CN109375999A - 一种基于贝叶斯网络的mec随机任务迁移方法 - Google Patents

一种基于贝叶斯网络的mec随机任务迁移方法 Download PDF

Info

Publication number
CN109375999A
CN109375999A CN201811233301.3A CN201811233301A CN109375999A CN 109375999 A CN109375999 A CN 109375999A CN 201811233301 A CN201811233301 A CN 201811233301A CN 109375999 A CN109375999 A CN 109375999A
Authority
CN
China
Prior art keywords
task
subtask
migration
probability
bayesian network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201811233301.3A
Other languages
English (en)
Inventor
霍如
薛宁
鄂新华
刘江
黄韬
刘韵洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201811233301.3A priority Critical patent/CN109375999A/zh
Publication of CN109375999A publication Critical patent/CN109375999A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • G06F9/4862—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate
    • G06F9/4875—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate with migration policy, e.g. auction, contract negotiation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于贝叶斯网络的MEC随机任务迁移方法，包括：将应用转换为包含多个子任务的有向图,利用贝叶斯网络中对子节点的概率计算方法来计算当前子任务迁移决策的先验概率；根据概率以移动设备能耗最小化为优化目标生成一组调度策略；利用弱穷举算法对生成的调度策略进行调整，从而得出最佳的计算任务迁移策略。本发明的技术方案，解决MEC场景下的随机任务调度问题。

