一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统

摘要

本发明公开了一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统，其中任务调度方法为：边缘服务器从本地用户端接收任务并将任务j加入到任务集；按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级，依次对任务集中的每个任务均按最优调度方案进行任务调度；其中，每个任务均采用帕累托优化方法确定其最优调度方案。本发明可以同时提高用户服务质量和系统服务效用。

说明书

技术领域

本发明属于边缘计算领域，具体涉及一种边云协同计算中基于帕累托优化的任务调度方法、边缘服务器、计算机介质及边云协同计算系统。

背景技术

云计算、物联网、车联网、智能电网等技术迅速发展，泛在化、普适化、智能化终端广泛应用，动态内容交付、虚拟现实、增强现实、无人驾驶、远程医疗等新型网络应用对网络和计算的要求越来越高，传统数据、存储、处理集中的云计算模式面临新挑战，出现了雾计算、透明计算、边缘计算、移动边缘计算等新型网络计算模式。受分布式计算启发，边云协同计算将云计算能力扩展到边缘设备，聚合云计算与边缘计算各自优势，进行网络高速传输、资源高效分发、任务快速卸载，强化云、边数据协同处理，可以有效减少数据处理延迟，提高系统可扩展性，提升系统服务效应。

目前的调度方案，以云计算的任务调度为主，有面向用户，考虑减少任务完成时间，提升用户质量QoS(Quality of Service，服务质量)；或者面向服务供应商，考虑减少能耗，提高系统效用。缺少在边云协同计算中同时考虑用户和服务供应商优化用户质量和服务效用目标的任务调度优化。由此，有必要面向用户和服务供应商研究边云协同计算环境下的任务调度优化方法，同时提升用户服务质量和系统服务效应。

发明内容

本发明提供一种边云协同计算中基于帕累托优化的任务调度方法、边缘服务器、计算机介质及边云协同计算系统，在边缘服务器以用户服务质量和系统服务效应同时作为优化目标，并采用帕累托优化方法获取最优调度方案，以优化任务调度，提高用户服务质量和系统服务效用。

为实现上述技术目的，本发明采用如下技术方案：

一种边云协同计算中基于帕累托优化的任务调度方法，包括：

边缘服务器从本地用户端接收任务并将任务j加入到任务集；

按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级，依次对任务集中的每个任务均按最优调度方案进行任务调度；

其中，每个任务均采用帕累托优化方法确定其最优调度方案，具体为：

首先，对任务j进行m轮预调度，且每轮预调度均将任务随机预调度到边云协同计算系统的任意一个或多个任务计算节点，每轮预调度重复n次得到n个预调度方案；所述边云协同计算系统的任务计算节点包括云服务中心和边缘服务器；

然后，从每轮预调度的n个预调度方案中，选择用户服务质量值最大的预调度方案保存至任务调度方案集Y′

最后，求解Y′

在更优的任务调度方法技术方案中，用户服务质量值的计算公式为：

式中，Q

D表示两个任务计算节点之间的节点距离系数：

在更优的任务调度方法技术方案中，系统服务效用值的计算公式为：

式中，E

在更优的任务调度方法技术方案中，边缘服务器在启动任务调度之前，提前对任务资源进行配置；其中，边缘服务器的任务资源根据云服务中心部署得到：云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测，然后根据预测结果提前将任务资源推送到边缘服务器。

在更优的任务调度方法技术方案中，所述云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测，然后根据预测结果提前将任务资源推送到边缘服务器，具体为：

将端服务层的用户任务分类为时间敏感型和非时间敏感型，且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务；

实时监控每个边缘服务器e的最大可用资源

预测每个边缘服务器每种任务的任务数；

针对每个边缘服务器，将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务，均按任务数降序排列；

对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署：将属于时间敏感型的各种任务，按照排序进行延迟阈值判定；若满足延迟阈值判定式，则更新边缘服务器e的当前可用资源

式中，ζ为任务延迟发生阈值，{v

对每个边缘服务器对应预测的非时间敏感型任务，按照与时间敏感型任务的任务资源部署相同的方法，进行任务资源部署；

云服务中心根据任务资源部署集X

一种用于边云协同计算的边缘服务器，包括处理器和存储器；其中：边缘服务器的存储器用于存储计算机指令；边缘服务器的处理器用于执行边缘服务器的存储器中存储的计算机指令，具体执行上述任一技术方案中所述的方法。

一种计算机介质，用于存储程序，所述程序被执行时，用于实现上述任一技术方案所述的方法。

一种边云协同计算系统，包括云服务层、边缘服务层和端用户层，所述云服务层包括云服务中心，所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器，所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端，端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器；所述边缘服务器采用上述技术方案所述的边缘服务器。

在更优的边云协同计算系统技术方案中，所述云服务中心包括处理器和存储器；其中：云服务中心的存储器用于存储计算机指令；云服务中心的处理器用于执行云服务中心的存储器中存储的计算机指令，具体执行以下步骤：

将端服务层的用户任务分类为时间敏感型和非时间敏感型，且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务；

