CN111784029A - 一种雾节点资源分配方法 - Google Patents
一种雾节点资源分配方法 Download PDFInfo
- Publication number
- CN111784029A CN111784029A CN202010520063.5A CN202010520063A CN111784029A CN 111784029 A CN111784029 A CN 111784029A CN 202010520063 A CN202010520063 A CN 202010520063A CN 111784029 A CN111784029 A CN 111784029A
- Authority
- CN
- China
- Prior art keywords
- user
- fog node
- fog
- resource allocation
- reliability
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 87
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种雾节点资源分配方法,方法包括:在向每一个用户的多个任务分配雾节点资源时,根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;利用粒子群优化算法对所述雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;其中,雾节点资源分配最优解为向每一个用户分配雾节点后每一个用户的服务时延最小且服务可靠性最高。在多用户多任务和多雾节点的网络环境下,通过本发明实施例提供的资源分配方法,能够保证每一个用户的服务时延最小且可靠性最高。
Description
技术领域
本发明属于网络资源分配技术领域,尤其涉及一种雾节点资源分配方法。
背景技术
随着智能电网的快速建设和应用,泛在电力物联网的发展强调多种能源、信息的互连,通信网络将作为网络信息总线,承担着智能电网源、网、荷、储各个环节的信息采集、网络控制的承载,为智能电网基础设施与各类能源服务平台提供安全、可靠、高效的信息传送通道,实现电力生产、输送、消费各环节的信息流、能量流及业务流的贯通,促进电力***整体高效协调运行。泛在电力物联网以泛在感知为基础,以通信网络为通道,通过物联管理中心,实现数据的统一接入。
泛在电力物联网运用物联管理平台和边缘物联代理等平台以及设备,标准化接入各类采集终端,实现业务融合贯通。物联管理平台实现对各型边缘物联代理、采集(执行)终端等设备的统一在线管理和远程运维,实现设备标识以及业务数据的共享,向企业中台、业务***等开放接口提供标准化数据。边缘物联代理部署于感知层的网络连接设备,实现采集终端与物联管理平台之间的互联、边缘计算及区域自治等功能。泛在电力物联网最终目标总体架构,对于物联接入的各类新上及存量终端采集数据,应在边缘侧完成各类协议的数据解析,并将数据按照统一下发的物联模型,对数据进行模型化处理后,发送至物联平台。
泛在电力物联网的构架是典型的雾计算构架,传统的云计算架构下,业务需求端和云平台之间距离较远,需要消耗较大的通信资源,并且这种架构导致业务被处理的时延较长。雾计算技术通过部署边缘服务器实现前端计算,可以显著降低业务处理时延和通信资源开销。所以,雾计算技术已被引入到泛在电力物联网的架构中。例如,在调度自动化场景中,雾计算技术可以实现电力调度的快速处理;在配电自动化场景中,雾计算技术可以在边缘侧自动执行配电回路的主备切换,在视频监控场景中,雾计算技术通过在边缘侧识别图像和视频,自动抓取异常状况,可以显著降低电力通信网资源的开销。
5G雾无线接入网技术是雾计算网络的核心技术之一,在雾无线接入网架构下,雾节点具有计算、存储、通信能力,并且与用户非常近,可以快速为用户提供服务。为了提高雾节点的资源利用率,雾节点资源分配已成为一个急需解决的关键问题。
发明内容
为克服上述现有问题或者至少部分地解决上述问题,本发明实施例提供一种雾节点资源分配方法。
本发明实施例提供了一种雾节点资源分配方法,包括:
