异构边缘网络中基于服务器休眠的协同计算策略

左琳立，郭 华，夏士超，方 飞

(1.重庆电子工程职业学院 通信工程学院， 重庆 401331；2.重庆邮电大学 移动通信技术重庆市重点实验室， 重庆 400065；3.内江师范学院 物理与电子信息工程学院，四川 内江 641100)

0 前 言

移动终端设备将计算任务卸载到移动边缘计算(mobile edge computing，MEC)的服务器上可以降低任务处理的时延、降低移动终端设备的计算量、避免网络拥塞以及提升移动终端设备电池的使用寿命等，为了更好地处理这些卸载到MEC服务器上的计算任务，异构移动边缘计算(heterogeneous mobile edge computing，H-MEC)系统中部署了大量的各种类型的MEC服务器(后续服务器均指MEC服务器)。服务器处于工作状态的时间仅占10%～30%，而空闲时，服务器的待机功率最高可占到其峰值功率的70%[1]，大量服务器部署为用户带来便利的同时也带来了大量的能量消耗。因此，对异构网络下的移动边缘计算进行计算资源的分配、服务器负载均衡和服务器节能已经成为了当前研究的热点问题。

针对MEC在任务卸载、服务器协作计算、远程云协作以及服务器休眠等有相关研究。对于单服务器计算能力不足的问题，文献[2]提出了一种MEC节点之间和远程云服务器共同协作的三层协作计算网络，共同优化卸载决策和计算资源的分配，降低了任务的处理时延和能耗。文献[3]针对任务到达量的不同，构建了任务队列模型，使用李雅普诺夫和搜索树的方法得到了异构网络场景下边缘计算的任务卸载和资源分配优化策略，降低了系统的时延和能耗。文献[4]为了最小化移动边缘中使用计算资源的总成本，将问题建模为整数规划问题，以计算效率和性能最优作为优化目标，提出了两阶段优化算法和迭代改进算法。

异构网络中边缘服务器的接入增加了系统的能耗，为了进一步降低MEC系统的能耗，近年来有学者针对基站和服务器休眠做了研究。文献[5]联合蜂窝网络的无线电资源分配和边缘计算卸载决策，提出了最小化系统总能耗的优化决策算法。文献[6]考虑在异构边缘计算网络中，联合考虑基站与移动设备的能耗，在保证用户体验质量(quality of service, QoS)的同时实现能耗最小化。文献[7]提出了一种云计算中心多睡眠模式下的服务器任务调度问题，在满足QoS的条件下联合动态电压管理)将需要的最小活跃服务器数建模成整数线性规划问题，得到了最小化云计算中心能耗的优化算法。由于业务在空间上的非均匀分布，造成了MEC服务器负载不均衡和服务器能耗过高，为了解决该问题，文献[8]给出了移动边缘网络分层计算模型，通过服务器休眠构建出了长期能耗最小化问题，并使用李雅普诺夫方法求解出任务迁移决策。文献[9]根据微基站(small base station，SBS)睡眠定义可用SBS集合，根据不同的任务负载提出了一种混合整数二次规划联合调度策略，降低了系统的整体能耗。

上述文献对于传统的边缘计算环境中的任务卸载策略、服务器休眠等有相关研究，但针对服务器之间的任务均衡和高能耗问题仍有欠缺。本文针对非均匀到达的任务量进行了迁移，同时使用了多种睡眠模式来降低系统的整体能耗，主要贡献如下。

1)考虑异构网络环境中非均匀到达的任务量，设计了一种联合宏基站和微基站服务器的计算任务协作机制，以均衡服务器之间的计算任务量。

2) 针对服务器的空闲时间过长的问题，设计了一种服务器多睡眠状态的休眠机制，在保证计算任务能够正确执行的前提下让服务器进入不同的睡眠状态。将该问题建模成混合整数非线性规划(mixed integer nonlinear programming, MINLP)问题，并按时隙划分对子问题使用序列二次规划算法进行求解，然后对求解结果使用迁移更新算法纠错。仿真表明所提算法可以显著降低系统的能耗。

