一种融合边缘设施的云服务综合调度优化系统及方法技术方案

本发明专利技术提供了一种融合边缘设施的云服务综合调度优化系统及方法，属于通信技术领域，包括终端设备、与所述终端设备连接的边缘服务器以及分别与所述边缘服务器连接的边缘资源设备和云端服务器。本发明专利技术通过模式识别从终端设施上传的任务中提取各类特征为依据进行分类，之后通过运行态数据特征进行强化学习机制修正分类，实现调度，在运行任务时，边缘服务器对边缘资源保持控制和监控，进行资源分配、调度，从而充分利用系统资源，优化系统效率，有效地减少核心网络带宽负荷，提高系统整体资源使用率，提升任务执行效率，并且通过边缘计算设备、技术弥补云计算系统中心化导致的无法满足时延要求的任务。

A cloud service integrated scheduling optimization system and method based on edge facilities

【技术实现步骤摘要】
一种融合边缘设施的云服务综合调度优化系统及方法
本专利技术属于通信
，尤其涉及一种融合边缘设施的云服务综合调度优化系统及方法。
技术介绍
随着物联网、5G通信和无线网络等技术的飞速发展，网络边缘接入的设备数量快速增长，网络边缘设备产生的数据也呈现出爆炸式增长的趋势。据思科预测，2020年连接到网络的无线设备数量将超过500亿台，据IDC(InternetDataCenter)预测，2020年全球数据总量也将超过40ZB。在这种情形下，以云计算模型为核心的集中式处理方式将无法适应边缘数据爆炸式增长的趋势。云计算是实行边缘计算的基础构成框架，之后所提出的边缘计算以及机器学习的调度方式都是在云计算有所欠缺的地方进行弥补。云计算的主要技术支撑为虚拟化技术、分布式技术和网络存储技术，虚拟化技术是在云计算环境中部署虚拟化实例的主要手段，通过每个虚拟机在宿主机上允许其OS，与主机共享底层CPU、存储和网络等资源，从而实现实例级的隔离，传统的云平台就是在基础设施服务器以及存储设备等硬件资源的基础上，通过向用户提供虚拟机实现托管化、弹性化的算力服务本文档来自技高网...

【技术保护点】
1.一种融合边缘设施的云服务综合调度优化系统，其特征在于，包括终端设备、与所述终端设备连接的边缘服务器以及分别与所述边缘服务器连接的若干个边缘资源设备和云端服务器；/n所述终端设备，用于通过提交任务数据至云端服务器触发边缘服务器的调度行为，并分别提取所述任务数据与补充的任务数据的初始特征向量，并融合提取的初始特征向量得到最终的特征向量；/n所述边缘服务器，用于根据最终的特征向量对任务进行分类，并利用DAG调度图对不同的任务类别进行子任务拆分处理，将所述子任务下发至边缘资源设备或上传至云端服务器；/n所述边缘资源设备，用于对不同的任务类别进行并行化运算；以及用于收集子任务的运行态特征及消耗量，并...

【技术特征摘要】
1.一种融合边缘设施的云服务综合调度优化系统，其特征在于，包括终端设备、与所述终端设备连接的边缘服务器以及分别与所述边缘服务器连接的若干个边缘资源设备和云端服务器；
所述终端设备，用于通过提交任务数据至云端服务器触发边缘服务器的调度行为，并分别提取所述任务数据与补充的任务数据的初始特征向量，并融合提取的初始特征向量得到最终的特征向量；
所述边缘服务器，用于根据最终的特征向量对任务进行分类，并利用DAG调度图对不同的任务类别进行子任务拆分处理，将所述子任务下发至边缘资源设备或上传至云端服务器；
所述边缘资源设备，用于对不同的任务类别进行并行化运算；以及用于收集子任务的运行态特征及消耗量，并融合至提取的初始特征向量中，形成新的特征向量，并存储新的特征向量；
所述云端服务器，用于根据新的特征向量对边缘资源设备的资源用量进行Q-table建模，并利用Q-table模型的行为效益完成对云服务综合调度的优化。


2.根据权利要求1所述的融合边缘设施的云服务综合调度优化系统，其特征在于，所述边缘资源设备包括计算资源单元、存储单元以及监控单元；
所述计算资源单元，用于对不同的任务类别进行并行化运算，以及用于收集子任务的运行态特征以及消耗量，并融合至初始特征向量中，形成新的特征向量；
所述存储单元，用于存储新的特征向量；
所述监控单元，用于监控当前边缘资源设备的资源用量。


3.一种融合边缘设施的云服务综合调度优化方法，其特征在于，包括以下步骤：
S1、通过终端设备提交任务数据至云端服务器触发边缘服务器的调度行为；
S2、利用边缘服务器在数据历史库中对所述任务数据进行检索，判断是否存在相同的任务数据，若是，则预先调用对应的历史调度信息作为补充的任务数据，并进入步骤S3，否则，直接进入步骤S3；
S3、由边缘资源设备在边缘服务器上进行注册，并利用边缘服务器对边缘资源设备进行监控；
S4、分别提取所述任务数据与补充的任务数据的初始特征向量，并融合提取的初始特征向量得到最终的特征向量；
S5、利用机器学习算法对所述最终的特征向量进行聚类分析，并根据分析结果得到不同的任务类别；
S6、利用DAG调度图对所述不同的任务类别进行子任务拆分处理，并将子任务按照不同的分配方式运行；
S7、预测子任务的消耗量，并利用边缘服务器对子任务的消耗量进行监控和反馈；
S8、根据子任务的消耗量获取子任务的运行态特征，并将子任务的运行态特征以及消耗量融合至提取的初始特征向量中，形成新的特征向量；
S9、根据所述新的特征向量对边缘资源设备的资源用量进行Q-table建模；
S10、判断Q-table模型的行为效益是否低于预设的阈值，若是，则进入步骤S11，否则，结束流程，完成对云服务综合调度的优化；
S11、重新触发边缘服务器的调度，并利用Q-table模型分配任务类别，更新边缘资源设备的资源用量，判断是否有下一个子任务的拆分，若是，则返回步骤S6，否则，结束流程，完成对云服务综合调度的优化。


4.根据权利要求3所述的融合边缘设施的云服务综合调度优化方法，其特征在于，所述步骤S4中任务数据的初始特征向量的表达式如下：
Fi＝{f1,f2,....fn}
其中，Fi表示任务数据的初始特征向量，fn表示当前特征向量的第n个特征；
所述最终的特征向量的表达式如下：



其中，Fi*表示最终的特征向量，Fhi表示补充任务数据的特征向量，embedding(·)表示特征融合，表示当前特征向量的...

【专利技术属性】
技术研发人员：文军，徐浩翔，张汪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51