(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210990277.8 (22)申请日 2022.08.18 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 林伟伟　沈王博　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 李斌 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) G06F 9/54(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 20/10(2019.01) (54)发明名称 面向边缘服务器的高效任务调度方法、 系统 及电子设备 (57)摘要 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Bestmodel； 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 Bestmodel， 完成当前计算任务的调度工作。 本发 明在边缘服务器资源有限的条件下， 无需特殊AI 芯片的支持就能快速准确的完成任务调度和资 源分配， 提高资源的利用率。 权利要求书3页 说明书13页 附图5页 CN 115437764 A 2022.12.06 CN 115437764 A 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Bestmodel； 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Bestmodel， 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Avge， 最大值Maxe， 方 差Vare； 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Avgn， 最大值Maxn， 方差 Varn； 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Avgm， 最大值Maxm， 方差 Varm。 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Sigmo id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usa ge。 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Hist oryX＝{X1， X2， X3， ...， Xh}， 其 中h为历史数据的个数， 表示h个时段；权　利　要　求　书 1/3 页 2 CN 115437764 A 2(2)通过人为判断从调度 模型库中选择最适合Xi的调度模型， 并将其序号作为标签Yi对 应出每一个时段的数据Xi， 形成标签HistoryY＝{Y1， Y2， Y3， ...， Yh}； (3)将HistoryX与HistoryY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+λ4usage λ1+λ2+λ3+λ4＝1.0 其中参数λ1‑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；权　利　要　求　书 2/3 页 3 CN 115437764 A 3