淤地壩監(jiān)測(cè)場(chǎng)景下邊緣計(jì)算協(xié)作式任務(wù)調(diào)度方法①

章新川,胡 煒,王懷軍,安 洋,李軍懷

1(陜西省水利廳,西安 710048)

2(西安理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,西安 710048)

1 引言

淤地壩作為壩區(qū)資源開發(fā)利用和經(jīng)濟(jì)建設(shè)的基礎(chǔ)工程,在黃土高原水土保持中的地位尤為顯著[1].同時(shí)也存在相應(yīng)的潰壩風(fēng)險(xiǎn),因潰壩事件導(dǎo)致的水土流失、生態(tài)破壞時(shí)有發(fā)生,嚴(yán)重的潰壩事件會(huì)危害壩區(qū)居民生命安全.目前淤地壩在信息化管理、險(xiǎn)情預(yù)測(cè)方面,存在數(shù)據(jù)利用率低、數(shù)據(jù)記錄方式落后等問(wèn)題.為解決這些問(wèn)題,壩區(qū)遠(yuǎn)程監(jiān)測(cè)、實(shí)時(shí)評(píng)估等在線實(shí)時(shí)監(jiān)測(cè)模式逐漸成為淤地壩防護(hù)的研究熱點(diǎn).

在5G、物聯(lián)網(wǎng)技術(shù)高速發(fā)展的背景下,采用“云-邊-端”方式實(shí)現(xiàn)對(duì)淤地壩的實(shí)時(shí)監(jiān)測(cè)、傳輸、處理和風(fēng)險(xiǎn)預(yù)警,具有重要意義.通過(guò)部署在壩區(qū)的水尺、雨量計(jì)、視頻等傳感器采集數(shù)據(jù),并經(jīng)過(guò)邊緣節(jié)點(diǎn)預(yù)處理后上傳至云端統(tǒng)一管理和風(fēng)險(xiǎn)評(píng)估與預(yù)警.近幾年,有學(xué)者通過(guò)結(jié)合壩區(qū)傳感數(shù)據(jù)建立淤地壩潰壩模型,將采集數(shù)據(jù)作為參數(shù)輸入潰壩風(fēng)險(xiǎn)模型進(jìn)行預(yù)警[2],實(shí)現(xiàn)對(duì)所覆蓋壩區(qū)的24 小時(shí)智能監(jiān)測(cè).然而,通常情況下淤地壩基礎(chǔ)潰壩模型計(jì)算復(fù)雜度較高,也會(huì)是否在汛期而進(jìn)一步提升.同時(shí)由于淤地壩數(shù)量多、分布廣,一般按照行政區(qū)劃進(jìn)行管理,因此采用“云-邊-端”方式可以有效保證監(jiān)測(cè)與預(yù)警任務(wù)執(zhí)行的實(shí)時(shí)性.

本文考慮了實(shí)際場(chǎng)景中各因素對(duì)計(jì)算任務(wù)完成時(shí)間的影響,建立了相應(yīng)的數(shù)學(xué)模型,并利用模擬退火(Simulated Annealing,SA)算法能夠快速提供一個(gè)較為精確的近似解[3],對(duì)淤地壩的計(jì)算任務(wù)調(diào)度問(wèn)題進(jìn)行求解.

