CN108809723A - 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 - Google Patents

Abstract

本发明涉及一种边缘服务器联合任务卸载及卷积神经网络层调度方法，属于无线通信技术领域。该方法包括以下步骤：S1：建模用户设备任务变量；S2：建模边缘服务器变量；S3：建模多层CNN模型；S4：建模任务总时延；S5：建模任务卸载及CNN层调度约束条件；S6：确定边缘服务器任务卸载及CNN层调度策略，实现了任务总时延最小化。本发明综合考虑用户设备拟执行任务的时延需求及边缘服务器任务处理性能，将云服务器处部署的多层CNN部署至距离用户设备更近的边缘服务器处，基于边缘服务器的服务能力调用多层CNN的部分层对用户设备的任务进行预处理，从而实现用户的服务质量提升及网络性能优化。

Description

一种边缘服务器联合任务卸载及卷积神经网络层调度方法

技术领域

本发明属于无线通信技术领域，涉及一种边缘服务器联合任务卸载及卷积神经网络层调度方法。

背景技术

随着移动互联网的快速发展和智能终端的普及，增强现实(Augment Reality，AR)、虚拟现实(Virtual Reality，VR)和移动高清视频等应用对服务质量(Quality ofService，QoS)的需求越来越高。然而，智能用户设备处理能力不足以及传统移动云计算(Mobile Cloud Computing，MCC)技术的性能局限导致网络难以满足用户短时间内处理大量数据的业务需求。针对这一问题，移动边缘计算技术应运而生，通过在距离智能用户设备较近的基站处部署边缘服务器，使用边缘服务器对用户任务进行预处理，可有效缩减用户设备需要上传至云服务器的数据量，以满足用户任务的低时延需求。

多层卷积神经网络(Convolutional Neural Network，CNN)能够学习提取数据的高级特征，提高信息处理的效率，有效缩短用于信息推理的时间，因而，在远端云服务器部署多层CNN有助于提升其数据分析的能力；而通过将远端云服务器处多层CNN模型的部分层部署至边缘服务器，对原始任务数据进行信息处理及特征提取，进而将数据量缩减后的中间数据至远端云服务器进行深度分析，可有效提升任务处理效率，降低处理时延。

目前已有研究考虑边缘服务器多层CNN的部署问题，有文献提出基于边缘服务器负载最大化的CNN层调度方案，但现有方案较少考虑时延优化问题，导致网络传输性能严重受限；此外，较少研究考虑边缘服务器与用户任务的关联策略，导致所提算法难以实现网络性能的优化。

发明内容

有鉴于此，本发明的目的在于提供一种以任务总时延为优化目标的边缘服务器联合任务卸载及CNN层调度方法，假设在用户设备的基站处部署边缘服务器，在远端云服务器训练CNN，进而将训练所得的CNN部署至边缘服务器。边缘服务器基于任务需求，服务能力及上行带宽选择使用适当层数的CNN对任务数据进行预处理后上传至云服务器，从而减少任务时延。

为达到上述目的，本发明提供如下技术方案：

一种边缘服务器联合任务卸载及卷积神经网络层调度方法，具体包括以下步骤：

S1：建模用户设备任务变量；

S2：建模边缘服务器变量；

S3：建模多层CNN模型；

S4：建模任务总时延；

S5：建模任务卸载及CNN层调度约束条件；

S6：确定边缘服务器任务卸载及CNN层调度策略，以实现任务总时延最小化。

进一步，所述步骤S1具体包括：

令T＝{T₁,…,T_i,...,T_M}表示任务集合，其中T_i表示第i个任务，1≤i≤M，M为任务总数目；令表示任务数据量的集合，表示任务T_i所需处理的数据量，P_i表示用户执行任务T_i对应的数据发送功率。

进一步，所述步骤S2具体包括：

令E＝{E₁,...,E_j,...,E_N}表示边缘服务器集合，其中E_j表示第j个边缘服务器，1≤j≤N，N为边缘服务器的数量；C_j表示第j个边缘服务器的服务能力，B_j表示第j个边缘服务器与云服务器间通信的上行带宽。

进一步，所述步骤S3具体包括：

在每个边缘服务器均部署一个CNN，记CNN_j为部署于边缘服务器E_j的CNN，K为多层CNN的总层数；令x_ij表示任务T_i卸载至边缘服务器E_j的调度决策标识，x_ij＝1表示任务T_i卸载到边缘服务器E_j进行处理，否则，x_ij＝0；令表示任务T_i经过边缘服务器E_j多层CNN的第k层处理后输入数据的缩减率；经过边缘服务器E_j的k层CNN处理后，任务T_i的输出数据量为

进一步，所述步骤S4具体包括：

建模任务总时延为其中，D_ij表示任务T_i卸载至边缘服务器E_j上进行处理对应的时延，建模为其中，

表示任务T_i传输至边缘服务器E_j上所需传输时延，建模为R_ij表示任务T_i卸载至边缘服务器E_j对应的传输速率，建模为其中B_ij表示任务T_i卸载至边缘服务器E_j所占用的传输带宽，g_ij表示任务T_i卸载到边缘服务器E_j时的信道增益，σ²表示信道噪声功率；

