一种物联网云边端任务时序协同方法

1.本发明属于物联网任务协同领域，具体涉及一种物联网云边端任务时序协同方法。


背景技术：

2.随着互联网应用、信息化科技的发展，物联网(internet of things,iot)作为互联网技术的产物也在世界范围内得到了广泛地应用。根据国际数据公司与美国山间医疗公司的分析，截至2020年底iot设备总联网数量超过260亿台。iot设备具有一定的计算、存储、通信能力，在交通、物流、安防、家居与零售等场景中，设备间相互协作服务于包括数据采集、图像分析、设备监测、生产编排等iot应用。近年来随着机器学习、大数据处理与增强现实等技术的发展，iot应用的时延要求与计算量需求不断提高。然而，iot设备受其自身存储、计算等方面的限制，使得设备无法匹配持续增长的计算需求，导致计算任务处理的实时性降低。因此如何缓解巨大的iot应用计算需求以使用户获取更高质量的服务体验成为了当下的研究热点。
3.目前，得益于第五代移动通信技术、边缘计算技术与云计算技术的广泛应用，当iot设备计算资源不足时，设备可将计算任务迁移至边缘计算(multi-access edge computing,mec)服务器或云服务器上，利用mec服务器与云服务器充足的计算资源协同处理iot设备的计算任务以满足iot应用巨大的计算需求，这使得云边协同迁移处理计算任务的方式成为了解决原有iot设备计算能力匮乏问题的可行方案。
4.传统云边协同式的任务迁移技术方案中，一种基于次模优化的云边协同多用户计算任务协同方法设计了一种基于次模理论的贪心算法并综合优化了云服务器与mec服务器的计算资源，提高多用户任务迁移的效率；一种云边环境下基于博弈论的两阶段任务协同方法，将云边服务器的任务迁移问题转化为博弈问题，设计一种两段式迁移的算法进行求解；一种以服务编排式的云边协作式任务协同方法，通过引入基于sdn的服务数据编排机制，对具有不同资源需求和时延的计算任务差异化地做出迁移决策。但在上述云边任务协同技术方案中，mec服务器的计算资源限制被忽略，除此之外，由于云服务器具有传输距离过长的特点，若将计算任务大量的上传至云服务器处理会造成任务处理总时延的增加，使得iot应用的低时延要求无法被满足。
5.针对传统云边协同式的任务迁移技术方案中的问题，国内外提出了一系列多mec服务器间协作的任务协同方案，以缓解mec服务器的计算压力并缩短任务处理时延。比如，一种考虑了单个服务器的负载压力，在用户服务质量明显恶化时使用协作区域内其他mec服务器上计算资源缓解计算压力，通过联合优化边缘计算网络的总时延和能耗生成最佳的任务协同方案；一种以用户为中心的任务协同方案，通过共享用户周边多台mec服务器上的资源实现任务迁移时延减小的任务协同方案；然而上述协同任务的技术方案忽略了邻近mec服务器上计算资源限制，当邻近多台mec服务器上计算资源紧缺时，设备只能将计算任务迁移至传输距离较远或等待时间较长的mec服务器上。
6.此外，iot设备具有时序性，在日常的运行环境中，iot设备往往自动化、周期化地进行工作，在固定时间节点或以特定的时间顺序处理计算任务。由于iot设备任务执行以及任务迁移的时序性，边缘网络中可用的计算资源也会发生时序性地变化，若在计算任务迁移过程中忽略了iot设备运行的时序性，则会使时序的任务迁移需求与随机的设备迁移需求相互冲突，出现个别边缘节点覆盖域内计算资源紧缺且任务迁移的等待时延增大的现象，造成计算资源分布不均匀以及任务协同效率低下的问题。由于计算能力与运行状态的差异性，网络中存在一定数量计算资源充足的空闲端设备，合理地分配空闲端设备的计算资源可以缓解巨大的局部计算压力，减少任务迁移过程中不必要的等待时间。
7.综上所述，如何根据iot设备的时序特征设计端设备辅助的云边端任务协同方法，从而提高跨域任务迁移的效率并均衡网络中计算资源的分布是一个亟需解决的问题。


技术实现要素：

