劉炎培，朱運靜，賓艷茹，陳寧寧，王麗萍

鄭州輕工業(yè)大學(xué) 計算機與通信工程學(xué)院，鄭州 450001

根據(jù)最新的思科年度互聯(lián)網(wǎng)報告顯示，到2023年，5G將支持超過10%的全球移動網(wǎng)絡(luò)連接，連接到IP網(wǎng)絡(luò)的設(shè)備數(shù)量將是全球人口的三倍以上，平均5G速度將達到575 Mbit/s，比平均移動網(wǎng)絡(luò)連接快13倍。憑借強大的功能，5G將為人工智能和新興物聯(lián)網(wǎng)應(yīng)用提供更靈活的移動基礎(chǔ)設(shè)施，如自動駕駛汽車、智慧城市、遠程醫(yī)療和全景視頻。為了不斷發(fā)展5G無線技術(shù)并使網(wǎng)絡(luò)傳輸具有超高數(shù)據(jù)速率，低延遲，低能耗，高品質(zhì)質(zhì)量體驗和用戶數(shù)據(jù)的安全性[1]。近年來，在實時應(yīng)用和智能通信的愿景驅(qū)動下，集中式云計算向分布式邊緣計算的范式轉(zhuǎn)變。邊緣計算的主要特性是將云服務(wù)拖向網(wǎng)絡(luò)邊緣，大幅減少延遲，同時提高網(wǎng)絡(luò)和計算設(shè)備的資源利用率。邊緣計算作為云計算的自然延伸，延續(xù)了各種研究挑戰(zhàn)，也提出了不同的新問題需要解決。任務(wù)調(diào)度[2]是邊緣計算的一個關(guān)鍵的環(huán)節(jié)，是任務(wù)經(jīng)過優(yōu)化后可以映射到合適的資源池上執(zhí)行的一個過程，且調(diào)度算法策略旨在優(yōu)化各種QoS參數(shù)，如成本、完工時間、可擴展性、可靠性、資源利用率以及能耗等性能指標。

由于邊緣環(huán)境存在當(dāng)用戶數(shù)據(jù)請求過于頻繁時，會導(dǎo)致網(wǎng)絡(luò)卡頓和延遲，邊緣調(diào)度技術(shù)是減少時延和視頻傳播任務(wù)的延遲敏感性的重要方法，所以邊緣計算調(diào)度和分配技術(shù)作為移動邊緣計算技術(shù)的熱點，為5G發(fā)展的需求提供了可能。隨著5G和邊緣計算的結(jié)合滿足了自動駕駛的需求，無論是在面對高性能計算的需求還是對計算密集型應(yīng)用服務(wù)網(wǎng)絡(luò)延遲的需求[3]，當(dāng)用戶發(fā)送大量的任務(wù)請求時，會給邊緣端服務(wù)器帶來巨大負擔(dān)和能耗，車輛或路測單元使用邊緣調(diào)度技術(shù)可以滿足用戶服務(wù)質(zhì)量的需求，并且可以為車輛用戶提供更好的服務(wù)質(zhì)量體驗。在邊緣計算中，任務(wù)調(diào)度不僅影響用戶的時間和成本，同時對邊緣平臺的性能起到很大的作用，因此實現(xiàn)高效的調(diào)度用戶任務(wù)，成了邊緣云研究領(lǐng)域的一個重要問題。邊緣計算調(diào)度在物聯(lián)網(wǎng)（IoT）中應(yīng)用的場景：（1）人臉識別。由于目前現(xiàn)存的基于中心云人臉識別系統(tǒng)遠離終端設(shè)備，并且大量圖像數(shù)據(jù)會給云服務(wù)器帶來高計算負載和低實時性的問題，于是邊緣服務(wù)器可以對人臉進行實時性檢測以及特征提取，并根據(jù)深度強化學(xué)習(xí)訓(xùn)練的中間結(jié)果對魯棒的人臉特征進行快速處理和響應(yīng)，對于無法處理的人臉識別任務(wù)，實施人臉識別任務(wù)調(diào)度算法。（2）車聯(lián)網(wǎng)（internet of vehicles，IoV）。車聯(lián)網(wǎng)環(huán)境中車載終端中的實時任務(wù)卸載到路邊單元RSU使用調(diào)度技術(shù)，可以有效緩解車輛終端計算力低下、資源匱乏或者資源搶占等困境。（3）虛擬現(xiàn)實（virtual reality，VR）。目前已提出了構(gòu)建云計算數(shù)據(jù)中心資源采樣模型，并結(jié)合虛擬現(xiàn)實（VR）互動裝置輸出、轉(zhuǎn)換、調(diào)度中心資源，提取中心資源的關(guān)聯(lián)規(guī)則特征量，采用模糊聚類融合分析方法重構(gòu)中心資源，建立虛擬化云計算數(shù)據(jù)中心資源的信息融合中心，使用分析方法實現(xiàn)對數(shù)據(jù)中心資源調(diào)度，可以實現(xiàn)虛擬化云計算數(shù)據(jù)中心資源實時節(jié)能調(diào)度。

任務(wù)調(diào)度在提高資源利用率和為用戶提供優(yōu)質(zhì)服務(wù)方面發(fā)揮著重要作用，并且計算調(diào)度技術(shù)也成為邊緣計算領(lǐng)域中的熱門話題之一。一個好的任務(wù)調(diào)度策略可以靈活地適應(yīng)邊緣和云計算的動態(tài)環(huán)境，有效地減少用戶提交任務(wù)所需的時間，提高資源利用效率。文獻[4]研究了節(jié)點到節(jié)點/設(shè)備到設(shè)備（N2N/D2D）通信和任務(wù)調(diào)度的備用頻譜，并比較了不同的網(wǎng)絡(luò)參數(shù)和服務(wù)條件下的性能增益。文獻[5]研究了將任務(wù)卸載到網(wǎng)絡(luò)邊緣的設(shè)備，邊緣計算減少了服務(wù)延遲和帶寬消耗，于是通過任務(wù)調(diào)度提升網(wǎng)絡(luò)的性能。并比較了各種優(yōu)化算法之間的能耗、成本和安全性方面。文獻[6]研究了任務(wù)調(diào)度在移動云計算平臺面臨著設(shè)備移動性、工作負載分布、連接選擇、成本估算和能量限制等影響因素。雖然上述研究取得了一定成果，到目前為止，由于邊緣服務(wù)器上任務(wù)調(diào)度的資源分配不合理不僅會降低任務(wù)的計算效率增加計算時間，還會造成任務(wù)排隊產(chǎn)生排隊時延，由一些服務(wù)器資源枯竭進而導(dǎo)致其他服務(wù)器資源浪費的情況，從而使得邊緣網(wǎng)絡(luò)出現(xiàn)整體資源利用率不高、性能差等問題。為了克服這些問題，本文通過對目前最新任務(wù)調(diào)度方法進行系統(tǒng)的分析、整理和歸納，總結(jié)當(dāng)前基于SDN的MEC框架和計算密集型應(yīng)用任務(wù)調(diào)度執(zhí)行過程，以及應(yīng)用場景進行了詳細的論述，通過考慮時間和成本、能耗和資源利用率、負載均衡和吞吐量對當(dāng)前調(diào)度策略技術(shù)的研究成果進行分析、對比和總結(jié)，并介紹了適合5G環(huán)境下最新的計算密集型調(diào)度優(yōu)化策略。最后討論了邊緣調(diào)度策略的研究趨勢。

