CN115225496A - 一种基于边缘计算环境的移动感知服务卸载容错方法 - Google Patents

Abstract

本发明提出了一种基于边缘计算环境的移动感知服务卸载容错方法，包括以下步骤：S1，获取移动中的用户任务卸载状态、服务器状态信息、任务卸载上传时延、任务卸载能耗之一或者任意组合数据信息；S2，根据步骤S1获取的数据信息进行边缘优化。本发明能够避免边缘服务器发生故障时，用户卸载任务无法得到及时处理；优化边缘用户卸载任务时延和能耗，有效增加了***的资源利用率。

Description

一种基于边缘计算环境的移动感知服务卸载容错方法

技术领域

本发明涉及一种边缘计算技术领域，特别是涉及一种基于边缘计算环境的移动感知服务卸载容错方法。

背景技术

移动边缘计算(Mobile Edge Computing,MEC)在实时计算业务中具有重要的意义。许多典型的密集型任务计算应用，如人脸识别、互动游戏、自动导航、增强现实、遥控飞机等，都得益于移动边缘计算的高速、大规模处理的分布式计算能力。然而，由于MEC环境中无线通信和分布式资源基础设施具有不可靠性，基于MEC的应用程序通常遇到各种类型的***故障，如资源溢出(MEC过载)或者软硬件故障。都将导致较差的用户体验质量。因此，为MEC基础设施实现容错技术是非常必要的。然而，在MEC中实施高质量的容错技术具有一定的困难性和挑战性。在MEC环境中，负责管理数据传输的边缘节点和向其他无线网络广播的边缘节点通常部署在无线接入点(APs)或物联网设备上。任何一个节点的故障都可能危及整个***的可靠性。这带来了以下挑战:1)由于MEC环境的异质性和动态性。边缘节点可能被一些恶意活动或其他恶劣环境所破坏，从而导致故障频繁发生；2)任务通过边缘网络在边缘节点之间进行卸载和迁移。因此，当无线通信过程中的网络连通性被暂时切断时，会影响即时数据的通信；3)流动网络应具备足够的扩展能力，以适应不断增加的边缘用户；4)需要靠近数据源进行数据处理，以减少网络延迟。而在这方面，移动边缘基础设施的容错设计和服务卸载显得尤为需要。

我们经过广泛和深入的调研，发现现有的边缘计算环境下的任务卸载调度问题还存在诸多的不足：(1)现有的方法，较少考虑边缘节点故障导致的服务卸载失败。(2)现有的方法，较少考虑边缘节点计算过载的情形。从而应动态的调整卸载策略。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于边缘计算环境的移动感知服务卸载容错方法。

为了实现本发明的上述目的，本发明提供了一种基于边缘计算环境的移动感知服务卸载容错方法，包括以下步骤：

S1，获取移动中的用户任务卸载状态、服务器状态信息、任务卸载上传时延、任务卸载能耗之一或者任意组合数据信息；

S2，根据步骤S1获取的数据信息进行边缘卸载优化。

在本发明的一种优选实施方式中，在步骤S1中获取移动中的用户任务卸载状态包括：

边缘层中的基站数为边缘服务器数，每个基站对应一台服务器，基站数为h，B＝{b₁,b₂,b₃,...,b_h}，用户数为m，U＝{u₁,u₂,u₃,...,u_m}，用户u_k生成的任务为T_k＝{t_k,1,t_k,2,t_k,3,...,t_k,n}，st_k,i为任务开始卸载时间，e_k,i为任务t_k,i本地执行时间，

为任务t_k,i在边缘服务器的执行时间，获取第b_j个边缘服务器在t时刻覆盖的用户集为U_j(t)，获取用户u_k在t时刻可以将任务卸载到的多个边缘服务器集为B_k(t)，δ_k,i,j表示任务是否卸载到边缘服务器，若δ_k,i,j＝0表示将任务卸载到服务器，因此，将获得第j个边缘服务器下所覆盖的所有任务为：

