基于生灭过程的机群系统高可用性分析与设计

文章在对机群系统的运行特性进行分析的基础上,运用马氏过程描述了机群系统中的高可用性（High Availability),并从理论上建立了基于生灭过程的机群高可用模型。文中在给出机群高可用管理软件结构的基础上,设计了一种基于集中式结构的主副容错协议;通过可用度的分析结果得出：机群高可用系统采用了可修复性技术后,只要有一个HA节点能正常工作,该系统是“可用”的。     

基于移动边缘计算的任务调度算法设计

移动边缘计算(Mobile Edge Computing, MEC)作为一种新兴的计算模式可以将智能设备上的任务调度到MEC服务器中执行以解决智能设备资源受限问题。多用户场景下以时延和任务依赖性为约束的任务调度问题是移动边缘计算中的研究热点之一。针对该问题建立了任务调度模型,然后依据场景特性将任务调度问题转换为最小化能量消耗问题。针对任务调度问题的实时性和持续性进一步将优化问题缩放至较小规模的优化问题,并依据优化问题的解设计了一个实时调度算法。最后使用遗传算法作为对比算法进行仿真实验。实验结果表明实时调度算法比遗传算法更有效地降低了智能设备整体能量消耗,并在高并发、高时延要求等情况下仍保持良好的性能。     

基于边缘计算的车辆调度模型

文中通过寻找边缘节点部署的最佳方案,以协助大型露天矿山在复杂车辆运输、开采环节中的车辆调度。首先,对初始状态下的车辆运输模型进行分析,寻找车辆运输的规律和特点,通过动态规划算法寻找最优边缘部署节点,再通过路径最优、调度最佳、传输最快等准则完成车辆调度节点的部署,在满足边缘节点信息传输的最大传输数量的同时,使车辆边缘节点优化率达到最大。最后,通过仿真与实验证明,上述算法可有效地解决矿山车辆调度时延问题,提高信息的实时传输效率。     

基于NOMA的移动边缘计算系统公平能效调度算法

将移动边缘计算技术(MEC)与非正交多址技术(NOMA)结合,同时考虑公平性,该文研究了采用NOMA上行部分卸载的MEC系统公平能效问题。首先将基于公平函数的用户速率与功耗比值定义为公平能效函数,随后提出了两种公平能效调度准则下的能效调度算法,即最大化最小速率准则下DK-SCA算法及最大化系统能效准则下DK-SCALE算法,通过算法实现分别得到两种公平能效调度准则下用户最佳本地CPU处理频率及最佳传输功率。最后通过仿真表明,与基准方案相比,所提基于NOMA的部分卸载方案能够有效地将本地计算和基于NOMA的边缘卸载结合,达到最佳的公平能效性能。     

一种面向移动边缘计算的多用户细粒度任务卸载调度方法

在移动边缘计算中(Mobile Edge Computing,MEC),任务卸载可以有效地解决移动设备资源受限的问题,但是将全部任务都卸载到边缘服务器并非最优.本文提出一种面向移动边缘计算的多用户细粒度任务卸载调度新方法,把计算任务看作一个有向无环图(Directed Acyclic Graph,DAG),对节点的执行位置和调度顺序进行了优化决策.考虑系统的延迟把计算卸载看作一个约束多目标优化问题(Constrained Multi-object Optimization Problem,CMOP),提出了一个改进的NSGA-Ⅱ算法来解决CMOP.所提出的算法能够实现本地和边缘的并行处理从而减少延迟.实验结果表明,算法能够在实际应用程序中做出最优决策.     

任务迁移的移动边缘计算系统中资源分配和任务卸载策略

针对在任务卸载时由于设备的移动而导致任务迁移这一问题,将任务卸载过程建模为马尔科夫决策过程,并通过优化资源分配和任务卸载策略,解决基于联合时延和能耗的损耗函数最小的优化问题。首先将问题转化为最小化损耗函数之和,并在决策前对每个任务的传输功率采用二分法进行优化,然后基于获得的传输功率提出一种QLBA（Q-learning Based Algorithm）来完成卸载决策。仿真结果证实所提方案优于传统算法。     

