CN111539863B - 一种基于多源任务线的智能城市运行的方法和*** - Google Patents
一种基于多源任务线的智能城市运行的方法和*** Download PDFInfo
- Publication number
- CN111539863B CN111539863B CN202010225913.9A CN202010225913A CN111539863B CN 111539863 B CN111539863 B CN 111539863B CN 202010225913 A CN202010225913 A CN 202010225913A CN 111539863 B CN111539863 B CN 111539863B
- Authority
- CN
- China
- Prior art keywords
- task
- calculation
- cloud server
- cloud
- local
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 168
- 238000007405 data analysis Methods 0.000 claims abstract description 45
- OVSKGTONMLKNPZ-UHFFFAOYSA-N 3-(1-methylindol-3-yl)-4-(1-methyl-6-nitroindol-3-yl)pyrrole-2,5-dione Chemical compound C12=CC=CC=C2N(C)C=C1C1=C(C=2C3=CC=C(C=C3N(C)C=2)[N+]([O-])=O)C(=O)NC1=O OVSKGTONMLKNPZ-UHFFFAOYSA-N 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 6
- 230000001934 delay Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06F9/4812—Task transfer initiation or dispatching by interrupt, e.g. masked
- G06F9/4831—Task transfer initiation or dispatching by interrupt, e.g. masked with variable priority
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于多源任务线的智能城市运行的方法和***，方法主要包括对于智能城市运行中的任一个数据分析运算需求，拆分为一个本地计算任务线，以及一个或者多个云端计算任务线；按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；按照使得一个数据分析运算需求的所述本地计算任务线和云端计算任务线最大化并行的方式，将拆分的所述云端计算任务线分配给适当的云端服务器。***主要包括云端服务器、本地终端、任务调度控制器和协调器。通过该***和方法，实现多任务线计算执行计算任务，提高计算和传输效率，使得整体效益达到最大化。
Description
技术领域
本发明涉及智能城市多源任务线技术领域，特别涉及一种基于多源任务线的智能城市运行的方法和***。
背景技术
智能城市是以无线物联网为媒介并且覆盖整个城市范围的智能化***，城市中各类的传感设施、监控设施、门禁刷卡设施、交通设施、照明设施、多媒体设施等，均可以利用无线物联网进行数据的上传和下载，从而在数据采集和分析的基础上，实现自身预定的智能化功能，例如，传感设施对城市区域的温度、湿度、光照度等状况进行分析，监控设施和门禁刷卡设施在人脸等人体特征量识别的基础上进行身份验证、通行控制和可疑报警等，交通设施实现交通限流和通行指挥等等，从而支撑整个智能城市的运行。
如上文所述，智能城市的运行离不开数据的分析运算，其中大部分数据分析运算具有较大的运算量和数据处理量，随着智能化向深度方向发展，数据分析运算的运算量和数据量的量级显著加大，单个智能设施本地计算的处理能力、数据存储能力、电池待机等方面都已经逐步无法胜任。
云计算提出前端的智能设施只负责基本的数据采集和结果反馈、动作执行等，将数据分析运算上移到云端的服务器，利用服务器强大的运算能力加以执行。但是，在智能城市的规模和数据量级下，云计算会增加中间环节，导致通信负荷增大，数据运算的开销增大，同时智能设施的响应速度下降。
可见，对于智能城市运行来说，数据分析运算需要在本地计算和云端计算之间实现最优化的平衡，将运算任务在本地和云端进行拆解和分配，使得整体效益达到最优化。