第k个用户的卸载完成时间Makespan为：

在本发明的一种优选实施方式中，在步骤S1中获取服务器状态信息包括：

X(x₀,x₁,x₂,...,x_g)表示边缘服务器b_j在一定时间内发生故障的数量，

f_j表示表示边缘服务器b_j的故障次数，T_i为f_j故障发生的时间，τ_k,i,j指任务t_k,i在边缘服务器b_j上执行的估计时间，FT_j＝{ft₁,ft₂,ft₃,...ft_g}为第j个边缘服务器发生故障的时间集合，g表示故障总个数，单个用户卸载成功率为：

ft_o表示用户u_k的第i任务开始卸载时间至发生故障时的时间；o＝1,2,3,...,g。

在本发明的一种优选实施方式中，在步骤S1中获取任务卸载上传时延包括：

通讯模型表示为：

C_k,i(t)＝[C,c_t,π_c,d_k,i]

其中，C表示边缘服务器提供的总带宽资源；

c_t表示剩余带宽资源；

π_c表示带宽资源分配策略；

d_k,i表示传输的数据量；

C_k,i(t)表示通讯模型；

卸载过程中，每个用户获得的带宽利用率为：

q_(i)表示通过无线网络基站传输的能量。g_(i,j)表示移动设备与基站(边缘服务器)b_j之间的信道增益，且b_j∈B_k(t)，ω₀表示背景噪声的功率，U_j(t)表示第j个边缘服务器在t时刻覆盖的用户集，任务卸载上传的传输时间为：

其中，d_k,i表示传输的数据量；

tr_k表示用户获得的带宽利用率；

表示任务卸载上传的传输时间；

在本发明的一种优选实施方式中，在步骤S1中获取任务卸载能耗包括：

通讯能耗模型为：

其中，d_k,i表示传输的数据量；

表示任务卸载上传的传输时间；

π_e表示能耗模型策略；

E_k,i表示通讯能耗模型；

每个用户的合适功率等级W为：

W＝λ_ut_u+λ_dt_d+λ_i

t_u表示上行吞吐量；

t_d表示下行吞吐量；

任务卸载的传输能耗为：

其中ω_k,i为一次任务卸载所需的平均传输功率水平，用户u_k的整个卸载能耗为：

其中∈_k,i为用户u_k本地设备的能耗；

为远端边缘服务器的能耗；

表示任务卸载的传输能耗。

在本发明的一种优选实施方式中，在步骤S2中边缘卸载优化计算方法为：

E_k表示用户u_k的整个卸载能耗；

F_k表示单个用户卸载成功率。

综上所述，由于采用了上述技术方案，本发明能够避免边缘服务器发生故障时，用户卸载任务无法得到及时处理；优化边缘用户卸载任务时延和能耗，有效增加了***的资源利用率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明流程示意框图。

图2是本发明移动用户卸载策略的确定过程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

步骤1：获取移动中的用户任务卸载状态

该环境基于两层边缘云基础设置，即本底层和边缘层。边缘层中的基站数为边缘服务器数，每个基站对应一台服务器。基站数为h，B＝{b₁,b₂,b₃,...,b_h}，B表示边缘服务器集或者基站集，b₁表示第1边缘服务器，b₂表示第2边缘服务器，b₃表示第3边缘服务器，b_h表示第h边缘服务器。用户数为m，U＝{u₁,u₂,u₃,...,u_m}，U表示边缘用户集，u₁表示第1用户，u₂表示第2用户，u₃表示第3用户，u_m表示第m用户，用户u_k生成的任务为T_k＝{t_k,1,t_k,2,t_k,3,...,t_k,n}，k＝1,2,3,...,m，T_k表示用户u_k的任务集，u_k表示第k用户，t_k,1表示用户u_k的第1任务，t_k,2表示用户u_k的第2任务，t_k,3表示用户u_k的第3任务，t_k,n表示用户u_k的第n任务。st_k,i为任务开始卸载时间，也是用户u_k的第i任务开始卸载时间，i＝1,2,3,...,n。e_k,i为任务t_k,i的本地执行时间，

