CN109240818A - 一种边缘计算网络中基于用户体验的任务卸载方法 - Google Patents

Abstract

本发明公开了一种边缘计算网络中基于用户体验的任务卸载方法，所述方法包括：调度器接收用户提交的任务卸载请求，基于时间能量开销联合优化建立任务卸载策略模型，基于线性重构的分支定界算法对所述模型进行求解计算；根据计算结果对任务是否卸载至边缘服务器进行决策，并且对卸载至边缘服务器上的任务进行通信和计算资源的分配。本发明联合优化时延和能量消耗两个关键指标，基于线性重构技术的分支定界算法对问题进行求解，能够在保证任务完成的情况下减少移动智能设备的能量消耗，降低任务处理时延，达到最大限度优化用户体验的目的。

Description

一种边缘计算网络中基于用户体验的任务卸载方法

技术领域

本发明涉及移动计算领域，具体涉及一种边缘计算网络中基于用户体验的任务卸载方法。

背景技术

近年来随着信息技术的发展，移动智能设备呈爆炸式增长的趋势，同时也刺激了许多新型应用的出现，如虚拟现实、增强现实、移动交互式游戏等等。这些新型应用的出现对移动计算领域的用户体验提出了极大的挑战，一方面移动智能设备的计算、内存、电量等能力受限。另一方面，将移动智能终端的任务卸载至云端处理常常存在不可靠的传输时延等问题。边缘计算是一种新型的分布式计算架构，旨在将计算的应用、数据和服务的控制从互联网的某些中心节点(“核心”)到转移到另一逻辑极端(“边缘”)，邻近移动智能设备以及终端用户。将移动智能设备的任务卸载至网络的边缘节点可以有效解决不可靠时延问题，同时为用户提供计算和存储能力，有效改善用户体验。影响用户体验的两个重要指标是时延和能量消耗，但是现有任务卸载方法中未能充分考虑时延和能量消耗，造成用户体验不佳。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种边缘计算网络中基于用户体验的任务卸载方法，能够在保证任务完成的情况下减少移动智能设备的能量消耗，降低任务处理时延，达到最大限度优化用户体验的目的。

本发明采用以下技术方案：

一种边缘计算网络中基于用户体验的任务卸载方法，其特征在于，所述方法包括：

S1、接收用户提交的任务卸载请求；

S2、基于时间能量开销联合优化建立任务卸载策略模型；

S3、基于线性重构的分支定界算法对所述模型进行求解计算；

S4、根据S3中的计算结果对任务是否卸载至边缘服务器进行决策，并且对所述卸载至边缘服务器上的任务进行通信和计算资源的分配。

进一步，所述步骤S2包括：

S21、根据本地执行的任务时间与卸载至边缘服务器中的任务时间延迟计算总的时间延迟T_L：

其中，i表示终端编号，i＝1，2，...，N,α_i表示任务卸载决策变量，f_i ^l为执行任务的可用CPU频率，f_i为分配给任务A_i的CPU频率，R_i表示移动智能终端i的上传速率，c_i表示任务的数据，d_i表示完成该任务的CPU要求；

