基于智能边缘和云计算的数字经济服务细粒度任务调度机制

数字经济被各国视为推动经济增长的必然选择，为经济高质量发展提供了新机遇、新路径。对于中国市场而言，云计算背后的强大基础是数字经济不可阻挡的发展趋势。在数字经济中，云作为基础设施成为构建数字经济金字塔的基础。为缓解数字经济服务器压力，制定合理的调度方案，提出一种基于混合蚁群优化算法的云计算和边缘计算细粒度任务调度方法。描述了边缘计算任务调度问题，并设置了假设以简化调度解决方案的难度。多目标函数是通过使用混合蚁群优化算法求解的，该算法通过借助图寻找最优解来解决计算问题。蚁群优化算法易于使用并且在调度问题中有效。所提出的调度模型包括终端设备层和边缘层。终端设备层由客户端使用的设备组成，这些设备可能会生成计算密集型任务并且有时无法完成这些任务。所提出的调度策略将这些任务迁移到一个合适的地方，在那里它们可以在满足延迟要求的同时完成。终端设备层空闲用户的 CPU 用于其他 CPU 过载的终端。仿真结果，在能耗和任务调度延迟方面，

介绍

数字经济时代，各经济主体突破以往经济发展面临的时空限制，超越地域形成高效互联的云链网络，加速要素跨区域流动，优化资源配置效率，模糊产业边界，让各省份享有相同的发展机会，形成协同、开放、共享的经济模式。由于技术水平、政策导向、市场基础等方面的差异，各省数字经济发展能力存在差异，进而表现为数字经济发展水平明显的区域差异[ 1 , 2 ,3 ]。

在数字经济背景下，地区之间容易形成同行效应、竞争效应、溢出效应和模仿效应。在这种情况下，跨区域的要素流通和信息传递更加便捷，省区之间存在较强的空间依赖性，有利于缩小数字经济发展的区域差距，即数字经济可能存在空间趋同特征。经济发展。准确把握当前我国数字经济发展的时空分布和空间收敛特征，是把握数字经济机遇、助力区域协调发展战略实施的重要前提[4 ]。

智能边缘计算和云计算技术帮助企业降低成本、提高效率，具有安全性高等诸多优势。中国信息通信研究院调查报告显示，智能边缘计算和云计算有助于节省95%的企业成本，约12%的企业认为智能边缘计算和云计算可以节省一半以上的成本，42.6 %的企业认为智能边缘计算和云计算提高了IT运营效率[ 5,6,7 ]。

在智慧城市建设中，智能边缘计算和云计算可以协同海量终端、按需控制、共享资源，精准满足智慧城市建设过程中涉及的海量电子终端和网络数据。云生态作为数字经济的基础平台，串联承载着工业互联网、大数据、人工智能和物联网等数字经济产业。投资机构作为初创企业的资金加油站，为云生态中的企业提供源源不断的补给，深刻影响着产业格局的发展演变[ 8 ]。

云计算的概念在学术界没有统一的定义，但定义之间存在共性。一般来说，用户分为两类：云服务提供商和云用户[ 1,9,10,11 ] 。云服务提供商负责构建和维护云资源池，云用户使用这些资源并支付一定的费用。云计算具有规模大、易扩展、服务灵活、公开透明等特点。云计算服务类型可分为三类：基础即服务（IaaS）、平台即服务（PaaS）和软件即服务（SaaS），如图1所示。  1个. 随着物联网和无线通信技术的发展，涌现出许多新兴的智能物联网应用设备，使得物联网终端设备需要运行和处理大量的计算密集型数据，如自动驾驶、人脸识别和自然语言处理，以及其他对延迟和能量敏感度要求高的任务。

图。1

云计算服务的类型

 

物联网终端设备的计算能力和电池寿命有一定的限制，无法有效处理需要低延迟和低能耗的应用。同时，传统的云计算无法应对边缘数据的爆炸式增长，移动边缘计算需要研究者关注。移动边缘计算的概念和相关定理是将物联网终端设备要处理的任务迁移到移动网络的边缘，并通过无线接入点（RAN）或基站（BS）进行处理的过程。RAN具有强大的存储和计算能力，可以为就近的移动物联网终端设备提供服务和计算能力，从而满足低时延、低能耗、高可靠性、12、13、14 ]。_ _ _

