异构边缘资源的任务卸载和协同调度

边缘计算广泛应用于物联网、车联网和在线游戏等新兴领域,通过网络边缘部署计算资源为终端设备提供低延迟计算服务.针对如何进行任务卸载以权衡任务执行时间与传输时间、如何调度多个不同截止期任务以最小化总延迟时间等挑战性问题,提出1种异构边缘协同的任务卸载和调度框架,包括边缘网络拓扑节点排序、边缘节点内任务排序、任务卸载策略、任务调度和结果调优等算法组件;设计多种任务卸载策略和任务调度策略;借助多因素方差分析（multi-factor analysis of variance,ANOVA）技术在大规模随机实例上校正算法算子和参数,得到统计意义上的最佳调度算法.基于EdgeCloudSim仿真平台,将所提出调度算法与其3个变种算法从边缘节点数量、任务数量、任务分布、截止期取值区间等角度进行性能比较.实验结果表明,所提出调度算法在各种情形下性能都优于对比算法.     

车联网中基于联邦深度强化学习的任务卸载算法

随着车联网应用服务体系日益丰富，计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用。计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题。对于车联网中动态的多车辆多路侧单元的任务卸载环境，提出了一种基于联邦深度强化学习的任务卸载算法。该算法将每辆车都看作是智能体，采用联邦学习的框架训练各智能体，各智能体分布式决策卸载方案，以最小化系统的平均响应时间。设置评估实验，在多种动态变化的场景下对提出的算法的性能进行对比分析。实验结果显示，提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法，接近于理想方案，且求解时间远短于理想方案。实验结果表明，所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间。     

基于车联网应用的云平台任务调度算法

在云平台车联网优化调度问题的研究中,车联网具有多用户、多业务、高并发等特点.为了保障车联网应用在云平台上快速、稳定和可靠的运行,在云计算的基础上,提出一种基于车联网应用的MCT-LB-GSA(Minimum Completion Time-Load Balance-Greedy Scheduling Algorithm)任务调度算法.算法以虚拟机资源的当前负载作为约束条件,依照贪心策略将任务调度到当前负载较轻且具有最小任务完成时间上的虚拟机资源上.在CloudSim环境下进行了仿真,结果表明,改进算法在保证最优任务调度跨度的同时也有效地实现了资源负载均衡,提高了资源利用率.     

考虑截止资源公平调度的雾计算任务卸载

为解决雾计算网络中不同延迟期限的任务卸载问题,合理分配计算资源,提出一种考虑截止资源公平调度的雾计算任务感知卸载算法。首先,提出考虑计算资源公平的调度策略,确保在各自截止时间内完成的任务数量实现最大化,同时使网络具有很强的稳定性;然后,利用李雅普诺夫漂移加惩罚函数对任务队列长度进行调度,并设计调度策略决定要卸载到欠负载雾节点的任务数量,以充分利用网络中所有雾节点提供的计算资源;最后,仿真实验结果表明,该雾计算任务调度策略要优于选取的对比任务调度策略。     

考虑任务依赖的卫星边缘计算资源分配与卸载决策算法

针对高低轨卫星网络协同边缘计算的卸载决策问题,提出了一种考虑任务依赖的联合计算资源、无线资源分配与任务调度的卫星网络边缘计算卸载决策算法。首先,将任务卸载问题建模为最小化任务延迟和能量消耗的联合优化问题;然后,将能源消耗和时延引入子任务优先级定义中,基于动态优先级进行启发式卸载策略搜索。该算法保证了子任务之间的依赖性并同时考虑了无线资源分配。仿真结果表明,与已有研究相比,该算法能缩短高低轨卫星协同计算的任务执行延迟,且能够降低低轨卫星功耗。     

基于多智能体深度强化学习的车联网可信任务卸载策略

针对车联网中边缘节点的可信性无法保证的问题,提出了一种基于声誉的车联网可信任务卸载模型,用记录在区块链上的边缘节点声誉来评估其可信度,从而帮助终端设备选取可靠的边缘节点进行任务卸载。同时,将卸载策略建模为声誉约束下的时延和能耗最小化问题,采用多智能体深度确定性策略梯度算法来求解该NP-hard问题的近似最优解,边缘服务器依据任务卸载的完成情况获得奖励,然后据此更新记录在区块链上的声誉。仿真实验表明,与基准测试方案相比,该算法在时延和能耗方面降低了25.58%~27.44%。     

云计算环境下基于用户和资源约束的免疫效用均衡任务调度算法

针对云计算中的任务调度问题, 提出了一种免疫均衡效用任务调度算法. 该算法将云计算环境下任务调度问题建模为一个多目标优化模型, 同时兼顾了用户任务的时间跨度和虚拟化资源的负载均衡. 仿真结果表明, 该任务调度算法提高了用户满意度的同时减少了任务的完成时间, 是云平台下一种有效的任务调度策略.     

