CN110519776B - 一种雾计算***中的均衡聚类和联合资源分配方法 - Google Patents

Abstract

本发明提供了一种雾计算***中的均衡聚类和联合资源分配方法，该方法包括：(1)计算各个雾计算节点归属到各个簇时的损失函数，将令损失函数取得最小值的簇确定为该雾计算节点的归属簇；(2)统计各簇中，归属簇发生变化的雾计算节点的数量；(3)如果归属簇发生变化的雾计算节点数量超过阈值，则返回步骤(1)，如果小于阈值则继续向下执行；(4)在完成均衡聚类之后，对各簇内资源进行分配；(5)在完成任务卸载矩阵的优化之后，对计算资源和通信资源矩阵进行优化；(6)计算前后两次优化之后的目标函数值之差的绝对值，如果大于阈值，则返回步骤(5)，如果小于阈值，则流程结束。本发明降低簇内雾计算节点的最大响应时间和最大能耗。

Description

一种雾计算***中的均衡聚类和联合资源分配方法

技术领域

本发明涉及一种雾计算***中的均衡聚类和联合资源分配方法，属于雾计算领域。

背景技术

在5G异构网络融合环境中，随着物联网技术以及智能移动终端的广泛普及，手机电视、增强现实、视频通话、语音聊天等移动数据业务带给用户全新的体验。云计算被广泛使用，云计算中的云端服务器提供了充足的计算资源，终端可以把部分计算任务卸载给云端服务器从而降低功耗，获得更长的电池使用时间，有效的提高人们对应用服务的体验质量(Quality of Experience，QoE)。但是云计算仍有一些缺陷，将任务卸载至离用户远的中心云，地理距离的增加会导致时延的增加，无法满足一些对时延敏感的应用的需求。因为因此思科在2014年提出了雾计算(Fog Computing)技术，将数量众多的雾计算节点部署到网络的边缘，这些雾计算节点有一定的存储和计算能力，可以完成一些轻量的计算任务。通过降低距离的方式降低时延，确保高效的网络操作和服务交付，并提供改进的用户体验。

雾计算(Fog Computing),基于雾计算的***场景包括移动用户，假设在宏基站处的服务器，分布在宏小区内的大量雾计算节点和终端；雾计算将原本云计算服务器的功能扩展到整个宏蜂窝中的许多雾计算节点中，使数据和应用程序能够在移动用户附近进行处理，向移动用户提供就近的计算和存储功能，从而减少数据和应用程序的处理时间；而雾计算节点的分布不均匀会导致宏蜂窝内某些雾计算节点接收到的任务量不均匀，这会导致同一个宏蜂窝内的用户QoE差异非常大。在现有方法中，可以通过排队论理论来实现雾计算节点间的协作，但是排队论理论无法对协作中的计算资源和通信资源进行更细致的分配，也无法解决雾计算节点数量增多带来的优化问题求解时间增加这一问题；因此，如何在雾计算节点间协作中，更加细致地分配计算资源和通信资源，以缓解雾计算节点分布不均匀所带来的高延迟问题，和通过并行化来降低算法执行时间，成为亟待解决的问题。

发明内容

技术问题：本发明针对现有技术中，因为某些雾计算节点的任务负载过高而导致的响应时间过高这一问题，提供一种雾计算***中的均衡聚类和联合资源分配方法。本方法通过均衡聚类后的联合资源分配，以最小化各簇的目标函数为目标，实现簇内雾计算节点间的协作，降低簇内雾计算节点的最大响应时间和最大能耗。

技术方案：本发明所要解决的技术问题是提供一种雾计算***中的均衡聚类和联合资源分配方法，在保证不超过雾计算节点资源上限的前提下，以最小化簇内雾计算节点的目标函数为目标，通过先聚类，再并行求解优化问题的方式实现宏基站中的雾计算节点间协作。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种雾计算***中的均衡聚类和联合资源分配方法，用于实现宏基站中雾计算节点的分簇和簇间并行资源分配；包括如下步骤：

一种雾计算***中的均衡聚类和联合资源分配方法，其特征在于，该方法包括如下步骤：

(1)宏基站服务器首先收集该宏蜂窝中的所有雾计算节点的任务负载和计算资源信息，计算各个雾计算节点归属到各个簇时的损失函数，将令损失函数取得最小值的簇确定为该雾计算节点的归属簇，并进入步骤(2)；

(2)统计各簇中，归属簇发生变化的雾计算节点的数量；

(3)如果归属簇发生变化的雾计算节点数量超过阈值，则返回步骤(1)，如果小于阈值则继续向下执行；

(4)在完成均衡聚类之后，对各簇内资源进行分配，以达到簇内雾计算节点间相互协作的目的，首先求解任务卸载矩阵，让任务负载较重的雾计算节点将部分任务卸载给簇内其他雾计算节点，使用内点法对该矩阵进行优化，目标是使预先定义的目标函数值最小化；

(5)在完成任务卸载矩阵的优化之后，对计算资源和通信资源矩阵进行优化，同样使用内点法，目标是使目标函数值最小化；

(6)计算前后两次优化之后的目标函数值之差的绝对值，如果大于阈值，则返回步骤(5)，如果小于阈值，则流程结束。

进一步地，在经过步骤(1)到步骤(3)的操作之后，下面的步骤(4)到步骤(6)是在各簇内独立进行的，即可以通过簇间并行计算的方式降低资源分配部分的执行时间；联合资源分配部分交给具有宏蜂窝内所有雾计算节点信息的宏基站处的服务器来进行。

进一步地，所述步骤(1)中所述计算各个雾计算节点归属到各个簇时的损失函数的过程总，会针对宏蜂窝中的所有雾计算节点进行聚类，在每个宏蜂窝中，

表示宏基站中所有雾计算节点组成的集合，

表示宏基站中所有簇所组成的集合；

用来表示第i个雾计算节点，

用来表示第k个簇；d_i表示第i个雾计算节点的任务负载，

表示第k个簇中所有雾计算节点的任务负载之和；f_i表示第i个雾计算节点的计算资源，

表示第k个簇中所有雾计算节点的计算资源之和；(x_i,y_i)表示第i个雾计算节点的坐标，(x_k,y_k)表示第k个簇的聚类中心坐标；λ_i表示第i个雾计算归属簇的序号，

当λ_i＝k时，说明第i个雾计算属于第k个簇。

进一步地，步骤(5)中所述对计算资源和通信资源矩阵进行优化，会对每个簇中并行的执行资源分配阶段的步骤，并且需要通过交替优化的方式来求得原优化问题的次优解，对于该优化问题的优化目标，定义如下：

在资源分配阶段，用

表示第k个簇中的雾计算节点所组成的集合，

变量m和n表示第k个簇中的雾计算节点，T_mn表示雾计算节点m把部分任务卸载给雾计算节点n时的时延，E_mn表示雾计算节点m把部分任务卸载给雾计算节点n时的能耗；ω表示权重，通过这个权重来对算法的优化方向进行调节，权重较大时算法会尽可能地降低簇内的最高能耗，权重较小时算法会尽可能地降低簇内的最大时延；Φ表示簇内的任务卸载矩阵，F表示簇内的计算资源分配矩阵，B表示簇内的通信资源分配矩阵。

进一步地，步骤(5)中所述的，对计算资源和通信资源矩阵进行优化，其求解过程如下：

(1)首先对Φ，F和B进行初始化；

(2)对任务分配矩阵Φ进行优化，将该优化问题进一步分解，使用内点法依次优化Φ的每一个行向量；

(3)对计算资源分配矩阵F和通信资源分配矩阵B进行优化，同样将该优化问题进一步分解，使用内点法依次优化F和B的每一个列向量。

本发明所述一种基于移动边缘计算***的并行资源分配方法采用以上技术方案与现有技术相比，具有以下技术效果：

1.本发明所设计一种基于雾计算***的均衡聚类和资源分配方法，针对雾计算场景，基于资源感知聚类和凸优化理论，以最小化簇内雾计算节点的目标函数为目标，通过先聚类，再并行求解优化问题的方式实现宏基站中的雾计算节点间协作；相较于传统的聚类算法，资源感知的聚类算法在进行聚类的时候不仅考虑到了雾计算节点的距离信息，还考虑到了雾计算节点的计算资源和任务负载，以达到距离，计算资源和任务负载这三个方面的均衡聚类的目的；在聚类完成之后，部署在宏基站处的服务器会以并行的方式求解各簇中的资源分配问题，相较于求解一个大规模的资源分配问题，将问题分解为多个可以并行求解的资源分配子问题，可以大幅度地降低雾计算节点数量带来的额外计算复杂度和***时延。

2.本发明通过均衡聚类的方式来产生多个计算资源和任务负载均衡的簇，从而可以使后面的联合资源分配部分能够实现并行化，降低算法执行时间。在联合资源分配部分，使用基于凸优化理论的内点法来求解该资源分配问题，使得雾计算节点能够利用簇内其他雾计算节点的计算资源，从而降低簇内雾计算节点的最高响应时间和最高能耗。

附图说明

图1是本发明提出的均衡聚类和联合资源分配方法适用的雾计算***示意图。

图2是本发明提出的一种雾计算***中的均衡聚类和联合资源分配方法的流程图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

如图1所示，本发明研究的基于雾计算的场景包括宏基站，宏基站服务器，雾计算节点和核心网。雾计算节点是独立的计算和存储单元，雾计算节点可与宏基站通过长期演进(Long Term Evolution，LTE)/5G网络进行无线通信，获取基站所下发的指令、路况等信息；宏基站之间是通过可靠的光纤进行连接至核心网；宏基站服务器中保存了该宏蜂窝内的所有雾计算节点的坐标，计算资源和通信资源信息，资源均衡的聚类和资源分配算法都在此处执行，利用其强大的计算性能减少算法执行时间。雾计算节点用于将中心云功能扩展到高度分布式的移动基站环境中，使数据和应用程序能够在移动用户附近进行处理，向移动用户提供存储和计算的功能，从而减少数据和应用程序的处理时间；雾计算节点之间通过D2D(Device to Device)的方式进行协作，通过任务卸载，计算资源共享的方式来为满足雾计算***中低时延，高可靠的应用需求提供保证。

在图1中，使用

表示宏基站中所有雾计算节点组成的集合，

表示宏基站中所有簇所组成的集合。

用来表示第i个雾计算节点，

用来表示第k个簇。d_i表示第i个雾计算节点的任务负载，

表示第k个簇中所有雾计算节点的任务负载之和。f_i表示第i个雾计算节点的计算资源，

表示第k个簇中所有雾计算节点的计算资源之和。(x_i,y_i)表示第i个雾计算节点的坐标，(x_k,y_k)表示第k个簇的聚类中心坐标。

本发明针对当前雾计算***中，传统的基于排队论理论的资源分配方法和聚类算法中存在的问题进行改进，提出均衡的聚类，计算资源和通信资源分配方案，以实现高可靠，低时延的雾计算节点间协作。该方法在保证不超过雾计算节点资源上限的情况下，实现簇间并行地资源分配。该方法主要分为两部分，资源均衡的聚类和资源分配，资源分配问题可以建模为一个线性约束的单目标凸优化问题，将资源分配过程并行化处理，从而获得最优的资源分配结果和更快的算法执行速度。

本发明设计了一种基于雾计算***的均衡聚类和资源分配方法，用于实现宏蜂窝内的雾计算节点的资源均衡聚类和簇内任务负载，计算资源和通信资源的分配；如图2所示，实际应用中，具体包括如下步骤：

(1)宏基站服务器首先收集该宏蜂窝中的所有雾计算节点的任务负载和计算资源信息。计算各个雾计算节点归属到各个簇时的损失函数，将令损失函数取得最小值的簇确定为该雾计算节点的归属簇，并进入步骤(2)；

(2)统计各簇中，归属簇发生变化的雾计算节点的数量；

(3)如果归属簇发生变化的雾计算节点数量超过阈值，则返回步骤(1)，如果小于阈值则继续向下执行；

(4)在完成均衡聚类之后，对各簇内资源进行分配，以达到簇内雾计算节点间相互协作的目的。首先求解任务卸载矩阵，让任务负载较重的雾计算节点将部分任务卸载给簇内其他雾计算节点，使用内点法对该矩阵进行优化，目标是使预先定义的目标函数值最小化。

(5)在完成任务卸载矩阵的优化之后，对计算资源和通信资源矩阵进行优化。同样使用内点法，目标是使目标函数值最小化。

(6)计算前后两次优化之后的目标函数值之差的绝对值，如果大于阈值，则返回步骤(5)，如果小于阈值，则流程结束。

其中，在上述步骤(1)中，针对宏蜂窝中的所有雾计算节点进行聚类时，按如下公式来定义损失函数：

获得宏蜂窝中，每个雾计算节点i对于每个簇k的损失函数值L(i,k)，那么每个雾计算节点都将得到K个损失函数值。为其选择令损失函数值最小的分簇作为该雾计算节点的归属簇。其中，λ_i表示第i个雾计算归属簇的序号，

在上述步骤(4)和(5)中，会对每个簇中并行地执行资源分配阶段的几个步骤。目标函数的定义按如下公式：

表示第k个簇中的雾计算节点所组成的集合，T_mn表示雾计算节点m把部分任务卸载给雾计算节点n时的时延，E_mn表示雾计算节点m把部分任务卸载给雾计算节点n时的能耗。ω表示权重，通过这个权重来对算法的优化方向进行调节，权重较大时算法会尽可能地降低簇内的最高能耗，权重较小时算法会尽可能地降低簇内的最大时延。Φ表示簇内的任务卸载矩阵，F表示簇内的计算资源分配矩阵，B表示簇内的通信资源分配矩阵。

确定优化目标之后，还需要确定约束条件，约束条件按照下面给出：

表示雾计算节点m卸载给雾计算节点n的任务占雾计算节点m总任务量的百分比。f_mn表示雾计算节点n分配给

部分任务的计算资源，

表示雾计算节点n的计算资源上限。B_mn表示雾计算节点n分配给

部分任务的通信资源，

表示雾计算节点n的通信资源上限。

在步骤(4)中，需要优化任务卸载矩阵Φ，任务卸载矩阵可以写为：

优化任务卸载矩阵Φ的问题又可以进一步分解为依次优化任务卸载矩阵的每个行向量。

在步骤(5)中，需要优化计算资源分配矩阵F和通信资源分配矩阵B，两个矩阵可以表示为下面的形式：

因此优化计算资源分配矩阵F和通信资源分配矩阵B的问题可以进一步被分解为依次优化它们的列向量。

上述技术方案所设计一种基于雾计算***的均衡聚类和资源分配方法，针对雾计算场景，基于资源感知聚类和凸优化理论，以最小化簇内雾计算节点的目标函数为目标，通过先聚类，再并行求解优化问题的方式实现宏基站中的雾计算节点间协作；相较于传统的聚类算法，资源感知的聚类算法在进行聚类的时候不仅考虑到了雾计算节点的距离信息，还考虑到了雾计算节点的计算资源和任务负载，以达到距离，计算资源和任务负载这三个方面的均衡聚类的目的；在聚类完成之后，部署在宏基站处的服务器会以并行的方式求解各簇中的资源分配问题，相较于求解一个大规模的资源分配问题，将问题分解为多个可以并行求解的资源分配子问题，可以大幅度地降低雾计算节点数量带来的额外计算复杂度和***时延。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种雾计算***中的均衡聚类和联合资源分配方法，其特征在于，该方法包括如下步骤：

(1)宏基站服务器首先收集宏蜂窝中的所有雾计算节点的任务负载和计算资源信息，计算各个雾计算节点归属到各个簇时的损失函数，将令损失函数取得最小值的簇确定为该雾计算节点的归属簇，并进入步骤(2)；

按如下公式来定义损失函数：

其中，

用来表示第i个雾计算节点，k,

用来表示第k个簇；d_i表示第i个雾计算节点的任务负载，

表示第k个簇中所有雾计算节点的任务负载之和；f_i表示第i个雾计算节点的计算资源，

表示第k个簇中所有雾计算节点的计算资源之和；(x_i,y_i)表示第i个雾计算节点的坐标，(x_k,y_k)表示第k个簇的聚类中心坐标；λ_i表示第i个雾计算归属簇的序号，

当λ_i＝k时，说明第i个雾计算属于第k个簇；

获得宏蜂窝中，每个雾计算节点i对于每个簇k的损失函数值L(i,k)，那么每个雾计算节点都将得到K个损失函数值；为其选择令损失函数值最小的分簇作为该雾计算节点的归属簇；其中，λ_i表示第i个雾计算归属簇的序号，

(2)统计各簇中，归属簇发生变化的雾计算节点的数量；

(3)如果归属簇发生变化的雾计算节点数量超过阈值，则返回步骤(1)，如果小于阈值则继续向下执行；

(4)在完成均衡聚类之后，对各簇内资源进行分配，以达到簇内雾计算节点间相互协作的目的，首先求解任务卸载矩阵，让任务负载较重的雾计算节点将部分任务卸载给簇内其他雾计算节点，使用内点法对该矩阵进行优化，目标是使预先定义的目标函数值最小化；

(5)在完成任务卸载矩阵的优化之后，对计算资源和通信资源矩阵进行优化，同样使用内点法，目标是使目标函数值最小化；

(6)计算前后两次优化之后的目标函数值之差的绝对值，如果大于阈值，则返回步骤(5)，如果小于阈值，则流程结束。

2.根据权利要求1所述一种雾计算***中的均衡聚类和联合资源分配方法，其特征在于：在经过步骤(1)到步骤(3)的操作之后，下面的步骤(4)到步骤(6)是在各簇内独立进行的，通过簇间并行计算的方式降低资源分配部分的执行时间；联合资源分配部分交给具有宏蜂窝内所有雾计算节点信息的宏基站处的服务器来进行。

3.根据权利要求1所述的一种雾计算***中的均衡聚类和联合资源分配方法，其特征在于：所述步骤(1)中所述计算各个雾计算节点归属到各个簇时的损失函数的过程中，会针对宏蜂窝中的所有雾计算节点进行聚类，在每个宏蜂窝中，

表示宏基站中所有雾计算节点组成的集合，

表示宏基站中所有簇所组成的集合。

4.根据权利要求1所述的一种雾计算***中的均衡聚类和联合资源分配方法，其特征在于：步骤(5)中所述对计算资源和通信资源矩阵进行优化，会对每个簇中并行的执行资源分配阶段的步骤，并且需要通过交替优化的方式来求得原优化问题的次优解，对于该优化问题的优化目标，定义如下：

在资源分配阶段，用

表示第k个簇中的雾计算节点所组成的集合，

变量m和n表示第k个簇中的雾计算节点，T_mn表示雾计算节点m把部分任务卸载给雾计算节点n时的时延，E_mn表示雾计算节点m把部分任务卸载给雾计算节点n时的能耗；ω表示权重，通过这个权重来对算法的优化方向进行调节，权重较大时算法会降低簇内的最高能耗，权重较小时算法会降低簇内的最大时延；Φ表示簇内的任务卸载矩阵，F表示簇内的计算资源分配矩阵，B表示簇内的通信资源分配矩阵。

5.根据权利要求1所述的一种雾计算***中的均衡聚类和联合资源分配方法，其特征在于：步骤(5)中所述的，对计算资源和通信资源矩阵进行优化，其求解过程如下：

(1)首先对Φ，F和B进行初始化；

(2)对任务分配矩阵Φ进行优化，将该优化问题进一步分解，使用内点法依次优化Φ的每一个行向量；

(3)对计算资源分配矩阵F和通信资源分配矩阵B进行优化，同样将该优化问题进一步分解，使用内点法依次优化F和B的每一个列向量。

Images