(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210588981.0 (22)申请日 2022.05.26 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市栖霞区文苑路9 号 (72)发明人 徐小龙　姚锐　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 朱宝庆 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) (54)发明名称 一种面向云边聚合计算的多决策计算任务 优化卸载 方法 (57)摘要 本发明公开了一种面向云边聚合计算的多 决策计算任务优化卸载方法， 包括： 获取环境参 数、 任务参数以及本地服务器与云服务器之间的 网络带宽信息； 基于任务参数， 为每个任务设置 相应的层级； 并将任务分配给应用程序， 应用程 序开始任务执行， 判断应用程序的终止任务是否 完成， 并获取最优解。 本发明将云服务器、 边缘服 务器与本地服务器中的资源整合， 构建云边聚合 计算框架模 型， 并针对细粒度式应用程序中各任 务间存在的网络拓扑关系， 对细粒度式应用程序 的卸载过程建模， 将任务划分层级， 并对不同服 务器上的计算任务合理分配计算 资源， 实现最小 化应用程序的计算时间， 提高系统吞吐量， 使得 系统的能量消耗与应用程序的计算时间达到平 衡。 权利要求书3页 说明书12页 附图8页 CN 115048200 A 2022.09.13 CN 115048200 A 1.一种面向云边聚合计算的多决策计算任务优化卸载 方法， 其特 征在于， 包括： 获取环境 参数、 任务 参数以及本地 服务器与云服 务器之间的网络带宽信息； 基于所述任务 参数， 为每 个任务设置相应的层级； 将完成层级设置的任务分配给应用程序， 应用程序开始任务执行， 判断应用程序的终 止任务是否 完成， 并获取最优解。 2.如权利要求1所述的面向云边聚合计算的多决策计算任务优化卸载方法， 其特征在 于： 所述环 境参数包括本地服务器的CPU算力、 云服务器的CPU算力以及边缘服务器的CPU算 力， 所述任务参数包括本地服务器的最大同时处理任务数信息、 云服务器最大同时处理任 务数信息以及边 缘服务器的最大同时处 理任务数信息 。 3.如权利要求1或2所述的面向云边 聚合计算的多决策计算任务优化卸载方法， 其特征 在于： 所述 为每个任务设置值相应的层级包括， 获取细粒度式应用程序中各个任务的数据量、 最大容忍时延、 前置任务集合以及后置 任务集合信息； 将所述应用程序的起始任务设置为第一层级； 从所述起始任务开始任务分级， 基于应用程序的网络拓扑图， 以层序遍历的顺序依次 为各个任务设置相应的层级； 对于应用程序中的第i个任务Vi， 若Vi含有后置任务， 暂定Vi后置任务集中的所有任务 处于Vi的下一层级中； 对于同一层级中的任务， 将它 们的后置任务暂时归为同一层级； 对于同一层级中任意的两个任务Vi和Vj， 若Vj在Vi的后置任务 集中， 将Vj置于下一层级； 循环迭代， 直至同层级中的任务间不存在连通路径。 4.如权利要求3所述的面向云边聚合计算的多决策计算任务优化卸载方法， 其特征在 于： 应用程序的执行从起始任务开始， 并且随着终止任务的结束而 结束， 应用程序的执行过 程分成被多个时隙进行处 理。 5.如权利要求4所述的面向云边聚合计算的多决策计算任务优化卸载方法， 其特征在 于： 根据当前时隙内各个服务器的状态， 为已卸 载到当前服务器上 的任务分配合适的计算 资源； 本地服务器的计算资源分配包括， 规定在同一 时刻只能有一个正在运行的计算任务， 分配给本地服务器的其余任务都必 须在等待队列中等待处 理； 云服务器和边 缘服务器的计算资源分配包括， 云服务器和边缘服务器可以同时处理多个任务， 若分配给云服务器和边缘服务器的任 务数量超过其最大可同时处理的任务数， 则正在运行的任务平分当前服务器所含有的计算 资源， 其余任务在等待队列中等待处理； 若分配给云服务器和边缘服务器的任务数量小于 它们的最大负载， 则分配给其的任务同时运行 处理； 若当前时隙有且仅有一个任务待处理， 且等待队列为空， 则该任务独占服 务器的全部计算资源。 6.如权利要求5所述的面向云边聚合计算的多决策计算任务优化卸载方法， 其特征在 于： 包括， 若当前时隙为第一轮或最后一轮时隙， 只需分别对起始任务和终止任务进行判断处权　利　要　求　书 1/3 页 2 CN 115048200 A 2理； 在每个时隙开始时， 统计已生成的任务， 并记录当前情况 下各个服务器的状态信息； 根据操作集中的每个操作和所述服务器的状态信 息， 将所有已生成的任务卸载到对应 的服务器上， 同时分配合 适的计算资源； 根据当前时隙选择的操作、 任务的卸载位置以及对应的服务器状态信息， 对任务进行 处理， 直至时隙结束； 当时隙 取值适当时， 每个时隙结束后， 应用程序分级后处于上一层的任务大部分都已 处理完毕， 并构建 没个时隙的近似惩罚函数 其中， m表示第k个时隙已完成任务的总数， θi表示应用程序中第i个任务Vi的状态， C (vi)表示任务Vi的传输时间， W(vi)表示任务Vi的等待时间， E(vi)表示任务Vi的执行时间； 基于决策状态马尔可夫链， 由操作集A＝{a1,a2,a3,...}得到一组近似惩罚值， 并从所 述近似惩罚值中选取最小惩罚结果 为当前时隙的最优解， 其中ai为最优操作； 根据所述最优操作， 更新所述已生成任务的生成时间、 等待时间、 执行时间以及对应的 服务器状态信息； 根据更新后的所述生成时间、 所述等待时间、 所述执行时间以及所述服务器状态信 息， 执行下一时隙的任务卸载。 7.如权利要求6所述的面向云边聚合计算的多决策计算任务优化卸载方法， 其特征在 于： 对于细粒度式应用程序中的每个任务， 预设各类型时延包括传输时延、 等待时延、 计算 时延。 8.如权利要求7所述的面向云边聚合计算的多决策计算任务优化卸载方法， 其特征在 于： 包括， 当计算任务所对应的卸载位置为本地服务器， 则计算任务对应本地服务器的传输时延 为0， 计算任务对应本地服务器的等待时延为计算任务的开始执行时刻减去计算任务的生 成时刻， 计算任务对应本地服务器的计算时延等于计算任务的数据量与本地服务器的CPU 算力的比值； 当计算任务所对应的卸载位置为边缘服务器， 则计算任务对应边缘服务器的传输时延 为0， 并计算任务对应边 缘服务器的等待时延W(vi,a)、 计算时延E(vi)， 所述计算任务对应边 缘服务器的等待时延W(vi,a)包括， 其中， n表示当前时隙该任务所卸载的边缘服务器上被分配的计算任务的数量以及正 在计算的任务数量的总和， max表示当前任务所对应的边缘服务器被允许的最大可同时处 理的任务数量， t始表示计算任务的开始执 行时刻， t生表示计算任务的生成时刻； 所述计算任务对应边 缘服务器的计算时延E(vi)包括，权　利　要　求　书 2/3 页 3 CN 115048200 A 3