S22、计算移动智能终端总的能量消耗E_N：

其中P_i ^T移动智能终端i的传输功率，P_i ^I是等待任务执行结果时的空闲功率，κ是有效开关电容系数；

S23、计算时间与能耗的总开销，计算公式如下：

其中η是权重系数，表示对时间开销和能耗开销侧重程度。

进一步，基于时间能量开销联合优化的卸载策略为使所述时间与能耗的总开销Q取得最小值时的卸载决策，需要求解问题P1：

进一步，所述问题P1的约束条件为：

(1)边缘计算网络中服务器分配给每个移动智能终端i的可用计算资源限制，不能超过边缘服务器能够提供的计算资源，表达式如下：

其中F为边缘网络中服务器的最大CPU频率；

(2)对于卸载至边缘计算网络中的任务，边缘服务器分配给所有任务的计算资源不能超过所述最大CPU频率F，表达式如下：

(3)分配给每个移动智能终端的通信资源限制如下：

其中θ_i表示分配给终端i的子信道资源量，L表示信道资源的总量；

(4)分配出去总的通信资源限制如下：

(5)任务i的卸载决策如下：

当α_i＝0时表示任务在本地执行，当α_i＝1时表示任务被卸载到边缘网络中执行，即

进一步，所述步骤S3包括：

S31、初始化：

将问题集P∈{P1，P2，P3,P4，P5}初始化为原始问题P1，初始化最优解初始化上界UB＝∞；

S32、松弛：

利用线性重构技术(Reformulation-Linearization Technique，RLT)将所述原始问题P1松弛为问题P4，利用凸优化算法求解问题P4得到最优解最优解opt^*＝(α，θ，f)，得到问题P1的下界LB₁；

S33、循环：

从所述问题集P中选择具有最低下界LB_h的问题h；

令LB＝LB_h，根据α取值和所述opt^*得到问题P1的一组可行解opt，根据α的值求解问题P5得到所述原始问题P1的一个上界UB_h，如果UB_h＜UB，令opt^*＝opt，UB＝UB_h，如果LB≥UB，输出最优解opt^*，否则将所述问题集P中满足条件LB_h≥UB的问题删除；

S34、分支：

找到到值最接近1的α_i，将问题h分为h1和h2两个子问题；

S35、定界：

求解两个子问题h1和h2的RLT松弛解，得到对应的下界LB_h1和LB_h2，将问题h从P中移除，如果LB_h1＜UB，将问题h1放入所述问题集P中，如果LB_h2＜UB，将问题h2放入所述问题集P中；

如果停止循环，输出当前最优解；

否则，进入下一个循环。

进一步，将变量α_i∈{0,1}松弛为0≤α_i≤1，引入两个微量δ₁和δ₂避免出现分母为0的错误，所述问题P1转换为问题P2：

进一步，定义两个辅助变量λ_i＝(θ_i+δ₁)^-1和μ_i＝(f_i+δ₂)^-1，所述问题P2转换为问题P3：

进一步，定义变量ξ_i＝α_i·λ_i和ψ_i＝α_iμ_i带入所述问题P3得到问题P4：

进一步，通过下述公式得到α_i的值：

当α_i的取值确定以后，带入所述问题P2的公式，得到问题P5如下：

本发明的优点和有益效果在于：

本发明从用户体验的角度出发提出了一种边缘计算场景中的任务卸载方案，设计了基于用户体验的优化目标函数，联合优化时延和能量消耗两个关键指标，然后基于线性重构技术的分支定界算法对问题进行求解，能够在保证任务完成的情况下减少移动智能设备的能量消耗，降低任务处理时延，达到最大限度优化用户体验的目的。

附图说明

图1为本发明的一种边缘计算网络中基于用户体验的任务卸载方法流程示意图；

图2为本发明的边缘计算任务卸载场景示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

设计用户体验质量驱动的任务卸载方案有两个关键问题，第一个问题是移动智能设备有限的电量，应该设计合理的卸载决策以便每个移动智能设备都能以最低的能量消耗完成其计算任务。第二个问题是由于移动用户非常重视任务的处理速度，对于实时视频分析任务，超过数十毫秒的时延将对破坏用户体验并且导致负面的反馈。在多用户的边缘计算场景下，本发明重点关注用户的服务体验，服务时延和能量消耗。联合考虑任务卸载决策，通信和计算资源的分配，提供一种基于用户体验(quality of experience)的任务卸载方法。

