CN114691372A - 一种多媒体端边云***的群体智能控制方法 - Google Patents

一种多媒体端边云***的群体智能控制方法 Download PDF

Info

Publication number
CN114691372A
CN114691372A CN202210403583.7A CN202210403583A CN114691372A CN 114691372 A CN114691372 A CN 114691372A CN 202210403583 A CN202210403583 A CN 202210403583A CN 114691372 A CN114691372 A CN 114691372A
Authority
CN
China
Prior art keywords
energy consumption
response time
task
terminal
value
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
Application number
CN202210403583.7A
Other languages
English (en)
Inventor
左路路
纪雯
王耀威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202210403583.7A priority Critical patent/CN114691372A/zh
Publication of CN114691372A publication Critical patent/CN114691372A/zh
Pending legal-status Critical Current

Links

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • 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
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5021—Priority

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开了一种多媒体端边云***的群体智能控制方法，方法包括：获取异构网络中任务请求的属性信息；根据任务请求的属性信息，对任务进行优先级排序，得到若干优先级等级；计算任务的总能耗值和任务的总响应时间值；其中，一个优先级等级与多个任务对应；根据任务请求的属性信息、总能耗值和总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。本发明实施例通过对多媒体端边云***中各节点进行组合方案部署以使各节点都能分配高效的能耗需求和较低的响应延时需求。

