文摘

随着电力的发展感到神往(物联网)技术,越来越多的智能设备访问网络。云计算是用来提供资源存储和计算服务任务的电力网络。然而,有许多问题与传统的云计算,如长期延迟和资源瓶颈。因此,在本文中,提出了两级资源管理方案基于边缘计算的概念。此外,一个新的任务调度算法基于蚁群算法,实现了资源共享和动态调度。仿真数据表明,该算法具有良好的性能影响任务执行时间,功耗,等等。

1。背景

智能电网的快速发展,大量的电力设备访问互联网。对电力服务的需求显示指数增长的趋势。云计算技术,它不仅可以提供计算服务,也有许多优点,如可伸缩性、灵活性和安全性(1]。

云计算可以提供技术支持和理论支持电力设计、数据存储、灾难恢复、智能电力消耗和电网仿真分析系统。此外,云数据中心可以集成和管理数据和资源来自不同业务系统在电网统一,而这些数据和资源是智能电网的基础资源共享。然而,云计算的总成本将会增加,当规模减少,如微软的调查所示(2]。虽然在边缘节点计算资源通常是有限的,在偏远的云资源是丰富的3),边云之间的资源特性和远程是不同的。

边缘之间的距离计算可以减少用户需求和计算服务器(4,5]。边计算,不仅可以缩短这些任务的计算延迟,但还要求用户在计算能力和电源可以减少(6]。因此,计算任务尤其是对延迟敏感的可以上传到边缘节点。在本地可以收到并执行计算任务,和计算结果可以直接发送到用户(7]。

异构云建议来更好地为用户提供不同的服务质量(QoS)需求(8]。此外,一些计算密集型任务,任务需要被分成一些执行的子任务和资源合作。本文提出了一种新的两级资源管理方案基于边缘计算。新的资源管理方案,可以在当地执行计算任务节点,而延时可以降低了与云计算。此外,根据边缘计算的特点,提出了一种基于蚁群算法的任务分配算法。当地边缘节点的资源可用于提供计算密集型任务的资源共享与合作。

2。相关工作

一个合理的资源管理和任务分配方案是非常重要的,以确保电力云计算系统的效率和稳定性。有许多研究人员研究了云计算的资源管理(9,10]。资源管理方案的节省能源消耗,作者在11)提出了一种新的方法来减少功耗减少处理器的速度。负载的平衡被认为是在12),实现了有效的虚拟机迁移策略;此外,作者提出了一种新的方案智能负载迁移和资源分配的机器学习。资源管理方案的提高资源利用率,作者在13)设计了一个两级资源调度方案,实现一种新的资源分配算法的启发式算法。此外,作者在14)提出了一种新的资源调度程序,可以实现实时车辆云服务。作者在15)移动云资源调度算法,提出了一个算法可以减少通信和计算消费。此外,遗传算法也被用于节约能源消费在[资源调度16,17]。此外,基于诺玛技术,作者在18,19]介绍了基于集群的资源分配方法认知工业和多波束卫星工业。

边计算,一个主要的服务要求是低延迟,这将是其请求的输出,即。,为用户的时间收到它的结果(20.]。的作者(21提出,时间延迟的问题可以得到解决通过执行任务资源提供者外部边缘设备上应用。此外,有效地控制计算的数据传输任务根据频道信息,delay-optimal问题研究通过采用马尔可夫决策过程的方法(22]。作者在23)提出了一个有效的计算卸载策略和研究绿色边缘与充电设备计算系统。此外,作者在24,25)被认为是平衡系统的成本和平均卸货延迟,研究边缘之间的工作负载共享和远程云。通信元素,一个现有的访问点调度技术被认为是在26,27),它可以将用户和最近的薄云为了最小化传输距离和提高信号质量和传播时间。此外,在[28,29日),传输功率控制的传动功率提出了薄云精心设置的最终目标是降低延迟。作者在30.,31日)被分配视为提供公平服务可用的资源,如信道带宽。

