CN108540406A - 一种基于混合云计算的网络卸载方法 - Google Patents

Abstract

本发明提供了一种基于混合云计算的网络卸载方法，本模型从单用户计算卸载问题入手，定义了计算卸载的传输延迟，处理延迟以及总延迟，并利用分支定界算法得到单用户最优解。然后，在此基础上之上考虑边界计算资源受限和用户之间的传输干扰，将多用户计算卸载问题建模为混合整数线性规划MILP问题。由于MILP问题高计算复杂度，本模型设计了一个迭代启发式移动边界计算资源分配IHRA算法来求解MILP问题并做出卸载决策。仿真结果表明，本发明设计的IHRA算法在应用程序运行延迟和卸载效率方面优于基准算法，为混合云计算网络卸载模型的资源分配问题提供了一种新的解决方案。

Description

一种基于混合云计算的网络卸载方法

技术领域

本发明涉及网络科学领域中基于移动计算进行高效计算卸载的模型，尤其涉及一种基于混合云计算的高效网络卸载方法。

背景技术

随着延迟敏感型应用程序(如增强现实)的不断发展，延迟限制成为在移动设备上运行复杂应用程序的一大障碍。为了提升用户服务质量，云计算与边界计算相继问世，给用户提供了丰富的计算与存储资源，并成为下一代移动通信的核心框架。计算卸载技术依托于云计算或边界计算的丰富资源，实现移动应用程序设备外执行，大幅降低了用户设备的时间与能耗开销。现有大多数工作集中于云计算或边界计算单独作为卸载平台，卸载效率低，难以满足大量用户的卸载需求。因此，高效网络卸载的资源分配方法有待于研究人员进一步探索。

发明内容

本发明主要针对现有研究的一些不足之处，构建了基于混合云计算的网络卸载模型，通过结合移动云计算和移动边界计算进行协同计算卸载以提高卸载效率，并且考虑多用户下移动边界计算资源竞争问题，设计了相应的启发式资源分配算法，为多用户计算卸载问题提供了一种新的模型。

本发明的技术方案：

一种基于混合云计算的网络卸载方法，步骤如下：

(1)确定网络卸载模型的优化目标，给出优化目标各组成部分的定义式

网络卸载模型的优化目标为多用户总的应用程序运行延迟，包括处理延迟和传输延迟两部分；

每个应用程序子模块选择在本地处理或选择卸载到边界服务器或远端的云服务器进行计算；对应于不同的计算平台，有不同的处理能力；对于模块j，在本地处理，边界服务器处理和云服务器处理的计算时间分别记为和并且满足

网络卸载模型定义计算任务τ_i,j＝{d_i,j,c_i,j}，其中d_i,j是第i个用户的第j个模块的输入数据的大小，c_i,j是完成任务所需的CPU时钟周期；f^c分别为本地设备、移动边界服务器和云服务器的计算能力，例如CPU主频。

当计算任务τ_i,j在本地设备上处理时，本地处理延迟可由如下公式计算得到：

当计算任务卸载到边界节点时，边界处理延迟计算如下：

此时k表示第k个移动边界计算服务器(1≤k≤M)。当计算任务在云端处理时，处理延迟计算如下：

M+1表示云服务器。上文提到任务τ_i,j只能被分配到三个平台之一进行处理，所以总的处理时间p_i,j为：

其中α+β+γ＝1，且满足{α,β,γ}∈{0,1}，即α，β，γ均为二元变量。

如果相邻的两个模块j和j-1在不同的平台的处理，那么两者之间的数据传输时间记为t_j。否则，该传输时间可忽略。从本地设备卸载程序到远端服务器的过程中，用户通常通过基站向边界节点或者云节点发送输入数据而不是直接发送。由于基站通常建设在移动边界计算(MEC)服务器附近，两者之间的传输延迟可以忽略。此外，输出数据的大小通常远小于输入数据，回程链路的时间开销也可以忽略。所以本模型主要研究从用户本地设备到基站的上行链路和基站至云服务器的传输延迟。

