CN109714382B - 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 - Google Patents

一种非平衡边缘云mec系统的多用户多任务迁移决策方法 Download PDF

Info

Publication number
CN109714382B
CN109714382B CN201811087295.5A CN201811087295A CN109714382B CN 109714382 B CN109714382 B CN 109714382B CN 201811087295 A CN201811087295 A CN 201811087295A CN 109714382 B CN109714382 B CN 109714382B
Authority
CN
China
Prior art keywords
task
edge cloud
migration
cloud server
base station
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.)
Active
Application number
CN201811087295.5A
Other languages
English (en)
Other versions
CN109714382A (zh
Inventor
刘康
汤玮
刘璐
刘旭
石际
袁汉云
李赟
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201811087295.5A priority Critical patent/CN109714382B/zh
Publication of CN109714382A publication Critical patent/CN109714382A/zh
Application granted granted Critical
Publication of CN109714382B publication Critical patent/CN109714382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种非平衡边缘云MEC系统的多用户多任务迁移决策方法，属于无线通信领域。该方法针对非平衡边缘云MEC系统，多个用户经多个基站共享多个边缘云服务器的计算资源，每个用户有多个计算密集型或时延敏感型任务需要迁移处理，公开一种多用户多任务迁移决策方法，该方法采用传输时延‑能量消耗‑接入成本折中量化任务迁移的用户体验，并作为迁移决策的优化目标，基于最小化所有用户迁移成本和的迁移决策能提高资源利用效率；基于最小化每个用户最大迁移成本的迁移决策能保证用户间公平性。

