基于邊緣計算的動態(tài)任務調(diào)度方法研究

中圖分類號：TN929.5 文獻標志碼：A 文章編號：2095-2945（2025）19-0052-04

Abstract：Inedge computing environments，unknownnode performanceand dynamicnetwork changes leadtoineficient resourcealocationandaffecttheoverallperformanceofthesystem.Taddressthisproblem，thisresearchproposesaDynamic AdaptiveScheduling（DAS）algorithm basedondynamic mapping.DASachievessmartertaskalocationbyintroducingnew processingspeedmetricsanddynamicperformancemapingmechanisms thatconsiderrouting delays.Experimentalresultsshow that DAS reduces the average task completion time by 35.5% ，reduces energy consumption by 26.9% ，and achieves a resource utilization of 92% .These improvements significantly improve theoverall performance and eficiency of the edgecomputing system.

Keywords： edge computing; dynamic task scheduling; energy consumption model; resource alocation; 5G

隨著物聯(lián)網(wǎng)和5G技術的快速發(fā)展，邊緣計算已成為支撐現(xiàn)代智能應用的關鍵技術。然而，在復雜多變的邊緣計算環(huán)境中，如何高效地分配通信和計算資源成為一個日益突出的挑戰(zhàn)。邊緣節(jié)點性能的異構性、任務需求的多樣性以及網(wǎng)絡條件的動態(tài)變化，使得傳統(tǒng)的靜態(tài)任務調(diào)度策略難以適應這種復雜環(huán)境。

特別是在面對大量未知性能節(jié)點和持續(xù)變化的網(wǎng)絡環(huán)境時，現(xiàn)有的調(diào)度算法暴露出了嚴重的局限性。這些算法通?；陬A先定義的靜態(tài)規(guī)則和理想化的系統(tǒng)模型，難以應對邊緣計算場景的復雜現(xiàn)實。其結果往往是資源分配效率顯著下降，系統(tǒng)能耗不可控地增加，任務完成時間大幅延長，用戶服務體驗嚴重受損。這些挑戰(zhàn)不僅限于技術層面，更關乎邊緣計算作為一種新興計算范式能否真正發(fā)揮其潛在價值。傳統(tǒng)的集中式計算和靜態(tài)資源分配模式已經(jīng)無法滿足現(xiàn)代分布式智能系統(tǒng)對計算靈活性、實時性和能源效率的苛刻要求[-3]。

為了應對這些挑戰(zhàn)，本研究提出了一種動態(tài)適應性調(diào)度策略。該策略通過動態(tài)映射機制和實時性能評估，有效地處理了未知節(jié)點性能和網(wǎng)絡動態(tài)變化的問題。本研究目的是通過理論分析和實驗驗證，全面評估DAS策略在任務完成時間、能源消耗、資源利用率和負載平衡等方面的性能，為解決邊緣計算環(huán)境中的復雜調(diào)度問題提供新的思路和方法。

1邊緣計算

在邊緣計算環(huán)境中構建任務調(diào)度模型時，需要考慮多個關鍵因素，這些因素共同決定了模型的復雜性和有效性。首先，對邊緣節(jié)點的分類是至關重要的，需要從硬件性能、計算能力、存儲資源和網(wǎng)絡連接狀況等多個維度進行精細劃分。典型的分類可能包括：高性能計算節(jié)點、低功耗節(jié)點、具有特定傳感器的專用節(jié)點以及網(wǎng)絡邊緣接入節(jié)點等。

任務集合的定義同樣復雜，需要考慮任務的計算復雜度、數(shù)據(jù)量、時間敏感性和優(yōu)先級等特征。每個任務都應該具備明確的屬性，如計算需求、內(nèi)存要求、網(wǎng)絡帶寬需求以及可接受的最大延遲時間。這種精細的任務描述有助于更準確地進行資源分配和調(diào)度。

資源與性能指標的量化是模型構建的核心。通過對這些參數(shù)的精確定義和建模，研究者可以構建一個更加智能和高效的任務調(diào)度模型。模型不僅要考慮靜態(tài)的資源分配，還要能夠動態(tài)響應環(huán)境變化。

1.1建立能耗模型

該算法在構建任務調(diào)度模型時，綜合考慮了任務獨立性、非搶占特性、執(zhí)行時間、路由延遲、排隊等待時間、任務優(yōu)先級、資源分配和系統(tǒng)負載等因素，以實現(xiàn)能耗優(yōu)化。采用了啟發(fā)式搜索和元啟發(fā)式算法提高調(diào)度效率和系統(tǒng)響應速度，保證能耗最小化的同時確保任務調(diào)度的實時性和公平性。

