靳紫薇，郭會明，焦 函

（1.中國航天科工集團(tuán)第二研究院，北京 100039；2.北京航天長峰股份有限公司，北京 100039）

0 引言

隨著物聯(lián)網(wǎng)及相關(guān)技術(shù)的發(fā)展，海量終端設(shè)備加入互聯(lián)網(wǎng)，形成萬物互聯(lián)的網(wǎng)絡(luò)空間。面對終端和用戶的海量請求，云計算難以滿足終端低延遲與及時響應(yīng)的要求。邊緣計算應(yīng)運(yùn)而生，文獻(xiàn)［1］首次正式定義了邊緣計算：允許在網(wǎng)絡(luò)邊緣對代表云服務(wù)的下游數(shù)據(jù)和代表物聯(lián)網(wǎng)服務(wù)的上游數(shù)據(jù)進(jìn)行處理的新型計算范式。

云中心與邊緣設(shè)備的硬件異構(gòu)性、地理位置差異性導(dǎo)致了二者適用任務(wù)不同。傳統(tǒng)云計算具有強(qiáng)大的集中式計算能力和存儲能力，比較適合長周期，非實時性的數(shù)據(jù)處理。邊緣計算與用戶地理位置更為接近，但受限于計算和通信能力、續(xù)航能力，邊緣計算更適合短周期、實時性的數(shù)據(jù)處理。在云邊計算模型下，“如何協(xié)同”成為當(dāng)下研究人員謀求突破的一大難點(diǎn)。在云邊環(huán)境下，合理分配用戶任務(wù)能夠?qū)崿F(xiàn)硬件資源與用戶需求的高效映射，能夠提高整個系統(tǒng)的性能與效率、降低成本與能耗、滿足用戶服務(wù)質(zhì)量。然而，任務(wù)調(diào)度本身是一個NP-難問題，同時，云-邊、邊-邊資源異構(gòu)性、虛擬化技術(shù)的發(fā)展也為任務(wù)調(diào)度優(yōu)化問題提出了嚴(yán)峻的挑戰(zhàn)。資源管理與任務(wù)調(diào)度作為云邊協(xié)同計算模型至關(guān)重要亦是不可回避的關(guān)鍵環(huán)節(jié)，成為當(dāng)下研究的重點(diǎn)與難點(diǎn)。

1 調(diào)度問題優(yōu)化目標(biāo)

縮短執(zhí)行時間和降低成本是大多數(shù)調(diào)度算法重點(diǎn)關(guān)注的兩種優(yōu)化目標(biāo)，除此之外，調(diào)度算法的研究通常也考慮了其他一些性能指標(biāo)：負(fù)載均衡、能耗等。

1.1 執(zhí)行時間

云邊環(huán)境下，任務(wù)的執(zhí)行時間是指節(jié)點(diǎn)提交任務(wù)請求至收到云邊系統(tǒng)的任務(wù)執(zhí)行結(jié)果的整個過程所需的響應(yīng)時間。任務(wù)的執(zhí)行時延取決于任務(wù)本身的量級和任務(wù)被分配的資源容量，文獻(xiàn)［4］通過實驗比較了純云、純邊緣和云邊混合處理執(zhí)行MapReduce 任務(wù)集種不同應(yīng)用的性能，分析得出不同的應(yīng)用適用于不同的處理方式，而合理的調(diào)度方案能夠?qū)崿F(xiàn)任務(wù)與資源的高效映射，縮短執(zhí)行時延。

對計算時間和云邊通信時間的優(yōu)化是縮短執(zhí)行時延的有效手段，也是當(dāng)前研究的熱點(diǎn)。文獻(xiàn)［5］考慮到云邊節(jié)點(diǎn)處理速度差異，將云邊環(huán)境下的任務(wù)調(diào)度問題執(zhí)行時間最小化問題抽象為將基于邏輯的Benders 分解（LBBD）原理與混合整數(shù)線性規(guī)劃（MILP）模型相結(jié)合的求解，實現(xiàn)任務(wù)到異構(gòu)計算節(jié)點(diǎn)的映射。由于云邊架構(gòu)的地理位置、帶寬差異等特性，任務(wù)卸載至不同位置的服務(wù)器將帶來不同的通信開銷。相比于傳統(tǒng)云計算，這種通信差異在云邊環(huán)境下導(dǎo)致了不可忽略的執(zhí)行時間的影響。文獻(xiàn)［6］考慮了邊緣計算和云計算的數(shù)據(jù)分布特點(diǎn)，與云邊之間的數(shù)據(jù)帶寬、邊緣端數(shù)據(jù)中心數(shù)量和邊緣數(shù)據(jù)中心的存儲容量等影響因素，提出了一種混合遺傳算子的自適應(yīng)粒子群優(yōu)化算法，有效減小工作流調(diào)度在云端與邊緣端之間的數(shù)據(jù)傳輸時延。