为任务t_k,i在边缘服务器的执行时间。获取第j个边缘服务器在t时刻覆盖的用户集为U_j(t)，j＝1,2,3,...,h，获取用户u_k在t时刻可以将任务卸载到的多个边缘服务器集为B_k(t)。获取用户u_k到边缘服务器b_j的距离为d_k,j。δ_k,i,j表示任务是否卸载到边缘服务器，也是用户u_k的第i任务是否卸载到第j边缘服务器，若δ_k,i,j＝0表示将任务卸载到服务器，若δ_k,i,j＝1表示未将任务卸载到边缘服务器。因此，将获得第j个边缘服务器下所覆盖的所有任务为：

其中，|U_j(t)|表示第j个边缘服务器在t时刻覆盖的用户集中用户个数；

t_k,i表示用户u_k(第k用户)的第i任务开始卸载时间；

表示第j个边缘服务器下所覆盖的所有任务；

第k用户的卸载完成时间Makespan为：

其中，δ_k,i,j(t)表示用户u_k的第i任务是否卸载到第j边缘服务器；

e_k,i表示任务t_k,i的本地执行时间；

表示任务t_k,i在边缘服务器的执行时间；

Makespan_k表示第k用户u_k的卸载完成时间；

步骤2：获取服务器状态信息

当边缘服务器运行正常时，可以观察服务器状态信息。当发生边缘服务器故障时，边缘服务器可能会部分或全部停止工作。这时候用户任务卸载请求会产生延迟。

在边缘计算环境中，故障有以下几种类型：1)边缘服务器节点的故障；2)边缘移动用户移动超出了相应边缘服务器的通信范围，会出现断连故障；3)边缘服务器上正在执行的任务发生的故障，任务本身的故障。

我们假设边缘服务器的故障时间服从泊松分布。即边缘服务器在某一时刻的失效概率为：

其中，e表示自然底数；

x！表示x的阶乘；

x₀表示发生0次故障，即没有发生故障；

x₁表示发生1次故障；

x₂表示发生2次故障；

x_g表示发生g次故障；

X(x₀,x₁,x₂,...,x_g)表示边缘服务器b_j在一定时间内发生故障的数量。

f_j表示表示边缘服务器b_j的故障次数，T_i为f_j故障发生的时间，τ_k,i,j指任务t_k,i在边缘服务器b_j上执行的估计时间。FT_j＝{ft₁,ft₂,ft₃,...ft_g}为第j个边缘服务器发生故障的时间集合，g表示故障总个数，单个用户卸载成功率为：

ft_o表示用户u_k的第i任务开始卸载时间至发生故障时的时间；o＝1,2,3,...,g；

st_k,i表示用户u_k的第i任务开始卸载时间；

表示任务t_k,i在边缘服务器的执行时间；

步骤3：获取任务卸载上传时延

MEC环境中的用户具有移动性，因此用于任务卸载的带宽随时间而变化。边缘服务器提供的总带宽资源为C，假设带宽资源分配策略π_c，剩余带宽资源c_t，传输的数据量为d_k,i，通讯模型表示为：

C_k,i(t)＝[C,c_t,π_c,d_k,i]

其中，C表示边缘服务器提供的总带宽资源；

c_t表示剩余带宽资源；

π_c表示带宽资源分配策略；

d_k,i表示传输的数据量；

C_k,i(t)表示通讯模型；

卸载过程中，每个用户获得的带宽利用率为：

q_(i)表示通过无线网络基站传输的能量。g_(i,j)表示移动设备与基站(边缘服务器)b_j之间的信道增益，且b_j∈B_k(t)，ω₀表示背景噪声的功率，U_j(t)表示第j个边缘服务器在t时刻覆盖的用户集，任务卸载上传的传输时间为：

