CN108924254B - 以用户为中心的分布式多用户计算任务卸载方法 - Google Patents

Abstract

本发明提供了一种以用户为中心的分布式多用户计算任务卸载方法，其特征在于，包括以下步骤：将多个雾计算计算节点统一抽象为具有服务器的接入点，接入点兼具计算和通信能力，当任一用户产生计算任务时，综合考虑其他用户的卸载决定，依据当前时隙下的卸载决定选择在本地计算或者将计算任务卸载到其他计算节点中的一个从而最小化自身开销。本发明提出了一类以用户为中心的分布式多用户间计算任务卸载方法。此类方法可以以分布式执行的方式，实现多用户间稳定、高效的计算任务卸载。本发明不但可以达到用户满意的结果，而且可以保证较好的系统整体性能(相比于系统最优的策略)。

Description

以用户为中心的分布式多用户计算任务卸载方法

技术领域

本发明涉及一种以用户为中心的分布式多用户间计算任务卸载方法，可以以分布式执行的方式实现多用户间稳定、高效的计算任务卸载，达到用户满意的结果，且可以保证较好的系统整体性能。

背景技术

随着物联网、5G通信以及人工智能的快速发展，在终端设备呈现爆发式增长的同时，大量新型应用、服务也涌现出来，比如在线游戏、超高清视频及增强现实。一方面，这些应用以及设备产生的大量各式各样的数据需要大量资源来处理；另一方面，终端设备由于物理尺寸及能量开销的限制，一般都资源有限。为了缓解该矛盾，移动云计算被提出。移动云计算允许终端设备将计算繁重的计算任务卸载到资源丰富的云端服务器。但由于云端服务器一般距离终端设备较远，加之不稳定的无线连接和匮乏的频谱资源等因素，移动云计算无法满足很多应用所必需的高可靠、低时延的要求。

因此，人们又引入了边缘计算、雾计算概念、架构。雾计算根植于物联网:一方面物联网的发展及需求瓶颈，是雾计算的必要性；另一方面，各种终端设备的普及及能力的提升，为雾计算的可能性。具体来说，这些终端设备自身具有或强或弱的存储、通信、计算以及控制能力。基于此，雾计算得以将原本只有云端具备的这些能力的下沉到网络边缘侧。雾计算允许终端设备将大量原本需要卸载到云端的计算任务卸载到周围的计算节点(专用的雾节点或空闲的终端、接入设备等)。由于大量的数据存储、计算、通信等工作放在靠近终端用户的地方完成，因此雾计算可以支持高可靠、低时延、安全性高的服务。

在雾计算中，如何将计算任务映射到各色各样的计算节点进行计算任务的卸载是研究的关键。虽然目前已有很多相关的研究工作，以各种度量为优化目标(时延、能耗或者时延、能耗的综合考虑)，但是大多数研究工作存在以下或多或少的不足：1)目前的研究工作集中在多个用户、单个计算节点或单个用户、多个计算节点这样简单的场景，针对多个用户、多个计算节点这种更加普遍但复杂的场景，目前还缺少系统的研究；2)目前的研究工作多从系统的角度出发，忽略了异构用户间所追求的性能、目标的差异。此类方法会导致用户自身利益受损，从而不遵循系统的分配结果，最终使得整个方法失效；3)目前的研究工作多为集中式的方法，不适合未来大规模、分布式的应用场景。

发明内容

本发明的目的是提供一种方法，该方法不仅适用于雾计算中多个用户、单个或多个计算节点间的计算任务卸载，同样适用于其他场景下多个用户、单个或多个计算节点间的资源分配问题。

为了达到上述目的，本发明的技术方案是提供了一种以用户为中心的分布式多用户计算任务卸载方法，其特征在于，包括以下步骤：

将多个雾计算计算节点统一抽象为具有服务器的接入点，接入点兼具计算和通信能力，当任一用户产生计算任务时，综合考虑其他用户的卸载决定，依据当前时隙下的卸载决定选择在本地计算或者将计算任务卸载到其他计算节点中的一个从而最小化自身开销。

优选地，包括N个用户及K个计算节点，K个计算节点抽象为K个接入点，则更新当前时隙下的卸载决定具体包括以下步骤：

步骤1、所有用户选择在本地计算，并利用开销函数计算本地计算所产生的开销；

步骤2、每个用户并行地向通信范围内的接入点发送导频信号，告知接入点用以计算卸载开销的必要信息；

步骤3、每个接入点利用开销函数计算并反馈向其发送导频信号的每个用户的额外开销信息，设第k个接入点接收到M个用户的导频信号，则第k个接入点向第m个用户，m＝1,2,…,M，计算并反馈的额外开销信息为除第m个用户外所有M-1个用户对第k个接入点的卸载开销所造成的额外开销的信息；

