【技术实现步骤摘要】
本申请属于网络通信与机器学习，具体涉及一种基于图神经网络的算力网络工作流调度方法及装置。
技术介绍
1、随着通信速度和计算能力的显著提升，多媒体服务和以人工智能为基础的应用蓬勃发展，与此同时，用户对网络资源需求的多样化也随之增加，对用户任务调度的灵活性和高效性提出了新的挑战。
2、用户任务通常分为原子任务和工作流，原子任务可被独立调度，而工作流中的子任务间存在数据传输，因此，调度一个工作流不仅需要考虑子任务的调度顺序，也需要为子任务之间的数据传输选择路由路径。在算力网络中，工作流的数据量通常庞大且复杂，任务调度器需要根据实时网络状态，对子任务进行动态排序并选择子任务进行调度。为子任务选择合适的计算资源时，除了考虑任务的资源需求外，还需要考虑其与前继子任务之间数据传输的路由路径。由于用户任务具有不同的资源需求，调度过程还应考虑用户对性能评测指标的偏好(例如，价格、时延等)，这些因素可能直接影响用户对调度结果的满意程度。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种基于图神经网络的算力网络工作流调度方法及装置，结合工作流任务需求和算力网络的实时状态，为工作流中的子任务选择合适的卸载节点并为其数据传输选择路由路径，以提升用户体验质量。
2、基于上述目的，本申请提供了一种基于图神经网络的算力网络工作流调度方法，包括：
3、调用部署在数据平面的用户终端的工作流生成模块，通过所述工作流生成模块生成工作流信息，并将生成的工作流信息发送至控制平面的网络状
4、调用网络状态监测模块接收所述工作流生成模块发送的工作流信息，当所述网络状态监测模块接收到所述工作流生成模块发送的工作流信息时，所述网络状态监测模块向网络中的网元请求状态信息和资源使用情况；
5、调用工作流调度模块接收所述网络状态监测模块转发的工作流信息，网元进行状态信息及资源使用情况；通过所述工作流调度模块利用图神经网络生成工作流和算力网络的图嵌入，并利用深度强化学习调度框架计算接收的工作流的资源分配方案和路由策略，所述工作流调度模块使用深度强化学习为任务做出调度决策时，考虑用户对工作流调度结果的偏好以衡量用户对调度时延、价格评测指标的敏感程度；
6、调用调度策略下发模块，通过所述调度策略下发模块将资源分配方案和路由策略转换为流表，并将流表下发至数据平面的网络元素中。
7、作为基于图神经网络的算力网络工作流调度方法优选方案，所述网络状态监测模块向网络中的网元请求的状态信息和资源使用情况包括：底层网络的拓扑变化、服务器的算力使用情况、链路带宽使用情况。
8、作为基于图神经网络的算力网络工作流调度方法优选方案，所述深度强化学习调度框架包括环境组件、智能体组件、状态组件、奖励组件、动作组件；
9、环境组件为智能体组件提供当前的环境状态，当前的环境状态表达形式为：
10、
11、式中，表示时间步需要调度的子任务的索引，包含工作流的信息，表示当前算力网络的状态；
12、智能体组件使用gnn算法将工作流信息和环境状态分别编码为相同维度的图嵌入与图嵌入选出被调度子任务的向量，将被调度子任务的向量与图嵌入中的每个子向量拼接后输入mlp；mlp输出结果与用户偏好向量拼接输入下一个mlp得到子任务与各个网络节点的相关度得分。
13、作为基于图神经网络的算力网络工作流调度方法优选方案，将工作流信息建模为有向无环图gw＝(v,e,pf,loc,bexp)，式中，v＝{v1...v|v|}为子任务的集合，表示图的边，反映数据流的方向和子任务的调度顺序；pf表示用户对调度时延和价格的偏好；loc表示工作流的生成位置；bexp表示工作流对带宽的需求；
14、子任务vk的属性表示为vk.attr＝(zk,dk)，式中，zk是所需的算力大小，以计算周期为单位，dk代表从vk需要发送到后继节点的数据大小。
15、作为基于图神经网络的算力网络工作流调度方法优选方案，将数据平面中的算力网络建模为图gn＝(n,φ)，式中，n＝{n1...n|n}}表示计算节点，表示物理链路；
16、计算节点的属性表示为：nl.attr＝(fl,pl)，式中，fl表示算力，pl表示单位时间内单位算力的价格；
17、链路的属性表示为：式中，表示计算节点之间的地理距离，由经纬度计算；表示链路的最大带宽；
18、子任务vk的执行时间成本为：
19、
20、子任务vk的执行价格成本为：
21、
22、式中，表示将子任务vk调度在计算节点nl上。
23、作为基于图神经网络的算力网络工作流调度方法优选方案，路由策略中，网络资源的等待时间为：
24、
25、式中，eft(·)表示物理链路和计算节点的最早可用时间，表示子任务vk传输的数据在网络资源上的到达时间。
26、作为基于图神经网络的算力网络工作流调度方法优选方案，设定子任务vi被调度在计算节点nl上，子任务vi前驱子任务vj∈pred(vi)被调度在计算节点nm上，pm,l表示两个计算节点之间的路由路径，如果两个子任务被调度在同一个节点上，数据传输成本为0，否则，计算节点nm到nl的数据总路由时间为路径pm,l中的每条链路上数据的传输时间和传播时间之和；
27、子任务从节点nm到nl的数据总路由时间为路径pm,l中的每条链路上数据的传输时间和传播时间之和：
28、
29、子任务vi的总调度时延为：
30、
31、式中，twait(nl)为网络资源在节点nl的等待时间，为子任务vi的执行时间成本，表示子任务从节点nm到nl的数据总路由时间
32、作为基于图神经网络的算力网络工作流调度方法优选方案，考虑用户对工作流调度结果的偏好以衡量用户对调度时延、价格评测指标的敏感程度过程中，采用基于sigmoid函数的效用函数估计以用户为中心的qoe得分，变换后的效用函数表示为：
33、
34、式中，α是一个随用户偏好而变化的超参数，θbasic为系统中调度一个任务时的平均调度结果。
35、作为基于图神经网络的算力网络工作流调度方法优选方案，结合用户偏好对影响因素的效用值，以预设的权重相加得到调度一个子任务总的qoe得分：
36、
37、式中，ω为权重参数，表示用户对调度时延和价格的敏感度，为调度时延的效用值，为调度价格的效用值。
38、本申请还提供一种基于图神经网络的算力网络工作流调度装置，采用上述的基于图神经网络的算力网络工作流调度方法，包括：
39、工作流生成模块，所述工作流生成模块部署在数据平面的用户终端，通过所述工作流生成模块生成工作流信息，并将生成的工作流信息的发送至控制平面的网络状态监测模块；
40本文档来自技高网...
