CN113778550B - 一种基于移动边缘计算的任务卸载***和方法 - Google Patents
一种基于移动边缘计算的任务卸载***和方法 Download PDFInfo
- Publication number
- CN113778550B CN113778550B CN202110941097.6A CN202110941097A CN113778550B CN 113778550 B CN113778550 B CN 113778550B CN 202110941097 A CN202110941097 A CN 202110941097A CN 113778550 B CN113778550 B CN 113778550B
- Authority
- CN
- China
- Prior art keywords
- task
- module
- unloading
- unloading decision
- decision
- 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.)
- Active
Links
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
- G06F9/44—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
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06F2209/509—Offload
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于移动边缘计算的任务卸载***和方法,该方法包括:终端设备将任务信息上传至设备层信息上传模块;设备层信息上传模块获取设备层MEC服务器和终端设备任务信息;初始化模块接收任务信息并将其初始化;模型构建模块接收初始化模块传送的任务信息;卸载决策制定模块使用ASPO制定任务卸载决策,将其发送至任务卸载决策传送模块;任务卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块;卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策。本发明涉及的任务卸载方法搭载于任务卸载***上,建立了一种新型的移动边缘计算场景模型,使用的算法全局搜索能力强,能制定出更好的卸载决策。
Description
技术领域
本发明涉及边缘计算技术领域,具体涉及一种基于移动边缘计算的任务卸载***和方法。
背景技术
随着科技的快速发展,众多新型应用(如人脸识别、增强现实等)正在大规模普及,这些新型应用需要大规模的计算,并且对时延要求非常高,一般的移动终端设备无法提供与应用相匹配的计算能力。在这个背景下,移动边缘计算(Mobile Edge Computing, MEC)应运而生,将计算功能下沉至无线接入网,具备高带宽、低延迟等优点。
现有的关于移动边缘计算任务卸载策略的研究多属于静态场景,即只研究了在某一时刻的任务卸载情况,未考虑到设备的移动性这一现实特点。这容易导致在任务卸载计算过程中,设备在未来某一时刻距离MEC服务器过远,任务结果数据返回时间过长而不满足任务的时延限制要求。因此现有研究所建立的模型现实性不足。此外,对于卸载决策的制定现有研究多使用传统单一的优化方法求解模型,卸载决策的质量难以保证。
发明内容
发明目的:本发明的目的在于针对现有技术的不足,提供一种基于移动边缘计算的任务卸载***和方法,相较于现有技术,本发明研究了设备在边缘计算卸载场景中动态移动的问题,建立了一种新型的移动边缘计算场景模型。同时方法采用一种自适应策略池优化算法(Adaptive Strategy Pool Optimization Algorithm,ASPO)制定任务卸载决策。该算法通过构建算子策略池,在个体进化期间自适应使用策略池的优化算子进行迭代,算法的全局搜索能力强,能制定出更好的卸载决策。
本发明公开的一种基于移动边缘计算的任务卸载***,包括设备层、边缘层和平台层;
所述的设备层由MEC服务器和终端设备组成,所述的MEC服务器完成任务卸载决策分配的任务,所述的终端设备负责发布任务;
所述的边缘层包含设备层信息上传模块和卸载决策下发模块,其中,所述的设备层信息上传模块获取所述的设备层MEC服务器和终端设备任务的信息,并通过JSON格式和平台层的初始化模块进行通信,所述的卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策,最终由所述的设备层实际完成任务的卸载;
所述的平台层包含初始化模块,模型构建模块,MEC服务器资源统计模块,距离预测模块,卸载决策制定模块,卸载决策传送模块,用于制定任务卸载决策,并将任务卸载决策返回至边缘层;
所述的距离预测模块采用LSTM网络来预测传输模型中的数据,该数据即任务计算完成后返回数据结果时设备距场景中MEC服务器的距离;
所述的卸载决策制定模块使用ASPO算法制定出任务卸载决策,将其发送至任务卸载决策传送模块。
所述初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息,并对任务信息进行初始化操作。
所述模型构建模块接收初始化模块传送的任务信息,构建场景模型、计算模型、传输模型、资源分配模型,并最终构建出任务卸载决策优化模型。