图1为基于用户体验的任务卸载方法流程示意图，如图所示，所述方法包括：

S1、接收用户提交的任务卸载请求；

S2、基于时间能量开销联合优化建立任务卸载策略模型；

S3、基于线性重构的分支定界算法对所述模型进行求解计算；

S4、根据S3中的计算结果对任务是否卸载至边缘服务器进行决策，并且对卸载至边缘服务器上的任务进行通信和计算资源的分配。

下面对本发明的任务卸载方法过程做进一步详细的阐述。

图2为边缘计算任务卸载场景图，多个用户所持有的移动智能终端通过无线接入点与边缘计算网络中的服务器(EC server)连接，EC服务器的计算资源和信道的通信资源是有限的。为了简化任务卸载的过程，假设任务在一次完整的卸载过程中用户的位置是相对稳定的，不考虑用户的移动性。我们假定有N个移动智能终端，用一个有限的集合表示N＝{1,2,3,…,N}。对于一个移动智能终端i，它产生的任务表示为A_i＝(d_i,c_i)，其中d_i表示任务的数据量，c_i表示完成该任务的CPU要求。一个任务根据卸载决策可以在智能终端本地执行，也可以到卸载到边缘网络的服务节点上执行。定义任务卸载决策变量α＝(α₁，α₂，...，α_N),对于任务i,当α_i＝0时表示任务在本地执行，当α_i＝1时表示任务被卸载到边缘网络中执行。

建立本地执行的时延与能耗模型过程如下：

对于一个移动智能设备i，我们定义为该设备的最大CPU频率，即该设备的最大计算能力；f_i ^l为执行任务的可用CPU频率。当α_i＝0时表示任务在本地执行，即用户选择将任务A_i交给移动设备直接执行。本地执行的时间延迟为：

任务A_i在本地执行的能量消耗为：

其中，κ是有效开关电容系数，取值的大小取决于移动智能终端的芯片架构。

建立边缘执行的时延与能耗模型过程如下：

假设子信道对于每个移动智能终端是均匀的(即不同子信道的信道增益对于移动智能终端是相同的，而对于不同终端的可以是不同的)。相应地，每子信道得到的功率也是相同的。基于以上假设移动智能终端i在每个子信道的通信速率可以通过如下得到：

其中p表示移动智能终端的传输功率，h_i表示终端i在每个子信道的信道增益。用θ_i表示分配给终端i的子信道资源量，因此移动智能终端i的上传速率为：

R_i＝r_iθ_i (4)

定义F为边缘网络中服务器的最大CPU频率，即该设备的最大计算能力；f_i分配给任务A_i的CPU频率。当任务卸载至边缘计算网络中执行时，任务的时延主要包括两个部分，将任务传输到边缘计算网络的时间延迟和该任务在边缘服务器上执行的时间延迟。因此，总的时间延迟为：

相应的，将任务卸载至边缘执行时移动智能终端的能量消耗为:

其中P_i ^T移动智能终端i的传输功率，P_i ^I是等待任务执行结果时的空闲功率。任务被卸载至边缘计算网络执行完之后，再将结果返回到移动智能终端，由于返回的计算结果数据量很小，而且移动智能终端接收数据的能耗也非常低。传输的时间和能量消耗忽略不计。

将所有任务执行的总时间开销定义为T_L，包括本地执行任务的时间和卸载至边缘网络服务器任务的时间。将所有移动智能终端的总能耗定义为E_N，包括所有移动智能终端通信和执行任务的总能量消耗。

总的时间延迟T_L为本地执行的任务时间与卸载至边缘服务器中的任务时间延迟，T_L可以表示为：

移动智能终端总的能量消耗E_N为：

时间与能耗的总开销可以表示为：

总的开销函数由时间开销和能量开销两部分构成，其中η是权重系数，表示对时间开销和能耗开销侧重程度，可以根据不同的应用场景动态调整时延和能量消耗的权重。目标函数为最小化时间和能量开销：

其中，问题P1表示整个问题的数学模型，公式(10)是目标函数，最小化时间和能量的总开销，公式(11)到公式(15)为约束条件。公式(11)表示边缘计算网络中服务器分配给每个移动智能终端i的可用计算资源限制，不能超过边缘服务器能够提供的计算资源。公式(12)表示对于卸载至边缘计算网络中的任务，边缘服务器分配给所有这些任务的计算资源不能超过最大CPU频率F。公式(13)和公式(14)表示分配给每个移动智能终端的通信资源限制以及分配出去总的通信资源限制。公式(15)表示任务i的卸载决策，即是否将该任务通过无线网络传输到边缘计算网络执行，当α_i＝0时表示任务在本地执行，当α_i＝1时表示任务被卸载到边缘网络中执行。

