CN110018834A

CN110018834A - 一种混合移动云/边缘计算的任务卸载和数据缓存方法

Info

Publication number: CN110018834A
Application number: CN201910290590.9A
Authority: CN
Inventors: 费泽松; 杨小龙; 史新宇
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2019-04-11
Filing date: 2019-04-11
Publication date: 2019-07-16

Abstract

一种混合移动云/边缘计算的任务卸载和数据缓存方法，属于决策优化以及多用户资源分配技术领域。包括：1)计算出信道功率增益；2)将计算数据上传至AP，计算上下行传输速率；3)判决计算任务处理在用户终端层的用户、边缘层的MEC服务器或者云层中的云服务器中的哪一部分完成，判断出来后，再计算对应情况完成的任务处理时延与能耗；4)得到任务处理过程时延的最小化优化问题；5)复制局部变量并储存于MEC服务器；6)用交替方向乘子法得到增广拉格朗日函数；7)迭代更新得到优化目标函数的最终表达形式，找到任务处理过程时延的最小化。本方法满足用户的能源消耗、AP的存储计算能力约束的同时最小化总用户延迟。

Description

一种混合移动云/边缘计算的任务卸载和数据缓存方法

技术领域

本发明涉及一种混合移动云/边缘计算的任务卸载和数据缓存方法，属于决策优化以及多用户资源分配技术领域。

背景技术

根据Cisco发布的预测报告，2020年全球移动数据流量将是2015年的8倍，联网设备数量将增加到263亿台。随着移动互联网接入用户数量的***性增长，第五代移动通信(5G，the fifth generation of mobile technology)面临着海量设备连接、业务场景增多的诸多挑战，同时用户对时延、能效以及可靠程度指标也提出了更严格的要求，然而现有终端的处理能力很难满足上述移动应用业务需求，影响用户体验。

移动云计算允许移动设备将本地计算任务部分或者完全卸载到云服务器上处理，解决移动设备自身资源不足的问题。然而云服务器距离用户终端层较远，任务卸载时延与回传时延较大，同时会消耗回传链路资源产生额外开销，无法很好地满足低时延、高可靠的需求。移动边缘计算允许设备将任务卸载到网络边缘节点，既满足了节约任务本地执行能耗的需求，又弥补了云计算处理传输时延较长的缺点。然而移动边缘计算忽略了移动云计算强大的计算能力与计算资源。因此，在混合移动云/边缘计算***中结合云计算和边缘计算的优势十分必要。基于上述特点，移动云/边缘联合优化计算成为了学术界和工业界的研究热点。

现有的计算卸载与数据缓存技术虽然具有减轻网络负载、降低网络能耗的效果，然而目前已有的研究只考虑了用户和AP之间的计算卸载，忽略了云服务器强大的计算缓存能力，严重降低用户性能。本发明的目的是致力于解决上述技术缺陷，提出一种混合移动云/边缘计算的任务卸载和数据缓存方法。

发明内容

本发明的目的是克服现有多用户计算卸载与数据缓存方法只考虑用户和AP之间的计算卸载，而忽略了云服务器强大的计算缓存能力的技术缺陷，致力于最小化多用户***网络的任务处理时延，保证时变的无线环境中服务的可靠性与任务卸载效率，解决海量设备连接情况下计算资源短缺的问题，提出了一种混合移动云/边缘计算的任务卸载和数据缓存方法。

本发明的核心思想是采用联合优化数据卸载与数据缓存将计算任务表示出来，此时优化问题属于非线性组合问题，并且目标函数非凸，接下来将非线性组合问题转化为线性组合问题，并求出局部最优解。

所述多用户计算卸载与数据缓存方法依托于包括云层、边缘层以及用户终端层的三层网络***；其中，云层包括云服务器，云服务器的计算能力为f_i ^c；边缘层包括M个AP，m代表AP的序号，其中1个AP包含1个MEC服务器与1个Cache，MEC服务器的计算能力为f_i ^M；用户终端层包括I个用户，i代表用户序号，用户计算能力为f_i ^L；

一种混合移动云/边缘计算的任务卸载和数据缓存方法，包括如下步骤：

步骤一、假设每个AP在一个时隙仅服务于一个用户，用户终端层基于公式(1)计算出信道功率增益G_i,m；

其中，i代表用户序号，m代表AP的序号，g_i,m为有效信道功率增益系数，d_i,m为用户i与第m个AP之间距离，由于假设计算卸载时用户移动速率非常缓慢，g_i,m为常数，α为路损因子；

步骤二、用户将收集的计算数据上传至AP，同时为了减轻返回链路上的业务负担AP将计算任务由下行链路发送给对应用户，计算上下行传输速率，上行链路传输速率表示为(2)：

其中，B是可用频谱带宽，σ²是噪声功率，p_i是用户i的传输功率，p_m是第m个AP的传输功率，I是用户终端层的用户数；

计算下行链路用户的发送速率为(3)：

步骤三、判决计算任务处理在用户终端层的用户、边缘层的MEC服务器或者云层中的云服务器中的哪一部分完成，判断出来后，再计算对应情况完成的任务处理时延与能耗，具体为：

步骤3.1随机生成满足a_i,m+b_i,m+c_i,m＝1条件的a_i,m、b_i,m、c_i,m；并分别判断a_i,m、b_i,m及c_i,m的值，若a_i,m＝1表示计算任务处理在用户终端层完成，跳至步骤3.2A；否则，若b_i,m＝1表示计算任务处理在MEC服务器上完成，跳至步骤3.2B；否则，若c_i,m∈{0,1}表示U_i计算任务处理在云服务器上完成，跳至步骤3.2C；

其中，a_i,m∈{0,1}表示D_i是否卸载至第m个AP，a_i,m＝1表示D_i卸载至第m个AP，a_i,m＝0表示D_i未卸载至第m个AP；b_i,m∈{0,1}表示H_i是否在云服务器上处理，b_i,m＝1表示H_i在云服务器上处理，b_i,m＝0表示H_i未在云服务器上处理；c_i,m∈{0,1}表示U_i是否缓存于第m个MEC服务器，c_i,m＝1表示U_i缓存于第m个MEC服务器，c_i,m＝0表示U_i未缓存于第m个MEC服务器；

计算任务记为：

其中，H_i表示计算模型，S_i表示计算输入数据大小，W_i表示完成任务所需CPU转数；其中，计算输入数据大小S_i又分为用户端收集的数据D_i和云服务器数据库中的数据U_i；

3.2A分别通过公式(4)和(5)计算在用户终端层的任务处理时延与处理能耗

其中，代表用户i与第m个AP之间的下行传输时间，代表用户i处理任务H_i的时间，代表云服务器与第m个AP之间的数据传输时延，r^MC代表云服务器与第m个AP之间的数据传输速率，其为常数，ε为能量参数；