1 邊緣環(huán)境下計算密集型任務(wù)調(diào)度概述

歐洲電信標準協(xié)會（European Telecommunications Standards Institute，ETSI）通過將邊緣計算融合到移動網(wǎng)絡(luò)的架構(gòu)，提出了移動邊緣計算[6]。邊緣計算的主要特點是：（1）支持異構(gòu)資源集；（2）地理分布；（3）支持時延敏感的應(yīng)用；（4）提供可靠的無線通信，支持計算密集型終端設(shè)備可移動；（5）以最小延遲的位置感知。調(diào)度技術(shù)應(yīng)用于邊緣云環(huán)境使得網(wǎng)絡(luò)數(shù)據(jù)傳輸更加高效，本章主要介紹邊緣云環(huán)境下的調(diào)度框架、執(zhí)行過程、應(yīng)用場景以及影響調(diào)度策略的性能指標。

1.1 計算密集型任務(wù)的分類

任務(wù)調(diào)度算法是云計算中的一個重要問題，因為它會影響邊緣云的性能；按照文獻[7]可以將任務(wù)劃分為計算密集型[8]和數(shù)據(jù)密集型[9]?？茖W(xué)和工程領(lǐng)域的復(fù)雜模擬通常包含大量計算密集型的數(shù)值任務(wù)，這些任務(wù)占用了大量的求解時間，并且這類應(yīng)用程序?qū)PU計算的需求不同，與問題實例相關(guān)的數(shù)據(jù)量無關(guān)。數(shù)據(jù)密集型任務(wù)會發(fā)出大量的數(shù)據(jù)I/O，因此數(shù)據(jù)I/O通常占主導(dǎo)地位，并分布在整個任務(wù)中。同時，計算密集型作業(yè)/任務(wù)只執(zhí)行有限的數(shù)據(jù)I/O，但大部分時間花在計算上。在計算密集型應(yīng)用中，有基于仿真的應(yīng)用，其目的是最大化系統(tǒng)資源來處理用于仿真的大型計算[10]，并且典型的用法之一是運行參數(shù)掃描實驗，其中研究模型的參數(shù)空間，以獲得一般行為的概述。其中計算密集型和數(shù)據(jù)密集型任務(wù)的不同影響如表1所示。

表1 計算密集型和數(shù)據(jù)密集型任務(wù)的不同影響Table 1 Differential impact of compute-intensive and data-intensive tasks

對于本文主要研究計算密集型任務(wù)數(shù)據(jù)處理，在其基礎(chǔ)上任務(wù)調(diào)度可分為以下幾類：

（1）即時任務(wù)調(diào)度：當(dāng)新任務(wù)到達時，它們將直接調(diào)度到VM。

（2）批量任務(wù)調(diào)度：任務(wù)在發(fā)送前分組為一個批次；這種類型也稱為映射事件。

（3）靜態(tài)任務(wù)調(diào)度：它基于系統(tǒng)全局狀態(tài)的先驗信息，不考慮虛擬機的當(dāng)前狀態(tài)，然后以類似的方式如循環(huán)和隨機調(diào)度算法在所有虛擬機之間等效地劃分所有流量。

（4）動態(tài)任務(wù)調(diào)度：考慮到虛擬機的當(dāng)前狀態(tài)，不需要系統(tǒng)全局狀態(tài)的先驗信息，并根據(jù)所有可用虛擬機的容量分配任務(wù)。

（5）搶占式任務(wù)調(diào)度：每個任務(wù)在執(zhí)行過程中被中斷，可以移動到另一個資源以完成執(zhí)行。

（6）非搶占式任務(wù)調(diào)度：在完成已調(diào)度任務(wù)的執(zhí)行之前，不會將VM重新分配給新任務(wù)。

1.2 計算密集型任務(wù)調(diào)度框架

邊緣計算支持分布式架構(gòu)，其中計算設(shè)備被放置在本地，并且分布在離最終用戶更近的地方。邊緣計算的主要利益相關(guān)者是邊緣服務(wù)提供商、云服務(wù)提供商和最終用戶。邊緣框架與本地端設(shè)備之間的通信距離最小，可以最大限度地減少邊緣服務(wù)提供商的延遲和能耗。根據(jù)文獻[11-12]的研究，邊緣計算由一組無處不在的去中心化邊緣設(shè)備組成，這些設(shè)備可以使用不同的無線通信模式在本地處理和存儲數(shù)據(jù)，而不需要第三方的干預(yù)。圖1描述了邊緣環(huán)境下計算密集型應(yīng)用的任務(wù)調(diào)度的框架，其中三個部分組成了調(diào)度整個框架：云服務(wù)提供商（CSP）、邊緣服務(wù)提供商（ESP）和用戶設(shè)備。對資源有需求的用戶設(shè)備可以用包含相關(guān)任務(wù)的請求來表示。假設(shè)一個分時系統(tǒng)，在任何時間段，一個用戶都會帶著包含在請求中的各種任務(wù)出現(xiàn)，并通過付費將該請求發(fā)送給ESP。用戶的目標是減少響應(yīng)和處理時間，以獲得滿意的任務(wù)結(jié)果。眾所周知，邊緣計算被認為是云和用戶之間的樞紐，它是通過將計算傳遞到靠近這些用戶的普及網(wǎng)絡(luò)的邊緣來提出的。一方面，每個邊緣中心都配備了許多不同的邊緣移動設(shè)備，即資源。另一方面，EP在日程安排中起著重要的作用。主要功能如下：首先，根據(jù)處理歷史數(shù)據(jù)方面的預(yù)測，為未來需求儲備資源。其次，以獲取更多利潤為動機，匹配任務(wù)和邊緣移動設(shè)備，然后將這些任務(wù)盡可能分配給與不同邊緣中心關(guān)聯(lián)的相關(guān)邊緣移動設(shè)備。最后，它將超出其能力的任務(wù)發(fā)送到云上進行處理，并為這項工作付費。相應(yīng)地，云處理EP交付的任務(wù)并從中獲利。

圖1 邊緣環(huán)境下計算密集型應(yīng)用的任務(wù)調(diào)度框架Fig.1 Task scheduling framework for computing-intensive applications in edge environments

1.3 計算密集型任務(wù)調(diào)度的執(zhí)行過程

當(dāng)計算量和網(wǎng)絡(luò)資源有限時，最大限度地利用資源變得至關(guān)重要，在用戶移動過程中，進行任務(wù)調(diào)度，選擇最優(yōu)的邊緣服務(wù)器為用戶提供服務(wù)，從而實現(xiàn)MEC系統(tǒng)的最低能耗，移動邊緣調(diào)度是減少時延和視頻傳播任務(wù)的延遲敏感性的重要方法，根據(jù)各種用戶參數(shù)對任務(wù)進行調(diào)度，如到達時間、系統(tǒng)負載、執(zhí)行時間和截止日期，在邊緣環(huán)境中任務(wù)調(diào)度算法的目的是在用戶和虛擬機之間，找到一個最優(yōu)映射，以使在滿足用戶的需求前提下，提高邊緣云的使用效率以及降低能耗。圖2描述了邊緣環(huán)境下計算密集型任務(wù)調(diào)度的執(zhí)行過程。

圖2 邊緣環(huán)境下計算密集型任務(wù)調(diào)度的執(zhí)行過程Fig.2 Execution process of computing-intensive task scheduling in edge environments

在該過程中假設(shè)有K個移動終端，每個移動終端上有一個具有一定優(yōu)先級的待處理任務(wù)，即共有K個待處理的任務(wù)。用T={T1,T2,T3,…,Tn,…,Tk}表示K個待執(zhí)行計算任務(wù)調(diào)度到邊緣服務(wù)器端進行處理，要將K個任務(wù)分配給n個邊緣資源節(jié)點，資源節(jié)點用S={S1,S2,S3,…,Sn}表示，當(dāng)移動端發(fā)送任務(wù)請求，調(diào)度策略通過考慮QoS資源監(jiān)控的信息，將任務(wù)分配給匹配的邊緣端資源節(jié)點來完成任務(wù)調(diào)度。

