基于边缘计算的电力物联网工作负载分配方法与流程

1.本发明涉及一种基于边缘计算的电力物联网工作负载分配方法。


背景技术：

2.电力行业是关系到国计民生的基础行业，为了满足经济社会发展的需要，物联网(lot)的普及和终端的智能化的应用能够确保智能电网有序高效地运行。
3.随着电力物联网业务逐渐开展，单个节点需要处理的应用逐渐增多，时延需求多样化，虽然单个边缘节点能够处理大量的泛在业务，但在业务终端请求多发的情况下，诸如巡检终端的频繁移动、异常环境下采集终端大量数据同时上传等，单个边缘节点因为计算资源受限导致任务排队，无法满足全部业务的时延需求。


技术实现要素：

4.本发明是为了解决上述技术问题，提供一种基于边缘计算的电力物联网工作负载分配方法，通过部署的sdn网络层有效利用周边的边缘服务器来分散化处理终端的任务请求，从而降低时延，减小核心网络的压力，使得网络拥塞得到有效控制和多元化的业务能够自动化部署，最优利用有限的网络资源。
5.本发明的技术解决方案是：
6.一种基于边缘计算的电力物联网工作负载分配方法，其特殊之处在于，具体步骤如下：
7.stp1、建立基于边缘计算的电力物联网架构，所述基于边缘计算的电力物联网架构包括现场层、边缘计算层、sdn网络层和qos应用层；所述现场层中现场设备包括客户端设备或传感器设备；所述边缘计算层由网关和边缘服务器构成，所述边缘服务器布置在靠近现场设备的边缘侧部；所述网络层包括交换器和sdn控制器，边缘计算层中网关通过对应的tsn交换器与sdn控制器进行数据交换；
8.stp2、现场层将采集的数据上传至最近的边缘计算层；
9.stp3、边缘计算层中网关用于处理简单任务，边缘服务器作为数据通信的总接口，负责复杂任务处理；
10.st4、sdn网络层负责全局的控制和调度，sdn控制器首先会做全局拓扑图，收集网络链路参数和空闲的计算节点；当有任务计算请求出现时，sdn控制器搜索可使用的计算节点，并通过任务卸载算法建立服务时延最小化工作负载模型，将任务卸载给可使用的计算节点或本地的边缘计算层。
11.进一步的，所述服务时延最小化工作负载模型建立过程如下：
12.区域内的边缘节点(en)集合为ι，表示为{en1,en2,en3,...eni}∈uei，终端设备(ue)的集合为j，表示为{ue1,ue2,ue3,...uej}∈uej，其中uej的app集合为kj，第k类app的请求用一个向量表示w
jk
＝[l
jk
,ω
jk
]，l
jk
表示第j个终端设备中第k个app需要传输的数据量，ω
jk
表示第j个终端设备中第k个app任务的工作负载大小，即cpu需要执行的指令数量，根据
一段时间内工作负载的数学统计，ω
jk
服从泊松分布，定义服务时延d(x)为从请求在ue上产生到en上处理完成的时间，即优化目标如下：
[0013]
p1:min d(x)
[0014]
d(x)＝σ
j∈jdj
[0015]
其中，d(x)为从请求在ue上产生到en上处理完成的时间，即所有ue发送的请求到en上处理完成时间之和；
[0016]
终端的服务时延为ue中app时延的最大值，d
ijk
表示uej上的k类app的ω
jk
分配到eni上的时延，uej的任务分配问题是一个kj→
eni的映射问题，即第j个ue上第k个app第i个en上的映射，所有的ue整体app的集合是一个j
×k→
eni的映射问题，
[0017][0018]
网络时延包括由于端口速率引起的传输时延和由于物理距离引起的传播时延，bj是uej的端口发送速率，即单位时间内能够发送的数据量，r
ij
是uej到eni的物理距离，c是无限或有线信道的传播速度，如下的网络时延
[0019][0020]
计算时延是由于cpu计算速率引起的时延，en处理请求有两种方式，一种是基于排队论，一种是全部请求到达后开始处理，计算时延由下式表示：
[0021][0022]
v＝(v
ik
)i×k是表示en中的vm分配矩阵，矩阵元素v
ik
表示eni中vmk的cpu处理速率，vi表示en中cpu的处理速率，在一个en中所有vm的计算能力之和不应该大于en的实际计算能力，即满足如下约束，
[0023][0024]
x＝(x
ijk
)i×j×k是一个表示ue中的app应用请求与en映射的三维数组，数组元素的取值规定如下
[0025][0026]
其中一个任务ω
jk
只能分配到一个en进行处理，有如下约束，
[0027][0028]
表达出原始问题
[0029][0030]
提出改进粒子群的资源分配算法，以均衡化的任务分配方式作为边缘节点资源分配问题的条件，即如下问题
[0031]
以均衡化的任务分配方式作为边缘节点资源分配问题的条件，即解问题
[0032][0033]
令得到资源分配矩阵p，元素p
ik
表示边缘节点eni中vmk的计算资源所占边缘节点eni总计算资源的比例，兙俥