8.针对现有技术存在的不足，本发明提出了一种物联网云边端任务时序协同方法，该方法包括：获取物联网设备数据，物联网设备包括任务迁移设备、mec服务器以及云服务器；根据物联网设备数据，采用基于时序兴趣度的计算资源发现方法得到候选计算资源队列；根据任务迁移设备的计算资源需求，采用基于时序社交相似度的计算资源选择算法，在候选计算资源队列、mec服务器与云服务器内可用的计算资源中作出最佳的计算资源选择结果；任务迁移设备根据计算资源选择结果进行任务迁移；
9.采用基于时序社交相似度的计算资源选择算法得到计算资源选择结果的过程包括：
10.s1：选取所有mec服务器中可用计算资源大于任务迁移设备所需计算资源的mec服务器，计算其mec服务器任务迁移的系统收益；
11.s2：根据云服务器数据计算云服务器任务迁移的系统收益；
12.s3：以任务迁移设备为中心创建时序社交波纹网络；
13.s4：根据时序波纹网络计算候选端设备与任务迁移设备的时序社交相似度；其中，候选端设备为候选计算资源队列中的物联网设备；
14.s5：选取社交相似度最大的候选端设备并计算候选端设备任务迁移的系统收益；
15.s6：选取mec服务器任务迁移的系统收益、云服务器的任务迁移系统收益和候选端设备任务迁移的系统收益中最大值对应的设备作为任务迁移设备的任务迁移目的地。
16.优选的，采用基于时序兴趣度的计算资源发现方法得到候选计算资源队列的过程包括：
17.根据物联网设备的长期任务处理习惯和短期任务处理变化分别计算物联网设备的长期兴趣度和短期兴趣度；
18.根据物联网设备的长期兴趣度和短期兴趣度计算物联网设备的时序兴趣度；
19.将时序兴趣度按从大到小的顺序排序，选取前h个时序兴趣度对应的物联网设备构建候选计算资源队列，h为小于物联网设备总数的整数。
20.进一步的，计算物联网设备的长期兴趣度和短期兴趣度的公式分别为：
21.[0022][0023]
其中，表示长期兴趣度，表示短期兴趣度；表示设备长时间范围δt
la
内的总计算任务处理数量，表示设备长时间范围δt
la
内对tw类型计算任务的处理次数，表示设备在短时间范围δts内的总计算任务处理量，表示设备on对tw类型计算任务的处理次数。
[0024]
进一步的，计算物联网设备的时序兴趣度的公式为：
[0025][0026][0027]
其中，表示时序兴趣度，表示归一化参数，表示时序偏好，表示时序感知权重，γ
l
表示第一影响系数，γs表示第二影响系数，表示设备在时间切片ts
l
对任务类型tw的长期兴趣度，表示设备在时间切片ts
l
对任务类型tw的短期兴趣度。
[0028]
优选的，创建时序社交波纹网络包括：设置5种类型的社交关系，分别为同质对象关系、共置对象关系、协作对象关系、所有权对象关系以及社会对象关系；根据物联网设备间的社交关系创建时序知识图谱；设置波纹层级数，根据时序知识图谱构建社交波纹网络。。
[0029]
优选的，根据时序波纹网络计算任务迁移设备与候选端设备的时序社交相似度包括：
[0030]
采用hyte模型得到时序波纹网络中三元组的嵌入向量和候选端设备的嵌入向量；
[0031]
根据三元组的嵌入向量和候选端设备的嵌入向量计算候选端设备与任务迁移设备的关联概率；
[0032]
根据关联概率计算时序波纹网络中每一波纹层级表示的社交相关度；
[0033]
根据每一波纹层级表示的社交相关度得到总社交相关度；
[0034]
根据总社交相关度计算候选端设备和任务迁移设备的时序社交相似度。
[0035]
进一步的，采用hyte模型得到三元组的嵌入向量包括：
[0036]
s31：根据时序知识图谱得到四元组，四元组包括头实体、尾实体、社交关系以及社交关系的持续时间，根据四元组得到每个时间切片内的三元组；
[0037]
s32：在每个时间切片上设置时间超平面，在超平面内将三元组分别投影为嵌入向量；
[0038]
s33：根据嵌入向量构建验证函数，根据验证函数构建损失函数，计算损失函数，返回步骤s32，当损失函数最小时，得到三元组的嵌入向量。
[0039]
进一步的，计算关联概率的公式为：
[0040][0041]
