面向雾计算的成本效率优化的动态自适应任务调度方法技术

本发明专利技术涉及雾计算技术领域，具体涉及一种面向雾计算的成本效率优化的动态自适应任务调度方法，包括：根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率R

【技术实现步骤摘要】
面向雾计算的成本效率优化的动态自适应任务调度方法
本专利技术涉及雾计算
，具体涉及一种面向雾计算的成本效率优化的动态自适应任务调度方法。
技术介绍
随着信息系统的日益复杂化、数据的急剧增加和网络的飞速发展，人们对计算、存储的需求越来越高，传统的计算存储模式已经不能满足用户的需求。作为回应，云计算的“随用随付”模式使人们能够以相对较低的价格访问所需的各种资源。渐渐成为人们存储、管理数据的一种主流方式。然而传统云计算需要将数据发送至集中的云数据中心进行处理和存储，这对于当今车联网等移动物联网来说是不可接受的，同时，传输数据带来的高时延也使得云计算不适用于时延敏感的场景。为了克服了这一限制，人们提出了雾计算模式，通过在云服务层和用户层之间引入中间雾层，其作用是在雾节点处理时延敏感的任务请求或者将数据传输至云层进行计算和存储，从而将云服务扩展到网络边缘，以减少延迟和网络拥塞。作为一个新兴的研究热点，雾计算自提出以来，人们就对其进行了广泛的研究，研究的重点主要集中在雾计算体系架构和任务资源选择调度策略两方面。从总体来说，雾计算体系架构分为云-雾-终端的三层架构和雾-终端的两级架构，在任务资源选择调度上，则考虑的是如何安排和放置任务从而将收益最大化。为了保证良好的用户体验，现阶段服务提供商通常都会维持最大化QoS的资源调度策略,在造成不必要的资源浪费的同时还存在着用户QoS和成本无法平衡的问题，因此，研究面向雾计算的成本模型和QoS状态感知的资源调度方法具有重要意义。
技术实现思路
r>为了在于保障用户QoS的前提下准确减少运行成本，本专利技术提出一种面向雾计算的成本效率优化的动态自适应任务调度方法，包括：S1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率Rqos；S2、根据QoS违反率Rqos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；S3、不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；S4、根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点。进一步的，QoS违反率Rqos表示为：其中，vk为参数k的冲突次数，sk为参数k的成功次数，tk代表总次数。进一步的，步骤S3具体包括：其中，Fg是策略函数；Ctotal为不易察觉状态采用的调度策略；QoStotal为不可用状态采用的调度策略；QpC为可容忍状态采用的调度策略。进一步的，不易察觉状态采用的调度策略Ctotal表示为：可容忍状态采用的调度策略Qpc表示为：不可用状态采用的调度策略QoStotal表示为：其中，N为雾节点的数量，Ci(k)为任务k在节点i的成本；μk表示第k个参数的权值，n表示QoS参数个数，Qosk表示第k个参数的QoS值；QoStotal表示不可用状态采用的调度策略，Ctotal表示不易察觉状态采用的调度策略。进一步的，任务k在节点i的成本Ci(k)表示为：Ci(k)＝Renti(k)-Incomei(k)；Renti(k)＝(PrSi(k)+BSi(k)+χ)t；Incomei(k)＝PsSi(k)t；其中，Renti(k)为任务k在节点i的租用成本，Si(k)表示任务k所需资源部，B表示为节点的带宽价格，Pr表示雾节点i的单位租用价格，χ代表节点单位能耗价格；Incomei(k)为节点i处任务k的收入，Ps表示雾节点i的单位收益，t表示计算时间。进一步的，第k个参数的QoS值表示为：其中，f(Rqos)为服务质量函数。进一步的，服务质量函数f(Rqos)表示为：其中，Rqos表示当前节点的QoS违反率；Rqosmax为当前所有节点中最大的QoS违反率；Rqosmin当前所有节点中最小的QoS违反率进一步的，根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点包括：S41、根据雾节点容量将所有雾节点进行从大到小的降序排序，得到雾节点容量集合；S42、从前到后遍历所有雾节点，查找容量满足当前任务k所需资源的节点，若不存在一个节点i，使节点容量Si满足k所需资源，则结束整个流程；S43、检测满足容量要求节点的节点信誉度，当前节点的信誉度取决于该节点历史完成任务的成功率以及完成时间；S44、将任务放置在满足节点容量要求且信誉度等级大于0.4的节点，同时更新节点容量，完成任务分配。本专利技术选取任务处理时延和吞吐量来计算评估系统当前QoS违反率，根据QoS违反率划分系统状态，引入一种基于节点租用成本以及任务收益的成本模型，更精确地衡量系统实际运行的成本，通过该调度策略框架，实现雾计算平台在保障系统QoS的前提下自适应准确降低成本。附图说明图1为本专利技术实施例的算法适用场景图；图2为本专利技术实施例的整体流程图；图3为本专利技术实施例的自适应任务调度策略图；图4为本专利技术实施例的虚拟机放置策略图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提出一种面向雾计算的成本效率优化的动态自适应任务调度方法，如图2，包括：S1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率Rqos；S2、根据QoS违反率Rqos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；S3、不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；S4、根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点。实施例1针对目前雾计算中存在的无法自适应的资源调度导致的减少成本的同时用户QoS无法得到保证的问题，本专利技术在已有的研究基础上，提出一种权衡QoS的成本模型以及QoS驱动的自适应资源调度方法，算法适用场景如图1所示，当分散的IoT节点将任务请求发送至雾集群管理节点，管理节点收到请求后根据请求的内容进行计算和分析，继而选择效益最高的调度策略，最后通过任务放置算法将任务分发到合适的节点上。本实施例中，定义Rqos为系统QoS违反率，表示了系统当前QoS与期望值的差距。模型选取参数包括：计算延迟：处理完当前任务所需时间；吞吐量：任务所需内存容量；违反上述一项即视为违反QoS,QoS违反率Rqos表示为：其中vk和sk分别表示的是参数k的冲突次本文档来自技高网...