基于时间能量开销联合优化的卸载策略被建模成一个混合整数非线性规划(Mix-integer non-linear programming,MINLP)问题,下面将针对MINLP问题提出基于线性重构的分支定界算法。

Reformulation-Linearization Technique(RLT)是将非线性规划问题松弛为线性规划问题的一种非常有效的手段。与普通的线性松弛相比，RLT松弛之后的上下界更加紧密，好的上下界对于分支定界算法而言是至关重要的。

首先利用RLT技术将非凸的MINLP问题松弛为凸优化问题，然后将线性松弛之后问题结合到分支定界的框架中来计算原问题的解。

将变量α_i∈{0,1}松弛为0≤α_i≤1，引入两个微量δ₁和δ₂避免出现分母为0的错误，所述问题P1转换为问题P2：

通过求解问题P2，我们可以得到原问题P1的上界和下界。然后定义两个辅助变量λ_i＝(θ_i+δ₁)^-1和μ_i＝(f_i+δ₂)^-1，所述问题P2转换为问题P3：

问题P3是一个非凸的问题，因为变量是离散的，而且目标函数中有二次形式。接下来我们将定义新的变量取代二次形式。对于二次形式的α_i·λ_i，定义ξ_i＝α_i·λ_i。α_i的取值范围为0≤α_i≤1，λ_i的取值范围为然后得到新变量ξ_i的RLT边界因子乘积约束如下：

然后替换ξ_i＝α_i·λ_i，得到RLT约束：

定义ψ_i＝α_iμ_i，得到新变量ψ_i的边界因子乘积约束为：

将两个新变量代入到目标函数中，可以得到如下的凸优化问题：

问题P4的最优解是原问题P1的一个下界，通过利用凸优化求解算法可以很容易求得问题P4的最优解。然后通过如下方法得到α_i的值：

当α_i的取值确定以后，问题P2可以重新写为：

问题P5的最优解是原问题P1的一个上界。问题P4与P5都是凸优化问题，可以通过经典的凸优化算法进行求解。然后通过求解问题P4和P5，得到原问题的上界和下界，再利用分支定界算法求得原问题的最优解。

基于线性重构的分支定界算法如下：

初始化：

将问题集P初始化为原始问题P1，初始化最优解初始化上界UB＝∞；

松弛：

利用线性重构技术(Reformulation-Linearization Technique，RLT)将所述原始问题P1松弛为问题P4，利用凸优化算法求解问题P4得到最优解最优解opt^*＝(α，θ，f)，得到问题P1的下界LB1；

循环：

从所述问题集P中选择具有最低下界LB_h的问题h；

令LB＝LB_h，根据α取值和所述opt^*得到问题P1的一组可行解opt，根据α的值求解问题P5得到所述原始问题P1的一个上界UB_h，如果UB_h＜UB，令opt^*＝opt，UB＝UB_h，如果LB≥UB，输出最优解opt^*，否则将所述问题集P中满足条件LB_h≥UB的问题删除；

分支：

找到到值最接近1的α_i，将问题h分为h1和h2两个子问题；

定界：

求解两个子问题h1和h2的RLT松弛解，得到对应的下界LB_h1和LB_h2，将问题h从P中移除，如果LB_h1＜UB，将问题h1放入所述问题集P中，如果LB_h2＜UB，将问题h2放入所述问题集P中；

如果停止循环，输出当前最优解；

否则，进入下一个循环。

本发明从用户体验的角度出发提出了一种边缘计算场景中的任务卸载方案，设计了基于用户体验的优化目标函数，联合优化时延和能量消耗两个关键指标，然后基于RLT(线性重构技术)的branch-and–bound(分支定界)算法对问题进行求解，能够在保证任务完成的情况下减少移动智能设备的能量消耗，降低任务处理时延，达到最大限度优化用户体验的目的。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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 (9)

