一种边缘计算的任务卸载方法

1.本发明涉及物联网技术领域，具体涉及一种边缘计算的任务卸载方法。


背景技术：

2.近年来，智慧城市己经逐渐成为城市化的一个新趋势。智慧城市要求数据快速传输、快速决策、快速处理。但是本地终端的计算能力和电池容量有限，难以满足密集型应用所需要的计算能力，为了解决这一问题，mec(mobile edge computing，移动边缘计算技术)应运而生。计算卸载是mec中关键的技术，计算卸载通过将在无线网络边缘部署边缘服务器，将用户任务卸载到合理的位置进行计算，以提高本地终端的计算能力。但现有技术的计算卸载方法的时延和能耗不平衡，导致移动边缘计算的效率较低。


技术实现要素：

3.本发明实施例提供一种边缘计算的任务卸载方法，通过建立时延、能耗和用户满意度的多目标优化模型，优化能耗、时延和满意度，将计算任务合理地分配到相应的mec服务器上，提高移动边缘计算的效率。
4.本发明实施例提供一种边缘计算的任务卸载方法，所述方法包括：
5.构建包含若干移动设备和若干mec服务器的网络模型；
6.根据构建的网络模型和预先构建的时延计算模型计算当前任务的卸载总时延；
7.根据构建的网络模型和预先构建的能耗计算模型计算所述当前任务的传输能耗；
8.根据所述卸载总时延和所述传输能耗构建不同应用场景的场景满意度模型；
9.根据所述场景满意度模型、所述卸载总时延和所述传输能耗，并结合惩罚函数构建当前任务卸载的总成本的目标函数；
10.根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载。
11.优选地，所述卸载总时延为ti＝t
t，i，j
t
s，i
；
12.其中，所述当前任务从第i个移动设备传输到第j个mec服务器的传输时延t
t，i，j
＝bi*fi/r
i，j
，bi为所述当前任务的数据量，fi为处理每一位数据需要的时钟周期，bi*fi为所述当前任务的计算量，第i个移动设备传输到第j个mec服务器的传输速率w为传输带宽，pi为第i个移动设备的发射功率，h
i，j
是信道增益，n0噪声功率谱密度，mec计算服务器的计算时延t
s，i
＝bi*fi/f
s，i
，f
s，i
为mec服务器的cpu时钟频率。
13.进一步的，所述传输能耗为e
t，i，j
＝pi*t
t，i，j
。
14.作为一种优选方案，所述不同应用场景的场景满意度模型为qg＝w1t
g，i
w2e
g，i
；
15.其中，g＝a，b，c，qa为所述当前任务的场景为增强移动宽带时的场景满意度，qb为所述当前任务的场景为高可靠低时延连接的场景满意度，qc为所述当前任务的场景为海量
物联时的场景满意度；权重w1，w2均大于0小于1，且w1 w2＝1，t
g，i
为所述当前任务在不同场景下的卸载总时延，e
g，i
为所述当前任务在不同场景下的传输能耗。
16.优选地，所述当前任务卸载的总成本的目标函数为
17.其中，w1 w2＝1，v为需要求解的卸载矢量，j为预设的惩罚系数，每个任务的能量消耗pi不大于最大能量消耗p
max
，即0≤pi≤p
max
；移动设备的cpu周期频率f
u，i
不大于最大cpu周期频率f
u，max
，即0≤f
u，i
≤f
u，max
；mec服务器的cpu周转率f
s，i
不大于最大cpu周转率f
s，max
，即0≤f
s，i
≤f
s，max
；当前任务的满意度qg不小于当前环境的预设的最低满意度qg，即qg＝w1t
g，i
w2e
g，i
≥qg，k为所述网络模型中移动设备的数量，n为所述网络模型中mec服务器的数量，t
g，i
为所述当前任务在不同场景下的卸载总时延，e
g，i
为所述当前任务在不同场景下的传输能耗，e
g，max
为所述当前任务在不同场景下的最大传输能耗。
18.优选地，所述根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载，具体包括：
