面向服务可靠性的云资源调度方法

随着云计算成为重要的信息基础设施,越来越多的应用迁移到云上,云服务的可靠性日益重要,尤其是边缘计算新模式的引入,对云服务可靠性提出了更高的要求.如何通过资源调度保障服务可靠性成为了当前研究的热点.为此,针对云-边协同的应用场景,开展面向服务可靠性的云资源调度方法研究,提出基于马尔科夫预测模型的云资源调度算法,实现节点负载判断、待迁移任务和节点选择、迁移路由的决策,以解决云服务节点失效情况下的任务调度和负载均衡问题,实现快速的云服务故障恢复,提高云服务的可靠性.实验结果表明,本文所提方法能够有效保证节点失效情况下的服务可靠性.     

海上边缘计算云边智能协同服务建模

由于受环境、资源、能耗、异构等因素制约,海上无线技术发展明显滞后于陆地.以低开销、自适应和自主融合为约束,提出一种海上边缘计算云边智能协同服务策略模型(Model of Cloud-Edge Cooperative Service Scheme for Maritime Edge Computing,MCECS-MEC).基于边缘计算构建海上云边智能协同服务网络框架,抽象海上边缘计算节点行为特征,建立具有抑制联合作弊的节点信任和推荐量化综合评价模型,根据其综合属性评价将准盟员节点融合聚类到不同的协同服务池,实现分级就近服务;基于协同服务请求的优先级和负载均衡理论,设计协同服务池组建规则和段页式自适应轻量级、自适应过热规避盟员发现算法,以状态机方式描述和分析MCECS-MEC协同服务状态演化.基于Router View公开数据集对MCECS-MEC模型性能进行仿真分析,仿真实验表明,MCECS-MEC相比于AODV(Ad hoc On-Demand Distance Vector Routing)、SR(Stochastic Routing)算法,减少了57.7％和55.04％的冗余传输流量,链路重寻率小于3％,负载率稳定于65％.MCECS-MEC模型能有效降低过载、热区、空洞效应等对网络性能的影响,提高海上边缘计算云边智能协同服务效率和质量.     

一种基于风险感知策略的多节点任务调度方法

为解决无人机(UAV)集群任务调度时面临各节点动态、不稳定的情况,该文提出一种面向多计算节点的可尽量避免任务中断且具有容错性的任务调度方法。该方法首先为基于多计算节点构建了一个以最小化任务平均完成时间为优化目标的任务分配策略;然后基于任务的完成时间和边缘计算节点的存留时间两者的概率分布,将任务计算节点上的执行风险量化成额外开销时间;最后以任务的完成时间与额外开销时间之和替换原本的完成时间,设计了风险感知的任务分配策略。在仿真环境下将该文提出的任务调度方法与3种基准调度方法进行了对比实验,实验结果表明该方法能够有效地降低任务平均响应时间、任务平均执行次数以及任务截止时间错失率。证明该文提出的方法降低了任务重调度和重新执行带来的额外开销,可实现分布式协同计算任务的调度工作,为复杂场景下的无人机集群网络提供新的技术支持。     

基于深度强化学习的云边协同计算迁移研究

基于单一边缘节点计算、存储资源的有限性及大数据场景对高效计算服务的需求,本文提出了一种基于深度强化学习的云边协同计算迁移机制.具体地,基于计算资源、带宽和迁移决策的综合性考量,构建了一个最小化所有用户任务执行延迟与能耗权重和的优化问题.基于该优化问题提出了一个异步云边协同的深度强化学习算法,该算法充分利用了云边双方的计...     

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。     

MEC下工业AGV的任务卸载策略研究与分析

近年来，AGV被广泛运用到智能化工业生产中，但AGV处理能力有限，难以满足人们对高质量服务的要求。为促进AGV在工业领域的快速发展，将移动边缘计算引入工业AGV中，提出了一种基于粒子群优化算法的计算任务卸载策略，以降低系统迟延，该策略考虑任务优先级，根据任务优先级别来卸载计算任务。结果表明，该策略能有效降低系统时延。     

