CN111104211A - 基于任务依赖的计算卸载方法、***、设备及介质 - Google Patents
基于任务依赖的计算卸载方法、***、设备及介质 Download PDFInfo
- Publication number
- CN111104211A CN111104211A CN201911236704.8A CN201911236704A CN111104211A CN 111104211 A CN111104211 A CN 111104211A CN 201911236704 A CN201911236704 A CN 201911236704A CN 111104211 A CN111104211 A CN 111104211A
- Authority
- CN
- China
- Prior art keywords
- task
- terminal
- tasks
- calculated
- energy consumption
- 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 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 54
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
- G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Telephone Function (AREA)
Abstract
本公开公开了基于任务依赖的计算卸载方法、***、设备及介质，确定计算卸载终端的至少一个待计算卸载的应用程序；将每个待计算卸载的应用程序分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系构建任务连接图；依据任务连接图，将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；根据队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；直至各个目标协作计算终端的能耗成本之和达到最小值或者达到迭代次数，停止重新分配；将目标协作计算终端处理后的结果反馈给计算卸载终端。
Description
技术领域
本公开涉及计算卸载技术领域，特别是涉及基于任务依赖的计算卸载方法、***、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
计算卸载是指应用程序从计算能力有限的移动设备迁移到功能强大的云服务器。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
1、现有的计算卸载均是将整个应用程序，整体迁移到云服务器进行计算，计算的总体能耗大，且完工时间长。
2、现有的计算卸载均是直接迁移到远程云服务器，对于繁忙的网络来说，迁移到远程云服务器会带来明显的延迟。
发明内容
为了解决现有技术的不足，本公开提供了基于任务依赖的计算卸载方法、***、设备及介质；解决了现有计算卸载技术中传输延迟、耗能多、耗时长的问题，具有依据设备相对消耗、cpu时钟周期分配任务、降低相对能耗的优势。
第一方面，本公开提供了基于任务依赖的计算卸载方法；
基于任务依赖的计算卸载方法，包括：
确定至少一个计算卸载终端；
针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；
将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系，构建任务连接图；
依据任务连接图，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；
初始分配步骤：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；
分配优化步骤：实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；
直至各个目标协作计算终端的能耗成本之和达到最小值或者达到最高迭代次数，停止重新分配；
将目标协作计算终端处理后的结果，反馈给对应的计算卸载终端。
第二方面，本公开还提供了基于任务依赖的计算卸载***；
基于任务依赖的计算卸载***，包括：
第一确定模块，其被配置为：确定至少一个计算卸载终端；
第二确定模块，其被配置为：针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；
任务连接图构建模块，其被配置为：将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系，构建任务连接图；
任务分配优先级队列构建模块，其被配置为：依据任务连接图，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；
初始分配模块，其被配置为：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；
分配优化模块，其被配置为：实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；
直至各个目标协作计算终端的能耗成本之和达到最小值或者达到最高迭代次数，停止重新分配；
反馈模块，其被配置为：将目标协作计算终端处理后的结果，反馈给对应的计算卸载终端。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
1、一个应用由多个任务组成，任务卸载顺序会影响总体能耗和最大完工时间。因此，卸载任务而不是卸载整个应用程序可能更有效；
2、将任务分配到距离移动设备较近、有较低时间延迟的边缘服务器，任务也可以卸载到附近空闲的移动设备，节省了任务传输到云服务器的网络传输延迟；
3、具有依据设备相对消耗、cpu时钟周期分配任务、降低相对能耗的优势；
4、运用优先级排队和两轮分配，对卸载问题进行求解，以达到在约束条件下的最优解结果。
5、考虑移动设备的相对能耗，使能量较多的移动终端可以分配较多任务，能量较少的移动终端分配较少的任务，避免出现某移动设备提供的能量小于完成任务所消耗的能量，使各移动终端可以根据自身能量的多少执行不同数量的任务，从而使任务分配更合理；