在向每一个用户的多个任务分配雾节点资源时,计算每一个用户的服务时延和服务可靠性;
根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;
利用粒子群优化算法对所述雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;
其中,所述雾节点资源分配最优解为向每一个用户分配雾节点资源后每一个用户的服务时延最小且服务可靠性最高。
在上述技术方案的基础上,本发明实施例还可以作如下改进。
可选的,每一个用户需要执行多个任务,每一个任务需要对应分配一个雾节点,每一个雾节点能分配给多个任务,任一个用户需要的资源为所述任一个用户需要执行的所有任务需要的资源总和。
可选的,所述每一个用户的服务时延包括计算时延和传输时延;
相应的,计算每一个用户的服务时延包括:
根据每一个用户的计算请求资源和分配的对应的雾节点包含的计算资源,计算每一个用户的计算时延;
根据每一个用户的通信请求资源和分配的对应的雾节点包含的通信资源,计算每一个用户的传输时延;
根据每一个用户的计算时延和传输时延,计算每一个用户的服务时延。
可选的,通过如下公式计算每一个用户的服务时延:
tij=a+b;
其中,tij表示雾节点Ri给用户Tj分配资源时的服务时延,a为每一个用户的计算时延,b为每一个用户的传输时延,Hi为雾节点Ri包含的计算资源,Gi为雾节点Ri包含的通信资源,Oj为用户Tj的计算请求资源,Dj为用户Tj的通信请求资源;
雾节点Ri处理完需要处理的所有任务需要的时长为:
其中,i∈{1,2,...,m},j∈{1,2,...,n},i为雾节点的编号,m为网络中雾节点的数量,j为用户的编号,n为用户的数量;
可选的,所述计算每一个用户的服务可靠性包括:
根据雾节点的历史可靠性和设备类型计算每一个雾节点的可靠性;
对于任一个用户的多个任务对应分配的多个雾节点,将可靠性最低的雾节点的可靠性确定为所述任一个用户的服务可靠性。
可选的,所述根据雾节点的历史可靠性和设备类型计算每一个雾节点的可靠性包括:
reli=α1hisi+α2typei;
其中,reli表示雾节点Ri的可靠性,hisi表示雾节点Ri的历史可靠度,typei表示雾节点Ri的设备类型,设备类型为电源稳定类型、电源半稳定类型或电源不稳定类型,α1、α2分别表示历史可靠度hisi和设备类型typei的系数,α1+α2=1;
其中,r表示统计时间段内雾节点Ri的被评判次数,hrl表示第l次被评判的评判结果,hrl∈[0,1];
每一个用户的服务可靠性为:
可选的,根据每一个用户的服务时延和服务可靠性,建立的雾节点资源分配优化模型为:
其中,雾节点资源分配优化模型的约束条件为:
s.t.
可选的,所述利用粒子群优化算法对所述雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解包括:
设置粒子群算法的初始化参数,所述初始化参数包括随机生成粒子的起始位置X1、算法的迭代次数MG、粒子群的规模N和粒子的初始移动速度V1;
根据雾节点资源分配优化模型,获得初始化的邻域内的最优位置X1 gb和自身的历史最优位置X1 pb;
根据雾节点资源分配优化模型的约束条件,对上一轮粒子的位置、速度以及邻域内的最优位置和自身的历史最优位置进行更新,进行下一轮迭代求解;
循环迭代求解,直到迭代的次数达到规定的迭代次数MG,得到雾节点最优资源分配方案。
可选的,根据雾节点资源分配优化模型的约束条件,通过如下方式对第i个粒子的运动速度Vi和位置Xi迭代更新:
Vi+1=wVi+c1r1(Xt pb-Xi)+c2r2(Xt gb-Xi);
Xi+1=Xi+Vi+1;
其中,Xt gb表示第t轮迭代对应的粒子邻域内的最优位置,Xt pb表示第t轮迭代粒子自身的历史最优位置,r1、r2用于调节粒子向邻域内的最优位置Xt gb、自身的历史最优位置Xt pb运动的权重,取值范围是(0,1),服从均匀分布,c1、c2用于设置粒子向邻域内的最优位置Xt gb、自身的历史最优位置Xt pb运动的加速度,w用于设置粒子继承当前运动速度Vi的权重。
可选的,还包括利用粒子之间的减法、加法和乘法三种运算方式对粒子的运动速度和最优位置的迭代更新公式进行优化为:
可选的,所述对邻域内的最优位置和自身的历史最优位置进行更新包括:
根据雾节点资源分配优化模型计算粒子的适应度函数f(Xi),对于当前第t轮迭代,如果f(Xt i)>f(Xt pb),则将Xt i赋值给Xt+1 pb;如果f(Xt pb)>f(Xt gb),则将Xt+1 pb赋值给Xt +1 gb。
本发明实施例提供一种雾节点资源分配方法,在向每一个用户的多个任务分配雾节点资源时,根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;利用粒子群优化算法对雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;其中,雾节点资源分配最优解为向每一个用户分配雾节点后每一个用户的服务时延最小且服务可靠性最高。在多用户多任务和多雾节点的网络环境下,能够保证每一个用户的服务时延最小且可靠性最高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的雾节点资源分配方法整体流程示意图;
图2为本发明实施例的一种雾节点资源分配***连接框图;
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
参见图1,提供了本发明实施例的一种雾节点资源分配方法,包括:
在向每一个用户的多个任务分配雾节点资源时,计算每一个用户的服务时延和服务可靠性;
根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;
利用粒子群优化算法对雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;
其中,雾节点资源分配最优解为向每一个用户分配雾节点资源后每一个用户的服务时延最小且服务可靠性最高。
可以理解的是,为了解决雾计算环境下用户任务获得资源的可靠性低的问题,本发明实施例提出了一种基于粒子群算法的雾节点资源分配方法。其应用的场景为,每个用户需要执行多个任务,每个任务的执行需要消耗资源来完成,通常需要消耗计算资源和通信资源;每个雾节点有多种资源,主要包括CPU计算资源和无线通信资源;每个雾节点可以为多个用户的任务分配资源;每个用户可以同时从多个雾节点申请资源,来完成多个任务。
为了达到资源分配的最优,本发明实施例在为每一个用户的多个任务分配雾节点资源时,从分配资源后,每一个用户执行多个任务时的服务时延和服务可靠性两个维度考虑,建立雾节点资源分配优化模型。对于建立的雾节点资源分配优化模型,利用粒子群算法对雾节点资源分配模型进行求解,得到雾节点资源分配的最优分配方案,其中,雾节点资源分配的最优方案是使得向每一个用户分配雾节点资源后,每一个用户的服务时延最小且服务可靠性最高。
作为一个可选的实施例,每一个用户需要执行多个任务,每一个任务需要对应分配一个雾节点,每一个雾节点能分配给多个任务,任一个用户需要的资源为任一个用户需要执行的所有任务需要的资源总和。
可以理解的是,本发明实施例应用的场景为,在网络描述方面,使用R={R1,R2,...,Ri,...,Rm}表示m个雾节点,每个雾节点包含计算属性Hi和通信属性Gi。使用T={T1,T2,...,Tj,...,Tn}表示n个用户,每个用户需要执行多个任务,每一个任务的执行均需要计算资源和通信资源,以用户为单位,每一个用户需要的资源请求包括计算请求Oj和通信请求Dj。
作为一个可选的实施例,每一个用户的服务时延包括计算时延和传输时延;
相应的,计算每一个用户的服务时延包括:
根据每一个用户的计算请求资源和分配的对应的雾节点包含的计算资源,计算每一个用户的计算时延;
根据每一个用户的通信请求资源和分配的对应的雾节点包含的通信资源,计算每一个用户的传输时延;
根据每一个用户的计算时延和传输时延,计算每一个用户的服务时延。
可以理解的是,在给每一个用户的多个任务分配资源时,资源分配矩阵L如公式(1)所示,其中,lij表示雾节点Ri是否给用户Tj分配资源,当lij=1时表示为用户分配资源,当lij=0时表示不为用户分配资源。