19.根据所述网络模型建立信道增益矩阵h来表示不同任务从不同的移动设备传输到不同的mec服务器的信道增益；
20.针对其中的一种应用场景，建立大小为u的粒子群表示不同的任务，随机将粒子卸载到任一mec服务器，获得所有粒子的卸载决策向量以及不同粒子的位置vi和速度x
ij
；
21.根据预设的适应度函数计算每一粒子的适应度；
22.根据预设的满意值计算模型调整每次迭代时的粒子速度，进行粒子的最优分配的迭代过程；
23.根据预设的速度更新函数和位置更新函数更新每一粒子的速度和位置；
24.当迭代次数达到预设次数时，输出最后一次迭代的最优位置与适应度；
25.将所述当前任务卸载到所述最优位置执行；
26.其中，所述网络模型中所有任务的集合表示为m＝{mi，m2，...，mk}，任务mi(bi，fi，e
max
)，bi为任务的输入数据量，fi为任务的计算密度，e
max
为所述任务的能耗约束，所述网络模型中不同mec服务器的周期频率的集合为s＝{s1，s2，...，sn}，信道增益矩阵hi，j表示当前任务从第i个移动设备传输到第j个mec服务器所需的信道增益，1≤i≤k，1≤j≤n，i≠j，k为所述网络模型中移动设备的数量，n为所述网络模型中mec服务器的数量，每一粒子的卸载决策向量为v＝{v1，v2，...，vk}，不同粒子的位置为vi，当vi＝0，该任务由本地移动设备执行，vi＝j时，该任务被卸载到第j个mec服务器执行，不同粒子的速速为所述适应度函数为位置更新函数为v
′
ij
＝v
ij
x
ij
，速度更新
公式为x
′
ij
＝ω
·
x
ij
θ1r1[p
ij-v
ij
] θ2r2[p
gi-v
ij
]，p
ij
为粒子i的局部最优位置，p
gi
表示粒子到目前为止找到的全局最优位置，r1与r2为分布在[0，1]的随机数字，θ1与θ2为预设的学习参数，ω为权重；满意值计算模型为为粒子i在第t次迭代的满意值，是粒子i在第t次迭代中的最优位置，是全局最优值位置，是全局最优位置的适合度，粒子群在第t次迭代中的成功率为是全局最优位置的适合度，粒子群在第t次迭代中的成功率为为所有粒子成功值的总和，n为粒子群中粒子的个数，第t次迭代时的惯性权重0≤ω
min
≤ω
max
，ω
min
和ω
max
分别为前一次迭代中最大权重和最小权重。
[0027]
本发明提供的一种边缘计算的任务卸载方法，通过构建包含若干移动设备和若干mec服务器的网络模型；根据构建的网络模型和预先构建的时延计算模型计算当前任务的卸载总时延；根据构建的网络模型和预先构建的能耗计算模型计算所述当前任务的传输能耗；根据所述卸载总时延和所述传输能耗构建不同应用场景的场景满意度模型；根据所述场景满意度模型、所述卸载总时延和所述传输能耗，并结合惩罚函数构建当前任务卸载的总成本的目标函数；根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载。通过建立时延、能耗和用户满意度的多目标优化模型，优化能耗、时延和满意度，将计算任务合理地分配到相应的mec服务器上，提高移动边缘计算的效率。
附图说明
[0028]
图1是本发明实施例提供的一种边缘计算的任务卸载方法的流程示意图；
[0029]
图2是本发明实施例提供的一种网络模型的结构示意图。
具体实施方式
[0030]
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作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。
[0031]
参见图1，是本发明实施例提供的一种边缘计算的任务卸载方法的流程示意图，包括步骤s1～s6：
[0032]
s1，构建包含若干移动设备和若干mec服务器的网络模型；
[0033]
s2，根据构建的网络模型和预先构建的时延计算模型计算当前任务的卸载总时延；
