CN116760722A - 一种存储辅助mec任务卸载***及资源调度方法 - Google Patents
一种存储辅助mec任务卸载***及资源调度方法 Download PDFInfo
- Publication number
- CN116760722A CN116760722A CN202310703258.7A CN202310703258A CN116760722A CN 116760722 A CN116760722 A CN 116760722A CN 202310703258 A CN202310703258 A CN 202310703258A CN 116760722 A CN116760722 A CN 116760722A
- Authority
- CN
- China
- Prior art keywords
- task
- tasks
- resource
- mec
- offload
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013210 evaluation model Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000000903 blocking effect Effects 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims 9
- 230000003139 buffering effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 4
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 206010057269 Mucoepidermoid carcinoma Diseases 0.000 description 33
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种存储辅助MEC任务卸载***及资源调度方法。考虑到实际MEC应用场景中延迟敏感型(DS)卸载任务和延迟容忍型(DT)卸载任务往往同时存在,故采用抢占、缓存与资源分割三种机制进行卸载任务的协同调度。此外,为了合理运用三种机制协同调度DS与DT任务,所述的资源调度方法利用机器学习流量预测模型提前感知卸载任务流量的变化,并在机器学习***性能评估模型的辅助下,寻找满足***性能指标要求的最佳链路带宽资源分割方案以及MEC服务器存储资源分配方案,并预先分割带宽资源与分配存储资源。在满足任务服务质量的前提下,该方法不仅降低了任务阻塞率、抢占率,而且提高了资源利用率,减少了***资源使用开销。
Description
技术领域
本发明涉及网络资源调度算法类,具体是一种存储辅助MEC任务卸载***及资源调度方法。
背景技术
智能终端设备的普及与新兴移动应用的广泛部署催生了海量超低延迟、超高可靠性通信需求。
云计算模式下,终端用户通常面临着带宽紧缺、网络拥塞、延迟过长等问题,制约了新兴移动应用的发展。MEC技术将云计算中心的算力与存力资源推送到网络边缘。这使得复杂的计算任务可以从用户设备就近卸载到周边MEC服务器,有效降低了网络通信延迟、保障了终端用户的服务质量。
然而,MEC服务器的计算能力和存储容量通常有限。随着越来越多计算密集型任务的出现,MEC服务器饱受任务过载问题的困扰。因此,多个MEC服务器协同处理计算任务成为当前MEC技术应用的主要形式。这就催生了大量跨MEC服务器之间卸载数据的传输需求。因此,如何高效调度网络资源满足MEC服务器之间卸载数据的传输需求成为MEC任务卸载***面临的关键问题之一。
高效调度网络资源需要对卸载任务流量准确的预测与任务卸载***性能精确的估计。然而,现有流量预测、性能评估方法都缺乏足够的精度。因此,MEC运营商往往只能根据任务峰值流量配置链路带宽容量。这不仅导致流量低谷期带宽过剩问题,而且引起了高昂的网络传输与***运营成本。
本发明考虑到实际MEC应用场景中存在的延迟敏感型(DS)卸载任务和延迟容忍型(DT)卸载任务,将抢占、缓存与资源分割三种机制引入MEC任务卸载***,根据任务延迟容忍特性不同,对卸载任务进行协同调度。