对于分配雾节点资源后,每一个用户的服务时延主要包括计算时延和传输时延,其中,根据每一个用户的计算请求资源和分配的对应的雾节点包含的计算资源,计算每一个用户的计算时延;根据每一个用户的通信请求资源和分配的对应的雾节点包含的通信资源,计算每一个用户的传输时延,也就是说,每一个用户的计算时延与该用户需要的计算资源和雾节点分配给该用户的计算资源相关,同样的,每一个用户的传输时延与该用户需要的通信资源和雾节点分配给该用户的通信资源相关。每一个用户的计算时延和传输时延相加即为每一个用户的服务时延。
作为一个可选的实施例,可以理解的是,每一个用户的服务时延可通过如下公式计算:
tij=a+b;(2)
其中,tij表示雾节点Ri给用户Tj分配资源时的服务时延,a为每一个用户的计算时延,b为每一个用户的传输时延,Hi为雾节点Ri包含的计算资源,Gi为雾节点Ri包含的通信资源,Oj为用户Tj的计算请求资源,Dj为用户Tj的通信请求资源。
与资源分配矩阵L对应,服务时延矩阵T如公式(5)所示。
雾节点Ri将资源分配给多个任务,该多个任务可能属于不同的用户,雾节点Ri执行完该多个任务需要的时长为:
其中,i∈{1,2,...,m},j∈{1,2,...,n},i为雾节点的编号,m为网络中雾节点的数量,j为用户的编号,n为用户的数量。
作为一个可选的实施例,计算每一个用户的服务可靠性包括:
根据雾节点的历史可靠性和设备类型计算每一个雾节点的可靠性;
对于任一个用户的多个任务对应分配的多个雾节点,将可靠性最低的雾节点的可靠性确定为该任一个用户的服务可靠性。
可以理解的是,对于每一个用户的可靠性方面,雾节点的运行受无线环境、资源、移动性等因素影响,当这些因素变得不好时,导致雾节点执行不稳定,影响其上用户业务的可靠性。为了定量分析雾节点的可靠性reli,本发明实施例从雾节点的历史可靠性hisi和设备类型typei两个维度进行分析。
对于任一个用户包括的多个任务,通常会有多个雾节点分配资源给该用户,比如,该用户的其中某一个任务由一个雾节点分配资源,另一个任务由另外一个雾节点分配资源,这样,对于一个用户,由多个雾节点的资源完成所有任务的执行。
因此,每一个雾节点在执行不同的任务时,其可靠性是不同的,对于用户来说,将可靠性最低的雾节点的可靠性确定为用户的服务可靠性。
作为一个可选的实施例,根据雾节点的历史可靠性和设备类型计算每一个雾节点的可靠性包括:
reli=α1hisi+α2typei;(7)
其中,reli表示雾节点Ri的可靠性,hisi表示雾节点Ri的历史可靠度,typei表示雾节点Ri的设备类型,设备类型为电源稳定类型、电源半稳定类型或电源不稳定类型,α1、α2分别表示历史可靠度hisi和设备类型typei的系数,α1+α2=1。
其中,雾节点的历史可靠性可通过如下公式(8)计算:
其中,r表示统计时间段内该雾节点的被评判次数,hrl表示第l次的评判结果,hrl∈[0,1]。从公式可知,历史可靠性hisi不但与每次的评判结果相关,而且与评判的时间相关,表示评判距离当前时间越近,评判的结果对历史可靠性hisi取值影响越大。
在设备类型typei方面,采用现实环境的手段进行分类。一般来说,雾节点有移动类型的设备、固定类型的设备两种,对于移动类型的设备,电量是其主要考虑的因素。所以,本发明实施例将设备类型分为电源稳定、电源半稳定、电源不稳定三种类型,对于不同的设备类型,分别赋予不同的值,比如,对于电源稳定、电源半稳定、电源不稳定这三种类型的设备,其对应的type值分别赋值为0.95、0.75、0.55。因为每个用户的多个任务一般会存在相关性。所以,每个用户的服务可靠性是执行该用户所有任务的各个雾节点所具有的最低可靠性,计算方法如公式(9),表示每一个用户的服务可靠性,m为执行用户Tj的所有任务的雾节点的数量。
作为一个可选的实施例,为了快速为用户提供可靠的服务,解决服务延迟、服务可靠性两个问题,以用户需要执行的任务获得资源可靠性最优化为目标,本发明实施例设计的目标函数,也就是雾节点资源分配优化模型如公式(10)所示。目标函数F中 其中,表示最大化n个用户的执行过程的可靠性,表示最小化n个用户的服务时延。约束条件表示每个任务都能在所需的时间内完成,约束条件表示每个任务都能在所需可靠性要求下完成。
其中,目标函数的约束条件为:
s.t.