其中，posi表示通过对第i个三元组数据分析从而建立的候选端设备与任务迁移设备的关联概率，表示候选端设备的嵌入向量，表示通过对第i个三元组数据中社交关系的嵌入向量，表示通过对第i个三元组数据中头实体的嵌入向量，表示第层时序波纹网络的三元组数据集合。
[0042]
进一步的，计算时序社交相似度的公式为：
[0043][0044]
其中，sim
n,h
表示候选端设备和任务迁移设备的时序社交相似度，sigmoid表示归一化函数，表示候选端设备和任务迁移设备的总社交相关度，表示候选端设备的嵌入向量，
[0045]
优选的，计算mec服务器任务迁移的系统收益、云服务器任务迁移的系统收益和候选端设备任务迁移的系统收益的公式分别为：
[0046][0047][0048][0049]
其中，表示mec服务器任务迁移的系统收益，表示云服务器任务迁移的系统收益，表示候选端设备任务迁移的系统收益，w为归一化参数，zbm表示使用mec服务器完成任务迁移的计算资源负载均衡度，zb
cd
表示使用云服务器完成任务迁移的计算资源负载均衡度，zbn表示使用候选端设备完成任务迁移的计算资源负载均衡度，表示系统总时延。
[0050]
本发明的有益效果为：本发明首先通过分析不同时间切片上iot设备的兴趣偏好建立时序兴趣度，感知时序兴趣相似的iot端设备构建候选计算资源队列，通过引入时序兴趣度提高计算资源感知的准确度；之后利用时序知识图谱存储iot设备间的时序社交关系，基于时序知识图谱设计了时序社交波纹网络，分析社交波纹网络中社交属性在波纹层级之间的传播过程并建立时序社交相似度，通过比较时序社交相似度选取计算资源队列中的候选端设备从而辅助任务迁移；同本地mec任务协同方法、云边任务协同方法与多mec服务器任务协同方法相比，云边端任务时序协同方法能减少等待时延约26％、18％与10％，有效地提升了任务协同的效率。此外，云边端任务时序协同方法能有效的缓解mec服务器上的计算压力从而均衡计算资源的分布；本发明根据iot设备的时序特征设计端设备辅助的云边端任务协同方法，提高了跨域任务迁移的效率并均衡了网络中计算资源的分布，具有广阔的应用前景。
附图说明
[0051]
图1为本发明中基于时序社交相似度的计算资源选择算法流程图；
[0052]
图2为本发明中时序社交波纹网络示意图；
[0053]
图3为本发明中社交属性在波纹网络中的传播过程示意图；
[0054]
图4为本发明中四种协同方法平均等待时延对比图；
[0055]
图5为本发明中四种协同方法平均计算资源负载均衡度对比图；
[0056]
图6为本发明中四种协同方法在不同iot设备数量下的平均等待时延对比图；
[0057]
图7为本发明中四种协同方法在不同iot设备数量下的平均计算资源负载均衡度对比图。
具体实施方式
[0058]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
本发明提出了一种物联网云边端任务时序协同方法，所述方法包括：获取iot设备数据，iot设备包括任务迁移设备、mec服务器以及云服务器；根据iot设备数据，采用基于时序兴趣度的计算资源发现方法感知端设备从而组建候选计算资源队列；根据任务迁移设备的计算资源需求，采用基于时序社交相似度的计算资源选择算法，在候选计算资源队列、mec服务器与云服务器内可用的计算资源中作出最佳的计算资源选择结果；任务迁移设备根据计算资源选择结果进行任务迁移；
[0060]
如图1所示，采用基于时序社交相似度的计算资源选择算法得到计算资源选择结果的过程包括：
[0061]
s1：选取所有mec服务器中可用计算资源大于任务迁移设备所需计算资源的mec服务器，计算其mec服务器任务迁移的系统收益；
[0062]
s2：根据云服务器数据计算云服务器任务迁移的系统收益；
[0063]
s3：以任务迁移设备为中心创建时序社交波纹网络；
[0064]
s4：根据时序波纹网络计算候选端设备与任务迁移设备的时序社交相似度；其中，候选端设备为候选计算资源队列中的物联网设备；
[0065]
s5：选取社交相似度最大的候选端设备并计算候选端设备任务迁移的系统收益；
[0066]