1 系统模型

H-MEC场景由一个宏基站(macro base station，MBS)和n个SBS组成，MBS和每个SBS都部署了具有一定计算资源的MEC服务器。MEC服务器集合由N={0,1,2,…,N}表示，其中，i=0(i∈N)表示MBS服务器,i≠0表示第i个SBS服务器，系统模型如图1。MEC服务器之间可以通过协作来平衡每个MEC服务器的计算工作量。每个服务器覆盖的用户设备(user equipment,UE)数量、种类以及计算任务的类型不同，即本文考虑异构的H-MEC服务器场景。同时，为了进一步降低系统能耗，本文根据高级配置和电源接口(advanced configuration and power interface，ACPI)标准考虑MEC服务器可以进入K种不同能耗水平的睡眠状态UE可以将其计算任务部分或全部卸载到与之关联的MEC服务器。

图1 系统模型图Fig.1 System model diagram

H-MEC系统在时域中划分为多个时隙t∈T={1,2,…,T}，且每个时隙持续的时间为τ。假设在时隙τ内服务器i所到达的计算任务量为bi(t)，bi(t)是服从均值为λi(t)的泊松分布且bi(t)独立同分布，则时隙t内任务到达量可以表示为{bi(t)}={λ0(t),λ1(t),…,λN(t)},∀t∈T,i∈N。每个时隙的任务到达量都会变化，为了简化运算，假设每个计算任务的平均大小为1 Mbit[10]。

2 最小化能耗的最优化模型

2.1 服务器休眠模型

根据ACPI标准[11]，假设服务器有K种睡眠模式，每一种睡眠模式的功率可以表示为PSk, ∀k∈{1,2,…,K}，每种睡眠模式功耗关系为Pmax>Pidle>PS0>…>PSk,其中，Pmax表示MEC服务器的峰值功率，Pidle表示空闲功率。

根据ACPI标准可知，不同睡眠模式的切换也会影响异构边缘网络服务器的总功耗。服务器的状态切换只在睡眠状态和活动状态S0之间，即活跃状态的服务器可以进入到任何一种睡眠状态，但某个睡眠状态不能切换到另一个睡眠状态，睡眠状态可以切换到活跃状态，同时，不同睡眠模式的过渡延迟和能耗是不同的。令PS0→Sk表示从活跃状态S0到睡眠状态Sk的状态切换功率，PSk→S0表示从Sk到S0的切换功率。服务器不同睡眠状态的能耗不同，不同状态的切换能耗也不同，处于越深睡眠状态的服务器其能耗越低，且睡眠和唤醒状态的切换能耗也越低。因此对于不同状态的睡眠模式，其状态切换功率具有如(1)式的关系。

(1)

同理，越浅的睡眠模式可以更快地唤醒，而深度睡眠模式需要更长的时间才能转换到活跃状态。令TS0→Sk表示从S0到Sk的切换时延，TSk→S0表示Sk到S0的切换时延，可以得到

(2)

(3)

在时隙t时，令所有MEC服务器的睡眠状态集合为S(t)。

2.2 任务迁移策略

为了应对H-MEC中服务器任务到达量在空间上的非均匀分布，本文提出了MEC服务器之间的任务协同计算策略，包括3种方式：① 计算任务较多的服务器可将任务迁移到任务较少的服务器；②SBS服务器的任务负载超过了其最大处理速率时可以将其迁移到MBS服务器上；③让服务器计算任务量尽可能地达到服务器的计算能力饱和状态，而没有计算任务的服务器可以进入睡眠模式。该策略可以在均衡H-MEC系统中服务器任务负载的同时，部分服务器进入睡眠状态以节约系统能耗。

在时隙t时，服务器i的任务迁移策略可表示为πi(t)={πi0(t),πi1(t)…,πiN(t)},∀t∈T,i∈N。其中，πij(t)表示在时隙t时从服务器i迁移到服务器j的任务，πii(t)表示进行任务迁移后服务器i剩余的任务。为了避免计算任务在服务器上循环进行迁移，假设服务器所到达的任务量只能迁移一次到其他服务器。且当πij(t)>0时，表示服务器i将自身计算任务迁移到服务器j，服务器i将不能计算其他服务器迁移的任务。如果MEC服务器处于睡眠状态且不决定将其唤醒，则无法将任务迁移给它，但它自身到达的任务仍可以通过基站将其传输给其他服务器，以保证任务不会丢失。