Description

一种非平衡边缘云MEC系统的多用户多任务迁移决策方法
技术领域
本发明涉及一种非平衡边缘云MEC系统的多用户多任务迁移决策方法，属于无线通信领 域。
背景技术
移动边缘计算(mobile edge computing,MEC)通过在网络入口部署边缘云服务器(edge cloud server,ECS)，为用户提供高可靠、低时延的计算与通信服务，旨在解 决业务时延敏感或计算密集但终端处理能力受限、云计算资源丰富但接入能力受限以及 移动宽带业务显著增长但承载网络管道化等矛盾。MEC推动了工业物联网、智能网联与 车联网等要求提供实时高可靠服务的发展，但由于多用户多任务竞争通信与计算资源， 用户体验依赖于合理的迁移决策。
目前主流的MEC系统均采用平衡部署边缘云服务器，而在实际应用中，考虑到业务时空分布不均匀和ECS成本，非平衡边缘云部署是更好选择，即多个基站共享多个ECS。 但会出现一系列新问题：首先，由于共享ECS和基站互耦，迁移决策更复杂。其次，优 化目标对迁移决策有重要影响，典型的优化目标有传输时延、能耗或时延-能耗折中，忽 略了ECS访问时延和资源占用带来的接入成本。最后，针对多用户多任务迁移，优化目 标通常选择最小化迁移成本和，若某个用户全部任务迁移性能均较好，而其他用户任务 迁移性能较差，可能出现该用户的任务全部迁移，而其他用户的任务无法迁移，导致用 户间不公平。
发明内容
有鉴于此，本发明的目的是提供一种非平衡边缘云MEC系统的多用户多任务迁移决策方 法。针对非平衡边缘云MEC系统，多个用户经多个基站接入共享多个边缘云服务器的计算资 源，每个用户有多个计算密集型或时延敏感型任务需要迁移处理，本发明提供一种多用户多 任务迁移决策方法，该方法采用任务迁移到基站的传输时延、能耗和边缘云服务器的接入成 本的加权和，即传输时延-能量消耗-接入成本折中作为迁移成本，量化任务迁移的用户体验， 并作为迁移决策的优化目标，基于最小化所有用户迁移成本和的迁移决策能提高资源利用效 率；基于最小化每个用户最大迁移成本的迁移决策能保证用户间公平。
本发明的目的是通过以下技术方案实现的：
一种非平衡边缘云MEC(Mobile Edge Computing,MEC)系统的多用户多任务迁移决策 方法，所述非平衡边缘云MEC系统包括A个移动用户(MU)、B个基站(BS)和C个边缘 云服务器(ECS)，分别记为A＝{a1,...,aA},B＝{b1,...,bB},C＝{c1,...,cC}，所述移动用户i∈A有 多个计算密集型或时延敏感型任务需要迁移到所述边缘云服务器中处理，任务集记为 Si＝{si,1,...,si,Si}，任务si,k所需计算资源为ri,k,i∈A,k∈Si，所述基站m∈B不配置独立边缘云 服务器，而是通过回程共享多个边缘云服务器，任务si,k迁移到基站m的传输时延和能量消耗 分别记为ti,k,m和ei,k,m，即使不同移动用户接入同一基站，由于信道条件差异，其传输时延和 能量消耗也不同，基站m拥有的连接数为Qm，所述边缘云服务器n∈C的接入成本取决于对 该边缘云服务器的访问时间和计算资源占用，即不同基站有不同的边缘云服务器接入成本， 基站m接入边缘云服务器n的接入成本记为δm,n,m∈B,n∈C，边缘云服务器n的计算资源为 Rn，迁移决策xi,k,m,n涉及基站和边缘云服务器选择，xi,k,m,n＝1表示任务si,k通过基站m迁移到 边缘云服务器n中处理，否则，xi,k,m,n＝0，任选一台边缘云服务器作为虚拟决策中心(VDC)， 运行迁移决策算法，所述虚拟决策中心首先收集任务迁移计算资源需求、接入不同基站的传 输时延和能量消耗、边缘云服务器的接入成本、基站的连接约束和边缘云服务器的可用计算 资源等信息，然后运行迁移决策算法，将结果反馈给移动用户，任务si,k的迁移成本用任务迁 移到基站的传输时延、能量消耗和边缘云服务器的接入成本的加权和，即传输时延-能量消耗 -接入成本折中表征：
Figure BDA0001803469420000021
其中，πi,k,m,n＝(αiti,k,m+βiei,k,m+γiδm,n)，αi,βi,γi分别表示任务迁移到基站的传输时延、能量 消耗和边缘云服务器的接入成本权重，反映移动用户i的任务迁移对相应开销的偏好。
进一步，所述决策方法为分别建立基于最小化所有移动用户迁移成本和的迁移决策优化 模型OP1和基于最小化每个移动用户最大迁移成本的迁移决策优化模型OP2：
Figure BDA0001803469420000022
Figure BDA0001803469420000023
其中，权重ηi体现移动用户之间的公平性，ηi取值越大，表示移动用户i的迁移成本越小，约 束条件：
Figure BDA0001803469420000031
其中，(a)表示选择边缘云服务器的所有移动用户所需的计算资源和不超过该边缘云服务器能 提供的计算资源；(b)表示接入基站的移动用户数不超过该基站能提供的连接数；(c)表示任 意任务最多经由一个基站迁移到一个边缘云服务器。
进一步，针对所述基于最小化所有移动用户迁移成本和的迁移决策优化模型OP1采用级 联贪婪迭代算法(CGIA)求解：虚拟决策中心(VDC)首先收集或更新未迁移任务的候选基 站集合、边缘云服务器集合和各边缘云服务器的接入成本；然后执行内贪婪迭代算法(IGIA) 搜索每个未迁移任务的最优迁移路径；接着执行外贪婪迭代算法(OGIA)选择迁移成本最小 的任务，并依据最优迁移路径迁移；最后更新剩余通信资源、计算资源和未迁移任务集，由 以下步骤组成：
步骤11、信息采集：
第l次迭代后，针对迁移任务非空用户集
Figure RE-GDA0002004221330000032
中移动用户i的未迁移任务集
Figure RE-GDA0002004221330000033
收集任 务
Figure RE-GDA0002004221330000034
的候选基站集合
Figure RE-GDA0002004221330000035
候选边缘云服务器集合
Figure RE-GDA0002004221330000036
和各边缘云服务器的接入成本集合
Figure RE-GDA0002004221330000037