另外，智能城市物联网的覆盖空间和网络规模庞大，导致数据分析运算任务的源头众多，呈现出多源任务线并行的特征。对涉及数据分析运算的多源、并发的任务线，如何实现在本地计算和云端计算之间实现有效动态管理，保持任务线整体的平滑，避免过多的停滞中断，也是需要解决的问题。
发明内容
(一)发明目的
为克服上述现有技术存在的至少一种缺陷，通过一种基于多源任务线的智能城市运行的方法和***，将计算任务分配到本地计算任务线和云端任务线上再进行计算，实现多源任务线的计算和处理，数据分析运算在本地计算和云端计算之间实现最优化的平衡，将运算任务在本地和云端进行拆解和分配，使得整体效益达到最优化。
(二)技术方案
作为本发明的第一方面，本发明公开了一种基于多源任务线的智能城市运行的方法，包括以下步骤：
对于智能城市运行中的任一个数据分析运算需求，拆分为一个本地计算任务线，以及一个或者多个云端计算任务线；
按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；
按照使得一个数据分析运算需求的所述本地计算任务线和云端计算任务线最大化并行的方式，将拆分的所述云端计算任务线分配给适当的云端服务器。
在一种可能的实施方式中，所述将任一个数据分析运算需求拆分为一个本地计算任务线，以及一个或者多个云端计算任务线的具体方式，包括：
将该数据分析运算需求拆分为一个本地计算的任务线MkL，以及一个或者多个云端计算任务线MkC1,MkC2...MkCn...；其中本地计算任务线MkL对应的运算数据量为DkL，一个或者多个云端计算任务线MkC1,MkC2...MkCn...总体对应的运算数据量为DkC；
其中Dk＝εDkL+(1-ε)DkC；
ε表示为本地计算和云端计算的拆分比例，0≤ε≤1；
其中本地计算任务线MkL的计算时延为tkL，云端计算任务线MkC1,MkC2...MkCn...的计算时延分别为tkC1,tkC2...tkCn...；
则计算所述拆分比例ε的方式为：在满足约束条件即0≤tkL,tkC1,tkC2...tkCn...≤tmax的前提下，使得max(tkL,tkC1,tkC2...tkCn)最小的ε；其中tmax为最大允许的时延；
在确定了ε的基础上，根据可用的云端服务器的数量，决定云端计算拆分的任务线MkC1,MkC2...MkCn...的数量。
在一种可能的实施方式中，所述确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间的具体方式，包括：
定义本地计算的开销为
其中n为本地终端的编号，
表示第n个本地终端的总开销，
表示时间开销权重，
表示时间开销，
其中
是本地终端本地单位时间可启用的计算线程数，dn表示本地终端的任务线成功完成计算所开启的计算线程数，
表示运算资源开销权重，
是运算资源开销，
其中
是每个计算线程的运算资源开销，
为单位数据量的运算资源开销；
云端服务器针对第n台本地终端上传的计算任务进行云端计算的开销为
其中，
表示将计算任务从本地终端上传到云端服务器的时间，
表示云端服务器的计算时间，
其中C是云端服务器单位时间可启用的计算线程数，πn表示云端服务器在完成计算任务后获得的收益值；
云端服务器的综合效用为
其中R表示云端服务器的综合效用，k为该云端服务器所对应的任务线，共K个任务线利用云端服务器执行计算；Nk为第k个任务线中在效用统计窗口内成功完成计算的数量，πk表示第k个任务线每次成功完成计算后云端服务器获得的收益值，prb表示云端服务器的单位数据计算量的成本，prd表示云端服务器的单位计算线程数的成本，bk表示第k个任务线每次成功完成计算所承担的数据计算量，dk表示第k个任务线每次成功完成计算所开启的计算线程数；
进而，设置本地终端开销
大于云端服务器的开销
为约束条件，以云端服务器的综合效用R最大化为目标，求解bk，dk以及πk；
参照bk，dk以及πk，将计算任务分配给云端服务器，即根据云端服务器的综合效用R最大化，获得对于第k个任务线，云端服务器所承担的数据计算量和计算线程数，根据该数据计算量和计算线程数决定云端服务器承担的计算。
在一种可能的实施方式中，所述将任一个数据分析运算需求拆分为一个本地计算任务线，以及一个或者多个云端计算任务线，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间的具体方式，包括：
在为云端服务器确定了其所承担的数据计算量和计算线程数之后，则针对每个数据分析运算需求拆分出来的云端任务线，根据云端服务器的承担的所承担的数据计算量和计算线程数，确定将任务线分配给云端服务器面临的排队周期，进而本地计算任务线和云端计算任务线最大化并行的条件下，将云端任务线分配给适当的云端服务器。
作为本发明的第二方面，本发明还公开了一种基于多源任务线的智能城市运行的***，包括：
云端服务器，本地终端，任务调度控制器，协调器。