在时隙t，令所有MEC服务器的迁移策略的集合表示为X(t)。

2.3 时延与能耗模型

本文主要研究基于服务器多休眠状态的协作计算策略。在时隙t时，服务器的时延模型可以分为5个部分：①UE卸载时延；②服务器计算时延；③任务迁移排队时延；④服务器状态切换时延；⑤服务器计算结果返回时延。

H-MEC系统的主要能耗包括：①UE的计算能耗；②迁移任务时传输的能耗；③服务器的计算能耗；④服务器的状态切换能耗；⑤服务器计算结果返回能耗。

由于本文重点针对MEC服务器整体成本进行研究，因此不考虑UE的卸载时延和UE的计算能耗。同时因计算结果往往很小，故不考虑计算结果的返还时延[12]和计算结果的返还能耗。

1) 任务迁移排队时延。

(4)

(4)式中，ε表示在任务迁移网络不拥塞的情况下发送和接收单位工作负载的平均传输时间。

2)服务器计算时延。

(5)

3) 服务器唤醒时延。

(6)

4)服务器能耗模型

由文献[14]可知，MEC服务器的能耗与任务负载对应动态能耗和空闲能耗相关，其空闲能耗一直存在，动态能耗跟任务量的大小相关。则在时隙t内，活跃状态MBS服务器的能耗模型可以表示为

(7)

(8)

在时隙t处在睡眠状态的服务器总能耗Esleep(t)可以表示为

(9)

在时隙t服务器不同状态之间的切换能耗Echange(t)可以表示为

(10)

假设在H-MEC中的单位任务传输能耗为Ptrans，则在时隙t时MEC服务器迁移任务的总传输能耗Etrans(t)可以表示为,

(11)

因此，在时隙t内，H-MEC系统的总能耗可以表示为

(12)

2.4 优化问题分析

本文通过均衡H-MEC系统中非均匀到达的任务量的方式使资源得到充分地利用，再通过服务器休眠的方式节约能耗。通过对任务迁移决策X，服务器多睡眠状态决策S进行联合优化，使系统的能耗E最小化，其优化问题可以表示为

(13)

(14)

(15)

(16)

(17)

πi(t)∈X(t),∀t∈T,i∈N

(18)

M(t)=Mtotal,∀t∈T

(19)

其中，约束(14)表示每个时隙中服务器i的总延迟要小于其能容忍的最大延迟，即时间片长度τ，以保证所有用户的体验质量；约束(15)表示在时隙t的总能耗不应超过所有服务器的能耗之和；约束(16)表示所有服务器到达的任务量之和应等于所有服务器迁移任务量与未迁移的任务之和；约束(17)表示每个MEC服务器到达的任务量和其他服务器迁移的任务量之和不能超过服务器的最大处理速率；约束(18)表示迁移策略的可行性；约束(19)表示系统所有状态的服务器之和等于服务器的总数Mtotal。

3 服务器多休眠状态任务迁移算法

上述问题的决策变量包括整型和连续变量，目标函数和约束条件包含非线性函数，因此可以构建成一个大规模的MINLP问题。但是在整个系统中时隙过多，直接进行求解比较困难，本文按照每个时隙进行切分，问题转化成小规模的MINLP问题，然后使用Optimization Toolbox里的序列二次规划(sequential quadratic programming, SQP)算法进行求解。SQP算法可以将复杂的非线性约束最优化问题使用拉格朗日函数的二次近似转化为比较简单的二次规划问题，然后对目标函数使用一维搜索方法对每个子问题进行求解，通过迭代求解得到最优解。使用SQP算法得到在每个时隙子问题的迁移决策，但可能下一个时隙的任务量到达过多，当前在活跃状态的服务器数量不满足下一时隙的计算任务量要求。因此，在每个决策做完之后会根据多个时隙任务量大小使用迁移更新算法更新迁移决策，确保在下一个时隙的服务器数量满足计算任务的要求。

3.1 任务迁移问题的小型化划分

根据 (13) 式及其约束条件，本文所提问题是一个大规模的MINLP问题，首先需要将大规模问题按照时隙进行划分将其转化成小型的MINLP问题，以便于求解。算法1给出了系统整体的多睡眠模式最小能耗任务调度算法(multi sleep mode task scheduling algorithm，MSTS)。其中，每个时隙更新前的迁移决策使用x(t)表示，更新后的迁移决策使用X(t)表示。