客户端使用的终端设备产生计算密集型任务，无法利用本地设备提供的资源完成任务，需要为其制定合理的调度策略，将任务迁移到合适的地方，在完成任务的同时满足任务延迟要求。因此，本文将基本蚁群算法与遗传算法相结合，高效实现边缘计算的细粒度任务调度，为边缘计算的任务调度问题提供参考。调度模型由底部的终端设备层和顶部的边缘层组成。终端设备层包括客户端使用的手机和平板电脑。终端设备层由没有任务要处理的空闲终端用户组成。在某些时刻，它们的 CPU 处于空闲状态，可以用于其他 CPU 过载的终端。边缘服务器自带基站，基站接收发送给它的任务，任务处理完成后通过基站将处理结果发送给移动用户，完成任务调度。

本课题研究的动机是现有的最先进的方法具有以下缺点和局限性。这些可能包括以下两个基本缺点：

1. (1)

   在调度细粒度任务时，它可以根据自己的需要选择合适的边缘节点进行卸载，但是如何选择合适的边缘节点成为细粒度任务调度的关键问题。

2. (2)

   根据之前的调度方案，选择能量消耗最少或延迟时间最短为目标，选择距离最短的边缘节点进行任务调度。但是这种调度方案没有考虑边缘节点的资源容量，会导致任务拥塞和任务调度失败，同时边缘网络中可能有一些边缘服务器节点处于空闲状态，造成计算资源的浪费.

3. (3)

   针对上述局限性，缓解数字经济服务器压力，制定合理的调度方案，提出一种基于混合蚁群优化算法的云计算和边缘计算细粒度任务调度方法。

本文的其余部分安排如下。相关工作部分针对智能边缘计算和云计算列举了数字经济领域的研究现状，并对研究现状进行了详细的分析和总结。第三节探讨了基于智能边缘计算和云计算的数字经济发展的计算架构。实验和结果部分讨论了实验装置和实验，验证了理论部分并对其进行了分析。结论和未来工作部分介绍了研究的结论和未来的方向。

相关工作

数字经济以及边缘计算和云计算技术在经济中的应用一直是过去十年的研究热点。在本节中，我们总结了该领域当前的研究趋势。

数字经济发展研究

国际经济危机后，世界经济进入深度变革和结构调整时期，以国际贸易和投资为代表的经济增长旧动能作用明显减弱，经济复苏乏力。在传统经济持续低迷的同时，以云计算、大数据、人工智能等新一代信息技术为主要依托的互联网数字产业异军突起，成为经济复苏发展的新动能。优化经济结构的新动能 [ 15 , 16]. 互联网数字产业作为一种接管农业和工业经济的新经济形态，以数字知识和信息为关键生产要素，不仅与三大传统产业深度融合、相互渗透，甚至超越了上述三大传统产业。 ——上述产业在一定意义上，掀起了一场有效提高生产力、改变生产方式的技术变革，深刻影响着世界经济格局。

互联网数字产业作为全球瞩目的新经济形态，被许多国家视为促增长、调结构的必然选择，为中国经济高质量发展提供了新路径。然而，遗憾的是，虽然互联网数字产业的发展已经得到各国政府的普遍重视，学者和研究机构也开始对相关课题进行研究并取得了一些有益的发现，但互联网数字产业的发展路径却各不相同。从以往的任何一种经济形态来看，对传统经济模式的颠覆，相关研究还处于探索阶段，尚未形成较为系统的研究框架。然而，17、18、19、20 ] 。_ _ _ _ _

追溯其演变过程，我们可以发现，互联网数字产业概念的形成，离不开信息技术的推动和数字化进程。早在20世纪60年代，信息革命在经济领域的应用首先形成了信息经济的概念，工业经济的发展以钢铁、能源、汽车等传统产业为主，不同于信息经济，其中芯片、集成电路等新兴产业。20世纪90年代初期，由于互联网、数据库、多媒体等技术的飞速发展，各国纷纷开始实施信息高速公路计划，大大节省了时间和精力，提高了劳动生产率，并带来巨大的经济效益。此后，学者们率先将互联网数字产业描述为使用比特而非原子的经济，揭示了互联网数字产业与传统经济的本质区别，以及互联网的数字化和网络化特征。数码产业。在云计算、物联网、人工智能等新技术的推动下，互联网数字产业逐渐向非信息产业渗透，触角不断扩大至社交媒体和搜索引擎，互联网的发展数字产业已进入黄金时代。揭示互联网数字产业与传统经济的本质区别，以及互联网数字产业的数字化、网络化特征。在云计算、物联网、人工智能等新技术的推动下，互联网数字产业逐渐向非信息产业渗透，触角不断扩大至社交媒体和搜索引擎，互联网的发展数字产业已进入黄金时代。揭示互联网数字产业与传统经济的本质区别，以及互联网数字产业的数字化、网络化特征。在云计算、物联网、人工智能等新技术的推动下，互联网数字产业逐渐向非信息产业渗透，触角不断扩大到社交媒体和搜索引擎，互联网的发展数字产业已进入黄金时代。