Description

一种多媒体端边云***的群体智能控制方法
技术领域
本发明涉及网络资源分配技术领域，尤其涉及的是一种多媒体端边云***的群体智能控制方法。
背景技术
随着智慧城市的不断发展，移动视频、移动社交网络和3D视频等给城市治理带来了高度复杂的流量模式，特别是多媒体***数据量的急剧增长，对于数据的传输和处理带来了极大挑战，它需要强大的计算资源和网络资源才能保证***的正常运行。近年来，随着对端边云的不断分析，复杂多媒体端边云***实现了智慧城市节点的智能化部署与动态调整。通过实时监控、管理***中的用户、车辆、移动手机、及摄像头布局位置、损坏情况等数据特征的分析，多媒体端边云***能够对终端数据信息进行特征提取，并基于该信息生成边缘节点的部署方案，同时使得生成的布局策略具有对终端用户变化的适应性，实现智能化的部署。相对于原始的人工部署，在边节点上，可以实现高效管理大规模异构动态访问的终端设备，特别是针对终端设备的动态增加导致大量突发网络流量的情况，能够进行边节点的动态管理，实现资源的合理分配。但是现有的群体智能控制方法无法确保所有终端、边缘服务器和云服务器都能分配高效的能耗需求和较低的响应延时需求。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种多媒体端边云***的群体智能控制方法，旨在解决现有技术中群体智能控制方法无法确保所有终端、边缘服务器和云服务器都能分配高效的能耗需求和较低的响应延时需求的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种多媒体端边云***的群体智能控制方法，其特征在于，所述方法包括：
获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
在一种实现方式中，所述任务的个数为若干个，每个任务包括若干子任务；终端的个数为若干个；所述计算所述任务的总能耗值和所述任务的总响应时间值包括：
针对每个终端中的每个子任务，计算每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值；
根据每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值。
在一种实现方式中，所述针对每个终端中的每个子任务，计算每个终端中每个子任务的第一能耗值和每个终端中每个子任务的第一响应时间值包括：
针对每个终端，计算每个终端执行每个子任务时的第一初始能耗值和第一初始响应时间值；
计算从每个终端到边缘服务器的路径上执行每个子任务时的第二初始能耗值和第二初始响应时间值；
计算从每个终端经边缘服务器到云服务器的路径上执行每个子任务时的第三初始能耗值和第三初始响应时间值；
将所述第一初始能耗值、所述第二初始能耗值和所述第三初始能耗值相加，得到每个终端中每个子任务的第一能耗值；
获取所述第一初始响应时间值、所述第二初始响应时间值和所述第三初始响应时间值中的最大值，得到每个终端中每个子任务的第一响应时间值。
在一种实现方式中，所述根据每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值包括：
将每个终端中所有子任务的第一能耗值相加，得到每个终端中每个任务的第二能耗值；
获取每个终端中所有子任务的第一响应时间值的最大值，得到每个终端中每个任务的第二响应时间值；
根据每个终端中每个任务的第二能耗值和每个终端中每个任务的第二响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值。
在一种实现方式中，所述根据每个终端中每个任务的第二能耗值和每个终端中每个任务的第二响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值包括：
将每个终端中所有任务的第二能耗值相加，得到每个终端中第三能耗值；
将所有终端的第三能耗值相加，得到多媒体端边云***的总能耗值；
获取所有终端中每个任务的第二响应时间值的最大值，得到所有终端中每个任务的第三响应时间值；
将所有终端中每个任务的第三响应时间值相加，得到多媒体端边云***的总响应时间值。
在一种实现方式中，所述根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案包括：
基于预设的第一规则，根据所述任务请求的属性信息，对每个任务进行节点分配，得到每个任务对应的若干节点；其中，所述节点用于表征终端、边缘服务器或云服务器的连接点；
当节点为边缘服务器或云服务器时，获取节点的计算能力，其中，所述计算能力用于表征服务器的运算处理能力；基于预设的第二规则，根据节点的计算能力，对各个节点进行分组，得到两个子集组；根据两个所述子集组，对若干所述节点进行更新，得到若干更新的节点；
根据若干优先级等级、若干更新的节点、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案。
在一种实现方式中，所述根据若干优先级等级、若干更新的节点、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案包括：
获取若干更新的节点的传输方式；
获取所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值；
针对每个优先级等级，根据所述节点、所述节点对应的传输方式、所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案。
在一种实现方式中，所述根据所述节点、所述节点对应的传输方式、所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案包括：
将总能耗值大于预设的能耗阈值的传输方式归类到可支配解集合，并记录可支配解集合中的总能耗值；将总能耗值小于或者等于预设的能耗阈值的传输方式归类到非可支配解集合；其中，所述非可支配解集合为最优解集合；所述可支配解集合为除最优解集合以外的集合；将总响应时间值小于预设的响应时间阈值的传输方式归类到非可支配解集合，并记录非可支配解集合中的总响应时间值；将总响应时间值大于或者等于预设的响应时间阈值的传输方式归类到可支配解集合；将可支配解集合中的节点和节点对应的传输方式作为第一初始方案；将非可支配解集合中的节点和节点对应的传输方式作为第二初始方案；
对可支配解集合中的第一初始方案进行排序；
基于拥挤度策略，将可支配解集合中的第一初始方案进行加权，以使得排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的差值大于预设的阈值；
基于最优性学习策略和次优性学习策略，对加权后的第一初始方案进行更新计算和性能排序，得到更新的第一初始方案；
基于预设的淘汰策略，对更新的第一初始方案进行淘汰处理，得到中间部署方案；
对中间部署方案进行复制，得到目标部署方案；
