CN114666339A - 一种基于中智集的边缘卸载方法、***及存储介质 - Google Patents

Abstract

本发明涉及边缘计算卸载技术领域，公开了一种基于中智集的边缘卸载方法、***及存储介质，该方法包括计算任务在移动设备上被执行时所需的第一代价以及任务在第一边缘服务器上被执行时所需的第二代价，第一边缘服务器为N个边缘服务器中距离移动设备最近的边缘服务器；在第一代价大于第二代价的情况下，将任务卸载至第一边缘服务器中执行；在第一边缘服务器达到负载阈值的情况下，基于N个边缘服务器中每一个边缘服务器的上下文参数锁定第二边缘服务器，将任务卸载至第二边缘服务器中执行；设计了一种多层次边缘计算卸载策略，解决了任务是否需要卸载以及卸载到哪的问题，减小了执行任务的代价。

Description

一种基于中智集的边缘卸载方法、***及存储介质

技术领域

本发明涉及边缘计算卸载技术领域，尤其涉及一种基于中智集的边缘卸载方法、***及存储介质。

背景技术

随着无线通信技术和互联网技术的快速发展，万物互联的时代已悄然来临。预计至2030年，中国的移动设备数量将达到40亿。与此同时如VR、在线游戏、无人驾驶等新型应用如雨后春笋般涌现，此类应用产生的数据量的大小和复杂度都急剧增加，同时对延迟的要求越来越严格，否则难以满足用户体验质量。虽然，移动设备配备的CPU越来越强，但受体积、存储空间以及电量的影响，移动设备自身对延迟敏感型和计算密集型的应用显得力不从心。因此，边缘计算应运而生。

边缘计算(Edge Computing，EC)是一种新型计算模式，其将计算与存储资源，例如：cloudlet(边缘服务器)、微型数据中心或雾节点等部署在更贴近移动设备或传感器的网络边缘，以解决设备在资源存储、计算性能以及能效等方面存在的不足，从而能够提供快处理和低时延的服务。但边缘计算仍然面临着许多技术上的难题，如计算卸载和移动性管理。作为边缘计算中关键技术之一，计算卸载是指终端设备将部分或全部计算任务交给边缘服务器处理的技术，在延迟最小化和服务质量保证中起着重要作用。移动性管理是指当用户处于密集且复杂的网络覆盖区域时，如何根据自己的移动轨迹选择合适的边缘节点为自己提供服务。针对边缘计算存在的问题，学术界已有大量的研究和算法，这些研究旨在探索制定最佳卸载决策，在满足执行延迟约束的同时最小化能耗。但是这些研究也存在着一些不足，例如部分算法默认所有任务都需要卸载，这显然是不合理的，因为部分任务可能在移动设备内部进行处理代价更小；在移动设备附近存在多个边缘节点时，如何同时考虑边缘节点和移动设备的上下文因素，融合多属性选择一个最优的节点，目前的研究并不充分；在一些研究中，卸载决策模型和移动性管理要么是分开进行的，要么完全根据移动性来进行卸载决策，而实际上，移动性是表征上下文影响决策的重要因素。可见，现有的边缘卸载方法的卸载方式代价较大。

发明内容

本发明提供了一种基于中智集的边缘卸载方法、***及存储介质，以解决现有的边缘卸载方法的卸载方式代价较大的问题。

为了实现上述目的，本发明通过如下的技术方案来实现：

第一方面，本发明提供一种基于中智集的边缘卸载方法，应用于计算卸载结构，所述计算卸载结构包括云计算中心、N个边缘服务器和移动设备，N为正整数，所述方法包括：

S1、计算任务在移动设备上被执行时所需的第一代价以及所述任务在第一边缘服务器上被执行时所需的第二代价，所述第一边缘服务器为所述N个边缘服务器中距离所述移动设备最近的边缘服务器；

S2、在所述第一代价大于第二代价的情况下，将所述任务卸载至所述第一边缘服务器中执行；

S3、在所述第一边缘服务器达到负载阈值的情况下，基于所述N个边缘服务器中每一个候选边缘服务器的上下文参数锁定第二边缘服务器，所述上下文参数包括用户移动性、网络条件、每一个边缘服务器的负载以及CPU利用率；

