CN104158855B - 基于遗传算法的移动服务组合计算卸载方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的移动服务组合计算卸载方法，通过收集移动终端、移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略，最后根据移动模型和基于遗传算法的计算卸载策略执行当前移动服务组合；从而克服了现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组合中的问题，也克服了现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高服务组合执行效率并且还降低移动终端的能耗。

Description

基于遗传算法的移动服务组合计算卸载方法

技术领域

本发明涉及通信技术领域，尤其涉及一种基于遗传算法的移动服务组合计算卸载方法。

背景技术

近年来随着以智能手机和平板电脑为主的移动终端的发展，移动终端被赋予越来越多的功能，但是在移动终端上的CPU、内存、带宽和电池容量等资源限制了移动终端的能力。随着云计算技术，虚拟化技术和WI-FI技术的发展，使得利用WI-FI和3G/4G网络将移动终端上的部分任务卸载到云端服务器中执行成为了可能。移动云计算中的计算卸载就是将移动终端中的一些容易分割，计算密集型的程序通过WI-FI或者3G网络等卸载到附近可用的服务器中去执行，来到达提升程序性能和减少移动终端能耗的一种技术。

现有技术中的计算卸载算法主要有两个缺点：(1)目前大多数方法都仅针对单一服务任务进行计算卸载，而没有考虑对多个服务根据业务流程形成的移动服务组合进行卸载。由于服务组合中存在着不同服务之间的逻辑及数据依赖，因此针对单一服务计算卸载的方法无法直接应用于服务组合；(2)在规划计算卸载方案时没有考虑用户的移动特性，由于在服务的执行过程中用户的地理位置会随时间变化，导致移动信号也会产生变化，从而影响到数据传输开销和本地执行开销之间的比较结果，最终导致服务组合实际性能的变化。

发明内容

针对上述存在的问题，本发明提供一种基于遗传算法的移动服务组合计算卸载方法，以克服现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组合中的问题，也克服现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，从而提高服务组合执行效率和降低移动终端的能耗。

为了实现上述目的，本发明采取的技术方案为：

一种基于遗传算法的移动服务组合计算卸载方法，其中，包括：

收集移动终端、移动网络以及云端服务器的实时信息；

根据所述实时信息建立针对计算卸载的移动模型；

根据所述实时信息采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略；

根据所述移动模型和所述基于遗传算法的计算卸载策略执行当前移动服务组合。

上述的基于遗传算法的移动服务组合计算卸载方法，其中，建立针对计算卸载的移动模型的方法包括：

建模为一个二元组作为，mt＝(D₀,Trips)，其中：

(1)D₀是用户的初始位置；

(2)Trips是用户的位移集合，一个用户的移动轨迹是由多个位移组成的，每一段位移表示如下：

Trip_i＝{D_i,T_i,V_i}

其中i表示该段位移的序号，D_i是给段位移的目的地，T_i表示在目的地停留的时间，V_i表示该段位移的平均速度。

上述的基于遗传算法的移动服务组合计算卸载方法，其中，采用基于遗传算法的多目标算法进行组合优化的方法包括：

1)初始化阶段，生成种群及染色体，确定终止条件；

2)交叉阶段：选择染色体进行交叉；

3)变异阶段：选择染色体进行变异；

4)重复2)-3)步骤，直到终止条件达成。

上述的基于遗传算法的移动服务组合计算卸载方法，其中，所述终止条件为：初始化阶段中设定的最大循环次数。

上述技术方案具有如下优点或者有益效果：

本发明提供的基于遗传算法的移动服务组合计算卸载方法，通过收集移动终端、移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略，最后根据移动模型和基于遗传算法的计算卸载策略执行当前移动服务组合；从而克服了现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组合中的问题，也克服了现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高服务组合执行效率并且还降低移动终端的能耗。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比例绘制附图，重点在于示出本发明的主旨。

图1是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的流程示意图；

图2是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的针对计算卸载的移动模型的示意图；

图3是传统的遗传算法的交叉操作的示意图；

图4是本发明实施例1中提供的遗传算法的交叉操作的示意图。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限定。