【技术保护点】
1.基于图神经网络的算力网络工作流调度方法，包括：
2.根据权利要求1所述的基于图神经网络的算力网络工作流调度方法，其中，所述网络状态监测模块向网络中的网元请求的状态信息和资源使用情况包括：底层网络的拓扑变化、服务器的算力使用情况、链路带宽使用情况。
3.根据权利要求1所述的基于图神经网络的算力网络工作流调度方法，其中，所述深度强化学习调度框架包括环境组件、智能体组件、状态组件、奖励组件、动作组件；
4.根据权利要求3所述的基于图神经网络的算力网络工作流调度方法，其中，将工作流信息建模为有向无环图Gw＝(V,E,pf,loc,bexp)，式中，V＝{v1...v|V|}为子任务的集合，表示图的边，反映数据流的方向和子任务的调度顺序；pf表示用户对调度时延和价格的偏好；loc表示工作流的生成位置；bexp表示工作流对带宽的需求；
5.根据权利要求4所述的基于图神经网络的算力网络工作流调度方法，其中，将数据平面中的算力网络建模为图GN＝(N,Φ)，式中，N＝{n1...n|N}}表示计算节点，表示物理链路；
6.根据权利要求
7.根据权利要求6所述的基于图神经网络的算力网络工作流调度方法，其中，设定子任务vi被调度在计算节点nl上，子任务vi前驱子任务vj∈pred(vi)被调度在计算节点nm上，Pm,l表示两个计算节点之间的路由路径，如果两个子任务被调度在同一个节点上，数据传输成本为0，否则，计算节点nm到nl的数据总路由时间为路径Pm,l中的每条链路上数据的传输时间和传播时间之和；
8.根据权利要求1所述的基于图神经网络的算力网络工作流调度方法，其中，考虑用户对工作流调度结果的偏好以衡量用户对调度时延、价格评测指标的敏感程度过程中，采用基于sigmoid函数的效用函数估计以用户为中心的QoE得分，变换后的效用函数表示为：
9.根据权利要求8所述的基于图神经网络的算力网络工作流调度方法，其中，结合用户偏好对影响因素的效用值，以预设的权重相加得到调度一个子任务总的QoE得分：
10.基于图神经网络的算力网络工作流调度装置，采用权利要求1至9任一项所述的基于图神经网络的算力网络工作流调度方法，包括：
...【技术特征摘要】
1.基于图神经网络的算力网络工作流调度方法，包括：
2.根据权利要求1所述的基于图神经网络的算力网络工作流调度方法，其中，所述网络状态监测模块向网络中的网元请求的状态信息和资源使用情况包括：底层网络的拓扑变化、服务器的算力使用情况、链路带宽使用情况。
3.根据权利要求1所述的基于图神经网络的算力网络工作流调度方法，其中，所述深度强化学习调度框架包括环境组件、智能体组件、状态组件、奖励组件、动作组件；
4.根据权利要求3所述的基于图神经网络的算力网络工作流调度方法，其中，将工作流信息建模为有向无环图gw＝(v,e,pf,loc,bexp)，式中，v＝{v1...v|v|}为子任务的集合，表示图的边，反映数据流的方向和子任务的调度顺序；pf表示用户对调度时延和价格的偏好；loc表示工作流的生成位置；bexp表示工作流对带宽的需求；
5.根据权利要求4所述的基于图神经网络的算力网络工作流调度方法，其中，将数据平面中的算力网络建模为图gn＝(n,φ)，式中，n＝{n1...n|n}}表示计算节点，表示物理链路；
6.根据权利要求5所述的基于图神...
【专利技术属性】
技术研发人员：谢坤，李诚成，张亚生，黄小红，李丹丹，张沛，平雅霓，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。