CN110098969A - 一种面向物联网的雾计算任务卸载方法 - Google Patents

Abstract

本发明涉及一种面向物联网的雾计算任务卸载方法，属于移动通信技术领。域该方法将任务卸载决策、传输资源分配和计算资源分配、FN与IoT设备双向匹配联合建模为最小化系统总开销问题。首先，基于层次分析法对IoT设备的QoS需求进行分析，根据IoT设备的不同QoS需求建立优先级。其次，对IoT设备进行RB分配，确定每个IoT设备所需的RB数量；然后，进行计算资源分配，确定计算时延。基于此，建立双向匹配博弈，确定FN和请求卸载的IoT设备之间的稳定关联。最后，每个IoT设备根据任务本地计算开销和任务卸载计算开销做出卸载决策。本发明降低了系统总时延和能耗开销，实现了IoT设备关联的稳定性和资源分配的有效性。

Description

一种面向物联网的雾计算任务卸载方法

技术领域

本发明属于移动通信技术领域，涉及一种面向物联网的雾计算任务卸载方法。

背景技术

5G移动网络中的一个核心目标是为人们提供无处不在的连接，随时随地可以使用所有的应用程序和服务。互联网已经转向基于云的结构，云计算为终端用户提供了外包计算和存储功能。然而，随着近年来流量的激增，将超大容量的数据传输到云服务器中，不仅给通信带宽带来了沉重的负担，还造成了难以忍受的传输延迟，降低了终端用户对服务质量的满意度。除了实时交互和低延迟问题，随着移动用户和移动流量越来越多，对移动性和地理分布的支持也是至关重要的。为了满足物联网(Internet of Things,IoT)环境对服务质量(Quality of Service,QoS)的高要求，改善无线带宽和端到端延迟，雾计算被提议作为云的扩展组件来承载更接近边缘的应用程序和服务。由于在网络边缘支持分布式低延迟计算，雾计算提供了大量可伸缩的资源，允许转移到距离IoT设备更近的位置计算，以克服集中式云计算的限制。

为了应对上述挑战，思科发布了雾计算的概念，其目标是在雾设备(如网关、路由器、交换机、IP摄像机等)上处理部分工作负载，从而减轻云计算服务器的负担。雾设备(FogNode,FN)部署在物联网设备附近，将云计算扩展到网络的边缘。在物联网和雾网络中，一个核心目标是更好满足的IoT设备的QoS需求，这可以通过有效地将有限的网络资源分配给异构物联网应用和服务来实现。随着异构物联网设备数量呈指数级增长，具有多个QoS需求的实时和非实时物联网流量也在快速增长。表1描述了基于3GPP标准的典型数据流的QoS参数值。然而在物联网中，不同IoT设备对于不同QoS参数的需求不同，即不同IoT设备的优先级不同，需要不同的资源请求和快速的资源部署。由于网络中多个IoT设备选择相应的FN进行卸载时，占用相同资源块(Resourceblock,RB)的IoT设备之间会存在干扰，因此考虑不同IoT设备的优先级的情况下，对IoT设备进行合理的频谱资源分配。另一方面，由于FN的计算资源是有限的，并为了最小化卸载到FN的IoT设备的计算时间开销，对IoT设备进行合理的计算资源分配。

表1典型业务的QoS需求

在上述情况下，本发明提出了一种物联网设备QoS感知的雾计算卸载和资源分配的联合优化方法。该方法将任务卸载决策、RB和计算资源分配、FN与IoT设备的双向匹配联合建模为一个最小化系统总开销问题。首先，基于层次分析法(Analytic HierarchyProcess,AHP)对IoT设备的QoS参数进行分析，确定不同IoT设备的不同QoS需求的优先级。其次，对IoT设备进行RB个数估计，确定每个IoT设备所需的RB数量；进行计算资源分配，确定计算时延。然后，建立双向匹配博弈，确定FN和选择卸载的IoT设备之间的稳定关联。最后，每个IoT设备根据本地计算开销和卸载计算开销做出卸载决策。