为优化计算系统QoS的优势,有很多研究。作者在32)被认为是联合优化无线电和计算资源的整体能源消耗降到最低移动用户在边缘计算。减少用户的能源消费总量,作者提出了上行和下行波束形成算法和计算资源分配(33]。在[34),作者推导出最优广播和计算资源分配政策考虑TDMA网络的场景。作者在35)设计了一个任务卸载算法研究energy-delay权衡计算边缘。

这样的计算模式,称为边缘计算,从学院和行业广泛关注36,37]。在边缘的帮助下计算,可以卸载应用程序任务运行在设备上的边缘的边缘服务器计算得到更好的服务。一般来说,边缘计算系统的计算资源还是有限而遥远的云数据中心。因此,边缘计算通常支持通过互联网远程端云(38]。

在某种程度上,以上研究解决一些资源管理问题。然而,对于权力资源管理信息系统的问题,在现有文献研究不多。因此,在本文中,电力资源管理方案基于边缘计算进行了研究。

3所示。基于边缘计算电力资源管理方案

随着云计算的快速发展,越来越多的智能终端进入网络。对于传统的云计算,云计算资源和存储资源数据中心和所有任务都将转移到云。电网的电力设备包括大量的数据信息。因此,在电网中,传统的云计算资源瓶颈无法避免,并不能保证实时性能。

在电力网络的边缘,有很多设备,包括相当大的资源。如果这些设备的资源可用于提供计算服务、数据中心的计算能量可以有效地补充(39]。在本文中,一个新的权力云资源管理方案提出了基于边缘计算。在本方案中,一些计算任务在云服务器将跌至边缘设备,和当地的计算任务也将执行在当地边缘设备。

新的资源管理方案,如图1,有两级计算节点:第一层次包括分析控制节点的第二层次包括云服务器和计算节点在边缘设备。第一级节点用于执行计算密集型任务和管理第二级节点,和第二级节点用于执行当地的计算任务。在第二级节点应该受到的资源调度的一级节点。这个新的资源管理方案的应用场景可以供电服务指挥系统和大数据平台,热点位置,等等。和任务要求的新的资源管理计划可以是故障诊断,继电保护,智能巡逻,线损计算,等等。

在这个资源管理方案,第二级节点的资源是有限的,一些任务将被分为许多子任务和被分配到不同的边缘节点。资源共享和节点的任务将执行合作。

在本文中,我们考虑一个实际的应用场景。如图2,这个区域代表一个分布电源领域,其中包括很多变形金刚,一些智能终端,和一些用户。在这种情况下,智能终端设置为边缘节点提供计算服务的任务。

4所示。基于蚁群算法的任务调度方法

蚁群算法是一种智能优化算法,它是一个优化过程来解决复杂问题。可以使用蚁群算法来解决资源分配问题。摘要边缘节点总是独自资源有限的执行并非计算密集型任务。因此,计算密集型任务将被分为许多子任务和分配不同的边缘节点。在本文中,我们提出了一个新的任务分配算法基于蚁群算法为子任务分配适当的资源。

4.1。引入蚁群算法

蚁群算法是一种新型的模拟进化算法解决复杂的组合优化问题,及其典型特征是群体智慧。蚁群算法的一个殖民地组成的许多蚂蚁被认为是执行高度复杂的蚂蚁无法完成的任务。蚂蚁通过协作和信息交换调节他们的行为。蚁群算法的信息素扮演非常重要的角色,它可以帮助蚂蚁判断下一个方向传输的传感信息素的存在和浓度。

蚁群算法是一种随机搜索算法从蚂蚁觅食的行为。模拟蚂蚁觅食过程中,积极的反馈和分布式合作主要是用来找到最优路径。有一些蚂蚁觅食行为的特征如下所示:首先,沿着路径信息素浓度会随时间变化,蚂蚁选择路径的信息素浓度不同的路径。其次,为了避免路径选择的过程中陷入局部最优,已经选择的路径之前,不允许再次被选中。第三,路径的信息素会随时间减少,和路径的长度会影响信息素浓度。