基于5G+MEC的电网边缘计算平台任务安全性调度方法

为保证电网边缘计算平台任务调度的安全性以及任务调度所需的数据质量,提出基于5G+MEC的电网边缘计算平台任务安全性调度方法。结合机密性服务和完整性服务,构建任务调度安全等级模型,约束调度任务队列调度传输过程中的风险,实现5G核心网的安全传输;确认优先级队列类型,选择最小化队列与最大队列,进行数据资源最大化支持、MEC 设备端的任务调度,构建分布式任务调度模型,并利用 Lyapunov候选函数提升任务调度的稳定性,通过交替方向乘子法求解模型,获取任务安全性调度最优解。测试结果表明,应用该方法后,风险概率结果均在0.15～0.35的范围波动,MEC设备提供的相关数据与核心服务器调度任务的拟合程度均高于0.92;任务调度数据的质量分值也高于0.94。     

战术网络中基于资源负载均衡和服务优先级的业务调度策略

针对战术网络环境的多样化业务和网络异构性、高动态特性导致的网络负载易失衡的问题,提出了一种基于资源负载均衡和服务优先级的业务调度策略。通过所承载业务类型的优先级感知,基于通信网络当时可用资源等约束,将业务按需调度到战术通信网络的通信资源池,达到通信网络的自动负载均衡和资源可靠合理利用,提高业务服务质量,并保证高优先级业务可靠传输。通过仿真,验证了该策略算法可大大提高网络吞吐量和资源利用效率。     

车联网中基于MEC和任务优先级的智能卸载策略研究

在移动边缘计算和云计算共同组成的车联网中,为了保障驾驶员和路人的安全,需要满足车辆任务的高可靠低时延要求.一种基于MEC和任务优先级的智能卸载策略以降低由时延所组成的系统总成本,该策略使用KNN算法,根据任务优先级对任务卸载位置进行选择.仿真结果表明,该资源分配策略能有效减少系统总成本.     

基于窗口的光突发交换调度算法

针对光突发交换网(OBS)中的资源竞争和QoS支持等问题，提出了一种新型的基于窗口的调度算法。该算法利用边缘节点的电缓存，对调度窗口中的突发数据包进行批量BORA调度，可以有效地降低网络中发生资源竞争的概率；同时调度窗口中的优先级策略还可以进一步增强QoS。网络仿真结果表明，通过选择合适的调度窗口和最大允许时延，该调度算法在0．8的网络负载下使得高优先级突发数据包的阻塞率下降一个量级，信道利用率提高3．5％。     

社会属性感知的边缘计算任务调度策略

边缘计算服务器的负载不均衡将严重影响服务能力,该文提出一种适用于边缘计算场景的任务调度策略(RQ-AIP)。首先,根据服务器的负载分布情况衡量整个网络的负载均衡度,结合强化学习方法为任务匹配合适的边缘服务器,以满足传感器节点任务的资源差异化需求;进而,构造任务时延和终端发射功率的映射关系来满足物理域的约束,结合终端用户社会属性,为任务不断地选择合适的中继终端,通过终端辅助调度的方式实现网络的负载均衡。仿真结果表明,所提出的策略与其他负载均衡策略相比能有效地缓解边缘服务器之间的负载和核心网的流量,降低任务处理时延。     

Mobility aware edge service migration strategy

To address the problem of load imbalance among edge servers and quality of service degradation caused by dynamic changes of user locations in mobile edge computing networks,a mobility aware edge service migration algorithm was proposed.Firstly,the optimization problem was formulated as a mix integer nonlinear programming problem,with the goal of minimizing the perceived delay of user service request.Then,the delay optimization problem was decoupled into the edge service migration and edge node selection sub-problems based on the Lyapunov optimization approach.Thereafter,the fast edge decision algorithm was proposed to optimize the resource allocation and edge service migration under a given radio access strategy.Finally,the asynchronous optimal response algorithm was proposed to iterate out the optimal radio access strategy.Simulation results validate the proposed algorithm can reduce the perceived delay under the service migration cost constraint while comparing with other existing algorithms.     