其中，d_k,i表示传输的数据量；

tr_k表示用户获得的带宽利用率；

表示任务卸载上传的传输时间；

步骤4：获取任务卸载能耗

在本工作中使用的能耗模型策略为π_e，基于WiFi的传输功耗由上行吞吐量t_u(Mbps)和下行吞吐量t_d(Mbps)决定。通讯能耗模型为：

其中，d_k,i表示传输的数据量；

表示任务卸载上传的传输时间；

π_e表示能耗模型策略；

E_k,i表示通讯能耗模型；

每个用户的合适功率等级W为：

W＝λ_ut_u+λ_dt_d+λ_i

其中，λ_u，λ_d，λ_i为网络参数；当其为WiFi时，上行链路功率λ_u(mW/Mbps)＝283.17，下行链路功率λ_d(mW/Mbps)＝137.01，吞吐量为0时的功率λ_i(mW)＝132.86；当其为LTE时，上行链路功率λ_u(mW/Mbps)＝438.39，下行链路功率λ_d(mW/Mbps)＝51.97，吞吐量为0时的功率λ_i(mW)＝1288.04；当其为3G时，上行链路功率λ_u(mW/Mbps)＝868.98，下行链路功率λ_d(mW/Mbps)＝122.12，吞吐量为0时的功率λ_i(mW)＝817.88；

t_u表示上行吞吐量；

t_d表示下行吞吐量；

任务卸载的传输能耗为：

其中ω_k,i为一次任务卸载所需的平均传输功率水平，用户u_k的整个卸载能耗为：

其中∈_k,i为用户u_k本地设备的能耗；

为远端边缘服务器的能耗；

表示任务卸载的传输能耗。

步骤4：用户移动模型

用户设备随着时间变化而移动，用户u_k有经度x_k(t)和纬度y_k(t)，用户的移动遵循任意模式，且移动方向和角度是随时间变化的。

步骤5：确定优化模型

数据传输产生的能耗是用户终端任务卸载时的成本。因此，从服务器收集的计算资源是用户终端的收益。我们希望达到尽可能低的平均任务卸载完成时间和平均终端能耗，以及尽可能高的任务卸载成功率，由此得到的优化公式为：

S＝{s₁,s₂,s₃,...}；

S表示卸载策略集；

s₁表示第1种卸载策略；

s₂表示第2种卸载策略；

s₃表示第3种卸载策略；

m表示用户数；

Makespan_k表示第k个用户的卸载完成时间；

E_k表示用户u_k的整个卸载能耗；

F_k表示单个用户卸载成功率；

其中，S.t.表示受约束；

|U_j(t)|表示第j个边缘服务器在t时刻覆盖的用户集中用户个数；

U_j(t)表示第j个边缘服务器在t时刻覆盖的用户集；

tr_k表示用户获得的带宽利用率；

C表示边缘服务器提供的总带宽资源；

U表示边缘用户集；

min表示取最小；

(b)

且i属于整数；

θ_k,i表示任务t_k,i分配的b_j上的资源分配率；

P表示边缘服务器b_j上的总计算量；

(c)

且k,i,j属于整数；

(d)

且o属于整数；

(e)s_k,i(t)∈{0,1,2,3,4,5,6},k∈U_j(t)

其中，α_t，α_e，α_f分别表示任务卸载完成时间，任务卸载能耗以及任务完成概率的权重，α_t,α_e,α_f∈[0,1]并且α_t+α_e+α_f＝1。上述计算的直观意义是，我们决定最小化任务卸载完成时间和能耗，以及最大化任务卸载成功率。公式受限于：(a)边缘服务器上所有用户的可用带宽不能超过该边缘服务器本身提供的带宽。(b)用户所有任务占用的计算资源不能超过服务器提供的计算资源，且一次只能处理一个任务。(c)任务在本地或边缘节点上执行。(d)边缘服务器节点的故障时间。s_k,i(t)表示在t时刻任务的状态，0，1，2，3，4，5，6分别表示该任务本地等待(Local Waiting，LW)，本地执行(Local Execution，LE)，传输(transmission，TS)，远程等待(Remote Waiting,RW)，远程执行(Remote Execution，RE)，远程完成(Remote Completion，CP)，远程失败(remote failure，FL)。S为可能的卸载策略集合。