由圖1可知，提出了一種系統(tǒng)化的邊緣計算任務調(diào)度流程，通過初始化參數(shù)、定義節(jié)點與任務集合、建立性能指標，構建調(diào)度條件并計算工作時間與能耗，以達到優(yōu)化能耗和效率的目的。流程采用閉環(huán)系統(tǒng)，通過監(jiān)控反饋調(diào)整參數(shù)，實現(xiàn)持續(xù)改進，最終輸出最優(yōu)調(diào)度方案并確保系統(tǒng)穩(wěn)定性和適應性。

節(jié)點 k 上所消耗的隊列資源總量不允許超過該節(jié)點的隊列容量限制。這里使用了一個判斷函數(shù) θ_mk^（t） 來判斷情況

k 上上 。

設 p_mk 表示任務 m 在節(jié)點 k 上的處理時間，計算公式為pm=ml 。任務分配時，路由傳輸延遲 ，其中， u_mk 代表被處理的延遲， u^′_mk 代表到目的地的延遲。 k_v 以及任務和 e_mk 是各種節(jié)點的性能指標。工作時間 T_k 包括所有任務的處理時間以及任務的總路由時間 T_k^* （204

整個系統(tǒng)是并行方式進行運行的，所以系統(tǒng)的總時長相當于節(jié)點中工作時長最長的那個節(jié)點。換句話說，系統(tǒng)總工作時長 T_G 定義為節(jié)點時長 T_k 的最大值

T_c=max（T_k），k∈K

W_k=（T_k-T_k^*）μ_k+T_k^*μ_k^*+（T_?-T_k）μ_k^′°

因此，計算邊緣計算平臺總能耗為

1.2任務調(diào)度算法

在分布式計算和邊緣計算環(huán)境中，高效任務調(diào)度面臨著極其復雜的挑戰(zhàn)，尤其是在多節(jié)點、異構系統(tǒng)中尋找最優(yōu)解幾乎是不可能的。傳統(tǒng)的調(diào)度算法往往難以應對節(jié)點性能動態(tài)變化和不確定性的特征，這使得實時任務調(diào)度成為一個極具挑戰(zhàn)性的問題

首先定義了邊緣計算節(jié)點為 K={k₁，k₂，…，k_n} ，其中n 是系統(tǒng)中節(jié)點的總數(shù)。已知性能集合為 K⁺={k₁⁺，k₂⁺，… k_u⁺} ，未知性能集合為 ，其中 u 和 v 分別代表已知和未知性能節(jié)點的數(shù)量。集合 K 是包含了已知和未知性能節(jié)點的集合，即 K=K∪K⁺ 。用 M 表示任務的集合。調(diào)度結果在各個邊緣節(jié)點由 ?={X₁，X₂ ， …，X_n} 表示，其中 X_i（1?i?n） 是任務子集邊緣節(jié)點 i 中任務子集。

對于任務集合 M 中的每個任務 ?_m ，用 m 表示隊列資源，用 ml 表示其計算量。用 k_r 表示其隊列容量， k_v 表示處理速度。當任務在時間 χ_t 被生成并分配給節(jié)點 k 時，必須滿足以下條件

為了有效應對這一挑戰(zhàn)，本研究提出了一種創(chuàng)新的半線上任務調(diào)度算法，其核心是通過動態(tài)映射策略和系統(tǒng)先驗知識，構建一個智能的性能評估和任務分配框架。這種方法的獨特之處在于其能夠處理節(jié)點性能的不確定性，特別是針對那些性能尚未完全確定的未知節(jié)點。

算法的工作原理可以分為幾個關鍵步驟：首先，利用系統(tǒng)中已知節(jié)點的性能數(shù)據(jù)作為基準，通過先進的統(tǒng)計推斷和機器學習技術，對未知節(jié)點的潛在性能進行預測和建模。這種性能映射機制不僅基于靜態(tài)的硬件參數(shù)，還融合了動態(tài)的運行時信息，如網(wǎng)絡延遲、當前負載、歷史任務執(zhí)行情況等。

在任務調(diào)度過程中，算法通過概率選擇和動態(tài)映射機制，在已知節(jié)點和未知節(jié)點之間尋找最佳平衡點。它會根據(jù)實時的系統(tǒng)狀態(tài)動態(tài)調(diào)整節(jié)點映射關系，確保資源分配的最大效率。當發(fā)現(xiàn)未知節(jié)點的實際性能與初始預測存在顯著差異時，系統(tǒng)能夠快速調(diào)整映射策略，實現(xiàn)近乎實時的性能優(yōu)化。

在邊緣計算環(huán)境中，準確評估所有節(jié)點的性能對于高效的任務調(diào)度至關重要。然而，常常面臨一個挑戰(zhàn)：某些節(jié)點的性能是未知的。為了解決這個問題，本研究提出了一種性能映射方法。