S4、将所述任务卸载至所述第二边缘服务器中执行。

第二方面，本申请实施例提供一种基于中智集的边缘卸载***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。

第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的方法的步骤。

有益效果：

本发明提供的基于中智集的边缘卸载方法，在任务在移动设备上被执行时所需的较大的情况下，首先考虑将任务卸载至距离移动设备最近的第一边缘服务器上执行，并在第一边缘服务器达到负载阈值的情况下，基于N个边缘服务器中每一个边缘服务器的上下文参数锁定第二边缘服务器，并将任务卸载至第二边缘服务器中执行，这样，设计了一种多层次边缘计算卸载策略，解决了任务是否需要卸载以及卸载到哪的问题，减小了执行任务的代价；在此基础上，本申请中根据用户移动性、网络条件、每一个边缘服务器的负载以及CPU利用率确定第二边缘服务器，充分考虑了用户在不同云覆盖范围内移动的实时性，采用中智集处理上下文参数随时间的高度可变性，不仅能节能省时，还能减少失败的任务个数。

附图说明

图1为本发明优选实施例的一种基于中智集的边缘卸载方法的流程图；

图2为本发明优选实施例的三层计算卸载结构示意图；

图3为本发明优选实施例的云模型的示意图；

图4为本发明优选实施例的用户的移动性随时间的变化；

图5为本发明优选实施例的NSCO和对比实验的方法的任务平均失败次数；

图6为本发明优选实施例的NSCO和两种对比方法在处理不同任务数量时的平均消耗时间；

图7为本发明优选实施例的NSCO和两种对比方法在处理不同任务数量时的平均消耗能耗。

具体实施方式

下面对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。

请参见图1，本申请实施例提供一种基于中智集的边缘卸载方法，应用于计算卸载结构，计算卸载结构包括云计算中心、N个候选边缘服务器和移动设备，N为正整数，该方法包括：

S1、计算任务在移动设备上被执行时所需的第一代价以及任务在第一边缘服务器上被执行时所需的第二代价，第一边缘服务器为N个候选边缘服务器中距离移动设备最近的候选边缘服务器；

本申请提供的基于中智集的边缘卸载方法，适用于如图2所示的三层计算卸载结构，在该结构中，云计算中心能够提供稳定而强大的计算能力，适合处理计算密集型和延迟容忍型任务。Cloudlet(边缘服务器)是部署在网络边缘的具有计算和网络资源的服务器，具有优于移动设备的计算能力，且比云计算具有更低的延迟。本申请中考虑了四个卸载目的地：移动设备本地、最近的cloudlet(第一边缘服务器)、最佳的cloudlet(第二边缘服务器)、云计算中心，在后文计算中分别用下标m，nea，Opt，Cl表示。

在三层云边混合环境下，卸载问题描述为如何选择在哪里执行任务，以及如何根据上下文因素选择一个最佳的cloudlet，从而使整体完成时间和能耗最低。具体说来，设共有n个任务，若在本地执行W个任务，就近cloudlet执行x个任务，在最佳cloudlet执行y个任务，有Z个任务在云服务器上执行，则完成这组任务的总代价为：

W+x+y+Z=n (1)

C_Site由两部分组成，分别是任务的完成时间T和消耗的能量E：

C_site＝α·T_site+β·E_site；

site∈{m，nea，opt，cl}； (2)

α和β是调整成本中时间和能耗部分的权重因子，可根据用户对这些因素的偏好进行调整，完成时间T和能耗E的计算在后文中详细介绍，其值被归一化后参与代价的计算。

S2、在第一代价大于第二代价的情况下，将任务卸载至第一边缘服务器中执行。

需要说明的是，并非所有任务都需要卸载，移动设备能也能为一些小型任务提供良好的运行环境。本申请通过卸载代价来决定任务是否需要卸载。

在移动设备上完成任务的时延、能耗计算如下：

T_m＝I/S_m (3)

E_m＝P_mo·(I/S_m) (4)