步骤6：任务卸载算法

步骤6.1：任务分配

用户向所有可达服务器发起任务卸载请求，如用户u_k向可达的服务器集合B_k(t)发送请求，请求的服务器为该用户任务分配计算资源，如分配率和带宽。我们定义双向优先级描述符p_k,j(t)来表示用户u_k在t时刻选择哪个边缘服务器作为卸载边缘服务器。

步骤6.2：调度单个任务的具体操作

(1)从本地任务队列中选取任务t_k,i，传输给边缘服务器，任务进入传输池远程等待队列Trans_Pool，并从本地任务队列中移除任务t_k,i，任务状态变为TS。

(2)从传输池Trans_Pool中取出任务，放入远程等待队列中并且任务状态变为RW，计算任务使用的服务器带宽资源使用情况，得出剩余带宽资源c_t。

(3)从远程等待队列中取出任务t_k,i，放入工作池Job_Pool，计算任务使用的***cpu资源，任务状态变为RR。获得任务开始执行时间，任务运行时间。

(4)从工作池Job_pool中取出任务t_k,i，进行任务卸载，使用Dueling DQN算法获得卸载策略，将奖励值作为双向优先级p_k,j(t)的值。

步骤6.3：任务卸载

(1)移动用户卸载策略的确定过程如图2所示：

首先，用户在一定时间之后随机移动，强化学习算法Dueling DQN观察***状态，根据相应的奖励指导动作；双向选择优先级描述符p_k,j(t)值根据Dueling DQN算法的奖励值对边缘服务器进行排序，从而决定用户会将任务卸载到哪个边缘服务器上。

(2)获取服务器b_j在l时刻的***状态，状态集s＝{r_j,l,c_j,l,n_j,l,v_j,l,e_j,l,t_j,l,p_j,l}。r_j,l为***CPU资源使用情况，c_j,l为带宽资源使用情况，n_j,l为边缘服务器传输池Trans_Pool中的任务数，v_j,l为工作池Job_Pool中需要处理但未完成的任务数，e_j,l为工作池中剩余任务处理所需的时间之和，t_j,l为传输池中剩余任务传输所需的时间之和，p_j,l为任务可能故障的概率。

(3)动作集为覆盖当前用户的边缘服务器集，包含在l时刻的第i个决策任务卸载到的边缘服务器ID，即a_i,l∈A_l，并且A_l＝B_k(l)。

a_i,l表示任务卸载到某一个边缘服务器，即这里的边缘服务器作为一个动作；

A_l表示覆盖当前用户的边缘服务器集合，即为动作集；

B_k(l)表示当前l时刻覆盖用户k的边缘服务器集合；

(4)奖励值函数R_t，当一个动作完成后，环境会立即给予奖励。当卸载完成的概率较高时，鼓励用户卸载。卸载行动可以获得积极的即时回报。我们取任务执行时间与任务完成概率之比作为t时刻的奖励值。

其中，e_k,i为任务t_k,i本地执行时间；

表示任务t_k,i在边缘服务器的执行时间；

st_k,i为任务开始卸载时间；

ft_o为第j边缘服务器发生故障的时间集合中的一个元素；

表示任务卸载上传的传输时间；

且i属于整数；

且i属于整数；

当边缘节点资源过载时，***将收到惩罚性的奖励。我们将惩罚性奖励表示为当前MEC奖励绝对值的负值，即

资源过载表示某一时刻为每一个任务分配的计算资源θ_k,i之和大于边缘服务器计算资源的阈值β_j，即

以防止计算过载。

步骤6中的Dueling DQN算法

Dueling DQN是对Deep Q-learning(DQN)算法的改进，侧重于关键状态和动作之间的关系。可以解决边缘服务器设备差异导致的动作空间过大的问题。DQN与Dueling DQN算法的不同之处在于输出端，DQN算法在卷积之后直接连接全链接层，而Dueling DQN在卷积层之后不直接连接全连接层，而是将输出映射到两个全连接层。这两个完全连接的层将分别评估动作和状态的价值和优势。既：

