论文部分内容阅读
随着“互联网+”概念的不断延伸,利用信息技术及互联网平台实现互联网与工业深度融合的技术不断发展,工业4.0成为当前的一个研究热词。工业生产面临任务量不断增加、需求复杂多变难以预知的难题。针对工业生产过程中出现任务滞后、网络拥塞、可靠性不高等问题可利用边缘计算模式来降低时延满足工业生产实时性需求,然而边缘计算的计算能力及存储能力有限,难以应对海量数据决策需求,因此如何在大数据背景下利用有限的计算资源协同调度多用户多服务器,来满足工业物联网实时性及可靠性需求是一项具有重大研究意义的工作。本文充分分析目前国内外关于智能边缘计算场景下任务调度相关文献。首先建立了基于工业边缘计算网络架构的智能决策模型,采取用户端、MEC(Multi-access Edge Computing)多接入边缘服务器端、中央处理器端(云端)三端协作的模式应对大数据处理需求。为使系统智能化,针对用户端采集数据后随机向MEC服务器发送计算卸载请求存在任务卸载滞后率高、滞后时间长的问题,设计了基于 DG(Dynamic programming Greedy algorithm)算法的任务卸载方案。针对MEC服务器同时接收多用户端多任务计算卸载时易导致时延较大的问题,提出重复优先算法以及TMF算法(Topological sort and expected Minimum completion time First拓扑排序及预期最小完成时间优先联合算法)并设计相应的计算卸载方案。本研究使工业任务从发送卸载请求到被处理一系列过程的执行时间得到优化,主要研究工作及创新点如下:(1)决策树是一种利用特征数据流相关性的决策分析方法,被大范围运用在基于大数据的智能应用中。本研究结合目前工业生产中多任务并存数据量较大的现状以及面对工业物联网高实时性、可靠性需求,合理利用决策树思想、边缘计算理念从特征数据流角度出发建立面向工业边缘计算的智能决策模型。为提升截止时间前任务处理成功率,针对用户端采集数据向MEC服务器发送计算卸载请求过程,以最小滞后时间为优化目标进行问题建模。为提高系统实时性可靠性,针对MEC服务器接收多用户端多任务的计算卸载过程,以多任务平均完成时间作为优化目标进行问题建模。从整个网络计算数据量的大小以及处理时间两个方面对模型进行评估,结果表明该模型可有效降低系统数据处理量和运行时间,减轻MEC服务器计算压力。(2)针对用户端采集数据后向MEC服务器进行任务卸载的问题,首先将原问题归约为经典0-1背包问题,由此证明本研究问题是NP-hard问题,在多项式时间内无最优解;其次提出DG启发式算法,即根据MEC服务器当前剩余实际可用带宽实时调整任务报价,争取更多的任务在截止时间前在MEC服务器上得到处理;最后进行仿真,实验结果显示该算法可有效减小任务滞后时间及任务滞后率,满足工业背景下大规模数据实时处理需求。(3)针对MEC服务器接收多用户端多任务的计算卸载问题,结合大数据背景下数据量繁多,MEC服务器计算能力有限等现实因素,首先考虑机器学习决策树思想,对所有任务对应的特征数据流进行筛选,规避无关数据流参与计算卸载;同时针对多任务特征数据流组存在重复这一特性,提出重复优先算法。仿真结果表明该算法在多任务重复率较高场景下有明显优势,可极大提升系统性能。针对多任务重复率较低场景下重复优先算法效果不佳的情况,考虑决策树特征数据流自身优先级,引入拓扑排序思想提出TMF算法,有效避免MEC服务器缓存过多、容量不足导致任务无法处理的问题。仿真结果表明该算法在多任务低重复率场景下有明显的优势,可以满足工业物联网实时性需求的同时提高系统吞吐量。