[发明专利]模糊边云协同环境下的多工作流应用调度方法

说明书

本发明涉及一种模糊边云协同环境下的多工作流应用调度方法，包括：构建多工作流应用调度模型，包括带截止时间约束的多工作流应用模型、边云协同环境以及代价驱动调度器；针对建立的多工作流应用调度模型，采用基于遗传算子的粒子群优化调度策略来最小化多工作流应用在模糊边云协同环境中的模糊执行代价，并在其中引入二次惩罚方法，以使调度策略更快地搜索到可行解。该方法有利于降低截止时间约束下多工作流应用的模糊执行代价。

技术领域

本发明属于工作流应用领域，具体涉及一种模糊边云协同环境下的多工作流应用调度方法。

背景技术

工作流应用结构复杂，通常包含数十个计算任务，这些任务之间具有数据或控制流依赖关系。典型的工作流应用包括基于DNN的应用、物联网应用等。这些应用计算复杂度高，对数据传输时延敏感，一般需要高性能的计算平台来执行完成。云计算提供强大的计算性能，但由于IoT设备和云端间的数据传输时延严重，导致IoT设备的时延敏感工作流应用无法直接调度至云端执行。移动边缘计算是一种不断发展的计算范式，提供了一种更有效的替代方案，即在更接近创建点的位置处理数据。因此，对延迟敏感的工作流应用可以在边缘云环境中得到及时处理，其中，数据密集型任务被调度至边缘，而计算密集型任务则被调度至云端。然而，边云协同环境的资源异构，各个计算节点的计算能力、带宽、存储等均存在差异，如何在边云协同环境下，将存在任务依赖的多个工作流应用合理调度，满足每个工作流应用的截止时间约束，是一个重要挑战。

近年来，许多研究工作针对云计算或边缘计算环境下的工作流应用调度展开。工作流应用调度问题是一个NP难问题，通常考虑在单一平台(云计算或边缘计算)环境下，将工作流应用的依赖任务分别调度到不同的计算节点，满足工作流应用的QoS要求。边云协同环境下的工作流应用调度，不仅需要满足工作流应用的高计算复杂度需求，而且能够有效降低数据传输时延。现有研究工作大多仅考虑单一工作流应用的调度问题，而忽略了多个工作流应用的调度，且在满足工作流应用截止时间约束下前提下的调度代价优化方面仍有较大的可挖掘空间。如何在满足多个不同工作流应用时延约束前提下，考虑不同工作流应用的差异化生成时间，有效调度工作流应用的依赖任务至合适的边云计算节点上，降低多工作流应用的总体执行代价，仍是一项极具挑战的研究。

发明内容

本发明的目的在于提供一种模糊边云协同环境下的多工作流应用调度方法，该方法有利于降低截止时间约束下多工作流应用的模糊执行代价。

为实现上述目的，本发明采用的技术方案是：一种模糊边云协同环境下的多工作流应用调度方法，包括：

构建多工作流应用调度模型，包括带截止时间约束的多工作流应用模型、边云协同环境以及代价驱动调度器；

针对建立的多工作流应用调度模型，采用基于遗传算子的粒子群优化调度策略来最小化多工作流应用在模糊边云协同环境中的模糊执行代价，并在其中引入二次惩罚方法，以使调度策略更快地搜索到可行解。

进一步地，对于多工作流应用在模糊边云协同环境中的调度方案其目标是找到一个多工作流应用W对应于模糊边云协同环境S的最优映射M，使得在所有工作流应用的模糊完成时间都满足截止时间约束的条件下，最小化多工作流应用的模糊执行代价模糊边云协同环境中的多工作流应用调度是一个NP难问题，同时是一个多约束组合优化问题；针对组合优化问题，采用基于遗传算子的粒子群优化调度策略来最小化多工作流应用在模糊边云协同环境中的模糊执行代价；此外，由于所述组合优化问题是多约束的，引入二次惩罚方法，替代传统的适应度评估函数，以使调度策略更快地搜索到可行解；所述多工作流应用调度方法具体包括以下步骤：

1)初始化算法相关参数，包括种群大小、最大迭代次数、惯性因子、学习因子和变异位数，并随机生成初始种群；

2)将各粒子映射到相应的多工作流应用调度方案；

3)基于二次惩罚方法，评估粒子群中每个粒子的模糊适应度，并选取个体最优粒子和全局最优粒子；