1.4 計算密集型任務(wù)調(diào)度的應(yīng)用場景

邊緣計算調(diào)度的應(yīng)用不僅可以克服現(xiàn)有主機網(wǎng)絡(luò)的限制，而且在實現(xiàn)調(diào)度任務(wù)分配方面發(fā)揮了重要的作用。目前對綠色IoV的研究主要集中在電池供電的RSU或電動汽車的能量管理上。由于傳感器和智能車輛的快速發(fā)展，車聯(lián)網(wǎng)（IoV）正在成為智能交通系統(tǒng)的基礎(chǔ)技術(shù)，要求提高道路車輛的機動性和安全性。圖3描述了邊緣環(huán)境下計算密集型任務(wù)調(diào)度的應(yīng)用場景。

圖3中，IoV支持各種通信模式，例如車輛到車輛（V2V）、車輛到基礎(chǔ)設(shè)施（V2I）和車輛到傳感器（V2S），車輛連接到匹配的MEC服務(wù)器的RSU，以執(zhí)行實時或重要的計算任務(wù)，車輛和終端等服務(wù)用戶能夠從位于用戶附近的基站（BS）的邊緣計算服務(wù)器（ECS）訪問計算和存儲服務(wù)，當(dāng)車輛用戶發(fā)送任務(wù)由基站進行調(diào)度，調(diào)度算法決定將計算任務(wù)調(diào)度到基站節(jié)點端的服務(wù)隊列或車輛的服務(wù)隊列中，然后由邊緣服務(wù)器對任務(wù)實施調(diào)度策略，最終返回到用戶。通過將服務(wù)從核心網(wǎng)絡(luò)推送到邊緣網(wǎng)絡(luò)，這大大減少了網(wǎng)絡(luò)延遲。目前，現(xiàn)有的大多數(shù)工作僅僅考慮車輛之間的調(diào)度，而忽略了RSUs之間的對應(yīng)關(guān)系。如何利用有限的RSU數(shù)量來應(yīng)對不斷增長的車輛交通需求是一個非常具有挑戰(zhàn)性的問題。

圖3 邊緣環(huán)境下計算密集型任務(wù)調(diào)度的應(yīng)用場景Fig.3 Application scenarios of computing-intensive task scheduling in edge environments

1.5 計算密集型任務(wù)調(diào)度的性能指標

邊緣計算中調(diào)度的評價標準影響調(diào)度技術(shù)的設(shè)計和方法，大多數(shù)任務(wù)調(diào)度技術(shù)是多目標的，在邊緣計算調(diào)度中時間和成本大多都是一起考慮的，為了達到更好的調(diào)度效能，需要依賴于時間、成本、可靠性、能耗、資源利用率以及負載均衡等不同的指標：

（1）時間：包括最大完成時間、總執(zhí)行時間、截止時間以及等待時間。在邊緣計算環(huán)境下任務(wù)調(diào)度中，其中完成時間是任務(wù)從提交到執(zhí)行完成的整個調(diào)度時間；執(zhí)行時間是指資源被分配到完成的時間；截止時間是指任務(wù)要求的最終完成時間，等待時間是任務(wù)執(zhí)行開始到提交之間的時間。

（2）成本：任務(wù)執(zhí)行產(chǎn)生的成本包括計算成本、數(shù)據(jù)傳輸成本以及用戶為使用邊緣計算平臺向供應(yīng)商所付出的費用。

（3）能耗：指應(yīng)用程序在處理計算設(shè)備內(nèi)的數(shù)據(jù)（計算能量）和通過可靠的網(wǎng)絡(luò)傳輸數(shù)據(jù)（傳輸能量）期間消耗的能量。

（4）資源利用率：計算設(shè)備的資源利用率取決于重新調(diào)度和處理實時應(yīng)用程序的資源數(shù)量，是指用戶在進行邊緣調(diào)度的過程所占用邊緣環(huán)境中的CPU、存儲、內(nèi)存和應(yīng)用各類的軟硬件的資源利用率。

（5）負載均衡：是指用戶請求的邊緣任務(wù)在不同的虛擬機、虛擬機不同的節(jié)點上分配的調(diào)度。負載均衡不僅可以改善資源的利用率，還可以通過低載資源的合并以及遷移能夠降低能耗。

（6）可靠性：是指任務(wù)執(zhí)行的可靠性，確保在計劃中選擇的資源并可能會完成為其安排的任務(wù)。任務(wù)執(zhí)行失敗通常通過重新啟動和復(fù)制任務(wù)來處理。任務(wù)的可靠性執(zhí)行可以降低時間和計算資源的浪費。

2 邊緣計算環(huán)境下計算密集型任務(wù)調(diào)度技術(shù)現(xiàn)狀

邊緣計算調(diào)度策略的根本目的是提高資源的利用率，降低負載均衡以及能耗，進而提高用戶體驗。本文為了增加可讀性、可靠性，根據(jù)優(yōu)化目標的不同，將目前的調(diào)度優(yōu)化策略分為：時間和成本的優(yōu)化調(diào)度策略、能耗和資源利用率的優(yōu)化調(diào)度策略、負載均衡和吞吐量的優(yōu)化調(diào)度策略；這些將有助于邊緣計算調(diào)度領(lǐng)域的研究人員探索高效的調(diào)度策略，表2總結(jié)了近幾年來相關(guān)的邊緣環(huán)境下計算密集型任務(wù)調(diào)度方案。

表2 邊緣環(huán)境下計算密集型任務(wù)調(diào)度方案總結(jié)Table 2 Summary of computing-intensive task scheduling in edge environments

2.1 時間和成本的優(yōu)化調(diào)度策略

在網(wǎng)絡(luò)的邊緣部署使用合適的調(diào)度策略不僅可以降低云邊端的計算復(fù)雜度，并且可以延長用戶主機設(shè)備的壽命。其中，時間和成本是影響用戶體驗的關(guān)鍵指標之一，因此綜合考慮時間和成本是設(shè)計高效調(diào)度策略的重要參考因素。

針對如何提高在作業(yè)分配過程中數(shù)據(jù)的處理能力，文獻[13]總體技術(shù)路線是基于成本的作業(yè)調(diào)度。該方法的優(yōu)點是可以縮短提交作業(yè)的相應(yīng)時間，并考慮了抖動因素以改善QoS和網(wǎng)絡(luò)狀態(tài)，缺點是在計算成本的過程中忽略了由等待所產(chǎn)生的成本以及數(shù)據(jù)返回產(chǎn)生的成本。文獻[14]使用了新的動態(tài)調(diào)度技術(shù)，該技術(shù)隨著時間的推移管理云資源，以處理工作流中的數(shù)據(jù)速度變化，同時保持用戶定義的實時數(shù)據(jù)分析要求并最小化執(zhí)行成本，減少執(zhí)行時間。

針對如何解決多QoS的優(yōu)化約束問題，文獻[15]基于混合蜘蛛猴優(yōu)化算法解決任務(wù)調(diào)度問題?？傮w在滿足預(yù)算和期限約束的同時，優(yōu)化了完工時間和成本。文獻[16]利用遺傳算法（genetic algorithm，GA）將異構(gòu)任務(wù)調(diào)度到異構(gòu)處理器上的調(diào)度策略，以減少總執(zhí)行時間。文獻[17]研究了在結(jié)合邊緣處理和集中式云處理的云邊協(xié)作架構(gòu)適用于流媒體的放置緩存調(diào)度，并基于鄰域搜索的緩存感知調(diào)度模型，如圖4所示。具體執(zhí)行流程為：首先，樸素貝葉斯理論將工作分為三類。其次，根據(jù)不同作業(yè)類型的操作，為節(jié)點分配不同的資源來執(zhí)行不同的作業(yè)，并監(jiān)控作業(yè)執(zhí)行情況以調(diào)整資源。最后，采用緩存感知方法延遲調(diào)度作業(yè)，并將作業(yè)調(diào)度到滿足緩存局部性的節(jié)點。根據(jù)鄰域搜索結(jié)果，調(diào)度不滿足節(jié)點局部性的作業(yè)在具有相似能力的節(jié)點上執(zhí)行。該方法有效地減少內(nèi)容傳輸延遲，縮短作業(yè)執(zhí)行時間，提高云數(shù)據(jù)中心的處理能力。

