一种移动边缘网任务调度方法及系统技术方案

本发明专利技术提供一种移动边缘网任务调度方法及系统，所述方法包括：步骤1，根据各个任务的截止时间对任务进行排序，优先分配截止时间靠前的任务；步骤2，对于每个待分配的任务遍历服务器的状态，找到各服务器上满足延迟要求的时间窗口，在时间窗口寻找到最早满足资源需求的时间点；以及步骤3，计算各个服务器不同延时下的代价函数值，找到最大代价函数对应的服务器以及待分配的任务在该服务器上对应的延迟时间，并在所述延迟时间结束时将所述待分配的任务分配至所述服务器。务分配至所述服务器。务分配至所述服务器。

【技术实现步骤摘要】
一种移动边缘网任务调度方法及系统


[0001]本专利技术涉及移动边缘计算领域，尤其是一种移动边缘网任务调度方法及系统。

技术介绍

[0002]随着物联网(Internet of Things，IoT)、大数据(Big Data)、人工智能(Artificial Intelligence，AI)以及虚拟化技术的发展，数据量呈现指数增长的趋势。数据的处理方式由集中式云计算逐渐向分布式移动边缘计算(Mobile Edge Computing，MEC)转变。随着5G(The Fifth
‑
generation Technology Standard)、车联网(Vehicle to Everything，V2X)、增强现实(Augmented Reality，AR)和虚拟现实(Virtual Reality，VR)等新应用的落地，除了满足网络对计算能力的需求外，对带宽、时延等服务质量提出了更高的要求。因此，具备计算与通信融合功能的接入网(Radio Access Network，RAN)为新兴业务的规模化发展提供了技术保障。以5G+移动边缘计算为代表的算网一体化基站(边缘接入节点)的发展和大规模部署，导致接入网的能耗激增。数据传输量的增加以及计算负载的持续增长使得边缘接入节点面临着严峻的能耗问题。边缘接入节点内部资源部署缺乏灵活性是导致能效低下的重要原因。任务在算力资源上的无规则分布导致整体资源利用率低下，造成了严重的能源浪费。
[0003]对于单个边缘接入节点而言，边缘接入点内部的资源部署缺乏灵活性。因此，当用户请求到达时，任务在算力资源上的无规则分布导致整体资源利用率低下，如何根据用户请求实现算力资源的合理分配和边缘接入点能效优化，是需要解决的问题。通常来说，未进行相应的资源管理情况下，任务在资源池中呈现无规则随机分布的特点。随机分布导致整体的资源利用率低下，资源利用率的不足导致整体的能效偏低。传统的MaxUtil[1]算法仅从当前资源占用情况这一单一维度来降低系统能耗，通过最大化资源利用率来使得多余的CPU处于低功耗状态进而降低系统能耗。然而，在实际场景中，不同任务的优先级不同。传统算法忽略了挖掘用户任务的优先级等内在特点。因此，对单边缘接入节点内部的任务优先级和CPU占用率特性进行联合考虑，对进一步降低系统的整体能耗具有重要意义。
[0004]另外，关于任务整合方案，目前已经有很多相关算法研究。文献[1]中提出了两个算法来优化云计算中的能耗问题，分别是ECTC(Energy Conscious Task Consolidation Heuristics)算法和MaxUtil(Maximum Rate Utilization of Resources)算法。传统的MaxUtil算法尝试尽可能充分地利用资源来最大限度地减少功耗，因此该算法会尽可能在虚拟机上分配更多任务。ECTC算法的目标是最优化资源上任务的功耗，明确考虑了当前任务在与其他任务重叠时间段的能量消耗。上述两种算法是传统的任务整合算法，进行任务整合仅考虑了任务的资源占用率这一单一维度。文献[2]中，Mehboob等人提出了一种虚拟云化场景下的能耗和性能高效的任务调度算法(Energy and Performance Efficient Task Scheduling Algorithm，EPETS)。该算法基于异构的虚拟机资源场景，任务在不同性能的虚拟机上执行的时间和能耗存在差异，通过将任务在截止时间内进行初始调度来降低执行时间。其次，在截止时间内以最小化能耗为目标找到最佳的物理资源。然而，该算法的
能耗模型仅与虚拟机的预设性能优化有关，而忽略了任务的CPU占用率对整体能耗的影响。文献[3]中，Yogesh等人考虑到物理资源的可靠性，提出了一种故障感知的虚拟机整合机制，该算法基于指数平滑的故障预测技术来触发两种容错机制。实验结果表明，该算法使得云计算系统的能耗降低了34％，可靠性提高了12％，同时故障发生率降低了14％。该算法通过故障预测技术提升系统性能，其效果依赖于系统的故障预测模型的性能，忽略了系统任务特征对整体能耗的影响。
[0005]文献[1]Lee Y C,Zomaya A Y.Energy efficient utilization of resources in cloud computing systems[J].The Journal of Supercomputing,2012,60:268
‑
280.
[0006]文献[2]Hussain M,Wei L F,Lakhan A,et al.Energy and performance
‑
efficient task scheduling
[0007]in heterogeneous virtualized cloud computing[J].Sustainable Computing:Informatics and
[0008]Systems,2021,30:100517.
[0009]文献[3]Sharma Y,Si W,Sun D,et al.Failure
‑
aware energy
‑
efficient vmconsolidation in cloud
[0010]computing systems[J].Future Generation Computer Systems,2019,94:620
‑
633.