Qm(l)为基站m能提供的连接数；Rn(l)为边缘云服务器n能提供的计算资源；
步骤12、执行IGIA算法搜索最优迁移路径：
步骤12.1、根据各边缘云服务器的接入成本Δi,k(l)搜索任务
Figure RE-GDA0002004221330000038
经由基站m∈B迁 移的最优边缘云服务器
Figure RE-GDA0002004221330000039
Figure RE-GDA00020042213300000310
步骤12.2、根据传输时延-能量消耗-接入成本折中πi,k,m,n和最优边缘云服务器
Figure RE-GDA00020042213300000311
搜索 任务
Figure RE-GDA00020042213300000312
接入的最优基站
Figure RE-GDA00020042213300000313
Figure RE-GDA00020042213300000314
步骤12.3、更新：
Figure RE-GDA0002004221330000041
步骤12.4、输出任务
Figure RE-GDA0002004221330000042
的最佳迁移路径
Figure RE-GDA0002004221330000043
步骤13、执行OGIA算法选择并迁移任务：
步骤13.1、根据最小传输时延-能量消耗-接入成本折中
Figure RE-GDA0002004221330000044
搜索未迁移任务集
Figure RE-GDA0002004221330000045
中具 有最小传输时延-能量消耗-接入成本折中的任务：
Figure RE-GDA0002004221330000046
步骤13.2、更新：
Figure RE-GDA0002004221330000047
步骤13.3、根据
Figure RE-GDA0002004221330000048
搜索迁移任务非空用户集
Figure RE-GDA0002004221330000049
中具有最小传输时延-能量消耗-接入成 本折中的移动用户：
Figure RE-GDA00020042213300000410
步骤13.4、更新
Figure RE-GDA00020042213300000411
执行任务迁移， 即将移动用户i*的任务k*经基站m*迁移至边缘云服务器n*中计算处理，其传输时延-能量消 耗-接入成本折中为π*，占用边缘云服务器的计算资源为
Figure RE-GDA00020042213300000412
步骤13.5、更新基站m*剩余连接数、边缘云服务器n*剩余计算资源、移动用户i*剩余 未迁移任务集和剩余迁移任务非空用户集：
Figure RE-GDA00020042213300000413
其余基站m≠m*的连接数和边缘云服务器n≠n*的计算资源不变；
步骤13.6、若Qm(l)＜1,
Figure RE-GDA00020042213300000414
或
Figure RE-GDA00020042213300000415
或
Figure RE-GDA00020042213300000416
算法结束； 否则l＝l+1，跳转至步骤12；
步骤13.7、算法结束。
进一步，针对所述基于最小化每个移动用户最大迁移成本的迁移决策优化模型OP2采用 基于公平的贪婪算法(FGIA)求解：VDC首先收集基站连接数、边缘云服务器计算资源、 任务迁移到基站的传输时延和能量消耗、边缘云服务器的接入成本等；然后计算迁移任务非 空用户集中移动用户的优先度，根据移动用户的优先度值选择移动用户并收集该用户的候选 资源集合；其次执行内贪婪迭代算法(IGIA)搜索每个未迁移任务的最优迁移路径；接着执 行外贪婪迭代算法(OGIA)选择迁移成本最小的任务，并依据最优迁移路径迁移；最后更新 剩余通信资源、计算资源和未迁移任务集，由以下步骤组成：
步骤21、信息采集：
第l次迭代后，收集迁移任务非空用户集
Figure RE-GDA0002004221330000051
移动用户
Figure RE-GDA0002004221330000052
的已迁移任务集
Figure RE-GDA0002004221330000053
和 未迁移任务集
Figure RE-GDA0002004221330000054
基站m能提供的连接数Qm(l)、边缘云服务器n能提供的计算资源Rn(l)， 任务
Figure RE-GDA0002004221330000055
迁移到基站m的传输时延和能耗ti,k,m,ei,k,m以及基站m接入边缘云服务器n的 接入成本δm,n；
步骤22、选择调度用户：
步骤22.1、计算移动用户
Figure RE-GDA0002004221330000056
的优先度为：
Figure RE-GDA0002004221330000057
其中，
Figure RE-GDA0002004221330000058
步骤22.2、根据各移动用户的优先度pi(l),
Figure RE-GDA0002004221330000059
搜索迁移任务非空用户集
Figure RE-GDA00020042213300000510
中具有最 小优先度值的移动用户：
Figure 1
步骤23、收集调度用户
Figure 2
的候选资源集合：
收集调度用户
Figure 3
的未迁移任务集
Figure RE-GDA00020042213300000514
中任务
Figure RE-GDA00020042213300000515
的候选基站集合
Figure RE-GDA00020042213300000516
候选边缘云服务器集合
Figure RE-GDA00020042213300000517
和各边缘 云服务器的接入成本集合
Figure RE-GDA00020042213300000518
步骤24、执行IGIA算法搜索最优迁移路径：
步骤24.1、根据各边缘云服务器的接入成本Δi,k(l)搜索任务
Figure RE-GDA00020042213300000519
经由基站m∈B迁 移的最优边缘云服务器
Figure RE-GDA00020042213300000520
Figure RE-GDA00020042213300000521
步骤24.2、根据传输时延-能量消耗-接入成本折中πi,k,m,n和最优边缘云服务器