本模型定义三个二元变量y_i,j,α，y_i,j,β，y_i,j,γ，与α，β，γ类似，这三个二元变量用来指示第i个用户设备上应用程序的第j个模块是否在本地执行或被卸载到远程服务器执行，值为1代表该模块在相应的平台上执行。如果用户设备i在信道n上通过基站卸载应用到远端服务器k，可获取的传输速率r_i,k,n可通过如下公式计算^[17]：

根据香农定理，ω为带宽，由于总带宽B被分为N个子信道，即ω＝B/N。p_i,k,n为传输功率，h_i,k,n为从用户i到服务器k传输过程中无线链路的信道损耗。分式的分母为信号与干扰加噪声比(SINR)，其中σ²为噪声功率，I_i,k,n表示子信道n上的临近用户对用户i的干扰，计算方式如下：

其中x和y分别表示用户和服务器的序列编号。a_x,y,n为二元变量，a_x,y,n＝1表示信道n被分配给用户x到服务器y进行计算任务τ_i,j的卸载，否则a_x,y,n＝0。因此，这个频段的总传输速率可由全部子信道之和得到：

每项任务最多占用一条信道，即满足得到传输速率之后，可以计算用户i卸载模块j的传输延迟，本模型定义传输延迟如下：

t_i,j＝t_i,j,α→β+t_i,j,α→γ+t_i,j,β→γ+t_i,j,γ→β

本模型考虑传输延迟分为四种情况，箭头指示卸载过程的起点和终点平台以及卸载方向。例如，t_i,j,α→β＝1表示应用程序第j-1个模块在本地设备执行，而第j个模块被卸载到边界节点上执行，在线性序列处理应用模型下，模块j-1的输出作为模块j的输入，所以本模型考虑从本地设备发送模块j-1的输出数据到MEC服务器作为模块j的输入数据的传输延迟。类似的，t_i,j,α→γ＝1表示模块j-1在本地执行，模块j在移动云计算(MCC)服务上执行；t_i,j,β→γ和t_i,j,γ→β对称，表示前后模块分别位于MEC和MCC服务器上的情形。以下公式给出了四种情况下传输延迟的计算方法：

t_i,j,β→γ＝y_i,j-1,βy_i，j，γπ_i，j，k

t_i,j,γ→β＝y_i,j-1,γy_i，j，βπ_i，j，k

其中π_i,j,k表示从基站k到云服务器的传输延迟，与基站到边界服务器的近距离相比，该延迟不可忽略。

(2)根据步骤(1)中定义的处理延迟和传输延迟构建单用户计算卸载问题；

本模型将用户应用程序模型抽象为一个包含η个模块的线性序列处理程序，如图2所示。每个模块要么选择在本地处理，要么选择卸载到边界服务器或者远端的云服务器进行计算。给定计算开销p_j(1≤j≤η)和传输开销t_j(0≤j≤η+1)的情况下，求解单用户计算卸载问题(SCOP)可得到使总运行延迟最短的卸载决策，该决策记录了每个模块应该在哪个平台上处理。以下是SCOP问题描述：

其中α+β+γ＝1，并且满足：

处理延迟p_j和模块数据量的大小和各平台CPU处理能力有关，而传输延迟t_j则受到通信环境的影响，例如信道带宽。

(3)将步骤(2)中的单用户计算卸载问题扩展为多用户计算卸载问题，该问题被建模为混合整数线性规划问题。

本模型将多用户计算卸载问题(MCOP)描述为以下混合整数线性规划问题：

s.t.

C1:α+β+γ＝1,{α,β,γ}∈{0,1}

C2:y_i,j,α+y_i,j,β+y_i,j,γ＝1,{y_i,j,α,y_i,j,β,y_i,j,γ}∈{0,1}

其中约束C1和C2保证每个模块只能在本地设备或MEC服务器或MCC服务器中的一个地方处理。约束C3确保每个用户的应用程序的所有模块都被执行。约束C4表明每个用户只能被分配一条信道。约束C5和C6反映了MEC资源是有限的，每个MEC服务器在某一时间只能处理一个计算卸载请求。与之相对，约束C7，C8体现了MCC资源不受限的特点，多用户可并行接入。

