[发明专利]一种基于大小资源树的强化学习任务调度的方法

说明书

本发明涉及边缘计算网络领域，且公开了一种基于大小资源树的强化学习任务调度的方法，包括以下步骤：第一步：计算MEC网络中的计算资源；第二步：构建出大小资源树模型；第三步：利用大小资源树模型对任务进行任务分解，第四步：将任务分解后的任务调度至不同的节点计算，该基于大小资源树的强化学习任务调度的方法，可以快速决策将任务调度至有计算能力的节点，进一步提高任务的执行速度并降低任务的执行耗时。

技术领域

本发明涉及边缘计算网络领域，具体为一种基于大小资源树的强化学习任务调度的方法。

背景技术

在边缘计算网络中，终端设备通过将产生的任务卸载到其他节点来加速任务的计算。传统终端设备过渡依赖云计算模式的弊端已逐渐显现，依赖于云计算无法满足新诞生的高带宽、低延迟应用需求，边缘计算模式正是为了解决这一瓶颈问题而提出的。边缘计算模式提倡将计算任务卸载至边缘节点以降低计算延迟，

现有的边缘计算针对解决某一特定场景下的特殊问题进行优化，适用条件较为苛刻，不适合通用场景，适用性低，导致需要为不同的场景单独开发合适的任务调度策略。

未能充分发挥出MEC网络潜在的计算能力，在计算量需求方面仍然过度依赖于云端服务器，导致执行计算任务的延迟优化效果甚微。MEC网络中有大量的终端节点可以执行计算任务，如果能充分挖掘出这部分节点的计算量，不仅能够提升整个MEC网络的计算量，也能将计算任务就近卸载，同时进一步降低任务计算延迟。

没有真正的全局优化思想，大部分工作是针对局部区域任务的调度进行优化，有相关研究通过实现局部最优来争取达到全局最优，但这并不是真正的全局最优，也无法达到全局最优，没有考虑域间MEC网络节点的信息交换，导致只能发掘域内节点的潜在计算量。

为此我们提出了一种基于大小资源树的强化学习任务调度的方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于大小资源树的强化学习任务调度的方法，解决了上述的问题。

(二)技术方案

为实现上述所述目的，本发明提供如下技术方案：一种基于大小资源树的强化学习任务调度的方法，包括以下步骤：

第一步：计算MEC网络中的计算资源；

第二步：构建出大小资源树模型；

第三步：利用大小资源树对任务进行任务分解；

第四步：将分解后的任务调度至MEC网络中的节点去计算。

优选的，所述第一步中计算资源包括节点间网络带宽资源、节点CPU频率资源、节点内存资源、节点硬盘存储资源、节点GPU资源。

优选的，所述大小资源树模型用来管理MEC网络中的计算资源，大小资源树模型采用分域机制，大资源树管理域内的全部资源节点，对于域内可以更细致的划分成片区，构造小资源树来管理片区内的资源节点。

优选的，所述任务分解包含功能分解和数据分解构成两个部分，功能分解是在应用层面将应用的功能进行分解后并行化处理来降低任务计算延迟，数据分解是通过将任务的输入数据分解后传递至其他节点完成计算。

优选的，所述第二步中的大小资源树的创建包括以下步骤：

第一步：从存储介质中读取资源表，判断资源表是否存在，如果资源表不存在，从域内服务器获取资源表，再次判断资源表是否存在，如果不存在，从云服务器获取资源表，如果云端节点也不存在资源表，说明资源表尚未被创建；

资源树尚未被创建，构造大小资源树：

1.由各区域内的主节点，收集时间内上报节点的信息；