其中，I指任务大小，以指令条数描述，S_m是移动设备单位时间内执行的指令数量，P_mo移动设备执行任务时单位时间的功耗。

如果由最近的cloudlet响应任务请求，则相应的计算如下：

本实施例中，涉及的参数的释义包括，D_nea/S_p表示传播时间，D_u/B_u和D_d/B_d表示上传和回传链路时间，I/S_nea表示最近cloudlet处理任务花费的时间，Q_nea在最近cloudlet中排队等待的时间，D_u表示上传数据量，D_d表示回传数据量，B_u表示上传数据速率，B_d表示回传数据速率，P_ts表示移动设备发送数据时单位时间的功耗，P_tr表示移动设备接收数据时单位时间的功耗，P_mo表示移动设备进行任务计算时单位时间的功耗，P_i表示移动设备空闲状态(等待结果)时单位时间的功耗，I表示待执行的任务的指令条数，通过指令条数来表示任务大小，S_m表示移动设备单位时间内执行的指令数量，S_nea表示最近cloudlet单位时间内执行的指令数量，S_opt表示最佳cloudlet单位时间内执行的指令数量，S_cl表示云计算中心cloud单位时间内执行的指令数量，S_p表示传播速度，D_cl表示最近cloudlet和cloud之间的距离，D_nea表示最近cloudlet和移动设备的距离，D_opt表示最近cloudlet和最佳cloudlet之间的距离，Q_nea表示在最近cloudlet中排队时间，Q_opt表示在最佳cloudlet中排队时间，T_timer表示设置的定时器时间。

所以，当C_m≤C_nea，则在移动设备本地处理任务代价更小，如果C_m＞C_nea，则将任务卸载到最近cloudlet更合适。

S3、在第一边缘服务器达到负载阈值的情况下，基于N个边缘服务器中每一个边缘服务器的上下文参数锁定第二边缘服务器，上下文参数包括用户移动性、网络条件、每一个边缘服务器的负载以及CPU利用率；

S4、将任务卸载至第二边缘服务器中执行。

上述的基于中智集的边缘卸载方法，在任务在移动设备上被执行时所需的较大的情况下，首先考虑将任务卸载至距离移动设备最近的第一边缘服务器上执行，并在第一边缘服务器达到负载阈值的情况下，基于N个边缘服务器中每一个边缘服务器的上下文参数锁定第二边缘服务器，并将任务卸载至第二边缘服务器中执行，这样，设计了一种多层次边缘计算卸载策略，解决了任务是否需要卸载以及卸载到哪的问题，减小了执行任务的代价；在此基础上，本申请中根据每一个候选边缘服务器的用户移动性、网络条件、服务器负载以及CPU利用率确定第二边缘服务器，充分考虑了用户在不同云覆盖范围内移动的实时性。

可选地，S3具体包括：

S31、将N个候选边缘服务器中除第一边缘服务器之外的候选边缘服务器视为候选边缘服务器，根据每一候选边缘服务器的最近q个时刻内的上下文参数构建每一候选边缘服务器的时变上下文矩阵；

S32、使用逆向云生成器算法将每一候选边缘服务器的时变上下文矩阵转化为单值中智上下文矩阵；

S33、使用单值中智集加权平均聚合算子将单值中智上下文矩阵聚合成候选边缘服务器的单值中智数；

S34、使用单值中智数的得分函数计算每一候选边缘服务器的得分，将分值最高的候选边缘服务器作为第二边缘服务器。

在本可选的实施方式中，采用中智集处理上下文参数随时间的高度可变性，不仅能节能省时，还能减少失败的任务个数。

在一些场景下，最近的cloudlet达到了负载阈值而无法为新到的任务提供服务，此时最近的cloudlet需要充当代理的角色，广播请求，向附近其他cloudlet寻求帮助，具体而言，在一示例中，锁定第二边缘服务器(最近的cloudlet)的步骤如下。

第一边缘服务器广播任务请求消息，搜索附近其他的cloudlet，并且设置一个定时器T_timer，T_timer＜＜T_nea。当附近有cloudlet可以满足任务的请求时，这些cloudlet将自己的CPU利用率、当前的负载、与其他cloudlets的网络连接情况回应给代理，代理cloudlet将候选cloudlet的这些信息选择出最佳cloudlet，并将任务转发给该cloudlet来执行。这种情况下，时延T_opt、能耗E_opt和代价分计算如下：