表示任务T_i在边缘服务器E_j上进行k层CNN数据预处理所需处理时延，建模为其中表示边缘服务器E_j上第k₀层CNN处理单位输入数据所需浮点计算次数，表示边缘服务器E_j针对卸载至其上的任务T_i的CNN层数调度决策标识，k∈[1,K]表示边缘服务器E_j调用了k层的CNN来处理任务T_i；

表示任务T_i经边缘服务器E_j上k层CNN处理后的中间数据上传至云服务器所需上行传输时延，建模为

表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延，本发明视为常数α。

进一步，所述步骤S5具体包括：

任务卸载约束条件建模为任务卸载数据传输时延约束条件建模为其中为任务T_i卸载至边缘服务器E_j时可允许最大传输时延；

CNN层调度约束条件建模为基于CNN调度层数，任务的处理时延约束条件建模为其中为任务T_i在边缘服务器E_j的最大处理时延；任务预处理后数据上传传输时延约束条件建模为其中为任务T_i经由边缘服务器E_j上传至云服务器可允许最大传输时延。

进一步，所述步骤S6具体包括：在满足任务卸载及CNN层调度约束条件的前提下，以任务总时延的最小化为目标，优化确定边缘服务器任务卸载及CNN层调度策略，即其中表示任务T_i卸载至边缘服务器E_j的最优调度决策，表示边缘服务器E_j针对卸载至其上的任务T_i的第k层CNN最优调度决策。

本发明的有益效果在于：本发明综合考虑用户设备执行任务的时延需求及边缘服务器任务处理性能，提出将云服务器处部署的多层CNN部署至距离用户设备更近的边缘服务器处，基于边缘服务器的服务能力调用多层CNN的部分层对用户设备的任务进行预处理，从而实现用户的服务质量提升及网络性能优化。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为边缘CNN架构图；

图2为本发明所述方法的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明所述的一种边缘服务器联合任务卸载及卷积神经网络(CNN)层调度方法，假设用户设备存在一定待执行任务，部署CNN的边缘服务器具有一定的任务处理能力，以满足任务卸载约束及CNN层调度约束为前提，用户将选择合适的边缘服务器进行任务卸载，同时边缘服务器可以灵活变动部署在其上的多层CNN的调用层数，平衡卸载到边缘服务器上的任务的处理时延与传输时延，实现任务总时延的最小化。建模以任务总时延为优化目标，优化确定边缘服务器任务卸载及CNN层调度策略，实现边缘服务器任务卸载及CNN层调度的联合优化。

图1为边缘CNN架构，如图1所示，网络中存在多个任务待执行的用户设备，基于任务卸载约束及CNN层调度约束，用户将选择合适的边缘服务器进行任务卸载，通过优化用户任务卸载和边缘服务器CNN层调度策略实现任务总时延的最小化。

图2为本发明所述方法的流程示意图，如图2所示，本发明所述方法具体包括以下步骤：

1)建模用户设备任务变量

令T＝{T₁,…,T_i,...,T_M}表示任务集合，其中T_i表示第i个任务，1≤i≤M，M为任务总数目；令表示任务数据量的集合，表示任务T_i所需处理的数据量，P_i表示用户执行任务T_i对应的数据发送功率。

2)建模边缘服务器变量

令E＝{E₁,...,E_j,...,E_N}表示边缘服务器集合，其中E_j表示第j个边缘服务器，1≤j≤N，N为边缘服务器的数量；C_j表示第j个边缘服务器的服务能力，B_j表示第j个边缘服务器与云服务器间通信的上行带宽。

3)建模多层CNN模型

在每个边缘服务器均部署一个CNN，记CNN_j为部署于边缘服务器E_j的CNN，K为多层CNN的总层数；令x_ij表示任务T_i卸载至边缘服务器E_j的调度决策标识，x_ij＝1表示任务T_i卸载到边缘服务器E_j进行处理，否则，x_ij＝0；令表示任务T_i经过边缘服务器E_j多层CNN的第k层处理后输入数据的缩减率；经过边缘服务器E_j的k层CNN处理后，任务T_i的输出数据量为

4)建模任务总时延

建模任务总时延为其中，D_ij表示任务T_i卸载至边缘服务器E_j上进行处理对应的时延，建模为其中，表示任务T_i传输至边缘服务器E_j上所需传输时延，建模为R_ij表示任务T_i卸载至边缘服务器E_j对应的传输速率，建模为其中B_ij表示任务T_i卸载至边缘服务器E_j所占用的传输带宽，g_ij表示任务T_i卸载到边缘服务器E_j时的信道增益，σ²表示信道噪声功率；表示任务T_i在边缘服务器E_j上进行k层CNN数据预处理所需处理时延，建模为其中表示边缘服务器E_j上第k₀层CNN处理单位输入数据所需浮点计算次数，表示边缘服务器E_j针对卸载至其上的任务T_i的CNN层数调度决策标识，k∈[1,K]表示边缘服务器E_j调用了k层的CNN来处理任务T_i；表示任务T_i经边缘服务器E_j上k层CNN处理后的中间数据上传至云服务器所需上行传输时延，建模为 表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延，本发明视为常数α。