此外,本发明还将机器学习模型引入到资源调度方法中,利用GRU流量预测模型***流量,利用ANN评估模型来评估***性能,然后通过基于双机器学习模型的资源调度方法最小化网络阻塞率与抢占率、最大化资源利用率。该方法利用流量预测模型提前感知卸载任务流量的变化,自适应寻找满足***性能指标要求的最佳链路带宽资源分割方案以及MEC服务器存储资源分配方案,并预先分割带宽资源与分配存储资源。
受益于GRU模型的准确流量预测和ANN模型的精确性能评估,本发明所提资源调度方法可以提前进行资源调度,避免在流量低谷期造成大量资源浪费、在流量高峰期引起***性能恶化与用户服务质量降低。
发明内容
本发明的目的在于针对现有MEC任务卸载***中流量预测、性能评估方法都缺乏足够精度的问题,提供一种存储辅助MEC任务卸载***及资源调度方法,该方法提出了一种滑动时间窗口、小波变换与GRU相结合的流量预测模型以及一种对数变换与ANN相结合的性能评估模型,有效提高了流量预测和性能评估的精度。并提出一种基于双机器学习模型的资源调度方法,该方法利用流量预测模型提前感知卸载任务流量的变化,并在***性能评估模型的辅助下,寻找满足***性能指标要求的最佳链路带宽资源分割方案以及MEC服务器存储资源分配方案,并预先分割带宽资源与分配存储资源。
为实现上述目的,本发明的技术方案是:一种存储辅助MEC任务卸载***,包括SDN控制器及与该SDN控制器通信的边缘节点,一方面,边缘节点部署于用户现场或远端节点,后者提供靠近客户端的计算能力,另一方面,边缘节点部署于中心局或汇聚节点,扩大其计算能力服务覆盖范围;当用户现场/远端节点中的边缘节点由于等待处理的任务过多导致过载时,其能够将任务卸载给邻近的中心局/汇聚节点的边缘节点;每个边缘节点都有一个OpenFlow交换机、一个MEC服务器和一个光交换机,边缘节点之间通过点对点的光纤链路连接;采用SDN控制器对***进行维护,并对MEC服务器中的存储资源和链路上的带宽资源进行调度。
在本发明一实施例中,所述任务卸载***采用抢占、缓存与资源分割三种机制对MEC***中的DS卸载任务和DT卸载任务进行协同调度;一方面允许DS卸载任务抢占DT卸载任务正在使用的链路带宽资源,优先用于传输DS卸载任务的数据;另一方面允许DT卸载任务在链路带宽资源不足时,利用MEC服务器暂时缓存DT卸载任务的数据,等待链路带宽空闲后继续传输。
在本发明一实施例中,所述任务卸载***将链路带宽资源C分割为三个区域,即cds、cdt、cs,其中cds表示用于DS卸载任务数据传输的带宽资源数量,cdt表示用于DT卸载任务数据传输的带宽资源数量,cs表示两种任务共享的带宽资源数量,DS卸载任务的抢占仅允许发生在cs,s表示MEC服务器上可用于缓存DT卸载任务的存储资源。
在本发明一实施例中,所述任务卸载***可反馈相应的***性能指标,包括Bds、Bdt、Pdt、U、D,其中Bds表示DS卸载任务的阻塞率,Bdt表示DT卸载任务的阻塞率,Pdt表示DT卸载任务的抢占率,U表示带宽资源利用率,D表示完成任务所需平均延迟。
本发明还提供了基于上述所述的一种存储辅助MEC任务卸载***的资源调度方法,包括如下步骤:
步骤S1、设计基于滑动时间窗口与小波变换的GRU流量预测模型;该GRU流量预测模型的输入为λt-W,…,λt-1,其中λt-W,…,λt-1为利用滑动时间窗口机制提取的连续W个历史流量数据,/>为利用小波变换对λt-1执行L级分解得到的L个细节分量,/>为小波分解后得到的一个近似分量;GRU流量预测模型的输出为下一时刻t的流量预测值/>通过对历史流量数据库的离线学习训练,获取到一个能够***下一时刻流量值的GRU流量预测模型;
步骤S2、设计基于对数变换和ANN神经网络的***性能评估模型;λ,δ,F,cds,cdt,cs,s构成模型的输入,λ为总任务流量值,δ为DS卸载任务占总任务的比例,F为任务数据量的平均值,cds、cdt、cs分别为用于DS卸载任务的带宽资源数量、用于DT卸载任务的带宽资源数量以及两种任务共享的带宽资源数量,s为可用于缓存DT卸载任务的存储资源数量;构建五个基于对数变换和ANN神经网络的***性能评估模型,其输出分别为***性能指标Bds、Bdt、Pdt、U、D,即构建基于ANN的Bds评估模型、基于ANN的Bdt评估模型、基于ANN的Pdt评估模型、基于ANN的U评估模型、基于ANN的D评估模型;当***性能指标数值小于10-2时,引入对数函数log(·)变换,通过将***性能指标的原始数值域转换为对数域后再进行训练;当***性能指标数值大于10-2时,在原始数值域直接训练;通过对***性能指标数据库的学习,获取到五个基于卸载任务流量和资源数量预测***性能指标的基于对数变换和ANN神经网络的***性能评估模型;
步骤S3、设计基于双机器学习模型的资源调度方法:
设计优化目标与约束条件:以降低Bds、Bdt、Pdt、提高U为优化目标设计目标函数;将Bds、Bdt、Pdt、U、D***性能指标的上下界、链路带宽资源数量C的上下界、MEC服务存储资源数量s的上下界作为约束条件。
在本发明一实施例中,所述GRU流量预测模型共三层,包括输入层、隐藏层和输出层,其中隐藏层为单层GRU层,其神经元的个数由训练调参获取,GRU层的激活函数为sigmoid和tanh函数;输出层包含一个全连接神经元,其激活函数为线性激活函数。
在本发明一实施例中,所述基于对数变换和ANN神经网络的***性能评估模型共三层,包括输入层、隐藏层和输出层,其中隐藏层为单层全连接层,其神经元个数由训练调参获取,采用ReLU作为激活函数;输出层包含一个全连接神经元,同样采用ReLU作为激活函数。
在本发明一实施例中,步骤S3中,所述基于双机器学习模型的资源调度方法具体实现步骤如下:
(1)初始化方法中所使用的优化目标值与资源集合Obj←0,
(2)利用滑动时间窗口从历史流量数据库中获取历史流量数据λt-W,…,λt-1;
(3)利用小波变换中的Mallat算法将时刻t-1的历史流量数据λt-1分解为L个细节分量和一个近似分量/>
(4)将λt-W,…,λt-1, 作为GRU流量预测模型的输入,获取下一时刻t的预测流量值/>
(5)根据预测流量值利用基于ANN的Bds评估模型搜寻所有满足Bds约束条件的可行的带宽资源量C';
(6)搜索所有满足C'=cds+cs的{cds,cs}组合,并将它们存储在CdsSet中;
(7)利用基于ANN的Bdt、Pdt、U、D的评估模型,搜寻满足Bdt、Pdt、U和D约束条件的带宽资源量cdt和存储资源量s;
(8)列举所有满足Bds、Bdt、Pdt、U、D***性能指标约束条件的可行方案组合{cds,cdt,cs,s},并逐一计算每个组合的优化目标函数值Obj';
(9)如果当前目标值Obj'优于现有最优目标函数值Obj,则更新Obj与Optimal,即Obj←Obj'、Optimal←{cds,cdt,cs,s};否则保持Obj与Optimal;
(10)搜索所有可行方案组合,返回最优的资源调度决策Optimal={cds,cdt,cs,s}。
相较于现有技术,本发明具有以下有益效果:
1、本发明将抢占、缓存与资源分割三种机制引入MEC任务卸载***,根据任务延迟容忍特性不同,对卸载任务进行协同调度。
2、本发明将机器学习模型引入到资源调度方法中,利用流量预测模型提前感知卸载任务流量的变化,自适应寻找满足***性能指标要求的最佳链路带宽资源分割方案以及MEC服务器存储资源分配方案,并预先分割带宽资源与分配存储资源。
3、本发明在满足任务服务质量的前提下,不仅降低了任务阻塞率、抢占率,而且提高了资源利用率,减少了***资源使用开销。
附图说明
图1为本发明实施例中的任务卸载***示意图;
图2为本发明实施例中资源调度方法的原理示意图;
图3为本发明实施例中基于滑动时间窗口与小波变换的GRU流量预测模型结构示意图;
图4为本发明实施例中基于对数变换的ANN***性能评估模型结构示意图;
图5为本发明实施例中资源调度方法的流程示意图;
图6为本发明实施例中模型在线更新的流程示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明实施例中考虑了一个如图1所示的任务卸载***。一方面,边缘节点既可以部署于用户现场,也可以部署于远端节点,后者提供了靠近客户端的计算能力。另一方面,边缘节点既可以部署于中心局,也可以部署于汇聚节点,从而扩大其计算能力服务覆盖范围。当用户现场/远端节点中的边缘节点由于等待处理的任务过多导致过载时,其可将任务卸载给邻近的中心局/汇聚节点的边缘节点。本发明所关注的流量即边缘节点之间的这种卸载任务流量。边缘节点之间通过点对点的光纤链路连接。此外,每个边缘节点都有一个OpenFlow交换机、一个MEC服务器和一个光交换机。采用集中式软件定义网络(Software-Defined Networking,SDN)控制器对***进行维护,并对MEC服务器中的存储资源和链路上的带宽资源进行调度。因此,该任务卸载***调度的资源包括被分割为三个区域的链路带宽资源,即cds,cdt,cs。以及MEC服务器上用于缓存DT任务的存储资源s。
如图2中的资源调度方法原理图所示,该资源调度方法包含以下步骤:
步骤1、离线训练基于滑动时间窗口与小波变换的GRU流量预测模型。
对已收集到的历史流量数据库进行滑动时间窗口的数据预处理。针对不同的流量数据确定最佳的滑动时间窗口大小W,并从流量数据库中提取连续W个历史流量数据λt-W,...,λt-1,用于学习流量数据的历史变化规律。
选取合适的小波函数和分解级数L,利用小波变换中的Mallat算法将时刻t-1的历史流量数据λt-1分解为L个细节分量用于捕获流量的波动性特征;以及一个近似分量/>用于捕获流量的周期性特征。
组合滑动时间窗口和小波变换得到的特征λt-W,…,λt-1,作为GRU流量预测模型的输入特征;并将下一时刻t的真实流量值λt作为GRU模型的输出标签。对GRU模型进行离线的训练调参,得到最佳的网络层数、神经元个数、激活函数与损失函数。获取到一个可以***下一时刻卸载流量值/>的GRU流量预测模型,其结构示意图如图3所示。
步骤2、离线训练基于对数变换和ANN神经网络的***性能评估模型。
从已收集到的***性能指标数据库中获取训练样本,将流量特征λ,δ,F及资源数量cds,cst,cs,s作为ANN性能评估模型的输入。当性能指标数值小于10-2时,引入对数函数log(·)变换,通过将性能指标的原始数值域转换为其对数域再进行训练,可以提高ANN模型对极小数值的敏感度,保证ANN模型具有较好的评估精度。当性能指标数值大于10-2时,在原始数值域直接训练即可获得较好的精度。通过对模型进行离线的训练调参,可得到ANN模型最佳的网络结构参数。获取到五个ANN性能评估模型,输出分别为Bds、Bdt、Pdt、U、D,其功能是基于卸载任务流量和资源数量预测***性能指标,模型结构示意图如图4所示。
步骤3、针对MEC任务卸载***设计约束条件与优化目标。
性能约束:式(1)、式(2)、式(3)确保Bds、Bdt、Pdt均在其上下界内。式(4)确保U大于其下界,式(5)确保D不超过其上界。
UMin≤U (4)
D≤DMax (5)
资源约束:式(6)确保所用链路带宽资源之和不超过C。式(7)确保分配给DT任务的存储资源不超过S。
cds+cs+cdt≤C (6)
0≤s≤S (7)
优化目标:式(8)设定了两个目标:①在***要求的性能指标上下边界条件内最小化Bds、Bdt和Pdt;②最大化资源利用率U。α、β、γ和ε为权重因子,MEC运营商可以根据实际需求,调整权重因子的大小。其中,Bds,Bdt,Pdt、U和D均为λ,δ,F,cds,cdt,cs和s的函数。
max α·lg(Bds)+β·lg(Bdt)+γ·lg(Pdt)+ε·U (8)
步骤4、设计基于双机器学习模型的资源调度方法:
基于双机器学习模型的资源调度方法流程图如图5所示,该调度方法的具体步骤如下:
(1)初始化方法中所使用的优化目标值与资源集合Obj←0,
(2)利用滑动时间窗口从历史流量数据库中获取历史流量数据λt-W,…,λt-1;
(3)利用小波变换中的Mallat算法将时刻t-1的历史流量数据λt-1分解为L个细节分量 和一个近似分量/>
(4)将λt-W,…,λt-1, 作为GRU流量预测模型的输入,获取下一时刻t的预测流量值/>
(5)根据预测的流量值利用基于ANN的Bds评估模型搜寻所有满足Bds约束条件的可行的带宽资源量C';
(6)搜索所有满足C'=cds+cs的{cds,cs}组合,并将它们存储在CdsSet中;
(7)利用基于ANN模型的Bdt、Pdt、U、D性能评估模型,搜寻满足Bdt、Pdt、U和D约束条件的带宽资源量cdt和存储资源量s;
(8)列举所有满足Bds、Bdt、Pdt、U、D***性能指标约束条件的可行方案组合{cds,cdt,cs,s},并逐一计算每个组合的优化目标函数值Obj';
(9)如果当前目标值Obj'优于现有最优目标函数值Obj,则更新Obj与Optimal,即Obj←Obj'、Optimal←{cds,cdt,cs,s};否则保持Obj与Optimal;
(10)搜索所有可行方案组合,返回最优的资源调度决策Optimal={cds,cdt,cs,s}。
最后由任务接入控制模块根据最佳资源分割与分配方案决策,为卸载任务预先分割带宽资源与分配存储资源。
步骤5、实时更新模型。
在实际实施中,当网络环境变化较大时,预先离线训练好的模型可能无法准确地预测卸载任务流量值与***性能指标。因此,机器学习模型需要不断地从新的数据样本中,定期地更新模型。
如图6中的流程图所示,该***会不断地收集最新的真实流量值和***性能指标,并存入历史流量数据库与***性能指标数据库。当达到模型的更新周期时,将该周期内收集到的真实值与预测值进行比较,计算模型的损失值,当损失值不为零时,GRU流量预测模型和ANN性能评估模型将会被更新。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种存储辅助MEC任务卸载***,其特征在于,包括SDN控制器及与该SDN控制器通信的边缘节点,一方面,边缘节点部署于用户现场或远端节点,后者提供靠近客户端的计算能力,另一方面,边缘节点部署于中心局或汇聚节点,扩大其计算能力服务覆盖范围;当用户现场/远端节点中的边缘节点由于等待处理的任务过多导致过载时,其能够将任务卸载给邻近的中心局/汇聚节点的边缘节点;每个边缘节点都有一个OpenFlow交换机、一个MEC服务器和一个光交换机,边缘节点之间通过点对点的光纤链路连接;采用SDN控制器对***进行维护,并对MEC服务器中的存储资源和链路上的带宽资源进行调度。
2.根据权利要求1所述的一种存储辅助MEC任务卸载***,其特征在于,所述任务卸载***采用抢占、缓存与资源分割三种机制对MEC***中的DS卸载任务和DT卸载任务进行协同调度;一方面允许DS卸载任务抢占DT卸载任务正在使用的链路带宽资源,优先用于传输DS卸载任务的数据;另一方面允许DT卸载任务在链路带宽资源不足时,利用MEC服务器暂时缓存DT卸载任务的数据,等待链路带宽空闲后继续传输。
3.根据权利要求1所述的一种存储辅助MEC任务卸载***,其特征在于,所述任务卸载***将链路带宽资源C分割为三个区域,即cds、cdt、cs,其中cds表示用于DS卸载任务数据传输的带宽资源数量,cdt表示用于DT卸载任务数据传输的带宽资源数量,cs表示两种任务共享的带宽资源数量,DS卸载任务的抢占仅允许发生在cs,s表示MEC服务器上可用于缓存DT卸载任务的存储资源。
4.根据权利要求1所述的一种存储辅助MEC任务卸载***,其特征在于,所述任务卸载***可反馈相应的***性能指标,包括Bds、Bdt、Pdt、U、D,其中Bds表示DS卸载任务的阻塞率,Bdt表示DT卸载任务的阻塞率,Pdt表示DT卸载任务的抢占率,U表示带宽资源利用率,D表示完成任务所需平均延迟。
5.基于权利要求1-4任一所述的一种存储辅助MEC任务卸载***的资源调度方法,其特征在于,包括如下步骤:
步骤S1、设计基于滑动时间窗口与小波变换的GRU流量预测模型;该GRU流量预测模型的输入为λt-W,...,λt-1,其中λt-W,...,λt-1为利用滑动时间窗口机制提取的连续W个历史流量数据,/>为利用小波变换对λt-1执行L级分解得到的L个细节分量,/>为小波分解后得到的一个近似分量;GRU流量预测模型的输出为下一时刻t的流量预测值/>通过对历史流量数据库的离线学习训练,获取到一个能够***下一时刻流量值的GRU流量预测模型;
步骤S2、设计基于对数变换和ANN神经网络的***性能评估模型;λ,δ,F,cds,cdt,cs,s构成模型的输入,λ为总任务流量值,δ为DS卸载任务占总任务的比例,F为任务数据量的平均值,cds、cdt、cs分别为用于DS卸载任务的带宽资源数量、用于DT卸载任务的带宽资源数量以及两种任务共享的带宽资源数量,s为可用于缓存DT卸载任务的存储资源数量;构建五个基于对数变换和ANN神经网络的***性能评估模型,其输出分别为***性能指标Bds、Bdt、Pdt、U、D,即构建基于ANN的Bds评估模型、基于ANN的Bdt评估模型、基于ANN的Pdt评估模型、基于ANN的U评估模型、基于ANN的D评估模型;当***性能指标数值小于10-2时,引入对数函数log(·)变换,通过将***性能指标的原始数值域转换为对数域后再进行训练;当***性能指标数值大于10-2时,在原始数值域直接训练;通过对***性能指标数据库的学习,获取到五个基于卸载任务流量和资源数量预测***性能指标的基于对数变换和ANN神经网络的***性能评估模型;
步骤S3、设计基于双机器学习模型的资源调度方法:
设计优化目标与约束条件:以降低Bds、Bdt、Pdt、提高U为优化目标设计目标函数;将Bds、Bdt、Pdt、U、D***性能指标的上下界、链路带宽资源数量C的上下界、MEC服务器存储资源数量s的上下界作为约束条件。
6.根据权利要求4所述的一种存储辅助MEC任务卸载***的资源调度方法,其特征在于,所述GRU流量预测模型共三层,包括输入层、隐藏层和输出层,其中隐藏层为单层GRU层,其神经元的个数由训练调参获取,GRU层的激活函数为sigmoid和tanh函数;输出层包含一个全连接神经元,其激活函数为线性激活函数。
7.根据权利要求4所述的一种存储辅助MEC任务卸载***的资源调度方法,其特征在于,所述基于对数变换和ANN神经网络的***性能评估模型共三层,包括输入层、隐藏层和输出层,其中隐藏层为单层全连接层,其神经元个数由训练调参获取,采用ReLU作为激活函数;输出层包含一个全连接神经元,同样采用ReLU作为激活函数。
8.根据权利要求4所述的一种存储辅助MEC任务卸载***的资源调度方法,其特征在于,步骤S3中,所述基于双机器学习模型的资源调度方法具体实现步骤如下:
(1)初始化方法中所使用的优化目标值与资源集合Obj←0,
(2)利用滑动时间窗口从历史流量数据库中获取历史流量数据λt-W,...,λt-1;
(3)利用小波变换中的Mallat算法将时刻t-1的历史流量数据λt-1分解为L个细节分量和一个近似分量/>
(4)将λt-W,...,λt-1, 作为GRU流量预测模型的输入,获取下一时刻t的预测流量值/>
(5)根据预测流量值利用基于ANN的Bds评估模型搜寻所有满足Bds约束条件的可行的带宽资源量C′;
(6)搜索所有满足C′=cds+cs的{cds,cs}组合,并将它们存储在CdsSet中;
(7)利用基于ANN的Bdt、Pdt、U、D的评估模型,搜寻满足Bdt、Pdt、U和D约束条件的带宽资源量cdt和存储资源量s;
(8)列举所有满足Bds、Bdt、Pdt、U、D***性能指标约束条件的可行方案组合{cds,cdt,cs,s},并逐一计算每个组合的优化目标函数值Obj′;
(9)如果当前目标值Obj′优于现有最优目标函数值Obj,则更新Obj与Optimal,即Obj←Obj′、Optimal←{cds,cdt,cs,s};否则保持Obj与Optimal;
(10)搜索所有可行方案组合,返回最优的资源调度决策Optimal={cds,cdt,cs,s}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703258.7A CN116760722A (zh) | 2023-06-14 | 2023-06-14 | 一种存储辅助mec任务卸载***及资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703258.7A CN116760722A (zh) | 2023-06-14 | 2023-06-14 | 一种存储辅助mec任务卸载***及资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116760722A true CN116760722A (zh) | 2023-09-15 |
Family
ID=87956573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310703258.7A Pending CN116760722A (zh) | 2023-06-14 | 2023-06-14 | 一种存储辅助mec任务卸载***及资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116760722A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117492856A (zh) * | 2023-10-17 | 2024-02-02 | 南昌大学 | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 |
-
2023
- 2023-06-14 CN CN202310703258.7A patent/CN116760722A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117492856A (zh) * | 2023-10-17 | 2024-02-02 | 南昌大学 | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110035410B (zh) | 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 | |
CN110941667B (zh) | 一种移动边缘计算网络中的计算卸载方法及*** | |
Jiang | Cellular traffic prediction with machine learning: A survey | |
Manogaran et al. | Machine learning assisted information management scheme in service concentrated IoT | |
CN112188442A (zh) | 基于移动边缘计算的车联网数据驱动任务卸载***和方法 | |
CN110839184B (zh) | 基于流量预测的移动前传光网络带宽调整方法及装置 | |
CN111049903B (zh) | 一种基于应用感知预测的边缘网络负载分配算法 | |
CN114422349B (zh) | 基于云边端协同的深度学习模型训练和推理架构部署方法 | |
CN115175217A (zh) | 一种基于多智能体的资源分配和任务卸载优化方法 | |
CN111522657A (zh) | 一种分散设备协同深度学习推理方法 | |
CN113825152A (zh) | 容量控制方法、网管设备、管理编排设备、***及介质 | |
CN116760722A (zh) | 一种存储辅助mec任务卸载***及资源调度方法 | |
CN114328291A (zh) | 一种工业互联网边缘服务缓存决策方法及*** | |
CN116643844B (zh) | 面向电力超算云资源自动扩展的智能化管理***及方法 | |
CN114650228A (zh) | 一种异构网络中基于计算卸载的联邦学习调度方法 | |
CN116455768A (zh) | 面向全局时延优化的云边端协同cnn推理方法及*** | |
CN117062025B (zh) | 一种车联网节能联合计算卸载与资源分配方法 | |
Wang | Edge artificial intelligence-based affinity task offloading under resource adjustment in a 5G network | |
Dong et al. | Collaborative video analytics on distributed edges with multiagent deep reinforcement learning | |
CN111580943B (zh) | 一种面向低时延边缘计算中多跳卸载的任务调度方法 | |
CN116546624B (zh) | 跳波卫星业务预测与多维链路动态资源分配方法及装置 | |
CN114693141B (zh) | 一种基于端边协同的变电站巡检方法 | |
CN115914230A (zh) | 一种自适应移动边缘计算卸载和资源分配方法 | |
Lu et al. | Enhancing vehicular edge computing system through cooperative computation offloading | |
Cao et al. | Efficient Communication-Computation Tradeoff for Split Computing: A Multi-Tier Deep Reinforcement Learning Approach |
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 |