6、超出时间限制的任务分配方式将被丢弃，同时采用按最早截止时间优先算法进行排序的方法和第一次分配时任务先分配到能最早完成的地方，大大提高了任务完成的成功率，缩短了整体任务的完成时间；
7、在移动终端和远程云服务器之间引入了边缘服务器，降低了从移动终端发送到远程云服务器之间存在的时延甚至其引起的超时。繁忙的移动终端还可以将任务发送给空闲的移动终端，充分利用了***资源；
8、通过多次重分配，降低了***的相对总能耗。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
目前已有关于独立计算卸载的研究。在现有的研究中，数据的输入或时间优先级决定了应用程序的任务卸载。然而，应用程序中的任务具有内部依赖关系。任务可能具有必须在任务开始之前完成的前继任务，也可能具有必须在任务完成之前才能执行的后继任务。此外，目前的研究只是简单地用能量和时间的绝对值来评价卸载问题，这并不能反映能源有限的移动设备的成本、能源或最大完工时间。还有的研究通过设计任务调度策略来降低能耗，假设云和移动设备不会同时运行，可以利用云与移动设备之间的并行性可以极大地提高应用程序的完工时间。还有的研究针对相关任务提出了遗传算法来减少完工时间。
最近的研究主要集中在卸载决策上。例如提出了提高特定移动应用程序性能的技术；试图通过卸载来节省移动设备的能量；考虑到能量和应用完成时间，提出了新的卸载算法；协调多个应用程序的卸载请求，以降低由尾部问题引起的无线能量成本。但是，上述作业没有考虑在包含多个移动设备的***中为每个应用程序中的依赖任务调度任务，以降低成本或提高性能。
在涉及分布式***中的任务调度问题中，有研究提出了在异构处理器之间调度任务的算法，以最小化完成的时间；有一些关于能量感知调度的相关研究，设计了调度算法来减少能量，并保证了实时任务的截止日期；还有提出调度算法来平衡能源消耗和任务完成时间。但是，这些解决方案不能直接应用于计算卸载，因为在本地设备或远程云服务器上执行的任务存在任务依赖关系。
实施例一，本实施例提供了基于任务依赖的计算卸载方法；
如图1所示，基于任务依赖的计算卸载方法，包括：
S1：确定至少一个计算卸载终端；
S2：针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；
S3：将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系，构建任务连接图；
S4：依据任务连接图，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；
S5：初始分配步骤：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；
S6：分配优化步骤：实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；
直至各个目标协作计算终端的能耗成本之和达到最小值或者达到最高迭代次数，停止重新分配；
S7：将目标协作计算终端处理后的结果，反馈给对应的计算卸载终端。
作为一个或多个实施例，所述S1中，计算卸载终端指当前存在待计算应用程序的终端。同一时间可以有多个计算卸载终端。
应理解的，所述计算卸载终端，包括：移动终端或PC端；
作为一个或多个实施例，所述S2中，针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；是指：每个计算卸载终端当前的所有待计算卸载的应用程序。
作为一个或多个实施例，所述S3中，将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；具体步骤包括：
将每个待计算卸载的应用程序，按照应用程序包含的若干个子程序分割成若干个待计算卸载的任务；即，每个待计算卸载的任务对应一个子程序。
其中，某一个待计算卸载任务的输出会作为另外一个待计算卸载任务的输入。
作为一个或多个实施例，所述S3中，根据待计算卸载任务的先后依赖关系，构建任务连接图；具体步骤包括：
根据待计算卸载任务的前后执行关系，将每个应用程序的所有子程序构建成一个只有一个起点和一个终点的有向无环图。
例如：待计算卸载的任务A的输出结果作为待计算卸载的任务B的输入，那么待计算卸载的任务A必须在待计算卸载的任务B之前执行，以此类推就得到任务连接图。
每个应用都构成自己独立的连接图，各连接图之间互不相关；所述连接图为起始和终止的任务均只有一个的有向无环图。具体实现方法为用矩阵表示连接图：若有n个应用程序，每个应用程序有m个任务，则构造n和m行m列的矩阵，若任务a是任务b的下一个任务，则矩阵第b行a列为1，不相连的为0。
作为一个或多个实施例，所述S4中，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；具体步骤包括：
最早截至时间优先算法根据待计算卸载的任务的截止期限动态分配优先级：截止期限越早，优先级越高，排在队列的前面；截止期限越晚，优先级越低，排在队列的后面；所以排序后的队列即为任务分配优先级队列，位于队列前的任务将先进行调度。
作为一个或多个实施例，所述S5中，所述目标协作计算终端，包括：移动终端、边缘服务器或远程云服务器。
远程云服务器是有源的，通过有线传输，一次可以执行无限多的任务；边缘服务器是有源，通过有线传输，一次只能执行有限量的任务；移动设备是无源的，能量有限，通过无线传输，一次只能执行一个任务。
作为一个或多个实施例，所述S5中，初始分配步骤：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；具体步骤包括：
按照任务分配优先级队列顺序依次对任务进行分配，分配时按照时间最小原则，即将任务分配到能够最先完成该任务的目标协作计算终端上。
所述时间最小原则目的是先将任务分配到满足约束条件时用时最少的情况，从而再后面重分配时可以有更大的时间冗余来供任务执行，从而减少超出完成时间限制的概率，增加重分配的成功率。
应理解的，上述步骤S5，先将任务分配到满足约束条件时用时最少的情况，从而再后面重分配时可以有更大的时间冗余来供任务执行，从而减少超出完成时间限制的概率，增加重分配的成功率。
作为一个或多个实施例，所述S6中，实时计算分配后的各个目标协作计算终端的能耗成本；具体步骤包括：
边缘服务器或远程云服务器的能耗成本用CPU时钟周期表示；
移动终端的能耗成本用相对能耗表示。
远程云服务器的能耗成本Cc与cpu时钟周期NC有关：
Cc＝b1Nc (1)
边缘服务器的能耗成本Ce与cpu时钟周期Ne有关：