实施例1：

图1是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的流程示意图；图2是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的针对计算卸载的移动模型的示意图；图3是传统的遗传算法的交叉操作的示意图；图4是本发明实施例1中提供的遗传算法的交叉操作的示意图；如图所示，本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法包括：收集移动终端、移动网络以及云端服务器的实时信息；根据实时信息建立针对计算卸载的移动模型；根据实时信息采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略；根据移动模型和基于遗传算法的计算卸载策略执行当前移动服务组合。

在本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法中，建立针对计算卸载的移动模型的方法包括：

建模为一个二元组作为，mt＝(D₀,Trips)，其中：

(1)D₀是用户的初始位置；

(2)Trips是用户的位移集合，一个用户的移动轨迹是由多个位移组成的，每一段位移表示如下：

Trip_i＝{D_i,T_i,V_i}

其中i表示该段位移的序号，D_i是给段位移的目的地，T_i表示在目的地停留的时间，V_i表示该段位移的平均速度。

图2给出了该移动模型的示例，为了使该模型能够可计算地应用于本发明的问题中，我们在此模型基础上增加了网格用于表示不同区域的信号强弱，每个网格的灰度表示信号强弱不同。于是，给定某一时刻，我们可以根据移动模型计算出用户的位置，然后根据当前位置所处的网格得到当前的信号强度，从而可以计算出数据传输的时间开销及终端能耗。

根据该移动模型，可以得到本发明的目标函数，其取值越低越好：

其中，

1)rt_i表示服务组合中第i个组件服务的响应时间，每个组件服务都有可能进行计算卸载或不进行计算卸载。对于进行计算卸载的服务o，其计算任务将被卸载到云端执行，其响应时间计算如下：

其中，d_i表示上传到云端的输入数据，d_o表示计算返回的结果数据。workload_o表示计算任务量，r_i表示上传数据时所处位置的移动网络传输率，r_o表示接受数据时所处位置的移动网络传输率，r_C表示云端服务器的CPU执行率。

对于不进行计算卸载的服务no，其计算任务在移动终端中浸洗，其响应时间计算如下：

其中，workload_no表示计算任务量，r_M表示移动终端的CPU执行率。

2)ec_i表示服务组合中执行第i个组件服务时的移动终端能耗，对于进行计算卸载的服务o，移动终端能耗计算如下：

其中，d_i表示上传到云端的输入数据，d_o表示计算返回的结果数据，r_i表示上传数据时所处位置的移动网络传输率，r_o表示接受数据时所处位置的移动网络传输率，表示移动终端上传数据时的能耗功率，表示移动终端下载数据的能耗功率。

对于不进行计算卸载的服务no，移动终端能耗计算如下：

ec_no＝rt_no·p_M (5)

其中，p_M是移动终端执行任务时的能耗功率。rt_no是在移动终端执行该服务的响应时间。

3)w_m是调节总响应时间和总能耗两个变量的权重参数

4)ψ表示集成操作符，组合服务的响应时间不是简单的对单个服务的响应时间进行求和，而是根据组合的结构进行集成。首先找出服务组合中所有的执行路径p，利用求和得到每条路径的响应时间，然后对多条路径取最大值得到最终结果。

在本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法中，采用基于遗传算法的多目标算法进行组合优化的方法包括：

1)初始化阶段，生成种群及染色体，确定终止条件；在初始化阶段，需要确定种群数量P，算法的最大迭代次数I，以及两个算法参数，变异概率p_m和交叉概率p_c。然后随机生成P个染色体：

其中i＝(1,2,3....,P)，d是服务组合中服务的数量，表示Xⁱ中对于第j个服务选择的卸载策略，其取值为0或1，0表示该服务不被卸载到云端执行，1表示该服务将被卸载到云端执行。

并且通过选择操作，选取出优质的染色体作为产生下一代的祖先。采用轮盘法进行选择，适应度低的染色体被选出的概率更高。根据如下公式计算出每个染色体被选择的概率：

其中，pr_i表示为染色体i被选中的概率，F_i表示为染色体i的目标函数，F_j表示为所有染色体目标函数的总和。

2)交叉阶段：选择染色体进行交叉；如果满***叉概率p_c，则利用选择阶段选出两个染色体进行交叉。传统遗传算法中的交叉操作如图3所示，随机选出一个交叉点，然后互换交叉点前后的基因从而得到两个下一代染色体。而本发明提出一种新的交叉操作。对于选出的两个染色体，比较他们的每一个基因的局部适应度，局部适应度根据如下公式计算得到。

f_i＝w_m·rt_i+(1-w_m)·ec_i (8)