所述MEC服务器资源统计模块根据资源分配模型提供的方法统计每个MEC服务器和设备剩余的计算资源,并存储在平台数据库中。
所述卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
一种基于移动边缘计算的任务卸载方法,包括以下步骤:
步骤1:终端设备发布任务,将任务信息上传至设备层信息上传模块;
步骤2:设备层信息上传模块获取设备层MEC服务器和终端设备任务的信息,并通过JSON格式和平台层的初始化模块进行通信;
步骤3:初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息,并对任务信息进行初始化操作;
步骤4:模型构建模块接收初始化模块传送的任务信息,构建出任务卸载决策优化模型;
步骤5:MEC服务器资源统计模块根据步骤4统计每个MEC服务器和设备剩余的计算资源,并存储在平台数据库中;
步骤7:卸载决策制定模块使用ASPO制定出任务卸载决策,将其发送至任务卸载决策传送模块;
使用ASPO生成任务卸载决策的具体步骤如下:
步骤7.1:获取MEC服务器及设备的计算资源统计信息;
步骤7.2:使用TIACO算子返回的种群,在种群选取最优个体作为初始个体;
步骤7.3:在算法策略池中随机选取算子进行种群的迭代,最终每个算子会返回制定出的卸载决策,具体如下:
当选择到ANS算子时,步骤如下:
步骤7.3.1:概率性选择破坏方法和修复方法进行组合生成新个体,设和分别表示破坏方法和修复方法的集合,和分别表示各个破坏方法和修复方法的权重集合,一开始时,所有的方法都设置相同的权重,破坏方法被选择的概率为,修复方法被选择的概率为,其计算公式如下:
步骤7.3.2:进行权重更新,权重越大,方法被选择的概率越大,权重大小更新方式公式如下:
当选择到TIACO算子时,步骤如下:
步骤7.3.1:根据解生成策略生成个体;
步骤7.3.3:如果达到迭代次数,最终返回生成后的最终种群,并进入步骤7.4,否则进入步骤7.3.1;
步骤7.4:更新算法策略池中算法的选择权重,进行权重更新,权重越大,算子被选择的概率越大,权重大小更新方式如下所示:
步骤7.5:更新当前的最优卸载决策,并判断算法是否达到迭代次数,达到迭代次数则算法终止,返回最终的卸载决策,否则转入步骤7.3;
步骤8:卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块;
步骤9:卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策,最终由设备层实际完成任务的卸载。
所述算法策略池中的算子为自适应邻域搜索算法和改进版蚁群优化算法,并且相关算子使用基于优先级的解生成策略。
本发明技术方案带来的有益效果有:
1、本发明公开了一种基于移动边缘计算的任务卸载***和方法,通过LSTM网络预测在任务结果数据返回时移动设备距场景中MEC服务器的最大距离,构建了一种合乎现实的移动边缘计算任务卸载模型。
2、本发明公开了一种基于移动边缘计算的任务卸载***和方法,采用一种自适应策略池优化算法(ASPO)制定任务卸载决策,该算法通过构建算子策略池,在个体进化期间自适应使用策略池的优化算子进行迭代,以能耗为目标联合优化卸载决策与资源分配,算法的自适应策略池机制使得个体在进化过程中自适应选择不同的优化算子,能有效跳出局部最优,制定出更好的任务卸载决策。
附图说明
图1为本发明的一种基于移动边缘计算的任务卸载***框架图。
图2为本发明的一种基于移动边缘计算的任务卸载方法流程图。
图3为本发明的一种基于移动边缘计算的任务卸载***及方法的ASPO流程图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明公开了一种基于移动边缘计算的任务卸载***,包括设备层、边缘层和平台层,
所述的设备层由MEC服务器和终端设备组成,所述的MEC服务器完成任务卸载决策分配的任务,所述的终端设备负责发布任务;
所述的边缘层包含设备层信息上传模块和卸载决策下发模块,其中,所述的设备层信息上传模块获取所述的设备层MEC服务器和终端设备任务的信息,并通过JSON格式和平台层的初始化模块进行通信,所述的卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策,最终由所述的设备层实际完成任务的卸载;
所述的平台层包含初始化模块,模型构建模块,MEC服务器资源统计模块,距离预测模块,卸载决策制定模块,卸载决策传送模块,用于制定任务卸载决策,并将任务卸载决策返回至设备层。
其中,平台层中的初始化模块接收边缘层的设备信息上传模块传送的MEC服务器和终端设备任务信息,并对任务信息进行初始化操作;模型构建模块接收初始化模块传送的任务信息,构建场景模型、计算模型、传输模型、资源分配模型,并最终构建出任务卸载决策优化模型;MEC服务器资源统计模块根据模型构建模块中资源分配模型提供的方法统计每个MEC服务器和设备剩余的计算资源,并存储在平台数据库中;距离预测模块采用LSTM网络来预测传输模型中的数据,即任务计算完成后返回数据结果时设备距场景中MEC服务器的距离;卸载决策制定模块使用ASPO制定出任务卸载决策,将其发送至任务卸载决策传送模块;卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
如图2所示,本发明公开了一种基于移动边缘计算的任务卸载方法,包括以下步骤:
步骤1:终端设备发布任务,将任务信息上传至设备层信息上传模块。
步骤2:设备层信息上传模块获取设备层MEC服务器和终端设备任务的基础信息,并通过JSON格式和平台层的初始化模块进行通信;
当上传MEC服务器的信息时,通信格式如下:
{
“computeSource”:“xxx”,
“mPositionX”:“xxx”,
“mPositionY”:“xxx”
}
computeSource表示MEC服务器的计算总资源,mPositionX和mPositionY分别表示发布MEC服务器所处地理位置的横纵坐标;
当上传终端设备任务信息时,通信格式如下:
{
“cpuCycles”:“xxx”,
“taskDataVolume”:“xxx”,
“resultDataVolume”:“xxx”,
“positionX”:“xxx”,
“positionY”:“xxx”,
“timeStart”:“xxx”,
“deadline”:“xxx”
}
其中cpuCycles表示设备所发布任务所需的cpu周期数,taskDataVolume表示任务的数据量,resultDataVolume表示任务计算完成所产生的结果数据大小,positionX和positionY分别表示发布任务的设备当前所处地理位置的横纵坐标,timestart表示任务发布的时刻,deadline表示任务所允许的最大时延。
步骤3:初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息,并对任务信息进行初始化操作,具体操作步骤如下:
步骤3.1:根据传来的任务信息到来的先后顺序对每个任务进行编号,最终得到任务七元组:
更新任务的deadline信息,更新如式(3)所示:
步骤4:模型构建模块接收初始化模块传送的任务信息,构建出任务卸载决策优化模型,具体步骤如下:
其中代表在第批任务中,由设备所发布的任务,是任务所需的cpu周期数,是任务的数据量,表示任务计算完成所产生的结果数据大小,和分别表示任务和批任务的地理位置的横纵坐标,是任务发布的时刻,是任务所允许的最大时延;
步骤4.4:构建传输模型:
步骤4.5:构建资源分配模型:
假设模式被分配到个任务,显然当为基站模式时,,即基站可以处理多个设备所发出的任务,当为本地模式时,那么当,即设备只处理本地任务,假设本地设备和基站群中个MEC服务器的在第批次的剩余计算资源表示为,表示MEC服务器在批次的剩余计算资源;
步骤4.6:构建任务卸载决策优化模型:
式(12)中待优化的变量有两个,即、分别表示卸载决策与计算资源分配比例,式(14)保证了每个任务必会被执行,式(15)保证了本地模式在第批次最多分配到本地的任务,不会分配到其他设备发布的任务;式(16)保证设备和MEC服务器在不超过自身计算能力的情况下执行任务;式(17)保证了每个任务在被执行完时不会超过最大时延。
步骤5:MEC服务器资源统计模块根据步骤4提供的方法统计每个MEC服务器和设备剩余的计算资源,并存储在平台数据库中。
其中,为第个节点的更新门,为第个节点的遗忘门,为第个节点的输出门。会选择特征值,是一个向量,向量的每个元素均位于[0,1]范围内。表示单位状态更新值,由输入数据和隐节点经由一个神经网络层得到。用于选择的特征来更新,是一个元素介于[0,1]区间的向量,由和经由激活函数计算得到,tanh和为激活函数。
步骤7:卸载决策制定模块使用ASPO制定出任务卸载决策,将其发送至任务卸载决策传送模块。
本步骤中,卸载决策制定模块使用ASPO制定出任务卸载决策,将其发送至任务卸载决策传送模块。ASPO算法策略池中的算子为自适应邻域搜索算法(AdaptiveNeighborhood Search Algorithm,ANS)和改进版蚁群优化算法(The Improved AntColony Optimization Algorithm,TIACO),并且相关算子都使用了一种基于优先级的解生成策略。解生成策略是根据约束条件式(12)至式(17)得到任务各自的可行候选模式集后,根据可行候选模式集的大小决定任务优先级,集合小的任务优先选定执行模式,这样可以保证所有的设备均能找到最终的卸载模式。当出现任务之间的可行模式集合相同时,随机选择其中一个任务优先选定执行模式。按照该规则,直至所有任务分配模式结束。ANS由多种破坏算子destroy及修复算子repair构成。其通过调用破坏算子destroy及修复算子repair随机组合来构造新解。ANS在邻域算法的基础上,允许在同一个搜索中使用多个destroy和repair方法来获得当前解的邻域。ANS会为每个destroy和repair方法分配一个权重,通过该权重从而控制每个destroy和repair 方法在搜索期间使用的频率。在搜索的过程中,ANS会对各个destroy和repair方法的权重进行动态调整,以便获得更好的邻域和解。ACO具有较强的鲁棒性,其不依赖于初始种群的优劣,搜索过程无需人工干预;其次,算法参数少,设置简单,易于应用到各种优化问题的求解。方法采用了基于ACO进一步改进的TIACO算法,该算法可以对状态转移概率、信息素挥发因子、信息量等因素采用自适应调节策略,从而显著提升算法性能。其中TIACO与ACO的主要区别有以下几点:
2) TIACO中信息素全局规则改变,仅在每次循环结束后选择最优蚂蚁释放信息素,使得算法只在最好路径附近搜索。
如图3所示,使用ASPO生成任务卸载决策的具体步骤如下:
步骤7.1:获取任务相关数据信息,根据式(11)获取MEC服务器及设备的计算资源统计信息。初始化种群大小,初始化设置算法策略池使算子的选择概率相同。ASPO算法中将个体映射为一种任务卸载决策方案,种群映射为多个任务卸载决策方案集合。
步骤7.2:使用TIACO算子返回的种群,具体见TIACO算子的步骤7.3.1至7.3.3。在种群选取最优个体作为初始个体。个体优劣的评判为个体所制定的任务卸载决策方案能耗大小,适应度函数为能耗的倒数,能耗越大,则个体求解质量越差,适应度值越低。
步骤7.3:在算法策略池中随机选取算子进行种群的迭代,最终每个算子会返回制定出的卸载决策。
当选择到ANS算子时,步骤如下:
步骤7.3.1:概率性选择破坏方法和修复方法进行组合生成新个体,设和分别表示破坏方法和修复方法的集合,和分别表示各个破坏方法和修复方法的权重集合,一开始时,所有的方法都设置相同的权重,破坏方法被选择的概率为,修复方法被选择的概率为,其计算如式(27)所示: (27)
步骤7.3.2:进行权重更新,一般情况下,权重越大,方法被选择的概率越大,权重大小更新方式如式(28)所示:
当选择到TIACO算子时,步骤如下:
步骤7.3.1:根据解生成策略生成个体。
步骤7.3.2:根据式(26)更新局部信息素。
步骤7.3.3:如果达到迭代次数,最终返回生成后的最终种群,并进入步骤7.4,否则进入步骤7.3.1。
步骤7.4:更新算法策略池中算法的选择权重,进行权重更新。权重越大,算子被选择的概率越大。权重大小更新方式如式(30)所示:
步骤7.5:更新当前的最优卸载决策,并判断算法是否达到迭代次数。达到迭代次数则算法终止,返回最终的卸载决策,否则转入步骤7.3。
步骤8:卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
步骤9:卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策,最终由设备层实际完成任务的卸载。
本发明公开了一种基于移动边缘计算的任务卸载***和方法,该任务卸载方法基于任务卸载***上,涉及的一种基于移动边缘计算的任务卸载***包括:设备层、边缘层和平台层,所述的设备层由MEC服务器和终端设备组成;所述的边缘层包含设备层信息上传模块和卸载决策下发模块;所述的平台层包含初始化模块、模型构建模块、MEC服务器资源统计模块、距离预测模块、卸载决策制定模块、卸载决策传送模块,一种基于移动边缘计算的任务卸载方法,具体包括以下步骤:终端设备将任务信息上传至设备层信息上传模块;设备层信息上传模块获取设备层MEC服务器和终端设备任务信息;初始化模块接收任务信息并将其初始化;模型构建模块接收初始化模块传送的任务信息;MEC服务器资源统计模块统计每个MEC服务器和设备剩余的计算资源;距离预测模块采用LSTM网络计算;卸载决策制定模块使用ASPO制定任务卸载决策,将其发送至任务卸载决策传送模块;任务卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块;卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策。本发明提供一种基于移动边缘计算的任务卸载***及方法,任务卸载方法可以搭载于任务卸载***上,研究了设备在边缘计算卸载场景中动态移动的问题,建立了一种新型的移动边缘计算场景模型,同时方法采用一种自适应策略池优化算法(ASPO)制定任务卸载决策,通过构建算子策略池,在个体进化期间自适应使用策略池的优化算子进行迭代,该算法的全局搜索能力强,能制定出更好的卸载决策。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (8)
1.一种基于移动边缘计算的任务卸载***,其特征在于,包括设备层、边缘层和平台层,所述的设备层由MEC服务器和终端设备组成,所述的MEC服务器完成任务卸载决策分配的任务,所述的终端设备负责发布任务;所述的边缘层包含设备层信息上传模块和卸载决策下发模块,其中,所述的设备层信息上传模块获取所述的设备层MEC服务器和终端设备任务的信息,并通过JSON格式和平台层的初始化模块进行通信,所述的卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策,最终由所述的设备层实际完成任务的卸载;所述的平台层包含初始化模块、模型构建模块、MEC服务器资源统计模块、距离预测模块、卸载决策制定模块、卸载决策传送模块,用于制定任务卸载决策,并将任务卸载决策返回至边缘层;所述的距离预测模块采用LSTM网络来预测传输模型中的数据,该数据即任务计算完成后返回数据结果时设备距场景中MEC服务器的距离;所述的卸载决策制定模块使用ASPO算法制定出任务卸载决策,将其发送至任务卸载决策传送模块。
2.根据权利要求1所述的一种基于移动边缘计算的任务卸载***,其特征在于,所述的初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息,并对任务信息进行初始化操作。
3.根据权利要求1所述的一种基于移动边缘计算的任务卸载***,其特征在于,所述的模型构建模块接收初始化模块传送的任务信息,构建场景模型、计算模型、传输模型、资源分配模型,并最终构建出任务卸载决策优化模型。
4.根据权利要求1所述的一种基于移动边缘计算的任务卸载***,其特征在于,所述的MEC服务器资源统计模块根据资源分配模型提供的方法统计每个MEC服务器和设备剩余的计算资源,并存储在平台数据库中。
