基于邊緣計算的動態任務調度方法研究

中圖分類號：TN929.5 文獻標志碼：A 文章編號：2095-2945（2025）19-0052-04

Abstract：Inedge computing environments，unknownnode performanceand dynamicnetwork changes leadtoineficient resourcealocationandaffecttheoverallperformanceofthesystem.Taddressthisproblem，thisresearchproposesaDynamic AdaptiveScheduling（DAS）algorithm basedondynamic mapping.DASachievessmartertaskalocationbyintroducingnew processingspeedmetricsanddynamicperformancemapingmechanisms thatconsiderrouting delays.Experimentalresultsshow that DAS reduces the average task completion time by 35.5% ，reduces energy consumption by 26.9% ，and achieves a resource utilization of 92% .These improvements significantly improve theoverall performance and eficiency of the edgecomputing system.

Keywords： edge computing; dynamic task scheduling; energy consumption model; resource alocation; 5G

隨著物聯網和5G技術的快速發展，邊緣計算已成為支撐現代智能應用的關鍵技術。然而，在復雜多變的邊緣計算環境中，如何高效地分配通信和計算資源成為一個日益突出的挑戰。邊緣節點性能的異構性、任務需求的多樣性以及網絡條件的動態變化，使得傳統的靜態任務調度策略難以適應這種復雜環境。

特別是在面對大量未知性能節點和持續變化的網絡環境時，現有的調度算法暴露出了嚴重的局限性。這些算法通?；陬A先定義的靜態規則和理想化的系統模型，難以應對邊緣計算場景的復雜現實。其結果往往是資源分配效率顯著下降，系統能耗不可控地增加，任務完成時間大幅延長，用戶服務體驗嚴重受損。這些挑戰不僅限于技術層面，更關乎邊緣計算作為一種新興計算范式能否真正發揮其潛在價值。傳統的集中式計算和靜態資源分配模式已經無法滿足現代分布式智能系統對計算靈活性、實時性和能源效率的苛刻要求[-3]。

為了應對這些挑戰，本研究提出了一種動態適應性調度策略。該策略通過動態映射機制和實時性能評估，有效地處理了未知節點性能和網絡動態變化的問題。本研究目的是通過理論分析和實驗驗證，全面評估DAS策略在任務完成時間、能源消耗、資源利用率和負載平衡等方面的性能，為解決邊緣計算環境中的復雜調度問題提供新的思路和方法。

1邊緣計算

在邊緣計算環境中構建任務調度模型時，需要考慮多個關鍵因素，這些因素共同決定了模型的復雜性和有效性。首先，對邊緣節點的分類是至關重要的，需要從硬件性能、計算能力、存儲資源和網絡連接狀況等多個維度進行精細劃分。典型的分類可能包括：高性能計算節點、低功耗節點、具有特定傳感器的專用節點以及網絡邊緣接入節點等。

任務集合的定義同樣復雜，需要考慮任務的計算復雜度、數據量、時間敏感性和優先級等特征。每個任務都應該具備明確的屬性，如計算需求、內存要求、網絡帶寬需求以及可接受的最大延遲時間。這種精細的任務描述有助于更準確地進行資源分配和調度。

資源與性能指標的量化是模型構建的核心。通過對這些參數的精確定義和建模，研究者可以構建一個更加智能和高效的任務調度模型。模型不僅要考慮靜態的資源分配，還要能夠動態響應環境變化。

1.1建立能耗模型

該算法在構建任務調度模型時，綜合考慮了任務獨立性、非搶占特性、執行時間、路由延遲、排隊等待時間、任務優先級、資源分配和系統負載等因素，以實現能耗優化。采用了啟發式搜索和元啟發式算法提高調度效率和系統響應速度，保證能耗最小化的同時確保任務調度的實時性和公平性。