圖4 邊緣環(huán)境下基于鄰域搜索的緩存感知調(diào)度模型Fig.4 Cache-aware scheduling model based on neighborhood search in edge environment

針對多目標優(yōu)化和工作流任務(wù)調(diào)度問題，文獻[18]在云工作流應(yīng)用中生成帕累托最優(yōu)解的進化多目標優(yōu)化算法，并將其用于多目標調(diào)度問題。該策略的優(yōu)點在于根據(jù)混沌理論在云環(huán)境下通過貪婪算法和使用隨機數(shù)來提高搜索性能，與其他算法相比，該算法具有更好的收斂性和更均勻的節(jié)間距離，并解決了原算法總是陷入局部最優(yōu)的問題。文獻[19]應(yīng)用了基于模糊的任務(wù)調(diào)度，該方法的優(yōu)勢是在能量消耗方面優(yōu)于微遺傳算法，其最終的目標是在高負載條件下，在總執(zhí)行時間、最大完工時間、不平衡度和安全價值等方面都優(yōu)于其他同類調(diào)度方法。文獻[20]定義了云邊緣網(wǎng)絡(luò)體系結(jié)構(gòu)中任務(wù)調(diào)度的最小化延遲優(yōu)化問題。將該問題描述為一個馬爾可夫決策過程，通過無模型DRL算法來訓(xùn)練系統(tǒng)的狀態(tài)，以解決云服務(wù)器存在長延遲和巨大的帶寬需求問題。在該過程中，各優(yōu)化目標被量化為：

2.2 能耗和資源利用率的優(yōu)化調(diào)度策略

在網(wǎng)絡(luò)的邊緣部署調(diào)度不僅可以降低服務(wù)器端的能耗和并且還可以降低服務(wù)器資源枯竭和其他服務(wù)器浪費的情況。能源和資源利用率是影響用戶體驗的關(guān)鍵指標之一，因此綜合考慮能耗和資源利用率是設(shè)計高效調(diào)度策略的重要參考因素。

針對克服調(diào)度優(yōu)化問題以獲取更高的資源利用率為目標，文獻[21]對工作流調(diào)度問題進行了研究，提出了基于服務(wù)質(zhì)量的資源分配和調(diào)度，利用基于群體的蟻群優(yōu)化提供更可預(yù)測的結(jié)果。實驗結(jié)果已經(jīng)與其他策略進行了比較，結(jié)果表明該策略較其他算法策略在能耗和資源利率方面有所提高。文獻[22]利用一種基于訂單級需求的實時邊緣調(diào)度模型，該模型考慮了訂單的實時插入，在滿足單個客戶需求的同時實時插入到貨單。所提策略在顧客滿意度等訂單級指標上具有顯著優(yōu)勢，在資源利用率、能耗和完工時間等車間級指標上表現(xiàn)較好。文獻[23]解決了以節(jié)能的方式在一組專用私有軟件定義的廣域網(wǎng)連接的數(shù)據(jù)中心上調(diào)度由數(shù)據(jù)驅(qū)動的工業(yè)工作流應(yīng)用程序的問題，并同時管理云提供商收入的權(quán)衡。與基于成本的工作流調(diào)度方法相比，該文獻提出的方法可以將工業(yè)工作流執(zhí)行的綠色能源利用率提高3倍，并降低了能耗。

針對為給定的輸入任務(wù)找到最優(yōu)的資源，文獻[24]引入了一種能量-最大完工時間多目標優(yōu)化調(diào)度策略，目的是找到這些沖突的目標之間的折衷降低能源消耗和最大完工時間，它分兩個階段工作。首先，引入加權(quán)雙目標代價函數(shù)。其次，通過應(yīng)用期限約束的頻率縮放來進一步減少能源消耗。建議的工作確保在建議的期限內(nèi)完成工作流應(yīng)用，同時也減少了能源消耗。文獻[25]通過考慮多云的完工時間、負載均衡、資源利用率和成本等參數(shù)來改善任務(wù)調(diào)度行為。該方法結(jié)合了遺傳算法和電搜索算法的優(yōu)點。遺傳算法提供最佳局部最優(yōu)解，而電搜索算法提供最佳全局最優(yōu)解。由實驗結(jié)果來看，該算法優(yōu)于混合粒子群優(yōu)化算法、遺傳算法、專家系統(tǒng)和蟻群算法等現(xiàn)有調(diào)度算法。

2.3 負載均衡和吞吐量的優(yōu)化調(diào)度策略

邊緣計算環(huán)境下邊緣節(jié)點間資源差距過大且任務(wù)分配的負載不均衡，平衡負載可以降低總體能耗和防止某個邊緣云超載，負載均衡和吞吐量是影響用戶體驗的關(guān)鍵指標之一，因此綜合考慮負載均衡和吞吐量是設(shè)計高效調(diào)度策略的重要參考因素。

為了克服現(xiàn)有關(guān)于負載均衡的困難，優(yōu)化動態(tài)資源調(diào)度。在文獻[26]中利用基于端口的源路由地址的特性和胖樹拓撲的規(guī)律性，設(shè)計了一種極其簡單的路由機制，該方法適用于云數(shù)據(jù)中心網(wǎng)絡(luò)和邊緣計算，可以降低交換機的復(fù)雜度和整個網(wǎng)絡(luò)的功耗，顯著減少了完成時間，提高了平均吞吐量，并在服務(wù)器上實現(xiàn)負載均衡。文獻[27]通過基站學(xué)習(xí)和交換信息獲得的環(huán)境知識用于分布式資源塊分配。該資源分配方案可以在較短的學(xué)習(xí)時間內(nèi)獲得最優(yōu)的資源分配策略，并可以根據(jù)不同服務(wù)的延遲要求隨時終止學(xué)習(xí)過程。與傳統(tǒng)的資源分配方案相比，它能有效提高系統(tǒng)吞吐量。文獻[28]使用量子啟發(fā)的二進制混沌群算法來調(diào)度多處理器系統(tǒng)中的任務(wù)，以實現(xiàn)負載的均勻分散。充分的負載平衡和高效的調(diào)度機制增強了整體性能，并顯著提高了服務(wù)質(zhì)量指標，如計算系統(tǒng)的吞吐量、資源利用率、可擴展性、可靠性和響應(yīng)時間，較鳥群優(yōu)化、改進粒子群優(yōu)化、JAYA和標準SSA（二進制數(shù)相乘）算法在性能方面有所提高。文獻[29]基于粒子群優(yōu)化的多目標調(diào)度，用于對大量任務(wù)進行優(yōu)化分配。該算法旨在通過調(diào)度任務(wù)來減少每個粒子上的剩余工作量。在利用粒子群優(yōu)化（particle swarm optimization，PSO）調(diào)度算法得到每個集群的問題答案之后，IPSO嘗試調(diào)整資源上的負載。該算法減少了所有任務(wù)的完成時間，同時還平衡了框架負載，提高了整個云階段的詳盡度。