可选地，上述的方法还包括：设定预设时间阈值，在预设时间阈值内若没有成功锁定第二边缘服务器，则将任务卸载至云计算中心。

在本可选的实施方式中，如果定时器T_timer到达0时还没有任何cloudlet响应该任务的请求，说明附近没有合适的cloudlet，此时将该任务卸载到云计算中心，由云服务器来提供服务。这样，可以保证不管是否成功锁定第二边缘服务器，都可以将移动设备上的任务卸载出去，减小移动设备的压力。这种情况下，时延T_opt、能耗E_opt和代价分计算如下：

需要说明的是，在不同的时段，网络状况呈现不同的拥塞程度，服务器可用资源也随着时间动态变化，终端设备因其移动性在不同时刻也处于不同的位置，即包括网络状态、服务器资源以及终端设备位置都随时间变化而动态更新，这些影响卸载决策的上下文因素呈现时变特性。

在不同的时刻不同的位置，可以将任务卸载到不同的cloudlet上。这些时变的上下文因素对卸载决策起着重要作用，而现有的研究中少有考虑上下文参数的时变动态性。本章将采用单值中智集对用户移动性、网络条件、服务器负载、CPU利用率四个上下文参数进行时变的刻画。

当前用户处在p个候选cloudlet的服务范围内时，为选择最佳cloudlet，获取其在p个候选cloudlet的四个上下文在q个时刻内的值，以便于进行决策。本申请通过预估用户在cloudlets的停留时间以表征移动性，记为

i∈{1，2，...，p}，j∈{1，2，...，q}。其余三个上下文参数包括候选cloudlet的负载、CPU利用率及其与代理cloudlet之间的网络条件，可以通过相应API获取对应的数值，分别记为

考虑到移动性是极大型指标(越大越好)，其余三个是极小型指标，为了避免尺度混乱，采用y′＝max_y-y极小型指标进行正向化处理，max_y为指标y取值的最大值。同时，为使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，采用y＝(y-min_y)/(max_y-min_y)据进行归一化处理。其中，min_y为指标y取值的最小值，max_y为指标y取值的最大值，因此，对用户服务范围内的p个候选cloudlet，在最近q个时刻内其归一化的上下文属性数据可表达为矩阵

每个矩阵元素

即cloudleti在时刻j的归一化上下文属性数据，为一个四元组

i∈{1，2，...，p}，j∈{1，2，...，q}。则有：

时变的上下文信息具有不确定性，而中智集(Neutrosophic Set，NS)有独立的隶属度函数、不确定隶属度函数和非隶属度函数，可以很好地表征因时变产生的不一致、不确定的信息。但它定义在非标准单位子区间]0-，1+[，上。

首先，单值中智集(Single-valued Neutrosop-hic Set，SVNS)定义，设X是一个给定的论域，X上的一个单值中智集A用一个包括隶属度函数T_A(x)、不确定隶属度函数I_A(x)和非隶属度函数F_A(x)来表示为：

A＝{<X，T_A(x)，I_A(x)，F_A(x)>lx∈X}

式中，T_A(x)，I_A(x)，F_A(x)∈[0，1]，满足

有0≤T_A(x)+I_A(x)+F_A(x)≤3。对论域X上的单值中智集A中的一个元素，称为单值中智数(Single-Valued NeutrosophicNumber，SVNN)，简记为<T_A，I_A，F_A>。

为了能为cloudlet的时变上下文属性建立SVNS模型，方便后续基于中智集的多属性决策，需要为cloudleti在q个时刻内的上下文序列数据

建立三种隶属度函数，即完成

的转换。为此，本申请选用一种基于概率统计和模糊集理论、实现定性概念与定量数据双向转换的认知模型——云模型(Cloud Model，CM)来完成这一转换。

值得解释的是，云由云滴组成，一个云滴是定性概念的一次实现，一定数量的云滴即可表达一朵云。在本申请中，cloudlet_i的某一时变上下文在时刻j上的取值，即可视为一个云滴，其q个时刻的数据序列即可表征该上下文的云模型，记为