实时监控每个边缘服务器e的最大可用资源

预测每个边缘服务器每种任务的任务数；

针对每个边缘服务器，将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务，均按任务数降序排列；

对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署：将属于时间敏感型的各种任务，按照排序进行延迟阈值判定；若满足延迟阈值判定式，则更新边缘服务器e的当前可用资源

式中，ζ为任务延迟发生阈值，{v

对每个边缘服务器对应预测的非时间敏感型任务，按照与时间敏感型任务的任务资源部署相同的方法，进行任务资源部署；

云服务中心根据任务资源部署集X

有益效果

本发明综合考虑用户服务质量和系统服务效用两个优化目标，权衡两个目标进行综合优化，并采用帕累托优化方法确定最优调度方案，通过寻求用户服务质量和系统服务效应这两个目标的帕累托改进，得到边云协同计算的任务调度方案，从而在本地边缘服务器、其他边缘服务器和云服务中心对任务协同处理，提升用户服务质量，提高系统服务效用。

附图说明

图1是本申请实施例中所述的边云协同计算系统框架。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

实施例1

本实施例提供一种边云协同计算中基于帕累托优化的任务调度方法，应用于边云协同计算系统的边缘服务器，其中的边云协同计算系统包括云服务层、边缘服务层和端用户层，通过Internet互联互通，如图1所示。边云协同计算可在内容分发网络、工业互联网、智能家庭、智慧交通等场景应用。

云服务层包括云服务中心，由若干同构或异构的计算、存储、网络等硬件组成。云服务中心利用虚拟化、软件定义网络、冗余等技术提供高性能、高可靠、可扩展的资源，以支撑用户多样按需服务。云服务层与边缘服务层之间产生控制流(control flow，CF)。云服务中心对各边缘服务器从本地用户端接收的任务请求进行预测，根据预测结果提前将任务运行所需资源(包括运行任务所需软件及软件依赖，简称任务资源)通过CF推送到该边缘服务器。云服务中心实时监测边缘服务器的任务处理和资源使用，并将各边缘服务器的任务处理和资源使用情况汇总，通过CF下发给边缘服务器。

边缘服务层由多个资源受限、地理位置分散的边缘服务器组成，向端用户层的用户端提供实时、快速、多样、灵活的网络应用。边缘服务器根据当前资源使用情况，依据调度策略将用户任务决定在本地边缘服务器单独执行，或者将任务细分调度到其他边缘服务器和/或云服务中心协同执行。在边-边、边-云之间执行任务产生数据流(data flow，DF)。通过CF从云服务中心接收并加载任务资源，预先启动任务运行所需环境。边缘服务器将任务处理情况和计算、存储、网络等资源使用情况通过CF上传到云服务中心。边缘服务器之间不相互传递CF，以减少边缘服务器的处理开销和带宽占用。

端用户层由用户拥有的移动设备、计算机、网联汽车、智能家电、智能终端等组成，具有一定算力，可以将任务进行预处理或部分前置处理，向边缘服务器发送任务请求(request data，RD)。请求任务在本地边缘服务器单独执行，或者在其他边缘服务器和/或云服务中心协同执行后，任务执行结果(answer data，AD)将从本地边缘服务器、其他边缘服务器、云服务中心返回至用户端。

本实施例应用于上述边云协同计算系统的基于帕累托优化的任务调度方法，具体包括以下步骤：

边缘服务器从本地用户端接收任务并将任务j加入到任务集；

按照时间敏感型任务的优先级高于非时间敏感型任务的优先级、相同敏感型任务中数据量小的优先级高于数据量大的优先级，依次对任务集中的每个任务均按最优调度方案进行任务调度；

其中，每个任务均采用帕累托优化方法确定其最优调度方案，具体为：

首先，对任务j进行m轮预调度，且每轮预调度均将任务随机预调度到边云协同计算系统的任意一个或多个任务计算节点，每轮预调度重复n次得到n个预调度方案；所述边云协同计算系统的任务计算节点包括云服务中心和边缘服务器；

然后，从每轮预调度的n个预调度方案中，选择用户服务质量值最大的预调度方案保存至任务调度方案集Y′

其中，用户服务质量主要关注用户在边云协同计算环境中的服务体验与质量，一般来说，用户任务在接收任务的边缘服务器本地执行，用户任务请求的响应时间越小，用户服务质量越高。本实施例中的用户服务质量值的计算公式为：

式中，Q

D表示两个任务计算节点之间的节点距离系数：

由上述式(1)看出，边缘服务器拥有任务j运行所需资源且在其本地执行的任务占比越大，Q

系统服务效应主要关注服务供应商在边云协同计算中的系统服务收益与系统服务消耗，本实施例中的系统服务效用值的计算公式为：

式中，E

最后，求解Y′

其中，m和n均根据经验值预先确定得到，若交集Y

在边云协同计算系统中，由于任务调度的单一目标最优不能确保另一目标亦为最优所存在的缺陷，本实施例综合考虑用户服务质量和系统服务效用两个优化目标，权衡两个目标进行综合优化，并采用帕累托优化方法确定最优调度方案，通过寻求用户服务质量和系统服务效应这两个目标的帕累托改进，得到边云协同计算的任务调度方案，从而在本地边缘服务器、其他边缘服务器和云服务中心对任务协同处理，提升用户服务质量，提高系统服务效用。