Description

一种基于贝叶斯网络的MEC随机任务迁移方法
技术领域
本发明属于无线网络技术，尤其涉及一种基于贝叶斯网络的MEC随机任务迁移方法。
背景技术
近年来，随着移动互联网和物联网的快速发展，对网络的时延、可靠性提出了更高的要求，而多接入边缘计算(Multi-access Edge Computing,MEC)由于其靠近用户的特性，可以为用户提供更低时延、更可靠的网络体验。在MEC场景下，用户和服务器的距离很近，数据的传输速率会很快，在处理任务时既可以利用服务器强大的计算能力又可以节省移动设备的资源消耗。因此，移动设备更倾向于向MEC服务器迁移任务而提高任务的执行性能，降低任务在移动设备上的开销。然而，移动设备如何进行任务的迁移则进一步影响用户的体验(如，时延等)以及MEC服务器负载能耗等问题。由此可见，MEC场景中设计一个合理的移动终端设备任务迁移方法既能够降低移动设备的电量消耗，又能够保证移动用户的体验质量，成为一项备受关注的研究内容。
现有针对MEC系统场景下的移动设备计算任务迁移方案为：首先利用马尔科夫决策过程构建系统模型，然后将任务缓存队列中的任务状态、本地执行单元的执行状态和传输单元的状态作为马尔科夫决策过程的状态空间，通过分析每一个任务在移动设备上的平均能耗，构建一个以能耗为约束的最小化时延的优化问题，最后利用一维搜索算法寻找其最优解，从而得到移动设备计算任务迁移的最佳策略。
现有的技术方案下，在进行任务迁移决策时，是以一个任务作为整体进行迁移决策的，但是，在真实场景中部分任务需要和移动设备进行交互而必须在本地执行，属于不可迁移的子任务，并且子任务之间是存在关联性的，并不能够进行整体迁移。因此，在目前的技术方案中，是不适用于真实的场景的。在MEC的场景下，用户的移动设备会与运营商的基站进行频繁的交互，如果采用整体迁移的方案，将丧失交互能力，这显然是不符合实际应用的。
发明内容
本发明为了解决MEC场景下的随机任务调度问题，利用贝叶斯网络的特性，提出了一个新的解决方案，设计一个单用户MEC系统中基于贝叶斯网络的随机任务迁移方法。贝叶斯网络可以通过图形化的方式对变量间的定量依赖关系进行描述，在联合概率分布中给各个变量均赋予一个特定值P，于是利用贝叶斯网络中的各个节点所对应的条件概率分布表，将所需的其他概率信息计算出来。在MEC场景下，可根据任务的各个子任务间的依赖关系可以构建出一个贝叶斯网络，利用贝叶斯网络对依赖关系的数学化描述可以清晰地表示出各个子任务之间的相互影响，这种定量数学描述可以直接转换为一组任务迁移策略。因此，本发明将应用转换为包含多个子任务的有向图,利用贝叶斯网络中对子节点的概率计算方法来计算当前子任务迁移决策的先验概率，然后根据概率以移动设备能耗最小化为优化目标生成一组调度策略，最后利用弱穷举算法对生成的调度策略进行调整，从而得出最佳的计算任务迁移策略。本发明在充分考虑了每一个子任务的情况下，作出了随机任务最终的迁移策略，即部分子任务迁移计算、部分子任务仍然在移动终端设备计算，保证了每一个不可迁移子任务都能够在本地执行以满足用户交互的需要，更加适用于真实场景，同时还实现了在一个随机任务到达时能够以常数级别的时间复杂度找到该任务的近似最优解，提高了优化效率。
为实现上述目的，本发明采用以下技术方案
一种基于贝叶斯网络的MEC随机任务迁移方法包括：
步骤1、将应用转换为包含多个子任务的有向图,利用贝叶斯网络中对子节点的概率计算方法来计算当前子任务迁移决策的先验概率；
步骤2、根据概率以移动设备能耗最小化为优化目标生成一组调度策略；
步骤3、利用弱穷举算法对生成的调度策略进行调整，从而得出最佳的计算任务迁移策略。
作为优选，随机任务迁移算法具体执行包括以下步骤：
步骤(1)当随机任务到达时，根据任务划分图构造一个贝叶斯网，每个子任务作为贝叶斯网的一个节点，根据子任务间的依赖关系构造贝叶斯网中各个节点之间的依赖关系；
步骤(2)按照子任务执行顺序，将子任务依次放入队列中；
步骤(3)取出队首子任务v；
步骤(4)判断子任务v是否为可迁移子任务，若为不可迁移子任务，则将任务v的迁移策略设定为本地移动设备执行，并直接执行步骤(8)，若为可迁移子任务，则执行步骤(5)；
步骤(5)利用贝叶斯网络，计算出任务v在本地移动设备执行的前置依赖概率和后置概率；
步骤(6)当获得任务v在本地移动设备执行的前置和后置本地执行概率后，若本地移动设备执行的前置和后置本地执行概率之和大于MEC服务器执行的前置和后置概率之和，则任务v的迁移策略为本地移动设备执行，否则任务v的迁移策略为迁移到MEC服务器执行，执行步骤(7)；
步骤(7)任务v的迁移策略为迁移到MEC服务器；
步骤(8)判断子任务队列是否为空，若为不空，则执行步骤(3)，若为空，则执行步骤(9)；
步骤(9)至此，可获得一组次优的迁移策略，然后对这组次优迁移策略执行一种弱穷举算法，即依次在这组次优迁移策略中选择一个位置，且该位置必须为可迁移任务所在位置，将其替换为相反的迁移策略；
步骤(10)最后在弱穷举算法所得的结果中选择能耗最小的迁移策略即为最终迁移策略。有益效果如下：