基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法

在车联网(IOV)环境中,如果将车辆的计算任务都放置在云平台执行,无法满足对于信息处理的实时性,考虑移动边缘计算技术以及任务卸载策略,将用户的计算任务卸载到靠近设备边缘的服务器去执行。但是在密集的环境下,如果所有的任务都卸载到附近的边缘服务器去执行,同样会给边缘服务器带来巨大的负载。该文提出基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法,通过定义用户的任务计算卸载效用,综合考虑时耗和能耗,结合模拟退火机制,根据当前道路的密集程度对系统卸载效用进行优化,改变用户的卸载决策,选择在本地执行或者卸载到边缘服务器上执行,使得在给定的环境下的所有用户都能得到满足低时延高质量的服务。仿真结果表明,该算法在减少用户任务计算时间的同时降低了能量消耗。     

WSN中基于强化学习的能效优化任务处理机制

以提高无线传感器网络中任务处理的能效为目标,提出了一种近似最优化的任务处理机制,无线传感器节点可根据任务缓存区的任务数量、信道条件,动态地实现任务向边缘服务器的卸载以及本地处理.将任务处理机制建模为马尔可夫决策过程,因为无线传感器节点不知道此过程的状态转移概率,所以采用A3C算法以实现在环境参数未知情况下的探索和学习,...     

移动边缘计算环境下基于移动感知的工作流调度算法

移动边缘计算环境下,用户可将本地的计算密集型任务卸载至边缘服务器,从而缩短工作流的完工时间并节省设备能耗。然而,许多研究忽略了用户移动导致的网络连接变化对工作流调度的影响。针对现有算法中存在的卸载不合理问题,文中提出了基于移动感知的工作流调度算法MaWS。该算法通过预测用户移动轨迹得出未来可通信的基站集合,并融入遗传算法,制定合理的任务执行顺序和执行位置。仿真结果表明,相比HEFT和Greedy等算法,MaWS算法能够有效缩短10%～15%的工作流完工时间并降低8%～13%的设备能耗,为移动边缘计算下的工作流调度提出一种有效方案。     

一种使用改进预测成本矩阵任务优先排序的异构计算系统列表调度算法

异构计算系统执行应用效率的提高高度依赖有效的调度算法。该文提出一种新的列表调度算法,称为改进的预测优先任务和乐观处理器选择调度(IPPOSS)。通过在任务优先级排序阶段引入任务的后向预测成本,来减少调度长度。与现有工作相比,该文使用改进预测成本矩阵(IPCM),更合理地进行了任务优先级排序,从而在处理器选择阶段获得了更好的解,并保持2次时间复杂度。IPCM考虑了任务优先级排序阶段的各种计算、通信因素,比预测优先任务调度(PPTS)提出的预测成本矩阵(PCM)更容易获得合理的优先级列表。随机生成应用的有向无环图(DAG)和真实世界应用的DAG的实验结果分析表明,IPPOSS的性能优于相关算法。     

Efficient Task Scheduling for Many Task Computing with Resource Attribute Selection

Many Task Computing（MTC）is a new class of computing paradigm in which the aggregate number of tasks,quantity of computing,and volumes of data may be extremely large.With the advent of Cloud computing and big data era,scheduling and executing large-scale computing tasks efficiently and allocating resources to tasks reasonably are becoming a quite challenging problem.To improve both task execution and resource utilization efficiency,we present a task scheduling algorithm with resource attribute selection,which can select the optimal node to execute a task according to its resource requirements and the fitness between the resource node and the task.Experiment results show that there is significant improvement in execution throughput and resource utilization compared with the other three algorithms and four scheduling frameworks.In the scheduling algorithm comparison,the throughput is 77%higher than Min-Min algorithm and the resource utilization can reach 91%.In the scheduling framework comparison,the throughput（with work-stealing）is at least 30%higher than the other frameworks and the resource utilization reaches 94%.The scheduling algorithm can make a good model for practical MTC applications.     