由圖1可知，提出了一種系統化的邊緣計算任務調度流程，通過初始化參數、定義節點與任務集合、建立性能指標，構建調度條件并計算工作時間與能耗，以達到優化能耗和效率的目的。流程采用閉環系統，通過監控反饋調整參數，實現持續改進，最終輸出最優調度方案并確保系統穩定性和適應性。

節點 k 上所消耗的隊列資源總量不允許超過該節點的隊列容量限制。這里使用了一個判斷函數 θ_mk^（t） 來判斷情況

k 上上 。

設 p_mk 表示任務 m 在節點 k 上的處理時間，計算公式為pm=ml 。任務分配時，路由傳輸延遲 ，其中， u_mk 代表被處理的延遲， u^′_mk 代表到目的地的延遲。 k_v 以及任務和 e_mk 是各種節點的性能指標。工作時間 T_k 包括所有任務的處理時間以及任務的總路由時間 T_k^* （204

整個系統是并行方式進行運行的，所以系統的總時長相當于節點中工作時長最長的那個節點。換句話說，系統總工作時長 T_G 定義為節點時長 T_k 的最大值

T_c=max（T_k），k∈K

W_k=（T_k-T_k^*）μ_k+T_k^*μ_k^*+（T_?-T_k）μ_k^′°

因此，計算邊緣計算平臺總能耗為

1.2任務調度算法

在分布式計算和邊緣計算環境中，高效任務調度面臨著極其復雜的挑戰，尤其是在多節點、異構系統中尋找最優解幾乎是不可能的。傳統的調度算法往往難以應對節點性能動態變化和不確定性的特征，這使得實時任務調度成為一個極具挑戰性的問題

首先定義了邊緣計算節點為 K={k₁，k₂，…，k_n} ，其中n 是系統中節點的總數。已知性能集合為 K⁺={k₁⁺，k₂⁺，… k_u⁺} ，未知性能集合為 ，其中 u 和 v 分別代表已知和未知性能節點的數量。集合 K 是包含了已知和未知性能節點的集合，即 K=K∪K⁺ 。用 M 表示任務的集合。調度結果在各個邊緣節點由 ?={X₁，X₂ ， …，X_n} 表示，其中 X_i（1?i?n） 是任務子集邊緣節點 i 中任務子集。

對于任務集合 M 中的每個任務 ?_m ，用 m 表示隊列資源，用 ml 表示其計算量。用 k_r 表示其隊列容量， k_v 表示處理速度。當任務在時間 χ_t 被生成并分配給節點 k 時，必須滿足以下條件

為了有效應對這一挑戰，本研究提出了一種創新的半線上任務調度算法，其核心是通過動態映射策略和系統先驗知識，構建一個智能的性能評估和任務分配框架。這種方法的獨特之處在于其能夠處理節點性能的不確定性，特別是針對那些性能尚未完全確定的未知節點。

算法的工作原理可以分為幾個關鍵步驟：首先，利用系統中已知節點的性能數據作為基準，通過先進的統計推斷和機器學習技術，對未知節點的潛在性能進行預測和建模。這種性能映射機制不僅基于靜態的硬件參數，還融合了動態的運行時信息，如網絡延遲、當前負載、歷史任務執行情況等。

在任務調度過程中，算法通過概率選擇和動態映射機制，在已知節點和未知節點之間尋找最佳平衡點。它會根據實時的系統狀態動態調整節點映射關系，確保資源分配的最大效率。當發現未知節點的實際性能與初始預測存在顯著差異時，系統能夠快速調整映射策略，實現近乎實時的性能優化。

在邊緣計算環境中，準確評估所有節點的性能對于高效的任務調度至關重要。然而，常常面臨一個挑戰：某些節點的性能是未知的。為了解決這個問題，本研究提出了一種性能映射方法。

這種方法的核心思想是建立未知節點和已知節點之間的對應關系。不僅包括傳統的處理速度和隊列容量，還考慮了網絡中的路由延遲。為了更準確地反映節點的實際性能，引人了一個新的處理速度指標 k_v^′ ，其考慮了路由延遲對節點處理能力的影響