2 相關(guān)研究

2.1 淤地壩安全問(wèn)題研究

顧艷玲等[4]基于熵理論將不同賦權(quán)方法進(jìn)行有機(jī)集成,明確了壩體安全評(píng)估特征值權(quán)重指標(biāo),并通過(guò)最大化模型參數(shù)香農(nóng)熵,保證估計(jì)結(jié)果的相對(duì)穩(wěn)健.黃黎明等[5]基于工程風(fēng)險(xiǎn)清單、風(fēng)險(xiǎn)搜集、大數(shù)據(jù)風(fēng)險(xiǎn)分析三方面并結(jié)合物聯(lián)網(wǎng)技術(shù)建立質(zhì)量風(fēng)險(xiǎn)管理框架,得到以物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)水利工程風(fēng)險(xiǎn)管理的重要經(jīng)驗(yàn).王乃欣等[6]利用3Ds Max 等建模技術(shù)對(duì)淤地壩潰壩進(jìn)行仿真,為研究潰壩時(shí)的救災(zāi)搶險(xiǎn)、應(yīng)急管理做出了重要的參考依據(jù).黃肖[7]利用MIKE 軟件建立了一套關(guān)于壩系布局與洪水關(guān)系的預(yù)測(cè)模型,實(shí)現(xiàn)模擬研究洪水作用下淤地壩的調(diào)控作用.李平等[8]將現(xiàn)有判斷水庫(kù)群發(fā)溢洪方法與貝葉斯網(wǎng)絡(luò)有機(jī)結(jié)合,并根據(jù)場(chǎng)景特征增加了上下游水壩潰壩關(guān)系因子,建立了完整的貝葉斯溢洪評(píng)估網(wǎng)絡(luò).

2.2 邊緣計(jì)算任務(wù)調(diào)度研究

Seid 等[9]提出了一種基于無(wú)人機(jī)的F-RAN 體系結(jié)構(gòu)新方向,該結(jié)構(gòu)采用分布式強(qiáng)化學(xué)習(xí)(DRL)算法對(duì)邊緣設(shè)備進(jìn)行學(xué)習(xí),有效提高了計(jì)算任務(wù)卸載效率,并優(yōu)化了計(jì)算資源分配.Liu 等[10]建立了一種基于優(yōu)化邊緣服務(wù)器資源的分配算法,提高了移動(dòng)邊緣計(jì)算架構(gòu)的計(jì)算資源利用率.Zhou 等[11]通過(guò)模擬退火算法解決了D2D 資源分配成本高的問(wèn)題,在資源分配組合中引入模擬退火算法,有效降低資源分配成本和任務(wù)平均計(jì)算時(shí)間.Liao 等[12]提出了一種有效的低復(fù)雜度啟發(fā)式算法,可以在可接受水平內(nèi)保證邊緣計(jì)算網(wǎng)絡(luò)的計(jì)算資源保持,降低時(shí)間成本并最大化用戶任務(wù)卸載量.Anousha 等[13]對(duì)傳統(tǒng)Min-Min 調(diào)度算法進(jìn)行改進(jìn),充分利用原算法在策略制定速度上的優(yōu)點(diǎn),并避免原算法負(fù)載均衡性能不足、任務(wù)執(zhí)行時(shí)間跨度高的缺點(diǎn),最終改善傳統(tǒng)Min-Min 算法性能.

對(duì)淤地壩進(jìn)行實(shí)時(shí)監(jiān)測(cè),并將其數(shù)據(jù)作為參數(shù)輸入至潰壩模型,由此產(chǎn)生淤地壩計(jì)算任務(wù).為提高淤地壩風(fēng)險(xiǎn)預(yù)警的時(shí)效性,需要對(duì)計(jì)算任務(wù)進(jìn)行合理調(diào)度,縮短計(jì)算任務(wù)完成時(shí)間.各淤地壩計(jì)算任務(wù)卸載位置的精確求解屬于整數(shù)線性規(guī)劃中的NP 難問(wèn)題.此類問(wèn)題雖存在精確最優(yōu)解,但計(jì)算量極大,耗時(shí)極長(zhǎng).

通常分布式的邊緣計(jì)算具有高隱私、低成本、易部署等優(yōu)勢(shì),但其計(jì)算資源、存儲(chǔ)容量都有所限制.在邊緣計(jì)算中,由于其計(jì)算資源受到限制,從單一角度出發(fā)的應(yīng)用計(jì)算切分模式將變得不可實(shí)施.多用戶模式情景下,網(wǎng)絡(luò)資源和服務(wù)器資源的競(jìng)爭(zhēng)十分普遍.此時(shí)計(jì)算任務(wù)卸載決策需要結(jié)合邊緣計(jì)算資源分配決策[14],通過(guò)減少應(yīng)用完成時(shí)間的方式,提高系統(tǒng)整體服務(wù)水平[15].