步骤4、每个用户根据反馈的额外开销信息，并行地计算在当前时隙下的最优卸载决定；

步骤5、所有最优卸载决定与当前时隙的卸载决定不一致的用户并行地向其通信范围内的某个接入点发送更新请求信息，以竞争当前时隙下更新卸载决定的机会；

步骤6、所有收到更新请求信息的接入点将请求信息汇总到一个接入点，将该接入点定义为主节点，由主节点决定可以更新卸载决定的用户，向允许更新卸载决定的用户发送允许信息，允许信息通过用户通信范围内的接入点发送给该用户；

步骤7、对于收到允许信息的用户，将其卸载决定更新为步骤4计算得到的最优卸载决定；对于没有收到允许信息或根本没有发送更新请求信息的用户，其维持当前时隙下的卸载决定不变；

步骤8、重复步骤2至步骤7直至没有接入点收到任何新的更新请求信息。

优选地，所述用户开销函数的构造方法包括以下步骤：

若用户开销函数可以分离为只和该用户卸载决定相关的部分以及只和除该用户之外的用户卸载决定相关的部分，则无需重新构造开销函数；否则，将用户的开销函数以及该用户对其他用户造成的开销影响的整体作为该用户新的开销函数。

本发明提出了一类以用户为中心的分布式多用户间计算任务卸载方法。此类方法可以以分布式执行的方式，实现多用户间稳定、高效的计算任务卸载。本发明不但可以达到用户满意的结果，而且可以保证较好的系统整体性能(相比于系统最优的策略)。

附图说明

图1为本发明的流程图；

图2为应用本发明的系统图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

在本实施例中，假设系统的优化目标为任务节点的服务时延。假设系统中有4个用户(U₁,U₂,U₃,U₄)，2个计算节点(N₁,N₂)。4个用户上产生的任务分别用以下4个两元组来表示(500KB bits，500cycles/bit)，(1M bits，500cycles/bit)，(1M bits，2000cycles/bit)，(1M bits，3000cycles/bit)。其中第一组元素表示计算任务的大小(bit)，第二组元素表示处理单位bit的数据所需要的计算能力(以CPU cycles来表征)。4个用户设备的计算能力分别为1GHz、1.2GHz、1.5GHz和1GHz。2个计算节点各自占有5MHz带宽的频带，且彼此正交；而其计算能力分别为4GHz、5GHz。

若用户选择本地计算，则时延的计算方式为:z_nγ_n/f_n，其中，z_n为计算任务大小，γ_n为处理单位bit的数据所需要的计算能力，f_n为用户设备的计算能力。则用户U₁,U₂,U₃,U₄所产生的计算任务在本地计算的时延分别为：250ms、417ms、1333ms、3000ms。

若用户选择将任务卸载到某个计算节点进行计算。在通信部分，假设用户接入计算节点的方式为TDMA方式，用户间以round-robin的方式依次使用时隙资源。为方便说明，我们假设用户与计算节点间的上行速率(单位均为Mbps)为：

则用户n与计算节点k之间的传输时延

的计算方式为：

其中，

为用户n与计算节点k之间的上行传输速率。I_{x}为指示函数，x为真，则I_{x}＝1；否则，I_{x}＝0。a_n为用户n的卸载决定。a_n＝0，表示用户n选择本地计算；a_n>0，表示用户n选择将计算任务卸载到计算节点a_n上计算。

在实际应用中，用户上行速率可以用香农公式表示为：

其中B_k为计算节点k的带宽，p_n为用户n的发射功率，

为用户n与计算节点k之间的信道增益，

为高斯信道白噪声。

而计算节点的计算资源根据计算任务计算量大小按比例分配。则用户n将计算任务卸载到计算节点k上计算时所产生的计算时延

的计算方式为：

其中f_k为计算节点k的计算能力。

因为我们没有办法将时延分解为分别只与自身卸载决定和其他用户卸载决定相关的部分，所以我们重新构造用户的开销函数c_n如下：

按照前述方案中描述的步骤，下面给出以用户为中心的分布式多用户间计算任务卸载方法具体的实施步骤，在下面步骤中，计算节点统一抽象为具有服务器的接入点，接入点兼具计算和通信能力：

步骤1、初始化：所有用户选择在本地计算，并计算本地计算所产生的开销。对于该具体实施例，用户U₁,U₂,U₃,U₄所产生的计算任务在本地计算的开销分别为：250ms、417ms、1333ms、3000ms。

步骤2、用户向计算节点发送自身信息：每个用户并行地向自己通信范围内的计算节点发送导频信号，告知计算节点卸载决定、自身计算任务大小、功率等用以计算卸载开销的必要信息。

