一种基于松弛度与蚁群系统的关联任务调度策略技术方案

本发明专利技术属于云雾计算领域，具体是一种在物联网场景下关联任务调度策略，目标在不破坏任务间优先约束关系的前提下，考虑了综合任务截止期限和任务处理的总能耗方面。主要分为两个步骤：A.基于松弛度的优先级算法得到优先级序列；B.基于蚁群系统的约束优化算法实现任务分配。本发明专利技术针对云雾计算领域提出的LBP‑ACS调度算法在解决具有混合截止期限的关联任务调度问题上，可以在提高任务调度成功率的同时，有效的降低能量消耗。

An Associated Task Scheduling Strategy Based on Relaxation Degree and Ant Colony System

【技术实现步骤摘要】
一种基于松弛度与蚁群系统的关联任务调度策略
本专利技术属于云雾计算领域，具体是在物联网场景下关联任务调度目标在不破坏任务间优先约束关系的前提下，考虑综合任务截止期限和任务处理的总能耗方面，制定基于松弛度与蚁群系统的关联任务调度策略。
技术介绍
智能交通、智能家居、智能医疗等物联网场景中包含大量复杂的应用程序，许多应用程序由多个执行不同任务的模块组成，而且大量的任务之间存在密切的联系。可见，在云雾计算框架下，不仅存在相互独立的任务，还存在具有优先级约束关系的任务。存在优先级约束关系的任务只有在得到它所有前驱任务的结果信息才能被执行，而不能并行处理所有的任务，由此可见具有关联的任务调度面临难度和挑战。关联任务的调度策略不仅要考虑到任务间的相互依赖关系、通信代价以及优先级，而且还要充分考虑到用户的需求，例如任务混合的截止时间限制，降低能耗等。以智能交通系统为代表的物联网场景中，其中交通信号灯、手机、传感器、CCTV监控拍摄器等联网设备通过无线网络连接到雾设备，雾设备通过光纤连接到云计算数据中心。雾节点通过传感器或CCTV监控拍摄器接收交通环境中的数据，从而探测出靠近的行人和车辆的速度，进一步和邻近的信号灯互动，基于以上信息，雾设备向车辆发出警告信息，通过调节邻近绿灯周期避免发生碰撞或拥堵[59]，同时将收集的高峰时刻、突发状况地点等交通信息发送到云服务器上进行统计分析，最终将详细的道路资讯返回给用户。整个过程中，车辆收到警告信息、智能信号灯调节周期以及用户智能设备收到交通路况信息等应用任务的截止日期各不相同，并且任务间存在优先级约束关系。在上述场景中，通过雾节点和云节点的合作，协同处理具有相互依赖和混合截止期限的任务组成的应用程序，满足低延迟的处理和分析交通信息，保证交通安全和顺畅。同时考虑到全球能耗飙升的大趋势，低能耗计算亟待解决。降低云雾资源能耗，一方面可以降低生产成本，另一方面可以节能减排，保护环境，实现绿色计算。通过云雾资源协同计算，有效利用资源，保证满足DAG任务的混合截止时间的需求。因此本文将研究云雾计算框架下，具有混合截止期限的相互依赖任务的任务调度问题。
技术实现思路
1.一种基于松弛度与蚁群系统的关联任务调度策略主要包括以下两个步骤：A.基于松弛度的优先级算法(LBPA)得到优先级序列：LBPA算法旨在通过递归的方法计算每个任务的松弛度，进而根据松弛度计算出每个关联子任务的优先级，最终将基于DAG的任务图转化为有序的任务序列。任务的松弛度表示任务最晚截止时间之前可延迟的最长时间，来衡量任务的紧急程度或时间敏感程度。B.基于蚁群系统的约束优化算法(COA-ACS)实现任务分配：采用上文中的LBPA算法，获得DAG任务图中任务的优先级序列TaskList，接下来，将关联任务调度问题和蚁群系统结合，提出基于蚁群系统的约束优化任务调度算法，从而为TaskList序列里的任务vi选择恰当的云或雾节点。在次优化算法中首先要初始化信息素，其具体计算方法如下：其中，Fz是贪心算法分配方案的总处理能耗。然后选择资源和计算启发式信息，其具体计算方法如下：其中，τij(t)是在第t次迭代中路径edge(i,j)上的信息素，α,β分别为控制参数，allowedk表示第k只蚂蚁可以选择的云或雾资源,表示轮盘赌选择资源的概率规则。然后进行本地信息素更新，其具体计算方法如下：τij(t)＝(1-ξ)×τij(t)+ξ×τ0其中，ξ(0≤ξ≤1)是信息素挥发因子。然后进行全局信息更新，其具体计算方法如下：τij(t+1)＝(1-ρ)×τij(t)+ρ×Δτijk本专利技术对比已有技术具有以下显著优点：1.在处理任务的过程中考虑到了任务之间的关联性，因而采用了基于松弛度的优先级任务调度算法，从而可以使时间敏感性强的任务能够优先被调度。2.在任务分配过程中，将关联任务调度问题和蚁群系统结合，提出基于蚁群系统的约束优化任务调度算法，从而在考虑任务优先级的条件下减少了能耗。附图说明图1是本专利技术的总体流程图。图2是一个DAG任务图输入过程图。图3是一个算法调度长度对比图。图4是一个算法能耗对比图。图5是一个算法失败率对比图。具体实施方式下面结合附图，说明本专利技术的实施方式。实施例中假定一个智能交通系统场景，任务图描述了车辆收到警告信息、智能信号灯调节周期以及用户智能设备收到交通路况信息等应用任务之间的依赖关系，由于任务的性质不同，因此每个任务对延迟的敏感程度不同，即每个任务的截止时间不同。图1是本专利技术的总体流程图，关联任务的调度策略具体实现方式为：A.基于松弛度的优先级算法(LBPA)得到优先级序列：LBPA算法旨在通过递归的方法计算每个任务的松弛度，进而根据松弛度计算出每个关联子任务的优先级，最终将基于DAG的任务图转化为有序的任务序列。任务的松弛度表示任务最晚截止时间之前可延迟的最长时间，来衡量任务的紧急程度或时间敏感程度。B.基于蚁群系统的约束优化算法(COA-ACS)实现任务分配：采用上文中的LBPA算法，获得DAG任务图中任务的优先级序列TaskList，接下来，将关联任务调度问题和蚁群系统结合，提出基于蚁群系统的约束优化任务调度算法，从而为TaskList序列里的任务vi选择恰当的云或雾节点。在次优化算法中首先要初始化信息素，其具体计算方法如下：其中，Fz是贪心算法分配方案的总处理能耗。然后选择资源和计算启发式信息，其具体计算方法如下：其中，τij(t)是在第t次迭代中路径edge(i,j)上的信息素，α,β分别为控制参数，allowedk表示第k只蚂蚁可以选择的云或雾资源,表示轮盘赌选择资源的概率规则。然后进行本地信息素更新，其具体计算方法如下：τij(t)＝(1-ξ)×τij(t)+ξ×τ0其中，ξ(0≤ξ≤1)是信息素挥发因子。然后进行全局信息更新，其具体计算方法如下：τij(t+1)＝(1-ρ)×τij(t)+ρ×Δτijk。本文档来自技高网...

