CN110234127B - 一种基于sdn的雾网络任务卸载方法 - Google Patents

Abstract

本发明涉及一种基于SDN的雾网络任务卸载方法，属于移动通信技术领域。首先，针对雾节点在不同情况的任务卸载策略，采用动态服务节点更新方式建立志愿节点集，提高任务卸载效率。其次，为解决网络拥塞问题，本发明引入SDN技术，在网络信息资源交互过程中，通过SDN控制器实时监控网络负载，有效降低网络拥塞。此外，为提高网络资源利用率，本发明基于Lyapunov优化算法，充分考虑节点队列情况，将最小化任务卸载代价问题分解为最优传输功率分配和最优卸载方案两个子问题求解。本发明可降低系统总时延和能耗开销，实现任务队列的稳定和有效的资源分配。

Description

一种基于SDN的雾网络任务卸载方法

技术领域

本发明属于移动通信技术领域，涉及一种基于SDN的雾网络任务卸载方法。

背景技术

随着物联网(IoT)技术的发展，未来网络中将会接入数量巨大的资源有限的设备，由于这些节点计算能力有限，对于目前新型的应用程序，大多数终端设备的任务需要卸载决策，以获得满意的时延性能，如自动驾驶汽车，智能家庭设备、电子医疗、智能制造等。传统的网络中，这些任务通常被卸载到云中心，从而避免了长时间的处理延迟和本地终端设备资源不足的问题。然而，5G/IoT爆炸式增长的移动数据会给云服务器和所有无线链路带来沉重的网络负担，因此整个系统的性能将急剧下降。而由于终端设备和中央云之间的距离较远不能有效地支持时延敏感任务，因此,通过使用支持雾网络技术的这种更灵活高效的任务调度体系结构和方案达到优化端到端任务调度的时延性能。

在雾网络中，大量的FN分布在整个网络中，包括软件定义的网络(SDN)和网络功能虚拟化(NFV)技术的辅助使得通信、计算、中继、缓存和控制服务等功能可以灵活地部署在这些FN上。网络资源可以从中央云扩展到FN，这种新颖的网络结构提供了一个丰富的计算、通信和存储资源。在延时、能耗等性能方面，具有不同功能的FN可以联合调度以实现更好的系统性能。在雾网络中，FN具有数量大、部署灵活的特点，计算任务在任务节点上生成可分并被卸载到附近的FN而不是远端云服务器。因此，任务调度服务具有更好的服务质量(QoS)，相比传统云计算能够更加有效利用任务节点现有的能力和附近资源。这些FN可以自愿贡献他们可用的资源服务相邻任务节点。

然而，在雾网络中，现有的卸载方案由于缺少对于整体网络资源和负载的监控，导致大量因网络拥塞产生的时延，针对以上现象，本发明提出一种基于SDN的雾网络任务卸载方法。针对雾节点在不同情况的任务卸载方案，采用动态服务节点更新的方式建立志愿节点集用以任务卸载，提高任务卸载的有效性。针对网络的动态负载做任务卸载决策时，可以采用软件定义网络(SDN)体系结构，在网络信息资源交互过程中，通过SDN控制器对于网络负载实时监控，有效的降低网络拥塞，做出最优的任务卸载决策。

综上所述，本发明为解决5G网络任务卸载的有效性，针对网络负载和节点能耗对任务卸载的影响，提出了一种基于SDN的雾网络任务卸载方法。建立志愿节点集作为备选卸载节点，保证用户业务处理的有效性。此外，SDN技术避免网络拥塞导致的时延损耗。为提高网络资源利用率，本发明基于Lyapunov优化算法，充分考虑节点队列情况，将最小化任务卸载代价问题分解为最优传输功率分配和最优卸载方案两个子问题求解。本发明可降低系统总时延和能耗开销，实现任务队列的稳定和有效的资源分配。

发明内容

本发明的目的在于解决雾网络中任务卸载决策问题。在卸载决策过程中，由于网络整体流量和设备负载的时变性，可能造成网络拥塞，从而增大任务处理时延。为保证任务卸载时效性、准确性，本发明引入SDN技术。在雾网络中的任务卸载网络框架包括三个平面，即用户平面、数据平面和控制平面；用户平面由产生卸载任务的用户组成；数据平面对应于雾网络中的雾节点；控制平面为网络中的SDN控制器，可作出任务卸载决策，并实现网络控制功能和传输功能的分离。

