[论文解读] A Fuzzy Scheduling Strategy for Deadline-Based Workflow Applications in Uncertain Edge-Cloud Environments

Bing Lin, Chaowei Lin+4 more|arXiv (Cornell University)|Jul 3, 2021

IoT and Edge/Fog Computing被引用 1

一句话总结

本文提出了一种基于自适应离散粒子群优化（ADPSO）算法并引入遗传算法（GA）算子的代价驱动模糊调度策略，以在不确定的边缘-云环境中最小化工作流执行成本。通过使用三角模糊数（TFNs）对任务处理时间和数据传输时间进行建模，该方法在满足截止时间的前提下有效降低了成本，在实验中优于基准解决方案。

ABSTRACT

Workflow scheduling is critical to performing many practical workflow applications. Scheduling based on edge-cloud computing can help addressing the high complexity of workflow applications, while decreasing the data transmission delay. However, due to the nature of heterogeneous resources in edge-cloud environments and the complicated data dependencies between the tasks in such a workflow, significant challenges for workflow scheduling remain, including the selection of an optimal tasks-servers solution from the possible numerous combinations. Existing studies are mainly done subject to rigorous conditions without fluctuations, ignoring the fact that workflow scheduling is typically present in uncertain environments. In this study, we focus on reducing the execution cost of workflow applications mainly caused by task computation and data transmission, while satisfying the workflow deadline in uncertain edge-cloud environments. The Triangular Fuzzy Numbers (TFNs) are adopted to represent task processing time and data transferring time. A cost-driven fuzzy scheduling strategy based on an Adaptive Discrete Particle Swarm Optimization (ADPSO) algorithm is proposed, which is employed the operators of Genetic Algorithm (GA). This strategy introduces the randomly two-point crossover operator, neighborhood mutation operator, and adaptive multipoint mutation operator of GA to effectively avoid converging on local optima. The experimental results show that our strategy can effectively reduce the workflow execution cost in uncertain edge-cloud environments, compared with other benchmark solutions.

研究动机与目标

• 解决在不确定边缘-云环境中，截止时间约束下工作流应用的高执行成本挑战。
• 克服现有调度策略假设确定性条件、忽略资源异构性和数据依赖性的局限性。
• 开发一种代价驱动的调度方法，以最小化计算和数据传输成本，同时确保工作流截止时间得到满足。
• 引入模糊逻辑，使用三角模糊数（TFNs）对不确定的处理和传输时间进行建模。
• 通过GA启发的算子增强ADPSO算法，以避免局部最优并提升全局搜索能力。

提出的方法

• 使用三角模糊数（TFNs）对边缘-云环境中的任务处理时间和数据传输时间进行建模，以表示不确定性。
• 设计一种代价驱动的模糊调度策略，用于评估总执行成本，包括计算成本和数据传输成本。
• 实现自适应离散粒子群优化（ADPSO）算法，以搜索最优的任务到服务器映射。
• 将遗传算法（GA）算子集成到ADPSO中，包括随机两点交叉、邻域变异和自适应多点变异。
• 使用模糊排序和去模糊化技术，在不确定性条件下评估和比较调度方案的适应度。
• 应用自适应机制，动态调整ADPSO中的变异和速度参数，以平衡探索与开发。

实验结果

研究问题

• RQ1 在边缘-云环境中，如何在处理和传输时间不确定的情况下优化工作流调度？
• RQ2 将GA算子集成到ADPSO中，在模糊调度中在多大程度上能改善收敛性并避免陷入局部最优？
• RQ3 使用三角模糊数（TFNs）对任务执行和数据传输时间的不确定性建模有何影响？
• RQ4 与现有基准调度算法相比，所提出的策略在成本降低和截止时间合规性方面表现如何？
• RQ5 在混合ADPSO-GA方法中，自适应变异和交叉机制是否能提升不确定环境下的解质量？

主要发现

• 所提出的模糊调度策略在不确定的边缘-云环境中有效降低了总工作流执行成本。
• 集成GA算子（两点交叉、邻域变异和自适应多点变异）显著提升了ADPSO算法跳出局部最优的能力。
• 使用三角模糊数（TFNs）能够准确建模不确定的处理和数据传输时间。
• 与基准解决方案相比，该策略在高不确定性环境下展现出更优的成本效率。
• 算法中的自适应机制在不牺牲鲁棒性的前提下，提升了收敛速度和解质量。
• 该方法在最小化总成本的同时成功满足了工作流截止时间，证明了其在真实不确定环境中的实际可行性。