Ce＝b2Ne (2)
移动终端的能耗成本Cm和相对耗能有关：
其中，en为移动终端剩余的能量，TH为移动终端的门限能量，即低于该能量将不能继续工作，ec为移动设备消耗的能量，具体为功率与时间的乘积。b1、b2、b3为常数。
通过b1、b2、b3之间的比例来将其化作本公开的成本，总成本就是移动终端的能耗成本、远程云服务器的能耗成本、边缘服务器的能耗成本这三部分的和。
对于远程云服务器和边缘服务器，用cpu时钟周期来衡量能耗；由于移动设备在执行任务前具有不同的初始能量和最低门限能量，所以相同的能耗实际反映了不同的移动设备受到的不同的影响，所以能耗将采用实际能耗除以现有能量与最低门限能量之差的方式来衡量。
作为一个或多个实施例，所述S6中，将能耗最大的目标协作计算终端上执行的任务进行重新分配；具体步骤包括：
选择一个能耗成本最大的移动终端，将其上执行任务的位置进行重分配，从而使各移动终端能按其处理能力分配对应的任务量。
所述重新分配为将能量消耗所占自身能量比最高的移动终端上的m个任务每轮分1个任务，每轮都依次分配到其他移动终端、边缘服务器、远程服务器上各一次，所以一共得到m乘以(移动终端+边缘服务器+远程服务器的数量)组能耗和分配方式，选择能耗最小的一组能耗值及其分配方式。
当存在多个应用时，由于应用程序彼此之间互不影响，所以对于队列中优先级低的任务，由于其前继任务已经完成，所以优先级低的任务也可以被提前执行；
队列前面的高优先级任务，由于其前序任务没有结束，所以，队列前面的高优先级任务会被放到等待队列中，当其前继任务执行完成后再执行。
限制总完成时间，即最后一个任务完成的时间；因为手机的电量是有限的，所以还要约束移动设备能耗门限。
以上技术方案的有益效果是：提出了一种新的度量方法来评估卸载效果，运用优先级排队和两轮分配，对卸载问题进行求解，以达到在约束条件下的最优解结果。
实施例二，本实施例还提供了基于任务依赖的计算卸载***；
基于任务依赖的计算卸载***，包括：
第一确定模块，其被配置为：确定至少一个计算卸载终端；
第二确定模块，其被配置为：针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；
任务连接图构建模块，其被配置为：将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系，构建任务连接图；
任务分配优先级队列构建模块，其被配置为：依据任务连接图，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；
初始分配模块，其被配置为：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；
分配优化模块，其被配置为：实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；
直至各个目标协作计算终端的能耗成本之和达到最小值或者达到最高迭代次数，停止重新分配；
反馈模块，其被配置为：将目标协作计算终端计算后的结果，反馈给对应的计算卸载终端。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述方法的步骤。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述方法的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.基于任务依赖的计算卸载方法，其特征是，包括：
确定至少一个计算卸载终端；
针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；
将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系，构建任务连接图；
依据任务连接图，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；
初始分配步骤：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；
分配优化步骤：实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；
直至各个目标协作计算终端的能耗成本之和达到最小值或者达到最高迭代次数，停止重新分配；
将目标协作计算终端处理后的结果，反馈给对应的计算卸载终端。
2.如权利要求1所述的方法，其特征是，针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；是指：每个计算卸载终端当前的所有待计算卸载的应用程序。
3.如权利要求1所述的方法，其特征是，将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；具体步骤包括：
将每个待计算卸载的应用程序，按照应用程序包含的若干个子程序分割成若干个待计算卸载的任务；即，每个待计算卸载的任务对应一个子程序。
4.如权利要求1所述的方法，其特征是，根据待计算卸载任务的先后依赖关系，构建任务连接图；具体步骤包括：
根据待计算卸载任务的前后执行关系，将每个应用程序的所有子程序构建成一个只有一个起点和一个终点的有向无环图。
5.如权利要求1所述的方法，其特征是，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；具体步骤包括：
最早截至时间优先算法根据待计算卸载的任务的截止期限动态分配优先级：截止期限越早，优先级越高，排在队列的前面；截止期限越晚，优先级越低，排在队列的后面；所以排序后的队列即为任务分配优先级队列，位于队列前的任务将先进行调度。
6.如权利要求1所述的方法，其特征是，初始分配步骤：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；具体步骤包括：
按照任务分配优先级队列顺序依次对任务进行分配，分配时按照时间最小原则，即将任务分配到能够最先完成该任务的目标协作计算终端上。
7.如权利要求1所述的方法，其特征是，实时计算分配后的各个目标协作计算终端的能耗成本；具体步骤包括：
边缘服务器或远程云服务器的能耗成本用CPU时钟周期表示；移动终端的能耗成本用相对能耗表示。
8.基于任务依赖的计算卸载***，包括：
第一确定模块，其被配置为：确定至少一个计算卸载终端；
第二确定模块，其被配置为：针对每个计算卸载终端，确定该计算卸载终端的至少一个待计算卸载的应用程序；