式中： k_v 是節點的最初處理速度， ?p_mk 是任務 m 在節點 k 上的最終完成時間， e_mk 是任務 ?_m 到節點 k 的路由延遲。

基于這個新的處理速度指標，計算每個節點被選中的概率

這確保了那些低延遲、高速度的節點有更高的概率被選中進行任務處理

在任務分配過程中，使用一個動態映射表來建立未知節點和已知節點之間的對應關系。初始時，所有未知節點被映射到已知節點集合中性能居中的節點。隨著任務的執行，系統持續監控每個節點的任務隊列狀況，并根據實際情況動態調整映射關系。

當一個任務 ?_m 在時刻 χ_t 生成后，系統按照概率F（k） 選取 d 個候選節點（集合 D ）。最終，任務 ?_m 會被分配給滿足以下條件的節點

式中： αβ_?γ 是權重參數， _，β 為負數。這個公式綜合考慮了節點的當前隊列長度 Σ_i∈Mθ_ik^（t） 、處理速度 p_mk 和路由延遲 e_mk ，確保任務被分配到最合適的節點。

隨著任務的分配和執行，系統會持續監控每個節點的任務隊列狀況。如果發現未知節點的實際性能與其映射的已知節點存在顯著差異，系統會自動調整映射關系。例如如果一個未知節點的任務隊列持續增長，超過了其映射節點的水平，系統會將其重新映射到一個性能較低的已知節點。反之，如果未知節點的任務處理速度超出預期，系統會將其映射到性能更高的節點。

這種動態調整機制確保了系統能夠不斷優化其對未知節點性能的估計，從而實現更均衡、更高效的任務分配。隨著時間的推移，系統對所有節點的性能評估會越來越準確，最終達到近乎最優的任務調度效果

2 實驗設計及評估

2.1實驗設計

本實驗旨在全面評估所提出的動態適應性調度策略（DAS）在異構邊緣計算環境中的綜合性能，具體包括與現有調度算法在執行時間、能耗、資源利用率等方面的比較，對未知性能節點和動態網絡環境的適應性評估，不同規模任務負載下的可擴展性分析，以及對服務質量（QoS）影響的探討。

2.2 評價指標

在本研究中，采用了一套全面的評價指標體系來評估所提出的動態適應性調度策略（DAS）在異構邊緣計算環境中的性能。這套指標包括平均任務完成時間（ATCT）能源消耗（EC）資源利用率（RUR）負載平衡指數（LBI）和QoS滿意度（QSR）。ATCT反映了調度策略的實時性和效率；EC評估了策略的能源效率，對實現綠色計算至關重要；RUR衡量了資源分配的合理性；LBI確保了任務負載的均衡分布；QSR則綜合反映了用戶對系統服務質量的滿意度。

2.3 實驗結果分析

為了全面評估DAS算法的性能，選擇了輪詢（RR）最少連接（LC）加權最少連接（WLC）以及最新的動態任務和服務調度（DTAS）算法作為對比基準。通過在不同場景下運行這些算法，收集了一系列關鍵性能指標進行對比實驗。實驗結果如表1所示：DAS算法在邊緣計算領域具有廣闊的應用前景。

從實驗數據可以看出，DAS算法在所有關鍵性能指標上都表現優異。相比于傳統的RR算法，DAS將平均任務完成時間縮短了 35.5% ，能源消耗降低了 26.9% 即使與最先進的DTAS算法相比，DAS仍然在任務完成時間上提升了 9.3% ，能源效率提高了 6.6% 。這些顯著的改進主要歸功于DAS算法動態適應網絡條件和任務特征的能力，使其能夠更智能地分配資源和調度任務。