Q^π(s,a)＝V^π(s)+A^π(s,a)

Q^π(s,a)表示动作价值函数，其依赖于状态s,动作a,策略π；

V^π(s)表示状态价值函数，表示该状态的状态价值V(标量)；

A^π(s,a)表示优势函数，表示每个动作a的优势值A(与动作空间同纬度的向量)，动作a越好，其优势越大；

步骤7：检查点Checkpointing算法

云计算***已经利用检查点作为一种反应性容错策略，以减轻故障发生时的影响。使用检查点而不是复制的主要优势是减少利润损失和保留时间损失。本文采用检查点技术恢复边缘节点故障。检查点算法深受两个参数的影响:检查点间隔和延迟。检查点间隔表示两个封闭检查点之间的时间。检查点延迟是用来保存检查点的时间。在我们的工作中，我们使用了一个自适应检查点算法用于确定检查点间隔的长度。

自适应检查点算法步骤如下：

7.1

任务t_k,i在边缘服务器b_j的执行时间；

任务t_k,i在边缘服务器b_j剩余执行时间；z：任务执行期间的故障数；F_j(x_z)：边缘服务器b_j故障的概率；η：检查点之间间隙。

7.2 for each task t_k,i in工作池Job_Pool of边缘服务器b_j

7.2.1 z＝0，初始化检查点间隙

开始在边缘服务器b_j上执行任务t_k,i

7.2.1.1 do

7.2.1.1.1

7.2.1.1.1.1如果b_j发生故障，z++，

减小检查点间隙长度η＝η(1-F_j(x_z))；存储最后一个检查点；从时间点

重新执行；

7.2.1.1.2在时间点

执行检查点；增加检查点间隙长度η＝η(1+F_j(x_z))；恢复执行

7.2.1.2

步骤8：容错算法UDQF

容错算法UDQF称为半在线卸载容错(UDQF)算法。UDQF以移动模型和故障模型作为输入。

算法流程如下：

8.1边缘用户集U；边缘服务器集B；用户移动时间φ_t；时间集T；

8.2初始化用户和边缘服务器位置；

8.3 for each time t∈T do

8.3.1预测用户卸载行为根据Dueling DQN算法得到的p_k,j(t)；b_j上执行任务t_k,i并且b_j∈B_k(t)，t_k,i∈T_k

8.3.2如果b_j没有故障

8.3.2.1卸载任务t_k,i给边缘服务器b_j；

并且u_k∈U_j(t)；

8.3.3如果b_j出现故障

8.3.3.1改变任务状态；根据步骤7恢复边缘服务器b_j；

8.3.4当tmodφ_t＝0表示当前环境时间t与用户移动时间段φ_t的比值为整数；mod表示取余；

8.3.4.1用户发生移动，并更新p_k,j(t)；p_k,j(t)表示用户u_k在t时刻选择哪个边缘服务器作为卸载边缘服务器；

UDQF：1)根据优先级p_k,j(t)获得用户的卸载行为；2)根据用户需求和资源可用性，合理设置资源利用率，防止边缘服务器过载。3)执行自适应算法步骤7进行故障补偿。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于边缘计算环境的移动感知服务卸载容错方法，其特征在于，包括以下步骤：