对非可支配解集合中的第二初始方案进行性能排序，并获取排序第一的第二初始方案；
当排序第一的第二初始方案中的总能耗值比目标部署方案中的总能耗值小并且排序第一的第二初始方案中的总响应时间值比目标部署方案中的总响应时间值小时，将排序第一的第二初始方案作为目标部署方案；
重复执行基于拥挤度策略，将可支配解集合中的第一初始方案进行加权，以使得排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的差值大于预设的阈值的步骤，直至得到最优的目标部署方案。
在一种实现方式中，所述方法还包括：
当所述任务请求的属性信息被更新时，根据更新的所述任务请求的属性信息，重新执行对所述任务进行优先级排序，得到若干优先级等级；计算所述任务的总能耗值和所述任务的总响应时间值；根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小的步骤。
第二方面，本发明实施例还提供一种多媒体端边云***的群体智能控制装置，其中，所述装置包括：任务请求的属性信息获取模块，用于获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
总能耗值和总响应时间值计算模块，用于根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
方案优化部署模块，用于根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案，,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的多媒体端边云***的群体智能控制方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的多媒体端边云***的群体智能控制方法。
本发明的有益效果：本发明实施例首先获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；然后根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；最后根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小；可见，本发明实施例中通过对多媒体端边云***中各节点进行组合方案部署以使各节点都能分配高效的能耗需求和较低的响应延时需求。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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一种多媒体端边云***的群体智能控制方法流程示意图。
图2为本发明实施例提供的端边云***的节点传输方式的结构图。
图3为本发明实施例提供的群体智能控制方法的实施框架图。
图4为本发明实施例提供的边节点自主组合优化部署方案框架图。
图5为本发明实施例提供的一种多媒体端边云***的群体智能控制装置的原理框图。
图6为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了一种多媒体端边云***的群体智能控制方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中的方法：一个包括云平台、异构网络、边缘控制***、边缘控制子***和智能终端的边缘网络控制***，在异构数据处理上，支持多种链路，通过异构网络的自主切换，实现多通道的异构数据传输，在任务调度上，对通信方式设立优先级别的同时也根据时延要求对业务进行优先级区分、提出了一种改进的静态优先权多任务调度方式，根据任务的延迟和能耗给出设备的任务卸载策略和端-边缘云的资源分配策略，实现业务的并发运行和时延，能耗降低的目的。这种方法的缺陷是：该方法本身只针对异构，多通道的终端数据，而忽略了云服务器和边缘服务器所能提供的有限资源，各服务器间自身存在的合作、竞争关系。特别是在当前多媒体传输下，无线设备和计算资源分配分别影响着数据传输速率、设备能耗和任务延迟的情况下，该方法均无法给出具体适应于实际生活时延和能耗需求。
为了解决现有技术的问题，本实施例提供了一种多媒体端边云***的群体智能控制方法，通过对多媒体端边云***中各节点进行组合方案部署以使各节点都能分配高效的能耗需求和较低的响应延时需求。具体实施时，首先获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；然后根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；最后根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
示例性方法
本实施例提供一种多媒体端边云***的群体智能控制方法，该方法可以应用于网络资源分配的智能终端。具体如图1所示，所述方法包括：
步骤S100、获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
具体地，异构网络如图2所示，是由不同的制造商生产的终端、服务器组成的网络；任务请求用于表征终端向边缘服务器发送任务的请求指令；所述任务请求的属性信息包括任务传输的时延需求、任务所处流程顺序的序号和任务的资源需求，如任务的到达时间，任务的流程顺序序号、以及任务的可容带宽限制和算力限制等。
得到异构网络中任务请求的属性信息后，就可以执行如图1所示的如下步骤：S200、根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
具体地，根据时延的紧迫性需求，任务所处流程顺序的序号大小以及对带宽、资源的需求程度设定平衡权重对任务进行优先级排序，时延需求越紧迫、流程序号越小、资源需求越高，则优先级越靠前。这样，就给出了K个划分等级：ζ1,ζ2,...,ζK，一个优先等级中包含多个任务，任务之间存在可分割属性任务和不可分割属性任务，并且，一个优先等级中的多个任务具有并行计算性。实际中，按照优先等级从高到低的顺序(高优先等级、次高优先等级......低优先等级)，将一个优先等级中的多个任务输入到多媒体端边云***中。