[0034]
s3，根据构建的网络模型和预先构建的能耗计算模型计算所述当前任务的传输能耗；
[0035]
s4，根据所述卸载总时延和所述传输能耗构建不同应用场景的场景满意度模型；
[0036]
s5，根据所述场景满意度模型、所述卸载总时延和所述传输能耗，并结合惩罚函数构建当前任务卸载的总成本的目标函数；
[0037]
s6，根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载。
[0038]
在本发明具体实施时，参见图2所示，是本发明实施例提供的一种网络模型的结构示意图，其中，所述网络模型包括移动设备1、移动设备2、移动设备3、移动设备4、mec服务器1、mec服务器2、mec服务器3和mec服务器4。
[0039]
mec服务器主要针对延迟敏感的任务和计算量大的任务，移动设备(智能设备、工业设备等)主要进行初步数据处理。当与mec服务器断开连接时，智能依靠自己的能力来处理简单的任务。当执行延时敏感、计算密集型任务时，需要将任务转移到mec服务器进行计算，mec服务器部署在靠近用户的微蜂窝基站一侧，用户通过无线方式将任务上传到边缘服务器，边缘服务器完成计算后将计算结果返回给用户。
[0040]
根据运行在不同设备上的任务预先构建的时延计算模型和预先构建的能耗计算模型计算当前任务的卸载总时延和传输能耗；
[0041]
5g时代定义了以下三大应用场景：embb：增强移动宽带，是针对的是大流量移动宽带业务；urllc：超高可靠超低时延通信；mmtc：大连接物联网，针对大规模物联网业务，根据所述卸载总时延和所述传输能耗构建不同应用场景的场景满意度模型；
[0042]
根据所述场景满意度模型、所述卸载总时延和所述传输能耗，并结合惩罚函数构建当前任务卸载的总成本的目标函数；
[0043]
根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载。
[0044]
在本发明提供的又一实施例中，所述卸载总时延为ti＝t
t，i，j
t
s，i
；
[0045]
其中，所述当前任务从第i个移动设备传输到第j个mec服务器的传输时延t
t，i，j
＝bi*fi/r
i，j
，bi为所述当前任务的数据量，fi为处理每一位数据需要的时钟周期，bi*fi为所述当前任务的计算量，第i个移动设备传输到第j个mec服务器的传输速率w为传输带宽，pi为第i个移动设备的发射功率，h
i，j
是信道增益，n0噪声功率谱密度，mec计算服务器的计算时延t
s，i
＝bi*fi/f
s，i
，f
s，i
为mec服务器的cpu时钟频率。
[0046]
在本实施例具体实施时，根据运行在不同设备上的任务，延迟模型也会有所不同，如果当前任务是在本地设备上执行的，并且每个任务都没有排队延迟约束，此时只需要考虑本地计算延迟，当mec服务器执行时，完成当前任务所需的延迟会增加，包括传输延迟、mec计算延迟、反馈延迟。但是，反馈时延和传输时延的区别是一个大的数量级，所以在本实施例中忽略了反馈时延。
[0047]
本地计算时延
[0048]
其中，bi为所述当前任务的数据量，fi为处理每一位数据需要的时钟周期，bi*fi为所述当前任务的计算量，f
u，i
表示移动设备的cpu周期频率；
[0049]
传输计算时延
[0050]
其中，r
i，j
表示第i个移动设备传输到第j个mec服务器的传输速率，w表示传输带宽，pi单台本地设备的发射功率，h
i，j
是信道增益，而n0噪声功率谱密度。r
i，j
为当前任务在信道中的传输速率，bi*fi为任务的计算量。
[0051]
传输时延为t
t，i，j
＝bi*fi/r
i，j
；
[0052]
mec计算时延为t
s，i
＝bi*fi/f
s，i
；
[0053]
其中，f
s，i
为mec服务器cpu时钟频率，由上式可以看出mec计算延迟与mec服务器周期频率的倒数成正比。