算法1 多睡眠模式最小能耗任务调度算法

输出：X,S,P

1:初始化：迁移决策X=∅，睡眠状态S=∅，总能耗P=0

2: fort=1,2,…,Tdo

3: 构建系数矩阵，使用SQP算法

4: 得到时隙t更新前的迁移决策x(t)

5: 使用迁移更新算法更新时隙t的最优迁移决策X(t)

6: 使用睡眠决策算法更新睡眠决策S(t)

7: 获取时隙t的迁移能耗P(t)

8: 更新迁移决策X，睡眠决策S，迁移能耗P

9: end for

10: returnX,S,P

其算法主要思想是根据SQP算法的参数要求构造当前时隙子问题的系数矩阵(算法1第3行)，然后根据输入参数使用SQP算法求解该时隙的决策集合。但因为任务到达具有随机性，本文使用迁移更新算法来调整求解得到的决策变量，以确保下一个时隙计算的可行性。最后，将每个时隙的结果进行合并更新，返回迁移结果。

3.2 单时隙优化问题分析

根据算法1所述的算法框架可知，在每个时隙当中都需要重新构造系数矩阵。系数矩阵的参数包括SQP算法中的等式约束中的系数、不等式约束中的系数、任务到达量以及所有服务器状态等。矩阵构建完毕之后就可以使用SQP算法计算出当前时隙的迁移决策集合，得到的迁移决策集合需要根据多时隙的任务到达量来预测更新，提高算法的鲁棒性和系统的稳定性。最后根据服务器的任务量输入睡眠决策算法来确定每个服务器的状态，得到所有服务器的睡眠状态集合。

算法2 迁移更新算法

输入：时隙t中SQP算法输出的迁移决策x(t)

服务器睡眠决策S(t-1)

任务到达队列b(t)

输出：更新后的迁移决策X(t)

时隙t的睡眠决策S(t)

时隙t的能耗P(t)

2:获取MBS服务器计算任务量υ0(t)

3:获取SBS总任务量υi(t)

5:调整MBS服务器比例δ的值

6:x(t)→X(t)，睡眠算法更新睡眠决策S(t)，计算能耗P(t)

7: else：

8:根据任务到达率bi(t)、服务器i的状态以及迁移决策xi(t)计算迁移成本Ci(t)

9: fori=0 toNdo：

11:更新服务器i的迁移决策Xi(t)，睡眠决策Si(t)，迁移能耗Pi(t)

12: else：

13: 睡眠算法更新睡眠决策Si(t)

14: end if

16: end for

17: end if

18: returnX(t),S(t),P(t)

算法3 睡眠决策算法

输入：迁移决策X(t)

服务器睡眠决策S(t-1)

服务器多时隙到达任务队列bi(t-1)和bi(t)

MBS基站最大任务量比例系数δ

输出：时隙t的睡眠决策S(t)

时隙t的能耗P(t)

1: 获取迁移任务量Xi(t)=0的服务器

2: fori=0 toNdo:

3: ifXi(t)=0 then:

4: if (bi(t-1)+bi(t))/2<(b(t-1)+b(t))/2·iand

Si(t-1) not in {Sk} then：

6: 更新睡眠模式Si(t)，计算能耗Pi(t)

7: end if

8: else:

9: ifSi(t-1) in {Sk} then：

10: 唤醒服务器，更新睡眠模式Si(t)，计算能耗Pi(t)

11: end if

12: end if

14: returnS(t),P(t)

4 仿真与性能分析

为了检验本文所提算法的有效性，本文设置如图1的异构MEC场景，该场景中有MBS基站一个，SBS基站15个，每个基站旁边都配备了相应的服务器。

4.1 仿真参数设置

仿真时隙数T=1 000，每个时隙长度τ=1 s。每个服务器的任务到达率bi为0—30 Mbit/s，任务迁移时平均单位任务传输时间为0.002 s[10]。SBS侧服务器最大处理速率为30 Mbit/s，最大功耗Pmax为243 W。MBS侧服务器最大处理速率为100 Mbit/s，最大功耗Pmax为500 W，空闲功耗为350 W。文献[14-15]给出了服务器在不同状态下的能耗和时延情况，结合ACPI规范[11]，每个状态的能耗和状态切换的功耗与时延如表1。