s6：选取mec服务器任务迁移的系统收益、云服务器任务迁移的系统收益和候选端设备任务迁移的系统收益中最大值对应的设备作为任务迁移设备的任务迁移目的地。
[0067]
iot设备运行过程中，因其使用场景、设备用途、使用习惯的不同，会对特定类型的计算任务具有较高的数据交互频率，即人为地让设备产生对计算任务的兴趣；但是，iot设备的兴趣会因计算任务执行的时序性而改变，为了更加准确的感知可用计算资源，本发明采用基于时序兴趣度的计算资源发现构建候选计算资源队列，具体过程如下：
[0068]
iot设备的兴趣受到其长期任务处理习惯与短期任务处理变化的共同作用。在长时间范围内，iot设备对不同类型计算任务的兴趣会因其任务处理的行为而积累，产生较为稳定的长期兴趣。定义长期兴趣度表示长时间范围内设备对某类型计算任务的兴趣程
度；其中，计算任务可依据开源数据集fiware规定分为交通、城市计算、智能家居、健康监测等28类，长时间范围依据具体情况认为设定，可取24小时；计算某类型计算任务的长期兴趣度公式为：
[0069][0070]
其中，表示长期兴趣度，表示设备长时间范围δt
la
内的总计算任务处理数量，表示长时间范围δt
la
内对tw类型计算任务的处理次数。
[0071]
iot设备处理计算任务的习惯会随时间而改变。在短时间范围内，iot设备出现兴趣漂移现象从而改变对不同类型计算任务的兴趣度。定义短期兴趣度描述设备在短时间范围内对某类型计算任务的兴趣；其中，短时间范围依据具体情况认为设定，可取2小时；计算某类型计算任务的短期兴趣度公式为：
[0072][0073]
其中，表示短期兴趣度，表示设备在短时间范围δts内的总计算任务处理量，为设备on对tw类型计算任务的处理次数。
[0074]
综合考虑长期的兴趣积累与短期的兴趣变化两种时序因素对iot设备兴趣的影响，定义时序偏好来表示iot设备在时间切片内对某类型计算任务的时序兴趣；定义时序偏好计算公式为：
[0075][0076]
其中，表示时序偏好，γ
l
表示第一影响系数，γs表示第二影响系数，表示设备在时间切片ts
l
对任务类型tw的长期兴趣度，表示设备在时间切片ts
l
对任务类型tw的短期兴趣度。
[0077]
构建任务迁移设备on在时间切片ts
l
上对任务类型集合t内全体任务类型的时序偏好矩阵根据时间段ts内每个时间切片的时序偏好矩阵建立集合时间段ts主要根据所在场景物联网设备的计算能力而确定，一般设置为24小时。
[0078]
提取每个时间切片上iot设备的时序偏好从而建立时序兴趣度，由于设备所处时间切片的差异，不同时间切片上的时序信息对时序兴趣建立所产生的影响也存在差异性。设置时序感知权重代表不同时间切片上对时序兴趣的影响，构建时段ts内时序感知权重矩阵并且满足与结合与σ
ts
建立时间段ts内的时序兴趣度，公式为：
[0079][0080]
其中，表示时序兴趣度，表示归一化参数，表示时序感知权重。
[0081]
云服务器通过实时分析每台iot设备执行任务的历史信息在每个时段ts结尾建立设备的对所有iot设备的每一种计算任务类型计算时序兴趣度，将时序兴趣度按从大到小的顺序排序，根据按时序兴趣度排序对应的iot设备构建候选计算资源队列即候选端设备队列。当处理tw类型任务的设备on发出任务迁移请求时，选取tw对应候选端设备队列中能够满足设备on资源需求的前h个iot端设备(h大小不固定，一般取6)，根据前h个iot端设备构建候选计算资源队列作为计算资源选择过程的输入。
[0082]
在社会学中，人类通过社会属性与社交信息产生了复杂的社交关系。类似于人际间的社交关系，iot设备根据其协作关联、地理位置、运行状态等信息可以拟人化地建立设备间的社交关系，设备间社交关系随着计算任务执行的时序性而动态变化。
[0083]
设置5种类型的社交关系，分别为同质对象关系、共置对象关系、协作对象关系、所有权对象关系以及社会对象关系，其中同质对象关系表示iot设备具有相同的制造商或生产批次，共置对象关系表示iot设备间具有相似的地理位置，协作对象关系表示iot设备间具有历史交互数据，所有权对象关系表示iot设备的拥有者相同，社会对象关系表示iot设备的拥有者具有数据交互数据；根据社交关系，以任务迁移设备为中心创建时序社交波纹网络，具体过程如下：