[0054]
完成一个卸载任务的总时延为传输时延与服务器计算时延之和，即ti＝t
t，i，j
t
s，i
；
[0055]
本地设备执行某项任务的总延迟时间为ti＝t
l
；
[0056]
在本发明提供的又一实施例中，所述传输能耗为e
t，i，j
＝pi*t
t，i，j
。
[0057]
在本实施例具体实施时，cpu的计算能力与其内部的芯片架构密切相关。每一代cpu架构都有一个固定的能耗比例。在相同的架构下，功耗与电压、频率成正比，设备之间的能耗也将受计算任务量的影响，因此第i个任务的传输能耗ei＝ci*l2*f
u，i
*bi*fi；
[0058]
其中，ci电容取决于有效开关电容，l代表的电压。
[0059]
传输能量消耗是针对被卸载到mec服务器上的任务，在时延模型和传输时延的计算中，传输能耗e
t，i，j
＝pi*t
t，i，j
。
[0060]
在本发明提供的又一实施例中，所述不同应用场景的场景满意度模型为qg＝w1t
g，i
w2e
g，i
；
[0061]
其中，g＝a，b，c，qa为所述当前任务的场景为增强移动宽带时的场景满意度，qb为所述当前任务的场景为高可靠低时延连接的场景满意度，qc为所述当前任务的场景为海量物联时的场景满意度；权重w1，w2均大于0小于1，且w1 w2＝1，t
g，i
为所述当前任务在不同场景下的卸载总时延，e
g，i
为所述当前任务在不同场景下的传输能耗。
[0062]
在本实施例具体实施时，5g时代定义了三大应用场景：embb：增强移动宽带，是针对的是大流量移动宽带业务；urllc：超高可靠超低时延通信；mmtc：大连接物联网；
[0063]
针对大规模物联网业务。我们给上面三种场景，给出以下的满意度公式：qg＝w1t
g，i
w2e
g，i
；
[0064]
其中，s.t.w1 w2＝1；
[0065]
当g为a时，当前任务的场景为emmb，当g为b时，当前任务的场景为urllc，当g为c时，当前任务场景为mmtc。其中，面对各环境，设有各环节的最低满意度，qa，qb，qc。
[0066]
在本发明提供的又一实施例中，所述当前任务卸载的总成本的目标函数为
[0067]
其中，w1 w2＝1，v为需要求解的
卸载矢量，j为预设的惩罚系数，每个任务的能量消耗pi不大于最大能量消耗p
max
，即0≤pi≤p
max
；移动设备的cpu周期频率f
u，i
不大于最大cpu周期频率f
u，max
，即0≤f
u，i
≤f
u，max
；mec服务器的cpu周转率f
s，i
不大于最大cpu周转率f
s，max
，即0≤f
s，i
≤f
s，max
；当前任务的满意度qg不小于当前环境的预设的最低满意度qg，即qg＝w1t
g，i
w2e
g，i
≥qg，k为所述网络模型中移动设备的数量，n为所述网络模型中mec服务器的数量，t
g，i
为所述当前任务在不同场景下的卸载总时延，e
g，i
为所述当前任务在不同场景下的传输能耗，e
g，max
为所述当前任务在不同场景下的最大传输能耗。
[0068]
在本实施例具体实施时，由所述场景满意度模型、所述卸载总时延和所述传输能耗可以得到一个计算任务在本地设备计算和在mec服务器计算中的求解公式。因此，在面对场景为g时，问题联合表示为：
[0069][0070]
s.t.e
g，i
＜e
g，max
；
[0071]
0≤pi≤p
max
；
[0072]
0≤f
u，i
≤f
u，max
；
[0073]
0≤f
s，i
≤f
s，max
；
[0074]
qg＝w1t
g，i
w2e
g，i
≥qg；
[0075]
w1 w2＝1；
[0076]
其中，p1表示寻找时延，能耗最小的卸载决策向量，vi表示任务i指定分配的服务器，每个任务的能量消耗pi不大于最大能量消耗p
max
，即0≤pi≤p
max
；移动设备的cpu周期频率f
u，i
不大于最大cpu周期频率f
u，max
，即0≤f