Figure RE-GDA00020042213300000522
搜索 任务
Figure RE-GDA00020042213300000523
接入的最优基站
Figure RE-GDA00020042213300000524
Figure RE-GDA00020042213300000525
步骤24.3、更新：
Figure RE-GDA0002004221330000061
步骤24.4、输出任务
Figure RE-GDA0002004221330000062
的最佳迁移路径
Figure RE-GDA0002004221330000063
步骤25、执行OGIA算法选择并迁移任务：
步骤25.1、根据最小传输时延-能量消耗-接入成本折中
Figure RE-GDA0002004221330000064
搜索未迁移任务集
Figure RE-GDA0002004221330000065
中具 有最小传输时延-能量消耗-接入成本折中的任务：
Figure RE-GDA0002004221330000066
步骤25.2、更新：
Figure RE-GDA0002004221330000067
步骤25.3、更新
Figure RE-GDA0002004221330000068
执行任务迁移， 即将移动用户i*的任务k*经基站m*迁移至边缘云服务器n*中计算处理，其传输时延-能量消 耗-接入成本折中为π*，占用边缘云服务器的计算资源为
Figure RE-GDA0002004221330000069
步骤25.4、更新基站m*剩余连接数、边缘云服务器n*剩余计算资源、移动用户i*剩余 未迁移任务集和剩余迁移任务非空用户集：
Figure RE-GDA00020042213300000610
其余基站m≠m*的连接数，边缘云服务器n≠n*的计算资源不变；
步骤25.5、若Qm(l)＜1,
Figure RE-GDA00020042213300000611
或
Figure RE-GDA00020042213300000612
或
Figure RE-GDA00020042213300000613
算法结束； 否则l＝l+1，跳转至步骤22；
步骤25.6、算法结束。
本发明的有益效果是：
(1)在基于非平衡部署ECS的MEC系统中，多个基站不直接与ECS连接，而是通 过多跳/单跳回程接入多个ECS，相比于平衡部署ECS，该架构既能适应业务时空分布不 均匀，又能降低ECS成本；
(2)考虑虚拟运营商与云服务商之间不同服务水平协议(SLA)，采用任务迁移到基站的传输时延、能量消耗和边缘云服务器的接入成本的加权和，即传输时延-能量消耗 -接入成本折中作为迁移成本，能更精准量化任务迁移的用户体验；
(3)基于最小化所有用户迁移成本和的迁移决策能提高资源利用效率，基于最小化每个用户最大迁移成本的迁移决策能保证用户间公平。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且 在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一 步的详细描述，其中：
图1是本发明中非平衡边缘云MEC系统模型示意图；
图2是本发明中基于最小化所有用户迁移成本和的迁移决策算法流程图；
图3是本发明中基于最小化每个用户最大迁移成本的迁移决策算法流程图；
图4是本发明中不同算法的迁移成本随计算资源需求变化对比曲线；
图5是本发明中不同算法的公平性随计算资源需求变化对比曲线；
图6是本发明中CGIA和FGIA下迁移成本随任务数变化对比曲线；
图7是本发明中CGIA和FGIA下公平性随任务数变化对比曲线；
图8是本发明中CGIA和FGIA下任务迁移率随用户数变化对比曲线。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
附图1所示的非平衡边缘云MEC系统包括A个移动用户、B个基站和C个边缘云服务器，分别记为A＝{a1,...,aA},B＝{b1,...,bB},C＝{c1,...,cC}，移动用户i∈A有Si＝{si,1,...,si,Si}个计 算密集型或时延敏感型任务需要迁移到边缘云服务器处理，其中，任务si,k所需的计算资源为 ri,k,i∈A,k∈Si，基站m∈B不配置独立边缘云服务器，而是通过回程共享多个边缘云服务器， 任务si,k迁移到基站m的传输时延和能量消耗分别记为ti,k,m和ei,k,m，即使不同移动用户接入同 一基站，由于信道条件差异，其传输时延和能量消耗也不同，基站m拥有的连接数为Qm，边 缘云服务器n∈C的接入成本取决于对该边缘云服务器的访问时间和计算资源占用，即不同基 站有不同的边缘云服务器接入成本，基站m接入边缘云服务器n的接入成本记为 δm,n,m∈B,n∈C，边缘云服务器n的计算资源为Rn，迁移决策xi,k,m,n涉及基站和边缘云服务 器选择，xi,k,m,n＝1表示任务si,k通过基站m迁移到边缘云服务器n中处理，否则，xi,k,m,n＝0， 任选一台边缘云服务器作为虚拟决策中心(VDC)，运行迁移决策算法，VDC首先收集任务 迁移计算资源需求、接入不同基站的传输时延和能量消耗、边缘云服务器的接入成本、基站 的连接约束和边缘云服务器的可用计算资源等信息，然后运行迁移决策算法，将结果反馈给 移动用户，任务si,k的迁移成本用任务迁移到基站的传输时延、能量消耗和边缘云服务器的接 入成本的加权和，即传输时延-能量消耗-接入成本折中表征：
Figure BDA0001803469420000081
其中，πi,k,m,n＝(αiti,k,m+βiei,k,m+γiδm,n)，αi,βi,γi分别表示任务迁移到基站的传输时延、能量 消耗和边缘云服务器的接入成本权重，反映移动用户i的任务迁移对相应开销的偏好。本实施 例中设置A∈[20,50],B∈[3,7],C∈[2,4]，基站连接数和边缘云服务器计算资源Qm＝10， Rn＝20个计算单位，用户任务数Si∈[2,10]，所需计算资源ri,k＝[2,10]，ti,k,m＝[2,6],ei,k,m＝[2,6],δm,n∈[1,6],m∈B,n∈C；i∈A,k∈Si以及 αi＝0.5,βi＝0.3,γi＝0.2,ηi＝3；i∈A。