4.2。详细设计的任务调度算法

最近,这个任务在电网规模迅速增加,所以任务资源调度的问题越来越复杂。然而,资源之间的合理调度和任务是非常重要的提高资源利用率和任务完成率。

提出了资源管理方案,在边缘节点有限的资源完成一些计算密集型任务。计算密集型任务通常可分为几个子任务和被分配到不同的边缘节点。因此,它是一个非常关键的问题,如何分配任务在不同边缘节点,将在本节中解决。

蚁群算法是一种智能优化算法,用于解决复杂的组合优化问题。蚁群算法的分布式计算是相对容易实现,很容易与其他算法合并成为一个新的算法。由于这些优势,蚁群算法通常会被应用到解决resource-task调度和优化问题。

例如,在[40),一个任务调度算法,名叫“DSFACO”,这是分配给降低了任务的执行时间在同一调度队列。该算法提高了虚拟机资源的运行效率。

在第二级节点,计算密集型任务通常会分为许多子任务和边缘节点将通过相互合作完成任务。因此,在本文中,蚁群算法是实现边缘节点之间的资源共享。

4.2.1。准备数学模型

介绍了蚁群算法的一些参数表1。此外,在本节中,我们介绍了信息素的计算模型,信息素的更新模型,节点的状态转移概率模型。

(1)对信息素计算模型。在这个模型中,资源节点的信息素可以通过其属性值计算。一些属性是:CPU利用率,功耗,内存利用率,外部存储利用率,节点安全。在本文中,一个资源节点的信息素可以计算如下: 在哪里 , , , ,和代表节点信息素资源属性的重要程度。此外, , , , ,和代表了CPU利用率、功耗、内存利用率、外部存储器的利用率和节点安全等级的节点归一化之后。在一开始, 。此外,边缘节点的功耗可以表示如下: 在哪里功耗在没有任务分配在这边缘节点。是当这条边节点满载功耗。是任务的处理速度边缘节点上 。 处理速度的最大价值。

辞职一个统一的计算节点信息素的方法,属性的值归一化集成。因此,看到(简单的加性加权)技术用于本文[41]。属性分为两类:第一类属性值和节点信息素呈正相关,这意味着节点信息素的值将会增加的价值属性,如节点安全等级;第二种属性值和节点信息素负相关,这意味着节点信息素的价值将减少的价值属性,如CPU利用率、功耗、内存利用率和外部存储利用率。第一种的正常化过程属性可以表示为公式(2),第二种属性的标准化过程可以表示为公式(3)。此外,和代表的归一化值 - - - - - -属性。相反,代表正常化前的初始值。此外,和代表的最大值和最小值 - - - - - -属性。

(2)对信息素更新模型。在蚁群算法,有效的节点是那些有用的节点搜索的蚂蚁,和有效的节点被用来执行计算任务。摘要有效的节点被定义为一个节点的信息素不小于某一阈值后被分配的任务。当一个节点分配任务,其CPU利用率、内存利用率和外部存储利用率将会增加。因此,为了确保每个资源节点的负载平衡,应该减少节点信息素的资源利用率相对较高。在这种情况下,资源利用率高的节点将被分配任务的概率较低。因此,信息素更新模型可以表示如下: 在哪里信息素是持久性系数,即现有的信息素信息素更新过程的影响程度。此外,当节点我的概率分配任务,它将被指派任务下次可以改变,所以呢节点信息素变化吗我当它被ant任务 ,和 是信息素影响的总和。任务的信息素增量效应当它被分配的任务可以表示如下:

(3)对状态转移概率模型。在选择下一个转换节点,蚂蚁总是倾向于选择邻居节点转移概率最高的。转移概率计算公式可以表达的 在哪里重要性程度的信息素和吗是启发式的重要性程度的因素。此外,是可以选择的节点集在下一步蚂蚁吗k。启发式因子可以计算如下: 在哪里意味着节点的距离和节点 。当蚂蚁选择下一个传输节点,越小是,节点之间的通信成本越少和节点是,和更大的概率节点选为下一个传输节点。此外,期望水平的蚂蚁吗从节点到节点 。

