刘泽宁^1,4,5,李凯^2,4,吴连涛^2,4,王智^3,7,杨旸^1,2,4,6

¹(上海科技大学信息科学与技术学院 上海 201210);²(上海科技大学创意与艺术学院 上海 201210);³(浙江大学控制科学与工程学院 杭州 310027);⁴(上海雾计算实验室(上海科技大学) 上海 201210);⁵(紫金山实验室 南京 211111);⁶(鹏城实验室网络通信研究中心 广东深圳 518000);⁷(工业控制技术国家重点实验室(浙江大学) 杭州 310027) (liuzy1@shanghaitech.edu.cn)

出版日期: 2020-09-01


基金资助:国家重点研发计划项目(2019YFB1803304)；国家自然科学基金重点项目(61932014)；华为项目(YBN2019125163)

CATS: Cost Aware Task Scheduling in Multi-Tier Computing Networks

Liu Zening^1,4,5, Li Kai^2,4, Wu Liantao^2,4, Wang Zhi^3,7, Yang Yang^1,2,4,6

¹(School of Information Science and Technology, ShanghaiTech University, Shanghai 201210);²(School of Creativity and Art, ShanghaiTech University, Shanghai 201210);³(Department of Control Science and Engineering, Zhejiang University, Hangzhou 310027);⁴(Shanghai Institute of Fog Computing Technology (ShanghaiTech University), Shanghai 201210);⁵(Purple Mountain Laboratories, Nanjing 211111);⁶(Research Center for Network Communication, Peng Cheng Laboratory, Shenzhen, Guangdong 518000);⁷(State Key Laboratory of Industrial Control Technology (Zhejiang University), Hangzhou 310027)

Online: 2020-09-01


Supported by:This work was supported by the National Key Research and Development Program of China (2019YFB1803304), the Key Program of the National Natural Science Foundation of China (61932014), and the Huawei Technologies (YBN2019125163).

摘要/Abstract

摘要： 随着越来越多数据的产生以及更加强大的算力和算法的运用，物联网应用也变得越来越智能.典型的物联网应用也从简单的数据感知、收集和表示转向复杂的信息提取和分析.这一持续的趋势需要多层次算力资源及网络.多层次算力网络涉及云计算、雾计算、边缘计算和海计算等技术之间的相互协作，分别针对区域级别、本地级别和设备级别的物联网应用.但是，由于计算技术的不同特征以及任务的不同需求，如何有效地进行任务调度是多层次算力网络中的一个关键挑战.此外，如何激发多层次算力资源的积极性也是一个关键问题，这是多层次算力网络得以成形的前提.为解决上述挑战，提出了一个云雾混合多层次算力网络及计算卸载系统，定义了一个由时延、能耗及付费组成的加权代价函数，并建模了一个代价感知任务调度(cost aware task scheduling，CATS)问题.而且，为激发云和雾的积极性，提出了一个基于计算量的付费模型并将付费相关代价也考虑进总代价.具体来说，根据云和雾的不同特性和需求，分别提出了一个静态付费模型和动态付费模型，从而构建了一个混合付费模型.为解决上述CATS问题，提出了一个基于势博弈的分析框架，并设计了一个分布式任务调度算法——CATS算法.数值仿真结果表明，与集中式最优方法相比，CATS算法可以在系统平均代价方面提供近似最优的性能，并让更多用户受益.此外，与静态付费模型相比，动态付费模型可能可以帮助雾获得更多收入.

参考文献

相关文章 15

[1]	张燕咏, 张莎, 张昱, 吉建民, 段逸凡, 黄奕桐, 彭杰, 张宇翔. 基于多模态融合的自动驾驶感知及计算[J]. 计算机研究与发展, 2020, 57(9): 1781-1799.
[2]	黄倩怡, 李志洋, 谢文涛, 张黔. 智能家居中的边缘计算[J]. 计算机研究与发展, 2020, 57(9): 1800-1809.
[3]	马惠荣, 陈旭, 周知, 于帅. 绿色能源驱动的移动边缘计算动态任务卸载[J]. 计算机研究与发展, 2020, 57(9): 1823-1838.
[4]	王志刚, 王海涛, 佘琪, 史雪松, 张益民. 机器人4.0: 边缘计算支撑下的持续学习和时空智能[J]. 计算机研究与发展, 2020, 57(9): 1854-1863.
[5]	卢海峰, 顾春华, 罗飞, 丁炜超, 杨婷, 郑帅. 基于深度强化学习的移动边缘计算任务卸载研究[J]. 计算机研究与发展, 2020, 57(7): 1539-1554.
[6]	乐光学, 戴亚盛, 杨晓慧, 刘建华, 游真旭, 朱友康. 边缘计算可信协同服务策略建模[J]. 计算机研究与发展, 2020, 57(5): 1080-1102.
[7]	梁玉珠, 梅雅欣, 杨毅, 马樱, 贾维嘉, 王田. 一种基于边缘计算的传感云低耦合方法[J]. 计算机研究与发展, 2020, 57(3): 639-648.
[8]	芦效峰, 廖钰盈, Pietro Lio, Pan Hui. 一种面向边缘计算的高效异步联邦学习机制[J]. 计算机研究与发展, 2020, 57(12): 2571-2582.
[9]	丁旭阳, 谢盈, 张小松. 基于边缘计算的进化多目标优化图像隐写算法[J]. 计算机研究与发展, 2020, 57(11): 2260-2270.
[10]	周俊, 沈华杰, 林中允, 曹珍富, 董晓蕾. 边缘计算隐私保护研究进展[J]. 计算机研究与发展, 2020, 57(10): 2027-2051.
[11]	冯景瑜, 杨锦雯, 张瑞通, 张文波. 抗位置隐私泄露的物联网频谱共享激励机制[J]. 计算机研究与发展, 2020, 57(10): 2209-2220.
[12]	徐毅, 童咏昕, 李未. 大规模拼车算法研究进展[J]. 计算机研究与发展, 2020, 57(1): 32-52.
[13]	邱宇, 王持, 齐开悦, 沈耀, 李超, 张成密, 过敏意. 智慧健康研究综述: 从云端到边缘的系统[J]. 计算机研究与发展, 2020, 57(1): 53-73.
[14]	宁振宇,张锋巍,施巍松. 基于边缘计算的可信执行环境研究[J]. 计算机研究与发展, 2019, 56(7): 1441-1453.
[15]	何云华,李梦茹,李红,孙利民,肖珂,杨超. 群智感知应用中基于区块链的激励机制[J]. 计算机研究与发展, 2019, 56(3): 544-554.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4249