发明内容

本发明目的是提供一种5G网络中面向物联网的雾计算任务卸载优化方法。该方法根据所提供网络场景的特性，联合优化IoT设备任务卸载决策、传输资源和计算资源分配、FN与IoT设备的双向匹配以最小化系统开销，该方法包括以下步骤：

S1：基于层次分析法的QoS分析方案；

S2：任务卸载决策方案；

S3：传输资源和计算资源分配方案；

S4：雾设备与IoT设备的双向匹配方案。

进一步，在步骤S1中，随着IoT设备对吞吐量需求的增加，即网络中单位时间内数据传输率需求增加，相应的传输能耗也呈增长趋势。因此的QoS参数m的权重可以表示为 即根据网络中IoT设备对吞吐量和时延的需求，设定IoT设备的能耗敏感度和时延敏感度。下面基于AHP三层结构对IoT设备的QoS参数进行分析。

在第一层中，AHP的全局目标是FN确认备选的IoT设备。第二层根据IoT设备的QoS需求作为决策因素，根据IoT设备的能耗需求和时延需求，决定不同IoT设备的决策因素优先级。最后，第三层基于第二层的决策因素评估备选IoT设备的能耗和时延优先级。

将IoT设备的QoS需求考虑为一个矩阵Q∈R^u×m，Q阵的每个元素q_u，m表示当前IoT u的最小QoS需求。每个决策因素的权重都与备选IoT设备的相对重要性有关。基于多准则决策问题，AHP模型可以通过以下两个步骤来获得。

1.Level 2：基于决策因素的相对重要性，得到局部权重

根据表一中因特网流量的典型QoS要求，表2所示为不同IoT设备类型的能耗优先级和时延优先级，并用代表重要程度的数字表示，得到不同IoT设备的相对重要性。其中数字“1”“2”“3”“4”分别表示“弱偏好”“中等偏好”“较强偏好”“强偏好”。其中，IoT的决策因素优先级越高，偏好性越强。

表2不同IoT设备的偏好性

每一个IoT u∈U建立一个正互反矩阵P∈R^m×m，基于表2，对不同IoT类型的决策因素进行比较。P矩阵中元素p_i，j表示决策因素i和j间的相对重要性(i，j分别对应行和列)。P经过列归一化处理得到 中的每个元素表示归一化相对权重。对取行平均得到局部权重向量表示第二层每个IoT设备u的决策因素m的局部权重，作为IoT设备u的QoS权重矩阵W∈R^u×m的基本元素。

2.Level 3和Level 1：根据局部权重得到全局权重

在第三级，FN r对备选IoT设备u进行评估。将最小QoS需求矩阵Q进行归一化处理得到根据得到IoT备选矩阵A∈R^u×m。由Level 3得到的IoT备选矩阵A和Level 2得到的局部权重向量可得FN r的全局权重向量其中w₁，w₂，w₃...分别表示FN r对于IoT设备u₁，u₂，u₃...的偏好，w值越大，偏好性越强。

进一步，在步骤S2中，卸载决策x_u是二元变量，若IoT设备本地计算开销大于卸载计算开销，则IoT设备卸载到FN进行计算，x_u＝1；若IoT设备本地计算开销小于等于卸载计算开销，则IoT设备选择本地计算，x_u＝0。即：

若卸载决策向量X_u内的“1”、“0”元素的个数分别是其中FNr中卸载IoT集合表示为本地计算IoT集合表示为因此，系统总开销表示为：

进一步，在步骤S3中，每个选择卸载到FN的IoT设备要占用一定的数量的RB，假设连接到FN r的A个IoT设备有任务卸载需求，FN r将计算资源平均的分配给各个IoT设备，保证卸载到FN r的IoT设备的时间开销小于等于本地时间开销。对任意IoT u_r∈U_r，计算任务D_n的时间开销为：