任务连接图构建模块，其被配置为：将每个待计算卸载的应用程序，分割成若干个待计算卸载的任务；根据待计算卸载任务的先后依赖关系，构建任务连接图；
任务分配优先级队列构建模块，其被配置为：依据任务连接图，利用最早截止时间优先算法将所有应用程序的所有待计算卸载的任务进行排序，构建任务分配优先级队列；
初始分配模块，其被配置为：根据任务分配优先级队列的顺序，为排在队列最前面的任务，优先分配目标协作计算终端；
分配优化模块，其被配置为：实时计算分配后的各个目标协作计算终端的能耗成本，将能耗成本最大的目标协作计算终端上执行的任务进行重新分配；
直至各个目标协作计算终端的能耗成本之和达到最小值或者达到最高迭代次数，停止重新分配；
反馈模块，其被配置为：将目标协作计算终端计算后的结果，反馈给对应的计算卸载终端。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911236704.8A CN111104211A (zh) | 2019-12-05 | 2019-12-05 | 基于任务依赖的计算卸载方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911236704.8A CN111104211A (zh) | 2019-12-05 | 2019-12-05 | 基于任务依赖的计算卸载方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111104211A true CN111104211A (zh) | 2020-05-05 |
Family
ID=70422180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911236704.8A Pending CN111104211A (zh) | 2019-12-05 | 2019-12-05 | 基于任务依赖的计算卸载方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111104211A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112165721A (zh) * | 2020-08-28 | 2021-01-01 | 山东师范大学 | 基于边缘计算的多服务任务的卸载和服务迁移方法 |
| CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
| CN112860337A (zh) * | 2021-01-28 | 2021-05-28 | 山东师范大学 | 在多接入边缘计算中卸载依赖任务的方法及*** |
| CN113094052A (zh) * | 2021-06-09 | 2021-07-09 | 中电金信软件有限公司 | 应用构建方法、装置、计算机设备和存储介质 |
| CN113190342A (zh) * | 2021-06-01 | 2021-07-30 | 湖南工学院 | 用于云-边协同网络的多应用细粒度卸载的方法与***架构 |
| CN114205420A (zh) * | 2021-12-14 | 2022-03-18 | 深圳Tcl新技术有限公司 | 任务调度方法、装置、存储介质及电子设备 |
| CN114666339A (zh) * | 2022-02-16 | 2022-06-24 | 中南大学 | 一种基于中智集的边缘卸载方法、***及存储介质 |
| WO2023201947A1 (en) * | 2022-04-19 | 2023-10-26 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and storage media for task dispatch |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829332A (zh) * | 2019-01-03 | 2019-05-31 | 武汉理工大学 | 一种基于能量收集技术的联合计算卸载方法及装置 |
| CN110377353A (zh) * | 2019-05-21 | 2019-10-25 | 湖南大学 | 计算任务卸载***与方法 |
| CN110489233A (zh) * | 2019-08-15 | 2019-11-22 | 北京信息科技大学 | 基于移动边缘计算的设备任务卸载及cpu调频方法及*** |
-
2019
- 2019-12-05 CN CN201911236704.8A patent/CN111104211A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829332A (zh) * | 2019-01-03 | 2019-05-31 | 武汉理工大学 | 一种基于能量收集技术的联合计算卸载方法及装置 |
| CN110377353A (zh) * | 2019-05-21 | 2019-10-25 | 湖南大学 | 计算任务卸载***与方法 |
| CN110489233A (zh) * | 2019-08-15 | 2019-11-22 | 北京信息科技大学 | 基于移动边缘计算的设备任务卸载及cpu调频方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| YINUO FAN, LINBO ZHAI , HUA WANG: "Cost-Efficient Dependent Task Offloading for Multiusers", 《IEEE》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112165721A (zh) * | 2020-08-28 | 2021-01-01 | 山东师范大学 | 基于边缘计算的多服务任务的卸载和服务迁移方法 |
| CN112165721B (zh) * | 2020-08-28 | 2022-07-19 | 山东师范大学 | 基于边缘计算的多服务任务的卸载和服务迁移方法 |
| CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
