面向SLA的云边协同资源编排与请求调度智能优化方法技术

本发明专利技术公开了一种面向SLA的云边协同资源编排与请求调度智能优化方法，包括如下步骤：S1，对神经网络的训练参数及边缘集群内边缘节点状态进行初始化；S2，获取当前时间尺度下服务请求的相关数据、资源通道内资源单元的状态；S3，获取每个边缘节点预分配给资源单元的资源；S4，根据预分配资源分配相应的资源给资源单元；S5，基于最大化系统整体吞吐量问题对每个资源通道并行求解获取服务编排集合；S6，根据服务编排集合进行服务编排，将当前边云系统下的吞吐率作为奖励；S7，更新神经网络；S8，按照以上方法依次迭代直至训练收敛。本发明专利技术为边云系统的服务编排和请求指派提供了智能化策略有效的保证了各种用户服务的SLA。策略有效的保证了各种用户服务的SLA。策略有效的保证了各种用户服务的SLA。

【技术实现步骤摘要】
面向SLA的云边协同资源编排与请求调度智能优化方法


[0001]本专利技术属于边缘计算
，特别是涉及一种面向SLA的云边协同资源编排与请求调度智能优化方法。

技术介绍

[0002]随着万物互联时代的到来和无线网络的不断发展，网络边缘的设备数量和产生的数据都快速增长。以云计算模型为核心的集中式处理模式将无法高效处理边缘设备产生的数据，为此我们在云原生技术的基础上引入边缘计算技术。边缘计算技术旨在利用云计算的计算能力，而不会在访问云端时产生较大的通信延迟，但要实现边缘计算的全部潜力，仍旧需要将有限的边缘云资源分配给竞争请求的智能策略。
[0003]作为云计算的延伸，边云系统有力的减轻了主干网络和云中心的负载压力，降低了请求的排队时延和传输时延。然而，边云系统依旧面临：(1)边缘节点的资源和系统架构的异构性；(2)多种服务对不同资源的恶性竞争；(3)网络资源和请求负载的随机动态变化。因此，广泛分布的边缘节点和相互异构的边缘集群在竞争的用户请求之间分配有限的资源并给用户提供可靠的服务方面带来了重大挑战。
专利技术内容
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向SLA的云边协同资源编排与请求调度智能优化方法，其特征在于，包括如下步骤：S1，训练环境及训练参数初始化：对神经网络的训练参数及边缘集群内边缘节点的状态进行初始化；S2，获取系统初始观测值：获取当前时间尺度下服务请求的相关数据、与服务请求相对应的资源通道内资源单元的状态；S3，动作获取：获取每个边缘节点预分配给资源单元的资源；S4，资源定制操作执行：根据步骤S3得到的预分配资源分配相应的资源给到资源单元完成资源定制；S5，服务编排集合计算：基于当前时间尺度和最大化系统整体吞吐量问题对每个资源通道并行求解获取服务编排集合；S6，服务编排操作执行：根据步骤S5得到的服务编排集合进行服务编排，将当前边云系统下的吞吐率作为奖励，获取下一状态的观测值；S7，更新神经网络：根据当前时间尺度下的观测值、动作、奖励及下一状态的观测值更新神经网络的参数；S8，按照步骤S3
‑
S7的方法依次进行迭代直至训练收敛。2.根据权利要求1所述的面向SLA的云边协同资源编排与请求调度智能优化方法，其特征在于，在步骤S1中，所述训练参数包括深度强化学习模型中的学习率、折扣因子、神经网络层数、神经元个数，所述边缘节点的状态包括边缘节点的资源计算能力、内存大小、边缘节点的集合。3.根据权利要求1所述的面向SLA的云边协同资源编排与请求调度智能优化方法，其特征在于，在步骤S2中，所述相关数据包括服务请求的数量及种类、服务请求到达边缘节点的资源需求及延迟需求、服务请求的SLA集合；所述资源单元的状态包括资源单元的资源计算能力和内存大小。4.根据权利要求1所述的面向SLA的云边协同资源编排与请求调度智能优化方法，其特征在于，所述步骤S5包括如下步骤：S5.1，初始化服务编排集合S＝φ，对预设服务编排集合T进行赋值使得T＝{δ|δ∈L
q
×
M
q
\S,∑l:(l,m)∈S∪{δ}r
q,l
≤R
q,m
}，其中，δ表示服务编排集合L
q
×
M
q
中的一个元素，φ表示空集，r
q,l
表示加载服务l所需的内存，R
q,m
表示资源单元m∈M
q
的内存大小，L
q
表示资源通道q的服务集合，M
q
表示资源通道q中资源单元的集合，且服务l∈L
q
；S5.2，计算预设服务编排集合T中的元素δ
*
，且元素...

【专利技术属性】
技术研发人员：鞠艳丽，王晓飞，王鑫，任远铭，
申请(专利权)人：天津大学，
类型：发明
国别省市：