在雾计算中,保留可行性的协调任务调度与虚拟节点部署
《Computer Networks》:Feasibility-preserving coordinated task scheduling and virtual node placement for fog computing
【字体:
大
中
小
】
时间:2026年09月21日
来源:Computer Networks 4.7
编辑推荐:
**摘要**
雾计算将云服务扩展到网络边缘,以支持对延迟敏感且能源受限的物联网(IoT)应用程序。在这些环境中,一个关键挑战是在异构资源和动态工作负载下解决联合制定的任务调度和虚拟节点(VN)放置问题。现有的方法通常独立地处理这些问题,导致调度不可行、负载不平衡和能源使用效率低
**摘要**
雾计算将云服务扩展到网络边缘,以支持对延迟敏感且能源受限的物联网(IoT)应用程序。在这些环境中,一个关键挑战是在异构资源和动态工作负载下解决联合制定的任务调度和虚拟节点(VN)放置问题。现有的方法通常独立地处理这些问题,导致调度不可行、负载不平衡和能源使用效率低下。本文提出了HGWOVP,这是一个混合框架,它将改进的灰狼优化器(IGWO)用于任务-VN调度与轻量级的、考虑利用率的VN放置策略集成在一起。调度阶段结合了自适应收敛控制、混沌系数、基于对立的学习和可行性修复,以确保在资源约束下有效的任务分配,而放置阶段则动态平衡主机利用率的同时保持低计算开销。使用iFogSim2进行的广泛模拟将HGWOVP与代表性的基线进行了比较,包括传统的启发式方法、传统的元启发式方法、基于学习的方法、多目标方法和考虑放置的方法。结果表明,HGWOVP在完成任务时间(makespan)方面最多减少了29.3%,在基础设施侧能源消耗方面减少了16.8%,同时在不同的工作负载条件下改善了负载平衡和截止日期满足度。这些发现表明,协调的调度和放置可以提高基于雾的计算系统的延迟、能源效率、负载平衡和截止日期满足度。
**引言**
物联网(IoT)现在涵盖了智能医疗、工业自动化和智慧城市,其中数十亿设备生成连续的数据流[1]。这些应用需要低延迟、高可靠性和能源意识型资源管理。由于长回程延迟和竞争[2],[3],集中式云处理往往无法满足这些需求。雾计算通过在网络边缘部署计算和存储来解决这一缺口;通过在IoT设备和云之间插入雾节点,它实现了接近实时的执行,减少了传输延迟,并提高了响应性[4],[5],[6]。
雾系统中的一个核心挑战是任务调度和VN放置。给定一组异构任务J、托管在分布式基础设施上的虚拟节点V以及具有有限容量的主机机器H,调度器必须将任务映射到VN,并将VN放置在主机机器上,同时优化多个服务质量(QoS)目标(例如,完成任务时间、执行时间、能源消耗和负载平衡)[7]。由于资源约束、耦合的调度-放置决策和动态任务到达,这个问题被归类为非确定性多项式时间难(NP-hard):在雾计算规模和动态到达情况下,精确方法(例如,整数线性规划)是不可行的[8]。因此,基于种群的马尔可夫算法(例如,遗传算法(GA)、粒子群优化(PSO)、灰狼优化器(GWO)和简单的启发式方法(例如,最短作业优先(SJF)、随机加权启发式调度(RWHS)被广泛使用,但许多方法存在过早收敛、局部最优停滞或探索-利用平衡不佳的问题——这些问题在高维、异构的雾工作负载下更为严重[9],[10],[11],[12]。尽管使用启发式和元启发式方法对雾任务调度进行了大量研究,但许多现有研究要么分别处理这两个阶段,要么协调有限。实际上,忽略放置动态的调度决策在虚拟节点迁移或整合后往往变得不可行,导致负载不平衡、能源消耗增加和在动态工作负载下的可靠性降低。这种脱节激发了需要一个在优化延迟、能源和资源利用的同时保持可行性的协调调度-放置框架的需求。
为了克服这些限制,我们提出了一个混合灰狼优化器与VN放置(HGWOVP),这是一个用于雾计算的保持可行性的协调两阶段框架。该框架共同解决了任务调度和虚拟节点放置问题,但通过可行的分解来求解。在第一阶段,改进的灰狼优化器(IGWO)在当前监控的资源状态下计算出可行的任务到VN的分配。调度阶段包括(i)非线性自适应收敛因子,(ii)用于多样化探索的混沌映射,以及(iii)基于对立的学习(OBL)以提高搜索质量并减少过早收敛。一个特定领域的可行性修复操作符确保唯一的热编码任务-VN分配,并强制执行VN级别的容量约束,使该方法适用于受限的雾环境。在第二阶段,一种轻量级的、考虑利用率的VN放置机制将虚拟节点分类为过载、利用率不足或正常状态,并在需要时触发有针对性的迁移。这种设计提高了资源利用率和基础设施侧的能源效率,同时避免了基于预测或强化学习的调度的复杂性。总体而言,HGWOVP为异构的、对延迟敏感的雾工作负载提供了一种可扩展且实际可部署的方法。所提出的HGWOVP框架的架构和端到端工作流程如图1所示。