[0034][0035]
利用蚁群算法中信息素的形式保存所有粒子的寻优经验信息，以路径选择的方式影响粒子群的速度，粒子属性主要有位置和速度，粒子ε的位置定义为资源分配矩阵p
ε
，表示资源分配问题的一个可行解，速度定义为矩阵u
ε
，表示粒子运动的方向，速度更新公式为
[0036]uε
(n 1)
[0037]
＝g[wu
ε
(n) c1·
r1·
(pb
ε
(n)-p
ε
(n)) c2·
r2·
(gb
ε
(n)-p
ε
(n))
[0038]
其中w为惯性权重，c
1 c2为学习因子，r
1 r2为区间(0,1)内的随机数，pb
ε
(n)为粒子ε前n次迭代搜索到的个体最优位置，gb
ε
(n)为种群前n次迭代搜索到的全局最优位置，位置更新公示为
[0039]
p
ε
(n 1)＝p
ε
(n) u
ε
(n 1)
[0040]
函数的作用是将速度限制在[-u
min
,u
max
]范围内，其中u
ik
∈[-u
min
,u
max
],u
max
为粒子速度的最大值，保证粒子位置不超过边界，的定义表示为
[0041][0042]
其中为p
ε
的元素，表示粒子ε第n次迭代后的速度，为u
ε
的元素，表粒子ε第n次迭代后的位置，问题目标为求服务时延的最小值，因此适应度函数为服务实验函数的倒数，适应度函数表示为
[0043][0044]
当这些精英粒子得不到及时更新时算法陷入局部最优时，该精英粒子为服务时延的最小值，从而选择最优卸载位置。
[0045]
进一步的，所述现场设备包括设备检测装置、设备巡检装置、线路检测装置、视频监控装置、智能家居或远程抄表业务终端。
[0046]
进一步的，所述复杂任务是现场设备监控、采集数据上传和存储以及数据计算。
[0047]
本发明的有益效果是：
[0048]
将集中式算力改为分布式算力，在靠近设备的边缘侧部署边缘服务器，达到降低时延的目的。sdn网络层负责全局的控制和调度，能快速地完成计算任务请求的卸载决策，根据实际业务需求制定数据转发规则，为任务卸载提供依据。边缘计算层主要用于高数据量的复杂任务处理，同时还负责多个任务中心之间的调度、编排等工作，可以和边缘计算相配合，灵活满足不同需求，可以实时获取网络资源，快速编排业务，大大提高整体网络资源的利用率。
附图说明
[0049]
图1是本发明的结构示意图；
具体实施方式
[0050]
如图1所示，一种基于边缘计算的电力物联网工作负载分配方法，具体步骤如下：
[0051]
stp1、建立基于边缘计算的电力物联网架构，所述基于边缘计算的电力物联网架构包括现场层、边缘计算层、sdn网络层和qos应用层；所述现场层中现场设备包括客户端设备或传感器设备；所述现场设备包括设备检测装置、设备巡检装置、线路检测装置、视频监控装置、智能家居或远程抄表业务终端，所述边缘计算层由网关和边缘服务器构成，所述边缘服务器布置在靠近现场设备的边缘侧部；所述网络层包括交换器和sdn控制器，边缘计算层中网关通过对应的tsn交换器与sdn控制器进行数据交换；
[0052]
stp2、现场层将采集的数据上传至最近的边缘计算层；
[0053]
stp3、边缘计算层中网关用于处理简单任务，边缘服务器作为数据通信的总接口，负责复杂任务处理，所述复杂任务是现场设备监控、采集数据上传和存储以及数据计算；
[0054]
st4、sdn网络层负责全局的控制和调度，sdn控制器首先会做全局拓扑图，收集网络链路参数和空闲的计算节点；当有任务计算请求出现时，sdn控制器搜索可使用的计算节
点，并通过任务卸载算法建立服务时延最小化工作负载模型，将任务卸载给可使用的计算节点或本地的边缘计算层。
[0055]
所述服务时延最小化工作负载模型建立过程如下：
[0056]
一个区域内的边缘节点(en)集合为i，表示为{en1,en2,en3,...eni}∈uei，终端设备(ue)的集合为j，表示为{ue1,ue2,ue3,...uej}∈uej，其中uej的app集合为kj，第k类app的请求可以用一个向量表示w
jk
＝[l
jk
,ω
jk
]，l
jk
表示第j个终端设备中第k个app需要传输的数据量，ω
jk
表示第j个终端设备中第k个app任务的工作负载大小，即cpu需要执行的指令数量，根据一段时间内工作负载的数学统计，ω
jk
服从泊松分布。定义服务时延d(x)为从请求在ue上产生到en上处理完成的时间，即优化目标如下：
[0057]
p1:min d(x)
[0058]
d(x)＝σ
j∈jdj
[0059]
其中，d(x)为从请求在ue上产生到en上处理完成的时间，即所有ue发送的请求到en上处理完成时间之和。
[0060]
终端的服务时延为ue中app时延的最大值。假设ue中的一个app的请求为一个不可分割的任务，每个app请求仅分配到一个en进行处理，d
ijk
表示uej上的k类app的ω