An Optimized Collaborative Scheduling Algorithm for Prioritized Tasks with Shared Resources in Mobile-Edge and Cloud Computing Systems

Mobile edge computing (MEC) is a promising technology that has the potential to meet the latency requirements of next-generation mobile networks. Since MEC servers have limited resources, an orchestrator utilizes a scheduling algorithm to decide where and when each task should execute so that the quality of service (QoS) of each task is achieved. The scheduling algorithm should use the least possible resources required to meet the service demands. In this paper, we develop a two-level cooperative scheduling algorithm with a centralized orchestrator layer. The first scheduling level is used to schedule tasks locally on MEC servers. In contrast, the second level resides at the orchestrator and assigns tasks to a neighboring base station or the cloud. The tasks serve in accordance with their priority, which is determined by the latency and required throughput. We also present a resource optimization algorithm for determining resource distribution in the system in order to ensure satisfactory service availability at the minimum cost. The resource optimization algorithm contains two variations that can be employed depending on the traffic model. One variant is used when the traffic is uniformly distributed, and the other is used when the traffic load is unbalanced among base stations. Numerical results show that the cooperative model of task scheduling outperforms the non-cooperative model. Furthermore, the results show that the suggested scheduling algorithm performs better than other well-known scheduling algorithms, such as shortest job first scheduling and earliest deadline first scheduling.

     

面向智慧工厂的工业互联网边缘智能协同计算技术研究

为了推动基于工业互联网的智慧工厂快速发展,边缘智能技术相关研究与应用获得广泛关注。针对边缘节点计算资源受限的难题,提出了基于边缘智能协同的工业互联网体系,并给出了边缘智能协同计算任务分配与边缘智能模型轻量化方法。边缘智能协同计算技术解决了单一边缘节点计算能力与智慧工厂应用海量计算资源需求间的矛盾,降低了边缘智能技术的部署开销,提高了工业互联网部署的灵活性与可扩展性。     

EA-DFPSO: An intelligent energy-efficient scheduling algorithm for mobile edge networks

Cloud data centers have become overwhelmed with data-intensive applications due to the limited computational capabilities of mobile terminals. Mobile edge computing is emerging as a potential paradigm to host application execution at the edge of networks to reduce transmission delays. Compute nodes are usually distributed in edge environments, enabling crucially efficient task scheduling among those nodes to achieve reduced processing time. Moreover, it is imperative to conserve edge server energy, enhancing their lifetimes. To this end, this paper proposes a novel task scheduling algorithm named Energy-aware Double-fitness Particle Swarm Optimization (EA-DFPSO) that is based on an improved particle swarm optimization algorithm for achieving energy efficiency in an edge computing environment along with minimal task execution time. The proposed EA-DFPSO algorithm applies a dual fitness function to search for an optimal tasks-scheduling scheme for saving edge server energy while maintaining service quality for tasks. Extensive experimentation demonstrates that our proposed EA-DFPSO algorithm outperforms the existing traditional scheduling algorithms to achieve reduced task completion time and conserve energy in an edge computing environment.     

移动性感知下基于负载均衡的任务迁移方案

针对移动边缘计算中用户移动性导致服务器间负载分布不均,用户服务质量(Quality of Service, QoS)下降的问题,提出了一种移动性感知下的分布式任务迁移方案。首先,以优化网络中性能最差的用户QoS为目标,建立了一个长期极大极小化公平性问题(Max Min Fairness, MMF),利用李雅普诺夫(Lyapunov)优化将原问题转化解耦。然后,将其建模为去中心化部分可观测马尔可夫决策过程(Decentralized Partially Observable Markov Decision Process, Dec-POMDP),提出一种基于多智能体柔性演员-评论家(Soft Actor-Critic, SAC)的分布式任务迁移算法,将奖励函数解耦为节点奖励和用户个体奖励,分别基于节点负载均衡度和用户QoS施加奖励。仿真结果表明,相比于现有任务迁移方案,所提算法能够在保证用户QoS的前提下降低任务迁移率,保证系统负载均衡。     

一种基于协作型任务的网格资源调度算法

网格是建立在互联网上的新一代基础设施,网格计算中大部分任务为子任务之间具有复杂关系的协作型任务。首先对协作型进行了详细的分析,采用AOV网表示子任务之间的关系,针对协作型任务提出了一种基于遗传模拟退火算法的调度策略,该调度策略满足了对协作型任务资源调度的需求。同时还阐述了该算法的原理和操作步骤。