[发明专利]面向电力数据处理的自适应智能任务调度方法及应用

说明书

本发明公开了一种面向电力数据处理的任务调度方法及应用，应用于云边协同系统中，云边协同系统包括云计算中心以及多个边缘节点，该方法包括：获取多个待调度任务的延迟上限，以确定多个待调度任务的任务类型，其中，任务类型包括延迟容忍型任务、延迟高敏感型任务以及延迟低敏感型任务；依据预设卸载顺序将多个待调度任务卸载至云计算中心或边缘节点，其中，预设卸载顺序为依次卸载延迟容忍型任务、延迟高敏感型任务以及延迟低敏感型任务。该方法根据任务延迟敏感度的不同对任务类型进行划分，并针对不同类型任务的卸载和资源分配机制进行优化，降低了任务响应时间，并提高了系统性能。

技术领域

本发明是关于电力技术领域，特别是关于一种面向电力数据处理的自适应智能任务调度方法及应用。

背景技术

伴随着信息化时代的到来，物联网技术、人工智能、图像处理等领域的快速发展，智能设备终端数量呈井喷式增长态势。一些智能应用正在兴起并引起了极大的关注，例如人脸识别、自然语言处理、互动游戏和增强现实。这些应用程序所发出的任务通常是计算密集型和延迟敏感型的。虽然如今移动设备的中央处理器速度有了很大的提高，个人电脑的速度也有了很大的改善，但在面对那些需要在短时间内获得大量计算资源的应用时仍然无能为力，如何提高数据处理速率和任务完成质量成为当前的一个研究重点。

云计算通过网络向终端提供动态可扩展的计算和存储资源，允许将终端产生的任务卸载到云进行集中处理。作为一种具有高计算能力的解决方案，云计算有效的减小了任务的处理时间，提高了移动终端的续航能力。然而，云计算同样具有一定的局限性。一些物联网应用发出的延迟敏感任务需要非常短的响应时间，同时可能产生大量数据，这给网络带宽带来沉重的负担，而云计算的效率不足以支持这些应用程序。为了解决云计算带来的高传输时延问题，用于计算网络终端产生的大量数据的边缘计算模型随之诞生。

边缘计算虽然减少了数据传输距离，弥补了云计算的不足，但其有限的资源在处理计算密集型应用时仍面临巨大阻力。云计算与边缘计算是互补的，二者必须密切配合，才能适应各种应用情况。边缘计算的主要功能是处理那些短期的实时数据；云计算负责边缘节点难以处理的计算任务，二者相辅相成，应用于云计算中心和边缘节点的大数据处理，产生了一种“云边协同”的系统架构，较好地解决了万物互联时代大数据处理中所存在的问题。这一新的计算模式使得智能任务的处理变得更加灵活，能够更好地满足用户的需求。但云边协同这一新的环境同样面临着一些问题。首先，边缘服务器拥有的资源通常是非常有限的，不能满足大量任务的计算需求，而任务卸载到不同的边缘节点对系统效益的影响不同，在此基础上，不同时刻终端设备发出的任务之间是异构的，对资源的需求量以及传输所需的带宽都是不同的，因此，任务的卸载策略需要动态变化。

近年来，任务卸载和资源分配问题引发了许多学者的关注并已取得了大量的研究成果，但大多数研究都是在移动边缘计算环境下进行。关于任务卸载问题，目前大部分研究以最小化响应时间为目标，将卸载问题抽象为凸规划、混合整数线性规划模型，实现异构边缘节点的任务卸载。由于云层和边缘层地理位置和带宽等特性的差异，将任务卸载到不同的位置会导致不同的传输延迟时间，这种卸载策略有效地降低了任务的响应时间。也有研究者提出了一种带有混合遗传算子的自适应粒子族优化算法，通过考虑边缘层和云层的数据分布特点以及边缘节点的系统带宽、计算资源和存储容量等影响因素，有效降低了任务卸载时的数据传输延迟。

关于资源分配问题，目前已有的工作通过分析边缘节点的能耗和资源利用率之间的关系，推断出任务执行的能耗和最佳资源利用率，结合搜索优化方法和贪心策略，解决资源分配问题，提高了该算法的全局优化性能，降低了处理任务的资源消耗。

以上大多数研究都是针对移动边缘计算的，但是在一些场景下，例如工业互联网中，大多数设备都是有线供电，移动边缘计算的模型不再适用。同时，这些工作没有联合优化任务卸载和资源分配策略问题，也没有针对任务属性的动态变化进行研究，缺少对任务的延迟敏感度进行分类的相关研究。

发明内容