1.2 成本

成本取決于能耗與執(zhí)行時間，同時也與設(shè)備損耗相關(guān)。其他一些研究還考慮了云邊的設(shè)備狀態(tài)差異、結(jié)構(gòu)差異等因素，如文獻(xiàn)［7-9］使用動態(tài)電源管理、動態(tài)電壓頻率縮放、松弛回收、資源休眠等技術(shù)有效減少了計算資源的能耗。

文獻(xiàn)［10］通過電壓動態(tài)調(diào)整技術(shù)，在滿足任務(wù)截至?xí)r間約束的前提下，達(dá)到系統(tǒng)能耗最小化。文獻(xiàn)［11］通過分析計算節(jié)點(diǎn)功耗與設(shè)備資源利用率之間的關(guān)系，推斷出作業(yè)執(zhí)行能耗和最佳資源利用率，通過感知資源利用率，提出具有能源感知的啟發(fā)式調(diào)度算法，將貪心策略與搜索優(yōu)化方法相結(jié)合，提出了混合粒子群優(yōu)化算法，作用于任務(wù)調(diào)度，提高了該算法的全局優(yōu)化能力，降低了工作的平均能耗。

1.3 負(fù)載均衡

云邊環(huán)境下，負(fù)載均衡表示系統(tǒng)內(nèi)不同節(jié)點(diǎn)負(fù)載的均勻程度，可通過公式（1）表示。其中，u表示第個節(jié)點(diǎn)的資源利用率，-表示系統(tǒng)內(nèi)設(shè)備平均資源利用率，表示系統(tǒng)內(nèi)設(shè)備數(shù)目。

文獻(xiàn)［12］針對異構(gòu)云環(huán)境，提出了具有物聯(lián)網(wǎng)感知的多資源任務(wù)調(diào)度算法，主要針對計算資源負(fù)載均衡和時間均衡。文獻(xiàn)［13］針對云計算的復(fù)雜能耗問題，提出了一種基于云霧計算的能源感知型調(diào)度算法，從軟件定義網(wǎng)絡(luò)架構(gòu)和云霧計算負(fù)載均衡算法入手，一方面分散了霧節(jié)點(diǎn)和云計算系統(tǒng)的異構(gòu)計算數(shù)據(jù)，另一方面，定義了網(wǎng)絡(luò)的的集中信息和分布式調(diào)度程序，以橢圓分割區(qū)域為對象，實施部署數(shù)據(jù)共享和異構(gòu)云霧計算任務(wù)的最佳分配。

2 任務(wù)調(diào)度算法

本節(jié)針對云邊環(huán)境，按以下分類方法梳理了當(dāng)前任務(wù)調(diào)度算法的發(fā)展歷程與研究現(xiàn)狀，介紹了各類算法的策略思想與優(yōu)缺點(diǎn)。

圖1 任務(wù)調(diào)度算法分類

2.1 啟發(fā)式算法

啟發(fā)式算法的算法思想比較簡單直觀，它基于經(jīng)驗，在可接受時間內(nèi)中給出待解決問題的一個可行解。啟發(fā)式任務(wù)調(diào)度算法大致分為三類：基于列表的算法、基于任務(wù)復(fù)制的算法和基于聚類的算法。

2.1.1 基于列表的調(diào)度算法

基于列表的調(diào)度算法是當(dāng)前研究最廣泛的啟發(fā)式算法，通?；诹斜淼恼{(diào)度算法包含兩個主要階段：第一階段是列表優(yōu)先級排序，基于優(yōu)先級度量為每個任務(wù)分配優(yōu)先級；第二階段是任務(wù)映射，按照優(yōu)先級和約束條件為每個任務(wù)匹配適當(dāng)?shù)奈锢碣Y源。