如图3所示，云模型的数字特征由期望值

熵

超熵

三个数值来表征。期望

是云滴在论域空间分布的期望，代表定性概念的基本确定性；熵

代表定性概念不确定性的度量，反映了在论域中可被这个概念所接受的数值范围，在图3中反映云的跨度。超熵

是熵

的熵，是熵的不确定性，表达云模型的偏离程度，在图3中反映云的厚度。因此，取期望

当作单值中智数的隶属度T_A，熵

当作不确定隶属度I_A，超熵

当作非隶属度F_A，可完成到SVNS的转换。即：

进一步地，本申请采用云模型理论中的逆向云生成器算法完成转换：

具体而言，逆向云生成器算法的输入可以是cloudlet_i某一时变上下文序列，如

i∈{1，2，...，p}；输出可以是cloudlet_i某一上下文云模型的数字特征值，①

②

③

在一示例中，以cloudlet₁在10个时刻内的负载数据为例，对上述过程进行解释。在对数据进行正向化和归一化后，cloudlet₁的时变负载数据为(0.98，1.00，0.54，0.00，0.60，0.51，0.26，0.82，0.80，0.50)，对应的云模型为：

将数据输入逆向生成器中得到该云模型对应的数字特征期望

熵

超熵

因此，cloudlet₁的负载单值中智数表示为

至此，若cloudlet_i的网络条件、负载、CPU利用率的时变数据序列分别为

使用云模型的逆向生成器算法进行中智转化后，建立的cloudlet_i的单值中智上下文模型分别为：

而要建立单值中智移动性模型，先需对移动性进行度量。

请参见图4，图4阐释了用户的移动性随时间的变化。假设用户开始沿着α方向移动，在某一时刻，用户改变移动方向为α1，再下一时刻，用户又沿着α2移动，本文通过预测移动设备在cloudlet内的停留时间来度量移动性从而为cloudlet的选择提供参考。

假设在某一时刻用户同时处于两个cloudlet的服务区内，以cloudlet2为例，R表示cloudlet的服务范围，S为用户沿移动方向离开cloudlet覆盖范围的距离，v表示用户移动速度，用户的移动方向

和速度v可通过GPS获得，D为用户当前位置和cloudlet的直线距离，

为用户当前位置到cloudlet的方向向量，设用户当前位置为(A，B)，cloudlet位置为(a，b)，有

则用户在某一cloudlet内的停留时间可通过如下公式计算：

其中，距离S可以通过三角函数计算得到：

因此，用户在cloudlet_i内的q个时刻的移动性数据序列为

利用逆向云生成器算法进行中智转化后，所建立的移动性单值中智集模型为

综上，对于cloudlet_i，其单值中智上下文模型如下矩阵

i∈{1，2，...，p}，行表示p个候选cloudlet，列为移动性、网络条件、负载、CPU利用率四个上下文因素的SVNS表示如下：

在得到cloudlet_i的单值中智上下文模型后，根据候选cloudlets的四个相关上下文因素进行决策，选出最佳cloudlet，显然，这是一个多属性决策问题。在多属性决策问题中，每一个备选方案的属性往往是复杂，不同上下文属性对决策的贡献程度不一，应赋予它们不同的权重值。因为属性权重完全未知，符合模糊理论的熵的特性。因此，本申请利用中智熵理论推算SVNS环境下各上下文属性的最优权重。

设

是论域X＝{x₁，x₂，…，x_n}上的一个单值中智集，则中智熵E(A)的定义为

A^c为A的补集。在

中，每一个元素

表示cloudleti的某一上下文的SVNN，每一列，代表每一个上下文属性的SVNS。因此，每个属性对应的权重计算如下：

其中crtt∈{M，D，L，C}，表示四个上下文属性。

最后，使用公式(13)——单值中智集加权平均聚合算子(Single-valuedNeutrosophic S et Weighted Algorithm，SVNSWA)，将cloudlet_i各上下文属性SVNS聚合成候选cloudlet_i的S VNN，记为SVNN_i＝{T_i，I_i，F_i}。其中，cnt∈{M，D，L，C}。