這種方法的核心思想是建立未知節(jié)點和已知節(jié)點之間的對應關系。不僅包括傳統(tǒng)的處理速度和隊列容量，還考慮了網(wǎng)絡中的路由延遲。為了更準確地反映節(jié)點的實際性能，引人了一個新的處理速度指標 k_v^′ ，其考慮了路由延遲對節(jié)點處理能力的影響

式中： k_v 是節(jié)點的最初處理速度， ?p_mk 是任務 m 在節(jié)點 k 上的最終完成時間， e_mk 是任務 ?_m 到節(jié)點 k 的路由延遲。

基于這個新的處理速度指標，計算每個節(jié)點被選中的概率

這確保了那些低延遲、高速度的節(jié)點有更高的概率被選中進行任務處理

在任務分配過程中，使用一個動態(tài)映射表來建立未知節(jié)點和已知節(jié)點之間的對應關系。初始時，所有未知節(jié)點被映射到已知節(jié)點集合中性能居中的節(jié)點。隨著任務的執(zhí)行，系統(tǒng)持續(xù)監(jiān)控每個節(jié)點的任務隊列狀況，并根據(jù)實際情況動態(tài)調(diào)整映射關系。

當一個任務 ?_m 在時刻 χ_t 生成后，系統(tǒng)按照概率F（k） 選取 d 個候選節(jié)點（集合 D ）。最終，任務 ?_m 會被分配給滿足以下條件的節(jié)點

式中： αβ_?γ 是權重參數(shù)， _，β 為負數(shù)。這個公式綜合考慮了節(jié)點的當前隊列長度 Σ_i∈Mθ_ik^（t） 、處理速度 p_mk 和路由延遲 e_mk ，確保任務被分配到最合適的節(jié)點。

隨著任務的分配和執(zhí)行，系統(tǒng)會持續(xù)監(jiān)控每個節(jié)點的任務隊列狀況。如果發(fā)現(xiàn)未知節(jié)點的實際性能與其映射的已知節(jié)點存在顯著差異，系統(tǒng)會自動調(diào)整映射關系。例如如果一個未知節(jié)點的任務隊列持續(xù)增長，超過了其映射節(jié)點的水平，系統(tǒng)會將其重新映射到一個性能較低的已知節(jié)點。反之，如果未知節(jié)點的任務處理速度超出預期，系統(tǒng)會將其映射到性能更高的節(jié)點。

這種動態(tài)調(diào)整機制確保了系統(tǒng)能夠不斷優(yōu)化其對未知節(jié)點性能的估計，從而實現(xiàn)更均衡、更高效的任務分配。隨著時間的推移，系統(tǒng)對所有節(jié)點的性能評估會越來越準確，最終達到近乎最優(yōu)的任務調(diào)度效果

2 實驗設計及評估

2.1實驗設計

本實驗旨在全面評估所提出的動態(tài)適應性調(diào)度策略（DAS）在異構邊緣計算環(huán)境中的綜合性能，具體包括與現(xiàn)有調(diào)度算法在執(zhí)行時間、能耗、資源利用率等方面的比較，對未知性能節(jié)點和動態(tài)網(wǎng)絡環(huán)境的適應性評估，不同規(guī)模任務負載下的可擴展性分析，以及對服務質(zhì)量（QoS）影響的探討。

2.2 評價指標

在本研究中，采用了一套全面的評價指標體系來評估所提出的動態(tài)適應性調(diào)度策略（DAS）在異構邊緣計算環(huán)境中的性能。這套指標包括平均任務完成時間（ATCT）能源消耗（EC）資源利用率（RUR）負載平衡指數(shù)（LBI）和QoS滿意度（QSR）。ATCT反映了調(diào)度策略的實時性和效率；EC評估了策略的能源效率，對實現(xiàn)綠色計算至關重要；RUR衡量了資源分配的合理性；LBI確保了任務負載的均衡分布；QSR則綜合反映了用戶對系統(tǒng)服務質(zhì)量的滿意度。

2.3 實驗結果分析

為了全面評估DAS算法的性能，選擇了輪詢（RR）最少連接（LC）加權最少連接（WLC）以及最新的動態(tài)任務和服務調(diào)度（DTAS）算法作為對比基準。通過在不同場景下運行這些算法，收集了一系列關鍵性能指標進行對比實驗。實驗結果如表1所示：DAS算法在邊緣計算領域具有廣闊的應用前景。

從實驗數(shù)據(jù)可以看出，DAS算法在所有關鍵性能指標上都表現(xiàn)優(yōu)異。相比于傳統(tǒng)的RR算法，DAS將平均任務完成時間縮短了 35.5% ，能源消耗降低了 26.9% 即使與最先進的DTAS算法相比，DAS仍然在任務完成時間上提升了 9.3% ，能源效率提高了 6.6% 。這些顯著的改進主要歸功于DAS算法動態(tài)適應網(wǎng)絡條件和任務特征的能力，使其能夠更智能地分配資源和調(diào)度任務。