分别建立基于最小化所有移动用户迁移成本和的迁移决策优化模型OP1和基于最小化每 个移动用户最大迁移成本的迁移决策优化模型OP2：
Figure BDA0001803469420000082
Figure BDA0001803469420000083
其中，权重ηi体现移动用户之间的公平性，ηi取值越大，表示移动用户i的迁移成本越小，约 束条件：
Figure BDA0001803469420000084
其中，(a)表示选择边缘云服务器的所有移动用户所需的计算资源和不超过该边缘云服务器能 提供的计算资源；(b)表示接入基站的移动用户数不超过该基站能提供的连接数；(c)表示任 意任务最多经由一个基站迁移到一个边缘云服务器。
基于最小化所有用户迁移成本和的迁移决策算法流程如附图2所示，采用级联贪婪迭代 算法(CGIA)求解：虚拟决策中心(VDC)首先收集或更新未迁移任务的候选基站集合、边 缘云服务器集合和各边缘云服务器的接入成本；然后执行内贪婪迭代算法(IGIA)搜索每个 未迁移任务的最优迁移路径；接着执行外贪婪迭代算法(OGIA)选择迁移成本最小的任务， 并依据最优迁移路径迁移；最后更新剩余通信资源、计算资源和未迁移任务集，由以下步骤 组成：
步骤11、信息采集：
第l次迭代后，针对迁移任务非空用户集
Figure RE-GDA0002004221330000091
中移动用户i的未迁移任务集
Figure RE-GDA0002004221330000092
收集任 务
Figure RE-GDA0002004221330000093
的候选基站集合
Figure RE-GDA0002004221330000094
候选边缘云服务器集合
Figure RE-GDA0002004221330000095
和各边缘云服务器的接入成本集合
Figure RE-GDA0002004221330000096
Qm(l)为基站m能提供的连接数；Rn(l)为边缘云服务器n能提供的计算资源；
步骤12、执行IGIA算法搜索最优迁移路径：
步骤12.1、根据各边缘云服务器的接入成本Δi,k(l)搜索任务
Figure RE-GDA0002004221330000097
经由基站m∈B迁 移的最优边缘云服务器
Figure RE-GDA0002004221330000098
Figure RE-GDA0002004221330000099
步骤12.2、根据传输时延-能量消耗-接入成本折中πi,k,m,n和最优边缘云服务器
Figure RE-GDA00020042213300000910
搜索 任务
Figure RE-GDA00020042213300000911
接入的最优基站
Figure RE-GDA00020042213300000912
Figure RE-GDA00020042213300000913
步骤12.3、更新：
Figure RE-GDA00020042213300000914
步骤12.4、输出任务
Figure RE-GDA00020042213300000915
的最佳迁移路径
Figure RE-GDA00020042213300000916
步骤13、执行OGIA算法选择并迁移任务：
步骤13.1、根据最小传输时延-能量消耗-接入成本折中
Figure RE-GDA00020042213300000917
搜索未迁移任务集
Figure RE-GDA00020042213300000918
中具 有最小传输时延-能量消耗-接入成本折中的任务：
Figure RE-GDA00020042213300000919
步骤13.2、更新：
Figure RE-GDA00020042213300000920
步骤13.3、根据
Figure RE-GDA00020042213300000921
搜索迁移任务非空用户集
Figure RE-GDA00020042213300000922
中具有最小传输时延-能量消耗-接入成 本折中的移动用户：
Figure RE-GDA00020042213300000923
步骤13.4、更新
Figure RE-GDA00020042213300000924
执行任务迁移， 即将移动用户i*的任务k*经基站m*迁移至边缘云服务器n*中计算处理，其传输时延-能量消 耗-接入成本折中为π*，占用边缘云服务器的计算资源为
Figure RE-GDA0002004221330000101
步骤13.5、更新基站m*剩余连接数、边缘云服务器n*剩余计算资源、移动用户i*剩余 未迁移任务集和剩余迁移任务非空用户集：
Figure RE-GDA0002004221330000102
其余基站m≠m*的连接数和边缘云服务器n≠n*的计算资源不变；
步骤13.6、若Qm(l)＜1,
Figure RE-GDA0002004221330000103
或
Figure RE-GDA0002004221330000104
或
Figure RE-GDA0002004221330000105
算法结束； 否则l＝l+1，跳转至步骤12；
步骤13.7、算法结束。
基于最小化每个用户最大迁移成本的迁移决策算法流程如附图3所示，采用基于公平的 贪婪算法(FGIA)求解：虚拟决策中心首先收集基站连接数、边缘云服务器计算资源、任务 迁移到基站的传输时延和能量消耗、边缘云服务器的接入成本等；然后计算迁移任务非空用 户集中移动用户的优先度，根据移动用户的优先度值选择移动用户并收集该用户的候选资源 集合；其次执行内贪婪迭代算法搜索每个未迁移任务的最优迁移路径；接着执行外贪婪迭代 算法选择迁移成本最小的任务，并依据最优迁移路径迁移；最后更新剩余通信资源、计算资 源和未迁移任务集，由以下步骤组成：
步骤21、信息采集：
第l次迭代后，收集迁移任务非空用户集
Figure RE-GDA0002004221330000106
移动用户
Figure RE-GDA0002004221330000107
的已迁移任务集
Figure RE-GDA0002004221330000108
和 未迁移任务集
Figure RE-GDA0002004221330000109