| CN112860337A (zh) * | 2021-01-28 | 2021-05-28 | 山东师范大学 | 在多接入边缘计算中卸载依赖任务的方法及*** |
| CN112860337B (zh) * | 2021-01-28 | 2022-11-29 | 山东师范大学 | 在多接入边缘计算中卸载依赖任务的方法及*** |
| CN113190342A (zh) * | 2021-06-01 | 2021-07-30 | 湖南工学院 | 用于云-边协同网络的多应用细粒度卸载的方法与***架构 |
| CN113094052A (zh) * | 2021-06-09 | 2021-07-09 | 中电金信软件有限公司 | 应用构建方法、装置、计算机设备和存储介质 |
| CN114205420A (zh) * | 2021-12-14 | 2022-03-18 | 深圳Tcl新技术有限公司 | 任务调度方法、装置、存储介质及电子设备 |
| CN114666339A (zh) * | 2022-02-16 | 2022-06-24 | 中南大学 | 一种基于中智集的边缘卸载方法、***及存储介质 |
| CN114666339B (zh) * | 2022-02-16 | 2023-04-11 | 中南大学 | 一种基于中智集的边缘卸载方法、***及存储介质 |
| WO2023201947A1 (en) * | 2022-04-19 | 2023-10-26 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and storage media for task dispatch |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111104211A (zh) | 基于任务依赖的计算卸载方法、***、设备及介质 | |
| US9069610B2 (en) | Compute cluster with balanced resources | |
| US8316376B2 (en) | Optimizing workflow execution against a heterogeneous grid computing topology | |
| US20160054781A1 (en) | Methods and Apparatus to Manage Jobs that can and Cannot be Suspended When there is a Change in Power Allocation to a Distributed Computer System | |
| US20080066070A1 (en) | Method and system for the dynamic scheduling of jobs in a computing system | |
| Huang et al. | A workflow for runtime adaptive task allocation on heterogeneous MPSoCs | |
| Kang et al. | Lalarand: Flexible layer-by-layer cpu/gpu scheduling for real-time dnn tasks | |
| CN103927225A (zh) | 一种多核心架构的互联网信息处理优化方法 | |
| Liu et al. | Dependency-aware and resource-efficient scheduling for heterogeneous jobs in clouds | |
| CN111343288B (zh) | 作业调度方法、***及计算设备 | |
| JP6221588B2 (ja) | 情報処理システム、管理装置制御プログラム及び情報処理システムの制御方法 | |
| CN114579270A (zh) | 一种基于资源需求预测的任务调度方法及*** | |
| CN114265679A (zh) | 数据处理方法、装置和服务器 | |
| Xu et al. | Prophet: Scheduling executors with time-varying resource demands on data-parallel computation frameworks | |
| CN111597044A (zh) | 任务调度方法、装置、存储介质及电子设备 | |
| US10503548B2 (en) | Resource and latency estimation-based scheduling in a distributed computing environment | |
| Saule et al. | Optimizing the stretch of independent tasks on a cluster: From sequential tasks to moldable tasks | |
| CN116954905A (zh) | 一种面向Flink大数据的任务编排与迁移方法 | |
| CN104731662B (zh) | 一种可变并行作业的资源分配方法 | |
| CN110308991B (zh) | 一种基于随机任务的数据中心节能优化方法及*** | |
| Kim et al. | Using DVFS and task scheduling algorithms for a hard real-time heterogeneous multicore processor environment | |
| CN112783651B (zh) | 一种云平台vGPU负载均衡调度方法、介质及装置 | |
| CN116848508A (zh) | 基于强化学习模型调度任务以供计算机执行 | |
| Yazdanpanah et al. | A comprehensive view of MapReduce aware scheduling algorithms in cloud environments | |
| Kadale et al. | Survey of Task Scheduling Method for Mapreduce Framework in Hadoop |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200505 |