5.根据权利要求1所述的一种基于移动边缘计算的任务卸载***,其特征在于,所述的卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
6.一种基于移动边缘计算的任务卸载方法,其特征在于,包括以下步骤:
步骤1:终端设备发布任务,将任务信息上传至设备层信息上传模块;
步骤2:设备层信息上传模块获取设备层MEC服务器和终端设备任务的信息,并通过JSON格式和平台层的初始化模块进行通信;
步骤3:初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息,并对任务信息进行初始化操作;
步骤4:模型构建模块接收初始化模块传送的任务信息,构建出任务卸载决策优化模型;
步骤5:MEC服务器资源统计模块根据步骤4统计每个MEC服务器和设备剩余的计算资源,并存储在平台数据库中;
步骤7:卸载决策制定模块使用ASPO制定出任务卸载决策,将其发送至任务卸载决策传送模块,使用ASPO生成任务卸载决策的具体步骤如下:
步骤7.1:获取MEC服务器及设备的计算资源统计信息;
步骤7.2:使用TIACO算子返回的种群,在种群选取最优个体作为初始个体;
步骤7.3:在算法策略池中随机选取算子进行种群的迭代,最终每个算子会返回制定出的卸载决策,具体如下:
当选择到ANS算子时,步骤如下:
步骤7.3.1:概率性选择破坏方法和修复方法进行组合生成新个体,设和分别表示破坏方法和修复方法的集合,和分别表示各个破坏方法和修复方法的权重集合,一开始时,所有的方法都设置相同的权重,破坏方法被选择的概率为,修复方法被选择的概率为,其计算公式如下:
步骤7.3.2:进行权重更新,权重越大,方法被选择的概率越大,权重大小更新方式公式如下:
当选择到TIACO算子时,步骤如下:
步骤7.3.1:根据解生成策略生成个体;
步骤7.3.3:如果达到迭代次数,最终返回生成后的最终种群,并进入步骤7.4,否则进入步骤7.3.1;
步骤7.4:更新算法策略池中算法的选择权重,进行权重更新,权重越大,算子被选择的概率越大,权重大小更新方式如下所示:
步骤7.5:更新当前的最优卸载决策,并判断算法是否达到迭代次数,达到迭代次数则算法终止,返回最终的卸载决策,否则转入步骤7.3;
步骤8:卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块;
步骤9:卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策,最终由设备层实际完成任务的卸载。
8.根据权利要求6所述的一种基于移动边缘计算的任务卸载方法,其特征在于,所述的算法策略池中的算子为自适应邻域搜索算法和改进版蚁群优化算法,并且相关算子使用基于优先级的解生成策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941097.6A CN113778550B (zh) | 2021-08-17 | 2021-08-17 | 一种基于移动边缘计算的任务卸载***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941097.6A CN113778550B (zh) | 2021-08-17 | 2021-08-17 | 一种基于移动边缘计算的任务卸载***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778550A CN113778550A (zh) | 2021-12-10 |
CN113778550B true CN113778550B (zh) | 2022-05-03 |
Family
ID=78837988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110941097.6A Active CN113778550B (zh) | 2021-08-17 | 2021-08-17 | 一种基于移动边缘计算的任务卸载***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778550B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115065727B (zh) * | 2022-05-19 | 2023-08-22 | 南京邮电大学 | 一种基于边缘计算场景的任务卸载方法 |
CN116112981B (zh) * | 2023-04-13 | 2023-07-25 | 东南大学 | 一种基于边缘计算的无人机任务卸载方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及*** |
CN111160525A (zh) * | 2019-12-17 | 2020-05-15 | 天津大学 | 一种边缘计算环境下基于无人机群的任务卸载智能决策方法 |
CN112423320A (zh) * | 2020-11-11 | 2021-02-26 | 西北工业大学 | 一种基于QoS和用户行为预测的多用户计算卸载方法 |