基站m能提供的连接数Qm(l)、边缘云服务器n能提供的计算资源Rn(l)， 任务
Figure RE-GDA00020042213300001010
迁移到基站m的传输时延和能耗ti,k,m,ei,k,m以及基站m接入边缘云服务器n的 接入成本δm,n；
步骤22、选择调度用户：
步骤22.1、计算移动用户
Figure RE-GDA00020042213300001011
的优先度为：
Figure RE-GDA00020042213300001012
其中，
Figure RE-GDA00020042213300001013
步骤22.2、根据各移动用户的优先度pi(l),
Figure RE-GDA00020042213300001014
搜索迁移任务非空用户集
Figure RE-GDA00020042213300001015
中具有最 小优先度值的移动用户：
Figure 4
步骤23、收集调度用户
Figure 5
的候选资源集合：
收集调度用户
Figure 6
的未迁移任务集
Figure RE-GDA00020042213300001019
中任务
Figure RE-GDA00020042213300001020
的候选基站集合
Figure RE-GDA00020042213300001021
候选边缘云服务器集合
Figure RE-GDA00020042213300001022
和各边缘 云服务器的接入成本集合
Figure RE-GDA00020042213300001023
步骤24、执行IGIA算法搜索最优迁移路径：
步骤24.1、根据各边缘云服务器的接入成本Δi,k(l)搜索任务
Figure RE-GDA0002004221330000111
经由基站m∈B迁 移的最优边缘云服务器
Figure RE-GDA0002004221330000112
Figure RE-GDA0002004221330000113
步骤24.2、根据传输时延-能量消耗-接入成本折中πi,k,m,n和最优边缘云服务器
Figure RE-GDA0002004221330000114
搜索 任务
Figure RE-GDA0002004221330000115
接入的最优基站
Figure RE-GDA0002004221330000116
Figure RE-GDA0002004221330000117
步骤24.3、更新：
Figure RE-GDA0002004221330000118
步骤24.4、输出任务
Figure RE-GDA0002004221330000119
的最佳迁移路径
Figure RE-GDA00020042213300001110
步骤25、执行OGIA算法选择并迁移任务：
步骤25.1、根据最小传输时延-能量消耗-接入成本折中
Figure RE-GDA00020042213300001111
搜索未迁移任务集
Figure RE-GDA00020042213300001112
中具 有最小传输时延-能量消耗-接入成本折中的任务：
Figure RE-GDA00020042213300001113
步骤25.2、更新：
Figure RE-GDA00020042213300001114
步骤25.3、更新
Figure RE-GDA00020042213300001115
执行任务迁移， 即将移动用户i*的任务k*经基站m*迁移至边缘云服务器n*中计算处理，其传输时延-能量消 耗-接入成本折中为π*，占用边缘云服务器的计算资源为
Figure RE-GDA00020042213300001116
步骤25.4、更新基站m*剩余连接数、边缘云服务器n*剩余计算资源、移动用户i*剩余 未迁移任务集和剩余迁移任务非空用户集：
Figure RE-GDA00020042213300001117
其余基站m≠m*的连接数，边缘云服务器n≠n*的计算资源不变；
步骤25.5、若Qm(l)＜1,
Figure RE-GDA00020042213300001118
或
Figure RE-GDA00020042213300001119
或
Figure RE-GDA00020042213300001120
算法结束； 否则l＝l+1，跳转至步骤22；
步骤25.6、算法结束。
附图4为级联贪婪迭代算法(CGIA)、基于公平的贪婪迭代算法(FGIA)以及CVX工具提供的ELR算法和FLR算法的迁移成本随计算资源需求变化对比曲线。由图4可知，随 着迁移任务所需计算资源的增加，迁移成本随之增加，原因是任务的最小迁移成本路径减少。当计算资源需求较小时，如ri,k≤2时，CGIA和FGIA的迁移成本收敛到ELR性能界；随着 计算资源需求的增加，CGIA和FGIA与ELR之间的迁移成本差距增大，原因是任务计算资 源需求越大，相同的低迁移成本路径和ECS可支持的任务数越少。
附图5为级联贪婪迭代算法(CGIA)、基于公平的贪婪迭代算法(FGIA)以及CVX工具提供的ELR算法和FLR算法的公平性随计算资源需求变化对比曲线。由图5可知，FLR 的公平性最好，其次是FGIA、CGIA，ELR的公平性最差，且随着计算资源需求的增大，算 法的公平性差距均会增大。
附图6为级联贪婪迭代算法(CGIA)和基于公平的贪婪迭代算法(FGIA)下迁移成本随任务数变化对比曲线；附图7为级联贪婪迭代算法(CGIA)和基于公平的贪婪迭代算法(FGIA)下公平性随任务数变化对比曲线。由图6可知，随着每个移动用户的任务数增加， 计算资源需求增大，CGIA和FGIA的迁移成本与附图4一致，而FGIA的公平性越好。原因 是FGIA引入用户调度优先级，如果每个移动用户的任务数增加，调度自由度也增加，公平 性会更好。
附图8为级联贪婪迭代算法(CGIA)和基于公平的贪婪迭代算法(FGIA)下任务迁移率随用户数变化对比曲线。由图8可知，当计算资源有限时，随着用户数的增加，迁移率下降，且两种算法之间的迁移率差距增大，表明CGIA的资源使用效率优于FGIA。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳 实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发 明的权利要求范围当中。

