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

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MD_i产生的任务通过本地执行的概率表示为

用

分别表示MD_i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D_k代替，通过迭代公式不断更新D_k矩阵，更新最优搜索方向与搜索步长，最终逼近最优解。

Description

一种基于边缘计算的随机型任务排队卸载优化方法

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MD_i(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MD_i的任务产生速率为λ_i，从MD_i(i＝1,2,3…N)产生的请求数据量大小为θ_i；MD_i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MD_i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MD_i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g_k表示为目标函数的梯度向量，D_k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d_k＝-D_k·g_k；

④求解D_k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：

y_k＝g_k+1-g_k

S_k＝x_k+1-x_k

B_k+1≈H_k+1

其中B_k+1为Hessian矩阵的近似，D_k+1为Hessian矩阵的逆

的近似，则有：

y_k＝B_k+1S_k

S_k＝D_k+1y_k

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：

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

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MD_i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：

其中，

代表MD_i的执行能力，

代表MD_i CPU的已占用比例，ξ_i代表MD_i响应功耗系数。

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，P_i ^m,s分别表示用户MD_i的传输功率，其最大值为P^max。

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:

其中，

为任务平均等待队长，任务在宏基站与协作基站的排队强度分别为ρ^m,ρ^s，

为各个基站的空闲概率。

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g_k表示为目标函数的梯度向量，D_k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d_k＝-D_k·g_k。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：

y_k＝g_k+1-g_k

S_k＝x_k+1-x_k

B_k+1≈H_k+1

其中B_k+1为Hessian矩阵的近似，D_k+1为Hessian矩阵的逆

的近似，则有：

y_k＝B_k+1S_k

S_k＝D_k+1y_k

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MD_i(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MD_i的任务产生速率为λ_i，从MD_i(i＝1,2,3…N)产生的请求数据量大小为θ_i；MD_i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MD_i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。

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MD_i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g_k表示为目标函数的梯度向量，D_k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d_k＝-D_k·g_k；

④求解D_k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：

y_k＝g_k+1-g_k

S_k＝x_k+1-x_k

B_k+1≈H_k+1

其中B_k+1为Hessian矩阵的近似，D_k+1为Hessian矩阵的逆

的近似，则有：

y_k＝B_k+1S_k

S_k＝D_k+1y_k

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：

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

Images