其中最著名的就是異構(gòu)最早完成時間算法（HEFT）, 該算法思想對后來基于列表的調(diào)度算法產(chǎn)生了深遠(yuǎn)的影響。HEFT 首先計算各任務(wù)的優(yōu)先級，然后按優(yōu)先級進(jìn)行排序并依次分配任務(wù)給最早空閑的實例上。傳統(tǒng)HEFT算法通?？紤]調(diào)度時延作為優(yōu)先級排序的標(biāo)準(zhǔn)，但目前也有學(xué)者研究將HEFT 算法擴(kuò)展到多目標(biāo)空間，應(yīng)對復(fù)雜的云邊環(huán)境異構(gòu)資源管理場景。文獻(xiàn)［16］提出了FDHEFT 算法，將模糊優(yōu)勢排序機(jī)制作為優(yōu)先級計算方式，實現(xiàn)了云霧環(huán)境中調(diào)度成本和完成時間的聯(lián)合優(yōu)化，但是對云霧節(jié)點(diǎn)間的通信和存儲開銷等考慮不夠充分。傳統(tǒng)的列表調(diào)度算法準(zhǔn)確度高度依賴于任務(wù)基于硬件的執(zhí)行前估計，而云邊計算允許設(shè)備自由接入接出，硬件環(huán)境頻繁改變，使得估計難以實現(xiàn)。當(dāng)前研究對這一缺陷也有突破，文獻(xiàn)［17］提出了SHEFT 算法，考慮資源數(shù)量可以根據(jù)服務(wù)請求彈性擴(kuò)展，允許在調(diào)度過程中動態(tài)變化，實現(xiàn)了工作流的彈性調(diào)度，滿足了實際云邊環(huán)境下資源按需分配、彈性伸縮的應(yīng)用場景，但是未能考慮云邊異構(gòu)的通信能力和邊緣設(shè)備的管理。

除此之外，基于列表的調(diào)度算法研究的另一重要成果是處理器上關(guān)鍵路徑算法（CPOP），該算法也對后續(xù)研究產(chǎn)生了深遠(yuǎn)影響。文獻(xiàn)［18］對CPOP算法進(jìn)行改進(jìn)提出了新的調(diào)度算法CPOC，為關(guān)鍵路徑任務(wù)分配一個硬件集群，更細(xì)粒度的資源分配進(jìn)一步縮短了關(guān)鍵路徑處理時間，但同時引入了任務(wù)間的數(shù)據(jù)通信開銷，導(dǎo)致該算法不適用于云邊下通信能力存在差異的場景。

2.1.2 基于復(fù)制的調(diào)度算法

為解決邊緣節(jié)點(diǎn)計算資源、網(wǎng)絡(luò)帶寬、電池壽命受限問題，計算遷移技術(shù)應(yīng)運(yùn)而生，極大擴(kuò)充了任務(wù)分配方案的選擇：將終端的計算任務(wù)遷移到資源更為豐富的設(shè)備上、將云中心的計算下沉至邊緣節(jié)點(diǎn)、對任務(wù)進(jìn)行細(xì)粒度拆分并使用多個資源協(xié)同計算，計算遷移使得相互依賴任務(wù)在不同設(shè)備間的數(shù)據(jù)傳輸時延問題愈發(fā)嚴(yán)重?；趶?fù)制的調(diào)度算法通過冗余計算的方法來減少此類開銷，優(yōu)化調(diào)度。其主要方法是將具有數(shù)據(jù)依賴的任務(wù)分配給相同的實例單元來避免文件傳輸，從而減少任務(wù)間通信開銷。