3 邊緣計(jì)算場(chǎng)景下協(xié)作式任務(wù)調(diào)度策略

面向淤地壩監(jiān)測(cè)任務(wù)調(diào)度策略實(shí)現(xiàn)思路如圖1所示,分為3 個(gè)步驟:信息獲取、建立任務(wù)完成時(shí)間模型、模擬退火算法求最優(yōu)解.

圖1 基于模擬退火算法的任務(wù)調(diào)度策略實(shí)現(xiàn)思路圖

(1)信息獲取.該過(guò)程為任務(wù)調(diào)度服務(wù)器收集節(jié)點(diǎn)產(chǎn)生的計(jì)算任務(wù)信息和邊緣服務(wù)器計(jì)算資源信息.其中計(jì)算任務(wù)信息包括:計(jì)算任務(wù)總量、所有任務(wù)的計(jì)算量、傳輸計(jì)算任務(wù)的數(shù)據(jù)量;邊緣服務(wù)器信息包括:服務(wù)器計(jì)算能力、基站與節(jié)點(diǎn)間的通信帶寬、服務(wù)器數(shù)量.

(2)建立任務(wù)完成時(shí)間模型.建立任務(wù)完成時(shí)間模型,并代入任務(wù)信息與服務(wù)器信息,計(jì)算所有任務(wù)在某個(gè)邊緣服務(wù)器上的完成時(shí)間,該服務(wù)器的運(yùn)行時(shí)間即為完成卸載至此的所有計(jì)算任務(wù)時(shí)間.

(3)模擬退火算法規(guī)劃卸載位置.隨機(jī)分配計(jì)算任務(wù)至服務(wù)器上,根據(jù)任務(wù)完成時(shí)間模型計(jì)算每一個(gè)服務(wù)器的運(yùn)行時(shí)間,并取服務(wù)器中最大完成時(shí)間作為系統(tǒng)任務(wù)完成時(shí)間.降低算法溫度,同時(shí)對(duì)任務(wù)分配位置進(jìn)行隨機(jī)調(diào)整,計(jì)算新分配方式下的任務(wù)完成時(shí)間,并依據(jù)Metropolis 接受準(zhǔn)則接受新解.重復(fù)迭代直至達(dá)到終止條件,輸出任務(wù)最優(yōu)分配位置.

模擬退火算法(SA)由Metropoils 準(zhǔn)則和退火過(guò)程兩部分組成[16].前者實(shí)現(xiàn)了SA 算法如何在處于局部最優(yōu)解時(shí)發(fā)生概率突跳并最終獲得全局最優(yōu)解,是算法的基礎(chǔ);后者則是SA 算法尋找最優(yōu)解的迭代過(guò)程.Metropoils 準(zhǔn)則是一種以概率接收新解,而不是以完全確定規(guī)則的重要采樣方法.得益于Metropoils 準(zhǔn)則,SA算法可跳出局部最優(yōu)解,并尋找全局最優(yōu)解.

4 任務(wù)完成時(shí)間模型

壩系包括多個(gè)壩區(qū),每個(gè)壩區(qū)采集節(jié)點(diǎn)都會(huì)定時(shí)產(chǎn)生一個(gè)計(jì)算量不同的計(jì)算任務(wù),壩系周邊有若干個(gè)計(jì)算能力不同的邊緣服務(wù)器與壩區(qū)連接.該場(chǎng)景下,所有節(jié)點(diǎn)產(chǎn)生的計(jì)算任務(wù)地位平等,所有計(jì)算任務(wù)信息、邊緣服務(wù)器計(jì)算能力信息可知.其變量標(biāo)識(shí)如表1所示.