在此背景下，多国政府制定了基础设施建设、应用模式创新、互联网数字产业与传统经济融合等战略规划。学者和研究机构也针对互联网数字产业的发展进行了一些研究，试图界定互联网数字产业的概念，阐释互联网数字产业的内涵。互联网数字产业是一种有别于农业经济和工业经济的新型特殊经济形态，是以数字为基础的一系列以资源优化配置为导向的经济活动的总和。从这个角度看，互联网数字产业是各类数字投入带来的经济总产出，包括数字化技能，硬件、软件、通信等数字化装备，以及生产过程中使用的其他数字化中间产品和服务，对经济效率的提升具有积极作用。与催生工业经济的蒸汽机和电气技术革命一样，互联网数字产业是信息技术革命和经济社会通过数字技术网络化的必然产物[21 ]。

上述分析表明，互联网数字产业是以新一代信息通信技术为基础，以现代信息网络为重要载体，以包括数字技术、数字设备和其他数字中间体在内的数字知识和信息为载体的一系列经济活动。生产链中使用的商品和服务作为生产要素，实现生产与消费、合作与交流、社会治理。

事实上，随着物联网、人工智能、云计算等技术的飞速发展。互联网数字产业不仅包括信息产业，还包括物流运输、工业控制等传统行业或领域，它们正在经历数字化转型，并通过技术的融合不断改变经济社会的运行方式。 、工业、生产者和消费者。因此，互联网数字产业既是信息通信技术深度发展和综合应用的必然产物，也是继农业经济和工业经济之后的一种新的经济形态，是经济增长的新动力[22 ]。 .

智能边缘和云计算

许多组织和学者从不同的角度讨论了云计算。网格计算之父福斯特将云计算看作是在规模经济的驱动下，使用分布式计算的计算聚合，通过互联网为用户提供动态可扩展的资源管理平台和服务。美国国家标准技术研究院认为云计算是一种通过网络实现资源共享的计算模型，其中CPU、存储和应用服务是存在于动态资源池中的资源，以最小的开销实现快速访问、使用和发布资源 [ 23]. IBM提出云计算是一个平台或一个应用，服务器类型可以分为真正的物理服务器 用户可以随时随地访问云平台，平台实现云资源的动态配置，使云端的资源可以按需存储、按需使用，实现资源的高效利用。中国电子技术标准化研究院认为，云计算是一种灵活供给和管理物理机和虚拟机资源池，用户通过网络根据自己的需要获取可扩展和共享资源的计算模式。

基础设施即服务位于底层。如图2所示 ，IaaS将CPU、存储等基础硬件资源作为服务提供给用户，以支持计算和存储。用户无需购买服务器、存储设备、网络设备等硬件设备，即可开发和部署操作系统和应用程序。用户可以根据资源使用量和使用时间支付一定的费用，通过网络获得服务，大大节省了用户的成本。目前IaaS主要为PaaS和SaaS提供服务支持，为有硬件需求的企业提供环境。这些企业可以根据业务需求，选择不同的硬件配置，通过IaaS开发自己的应用。目前主流的IaaS平台包括OpenStack、Cloud-Stack、Amazon Elastic Cloud [ 24、25, 26 ]。

图 2

IaaS（基础设施即服务）的结构

Platform-as-a-Service PaaS在第二层，它的服务就像是硬件上的操作系统。为用户应用的开发、测试和运行提供平台环境支持，实现应用环境的定制化。开发环境的配置和维护都交给了平台服务商，大大提高了开发人员的工作效率[ 27 , 28 ]。目前主流的PaaS平台包括Google App Engine、Microsoft Windows、Azure、Cloud-Foundry。图 3显示了 Cloud-Foundry 的 PaaS 结构。