基于復(fù)制的調(diào)度算法分為兩類：部分復(fù)制的調(diào)度（SPD）和完整復(fù)制的調(diào)度（SFD）算法。SPD 算法只允許復(fù)制關(guān)鍵路徑上的任務(wù)，因此具有較低的時間復(fù)雜度，但是對于數(shù)據(jù)流較大的系統(tǒng)該方法并不適用。SFD 算法可以復(fù)制聯(lián)接節(jié)點(diǎn)的所有父任務(wù)，并且可以將任務(wù)復(fù)制到包含聯(lián)接節(jié)點(diǎn)的所有VM實例。這使得該算法具有更好的性能，但同時也提高了任務(wù)的復(fù)雜度。文獻(xiàn)［19］提出了一種LSTD 算法，在不增加整體時間復(fù)雜度的情況下，引入任務(wù)復(fù)制策略，嘗試在最早空閑的兩個節(jié)點(diǎn)上插入任務(wù)，保障任務(wù)調(diào)度的可靠性，但是插入節(jié)點(diǎn)的選擇可能會導(dǎo)致任務(wù)整體的執(zhí)行時延增加。文獻(xiàn)［20］提出了一種基于任務(wù)復(fù)制和插入的調(diào)度算法（DILS），結(jié)合動態(tài)完成時間預(yù)測，將部分任務(wù)復(fù)制到不同節(jié)點(diǎn)，并插入空閑時隙，以加快后續(xù)任務(wù)的執(zhí)行。在不影響整體調(diào)度時延的前提下降低任務(wù)間通信時間，但是插入時隙的選擇依賴于任務(wù)的預(yù)先估計，且會帶來更高量級的時間復(fù)雜度。

2.1.3 基于聚類的調(diào)度算法

云邊環(huán)境中，常常存在云、霧、邊的設(shè)備差異性與地理位置差異性，各節(jié)點(diǎn)實例間存在通信開銷差異。為了提高各數(shù)據(jù)中心內(nèi)聚性、降低不同數(shù)據(jù)中心之間的耦合性，基于聚類的調(diào)度算法通過將存在大量通信的任務(wù)組合到同一個集合中并進(jìn)行統(tǒng)一分配，從而實現(xiàn)云與邊緣設(shè)備的低傳輸延遲，在多個數(shù)據(jù)中心之間保持負(fù)載平衡和有效的資源利用率。

文獻(xiàn)［21］提出了一種基于任務(wù)聚類（HTTSC）的混合調(diào)度算法，巧妙地將任務(wù)聚類的方法與任務(wù)復(fù)制相結(jié)合。該方法首先根據(jù)任務(wù)間通信開銷將任務(wù)聚類為多個簇，將任務(wù)復(fù)制的對象由單個任務(wù)轉(zhuǎn)變?yōu)槿蝿?wù)簇，縮短了通信開銷，并提前了后續(xù)任務(wù)的開始時間，但是多種調(diào)度方法的結(jié)合也增加了調(diào)度算法的復(fù)雜性，在云計算實時調(diào)度場景下應(yīng)用效果不佳。文獻(xiàn)［22］提出使用顯性序列聚類（DSC）將任務(wù)劃分為不同的簇；使用內(nèi)核函數(shù)均值漂移聚類（MSE）對虛擬機(jī)進(jìn)行實例聚類，之后根據(jù)硬件權(quán)重和負(fù)載情況匹配節(jié)點(diǎn)簇與任務(wù)簇，該算法創(chuàng)新性地將任務(wù)和節(jié)點(diǎn)都進(jìn)行聚類，減少了通信開銷，但是每個任務(wù)均需要調(diào)用MHEFT 算法計算權(quán)重，導(dǎo)致該算法時間復(fù)雜度提高了一個量級。文獻(xiàn)［23］提出了一種基于三路決策的聚類權(quán)重算法（TWCW），使用三向K-means 聚類將任務(wù)劃分多個簇，并包含核心區(qū)域、邊緣區(qū)域、模糊區(qū)域，根據(jù)聚類中心的屬性偏好進(jìn)行調(diào)度，使任務(wù)簇盡可能執(zhí)行在適合的設(shè)備上，該方案顯著提高服務(wù)質(zhì)量（QoS），降低能耗。由于其簡單的任務(wù)適配在多任務(wù)場景下導(dǎo)致負(fù)載不均，降低系統(tǒng)資源利用率，使得QoS下降。

2.2 元啟發(fā)式算法

元啟發(fā)式算法是隨機(jī)算法與局部搜索算法相結(jié)合的產(chǎn)物。元啟發(fā)式任務(wù)調(diào)度算法主要包括群體智能算法和機(jī)器學(xué)習(xí)算法。