表1 邊緣計(jì)算網(wǎng)絡(luò)變量標(biāo)識(shí)表

計(jì)算任務(wù)由壩區(qū)節(jié)點(diǎn)卸載至連接的邊緣服務(wù)器上進(jìn)行計(jì)算,任務(wù)完成時(shí)間共分為3 個(gè)部分:任務(wù)數(shù)據(jù)傳輸時(shí)間、任務(wù)平均等待時(shí)間、任務(wù)在邊緣服務(wù)器上的執(zhí)行時(shí)間、計(jì)算結(jié)果由邊緣服務(wù)器向中心服務(wù)器上傳時(shí)間.任務(wù)完成時(shí)間模型如下.

(1)任務(wù)數(shù)據(jù)傳輸時(shí)間:由采集節(jié)點(diǎn)與服務(wù)器連接基站間的無(wú)線數(shù)據(jù)傳輸速率Bj,及任務(wù)傳輸數(shù)據(jù)大小di決定,如式(1):

(2)考慮到每個(gè)邊緣服務(wù)器的計(jì)算資源是有限的,任務(wù)量較多的時(shí)候會(huì)出現(xiàn)任務(wù)卸載等待及拒絕現(xiàn)象.接下來(lái),分析任務(wù)卸載時(shí)的平均等待時(shí)間和卸載成功率.

假設(shè),任務(wù)到達(dá)率為λ,將M/M/s/N/∞多服務(wù)器排隊(duì)模型[17]運(yùn)用于任務(wù)卸載中,卸載任務(wù)到達(dá)邊緣計(jì)算服務(wù)器后以 隊(duì)列的形式保存,遵循先到達(dá)先服務(wù)的準(zhǔn)則.系統(tǒng)負(fù)荷水平ρ如式(2):

記Pi表示排隊(duì)系統(tǒng)的狀態(tài)概率,其中,0 ≤i≤N+s,如式(3):

根據(jù)正則性條件,如式(4):

在ρ≠1的情況下,計(jì)算出狀態(tài)概率P0,如式(5):

根據(jù)P0進(jìn)一步計(jì)算得到隊(duì)列中等待處理的任務(wù)的平均隊(duì)長(zhǎng)和平均等待時(shí)間twait,如式(6)、式(7),其中平均等待時(shí)間根據(jù)排隊(duì)論[18]計(jì)算得到,該參數(shù)表示從任務(wù)到達(dá)邊緣計(jì)算服務(wù)器到被成功處理所需的平均等待時(shí)間.

(4)結(jié)果上傳中心服務(wù)器時(shí)間:由于邊緣服務(wù)器所連接的壩區(qū)基站功率極大,上傳結(jié)果數(shù)據(jù)量相對(duì)較小,因此選擇對(duì)該部分時(shí)間忽略不計(jì).

(5)任務(wù)完成時(shí)間:由任務(wù)數(shù)據(jù)傳輸時(shí)間、任務(wù)平均等待時(shí)間和計(jì)算任務(wù)執(zhí)行時(shí)間共同組成,如式(9):

其中,li表示計(jì)算任務(wù)Taski的卸載位置,li∈{1,2,···,M},li=M即表示計(jì)算任務(wù)Ti在編號(hào)為M的邊緣服務(wù)器執(zhí)行計(jì)算,則任意一個(gè)邊緣服務(wù)器完成卸載任務(wù)的總時(shí)間如式(10):

那么系統(tǒng)任務(wù)完成時(shí)間為所有服務(wù)器中的最長(zhǎng)運(yùn)行時(shí)間,如式(11):

其中,i∈Oj表示在編號(hào)為j的邊緣服務(wù)器上運(yùn)行的所有計(jì)算任務(wù).

任務(wù)卸載成功率表示為任務(wù)被邊緣計(jì)算服務(wù)器成功處理并接受服務(wù)的概率,如式(12):

為最小化計(jì)算任務(wù)完成時(shí)間,將原問(wèn)題轉(zhuǎn)化為有約束的目標(biāo)函數(shù)如式(13):

其中,約束C要求任務(wù)的卸載成功率超過(guò)目標(biāo)約束值.