所述任务调度控制器为整个网络的中心计算设备，下面连接着所述协调器，所述协调器将任务分配给云端计算任务线和本地计算任务线，云端计算任务线上有所述云端服务器，本地计算任务线上有所述本地终端。所述本地终端承担本地任务的计算，所述云端服务器承担云端任务的计算。云端计算任务线和本地计算任务线进行边缘计算，并将计算后的数据传递给所述任务调度控制器。
所述任务调度控制器，用于接收由所述本地终端和所述云端服务器计算后的数据；
所述协调器，用于将任一个数据分析运算需求拆分为一个本地计算任务线，以及一个或者多个云端计算任务线；按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；以及按照使得一个数据分析运算需求的所述本地计算任务线和云端计算任务线最大化并行的方式，将拆分的所述云端计算任务线分配给适当的云端服务器。
所述协调器包括任务线拆分模块，所述任务线拆分模块用于将该数据分析运算需求拆分为一个本地计算的任务线MkL，以及一个或者多个云端计算任务线MkC1,MkC2...MkCn...；其中本地计算任务线MkL对应的运算数据量为DkL，一个或者多个云端计算任务线MkC1,MkC2...MkCn...总体对应的运算数据量为DkC；
其中Dk＝εDkL+(1-ε)DkC；
ε表示为本地计算和云端计算的拆分比例，0≤ε≤1；
其中本地计算任务线MkL的计算时延为tkL，云端计算任务线MkC1,MkC2...MkCn...的计算时延分别为tkC1,tkC2...tkCn...；
则计算所述拆分比例ε的方式为：在满足约束条件即0≤tkL,tkC1,tkC2...tkCn...≤tmax的前提下，使得max(tkL,tkC1,tkC2...tkCn)最小的ε；其中tmax为最大允许的时延；
在确定了ε的基础上，根据可用的云端服务器的数量，决定云端计算拆分的任务线MkC1,MkC2...MkCn...的数量。
所述协调器包括云端服务器计算量评估模块，定义本地计算的开销为
其中n为本地终端的编号，
表示第n个本地终端的总开销，
表示时间开销权重，
表示时间开销，
其中
是本地终端本地单位时间可启用的计算线程数，dn可以用单个线程单位时间的计算量为单位表示，
表示运算资源开销权重，
是运算资源开销，
其中
是每个计算线程的运算资源开销，
为单位数据量的运算资源开销，bn是本地终端的处理数据量；
云端服务器针对第n台本地终端上传的计算任务进行云端计算的开销为
其中，
表示将计算任务从本地终端上传到云端服务器的时间，
表示云端服务器的计算时间，
其中C是云端服务器单位时间可启用的计算线程数，πn表示云端服务器在完成计算任务后获得的收益值；
云端服务器的综合效用为
其中R表示云端服务器的综合效用，k为该云端服务器所对应的任务线，共K个任务线利用云端服务器执行计算；Nk为第k个任务线中在效用统计窗口内成功完成计算的数量，πk表示第k个任务线每次成功完成计算后云端服务器获得的收益值，prb表示云端服务器的单位数据计算量的成本，prd表示云端服务器的单位计算线程数的成本，bk表示第k个任务线每次成功完成计算所承担的数据计算量，dk表示第k个任务线每次成功完成计算所开启的计算线程数，gk表示第k个任务线每次成功完成计算后云端服务器的成本；
进而，设置本地终端开销
大于云端服务器的开销
为约束条件，以云端服务器的综合效用R最大化为目标，求解bk，dk以及πk；
参照bk，dk以及πk，将计算任务分配给云端服务器，即根据云端服务器的综合效用R最大化，获得对于第k个任务线，云端服务器所承担的数据计算量和计算线程数，根据该数据计算量和计算线程数决定云端服务器承担的计算。
所述协调器还包括云端任务线分配模块，所述云端任务线分配模块为云端服务器确定了其所承担的数据计算量和计算线程数；则针对每个数据分析运算需求拆分出来的云端任务线，根据云端服务器的承担的所承担的数据计算量和计算线程数，确定将任务线分配给云端服务器面临的排队周期，进而本地计算任务线和云端计算任务线最大化并行的条件下，将云端任务线分配给适当的云端服务器。
(三)有益效果
本发明公开的一种基于多源任务线的智能城市运行的方法和***，具有如下有益效果：
1、提高本地设施响应速度：多源任务线同时进行计算和处理，无需卡在一条线上。
2、数据分析运算在本地计算和云端计算之间实现最优化的平衡，将运算任务在本地和云端进行拆解和分配，使得整体效益达到最优化。
3、在本地计算和云端计算之间实现有效动态管理，保持任务线整体的平滑，避免过多的停滞中断。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
图1是本发明公开的一种基于多源任务线的智能城市运行的***的结构示意图；
