CN112291335A - 移动边缘计算中的优化任务调度方法 - Google Patents

Abstract

一种移动边缘计算中的优化任务调度方法，根据历史数据预估任务迁移失败的数量，将任务调度问题建模成关于计算资源分配变量和任务调度变量的最小化的优化问题，然后将其转化为只关于任务调度变量的集合函数优化问题，根据构造得到的目标函数的线性近似函数得到的适用所有情况的初级调度策略，进一步当用户的计算能力相对于服务器的计算能力比较弱时，根据构造得到的目标函数的子模近似函数得到次级调度策略，最终通过初级调度策略和次级调度策略得到优化任务调度策略。本发明在面对可能出现的硬件和软件故障时能够使计算任务的延迟保持在较低水平。

Description

移动边缘计算中的优化任务调度方法

技术领域

本发明涉及的是一种移动边缘计算领域的技术，具体涉及一种移动边缘计算中的优化任务调度方法。

背景技术

由于各种移动应用程序和物联网(IoT)的快速发展，云基础架构和无线网络面临着诸如超低延迟，高可靠性和用户体验连续性的严格要求。这些需求使网络边缘的终端用户迫切需要高度本地化的服务，而移动边缘计算中的一个基本和关键问题是用户请求的调度问题，即确定应将哪个任务迁移到哪个边缘节点进行远程执行，以满足各种性能要求。

与移动云计算相比，移动边缘计算在任务迁移中面临以下独有的不确定性。首先，与移动云计算大多通过可靠的有线链路完成任务迁移不同，由于边缘服务器通常在本地无线接入点或蜂窝基站上部署，因此移动边缘计算任务通常通过不可靠的无线链路迁移到边缘节点。此外，无线网络连接故障、边缘服务器的可靠性较低等等不确定性均会使任何预优化的任务迁移策略失败，从而导致很大的性能损失，例如较大的响应时间。

发明内容

本发明针对现有技术存在的上述不足，提出一种移动边缘计算中的优化任务调度方法，在面对可能出现的硬件和软件故障时能够使计算任务的延迟保持在较低水平。

本发明是通过以下技术方案实现的：

本发明涉及一种移动边缘计算中的优化任务调度方法，根据历史数据预估任务迁移失败的数量，将任务调度问题建模成关于计算资源分配变量和任务调度变量的最小化的优化问题，然后将其转化为只关于任务调度变量的集合函数优化问题，根据构造得到的目标函数的线性近似函数得到的适用所有情况的初级调度策略，进一步当用户的计算能力相对于服务器的计算能力比较弱时，根据构造得到的目标函数的子模近似函数得到次级调度策略，最终通过初级调度策略和次级调度策略得到优化任务调度策略。

所述的根据历史数据预估是指：根据历史数据中发生任务迁移失败的情况，使用逻辑线性回归的方法估计将来可能发生的任务迁移失败的数量。

所述的关于计算资源分配变量和任务调度变量的最小化的优化问题包括：

优化目标：最小化计算任务的总延迟

其中：

限制条件：

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，x_ns为是否将任务n迁移到边缘服务器s的标识变量，为任务调度的方案，f_ns为边缘服务器s分配给用任务n的计算资源，为计算资源分配的方案，

为将任务n迁移到边缘服务器s处理的总延迟，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，

为任务n在本地处理的总延迟，α_n为任务n的输入数据大小，β_n为任务n的输出数据大小，

为边缘服务器s的上行带宽，

为边缘服务器s的下行带宽，γ_ns为用户设备n和边缘服务器s之间上行线路的信噪比，γ'_ns为用户设备n和边缘服务器s之间的下行线路的信噪比，w_n为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力。