作为一个可选的实施例,对于目标函数(10)的求解方法,当前,存在较多的智能优化算法,用于解决多目标优化问题。通过对这些算法的比较可知,粒子群优化算法的执行速度和结果较好。因此本发明实施例采用粒子群优化算法求解目标函数。粒子群优化算法中,以粒子为运动单位,在解空间中向最优的位置移动。通过对粒子群优化算法的分析可知,各个变量需要结合解决的具体问题进行定义。
利用粒子群优化算法对目标函数进行求解的整个过程为:
设置粒子群算法的初始化参数,所述初始化参数包括随机生成粒子的起始位置X1、算法的迭代次数MG、粒子群的规模N和粒子的初始移动速度V1;
根据雾节点资源分配优化模型,获得初始化的邻域内的最优位置X1 gb和自身的历史最优位置X1 pb;
根据雾节点资源分配优化模型的约束条件,对粒子的位置、速度以及邻域内的最优位置和自身的历史最优位置进行更新,进行下一轮迭代求解;
循环迭代求解,直到迭代的次数达到规定的迭代次数MG,得到最优资源分配方案。
可以理解的是,为便于求解,使用适应度函数表示公式(10)中的目标函数。将适应度函数标记为f(Xi),其中位置向量Xi表示可能的方案。适应度函数的计算过程中将首先按照公式(11)、(12)检查节点能力约束。如果该方案可行,则f(Xi)的值表示目标值;如果该映射方案不可行,则f(Xi)的值被设置为+∞。
适应度函数算法主要包括参数初始化、计算初始化粒子值、粒子的初始移动速度和位置更新、粒子位置优化、迭代判断、输出结果六个过程。其中,参数初始化主要用于初始化粒子群算法中的基本参数;计算初始化粒子值用于计算初始化生成的粒子的适应度值、邻域内的最优位置、自身的历史最优位置;粒子的速度和位置更新过程基于约束条件,用于更新粒子的速度和位置;粒子位置优化用于更新粒子的邻域内最优位置、自身历史最优位置。
作为一个可选的实施例,其中,对粒子的位置和速度进行更新具体为,根据雾节点资源分配优化模型的约束条件,通过如下方式对第i个粒子的运动速度Vi和最优位置Xi迭代更新:
Vi+1=wVi+c1r1(Xt pb-Xi)+c2r2(Xt gb-Xi);(13)
Xi+1=Xi+Vi+1;(14)
其中,Xt gb表示第t轮迭代对应的粒子邻域内的最优位置,Xt pb表示第t轮迭代粒子自身的历史最优位置,r1、r2用于调节粒子向邻域内的最优位置Xt gb、自身的历史最优位置Xt pb运动的权重,取值范围是(0,1),服从均匀分布,c1、c2用于设置粒子向邻域内的最优位置Xt gb、自身的历史最优位置Xt pb运动的加速度,w用于设置粒子继承当前运动速度Vi的权重。
其中,减法Θ是指对两个粒子Xi和Xj中相同位置的资源分配方案进行比较,如果相同,其值为1,否则为0,使用方法为XiΘXj,用于评估两种资源分配方案的区别。加法是指对两个粒子的速度Vi和Vj进行优化的方案,为了提高优化的效果,对两个粒子的速度Vi和Vj分别以概率Pi和Pj进行优化,其中Pi+Pj=1(0≤Pi,Pj≤1),使用方法为例如:V1=(1,0,0,1,1)、V2=(1,0,1,0,1),P1=0.1,P2=0.9,那么,其中,第一个*表示此维度的优化方案为:以0.1的概率取值0,以0.9的概率取值1。乘法是指基于粒子和速度的取值,计算出新的粒子调整方案。使用方法为
此时,公式(13)、(14)可以优化为公式(15)、(16)。其中,P1',P2',P3'都是常量,并且P1'+P2'+P3'=1。
在每一轮的迭代过程中,采用公式(15)和公式(16)对粒子的位置和速度进行更新,另外,对于每一轮的迭代,邻域内的最优位置Xgb和自身的历史最优位置Xpb进行更新包括:
根据雾节点资源分配优化模型计算粒子的适应度函数f(Xi),对于当前第t轮迭代,如果f(Xt i)>f(Xt pb),则将Xt i赋值给Xt+1 pb;如果f(Xt pb)>f(Xt gb),则将Xt+1 pb赋值给Xt +1 gb。
根据每一轮更新后的粒子的位置、速度,以及更新后的邻域内的最优位置和自身的历史最优位置,对适应度函数(即目标函数)进行求解,直到迭代次数达到规定的最大迭代次数,得到雾节点资源分配的最优方案,其中,雾节点资源分配的最优方案是使得分配资源后,每一个用户执行任务的可靠性最高且服务时延最小。
参见图2,提供了一种雾节点资源分配***,该***包括:
计算模块21,用于在向每一个用户的多个任务分配雾节点资源时,计算每一个用户的服务时延和服务可靠性;
建立模块22,用于根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;
求解模块23,用于利用粒子群优化算法对所述雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;
其中,所述雾节点资源分配最优解为向每一个用户分配雾节点资源后每一个用户的服务时延最小且服务可靠性最高。
本发明实施例提供的雾节点资源分配******与前述实施例提供的雾节点资源分配方法相对应,提供的雾节点资源分配***的相关技术特征可参考前述实施例的雾节点的资源分配方法的相关技术特征,在此不再赘述。
图3为本发明实施例提供的电子设备的实体结构示意图,如图3所示,所述电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述雾节点资源分配方法的各个步骤。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的雾节点资源分配方法。
本发明实施例提供了一种雾节点资源分配方法,在向每一个用户的多个任务分配雾节点资源时,根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;利用粒子群优化算法对雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;其中,雾节点资源分配最优解为向每一个用户分配雾节点后每一个用户的服务时延最小且服务可靠性最高。在多用户多任务和多雾节点的网络环境下,能够保证每一个用户的服务时延最小且可靠性最高。