现有的雾计算编排方法通常将任务调度和虚拟节点放置视为弱耦合或独立的决策。在以调度为导向的方法中,优化器主要关注将任务分配给计算实体,但在考虑主机级别的CPU、内存、带宽和利用率约束时,得到的任务到VN的映射仍然可能难以部署。相反,以放置为导向的方法在工作负载映射已经确定后改善了整合或基础设施利用率,但它们通常不会影响上游的调度决策。这种分离在虚拟层调度和主机层放置之间创造了可部署性差距,尤其是在异构资源和动态IoT工作负载下。因此,从调度角度来看有效的任务分配在部署后仍可能导致主机过载、放置不可行、负载分布不良或基础设施侧能源消耗增加[13],[14]。HGWOVP通过保持任务到VN调度和VN到主机机器(VN到HM)放置之间的协调来解决这一差距。调度阶段使用基于IGWO的搜索生成容量有效的任务-VN分配,该搜索由自适应探索、混沌多样化、基于对立的学习和明确的可行性修复指导。放置阶段然后使用考虑利用率的过载避免和整合将计划的VN映射到主机机器。两个阶段通过监控的资源状态和逐时代的反馈联系起来,使后续的调度决策能够反映主机层的放置结果。这种设计通过提高可部署性、负载平衡和基础设施效率提供了一种实用的协调机制,同时避免了完全耦合或基于学习的协调的高运行时开销。
这种整合的科学价值在于证明了在动态雾工作负载下,保持任务调度和主机级放置之间协调性可以提高可部署性、平衡性和基础设施效率,而不会产生紧密耦合或基于学习的协调器的高开销。因此,本文的贡献是一种保持可行性且开销低的任务调度和虚拟节点放置协调策略——它在动态雾环境中弥合了调度质量和主机级部署效率之间的差距。上述讨论激发了在动态雾环境中需要一种保持可行性且开销低的任务调度和虚拟节点放置协调策略的需求。
**具体贡献**
• 我们提出了HGWOVP,这是一个考虑可部署性和保持可行性的雾计算编排框架,它在异构资源约束下协调任务到VN调度和VN到HM放置。该框架通过容量感知修复、利用指导的放置和逐时代的资源状态反馈将虚拟层调度和主机层放置联系起来。
• 我们设计了一种基于IGWO的任务调度机制,该机制针对雾工作负载进行了优化,结合了非线性自适应收敛控制、混沌系数生成、基于对立的学习和可行性修复操作符,以确保唯一的热编码任务-VN分配和VN级别的资源约束。
• 我们开发了一种轻量级的、考虑利用率的VN放置策略,该策略将主机机器分类为过载、利用率不足和正常状态,从而实现有针对性的VN迁移和整合,以改善负载平衡和基础设施侧的能源效率。
• 我们制定了一个考虑延迟和能源的调度模型以及主机级可行性约束,并使用完成任务时间、执行时间、基础设施侧能源消耗、不平衡程度、可靠性和运行时开销来评估该框架。
• 我们通过与其他调度和放置基线的比较评估、特定于放置的分析、消融研究、修复操作符分析和重复模拟运行的统计验证来加强实证验证。
HGWOVP为雾计算中的协调调度和虚拟节点放置提供了一个考虑延迟和能源的框架。本文的其余部分组织如下:第2节回顾相关工作;第3节介绍系统模型和问题表述;第4节描述所提出的方法;第5节报告实验评估;第6节总结了本文并为未来研究指明了方向。
**相关工作**
本节回顾了雾计算中任务调度和虚拟节点(VN)放置的现有研究,指出了激发所提出的HGWOVP框架的开放性挑战。
**系统模型**
雾计算系统中异构任务调度和虚拟节点(VN)分配的过程如图2所示。如图所示,整个工作流程分为四个主要步骤。步骤1:用户请求从终端设备到达并形成任务集。步骤2:资源监控器(RMs)持续感知实时系统状态,包括虚拟层和底层主机机器的CPU、内存和带宽可用性。
**提出的算法**
本节介绍了用于雾计算环境中协调任务调度和虚拟节点(VN)放置的混合灰狼优化器与虚拟节点放置(HGWOVP)框架。所提出的方法旨在解决第3.2节中制定的标量化多标准、非线性和组合优化问题。
**仿真设置和评估**
本节描述了仿真环境、实验配置、评估指标和比较结果。实验使用了iFogSim2 [39],[40]进行,这是为雾-云环境设计的CloudSim的扩展版本,它提供了针对延迟敏感的IoT工作负载、资源监控和能源计算的模块。为了清晰起见,我们区分了本文中使用的与时间相关的性能指标。执行时间表示完成任务所需的纯计算时间。
**结论和未来工作**
本文提出了HGWOVP,这是一个在雾计算中保持可行性协调的两阶段框架,用于任务调度和虚拟节点放置。调度阶段使用具有自适应收敛控制、混沌系数、基于对立的学习和可行性修复的改进灰狼优化器(IGWO)来生成有效的任务到VN的分配。放置阶段应用了一种考虑利用率的VN到HM映射策略,以改善负载平衡和基础设施侧的能源效率。
**作者贡献声明**
Pinky:撰写——原始草稿、方法论、概念化。Karan Verma:撰写——审查与编辑、监督、概念化。
**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
Pinky于2018年在印度贾姆谢德普尔的国家技术学院获得了工程学士学位,2021年获得了计算机科学与工程技术的硕士学位。她正在印度德里的国家技术学院攻读计算机科学与工程博士学位。她的研究兴趣包括群体智能、优化、雾计算、分布式计算、传感器网络和算法。
Pinky | Karan Verma
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号