4.2.2。算法流程

在本节中,我们将介绍了资源管理算法的具体流程。具体流程如图3。(1)节点初始化信息素。(2)蚂蚁被放置,启动计时器。(3)蚂蚁选择下一个传输节点根据状态转移概率和确定该节点是一个有效的节点。如果选中的节点是一个有效的节点,节点信息将被记录并返回;如果选中的节点不是有效的节点,蚂蚁会继续选择下一个传输节点和确定它是一个有效的节点。(4)有效的任务分配节点,节点信息素更新。(5)计时器结束。

5。模拟

在新的资源管理方案基于边缘计算的概念,我们提出一种基于蚁群算法的任务调度算法。在本节中,我们将模拟新算法的性能。不失一般性,所有数据的平均值是十个实验。在实验中, , , , ,和设置为0.25。表达的仿真参数表2,我们设置一些对比算法来验证新算法的有效性。在本节中,两个比较算法集。一个是修改后的轮询调度算法,算法,另一种是广义的优先级。(我)修改后的轮询调度算法(基本)。这个算法在42),随机分配任务执行的免费资源(2)广义优先算法(GPA)。这个算法在43),这是一种有效的优化算法在云计算环境中任务调度(3)蚁群算法在边缘计算(ACPEC、)。这个算法是本文提出的资源调度算法

在本节中,我们模拟的基本性能,GPA, ACPEC任务执行时间和不同数量的任务。如图4,我们可以发现ACPEC总是短的任务执行时间比平均绩点和基本。随着任务的增加规模,优势越来越明显。当任务的数量达到320,ACPEC的优势是非常明显的,如图4。

任务等待延迟是一个关键因素影响系统的实时响应。如图5,任务等待时间总是在任务规模增加而增加。绩点和基本ACPEC算法相比更加复杂,因此所需的时间任务分配总是略长。然而,相比之下,任务执行时间的总量,增加一个小任务等待时间为用户是可以接受的。

表演在能耗成本图所示6。ACPEC算法,任务可以分配给不同的资源节点根据降低功耗的目的。规模是相同的,因此,当任务的功耗ACPEC总是小于功耗FSFC和基本。随着任务的规模增加,优势是显而易见的。

当任务的数量是100,20边缘节点的CPU利用率、内存利用率和50个节点模拟如图7和8。我们可以发现一些节点的CPU利用率和内存利用率波动很大时使用平均绩点和基本。此外,一些节点在低负荷状态下使用时平均绩点和基本。使用ACPEC算法时,CPU利用率、内存利用率不同节点之间的平均。与基本相比,平均CPU利用率从38.8%上升到69.9%,平均内存利用率从38%上升到68%。

在本节中,我们将评估这些任务调度算法的性能在负载不平衡。在本节中,(不平衡度)代表负载失衡的程度,可以计算如下: 在哪里 , ,和代表时间最长、最短的时间和任务执行的平均时间。负载不平衡水平不同的算法如图9。我们可以发现负载不平衡水平与任务规模的增加逐渐降低。这是因为任务的分配与任务规模的增加逐渐平衡。相比平均绩点和基本的价值观ACPEC较低。ACPEC在负载平衡的性能优于平均绩点和基本如图9。

6。结论

确保高效、稳定运行的电力云计算系统的优势,充分利用边缘节点,在本文中,我们提出一种新的基于边缘计算资源管理方案。在这个方案中,可以在当地执行计算任务边缘节点代替上载到云。在新的计划中,虽然单边缘节点的资源是有限的,资源的边缘节点之间可以相互合作来完成计算密集型任务。边缘节点之间实现最优分配和任务,任务分配算法,提出了基于蚁群算法。该算法具有良好的性能在任务执行时间,等待延迟,CPU利用率、内存利用率和负载平衡。通信开销极大地受到网络环境的影响;因此,数据传输的通信开销和系统功耗的差异应该考虑在资源管理问题,这可能会成为我们未来的工作。

数据可用性

仿真数据用于支持本研究的发现是包含在文件的补充信息。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家重点研发项目(2020 yfb2104503)。