在获得SVNN_i后，使用公式(14)——SVNN的得分函数计算每一个候选cloudlet的得分。得分函数是SVNN排序中的一个重要指标。隶属度T越大，SVNN越大；不确定度I越小，SVNN越大；同样的，非隶属度F越小，SVNN就越大。在得到关于候选cloudlet的得分列表后，得分最高的即为最佳cloudlet。

score(SVNN_i)＝(T_i+1-I_i+1-F_i)/3 (14)

综上，本申请的基于中智集的边缘卸载方法(Time-varying Context-awareEdgeOffloading Based On the Neutrosophic Set，NSCO)。可以描述通过算法如下：

{输入：任务＝<I，D_u>，I是待执行任务的指令条数，D_u是卸载时上传的数据量。

输出：任务t的执行位置。

1.使用公式(2)(3)(4)(5)(6)计算在本地和在最近cloudlet执行任务的代价C_m和C_nea

2.if C_m≤C_nea：

3.在本地执行；

4.else：

5.最近cloudlet接收任务；

6.if最近cloudlet满足任务要求：

7.在最近cloudlet上执行任务；

8.else：

9.最近cloudlet充当代理，向附近其他可用cloudlets广播任务请求消息；

10.if在时间T_timer内，有其他cloudlet可以满足任务的卸载请求：

11.获取用户在所有候选cloudlets最近q个时刻内的移动性、网络条件、负载、CPU利用率四个上下文数据，构成cloudlet_i的时变上下文矩阵

12.使用逆向云生成器算法将

转化为单值中智上下文矩阵：

13.使用公式(13)将

聚合成候选cloudlet_i的SVNN。

14.使用公式(14)对SVNN_i进行比较，得分最高的为最佳cloudlet，任务从最近cloudlet转移到最佳cloudlet。

15.else：

16.T_timer内附近都没有cloudlet可以执行该任务，则将任务卸载到云。

}

算法主流程为确定任务的执行位置：首先步骤1-7表示根据执行任务的代价C_m和C_nea来确定是否将任务卸载到最近cloudlet。然后步骤8-14表示当最近cloudlet无法满足任务请求时，使用单值中智集表征候选cloudlets的时变上下文信息，利用cloudlets时变上下文信息选择一个最佳cloudlet来执行任务。最后步骤15-16表示若在T_timer内没有合适的候选cloudlet，从而将任务卸载到云计算中心。算法的时间复杂度为O(n)，其中，单值中智集加权平均聚合算子的时间复杂度为O(n)，使用SVNN比较函数对候选cloudlet进行比较的时间复杂度为O(n)，这两者是并行的关系，其他算法流程时间复杂度为O(1)，综合时间复杂度为O(n)。

下面，通过实验验证本申请提供的基于中智集的边缘卸载方法的性能。

(1)数据集：本文实验使用了Stanford Drone数据集和阿里巴巴集群数据集。Stanford Drone数据集连续记录了斯坦福大学校园内某一区域内行人的运动轨迹，有用户的具***置信息。阿里巴巴集群数据集提供来自实际生产的集群跟踪，记录了8天内4000台服务器的相关数据，实验摘取了其中服务器的CPU利用率和负载两项数据。网络条件由通信时延衡量，根据(2)仿真参数进行计算。

(2)仿真参数：本文使用Advantech EIS-D210(3846MIPS，1.5GHz，4GB RAM)作为cloudlet参数，使用Del PowerEdge(31790MIPS，3.0GHz，768GB RAM)作为云服务器参数。设定cloudlet的服务范围为0-50m，用户与cloudlet之间的带宽设为100Mbps，用户与云服务器之间的带宽设置为1Gbps。任务大小采用均匀分布进行分配，平均值为4600M条指令，每个任务的数据传输量大小也以相同的方式分配，平均值为750千字节。