本模型中假设每个FN周期性上报当前时刻剩余处理能力比，上报周期为T，可反映当前时刻FN可用计算能力占总计算能力的比值，且所有FN可通过安装太阳能板进行能量补充。当用户平面产生任务，首先用户将卸载请求发送至SDN控制器，SDN控制器收到来自用户的卸载请求后，发送卸载指令至数据平面FN，FN向SDN上报当前时刻剩余处理能力比。上报剩余处理能力比不为0的FN称为志愿节点,其可以卸载用户端产生的任务；系统优化目标为任务卸载总代价，即任务处理时延与能耗之和，任务可通过本地执行或卸载到VN执行，根据最小化优化目标做出卸载决策。

当任务卸载到VN将形成任务队列，即存在队列时延。采用Lyapunov优化方法，联合优化任务卸载总代价和FN系统队列稳定性，做出最优决策。卸载决策综合考虑网络负载、FN剩余计算能力和FN处理队列长度，实现任务处理时延最小化。为达到上述目的，本发明提供如下技术方案：

本发明考虑在雾网络中，终端用户设备通过无线链路与网络中SDN控制器通信，SDN控制器是部署在雾网络层的虚拟设备，FN向SDN控制器上报自身剩余处理能力。用户终端设备产生的任务可通过本地执行或卸载到VN执行，计算结果传回用户设备。

一种基于SDN的雾网络任务卸载方法包括以下步骤：

S1：当用户设备任务到达时，计算本地执行的能耗及时延。同时，向SDN发送卸载请求；

本地处理时延为：

其中，

表示本地用户k的处理能力(bit/s)；η_k表示本地用户k处理1bit数据需要的CPU周期数；f_k表示用户k的CPU周期；l_i(t)表示t时刻任务数据大小；

本地处理能耗为：E_loc＝l_i(t)η_kθ_k；其中θ_k是用户k一个CPU周期的能耗值，η_k是用户k处理1bit数据需要的CPU周期数；

S2:SDN控制器通过以下步骤建立VN集合：

1)SDN控制器收到用户任务卸载请求后，向数据平面所有FN发送卸载指令；

2)FN收到卸载指令后计算历史平均能耗

及节点剩余处理能力。历史能耗大于阈值

的FNi将向SDN控制器上报剩余处理能力比为0，该类节点称为非志愿节点；历史能耗低于阈值

的FNi将根据当前时刻网络负载上报剩余处理能力比τ_i；SDN控制器收集所有FN的上报信息，形成志愿节点集合，并保存FN剩余能耗信息；

S3：SDN控制器计算任务卸载到VN集合中每个VN的时延和能耗。包括传输时延

队列时延

和任务处理时延

即任务卸载总时延为

任务卸载能耗为传输任务能耗

其中，

S4：采用Lyapunov优化方法联合优化卸载时延和能耗，选择最优VN作为备选卸载节点，称为帮助节点(Helpernode，HN)。在保证系统稳定性的同时，通过做出最优卸载决策，实现网络传输性能的最优化。

S5:比较本地执行和FN卸载的任务处理总时延和能耗，根据最小化优化目标做出卸载决策。

本发明的优点，包括：

在任务卸载过程中，备选卸载FN是具有卸载任务能力的VN，由于其当前负载较小，可避免由于任务拥塞造成处理时延增大。

在任务计算过程中，数据包队列呈动态变化，既有新的待处理数据包到达，也有已处理的数据包离开队列。在保持队列稳定下，优化任务卸载决策，可以减少任务卸载时延，提高用户传输体验。

以最小化整体网络任务卸载时延和能耗为目标做出最优任务卸载决策。当任务卸载到VN，任务卸载时延与队列时延，处理时延和传输时延相关。基于Lyapunov优化方程，可在保证队列稳定性的前提下，最小化任务卸载时延。

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来实现和获得。

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SDN的雾网络任务卸载场景示意图；

图2为基于SDN的VN集合建立流程图；

图3为基于SDN的雾网络任务卸载流程图；

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。

参见图1，图1所示为基于SDN的雾网络任务卸载计算的场景模型图。其中网络由用户层、SDN控制器层和雾节点层构成，用户随机分布在网络中。用户任务到达后向SDN发出卸载请求，SDN根据任务相关需求信息及FN剩余能耗和计算资源计算得到卸载时延，并作出最优卸载决策。

