一种云边端协作系统中的任务快速调度与资源管理方法

技术领域

本发明涉及边缘计算技术和通信技术领域，具体涉及到一种云边端协作系统中的任务快速调度与资源管理方法。

背景技术

近年来，随着5G技术的快速发展，越来越多的移动设备连接到物联网中，出现了许多如人脸识别、虚拟现实一样的新兴物联网应用，处理这些物联网应用产生的大量任务需要消耗很多的计算资源。然而，移动设备通常受到资源限制。由于物理尺寸较小，它们的计算资源和电池寿命有限。云计算可以将一部分任务从终端卸载到云服务器，利用云服务器强大的计算资源来处理这些任务，解决设备资源有限的问题。但是，由于设备和云服务器距离较远，任务卸载到云服务器会产生很高的传输延迟，无法满足物联网中大量延迟敏感型任务的要求。

移动边缘计算是为了解决设备资源不足这一挑战并满足应用程序的延迟要求而提出的一种新范式。通过在移动网络边缘部署计算和存储资源，设备生成的任务可以在边缘服务器上卸载和处理，而不是以延迟较大的代价转移到云服务器。设备可以获得更快的响应和更低的能耗。在边缘计算中，计算资源和通信资源非常宝贵。有效的卸载方案可以提高资源利用率并改善用户体验。

任务从设备卸载到边缘服务器时，可以进一步卸载到另一个基站或云，称为边边协作和边云协作，这是提高系统性能和系统资源利用率的有效方法。高负载边缘服务器可以将其任务卸载到低负载边缘服务器或云，以平衡系统负载并进一步提高任务处理的性能。启用协作后，可以通过相应的有线连接将任务从一个基站卸载到另一个基站，或从一个基站卸载到云。

现有的相关技术方案忽视了任务等待这一重要问题，任务生成时，不能立即处理，只能在集中调度时间处理，这会导致任务等待延迟。考虑任务等待延迟非常重要，主要原因在于：1)如果任务在生成时立即在设备上处理，则不需要等待集中调度时间；2)任务的本地处理延迟可能小于卸载延迟。另外，现有的相关技术方案并没有综合考虑任务卸载、资源分配、边边协作和边云协作等因素。以上不足极大地限制了任务处理效率和系统性能的提升。

发明内容

(一)要解决的技术问题

本发明为克服上述现有技术的不足，面向边缘计算系统中多用户多任务场景，充分考虑任务的等待问题，结合终端设备、边缘服务器和云服务器的计算资源以及传输资源，提出了一种任务的快速调度以及资源分配方案，快速调度即为任务生成时，终端立即执行相应的调度策略判定任务立即在本地处理还是立即进行卸载。与现有技术相比，本方案减少用户等待时间，提高任务执行效率，提升用户的体验感。

(二)技术方案

为解决上述技术问题，本发明提出了一种云边端协作系统中的任务快速调度与资源管理方法，包括以下步骤：

S1：在当前时隙，终端设备感知任务信息以及设备自身的状态信息，获取当前时隙无线环境相关信息，并获取边缘端及云端相关状态信息以及历史任务卸载相关信息；

S2：终端设备计算任务传输时延，并判断如果卸载任务则能否在本时隙内将任务信息上传到边缘服务器上，根据此计算出任务的等待时延；

S3：终端设备计算本地处理时延和估计卸载时延；

S4：终端设备根据计算出的本地处理时延和估计卸载时延进行卸载决策；

S5：边缘服务器获取设备上传的任务信息，并感知可用计算资源和传输速率等信息，在统一调度时刻对卸载的任务进行集中处理，做出进一步的卸载决策，分配计算资源和传输速率等，并将结果返回给终端设备；

进一步的，所述步骤S1具体为：

(1)设备感知任务信息以及设备自身的状态信息。边缘计算系统由M个终端设备、N个基站和一个云服务器构成。其中，每个设备通过蜂窝网络和某个基站建立连接，每个基站都连接一个边缘服务器，而基站之间通过有线连接进行通信，基站和云服务器之间通过有线骨干网络连接。设备集合表示为

(2)设备获取当前时隙无线环境相关信息。获取信道带宽B，信道增益g

(3)设备获取边缘端及云端相关状态信息以及历史任务卸载相关信息。获取边缘服务器i的可用计算资源F

进一步的，所述步骤S2具体为：

(1)计算任务传输时延。设备k根据任务信息和信道相关信息计算任务从设备卸载到边缘服务器的传输时延

(2)计算任务等待时延。根据计算出的任务传输时延，判断如果卸载任务则能否在本时隙内将任务信息上传到边缘服务器上。任务k在本时隙的生成时刻为q

进一步的，所述步骤S3具体为：

(1)计算本地处理时延。设备k根据任务计算量、设备最大能耗约束和终端可用计算资源等信息计算出本地处理时延

(2)计算估计卸载时延。终端设备根据任务计算量、边缘服务器和云服务器的可用计算资源和传输速率等信息、历史卸载相关信息以及任务等待时延计算出估计卸载时延

进一步的，所述步骤S4具体为：

(1)设备k根据计算出的本地处理时延

进一步的，所述步骤S5具体为：

(1)边缘服务器获取设备上传的任务信息，并感知可用计算资源和传输速率等信息。卸载到边缘服务器的任务集合表示为

(2)边缘服务器在统一调度时刻即时隙末对卸载的任务进行集中处理，通过执行边缘端任务卸载和资源分配算法，做出进一步的卸载决策即任务是否卸载到其它边缘服务器或者云服务器进行处理，并分配计算资源和传输速率等信息，对任务进行处理并将结果返回给终端设备。