[0084]
设置时序知识图谱来存储iot设备间时序变化的社交关系，时序知识图谱g定义为：
[0085]
g＝{o,re,d,rt}
[0086]
其中，o代表iot设备集合，re代表设备间社交关系的集合，每个关系连接两个iot设备，d代表社交关系起始时间与结束时间的集合，rt是社交关系种类的集合。
[0087]
g中数据以四元组元素为最小管理单位，四元素包含头实体、尾实体、社交关系与社交关系的持续时间，头实体和尾实体属于o内的数据，社交关系包含re与rt种类的数据，持续时间属于d内的数据。为了感知社交关系的时序性，本发明提取时段ts内的时序知识图谱g
ts
，将时序知识图谱g
ts
分割为l个静态图切片，切片表示为：
[0088][0089]
其中，代表时间切片ts
l
上四元组元素的集合，四元组包括头实体、尾实体、社交关系以及社交关系的持续时间；定义四元组元素(h,r,t,[ts
start
,ts
end
])表示在有效期[ts
start
,ts
end
]上能被正确嵌入的正向三元组(h,r,t)，(h,r,t)中的h表示头实体，r表示社交关系，t表示尾实体，用符号表示每个时间切片内的正向三元组集合，符号表示每个时间切片内的负向三元组集合。
[0090]
采用基于超平面时间感知的知识图谱嵌入技术(hyperplane-based temporally aware knowledge graph embedding,hyte)对时序知识图谱g
ts
进行建模，分析静态图切片中社交关系的变化，获取综合时序社交因素的实体嵌入表示与关系嵌入表示。
[0091]
在每个时间切片上设置时间超平面，定义时段ts内超平面的投影向量数组为投影向量满足将头实体和社交关系(h,r)与不同时间切片下的尾实体t进行关联，在对应的超平面上将三元组分别投影为嵌入向量，使用粗体(h,r,t)表示三元组(h,r,t)的向量形式，在时间超平面上的投影过程为：
[0092][0093][0094][0095]
其中，h
⊥
、r
⊥
与t
⊥
分别为三元组向量(h,r,t)在超平面上投影的嵌入向量。
[0096]
为了判定三元组向量投影的正确性，定义验证函数计算在三元组向量在其对应超平面上的投影得分；d
l-中的三元组向量的投影得分较高，若投影后的向量属于则得分偏低，投影正确；若投影不正确则得分偏高；验证函数为：
[0097][0098]
使用验证函数构建hyte模型，采用基于边缘排序损失函数训练hyte模型以优化三元组向量的投影得分；计算基于边缘排序损失函数公式为：
[0099][0100]
其中，表示时间切片ts
l
内的正向三元组集合，表示时间切片ts
l
内的负向三元组集合，μ表示边缘间隔参数，用于区分正向三元组与负向三元组。
[0101]
在每一个时段ts末尾，均构建三元组嵌入向量的正向集合与负向集合并将其输入到hyte训练模型中，通过梯度下降法训练该模型参数，当损失函数最小时，完成模型的训练，得到包含时序社交因素的嵌入向量。
[0102]
如图2所示，设置波纹层级数，将进行任务迁移的设备设为中心设备放置于波纹网络的中心，相邻波纹层级上的设备通过时序社交关系相互连接，同一波纹层级上的设备通过相同条数的时序社交关系与中心设备连接；通过分析社交属性在波纹层级间的传播过程，计算任务迁移设备与中候选端设备的时序社交相似度。
[0103]
如图3所示，当执行tw类型任务的iot设备on在ts
l
时刻选取可用的计算资源进行任务迁移时，根据社交属性在波纹网络中的传播过程分析中候选端设备canh与中心设备on的社交相似性；任务迁移设备on的社交属性在波纹层级间的传播过程类似于水波扩散，随着波纹的逐渐扩散，因连接数量的增加，on社交属性的传递也逐渐减弱。当计算on与候选端设备canh之间的社交相似度时，需选取具有社交行为的iot设备进行分析，类似在水中投入两颗石子后的水波纹传播过程，on与canh的波纹不断扩散并相交，随着波纹层级的增大，水波逐渐减弱，波纹上iot设备的社交相似度也不断减小。若高波纹层级上候选端设备的数量巨大将导致层级衰减过多，为了防止大量不相关候选端设备造成计算量的增加，设置波纹层级的最大值为3。