本发明所涉及的方法需要在多个边缘服务器和多个云服务器之间进行，存在着服务器间的拓扑结构，如图2所示，每个任务分别可以在终端、边缘服务器和云服务器上进行，且云服务器不只有一个，各个云服务器间存在着竞争和协作关系，针对摄像头等无法在本地进行卸载的设备，只能在边缘服务器或者云服务器进行卸载；考虑到终端与云服务器之间的距离，这里不考虑由终端直接到云服务器的卸载方式；如图3所示，复杂端边云***边节点动态管理的部署需要考虑执行任务的能耗和响应时间，设计最小化能耗和最短响应时间作为端边云***评估模型的两大目标；将终端任务的数据量、可用计算能力、耗费计算能力和能耗，以及云服务器的可用带宽、传输带宽、可用计算能力、耗费计算能力和能耗参数传给边缘节点处的复杂多媒体端边云***的群体智能控制，实施边节点的自主部署、任务下发；这是一个基于能耗和响应时间的多目标问题，本发明需要根据任务的延迟和能耗给出设备的任务部署策略以及在端-边-云节点的资源分配策略，资源分配策略有两个目标：目标之一：能耗最小化，能耗最小化意味着任务在终端、边缘服务器和云服务器上执行处理，以及整体的传输过程、服务器的迁移过程所消耗的能耗之和最小；目标之二：响应时间最小化，响应时间最小化意味着任务在终端、边缘服务器和云服务器上执行时间、以及整体的传输时间、服务器的迁移时间和任务排队等待的时间之和最小。为此，先要计算所述任务的总能耗值和所述任务的总响应时间值。在本实施例中，任务量数为N,索引为i＝1,2,...,N，；移动终端的个数为U,索引为u＝1,2,...U，每个终端同一时刻可能存在多条任务请求，任务只在本地终端、边、云节点执行，且由于任务请求返回的延迟和能耗相对于请求时很微小，这里忽略不计；任务在服务器上执行的同时存在着任务的迁移过程，每个任务只在边之间迁移一次，云之间迁移一次，且不可返回。边缘服务器的个数为S,索引为s＝1,2,...S；云服务器的个数为M,索引为m＝1,2,...M。在这里，任务按照可分割和不可分割进行划分。可以分割的任务，针对每个任务i存在对应的J个匹配子任务集合j＝{1,2,...J}，假设第i个任务可以分割为3个子任务，则J＝3，该子任务集合为{(i,1),(i,2),(i,3)}，各子任务之间可以并行计算，针对不可分割任务，即表示J＝1。
在步骤S200中，所述任务的个数为若干个，每个任务包括若干子任务；终端的个数为若干个；所述计算所述任务的总能耗值和所述任务的总响应时间值包括如下步骤：针对每个终端中的每个子任务，计算每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值；根据每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值。
在一种实现方式中，所述针对每个终端中的每个子任务，计算每个终端中每个子任务的第一能耗值和每个终端中每个子任务的第一响应时间值包括如下步骤：针对每个终端，计算每个终端执行每个子任务时的第一初始能耗值和第一初始响应时间值；计算从每个终端到边缘服务器的路径上执行每个子任务时的第二初始能耗值和第二初始响应时间值；计算从每个终端经边缘服务器到云服务器的路径上执行每个子任务时的第三初始能耗值和第三初始响应时间值；将所述第一初始能耗值、所述第二初始能耗值和所述第三初始能耗值相加，得到每个终端中每个子任务的第一能耗值；获取所述第一初始响应时间值、所述第二初始响应时间值和所述第三初始响应时间值中的最大值，得到每个终端中每个子任务的第一响应时间值
具体地，针对每个终端u，通过公式(1)计算每个终端执行每个子任务时的第一初始能耗值，通过公式(2)计算每个终端执行每个子任务时的第一初始响应时间值：
Figure BDA0003601329340000121
Figure BDA0003601329340000122
其中，
Figure BDA0003601329340000123
表示在终端u上执行第i个任务的第j个子任务的能量消耗；
Figure BDA0003601329340000124
表示在终端u上执行第i个任务的第j个子任务的响应时间；C(i,j)是执行第i个任务的第j个子任务所需要的CPU资源数；
Figure BDA0003601329340000125
是终端u的计算服务能力；
Figure BDA0003601329340000126
是终端u单位时间的计算功耗。
通过公式(3)计算从每个终端到边缘服务器的路径上执行每个子任务时的第二初始能耗值；通过公式(4)计算从每个终端到边缘服务器的路径上执行每个子任务时的第二初始响应时间值：
Figure BDA0003601329340000131
Figure BDA0003601329340000132
Figure BDA0003601329340000133
其中，第一部分是任务由终端到第一个边缘服务器w的传输时间，第二部分是由边缘服务器w迁移到相邻边缘服务器s的传输时间，第三部分为第i个任务的第j个子任务在边缘服务器s上执行所花费的时间；
Figure BDA0003601329340000134
表示从终端u到边缘服务器s上执行第i个任务的第j个子任务的能量消耗之和；
Figure BDA0003601329340000135
表示从终端u到边缘服务器s上执行第i个任务的第j个子任务的整体响应时间；
Figure BDA0003601329340000136
是终端u传输到边缘服务器s的单位时间计算能耗；
Figure BDA0003601329340000137
是终端u传输到边缘服务器w的单位时间计算能耗；
Figure BDA0003601329340000138
是由边缘服务器w迁移到边缘服务器s上的单位时间传输能耗，若w＝s时，表示直接在边缘服务器s上执行，未发生迁移，此时
Figure BDA0003601329340000139
此时引入固定参数
Figure BDA00036013293400001310
如公式(5)；
Figure BDA00036013293400001311
是终端u传输到边缘服务器s的传输带宽；
Figure BDA00036013293400001312
是终端u到边缘服务器w的传输带宽；
Figure BDA00036013293400001313
是边缘服务器w迁移到边缘服务器s上的传输带宽，若w＝s时，
Figure BDA00036013293400001314
是终端u传输到边缘服务器s的上行带宽；
Figure BDA00036013293400001315
是边缘服务器s计算执行任务单位时间消耗的能耗；
Figure BDA00036013293400001316
是边缘服务器s的计算服务能力；D(i,j)表示第i个任务的第j个子任务由终端传输执行在边缘服务器的数据大小；
Figure BDA0003601329340000141
表示第i个任务的第j个子任务在边缘服务器s上由于其他进程造成的等待时间。
通过公式(6)计算从每个终端经边缘服务器到云服务器的路径上执行每个子任务时的第三初始能耗值；通过公式(7)计算从每个终端经边缘服务器到云服务器的路径上执行每个子任务时的第三初始响应时间值：
Figure BDA0003601329340000142
Figure BDA0003601329340000143
Figure BDA0003601329340000144
其中，第一部分是任务由终端u先到边缘服务器s的传输时间；第二部分是边缘服务器s到云服务器上z的传输时间；第三部分是由云服务器z迁移到相邻云服务器m上所传输的时间；第四部分是第i个任务的第j个子任务在云服务器m上执行处理时所需的时间；
Figure BDA0003601329340000145
表示从从终端u经过边缘服务器s到云服务器m上执行第i个任务的第j个子任务的能量消耗之和；