步骤3、计算节点向用户反馈系统信息：计算节点向每一用户反馈向其发送导频信号的所有用户中除当前用户之外的所有其他用户对当前计算节点卸载开销所造成的额外开销的信息。

步骤4、用户决策：每个用户根据计算节点反馈回的反馈信息，并行地计算在当前时隙下的最优卸载决定。

在本实施例中：

对于用户U₁，其若选择计算节点N₁，则卸载开销为113ms；若选择计算节点N₂，则卸载开销为92ms。所以用户U₁的最优卸载决定为选择计算节点N₂进行计算卸载。

对于用户U₂，其若选择计算节点N₁，则卸载开销为225ms；若选择计算节点N₂，则卸载开销为167ms。所以用户U₂的最优卸载决定为选择计算节点N₂进行计算卸载。

对于用户U₃，其若选择计算节点N₁，则卸载开销为583ms；若选择计算节点N₂，则卸载开销为500ms。所以用户U₃的最优卸载决定为选择计算节点N₂进行计算卸载。

对于用户U₄，其若选择计算节点N₁，则卸载开销为790ms；若选择计算节点N₂，则卸载开销为800ms。所以用户U₄的最优卸载决定为选择计算节点N₁进行计算卸载。

步骤5、用户请求更新卸载决定：对于步骤4中最优卸载决定与当前时隙的卸载决定不一致的用户，所有这些用户并行地向其通信范围内的某一个计算节点发送更新请求信息，以竞争当前时隙下更新卸载决定的机会。

对于本实施例而言，用户U₁,U₂,U₃,U₄向计算节点发送请求更新当前卸载决定的信息，彼此竞争当前时隙下更新卸载决定的机会。

步骤6、计算节点决定更新卸载决定的用户：所有收到更新请求信息的计算节点将请求信息汇总到一个计算节点，将将计算节点定义为主节点，由主节点决定可以更新卸载决定的用户。

在本实施例中，假设主节点N₁决定可以更新卸载决定的用户为U₄。

步骤7、计算节点反馈请求被允许的信息：由主节点将允许更新卸载决定的用户信息通过该用户通信范围内的计算节点发送给该用户。

在本实施例中，主节点N₁向用户U₄发送请求被允许的信息。

步骤8、用户更新卸载决定：对于收到允许信息的用户，将其卸载决定更新为步骤4计算到的最优卸载决定；对于其他没有收到允许信息或根本没有更新请求的用户，其维持当前时隙下的卸载决定不变。

在本实施例中，用户U₄更新其卸载决定为：将计算任务卸载至计算节点N₁进行计算。

步骤9、新一轮决策

用户向计算节点发送自身信息，计算节点向用户反馈系统信息。对于用户U₁，其选择计算节点N₁、N₂的卸载开销分别为1016ms、92ms，所以用户U₁的最优卸载决定为选择计算节点N₂进行计算卸载。对于用户U₂，其选择计算节点N₁、N₂的卸载开销分别为1240ms、167ms，所以用户U₂的最优卸载决定为选择计算节点N₂进行计算卸载。对于用户U₃，其其选择计算节点N₁、N₂的卸载开销分别为1956ms、500ms，所以用户U₃的最优卸载决定为选择计算节点N₂进行计算卸载。对于用户U₄，其选择计算节点N₁、N₂的卸载开销分别为790ms、800ms，所以用户U₄的最优卸载决定仍然为选择计算节点N₁进行计算卸载。用户U₁,U₂,U₃向计算节点发送请求更新当前卸载决定的信息。假设主节点N₁决定可以更新卸载决定的用户为U₁，则用户U₁更新其卸载决定为：将计算任务卸载至计算节点N₂进行计算。

步骤10、新一轮决策

用户向计算节点发送自身信息，算节点向用户反馈系统信息。对于用户U₁，其选择计算节点N₁、N₂的卸载开销分别为1016ms、92ms，所以用户U₁的最优卸载决定仍然为选择计算节点N₂进行计算卸载。对于用户U₂，其选择计算节点N₁、N₂的卸载开销分别为1240ms、426ms，所以用户U₂的最优卸载决定为选择计算节点N₂进行计算卸载。对于用户U₃，其其选择计算节点N₁、N₂的卸载开销分别为1956ms、1092ms，所以用户U₃的最优卸载决定为选择计算节点N₂进行计算卸载。对于用户U₄，其选择计算节点N₁、N₂的卸载开销分别为790ms、1692ms，所以用户U₄的最优卸载决定仍然为选择计算节点N₁进行计算卸载。用户U₂,U₃向计算节点发送请求更新当前卸载决定的信息。假设主节点N₁决定可以更新卸载决定的用户为U₂，则用户U₂更新其卸载决定为：将计算任务卸载至计算节点N₂进行计算。

