雾计算环境中工作流任务调度优化研究

发布时间：2020-04-09 13:30

【摘要】：为了缓解云数据中心处理海量互联网数据时面临的巨大压力,如超额的通信负载、无法预测的延迟及对终端用户移动的支持不足等,思科提出了新型计算模式“雾计算”。在雾计算中,雾节点可以在网络边缘实现低延迟交互,有效的降低响应时延,云数据中心能提供计算能力更强、存储空间更大的中心化处理资源,从而实现快速计算。雾计算商业化逐渐扩大后,雾节点服务凭借其基础设备价格低及部署、维护简单等优点受到用户的关注,仅仅使用雾层资源能很大程度的节约任务执行费用,却需要付出很大的时间代价,影响了用户的服务体验,协同利用雾-云多层资源提供服务可以在保证时延不影响服务体验的情况下降低费用。工作流系统能够根据用户的需求管理复杂的雾-云多层资源分配和优化工作流任务调度,如何合理使用雾-云多层资源为工作流任务提供满足服务质量(Quality of Service,QoS)需求的服务是值得研究的问题。由于用户具有移动性,且雾节点提供服务的范围有限,用户位置的变动会引起工作流中不同任务请求服务资源时连接到的雾节点存在差异。这在一定程度上限制了任务可使用的雾节点范围,虽然任务传输到雾节点上执行能快速的得到响应,但是执行速度慢、效率低。用户位置变动虽然会影响请求雾节点资源,但是对请求云资源没有影响,在用户移动过程中协同利用雾-云资源执行任务可以保证任务能及时的请求到资源。本文一方面研究雾计算环境中如何利用雾-云多层资源协同为工作流任务提供满足QoS需求的服务,并结合粒子群优化算法(Particle Swarm Optimization,PSO)和Min-Miin算法提出雾计算环境中使用雾-云多层资源的满足截止时间约束的费用优化工作流任务调度策略(a Cost-effective Time-constrained task scheduling Strategy using fog-cloud multi-layer resources in Fog computing,CTSF)。另一方面,考虑到用户位置变动会限制任务请求资源时连接到雾节点的范围,进而会对执行任务的QoS产生影响,本文在CTSF策略的基础上,提出位置感知的雾计算环境中使用雾-云多层资源的满足截止时间约束的费用优化工作流任务调度策略(a Cost-effective Time-constrained task scheduling Strategy using fog-cloud multi-layer resources in Location-aware Fog computing,CTSLF)。本文的主要工作如下:1.由于使用单层雾资源无法为用户提供同时满足低时延、低费用要求的服务,本文研究在工作流任务调度中如何使用雾-云协同计算资源为任务提供服务。在任务调度中,利用PSO算法对调度方案进行优化,并使用Min-Min算法解决调度方案中出现的资源冲突问题。本文将任务调度算法与雾计算环境中工作流任务执行的时间模型、费用模型相结合,提出了CTSF策略。实验从适应度值、执行费用、执行时间、计算时间和通信时间几个方面对策略进行了对比分析,结果表明,本文提出的CTSF策略能够产生满足截止时间约束且费用优化的调度方案。2.结合实际场景中用户终端的移动性,本文在研究CTSF策略的基础上,进一步考虑了用户移动情况下如何利用雾-云协同计算资源为任务提供满足QoS需求的服务,提出CTSLF策略。在CTSLF策略中,工作流任务请求资源时用户的位置决定了任务可以连接到哪些雾节点,但是受前驱任务的影响,同一任务在不同调度方案中请求资源的时刻是不同的,为此本文给出了任务请求资源时如何定位用户位置、以及如何确定任务可连接的服务资源范围的方法。本文最终通过适应度值、执行费用、执行时间、计算时间和通信时间几个方面的实验结果说明了CTSLF策略的可行性。由于当前雾计算环境中单层雾资源为用户提供的服务无法满足用户的QoS(如低时延、低费用等)需求,本文研究了如何管理雾计算环境中的雾-云多层资源使其以协同合作的方式为任务提供满足QoS要求的服务,并结合PSO算法和Min-Min算法设计了能够产生满足用户时间约束且费用优化调度方案的调度策略CTSF。在此基础上,本文考虑到实际场景中用户的移动性,研究了移动情况下如何利用雾计算环境中的雾-云协同计算资源为任务提供满足QoS要求的服务,并基于CTSF策略设计了调度策略CTSLF。最终通过实验说明本文两种策略的有效性。
【图文】：

趋势图,思科,视觉,节点

该架构中云服务器与雾节点共存，但雾服务不是必须的，用户终端与雾节点、逡逑雾节点与雾节点之间通过局域网（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ，邋ＬＡＮ）通信，用户终端与逡逑云、雾节点与云之间通过广域网（ＷｉｄｅＡｒｅａＮｅｔｗｏｒｋ，邋ＷＡＮ）通信［８，９】，图１．２展逡逑示了云计算与雾计算架构。总的来说，雾计算能够提供和云计算一样的服务，但逡逑２逡逑

架构图,架构

（ａ）邋Ｍ２Ｍ邋Ｃｏｎｎｅｃｔｉｏｎ邋Ｆｏｒｅｃａｓｔ逦（ｂ）邋ＩＰ邋Ｔｒａｆｆｉｃ邋Ｆｏｒｅｃａｓｔ逡逑图１．１：思科视觉网络指数：预测与趋势（２０１７－２０２２）逡逑Ｆｉｇ．邋１．１：邋Ｃｉｓｃｏ邋Ｖｉｓｕａｌ邋Ｎｅｔｗｏｒｋｉｎｇ邋Ｉｎｄｅｘ：邋Ｆｏｒｅｃａｓｔ邋ａｎｄ邋Ｔｒｅｎｄｓ邋（２０１７－２０２２）逡逑将会带来较长的传播时延，这对于用户体验来说是无法忍受的，，如工业物联网解逡逑决方案要求低延迟和立即处理数据，企业无法承受终端设备层和基于云的物联网逡逑平台之间数据往返传输造成的延迟；其次，对移动场景支持不足，例如在高速移逡逑动的车载网络中，司机要求快速实时的感知路况及交通流等数据；再有，大量的逡逑设备接入云端，网络带宽就显得捉襟见肘，网络拥塞则会影响用户的ＱｏＳ；此外，逡逑云计算还面临着无法满足地理位置分布相关的感知环境的实时要求及安全性隐逡逑私性不容客观等挑战。为了缓解云计算的压力以及为用户提供良好的ＱｏＳ，雾计逡逑算的架构模式应运而生，该架构提供了计算、存储和网络资源在雾节点（如路由逡逑器、交换机、代理服务器、基站等）本地处理物联网数据⑴。逡逑雾计算最初由思科定义为“云计算范式的扩展
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP308;TP393.09

【相似文献】