5)建模任务卸载及CNN层调度条件

任务卸载约束条件建模为任务卸载数据传输时延约束条件建模为其中为任务T_i卸载至边缘服务器E_j时可允许最大传输时延；

CNN层调度约束条件建模为基于CNN调度层数，任务的处理时延约束条件建模为其中为任务T_i在边缘服务器E_j的最大处理时延；任务预处理后数据上传传输时延约束条件建模为其中为任务T_i经由边缘服务器E_j上传至云服务器可允许最大传输时延。

6)确定边缘服务器任务卸载及CNN层调度策略以实现任务总时延最小化

确定边缘服务器任务卸载及CNN层调度策略以实现任务总时延最小化，在满足任务卸载及CNN层调度约束条件的前提下，以任务总时延的最小化为目标，优化确定边缘服务器任务卸载及CNN层调度策略，即其中表示任务T_i卸载至边缘服务器E_j的最优调度决策，表示边缘服务器E_j针对卸载至其上的任务T_i的第k层CNN最优调度决策。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，该方法具体包括以下步骤：

S1：建模用户设备任务变量；

S2：建模边缘服务器变量；

S3：建模多层卷积神经网络(Convolutional Neural Network，CNN)模型；

S4：建模任务总时延；

S5：建模任务卸载及CNN层调度约束条件；

S6：确定边缘服务器任务卸载及CNN层调度策略，以实现任务总时延最小化。

2.根据权利要求1所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S1具体包括：

令T＝{T₁,...,T_i,...,T_M}表示任务集合，其中T_i表示第i个任务，1≤i≤M，M为任务总数目；令表示任务数据量的集合，表示任务T_i所需处理的数据量，P_i表示用户执行任务T_i对应的数据发送功率。

3.根据权利要求2所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S2具体包括：

令E＝{E₁,...,E_j,...,E_N}表示边缘服务器集合，其中E_j表示第j个边缘服务器，1≤j≤N，N为边缘服务器的数量；C_j表示第j个边缘服务器的服务能力，B_j表示第j个边缘服务器与云服务器间通信的上行带宽。

4.根据权利要求3所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S3具体包括：

在每个边缘服务器均部署一个CNN，记CNN_j为部署于边缘服务器E_j的CNN，K为多层CNN的总层数；令x_ij表示任务T_i卸载至边缘服务器E_j的调度决策标识，x_ij＝1表示任务T_i卸载到边缘服务器E_j进行处理，否则，x_ij＝0；令表示任务T_i经过边缘服务器E_j多层CNN的第k层处理后输入数据的缩减率；经过边缘服务器E_j的k层CNN处理后，任务T_i的输出数据量为

5.根据权利要求4所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S4具体包括：

建模任务总时延为其中，D_ij表示任务T_i卸载至边缘服务器E_j上进行处理对应的时延，建模为其中，

表示任务T_i传输至边缘服务器E_j上所需传输时延，建模为R_ij表示任务T_i卸载至边缘服务器E_j对应的传输速率，建模为其中B_ij表示任务T_i卸载至边缘服务器E_j所占用的传输带宽，g_ij表示任务T_i卸载到边缘服务器E_j时的信道增益，σ²表示信道噪声功率；

表示任务T_i在边缘服务器E_j上进行k层CNN数据预处理所需处理时延，建模为其中表示边缘服务器E_j上第k₀层CNN处理单位输入数据所需浮点计算次数，表示边缘服务器E_j针对卸载至其上的任务T_i的第k层CNN调度决策标识，k∈[1,K]表示边缘服务器E_j调用了k层的CNN来处理任务T_i；

表示任务T_i经边缘服务器E_j上k层CNN处理后的中间数据上传至云服务器所需上行传输时延，建模为

表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延。

6.根据权利要求5所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S5具体包括：

任务卸载约束条件建模为任务卸载数据传输时延约束条件建模为其中为任务T_i卸载至边缘服务器E_j时可允许最大传输时延；

CNN层调度约束条件建模为基于CNN调度层数，任务的处理时延约束条件建模为其中为任务T_i在边缘服务器E_j的最大处理时延；任务预处理后数据上传传输时延约束条件建模为其中为任务T_i经由边缘服务器E_j上传至云服务器可允许最大传输时延。

7.根据权利要求6所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S6具体包括：在满足任务卸载及CNN层调度约束条件的前提下，以任务总时延的最小化为目标，优化确定边缘服务器任务卸载及CNN层调度策略，即其中表示任务T_i卸载至边缘服务器E_j的最优调度决策，表示边缘服务器E_j针对卸载至其上的任务T_i的第k层CNN最优调度决策。