所述的转化是指：将计算资源分配变量和任务调度变量的最小化的优化问题表示为只包含任务调度变量的优化问题，即：

最小化

限制条件：

构建任务调度集合A和任务调度变量x_ns的关系：A＝{(n,s)|x_ns＝1,n∈N,s∈S}，将目标函数记为g(A)，再将对变量x_ns的约束

转化为对集合A的约束

其中：1_(n,s)∈A为指示函数，当(n,s)∈A成立时函数值为1，否则为0，这个约束为拟阵约束，记为τ。

所述的只关于任务调度变量的集合函数优化问题，可以解得计算资源分配的最优闭式解为

其中：

为任务调度变量为X时的最优的计算资源分配，表示边缘服务器s分配给用任务n的计算资源，x_ns为是否将任务n迁移到边缘服务器s的标识变量，w_n为任务n的计算量。

所述的目标函数的线性近似函数为

所述的根据构造得到的目标函数的线性近似函数得到的初级调度策略，具体包括：

i)初始化集合A，Γ为空集，取全集

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，集合中的元素(n,s)为将计算任务n迁移到边缘服务器s。

ii)当Γ不等于Ω时，重复步骤iii，iv，v，否则执行步骤vi。

iii)取单元素集

其中：v为集合Ω\Γ中的元素，argmax为取使得函数值最大的单元素集的操作，e为使得函数值最大的单元素集合中的元素。

iv)当A∪{e}∈τ时，更新集合A为A∪{e}。

v)更新集合Γ为Γ∪{v}。

vi)对于集合A中的每一个元素(n,s)，将任务n迁移到边缘服务器s。

所述的用户的计算能力相对于服务器的计算能力比较弱是指：

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，w_n为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力。

所述的目标函数的子模近似函数为

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，w_n为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力，1_(n,s)∈A指示函数，(n,s)∈A时值为1，否则值为0。

所述的根据构造得到的目标函数的子模近似函数得到包含两步贪心的次级调度策略。

所述的两步贪心，具体为在第一步贪心过程中选取使得目标函数最大的调度策略对应的元素，在第二步贪心过程中选取使得目标函数的边缘值最大的调度策略对应的元素，这两步得到的集合的并集作为算法的任务调度策略的结果，具体步骤包括：

i)初始化集合A₁和A₂并设置Γ₁，Γ₂为空集，取全集

ii)当Γ₁不等于Ω时，重复步骤iii，iv，v，否则执行步骤vi。

iii)取单元素集

其中：v为集合Ω\Γ中的元素，argmax为取使得函数值最大的单元素集的操作，e为使得函数值最大的单元素集合中的元素。

iv)当A₁∪{e}∈τ且|A₁∪{e}|≤k时，更新集合A₁为A₁∪{e}。

v)更新集合Γ₁为Γ₁∪{e}。

vi)当集合Γ₂不等于Ω\A₁时，Ω\A₁为集合Ω和A₁的差集，重复步骤vii，viii，ix，否则执行步骤x。

vii)取单元素集

其中：v为集合Ω\Γ中的元素，e表示argmax表示取使得函数值最大的单元素集的操作，e为使得函数值最大的单元素集合中的元素。

viii)当A₁∪A₂∪{e}∈τ时，更新集合A₂为A₂∪{e}，否则跳过本步骤。

ix)更新集合Γ₂为Γ₂∪{e}。

x)取A＝A₁∪A₂并对于A中的每一个元素(n,s)，将任务n迁移到边缘服务器s。

技术效果

本发明整体解决了现有技术在面对移动边缘计算环境中可能出现的硬件和软件故障时，没有考虑移动边缘计算环境中的不确定因素，没有任何鲁棒性的设计，从而导致可能出现的硬件和软件故障会导致很大的服务性能损失，例如较大的任务响应时间、计算任务的延迟较高的问题。