1.一种边缘计算网络中基于用户体验的任务卸载方法，其特征在于，所述方法包括：

S1、接收用户提交的任务卸载请求；

S2、基于时间能量开销联合优化建立任务卸载策略模型；

S3、基于线性重构的分支定界算法对所述模型进行求解计算；

S4、根据S3中的计算结果对任务是否卸载至边缘服务器进行决策，并且对所述卸载至边缘服务器上的任务进行通信和计算资源的分配。

2.如权利要求1所述的方法，其特征在于，所述步骤S2包括：

S21、根据本地执行的任务时间与卸载至边缘服务器中的任务时间延迟计算总的时间延迟T_L：

其中，i表示终端编号，i＝1，2，...，N,α_i表示任务卸载决策变量，f_i ^l为执行任务的可用CPU频率，f_i为分配给任务A_i的CPU频率，R_i表示移动智能终端i的上传速率，c_i表示任务的数据，d_i表示完成该任务的CPU要求；

S22、计算移动智能终端总的能量消耗E_N：

其中P_i ^T移动智能终端i的传输功率，P_i ^I是等待任务执行结果时的空闲功率，κ是有效开关电容系数；

S23、计算时间与能耗的总开销，计算公式如下：

其中η是权重系数，表示对时间开销和能耗开销侧重程度。

3.如权利要求2所述的方法，其特征在于，基于时间能量开销联合优化的卸载策略为使所述时间与能耗的总开销Q取得最小值时的卸载决策，需要求解问题P1：

4.如权利要求3所述的方法，其特征在于，所述问题P1的约束条件为：

(1)边缘计算网络中服务器分配给每个移动智能终端i的可用计算资源限制，不能超过边缘服务器能够提供的计算资源，表达式如下：

其中F为边缘网络中服务器的最大CPU频率；

(2)对于卸载至边缘计算网络中的任务，边缘服务器分配给所有任务的计算资源不能超过所述最大CPU频率F，表达式如下：

(3)分配给每个移动智能终端的通信资源限制如下：

其中θ_i表示分配给终端i的子信道资源量，L表示信道资源的总量；

(4)分配出去总的通信资源限制如下：

(5)任务i的卸载决策如下：

当α_i＝0时表示任务在本地执行，当α_i＝1时表示任务被卸载到边缘网络中执行，即α_i∈{0,1},

5.如权利要求1所述的方法，其特征在于，所述步骤S3包括：

S31、初始化：

将问题集P∈{P1，P2，P3,P4，P5}初始化为原始问题P1，初始化最优解初始化上界UB＝∞；

S32、松弛：

利用线性重构技术(Reformulation-Linearization Technique，RLT)将所述原始问题P1松弛为问题P4，利用凸优化算法求解问题P4得到最优解最优解opt^*＝(α，θ，f)，得到问题P1的下界LB₁；

S33、循环：

从所述问题集P中选择具有最低下界LB_h的问题h；

令LB＝LB_h，根据α取值和所述opt^*得到问题P1的一组可行解opt，根据α的值求解问题P5得到所述原始问题P1的一个上界UB_h，如果UB_h＜UB，令opt^*＝opt，UB＝UB_h，如果LB≥UB，输出最优解opt^*，否则将所述问题集P中满足条件LB_h≥UB的问题删除；

S34、分支：

找到值最接近1的α_i，将问题h分为h1和h2两个子问题；

S35、定界：

求解两个子问题h1和h2的RLT松弛解，得到对应的下界LB_h1和LB_h2，将问题h从P中移除，如果LB_h1＜UB，将问题h1放入所述问题集P中，如果LB_h2＜UB，将问题h2放入所述问题集P中；

如果停止循环，输出当前最优解；

否则，进入下一个循环。

6.如权利要求5所述的方法，其特征在于，将变量α_i∈{0,1}松弛为0≤α_i≤1，引入两个微量δ₁和δ₂避免出现分母为0的错误，所述问题P1转换为问题P2：

7.如权利要求6所述的方法，其特征在于，定义两个辅助变量λ_i＝(θ_i+δ₁)^-1和μ_i＝(f_i+δ₂)^-1，所述问题P2转换为问题P3：

8.如权利要求7所述的方法，其特征在于，定义变量ξ_i＝α_i·λ_i和ψ_i＝α_iμ_i带入所述问题P3得到问题P4：

9.如权利要求6所述的方法，其特征在于，通过下述公式得到α_i的值：

当α_i的取值确定以后，带入所述问题P2的公式，得到问题P5如下：