CN114785782A - 面向异构云-边计算的通用的任务卸载方法 - Google Patents

Abstract

本发明公开了一种面向异构云‑边计算的通用的任务卸载方法，首先，将任务建模成有向图G^T；获取每个任务在不同环境下的计算代价和通信代价；然后，为G^T中的任务节点随机初始化卸载分区，定义为初始分区；根据此初始分区为每个任务计算将该任务从当前分区移动到对面分区获得的增益；将初始分区根据增益进行迭代优化之后获得最终分区，该最终分区即对应着最终的任务卸载策略。本发明利用迭代获取最大增益的方法得到面向异构云‑边环境的高效任务卸载策略，能够明显降低在异构的云‑边环境中卸载整个任务应用的总代价。

Description

面向异构云-边计算的通用的任务卸载方法

技术领域

本发明涉及了一种面向异构云-边环境的通用且高效的任务卸载算法，属于云-边计算领域。

背景技术

边缘计算由于其可扩展性和低通信成本，弥补了从本地设备向远程云传输大量数据的成本，因此受到了广泛的关注。随着物联网、5G网络以及智能设备(如智能手机、可穿戴设备和虚拟现实设备)的快速发展，人们对如何解决物联网设备上有限的资源和降低由于带宽限制而导致的云端任务数据传输的高延迟提出了迫切的要求。云-边计算具有边缘计算和云计算的优点。另外，它也是解决物联网设备资源限制和仅将整个应用卸载到云上导致高延迟的最有效途径之一。

计算卸载是获得云-边计算显著优点的关键技术之一，因为它允许资源不足的客户端设备通过利用远程服务器的可用资源，以最小的功耗或内存占用成本最大限度地提高计算效率。它特别有利于基于微服务的应用程序，这类应用程序通常被分解为一组独立的多个小型服务，每个小型服务作为一个任务运行自己的流程或容器，并通过轻量级通信机制相互通信。

计算卸载需要决定哪些任务应该卸载到边缘端，哪些任务应该卸载到云端，并进一步决定执行整个应用程序应该遵循什么顺序。

现有技术中已有针对云计算或边缘计算的任务卸载算法研究，但是由于边缘与云之间多样的异构资源、复杂的网络结构等限制因素，云-边计算中的任务卸载问题比云计算和边缘计算中的任务卸载问题更具有挑战性，因此，直接将已有的云计算和边缘计算算法应用到云-边计算中是不切实际的。

而现有的云-边卸载策略大多忽略了云-边计算中的通信代价的异构性以及不对称性，因此，本发明提出了更适合现实通信环境需求的高效的云-边任务卸载方法。

发明内容

本发明所要解决的技术问题是现有的云-边卸载策略大多忽略了云-边计算中的通信代价的异构性以及不对称性。针对异构的云-边计算中如何有效减少任务卸载总代价的情况，本发明提出一种面向异构云-边环境的通用且高效的任务卸载方法。

本发明的面向异构云-边计算的通用的任务卸载方法，包括以下步骤：

1)将任务应用T通过建模得到有向图G^T；任务应用T中有n个任务，每个任务映射成有向图G^T中的一个节点；对于具有计算依赖的两个任务，在有向图G^T中构建它们对应的有向边；

对于需要固定在边缘端计算或云端计算的任务，称它们具有不可卸载性；

2)获取任务应用T中每个任务的计算代价和通信代价；然后，为有向图G^T给定初始卸载方法，即为有向图G^T中的任务映射的节点随机初始化卸载分区，定义为初始分区；初始分区分别是卸载到边缘端的任务构成的分区和卸载到云端的任务构成的分区；

3)称有向图G^T中所有不具有不可卸载性的任务为未标记任务，对每个未标记任务根据当前分区计算将该任务移动到对面分区所获得的增益；

4)找到具有最大增益的未标记任务，并标记该任务，更新其它相关未标记任务的增益；

5)重复步骤4)，直到有向图G^T中不存在未标记任务；

6)找到在步骤4)、步骤5)中前K个进行标记的任务，当增益满足设定条件时，将这K个任务移动到对面分区，从而获得新分区，并重复步骤3)～6)；

当增益不满足设定条件时，则结束，得到最终分区对应的任务卸载方法即所求的任务卸载方法。

本发明采用以上技术方案与现有技术相比，具有以下优点：

1、本发明针对异构的云-边计算提出了通用且高效的任务卸载方法。

现有的云-边卸载策略大多忽略了云-边计算中的通信代价的异构性以及不对称性。针对此问题，本发明提出了在异构的云-边环境中利用迭代优化最大增益的方法得到通用且高效的任务卸载策略。

