苏命峰^1,2,王国军³,李仁发⁴

¹（中南大学计算机学院 长沙 410083）；²（湖南商务职业技术学院商务信息技术学院 长沙 410205）；³（广州大学计算机科学与网络工程学院 广州 510006）；⁴（湖南大学信息科学与工程学院 长沙 410082) (sumingfeng@csu.edu.cn)

出版日期: 2021-11-01


基金资助:国家自然科学基金重点项目(61632009)；湖南省自然科学基金项目(2019JJ70057)；广东省自然科学基金项目(2017A030308006)；国家重点研发计划项目(2020YFB1005804)；中南大学中央高校基本科研业务费专项资金项目(2018zzts180)

Resource Deployment with Prediction and Task Scheduling Optimization in Edge Cloud Collaborative Computing

Su Mingfeng^1,2, Wang Guojun³, Li Renfa⁴

¹（School of Computer Science and Engineering, Central South University, Changsha 410083);²(School of Business Information Technology, Hunan Vocational College of Commerce, Changsha 410205);³(School of Computer Science and Cyber Engineering, Guangzhou University, Guangzhou 510006);⁴(College of Computer Science and Electronic Engineering, Hunan University, Changsha 410082)

Online: 2021-11-01


Supported by:This work was supported by the Key Program of the National Natural Science Foundation of China (61632009), the Natural Science Foundation of Hunan Province (2019JJ70057), the Natural Science Foundation of Guangdong Province (2017A030308006), the National Key Research and Development Program of China (2020YFB1005804), and the Fundamental Research Funds for the Central Universities of Central South University (2018zzts180).

摘要/Abstract

摘要： 数据集中处理的云计算模式提供交互迅速、绿色高效的多样化应用服务面临新挑战.将云计算能力扩展到边缘设备，提出了边云协同计算框架；设计了基于任务预测的资源部署算法，在云服务中心通过二维时间序列对任务进行预测，结合分类聚合、延迟阈值判定等优化边缘服务器任务运行所需资源部署；提出了基于帕累托优化的任务调度算法，在边缘服务器分2个阶段进行帕累托渐进比较得到用户服务质量和系统服务效应2个目标曲线的相切点或任一相交点以优化任务调度.实验结果表明：结合基于任务预测的资源部署算法与基于帕累托优化的任务调度算法在提高平均用户任务命中率基础上，其用户平均服务完成时间、系统整体服务效应度、总任务延迟率在不同用户任务规模、不同Zipf分布参数α的应用场景下，均优于基于帕累托优化的任务调度算法和基于FIFO(first input first output)的基准任务调度算法.

参考文献

相关文章 15

[1]	窦星磊, 刘磊, 陈岳涛. 面向超导量子计算机的程序映射技术研究[J]. 计算机研究与发展, 2021, 58(9): 1856-1874.
[2]	乐光学, 陈光鲁, 卢敏, 杨晓慧, 刘建华, 黄淳岚, 杨忠明. 一种基于K-shell影响力最大化的路径择优计算迁移算法[J]. 计算机研究与发展, 2021, 58(9): 2025-2039.
[3]	张雷, 李琳, 陈鸿龙, Daniel, Bovensiepen. 一种面向工业边缘计算应用的缓存替换算法[J]. 计算机研究与发展, 2021, 58(7): 1533-1543.
[4]	王璐, 张健浩, 王廷, 伍楷舜. 面向云网融合的细粒度多接入边缘计算架构[J]. 计算机研究与发展, 2021, 58(6): 1275-1290.
[5]	张秋平, 孙胜, 刘敏, 李忠诚, 张曾琪. 面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制[J]. 计算机研究与发展, 2021, 58(6): 1318-1339.
[6]	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.
[7]	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.
[8]	刘泽宁, 李凯, 吴连涛, 王智, 杨旸. 多层次算力网络中代价感知任务调度算法[J]. 计算机研究与发展, 2020, 57(9): 1810-1822.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4535