融合MEC的星地协同网络：架构、关键技术与挑战

在星地协同网络中引入移动边缘计算(MEC)技术可有效提高用户体验质量和减少网络冗余流量,同时也带来了一些挑战。首先介绍了星地协同网络和MEC技术的基本架构,并讨论了在星地协同网络中引入MEC技术的动机和MEC的部署问题;然后提出了融合MEC的星地协同网络架构,并对其关键技术及典型应用进行了概述和分析;最后总结归纳了融合网络架构中的任务调度、移动性管理等关键挑战和一些开放性研究问题,期望对该领域的后续研究提出可供借鉴的新思路。     

基于5G边缘计算的智能电网高性价比任务调度

针对智能电网环境中电力数据量庞大且对处理时效性要求高的问题,将5G边缘计算引入智能电网系统.研究了基于5G边缘计算的智能电网任务调度问题,在满足电网任务完成需求的同时,最大限度地降低成本.基于此提出了一种基于贪心策略的启发式任务调度算法,通过与两种算法在包括输入任务数、传输数据大小和延迟要求等参数下的比较,验证了所提算...     

电力云计算中关联任务调度算法

针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,建立基于云计算的电力系统计算平台。针对电力云计算平台中对关联任务调度进行调度时出现任务执行延迟的问题,提出了一种基于任务分层算法DAG。算法将任务按任务集合优先级的高低顺序调度至具有最小完成时间的资源上。试验证明关联任务调度算法能够有效地减缓关联任务延迟。     

基于马尔科夫决策过程的多传感器协同检测与跟踪调度方法

针对多任务场景下的传感器调度问题,该文提出一种面向目标协同检测与跟踪的多传感器调度方法。首先,该方法基于部分可观马尔科夫决策过程(POMDP)构建传感器调度模型,并基于后验克拉美-罗下界(PCRLB)设计优化目标函数。其次,考虑传感器切换时间和目标数目的时变性,采用随机分布粒子计算新生目标的检测概率,给出了固定目标数目和时变目标数目情形下的传感器调度方法。最后,为满足在线调度的实时性需求,采用自适应多种群协同差分进化(AMCDE)算法求解传感器调度方案。仿真结果表明,该方法能够有效应对多任务场景,实现多传感器资源的合理调度。     

A Novel Battery-Aware Task Scheduling Algorithm for Multiprocessor Systems

In battery-powered portable devices, the most important design goal is maximizing the battery lifetime. This paper addresses the problem of battery- aware task scheduling on multiprocessor systems to extend the battery lifetime, and proposed a Critical-path based battery-aware task scheduling （CPbBATS） algorithm with a novel efficient flow. Experiments on hundreds of task graphs each having 10 to 100 tasks show that, compared with algorithm that simply sequences tasks with their highest voltages and utilizes the slack by the latest possible task, the CPbBATS achieved 3.3%-6.1% reduction on apparent charge lost which means longer battery lifetime, 3.6%-8.3% reduction on actual charge lost which means lower energy consumption, and average 31.99% reduction on the CPU runtime which means much lower computa- tional complexity.     

基于双仲裁机制和田口正交法的猫群优化任务调度算法

针对异构计算系统任务调度过程中通信冲突以及算法运行时间的问题,该文提出一种基于双仲裁机制和田口正交法的猫群优化任务调度算法。首先利用双仲裁机制对任务资源进行管理,动态判决任务的分配,有效避免通信冲突,再将田口正交法应用到猫群优化过程的跟踪模式中,降低算法运行时间,提高解的质量。实验结果表明,该算法运行速度明显高于其他算法至少约10%,算法在处理大量任务时的并行化效果最优,在异构环境中也体现出其相当大的优势。     

Task offloading in an optimized power-performance manner

The cloud computing systems, such as the Internet of Things (IoT), are usually introduced with a three-layer architecture (IoT-Fog-Cloud) for the task offloading that is a solution to compensate for resource constraints in these systems. Offloading at the right location is the most significant challenge in this field. It is more appropriate to offload tasks to fog than to cloud based on power and performance metrics, but its resources are more limited than the resources of the cloud. This paper tries to optimize these factors in the fog by specifying the number of usable servers in the fog. For this purpose, we model a fog computing system using the queueing theory. Furthermore, binary search and reinforcement learning algorithms are proposed to determine the minimum number of servers with the lowest power consumption. We evaluate the cost of the fog in different scenarios. By solving the model, we find that the proposed dispatching policy is very flexible and outperformed the known policies by up to 31% and in no case is it worse than either of them, and the overall offloading cost increases when fog rejects tasks with a high probability. Our offloading method is more effective than running all fog servers simultaneously, based on simulation results. It is evident from the similarities between the simulation results and those derived from the analytical method that the model and results are valid.