本发明提出了一种基于贝叶斯网络的MEC随机任务迁移方法，通过将应用转换为包含多个子任务的有向图，利用子任务间的关联关系及贝叶斯网的联合概率来生成一组最小化移动设备能耗的策略。
本发明设计了在贝叶斯网中可将不可迁移任务对可迁移任务的调度决策的影响转换为依赖前置任务的本地执行条件概率和依赖后置任务的本地执行条件概率的方法。
本发明提出了在MEC系统中针对对单个子任务调度时，利用依赖前置任务的本地执行条件概率和依赖后置任务的本地执行条件概率来进行决策的机制。
本发明提出了针对MEC系统中选择最优迁移策略时，使用弱穷举算法的方式来降低时间复杂的机制。
附图说明
图1一个任务(或应用)的细粒度子任务划分图；
图2随机任务迁移算法流程图；
图3可迁移计算任务本地执行概率计算模块流程图；
图4弱穷举算法模块流程图。
具体实施方式
本发明针对现有的MEC任务迁移问题，设计了一个基于贝叶斯网络的MEC随机任务迁移方法。首先将应用转换为包含多个子任务的有向图，从而表征应用本身子任务间的内在联系，在此基础上提出了一种基于贝叶斯网的随机任务迁移算法，利用子任务之间的依赖关系预估每一个子任务执行两种迁移决策所产生的能耗，并得出每个子任务执行两种迁移决策的先验概率，最后根据先验概率以移动设备能耗最小化为优化目标生成一组调度策略。
图1所示的是一个任务(或应用)的细粒度子任务划分图，本文将应用划分为多个独立执行的子任务，并用一个有向图G＝(V,D)来表示。图中的节点v∈V表示分割出来的子任务，图1中的边duv∈D表示任务之间的传输数据，例如：dij表示任务i执行完成后，会传输dij的数据给任务j，而任务j只有在接受到任务i执行完后传输过来的数据，才能开始执行本子任务。图中的子任务可以分成两类：一类是必须本地执行的任务，如图中的实心任务0、5表示为另一类为可迁移任务，如图中的空心任务1、2、3、4，表示为
假设移动设备配备单核CPU和一个数据传输单元，执行任务时CPU的频率为fl(HZ)，其功率为Pl(W)，空闲时CPU的功率为Pd(W)，数据传输单元发送功率为Ps(W)，发送速率为Rs，接收功率为Pr(W)，接收速率为Rr，MEC服务器执行任务时CPU的频率为fc(HZ)，wv为任务v的计算量，单位为(CPU cycles)。duv表示任务u执行完成后，会传输duv的数据给任务，单位为(bites)。
随机任务迁移算法具体执行步骤如图2所示：
(1)当随机任务到达时，根据任务划分图构造一个贝叶斯网，每个子任务作为贝叶斯网的一个节点，根据子任务间的依赖关系构造贝叶斯网中各个节点之间的依赖关系。
(2)按照子任务执行顺序，将子任务依次放入队列中。
(3)取出队首子任务v。
(4)判断子任务v是否为可迁移子任务，若为不可迁移子任务，则将任务v的迁移策略设定为本地移动设备执行，并直接执行(8)，若为可迁移子任务，则执行(5)。
(5)利用贝叶斯网络，计算出任务v在本地移动设备执行的前置依赖概率和后置概率。
(6)当获得任务v在本地移动设备执行的前置和后置本地执行概率后，若本地移动设备执行的前置和后置本地执行概率之和大于MEC服务器执行的前置和后置概率之和，则任务v的迁移策略为本地移动设备执行，否则任务v的迁移策略为迁移到MEC服务器执行，执行步骤(7)。
(7)任务v的迁移策略为迁移到MEC服务器。
(8)判断子任务队列是否为空，若为不空，则执行(3)，若为空，则执行(9)。
(9)至此，可获得一组次优的迁移策略，然后对这组次优迁移策略执行一种弱穷举算法，即依次在这组次优迁移策略中选择一个位置(该位置必须为可迁移任务所在位置)，将其替换为相反的迁移策略。
(10)最后在弱穷举算法所得的结果中选择能耗最小的迁移策略即为最终迁移策略。
本发明有两个核心模块：可迁移计算任务本地执行概率计算模块和弱穷举算法模块。
其中，可迁移计算任务本地执行概率计算模块的具体实现步骤如图3所示：
(1)将可迁移任务v的前置任务对该任务调度决策的影响置换为依赖前置任务的本地执行条件概率表，当任务v有前置任务u时，任务v的本地执行条件概率表如表1所示。
(2)将可迁移任务v的后置任务对该任务调度决策的影响置换为依赖后置任务的本地执行条件概率表，当任务u有后置任务v时，任务u的本地执行条件概率表如表2所示。
(3)根据之前两步计算出的任务本地执行条件概率表，利用联合概率计算出任务v的前置任务依赖和后置任务依赖本地移动设备执行概率。
表1任务v的条件概率表
表2任务u的条件概率表
弱穷举算法模块的具体实现步骤如图4所示：
(1)将已有迁移策略依次放入一个队列中。
(2)取出队首的迁移决策，判断该决策所决定的子任务是否为可迁移任务，若为不可迁移任务则直接判断下一个决策所决定的子任务，若为可迁移子任务，则将该决策改变为相反的决策。
(3)计算此时这组迁移策略的总能耗，将能耗值和这组策略作为一组键值对记录到集合S中。
(4)判断队列是否为空，若队列不为空，则执行(2)，若队列为空，则执行(5)。
(5)在集合S中取出能效最小的能耗值所对应的迁移策略作为最终迁移策略。