(4)设计迭代的启发式移动边界计算资源分配算法求解步骤3)中的多用户计算卸载问题。

本发明设计的迭代的启发式移动边界计算资源分配算法分为以下四个步骤。

4.1)首先，运用分支定界算法求解步骤2)中定义的单用户计算卸载问题，得到每个用户设备的初始最优应用执行延迟D_orig，输出初始卸载调度结果并记录在初始卸载决策矩阵中，此时不考虑MEC资源受限。然后统计占用MEC资源的用户设备集，记为

4.2)本步骤计算多用户调整后的执行延迟D_adj和调整后决策矩阵的计算，计算方法类似于步骤4.1)，但此时系统内没有可用的MEC资源，仅考虑本地设备和MCC服务器两者之间的选择。为了降低算法的时间复杂度，本算法仅计算集合内的用户设备

4.3)得到初始执行延迟D_orig和调整执行延迟D_adj后，本步骤根据以下公式计算每个用户的反馈函数值并得到反馈函数列表。将反馈函数列表降序排列，此时列表排在第一的用户设备在调整前后延迟增加最小，对MEC资源的依赖性最小，本算法将其作为调整目标。

F＝D_orig-D_adj

4.4)本步骤中，算法构建一个while循环通过迭代循环更新初始调度决策进行MEC资源分配直至解决所有的资源冲突问题。在每个循环里，选取反馈函数列表的第一个用户设备λ_i，用调整后的卸载调度结果更新初始卸载调度决策，即用用户λ_i对应的和D_adj值更新和D_orig值。更新完成后，算法输出经过资源分配的最终的计算卸载决策矩阵。

本发明的有益效果：本发明综合考虑了移动云计算资源丰富和移动边界计算低传输延迟的特点，将两者结合起来进行网络卸载。从单用户扩展到多用户模型时考虑了多用户间的传输干扰和资源竞争问题。设计的迭代的启发式移动边界计算资源分配算法计算复杂度为多项式级别，仿真实验证明了本方法在总的运行延迟和卸载效率等方面的高效率。本发明提供了混合云计算下的一种高效的网络卸载模型，为多用户条件下的计算资源分配问题提供了一种新的解决方案。

附图说明

图1是本发明的整体系统结构，包括三个主体，移动云计算平台，移动边界计算平台，以及用户设备。用户设备通过基站向云端服务器发送网络卸载请求。

图2为本发明中仿真实验采用的增强现实应用ARkit框架，主要分为六个模块，各模块间相对独立，前一个模块的输出作为后一个模块的输入。

图3和图4为不同数量的移动边界计算服务器和用户设备数量下本方法与其他基准算法在卸载延迟上的对比。对比突出了本方法的高效性。

图5对比了在不同的MEC服务器数量下，MEC和MCC分别负载的卸载模块数的比例的变化情况，证明了MEC和MCC的互补性和整体性。

图6基于不同模块数的应用对比了本方法与其他算法在性能上的波动情况，证明了本方法的可扩展性。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

本发明实例提供了一种基于混合云计算的网络卸载模型，该模型包括移动云计算平台，移动边界计算平台，用户设备三部分，以及一种迭代的启发式移动边界计算资源分配算法，该方法分为三步：

步骤1：设置仿真参数。

为了简化模型，本模型假设所有的用户设备和应用程序都是相同的。这个模型很容易扩展为考虑不同用户运行不同应用的情形。总频段分为10个子信道，每条信道的带宽为0.2MHz。详细信息如表1所示。

表1仿真参数设置

步骤2：定义统一的衡量标准。

本方法将设计的的启发式资源分配算法与三种基准算法相比较：基于MCC的计算卸载(MCCBO)，基于MEC的计算卸载(MECBO)和本地设备处理(ALBO)。MCCBO和MECBO表示系统内仅有MCC/MEC服务器作为计算卸载平台，ALBO表示应用的全部模块在本地执行。由于大量的仿真是基于不同数量的用户设备和MEC服务器进行的，因此有必要统一标准来衡量每种算法的性能。本模型定义平均延迟比率(ADR)来衡量算法的相对性能。

上式的分母是本文提出的IHRA算法计算的所有用户设备的最佳执行延迟。分子是更简单情况下的最佳执行延迟。对应于三种基准算法：MCCBO算法中的D_adj是在没有MEC资源的情况下考虑MCC服务器和本地设备两者的计算卸载最优情况计算得到的；与之类似，MECBO系统内没有MCC资源，应用在MEC服务器和本地设备之间选择；ALBO的D_adj为应用在本地执行的延迟。