2、有效缓解了边缘设备的资源限制压力、降低了传输数据到云上的高延迟。将任务应用卸载到云-边环境中进行协作运算，可以将单个任务应用分解成多个子任务，从而充分利用边缘设备的有效资源和其之间的高质量通信链路，减少传输到远程云上的数据量，进而降低传输数据造成的高延迟。

附图说明

图1是本发明整体的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明针对云-边计算中如何有效减少任务卸载总代价的情况，提出一种面向满足普遍的异构的云-边环境中有关任务卸载的通用且高效的协同计算方法。在满足部分任务的不可卸载性的前提下，利用迭代优化最大增益的方法可以找到高效的任务卸载策略，降低了计算整个任务应用的总代价。

本方法为：首先，将任务应用建模成有向图G^T；获取每个任务在不同环境下的计算代价和通信代价；然后，为G^T中的任务节点随机初始化卸载分区，定义为初始分区；根据此初始分区为每个任务计算将该任务从当前分区移动到对面分区获得的增益；将初始分区根据增益进行迭代优化之后获得最终分区，该最终分区即对应着最终的任务卸载方法。本实施例中，假设当前网络带宽能够负载大量文件，无网络拥塞情况；同时，一个任务应用中除了部分需要固定在特定端进行处理的任务，其余所有的任务都可以在云-边环境中的任意端进行计算处理。

在以上条件之下，分割任务应用并将任务卸载到云-边环境中进行计算处理。

本发明的面向异构云-边计算的通用的任务卸载方法的步骤如图1所示：

步骤一、将任务应用T通过建模得到有向图G^T，具体步骤如下：

步骤1.1、对于一个具有n个任务的任务应用T，将其中每一个任务t_i映射成有向图G^T中的一个节点v_i，这些所有节点构成了有向图G^T的节点集

为了方便理解，在接下来的说明中，我们将直接用v_i来表示任务t_i；

步骤1.2、对于具有计算依赖性的任务v_i和任务v_j，如果任务v_i是任务v_j的父任务，那么在有向图G^T中构造由v_i指向v_j的边(v_i,v_j),反之，构造边(v_j,v_i)。这些所有边构成有向图G^T的边集ε＝{e₁,,e_m}，即G^T中一共有m条边。

步骤二、获取任务应用T中每个任务t_i的计算代价、通信代价，为G^T给定初始分区，具体步骤如下：

步骤2.1、获取每个任务v_i的计算代价E(v_i)。

每个任务v_i要么在边缘端计算，要么在云端计算。使用变量x_i表示任务v_i的卸载位置，如果任务v_i卸载到边缘端，那么x_i＝0，如果任务v_i卸载到云端，那么x_i＝1。所以

其中

表示任务v_i在边缘端执行的计算代价，

表示任务v_i在云端执行的计算代价。如果任务v_i需要固定在边缘端计算，则

相应地，如果任务v_i需要固定在云端计算，则

这些需要固定在特定端计算的任务，称它们具有不可卸载性；

步骤2.2、获取G^T中每一对具有计算依赖性的任务(v_i,v_j)之间的通信代价E(v_i,v_j)。

每一对具有计算依赖性的任务(v_i,v_j)之间的通信代价包含从边缘端到边缘端，从边缘端到云端，从云端到边缘端，从云端到云端的通信代价。所以，

这四个表达式都表示由v_i传输其输出数据给v_j的通信代价，不同的是

表示两者都卸载到边缘端的通信代价，

表示v_i卸载到边缘端、v_j卸载到云端的通信代价，

表示v_i卸载到云端、v_j卸载到边缘端的通信代价，

表示两者都卸载到云端的通信代价。

步骤2.3、定义所有任务进行卸载后进行协同计算所需要的代价E(G^T)。

其中，

表示所有任务的计算代价之和，

表示所有具有计算依赖性的任务之间的通信代价之和，本发明提出的算法目的就是找到能够使E(G^T)最小的任务卸载策略。

步骤2.4、为G^T给定初始卸载方案。对G^T中的每个任务v_i(除了具有不可卸载性的任务)随机给定卸载策略，即随机地令v_i卸载到边缘端或者云端。这样G^T中的节点将会分为两个分区：卸载到边缘端的节点构成的分区和卸载到云端的节点构成的分区。

步骤三、称G^T中所有不具有不可卸载性的任务为未标记任务，对每个未标记任务根据当前分区计算将该任务移动到对面分区所获得的增益：

步骤3.1、令G^T中的每个节点为未标记任务(除了具有不可卸载性的任务)；

步骤3.2、对每个未标记任务根据当前方案计算将该任务从所在分区移动到对面分区所获得的增益g_i，具体步骤如下：

步骤3.2.1、对于每个任务v_i，规定v_i所在的分区为R，R的对面分区为

如果R表示云端，则

表示边缘端，反之亦然。对于任务v_i的父任务或子任务v_j，如果v_j和v_i在同一个分区R，则称v_j是v_i的内部节点；如果v_j在对面分区

则称v_j是v_i的外部节点。用v_i的“内部代价”来表示v_i与它的所有内部节点之间的代价之和，用v_i的“外部代价”来表示v_i与它的所有外部节点之间的代价之和；