針對考慮請求調(diào)度的資源故障率問題，以便為所請求的服務(wù)提供可靠性，文獻[30]引入了一種可靠的負載平衡服務(wù)調(diào)度方法，用于將客戶的請求分配給云-霧環(huán)境的資源。通過將請求任務(wù)按實時性、重要性和時效性進行分類，在分配請求時考慮了資源之間的負載均衡，該方法可以將客戶的請求任務(wù)分布在不同的計算資源上，具有高度的負載平衡。文獻[31]基于深度強化學(xué)習(xí)（DRL）的服務(wù)水平協(xié)議約束下的動態(tài)負載平衡任務(wù)調(diào)度策略。使用DRL方法為任務(wù)選擇合適的虛擬機，然后確定在選定的虛擬機上執(zhí)行任務(wù)是否違反服務(wù)級別協(xié)議。如果違反了服務(wù)水平協(xié)議，任務(wù)將被拒絕，并反饋DRL訓(xùn)練的負面獎勵；否則，接收并執(zhí)行任務(wù)，并在任務(wù)執(zhí)行后根據(jù)虛擬機負載的平衡反饋獎勵。該策略在平衡虛擬機負載、降低任務(wù)拒絕率、提高系統(tǒng)吞吐量，提高云計算服務(wù)整體水平方面表現(xiàn)最佳。

從以上優(yōu)化目標的角度出發(fā)，通過對目前邊緣計算調(diào)度的分析和對比可知，將用戶請求的任務(wù)調(diào)度到邊緣服務(wù)器端處理確實在一定程度上提高了網(wǎng)絡(luò)的性能和用戶體驗。但是目前仍然面臨一系列的問題：如用戶請求任務(wù)的多樣性對調(diào)度策略有嚴重影響，如何準確預(yù)測用戶的任務(wù)分類來最大化調(diào)度的資源利用率是一項復(fù)雜的任務(wù)；此外，用戶不愿為了提高網(wǎng)絡(luò)性能而消耗他們的時間和成本，所以用戶在云端執(zhí)行任務(wù)調(diào)度，以利用D2D通信是困難的；因為對于調(diào)度任務(wù)的分類和特性難以確定，所以設(shè)計的調(diào)度策略應(yīng)該能夠準確觀察用戶任務(wù)的特性、用戶任務(wù)請求的方式、移動性、網(wǎng)絡(luò)狀態(tài)。因此，綜合考慮邊緣設(shè)備的移動性、異構(gòu)邊緣計算服務(wù)器的資源以及任務(wù)的計算需求，可以利用深度強化學(xué)習(xí)以及來跨層的方式解決調(diào)度任務(wù)處理速度，縮短任務(wù)超時時間。因為深度學(xué)習(xí)具有生物相關(guān)性和學(xué)習(xí)自主性，可以通過嘗試錯誤將狀態(tài)和動作與環(huán)境進行最佳匹配，以獲得最大的資源利用率，且未來邊緣計算調(diào)度技術(shù)希望利用智能的調(diào)度機制來最大限度地提高網(wǎng)絡(luò)性能。

3 邊緣計算環(huán)境下面向5G的計算密集型任務(wù)調(diào)度的發(fā)展趨勢

第1章和第2章所描述的調(diào)度技術(shù)主要都是應(yīng)用在4G傳統(tǒng)的MEC網(wǎng)絡(luò)。然而5G的應(yīng)用背景下，通過在云上部署強大的計算和存儲能力，可以有效地處理物聯(lián)網(wǎng)計算密集型應(yīng)用產(chǎn)生的數(shù)據(jù)，從而確保物聯(lián)網(wǎng)應(yīng)用向最終用戶提供有效的服務(wù)。本章將分析邊緣環(huán)境下面向計算密集型應(yīng)用的任務(wù)調(diào)度技術(shù)策略，目前正在發(fā)展的幾個熱點方向，如邊緣環(huán)境下基于SND下的調(diào)度策略，基于深度強化學(xué)習(xí)的調(diào)度策略，以及在車聯(lián)網(wǎng)環(huán)境中的跨層調(diào)度策略的實施。

3.1 面向5G邊緣環(huán)境下基于SDN的計算密集型數(shù)據(jù)包調(diào)度策略

邊緣計算通過提供分布式處理能力來支持移動計算和物聯(lián)網(wǎng)技術(shù)分布式開放架構(gòu)[32]。為了支持高擴展性、超低延遲、高吞吐量和可靠的數(shù)據(jù)傳輸，軟件定義網(wǎng)絡(luò)（SDN）被認為是合適的解決方案之一，這使得邊緣計算更加可行[33]。考慮到SDN技術(shù)通過將網(wǎng)絡(luò)解耦為控制平面和數(shù)據(jù)平面來實現(xiàn)動態(tài)、編程高效的網(wǎng)絡(luò)配置的特點，能夠提高邊緣服務(wù)器的性能和低延遲。SDN的這些特性和邊緣計算一起使用，可以實現(xiàn)各種附加功能以及性能的提升。使用OpenFlow協(xié)議，SDN控制器可以控制底層網(wǎng)絡(luò)組件[34-35]。圖5描述了邊緣環(huán)境下基于SDN的邊緣計算架構(gòu)，其中架構(gòu)中主要包括網(wǎng)絡(luò)應(yīng)用、MEC系統(tǒng)水平、MEC主機水平、網(wǎng)絡(luò)層。在SDN支持的 邊緣架構(gòu)中，MECs部署在邊緣接入網(wǎng)中，減少了接入終端與計算資源和網(wǎng)絡(luò)資源的距離，增加了終端對資源的訪問[36-37]。

圖5 邊緣環(huán)境下基于SDN的邊緣計算架構(gòu)Fig.5 SDN-based edge computing architecture in edge environment

圖6描述了基于SDN的計算密集型數(shù)據(jù)包調(diào)度方案。當(dāng)邊緣中心接收到緊急數(shù)據(jù)，它會像其他正常數(shù)據(jù)包一樣遵循一般的OpenFlow操作。邊緣中心將緊急數(shù)據(jù)以地址為源地址打包，發(fā)送到目的地。同時發(fā)送packet-in消息，通知控制器發(fā)生緊急報文，控制器收到入包消息后，檢查并發(fā)送一個出包消息。接收分組輸出消息的邊緣中心更改或添加接收到的消息的流表，并傳送到合適的輸出端口。在基于OpenFlow的功能之后，在邊緣中心檢查數(shù)據(jù)，來確定是將入隊的數(shù)據(jù)轉(zhuǎn)移到優(yōu)先級隊列還是普通隊列。在工業(yè)物聯(lián)網(wǎng)環(huán)境產(chǎn)生的數(shù)據(jù)中，假設(shè)應(yīng)急數(shù)據(jù)只用EQ處理，其他所有情況如周期性傳感數(shù)據(jù)都用NQ處理。傳入數(shù)據(jù)包由M/G/1排隊模型處理，調(diào)度模型側(cè)重于網(wǎng)絡(luò)延遲的排隊延遲，該方案從數(shù)據(jù)包的角度出發(fā)，通過分析用戶的數(shù)據(jù)包的緊急性優(yōu)化調(diào)度策略，并將SDN合并到MEC邊緣中，以最大化命中率，最小化傳輸能耗為優(yōu)化目標。

圖6 基于SDN的計算密集型數(shù)據(jù)包調(diào)度方案Fig.6 Computing-intensive packet scheduling scheme based on SDN

圖7描述了不同調(diào)度策略下的任務(wù)平均時間響應(yīng)情況，在單個服務(wù)器中，資源利率ρ表示為ρ=λ×c×Sˉ，λ表示為，其中p為任務(wù)的優(yōu)先級，Sˉ指處理一個數(shù)據(jù)包所需的服務(wù)時間，在計算平均等待時間時，將到達率λ的方差設(shè)為0.01～0.09，從圖中可以看出，當(dāng)系統(tǒng)利用率為低情況時，可以更快地處理應(yīng)急數(shù)據(jù)，反之處理應(yīng)急數(shù)據(jù)的時間更長?；赟DN的邊緣調(diào)度策略具有的性能優(yōu)于現(xiàn)有的基于優(yōu)先級（FCFS）的調(diào)度方法。SDN下的任務(wù)調(diào)度策略不同之處在于：不同于現(xiàn)有的基于優(yōu)先級的技術(shù)，提出的方案使用兩個隊列而不是多個隊列來管理邊緣計算服務(wù)器的資源；為了減少傳輸延遲，邊緣計算服務(wù)器和邊緣計算主機采用SDN概念。