5 基于模擬退火算法的任務(wù)卸載方法

基于SA 算法最優(yōu)化計(jì)算任務(wù)卸載位置,即求目標(biāo)函數(shù)(13)最優(yōu)解的過(guò)程.設(shè)置算法初始溫度T0、終止溫度Tfin、溫度衰減系數(shù) α以及每個(gè)溫度下的迭代次數(shù)β.并假設(shè)存在n個(gè)淤地壩同時(shí)產(chǎn)生一個(gè)計(jì)算信息不同的計(jì)算任務(wù),生成任務(wù)計(jì)算量矩陣Ctask與傳輸數(shù)據(jù)量矩陣Ddata,分別如式(14)、式(15)所示.結(jié)合式(1)、式(8)生成數(shù)據(jù)傳輸時(shí)間模型矩陣Atrans、任務(wù)執(zhí)行時(shí)間模型矩陣Ajobs,如式(16)、式(17)所示.

通過(guò)隨機(jī)函數(shù)生成一個(gè)n×m的0-1 矩陣記為初始解向量矩陣Zold,其中定義解向量矩陣Zold=(zij)n×m,zij∈{0,1},其形式如式(14),向量矩陣Z表示所有設(shè)備的計(jì)算方式及任務(wù)卸載位置.解向量j=1,2,3,···,m表示計(jì)算任務(wù)是否選擇在邊緣計(jì)算服務(wù)器1,2,···,m上執(zhí)行.zij=0 表示計(jì)算任務(wù)Ti不會(huì)選擇該方式執(zhí)行,zij=1 表示計(jì)算任務(wù)Ti選擇該計(jì)算方式執(zhí)行計(jì)算.

式(18)表示任務(wù)1在編號(hào)為1的邊緣服務(wù)器上運(yùn)行,任務(wù)2在編號(hào)為2的邊緣服務(wù)器上運(yùn)行,任務(wù)3在編號(hào)為5的邊緣服務(wù)器上運(yùn)行,任務(wù)4、5在編號(hào)為4的邊緣服務(wù)器上運(yùn)行.

結(jié)合線性代數(shù)相關(guān)內(nèi)容與式(11),獲取完成時(shí)間跨度矩陣Ttime,如式(19).

其中,,表示第i個(gè)服務(wù)器完成卸載至此所有任務(wù)的運(yùn)行時(shí)間,令Ttime矩 陣中最大值為系統(tǒng)任務(wù)完成時(shí)間told.同時(shí)隨機(jī)交換原解向量矩陣Zold中3 個(gè)元素的位置,生成新的解向量矩陣Znew,并計(jì)算該解矩陣下的任務(wù)完成時(shí)間tnew.并求出完成時(shí)間跨度差,如式(20).

若Δt＜0,則一定接受新解Znew,若Δt＞0,以Metropoils 準(zhǔn)則接受新解Znew,如式(18)接受新解Znew.判斷此次迭代是否達(dá)到該溫度下迭代次數(shù)上限,若沒(méi)有達(dá)到次數(shù)上限,則重復(fù)進(jìn)行位置交換與完成時(shí)間;若達(dá)到該溫度下的迭代次數(shù)上限,則降低算法溫度,如式(21).

判斷是否達(dá)到規(guī)定的最低溫度;若未達(dá)到最低溫度則降低當(dāng)前溫度,重置迭代次數(shù),并重復(fù)上述迭代過(guò)程,若達(dá)到規(guī)定的最低溫度,則輸出當(dāng)前解向量矩陣,算法結(jié)束.如圖2所示,表示一次迭代過(guò)程.