为保证任务卸载到FN计算的时间不超过本地计算时间，可得：

当上式取等号时，任务卸载时间取得最大值相应的可得最小传输速率要求：

假定临近的FN相互间无干扰，可得最小需求RB数量：

为减小干扰，按照u_r需求的最小RB个数进行分配，得到u_r卸载任务的传输速率为：

卸载开销函数中的时延包括传输时延、排队时延和计算时延。为了使卸载到FN的IoT设备的计算时延最小化，FN的计算资源应该合理的分配给每个卸载任务的IoT设备。优化目标是最小化所有卸载到FN r的IoT设备u_r的总计算时间：

根据拉格朗日分析方法，问题转化为求下面函数的极值：

其二阶导数恒大于0，为凹函数，存在最小值。令一阶导数等于0，可得：

利用梯度法对拉格朗日算子进行迭代更新：

进一步，步骤S4中，设网络中的FN设备有相同的RB和计算资源。考虑到玩家(IoT和FN)的个人偏好，在两组U和R之间找到一个稳定的匹配。将问题建模为一对多匹配博弈，即每个IoT设备的任务最多卸载到一个FN处理，而FN可以匹配多个IoT设备，直到不满足IoT设备的最小QoS需求。因此，匹配博弈的结果是相互匹配的y函数，分配每个玩家r∈R和u∈U。若则FN r与IoT u之间构成匹配，将FN r放入IoT u的接受列表A_r中。

1.FN r的偏好列表p_r

考虑到中不同IoT的权重值，用＞_r表示FN r的偏好性。若IoT u的权值w大于IoTu′的权重值w′，则FN r更偏好于IoT u。即其中且u≠u′。

2.IoT设备u偏好列表p_u

考虑到IoT设备u卸载到FN的系统总开销，用＞_u表示IoT u对于FN的偏好性。根据局部权重向量计算卸载开销函数为：

卸载开销函数基于局部权重向量其分别代表能耗和时延的局部权重。若FN r的系统开销小于FN r′的系统开销则IoT u更偏好于选择FN r卸载任务，即 其中r≠r′。

3.动态匹配过程

在一对多的匹配博弈中，当前匹配结果还受到其他邻近匹配的影响。考虑到以下情况：若当前r与u′、r′与u分别组成双向匹配。若FN r有足够的剩余RB，且IoT u比起其当前匹配的FN r′更偏好于r，则r接受IoT u构成新的匹配对；若FN r没有足够的剩余RB，且IoT u比起其当前匹配的FN设备r′更偏好于r，则FN设备从已匹配的多个IoT中找出最低偏好IoT u′，解除匹配关系，并接受与IoT u的匹配。

