社会属性感知的边缘计算任务调度策略

发布时间：2022-01-17 05:37

　　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。 

【文章来源】：电子与信息学报. 2020,42(01)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

系统框架图

种状态。本文用负载均衡度来衡量整个网络的负载均衡情况。首先根据所有服务器的负载情况计算出整个网络不同资源的负载中心值，然后根据中心值求出负载均衡度。负载中心值的计算如式(3)lq=1kk∑j=1ava_reqj(3)ava_reqj其中，表示服务器j上可用的q资源的数量，k表示服务器的数目。则负载均衡度求解如式(4)lb=1k3∑q=1k∑j=1(ljqlq)2(4)εij定义一个负载均衡因子来衡量任务i分配到服务器j上后服务器的实时负载情况，具体计算公式如式(5)图2网络模型图第1期王汝言等：社会属性感知的边缘计算任务调度策略273

ETS算法的分析同之前一样，由于它是以时延最小为目标的，所以它的负载均衡度往往是这3种算法中最差的。不同任务数量下的负载均衡度变化情况如图5所示。从图中可以看出，随着任务数量的增加，WLB-ACO,HETS和Full-Local算法的负载均衡度表1仿真参数设置参数设定参数数值任务到达率(个/s)[0,4]任务所需内存(GB)[1,10]任务所需CPU周期(MHz)50任务时延(s)[200,1500]边缘服务器CPU频率(GHz)3无线信道带宽(MHz)5边缘服务器数量(个)5学习因子0.5终端发射功率(W)[0.1,2]噪声功率(dBm/Hz)–170图3不同场景下的负载均衡度图4不同服务器计算资源下的负载均衡度图5不同任务数量下的负载均衡度276电子与信息学报第42卷


本文编号：3594142