以上所描述的***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种雾节点资源分配方法,其特征在于,包括:
在向每一个用户的多个任务分配雾节点资源时,计算每一个用户的服务时延和服务可靠性;
根据每一个用户的服务时延和服务可靠性,建立雾节点资源分配优化模型;
利用粒子群优化算法对所述雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解;
其中,所述雾节点资源分配最优解为向每一个用户分配雾节点资源后每一个用户的服务时延最小且服务可靠性最高。
2.根据权利要求1所述的雾节点资源分配方法,其特征在于,每一个用户需要执行多个任务,每一个任务需要对应分配一个雾节点,每一个雾节点能分配给多个任务,任一个用户需要的资源为所述任一个用户需要执行的所有任务需要的资源总和。
3.根据权利要求1或2所述的雾节点资源分配方法,其特征在于,所述每一个用户的服务时延包括计算时延和传输时延;
相应的,计算每一个用户的服务时延包括:
根据每一个用户的计算请求资源和分配的对应的雾节点包含的计算资源,计算每一个用户的计算时延;
根据每一个用户的通信请求资源和分配的对应的雾节点包含的通信资源,计算每一个用户的传输时延;
根据每一个用户的计算时延和传输时延,计算每一个用户的服务时延。
5.根据权利要求4所述的雾节点资源分配方法,其特征在于,所述计算每一个用户的服务可靠性包括:
根据雾节点的历史可靠性和设备类型计算每一个雾节点的可靠性;
对于任一个用户的多个任务对应分配的多个雾节点,将可靠性最低的雾节点的可靠性确定为所述任一个用户的服务可靠性。
8.根据权利要求7所述的雾节点资源分配方法,其特征在于,所述利用粒子群优化算法对所述雾节点资源分配优化模型进行求解,得到雾节点资源分配最优解包括:
设置粒子群算法的初始化参数,所述初始化参数包括随机生成粒子的起始位置X1、算法的迭代次数MG、粒子群的规模N和粒子的初始移动速度V1;
根据雾节点资源分配优化模型,获得初始化的邻域内的最优位置X1 gb和自身的历史最优位置X1 pb;
根据雾节点资源分配优化模型的约束条件,对上一轮粒子的位置、速度以及邻域内的最优位置和自身的历史最优位置进行更新,进行下一轮迭代求解;
循环迭代求解,直到迭代的次数达到规定的迭代次数MG,得到雾节点最优资源分配方案。
9.根据权利要求8所述的雾节点资源分配方法,其特征在于,根据雾节点资源分配优化模型的约束条件,通过如下方式对第i个粒子的运动速度Vi和位置Xi迭代更新:
Vi+1=wVi+c1r1(Xt pb-Xi)+c2r2(Xt gb-Xi);
Xi+1=Xi+Vi+1;
其中,Xt gb表示第t轮迭代对应的粒子邻域内的最优位置,Xt pb表示第t轮迭代粒子自身的历史最优位置,r1、r2用于调节粒子向邻域内的最优位置Xt gb、自身的历史最优位置Xt pb运动的权重,取值范围是(0,1),服从均匀分布,c1、c2用于设置粒子向邻域内的最优位置Xt gb、自身的历史最优位置Xt pb运动的加速度,w用于设置粒子继承当前运动速度Vi的权重。
11.根据权利要求8所述的雾节点资源分配方法,其特征在于,所述对邻域内的最优位置和自身的历史最优位置进行更新包括:
根据雾节点资源分配优化模型计算粒子的适应度函数f(Xi),对于当前第t轮迭代,如果f(Xt i)>f(Xt pb),则将Xt i赋值给Xt+1 pb;如果f(Xt pb)>f(Xt gb),则将Xt+1 pb赋值给Xt+1 gb。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520063.5A CN111784029A (zh) | 2020-06-09 | 2020-06-09 | 一种雾节点资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520063.5A CN111784029A (zh) | 2020-06-09 | 2020-06-09 | 一种雾节点资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784029A true CN111784029A (zh) | 2020-10-16 |
Family
ID=72755780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010520063.5A Pending CN111784029A (zh) | 2020-06-09 | 2020-06-09 | 一种雾节点资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784029A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472844A (zh) * | 2021-05-26 | 2021-10-01 | 北京邮电大学 | 面向车联网的边缘计算服务器部署方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180109428A1 (en) * | 2016-10-19 | 2018-04-19 | Tata Consultancy Services Limited | Optimal deployment of fog computations in iot environments |
CN109951869A (zh) * | 2019-03-01 | 2019-06-28 | 重庆邮电大学 | 一种基于云雾混合计算的车联网资源分配方法 |
-
2020
- 2020-06-09 CN CN202010520063.5A patent/CN111784029A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180109428A1 (en) * | 2016-10-19 | 2018-04-19 | Tata Consultancy Services Limited | Optimal deployment of fog computations in iot environments |
