#3文献学习总结--边缘计算资源分配与任务调度优化

文献：“边缘计算资源分配与任务调度优化综述 ”

1、系统模型“云-边-端”

第 1 层是物联网层，传感器、处理器根据应用需求感知、测量和收集原始数据，在本地处理大量数据或将其上传至计算节点。
第 2 层是边缘计算层，位于互联网边缘，靠近数据源。边缘计算节点连接物联网，边缘节点之间可以互相通信，提供计算和存储功能。
第 3 层是云计算层。一般而言，云计算中心的计算和存储能力强于雾节点，提供高聚合度的集中计算、存储等服务，但云计算中心和本地的长距离往往会造成的传播和传输时延，导致数据型任务上传云节点时存在难以容忍的延时。

2、优化目标及约束

性能指标

时延：服务时延或反应时间，是指应用提交请求和收到回应间的耗时。
截止时间：任务的截止时间可表示任务的紧迫程度。
用户的体验质量：QoE 的定义依赖于用户、环境和服务，较为主观。

能耗指标

电池电量：移动终端设备耗电量分为监测、计算、通讯和执行 4 部分。

花费指标

资源调度优化的花费主要集中于计算、存储和网络等资源成本。

3、调度优化模型及求解方法

独立任务卸载/分配：

边缘计算旨在减轻网络负载、分担终端计算任务，而独立任务的卸载决策则是基础。卸载的目的是提高性能、节省能耗，并指出很有必要卸载高计算量和低数据量的任务。
排队模型、状态转移方程等解析模型可用于分析边缘节点任务卸载策略的有效性。
启发式策略（分布式卸载策略、全卸载部分卸载策略）

资源约束下的任务分配：

由于计算系统的计算、存储、带宽、电池电量等资源有限，将有限资源作为约束给出调度优化模型，更符合现实。
智能算法（分布式遗传算法、共生有机体搜索算法）

带优先约束任务调度/卸载 :

由于部分任务的计算需要前序任务的结果数据，任务间存在优先约束关系，可利用有向无环图 DAG抽象和建模工作流，图节点代表子任务，节点间连线代表子任务间的优先约束关系。

DAG 调度优化方法主要包括启发式方法、智能算法及混合算法。

启发式方法主要分为列表调度、聚类和任务复制 3 类。
列表调度方法按优先级排列任务，然后从待调度的任务中选择最高优先级的任务分配给合适的处理器。
聚类方法将任务聚类，直到类别数与处理器数相等。
任务复制将传输数据量大的任务复制到多个处理器上处理，进而降低时延。

智能算法适用于强约束、多目标的复杂问题，可拓展性强，但很难适用于分布式在线问题等实时性要求高的场景。

4、应用与仿真验证

对于任务卸载问题，算法主要决策任务的派发与卸载，算法主要解决任务分类、处理器类型匹配等问题。
对于资源约束问题，考虑带宽、CPU 等约束，将完成时间和边缘节点存储作为约束，则将实时功耗的上限作为约束。
对于任务间无法忽视的优先约束，将其设置为问题的一个维度进行调度优化。

5、结论