Claims (2)

1.一种基于贝叶斯网络的MEC随机任务迁移方法，其特征在于，包括：
步骤1、将应用转换为包含多个子任务的有向图,利用贝叶斯网络中对子节点的概率计算方法来计算当前子任务迁移决策的先验概率；
步骤2、根据概率以移动设备能耗最小化为优化目标生成一组调度策略；
步骤3、利用弱穷举算法对生成的调度策略进行调整，从而得出最佳的计算任务迁移策略。
2.如权利要求1所述的基于贝叶斯网络的MEC随机任务迁移方法，其特征在于，随机任务迁移算法具体执行包括以下步骤：
步骤(1)当随机任务到达时，根据任务划分图构造一个贝叶斯网，每个子任务作为贝叶斯网的一个节点，根据子任务间的依赖关系构造贝叶斯网中各个节点之间的依赖关系；
步骤(2)按照子任务执行顺序，将子任务依次放入队列中；
步骤(3)取出队首子任务v；
步骤(4)判断子任务v是否为可迁移子任务，若为不可迁移子任务，则将任务v的迁移策略设定为本地移动设备执行，并直接执行步骤(8)，若为可迁移子任务，则执行步骤(5)；
步骤(5)利用贝叶斯网络，计算出任务v在本地移动设备执行的前置依赖概率和后置概率；
步骤(6)当获得任务v在本地移动设备执行的前置和后置本地执行概率后，若本地移动设备执行的前置和后置本地执行概率之和大于MEC服务器执行的前置和后置概率之和，则任务v的迁移策略为本地移动设备执行，否则任务v的迁移策略为迁移到MEC服务器执行，执行步骤(7)；
步骤(7)任务v的迁移策略为迁移到MEC服务器；
步骤(8)判断子任务队列是否为空，若为不空，则执行步骤(3)，若为空，则执行步骤(9)；
步骤(9)至此，可获得一组次优的迁移策略，然后对这组次优迁移策略执行一种弱穷举算法，即依次在这组次优迁移策略中选择一个位置，且该位置必须为可迁移任务所在位置，将其替换为相反的迁移策略；
步骤(10)最后在弱穷举算法所得的结果中选择能耗最小的迁移策略即为最终迁移策略。
CN201811233301.3A 2018-10-23 2018-10-23 一种基于贝叶斯网络的mec随机任务迁移方法 Withdrawn CN109375999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811233301.3A CN109375999A (zh) 2018-10-23 2018-10-23 一种基于贝叶斯网络的mec随机任务迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811233301.3A CN109375999A (zh) 2018-10-23 2018-10-23 一种基于贝叶斯网络的mec随机任务迁移方法

Publications (1)

Publication Number Publication Date
CN109375999A true CN109375999A (zh) 2019-02-22

Family

ID=65400962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811233301.3A Withdrawn CN109375999A (zh) 2018-10-23 2018-10-23 一种基于贝叶斯网络的mec随机任务迁移方法

Country Status (1)