[0104]
计算任务迁移设备与中候选端设备的时序社交相似度的具体过程如下：
[0105]
定义位于层波纹层级上的iot设备集合为：
[0106][0107]
设置层三元组的数据集合，三元组为层的头实体、层的尾实体以及设备的社交关系组成，表示为：
[0108][0109]
在hop-1中的传播过程中，选取第一波纹层级上集合中的三元组，采用hyte模型获取三元组嵌入向量h
⊥
、r
⊥
、t
⊥
与候选端设备canh的嵌入向量计算在关系下候选端设备canh与任务迁移设备on的关联概率posi，公式为：
[0110][0111]
其中，posi表示通过对第i个三元组数据分析从而建立的候选端设备与任务迁移设备的关联概率，表示候选端设备的嵌入向量，表示第i个三元组数据中社交关系的嵌入向量，表示第i个三元组数据中头实体的嵌入向量。
[0112]
遍历中所有的三元组从而建立关联概率集合{pos1,pos2,...,posi,...,posi}，通过分析中心设备on与集合中设备的社交关联，on与候选设备canh之间的社交相关度可表示为：
[0113][0114]
其中，表示通过分析第一波纹层级中三元组数据从而建立的第一层的候选端设备canh与中心设备on之间的社交相关度，表示第i个三元组数据中尾实体的嵌入向量。
[0115]
由于on的社交属性随着波纹层级而扩散传播，位于与集合中设备的社交行为可以体现on潜在的社交属性，通过将计算关联概率posi公式中替换为计算再将替换从而计算
[0116]
综合考虑不同波纹层级上的社交行为，所有canh与on的总社交相关度为：
[0117][0118]
根据总社交相关度计算所有候选端设备和任务迁移设备的社交相似度，公式为：
[0119][0120]
其中，sim
n,h
表示候选端设备和任务迁移设备的社交相似度，sigmoid表示归一化函数，使得时序社交相似度的取值区间为[0,1]。
[0121]
采用基于时序社交波纹网络的计算资源选择方法为任务迁移设备选择任务迁移目的地，过程为：
[0122]
在网络中的每台mec服务器上可使用cpu计算资源表示为计算资源的负载中心值为：
[0123][0124]
其中，k表示mec服务器的个数。
[0125]
根据负载中心值与每个mec服务器上计算资源的使用状态，可计算计算资源负载均衡度zbm；zbm为任务迁移设备使用mec服务器完成迁移后，网络内mec服务器上的计算资源负载预估值；计算资源负载均衡度zbm为：
[0126][0127]
同理，计算资源负载均衡度zb
cd
为任务迁移设备使用云服务器完成迁移后，网络内mec服务器上的计算资源负载预估值，可由任务迁移设备使用云服务器完成任务迁移时的负载中心值与mec服务器上的可用计算资源总量计算得到；计算资源负载均衡度zbn为任务迁移设备使用候选端设备完成迁移后，网络内mec服务器上的计算资源负载预估值，可由任务迁移设备使用候选端设备完成任务迁移时的负载中心值与mec服务器上的可用计算资源总量计算得到。zb随着mec服务器上计算资源的使用差异增大而增大，若每个节点上可用计算资源相等，则zb＝0。
[0128]
定义mec服务器任务迁移的系统收益为：
[0129][0130]
定义云服务器任务迁移的系统收益为：
[0131][0132]
其中，w表示归一化参数，表示系统总时延。
[0133]
任务处理时延与负载均衡度越小，任务迁移的系统收益就越高。若iot设备将计算任务上传至mec服务器，造成额外的时延等待，zbm值会发生变化。若iot设备将计算任务上传至空闲的候选端设备或云服务器，则zbn与zb
cd
不会发生变化。
[0134]
将所有候选端设备和任务迁移设备的社交相似度进行排序，选取社交相似度最大的候选端设备并计算它的候选端设备任务迁移的系统收益，计算公式为：