Figure BDA0003601329340000146
表示从从终端u经过边缘服务器s到云服务器m上执行第i个任务的第j个子任务的整体响应时间；
Figure BDA0003601329340000147
由边缘服务器s传输到云服务器z上的单位时间所消耗的能耗；
Figure BDA0003601329340000148
是由云服务器z迁移到云服务器m上的单位时间消耗的能耗，若z＝m时，
Figure BDA0003601329340000149
此时引入固定参数
Figure BDA00036013293400001410
如公式(8)；
Figure BDA00036013293400001411
是边缘服务器s传输到云服务器z的上行带宽；
Figure BDA00036013293400001412
是云服务器z迁移到云服务器m的传输带宽，若z＝m时，
Figure BDA0003601329340000151
是边缘服务器s传输到云服务器m的传输带宽，
Figure BDA0003601329340000152
是云服务器m计算执行任务单位时间消耗的能耗；
Figure BDA0003601329340000153
是云服务器m的计算服务能力；
Figure BDA0003601329340000154
表示第i个任务的第j个子任务在云服务器m上的由于其他进程造成的等待时间。
然后，将所述第一初始能耗值、所述第二初始能耗值和所述第三初始能耗值相加，得到每个终端中每个子任务的第一能耗值；获取所述第一初始响应时间值、所述第二初始响应时间值和所述第三初始响应时间值中的最大值，得到每个终端中每个子任务的第一响应时间值；接着将每个终端中所有子任务的第一能耗值相加，得到每个终端中每个任务的第二能耗值；获取每个终端中所有子任务的第一响应时间值的最大值，得到每个终端中每个任务的第二响应时间值；将每个终端中所有任务的第二能耗值相加，得到每个终端中第三能耗值；将所有终端的第三能耗值相加，得到多媒体端边云***的总能耗值，为了使得总能耗值最小，如公式(9)，获取所有终端中每个任务的第二响应时间值的最大值，也即得到所有终端中每个任务的第三响应时间值如下式：
Figure BDA0003601329340000155
其中，T(i)为每个优先级等级下所有任务的最大响应时间。将所有终端中每个任务的第三响应时间值相加，得到多媒体端边云***的总响应时间值，为了使得总响应时间值最小，如公式(10)：
Figure BDA0003601329340000156
Figure BDA0003601329340000157
约束条件：
Figure BDA0003601329340000158
Figure BDA0003601329340000159
Figure BDA0003601329340000161
Figure BDA0003601329340000162
其中，
Figure BDA0003601329340000163
表示第i个任务的第j个子任务不在本地执行，
Figure BDA0003601329340000164
表示第i个任务的第j个子任务在本地执行；存在多个子任务在同一终端并行执行,总资源数小于该终端的计算能力，即公式(12)；
Figure BDA0003601329340000165
表示第i个任务的第j个子任务是否由边缘服务器s执行；当第i个任务的第j个子任务在边缘服务器s上执行时
Figure BDA0003601329340000166
此时满足
Figure BDA0003601329340000167
否则
Figure BDA0003601329340000168
存在来自于不同终端的多个子任务在同一边缘服务器并行执行，总资源数小于该终端的计算能力，即公式(13)；
Figure BDA0003601329340000169
表示第i个任务的第j个子任务是否由云服务器m执行的参数；当第i个任务的第j个子任务在云服务器m上执行时
Figure BDA00036013293400001610
此时满足
Figure BDA00036013293400001611
否则
Figure BDA00036013293400001612
存在来自于不同边缘服务器的多个子任务在同一云服务器并行执行,总资源数小于该终端的计算能力，即公式(14)。
得到所述任务的总能耗值和所述任务的总响应时间值后就可以执行如图1所示的如下步骤：S300、根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案，,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
步骤S300具体包括如下步骤：
S301、基于预设的第一规则，根据所述任务请求的属性信息，对每个任务进行节点分配，得到每个任务对应的若干节点；其中，所述节点用于表征终端、边缘服务器或云服务器的连接点；
S302、当节点为边缘服务器或云服务器时，获取节点的计算能力，其中，所述计算能力用于表征服务器的运算处理能力；基于预设的第二规则，根据节点的计算能力，对各个节点进行分组，得到两个子集组；根据两个所述子集组，对若干所述节点进行更新，得到若干更新的节点；
S303、根据若干优先级等级、若干更新的节点、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案。
在步骤S301之前先进行初始化，如初始化终端、边缘服务器、云服务器的属性信息以及最大的种群个体数、最大迭代次数，其中，最大的种群个体数(如40)、最大迭代次数(如4000)均需要后期经过参数分析确定，初始化只是根据以往经验给出估计值。预设的第一规则为：剔除与终端的距离较远的边缘服务器以及云服务器；剔除边缘服务器以及云服务器的计算能力较弱的，如边缘服务器以及云服务器的计算能力小于预设计算能力阈值。根据任务的属性(任务传输的时延需求、任务所处流程顺序的序号和任务的资源需求)得到的优先级等级，按照从高到低的优先级等级顺序，将每个任务分配一个端、边、云的节点，以减少解的空间。
在步骤S302中，当节点为边缘服务器或云服务器时，获取节点的计算能力，预设的第二规则为子集中的节点(边缘服务器或云服务器)均有足够的计算能力来执行计算任务，如边缘服务器或云服务器的计算能力大于任务的资源数量。这样，根据预设的第二规则，对各个节点进行分组，得到两个子集组：第一个子集组包含有足够计算能力来执行计算任务的服务器集合，第二个子集组是指剩余的服务器组合无法满足自身对任务的全部服务，从而需要将它们的任务转移给其他边缘服务器上。这样，对于第二个子集组而言，要对初始的节点进行更新，得到若干更新的节点。
步骤S303包括如下步骤：
S3031、获取若干更新的节点的传输方式；
S3032、获取所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值；