u，i
≤f
u，max
；mec服务器的cpu周转率f
s，i
不大于最大cpu周转率f
s，max
，即0≤f
s，i
≤f
s，max
；当前任务的满意度qg不小于当前环境的预设的最低满意度qg。
[0077]
此外，根据p1的建模方法，如果所有的mec服务器中有一个具有较好的性能，由于不考虑排队延迟，大部分任务将被分配给性能更好的mec服务器。这会导致其平均功耗高于最大功耗，因此将当前任务转移到其他mec服务器上可以缓解负载压力。因此，将问题p1转化为增加惩罚函数的p2问题：当设备平均能量大于最大能量消耗时，通过增加惩罚函数形式增加了将任务卸载到当前mec服务器的系统总成本。
[0078]
即：
[0079]
其中，0≤pi≤p
max
，0≤f
u，i
≤f
u，max
，0≤f
s，i
≤f
s，max
，qg＝w1t
g，i
w2e
g，i
≥qg，w1 w2＝1；
[0080]
v为需要求解的卸载矢量，j为预设的惩罚系数，计算消耗能量越多，惩罚项越大，如果不超过最大能量消耗，则不惩罚。增加惩罚函数的意义在于平衡能量消耗和时间消耗。扩展的p2问题更关注在g环境中整个卸载过程中延迟和能量消耗的平衡。
[0081]
在本发明提供的又一实施例中，所述步骤s6具体包括：
[0082]
根据所述网络模型建立信道增益矩阵h来表示不同任务从不同的移动设备传输到不同的mec服务器的信道增益；
[0083]
针对其中的一种应用场景，建立大小为u的粒子群表示不同的任务，随机将粒子卸载到任一mec服务器，获得所有粒子的卸载决策向量以及不同粒子的位置vi和速度x
ij
；
[0084]
根据预设的适应度函数计算每一粒子的适应度；
[0085]
根据预设的满意值计算模型调整每次迭代时的粒子速度，进行粒子的最优分配的迭代过程；
[0086]
根据预设的速度更新函数和位置更新函数更新每一粒子的速度和位置；
[0087]
当迭代次数达到预设次数时，输出最后一次迭代的最优位置与适应度；
[0088]
将所述当前任务卸载到所述最优位置执行；
[0089]
其中，所述网络模型中所有任务的集合表示为m＝{m1，m2，...，mk}，任务mi(bi，fi，e
max
)，bi为任务的输入数据量，fi为任务的计算密度，e
max
为所述任务的能耗约束，所述网络模型中不同mec服务器的周期频率的集合为s＝{s1，s2，...，sn}，信道增益矩阵hi，j表示当前任务从第i个移动设备传输到第j个mec服务器所需的信道增益，1≤i≤k，1≤j≤n，i≠j，k为所述网络模型中移动设备的数量，n为所述网络模型中mec服务器的数量，每一粒子的卸载决策向量为v＝{v1，v2，...，vk}，不同粒子的位置为vi，当vi＝0，该任务由本地移动设备执行，vi＝j时，该任务被卸载到第j个mec服务器执行，不同粒子的速速为所述适应度函数为位置更新函数为v
′
ij
＝v
ij
x
ij
，速度更新公式为x
′
ij
＝ω
·
x
ij
θ1r1[p
ij-v
ij
] θ2r2[p
gi-v
ij
]，p
ij
为粒子i的局部最优位置，p
gi
表示粒子到目前为止找到的全局最优位置，r1与r2为分布在[0，1]的随机数字，θ1与θ2为预设的学习参数，ω为权重；满意值计算模型为为粒子i在第t次迭代的满意值，是粒子i在第t次迭代中的最优位置，是全局最优值位置，是全局最优位置的适合度，粒子群在第t次迭代中的成功率为是全局最优位置的适合度，粒子群在第t次迭代中的成功率为为所有粒子成功值的总和，n为粒子群中粒子的个数，第t次迭代时的惯性权重0≤ω
min
≤ω
max
，ω
min
和ω
max
分别为前一次迭代中最大权重和最小权重。
[0090]
在本实施例具体实施时，现有技术中采用pso算法进行任务卸载的最大的缺点是容易陷入局部最优解，导致任务延迟和能量消耗较高。为了解决这一问题，本实施例提出了一种基于粒子群的改进优化算法。