假设在t时刻，SDN控制器收到用户k的N个任务数据包卸载请求，SDN控制器首先向FNi发送卸载指令，上报剩余处理能力比请求。FNi更新历史平均能耗

及t时刻剩余计算能力，上报剩余处理能力比τ_i。SDN将t时刻剩余处理能力比τ_i小于给定阈值

的FN i建立VN集合。

参见图2，图2为基于SDN的VN集合建立流程图。通过该方式可有效避免任务队列挤压，减小卸载时延，并提高用户通信质量。VN集合建立过程如下：

201、用户k发送卸载请求至SDN控制器，SDN控制器向FN发送节点τ_i上报请求；

202、FN更新历史平均能耗

更新节点剩余计算能力：

其中，参数ω为小于1的遗忘因子，E_i(t)为FNi在t时刻处理卸载任务的能量消耗；

反映FNi在t-1时刻能量水平；

E_i(t)＝l_i(t)η_iθ_i

θ_i是FNi一个CPU周期的能耗值，η_i是FNi处理1bit数据需要的CPU周期数，处理结果的传输能耗本模型忽略不计。历史能耗值可反映FNi在t时刻的能量水平。

203、若FNi历史能耗低于阈值

FNi会上报剩余处理能力比τ_i。

如果

低于阈值，则τ_i为正，表明FN有意愿贡献自己剩余处理能力卸载用户任务，即为VN；小于1的正值参数κ_i是上报剩余处理能力比调节因子；

204、SDN控制器收集到所有FN上报的剩余处理能力比，建立VN集合,并根据VN集合信息进行VN筛选,作出卸载决策；

本发明的目标是最小化系统总卸载时延和任务传输能耗，任务总卸载时延为传输时延

队列时延

和任务处理时延

的总和，可表示为：

其中，

μ_i为FNi的任务服务率；

γ_i和β_i是无线链路路径损耗和阴影因素。此外，I_i和n₀分别为干扰功率和噪声功率谱密度。

设VN节点下行链路队列长度为Q_i(t)，VN数据包队列长度可以表示为：

t+1时刻的队列长度＝t时刻队列长度-t时刻链路的发包数+t时刻数据包的到达数，则VN i的下行链路队列更新过程表示为：

Q_i(t+1)＝max{Q_i(t)-D_i(t),0}+A_i(t)

其中，Q_i(0)＝0，A_i(t)为VN i在t时刻的数据包到达数，其服从泊松分布。D_i(t)为VN i在t时刻已卸载任务包数，每个数据包的大小为L，单位为bit，由此可得：

α_k.i∈{0,1}表示用户k与VN i之间的连接指示变量，α_k,i＝1表示用户k与VN i连接，反之α_k,i＝0。

综上所述，为最小化系统总卸载时延和任务传输能耗，本优化问题可以表示为：

C₂:0≤p_i≤p_max,

约束条件C₁在最小化任务卸载总代价的同时保证每个VN i队列稳定的需求；约束条件C₂为单个用户的传输功率约束；约束条件C₃为卸载任务的VN i最大传输功率约束；约束条件C₄为卸载决策变量。α_k,i＝1表示用户k与VN i连接，反之α_k,i＝0，约束条件C₅表示剩余处理能耗比和调节因子约束。

进一步，基于Lyapunov优化建模，步骤如下：

1)定义系统的Lyapunov函数：

L(Q(t))表示系统中队列的积压情况度量，取值越大表明系统中任务卸载请求的积压越多。

2)定义Lyapunov转移函数：

ΔQ(t)＝E{L(Q(t+1))-L(Q(t))|Q(t)}

由此可得：

根据队列的状态更新方程可得：

Q_i(t+1)²≤(Q_i(t)-D_i(t)+A_i(t))²

3)定义Lyapunov惩罚项：

4)系统优化问题转化：

s.t.C₂～C₅

根据Lyapunov优化理论，将最小化任务卸载总时延和能耗转化为每个时隙内最小化偏移函数加惩罚项，在保证系统队列稳定性前提下，最小化任务卸载代价。因此，在Lyapunov转移函数里加上Lyapunov惩罚项，即任务卸载到VN代价，可表示为：

其中，控制参数V＞0是用于平衡对列稳定性和目标函数的权重因子。进一步，可得Lyapunov一阶转移惩罚项为：

据此，根据系统优化目标，可得到如下优化方程：

s.t.C₁:0≤p_i≤p_max,

本问题包含解决两个子问题：1)最优功率分配2)最优任务卸载决策。为降低问题的求解复杂度，通过拉格朗日对偶原理及次梯度更新方法进行求解可求得方案。采用拉格朗日对偶法求得最优功率分配，拉格朗日函数如下：