【技术保护点】
1.面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，包括以下步骤：/nS1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率R

【技术特征摘要】
1.面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，包括以下步骤：
S1、根据预估的任务需求资源、时间要求计算节点的延迟以及吞吐量，并根据节点的延迟以及吞吐量获得QoS违反率Rqos；
S2、根据QoS违反率Rqos的值，将系统QoS状态划分不可用状态、可容忍状态和不易察觉状态；
S3、不可用状态下采用最大化QoS策略，可容忍状态采用最大化单位成本策略，不易察觉状态下采用成本最低策略；
S4、根据具体任务调度策略请求雾节点，通过使用FFD算法为任务分配合适的雾节点。


2.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，QoS违反率Rqos表示为：



其中，vk为参数k的冲突次数，sk为参数k的成功次数，tk代表总次数。


3.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，步骤S3具体包括：



其中，Fg是策略函数；Ctotal为不易察觉状态采用的调度策略；QoStotal为不可用状态采用的调度策略；Qpc为可容忍状态采用的调度策略。


4.根据权利要求1所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，不易察觉状态采用的调度策略Ctotal表示为：



可容忍状态采用的调度策略Qpc表示为：



不可用状态采用的调度策略QoStotal表示为：



其中，N为雾节点的数量，Ci(k)为任务k在节点i的成本；μk表示第k个参数的权值，n表示QoS参数个数，Qosk表示第k个参数的QoS值；QoStotal表示不可用状态采用的调度策略，Ctotal表示不易察觉状态采用的调度策略。


5.根据权利要求4所述的面向雾计算的成本效率优化的动态自适应任务调度方法，其特征在于，任务k在节点i的成本Ci(k)表示为：
Ci...

【专利技术属性】
技术研发人员：李鸿健，陈庚，熊安萍，蒋溢，田文洪，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50