(三)有益效果

本发明采用以上技术方案与现有技术相比，具有以下有益效果：

1.本发明考虑了边缘计算网络中基于云边端协作的多用户多任务场景，对任务等待问题做了充分的建模和分析，通过比较本地处理时延和估计的卸载时延进行任务的快速调度，极大地降低了任务的处理时延，更具备实用性；

2.本发明采用了基站间的协作以及基站和云的协作，充分利用了边缘服务器以及云服务器的计算资源，极大地提高了系统资源利用率，提升了系统的负载均衡能力，更具实用性。

3.本发明结合本地设备、边缘服务器和云服务器的计算资源、基站间以及基站和云服务器之间的传输速率以及设备的能耗等约束，通过实时决策算法和边缘端任务卸载和资源分配算法在极低的时间复杂度内联合优化了任务的卸载和资源的分配，提升了系统的执行效率，提高用户体验。

附图说明

图1为本发明中系统模型的示意图；

图2为本发明中基于终端-边缘-云的任务卸载的执行架构图；

图3为本发明中基于终端-边缘-云的任务卸载的流程图；

图4为本发明中任务卸载并在当前时隙末进行处理的等待情况示意图；

图5为本发明中任务卸载并在下一个时隙末进行处理的等待情况的示意图；

图6为本发明中所有任务的总处理时延与设备数量之间的关系图；

图7为本发明中所有任务的总处理时延与边缘服务器的计算资源之间的关系图；

图8为本发明中所有任务的总处理时延与系统负载均衡程度之间的关系图。

图9为本发明中云边端协作系统中的任务快速调度与资源管理方法的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但并不用来限制本发明的范围。

本发明提出了一种云边端协作系统中的任务快速调度与资源管理方法，实施例包括以下步骤：

步骤一：在当前时隙，终端设备感知任务信息以及设备自身的状态信息，获取当前时隙无线环境相关信息，并获取边缘端及云端相关状态信息以及历史任务卸载相关信息；

步骤二：终端设备根据任务信息和信道相关信息计算任务从设备上传到到边缘服务器的传输时延，并判断如果卸载任务则能否在本时隙内将任务信息上传到边缘服务器上，根据此计算出任务的等待时延；

步骤三：终端设备根据任务计算量、设备最大能耗约束和终端可用计算资源等信息计算出本地处理时延；终端设备根据任务计算量、边缘服务器和云服务器的可用计算资源和传输速率等信息、历史任务卸载相关信息以及任务等待时延计算出估计卸载时延；

步骤四：终端设备根据计算出的本地处理时延和估计卸载时延进行卸载决策：如果本地处理时延小于估计卸载时延，则任务立即在本地处理；否则，任务卸载到边缘服务器上并等待统一调度处理。终端设备将卸载决策信息上传到边缘服务器上；

步骤五：边缘服务器获取设备上传的任务信息，并感知可用计算资源和传输速率等信息，在统一调度时刻对卸载的任务进行集中处理，做出进一步的卸载决策，分配计算资源和传输速率等，并将结果返回给终端设备；

进一步的，所述步骤一包括：

(1)设备感知任务信息以及设备自身的状态信息。如图1所示，边缘计算系统由M个终端设备、N个基站和一个云服务器构成。其中，每个设备通过蜂窝网络和某个基站建立连接，每个基站都连接一个边缘服务器，而基站之间通过有线连接进行通信，基站和云服务器之间通过有线骨干网络连接。设备集合表示为