图2是本发明公开的一种基于多源任务线的智能城市运行的方法流程示图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着科技的发展，人工智能化的物联网越来越多地融入我们的日常生活。智慧城市就是其中的具体应用案例。智能城市的运行离不开数据的分析运算，其中大部分数据分析运算具有较大的运算量和数据处理量，随着智能化向深度方向发展，数据分析运算的运算量和数据量的量级显著加大，单个智能设施本地计算的处理能力、数据存储能力、电池待机等方面都已经逐步无法胜任。例如：温湿度传感器、空气质量传感器、光传感器会收集城市的大量收据，而仅依赖于单个的智能设施的本地计算的处理能力、数据存储能力、电池待机等方面已无法满足整个物联网稳定性和实时性的要求。
云计算提出前端的智能设施只负责基本的数据采集和结果反馈、动作执行等，将数据分析运算上移到云端的服务器，利用服务器强大的运算能力加以执行。但是，智能城市下会有数以千计的传感器，这些传感器会实时采集各种数据，传送给中央计算模块。在智能城市的规模和数据量级下，云计算会增加中间环节，导致通信负荷增大，数据运算的开销增大，同时智能设施的响应速度下降。
可见，对于智能城市运行来说，数据分析运算需要在本地计算和云端计算之间实现最优化的平衡，将运算任务在本地和云端进行拆解和分配，使得整体效益达到最优化。
另外，智能城市物联网的覆盖空间和网络规模庞大，导致数据分析运算任务的源头众多，呈现出多源任务线并行的特征。对涉及数据分析运算的多源、并发的任务线，如何实现在本地计算和云端计算之间实现有效动态管理，保持任务线整体的平滑，避免过多的停滞中断，也是需要解决的问题。
为了对各类型的传感器采集的数据实现处理，以及满足底层交互设备交互，智能物联网不断产生需要执行的计算任务。本发明采用多源任务线的架构，计算任务产生任务请求；由任务调度控制器根据任务请求对计算资源、实时性、网络传输稳定性的需求，将任务分配到云端任务线和本地任务线上，各类型传感器以及各种底层交互设备将采集到的数据传递给云端服务器和本地终端，并由云端服务器和本地终端满足任务请求而执行相关的任务计算。
为了满足智能物联网任务请求对计算资源和实时性、网络传输稳定性的差异性需求，在此设计一种基于多源任务线的智能城市运行方法，该方法结合了任务调度控制器技术的多任务线计算任务调度方法，其网络结构图如图1所示。整个网络的中心计算设备为任务调度控制器，下面连接着协调器，协调器将任务分配给云任务线和本地任务线，云任务线上有云端服务器，本地任务线上有本地终端。本地终端承担本地任务的计算，云端服务器承担云端任务的计算。云任务线和本地任务线进行边缘计算，并将计算后的数据传递给任务调度控制器。协调器通过下述规则，将任务分配到云任务线和本地任务线。数据分析运算需要在本地计算和云端计算之间实现最优化的平衡，将运算任务在本地和云端进行拆解和分配，使得整体效益达到最优化。
如图2所示，本实施例一种基于多源任务线的智能城市运行的方法，主要包括以下步骤：
300、对于智能城市运行中的任一个数据分析运算需求，拆分为一个本地计算的任务线，以及一个或者多个云端计算的任务线；
400、按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；
500、按照使得一个数据分析运算需求的本地计算任务线和云端计算任务线最大化并行的方式，将拆分的任务线分配给适当的云端服务器。
300、对于智能城市运行中的任一个数据分析运算需求，拆分为一个本地计算的任务线，以及一个或者多个云端计算的任务线；
其中，一个数据分析运算需求表示为Mk＝{Dk,Ck,tmax}，其中Dk是该需求的运算数据量，Ck是该需求需要的计算线程数，tmax是该需求的最大完成时间。
将该数据分析运算需求拆分为一个本地计算的任务线MkL，以及一个或者多个云端计算任务线MkC1,MkC2...MkCn...；其中本地计算任务线MkL对应的运算数据量为DkL，一个或者多个云端计算任务线MkC1,MkC2...MkCn...总体对应的运算数据量为DkC；
其中Dk＝εDkL+(1-ε)DkC；
ε表示为本地计算和云端计算的拆分比例，0≤ε≤1；
其中本地计算任务线MkL的计算时延为tkL，云端计算任务线MkC1,MkC2...MkCn...的计算时延分别为tkC1,tkC2...tkCn...；
则计算所述拆分比例ε的方式为：在满足约束条件即0≤tkL,tkC1,tkC2...tkCn...≤tmax的前提下，使得max(tkL,tkC1,tkC2...tkCn)最小的ε；其中tmax为最大允许的时延；
在确定了ε的基础上，根据可用的云端服务器的数量，决定云端计算拆分的任务线MkC1,MkC2...MkCn...的数量。
400、按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；
本发明定义本地计算的开销为
其中n为本地终端的编号，
表示第n个本地终端的总开销，
表示时间开销权重，
表示时间开销，