圖7 不同調(diào)度策略下的任務(wù)平均時間響應(yīng)情況Fig.7 Average time response of tasks under different scheduling strategies

3.2 基于深度強化學(xué)習(xí)的計算密集型任務(wù)調(diào)度策略

為了解決邊緣環(huán)境中任務(wù)如何進行調(diào)度的問題，以及用戶請求任務(wù)密集和資源的合理分配，啟發(fā)式算法目前在任務(wù)調(diào)度問題方面應(yīng)用研究廣泛，基本原型如蟻群算法（ant colony optimization，ACO）、粒子群優(yōu)化（particle swarm optimization，PSO）、遺傳算法（genetic algorithm，GA）等。這類算法可在約束條件下尋找到符合條件的可行解，但是由于無法預(yù)計可行解與最優(yōu)解之間的偏差，收斂速度比較慢，在求解過程中往往陷入局部最優(yōu)解，較難滿足低時延的任務(wù)要求。因此在此背景下，利用強化學(xué)習(xí)[38]方法優(yōu)秀的決策能力來解決復(fù)雜邊緣環(huán)境中的調(diào)度問題，通過不斷矯正可行解和更優(yōu)解的偏差，可以加快收斂速度。但是由于自身的局限性，它無法處理高維和連續(xù)性問題。深度學(xué)習(xí)方法側(cè)重于感知和輸入的表達，善于發(fā)現(xiàn)數(shù)據(jù)的特征。由于深度學(xué)習(xí)可以彌補強化學(xué)習(xí)的缺點，因此深度強化學(xué)習(xí)（deep reinforcement learning，DRL）利用深度神經(jīng)網(wǎng)絡(luò)捕捉環(huán)境特征的能力和RL的決策能力來解決復(fù)雜的系統(tǒng)控制問題[39]，并且可以使用邊緣節(jié)點作為智能代理學(xué)習(xí)調(diào)度策略，不需要全局有關(guān)環(huán)境的信息。

邊緣云任務(wù)調(diào)度結(jié)合深度強化學(xué)習(xí)的內(nèi)容，并按照任務(wù)調(diào)度模型構(gòu)建合理的部署的方法，相比于傳統(tǒng)的方法[40]更有優(yōu)勢。邊緣環(huán)境下基于深度強化學(xué)習(xí)的任務(wù)調(diào)度模型如圖8所示，當(dāng)用戶發(fā)送視頻任務(wù)請求時，調(diào)度決策器根據(jù)目前的邊緣計算系統(tǒng)環(huán)境狀態(tài)即時回報的結(jié)果，使用強化學(xué)習(xí)模型通過大量的學(xué)習(xí)訓(xùn)練，使得調(diào)度決策器按照經(jīng)驗策略將視頻任務(wù)接入到最合適的服務(wù)器。并使用深度卷積神經(jīng)網(wǎng)絡(luò)進行確定性策略梯度進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后根據(jù)服務(wù)器的負載狀態(tài)信息，通過視頻的遷移策略，來執(zhí)行新的任務(wù)請求。

圖8 邊緣環(huán)境下基于深度強化學(xué)習(xí)的任務(wù)調(diào)度模型Fig.8 Task scheduling model based on deep reinforcement learning in edge environments

強化學(xué)習(xí)主要用到的是行為策略選擇，定義函數(shù)μ，通過使用卷積神經(jīng)網(wǎng)絡(luò)對μ函數(shù)進行模擬，該網(wǎng)絡(luò)即為策略網(wǎng)絡(luò)，如果都按照策略μ選擇動作，能夠產(chǎn)生Q值，該值為期望值。通過使用卷積神經(jīng)網(wǎng)絡(luò)對Q函數(shù)進行模擬，在訓(xùn)練的過程中，采用目標網(wǎng)絡(luò)方法，建立策略網(wǎng)絡(luò)和Q網(wǎng)絡(luò)來計算目標值，然后通過比例緩慢更新網(wǎng)絡(luò)。通過該學(xué)習(xí)方法，使學(xué)習(xí)過程更加穩(wěn)定，收斂更有保障。圖9描述了不同負載情況下的任務(wù)處理時間以及算法的收斂性比較。

圖9 不同策略任務(wù)處理時間和算法收斂性比較Fig.9 Comparison of processing time and algorithm convergence of different strategy tasks

從圖9可以看出其他算法與深度強化學(xué)習(xí)調(diào)度策略的運行時間，無論是低負載還是高負載，深度學(xué)習(xí)算法的運行時間均優(yōu)于DTAMS（dynamic threshold allocated migration strategy，DTAMS）以及PSO算法，對于平均運行時間縮短了54.54%。這是因為在用戶請求訪問的過程中，需要通過DTAMS算法不斷更新會話分配閾值，計算量大。為了找到最優(yōu)解，采用的深度強化學(xué)習(xí)方法只需要通過訓(xùn)練好的策略網(wǎng)絡(luò)進行調(diào)度決策，計算復(fù)雜度較低，提高了調(diào)度效率。幾種算法的收斂曲線如圖9（b）所示。深度強化學(xué)習(xí)算法以比其他兩種算法更快的速度實現(xiàn)了最優(yōu)策略。此外，隨著迭代時間步長的增加，該算法比其他算法有更高的回報，這表明該算法是有優(yōu)勢的。

3.3 計算資源協(xié)同的跨層任務(wù)調(diào)度策略

車聯(lián)網(wǎng)（internet of vehicles，IoV）是物聯(lián)網(wǎng)在汽車行業(yè)的典型應(yīng)用，被認為是一種具有巨大潛力的下一代智能交通系統(tǒng)，由于每個邊緣節(jié)點的計算和存儲資源有限，以及物聯(lián)網(wǎng)設(shè)備產(chǎn)生的數(shù)據(jù)規(guī)模龐大，即使在網(wǎng)絡(luò)邊緣節(jié)點之間實施資源調(diào)度，也無法滿足物聯(lián)網(wǎng)的計算需求。因此，有必要實施跨層資源調(diào)度（cross-layer task scheduling，CLTS），利用云中的資源來補充邊緣節(jié)點的需求，有效解決邊緣計算能力不足的問題?？鐚淤Y源調(diào)度方法[41]，可以實現(xiàn)物聯(lián)網(wǎng)應(yīng)用完成時間、資源利用率和能耗的聯(lián)合優(yōu)化。基于特征分析的結(jié)果，設(shè)計了一個新的跨層云計算系統(tǒng)多計算機任務(wù)調(diào)度框架，該框架具有動態(tài)定制的能力，通過該調(diào)度策略，跨層云計算系統(tǒng)中的計算機任務(wù)可以動態(tài)選擇合適的算法，更有效地利用資源。圖10描述了5G邊緣環(huán)境下計算資源協(xié)同的跨層任務(wù)調(diào)度過程，具體步驟為：

圖10 5G邊緣環(huán)境下計算資源協(xié)同的跨層任務(wù)調(diào)度Fig.10 Cross-layer task scheduling of computing resource coordination in 5G edge environment

步驟1將不同物聯(lián)網(wǎng)服務(wù)和應(yīng)用的需求分解為不同的計算機任務(wù)類型，其中任務(wù)之間的關(guān)系由有向圖描述。

步驟2任務(wù)分析器分析計算機任務(wù)的特征，并將各種標簽賦予它們，包括任務(wù)調(diào)度目標、任務(wù)類型等。

步驟3任務(wù)分析器將任務(wù)快照分發(fā)給調(diào)度管理目標（SMO）分析器和任務(wù)調(diào)度器。此外，任務(wù)也被分配到任務(wù)調(diào)度器。

