函数如下：
4.根据权利要求3所述的边缘计算环境下的资源协同调度方法，其特征在于，所述样本的权重wi的计算方式如下：
5.根据权利要求1所述的边缘计算环境下的资源协同调度方法，其特征在于，所述步骤3中采用LSTM模型预测可再生能源的短期和中期供电能力。
6.根据权利要求1所述的边缘计算环境下的资源协同调度方法，其特征在于，所述步骤4包括以下步骤：
7.根据权利要求6所述的边缘计算环境下的资源协同调度方法，其特征在于，基于遗传算法实现全局最优任务分配的优化目标如下：
【技术特征摘要】
1.边缘计算环境下的资源协同调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的边缘计算环境下的资源协同调度方法，其特征在于，所述步骤2中所构建的能耗模型为线性回归模型，具体如下：
3.根据权利要求2所述的边缘计算环境下的资源协同调度方法，其特征在于，所述线性回归模型的损失函数如下：
4.根据权利要求3所述的边缘计算环境下的资源协同调度方法，其特征在于，所述样本的...
【专利技术属性】
技术研发人员：余芸，林志达，冷迪，陈柏龄，黄翔，吴文鹏，林圳杰，刘晓静，梁国鹏，张明，
申请(专利权)人：中国南方电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。