【技术保护点】
1.一种基于松弛度与蚁群系统的关联任务调度策略主要包括以下两个步骤：A.基于松弛度的优先级算法(LBPA)得到优先级序列：LBPA算法旨在通过递归的方法计算每个任务的松弛度，进而根据松弛度计算出每个关联子任务的优先级，最终将基于DAG的任务图转化为有序的任务序列。任务的松弛度表示任务最晚截止时间之前可延迟的最长时间，来衡量任务的紧急程度或时间敏感程度。B.基于蚁群系统的约束优化算法(COA‑ACS)实现任务分配：采用上文中的LBPA算法，获得DAG任务图中任务的优先级序列TaskList，接下来，将关联任务调度问题和蚁群系统结合，提出基于蚁群系统的约束优化任务调度算法，从而为TaskList序列里的任务vi选择恰当的云或雾节点。在次优化算法中首先要初始化信息素，其具体计算方法如下：

【技术特征摘要】
1.一种基于松弛度与蚁群系统的关联任务调度策略主要包括以下两个步骤：A.基于松弛度的优先级算法(LBPA)得到优先级序列：LBPA算法旨在通过递归的方法计算每个任务的松弛度，进而根据松弛度计算出每个关联子任务的优先级，最终将基于DAG的任务图转化为有序的任务序列。任务的松弛度表示任务最晚截止时间之前可延迟的最长时间，来衡量任务的紧急程度或时间敏感程度。B.基于蚁群系统的约束优化算法(COA-ACS)实现任务分配：采用上文中的LBPA算法，获得DAG任务图中任务的优先级序列TaskList，接下来，将关联任务调度问题和蚁群系统结合，提出基于蚁群系统的约束优化任务调度算法，从而为TaskLi...

【专利技术属性】
技术研发人员：徐九韵，李苗，孙小婷，郝壮远，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37