步骤3：运用本发明设计的迭代的启发式移动边界计算资源分配算法求解得出各用户的网络卸载决策。根据2)子图集合以及输入表征的三角形图元结构，计算每一个子图的邻接矩阵W_M，具体过程见表2。

表2 IHRA算法伪代码

通过以上步骤，本方法可以以较小的时间消耗得到混合云计算下多用户的网络卸载决策。

本实验在不同的用户数量以及移动边界计算资源数量下对算法性能进行验证，如图3，图4，图5和图6所示。图3和图4验证了本系统的高效性。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种基于混合云计算的网络卸载方法，其特征在于，步骤如下：

(1)确定网络卸载模型的优化目标，给出优化目标各组成部分的定义式

网络卸载模型的优化目标为多用户总的应用程序运行延迟，包括处理延迟和传输延迟两部分；

每个应用程序子模块选择在本地处理或选择卸载到边界服务器或远端的云服务器进行计算；对应于不同的计算平台，有不同的处理能力；对于模块j，在本地处理，边界服务器处理和云服务器处理的计算时间分别记为和并且满足

网络卸载模型定义计算任务τ_i,j＝{d_i,j,c_i,j}，其中d_i,j是第i个用户的第j个模块的输入数据的大小，c_i,j是完成任务所需的CPU时钟周期；f^c分别为本地设备、移动边界服务器和云服务器的计算能力；

当计算任务τ_i,j在本地设备上处理时，本地处理延迟由如下公式计算得到：

当计算任务卸载到边界节点时，边界处理延迟计算如下：

此时，k表示第k个移动边界计算服务器，1≤k≤M；当计算任务在云端处理时，处理延迟计算如下：

M+1表示云服务器；任务τ_i,j只能被分配到三个平台之一进行处理，所以总的处理时间p_i,j为：

其中α+β+γ＝1，且满足{α,β,γ}∈{0,1}，即α，β，γ均为二元变量；

如果相邻的两个模块j和j-1在不同的平台的处理，那么两者之间的数据传输时间记为t_j；否则，该传输时间可忽略；从本地设备卸载程序到远端服务器的过程中，用户通过基站向边界节点或云节点发送输入数据而不是直接发送；由于基站建设在移动边界计算服务器附近，两者之间的传输延迟忽略；此外，输出数据的大小远小于输入数据，回程链路的时间开销也忽略；所以网络卸载模型主要研究从用户本地设备到基站的上行链路和基站至云服务器的传输延迟；

网络卸载模型定义三个二元变量y_i,j,α，y_i,j,β，y_i,j,γ，与α，β，γ类似，三个二元变量用来指示第i个用户设备上应用程序的第j个模块是否在本地执行或被卸载到远程服务器执行，值为1代表该模块在相应的平台上执行；如果用户设备i在信道n上通过基站卸载应用到远端服务器k，获取的传输速率r_i,k,n通过如下公式计算：

根据香农定理，ω为带宽，由于总带宽B被分为N个子信道，即ω＝B/N；p_i,k,n为传输功率，h_i,k,n为从用户i到服务器k传输过程中无线链路的信道损耗；分式的分母为信号与干扰加噪声比，其中ρ²为噪声功率，I_i,k,n表示子信道n上的临近用户对用户i的干扰，计算方式如下：

其中x和y分别表示用户和服务器的序列编号；a_x,y,n为二元变量，a_x,y,n＝1表示信道n被分配给用户x到服务器y进行计算任务τ_i,j的卸载，否则a_x,y,n＝0；因此，这个频段的总传输速率由全部子信道之和得到：