jk
分配到eni上的时延。所以uej的任务分配问题是一个kj→
eni的映射问题，即第j个ue上第k个app第i个en上的映射。考虑所有的ue，整体app的集合是一个j
×k→
eni的映射问题。
[0061][0062]
网络时延包括由于端口速率引起的传输时延和由于物理距离引起的传播时延。bj是uej的端口发送速率，即单位时间内能够发送的数据量。r
ij
是uej到eni的物理距离，c是无限或有线信道的传播速度。在实际环境中，应用请求发送的数据包的大小在kb～mb级别，端口发送速率在100mb/s～gb/s级别，并且可以选择大发送速率的网络端口，而信道距离在km级别，由于无线路由器的覆盖范围限制，1km需要经过3到5次路由转发过程。考虑信道中存在建筑物的干扰和中间网关的存储转发过程，信道的传播速度为100km/s～1000km/s。在模型分析中假设bj足够大，相比较来说，l
ijk
/bj＜＜r
ij
/c，这样就可以忽略传播时延，下文将考虑如下的网络时延
[0063][0064]
计算时延是由于cpu计算速率引起的时延，en处理请求有两种方式，一种是基于排队论，一种是全部请求到达后开始处理。为了分析方便，我们假设en在所有请求全部到达后开始处理，计算时延是cpu处理一段时间内所有任务的平均值。en能处理多类app请求，因为不同请求的处理方式不同，为了提高en处理不同请求的效率，减小异类工作方式混合带来的干扰，减小任务计算时延，把en分割为若干虚拟机(vm)处理不同app的请求。在en中可以根据需要动态启动和删除vm，这种方法可以简化工作开发人员的工作，降低一台物理服务器多类型业务的编程复杂性。计算时延可以由下式表示：
[0065][0066]
v＝(v
ik
)i×k是表示en中的vm分配矩阵，矩阵元素v
ik
表示eni中vmk的cpu处理速率，vi表示en中cpu的处理速率。通过合理分配en上不同vm的占比，调整处理不同类应用的cpu资源，是的ue中的服务时延最小。在一个en中所有vm的计算能力之和不应该大于en的实际计算能力，即满足如下约束。
[0067][0068]
x＝(x
ijk
)i×j×k是一个表示ue中的app应用请求与en映射的三维数组，数组元素的取值规定如下
[0069][0070]
其中一个任务ω
jk
只能分配到一个en进行处理，因此有如下约束，
[0071][0072]
考虑只有一个ue的特殊情况，忽略ue和en之间的网络传输时延，这个工作负载分配问题，这个问题等价于完工时间的调度问题，于是可以表达出原始问题
[0073][0074]
提出改进粒子群的资源分配算法，以均衡化的任务分配方式作为边缘节点资源分配问题的条件，即如下问题
[0075]
以均衡化的任务分配方式作为边缘节点资源分配问题的条件，即解问题
[0076][0077]
为了方便求解，将矩阵进行归一化处理，令得到资源分配矩阵p，元素p
ik
表示边缘节点eni中vmk的计算资源所占边缘节点eni总计算资源的比例。兙俥
[0078][0079]
传统的粒子群算法中，由于缺少粒子间的信息交互，容易陷入局部最优。针对这一问题，本文提出一种改进粒子群算法，利用蚁群算法中信息素的形式保存所有粒子的寻优经验信息，以路径选择的方式影响粒子群的速度，从而保持较快的收敛，避免早熟降低种群多样性。兙
[0080]
粒子属性主要有位置和速度，粒子ε的位置定义为资源分配矩阵p
ε
，表示资源分配问题的一个可行解，速度定义为矩阵u
ε
，表示粒子运动的方向。速度更新公式为
[0081]uε
(n 1)
[0082]
＝g[wu
ε
(n) c1·
r1·
(pb
ε
(n)-p
ε
(n)) c2·
r2·
(gb
ε
(n)-p
ε
(n))
[0083]
其中w为惯性权重，c
1 c2为学习因子，r
1 r2为区间(0,1)内的随机数，pb
ε
(n)为粒子ε前n次迭代搜索到的个体最优位置，gb
ε
(n)为种群前n次迭代搜索到的全局最优位置。位置更新公示为
[0084]
p
ε
(n 1)＝p
ε
(n) u
ε
(n 1)
[0085]
函数的作用是将速度限制在[-u
min
,u
max
]范围内，其中u
ik
∈[-u
min
,u
max
],u
max
为粒子速度的最大值，保证粒子位置不超过边界，的定义表示为
[0086][0087]
其中为p
ε
的元素，表示粒子ε第n次迭代后的速度，为u
ε
的元素，表粒子ε第n次迭代后的位置。问题目标为求服务时延的最小值，因此适应度函数为服务实验函数的倒数。适应度函数表示为
[0088][0089]
当这些精英粒子得不到及时更新时算法陷入局部最优时，该精英粒子为服务时延的最小值，从而选择最优卸载位置。
[0090]
以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。