步骤3.2.2、当将任务v_i从当前分区R移动到对面分区

时，当前v_i的“内部代价”将会变成v_i的“外部代价”，当前v_i的“外部代价”将会变成v_i的“内部代价”。用P(v_i)、Q(v_i)分别表示“内部代价变化”和“外部代价变化”。

P(v_i)的定义为P(v_i)＝P_c(v_i)-P_f(v_i)，其中P_c(v_i)表示当前v_i的“内部代价”，P_f(v_i)表示未来v_i的“外部代价”，且

Q(v_i)的定义为Q(v_i)＝Q_c(v_i)-Q_f(v_i)，其中Q_c(v_i)表示当前v_i的“外部代价”，Q_f(v_i)表示未来v_i的“内部代价”，且

步骤3.2.3、将任务v_i移动到对面分区后，计算有关计算代价变化的部分增益

计算有关通信代价变化的部分增益

步骤四、找到具有最大增益的未标记任务，并标记该任务，更新其他相关未标记任务的增益，具体步骤如下：

步骤4.1、对每个任务v_i计算将v_i移动到对面分区后的增益

通过减去增益g_i可以获得更新后的E(G^T)。找到具有最大增益g_i的任务v_i，并标记该任务v_i，并令σ_k来表示这个最大增益，其中k表示任务v_i被标记的次序。如果任务v_i是第一个被标记的，则k＝1，即σ₁＝g_i；

步骤4.2、更新与步骤4.1中标记的任务v_i相关的任务v_j的

即如果v_j是该v_i的父任务或子任务，就更新该v_j的

根据v_i和v_j的如下公式中展示的四种不同状态得到更新后的

根据更新后的

再次计算剩余未标记任务的增益。

步骤五、重复步骤四，直到G^T中不存在未标记任务；

步骤六、找到在步骤四、步骤五中前K个进行标记的任务，当满足一定条件时，将这K个任务移动到对面分区，从而获得新分区，并重复步骤三到步骤六。当不满足一定条件时，终止整个算法，得到最终分区对应的高效的任务卸载策略。具体步骤如下：

计算使得

值最大时的K，如果G＞0，则将步骤四，步骤五中标记的前K个任务移动到它们对应的对面分区，并重复步骤三到步骤六。如果G≤0，终止整个算法，并得到最终分区对应的高效的任务卸载策略。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种面向异构云-边计算的通用的任务卸载方法，其特征是包括以下步骤：

1)将任务应用T通过建模得到有向图G^T；任务应用T中有n个任务，每个任务映射成有向图G^T中的一个节点；对于具有计算依赖的两个任务，在有向图G^T中构建它们对应的有向边；

对于需要固定在边缘端计算或云端计算的任务，称它们具有不可卸载性；

2)获取任务应用T中每个任务的计算代价和通信代价；然后，为有向图G^T给定初始卸载方法，即为有向图G^T中的任务映射的节点随机初始化卸载分区，定义为初始分区；初始分区分别是卸载到边缘端的任务构成的分区和卸载到云端的任务构成的分区；

3)称有向图G^T中所有不具有不可卸载性的任务为未标记任务，对每个未标记任务根据当前分区计算将该任务移动到对面分区所获得的增益；

4)找到具有最大增益的未标记任务，并标记该任务，更新其它相关未标记任务的增益；

5)重复步骤4)，直到有向图G^T中不存在未标记任务；

6)找到在步骤4)、步骤5)中前K个进行标记的任务，当增益满足设定条件时，将这K个任务移动到对面分区，从而获得新分区，并重复步骤3)～6)；

当增益不满足设定条件时，则结束，得到最终分区对应的任务卸载方法即所求的任务卸载方法。

2.根据权利要求1所述的任务卸载方法，其特征是所述步骤1)包括：

步骤1.1)对于一个具有n个任务的任务应用T，将其中每一个任务t_i映射成有向图G^T中的一个节点v_i，各个任务对应的节点构成了有向图G^T的节点集

用v_i来表示任务t_i；

步骤1.2)对于具有计算依赖性的任务v_i和任务v_j：

如果任务v_i是任务v_j的父任务，那么在有向图G^T中构造由v_i指向v_j的边(v_i,v_j)；

如果任务v_j是任务v_i的父任务，那么在有向图G^T中构造由v_j指向v_i的边(v_j,v_i)；

所有边构成有向图G^T的边集ε＝{e₁,…,e_m}，即G^T中一共有m条边。

3.根据权利要求2所述的任务卸载方法，其特征是所述步骤2)包括：

步骤2.1)获取每个任务v_i的计算代价E(v_i)：

任务v_i要么在边缘端计算，要么在云端计算；使用变量x_i表示任务v_i的卸载位置，如果任务v_i卸载到边缘端，那么x_i＝0，如果任务v_i卸载到云端，那么x_i＝1，则