(3)对比实验：将本文算法NSCO与Application-aware cloudlet selection forcompu tation offloading in multi-cloudlet environment(appAware)和mCloud：AContext-Aw are Offloading Framework for Heterogeneous Mobile Cloud(mCloud)进行对比实验。

appAware：不同的Cloudlet可以执行不同类型的应用程序，根据请求的应用程序类型分配到不同的Cloudlet，平衡工作负载，减少***延迟，降低功耗。

mCloud：考虑移动设备上下文(网络条件)的变化，为选择无线介质和云资源提供帮助，从而作出更好的卸载决策，以提供更好的性能和更低的电池消耗。

(4)评价指标：本文选用任务平均失败次数、响应时间和能耗三个评价标准。将失败任务定义为用户在某一cloudlet内的停留时间小于将任务卸载到该cloudlet的完成时间，因为在这种情况下，用户已经离开该cloudlet的服务区而无法接收结果。

在一次案例研究中，定义了20个cloudlet来模拟任务卸载的实验，并取10个时刻内的上下文参数的原始数据转化为中智集，产生的结果如表1所示。接着使用公式(13)进行加权平均聚合可以获得每一候选cloudlet单值中智数，如表2所示。最后，使用公式(14)可以得到关于候选cloudlet的一个得分列表：

cloudletl5＞cloudlet5＞cloudletl3＞cloudletT＞cloudlet3……＞cloudletl4。

cloudlet15成为最优候选是因为其在每个上下文参数上都表现出了较高的隶属度和较低的非隶属度和不确定度，而最差的cloudlet14与其相反。

表1.各上下文参数的中智数

表2.候选cloudlet聚合单值中智数

然后，进行对比分析如下：

(1)任务平均失败次数分析

在任务个数分别为25、50、75、100时，测量了任务的平均失败次数，本文提出的基于中智集的时变上下文感知边缘卸载方法(简记为NSCO)和对比实验的方法的任务平均失败次数如图5所示。

之所以能有以上优势的原因有二：(1)NSCO考虑了用户的高移动性，并通过用户在cloudlet范围内的停留时间来捕捉用户的移动趋势。预测用户停留时间可以帮助过滤掉那些可用时间较少的cloudlet，从而避免潜在的任务卸载失败。(2)NSCO通过历史数据来推测未来，过去一段时间内最适宜的cloudlet，在最近的将来应该也是最佳的。当最近cloudlet无法满足任务要求转而寻找周围最佳cloudlet时，NSCO选用相关上下文历史时刻数据，结合云模型、中智聚集等算法选择出最近最优cloudlet，该方法可以对减少任务卸载失败的次数起着重要作用。

在对比实验appAware和mCloud中，都没有考虑时间的动态性来选择cloudlet，也没有考虑用户的移动性，所以失败任务个数较多。此外，在对比实验appAware中，只考虑了是否有某一类型的cloudlet专用于处理某一类型的任务，若没有该类型的cloudlet，则会选择卸载到云中心，但是将任务转移到云会增加响应时间，响应时间过长往往会导致任务失败。在对比实验mCloud中，只考虑了网络接口这一上下文条件，仅仅根据网络接口是否可用来决定任务在哪处理，存在某些时刻大量任务在本地设备处理的情况，众所周知，本地设备的处理能力有限，容易出现处理失败的情况。

(2)任务卸载所花费的时间和能耗分析

图6和图7显示了NSCO和两种对比方法在处理不同任务数量时的平均消耗时间和能耗。从图中可以看出使用本文提出的方案，平均响应时间对比appAware和mCloud分别减少约28.9％和54.7％，平均能耗对比appAware和mCloud分别降低约33.2％和56.8％。

除了在(1)中分析的因响应时间过长导致任务失败，从而增加了***的响应时间外，在appAware方法中，若没有处理某一任务类型的专一cloudlet，则会选择卸载到云中心，但是将任务转移到云会增加传播时延，因此响应时间和能耗收到影响。而在mCloud中，由于不合理的任务比例分配，使得本地处理的任务过多，增加了响应时间和能耗。

本文提出的方案中，首先选择最近的Cloudlet。如果它不能卸载任务的要求，则最近Cloudlet充当代理服务器，并从其附近的Cloudlet中选择最佳cloudlet来处理任务。如果附近的Cloudlet都没有响应，再将任务卸载到云。而且，在进行最优cloudlet选择时，本文从全局出发，充分考虑了用户移动性、网络条件、cloudlet CPU利用率、cloudlet负载这四个上下文因素，这分别对应着响应时间中的传播时间、通信时间、处理时间、排队时间，因此采用该方案卸载任务所花费的时间少，消耗的能量低，达到了提升用户综合体验的效果。