其中
是本地终端本地单位时间可启用的计算线程数，
表示运算资源开销权重，
是运算资源开销，
其中
是每个计算线程的运算资源开销，
为单位数据量的运算资源开销；
云端服务器针对第n台本地终端进行云端计算的开销为
其中，
表示将计算任务从本地终端上传到云端服务器的时间，
表示云端服务器的计算时间，
其中C是云端服务器单位时间可启用的计算线程数，πn表示云端服务器在完成PoW计算后获得的收益值；
云端服务器的综合效用为
其中R表示云端服务器的综合效用，k为该云端服务器所对应的任务线，共K个任务线利用云端服务器执行计算；Nk为第k个任务线中在效用统计窗口内成功完成计算的本地终端数量，πk表示第k个任务线每次成功完成计算后云端服务器获得的收益值，prb表示云端服务器的单位数据计算量的成本，prd表示云端服务器的单位计算线程数的成本，bk表示第k个任务线每次成功完成计算所承担的数据计算量，dk表示第k个任务线每次成功完成计算所开启的计算线程数。
进而，设置本地终端开销
大于云端服务器的开销
为约束条件，以云端服务器的综合效用R最大化为目标，求解bk，dk以及πk。
参照bk，dk以及πk，将PoW计算分配给云端服务器，即根据云端服务器的综合效用R最大化，获得对于第k个任务线，云端服务器所承担的数据计算量和计算线程数，根据该数据计算量和计算线程数决定云端服务器承担的计算。
500、按照使得一个数据分析运算需求的本地计算任务线和云端计算任务线最大化并行的方式，将拆分的任务线分配给适当的云端服务器。
在以上步骤中，为云端服务器确定了其所承担的数据计算量和计算线程数；则针对每个数据分析运算需求拆分出来的云端计算任务线，根据云端服务器的承担的所承担的数据计算量和计算线程数，确定将任务线分配给云端服务器面临的排队周期，进而本地计算任务线和云端计算任务线最大化并行的条件下，将云端计算任务线分配给适当的云端服务器。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于多源任务线的智能城市运行的方法，其特征在于，包括：
对于智能城市运行中的任一个数据分析运算需求，拆分为一个本地计算任务线，以及一个或者多个云端计算任务线；具体包括：将该数据分析运算需求拆分为一个本地计算任务线MkL，和/或一个或者多个云端计算任务线MkC1,MkC2...MkCn...；其中本地计算任务线MkL对应的运算数据量为DkL，一个或者多个云端计算任务线MkC1,MkC2...MkCn...总体对应的运算数据量为DkC；其中Dk＝εDkL+(1-ε)DkC；ε表示为本地计算和云端计算的拆分比例，0≤ε≤1；其中本地计算任务线MkL的计算时延为tkL，云端计算任务线MkC1,MkC2...MkCn...的计算时延分别为tkC1,tkC2...tkCn...；则计算所述拆分比例ε的方式为：在满足约束条件即0≤tkL,tkC1,tkC2...tkCn...≤tmax的前提下，使得max(tkL,tkC1,tkC2...tkCn)最小的ε；其中tmax为最大允许的时延；在确定了ε的基础上，根据可用的云端服务器的数量，决定云端计算拆分的任务线MkC1,MkC2...MkCn...的数量；
按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；具体包括：定义本地计算的开销为
其中n为本地终端的编号，
表示第n个本地终端的总开销，
表示时间开销权重，
表示时间开销，
其中
是本地终端本地单位时间可启用的计算线程数，dn可以用单个线程单位时间的计算量为单位表示，
表示运算资源开销权重，
是运算资源开销，
其中
是每个计算线程的运算资源开销，
为单位数据量的运算资源开销，bn是本地终端的处理数据量；云端服务器针对第n台本地终端上传的计算任务进行云端计算的开销为
其中，
表示将计算任务从本地终端上传到云端服务器的时间，
表示云端服务器的计算时间，
其中C是云端服务器单位时间可启用的计算线程数，πn表示云端服务器在完成计算任务后获得的收益值；云端服务器的综合效用为
其中R表示云端服务器的综合效用，k为该云端服务器所对应的任务线，共K个任务线利用云端服务器执行计算；Nk为第k个任务线中在效用统计窗口内成功完成计算的数量，πk表示第k个任务线每次成功完成计算后云端服务器获得的收益值，prb表示云端服务器的单位数据计算量的成本，prd表示云端服务器的单位计算线程数的成本，bk表示第k个任务线每次成功完成计算所承担的数据计算量，dk表示第k个任务线每次成功完成计算所开启的计算线程数，gk表示第k个任务线每次成功完成计算后云端服务器的成本；进而，设置本地终端开销
大于云端服务器的开销
为约束条件，以云端服务器的综合效用R最大化为目标，求解bk，dk以及πk；参照bk，dk以及πk，将计算任务分配给云端服务器，即根据云端服务器的综合效用R最大化，获得对于第k个任务线，云端服务器所承担的数据计算量和计算线程数，根据该数据计算量和计算线程数决定云端服务器承担的计算；
按照使得一个数据分析运算需求的所述本地计算任务线和云端计算任务线最大化并行的方式，将拆分的所述云端计算任务线分配给适当的云端服务器。
2.根据权利要求1所述的方法，其特征在于，
在为云端服务器确定了其所承担的数据计算量和计算线程数之后，则针对每个数据分析运算需求拆分出来的云端任务线，根据云端服务器的承担的所承担的数据计算量和计算线程数，确定将任务线分配给云端服务器面临的排队周期，进而本地计算任务线和云端计算任务线最大化并行的条件下，将云端任务线分配给适当的云端服务器。
3.一种基于多源任务线的智能城市运行的***，其特征在于，包括：
云端服务器，用于计算云端任务线的计算任务
本地终端，用于计算本地任务线的计算任务；
任务调度控制器，用于接收由本地终端和云端服务器计算后的数据；
协调器，用于将任一个数据分析运算需求拆分为一个本地计算任务线，以及一个或者多个云端计算任务线；按照效用最优的原则，确定云端服务器的数据计算量和计算线程数，进而确定云端服务器可承担的任务线数以及任务线的预期完成时间；以及按照使得一个数据分析运算需求的所述本地计算任务线和云端计算任务线最大化并行的方式，将拆分的所述云端计算任务线分配给适当的云端服务器；其中，
所述协调器包括任务线拆分模块，所述任务线拆分模块用于将该数据分析运算需求拆分为一个本地计算的任务线MkL，和/或一个或者多个云端计算任务线MkC1,MkC2...MkCn...；其中本地计算任务线MkL对应的运算数据量为DkL，一个或者多个云端计算任务线MkC1,MkC2...MkCn...总体对应的运算数据量为DkC；其中Dk＝εDkL+(1-ε)DkC；ε表示为本地计算和云端计算的拆分比例，0≤ε≤1；其中本地计算任务线MkL的计算时延为tkL，云端计算任务线MkC1,MkC2...MkCn...的计算时延分别为tkC1,tkC2...tkCn...；则计算所述拆分比例ε的方式为：在满足约束条件即0≤tkL,tkC1,tkC2...tkCn...≤tmax的前提下，使得max(tkL,tkC1,tkC2...tkCn)最小的ε；其中tmax为最大允许的时延；在确定了ε的基础上，根据可用的云端服务器的数量，决定云端计算拆分的任务线MkC1,MkC2...MkCn...的数量；
所述协调器还包括云端服务器计算量评估模块，定义本地计算的开销为
其中n为本地终端的编号，
表示第n个本地终端的总开销，
表示时间开销权重，
表示时间开销，
其中
是本地终端本地单位时间可启用的计算线程数，dn可以用单个线程单位时间的计算量为单位表示，
表示运算资源开销权重，
是运算资源开销，
其中
是每个计算线程的运算资源开销，
为单位数据量的运算资源开销，bn是本地终端的处理数据量；云端服务器针对第n台本地终端上传的计算任务进行云端计算的开销为
其中，
表示将计算任务从本地终端上传到云端服务器的时间，
表示云端服务器的计算时间，
其中C是云端服务器单位时间可启用的计算线程数，πn表示云端服务器在完成计算任务后获得的收益值；云端服务器的综合效用为
其中R表示云端服务器的综合效用，k为该云端服务器所对应的任务线，共K个任务线利用云端服务器执行计算；Nk为第k个任务线中在效用统计窗口内成功完成计算的数量，πk表示第k个任务线每次成功完成计算后云端服务器获得的收益值，prb表示云端服务器的单位数据计算量的成本，prd表示云端服务器的单位计算线程数的成本，bk表示第k个任务线每次成功完成计算所承担的数据计算量，dk表示第k个任务线每次成功完成计算所开启的计算线程数，gk表示第k个任务线每次成功完成计算后云端服务器的成本；进而，设置本地终端开销
大于云端服务器的开销
为约束条件，以云端服务器的综合效用R最大化为目标，求解bk，dk以及πk；参照bk，dk以及πk，将计算任务分配给云端服务器，即根据云端服务器的综合效用R最大化，获得对于第k个任务线，云端服务器所承担的数据计算量和计算线程数，根据该数据计算量和计算线程数决定云端服务器承担的计算。
4.根据权利要求3所述的***，其特征在于，
所述协调器还包括云端任务线分配模块，所述云端任务线分配模块为云端服务器确定了其所承担的数据计算量和计算线程数；则针对每个数据分析运算需求拆分出来的云端任务线，根据云端服务器的承担的所承担的数据计算量和计算线程数，确定将任务线分配给云端服务器面临的排队周期，进而本地计算任务线和云端计算任务线最大化并行的条件下，将云端任务线分配给适当的云端服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010225913.9A CN111539863B (zh) | 2020-03-26 | 2020-03-26 | 一种基于多源任务线的智能城市运行的方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010225913.9A CN111539863B (zh) | 2020-03-26 | 2020-03-26 | 一种基于多源任务线的智能城市运行的方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539863A CN111539863A (zh) | 2020-08-14 |