基于遗传算法的网格资源调度算法

网格将多种资源组织在一个统一的框架下，为各种复杂的计算任务提供资源．因此计算任务在各种资源之间的调度成为了一个关键的问题．简述了在异构资源之间调度任务的重要性，提出了一种基于遗传算法的任务调度算法，该算法采用资源一任务的间接编码方式，通过DAG图获取子任务的层次关系，并将子任务按照层次深度排序，解决了种群中的非法问题．在单一资源上采用短任务优先和父节点优先两个原则来安排子任务的执行次序，以避免出现任务堵塞的现象．     

一种基于遗传算法的网格任务调度算法

任务调度算法是网格计算研究的一个重要方向,已被证明是一个NP完全问题.提出了一种新的网格任务调度算法.该算法基于遗传算法,为加快算法的收敛速度,在生成初始种群时优先分配关键路径上的任务;由于资源间存在着通信延迟,引入任务复制方法,并结合遗传操作控制任务复制的深度,可以减少任务之间的通信开销,缩短整个调度的完成时间;最后进行优化操作,减少冗余的任务复制.模拟实验结果表明,该算法在收敛速度和调度完成时间均优于普通遗传算法.     

基于DP-HAFS算法的移动边缘计算卸载策略

针对移动边缘计算的计算资源有限、系统处理任务总开销过高的问题,提出一种基于动态感知—混合人工鱼群(DP-HAFS)算法的卸载策略。首先,构建本地—边缘—云端三层网络架构,采用基于细粒度的部分卸载模式;然后,针对一个终端设备被多个基站覆盖的场景,提出基站选择策略进行最优基站的选择;最后,采用DP-HAFS算法对卸载决策进行动态修正,得到最优卸载策略。仿真结果表明,所提卸载策略在任务数量较多的场景下能有效降低系统总开销。     

车联网中基于DDQN的边云协作任务卸载机制

面对车载终端数据计算量的爆炸式增长,计算卸载是缓解车辆资源不足的有效手段。相比于单独研究云计算或边缘计算,让两者相互协作可以实现优势互补,提高系统的整体服务质量。在车联网中,制定适应环境动态性的卸载决策存在较大困难,其中任务的紧急程度也是一个不容忽视的因素。构建一个基于软件定义网络的边云协作任务卸载架构,并设计任务优先级的度量标准,将动态环境中的任务卸载决策问题建模为马尔可夫决策过程,从而最大化由时延和成本构成的任务平均效用。为了求解任务卸载决策,提出基于双深度Q网络的任务卸载决策算法以及基于优先级的资源分配方案,并设计一种卸载比例计算方法,以保障卸载的任务量能够在通信时间内上传完成的同时最小化任务处理时延。实验结果表明,相比于全部本地、全部卸载和平均分配资源3种固定的卸载算法,该算法时延和效用性能提高了2倍以上,在车辆数目适中的情况下,任务的完成比例可以稳定保持在100%。     

一种自适应的动态网格任务调度算法

GRACE网格资源框架是一个分布式、可计算的经济学体系框架,针对框架中分配网格资源问题,引入近视算法,提出了一种自适应的动态网格任务调度算法。该算法通过在调度过程中动态监测系统的负载平衡度,自适应地选择任务调度策略。经模拟试验证明,该调度算法提高了任务的调度成功率。     

基于深度学习的动态优先级任务调度算法

工业互联网中设备任务的处理需要大量计算资源,有低时延需求的任务显著增多.边缘计算将算力等资源放置到靠近需求一侧,为任务处理提供有效支撑.但由于边缘计算资源有限,无法同时满足设备任务的低时延和高完成率需求.如何确定合理的卸载决策与任务调度,仍然存在巨大挑战.针对以上问题,本文提出了一种基于深度学习的动态优先级任务调度算法DPTSA,首先根据动态优先级选择待处理任务,通过神经网络产生任务调度决策,然后通过交叉变异等操作产生一组可行解,再筛选最优解存储到经验缓冲区,最后通过经验缓冲区样本优化神经网络参数.基于Google的Brog任务调度数据集的实验结果表明,相比于4种基准算法, DPTSA在任务等待时间和任务完成率方面都有出色表现.     

网格服务资源多维性能聚类任务调度

网格计算是当前一个重要的研究领域,其中任务调度是一个基本组成部分,其性能直接影响到网格服务质量.为了缩短任务调度完成时间,提高任务调度性能,提出了一种网格资源多维性能聚类任务调度算法MPCGSR (task scheduling algorithm based on multidimensional performance clustering of grid service resources).该算法根据网格环境下服务资源数量庞大、异构、多样的特点,预先以构建的网格服务资源超图模型为基础,结合小世界理论对服务资源进行多维性能聚类,将任务与聚类资源相匹配并实施调度.模拟实验结果表明,算法较之同类算法具有优越性,是一种有效的网格任务调度算法.     