在資源利用率和負載平衡方面，DAS同樣展現出了卓越的性能。 92% 的資源利用率和0.92的負載平衡指數表明，DAS能夠有效地利用可用資源，同時保持系統的平衡。特別是在QoS滿意度方面，DAS達到了 95% 的高水平，這意味著其能夠更好地滿足任務的服務質量要求，這對于延遲敏感的邊緣計算應用尤為重要

總的來說，實驗結果清楚地表明，DAS算法在邊緣計算環境中具有顯著的性能優勢。其不僅能夠有效地減少任務完成時間和能源消耗，還能保持高水平的資源利用率和系統平衡。DAS算法的這些特性使其特別適合于動態多變的邊緣計算場景，能夠為各種應用提供更高效、更可靠的服務。未來的研究可以進一步探索DAS在更大規模網絡和更復雜任務模型下的表現，以及如何將其與其他優化技術結合，以應對邊緣計算日益增長的挑戰。

3結束語

本研究提出的動態適應性調度策略（DAS）在邊緣計算環境中展現出顯著優勢，不僅為解決邊緣計算中的資源調度問題提供了一個創新性方案，也為未來邊緣計算技術的發展指明了重要方向。通過與現有算法的對比實驗，DAS不僅在性能指標上取得了突破性進展，還深入揭示了動態適應性調度在異構計算環境中的重要價值。

實驗數據顯示，DAS將平均任務完成時間縮短了35.5% ，能源消耗降低了 26.9% ，這意味著在保證服務質量的同時，顯著提高了系統的計算效率和能源利用率。92% 的資源利用率和0.92的負載平衡指數進一步證明了算法在資源分配和系統平衡方面的卓越表現。尤為重要的是， 95% 的QoS滿意度表明該算法能夠有效滿足不同類型任務的服務質量要求，這對于實時性和性能敏感的邊緣計算應用具有重要意義。

然而，技術創新永遠是一個持續迭代的過程。DAS算法雖然在實驗中展現出巨大潛力，但仍面臨一些關鍵挑戰。隨著邊緣計算網絡規模的不斷擴大，算法的計算復雜度將呈指數級增長，這可能會限制其在大規模部署場景中的實際應用。這些挑戰為未來研究指明了方向，包括探索算法的輕量化設計、提升并行處理能力，以及與人工智能和機器學習等技術的整合，以進一步提高算法的適應性和智能化水平。

參考文獻：

[1]陳杲，黃蓉，黃倩.邊緣計算節點共享技術實現方法的研究[J].互聯網天地，2023（12）：16-22.

[2]張斐斐，葛季棟，李忠金，等.邊緣計算中協作計算卸載與動態任務調度[J]軟件學報，2023，34（12）：5737-5756.

[3]李開言，王亞剛，張濤.基于改進灰狼優化算法的邊緣計算任務調度方法[J].信息與控制，2022，51（4）：489-497，512.

[4]王蘊，林霄，樓芝蘭，等.面向邊緣光算力網絡的上行鏈路資源協同調度算法[J].光通信技術，2024，48（3）：45-51.

[5]趙輝，馮南之，王泉，等.面向邊緣計算平臺的半線上任務動態調度方法[J].西安電子科技大學，2021，48（6）：8-15.析與優化設計[J].上海電機學院學報，2020，23（3）：168-174.

[10]孫凱，盧世蕾，易哲姬，等.面向電力電子變壓器應用的大容量高頻變壓器技術綜述[J].中國電機工程學報，2021，41（24）：8531-8545.

[11]GOTTSCHLICH J，SCHAFER M，NEUBERT M，et al. Agalvanically isolated gate driver with low coupling capaci-tance for medium voltage SiC MOSFETs[C]//18th EuropeanConference on Power Electronics and Applications，Karl-sruhe：IEEE，2016：1-8.

[12] PEFTITSIS D，ANTIVACHIS M，BIELA J. Auxiliary pow-ersupply for medium-voltage modular multilevel converters[C]//17th European Conference on Power Electronics andApplications，Geneva：IEEE，2015：1-11.