表1 服务器能耗与时延对照表Tab.1 Server energy consumption and delay comparison table

根据ACPI规范，服务器的S-States是让服务器进入不同的睡眠模式来降低能耗。服务器的睡眠模式总共有5种，分别是S1(除CPU关闭外其他设备全部处于工作状态)，S2(总线时钟关闭，和S1状态相差很小)，S3(挂起到内存，会丢失缓存)，S4(挂起到硬盘，可以被唤醒)和S5(关机状态)，S0则代表处于活跃状态。

4.2 数据集设置

在移动边缘计算当中，时时刻刻都有终端设备将其任务卸载上来，但由于各个时刻对应的任务量都各不相同(如白天和夜晚对应任务量差异大)，为了验证本文算法具有良好的鲁棒性，本文生成了几种不同任务量的数据集，如图2。包括平稳变化(图2a和图2b)和剧烈变化(图2c和图2d)的任务到达量，其中阴影部分表示所有服务器任务到达的总量，每个数据集的任务队列都满足单个服务器的任务到达率bi，其值为0～30 Mbit/s，总数据量也满足仿真要求。

图2 不同任务量数据集对比图Fig.2 Comparison chart of different task volume data sets

在传统云计算数据中心，针对服务器休眠有大量的研究，服务器休眠的策略也可以应用于MEC系统。根据文献[1]，有3种基本休眠方式，分别是AlwaysOn, Reactive, SoftReactive。其中，AlwaysOn算法策略为数据中心的所有节点都不进行休眠，始终保持活跃状态；Reactive算法将根据服务中心的负载多少，动态地调整其睡眠或者进入活跃状态，其思想是只要服务器没有计算任务则立即进入休眠状态，当有任务时则立刻唤醒。本文中，因为考虑了多个睡眠状态，为了满足这种策略，将睡眠模式都统一调整为S1状态，且当计算时间和睡眠切换时间之和超过时隙长度时不进入休眠状态；SoftReactive算法则是为了避免出现Reactive模式的频繁开关机状态切换而提出的改进方法，该方法在服务器没有任务时并不是马上进入休眠状态，而是等待一段时间，等待时间一般为TsetupPmax/Pidle，Tsetup表示唤醒时间。但本文通过时隙规划，该时间不满足时隙长度。为了进行对比，本文将等待时间修改为当任务计算之后剩余时间占时隙长度的比值，当这个比值大于Tshutdown时则进入S1状态，Tshutdown表示进入睡眠模式的切换时延。其唤醒方法与Reactive一样。

4.3 仿真结果分析

文献[1]中的3种基础算法，AlwaysOn表示服务器始终处于开启状态，其功率变化很小，处于空闲状态时其能耗水平约为工作状态的70%以上，整体上其变化趋势很小。针对Reactive和SoftReactive 2种方法，由于SoftReactive方法会在没有计算任务时等待一段时间，但由于本文所设系统的每个仿真时隙长度较短，因此，进入睡眠状态的服务器数量极少，仿真结果和AlwaysOn算法中的功耗基本一致，故在仿真结果中只展示AlwaysOn和Reactive 2种对比算法。本文算法设置MBS服务器的δ=0.5，服务器睡眠模式为混合睡眠模式时的仿真结果和其他几种算法的仿真结果比较如图3。

由图3可以看出，本文所提算法在不同数据集中都有较好的表现，与其他几种算法相比都可以显著地降低系统能耗。图3a和图3b是任务到达队列比较稳定的数据集使用几种算法后系统的总能耗对比图，可以看出在低任务量和高任务量中，本文所提算法MSTS都有良好的表现，表明所提算法具有良好的鲁棒性和有效性。

图3c可以看出，当任务到达量骤降时，AlwaysOn算法的能耗还是基本保持不变，因为空闲能耗与峰值能耗之间差值太小，降低能耗非常有限。而在Reactive算法中因其可以让服务器进入休眠状态，因此可以比较明显的降低系统能耗，但由于其会在没有计算任务时立刻进入休眠状态，会存在大量的状态切换能耗，故其能耗控制也比较有限。本文所提算法MSTS可以稳定的降低系统能耗，在任务量降低时也可以及时的反应，同时为了避免瞬间休眠大量服务器造成计算资源不足，MSTS算法会在任务量骤降时缓慢休眠服务器来保证任务能够正确执行。