然后，具有更优局部适应度的基因将被复制到下一代染色体中，这样没两条祖先染色体通过交叉后只能产生一个下一代染色体。

3)变异阶段：选择染色体进行变异；传统遗传算法的变异操作是随机选择一个基因，改变该基因的值(参见图3)。因此每一基因都有相同的概率进行变异。而本发明对此进行改动，认为局部适应度高的基因应该优先进行变异，局部适应度高表示该基因的响应时间和能耗都偏高，对其进行改造可能会得到更优的染色体(参见图4)。因此每个基因被选择进行变异的概率如下：

4)重复2)-3)步骤，直到终止条件达成；该终止条件为：初始化阶段中设定的最大循环次数，选取适应度最低的染色体对应的计算卸载方案作为最终结果。

举例如：某移动用户在想要执行一个图片人脸识别的任务，因此他需要调用8个原子服务组合完成这个任务，由于每个原子服务的计算任务不同，将不同的原子服务进行计算卸载放到云端执行会产生不同的服务组合效率和移动终端能耗，本发明的目的就是通过制定出最优的服务组合计算卸载策略，获取近似最优的服务组合响应时间和移动终端能耗。本实施方法包括：

1)初始化过程，包括：

将移动服务组合计算卸载问题映射到遗传算法中，将服务组合卸载策略表示成染色体，例如(0，1，0，1，1，0，1，1)表示一个染色体，表示该服务组合中第1、3、6号服务在移动终端本地执行。以此类推，在初始化过程中随机生成P个学员，同时确定最大迭代次数I，以及参数p_m和p_c。

2)交叉阶段：如果满***叉概率，根据公式(7)选择出两个染色体根据公式(8)进行交叉，产生下一代染色体；

3)变异阶段：如果满足变异概率，根据公式(7)选出一个染色体进行变异，根据公式(9)选择该染色体重的基因进行变异。

4)循环进行步骤2)～3)直至设定的最大循环次数，选取适应度最低的染色体对应的计算卸载方案作为最终结果。

所以，本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法，通过收集移动终端、移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略，最后根据移动模型和基于遗传算法的计算卸载策略执行当前移动服务组合；从而克服了现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组合中的问题，也克服了现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高服务组合执行效率并且还降低移动终端的能耗。

本领域技术人员应该理解，本领域技术人员结合现有技术以及上述实施例可以实现所述变化例，在此不予赘述。这样的变化例并不影响本发明的实质内容，在此不予赘述。

以上对本发明的较佳实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化以及修饰，均仍属于本发明技术方案保护的范围内。

Claims (3)

1.一种基于遗传算法的移动服务组合计算卸载方法，其特征在于，包括：

收集移动终端、移动网络以及云端服务器的实时信息；

根据所述实时信息建立针对计算卸载的移动模型；

根据所述实时信息采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略；

根据所述移动模型和所述基于遗传算法的计算卸载策略执行当前移动服务组合；

采用基于遗传算法的多目标算法进行组合优化的方法包括：

1)初始化阶段，生成种群及染色体，确定终止条件；

2)交叉阶段：选择染色体进行交叉；

3)变异阶段：选择染色体进行变异；

4)重复2)-3)步骤，直到终止条件达成。

2.如权利要求1所述的基于遗传算法的移动服务组合计算卸载方法，其特征在于，建立针对计算卸载的移动模型的方法包括：

建模为一个二元组作为，mt＝(D₀,Trips)，其中：

(1)D₀是用户的初始位置；

(2)Trips是用户的位移集合，一个用户的移动轨迹是由多个位移组成的，每一段位移表示如下：

Trip_i＝{D_i,T_i,V_i}

其中i表示该段位移的序号，D_i是给段位移的目的地，T_i表示在目的地停留的时间，V_i表示该段位移的平均速度。

3.如权利要求1所述的基于遗传算法的移动服务组合计算卸载方法，其特征在于，所述终止条件为：初始化阶段中设定的最大循环次数。