因此，FN和IoT动态匹配过程如下：

步骤1：输入IoT设备集合U，FN设备集合R，计算FN偏好列表p_r，计算IoT设备偏好列表p_u；

步骤2：每个IoT u∈U根据其偏好列表p_u向其最偏好的FN r∈p_u发送卸载请求；

步骤3：判断FN r是否有足够的剩余RB，若有转到步骤4，否则转到步骤8；

步骤4：判断卸载开销与大小关系，若转到步骤5，否则转到步骤7；

步骤5：IoT u解除与r′匹配关系，并与r构成新的匹配关系；

步骤6：更新p_r，p_u和FN r的剩余RB；

步骤7：保持u与r′的匹配，更新p_r，p_u和FN r的剩余RB；

步骤8：对于IoT设备u′∈A_r；

步骤9：判断u＞_ru′是否成立，若成立，转到步骤10，否则转到步骤12；

步骤10：IoT u′与r解除匹配关系，IoT u与r构成新的匹配关系；

步骤11：更新p_r，p_u和FN r的剩余RB；

步骤12：保持u与r′的匹配，更新p_r，p_u和FN r的剩余RB；

步骤13：判断前后两次迭代过程IoT设备集合U和FN集合R的匹配结果是否相同，若相同，转到步骤14，否则转到步骤2；

步骤14：输出RB分配结果Y_r。

本发明有益效果：本发明有效的降低了系统的时延和能耗开销，实现了IoT设备关联的稳定性和资源分配的有效性。

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为基于雾网络的IoT设备卸载模型；

图2为任务卸载决策及资源优化分配流程图。

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。

图1描述了一个由FN和IoT设备构成的两层蜂窝异构网络模型。考虑到5G小蜂窝网络由下一代核心网(Next Generation Core network，NGC)和无线接入网(RadioAccessNetwork，RAN)组成。在图1中，RAN侧主要由R个FN和U个IoT设备构成。假设每个IoT设备都有需要大量计算资源的任务需要完成，且不同IoT设备的时延敏感度和能耗敏感度各不相同。每个IoT可以选择将任务卸载到连接的FN计算或本地计算。设一组FNR＝{1，2，3，...，r，...，R}，每个FN有一定数量的RB，用N＝{1，2，3，...，N}表示。设一组IoT设备U＝{1，2，3，...，u，...，U}，如智能手机、平板电脑、客户终端设备等，与静态FN不同，IoT设备可以动态加入或离开FN网络。卸载到FN r的IoT设备集合表示为U_r＝{1，2，3，…，U_r}，IoT设备和FN之间是动态匹配的，U_r可不断更新。NGC主要包括以下三个功能：接入与移动管理功能(Access and Mobile Management Functions，AMF)，负责用户接入网络和移动性功能；用户平面功能(User Plane Function，UPF)，负责数据平面IP数据包传输；策略控制功能(Policy Control Function，PCF)，负责控制平面信令消息的发送。在网络模型中，假设IoT设备能执行不同业务，IoT与FN相关联，FN通过NGC与用户服务提供商进行通信。在这种情况下，IoT设备使用FN提供的有限的网络资源，从远程IoT服务提供商接收内容。FN和IoT均可分布式处理QoS任务，包括分析和优化不同服务提供商提供的IoT设备的QoS参数。

IoT设备的QoS参数由M＝{1，2，...，M}表示，在这里，主要考虑满足IoT设备的吞吐量和时延需求。不同IoT设备u的不同QoS参数m的权重表示为不同类型的IoT设备的QoS参数权重各不相同，例如处理图像业务时，核心优先级是确保高数据速率或吞吐量，而处理实时数据时，对时延的要求更高。本文发明的目标是在满足IoT设备QoS的需求下，最小化系统总开销，其包括能耗开销和时延开销，而IoT设备的能耗和吞吐量需求是相互耦合的。随着IoT设备对吞吐量需求的增加，相应的传输能耗也呈增长趋势。因此QoS权重可表示为即根据网络中IoT设备对吞吐量和时延的需求，对能耗敏感和时延敏感的IoT设备进行优先级分类，以最小化系统开销。

1.通信模型

网络中的每个IoT都可将自己的计算任务卸载到FN。对于FN r，使用代表连接到FN r的IoT u_r∈U_r的计算卸载决策。因此，为卸载决策向量。

考虑FN间频谱可复用，即FN之间存在干扰，而FN内，频谱正交地分配给各个IoT，即FN内不存在干扰。考虑上行链路传输，即传输从IoT到其所从属的FN，此时干扰来自所有使用相同RB的其他FN。系统总可用带宽为B Hz，RB个数为N。对FN r，用 表示RB分配向量。其中代表RB n是否分配给连接到FN r的IoT u，表示RBn分配给连接到FN r的IoT u_r，则表示不分配。

当IoT使用被临近FN占用的RB时，将产生干扰。连接到FN r的IoT u_r∈U_r在RB n上受到的干扰强度可由下式计算：

其中表示IoT的传输功率；表示分配给FN r′的IoT u_r′的RB个数；表示连接到FN r′的IoT u_r′与FN r之间的信道增益。

给定FN r的决策向量X_r和RB分配向量每个IoT设备设备u_r∈U_r与FN r的传输速率为：

2.计算模型

假设每个IoT设备都有计算任务，用来描述连接到FN r的IoTu_r的任务。此任务可以由IoT本地计算，也可以卸载到FN计算。代表平均任务数据包大小；代表完成任务所需的CPU周期数；表示满足该任务的卸载计算时间不大于本地计算时间的最小RB个数需求。