综上，本文针对边缘计算下任务卸载的问题进行了研究。提出了考虑用户移动性等多个上下文因素的计算卸载策略。当最近cloudlet无法处理卸载的任务时，将该问题转化为一个多属性决策问题，从附近选择一个最佳cloudlet来处理任务，并采用中智集来处理上下文数据随时间的高度动态变化性。模拟实验结果表明，使用我们提出的策略，延迟与功耗分别降低了28.9％-54.7％和33.2％-56.8％。

本实施例中，边缘服务器也可以是指边缘云。

本申请还提供一种基于中智集的边缘卸载***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。该基于中智集的边缘卸载***能实现上述基于中智集的边缘卸载方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法步骤。该计算机可读存储介质能实现上述基于中智集的边缘卸载方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种基于中智集的边缘卸载方法，应用于计算卸载结构，所述计算卸载结构包括云计算中心、N个边缘服务器和移动设备，N为正整数，其特征在于，所述方法包括：

S1、计算任务在移动设备上被执行时所需的第一代价以及所述任务在第一边缘服务器上被执行时所需的第二代价，所述第一边缘服务器为所述N个边缘服务器中距离所述移动设备最近的边缘服务器；

S2、在所述第一代价大于第二代价的情况下，将所述任务卸载至所述第一边缘服务器中执行；

S3、在所述第一边缘服务器达到负载阈值的情况下，基于所述N个边缘服务器中每一个边缘服务器的上下文参数锁定第二边缘服务器，所述上下文参数包括用户移动性、网络条件、每一个边缘服务器的负载以及CPU利用率；

S4、将所述任务卸载至所述第二边缘服务器中执行。

2.根据权利要求1所述的基于中智集的边缘卸载方法，其特征在于，所述方法还包括：设定预设时间阈值，在所述预设时间阈值内若没有成功锁定第二边缘服务器，则将所述任务卸载至所述云计算中心。

3.根据权利要求1所述的基于中智集的边缘卸载方法，其特征在于，所述S3具体包括：

S31、将所述N个边缘服务器中除所述第一边缘服务器之外的边缘服务器视为候选边缘服务器，根据每一候选边缘服务器的最近q个时刻内的上下文参数构建每一候选边缘服务器的时变上下文矩阵；

S32、使用逆向云生成器算法将每一候选边缘服务器的时变上下文矩阵转化为单值中智上下文矩阵；

S33、使用单值中智集加权平均聚合算子将所述单值中智上下文矩阵聚合成候选边缘服务器的单值中智数；

S34、使用单值中智数的得分函数计算每一候选边缘服务器的得分，将分值最高的候选边缘服务器作为第二边缘服务器。

4.根据权利要求3所述的基于中智集的边缘卸载方法，其特征在于，所述S31包括：

预估用户在候选边缘服务器的范围内的停留时间作为候选边缘服务器的用户移动性，记为

通过候选边缘服务器的API获取侯选边缘服务器对应的网络条件

服务器负载

以及CPU利用率

对所述侯选边缘服务器的上下文参数进行归一化处理得到时变上下文矩阵

如下：

式中，q表示共q个时刻，p表示共p个侯选边缘服务器，i∈{1，2，...，p}，j∈{1，2，...，q}。

5.根据权利要求4所述的基于中智集的边缘卸载方法，其特征在于，所述S33中所述候选边缘服务器的单值中智数满足如下关系式：

式中，每一个元素代表候选边缘服务器i的上下文的中智数表示，T_i表示候选边缘服务器i的隶属度，I_i表示候选边缘服务器i的不确定隶属度，F_i表示候选边缘服务器i的非隶属度。

6.根据权利要求5所述的基于中智集的边缘卸载方法，其特征在于，所述S34包括：

建立单值中智数的得分函数score(SVNN_i)如下：

score(SVNN_i)＝(T_i+1-I_i+1-F_i)/3；

采用得分函数计算每一候选边缘服务器的得分，将分值最高的候选边缘服务器作为第二边缘服务器。

7.一种基于中智集的边缘卸载***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法步骤。

Images