边缘环境下DNN应用的计算迁移调度技术

发布时间：2021-07-29 07:39

　　深度神经网络（Deep Neural Network,DNN）应用对运行设备的性能要求较高,无法直接在计算资源受限的移动设备上运行。通过计算迁移技术将某些计算复杂的神经网络层迁移到资源丰富的边缘或者远程云端上去执行,是一种有效的解决资源受限问题的方法。计算迁移会产生额外的时间开销,如果迁移过程的时延太长,将严重影响用户体验。为此,文中以得到边缘环境下多任务并行调度的最小平均响应时间为目标,首先提出边缘环境下DNN应用的计算迁移调度问题,并对该问题的解设计了评估算法;然后设计了两种调度算法即贪心算法和遗传算法（Genetic Algorithm,GA）来求解问题;最后设置评估实验,在5种不同的边缘环境下对两种算法的性能进行对比分析。实验数据表明,采用所提算法得到的解十分接近最优解。与传统的迁移方案相比,贪心算法能得到平均响应时间更短的调度方案;遗传算法的平均响应时间比贪心算法短,但其运行时间明显更长。实验结果说明,所提两种调度算法能够有效地缩短边缘环境下DNN应用的计算迁移调度的平均响应时间,提高用户体验。 

【文章来源】：计算机科学. 2020,47(10)北大核心CSCD

【文章页数】：9 页

【部分图文】：

实验设置的节点图

同时,使用一个7层的DNN应用来进行实验。设总任务数为12,即共有84个子任务。这12个任务从1开始编号,任务1,5,9,12在移动设备1上产生;任务2,6,10在移动设备2上产生;任务3,7,11在移动设备3上产生;任务4,8在移动设备4上产生。每个移动设备上的任务在1s内匀速到达,如移动设备1上将产生4个任务,那么任务到达率为 1 4 ,即每0.25 s到达一个任务。图2展示了每个移动设备产生的任务和每个任务的到达时刻。另外,本文事先预测出该DNN应用各层之间的数据传输量(单位为Mb)为:

此外,在场景1下,保持其他设置不变,只改变总任务数,以测试总任务数对算法运行时间的影响。图4展示了总任务数对贪心算法运行时间的影响,图5展示了总任务数对遗传算法运行时间的影响。图5 总任务数对遗传算法运行时间的影响

【参考文献】：
期刊论文
[1]融合负载均衡和蝙蝠算法的云计算任务调度[J]. 王东亮,衣俊艳,李时慧,王洪新.  信息网络安全. 2017(01)
[2]一种智能局部移动云资源分配机制的研究[J]. 刘金阳,王兴伟,黄敏.  信息网络安全. 2016(10)



本文编号：3308913