步骤11、新一轮的决策

用户向计算节点发送自身信息，算节点向用户反馈系统信息。对于用户U₁，其选择计算节点N₁、N₂的卸载开销分别为1016ms、351ms，所以用户U₁的最优卸载决定仍然为选择计算节点N₂进行计算卸载。对于用户U₂，其选择计算节点N₁、N₂的卸载开销分别为1240ms、426ms，所以用户U₂的最优卸载决定仍然为选择计算节点N₂进行计算卸载。对于用户U₃，其选择计算节点N₁、N₂的卸载开销分别为1956ms、1259ms，所以用户U₃的最优卸载决定为选择计算节点N₂进行计算卸载。对于用户U₄，其选择计算节点N₁、N₂的卸载开销分别为790ms、1859ms，所以用户U₄的最优卸载决定仍然为选择计算节点N₁进行计算卸载。用户U₃向计算节点发送请求更新当前卸载决定的信息。假设主节点N₁决定可以更新卸载决定的用户为U₃，则用户U₃更新其卸载决定为：将计算任务卸载至计算节点N₂进行计算。

步骤12、算法结束，输出结果。

用户向计算节点发送自身信息，算节点向用户反馈系统信息。对于用户U₁，其选择计算节点N₁、N₂的卸载开销分别为1016ms、943ms，所以用户U₁的最优卸载决定仍然为选择计算节点N₂进行计算卸载。对于用户U₂，其选择计算节点N₁、N₂的卸载开销分别为1240ms、1093ms，所以用户U₂的最优卸载决定仍然为选择计算节点N₂进行计算卸载。对于用户U₃，其选择计算节点N₁、N₂的卸载开销分别为1956ms、1759ms，所以用户U₃的最优卸载决定仍然为选择计算节点N₂进行计算卸载。对于用户U₄，其选择计算节点N₁、N₂的卸载开销分别为790ms、3959ms，所以用户U₄的最优卸载决定仍然为选择计算节点N₁进行计算卸载。因此没有用户会向计算节点发送请求信息，算法结束，输出结果：用户U₁,U₂,U₃选择将计算任务卸载到计算节点N₂，而用户U₄选择将计算任务卸载到计算节点N₁。

Claims (2)

1.一种以用户为中心的分布式多用户计算任务卸载方法，其特征在于，包括以下步骤：

将多个雾计算计算节点统一抽象为具有服务器的接入点，接入点兼具计算和通信能力，当任一用户产生计算任务时，综合考虑其他用户的卸载决定，依据当前时隙下的卸载决定选择在本地计算或者将计算任务卸载到其他计算节点中的一个从而最小化自身开销；

包括N个用户及K个计算节点，K个计算节点抽象为K个接入点，则更新当前时隙下的卸载决定具体包括以下步骤：

步骤1、所有用户选择在本地计算，并利用开销函数计算本地计算所产生的开销；

步骤2、每个用户并行地向通信范围内的接入点发送导频信号，告知接入点用以计算卸载开销的必要信息；

步骤3、每个接入点利用开销函数计算并反馈向其发送导频信号的每个用户的额外开销信息，设第k个接入点接收到M个用户的导频信号，则第k个接入点向第m个用户，m＝1,2,…,M，计算并反馈的额外开销信息为除第m个用户外所有M-1个用户对第k个接入点的卸载开销所造成的额外开销的信息；

步骤4、每个用户根据反馈的额外开销信息，并行地计算在当前时隙下的最优卸载决定；

步骤5、所有最优卸载决定与当前时隙的卸载决定不一致的用户并行地向其通信范围内的某个接入点发送更新请求信息，以竞争当前时隙下更新卸载决定的机会；

步骤6、所有收到更新请求信息的接入点将请求信息汇总到一个接入点，将该接入点定义为主节点，由主节点决定可以更新卸载决定的用户，向允许更新卸载决定的用户发送允许信息，允许信息通过用户通信范围内的接入点发送给该用户；

步骤7、对于收到允许信息的用户，将其卸载决定更新为步骤4计算得到的最优卸载决定；对于没有收到允许信息或根本没有发送更新请求信息的用户，其维持当前时隙下的卸载决定不变；

步骤8、重复步骤2至步骤7直至没有接入点收到任何新的更新请求信息。

2.如权利要求1所述的一种以用户为中心的分布式多用户计算任务卸载方法，其特征在于，所述用户开销函数的构造方法包括以下步骤：

若用户开销函数可以分离为只和该用户卸载决定相关的部分以及只和除该用户之外的用户卸载决定相关的部分，则无需重新构造开销函数；否则，将用户的开销函数以及该用户对其他用户造成的开销影响的整体作为该用户新的开销函数。

Images