每项任务最多占用一条信道，即满足得到传输速率之后，计算用户i卸载模块j的传输延迟，本模型定义传输延迟如下：

t_i,j＝t_i,j,α→β+t_i,j,α→γ+t_i,j,β→γ+t_i,j,γ→β

网络卸载模型考虑传输延迟分为四种情况，箭头指示卸载过程的起点和终点平台以及卸载方向；t_i,j,α→β＝1表示应用程序第j-1个模块在本地设备执行，而第j个模块被卸载到边界节点上执行，在线性序列处理应用模型下，模块j-1的输出作为模块j的输入，网络卸载模型模型考虑从本地设备发送模块j-1的输出数据到MEC服务器作为模块j的输入数据的传输延迟；t_i,j,α→γ＝1表示模块j-1在本地执行，模块j在移动云计算服务上执行；t_i,j,β→γ和t_i,j,γ→β对称，表示前后模块分别位于MEC和MCC服务器上的情形；以下公式给出了四种情况下传输延迟的计算方法：

t_i,j,β→γ＝y_i,j-1,βy_i,j,γπ_i,j,k

t_i,j,γ→β＝y_i,j-1,γy_i,j,βπ_i,j,k

其中π_i,j,k表示从基站k到云服务器的传输延迟，与基站到边界服务器的近距离相比；

(2)根据步骤(1)中定义的处理延迟和传输延迟构建单用户计算卸载问题

网络卸载模型考将用户应用程序模型抽象为一个包含η个模块的线性序列处理程序；每个模块选择在本地处理或选择卸载到边界服务器或远端的云服务器进行计算；给定计算开销p_j(1≤j≤η)和传输开销t_j(0≤j≤η+1)的情况下，求解单用户计算卸载问题SCOP得到使总运行延迟最短的卸载决策，该决策记录了每个模块应该在哪个平台上处理，以下是SCOP问题描述：

其中α+β+γ＝1，并且满足：

处理延迟p_j和模块数据量的大小和各平台CPU处理能力有关，而传输延迟t_j则受到通信环境的影响；

(3)将步骤(2)中的单用户计算卸载问题扩展为多用户计算卸载问题，该问题被建模为混合整数线性规划问题

网络卸载模型将多用户计算卸载问题MCOP描述为以下混合整数线性规划问题：

s.t.

C1:α+β+γ＝1,{α,β,γ}∈{0,1}

C2:y_i,j,α+y_i,j,β+y_i,j,γ＝1,{y_i,j,α,y_i,j,β,y_i,j,γ}∈{0,1}

C3:

C4:

C5:

C6:

C7:

C8:

其中，约束C1和C2保证每个模块只能在本地设备或MEC服务器或MCC服务器中的一个地方处理；约束C3确保每个用户的应用程序的所有模块都被执行，约束C4表明每个用户只能被分配一条信道，约束C5和C6反映MEC资源是有限的，每个MEC服务器在某一时间只能处理一个计算卸载请求；与之相对，约束C7和C8体现MCC资源不受限的特点，多用户可并行接入；

(4)设计迭代的启发式移动边界计算资源分配算法求解步骤(3)中的多用户计算卸载问题

迭代的启发式移动边界计算资源分配算法分为以下四个步骤：

(4.1)首先，运用分支定界算法求解步骤(2)中定义的单用户计算卸载问题，得到每个用户设备的初始最优应用执行延迟D_orig，输出初始卸载调度结果并记录在初始卸载决策矩阵中，此时不考虑MEC资源受限；然后统计占用MEC资源的用户设备集，记为

(4.2)本步骤计算多用户调整后的执行延迟D_adj和调整后决策矩阵的计算，计算方法类似于步骤(4.1)，但此时系统内没有可用的MEC资源，仅考虑本地设备和MCC服务器两者之间的选择；为了降低算法的时间复杂度，本算法仅计算集合内的用户设备

(4.3)得到初始执行延迟D_orig和调整执行延迟D_adj后，本步骤根据以下公式计算每个用户的反馈函数值并得到反馈函数列表；将反馈函数列表降序排列，此时列表排在第一的用户设备在调整前后延迟增加最小，对MEC资源的依赖性最小，将其作为调整目标；

F＝D_orig-D_adj

(4.4)本步骤中，构建一个while循环通过迭代循环更新初始调度决策进行MEC资源分配直至解决所有的资源冲突问题；在每个循环里，选取反馈函数列表的第一个用户设备λ_i，用调整后的卸载调度结果更新初始卸载调度决策，即用用户λ_i对应的和D_adj值更新和D_orig值；更新完成后，输出经过资源分配的最终的计算卸载决策矩阵。