[0135][0136]
比较mec服务器任务迁移的系统收益、云服务器任务迁移的系统收益和候选端设备任务迁移的系统收益的大小，选取三种系统收益中最大值对应的设备作为在任务迁移过程中为任务迁移设备提供计算资源的设备。
[0137]
计算资源选择完成，任务迁移设备根据采用基于时序社交相似度的计算资源选择算法得到的计算资源选择结果进行任务迁移。
[0138]
对本发明的性能进行评价，选择本地mec任务协同方法(每个iot设备只能使用本
地mec服务器的计算资源进行任务迁移，若本地mec服务器无可用计算资源则进行等待)、云边任务协同方法(使用云边协作式任务协同迁移方案，选择边缘服务器或云服务器提供计算资源)和多mec服务器任务协同方法(使用多边缘服务器相互协作的任务协同迁移方案，采用多个边缘服务器与云服务器间上的计算资源)与本发明(通过分析iot设备的时序属性并选取空闲端设备辅助从而实现任务协同过程)进行对比；设置平均等待时延与平均计算资源负载度作为性能指标衡量，平均等待时延表示任务迁移总时延的平均值，平均计算资源负载度表示边缘网络中计算资源负载度zb的平均值。
[0139]
采用社交物联网数据集fiware上进行实验，结果如图4、图5所示，在初始时间范围内云边端任务时序协同方法的与略高于其他对比方法，随着时间的增长，云边端任务时序协同方法方案的曲线减少至最小值并逐渐趋于稳定，其与均低于其他三种对比方法。产生上述仿真结果的原因为：
[0140]
1)在初始时间范围内iot设备的计算资源充足，计算任务由本设备处理，因为iot设备计算能力较弱且mec服务器计算资源充足，使得初始时间范围内四种对比方案较高、较低。
[0141]
2)由于时序兴趣信息在初始时间范围内无法被充分地提取，嵌入向量因时序知识图谱冷启动问题而无法充分融合时序社交特性，导致计算资源感知与计算资源选择的准确率较低。
[0142]
3)随着时序兴趣信息与时序社交信息的不断积累，云边端任务时序协同方法根据时序信息共享系统收益最大的计算资源，生成符合设备时序状态的决策，使得与低于其他对比方法。
[0143]
当iot设备运行时间较短时，云边端任务时序协同方法因无法充分提取时序信息而性能较差，但随着运行时间的增长，同本地mec任务协同方法、云边任务协同方法与多mec服务器任务协同方法相比，云边端任务时序协同方法能减少等待时延约26％、18％与10％，有效地提升了任务协同的效率。此外，在任务协同的过程中，云边端任务时序协同方法能使计算资源分布向着均衡的方向不断优化。
[0144]
为了进一步验证云边端任务时序协同方法的性能，设置不同iot设备数量进行实验。结果如图6、图7所示，随着设备数量增，云边端任务时序协同方法与其余三种对比方法的与也逐渐增长，云边端任务时序协同方法的与最小。当设备总数增长至640时，四种方法的达到最大值且呈减小的趋势，云边端任务时序协同方法依旧保持最低的与
[0145]
本发明首先通过分析不同时间切片上iot设备的兴趣偏好建立时序兴趣度，感知时序兴趣相似的iot端设备构建候选计算资源队列，通过引入时序兴趣度提高计算资源感知的准确度；随后，本发明利用时序知识图谱存储iot设备间的时序社交关系，基于时序知识图谱设计了时序社交波纹网络，分析社交波纹网络中社交属性在波纹层级之间的传播过
程并建立时序社交相似度，根据时序社交相似度选取计算资源队列中的候选端设备从而辅助任务迁移；同本地mec任务协同方法、云边任务协同方法与多mec服务器任务协同方法相比，云边端任务时序协同方法能减少等待时延约26％、18％与10％，有效地提升了任务协同的效率。此外，云边端任务时序协同方法能有效地缓解mec服务器上的计算压力从而均衡计算资源的分布；本发明根据iot设备的时序特征设计端设备辅助的云边端任务协同方法，提高了跨域任务迁移的效率并均衡了网络中计算资源的分布，具有广阔的应用前景。
[0146]
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。