1)本地计算开销

本地计算开销由IoT本地时间开销和本地能量开销组成。其中时间开销由完成任务所需要的CPU周期数和IoT的计算能力决定，表示为：

其中，表示IoT u_r的计算能力，即CPU频率。

能量消耗由完成任务所需要的CPU周期数与CPU每周期能量消耗决定，表示为：

其中，代表CPU每周期消耗的能量。

因此，本地计算总开销为：

2)FN计算开销

考虑到FN r可以处理多个IoT设备的任务请求，将数据包建模为M/M/1的排队系统，平均到达率为λ_r(packets/sec)，队列的包传输速率为μ_r，FN r的到达率为IoT把任务传输到FN r的时间开销为传输时延、排队时延和计算时延的累加和，即：

其中，表示FN为ur分配的计算资源。

IoT把任务传输到FN的能量开销为：

因此，任务卸载到FN计算的总开销为：

3)优化问题建模

本发明优化目标是在满足IoT设备QoS需求下，即能耗和时延需求，最小化系统总开销。因此，优化问题可建模为：

卸载决策约束条件C1表示IoT u_r是否进行任务卸载。表示连接到FN r的IoT u_r进行任务卸载，相反，则不卸载。传输资源约束条件C2表示连接到FN r的IoTu_r和RB n的分配关系。表示FN r将RB n分配给IoT u_r，相反，则不分配。计算资源约束条件C3表示所有IoT卸载任务所分得的FN计算资源总和不得超过FN总计算能力。约束条件C4表示：对于IoT设备u，每个QoS参数对应的权重之和不超过1。约束条件C5表示，IoT卸载到FN计算或者在本地计算的时延不超过IoT设备最大时延限制约束条件C6表示，IoT u卸载到FN r时，FN r的剩余传输资源不小于u的最小传输率需求。

系统优化目标是最小化系统总开销，包括时间开销和能量开销。该优化问题有三个优化变量X_r、Y_r和若能同时求得它们的最优值，可得全局最优解。实际情况下原优化问题难以求解，原因有以下两点：1)由于卸载决策向量X和RB分配向量Y是二元变量，导致原优化问题不是凸优化问题。2)与0/1多背包问题相似，原优化问题的复杂度为O(2^U*R*N)，随着IoT设备数量、FN数量和RB数量呈指数级增长。

为了减小求解复杂度，首先进行任务卸载决策，确定IoT设备待处理的任务是否卸载到FN。若任务卸载到FN处理，可通过层次分析法(AHP)和双向匹配策略对IoT设备和FN进行关联。根据IoT设备优先级进行RB分配和计算资源分配，得到目标函数的次优解。

图2是任务卸载决策及资源优化分配流程图，具体步骤如下：

步骤201：算法初始化；

步骤202：IoT任务数据量越大，对计算能力的要求越高，越倾向于把任务卸载到FN计算。首先，选定任务数据量大于D_thres的IoT进行卸载计算；

步骤203：基于AHP设计分析框架，将IoT设备的QoS参数(即能耗、时延)进行定性分层，然后通过分析QoS参数得到IoT设备的局部和全局权重；

步骤204：FN按最小距离选择相等数量的IoT设备，并估计每个IoT设备所需的最小RB数量；

步骤205：执行FN的计算资源分配，以最小化所有IoT设备计算时延为目的，给卸载的IoT设备分配计算资源；

步骤206：通过FN和IoT设备的偏好列表进行双向匹配，得到匹配结果Y；

步骤207：比较每个IoT设备的本地计算开销和卸载计算开销得到卸载决策分配结果X；

步骤208：计算系统总开销W_total；

步骤209：查找卸载决策向量X中的零元素；

步骤210：判断卸载决策向量X中的零元素是否依次查找完毕；如果没有依次查找完毕，转到步骤211，如果依次查找完毕，转到步骤215；

步骤211：搜索其中具有最低卸载开销的IoT u_r，设置其

步骤212：资源重新分配得到

步骤213：本次的系统总开销与上次循环系统的总开销作比较；

步骤214：若新一轮系统总开销小于上一轮系统总开销，则将当前的卸载向量X设为本轮迭代采用的卸载决策，即保持不变；如果新一轮系统总开销大于上一轮系统总开销，则将上一轮卸载向量作为本轮迭代采用的卸载决策，即恢复