3.2B分别通过公式(6)和(7)计算在MEC服务器上的任务处理时延与用户将数据D_i从用户终端层卸载到MEC服务器的处理能耗

其中，代表用户i与第m个AP之间的下行传输时间，代表第m个AP处理任务H_i的时间；

3.2C分别通过公式(8)计算在云服务器上的任务处理时延处理能耗与用户将数据卸载至MEC服务器的处理能耗相同：

其中，代表第m个AP处理任务H_i的时间，代表云服务器与第m个AP之间的下行数据传输时延；

步骤四、采取McCormick方法和二元变量松弛方法，得到任务处理过程时延的最小化优化问题的改写，即公式(9)：

s.t.∑_i∈Ia_i,mW_i≤O_m,m∈M

z_i,m＝b_i,m(1-c_i,m),i∈I,m∈M

z_i,m≤b_i,m,i∈I,m∈M

z_i,m≤1-c_i,m,i∈I,m∈M

z_i,m≥0,i∈I,m∈M

z_i,m≤b_i,m-c_i,m,i∈I,m∈M

其中，a_i,m∈{0,1}表示D_i是否卸载至第m个AP；b_i,m∈{0,1}表示H_i是否在云服务器上处理；c_i,m∈{0,1}表示U_i是否缓存于MECm服务器，a_i＝{a_i,1,a_i,2,...,a_i,M},b_i＝{b_i,1,b_i,2,...,b_i,M},z＝{z_i,1,z_i,2,...,z_i,M}，i代表用户序号，m代表AP的序号，O_m代表MECm服务器最大计算能力，C_m代表第m个AP的最大存储空间，W_i表示完成任务所需CPU转数,代表用户i与第m个AP之间的下行传输时间，代表用户i处理任务H_i的时间，代表云服务器与第m个AP之间的数据传输时延，r^MC代表云服务器与第m个AP之间的数据传输速率，其为常数，ε为能量参数，代表用户i与第m个AP之间的下行传输时间，代表第m个AP处理任务H_i的时间，代表第m个AP处理任务H_i的时间，代表云服务器与第m个AP之间的下行数据传输时延，E_i ^L代表任务在用户终端层处理时的能耗，表示用户i卸载任务至云服务器所用能耗，表示用户i卸载数据D_i至MEC服务器的能耗，是用户i的总电池容量，ρ_i是相对于用户i的总电池容量的剩余能量消耗的权重的因子；

步骤五、复制变量a_i,m,b_i,m,z_i,m，得到局部变量将局部变量储存于MEC服务器进行计算，简化公式(9)得到公式(10)：

其中g_m是指公式(9)，n是局部变量复制到MEC服务器的服务器编号；

步骤六、用交替方向乘子法，即ADMM算法分解公式(10)得到增广拉格朗日函数L_ρ(e,s,{σⁿ,δⁿ,ηⁿ})；

其中s＝{a_i,m,b_i,m,z_i,m}，和是公式(10)的拉格朗日乘数；

步骤七、迭代更新拉格朗日函数的变量e,s,和{σⁿ,δⁿ,ηⁿ}；

其中，{e^(t),s^(t),θ^(t)}表示第t次迭代后的优化变量，按照公式更新拉格朗日乘积，公式为：

其中，u^m(t),v^m(t),w^m(t)是第t次迭代后缩放的拉格朗日算子新变量，u^m(t+1),v^m(t+1),w^m(t+1)是第t+1次迭代后缩放的拉格朗日算子新变量。得到优化目标函数的最终表达形式是具有二次目标函数和凸问题，通过使用原始对偶内点算法，找到任务处理过程时延的最小化。

有益效果

本发明一种混合移动云/边缘计算的任务卸载和数据缓存方法，与其他计算卸载和数据缓存方法相比，具有如下有益效果：

1、本发明针对以往技术没有考虑云服务器计算缓存能力的缺陷，将具有强大的计算缓存能力的云服务器与边缘计算处理相结合，研究了混合移动云和移动边缘计算卸载数据缓存的联合优化方法；

2、本发明将计算输入数据分为两部分：用户端收集数据和云服务器中相关的数据库，分别研究以上两部分数据的卸载与缓存，更加充分地利用了网络带宽与降低网络时延；

3、使用McCormick方法和二元变量松弛方法，将原始的非线性组合且非凸的问题转化为线性组合问题，此外为了克服集中式处理方法的缺点，提出了一种基于交替方向乘子法，即ADMM算法的数据缓存方案的分布式计算卸载方法。

附图说明

图1是一种混合移动云/边缘计算的任务卸载和数据缓存方法所依托***的结构组成框图；

图2是一种混合移动云/边缘计算的任务卸载和数据缓存方法的流程图。

具体实施方式

为使本发明的目标、技术方案及优点更加清楚明确，下面将对本发明的实施例进行详细的描述。本实施例以本发明的技术方案为指导进行实际的实践核验，同时给出了详细的实施方式和具体的操作流程，但本发明的保护范围并不只限于如下的实施例。

实施例1

图1是本发明一种混合移动云/边缘计算的任务卸载和数据缓存方法的结构框图及实施例1中的示意图。图2是本发明一种混合移动云/边缘计算的任务卸载和数据缓存方法的流程图。依据上述示意图与流程图描述本申请在特定应用场景下具体实施，本实施例叙述了采用本发明所述方法应用于远程医疗服务的具体实施。

远程医疗起源于20世纪70年代，指通过电子通信技术进行医疗或其他保健信息的远距离交换，以改善患者的健康状况，为医疗机构外的患者提供技术支持的医疗活动，其包括远程诊断、远程会诊、远程教育、远程医疗信息服务诸多医学活动。

在该实施例中患者与医疗机构分布于用户终端层，用户终端层的操作主要包括血压测量、血糖测量、远程视频；***将用户终端层采集上传的用户信息、图表或者视频图像送至MEC服务器与云服务器处理，通过边缘层与云层强大的数据接收、处理、分析、计算、显示、传输能力实现用户端患者与医疗机构之间的病情交流。医护人员对病患者进行不受时间和地域限制的远程医疗服务；医疗机构对病人历史数据进行存储、统计和分析，进而动态掌握病患者情况，同时降低了医疗监护的人力物力成本。

本实施案例的网络模型分为三层，分别由用户终端层、边缘层、云层组成，其中用户终端层包含300个患者，边缘层包含10个MEC服务器，云层包含1个云服务器。所需处理的任务H_i即为300个患者的个人健康信息的接收、处理、分析、计算、显示与传输，其在用户层、边缘层或者云层中处理。

步骤A、计算患者i将收集的计算数据传至第m个AP的上行链路传输速率为(10)：

其中，该网络模型中云服务器计算能力为f_i ^C，MEC服务器计算能力为f_i ^M，用户计算能力为f_i ^L。B是可用频谱带宽，σ²是噪声功率，p_i是患者i的上行传输功率，p_m是第m个AP的上行传输功率，是相关信道功率增益，其中g_i,m为有效信道功率增益系数，看做常数，α为路损因子，d_i,m为患者i与第m个AP之间距离。

步骤B、计算下行链路患者i的发送速率为(11)：

步骤C、计算任务分配于不同层时的处理时延与能耗。输入数据分为用户端收集的数据和云服务器数据库中的数据，分别用D_i和U_i表示。S_i表示计算输入数据大小，W_i表示完成任务H_i所需CPU转数。

设a_i,m∈{0,1}表示D_i是否卸载至第m个AP；b_i,m∈{0,1}表示H_i是否在云服务器上处理；c_i,m∈{0,1}表示U_i是否缓存于MECm服务器。由于MEC服务器计算能力有限，每个用户终端层的患者只能选择一种方案处理计算任务；

利用公式(12)和(13)计算任务在用户终端层的任务处理时延与处理能耗

其中代表患者i与第m个AP之间的下行传输时间，代表患者i处理任务H_i的时间，代表云服务器与第m个AP之间的数据传输时延，r^MC代表云服务器与第m个AP之间的数据传输速率，其为常数，ε为能量参数，设置为ε＝10^-11；