S3033、针对每个优先级等级，根据所述节点、所述节点对应的传输方式、所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案
具体地，对于第二个子集组而言，要对初始的节点进行更新，那么相应的节点的传输方式也被改变，故要获取若干更新的节点的传输方式；然后获取所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值，在一个传输方式中，任务可能在终端、边缘服务器或者云服务器中执行，根据公式(11)的约束条件得到，因此，一个传输方式对应一个总能耗值和一个总响应时间值。实际中，传输过程是将同一个优先级等级的所有任务进行并行处理，以提高网络的效率。不同优先级等级的任务处理在现有技术中已经有所涉及，在此不再赘述。在本实施例中，只针对同一个优先级等级中的所有任务进行如下步骤处理：将总能耗值大于预设的能耗阈值的传输方式归类到可支配解集合，并记录可支配解集合中的总能耗值；将总能耗值小于或者等于预设的能耗阈值的传输方式归类到非可支配解集合；其中，所述非可支配解集合为最优解集合；所述可支配解集合为除最优解集合以外的集合；将总响应时间值小于预设的响应时间阈值的传输方式归类到非可支配解集合，并记录非可支配解集合中的总响应时间值；将总响应时间值大于或者等于预设的响应时间阈值的传输方式归类到可支配解集合；将可支配解集合中的节点和节点对应的传输方式作为第一初始方案；将非可支配解集合中的节点和节点对应的传输方式作为第二初始方案；对可支配解集合中的第一初始方案进行排序；基于拥挤度策略，将可支配解集合中的第一初始方案进行加权，以使得排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的差值大于预设的阈值；其中，拥挤度策略为拥挤距离，也即排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的距离趋近于无限大，实际中不可能取无限大，可将无限大设定为一个较大的阈值(如40000)。使得基于最优性学习策略和次优性学习策略，对加权后的第一初始方案进行更新计算和性能排序，得到更新的第一初始方案；其中，最优性学习策略和次优性学习策略通过如下公式表示：
Figure BDA0003601329340000191
其中，Φ是更新后的种群策略的集合；Xset是未进行更新前的种群策略集合；η是更新步长；
Figure BDA0003601329340000192
与
Figure BDA0003601329340000193
分别是向着最优性策略Xoptimal和次优性策略Xsuboptimal的学习权重。基于预设的淘汰策略，对更新的第一初始方案进行淘汰处理，得到中间部署方案；其中，预设的淘汰策略为采用服务器之间的竞争关系，设定一个随机概率阈值，当服务器的计算能力小于随机概率阈值时，则将该服务器(边缘服务器或者云服务器)对应的节点删除，从而保证策略数量的稳定性。对中间部署方案进行复制，得到目标部署方案；记录其所对应的能耗值、响应时间值与最优部署方案；对非可支配解集合中的第二初始方案进行性能排序，并获取排序第一的第二初始方案，当排序第一的第二初始方案中的总能耗值比目标部署方案中的总能耗值小并且排序第一的第二初始方案中的总响应时间值比目标部署方案中的总响应时间值小时，将排序第一的第二初始方案作为目标部署方案；重复执行基于拥挤度策略，将可支配解集合中的第一初始方案进行加权，以使得排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的差值大于预设的阈值的步骤，直至得到最优的目标部署方案，也即迭代收敛，或者，迭代超过最大的迭代次数(如4000)时解集使得能耗值与响应时间值均不能更优，则输出目标部署方案的结果。
在一种实现方式中，如图4所示，当任务量出现随机流量需求或者服务器出现维修等状况时，此时，任务请求的属性信息的优先级等级发生改变，此时需要通过边缘节点的控制模块进行动态管理。当所述任务请求的属性信息被更新时，根据更新的所述任务请求的属性信息，重新执行对所述任务进行优先级排序，得到若干优先级等级，同样的，依然是将优先级等级高的任务优先进行方案部署。然后计算所述任务的总能耗值和所述任务的总响应时间值；根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小的步骤，也即进行实时更新部署，重新给出边节点部署方案，获取新的节点部署方案对应的最优的能耗值与响应时间值，记录最优部署结果，重新输出最优部署，也即目标部署方案。
本发明的亮点：
1.对多任务的资源量和请求时间的分析、排序和区域组队，为后续响应时间的计算提供了明确的数据支撑；
2.考虑服务器间的协作和竞争关系，构建了基于能耗和响应时间的多媒体***的端边云模型，并且设计了边缘服务器和云服务器间节点的动态拓扑结构，实现边节点部署的具体方案；
3.实现了边节点的动态管理，当任务量发生巨大变化服务器出现故障，增减等，本发明的群体智能控制方法均能给予对应的部署方案。
示例性设备
如图5中所示，本发明实施例提供一种多媒体端边云***的群体智能控制装置，该装置包括任务请求的属性信息获取模块401、总能耗值和总响应时间值计算模块402和方案优化部署模块403：任务请求的属性信息获取模块401，用于获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
总能耗值和总响应时间值计算模块402，用于根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
方案优化部署模块403，用于根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图6所示。该智能终端包括通过***总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多媒体端边云***的群体智能控制方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图6中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种多媒体端边云***的群体智能控制方法，方法包括：获取异构网络中任务请求的属性信息；根据任务请求的属性信息，对任务进行优先级排序，得到若干优先级等级；计算任务的总能耗值和任务的总响应时间值；其中，一个优先级等级与多个任务对应；根据任务请求的属性信息、总能耗值和总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案，其中，目标部署方案的总能耗值和总响应时间值是所有部署方案中最小的。本发明实施例通过对多媒体端边云***中各节点进行组合方案部署以使各节点都能分配高效的能耗需求和较低的响应延时需求。
基于上述实施例，本发明公开了一种多媒体端边云***的群体智能控制方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (13)