CN109951869A (zh) * | 2019-03-01 | 2019-06-28 | 重庆邮电大学 | 一种基于云雾混合计算的车联网资源分配方法 |
Non-Patent Citations (2)
Title |
---|
何秀丽等: "面向医疗大数据的云雾网络及其分布式计算方案", 《西安交通大学学报》 * |
孙岩: "雾计算环境下资源管理模型及算法研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113472844A (zh) * | 2021-05-26 | 2021-10-01 | 北京邮电大学 | 面向车联网的边缘计算服务器部署方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491790B (zh) | 基于容器的工业物联网边缘计算资源分配方法及*** | |
CN108804227B (zh) | 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 | |
CN110231976B (zh) | 一种基于负载预测的边缘计算平台容器部署方法及*** | |
CN110069341B (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
CN111984381A (zh) | 一种基于历史数据预测的Kubernetes资源调度优化方法 | |
Mechalikh et al. | PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments | |
CN112187859B (zh) | 物联网业务与边缘网络能力动态映射的方法及电子设备 | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
CN113946431A (zh) | 一种资源调度方法、***、介质及计算设备 | |
Wu et al. | A mobile edge computing-based applications execution framework for Internet of Vehicles | |
Tuli et al. | SplitPlace: AI augmented splitting and placement of large-scale neural networks in mobile edge environments | |
CN115543626A (zh) | 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法 | |
Uma et al. | Optimized intellectual resource scheduling using deep reinforcement Q‐learning in cloud computing | |
Nguyen et al. | Flexible computation offloading in a fuzzy-based mobile edge orchestrator for IoT applications | |
Li | Optimization of task offloading problem based on simulated annealing algorithm in MEC | |
Kim et al. | Partition placement and resource allocation for multiple DNN-based applications in heterogeneous IoT environments | |
CN111784029A (zh) | 一种雾节点资源分配方法 | |
Devagnanam et al. | Design and development of exponential lion algorithm for optimal allocation of cluster resources in cloud | |
Hussein et al. | Efficient Computation Offloading of IoT-Based Workflows Using Discrete Teaching Learning-Based Optimization. | |
CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及*** | |
CN114693141B (zh) | 一种基于端边协同的变电站巡检方法 | |
Kain et al. | Worker resource characterization under dynamic usage in multi-access edge computing | |
Li et al. | A cost‐efficient and QoS‐aware adaptive placement of applications in fog computing | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
Anwar et al. | Heteroedge: Addressing asymmetry in heterogeneous collaborative autonomous systems |
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: 20201016 |
|
RJ01 | Rejection of invention patent application after publication |