图3d中可以看出，当计算任务量较大时，Reactive算法的表现会很差，因为除了进行任务计算还需要反复的休眠和唤醒服务器，产生大量的状态切换能耗，在任务量激增时还会出现能耗高过AlwaysOn算法的情况。在本文所提算法MSTS中，任务激增时系统会唤醒拥有足够资源量的服务器数，保证任务的正确执行，同时，也不会出现盲目唤醒过多服务器的情况，保证了系统的稳定性。

图3 不同算法能耗对比图Fig.3 Comparison of energy consumption of different algorithms

图4给出了本文所提算法MSTS在不同数据集上累计降低的总能耗对比图。可以看出，在任务到达量比较稳定的数据集1和数据集2中，其累计降低能耗与仿真时间呈正相关，其斜率也基本保持不变。任务到达量大的数据集2比任务到达量小的数据集1累计降低的能耗低。而在数据集3和数据集4中，降低的总能耗会因为任务到达量的激增或骤降出现较小的波动，但是从整个仿真过程来看，该算法也能在快速调整后使降低能耗趋于稳定状态。

图4 MSTS算法不同数据集节省功耗Fig.4 MSTS algorithm different data sets to save power consumption

图5给出了不同数据集中不同算法的长期平均能耗对比图，其中本文所提算法MSTS比其他2种算法都明显地降低了能耗，且在不同类型的数据集中都有不错的表现。尽管数据集中任务到达出现了缺失和激增的情况，所提算法也可以很好地降低系统的整体能耗。

图5 系统平均能耗对比图Fig.5 System average energy consumption comparison

图6给出了MBS服务器在不同δ取值的情况下，所提算法在几种数据集中的长期平均能耗对比图，为了保证任务的正确迁移，δ的最大取值限制在2/3，避免突增任务造成系统不能正确执行任务。仿真结果表明，在保证用户体验质量的前提下，δ取值越大，节约的能耗越多，虽然在短时间内节省能耗值较小，但当系统的时隙整体长度越长时，节省的能耗也比较可观。因此，在系统任务到达队列较稳定时，保持一个较大的δ值可以节省更多的能耗，在任务到达队列变化较大时取较小的δ值可以保证任务的正确执行。虽然在单个MBS服务器的H-MEC系统中降低的能耗很有限，但当应用到存在大量的MBS服务器的实际环境中时，节省的总能耗就会比较可观。因此，在MBS服务器上设置一个阈值既可以保证突发任务能够被正确执行，又可以降低系统的整体能耗。

图6 MBS服务器不同阈值能耗对比图Fig.6 Comparison of energy consumption of MBS server with different thresholds

为了评估不同睡眠模式中系统的整体能耗，确定出最合适的睡眠策略，图7给出了本文所提算法使用不同睡眠模式的仿真测试结果。结果表明，在单S1模式和单S3模式中，都能够有效地降低系统的能耗。但在单S4模式中，因状态切换时间超过了时隙长度，需要跟多个时隙的任务量进行对比，才能保证用户任务能够正常执行。同时为了保证任务不丢失，本文算法中对单时隙任务到达量超过最大服务量0.4倍时就不进行任何操作，故其对于能耗的控制并没有前面2种模式好。在混合睡眠模式(S1+S3+S4)中，MSTS可以在多时隙任务到达量小于设定值时让其进入深度睡眠模式，在任务量较大时进入较浅的睡眠模式，因此，其能耗控制优于前面几种单睡眠模式。

图7 不同睡眠模式能耗对比图Fig.7 Comparison of energy consumption in different sleep modes

5 结 论

本文主要对H-MEC网络中的协同计算和服务器休眠问题进行了研究。首先根据H-MEC网络环境中非均匀到达的任务量进行建模，构建出任务迁移策略模型。然后针对服务器设计多种睡眠策略，并对其时延和能耗进行了详细建模，构建出长期平均最小化能耗问题。将问题转化成大规模MINLP问题，然后按时隙划分为小型MINLP子问题进行求解，对协同计算的任务量进行整体调度，得到协同计算策略后进行服务器休眠的设计，使其进入合适的睡眠状态来节省系统能耗。最后通过MATLAB仿真软件对本文所提算法进行了仿真，并与多种传统算法进行对比，结果显示，本文所提算法具有良好的效果，可以保证计算任务的正确执行。并可以在任务到达量激烈变化时动态地调整，具有较强的鲁棒性和有效性。