2.2.1 群體智能算法

與基于貪婪的局部最優(yōu)選擇思想的啟發(fā)式任務(wù)調(diào)度算法不同，群體智能算法是隨機(jī)初始化和局部搜索算法相結(jié)合的產(chǎn)物，它規(guī)避了啟發(fā)式算法針對不同問題實例產(chǎn)生不一致結(jié)果的問題，這類算法很大程度上參考了生物特性，具有很強(qiáng)的適應(yīng)性。許多著名的元啟發(fā)式算法已經(jīng)得到了廣泛應(yīng)用，包括遺傳算法（GA）、粒子群優(yōu)化（PSO）、布谷鳥搜索（CS）等。但是，元啟發(fā)式算法的搜索過程隨問題的不同而變化，并且具有隨機(jī)性大，全局搜索效率低以及后期迭代收斂過早的缺點(diǎn)。許多專家學(xué)者為改善這一不足進(jìn)行了深入研究。文獻(xiàn)［24］考慮了數(shù)據(jù)中心之間的帶寬、邊緣數(shù)據(jù)中心的數(shù)量和存儲容量等傳輸時延影響因素，提出了一種帶有遺傳算法交叉和變異算子的自適應(yīng)離散PSO 算法（GA-DPSO），避免了傳統(tǒng)粒子群優(yōu)化算法的早熟收斂，增強(qiáng)了種群進(jìn)化的多樣性，有效壓縮數(shù)據(jù)傳輸時延，提高了系統(tǒng)服務(wù)質(zhì)量。該方法通過固定部分任務(wù)與節(jié)點(diǎn)的映射關(guān)系規(guī)避了種群多樣性多帶來的搜索效率下降問題，但是該策略存在一定缺陷，限制了解空間，影響了調(diào)度結(jié)果。文獻(xiàn)［25］提出了一種改進(jìn)的多目標(biāo)灰狼優(yōu)化算法（IMOGWO），該方法維護(hù)一個非最優(yōu)解外部存檔，通過網(wǎng)格機(jī)制改進(jìn)非最優(yōu)解，領(lǐng)導(dǎo)者選擇機(jī)制更新和替換外部存檔，并且引入了個體密度和細(xì)胞支配概念動態(tài)調(diào)整自適應(yīng)參數(shù)，并且以高斯擾動的經(jīng)營學(xué)習(xí)策略緩解過過早收斂問題，該方法在執(zhí)行時間和負(fù)載均衡指標(biāo)上均有顯著提升，但是該方法局限于獨(dú)立任務(wù)調(diào)度，難以適用云計算多任務(wù)調(diào)度場景。

除此之外，亦有諸多研究人員考慮云邊環(huán)境下的其他影響因素，在算法工程化過程中貢獻(xiàn)出智慧。文獻(xiàn)［26］針對云-霧環(huán)境下大規(guī)模異構(gòu)并行結(jié)構(gòu)資源利用率低、數(shù)據(jù)傳輸消耗網(wǎng)絡(luò)帶寬、終端請求對資源需求不同的特點(diǎn)，提出了一種改進(jìn)的煙花算法（I-FASC），量化任務(wù)與資源并分類為計算、存儲、帶寬敏感型，將云邊系統(tǒng)內(nèi)各設(shè)備負(fù)載均衡作為優(yōu)化目標(biāo)，通過引入煙花爆炸半徑檢測機(jī)制，設(shè)置爆炸半徑最小閾值及半徑參數(shù)自適應(yīng)的方式，提高算法局部搜索能力，改善算法整體效果。但是該算法以獨(dú)熱編碼表示解空間，以歐式距離作為煙花間距忽略了任務(wù)-節(jié)點(diǎn)對的差異性，影響了算法的效果。

群體智能算法相比于啟發(fā)式算法具有更高的時間復(fù)雜度，導(dǎo)致其很難適應(yīng)于云邊環(huán)境下實時調(diào)度場景。隨著云邊環(huán)境下虛擬化技術(shù)的發(fā)展，任務(wù)調(diào)度問題常常與虛擬機(jī)或容器的創(chuàng)建緊密相關(guān)。文獻(xiàn)［27］在Kubernetes框架的基礎(chǔ)上，研究了為Pod選擇虛擬實例時的資源使用成本問題，將蟻群算法和粒子群算法相結(jié)合，對Kubernetes 調(diào)度模塊進(jìn)行了Pod 的節(jié)點(diǎn)部署優(yōu)化。但多容器環(huán)境下任務(wù)存在資源競爭，許多學(xué)者為了研究的方便，對調(diào)度模型進(jìn)行簡化，常常忽略資源爭用導(dǎo)致的執(zhí)行結(jié)果干擾，導(dǎo)致群體智能算法研究中構(gòu)造的適應(yīng)度函數(shù)難以準(zhǔn)確反應(yīng)實際調(diào)度方案的真實性能。