圖2 模擬退火算法制定任務(wù)卸載位置迭代流程

6 實(shí)驗(yàn)仿真與結(jié)果分析

6.1 性能評(píng)價(jià)標(biāo)準(zhǔn)

利用模擬退火算法建立計(jì)算任務(wù)調(diào)度策略的主要目的為降低計(jì)算任務(wù)完成時(shí)間即任務(wù)執(zhí)行時(shí)間跨度,使得系統(tǒng)的風(fēng)險(xiǎn)預(yù)警更具備時(shí)效性.此外,為綜合評(píng)定算法性能,增加任務(wù)總執(zhí)行時(shí)間、計(jì)算任務(wù)調(diào)度策略制定時(shí)間以及系統(tǒng)負(fù)載均衡共同作為算法性能評(píng)價(jià)標(biāo)準(zhǔn).

各指標(biāo)的物理意義分別如下:

(1)任務(wù)執(zhí)行時(shí)間跨度:即系統(tǒng)第一個(gè)任務(wù)開始至最后一個(gè)任務(wù)完成的時(shí)間跨度.

(2)任務(wù)總執(zhí)行時(shí)間:即所有任務(wù)在邊緣服務(wù)器上的執(zhí)行時(shí)間總和.

(3)計(jì)算任務(wù)調(diào)度策略制定時(shí)間:即任務(wù)調(diào)度服務(wù)器收集到計(jì)算任務(wù)信息后,制定所有計(jì)算任務(wù)卸載位置的總時(shí)間.

(4)系統(tǒng)負(fù)載均衡:評(píng)價(jià)一個(gè)網(wǎng)格計(jì)算平臺(tái)是否分配均衡,本文將采用各個(gè)節(jié)點(diǎn)的標(biāo)準(zhǔn)方差進(jìn)行評(píng)價(jià).其評(píng)價(jià)公式如式(22),其中M表示邊緣服務(wù)器個(gè)數(shù),Xi表示第i個(gè)邊緣服務(wù)器被調(diào)用的次數(shù),表示所有邊緣服務(wù)器平均被調(diào)用的次數(shù),σ表示系統(tǒng)負(fù)載標(biāo)準(zhǔn)方差,其值越小,表明系統(tǒng)負(fù)載越均衡.

6.2 結(jié)果分析

實(shí)驗(yàn)中設(shè)置計(jì)算任務(wù)量ci在區(qū)間[5,20]隨機(jī)生成,傳輸數(shù)據(jù)量di在區(qū)間[10,50]隨機(jī)生成.邊緣服務(wù)器的計(jì)算能力在區(qū)間[2,3]隨機(jī)生成,節(jié)點(diǎn)與邊緣服務(wù)器的通信帶寬Bj=1000.SA 算法初始溫度T0=200,終止溫度Tmin=3,每個(gè)溫度下的迭代次數(shù)為30,冷卻率取α=0.99.

(1)不同任務(wù)數(shù)量下,SA 算法與Min-Min 算法的性能比較

為研究?jī)煞N算法在任務(wù)數(shù)量不同時(shí)的性能差異.實(shí)驗(yàn)邊緣服務(wù)器數(shù)量設(shè)置為50,任務(wù)數(shù)量在區(qū)間[100,1000]以100 遞增取值,共計(jì)10 組實(shí)驗(yàn),每組實(shí)驗(yàn)重復(fù)10 次取平均值.圖3的4 個(gè)子圖分別表示兩種算法在不同任務(wù)數(shù)量下的4 種評(píng)價(jià)指標(biāo)性能差異.

圖3 兩種算法在不同任務(wù)數(shù)量下的綜合性能

由圖3(a)、圖3(b)可知,采用SA 算法進(jìn)行任務(wù)調(diào)度,可有效降低系統(tǒng)任務(wù)執(zhí)行時(shí)間跨度、任務(wù)執(zhí)行時(shí)間總和,且當(dāng)計(jì)算任務(wù)量越小,SA 算法求出的解越接近精確解.其原因是算法初始化后,迭代次數(shù)將被確定,解矩陣越小,SA 算法越接近窮舉法,因此算法的時(shí)間性能越好.由圖3(c)可知,為降低任務(wù)執(zhí)行時(shí)間跨度,SA 算法將會(huì)為計(jì)算能力較強(qiáng)的服務(wù)器分配更多的計(jì)算任務(wù),因此其算法的負(fù)載均衡性能會(huì)有所損失.由圖3(d)可知,雖然SA 算法存在較為明顯的時(shí)間性能優(yōu)勢(shì),但其任務(wù)調(diào)度策略制定時(shí)間相比于Min-Min 算法也會(huì)增加,且利用SA 算法的制定調(diào)度決策的時(shí)間將呈現(xiàn)線性增加,貼合SA 算法的時(shí)間復(fù)雜度O(kl(n)),其中k為每個(gè)溫度下的迭代次數(shù),l(n)為問(wèn)題規(guī)模的多項(xiàng)式函數(shù).