图 3

PaaS（平台即服务）的结构

随着物联网的普及，边缘计算得到快速发展，以深度学习为代表的智能算法越来越多地部署到边缘计算设备中，构成了万物互联重要的端侧计算能力。然而，深度学习算法的网络结构千变万化，层数和参数异常庞大，对算力资源的需求也日益复杂多样。边缘智能计算在算力、功耗、体积、成本等方面面临诸多实际挑战，其中最重要的是算力与功耗之间的矛盾。智能计算不仅应用于数字经济，29 ]和可持续环境[ 24 ]。近年来，边缘智能计算应用于实际场景的研究中涌现出网络剪枝、参数量化、模型蒸馏等一系列网络轻量化技术，同时也依托硬件加速技术在两者之间取得平衡。算力和功耗。硬件适配是硬件加速技术中具有代表性的实现手段，其中异构并行计算平台的硬件实现受到广泛关注[ 30 ]。

为解决边缘智能计算中算力与功耗的矛盾问题，应对以深度学习为代表的智能算法边缘侧实现对算力资源复杂多样的需求，传统计算平台在从指令模型、通信机制和存储系统等方面提高计算速度，减少能量损耗，增强对深度学习算法的适应性。然而，与传统计算平台相比，异构并行计算平台不仅需要在指令模型上不断提高指令和数据的并行度和代码密度；提高通信机制中的数据传输率和重用率；提高访问速度，减少访问延迟减少，

目前，虽然不同架构的处理器已经集成到同一个芯片中，但它们使用的指令模型仍然不同，执行模型的兼容性也没有从根本上解决，导致异构并行计算中的任务管理困难，开发难度加大。难的。专用指令集的开发有助于解决这一问题，但其通用性不高，应用范围有限。设计统一通用的指令模型，实现片上异构处理器的深度集成，为异构核心任务管理提供支持，为研发人员提供进一步的开发便利，是异构并行计算平台技术发展面临的重大挑战。深度学习相关的算法多为数据密集型，要求访问带宽大，时延小，否则容易出现存储墙问题。而边缘计算受到功耗的严重制约，对片上通信机制提出了更高的要求，即数据通信机制必须足够轻便。

现有方法产生的基本和关键问题包括以下内容。第一，如何根据自己的需要选择合适的边缘节点进行分流。其次，这些调度方案没有考虑边缘节点的资源容量，可能导致任务拥塞和任务调度失败。第三，边缘网络中部分边缘服务器节点闲置造成计算资源浪费。其他问题包括异构并行计算过程中任务管理困难，开发难度加大，能否设计统一通用的指令模型实现片上异构处理器的深度集成等。目前的研究主要集中在解决方案上对这些问题。

方法

边缘计算任务调度是指将原本应该由本地服务器或中心云处理的任务合理分配给网络边缘的服务器节点，以缓解本地服务器或中心云的任务处理压力，降低任务处理时延。移动边缘计算是一种新的移动通信网络技术，它在移动网络的边缘提供一个网络环境来缓存来自网络的许多任务。该技术可以处理更复杂的网络边缘任务，移动边缘计算具有更好的任务计算能力来分析和处理任务。本节介绍本文提出的细粒度任务调度模型的架构。

整体架构

调度模型分为底部的终端设备层和顶部的边缘层。终端设备层主要包括客户端使用的手机和平板电脑。其中一些生成计算密集型任务，并且无法使用本地设备提供的资源来完成任务。他们需要有一个合理的调度策略，将任务迁移到一个合适的地方，在满足任务延迟要求的同时完成这些任务。终端设备层中的另一部分设备由没有任务要处理的空闲终端用户组成。在某些时刻，它们的 CPU 处于空闲状态，可以用于其他 CPU 过载的终端。本文采用的基于智能边缘计算和云计算的整体组成结构如图 4所示. 每个边缘服务器都自带一个基站，其作用是接收发送给它的任务，然后在任务处理完成后将处理结果通过基站发送给移动用户。

图 4

拟议模型的架构

面向数字经济服务的细粒度任务调度算法

粒度是指按照项目模块划分的详细程度进行区分的标准。边缘计算任务调度模块划分得越多，每个子模块越小，负责的工作越细，即所属的粒度越细。所以细粒度任务调度的难度和能耗比粗粒度任务调度要高。在调度细粒度任务时，它可以根据自己的需要选择合适的边缘节点进行卸载，但是选择合适的边缘节点成为细粒度任务调度的关键问题。根据之前的调度方案，选择能量消耗最少或者延迟时间最短作为目标，并选择距离最短的边缘节点进行任务调度。但是这种调度方案没有考虑边缘节点的资源容量，会导致任务拥塞和任务调度失败，同时边缘网络中可能有一些边缘服务器节点空闲，造成计算的浪费资源。