2.2.2 機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)算法由于其時間復(fù)雜度問題，在云邊環(huán)境下的任務(wù)調(diào)度領(lǐng)域的應(yīng)用存在一些限制，但也取得了諸多成就。機(jī)器學(xué)習(xí)算法常用于預(yù)測應(yīng)用執(zhí)行情況，進(jìn)一步指導(dǎo)調(diào)度算法，從而提高云邊系統(tǒng)的資源管理能力與調(diào)度效率。

文獻(xiàn)［28］將任務(wù)分類為CPU、Web、IO 密集型，使用主成分分析與回歸分析提取、篩選并評估任務(wù)不同特征指標(biāo)對系統(tǒng)總能耗的貢獻(xiàn)，針對異構(gòu)環(huán)境下不同設(shè)備的硬件信息，進(jìn)行云邊數(shù)據(jù)中心設(shè)備實例的能耗建模，為指導(dǎo)資源供應(yīng)和虛擬機(jī)遷移做出參考。該論文考慮了多類任務(wù)在異構(gòu)硬件上運(yùn)行對能耗的不同貢獻(xiàn)，對動態(tài)任務(wù)調(diào)度有重要意義，但是該方法要求預(yù)先獲取大量任務(wù)特性，難以滿足云計算實時性要求，具有一定的局限性。文獻(xiàn)［29］中提出了一種基于ANN 的機(jī)器學(xué)習(xí)算法以實現(xiàn)高吞吐量的異構(gòu)系統(tǒng)調(diào)度，該調(diào)度模型使用不同計算資源及其當(dāng)前負(fù)載的統(tǒng)計信息預(yù)測下一個調(diào)度間隔中的任務(wù)行為，獲得資源實例的服務(wù)能力最大化，并為每個資源實例訓(xùn)練兩個模型提高預(yù)測算法的準(zhǔn)確度。根據(jù)預(yù)測結(jié)果預(yù)先分配資源，并根據(jù)任務(wù)行為進(jìn)行對應(yīng)處理，顯著提高系統(tǒng)的吞吐量，但是任務(wù)行為難以預(yù)測，模型預(yù)測準(zhǔn)確度不高。文獻(xiàn)［30］中作者通過在線學(xué)習(xí)的隱馬爾可夫鏈模型，對工作流任務(wù)進(jìn)行預(yù)測，并將篩選部分特征參數(shù)和預(yù)測結(jié)果進(jìn)行在線訓(xùn)練，以此提高任務(wù)調(diào)度的精度，該算法在預(yù)測精度上有明顯提升，改善了文獻(xiàn)［29］預(yù)測精度差的問題，但引入了在線學(xué)習(xí)的時間開銷，增加了調(diào)度模塊的時空復(fù)雜度。

機(jī)器學(xué)習(xí)算法不但在任務(wù)估計中發(fā)揮重要作用，其中的分類算法亦可直接應(yīng)用于任務(wù)調(diào)度。該類算法憑借其極強(qiáng)的適應(yīng)性且具有在線學(xué)習(xí)能力等特點(diǎn)，在云邊系統(tǒng)下的調(diào)度過程中，能夠不斷完善算法準(zhǔn)確度，從而提高云邊計算系統(tǒng)服務(wù)質(zhì)量。雖然機(jī)器學(xué)習(xí)算法的時間和空間復(fù)雜度問題，限制了該算法在任務(wù)調(diào)度領(lǐng)域的表現(xiàn)。但是隨著硬件算力的提升，這些問題正得到逐步緩解。機(jī)器學(xué)習(xí)仍然是當(dāng)前云邊環(huán)境下的任務(wù)調(diào)度研究的一大熱點(diǎn)。