Country Link
CN (1) CN109375999A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347495A (zh) * 2019-07-24 2019-10-18 张�成 一种使用深度强化学习进行移动边缘计算的任务迁移方法
CN110413392A (zh) * 2019-07-25 2019-11-05 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN111491332A (zh) * 2020-04-20 2020-08-04 中国石油大学(北京) 动态服务迁移方法及装置
CN111667104A (zh) * 2020-05-29 2020-09-15 重庆工商大学 一种突发水质污染环境下的贝叶斯迁移学习方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131848A1 (en) * 2003-12-10 2005-06-16 Chickering David M. Scalable methods for learning bayesian networks
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN108632813A (zh) * 2018-05-21 2018-10-09 北京邮电大学 移动边缘计算的移动性管理方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131848A1 (en) * 2003-12-10 2005-06-16 Chickering David M. Scalable methods for learning bayesian networks
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN108632813A (zh) * 2018-05-21 2018-10-09 北京邮电大学 移动边缘计算的移动性管理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛定等: "基于贝叶斯网络的MEC随机任务迁移算法", 《信息通信技术》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347495A (zh) * 2019-07-24 2019-10-18 张�成 一种使用深度强化学习进行移动边缘计算的任务迁移方法
CN110347495B (zh) * 2019-07-24 2023-04-28 张�成 一种使用深度强化学习进行移动边缘计算的任务迁移方法
CN110413392A (zh) * 2019-07-25 2019-11-05 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
WO2021012584A1 (zh) * 2019-07-25 2021-01-28 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN110413392B (zh) * 2019-07-25 2022-11-29 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN111491332A (zh) * 2020-04-20 2020-08-04 中国石油大学(北京) 动态服务迁移方法及装置
CN111491332B (zh) * 2020-04-20 2021-08-27 中国石油大学(北京) 动态服务迁移方法及装置
CN111667104A (zh) * 2020-05-29 2020-09-15 重庆工商大学 一种突发水质污染环境下的贝叶斯迁移学习方法
CN111667104B (zh) * 2020-05-29 2023-08-04 重庆工商大学 一种突发水质污染环境下的贝叶斯迁移学习方法

Similar Documents

Publication Publication Date Title
Wei et al. Joint optimization of caching, computing, and radio resources for fog-enabled IoT using natural actor–critic deep reinforcement learning
Ali et al. A deep learning approach for energy efficient computational offloading in mobile edge computing
Huang et al. AoI-aware energy control and computation offloading for industrial IoT
Li et al. Collaborative cache allocation and task scheduling for data-intensive applications in edge computing environment
Zhang et al. Distributed energy management for multiuser mobile-edge computing systems with energy harvesting devices and QoS constraints
CN109375999A (zh) 一种基于贝叶斯网络的mec随机任务迁移方法
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
Wu et al. Multi-agent DRL for joint completion delay and energy consumption with queuing theory in MEC-based IIoT
Liao et al. Online computation offloading with double reinforcement learning algorithm in mobile edge computing
Shan et al. A survey on computation offloading for mobile edge computing information
Zheng et al. MEC-enabled wireless VR video service: A learning-based mixed strategy for energy-latency tradeoff
Yan et al. Data offloading enabled by heterogeneous UAVs for IoT applications under uncertain environments
Perin et al. Towards sustainable edge computing through renewable energy resources and online, distributed and predictive scheduling
Fu et al. Traffic prediction-enabled energy-efficient dynamic computing resource allocation in cran based on deep learning
Zheng et al. Learning based task offloading in digital twin empowered internet of vehicles
CN114356548A (zh) 边缘计算服务的动态扩展及放置方法和装置
Yang et al. Cooperative task offloading for mobile edge computing based on multi-agent deep reinforcement learning
Li et al. Computation offloading strategy for improved particle swarm optimization in mobile edge computing
Cui et al. Multiagent reinforcement learning-based cooperative multitype task offloading strategy for internet of vehicles in B5G/6G network
Liu et al. Computation offloading strategy for multi user mobile data streaming applications
CN112559078B (zh) 一种移动边缘计算服务器分级卸载任务方法及系统
Huang et al. Learning-aided stochastic network optimization with state prediction
Lin et al. Online learning and resource allocation for user experience improvement in mobile edge clouds
Yang et al. Reliability-optimal designs in MEC networks with finite blocklength codes and outdated CSI
Liu et al. Cache-Enabled Federated Learning Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20190222

WW01 Invention patent application withdrawn after publication