1.一种多媒体端边云***的群体智能控制方法，其特征在于，所述方法包括：
获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级，计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
2.根据权利要求1所述的多媒体端边云***的群体智能控制方法，其特征在于，所述任务请求的属性信息包括任务传输的时延需求、任务所处流程顺序的序号和任务的资源需求。
3.根据权利要求1所述的多媒体端边云***的群体智能控制方法，其特征在于，所述任务的个数为若干个，每个任务包括若干子任务；终端的个数为若干个；所述计算所述任务的总能耗值和所述任务的总响应时间值包括：
针对每个终端中的每个子任务，计算每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值；
根据每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值。
4.根据权利要求3所述的多媒体端边云***的群体智能控制方法，其特征在于，所述针对每个终端中的每个子任务，计算每个终端中每个子任务的第一能耗值和每个终端中每个子任务的第一响应时间值包括：
针对每个终端，计算每个终端执行每个子任务时的第一初始能耗值和第一初始响应时间值；
计算从每个终端到边缘服务器的路径上执行每个子任务时的第二初始能耗值和第二初始响应时间值；
计算从每个终端经边缘服务器到云服务器的路径上执行每个子任务时的第三初始能耗值和第三初始响应时间值；
将所述第一初始能耗值、所述第二初始能耗值和所述第三初始能耗值相加，得到每个终端中每个子任务的第一能耗值；
获取所述第一初始响应时间值、所述第二初始响应时间值和所述第三初始响应时间值中的最大值，得到每个终端中每个子任务的第一响应时间值。
5.根据权利要求3所述的多媒体端边云***的群体智能控制方法，其特征在于，所述根据每个终端中每个子任务的第一能耗值和每个子任务的第一响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值包括：
将每个终端中所有子任务的第一能耗值相加，得到每个终端中每个任务的第二能耗值；
获取每个终端中所有子任务的第一响应时间值的最大值，得到每个终端中每个任务的第二响应时间值；
根据每个终端中每个任务的第二能耗值和每个终端中每个任务的第二响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值。
6.根据权利要求5所述的多媒体端边云***的群体智能控制方法，其特征在于，所述根据每个终端中每个任务的第二能耗值和每个终端中每个任务的第二响应时间值，得到所述任务的总能耗值和所述任务的总响应时间值包括：
将每个终端中所有任务的第二能耗值相加，得到每个终端中第三能耗值；
将所有终端的第三能耗值相加，得到多媒体端边云***的总能耗值；
获取所有终端中每个任务的第二响应时间值的最大值，得到所有终端中每个任务的第三响应时间值；
将所有终端中每个任务的第三响应时间值相加，得到多媒体端边云***的总响应时间值。
7.根据权利要求1所述的多媒体端边云***的群体智能控制方法，其特征在于，所述根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案包括：
基于预设的第一规则，根据所述任务请求的属性信息，对每个任务进行节点分配，得到每个任务对应的若干节点；其中，所述节点用于表征终端、边缘服务器或云服务器的连接点；
当节点为边缘服务器或云服务器时，获取节点的计算能力，其中，所述计算能力用于表征服务器的运算处理能力；基于预设的第二规则，根据节点的计算能力，对各个节点进行分组，得到两个子集组；根据两个所述子集组，对若干所述节点进行更新，得到若干更新的节点；
根据若干优先级等级、若干更新的节点、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案。
8.根据权利要求7所述的多媒体端边云***的群体智能控制方法，其特征在于，所述根据若干优先级等级、若干更新的节点、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案包括：
获取若干更新的节点的传输方式；
获取所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值；
针对每个优先级等级，根据所述节点、所述节点对应的传输方式、所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案。
9.根据权利要求8所述的多媒体端边云***的群体智能控制方法，其特征在于，所述根据所述节点、所述节点对应的传输方式、所述传输方式对应的总能耗值和所述传输方式对应的总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案包括：
将总能耗值大于预设的能耗阈值的传输方式归类到可支配解集合，并记录可支配解集合中的总能耗值；将总能耗值小于或者等于预设的能耗阈值的传输方式归类到非可支配解集合；其中，所述非可支配解集合为最优解集合；所述可支配解集合为除最优解集合以外的集合；将总响应时间值小于预设的响应时间阈值的传输方式归类到非可支配解集合，并记录非可支配解集合中的总响应时间值；将总响应时间值大于或者等于预设的响应时间阈值的传输方式归类到可支配解集合；将可支配解集合中的节点和节点对应的传输方式作为第一初始方案；将非可支配解集合中的节点和节点对应的传输方式作为第二初始方案；
对可支配解集合中的第一初始方案进行排序；
基于拥挤度策略，将可支配解集合中的第一初始方案进行加权，以使得排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的差值大于预设的阈值；
基于最优性学习策略和次优性学习策略，对加权后的第一初始方案进行更新计算和性能排序，得到更新的第一初始方案；
基于预设的淘汰策略，对更新的第一初始方案进行淘汰处理，得到中间部署方案；
对中间部署方案进行复制，得到目标部署方案；
对非可支配解集合中的第二初始方案进行性能排序，并获取排序第一的第二初始方案；
当排序第一的第二初始方案中的总能耗值比目标部署方案中的总能耗值小并且排序第一的第二初始方案中的总响应时间值比目标部署方案中的总响应时间值小时，将排序第一的第二初始方案作为目标部署方案；
重复执行基于拥挤度策略，将可支配解集合中的第一初始方案进行加权，以使得排序第一的第一初始方案的权重和排序末尾的第一初始方案的权重的差值大于预设的阈值的步骤，直至得到最优的目标部署方案。
10.根据权利要求9所述的多媒体端边云***的群体智能控制方法，其特征在于，所述方法还包括：
当所述任务请求的属性信息被更新时，根据更新的所述任务请求的属性信息，重新执行对所述任务进行优先级排序，得到若干优先级等级；计算所述任务的总能耗值和所述任务的总响应时间值；根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小的步骤。
11.一种多媒体端边云***的群体智能控制装置，其特征在于，所述装置包括：
任务请求的属性信息获取模块，用于获取异构网络中任务请求的属性信息；其中，所述任务请求用于表征终端向边缘服务器发送任务的请求指令；
总能耗值和总响应时间值计算模块，用于根据所述任务请求的属性信息，对所述任务进行优先级排序，得到若干优先级等级,计算所述任务的总能耗值和所述任务的总响应时间值；其中，一个优先级等级与多个任务对应；
方案优化部署模块，用于根据所述任务请求的属性信息、所述总能耗值和所述总响应时间值，对多媒体端边云***中的终端、边缘服务器和云服务器的组合方案进行优化部署，得到多媒体端边云***的目标部署方案,以使得所述目标部署方案对应的总能耗值和总响应时间值最小。
12.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-10中任意一项所述的方法。
13.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-10中任意一项所述的方法。
CN202210403583.7A 2022-04-18 2022-04-18 一种多媒体端边云***的群体智能控制方法 Pending CN114691372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210403583.7A CN114691372A (zh) 2022-04-18 2022-04-18 一种多媒体端边云***的群体智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210403583.7A CN114691372A (zh) 2022-04-18 2022-04-18 一种多媒体端边云***的群体智能控制方法