实施例2

在实施例1的基础上，本实施例2提供的任务调度方法在边缘服务器启动任务调度之前，提前对边云协同计算系统的各边缘服务器进行任务资源部署。其中，边缘服务器的任务资源由云服务中心部署得到：云服务中心预先对边缘服务器从本地用户接收的任务请求进行预测，然后根据预测结果提前将任务资源推送到边缘服务器。

云服务中心为边缘服务器部署任务资源的具体过程为：

(1)将端服务层的用户任务分类为时间敏感型和非时间敏感型，且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务，每种任务对应不同的网络应用。时间敏感型的用户任务包括人脸识别、交互游戏、导航、网络支付、网络购物、IP语音和/或流媒体播放等，非时间型的用户任务包括网页浏览、收发邮件和/或普通文件下载等。

(2)实时监控每个边缘服务器e的最大可用资源

(3)使用二维时间序列预测法预测每个边缘服务器每种任务的任务数；

根据边云协同计算中用户任务为强周期性、中趋势性和弱随机性的叠加变化趋势，可在云服务中心对用户任务从横向和纵向2个维度进行综合预测，统计分析过去基于时间序列的数据，推测任务的发展变化，从而得到如下所示的预测模型：

L(t)＝δx(t)+(1-δ)z(t)；

式中，L(t)表示为某种任务在目标预测时间段t的预测任务数；x(t)表示某种任务横向维度在目标预测时间段t的任务数，其等于时间段t的前p个时间槽(t-1，t-2,…,t-p)实际任务数的平均值加上一个值为

在本实施例中，每个统计周期为1天，平分为24～48个时间段，每个时间段分为10～30个时间槽，p和q均为整数，且10≤p≤30，7≤q≤30。

(4)针对每个边缘服务器，将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务，均按任务数降序排列，从而将相同种类的任务聚合，只要这种任务的任务数大于1，本实施例只需要考虑1次该种任务的任务资源部署。

在本发明中，任务资源是指边缘服务器运行任务所需软件及软件依赖数据。对于每个边缘服务器，将其本地不同用户端的相同任务请求聚合，只发送此任务对应的任务资源，可以减少云服务中心向边缘服务器推送任务资源的次数。另外，每种任务的任务数进行降序排列，即根据出现频次降序排列，可以在后面的步骤中先依次加载出现频次高的任务资源，再依次加载出现频次低的任务资源。如果边缘服务器的硬件资源不够，就不再加载余下的任务资源。这样可以提高边缘器接收用户任务请求并将任务在自己本地执行的比率。

(5)对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署：将属于时间敏感型的各种任务，按照降序依次进行延迟阈值判定；若满足延迟阈值判定式，则更新边缘服务器e的当前可用资源

式中，ζ为任务延迟发生阈值，ζ＞0.2，{v

(6)对每个边缘服务器对应预测的非时间敏感型任务，按照与时间敏感型任务的任务资源部署相同的方法，进行任务资源部署；

(7)云服务中心根据任务资源部署集X

本实施例在边缘服务器启动任务调度之前，提前对边云协同计算系统的各边缘服务器进行任务资源部署，可以提高平均用户任务命中率(各边缘服务器首次接收用户任务请求，其具备任务运行所需资源并将任务本地执行的占比均值)，减少边缘服务器资源占用开销，提高用户任务在边缘服务器的本地执行率。

实施例3

本实施例提供一种用于边云协同计算的边缘服务器，包括处理器和存储器；其中：边缘服务器的存储器用于存储计算机指令；边缘服务器的处理器用于执行边缘服务器的存储器中存储的计算机指令，具体执行实施例1所述的方法。

实施例4

本实施例提供一种计算机介质，用于存储程序，所述程序被执行时，用于实现实施例1所述的方法。

实施例5

本实施例提供一种边云协同计算系统，包括云服务层、边缘服务层和端用户层，所述云服务层包括云服务中心，所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器，所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端，端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器；所述边缘服务器采用实施例3所述的边缘服务器。

实施例6

本实施例提供一种边云协同计算系统，在实施例5的基础上，其中的云服务中心包括处理器和存储器；其中：云服务中心的存储器用于存储计算机指令；云服务中心的处理器用于执行云服务中心的存储器中存储的计算机指令，具体执行以下步骤：

将端服务层的用户任务分类为时间敏感型和非时间敏感型，且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务；

实时监控每个边缘服务器e的最大可用资源

预测每个边缘服务器每种任务的任务数；

针对每个边缘服务器，将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务，均按任务数降序排列；

对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署：将属于时间敏感型的各种任务，按照排序进行延迟阈值判定；若满足延迟阈值判定式，则更新边缘服务器e的当前可用资源

式中，ζ为任务延迟发生阈值，{v

对每个边缘服务器对应预测的非时间敏感型任务，按照与时间敏感型任务的任务资源部署相同的方法，进行任务资源部署；

云服务中心根据任务资源部署集X

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。