在資源利用率和負載平衡方面，DAS同樣展現(xiàn)出了卓越的性能。 92% 的資源利用率和0.92的負載平衡指數(shù)表明，DAS能夠有效地利用可用資源，同時保持系統(tǒng)的平衡。特別是在QoS滿意度方面，DAS達到了 95% 的高水平，這意味著其能夠更好地滿足任務的服務質(zhì)量要求，這對于延遲敏感的邊緣計算應用尤為重要

總的來說，實驗結果清楚地表明，DAS算法在邊緣計算環(huán)境中具有顯著的性能優(yōu)勢。其不僅能夠有效地減少任務完成時間和能源消耗，還能保持高水平的資源利用率和系統(tǒng)平衡。DAS算法的這些特性使其特別適合于動態(tài)多變的邊緣計算場景，能夠為各種應用提供更高效、更可靠的服務。未來的研究可以進一步探索DAS在更大規(guī)模網(wǎng)絡和更復雜任務模型下的表現(xiàn)，以及如何將其與其他優(yōu)化技術結合，以應對邊緣計算日益增長的挑戰(zhàn)。

3結束語

本研究提出的動態(tài)適應性調(diào)度策略（DAS）在邊緣計算環(huán)境中展現(xiàn)出顯著優(yōu)勢，不僅為解決邊緣計算中的資源調(diào)度問題提供了一個創(chuàng)新性方案，也為未來邊緣計算技術的發(fā)展指明了重要方向。通過與現(xiàn)有算法的對比實驗，DAS不僅在性能指標上取得了突破性進展，還深入揭示了動態(tài)適應性調(diào)度在異構計算環(huán)境中的重要價值。

實驗數(shù)據(jù)顯示，DAS將平均任務完成時間縮短了35.5% ，能源消耗降低了 26.9% ，這意味著在保證服務質(zhì)量的同時，顯著提高了系統(tǒng)的計算效率和能源利用率。92% 的資源利用率和0.92的負載平衡指數(shù)進一步證明了算法在資源分配和系統(tǒng)平衡方面的卓越表現(xiàn)。尤為重要的是， 95% 的QoS滿意度表明該算法能夠有效滿足不同類型任務的服務質(zhì)量要求，這對于實時性和性能敏感的邊緣計算應用具有重要意義。

然而，技術創(chuàng)新永遠是一個持續(xù)迭代的過程。DAS算法雖然在實驗中展現(xiàn)出巨大潛力，但仍面臨一些關鍵挑戰(zhàn)。隨著邊緣計算網(wǎng)絡規(guī)模的不斷擴大，算法的計算復雜度將呈指數(shù)級增長，這可能會限制其在大規(guī)模部署場景中的實際應用。這些挑戰(zhàn)為未來研究指明了方向，包括探索算法的輕量化設計、提升并行處理能力，以及與人工智能和機器學習等技術的整合，以進一步提高算法的適應性和智能化水平。

參考文獻：

[1]陳杲，黃蓉，黃倩.邊緣計算節(jié)點共享技術實現(xiàn)方法的研究[J].互聯(lián)網(wǎng)天地，2023（12）：16-22.

[2]張斐斐，葛季棟，李忠金，等.邊緣計算中協(xié)作計算卸載與動態(tài)任務調(diào)度[J]軟件學報，2023，34（12）：5737-5756.

[3]李開言，王亞剛，張濤.基于改進灰狼優(yōu)化算法的邊緣計算任務調(diào)度方法[J].信息與控制，2022，51（4）：489-497，512.

[4]王蘊，林霄，樓芝蘭，等.面向邊緣光算力網(wǎng)絡的上行鏈路資源協(xié)同調(diào)度算法[J].光通信技術，2024，48（3）：45-51.

[5]趙輝，馮南之，王泉，等.面向邊緣計算平臺的半線上任務動態(tài)調(diào)度方法[J].西安電子科技大學，2021，48（6）：8-15.析與優(yōu)化設計[J].上海電機學院學報，2020，23（3）：168-174.

[10]孫凱，盧世蕾，易哲姬，等.面向電力電子變壓器應用的大容量高頻變壓器技術綜述[J].中國電機工程學報，2021，41（24）：8531-8545.

[11]GOTTSCHLICH J，SCHAFER M，NEUBERT M，et al. Agalvanically isolated gate driver with low coupling capaci-tance for medium voltage SiC MOSFETs[C]//18th EuropeanConference on Power Electronics and Applications，Karl-sruhe：IEEE，2016：1-8.

[12] PEFTITSIS D，ANTIVACHIS M，BIELA J. Auxiliary pow-ersupply for medium-voltage modular multilevel converters[C]//17th European Conference on Power Electronics andApplications，Geneva：IEEE，2015：1-11.