[发明专利]一种基于QoE感知的边缘计算任务调度方法

摘要

一种基于QoE感知的边缘计算任务调度方法。步骤为：路由器周期收集设备资源状态信息以及网络状态信息。当路由器接收到任务调度请求时，首先根据预测模型，预测任务在不同设备上的执行时间。在此基础上，基于设备资源状态信息、网络状态信息以及任务本身数据，建立边缘计算任务调度模型，并使用线性规划模型求解器求解任务调度模型，得到任务调度结果。最后，基于任务调度结果，路由器负责将任务分发到对应的边缘设备/云服务器上执行，并将结果返回至任务请求设备。

主权项

1.一种基于QoE感知的边缘计算任务调度方法，包括以下步骤：步骤1：在路由器上运行系统数据采集工具，周期收集网络中所有的设备资源状态信息以及网络状态信息；具体信息包括：每个设备的CPU最大负载(一般和CPU核数相同)；每个设备的CPU当前负载每个设备与路由器之间的网络带宽P_i，每个设备与路由器之间的往返时延R_i；步骤2：预测当前任务在不同设备上运行所需要的时间以及任务消耗的CPU资源；在调度模型中，任务在设备上执行的时间与任务的数据量以及设备类型有关，为每一个任务建立了一个线性执行时间预测模型；执行时间预测模型如公式(1)所示，其中τ_ij代表任务j在设备i上执行所需要的时间；D_j代表任务j所需要处理的数据量；a_ij和b_ij是模型的参数；对于某一特定任务，需要提前测量得到任务在不同设备上处理不同数据量所需要的时间数据；基于测量得到的数据，使用最小二乘法进行拟合，得到时间预测模型的参数；另外，任务消耗的CPU资源也和任务的数据量和设备类型有关，也为每一个任务建立一个线性的CPU资源消耗预测模型，如公式(2)所示；与执行时间预测模型类似，l_ij表示任务j在设备i上执行所需要的CPU资源；D_j表示任务j所需要处理的数据量；k_ij和t_ij是模型的参数；对于特定的任务，需要提前测量任务在不同设备上处理不同数据量引起的设备CPU负载的增加值；基于测试数据，使用最小二乘法进行拟合，得到CPU资源消耗预测模型的参数；τ_ij＝a_ij*D_j+b_ij   公式(1)l_ij＝k_ij*D_j+t_ij   公式(2)步骤3：任务调度模型搭建；基于步骤1和步骤2所得到的数据，构建任务调度模型；任务调度模型如下，其中，M代表所有的边缘设备以及云服务器的数量；N代表所有待调度的任务数量；d_ij为模型变量，d_ij＝1表示任务j调度到设备i上执行，d_ij＝0表示不把任务j调度到设备i上执行；(3.1)QoE约束；在本模型中，QoE代表任务执行的精度；任务在不同的边缘设备上执行获得的QoE不同；QoE约束要求任务执行的QoE大于用户所要求的QoE；QoE约束如公式(3)所示；其中，Q_ij代表任务j在设备i上执行所得到的QoE；代表用户要求的QoE；(3.2)CPU负载约束；CPU负载约束要求任务调度到某设备上执行时，设备上的任务负载不能大于设备所能承担的最大的任务负载；CPU负载约束如公式(4)所示；其中，代表设备i当前的负载；l_ij代表任务j调度到设备i上执行所产生的负载；代表设备i所能承担的最大负载；(3.3)有且仅有约束；在该任务调度模型中，一个任务必须分配到一个设备上执行；有且仅有约束如公式(5)所示；(3.4)执行时间约束；为了更好地构造并且求解任务调度模型，引入y变量作为中间变量，y变量代表了任务执行时间的最大值；每个任务执行的时间包含了两部分，分别是任务运行时间以及数据传输时间；执行时间约束如公式(6)所示；其中，τ_ij代表任务j在设备i上运行所需要的时间；D_j代表任务j运行所需要传输的数据量；P_i代表设备i与路由器之间的带宽；R_i代表设备i与路由器之间的往返时延；公式(6)中大于等于号的右边部分代表了每个任务的预测执行时间；(3.5)模型优化目标；在(3.4)步中，引入了中间变量y,其最小值为所有任务执行时间的最大值，如公式(7)所示，本模型的优化目标为最小化y的值，从而最小化执行时间最长的任务的执行时间；min y   公式(7)步骤4：任务调度模型求解；在步骤3中，构建了一个0‑1规划模型，使用lpsolve线性规划求解器求解该模型，得到满足约束条件的最优任务调度策略；步骤5：任务分发；在步骤4的基础上，根据任务调度模型求解的结果，将任务分发到对应的边缘设备/云服务器上执行；待任务执行完成，路由器收到设备返回的任务执行结果，再将其返回至终端设备。