利用公式(14)和(15)计算在MEC服务器上的任务处理时延与用户将数据D_i从用户终端层卸载到MEC服务器的处理能耗

其中代表患者i与第m个AP之间的下行传输时间，代表第m个AP处理任务H_i的时间，ε为能量参数，设置为ε＝10^-11；

利用公式(16)计算在云服务器上的任务处理时延

其中代表第m个AP处理任务H_i的时间，代表云服务器与第m个AP之间的下行数据传输时延,在云服务器上的处理能耗与用户将数据卸载至MEC服务器的处理能耗相同。

步骤D、计算所有患者对全部任务计算的总时间，并最小化总时延；

优化问题目标函数的最终表达形式是具有二次目标函数和凸问题特征的形式，因此采用原始对偶内点算法计算得到处理过程最小时延。

综上所述，本发明研究了混合移动云/边缘计算***中计算卸载和数据缓存策略的联合优化方案，目的是在满足用户的能源消耗、AP的存储计算能力约束的同时最小化总用户延迟。我们首先改变了原始的非凸问题，使用McCormick方法和二元变量松弛方法将优化问题转化为线性组合问题，提出一种基于交替方向乘子法，即ADMM算法的分布式联合计算卸载数据缓存方案。结果表明，本发明方案有比其他已有方案更好的性能。

以上所述的具体描述，对发明的目的、技术方案和优点益处都进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进，均应包含在本发明的保护范围之内。

Claims

1.一种混合移动云/边缘计算的任务卸载和数据缓存方法，其特征在于：依托于包括云层、边缘层以及用户终端层的三层网络***；其中，云层包括云服务器，云服务器的计算能力为f_i ^c；边缘层包括M个AP，m代表AP的序号，其中1个AP包含1个MEC服务器与1个Cache，MEC服务器的计算能力为f_i ^M；用户终端层包括I个用户，i代表用户序号，用户计算能力为f_i ^L；

所述任务卸载和数据缓存方法，包括如下步骤：

计算下行链路用户的发送速率为(3)：

计算任务记为：

s.t.∑_i∈Ia_i,mW_i≤O_m,m∈M

z_i,m＝b_i,m(1-c_i,m),i∈I,m∈M

z_i,m≤b_i,m,i∈I,m∈M

z_i,m≤1-c_i,m,i∈I,m∈M

z_i,m≥0,i∈I,m∈M

z_i,m≤b_i,m-c_i,m,i∈I,m∈M

其中，a_i,m∈{0,1}表示D_i是否卸载至第m个AP；b_i,m∈{0,1}表示H_i是否在云服务器上处理；c_i,m∈{0,1}表示U_i是否缓存于MECm服务器，a_i＝{a_i,1,a_i,2,...,a_i,M},b_i＝{b_i,1,b_i,2,...,b_i,M},z＝{z_i,1,z_i,2,...,z_i,M}，i代表用户序号，m代表AP的序号，O_m代表MECm服务器最大计算能力，C_m代表第m个AP的最大存储空间，W_i表示完成任务所需CPU转数,代表用户i与第m个AP之间的下行传输时间，代表用户i处理任务H_i的时间，代表云服务器与第m个AP之间的数据传输时延，r^MC代表云服务器与第m个AP之间的数据传输速率，其为常数，ε为能量参数，代表用户i与第m个AP之间的下行传输时间，代表第m个AP处理任务H_i的时间，代表第m个AP处理任务H_i的时间，代表云服务器与第m个AP之间的下行数据传输时延，代表任务在用户终端层处理时的能耗，表示用户i卸载任务至云服务器所用能耗，表示用户i卸载数据D_i至MEC服务器的能耗，是用户i的总电池容量，ρ_i是相对于用户i的总电池容量的剩余能量消耗的权重的因子；

其中，g_m是指公式(9)，n是局部变量复制到MEC服务器的服务器编号；

其中s＝{a_i,m,b_i,m,z_i,m}，和是公式(10)的拉格朗日乘数；

步骤七、迭代更新拉格朗日函数的变量e,s,和{σⁿ,δⁿ,ηⁿ}，得到优化目标函数的最终表达形式是具有二次目标函数和凸问题，通过使用原始对偶内点算法，找到任务处理过程时延的最小化；

其中，u^m(t),v^m(t),w^m(t)是第t次迭代后缩放的拉格朗日算子新变量，u^m(t+1),v^m(t+1),w^m(t+1)是第t+1次迭代后缩放的拉格朗日算子新变量。