技术特征：
1.一种面向边缘服务器的高效任务调度方法，其特征在于，方法包括下述步骤：当计算任务队列传输到调度程序时，提前获取当前任务队列中每个计算任务的属性特征信息job以及当前边缘服务器的环境信息cluster，所述属性特征信息job包括：计算任务在不同计算芯片上运行的时间、计算任务在不同芯片上运行所造成的能耗、计算任务在不同芯片上运行所需要的内存大小以及计算任务在不同芯片上运行所需要的计算节点个数；所述环境信息cluster包括：服务器上不同计算芯片的空闲计算节点、服务器上不同计算芯片的空闲内存以及服务器当前时间段的能耗；将任务队列中的每个任务的属性特征信息job进行统计得出的值x1与服务器环境信息的值x2作为预先设立的深度多核学习模型m的输入值x，其中x＝{x1，x2}；所述预先设立的深度多核学习模型m的拓扑结构呈网络状，由输入层、l层隐层以及输出层组成，每一层隐层最多包含了m个基础核函数，所述基础核函数用于计算从上层以及之前层传来的数据，并将计算结果输出给后续隐层；输出层为基于m个基础核函数中的某一个核函数训练而成的svm分类器，由前往后，基础核函数之间带权重相连，并存在跨层连接；将输入值x输入到所述深度多核学习模型m进行分类，该深度多核学习模型m的输出为调度模型库中最适合当前环境下的最优任务调度模型best
model
；将当前任务队列的调度任务属性特征信息job输入到最优任务调度模型best
model
，完成当前计算任务的调度工作。2.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，所述任务队列中的每个任务的属性特征信息j0b进行统计得出的值x1包括：任务队列中所有任务在不同芯片上单独运行所造成的能耗平均值avg
e
，最大值max
e
，方差var
e
；任务队列中所有任务在不同芯片上所需要的计算节点平均值avg
n
，最大值max
n
，方差var
n
；任务队列中所有任务在不同芯片上所需要的计算内存平均值avg
m
，最大值max
m
，方差var
m
。3.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，所述基础核函数包括线性核函数、高斯核函数、多项式核函数和sigmoid核函数。4.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，所述调度模型库通过预先训练建立，基于启发式学习、传统机器学习以及轻量级神经网络针对边缘服务器环境信息cluster和属性特征信息job训练出各种轻量级调度模型，形成调度模型库。5.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，所述针对边缘服务器环境信息cluster和属性特征信息job训练出各种调度模型，其中训练目标主要为：最小化平均任务等待时间wait、最小化服务器能耗energy、最小化平均任务响应时间response以及最大化服务器资源利用率usage。6.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，所述深度多核学习模型m为预先训练好的，训练方式如下：(1)将服务器的历史任务队列数据统计形成训练数据history
x
＝{x1，x2，x3，...，x
h
}，其中h为历史数据的个数，表示h个时段；
(2)通过人为判断从调度模型库中选择最适合x
i
的调度模型，并将其序号作为标签y
i
对应出每一个时段的数据x
i
，形成标签history
y
＝{y1，y2，y3，...，y
h
}；(3)将history
x
与history
y
作为深度多核学习模型的训练数据；(4)网络中的每个基础核函数的参数优化，采取网格搜索和随机搜索的方式；(5)通过遗传算法对深度多核学习模型的拓扑结构和网络连接权重进行优化；(6)生成模型。7.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，最适合当前任务队列信息和服务器环境信息的任务调度模型序号的采用评分的方式，评分准则如下所示：score＝λ1wait+λ2energy+λ3response+λ4usageλ1+λ2+λ3+λ4＝1.0其中参数λ
1-λ4通过具体服务器本身的硬件状态和计算任务对计算时延的硬性要求作为约束。8.根据权利要求1所述面向边缘服务器的高效任务调度方法，其特征在于，所述通过遗传算法对深度多核学习模型的拓扑结构和网络连接权重进行优化，包括下述步骤：随机生成1个m
×
(l-1)位的二进制数对应模型拓扑结构，1和0分别代表相应层数对应的核函数是否被激活，激活则表示该核函数参与计算，没有激活则表示该层没有这个核函数；根据所述的拓扑结构随机生成p组权重；通过选择、变异、交叉方式对p组权重进行优化，找到对应拓扑结构的最优权重；重复随机生成n个拓扑结构带不同最优权重的模型model；再次通过选择、变异、交叉方式对model进行优化，得到拓扑结构最优，权重最优的模型。9.一种面向边缘服务器的高效任务调度系统，其特征在于，应用于权利要求1-8中任一项所述的一种面向边缘服务器的高效任务调度系统，包括获取信息模块、深度多核学习模块、最优调度模块、以及生成调度模块；所述获取信息模块，用于当计算任务队列传输到调度程序时，提前获取当前任务队列中每个计算任务的属性特征信息job以及当前边缘服务器的环境信息cluster，所述属性特征信息job包括：计算任务在不同计算芯片上运行的时间、计算任务在不同芯片上运行所造成的能耗、计算任务在不同芯片上运行所需要的内存大小以及计算任务在不同芯片上运行所需要的计算节点个数；所述环境信息cluster包括：服务器上不同计算芯片的空闲计算节点、服务器上不同计算芯片的空闲内存以及服务器当前时间段的能耗；所述深度多核学习模块，用于将任务队列中的每个任务的属性特征信息job进行统计得出的值x1与服务器环境信息的值x2作为预先设立的深度多核学习模型m的输入值x，其中x＝{x1，x2}；所述预先设立的深度多核学习模型m的拓扑结构呈网络状，由输入层、l层隐层以及输出层组成，每一层隐层最多包含了m个基础核函数，所述基础核函数用于计算从上层以及之前层传来的数据，并将计算结果输出给后续隐层；输出层为基于m个基础核函数中的某一个核函数训练而成的svm分类器，由前往后，基础核函数之间带权重相连，并存在跨层连接；
所述最优调度模块，用于输入值x输入到所述深度多核学习模型m进行分类，该深度多核学习模型m的输出为调度模型库中最适合当前环境下的最优任务调度模型best
model
；所述生成调度模块，用于将当前任务队列的调度任务属性特征信息job输入到最优任务调度模型best
model
，完成当前计算任务的调度工作。10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任意一项所述的一种面向边缘服务器的高效任务调度方法。
技术总结
本发明公开了一种面向边缘服务器的高效任务调度方法、系统及电子设备，方法包括：获取当前任务队列中每个计算任务的属性特征信息Job以及当前边缘服务器的环境信息Cluster；将任务队列中的每个任务的属性特征信息Job进行统计得出的值x1与服务器环境信息的值x2作为预先设立的深度多核学习模型M的输入值X，将输入值X输入到深度多核学习模型M进行分类，M的输出为调度模型库中最适合当前环境下的最优任务调度模型Best
技术研发人员：林伟伟 沈王博
受保护的技术使用者：华南理工大学
技术研发日：2022.08.18
技术公布日：2022/12/5