(2)设备获取当前时隙无线环境相关信息。获取信道带宽B，信道增益g

(3)设备获取边缘端及云端相关状态信息以及历史任务卸载相关信息。获取边缘服务器i的可用计算资源F

进一步的，所述步骤二包括：

(1)计算任务传输时延。设备k根据任务信息和信道相关信息计算任务从设备卸载到边缘服务器的传输时延

如果任务k卸载到基站或者云服务器上进行处理，则会产生传输能耗，可表示为

当传输能耗等于设备的最大能耗约束时，可计算出设备可分配的最大传输功率

(2)计算任务等待时延。根据计算出的任务传输时延，判断如果卸载任务则能否在本时隙内将任务信息上传到边缘服务器上。任务k在本时隙的生成时刻为q

任务等待情况参照图4和图5。

进一步的，所述步骤三包括：

(1)计算本地处理时延。设备k根据任务计算量、设备最大能耗约束和终端可用计算资源等信息计算出本地处理时延

如果任务k在本地设备进行处理，则设备会产生计算能耗，可表示为

其中，κ和设备的CPU芯片结构有关。

当计算能耗等于设备的最大能耗约束时，本地处理时延最小。此时，可计算出设备k分配给任务k的计算资源

/>

由此，可计算出设备在本地的处理时延

(2)计算估计卸载时延。终端设备根据任务计算量、边缘服务器和云服务器的可用计算资源和传输速率等信息、历史卸载相关信息以及任务等待时延计算出估计卸载时延

任务的卸载时延包括任务的等待时延

任务在基站间或者基站和云服务器之间的传输时延需要进行估计。上个时隙的任务卸载比例为μ，基站i覆盖下的设备数量为M

基站i的最小的传输速率可表示为

则基站i分配给任务k的传输速率可估计为

其中，ω为介于0和1之间的系数。此时，任务的传输时延可表示为

任务在边缘服务器或云服务器上的计算时延也需要进行估计。边缘服务器分配给任务k的计算资源可估计为

因此，任务的计算时延可表示为

任务的估计卸载时延可表示为

进一步的，所述步骤四包括：

(1)设备k根据计算出的本地处理时延

/>

任务卸载情况参照图2和图3。

进一步的，所述步骤五包括：

(1)边缘服务器获取设备上传的任务信息，并感知可用计算资源和传输速率等信息。卸载到边缘服务器的任务集合表示为

(2)边缘服务器在统一调度时刻即时隙末对卸载的任务进行集中处理，通过执行边缘端任务卸载和资源分配算法，做出进一步的卸载决策即任务是否卸载到其它边缘服务器或者云服务器进行处理，并分配计算资源和传输速率等信息，对任务进行处理并将结果返回给终端设备。具体步骤如下：

步骤1：构建边缘服务器处理时延模型。

在时隙t，如果任务k卸载到边缘服务器进行处理，则处理时延包括任务等待时延、任务在基站间的传输时延和任务在基站上的计算时延。

假设任务k首先上传到基站i上，如果其进一步卸载到另一个基站j上，则传输时延可表示为

其中，r

任务k在基站i上的计算时延可表示为：

其中，f

对于边缘处理时延，存在两种情况：如果任务k上传到基站i上并在基站i上进行处理，则处理时延可表示为：

其中，y

如果任务k上传到基站i上并进一步卸载到基站j上进行处理，则处理时延可表示为

因此，边缘处理时延可表示为

步骤2：构建云服务器处理时延模型。

在时隙t，如果任务k卸载到云服务器进行处理，则处理时延包括任务等待时延、任务在基站和云服务器间的传输时延和任务在云服务器上的计算时延，任务等待时延的表示同上。

任务在基站和云服务器间的传输时延可表示为

其中，r

任务k在云服务器上的计算时延可表示为：

其中，f

因此，云服务器处理时延可表示为

其中，y

步骤3：构建边缘服务器和云服务器任务卸载和资源分配优化问题。

集合

目标函数为

其中，

步骤4：求解优化问题P1，获得最优的任务卸载和资源分配策略。

1)由于优化问题P1是一个混合整数非线性规划问题，所以无法在多项式时间内求出其最优解，可采用迭代式的启发式算法对其进行求解，将原问题的优化变量解耦，拆分为多个子问题，这对这些子问题迭代求解。

当固定集合

2)从原问题中拆分出边缘服务器以及云服务器上的计算资源分配子问题。计算资源分配子问题可表示为

该问题可进一步拆分为不同边缘服务器和云服务器的计算资源分配子问题，并通过KKT条件进行求解。

3)从原问题中拆分出基站之间以及基站和云服务器之间的传输速率分配子问题。传输速率分配子问题可表示为

该问题可进一步拆分为不同基站间的以及基站和云服务器之间的传输速率分配子问题，并通过KKT条件进行求解。

4)从原问题中拆分出任务卸载子问题。任务卸载子问题可表示为

该问题可进一步拆分为不同任务下的任务卸载子问题，并通过最优算法进行求解。

5)结合上述三种子问题，采用一种启发式的算法探索任务卸载决策，同时求解计算资源分配子问题和传输资源分配子问题进行系统状态更新。探索任务卸载决策的方式为：选取在原基站上的任务进行进一步卸载，如果对于优化目标有一定程度的提升，则更新系统状态；选取在其它基站上的任务回退到原始基站进行处理，如果对于优化目标有一定程度的提升，则更新系统状态。上述两个操作迭代执行，直到对系统的优化不再有作用。

图6、图7和图8分别展示了在不同设备数量、不同边缘服务器的计算资源和不同负载均衡条件下本发明公开方案和其它现有方案的所有任务总处理时延的仿真对比图。实验结果表明，本发明公开方案在各种情况下的所有任务的处理时延都远小于其它现有方案的所有任务的处理时延，并且具有良好的环境适应能力和调节负载均衡的能力。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。