| CN111539863B true CN111539863B (zh) | 2021-03-19 |
Family
ID=71974823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010225913.9A Active CN111539863B (zh) | 2020-03-26 | 2020-03-26 | 一种基于多源任务线的智能城市运行的方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539863B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112104996A (zh) * | 2020-09-08 | 2020-12-18 | 电子科技大学 | 一种应用于共享交通***的低成本群智感知计算方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017176542A1 (en) * | 2016-04-08 | 2017-10-12 | Alcatel-Lucent Usa Inc. | Optimal dynamic cloud network control |
| CN109819032A (zh) * | 2019-01-24 | 2019-05-28 | 中山大学 | 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 |
| CN110418416A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 移动边缘计算***中基于多智能体强化学习的资源分配方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108170523B (zh) * | 2017-12-28 | 2021-05-04 | 合肥工业大学 | 一种移动云计算的随机任务序列调度方法 |
| CN108600299B (zh) * | 2018-03-02 | 2021-08-24 | 中国科学院上海微***与信息技术研究所 | 分布式多用户间计算任务卸载方法及*** |
| CN108540406B (zh) * | 2018-07-13 | 2021-06-08 | 大连理工大学 | 一种基于混合云计算的网络卸载方法 |
| CN109474681A (zh) * | 2018-11-05 | 2019-03-15 | 安徽大学 | 移动边缘计算服务器的资源分配方法、***及服务器*** |
| CN109669768B (zh) * | 2018-12-11 | 2023-03-14 | 北京工业大学 | 一种面向边云结合架构的资源分配和任务调度方法 |
-
2020
- 2020-03-26 CN CN202010225913.9A patent/CN111539863B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017176542A1 (en) * | 2016-04-08 | 2017-10-12 | Alcatel-Lucent Usa Inc. | Optimal dynamic cloud network control |
| CN109819032A (zh) * | 2019-01-24 | 2019-05-28 | 中山大学 | 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 |
| CN110418416A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 移动边缘计算***中基于多智能体强化学习的资源分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539863A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abd Elaziz et al. | Advanced optimization technique for scheduling IoT tasks in cloud-fog computing environments | |