Claims (1)

1.一种非平衡边缘云MEC(Mobile Edge Computing,MEC)系统的多用户多任务迁移决策方法，其特征在于：所述非平衡边缘云MEC系统包括A个移动用户(MU)、B个基站(BS)和C个边缘云服务器(ECS)，分别记为A＝{a1,...,aA},B＝{b1,...,bB},C＝{c1,...,cC}，所述移动用户i∈A有多个计算密集型或时延敏感型任务需要迁移到所述边缘云服务器中处理，任务集记为
Figure FDA0002941115330000011
任务si,k所需计算资源为ri,k,i∈A,k∈Si，所述基站m∈B不配置独立边缘云服务器，而是通过回程共享多个边缘云服务器，任务si,k迁移到基站m的传输时延和能量消耗分别记为ti,k,m和ei,k,m，即使不同移动用户接入同一基站，由于信道条件差异，其传输时延和能量消耗也不同，基站m拥有的连接数为Qm，所述边缘云服务器n∈C的接入成本取决于对该边缘云服务器的访问时间和计算资源占用，即不同基站有不同的边缘云服务器接入成本，基站m接入边缘云服务器n的接入成本记为δm,n,m∈B,n∈C，边缘云服务器n的计算资源为Rn，迁移决策xi,k,m,n涉及基站和边缘云服务器选择，xi,k,m,n＝1表示任务si,k通过基站m迁移到边缘云服务器n中处理，否则，xi,k,m,n＝0，任选一台边缘云服务器作为虚拟决策中心(VDC)，运行迁移决策算法，所述虚拟决策中心首先收集任务迁移计算资源需求、接入不同基站的传输时延和能量消耗、边缘云服务器的接入成本、基站的连接约束和边缘云服务器的可用计算资源等信息，然后运行迁移决策算法，将结果反馈给移动用户，任务si,k的迁移成本用任务迁移到基站的传输时延、能量消耗和边缘云服务器的接入成本的加权和，即传输时延-能量消耗-接入成本折中表征：
Figure FDA0002941115330000012
其中，πi,k,m,n＝(αiti,k,m+βiei,k,m+γiδm,n)，αi,βi,γi分别表示任务迁移到基站的传输时延、能量消耗和边缘云服务器的接入成本权重，反映移动用户i的任务迁移对相应开销的偏好；
分别建立基于最小化所有移动用户迁移成本和的迁移决策优化模型OP1和基于最小化每个移动用户最大迁移成本的迁移决策优化模型OP2：
Figure FDA0002941115330000013
Figure FDA0002941115330000014
其中，权重ηi体现移动用户之间的公平性，ηi取值越大，表示移动用户i的迁移成本越小，约束条件：
Figure FDA0002941115330000021
其中，(a)表示选择边缘云服务器的所有移动用户所需的计算资源和不超过该边缘云服务器能提供的计算资源；(b)表示接入基站的移动用户数不超过该基站能提供的连接数；(c)表示任意任务最多经由一个基站迁移到一个边缘云服务器；
针对所述基于最小化所有移动用户迁移成本和的迁移决策优化模型OP1采用级联贪婪迭代算法(CGIA)求解：虚拟决策中心(VDC)首先收集或更新未迁移任务的候选基站集合、边缘云服务器集合和各边缘云服务器的接入成本；然后执行内贪婪迭代算法(IGIA)搜索每个未迁移任务的最优迁移路径；接着执行外贪婪迭代算法(OGIA)选择迁移成本最小的任务，并依据最优迁移路径迁移；最后更新剩余通信资源、计算资源和未迁移任务集，由以下步骤组成：
步骤11、信息采集：
第l次迭代后，针对迁移任务非空用户集
Figure FDA0002941115330000022
中移动用户i的未迁移任务集
Figure FDA0002941115330000023
收集任务
Figure FDA0002941115330000024
的候选基站集合
Figure FDA0002941115330000025
候选边缘云服务器集合
Figure FDA0002941115330000026
和各边缘云服务器的接入成本集合
Figure FDA0002941115330000027
Qm(l)为基站m能提供的连接数；Rn(l)为边缘云服务器n能提供的计算资源；
步骤12、执行IGIA算法搜索最优迁移路径：
步骤12.1、根据各边缘云服务器的接入成本Δi,k(l)搜索任务
Figure FDA0002941115330000028
经由基站m∈B迁移的最优边缘云服务器
Figure FDA0002941115330000029
Figure FDA00029411153300000210
步骤12.2、根据传输时延-能量消耗-接入成本折中πi,k,m,n和最优边缘云服务器
Figure FDA00029411153300000211
搜索任务
Figure FDA00029411153300000212
接入的最优基站
Figure FDA00029411153300000213
Figure FDA0002941115330000031
步骤12.3、更新：
Figure FDA0002941115330000032
步骤12.4、输出任务
Figure FDA0002941115330000033
的最佳迁移路径
Figure FDA0002941115330000034
步骤13、执行OGIA算法选择并迁移任务：
步骤13.1、根据最小传输时延-能量消耗-接入成本折中
Figure FDA0002941115330000035
搜索未迁移任务集
Figure FDA0002941115330000036
中具有最小传输时延-能量消耗-接入成本折中的任务：
Figure FDA0002941115330000037
步骤13.2、更新：
Figure FDA0002941115330000038
步骤13.3、根据
Figure FDA0002941115330000039
搜索迁移任务非空用户集
Figure FDA00029411153300000310
中具有最小传输时延-能量消耗-接入成本折中的移动用户：
Figure FDA00029411153300000311
步骤13.4、更新
Figure FDA00029411153300000312
执行任务迁移，即将移动用户i*的任务k*经基站m*迁移至边缘云服务器n*中计算处理，其传输时延-能量消耗-接入成本折中为π*，占用边缘云服务器的计算资源为
Figure FDA00029411153300000313
步骤13.5、更新基站m*剩余连接数、边缘云服务器n*剩余计算资源、移动用户i*剩余未迁移任务集和剩余迁移任务非空用户集：
Figure FDA00029411153300000314
其余基站m≠m*的连接数和边缘云服务器n≠n*的计算资源不变；
步骤13.6、若
Figure FDA00029411153300000315
或
Figure FDA00029411153300000316
或
Figure FDA00029411153300000317
算法结束；否则l＝l+1，跳转至步骤12；
步骤13.7、算法结束；
针对所述基于最小化每个移动用户最大迁移成本的迁移决策优化模型OP2采用基于公平的贪婪算法(FGIA)求解：VDC首先收集基站连接数、边缘云服务器计算资源、任务迁移到基站的传输时延和能量消耗、边缘云服务器的接入成本等；然后计算迁移任务非空用户集中移动用户的优先度，根据移动用户的优先度值选择移动用户并收集该用户的候选资源集合；其次执行内贪婪迭代算法(IGIA)搜索每个未迁移任务的最优迁移路径；接着执行外贪婪迭代算法(OGIA)选择迁移成本最小的任务，并依据最优迁移路径迁移；最后更新剩余通信资源、计算资源和未迁移任务集，由以下步骤组成：
步骤21、信息采集：
第l次迭代后，收集迁移任务非空用户集
Figure FDA0002941115330000041
移动用户
Figure FDA0002941115330000042
的已迁移任务集
Figure FDA0002941115330000043
和未迁移任务集
Figure FDA0002941115330000044
基站m能提供的连接数Qm(l)、边缘云服务器n能提供的计算资源Rn(l)，任务
Figure FDA0002941115330000045
迁移到基站m的传输时延和能耗ti,k,m,ei,k,m以及基站m接入边缘云服务器n的接入成本δm,n；
步骤22、选择调度用户：
步骤22.1、计算移动用户
Figure FDA0002941115330000046
的优先度为：
Figure FDA0002941115330000047
其中，
Figure FDA00029411153300000422
步骤22.2、根据各移动用户的优先度
Figure FDA0002941115330000048
搜索迁移任务非空用户集
Figure FDA0002941115330000049
中具有最小优先度值的移动用户：
Figure FDA00029411153300000410
步骤23、收集调度用户i＝i*的候选资源集合：
收集调度用户i＝i*的未迁移任务集
Figure FDA00029411153300000411
中任务
Figure FDA00029411153300000412
的候选基站集合
Figure FDA00029411153300000413
候选边缘云服务器集合
Figure FDA00029411153300000414
和各边缘云服务器的接入成本集合
Figure FDA00029411153300000415
步骤24、执行IGIA算法搜索最优迁移路径：
步骤24.1、根据各边缘云服务器的接入成本Δi,k(l)搜索任务
Figure FDA00029411153300000416
经由基站m∈B迁移的最优边缘云服务器
Figure FDA00029411153300000417
Figure FDA00029411153300000418
步骤24.2、根据传输时延-能量消耗-接入成本折中πi,k,m,n和最优边缘云服务器
Figure FDA00029411153300000419
搜索任务
Figure FDA00029411153300000420
接入的最优基站
Figure FDA00029411153300000421
Figure FDA0002941115330000051
步骤24.3、更新：
Figure FDA0002941115330000052
步骤24.4、输出任务
Figure FDA0002941115330000053
的最佳迁移路径
Figure FDA0002941115330000054
步骤25、执行OGIA算法选择并迁移任务：
步骤25.1、根据最小传输时延-能量消耗-接入成本折中
Figure FDA0002941115330000055
搜索未迁移任务集
Figure FDA0002941115330000056
中具有最小传输时延-能量消耗-接入成本折中的任务：
Figure FDA0002941115330000057
步骤25.2、更新：
Figure FDA0002941115330000058
步骤25.3、更新
Figure FDA0002941115330000059
执行任务迁移，即将移动用户i*的任务k*经基站m*迁移至边缘云服务器n*中计算处理，其传输时延-能量消耗-接入成本折中为π*，占用边缘云服务器的计算资源为
Figure FDA00029411153300000510
步骤25.4、更新基站m*剩余连接数、边缘云服务器n*剩余计算资源、移动用户i*剩余未迁移任务集和剩余迁移任务非空用户集：
Figure FDA00029411153300000511
其余基站m≠m*的连接数，边缘云服务器n≠n*的计算资源不变；
步骤25.5、若
Figure FDA00029411153300000512
或
Figure FDA00029411153300000513
或
Figure FDA00029411153300000514
算法结束；否则l＝l+1，跳转至步骤22；
步骤25.6、算法结束。
CN201811087295.5A 2018-09-18 2018-09-18 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 Active CN109714382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811087295.5A CN109714382B (zh) 2018-09-18 2018-09-18 一种非平衡边缘云mec系统的多用户多任务迁移决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811087295.5A CN109714382B (zh) 2018-09-18 2018-09-18 一种非平衡边缘云mec系统的多用户多任务迁移决策方法

