CN113672295A - 基于遗传算法的移动云环境下协同计算卸载方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的移动云环境下协同计算卸载方法，针对物联网中多站点协同计算卸载代价问题，将分布式部署的具有依赖关系的应用程序各任务之间的计算任务卸载到本地、边缘节点或云端，建立代价模型，利用遗传算法寻找总代价最小的卸载方案，有效缩短了多站点协同计算应用程序的执行时间，降低终端的能耗，寻优效果更好。

Description

基于遗传算法的移动云环境下协同计算卸载方法

技术领域

本发明涉及移动边缘计算领域，特别涉及一种基于遗传算法的移动云环境下协同计算卸载方法。

背景技术

随着无线通信技术的迅猛发展和移动智能设备的快速普及，许多具有低延迟要求的计算密集型应用不断涌现出来，例如在线沉浸式游戏、增强/虚拟现实(AR/VR)和视频流分析等。这些新兴应用尤其是基于人工智能的应用程序对时延要求较高，并且要求设备具有较强的计算能力。然而移动设备受限于制造成本，电池容量和散热等问题，无法为这些应用提供充足的计算能力，并且在运行上述应用时会产生较高的计算延迟和能量消耗，导致用户使用体验感大幅降低。

边缘计算是一种新型的计算模式，为解决上述问题提供了有效途径。边缘计算将计算任务负载从远程的云端转移到离用户更近的核心网络的边缘节点(如无线接入点或基站)上，其核心思想是在终端附近部署计算资源和存储资源，对终端的计算任务和存储任务就近处理，以此优化计算密集型应用的响应延迟。然而，边缘节点的计算资源和网络资源是有限的，因此，对于计算任务是在本地执行还是卸载到边缘节点或云端，应仔细规划移动设备，以达到任务完成时延最短的目标。

计算卸载是边缘计算领域的一项关键技术。计算卸载可以有效解决移动终端的资源受限问题与计算密集处理任务之间的矛盾，提高移动应用程序的性能，节约资源，提高可靠性，方便软件开发人员进行开发。然而在现实环境中，做出有效的卸载决策是非常困难的，计算卸载通常会受到外界环境、网络环境或者用户的个性选择等多种因素的影响，因此，制定出高质量的适应移动环境网络状况变化的任务卸载策略变的至关重要。在未来的物联网环境中，大部分应用服务都将以分布式架构的形式进行部署，一个完整的应用被拆分为多个具有依赖关系的子任务，这些子任务初始部署在多个站点中，这些站点协作完成整个应用任务。计算任务的时延是判断所制定的任务卸载策略性能好坏的重要指标，终端设备的能量消耗也是不可或缺的重要因素。不同的任务卸载方案对任务完成时延和移动设备能耗都有着较大的影响。因此减少时延和降低能，进行计算卸载决策、寻找最优任务分配策略十分重要。

发明内容

本发明目的在于提供一种基于遗传算法的移动云环境下协同计算卸载方法，将分布式协同计算卸载问题建模为一个通用的消耗模型，利用遗传算法寻找最优的卸载方案，最小化总完成时延和终端能耗。

为了实现以上目的，本发明所采用的技术方案包括以下步骤：

步骤S1.建立***模型：计算卸载***模型应用于由多个终端，一个边缘节点和一个云端服务器组成的计算场景，应用程序被划分为K个子任务V＝{v₁，v₂，…，v_k}，以分布式形式部署。根据多个终端设备上应用程序的子任务之间的约束关系构建任务关系图，建立由时延模型和能耗模型组成的多站点分布式计算卸载***模型；

步骤S2编码和初始化种群：使用加权海明距离构造初始化种群，根据子任务与处理器的映射关系进行编码，得到任务调度方案；

步骤S3构建适应度函数：定义适应度函数为应用程序计算卸载总代价的倒数，根据适应度函数对初始种群中的个体进行选择操作，得到新的种群；

步骤S4构建交叉机制：选择局部适应度最优的方式对新种群中的个体进行交叉操作；

步骤S5基因变异：对交叉后产生的染色体种群进行基因变异，构造与当前种群中精英染色体数目相等的随机染色体，共同组成新一代染色体种群；

步骤S6输出最优解：判断是否满足预先设定的迭代次数最大值，若是则输出种群中最优个体的编码,否则重复步骤S3-S5。

所述步骤S1中子任务之间的任务关系图模型为G＝(V,E)，其中V表示子任务集合，E表示子任务之间的约束关系，

其中

表示当前任务输入数据大小，

表示当前任务输出数据大小，w_k表示完成任务需要的CPU周期数；

所述步骤S1计算卸载方案为X＝{x₁,x₂,…,x_k}，其中x_k∈{-1,0,1}，-1表示计算任务在云端执行,0表示计算任务在边缘节点执行,1表示计算任务在本地执行,计算卸载方案X的计算消耗为:

其中T(X)和E(X)分别代表时延代价和能量消耗，T_OR和E_OR表示应用程序不通过计算卸载时的时延和能量消耗，α和β表示时延和能耗的权重比值；

所述步骤S1中时延模型包括任务计算时延和数据传输时延，任务v_k在各站点的本地服务器上的计算时延为：

在边缘节点的计算时延为：

在云服务器上的计算时延为：

其中，w_i表示任务大小，f_L，f_E，f_C分别表示用户本地服务器，边缘节点和云端的计算能力，即每秒可以提供的CPU周期数,如果任务v_i和任务v_j的计算卸载目的地相同时，其数据传输时延为0；若两个任务分别在处理器x和处理器y上执行时，它们之间的数据传输时延为：

其中r_x,y为数据传输速率，则应用程序时延模型为：

其中，

表示任务的计算时延；

所述步骤S1中能量消耗模型包括计算能耗和数据通信能耗，任务v_k在各处理器的计算能耗为：

其中，

表示服务器的计算功率，如果处理器为边缘节点或者云端，此时计算能耗为0；若两个任务分别在处理器x和处理器y上执行时，通信能耗为：

应用程序的能耗模型为：

所述步骤S2中使用加权海明距离初始化种群，定义加权海明距离函数为：

其中H_ij为个体i和j之间的加权海明距离，

与

为染色体上的基因，o_m为染色体上的各个基因的加权值；

所述步骤S2中对任务进行编码，因应用程序的K个子任务可以卸载到本地计算，也可以卸载到边缘节点或者云端，因此每条染色体有三个可能值组成，即-1,0,1；

所述步骤S3的适应度函数定义为：

在种群个体进行第i次迭代时，首先计算第i代种群中每个个体的适应度函数值，将种群中的个体依函数值大小进行排序，选取适应度较高的前一半个体进行交叉；

所述步骤S4构建交叉机制不同于经典遗传算法的随机选择一个交叉点，然后互换交叉点前后的父染色体从而得到下一代，本发明采用比较两个父染色体每一个基因的局部适应度函数值，选择具有更佳局部适应度函数值的基因复制到下一代染色体中，两条父染色体交叉后只能产生一条下一代染色体，局部适应度函数为：

f_i＝w_i·t_i+(1-w_i)e_i (12)

所述步骤S5的变异过程是根据设定的突变概率改变染色体的若干基因值，对交叉后产生的染色体种群进行基因变异，构造与当前种群中精英染色体数目相等的随机染色体，共同组成新一代染色体种群。

本发明具有以下有益效果及优点：

与现有技术相比，本发明针对基于遗传算法的移动云环境下协同计算卸载方法，建立计算任务卸载方案，将分布式部署的具有依赖关系的应用程序各任务之间的计算任务卸载到本地、边缘节点或云端，有效缩短了多站点协同计算应用程序的执行时间，降低终端的能耗，寻优效果更好。

附图说明

图1为本发明基于遗传算法的移动云环境下协同计算卸载方法流程图。

图2为本发明提出的计算卸载任务模型架构图。

图3本发明基于遗传算法的移动云环境下协同计算卸载方法中的个体编码示意图。

具体实施方式

实施例：

如图1所示，本发明技术方案包含六个方面的步骤：建立***模型，编码和初始化种群，构建适应度函数，构建交叉机制，基因变异，输出最优解。

所述步骤S1建立***模型：计算卸载***模型应用于由多个终端，一个边缘节点和一个云端服务器组成的计算场景，应用程序被划分为K个子任务V＝{v₁,v₂,…,v_k}，以分布式形式部署。根据多个终端设备上应用程序的子任务之间的约束关系构建任务关系图，建立由时延模型T(X)和能耗模型E(X),组成的多站点分布式计算卸载***模型；

所述步骤S2编码和初始化种群：使用加权海明距离构造初始化种群，得到差异性最大的初始化种群，设置初始种群规模为M,迭代次数为100。应用程序分为K个子任务，部署在各站点的任务根据其在本地、边缘节点和云端运行的不同方式选择不同的值，将每一个可能的任务卸载方案进行编码后作为遗传算法的染色体；

所述步骤S3构建适应度函数：定义适应度函数为应用程序计算卸载总消耗目标函数的倒数，适应度函数值越高，计算卸载方案的总代价越小，方案越优。时延因子α和能耗因子β都设置为0.5，根据适应度函数对初始种群中的个体进行选择操作，采用精英选择策略，选择每代种群中适应度高的前一半个体，组成新的种群；

所述步骤S4构建交叉机制：采用局部适应度最优的方式对新种群中的个体进行交叉操作，比较两个父染色体每一个基因的局部适应度函数值，选择具有更佳局部适应度函数值的基因复制到下一代染色体中，两条父染色体交叉后产生一条下一代染色体；