| CN110096349B (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
| CN109324875B (zh) | 一种基于强化学习的数据中心服务器功耗管理与优化方法 | |
| US8352951B2 (en) | Method and apparatus for utility-based dynamic resource allocation in a distributed computing system | |
| US9207993B2 (en) | Dynamic application placement based on cost and availability of energy in datacenters | |
| CN104991830A (zh) | 基于服务等级协议的yarn资源分配和节能调度方法及*** | |
| Li et al. | Adaptive resource allocation based on the billing granularity in edge-cloud architecture | |
| CN110351571A (zh) | 基于深度强化学习的直播视频云转码资源分配与调度方法 | |
| CN103401939A (zh) | 一种采用混合调度策略的负载均衡方法 | |
| CN114816721B (zh) | 一种基于边缘计算的多任务优化调度方法及*** | |
| Cheng et al. | Heterogeneity aware workload management in distributed sustainable datacenters | |
| CN108270805A (zh) | 用于数据处理的资源分配方法及装置 | |
| CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及*** | |
| CN111539863B (zh) | 一种基于多源任务线的智能城市运行的方法和*** | |
| CN117472587A (zh) | 一种ai智算中心的资源调度*** | |
| CN108132840A (zh) | 一种分布式***中的资源调度方法及装置 | |
| CN115794341A (zh) | 基于人工智能的任务调度方法、装置、设备及存储介质 | |
| CN114064261A (zh) | 基于工业边缘计算***的多维异构资源量化方法及装置 | |
| CN111131447A (zh) | 一种基于中介节点任务分配的负载均衡方法 | |
| CN105786626B (zh) | 基于K划分的Storm平台线程分配方法 | |
| More et al. | Energy-aware VM migration using dragonfly–crow optimization and support vector regression model in Cloud | |
| CN116795545A (zh) | 基于网算容器的信息物理生产***及其管理方法 | |
| CN113259472A (zh) | 一种面向视频分析任务的边缘节点资源分配方法 | |
| CN116048821B (zh) | 高利用率的ai服务器及其资源分配方法 | |
| Bi et al. | Adaptive prediction of resources and workloads for cloud computing systems with attention-based and hybrid LSTM |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210210 Address after: 400010 no.50-6, 19 dapingzheng street, Yuzhong District, Chongqing Applicant after: Light control tesilian (Chongqing) Information Technology Co.,Ltd. Address before: 401329 no.2-1, building 6, No.39 Xinggu Road, Jiulongpo District, Chongqing Applicant before: CHONGQING TERMINUS TECHNOLOGIES Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |