欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106564613
申请人: 暨南大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.面向无服务器边缘计算的高可靠函数调度方法,其特征在于,包括:步骤1:预设个性驱动的应用程序QoS预测方法,基于所述应用程序QoS预测方法预测不同用户个性类型下单个应用程序的QoS;

步骤2:构建确定性函数调度模型,基于所述确定性函数调度模型,用于对步骤1预测的所述QoS进行精确估计;

基于所述确定性函数调度模型,对步骤1预测的所述QoS进行精确估计,包括:步骤201:初始化迭代计数器g,即g←0;

步骤202:选择约束违反度较小的染色体以初始化种群 其中U是用户总人数;

步骤203:初始化函数顺序、函数到容器调度和资源到容器分配三个表的操作标志flag,即flag←1;

步骤204:判断迭代计数器g

步骤205:调用取模函数Modulo(flag++,3)求取操作标志flag除以3的余数,若结果为

1,则对函数顺序表进行进化运算;否则,对函数到容器的分配表和资源到容器的分配表进行进化运算;

步骤206:基于高斯分布 生成一组截止样本 其中x是在1≤x≤U范围内的截止样本索引,在第g代种群进化时均值为 方差为步骤207:将两个染色体索引 和 分别设置为1和U的值,即步骤208:判断 是否成立,若成立,转步骤215,否则转步骤209;

步骤209:判断flag=1是否成立,如成立则将索引 和 分别赋值给截止样本索引x1和x2,即x1←u,x2←z;否则,将索引 同时赋值给截止样本索引x1和x2,即x1←u,x2←u,表明选择了相同的截止样本;

步骤210:利用拆分函数 将染色体 包含的元素表 根据截断样本 分割为 和 两部分,即

步骤211:利用拆分函数 将染色体 包含的元素表 根据截断样本 分割为 和 两部分,即

步骤212:使用连接函数 更新元素 即步骤213:使用连接函数 更新元素 即步骤214:为其他染色体的交叉操作更新染色体索引 转步骤208;

步骤215:计算下一代种群的交叉样本的高斯分布 公式为和 其中K是观测区间的

总个数,H为位置样本总个数, 为第h个位置样本的权重, 是第h个位置样本的第k个区间的观测值;

步骤216:如果 成立,则交叉操作完成,转步骤217,否则转步骤205;

步骤217:开始运行变异操作,判断 是否成立,若成立转步骤218,否则转步骤224;

步骤218:每条染色体 分别计算函数顺序表 资源到容器分配表函数到容器调度表 的变异概率向量 和

公式为: 其中 为染

色体 中第k个区间的变异因子, 为染色体 的变异系数,gth和gmax依次为迭代计数器g的阈值和最大值,φ4为常数, 是用于将 缩放为[0,1]的归一化函数;

步骤219:随机生成落入[0,1]的变异概率阈值σ1、σ2和σ3,即σ1,σ2,σ3←Random(0,1);

步骤220:对于元素表 中的每个位置 如果变异概率 大于阈值σ1,则变异序函数 应用于位置

步骤221:对于元素表 中的每一个位置 如果变异概率 大于阈值σ2,则将调度变异函数 应用于位置步骤222:对于元素表 中的每个位置 如果变异概率 大于阈值σ3,则将变异分配函数 应用于位置

步骤223:一旦当前的种群进化完成,进入竞争选择阶段;

步骤224:根据步骤1所述方法,推导应用程序的QoS,并计算服务提供商的利润γprofit;

步骤225:采用非支配排序遗传算法将所有染色体按降序排列;

步骤226:计算染色体 总的约束条件违反度Φu,公式为: 其中 为仅违反能量约束的程度, 为仅违反可靠性约束的程度;

步骤227:调用种群生成函数 来构建下一代种群 利用变比法使种群中保留的不可行个体的比例随种群迭代次数线性下降;

步骤228:更新迭代计数器g,即:g←g+1,转步骤204;

步骤229:经过预设次数的种群迭代,输出非支配解集 后终止;

步骤3:构建随机函数调度策略,基于所述随机函数调度策略,对精确估计后的所述QoS进行调度;

步骤4:进行并行函数调度优化,用于适应现代多核调度器平台的随机函数调度策略加速生成解决方案。

2.根据权利要求1所述的面向无服务器边缘计算的高可靠函数调度方法,其特征在于,基于所述应用程序QoS预测方法预测不同用户个性类型下单个应用程序的QoS,包括:步骤101:初始化一组迭代标志 其中Ipar表示参与问卷的用户人数,它是小于用户总人数I的一个常量;

步骤102:初始化参与问卷用户的偏好因子步骤103:判断所有迭代标志是否都为零,若成立转步骤111,否则,转步骤104;

步骤104:计算 其中1≤j≤Ipar,j为问卷参与者的索引,L表示所有可能的延迟‑支付级别组合的数量,θj,l和Qj,l分别表示第l个延迟支付级别下问卷参与者Uj的偏好和应用程序QoS, 和 均为线性回归问题中的偏好值参数;

步骤105:使用线性回归求解器迭代地得出问卷中所有参与者的偏好因素;

步骤106:计算参与者Uj的偏好因子 公式为:其中

和 分别表示第l个延迟‑支付级别组合下参与者Uj的响应延迟和服务支付费用;

步骤107:比较随机生成的偏好因子ηj和导出的偏好因子 之间的绝对差值ρ;

步骤108:判断绝对差值ρ是否小于预设数值,若小于,转步骤109,否则转步骤110;

步骤109:将参与者Uj的迭代标志 设置为零,即步骤110:利用拉丁超立方体采样技术更新矩阵步骤111:令Sj=[AScorej,CScorej,EScorej,OScorej,NScorej]代表参与者Uj的人格得分向量,其中用户个性向量被分解为五个不同的特征:宜人性、尽责性、外向性、开放性和神经质,分别对应AScorej、CScorej、EScorej、OScorej和NScorej;

步骤112:计算从个性得分到用户偏好线性映射,公式为:其中 表示维度为

Ipar×1的偏好因子矩阵,X5×1是一个维度为5×1的映射矩阵,展示了人格得分对用户偏好的影响;

步骤113:对于总人数为I的用户组,以遍历方式构建任意一个用户Ui的个性得分向量Si,其中i(1≤i≤I)为用户的索引;

步骤114:计算矩阵 存储的用户Ui的偏好因子 公式为:为总行数为I、总列数为5的最优偏好因子矩阵,I为用户的总人数, 为总行数为I、总列数为5的人格得分矩阵, 表示总行数为I、总列数为5的人格得分对用户偏好的影响矩阵;

步骤115:计算输入的延迟‑支付组合 下预测应用程序 的QoS Qi,l,公式为: 其中 为步骤

104中偏好值参数 的最优值, 为步骤104中偏好值参数 的最优值, 为应用程序的偏好因子, 表示用户Ui在第l个服务等级的响应延迟, 表示用户Ui在第l个服务等级的付款;

步骤116:输出应用程序的QoS。

3.根据权利要求1所述的面向无服务器边缘计算的高可靠函数调度方法,其特征在于,基于所述随机函数调度策略,对精确估计后的所述QoS进行调度,包括:步骤301:假设用户总人数为I,I个用户的执行适应变量为α={α1,α2,···,αI},则迭代生成执行适应变量α={α1,α2,···,αI},导出将所有应用程序的截止日期缺失率限制在设计要求范围内的确定性函数调度表,特定问题增强NSGA‑II用于在执行适应变量α={α1,α2,···,αI}的特定值下生成确定性调度;

步骤302:使用蒙特卡罗在申请期限缺失率方面模拟评估用户总人数为I的执行适应变量α={α1,α2,···,αI};

步骤303:使用截止日期缺失率的时间度量来评估当前函数调度的性能;

步骤304:判断推断的截止日期缺失率是否大于阈值,若成立,转步骤305;否则,转步骤

306;

步骤305:更新I的执行适应变量α={α1,α2,···,αI},转步骤301;其中,I为用户总人数;

步骤306:当前函数调度和关联的执行适应变量因此是优先调度解决方案,整个迭代过程退出。

4.根据权利要求1所述的面向无服务器边缘计算的高可靠函数调度方法,其特征在于,所述并行函数调度优化包括:步骤401:创建执行适应变量α={α1,α2,···,αI},I为用户总人数;

步骤402:将执行适应变量α1,α2,···,αI赋值为0,即α1,α2,···,αI←0,I为用户总人数;

步骤403:将搜索步长设置为区间[0,1]中的固定值;

步骤404:根据搜索步长,遍历αi∈α,i为用户的索引,满足1≤i≤I,对于变量αi的每个可能值,执行一轮蒙特卡罗模拟,搜索应用程序QoS;

步骤405:将函数调度方案首次满足截止日期丢失率约束的变量αi赋值为应用程序执行的随机属性的值。