CN111930436A - 一种基于边缘计算的随机型任务排队卸载优化方法 - Google Patents
一种基于边缘计算的随机型任务排队卸载优化方法 Download PDFInfo
- Publication number
- CN111930436A CN111930436A CN202010668415.1A CN202010668415A CN111930436A CN 111930436 A CN111930436 A CN 111930436A CN 202010668415 A CN202010668415 A CN 202010668415A CN 111930436 A CN111930436 A CN 111930436A
- Authority
- CN
- China
- Prior art keywords
- task
- edge
- unloading
- base station
- consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000670 limiting effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于边缘计算的随机型任务排队卸载优化方法,属于无线通信技术领域,首先将用户MDi产生的任务通过本地执行的概率表示为用分别表示MDi将任务通过宏基站卸载的概率和任务通过小基站卸载的概率。任务在本地处理的排队模型为M/M/1队列,任务卸载至服务器处理的排队模型为M/M/c队列。其次建立了以用户为中心的时延与能耗最小化优化目标,利用决策概率反应用户选择不同路径执行任务的意愿。为了解决时延与能耗最小化问题,提出了基于拟牛顿内点法的任务分配算法,将目标变量最优解视为一个组合利用拟牛顿条件将目标函数Hessian矩阵的逆用近似矩阵Dk代替,通过迭代公式不断更新Dk矩阵,更新最优搜索方向与搜索步长,最终逼近最优解。
Description
技术领域
本发明涉及基于边缘计算的随机型任务排队卸载优化方案,尤其涉及边缘计算网络***中,随着数据业务需求的增长,网络拥塞情况的发生所导致的***额外消耗问题。
背景技术
随着科技的快速发展,移动设备流量急剧增长。但是由于自身资源及计算性能有限,智能移动设备在处理计算密集型和时间敏感型应用时可能面临着能力不足的情况。为此,使用网络边缘节点来处理分析数据的边缘计算模式应运而生,并与传统云计算模式形成互补。然而,边缘设备往往具有轻量化的特点,如何合理利用边缘有限的计算资源便成为边缘计算亟需解决的重要问题。边缘计算针对传统云计算能力不足,在移动用户附近的无线接入网络边缘提供云计算功能,满足快速交互响应的需求,提供普遍且灵活的计算服务。为使用边缘网络提供的服务,移动设备如何将所承担的任务卸载到边缘服务器,进行高效合理的卸载决策,已经成为目前边缘计算问题的主要研究方向。
5GMEC业务应用场景的多元化,决定了其技术本身具有一定的交叉性。MEC技术将计算能力、存储能力和业务服务能力迁移到网络边缘,使应用、服务和内容本地化、近距离、分布式部署。边缘计算能力的开放有利于降低网络延时,提升网络效率,有效地解决了5G网络垂直应用场景的低时延、高可靠、大连接等需求。
计算卸载是边缘计算的一个关键技术,可以为资源受限设备运行计算密集型应用提供计算资源,加快计算速度,节省能源。更详细的说,边缘计算中的计算卸载是将移动终端的计算任务卸载到边缘云环境中,解决了设备在资源存储、计算性能以及能效等方面存在的不足。计算卸载一般是指将计算量大的任务合理分配给计算资源充足的代理服务器进行处理,再把运算完成的计算结果从代理服务器取回。从目前的国内外研究现状来看,国内外专家和学者的研究重点主要在理想场景下的MEC***任务卸载方法上。在卸载方法的设计中,多节点、多网络层、分布式的卸载机制被不断提出。专利CN111262944A与CN111182582A均针对多链路移动边缘计算***,提供了一种面向移动边缘计算的多任务分布式卸载方法。专利CN111262906A采用基于资源阈值的本地资源优先策略,选取本地边缘节点、邻近边缘节点或云计算中心的计算节点执行任务。通过本地边缘节点决策卸载任务分配,在保证用户体验质量与服务质量的情形下,优化边缘计算节点之间资源使用的合理性、均衡性。专利CN111193615A公开了一种移动边缘计算网络中的边缘计算节点选择方法,通过结合终端设备的社交特性、传输特性和计算特性,以优化社交福利为目标进行边缘计算节点的分配。但以上专利并未将节点计算或服务能力参与到卸载决策制定当中。专利CN111240701A公开了一种端-边-云协同计算的任务卸载优化方法。专利CN111263401A公开了一种基于移动边缘计算的多用户协作计算卸载方法,根据任务到达率的变化将MEC服务覆盖区域内的移动设备分为繁忙设备和空闲设备,利用空闲设备的计算资源协作计算卸载。专利CN111148155A基于图划分的将移动设备划分成簇,然后将多用户之间的任务卸载决策问题转化为多用户博弈问题,降低云核心网的计算和通信负载。虽然以上专利较好地通过设备划分来制定相应的卸载决策,但未充分考虑设备与边缘服务器的拥塞问题。已有大量专利研究移动边缘计算背景下的时延问题,其中专利CN111163143A采用优先向传输速率大的服务器卸载的顺序,按照上一个服务器的计算时间与下一个服务器的通信和计算时间相等的原则得到每个服务器上分配的任务量,使计算任务完成的总时延降低。专利CN111130911A针对***资源有限的移动边缘网络,将计算卸载、带宽以及计算资源分配进行联合优化,以降低用户完成计算任务的平均时延。专利CN111148134A根据任务类别和任务卸载策略对任务进行卸载,能够在带共享任务的多用户多任务,且任务不可分的情况下,通过移动边缘计算实现用户和边缘服务器联合处理的时延优化。以上专利对时延的优化产生了较好的效果,但在未来5G通信的用户高需求下,能耗与时延联合优化也是一个不可缺少的研究热点。
在基于边缘计算任务卸载的专利中,传统方法建模太过理想化,未考虑现实通信场景中更多的卸载阻碍,因此应用范围窄、拓展性低。在未来5G网络环境下边缘服务器的大量部署下,用户对于卸载的低时延、低功耗的卸载需求会愈发明显。
发明内容
本发明的目的是建立一种用户卸载时的等待消耗以及传输消耗模型,在边缘计算网络中为用户卸载任务建立了更为详尽与全面的卸载过程,该实施例可较好的适用于用户设备数量较多、任务处理需求较大时的情况,并可有效降低***拥塞。
本发明是一种基于边缘计算的随机型任务排队卸载优化方法,其步骤为:
(1)建立边缘计算环境下任务处理的数学模型;
(2)根据步骤(1)建立的边缘计算环境下任务处理的数学模型,利用M/M/1与M/M/c排队特性建立网络用户数据业务模型,计算用户任务在本地CPU处理、在异构基站所部署的边缘服务器执行下不同能量与时延消耗;
(3)利用步骤(2)得到的不同执行方式下且不同权重系数的时延与能耗消耗值,构建最小化用户在任务执行时等待消耗与传输消耗模型。
(4)根据步骤(3)得到的任务执行总消耗优化目标,通过一种基于拟牛顿内点法的任务分配算法求解该集合中的最优的任务分配决策得到最低设备消耗,从而实现最小化用户在任务执行时等待消耗与传输消耗。
本发明与现有技术相比,具有以下优点:(1)传统相关发明只针对优化用户能耗或用户时延,存在一定的局限性。本发明则联合考虑了用户设备处理任务时的时延与能量消耗,并通过引入时延系数,满足对时延与能耗有着不同需求用户的多样化优化需求。(2)传统发明所建立的模型理想化问题突出,本发明综合考虑到任务卸载执行过程中会产生的任务等待消耗,并根据排队理论建立了更符合实际场景的任务排队模型。(3)传统有关移动边缘计算的发明均忽略了基站对于整个传输***的作用,本发明考虑了基站的承载能力所导致的拥塞情况对于MEC传输***的影响。(4)所述方法在建立卸载决策模型时,采用随机概率的方式表示用户设备在不同位置卸载的意愿,使得任务传输有较高的灵活性。
附图说明
图1是协作通信***模型,图2是随机任务排队模型图,图3算法收敛性能对比。
具体实施方式
本发明是一种基于边缘计算的随机型任务排队卸载优化方法,其步骤为:
(1)建立边缘计算环境下任务处理的数学模型;
(2)根据步骤(1)建立的边缘计算环境下任务处理的数学模型,利用M/M/1与M/M/c排队特性建立网络用户数据业务模型,计算用户任务在本地CPU处理、在异构基站所部署的边缘服务器执行下不同能量与时延消耗;
(3)利用步骤(2)得到的不同执行方式下且不同权重系数的时延与能耗消耗值,构建最小化用户在任务执行时等待消耗与传输消耗模型。
(4)根据步骤(3)得到的任务执行总消耗优化目标,通过一种基于拟牛顿内点法的任务分配算法求解该集合中的最优的任务分配决策得到最低设备消耗,从而实现最小化用户在任务执行时等待消耗与传输消耗。
以上所述的基于边缘计算的随机型任务排队卸载优化方法,所述步骤1建立的边缘计算环境下任务处理的数学模型,具体按以下过程实施:①边缘计算服务器服务资源或内嵌于边缘基站中的硬件服务平台,可以与基站天线在一跳的网络范围建立通信;
②引入排队队长以及排队强度等重要指标来制定边缘网络的任务卸载排队策略;
③通过随机卸载模型,建立卸载概率,卸载概率充分反映设备卸载意愿,概率越大,对应卸载位置的卸载意愿越强。
以上所述的基于边缘计算的随机型任务排队卸载优化方法,所述步骤2建立网络用户设备数据业务模型,具体按以下过程实施:
①假设有用户集合MDi(i=1,2,3…N),,一个装载有MEC边缘计算服务器的宏基站MBS和一个协作基站SBS,宏基站与协作基站通过光纤链路连接;由于每个用户产生的任务类型不同,因而产生的任务请求具有随机性;假设计算任务是由多个子任务组成的;设备随机生成的计算任务可本地处理,也可将部分子任务通过宏基站上传至边缘云服务器进行处理;在本发明中,任务也可通过协作基站将部分子任务上传至边缘云服务器,从而减小宏基站的处理压力;
②基于排队理论,考虑本地用户端的处理模型为M/M/1队列,任务传输的模型为M/M/c队列;假设MDi的任务产生速率为λi,从MDi(i=1,2,3…N)产生的请求数据量大小为θi;MDi产生的任务通过本地执行的概率为利用边缘云处理任务的概率为分别为MDi将任务通过宏基站上传的概率和任务通过小基站上传的概率,其中根据泊松分布的性质,卸载至MEC服务器的服务请求服从平均速率为的泊松过程,则本地处理的服务请求则服从平均速率为的泊松过程。
以上所述的基于边缘计算的随机型任务排队卸载优化方法,排队理论的任务传输卸载模型,根据步骤3得到的不同执行方式下且不同权重系数下的时延与能耗消耗值,并构建最小化用户在任务执行时等待时的消耗与传输消耗的优化目标;具体按以下过程实施:
①在5G移动边缘计算环境下,在满足最大任务到达速率限制条件以及任务分配概率约束等条件下,并综合考虑移动设备的等待消耗,提出基于多基站协作的移动设备时延和能量消耗的最小化问题;将用户任务执行所付出基于统计的时延总消耗表示为将任务处理能量总消耗为
②在边缘云***中,MDs的平均执行时延与平均能量消耗表示为:
由于考虑的是用户端的时延与能耗的多目标优化问题,因此忽略基站间的传输能耗;考虑到边缘云设备有强大的计算能力,因此本发明忽略MEC的计算能耗与时延部分;目标函数为:
以上所述的基于边缘计算的随机型任务排队卸载优化方法,所述步骤4通过一种基于拟牛顿内点法的任务分配算法求解该集合中的最优的任务分配决策得到最低设备消耗;
具体按以下过程实施:①为了满足当MDi运行在不同的应用场合或有不同的需求,由此本发明引入α为时延权重因子,(1-α)为能耗权重,其中0≤α≤1;该问题可转化为:
②根据内点算法,将约束问题可转化为最小化惩罚函数的非约束问题:
③在惩罚函数中,当任意解靠近约束边界时,函数值会迅速增大,迫使最优值在可行域之内进行求解;为惩罚因子,惩罚因子为递减的系数,设置下降因子为Γ,则惩罚因子可表示为: 是惩罚函数在TA-QNIP算法下所获得的极值点;将gk表示为目标函数的梯度向量,Dk表示为目标函数Hessian矩阵的逆的近似矩阵,从而得到搜索方向为dk=-Dk·gk;
④求解Dk时,我们首先需要推导出Hessian矩阵的近似矩阵需要满足的拟牛顿条件;令:
yk=gk+1-gk
Sk=xk+1-xk
Bk+1≈Hk+1
yk=Bk+1Sk
Sk=Dk+1yk
上式即为拟牛顿条件,它可对迭代中的Hessian矩阵的近似作约束;
④通过BFGS方法构造一个满足拟牛顿条件的近似矩阵来代替原来的Hessian矩阵,构造后的近似矩阵为:
本发明的思路是:首先建立一种基于排队理论的任务调度***,当终端设备随机产生任务时,建立任务排队模型。其次,建立不确定性卸载模型,根据异构基站所反馈的拥塞信息,任务可以自主选择卸载或执行路径以降低拥塞所导致的额外消耗,与传统确定性卸载模型(例:二进制(0-1)卸载模型)不同,通过设置卸载概率来反应用户任务卸载决策,在实际应用场景中则更为灵活的体现用户的卸载意愿。最后通过采用基于拟牛顿内点法的任务分配算法,旨在较大程度降低随机模型下不同需求用户的能量与时延消耗,同时降低算法复杂度。
具体而言,本发明采用如下技术方案:本发明所述基于边缘计算的随机型任务卸载优化方案协作通信***模型如图1所示,假设***有N个移动用户,一个装载有MEC边缘云***的宏基站MBS和一个协作基站SBS,宏基站与协作基站通过光纤链路连接。本发明假设计算任务是由多个子任务组成的,所述任务特性请求信息包含卸载意愿强弱、任务数据大小、任务产生速率及发送功率等。用户随机生成的计算任务可本地处理,也可将部分子任务通过宏基站上传至边缘云服务器进行处理。在本发明模型中,任务也可通过协作基站将部分子任务上传至边缘云服务器,从而减小宏基站的处理压力。任务排队卸载流程图如附图2所示。
所述决策信息为MDi控制中心最后作出的执行方式,与分别代表本地计算概率、宏基站计算概率与协作基站计算概率。其中根据泊松分布的性质,卸载至MEC服务器的服务请求服从平均速率为的泊松过程,则本地处理的服务请求则服从平均速率为的泊松过程,因此卸载方式可以表述为
所述任务本地执行为用户自身设备具有的处理任务数据的能力,在排队理论下,其本地响应时间与能耗可表示为:
所述任务卸载为用户向边缘基站发送待处理的任务数据,在无线信道环境下,其发送速率可表示为
其中,W为***带宽,σ2为噪声功率谱密度,Pi m,s分别表示用户MDi的传输功率,其最大值为Pmax。
所述任务传输等待时间模型构建是基于M/M/C排队理论的支撑,在无线信道环境下,其任务卸载等待时间可表示为:
所述能耗函数构建为基于用户建立能耗与时延联合优化目标,为充分反应不同用户设备的需求多样性,引入权重因子α来体现各个用户对时延与能耗的不同需求,因此目标函数可表示为:
下面结合附图以具体实施例来详细说明本发明。本实施例仅表示对本发明的原理性说明,不代表对本发明的任何限制。
本发明是一种基于边缘计算的随机型任务排队卸载优化方法,如图2所示。首先根据技术方案所述建立最小化用户设备时延与能耗联合优化目标函数,对于目标函数存在大量约束条件的情况,首先通过内点法将约束问题转化为非约束问题并定义惩罚函数φ,因而将原问题可表述为:
其中,为惩罚因子,惩罚因子为递减的系数,设置下降因子为:Γ。则惩罚因子可表示为:在迭代过程中求解极值时,采用BFGS拟牛顿优化算法,利用惩罚函数值φ和梯度向量的信息,不用目标函数的二阶偏导数,而是构造出可以近似Hessian矩阵的正定对称矩阵,以此降低计算难度。本发明用gk表示为目标函数的梯度向量,Dk表示为目标函数Hessian矩阵的逆的近似矩阵,从而得到搜索方向为dk=-Dk·gk。首先需要推导出Hessian矩阵的近似矩阵需要满足的拟牛顿条件。令:
yk=gk+1-gk
Sk=xk+1-xk
Bk+1≈Hk+1
yk=Bk+1Sk
Sk=Dk+1yk
上式即为拟牛顿条件,它可对迭代中的Hessian矩阵的近似作约束。因此可得校正矩阵为:
通过校正矩阵多次迭代,不断改变最优搜索方向,从而获得最优的解。通过拟牛顿算法构造目标函数海森矩阵的近似矩阵,与牛顿法相比,避免直接求解海森矩阵,从而大大降低算法复杂度,并加快的算法的收敛速度,其仿真对比效果如图3所示。
上述实施例只是本发明较佳的可行实施例,只是为了使本发明的目的、技术方案及优点更加清楚,并非用于限制本发明的专利保护范围,因此,凡是运用本发明的说明书及附图内容所作的等同结构变化,都应在本发明的保护范围之内。
Claims (5)
1.一种基于边缘计算的随机型任务排队卸载优化方法,其特征在于,其步骤为:
(1)建立边缘计算环境下任务处理的数学模型;
(2)根据步骤(1)建立的边缘计算环境下任务处理的数学模型,利用M/M/1与M/M/c排队特性建立网络用户数据业务模型,计算用户任务在本地CPU处理、在异构基站所部署的边缘服务器执行下不同能量与时延消耗;
(3)利用步骤(2)得到的不同执行方式下且不同权重系数的时延与能耗消耗值,构建最小化用户在任务执行时等待消耗与传输消耗模型。
(4)根据步骤(3)得到的任务执行总消耗优化目标,通过一种基于拟牛顿内点法的任务分配算法求解该集合中的最优的任务分配决策得到最低设备消耗,从而实现最小化用户在任务执行时等待消耗与传输消耗。
2.根据权利要求1所述的基于边缘计算的随机型任务排队卸载优化方法,其特征在于:
所述步骤1建立的边缘计算环境下任务处理的数学模型,具体按以下过程实施:①边缘计算服务器服务资源或内嵌于边缘基站中的硬件服务平台,可以与基站天线在一跳的网络范围建立通信;
②引入排队队长以及排队强度等重要指标来制定边缘网络的任务卸载排队策略;
③通过随机卸载模型,建立卸载概率,卸载概率充分反映设备卸载意愿,概率越大,对应卸载位置的卸载意愿越强。
3.根据权利要求1所述的基于边缘计算的随机型任务排队卸载优化方法,其特征在于:
所述步骤2建立网络用户设备数据业务模型,具体按以下过程实施:
①假设有用户集合MDi(i=1,2,3…N),,一个装载有MEC边缘计算服务器的宏基站MBS和一个协作基站SBS,宏基站与协作基站通过光纤链路连接;由于每个用户产生的任务类型不同,因而产生的任务请求具有随机性;假设计算任务是由多个子任务组成的;设备随机生成的计算任务可本地处理,也可将部分子任务通过宏基站上传至边缘云服务器进行处理;在本发明中,任务也可通过协作基站将部分子任务上传至边缘云服务器,从而减小宏基站的处理压力;
4.根据权利要求1所述的基于边缘计算的随机型任务排队卸载优化方法,其特征在于:排队理论的任务传输卸载模型,根据步骤3得到的不同执行方式下且不同权重系数下的时延与能耗消耗值,并构建最小化用户在任务执行时等待时的消耗与传输消耗的优化目标;具体按以下过程实施:
①在5G移动边缘计算环境下,在满足最大任务到达速率限制条件以及任务分配概率约束等条件下,并综合考虑移动设备的等待消耗,提出基于多基站协作的移动设备时延和能量消耗的最小化问题;将用户任务执行所付出基于统计的时延总消耗表示为将任务处理能量总消耗为
②在边缘云***中,MDs的平均执行时延与平均能量消耗表示为:
由于考虑的是用户端的时延与能耗的多目标优化问题,因此忽略基站间的传输能耗;考虑到边缘云设备有强大的计算能力,因此本发明忽略MEC的计算能耗与时延部分;目标函数为:
5.根据权利要求1所述的基于边缘计算的随机型任务排队卸载优化方法,其特征在于:
所述步骤4通过一种基于拟牛顿内点法的任务分配算法求解该集合中的最优的任务分配决策得到最低设备消耗;
具体按以下过程实施:①为了满足当MDi运行在不同的应用场合或有不同的需求,由此本发明引入α为时延权重因子,(1-α)为能耗权重,其中0≤α≤1;该问题可转化为:
②根据内点算法,将约束问题可转化为最小化惩罚函数的非约束问题:
③在惩罚函数中,当任意解靠近约束边界时,函数值会迅速增大,迫使最优值在可行域之内进行求解;为惩罚因子,惩罚因子为递减的系数,设置下降因子为Γ,则惩罚因子可表示为: 是惩罚函数在TA-QNIP算法下所获得的极值点;将gk表示为目标函数的梯度向量,Dk表示为目标函数Hessian矩阵的逆的近似矩阵,从而得到搜索方向为dk=-Dk·gk;
④求解Dk时,我们首先需要推导出Hessian矩阵的近似矩阵需要满足的拟牛顿条件;令:
yk=gk+1-gk
Sk=xk+1-xk
Bk+1≈Hk+1
yk=Bk+1Sk
Sk=Dk+1yk
上式即为拟牛顿条件,它可对迭代中的Hessian矩阵的近似作约束;
⑤通过BFGS方法构造一个满足拟牛顿条件的近似矩阵来代替原来的Hessian矩阵,构造后的近似矩阵为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668415.1A CN111930436B (zh) | 2020-07-13 | 2020-07-13 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668415.1A CN111930436B (zh) | 2020-07-13 | 2020-07-13 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111930436A true CN111930436A (zh) | 2020-11-13 |
CN111930436B CN111930436B (zh) | 2023-06-16 |
Family
ID=73312920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668415.1A Active CN111930436B (zh) | 2020-07-13 | 2020-07-13 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111930436B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379985A (zh) * | 2020-11-16 | 2021-02-19 | 深圳供电局有限公司 | 一种云边缘计算环境下的计算任务分配方法及装置 |
CN112486685A (zh) * | 2020-11-30 | 2021-03-12 | 全球能源互联网研究院有限公司 | 一种电力物联网的计算任务分配方法、装置及计算机设备 |
CN112949200A (zh) * | 2021-03-15 | 2021-06-11 | 成都优乐控智能科技有限责任公司 | 一种边缘计算任务分割方法 |
CN113011009A (zh) * | 2021-03-01 | 2021-06-22 | 澳门科技大学 | 一种基于MoreData机制的参数优化方法、装置及存储介质 |
CN113238814A (zh) * | 2021-05-11 | 2021-08-10 | 燕山大学 | 基于多用户和分类任务的mec任务卸载***及优化方法 |
CN113407249A (zh) * | 2020-12-29 | 2021-09-17 | 重庆邮电大学 | 一种面向位置隐私保护的任务卸载方法 |
CN113423115A (zh) * | 2021-07-01 | 2021-09-21 | 兰州理工大学 | 一种基于边缘计算的能量协作与任务卸载优化方法 |
CN113613270A (zh) * | 2021-07-22 | 2021-11-05 | 重庆邮电大学 | 一种基于数据压缩的雾接入网计算卸载方法 |
CN113677030A (zh) * | 2021-08-30 | 2021-11-19 | 广东工业大学 | 一种移动协同计算***的任务分配方法和设备 |
CN113709817A (zh) * | 2021-08-13 | 2021-11-26 | 北京信息科技大学 | 多基站多服务器场景下的任务卸载和资源调度方法及装置 |
CN113743012A (zh) * | 2021-09-06 | 2021-12-03 | 山东大学 | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 |
CN113806074A (zh) * | 2021-08-11 | 2021-12-17 | 中标慧安信息技术股份有限公司 | 边缘计算的数据采集方法和装置 |
CN113918318A (zh) * | 2021-09-03 | 2022-01-11 | 山东师范大学 | 移动边缘计算的联合优化方法及*** |
CN114301910A (zh) * | 2021-12-06 | 2022-04-08 | 重庆邮电大学 | 一种物联网环境下的云边协同计算任务卸载方法 |
CN115051998A (zh) * | 2022-06-09 | 2022-09-13 | 电子科技大学 | 自适应边缘计算卸载方法、装置及计算机可读存储介质 |
CN115278276A (zh) * | 2022-06-23 | 2022-11-01 | 麦苗(广东)云科技有限公司 | 一种基于5g通信的远程在线教学直播方法及*** |
CN116680062A (zh) * | 2023-08-03 | 2023-09-01 | 湖南博信创远信息科技有限公司 | 一种基于大数据集群的应用调度部署方法及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140142998A1 (en) * | 2012-11-19 | 2014-05-22 | Fmr Llc | Method and System for Optimized Task Assignment |
WO2017067586A1 (en) * | 2015-10-21 | 2017-04-27 | Deutsche Telekom Ag | Method and system for code offloading in mobile computing |
CN108282822A (zh) * | 2018-01-22 | 2018-07-13 | 重庆邮电大学 | 用户关联与功率控制在异构蜂窝网络中的协同优化算法 |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
CN110708713A (zh) * | 2019-10-29 | 2020-01-17 | 安徽大学 | 一种采用多维博弈的移动边缘计算移动端能效优化方法 |
CN110928654A (zh) * | 2019-11-02 | 2020-03-27 | 上海大学 | 一种边缘计算***中分布式的在线任务卸载调度方法 |
WO2020119648A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 一种基于代价优化的计算任务卸载算法 |
-
2020
- 2020-07-13 CN CN202010668415.1A patent/CN111930436B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140142998A1 (en) * | 2012-11-19 | 2014-05-22 | Fmr Llc | Method and System for Optimized Task Assignment |
WO2017067586A1 (en) * | 2015-10-21 | 2017-04-27 | Deutsche Telekom Ag | Method and system for code offloading in mobile computing |
CN108282822A (zh) * | 2018-01-22 | 2018-07-13 | 重庆邮电大学 | 用户关联与功率控制在异构蜂窝网络中的协同优化算法 |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
WO2020119648A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 一种基于代价优化的计算任务卸载算法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
CN110708713A (zh) * | 2019-10-29 | 2020-01-17 | 安徽大学 | 一种采用多维博弈的移动边缘计算移动端能效优化方法 |
CN110928654A (zh) * | 2019-11-02 | 2020-03-27 | 上海大学 | 一种边缘计算***中分布式的在线任务卸载调度方法 |
Non-Patent Citations (8)
Title |
---|
_薛建彬: "基于Stackelberg博弈的资源动态定价策略", 《基于STACKELBERG博弈的资源动态定价策略》 * |
_薛建彬: "基于Stackelberg博弈的资源动态定价策略", 《基于STACKELBERG博弈的资源动态定价策略》, 30 April 2020 (2020-04-30) * |
丁雪乾;薛建彬;: "边缘计算下基于Lyapunov优化的***资源分配策略", 微电子学与计算机, no. 02 * |
周文晨等: "移动边缘计算中分布式的设备发射功率优化算法", 《西安交通大学学报》 * |
周文晨等: "移动边缘计算中分布式的设备发射功率优化算法", 《西安交通大学学报》, no. 12, 25 October 2018 (2018-10-25) * |
尹高等: "移动边缘网络中深度学习任务卸载方案", 《重庆邮电大学学报(自然科学版)》 * |
尹高等: "移动边缘网络中深度学习任务卸载方案", 《重庆邮电大学学报(自然科学版)》, no. 01, 15 February 2020 (2020-02-15) * |
薛建彬;安亚宁;: "基于边缘计算的新型任务卸载与资源分配策略", 计算机工程与科学, no. 06 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379985A (zh) * | 2020-11-16 | 2021-02-19 | 深圳供电局有限公司 | 一种云边缘计算环境下的计算任务分配方法及装置 |
CN112486685A (zh) * | 2020-11-30 | 2021-03-12 | 全球能源互联网研究院有限公司 | 一种电力物联网的计算任务分配方法、装置及计算机设备 |
CN112486685B (zh) * | 2020-11-30 | 2024-04-19 | 全球能源互联网研究院有限公司 | 一种电力物联网的计算任务分配方法、装置及计算机设备 |
CN113407249A (zh) * | 2020-12-29 | 2021-09-17 | 重庆邮电大学 | 一种面向位置隐私保护的任务卸载方法 |
CN113407249B (zh) * | 2020-12-29 | 2022-03-22 | 重庆邮电大学 | 一种面向位置隐私保护的任务卸载方法 |
CN113011009A (zh) * | 2021-03-01 | 2021-06-22 | 澳门科技大学 | 一种基于MoreData机制的参数优化方法、装置及存储介质 |
CN113011009B (zh) * | 2021-03-01 | 2024-01-30 | 澳门科技大学 | 一种基于MoreData机制的参数优化方法、装置及存储介质 |
CN112949200A (zh) * | 2021-03-15 | 2021-06-11 | 成都优乐控智能科技有限责任公司 | 一种边缘计算任务分割方法 |
CN112949200B (zh) * | 2021-03-15 | 2022-10-25 | 成都优乐控智能科技有限责任公司 | 一种边缘计算任务分割方法 |
CN113238814A (zh) * | 2021-05-11 | 2021-08-10 | 燕山大学 | 基于多用户和分类任务的mec任务卸载***及优化方法 |
CN113238814B (zh) * | 2021-05-11 | 2022-07-15 | 燕山大学 | 基于多用户和分类任务的mec任务卸载***及优化方法 |
CN113423115A (zh) * | 2021-07-01 | 2021-09-21 | 兰州理工大学 | 一种基于边缘计算的能量协作与任务卸载优化方法 |
CN113613270B (zh) * | 2021-07-22 | 2024-02-20 | 深圳市中安通信科技有限公司 | 一种基于数据压缩的雾接入网计算卸载方法 |
CN113613270A (zh) * | 2021-07-22 | 2021-11-05 | 重庆邮电大学 | 一种基于数据压缩的雾接入网计算卸载方法 |
CN113806074A (zh) * | 2021-08-11 | 2021-12-17 | 中标慧安信息技术股份有限公司 | 边缘计算的数据采集方法和装置 |
CN113709817B (zh) * | 2021-08-13 | 2023-06-06 | 北京信息科技大学 | 多基站多服务器场景下的任务卸载和资源调度方法及装置 |
CN113709817A (zh) * | 2021-08-13 | 2021-11-26 | 北京信息科技大学 | 多基站多服务器场景下的任务卸载和资源调度方法及装置 |
CN113677030B (zh) * | 2021-08-30 | 2023-06-02 | 广东工业大学 | 一种移动协同计算***的任务分配方法和设备 |
CN113677030A (zh) * | 2021-08-30 | 2021-11-19 | 广东工业大学 | 一种移动协同计算***的任务分配方法和设备 |
CN113918318A (zh) * | 2021-09-03 | 2022-01-11 | 山东师范大学 | 移动边缘计算的联合优化方法及*** |
CN113743012B (zh) * | 2021-09-06 | 2023-10-10 | 山东大学 | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 |
CN113743012A (zh) * | 2021-09-06 | 2021-12-03 | 山东大学 | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 |
CN114301910A (zh) * | 2021-12-06 | 2022-04-08 | 重庆邮电大学 | 一种物联网环境下的云边协同计算任务卸载方法 |
CN114301910B (zh) * | 2021-12-06 | 2023-05-26 | 重庆邮电大学 | 一种物联网环境下的云边协同计算任务卸载方法 |
CN115051998A (zh) * | 2022-06-09 | 2022-09-13 | 电子科技大学 | 自适应边缘计算卸载方法、装置及计算机可读存储介质 |
CN115278276A (zh) * | 2022-06-23 | 2022-11-01 | 麦苗(广东)云科技有限公司 | 一种基于5g通信的远程在线教学直播方法及*** |
CN116680062A (zh) * | 2023-08-03 | 2023-09-01 | 湖南博信创远信息科技有限公司 | 一种基于大数据集群的应用调度部署方法及存储介质 |
CN116680062B (zh) * | 2023-08-03 | 2023-12-01 | 湖南博创高新实业有限公司 | 一种基于大数据集群的应用调度部署方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111930436B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111930436A (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
CN112492626B (zh) | 一种移动用户计算任务的卸载方法 | |
Chen et al. | Energy-efficient task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge networks | |
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、***、设备 | |
CN110493360B (zh) | 多服务器下降低***能耗的移动边缘计算卸载方法 | |
CN109951821B (zh) | 基于移动边缘计算的最小化车辆能耗任务卸载方案 | |
CN113950103B (zh) | 一种移动边缘环境下多服务器完全计算卸载方法及*** | |
CN107819840B (zh) | 超密集网络架构中分布式移动边缘计算卸载方法 | |
CN110087318B (zh) | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 | |
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN112491957B (zh) | 一种边缘网络环境下的分布式计算卸载方法及*** | |
CN114205353B (zh) | 一种基于混合动作空间强化学习算法的计算卸载方法 | |
CN113918240A (zh) | 任务卸载方法及装置 | |
CN113626104A (zh) | 边云架构下基于深度强化学习的多目标优化卸载策略 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN115297013A (zh) | 一种基于边缘协作的任务卸载及服务缓存联合优化方法 | |
CN115150893A (zh) | 基于任务划分与d2d的mec任务卸载策略方法 | |
Chen et al. | Joint optimization of task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge network | |
CN111615121A (zh) | 地面机动站多跳任务计算卸载处理方法 | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及*** | |
CN116828534B (zh) | 基于强化学习的密集网络大规模终端接入与资源分配方法 | |
CN115134364B (zh) | 基于o-ran物联网***的节能计算卸载***及方法 | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |