CN107820278B - 蜂窝网络时延与成本均衡的任务卸载方法 - Google Patents

Abstract

本发明涉及云计算技术领域，特别涉及一种蜂窝网络时延与成本均衡的任务卸载方法，包括：建立用户卸载任务请求；构建成本目标函数，计算用户卸载应用过程中的卸载成本函数；通过构造李雅普诺夫函数，设置合理的控制阀值V，计算用户卸载成本与队列积压上限值；更新数据队列，卸载成本通过控制阀值V来寻找用户卸载成本与队列积压的折中点；根据选择所述折中点，得到均衡优化后的任务卸载成本与队列积压；本发明将其队列积压量表示在蜂窝网络中用户卸载任务的网络时延，使得用户卸载成本最小的同时，大幅降低了用户端卸载任务的积压量，从而降低了蜂窝网络中用户卸载的网络时延。

Description

蜂窝网络时延与成本均衡的任务卸载方法

技术领域

本发明涉及云计算技术领域，具体涉及一种蜂窝网络时延与成本均衡的任务卸载方法。

背景技术

在“移动”时代，产业之间加速相互渗透整合，而技术和服务仍然是竞争的焦点所在。国际市场调研机构eMarketer公布的数据显示，2016年全球使用智能手机的人数已超过20亿人。智能手机市场趋于饱和，基于智能手机的相关业务进入快速发展阶段。这些业务包括移动支付、手机游戏、移动电商、移动资讯、移动出行等。移动终端(如智能手机、平板电脑)作为人们处理业务的重要工具，越来越多的人将重要的业务放到移动终端上来运行，而移动终端相对于台式计算机在运算能力、内存以及电池能耗上劣势，所以基于移动云服务的移动云计算孕育而生，基于移动云服务的移动云计算是一种将云计算和移动互联网相融合的新技术，已成为一个新兴研究领域，受到了国内外学者的广泛关注，因此移动云计算成为了人们便捷生活和工作的有力保障。

为提高计算处理能力，降低终端能耗，提高用户满意度，移动用户可以将数据处理和存储迁移到云端来改善其移动终端处理能力弱、存储空间小以及电池续航时间短等性能缺陷。云端可将移动终端的数据处理和存储作为一种业务应用来为用户提供相应的服务。移动云计算中的无线信道与传统移动互联网中的无线信道一样，都是随时空的不同动态变化的，且较低的传输速率会导致较高的传输能耗。在传统移动互联网中，一些学者采用适当延缓数据交付的方式来优化传输能耗参见文献：J.Lee and N.Jindal,"Energy-EfficientScheduling of Delay Constrained Traffic over Fading Channels,"IEEETrans.Wireless Commun.,vol.8,no.4,pp.1866-75,Apr.2009.将这一能耗优化问题建模为延时受限的能耗最优化问题，并采用凸优化方法来求解最优解，但是这种方式很难满足用户对不同业务的延时需求，因此具有一定的局限性。C.-P.Li和M.J.Neely在文献IEEE Transactions on Mobile Computing,Vol.9,no.4,pp.527-539,Apr.2010.提出Energy-Optimal Scheduling with Dynamic Channel Acquisition in WirelessDownlinks方法，从数据在信道中传输的角度来考虑问题，虽然可满足用户对不同业务的延时需求，但是当用户长期处于弱覆盖或干扰严重的区域时，不断到达信道的业务数据也会促使系统在信道状态较差时向用户交付数据，从而导致较高的传输能耗。

由此可见，针对用户进行数据采集、传输和处理等方面的应用，仅从业务交付的角度来考虑问题不能有效地减少传输能耗。当前的研究只是针对用户的吞吐量与能耗等方面做了大量的研究，未曾想过用户卸载任务的最终目的是获得更多的收益，尽量降低卸载成本。另一方面，用户在将应用卸载云端处理的时候需要通过无线传输才能交付给移动终端，因此，考虑网络异构，不同链接(蜂窝、WIFI等)对卸载应用产生的传输宽带成本产生影响，显然卸载成本是用户考虑是否卸载、卸载多少业务量的关键因素之一。因此，减少用户卸载任务产生的卸载成本是需要解决的问题，而从业务的实时性来看，队列积压也需要谨慎决策，需要综合考虑卸载应用带来的卸载成本和队列积压，也就是用户在蜂窝网络中的卸载任务时延，达到均衡目的。

发明内容

为了解决上述问题，本发明提出了一种蜂窝网络时延与成本均衡的任务卸载方法，通过构造李雅普诺夫函数，设置合理的控制阀值V值，对用户卸载成本与队列积压进行很好的控制，找到卸载成本函数与系统的队列积压的一个折中点，使得用户卸载成本最小的同时，不但解决了因队列过大而导致较高的任务卸载成本的问题，而且还能有效地控制系统的队列积压的增加幅度，也就是减低了用户在蜂窝网络中卸载任务时延。

本发明的一种蜂窝网络时延与成本均衡的任务卸载方法，包括：

建立用户卸载任务请求，得到卸载业务数据队列；

构建成本目标函数，计算用户卸载应用过程中的卸载成本函数；

推导用户卸载成本与队列积压上限值；

更新业务数据队列和用户数据队列，选取用户卸载成本与队列积压的折中点，根据所述折中点，得到均衡优化后的任务卸载成本与队列积压。

本发明区别于以往的算法通过综合考虑用户卸载收益最大化以及每一时间片内得到用户卸载业务的队列积压和卸载成本与控制阀值V的关系，可以有效的避免因队列积压过大而导致较高的卸载成本的问题，而且还能有效地控制系统的积压的增加幅度，减少了用户在蜂窝网络中卸载任务的时延。

附图说明

图1为本发明的一种蜂窝网络时延与成本均衡的任务卸载方法流程图；

图2为本发明的系统模型；

图3为平均队列积压随着控制阀值V的变化仿真图；

图4为平均时间卸载成本随着控制阀值V的变化仿真图；

图5为本发明控制阀值V与用户卸载成本与队列积压的关系图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中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。

本发明的一种蜂窝网络时延与成本均衡的任务卸载方法，如图1所示包括：

建立用户卸载任务请求，得到卸载业务数据队列；

构建成本目标函数，计算用户卸载应用过程中的卸载成本函数；

获得用户卸载成本与队列积压上限值；

更新业务数据队列和用户数据队列，选取用户卸载成本与队列积压的折中点，根据所述折中点，得到优化后的任务卸载成本与队列积压。

本发明提出的系统模型由移动用户端，异构网络，云端数据中心三个部分组成，如图2所示，进一步的，建立用户卸载任务请求，得到卸载业务数据队列包括：N个移动用户通过异构无线网络卸载任务到云端数据中心，得到系统中第i个用户卸载业务队列积压的动态变化关系：

Q_i,k+1＝max[0,Q_i,k-b_i,k]+A_i,k

其中，N＝{1,2,…,n}；Q_i,k+1表示第i个用户在第k+1时间片内的业务队列积压；A_i,k为第i个用户在第k时间片内到达的业务数据量，b_i,k为第i个用户在第k时间片内发送到云端的数据量；Q_i,k表示第i个用户在第k时间片内的业务队列积压，Q_i,k＝{Q_1,k,Q_2,k...,Q_n,k}表示所有移动用户在第k时间片内卸载任务产生的业务数据队列；i表示第i个用户，i＝{1,2,…,n}，k∈(1,2,....K)，K表示系统参数总时间片数；所述业务队列积压包括内容，多媒体业务等；

进一步的，优选的，A_i,k是服从均值为λ_i的泊松分布，且A_i,k独立同分布，表示为Ε{A_i(T_k)}＝λ＝(λ₁,λ₂,...,λ_n)，且每个用户卸载数据量存在最大的业务到达数据量

所有的用户有i∈{1,2,...n}，以及所有的时间片内都满足：

b_i,k表示发送数据，也即第i个用户是在第k时间片内发送到云端的业务数据量，b_i,k存在最大的发送业务量为

且所有的用户以及所有的时间片内即i∈(1,2,...n)内，都满足b_i,k＝{b_1,k,b_2,k...,b_n,k}，i表示第i个用户。

进一步的，作为一种补充方式，对于网络异构，不同链接(蜂窝、WIFI)对移动用户卸载应用的卸载成本产生了一定的影响：即在无线网络中存在多种通信方式，然而考虑到用户的移动性，用户与云端之间的链接方式不会固定为同一种方式。

其中，最经济的方式是通过WIFI来传输数据，考虑到传输数据的完整性，如果用户离开了WIFI的通信范围，那么它会自行切换到蜂窝通信的方式来进行传输数据，传输相同的数据量蜂窝中的传输带宽成本远大于WIFI网络中的传输带宽成本。

进一步的，构建成本目标函数，计算用户卸载应用过程中的卸载成本函数包括：用户在第k时间片内卸载应用过程中，根据所有用户卸载应用到云端的计算成本与相应传输带宽成本，则可以计算出在第k时间片内用户卸载应用过程中的卸载成本函数C_k：

其中，

表示用户卸载任务在云端数据中心需要的计算成本，

表示在第k时间片内第i个用户卸载业务到云端数据中心产生的传输带宽成本，n表示用户数，k∈(1,2,....K)，K表示系统参数总时间片数。

进一步的，用户卸载任务所需要的计算成本

包括：

β_i为云端数据中心对第i个用户卸载应用的计算单价，b_i,k为第i个用户在第k时间片内发送到云端的数据量。

进一步的，在第k时间单元内第i个用户卸载业务到云端数据中心产生的传输带宽成本包括：

其中，

表示WIFI网络下用户与云端数据中心的连接时间，b_wf,k表示WIFI网络下用户与云端数据中心的网络带宽；γ表示在WIFI网络中传输业务数据的单位时间带宽传输成本，θ表示在蜂窝网络中传输业务数据的单位时间带宽传输成本，其中γ<θ。

进一步，设计一个高效的调度政策使以下基于用户任务卸载成本最小化，则：

Minimize:C_k

约束条件：

在一个时间片内找到一个直观的政策尽最大可能地降低卸载任务的卸载成本，其中C_av表示最优卸载成本，sup表示函数的上确界。

但是，若为了降低任务卸载成本而贪婪地推迟数据传输，则用户缓存队列中的队列积压会不断地增大，这样会导致用户的延迟不断增大，从而降低了用户的服务质量。

因此，要找到一个在卸载成本和队列积压之间能实现折衷的调度策略，且均衡这种折衷，前提条件为网络必须是稳定的，即所有队列的积压值在时间平均的意义上必须是有限的。

进一步的，推导用户卸载成本与队列积压上限值包括推导用户卸载成本及队列积压与控制阀值V的关系；在满足最小化传输数据调度下，通过控制阀值V来进行控制用户卸载任务的卸载成本与队列积压之间的关系，通过李雅普诺夫优化方法，得到系统卸载成本和队列积压上限。

进一步的，李雅普诺夫函数优化方法包括：构建李雅普诺夫函数，估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数；

李雅普诺夫函数为：

其中，

符号表示恒等式，Q_i,k表示移动用户i在第k时间片内的业务队列积压，i表示第i个用户，k∈(1,2,....K)，K表示系统参数总时间片数；n表示用户总数；

李雅普诺夫转移函数为：

其中，

表示·的期望值，Q_k表示数据队列的向量，L_k表示第k时间片的李雅普诺夫函数，L_k+1表示第k+1时间片的李雅普诺夫函数。

进一步的，在减少卸载成本问题的时候，需要采用李雅普诺夫优化理论来进行解决问题，李雅普诺夫函数表示影响系统稳定的状态量，在本发明中，这些状态量是由队列长度Q_i,k反映的队列稳定状态量。

进一步的，得到用户卸载成本与队列积压上限值包括：增加一个与控制阀值V有关的期望卸载成本函数即惩罚函数，

即得到转移-惩罚项，C_i,k表示卸载成本；对于给定任意控制阀值V>0，在任意

下，根据李雅普洛夫优化方法，得到一推理：

其中

Q_k表示数据队列的向量，Q_i,k表示向量在第k时间片内第i个用户卸载应用的业务队列积压；A_i,k表示A_i,k第i个用户在第k时间单元内到达的业务数据量；b_i,k表示第i个用户在第k时间单元内发送到云端的数据量；A_max为A_i,k到达任务量的最大值，b_max为b_i,k发送任务量的最大值；

为了获得任何能够满足系统稳定的最优的卸载成本的任务传输策略的特征，基于Caratheodory理论，假设存在ε>0，使得λ+ε∈Λ；分别得到系统卸载成本和队列积压上限：

其中，

为系统的卸载成本上限，

为队列积压上限，C_k表示稳定的调度算法系统的卸载成本，

表示稳定的调度算法系统的最优卸载成本，C_max表示稳定的调度算法系统的最大卸载成本，B为常数，ε为极限阈值，K表示系统参数总时间片数，Λ表示系统的数据容量，λ表示对任意数据到达率向量且

进一步的，如图3和图4所示，用户卸载任务请求的到达过程建模为一个服从参数20Mbit/s的泊松分布过程，仿真中为移动用户数N＝10，总时间片数K＝100，每个时间片T＝60s，用户与云端WIFI下的连接时间服从指数分布函数，其连接时间满足均值设置为14指数分布函数，不同网络的设置参数如下：WIFI网络带宽为11Mpbs，蜂窝网络下的带宽为5Mbps，WIFI网络中传输业务数据单位时间传输带宽成本为：γ＝0.5，蜂窝网络中传输业务数据单位时间传输带宽成本为：θ＝1.5，为了简单起见，这里所有的用户在云端数据中心的单位时间计算单价：β_i＝0.065，仿真结果可以看出，在10个用户情况下，本发明与部分卸载任务方法相比，随着控制阀值V值得增大，系统的队列积压随之增加，然而，V的过度增加，系统性能开始减弱，队列积压增加得越快，说明加剧了系统队列的拥塞。

相比其他卸载方法而言，本发明采用的方法的队列积压增加的幅度较为缓慢，经统计，本发明与随机卸载任务方法相比，系统平均队列积压性能提升约51.34％；并且对比其他的算法，本发明提出的方法平均积压量增长较为缓慢，有利于用户卸载的进程，减少系统队列的拥塞。同时，由图4可以看出，随着控制阀值V增大，用户卸载应用的卸载成本是随之减少，并且相比之下整体卸载成本减少了约68.01％；证明了我们提出的方法能够提高系统的性能。可以看到有效的避免因队列积压过大而导致较高的卸载成本的问题，而且在保证系统队列稳定的前提下，通过控制阀值V进行有效控制找到一个折中点，如图5所示，可以看到V＝3800为队列积压与系统任务卸载成本的折中点。当选择这个折中点时，能够有效地控制减少系统的队列积压，同时用户卸载应用的卸载成本也不是很大，用户端的队列积压随着增长幅度也比较缓慢，也就是降低了用户在蜂窝网络卸载任务的时延。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，包括：

建立用户卸载任务请求，得到卸载业务数据队列；

构建成本目标函数，计算用户卸载应用过程中的卸载成本函数；

获得用户卸载成本与队列积压上限值；

更新卸载业务数据队列和用户数据队列，选取用户卸载成本与队列积压的折中点，根据所述折中点，得到优化后的任务卸载成本与队列积压；

其中，所述构建成本目标函数，计算用户卸载应用过程中的卸载成本函数包括：根据所有用户在第k时间片内卸载应用到云端的计算成本与传输带宽成本，计算出在第k时间片内用户卸载应用过程中的卸载成本函数C_k：

其中，

表示用户卸载任务需要的计算成本，

表示在第k时间片内第i个用户卸载业务到云端数据中心产生的传输带宽成本，i＝{1,2,…,n}，n表示用户总数；k∈(1,2,....K)，K表示系统参数总时间片数。

2.根据权利要求1所述的一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，所述建立用户卸载任务请求，得到卸载业务数据队列包括：N个移动用户通过异构无线网络卸载任务到云端数据中心，得到系统中第i个用户卸载业务队列积压的动态变化关系：

Q_i,k+1＝max[0,Q_i,k-b_i,k]+A_i,k

其中，N＝{1,2,…,n}，Q_i,k+1表示第i个用户在第k+1时间片内的业务队列积压；A_i,k为第i个用户在第k时间片内到达的业务数据量，b_i,k为第i个用户在第k时间片内发送到云端的数据量；Q_i,k表示第i个用户在第k时间片内的业务队列积压，Q_i,k＝{Q_1,k,Q_2,k...,Q_n,k}表示所有移动用户在第k时间片内卸载任务产生的业务数据队列；i＝{1,2,…,n}，n表示用户总数；k∈(1,2,....K)，K表示系统参数总时间片数。

3.根据权利要求1所述的一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，所述用户卸载任务需要的计算成本

包括：

β_i为云端数据中心对第i个用户卸载应用的计算单价，b_i,k表示第i个用户在第k时间片内发送到云端的数据量。

4.根据权利要求1所述的一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，所述在第k时间片内第i个用户卸载业务到云端数据中心产生的传输带宽成本包括：

其中，

表示WIFI网络下用户与云端数据中心的连接时间，b_wf,k表示WIFI网络下用户与云端数据中心的网络带宽；γ表示在WIFI网络中传输业务数据的单位时间带宽传输成本，θ表示在蜂窝网络中传输业务数据的单位时间带宽传输成本，γ<θ，b_i,k表示第i个用户在第k时间片内发送到云端的数据量。

5.根据权利要求1所述的一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，所述获得用户卸载成本与队列积压上限值包括：推导用户卸载成本及队列积压与控制阀值V的关系；通过控制阀值V来控制用户卸载任务的卸载成本与队列积压之间的关系，通过李雅普诺夫优化方法，得到系统的卸载成本和队列积压上限。

6.根据权利要求5所述的一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，所述李雅普诺夫函数优化方法包括：构建李雅普诺夫函数，估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数；获得用户卸载成本与队列积压上限值；

李雅普诺夫函数为：

其中，

符号表示恒等式，Q_i,k表示移动用户i在第k时间片内的业务队列积压，i＝{1,2,…,n}，n表示用户总数；k∈(1,2,....K)，K表示系统参数总时间片数；

李雅普诺夫转移函数为：

其中，

表示·的期望值，Q_k表示数据队列的向量，L_k表示第k时间片的李雅普诺夫函数，L_k+1表示第k+1时间片的李雅普诺夫函数。

7.根据权利要求6所述的一种蜂窝网络时延与成本均衡的任务卸载方法，其特征在于，所述获得用户卸载成本与队列积压上限值包括：增加一个与控制阀值V有关的期望卸载成本函数，也即是惩罚函数：

C_i,k表示卸载成本；

对于给定任意控制阀值V≥0，在任何

下，根据李雅普洛夫优化方法，得到一推理：

其中

Q_k表示数据队列的向量，Q_i,k表示第i个用户在第k时间片内的业务队列积压；A_i,k第i个用户在第k时间单元内到达的业务数据量，其中，A_i,k是服从均值为λ_i的泊松分布且A_i,k独立同分布，表示为

且所有的用户都满足

b_i,k第i个用户在第k时间单元内发送到云端的数据量，且所有的用户都满足

A_max为A_i,k到达任务量的最大值，b_max为b_i,k发送任务量的最大值；

在满足上述推理右边部分最小化的传输数据调度下，通过控制阀值V来进行控制用户卸载任务的卸载成本与队列积压之间的关系，基于Caratheodory理论，假设存在ε>0，使得λ+ε∈Λ；分别得到系统卸载成本和队列积压上限：

其中，

为系统的卸载成本上限，

为队列积压上限，C_k表示稳定的调度算法系统的卸载成本，

表示稳定的调度算法系统的最优卸载成本，C_max表示稳定的调度算法系统的最大卸载成本，B为常数，ε为极限阈值，K表示系统参数总时间片数，λ表示对任意数据到达率向量且

Λ表示系统的数据容量，sup表示函数的上确界。

Images