S1，获取移动中的用户任务卸载状态、服务器状态信息、任务卸载上传时延、任务卸载能耗之一或者任意组合数据信息；

S2，根据步骤S1获取的数据信息进行边缘卸载优化。

2.根据权利要求2所述的基于边缘计算环境的移动感知服务卸载容错方法，其特征在于，在步骤S1中获取移动中的用户任务卸载状态包括：

边缘层中的基站数为边缘服务器数，每个基站对应一台服务器，基站数为h，B＝{b₁,b₂,b₃,...,b_h}，用户数为m，U＝{u₁,u₂,u₃,...,u_m}，用户u_k生成的任务为T_k＝{t_k,1,t_k,2,t_k,3,...,t_k,n}，st_k,i为任务开始卸载时间，e_k,i为任务t_k,i本地执行时间，

为任务t_k,i在边缘服务器的执行时间，获取第b_j个边缘服务器在t时刻覆盖的用户集为U_j(t)，获取用户u_k在t时刻可以将任务卸载到的多个边缘服务器集为B_k(t)，δ_k,i,j表示任务是否卸载到边缘服务器，若δ_k,i,j＝0表示将任务卸载到服务器，因此，将获得第j个边缘服务器下所覆盖的所有任务为：

第k个用户的卸载完成时间Makespan为：

3.根据权利要求1所述的基于边缘计算环境的移动感知服务卸载容错方法，其特征在于，在步骤S1中获取服务器状态信息包括：

X(x₀,x₁,x₂,...,x_g)表示边缘服务器b_j在一定时间内发生故障的数量，

f_j表示表示边缘服务器b_j的故障次数，T_i为f_j故障发生的时间，τ_k,i,j指任务t_k,i在边缘服务器b_j上执行的估计时间，FT_j＝{ft₁,ft₂,ft₃,...ft_g}为第j个边缘服务器发生故障的时间集合，g表示故障总个数，单个用户卸载成功率为：

ft_o表示用户u_k的第i任务开始卸载时间至发生故障时的时间；o＝1,2,3,...,g。

4.根据权利要求1所述的基于边缘计算环境的移动感知服务卸载容错方法，其特征在于，在步骤S1中获取任务卸载上传时延包括：

通讯模型表示为：

C_k,i(t)＝[C,c_t,π_c,d_k,i]

其中，C表示边缘服务器提供的总带宽资源；

c_t表示剩余带宽资源；

π_c表示带宽资源分配策略；

d_k,i表示传输的数据量；

C_k,i(t)表示通讯模型；

卸载过程中，每个用户获得的带宽利用率为：

q_(i)表示通过无线网络基站传输的能量。g_(i,j)表示移动设备与基站(边缘服务器)b_j之间的信道增益，且b_j∈B_k(t)，ω₀表示背景噪声的功率，U_j(t)表示第j个边缘服务器在t时刻覆盖的用户集，任务卸载上传的传输时间为：

其中，d_k,i表示传输的数据量；

tr_k表示用户获得的带宽利用率；

表示任务卸载上传的传输时间。

5.根据权利要求1所述的基于边缘计算环境的移动感知服务卸载容错方法，其特征在于，在步骤S1中获取任务卸载能耗包括：

通讯能耗模型为：

其中，d_k,i表示传输的数据量；

表示任务卸载上传的传输时间；

π_e表示能耗模型策略；

E_k,i表示通讯能耗模型；

每个用户的合适功率等级W为：

W＝λ_ut_u+λ_dt_d+λ_i

t_u表示上行吞吐量；

t_d表示下行吞吐量；

任务卸载的传输能耗为：

其中ω_k,i为一次任务卸载所需的平均传输功率水平，用户u_k的整个卸载能耗为：

其中∈_k,i为用户u_k本地设备的能耗；

为远端边缘服务器的能耗；

表示任务卸载的传输能耗。

6.根据权利要求1所述的基于边缘计算环境的移动感知服务卸载容错方法，其特征在于，在步骤S2中边缘卸载优化计算方法为：

E_k表示用户u_k的整个卸载能耗；

F_k表示单个用户卸载成功率。

Images