Publications (2)

Publication Number Publication Date
CN109714382A CN109714382A (zh) 2019-05-03
CN109714382B true CN109714382B (zh) 2021-06-25

Family

ID=66253928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811087295.5A Active CN109714382B (zh) 2018-09-18 2018-09-18 一种非平衡边缘云mec系统的多用户多任务迁移决策方法

Country Status (1)

Country Link
CN (1) CN109714382B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110475271B (zh) * 2019-07-19 2020-11-20 北京邮电大学 一种在基于移动边缘计算网络中设置服务实例的方法及系统
CN111031102B (zh) * 2019-11-25 2022-04-12 哈尔滨工业大学 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111093226B (zh) * 2019-12-12 2021-10-08 西安电子科技大学 基于非正交多址接入与移动边缘计算多任务并行迁移方法
CN111148174B (zh) * 2019-12-13 2021-12-24 北京邮电大学 一种移动边缘计算中服务迁移路径选择方法
CN111447266B (zh) * 2020-03-24 2022-11-11 中国人民解放军国防科技大学 一种基于链的移动边缘计算模型及其服务请求、调度方法
CN111511028B (zh) * 2020-04-13 2023-04-07 北京邮电大学 一种多用户资源分配方法、装置、系统及存储介质
CN114666409B (zh) * 2022-02-26 2023-07-25 南京邮电大学 一种边缘计算环境中基于缓存管理的服务迁移方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844051A (zh) * 2017-01-19 2017-06-13 河海大学 一种边缘计算环境中功耗优化的负载任务迁移算法
CN107995660A (zh) * 2017-12-18 2018-05-04 重庆邮电大学 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10111024B2 (en) * 2015-07-10 2018-10-23 Lg Electronics Inc. Method and apparatus for an input data processing via a local computing or offloading based on power harvesting in a wireless communication system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844051A (zh) * 2017-01-19 2017-06-13 河海大学 一种边缘计算环境中功耗优化的负载任务迁移算法
CN107995660A (zh) * 2017-12-18 2018-05-04 重庆邮电大学 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Joint Optimization of Radio and Computational Resources for Multicell Mobile-Edge Computing";Stefania Sardellitti;Gesualdo Scutari;Sergio Barbarossa;《IEEE Transactions on Signal and Information Processing over Networks》;20150622;89-103 *
"Joint Power Allocation at the Base Station and the Relay for Untrusted Relay Cooperation OFDMA Network";Jiang, Weiheng; Feng, Wenjiang;《INTERNATIONAL JOURNAL OF ANTENNAS AND PROPAGATION》;20151231;全文 *

Also Published As

Publication number Publication date
CN109714382A (zh) 2019-05-03

Similar Documents

Publication Publication Date Title
CN109714382B (zh) 一种非平衡边缘云mec系统的多用户多任务迁移决策方法
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
WO2022121097A1 (zh) 一种移动用户计算任务的卸载方法
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN110087318B (zh) 基于5g移动边缘计算的任务卸载和资源分配联合优化方法
CN109151864B (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
Chen et al. Dependency-aware computation offloading for mobile edge computing with edge-cloud cooperation
Zou et al. A3C-DO: A regional resource scheduling framework based on deep reinforcement learning in edge scenario
CN109547555B (zh) 基于公平性准则的非平衡边缘云网络接入与资源分配方法
Chen et al. Multiuser computation offloading and resource allocation for cloud–edge heterogeneous network
Ren et al. Adaptive request scheduling and service caching for MEC-assisted IoT networks: An online learning approach
CN109413676B (zh) 一种超密异构网络中联合下上行的边缘计算迁移方法
Jantti et al. Second-order power control with asymptotically fast convergence
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN110941667A (zh) 一种移动边缘计算网络中的计算卸载方法及系统
Gao et al. Computation offloading with instantaneous load billing for mobile edge computing
CN112231085B (zh) 一种协同环境下基于时间感知的移动终端任务迁移方法
Misra et al. Multiarmed-bandit-based decentralized computation offloading in fog-enabled IoT
Li et al. Distributed task offloading strategy to low load base stations in mobile edge computing environment
CN110519776A (zh) 一种雾计算系统中的均衡聚类和联合资源分配方法
Zhang et al. Delay minimized task scheduling in fog-enabled IoT networks
Bista et al. Probabilistic computation offloading for mobile edge computing in dynamic network environment
Xia et al. Location-aware and delay-minimizing task offloading in vehicular edge computing networks
CN115278779A (zh) Mec网络中基于渲染感知的vr服务模块动态放置方法

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
GR01 Patent grant
GR01 Patent grant