[0091]
首先，对粒子群算法进行了改进。通过将标准粒子群中固定惯性权值改进为自适应惯性权值，可以在一定程度上避免陷入局部最优解，更好地平衡局部搜索和全局搜索，提高全局优化能力，从而降低能耗，满足延迟要求。
[0092]
针对于其中一个场景g，假设粒子群的大小为u，k表示任务的数量，n表示mec服务器的个数，所有任务的集合可以表示为m＝{m1，m2，...，mk}；首先，对任务进行定量描述。假设编号为i的移动设备生成的任务为mi(bi，fi，e
max
)，bi表示输入数据量，fi表示计算密度，e
max
表示任务的能耗约束，周期频率集s＝{s1，s2，...，sn}中包含当前网络模型中所有mec服务器的周期频率。
[0093]
建立信道增益矩阵h来表示不同任务从不同的移动设备传输到不同的mec服务器的信道增益，信道增益h
i，j
(1≤i≤k，1≤j≤n，i≠j)表示移动设备i生成的任务需要传输到编号为j的服务器所需的信道增益，其中
[0094]
每一粒子表示将任务卸载至特定的mec服务器，所有的任务都将被卸载到该服务器上。每个粒子的卸载决策向量v＝{v1，v2，...，vk}，表示所有任务的最优执行位置.其中，vi是随机选取的0到n.当vi＝0，本任务将本地解决。vi＝j(1≤j≤n)表示当前任务被卸载到第j个mec服务器执行。粒子速度和位置的更新方程如下：
[0095]
x
′
ij
＝ω
·
x
ij
θ1r1[p
ij-v
ij
] θ2r2[p
gi-v
ij
]；
[0096]v′
ij
＝v
ij
x
ij
；
[0097]
p
ij
表示每个粒子i的局部最优位置，p
gi
表示整个粒子到目前为止找到的全局最优位置；r1与r2为分布在[0，1]的随机数字，θ1与θ2需要学习的参数，也叫加速度常数，ω为权重。
[0098]
根据适应度函数fitness(v)计算每一粒子的适应度，
[0099]
在pso算法中，通过比较每个粒子的适应度与全局最优值，可以更准确地描述粒子的位置状态。满足值s(i，t)计算公式如下：
[0100][0101]
s(i，t)为粒子i在第t次迭代的满意值，是粒子i在第t次迭代中的最优位置，是全局最优值位置，是全局最优位置的适合度。
[0102]
如果当前最优位置适应度值大于上次迭代的最优位置适应度值，且大于全局最优位置适应度值，则成功值设为1。如果当前位置适应度值大于上次迭代的最优位置适应度值且等于全局最优位置适应度值，满意值最好设置为0.7。如果当前最优位置适应度值等于前
一次迭代的最优位置适应度值，则满意值设为0。该计算方法通过对粒子状态进行细粒度化，获得更精确的满意值，进一步提高了粒子的成功率，从而提高了惯性权值的自适应性ω。有效地避免了优化过程中粒子过早陷入局部最优。
[0103]
为粒子群在第t次迭代中的成功率，表示该迭代的位置高于粒子群中最后一个粒子的位置。成功率的计算公式为一个粒子的位置。成功率的计算公式为表示所有粒子成功值的总和，n表示整个粒子群中粒子的个数。是第t次迭代时的惯性权重ω(t)用于在每次迭代时调整粒子速度，粒子每次迭代过程中的粒子速度调整的权重
[0104]
根据预设的速度更新函数和位置更新函数更新每一粒子的速度和位置；
[0105]
当迭代次数达到预设次数时，预设次数可设置为100，当迭代次数为100次时，输出最后一次迭代的最优位置与适应度；将所述当前任务卸载到所述最优位置执行，完成任务卸载过程。
[0106]
本发明提出一种在5g环境下，三种应用场景(urllc，mmtc，emmb)要求下的计算任务卸载问题，能够降低移动设备任务卸载的能量消耗以及时延，加入了各环境的满意度函数，并采用惩罚函数来平衡时延和能量消耗，并提出了一种基于粒子群优化算法的卸载策略eipso，提高任务卸载效率。
[0107]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。