步驟4 SMO分析器可以區(qū)分每個任務(wù)目標之間的差異。調(diào)度管理目標分析器決策可以從任務(wù)性質(zhì)、資源狀態(tài)和系統(tǒng)層次結(jié)構(gòu)三個方面進行推導(dǎo)。調(diào)度管理目標分析器創(chuàng)建相應(yīng)的目標控制器窗體。目標控制器根據(jù)目標控制器窗體從目標池中選擇目標。

步驟5目標控制器監(jiān)控任務(wù)調(diào)度器，以確保每個任務(wù)的輸出都是可接受的。

步驟6任務(wù)調(diào)度器使用算法池中的算法執(zhí)行算法功能。然后，它將來自資源監(jiān)視器的信息和相關(guān)算法的結(jié)果發(fā)送給資源調(diào)度器。

步驟7資源調(diào)度器根據(jù)任務(wù)調(diào)度器的算法結(jié)果為這些任務(wù)分配資源。

其中通過考慮完成時間、資源利用率和能耗的聯(lián)合優(yōu)化指標模型，因此，任務(wù)的完成時間分為任務(wù)轉(zhuǎn)移時間DTm、任務(wù)完成時間TEm和結(jié)果返回時間DFm，由TCm=DTm+TEm+DFm表示。利用一系列方法推導(dǎo)出邊緣節(jié)點的資源利用率AU。因此，綜合要解決的問題定義為：

將θ(tnm)表示為一個二元變量，旨在估計tnm是否部署在enn上。所有邊緣節(jié)點的能量消耗通過以下公式計算：ES=BCS+FCS+NCS,BCS代表邊緣節(jié)點的基本運行能耗，F(xiàn)CS代表滿載VMs的能耗，NCS代表空載VMs的能耗。圖11描述了不同策略在不同任務(wù)數(shù)量下的性能，從中可以看出跨層資源調(diào)度（CLTS）相較于PSO和LC（least-connection scheduling）在任務(wù)數(shù)量大的情況下平均作業(yè)完成時間和平均消耗總能耗最優(yōu)，在處理大量任務(wù)的作業(yè)時跨層資源調(diào)度相比較PSO和LC算法具有一定的優(yōu)勢。

圖11 不同策略在不同任務(wù)數(shù)量下的性能指標比較Fig.11 Performance comparison of different strategies under different number of tasks

4 問題與挑戰(zhàn)

4.1 容錯調(diào)度機制

由于移動用戶的移動性和復(fù)雜的云環(huán)境，在移動應(yīng)用的執(zhí)行過程中可能會出現(xiàn)故障和不確定性。在執(zhí)行過程中，可能會違反資源和應(yīng)用程序之間的契約。因此，容錯動態(tài)調(diào)度對于在線修改是必要的，以處理執(zhí)行過程中的故障和不確定性，特別是在邊緣計算環(huán)境中。在此基礎(chǔ)上，一種基于分層移動邊緣云架構(gòu)的容錯動態(tài)調(diào)度方法被研究。它旨在為移動應(yīng)用程序執(zhí)行期間提供動態(tài)和優(yōu)化的調(diào)度策略。容錯調(diào)度已經(jīng)在網(wǎng)格、多處理器系統(tǒng)和一般云中進行了研究。移動云環(huán)境下的容錯調(diào)度問題很少受到關(guān)注。在這些容錯技術(shù)中，重疊技術(shù)是最流行的一種。此外，還有兩個重疊的模型：主備份（表示為PB）模型和備份（表示為BB）模型。在PB模型中，允許主拷貝與其他后拷貝重疊。在BB模式中，允許不同的備份副本相互重疊[42]。除了重疊技術(shù)，還有其他容錯調(diào)度技術(shù)。文獻[43]針對異構(gòu)分布式嵌入式系統(tǒng)上的可靠并行應(yīng)用，提出了兩種節(jié)能容錯調(diào)度算法。通過結(jié)合重提交和復(fù)制技術(shù)，文獻[44]提出了一種容錯工作流調(diào)度方法，其中提出了一種在線預(yù)留調(diào)整機制來調(diào)整容錯策略和一些未執(zhí)行任務(wù)的子線索。文獻[45]使用一種不確定感知的容錯調(diào)度方法來處理執(zhí)行過程中的不確定性，從而糾正延遲。文獻[46]研究了云計算中期限約束任務(wù)調(diào)度容錯策略的建模與分析。由于，用戶請求的多樣性可能需要不同的資源類型，例如VM、帶寬和存儲。因此，保持動態(tài)制定容錯策略的能力至關(guān)重要，可用于控制任務(wù)的容錯模式（主動或被動），從而滿足云應(yīng)用的可靠性和實時性要求。邊緣云應(yīng)用的容錯過程可能涉及多個資源，資源調(diào)度的并發(fā)性和不確定性將增加模型驗證的復(fù)雜性。很難證明所提出的方法能夠提供關(guān)于容錯過程行為的模型的可靠性和完整性檢查。并且，邊緣云計算的故障非常復(fù)雜，相關(guān)故障可能滿足概率分布[47]。此外，如何提供能夠滿足所需QoS的容錯調(diào)度，對于邊緣云應(yīng)用程序也是一個具有挑戰(zhàn)性的問題。

4.2 動態(tài)微服務(wù)調(diào)度

為邊緣計算平臺設(shè)計一種高效、最優(yōu)的動態(tài)微服務(wù)調(diào)度機制是一項具有挑戰(zhàn)性的工作，因為每個微服務(wù)都有異構(gòu)的資源需求來執(zhí)行邊緣用戶的可用任務(wù)。除此之外，每個邊緣用戶都有嚴格的延遲要求，以從微服務(wù)獲取可執(zhí)行結(jié)果。在邊緣平臺中，邊緣服務(wù)器啟動多個微服務(wù)以滿足邊緣用戶的需求。于是動態(tài)微服務(wù)調(diào)度被研究，在微服務(wù)之間調(diào)度任務(wù)，最大化網(wǎng)絡(luò)吞吐量和QoS[48]。調(diào)度框架應(yīng)該考慮需要執(zhí)行的可用任務(wù)的數(shù)量，動態(tài)地將微服務(wù)從頂部隊列移至底部隊列。關(guān)鍵的微服務(wù)被認為是在頂級隊列中執(zhí)行的，因此它應(yīng)該比正常的微服務(wù)具有更高的優(yōu)先級，動態(tài)微服務(wù)調(diào)度框架的主要目標是最小化平均服務(wù)質(zhì)量，需要優(yōu)化服務(wù)質(zhì)量，以應(yīng)對底層網(wǎng)絡(luò)條件和基礎(chǔ)設(shè)施的突然變化。因此，如此快速的增長和發(fā)展導(dǎo)致了面向微服務(wù)的邊緣計算平臺的出現(xiàn)[49-52]。并且在微服務(wù)之間分配公平的資源，可以提高網(wǎng)絡(luò)中的資源利用率。微服務(wù)的最新進展，文獻[53]中的微服務(wù)多樣性的服務(wù)器優(yōu)化方案，試圖找出最佳卸載解決方案，以最大限度地減少總體延遲。文獻[54]設(shè)計了一種異構(gòu)云邊緣環(huán)境下的微服務(wù)調(diào)度模型，其新穎之處在于面向微服務(wù)的方法。文獻[55]設(shè)計了基于微服務(wù)的三層性能模型應(yīng)用程序，制定基于微服務(wù)的應(yīng)用程序工作流調(diào)度問題。文獻[56]基于模型的強化學(xué)習(xí)方案，用于科學(xué)工作流上的微服務(wù)資源分配。文獻[57]應(yīng)用了微服務(wù)的服務(wù)布局方案，并設(shè)計了一種自動擴展資源的算法。文獻[58]在基于強化學(xué)習(xí)的邊緣平臺延遲感知微服務(wù)協(xié)調(diào)方案。以上文獻對比之后發(fā)現(xiàn)，微服務(wù)調(diào)度框架在總網(wǎng)絡(luò)延遲、平均價格、滿意度、能耗率、故障率和網(wǎng)絡(luò)吞吐量方面顯著提高了性能指標。但是，其缺點是如何設(shè)計高效并且最優(yōu)的動態(tài)服務(wù)調(diào)度機制是一個難點。

4.3 人群感知調(diào)度

人群感知有效地解決了大多數(shù)數(shù)據(jù)驅(qū)動應(yīng)用面臨的海量數(shù)據(jù)采集困境。移動人群感知通過無處不在的智能終端和網(wǎng)絡(luò)接入，將感知任務(wù)從集中式平臺跨時空維度遷移到分布式計算終端[59]，為大規(guī)模高精度實時感知問題提供了新思路[60]。由于任務(wù)調(diào)度過程中需要考慮數(shù)據(jù)的冗余性和協(xié)同性，并且網(wǎng)絡(luò)環(huán)境的不確定性、用戶的多樣性、任務(wù)需求的多樣性等因素會嚴重影響感知。因此，當(dāng)傳感器分配的任務(wù)不能滿足不同任務(wù)的質(zhì)量要求時，移動人群感知應(yīng)具有良好的適應(yīng)性，以便快速適應(yīng)各種異構(gòu)物理傳感器的部署[61]。文獻[62]構(gòu)建了一個基于攝影的移動人群感知系統(tǒng)。在選擇參與者時，參與者與監(jiān)控對象之間的距離是影響任務(wù)分配的主要因素之一，因為道路上的車輛需要及時跟蹤。文獻[63]利用總線載波覆蓋范圍大和傳感器節(jié)點自主聚合的優(yōu)勢進行任務(wù)分配，并通過實驗驗證了分配的準確性。文獻[64]提出了一種新的任務(wù)分配框架，通過將現(xiàn)有的任務(wù)序列與用戶的移動規(guī)律盡可能地對齊。將傳統(tǒng)的任務(wù)分配問題轉(zhuǎn)化為滿足資源效率和感知質(zhì)量的模式匹配問題。文獻[65]是在基于任務(wù)異質(zhì)性興趣點（如不同的空間-時間需求）的移動性預(yù)測模型。它獲得傳感器完成任務(wù)的可能性。實驗結(jié)果表明，該框架具有較好的效率。文獻[66]對任務(wù)的地理位置進行集群，將一組傳感器分配給一組任務(wù)，同時，最大限度地提高了任務(wù)的服務(wù)質(zhì)量，縮短了完成任務(wù)的時間。目前，對不同階段的響應(yīng)時延和運行成本進行了深入分析，并設(shè)計了分階段調(diào)度算法，共同優(yōu)化總時延和成本。在混合人群感知系統(tǒng)中[67]，有多種類型的資源可用于執(zhí)行人群感測任務(wù)，例如像云服務(wù)器這樣的云資源，邊緣設(shè)備和邊緣服務(wù)器這樣的邊緣資源。最重要的問題是找到一種合適的方法在這些資源中安排任務(wù)。盡管有工作[68]已經(jīng)探索了面向邊緣計算的任務(wù)卸載，但是很少有工作能夠直接應(yīng)用于解決人群感知場景中的任務(wù)調(diào)度問題。當(dāng)人群感知系統(tǒng)中處理任務(wù)調(diào)度時，有三個主要挑戰(zhàn)：（1）與為特定應(yīng)用目的而設(shè)置的邊緣服務(wù)器不同，邊緣設(shè)備通常由個人擁有，并且這些專用設(shè)備不專用于執(zhí)行傳感任務(wù)。（2）在將結(jié)果返回到云中之前，需要在邊緣設(shè)備和邊緣服務(wù)器上執(zhí)行檢測任務(wù)。這種執(zhí)行邏輯在邊緣使能的人群感知系統(tǒng)中是獨特的，其中兩種類型的資源上的任務(wù)調(diào)度是高度耦合的。（3）此外，大多數(shù)人群感應(yīng)應(yīng)用程序必須循環(huán)執(zhí)行任務(wù)。任務(wù)調(diào)度的長期目標使得這個問題更具挑戰(zhàn)性。

4.4 安全和隱私

與傳統(tǒng)云計算相比，邊緣節(jié)點更接近用戶設(shè)備，并且邊緣計算可以提供更好的隱私保護措施。傳統(tǒng)的云調(diào)度策略中，數(shù)據(jù)的安全可以通過加密以及用戶和調(diào)度節(jié)點的認證來保證。隱私保護和數(shù)據(jù)安全是邊緣云工作流調(diào)度中需要解決的重要問題。許多黑客試圖在用戶中心或者邊緣云卸載和處理任務(wù)時中斷或竊取數(shù)據(jù)。安全和隱私是一套基于控制的技術(shù)和策略，旨在保護敏感信息、數(shù)據(jù)、應(yīng)用程序和基礎(chǔ)架構(gòu)[69]。由于分布式環(huán)境中的資源虛擬化和多樣化；在邊緣云計算中，安全成為一個復(fù)雜的過程。因此，資源監(jiān)控、資源管理和資源安全已經(jīng)成為云邊計算領(lǐng)域的突出問題。有研究人員采用離散PSO方法來解決安全威脅對工作流調(diào)度的影響[70]，在這種方法中，使用云模型來量化任務(wù)和虛擬機資源的安全性。此外，一般通過度量安全云的相似度來估計用戶對虛擬資源任務(wù)分配過程的安全性滿意度。同樣，調(diào)度策略也可以通過某種方式來保護提交的應(yīng)用程序的機密和私有信息[71]。文獻[72]考慮移動邊緣計算環(huán)境下位置隱私保護的車聯(lián)網(wǎng)計算資源協(xié)同調(diào)度策略，以用來保護車輛用戶位置隱私泄露的問題。在文獻[73]應(yīng)用多目標隱私感知工作流調(diào)度，是為了解決數(shù)據(jù)隱私保護約束下調(diào)度工作流，同時最小化云上大數(shù)據(jù)應(yīng)用的執(zhí)行時間和成本。文獻[74]用于物聯(lián)網(wǎng)任務(wù)調(diào)度的隱私體系結(jié)構(gòu)，并在此基礎(chǔ)上提出了一種多目標算法，以最小化服務(wù)時間和服務(wù)成本。以上文獻綜合考慮了調(diào)度過程中的安全問題，但是在將來仍然需要研究移動設(shè)備的調(diào)度工作流任務(wù)所導(dǎo)致的額外延遲的安全問題。

5 結(jié)束語

為了全面地了解邊緣調(diào)度技術(shù)，本文重點對邊緣計算調(diào)度框架、執(zhí)行過程和評價性能指標進行相關(guān)描述，對最新的任務(wù)調(diào)度策略以不同性能目標分類并進行了分析和總結(jié)。通過對比不同移動邊緣調(diào)度策略，對面向5G環(huán)境下邊緣調(diào)度技術(shù)進行研究，分析5G環(huán)境下SDN支持的邊緣計算架構(gòu)并提出了面向5G環(huán)境下計算密集型任務(wù)調(diào)度優(yōu)化策略，研究了基于深度強化學(xué)習(xí)的計算密集型任務(wù)調(diào)度策略以及基于5G IoV計算資源協(xié)同的跨層任務(wù)調(diào)度策略。最后，根據(jù)本文調(diào)查的調(diào)度方案，總結(jié)出了邊緣調(diào)度策略的研究挑戰(zhàn)。目前邊緣計算研究的重點是根據(jù)QoS需求如何將請求任務(wù)和協(xié)同資源實現(xiàn)最優(yōu)匹配，這是實現(xiàn)邊緣計算技術(shù)快速發(fā)展的關(guān)鍵點之一。通過該綜述研究的領(lǐng)域和方法，總結(jié)出該邊緣計算調(diào)度領(lǐng)域的研究思路，從而為相關(guān)領(lǐng)域的研究人員提供參考和幫助。