与现有技术相比，本发明通过鲁棒的移动边缘计算中的优化任务调度方法，使得在面临移动边缘计算环境中可能出现的硬件和软件故障时，能够使计算任务的延迟保持在较低水平。

附图说明

图1为边缘计算网络的示意图；

图2为模拟实验的不同任务迁移失败数量情况下总任务时延的示意图。

具体实施方式

如图1所示，为本实施例涉及一种边缘计算中优化任务调度方法，在一个拥有着50个边缘服务器的边缘计算网络中模拟调度100个计算任务，设置任务的输入数据大小取值范围为[420,1000]KB、设置任务计算量和输入数据的比值为[330,960]cycles/byte、设置用户设备的计算能力为[0.2,1.5]GHz，设置边缘服务器s的计算能力取值范围约为20GHz、设置随机算法(Random)、迭代优化算法(JSAC’18)、启发式算法(Heuristic)作为对比项，一共取了10组进行对照，本实施例具体包括以下步骤：

第一步、根据历史数据通过逻辑线性回归的方法预估可能发生任务迁移失败的数量k，调研任务n的输入数据大小记为α_n、调研任务n的输出数据大小记为β_n、调研边缘服务器s的上行带宽记为

调研边缘服务器s的下行带宽记为

调研用户设备n和边缘服务器s之间上行线路的信噪比记为γ_ns、调研用户设备n和边缘服务器s之间的下行线路的信噪比记为γ'_ns、调研任务n的计算量记为w_n、调研用户设备n的计算能力记为

调研边缘服务器s的计算能力记为

如图1所示，为解释这一标准的例子，图中有N个计算任务，S个边缘服务器，可以通过无线网络将任务迁移到边缘服务器。

第二步、对计算资源分配和任务调度建立关于计算资源分配变量和任务调度变量的最小化的优化问题，具体为：

优化目标：最小化计算任务的总延迟

其中：

限制条件：

其中：x_ns为是否将任务n迁移到边缘服务器s的标识变量，表示任务调度的方案，f_ns为边缘服务器s分配给用任务n的计算资源，表示计算资源分配的方案，

为将任务n迁移到边缘服务器s处理的总延迟，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，

为任务n在本地处理的总延迟。

第三步、将步骤二优化问题表示为只包含任务调度变量的优化问题并解得计算资源分配的最优闭式解，具体为：

最小化

限制条件：

构建任务调度集合A和任务调度变量x_ns的关系：A＝{(n,s)|x_ns＝1,n∈N,s∈S}，将目标函数记为g(A)，再将对变量x_ns的约束

转化为对集合A的约束

其中：1_(n,s)∈A为指示函数，当(n,s)∈A成立时函数值为1，否则为0，这个约束为拟阵约束，记为τ。

所述的最优闭式解为

原问题可以表示为只包含任务调度变量的优化问题：

第四步、构造目标函数的线性近似函数

通过初级调度策略得到任务调度策略，具体步骤包括：

i)初始化集合A，Γ为空集，取全集

ii)当Γ不等于Ω时，重复步骤iii，iv，v。

iii)取单元素集

iv)当A∪{e}∈τ，那么更新集合A＝A∪{e}。

v)更新集合Γ＝Γ∪{v}。

vi)算法结果为A，对于A中的每一个元素(n,s)，将任务n迁移到边缘服务器s。

第五步、如图2所示，为不同任务迁移失败数量情况下总任务时延的示意图。当在用户的计算能力相对于服务器的计算能力比较弱，即满足以下条件时

构造目标函数的子模近似函数；其中：n表示计算任务的序号，s表示边缘服务器的序号，S表示所有边缘服务器的集合，N表示所有计算任务的集合，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，w_n为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力。