为了解决上述问题，在任务资源调度之前需要做出几个假设。假设1：只有一个边缘节点可以作为任务调度的调度对象；假设2：边缘节点计算资源能量耗尽；假设3：边缘网络拓扑已知，拓扑中各服务器节点与本地服务器和中心云之间的距离已知；假设4：每个任务对计算资源的需求是已知的并且是变化的；假设条件5：边缘节点内部的多个虚拟机并行工作；假设6：任务调度过程是连续执行的，没有断断续续的执行；假设7：任务传输通道信息已知。

 

 

实验和结果

对所提出的方法进行了模拟，对其性能进行了评估，并与其他方法进行了比较。本节总结了实验设置和结果。

实验设置

为便于基于仿真的实验对比分析，特设如下对比方案，对所提算法与模拟退火粒子群算法（PSOSA）、离散二元粒子群算法（BPSO）、模拟退火算法（SA），所有卸载（OFFLOAD）和所有本地（LOCAL）。

调度模拟测试在配备 Intel Core i7CPU@2.80 GHz、NVIDIA GeForce GTX1050Ti 和 8 GB RAM 的工作站上进行。用于执行实验以评估所提出方法的性能的参数和配置如表1所示. 本次测试的应用场景是某地区的数字经济服务中心。边缘计算的使用使得服务器在网络边缘完成视频流采集、压缩、存储、检测、显示、最终控制的整个监控过程，同时解决核心压力过大导致的不连续问题阻止及时转发它们的网络。考虑到移动性是边缘计算服务器的固有属性，当用户在小区域之间切换时，可能会导致服务器切换，且不同服务器的属性和配置存在差异，因此本文通过边缘计算协作实现移动性管理计算系统和属性位置寄存器。

实验结果

在相同的仿真测试条件下，采用改进的基于NSGA-II的调度方法、基于自适应遗传算法的调度方法、基于DRL的调度方法和基于烟花模型的调度方法进行不同的实验，并进行比较采用本研究提出的混合蚁群优化算法。仿真并同时运行5种任务调度方案，将100个任务调度到10个边缘服务器节点，比较其调度能耗和时延。算法的能耗是指它运行了多少个 CPU 周期以及消耗了多少功率。如今，在数据处理系统中，组织对节能算法很感兴趣，因为数据量在增长，数据处理也变得越来越复杂。

结果示于图1和2中。 6和 7。在1.4kHz基站带宽下最高调度能耗为150kWh。调度能耗较低的原因是在调度过程中采用混合蚁群算法根据转移概率选择下一个任务调度的边缘服务器节点，减少了带宽选择时干扰因素的影响。从图6可以看出 ，当前向链路速率相同时，所提方法的细粒度任务调度延迟更小，最高延迟为5 s。主要原因是本文的方法利用遗传算法对蚁群算法进行优化，提高了算法的调度性能，避免了陷入局部最优。因此，在图 1 和 2 中可以看出。 从图 6和 图 7可以看出，混合蚁群任务调度的能耗和时延较其他四种调度方法都更小，这也说明本文的调度方法性能更好，得到的调度方案更合理。

图 6

所提出方法的能耗

结论和未来的工作

二十一世纪的数字经济对一个国家的经济健康发展有着巨大的推动作用。云计算、大数据、区块链等现代科技不断加强政策研发。通过促进数字经济与实体经济的融合，中国可以显着发展经济，并与世界上最大的经济体竞争。为了改进智能边缘基础设施和云计算中的任务调度，本文提出了一种细粒度任务调度技术，结合遗传算法和蚁群算法，通过混合算法实现边缘计算的细粒度任务调度。仿真测试结果证明了其有效性，

然而，在目前的研究中，所提出的系统已经在没有大量数据的环境中进行了测试。我们计划通过使用大规模数据和大数据分析技术来扩展我们的工作。我们计划分析不同类型的任务调度和任务卸载，以提高所提出方法的综合性能。由于网络、资源和存储等不同服务提供商具有相互竞争的目标，因此边缘计算平台中的调度具有挑战性。此外，在边缘平台上运行不同的应用程序时，应考虑用户成本和提供商的利润。未来，我们将在提出新的调度方法时考虑这些相互竞争的目标。