(2)不同服務(wù)器數(shù)量下,SA 算法與Min-Min 算法的性能比較

為研究?jī)煞N算法在邊緣服務(wù)器數(shù)量不同時(shí)的性能差異.實(shí)驗(yàn)邊緣服務(wù)器數(shù)量在區(qū)間[30,100]以10 遞增取值,共計(jì)8 組實(shí)驗(yàn),每組實(shí)驗(yàn)重復(fù)10 次取平均值.圖4(a)至圖4(d)分別表示兩種算法在不同服務(wù)器數(shù)量下的4 種評(píng)價(jià)指標(biāo)性能差異.

由圖4(a)可知,增加參與計(jì)算的邊緣服務(wù)器可有效降低兩種算法的任務(wù)執(zhí)行時(shí)間跨度,且邊緣服務(wù)器的數(shù)量越多,SA 算法的性能優(yōu)勢(shì)將越明顯,其原因?yàn)?在增加邊緣服務(wù)器數(shù)量時(shí),雖然兩種算法均會(huì)降低任務(wù)完成時(shí)間跨度,但由于SA 算法更加精確,因此下降趨勢(shì)較Min-Min 算法更加明顯.由圖4(b)可知,當(dāng)參與計(jì)算的服務(wù)器增加時(shí),Min-Min 算法將會(huì)分配給計(jì)算能力較差的服務(wù)器分配計(jì)算任務(wù),因此任務(wù)執(zhí)行時(shí)間總和將會(huì)增長(zhǎng).通過(guò)圖4(c)可知,增加服務(wù)器數(shù)量會(huì)改善系統(tǒng)整體的負(fù)載均衡性能,但本文采用SA 算法制定任務(wù)調(diào)度策略的目的是降低任務(wù)執(zhí)行時(shí)間跨度,勢(shì)必會(huì)提高計(jì)算能力較強(qiáng)服務(wù)器的負(fù)載,因此系統(tǒng)負(fù)載均衡性能將會(huì)有所不足.由圖4(d)可知,增加邊緣服務(wù)器數(shù)量將會(huì)擴(kuò)大SA 算法解矩陣規(guī)模,提高SA 算法時(shí)間復(fù)雜度,導(dǎo)致求解時(shí)間增加.

圖4 兩種算法在不同服務(wù)器數(shù)量下的綜合性能

7 結(jié)論與展望

針對(duì)淤地壩監(jiān)測(cè)與預(yù)警系統(tǒng)時(shí)效性問(wèn)題,設(shè)計(jì)了基于模擬退火的多個(gè)邊緣計(jì)算服務(wù)器相互協(xié)作任務(wù)調(diào)度方法.根據(jù)任務(wù)調(diào)度分析,建立任務(wù)完成時(shí)間模型.并說(shuō)明了在淤地壩計(jì)算任務(wù)的執(zhí)行沒(méi)有優(yōu)先級(jí)時(shí),應(yīng)用模擬退火算法制定調(diào)度策略可以達(dá)到該場(chǎng)景下降低完成時(shí)間跨度的任務(wù)調(diào)度目的,并給出了調(diào)度優(yōu)化問(wèn)題的解決步驟.最后通過(guò)仿真實(shí)驗(yàn),驗(yàn)證了基于模擬退火的調(diào)度方法符合場(chǎng)景需求,可以達(dá)到預(yù)期的效果.