所述的子模近似函数为：

通过次级调度策略得到任务调度策略，具体步骤包括：

i)初始化集合A₁，A₂，Γ₁，Γ₂为空集，取全集

ii)当Γ₁不等于Ω时，重复步骤iii，iv，v。

iii)取单元素集

iv)当A₁∪{e}∈τ而且|A₁∪{e}|≤k，更新集合A₁＝A₁∪{e}。

v)更新集合Γ₁＝Γ₁∪{e}。

vi)当集合Γ₂不等于Ω\A₁时，重复步骤vii，viii，ix。

vii)取单元素集

viii)当A₁∪A₂∪{e}∈τ，更新集合A₂＝A₂∪{e}。

ix)更新集合Γ₂＝Γ₂∪{e}。

x)取A＝A₁∪A₂，输出算法结果为A，并对于A中的每一个元素(n,s)，将任务n迁移到边缘服务器s。

在上述情况下优先使用次级调度策略；在上述条件不满足时则只能使用初级调度策略，不能使用次级调度策略。在本实施例中，实验的设置满足上述条件，所以我们同时展示了初级调度策略和次级调度策略的效果。可以看出，在不同的任务调度失败数量的情况下，本发明通过初级调度策略和次级调度策略得到优化任务调度策略的性能明显优于其他的对比算法。具体来说，本发明所提鲁棒算法的总任务时延相对于随机算法、迭代优化算法和启发式算法分别减少了2218.2ms,27976.9ms和5285.8ms。

经过具体实际实验，本实施例在发生任务迁移失败的数量分别为1-10时，通过鲁棒任务初级调度策略能够达到的总任务时延分别为40.5s,48.1s,55.8s,59.6s,63.2s,66.8s,70.4s,73.9s,77.4s,80.8s；通过鲁棒任务次级调度策略能够达到的总任务时延分别为41.9s,49.6s,57.1s,60.8s,64.4s,68.0s,71.5s,75.0s,78.5s,81.8s。如图2所示，为不同任务迁移失败数量情况下总任务时延的示意图。可以看出，在不同的任务调度失败数量的情况下，本方法的性能明显优于其他的对比算法。具体来说，本方法的总任务时延相对于随机算法、迭代优化算法和启发式算法分别减少了2218.2ms,27976.9ms和5285.8ms。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种移动边缘计算中的优化任务调度方法，其特征在于，根据历史数据预估任务迁移失败的数量，将任务调度问题建模成关于计算资源分配变量和任务调度变量的最小化的优化问题，然后将其转化为只关于任务调度变量的集合函数优化问题，根据构造得到的目标函数的线性近似函数得到的适用所有情况的初级调度策略，进一步当用户的计算能力相对于服务器的计算能力比较弱时，根据构造得到的目标函数的子模近似函数得到次级调度策略，最终通过初级调度策略和次级调度策略得到优化任务调度策略；

所述的根据历史数据预估是指：根据历史数据中发生任务迁移失败的情况，使用逻辑线性回归的方法估计将来可能发生的任务迁移失败的数量。

2.根据权利要求1所述的移动边缘计算中的优化任务调度方法，其特征是，所述的关于计算资源分配变量和任务调度变量的最小化的优化问题包括：

优化目标：最小化计算任务的总延迟

其中：

限制条件：

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，x_ns为是否将任务n迁移到边缘服务器s的标识变量，为任务调度的方案，f_ns为边缘服务器s分配给用任务n的计算资源，为计算资源分配的方案，

为将任务n迁移到边缘服务器s处理的总延迟，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，

为任务n在本地处理的总延迟，α_n为任务n的输入数据大小，β_n为任务n的输出数据大小，

为边缘服务器s的上行带宽，

为边缘服务器s的下行带宽，γ_ns为用户设备n和边缘服务器s之间上行线路的信噪比，γ′_ns为用户设备n和边缘服务器s之间的下行线路的信噪比，w_n为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力。

3.根据权利要求1所述的移动边缘计算中的优化任务调度方法，其特征是，所述的转化是指：将计算资源分配变量和任务调度变量的最小化的优化问题表示为只包含任务调度变量的优化问题，即：