所述步骤S5基因变异：对交叉后产生的染色体种群进行基因变异，设置变异概率为0.2，改变染色体若干基因值，为防止过早收敛构造与当前种群中精英染色体数目相等的随机染色体，共同组成新一代染色体种群；

所述步骤S6输出最优解：根据适应度函数对当前种群进行评估，判断是否满足预先设定的迭代次数最大值，若是则输出种群中最优个体的编码；否则重复步骤S3-S5。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于遗传算法的移动云环境下协同计算卸载方法，其特征在于，包括以下步骤：

步骤S1.建立***模型：计算卸载***模型应用于由多个终端，一个边缘节点和一个云端服务器组成的计算场景，应用程序被划分为K个子任务V＝{v₁，v₂，…，v_k}，以分布式形式部署；根据多个终端设备上应用程序的子任务之间的约束关系构建任务关系图，建立由时延模型和能耗模型组成的多站点分布式计算卸载***模型；

步骤S2编码和初始化种群：使用加权海明距离构造初始化种群，根据子任务与处理器的映射关系进行编码，得到任务调度方案；

步骤S3构建适应度函数：定义适应度函数为应用程序计算卸载总代价的倒数，根据适应度函数对初始种群中的个体进行选择操作，得到新的种群；

步骤S4构建交叉机制：选择局部适应度最优的方式对新种群中的个体进行交叉操作；

步骤S5基因变异：对交叉后产生的染色体种群进行基因变异，构造与当前种群中精英染色体数目相等的随机染色体，共同组成新一代染色体种群；

步骤S6输出最优解：判断是否满足预先设定的迭代次数最大值,若是则输出种群中最优个体的编码,否则重复步骤S3-S5；

所述步骤S1中子任务之间的任务关系图模型为G＝(V,E)，其中V表示子任务集合，E表示子任务之间的约束关系,

其中

表示当前任务输入数据大小，

表示当前任务输出数据大小,w_k表示完成任务需要的CPU周期数；

所述步骤S1计算卸载方案为X＝{x₁,x₂,…,x_k}，其中x_k∈{-1,0,1}，-1表示计算任务在云端执行,0表示计算任务在边缘节点执行,1表示计算任务在本地执行,计算卸载方案X的计算消耗为:

其中T(X)和E(X)分别代表时延代价和能量消耗，T_OR和E_OR表示应用程序不通过计算卸载时的时延和能量消耗，α和β表示时延和能耗的权重比值；

所述步骤S1中时延模型包括任务计算时延和数据传输时延，任务v_k在各站点的本地服务器上的计算时延为：

在边缘节点的计算时延为：

在云服务器上的计算时延为：

其中，w_i表示任务大小，f_L，f_E，f_C分别表示用户本地服务器，边缘节点和云端的计算能力，即每秒可以提供的CPU周期数,如果任务v_i和任务v_j的计算卸载目的地相同时，其数据传输时延为0；若两个任务分别在处理器x和处理器y上执行时，它们之间的数据传输时延为：

其中r_x，y为数据传输速率，则应用程序时延模型为：

其中，

表示任务的计算时延；

所述步骤S1中能量消耗模型包括计算能耗和数据通信能耗，任务v_k在各处理器的计算能耗为：

其中，

表示服务器的计算功率，如果处理器为边缘节点或者云端，此时计算能耗为0；若两个任务分别在处理器x和处理器y上执行时，通信能耗为：

应用程序的能耗模型为：

所述步骤S2中使用加权海明距离初始化种群，定义加权海明距离函数为：

其中H_ij为个体i和j之间的加权海明距离，

与

为染色体上的基因，o_m为染色体上的各个基因的加权值；

所述步骤S2中对任务进行编码，因应用程序的K个子任务可以卸载到本地计算，也可以卸载到边缘节点或者云端，因此每条染色体有三个可能值组成，即-1,0，1；

所述步骤S3的适应度函数定义为：

在种群个体进行第i次迭代时，首先计算第i代种群中每个个体的适应度函数值，将种群中的个体依函数值大小进行排序，选取适应度较高的前一半个体进行交叉；

所述步骤S4构建交叉机制不同于经典遗传算法的随机选择一个交叉点，然后互换交叉点前后的父染色体从而得到下一代，本发明采用比较两个父染色体每一个基因的局部适应度函数值，选择具有更佳局部适应度函数值的基因复制到下一代染色体中，两条父染色体交叉后只能产生一条下一代染色体，局部适应度函数为：

f_i＝w_i·t_i+(1-w_i)e_i (12)

所述步骤S5的变异过程是根据设定的突变概率改变染色体的若干基因值，对交叉后产生的染色体种群进行基因变异，构造与当前种群中精英染色体数目相等的随机染色体，共同组成新一代染色体种群。

Images