基于QPLMTS算法的边缘计算场景下的任务调度器
一种融合 Q-Learning、优先级列表与线性加权法的调度长度、服务成本多目标协同优化任务调度算法。 面向静态DAG任务集，将边缘计算场景下的任务调度问题分为任务排序、节点绑定两阶段，具体步骤如下：
- 以任务排序、节点绑定为两个阶段，基于 Upward Rank 评估任务的紧要程度
- 引入时间差分的强化学习机制进行任务优先级排序
- 采用 β 权重因子对各优化目标加权打分
- 语言环境：Python3.6+
- 依赖环境：（Python）matplotlib、sympy、pymysql、numpy、tqdm;（Other）Daggen
- 为QPL类生成对象
- 采用数据集发生器/边缘计算系统API初始化DAG任务数据、边缘节点数据
- 运行QPLMTS算法核心模块，产生调度结果
- 执行实验分析模块，分析调度结果
- 数据集发生器： ReadDataSet_Auto(Scale=任务集规模,EdgeNum=边缘节点数,fat=任务链宽度)
- 基于Daggen产生对应规模(Scale)、链宽度(fat)的静态DAG任务集
- 产生边缘节点集
- Upward Rank值计算模块： CalUR()
- 基于任务计算量、任务间通信成本，计算所有任务的Upward Rank值
- 递归结构+LRU_Cache高效计算
- 调度Q表产生模块： Q_Process(IterCount=Q表迭代次数)
- 以任务Upward Rank为Q-Learning Reward，产生调度Q表
- 给出Reward变化过程记录表
- 任务分发次序产生模块： CalCTPS(CurrentTask=入口任务)
- 根据最大Q值原则，基于收敛的调度Q表，计算任务分发次序CTPS
- 边缘节点绑定模块： AllocateNode(CTPS=任务分发次序,a1=MakeSpan的β权重因子,a2=ServiceCost的β权重因子)
- 基于CTPS，针对每个任务进行节点打分，依次遍历所有任务，产生边缘节点-任务绑定表
- 边缘节点-任务绑定表数据上行MySQL
- QPLMTS算法一步调度模块： QPLMTS(a1=MakeSpan的β权重因子,a2=ServiceCost的β权重因子,IterCount=Q表迭代次数)
- 直接产生一次QPLMTS调度结果
- HEFT算法一步调度模块： HEFT()
- 直接产生一次HEFT（经典算法）调度结果
- 学习率实验模块： ParaOpt_LearningRate(IterCount=Q表迭代次数)
- 执行学习率参数设计实验，产生学习率图表
- β权重因子实验模块： ParaOpt_Weight(IterCount=Q表迭代次数,Accuracy=β权重因子变化步长)
- 执行β权重因子参数设计实验，产生β权重因子图表
- Q表迭代次数实验模块： ParaOpt_Q(Scale=任务集规模列表,Curve=是否绘制稳定性曲线,IterCount=Q表迭代次数)
- 执行Q表迭代次数实验，产生Q表迭代次数图表
- MySQL操作模块： __InputMysql(mode=数据模式,List=数据列表)
- 更新结果模块： UpdateResult(List=数据列表)
- 最早完成时间计算模块： __ETFT(Task=任务,Edge=边缘节点)、__ETIT(Task=任务,Edge=边缘节点)、__EEAT(Edge=边缘节点)
- 服务成本计算模块： __Cost(Task=任务,Edge=边缘节点)
Daggen：一个静态DAG任务集产生器，引自https://github.com/frs69wq/daggen