最小化

限制条件：

构建任务调度集合A和任务调度变量x_ns的关系：A＝{(n，s)|x_ns＝1，n∈N，s∈S}，将目标函数记为g(A)，再将对变量x_ns的约束

转化为对集合A的约束

其中：1_(n，s)∈A为指示函数，当(n，s)∈A成立时函数值为1，否则为0，这个约束为拟阵约束，记为τ。

4.根据权利要求1所述的移动边缘计算中的优化任务调度方法，其特征是，所述的只关于任务调度变量的集合函数优化问题，解得计算资源分配的最优闭式解为

其中：

为任务调度变量为X时的最优的计算资源分配，表示边缘服务器s分配给用任务n的计算资源，x_ns为是否将任务n迁移到边缘服务器s的标识变量，w_n为任务n的计算量。

5.根据权利要求1所述的移动边缘计算中的优化任务调度方法，其特征是，所述的目标函数的线性近似函数为

根据构造得到的目标函数的线性近似函数得到的初级调度策略，具体包括：

i)初始化集合A，Γ为空集，取全集

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，集合中的元素(n，s)为将计算任务n迁移到边缘服务器s；

ii)当Γ不等于Ω时，重复步骤iii，iv，v，否则执行步骤vi；

iii)取单元素集

其中：v为集合Ω\Γ中的元素，argmax为取使得函数值最大的单元素集的操作，e为使得函数值最大的单元素集合中的元素；

iv)当A∪{e}∈τ时，更新集合A为A∪{e}；

v)更新集合Γ为Γ∪{v}；

vi)对于集合A中的每一个元素(n，s)，将任务n迁移到边缘服务器s。

6.根据权利要求1所述的移动边缘计算中的优化任务调度方法，其特征是，所述的用户的计算能力相对于服务器的计算能力比较弱是指：

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，wn为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力。

7.根据权利要求1所述的移动边缘计算中的优化任务调度方法，其特征是，所述的目标函数的子模近似函数为

其中：n为计算任务的序号，s为边缘服务器的序号，S为所有边缘服务器的集合，N为所有计算任务的集合，

为将任务n上传到边缘服务器所需的时间，

为将任务n的计算结果从边缘服务器s下载到用户设备所需的时间，w_n为任务n的计算量，

为用户设备n的计算能力，

为边缘服务器s的计算能力，1_(n，s)∈A指示函数，(n，s)∈A时值为1，否则值为0。

8.根据权利要求1或7所述的移动边缘计算中的优化任务调度方法，其特征是，所述的根据构造得到的目标函数的子模近似函数得到包含两步贪心的次级调度策略；

所述的两步贪心，具体为在第一步贪心过程中选取使得目标函数最大的调度策略对应的元素，在第二步贪心过程中选取使得目标函数的边缘值最大的调度策略对应的元素，这两步得到的集合的并集作为算法的任务调度策略的结果，具体步骤包括：

i)初始化集合A₁和A₂并设置Γ₁，Γ₂为空集，取全集

ii)当Γ₁不等于Ω时，重复步骤iii，iv，v，否则执行步骤vi；

iii)取单元素集

其中：v为集合Ω\Γ中的元素，argmax为取使得函数值最大的单元素集的操作，e为使得函数值最大的单元素集合中的元素；

iv)当A₁∪{e}∈τ且|A₁∪{e}|≤k时，更新集合A₁为A₁∪{e}；

v)更新集合Γ₁为Γ₁∪{e}；

vi)当集合Γ₂不等于Ω\A₁时，Ω\A₁为集合Ω和A₁的差集，重复步骤vii，viii，ix，否则执行步骤x；

vii)取单元素集

其中：v为集合Ω\Γ中的元素，e表示argmax表示取使得函数值最大的单元素集的操作，e为使得函数值最大的单元素集合中的元素；

viii)当A₁∪A₂∪{e}∈τ时，更新集合A₂为A₂∪{e}，否则跳过本步骤；

ix)更新集合Γ₂为Γ₂∪{e}；

x)取A＝A₁∪A₂并对于A中的每一个元素(n，s)，将任务n迁移到边缘服务器s。

Images