步骤215：遍历X中所有零元素，则当前的卸载决策向量为最终卸载决策，相应的RB匹配Y和FN计算资源分配F结果为最终资源分配方案，得到最终卸载决策和资源分配结果

步骤216：算法结束，输出优化结果。

Claims (6)

1.一种面向物联网的雾计算任务卸载方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IoT设备任务卸载决策、传输资源和计算资源分配、雾设备FN与IoT设备的双向匹配以最小化系统总开销，包括以下步骤：

S1：基于层次分析法的QoS分析方案；

S2：任务卸载决策方案；

S3：传输资源和计算资源分配方案；

S4：FN与IoT设备双向匹配方案。

2.根据权利要求1所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在步骤S1中，建立一个网络卸载模型；

考虑到5G小蜂窝网络由下一代核心网NGC和无线接入网RAN组成；

RAN侧由密集部署的FNR＝{1，2，3，...，r，...，R}和IoT设备U＝{1，2，3，...，u，...，U}构成；每个FN有一定的可用RB数量，用N＝{1，2，3，…，N}表示；卸载到FN r∈R的IoT设备集合表示为U_r＝{1，2，3，…，U_r}；IoT设备的QoS参数由M＝{1，2，...，M}表示；卸载决策应满足IoT设备的吞吐量和时延需求，并相应的考虑IoT设备的能耗敏感度和时延敏感度；将IoT设备的QoS需求作为决策因素，基于3GPP标准的典型数据流的QoS参数值，评估决策因素之间的相对重要性，得到局部权重评估每个IoT设备的局部权重和最小QoS需求，得到FN r的全局权重其中w₁，w₂，w₃...分别表示FN r对于IoT设备u₁，u₂，u₃...的偏好权重值。

3.根据权利要求1所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在所述步骤S2中，卸载决策x_u是二元变量，若IoT设备本地计算开销大于卸载计算开销，则x_u＝1，否则为0；即IoT设备卸载计算开销小于本地计算开销，IoT设备卸载到FN进行计算，否则，IoT设备选择本地计算。

4.根据权利要求3所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在所述步骤S2中，IoT设备的本地计算开销包括时间开销和能量开销；

时间开销表示为完成任务所需的CPU周期数与IoT设备本地的计算能力的比值，本地能量开销表示为完成任务所需的CPU周期数与每周期能量消耗的乘积；

IoT设备的卸载计算开销包括时间开销和能量开销；将每个FN接收多个IoT设备的任务请求建模为M/M/1排队系统，时间开销为传输时延、排队时延和计算时延的累加和；卸载能量开销为任务从IoT设备到FN的传输能量，表示为发射功率与任务传输时间的乘积。

5.根据权利要求1所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在所述步骤S3中，每个选择卸载到FN的IoT设备要占用一定的RB数量，假设连接到FN r的A个IoT设备有任务卸载需求，FN r将计算资源平均的分配给各个IoT设备，为保证任务卸载到FN的时间开销不超过本地计算时间开销，得到IoT设备u_r所需的最小RB个数为了使卸载到FN的IoT设备的计算时延最小化，优化目标是最小化所有选择卸载的IoT设备在FN的总计算时间。

6.根据权利要求1所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在所述步骤S4中，考虑到IoT设备和FN的个人偏好，在两组U和R之间找到一个稳定的匹配；根据全局权重集合中的元素，若IoT u的权值w大于IoT u′的权重值w′，则FN r更偏好于IoT设备u；若连接到FN r的IoT设备的系统开销小于FN r′的系统开销则IoT设备u更偏好于选择FN r进行卸载；

在匹配过程中，FN与IoT设备之间是一对多动态匹配，即FN r在RB受限的情况下，能够匹配多个IoT设备，直到不满足IoT设备的最小QoS需求。