Publications (1)

Publication Number Publication Date
CN114691372A true CN114691372A (zh) 2022-07-01

Family

ID=82142196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210403583.7A Pending CN114691372A (zh) 2022-04-18 2022-04-18 一种多媒体端边云***的群体智能控制方法

Country Status (1)

Country Link
CN (1) CN114691372A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116582873A (zh) * 2023-07-13 2023-08-11 湖南省通信建设有限公司 通过5g网络演算优化卸载任务降低延时和能耗的***
CN117271459A (zh) * 2023-11-17 2023-12-22 广东广宇科技发展有限公司 一种基于共享数据库的数据处理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116582873A (zh) * 2023-07-13 2023-08-11 湖南省通信建设有限公司 通过5g网络演算优化卸载任务降低延时和能耗的***
CN116582873B (zh) * 2023-07-13 2023-09-08 湖南省通信建设有限公司 通过5g网络演算优化卸载任务降低延时和能耗的***
CN117271459A (zh) * 2023-11-17 2023-12-22 广东广宇科技发展有限公司 一种基于共享数据库的数据处理方法
CN117271459B (zh) * 2023-11-17 2024-04-09 广东广宇科技发展有限公司 一种基于共享数据库的数据处理方法

Similar Documents

Publication Publication Date Title
CN106776005B (zh) 一种面向容器化应用的资源管理***及方法
JP7083476B1 (ja) ネットワークアクセスデバイスのリソース割り当て方法および装置
CN110493360A (zh) 多服务器下降低***能耗的移动边缘计算卸载方法
CN114691372A (zh) 一种多媒体端边云***的群体智能控制方法
CN111953758A (zh) 一种边缘网络计算卸载和任务迁移方法及装置
CN105487930A (zh) 一种基于Hadoop的任务优化调度方法
US20190324805A1 (en) Method, apparatus and computer program product for resource scheduling
CN114610474B (zh) 一种异构超算环境下多策略的作业调度方法及***
CN113032120A (zh) 一种基于边缘计算的工业现场大数据任务协调度方法
CN111132235A (zh) 基于改进hrrn算法和多属性决策的移动卸载迁移算法
CN106095529B (zh) 一种c-ran架构下的载波迁移方法
Wang et al. Microservice-oriented service placement for mobile edge computing in sustainable internet of vehicles
Chen et al. Latency minimization for mobile edge computing networks
CN113419867B (zh) 一种面向边云协同计算环境中节能的服务供应方法
CN114007225A (zh) Bwp的分配方法、装置、电子设备及计算机可读存储介质
CN114679451B (zh) 面向边缘计算的服务调度***及其调度方法
CN113672391B (zh) 一种基于Kubernetes的并行计算任务调度方法与***
Li et al. Dynamic computation offloading based on graph partitioning in mobile edge computing
CN113157459A (zh) 一种基于云服务的负载信息处理方法及***
CN114356548A (zh) 边缘计算服务的动态扩展及放置方法和装置
CN110990154A (zh) 一种大数据应用优化方法、装置及存储介质
CN114641041A (zh) 一种面向边缘智能的车联网切片方法及装置
CN111796933A (zh) 资源调度方法、装置、存储介质和电子设备
CN113159539B (zh) 多层边缘计算***中联合绿色能量调度和动态任务分配方法
CN113032146A (zh) 一种面向多接入边缘计算环境的健壮***供应方法

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