其中

表示任务v_i在边缘端执行的计算代价，

表示任务v_i在云端执行的计算代价；

如果任务v_i需要固定在边缘端计算，则

如果任务v_i需要固定在云端计算，则

需要固定在特定端计算的任务，称它们具有不可卸载性；

步骤2.2)获取有向图G^T中每一对具有计算依赖性的任务(v_i,v_j)之间的通信代价E(v_i,v_j)：

通信代价E(v_i,v_j)包括从边缘端到边缘端、从边缘端到云端、从云端到边缘端以及从云端到云端的通信代价，则

这四个表达式都表示由v_i把其输出数据传输给v_j的通信代价，其中：

表示两者都卸载到边缘端的通信代价，

表示v_i卸载到边缘端、v_j卸载到云端的通信代价，

表示v_i卸载到云端、v_j卸载到边缘端的通信代价，

表示两者都卸载到云端的通信代价；

步骤2.3)定义所有任务进行卸载后进行协同计算所需要的代价E(G^T)：

其中，

表示所有任务的计算代价之和，

表示所有具有计算依赖性的任务之间的通信代价之和；使E(G^T)最小的任务卸载方法即为所求的任务卸载方法；

步骤2.4)为有向图G^T给定初始卸载方法：

对有向图G^T中的除了具有不可卸载性的任务外的每个任务v_i随机给定卸载策略，即随机地令v_i卸载到边缘端或者云端，则，各个任务在G^T中的对应的节点被分为两个分区，它们分别是卸载到边缘端的任务构成的分区和卸载到云端的任务构成的分区。

4.根据权利要求3所述的任务卸载方法，其特征是所述步骤3)包括：

步骤3.1)令有向图G^T中的每个不具有不可卸载性的任务节点为未标记任务；

步骤3.2)对每个未标记任务根据当前卸载方法，计算将该任务从所在分区移动到对面分区所获得的增益g_i；

特征是所述步骤3.2)包括：

步骤3.2.1)对于每个任务v_i，规定v_i所在的分区为R，R的对面分区为

如果R表示云端，则

表示边缘端；如果R表示边缘端，则

表示云端；

对于任务v_i的父任务或子任务v_j：

如果v_j和v_i在同一个分区R，则称v_j是v_i的内部节点；如果v_j在对面分区

则称v_j是v_i的外部节点；用v_i的“内部代价”来表示v_i与它的所有内部节点之间的代价之和，用v_i的“外部代价”来表示v_i与它的所有外部节点之间的代价之和；

步骤3.2.2)当前任务v_i从当前分区R移动到对面分区

时，当前v_i的“内部代价”将会变成v_i的“外部代价”，当前v_i的“外部代价”将会变成v_i的“内部代价”；

P(v_i)表示“内部代价变化”，P(v_i)＝P_c(v_i)-P_f(v_i)，其中P_c(v_i)表示当前v_i的“内部代价”，P_f(v_i)表示未来v_i的“外部代价”，且

Q(v_i)表示“外部代价变化”，Q(v_i)＝Q_c(v_i)-Q_f(v_i)，其中Q_c(v_i)表示当前v_i的“外部代价”，Q_f(v_i)表示未来v_i的“内部代价”，且

步骤3.2.3)将任务v_i移动到对面分区后，计算有关计算代价变化的部分增益

计算有关通信代价变化的部分增益

5.根据权利要求4所述的任务卸载方法，其特征是所述步骤4)包括：

步骤4.1)对每个任务v_i计算将v_i移动到对面分区后的增益

通过减去增益g_i获得更新后的E(G^T)；

找到具有最大增益g_i的任务v_i，并标记该任务v_i，并令σ_k来表示这个最大增益，其中k表示任务v_i被标记的次序；如果任务v_i是第一个被标记的，则k＝1，即σ₁＝g_i；

步骤4.2)更新与步骤4.1)中标记的任务v_i相关的任务v_j的

即如果v_j是该v_i的父任务或子任务，则更新该v_j的

根据v_i和v_j的如下公式中的四种不同状态得到更新后的有关通信代价变化的部分增益

根据

再次计算剩余未标记任务的增益。

6.根据权利要求5所述的任务卸载方法，其特征是所述步骤6)中，计算使得

值最大时的K，如果G＞0，则将步骤4)、步骤5)中标记的前K个任务移动到它们对应的对面分区，并重复步骤3)～步骤6)；

如果G≤0，则结束。

Images