3 挑戰(zhàn)與展望

諸多研究人員在調(diào)度算法領(lǐng)域取得了諸多成果，但是當(dāng)前研究還存在多種問題。

3.1 虛擬化技術(shù)為調(diào)度算法帶來諸多不確定因素

隨著容器化技術(shù)的發(fā)展，為云計算帶來輕量化的部署和資源管理的同時，也對任務(wù)調(diào)度提出了動態(tài)化要求，容器的遷移使得調(diào)度模塊必須能夠動態(tài)修改調(diào)度策略，此外容器化技術(shù)隔離性差的特點(diǎn)，也會導(dǎo)致當(dāng)多個容器部署在同一虛擬機(jī)（VM）內(nèi)，任務(wù)間存在相互干擾。虛擬化技術(shù)使得云邊環(huán)境下的任務(wù)調(diào)度研究更加艱難。

3.2 云邊環(huán)境下的調(diào)度策略難以實際驗證

當(dāng)前研究通常只通過模擬驗證調(diào)度策略的有效性，例如使用CloudSim、iFogSIm 等軟件建模和模擬整個云計算環(huán)境。調(diào)度策略通常是為管理大型云邊環(huán)境中的大量應(yīng)用程序而設(shè)計的，實際環(huán)境下的驗證成本高昂、耗時過久。當(dāng)前研究受限于研究環(huán)境，難以對調(diào)度方案進(jìn)行頻繁測試。

3.3 無服務(wù)器執(zhí)行模型的興起

無服務(wù)器計算是一種事件驅(qū)動的新興云執(zhí)行模型，其中云用戶提供代碼，云提供商管理該代碼執(zhí)行環(huán)境的生命周期。該執(zhí)行模型提供更細(xì)粒度的資源分配，能充分利用分配的資源。同時也為任務(wù)調(diào)度帶來了極大困難，細(xì)粒度的資源分配往往會導(dǎo)致當(dāng)前基于任務(wù)與節(jié)點(diǎn)映射關(guān)系的傳統(tǒng)調(diào)度算法研究失效。

云計算和邊緣計算領(lǐng)域新技術(shù)的發(fā)展為任務(wù)調(diào)度帶來了更多可能性，結(jié)合當(dāng)前需求和技術(shù)發(fā)展進(jìn)行分析，云邊調(diào)度算法的后續(xù)研究可以從以下幾個方面尋求突破。

（1）云邊環(huán)境下自適應(yīng)和智能化任務(wù)劃分和任務(wù)調(diào)度。云邊環(huán)境上應(yīng)用的自適應(yīng)劃分和分配是未來一大發(fā)展方向。為了實現(xiàn)這種細(xì)粒度劃分，需要感知與預(yù)測云邊系統(tǒng)中的節(jié)點(diǎn)特性和運(yùn)行狀態(tài)。與當(dāng)前基于完整任務(wù)的任務(wù)調(diào)度相比，自適應(yīng)的細(xì)粒度任務(wù)劃分能進(jìn)一步降低用戶的操作難度，提高任務(wù)執(zhí)行效率并提升系統(tǒng)的負(fù)載均衡，是未來的一大研究熱點(diǎn)。

（2）跨云環(huán)境下的任務(wù)調(diào)度算法研究。隨著云用戶數(shù)量和任務(wù)計算規(guī)模的急劇增加，在大型跨云服務(wù)環(huán)境中向用戶提供資源將成為未來的重要方向?？缭骗h(huán)境為資源管理帶來了更大的挑戰(zhàn)，當(dāng)前針對跨云環(huán)境滿足服務(wù)質(zhì)量（QoS）、負(fù)載均衡等調(diào)度目標(biāo)的研究相對匱乏，特別是針對大規(guī)模計算密集型任務(wù)的調(diào)度研究尚處于起步階段。

4 結(jié)語

本文敘述了云邊環(huán)境下，任務(wù)調(diào)度算法的發(fā)展歷程及未來挑戰(zhàn)，其中，以啟發(fā)式和元啟發(fā)式算法為劃分詳細(xì)介紹了任務(wù)調(diào)度算法的研究現(xiàn)狀， 在此基礎(chǔ)上，對比和分析了當(dāng)前各類算法的優(yōu)勢與不足，總結(jié)了當(dāng)前云邊環(huán)境下任務(wù)調(diào)度算法面臨的挑戰(zhàn)及未來發(fā)展方向，以期為該領(lǐng)域?qū)W者的后續(xù)研究提供參考。