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN113156992A (zh) * | 2021-04-12 | 2021-07-23 | 安徽大学 | 面向边缘环境下无人机的三层架构协同优化***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698861B (zh) * | 2018-12-14 | 2020-07-03 | 深圳先进技术研究院 | 一种基于代价优化的计算任务卸载方法 |
EP4055551A4 (en) * | 2019-11-05 | 2023-12-06 | Strong Force VCN Portfolio 2019, LLC | CONTROL TOWER AND BUSINESS MANAGEMENT PLATFORM FOR VALUE CHAIN NETWORKS |
CN112532676B (zh) * | 2020-07-24 | 2021-09-28 | 北京航空航天大学 | 一种基于区块链数据共享的车辆计算任务卸载方法 |
-
2021
- 2021-08-17 CN CN202110941097.6A patent/CN113778550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及*** |
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN111160525A (zh) * | 2019-12-17 | 2020-05-15 | 天津大学 | 一种边缘计算环境下基于无人机群的任务卸载智能决策方法 |
CN112423320A (zh) * | 2020-11-11 | 2021-02-26 | 西北工业大学 | 一种基于QoS和用户行为预测的多用户计算卸载方法 |
CN113156992A (zh) * | 2021-04-12 | 2021-07-23 | 安徽大学 | 面向边缘环境下无人机的三层架构协同优化***及方法 |
Non-Patent Citations (1)
Title |
---|
移动边缘计算中的计算卸载策略研究综述;董思岐 等;《计算机科学》;20191130;第46卷(第11期);第32-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113778550A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN112882815B (zh) | 基于深度强化学习的多用户边缘计算优化调度方法 | |
CN111245651B (zh) | 一种基于功率控制和资源分配的任务卸载方法 | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算*** | |
CN112817653A (zh) | 一种基于云边端的联邦学习计算卸载计算***及方法 | |
CN113778550B (zh) | 一种基于移动边缘计算的任务卸载***和方法 | |
CN110098969B (zh) | 一种面向物联网的雾计算任务卸载方法 | |
CN107766135A (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN110851197B (zh) | 一种边缘计算多服务器任务选择卸载方法和*** | |
CN110928654A (zh) | 一种边缘计算***中分布式的在线任务卸载调度方法 | |
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
CN112540845B (zh) | 一种基于移动边缘计算的协作***及方法 | |
CN112073452B (zh) | 一种能源有效和资源受限的移动边缘计算任务分配方法 | |
US20230189075A1 (en) | Wireless communication network resource allocation method with dynamic adjustment on demand | |
CN112667406A (zh) | 一种云边融合异构网络中任务卸载与数据缓存方法 | |
CN113573342B (zh) | 一种基于工业物联网的节能计算卸载方法 | |
CN116455768A (zh) | 面向全局时延优化的云边端协同cnn推理方法及*** | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN117436485A (zh) | 基于权衡时延和精度的多退出点的端-边-云协同***及方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN116843016A (zh) | 一种移动边缘计算网络下基于强化学习的联邦学习方法、***及介质 | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及*** | |
CN115580900A (zh) | 一种基于深度强化学习的无人机辅助协作式任务卸载方法 | |
CN113342529B (zh) | 基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法 |
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 |