技术实现思路

[0011]因此，本专利技术基于传统的MaxUtil任务整合算法，提供一种移动边缘网任务调度方法及系统。基于时间与资源域进行联合优化，从而降低能耗。
[0012]根据本专利技术的实施例的方法，包括：
[0013]步骤1，根据各个任务的截止时间对任务进行排序，优先分配截止时间靠前的任务；
[0014]步骤2，对于每个待分配的任务遍历服务器的状态，找到各服务器上满足延迟要求的时间窗口，在时间窗口寻找到最早满足资源需求的时间点；以及
[0015]步骤3，计算各个服务器不同延时下的代价函数值，找到最大代价函数对应的服务器以及待分配的任务在该服务器上对应的延迟时间，并在所述延迟时间结束时将所述待分配的任务分配至所述服务器。
[0016]根据本专利技术的实施例的方法，其中，在步骤2中，满足延迟要求是指对于每个待分配的任务，在其截止时间内，各个服务器上存在满足所述任务的占用率的时间窗口。
[0017]根据本专利技术的实施例的方法，其中，在步骤3中，所述代价函数为：
[0018][0019]其中，i表示任务数量，j表示服务器PM的数量，表示第i个任务的到达时间，表示第i个任务的处理时长，delay
i,j
表示第i个任务在第j个
服务器上的延迟执行时间，表示t时刻第j个服务器PM
j
的资源占用率。
[0020]根据本专利技术的实施例的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动边缘网任务调度方法，包括：步骤1，根据所接收的各个任务的截止时间对任务进行排序，其中，优先分配截止时间靠前的任务；步骤2，对于每个待分配的任务遍历服务器的状态，找到各服务器上满足延迟要求的时间窗口，以及在时间窗口寻找到最早满足资源需求的时间点；以及步骤3，计算各个服务器不同延时下的代价函数值，找到最大代价函数对应的服务器以及待分配的任务在该服务器上对应的延迟时间，并在所述延迟时间结束时将所述待分配的任务分配至所述服务器。2.根据权利要求1所述的方法，其中，在步骤2中，满足延迟要求是指对于每个待分配的任务，在其截止时间内，各个服务器上存在满足所述任务的占用率的时间窗口。3.根据权利要求1所述的方法，其中，在步骤3中，所述代价函数为：其中，i表示任务数量，j表示服务器PM的数量，表示第i个任务的到达时间，表示第i个任务的处理时长，delay
i,j
表示第i个任务在第j个服务器上的延迟执行时间，表示t时刻第j个服务器PM
j
的资源占用率。4.根据权利要求3所述的方法，其中，在步骤3中，使用矩阵记录不同任务在不同服务器上开始执行的时间与到达时间之间的差值。5.根据权利要求1所述的方法，其中，服务器在t时刻的功耗P(t)表示为：P(t...

【专利技术属性】
技术研发人员：吴思凡，王妮娜，邹国学，田雨，张宗帅，田霖，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：