多基站下基于DRL的RAN切片资源分配

在第五代移动通信中,网络切片被用来为各种业务提供一个最佳的网络。针对多基站下的RAN切片场景,以往的资源分配方法在切片的数量发生变化时无法满足切片的需求而且只适用于特定的场景,针对这个问题,提出了一种实现最佳资源分配且与切片数无关的方法。该方法先利用Ape-X方法（一种DRL方法）将资源分配给切片,再经过切片到基站的资源映射和用户资源分配来满足用户的需求。仿真结果表明,所提出的方法能够根据切片的状态和需求分配资源,分配了必要数量的RB以满足切片的需求而且不受切片数量变化的影响,同时该方法也具有很高的通用性能和扩展性。     

淤地坝监测场景下边缘计算协作式任务调度方法

针对目前我国西北地区淤地坝实时监测问题,研究了淤地坝监测与预警任务的调度方法.为避免淤地坝坝体隐患发现不及时,提高预警系统的时效性,本文考虑了任务卸载至边缘服务器的平均等待时间,提出了一种淤地坝监测场景下边缘计算协作式任务调度方法.根据任务计算量、边缘服务器计算能力等信息建立计算任务完成时间模型,然后采用模拟退火算法优化计算任务卸载位置,设计了一种多个边缘计算服务器相互协作的任务调度策略.实验结果表明,该方法有效降低了监测任务的计算时间,提高了监测预警的时效性.     

网格资源超图划分聚类任务调度

网格计算是当前一个活跃的研究领域,其中任务调度是实现网格计算目标的一个重要部分.为获得良好的网格任务调度性能,提出了一种基于资源超图划分聚类的网格任务调度算法RHPC.该算法根据网格环境下资源数量庞大、异构、多样的特点,在构建的网格资源超图模型基础上,预先对资源进行性能划分聚类,将任务与聚类资源相匹配并实施调度.模拟实验结果证明算法缩短了任务资源相匹配的时间,提高了任务调度的性能,是一种有效的网格任务调度算法.     

基于多QoS约束的数据网格任务调度算法研究

针对数据网格环境下的多QoS约束任务调度问题,提出了一种基于最早完成时间与QoS相识度的数据网格任务调度算法(data grid task scheduling algorithm based on Min-min and QoS similarity,MS-GTSA).该算法将最早完成时间与S-GTSA算法相结合,在任务调度过程中,选取任务QoS约束与资源QoS匹配最佳,且完成时间最早的一项优先进行调度.在满足任务最佳QoS匹配的同时,时间跨度得到了较大的改善.仿真结果表明,该算法有效降低了任务调度的时间跨度,在综合性能上较S-GTSA算法有所提高.     

移动边缘计算中基于深度强化学习的任务卸载研究进展

移动边缘计算是近年出现的一种新型网络计算模式,它允许将具有较强计算能力和存储性能的服务器节点放置在更加靠近移动设备的网络边缘(如基站附近),让移动设备可以近距离地卸载任务到边缘设备进行处理,从而解决了传统网络由于移动设备的计算和存储能力弱且能量较有限,从而不得不耗费大量时间、能量且不安全地将任务卸载到远方的云平台进行处理的弊端.但是,如何让仅掌握局部有限信息(如邻居数量)的设备根据任务的大小和数量选择卸载任务到本地,还是在无线信道随时间变化的动态网络中选择延迟、能耗均最优的移动边缘计算服务器进行全部或部分的任务卸载,是一个多目标规划问题,求解难度较高.传统的优化技术(如凸优化等)很难获得较好的结果.而深度强化学习是一种将深度学习与强化学习相结合的新型人工智能算法技术,能够对复杂的协作、博弈等问题作出更准确的决策,在工业、农业、商业等多个领域具有广阔的应用前景.近年来,利用深度强化学习来优化移动边缘计算网络中的任务卸载成为一种新的研究趋势.最近三年来,一些研究者对其进行了初步的探索,并达到了比以往单独使用深度学习或强化学习更低的延迟和能耗,但是仍存在很多不足之处.为了进一步推进该领域的研究,文中对近年来国内外的相关工作进行了详细地分析、对比和总结,归纳了它们的优缺点,并对未来可能深入研究的方向进行了讨论.     

基于Web的网格入口软件研究与实现

通过分析网格的使用模式,设计实现了网格入口软件WebGrid。WebGrid的研究与实现围绕网格监控和任务调度展开,采用了基于遗传算法的任务调度算法。该算法采用资源-任务的间接编码方式,通过DAG图获取子任务的层次关系,并将子任务按照层次深度排序,解决了种群的非法问题。在单一资源上采用短任务优先和父结点优先两个原则来安排子任务的执行次序,避免出现任务堵塞的现象。