其中，α_k和β_m分别是约束条件C₁和C₂所对应的拉格朗日乘子，且对

均满足α_k≥0和β_m≥0。假设存在最优解

使得上式目标函数最优，且满足所有约束条件。根据KKT条件，可以通过拉格朗日函数L(p,α_k,β_m)对

求导方程求解最优功率分配。

本发明提出基于SDN的雾网络任务卸载流程图如图3所示，包括以下步骤：

301、用户k产生任务；

302、用户k向SDN控制器发送卸载请求，SDN控制器计算任务本地总代价即处理时延和处理能耗和；

303、SDN控制器收到用户k的卸载请求，向FN发送卸载指令，根据网络中FNi上报的剩余处理能力上报比τ_i建立VN集合；

304、采用Lyapunov方程，在保证队列稳定的情况下，优化任务卸载时延和卸载能耗。卸载时延包括传输时延，队列时延和任务卸载时延，卸载能耗为任务传输能耗；

305、SDN控制器得到任务卸载总代价，并选择HN；

306、比较任务卸载代价和本地处理代价，用以是否制定卸载决策；

307、任务卸载总代价大于本地处理代价，任务直接在本地执行；

308、卸载节点能否满足任务处理时延阈值限定；

309、满足任务时延阈值限定，做出卸载决策α_k,i；

310、不满任务时延阈值限定，选择队列较短的VN进行任务卸载；

311、根据卸载决策，得出最小卸载代价；

312、卸载决策结束。

Claims (1)

1.一种基于SDN的雾网络任务卸载方法，其特征在于：该方法根据所提网络场景的特性，联合优化任务卸载时延和卸载能耗来最小化卸载总开销，具体包括以下步骤：

S1：建立卸载服务志愿节点集；

S2：优化任务传输时网络资源分配；

S3：结合队列和任务卸载代价，优化卸载决策，最大化网络性能；

VN集合建立过程如下：

201、用户k发送卸载请求至SDN控制器，SDN控制器向FN发送节点τ_i上报请求；

202、FN更新历史平均能耗

更新节点剩余计算能力：

其中，参数ω为小于1的遗忘因子，E_i(t)为FNi在t时刻处理卸载任务的能量消耗；

反映FNi在t-1时刻能量水平；

E_i(t)＝l_i(t)η_iθ_i

θ_i是FNi一个CPU周期的能耗值，η_i是FNi处理1bit数据需要的CPU周期数，处理结果的传输能耗本模型忽略不计；历史能耗值反映FNi在t时刻的能量水平；

203、若FNi历史能耗低于阈值

FNi会上报剩余处理能力比τ_i；

如果

低于阈值，则τ_i为正，表明FN有意愿贡献自己剩余处理能力卸载用户任务，即为VN；小于1的正值参数κ_i是上报剩余处理能力比调节因子；

204、SDN控制器收集到所有FN上报的剩余处理能力比，建立VN集合,并根据VN集合信息进行VN筛选,作出卸载决策；

最小化系统总卸载时延和任务传输能耗，任务总卸载时延为传输时延

队列时延

和任务处理时延

的总和，表示为：

其中，

μ_i为FNi的任务服务率；

γ_i和β_i是无线链路路径损耗和阴影因素；I_i和n₀分别为干扰功率和噪声功率谱密度；

设VN节点下行链路队列长度为Q_i(t)，VN数据包队列长度表示为：

t+1时刻的队列长度＝t时刻队列长度-t时刻链路的发包数+t时刻数据包的到达数，则VNi的下行链路队列更新过程表示为：

Q_i(t+1)＝max{Q_i(t)-D_i(t),0}+A_i(t)

其中，Q_i(0)＝0，A_i(t)为VNi在t时刻的数据包到达数，其服从泊松分布；D_i(t)为VNi在t时刻已卸载任务包数，每个数据包的大小为L，单位为bit，得：

α_k.i∈{0,1}表示用户k与VNi之间的连接指示变量，α_k,i＝1表示用户k与VNi连接，反之α_k,i＝0；

为最小化系统总卸载时延和任务传输能耗，优化问题表示为：

C₂:0≤p_i≤p_max,

约束条件C₁在最小化任务卸载总代价的同时保证每个VNi队列稳定的需求；约束条件C₂为单个用户的传输功率约束；约束条件C₃为卸载任务的VNi最大传输功率约束；约束条件C₄为卸载决策变量；α_k,i＝1表示用户k与VNi连接，反之α_k,i＝0，约束条件C₅表示剩余处理能耗比和调节因子约束；

基于Lyapunov优化建模，步骤如下：

1)定义系统的Lyapunov函数：

L(Q(t))表示系统中队列的积压情况度量，取值越大表明系统中任务卸载请求的积压越多；

2)定义Lyapunov转移函数：

ΔQ(t)＝E{L(Q(t+1))-L(Q(t))|Q(t)}

得：

根据队列的状态更新方程得：

Q_i(t+1)²≤(Q_i(t)-D_i(t)+A_i(t))²

3)定义Lyapunov惩罚项：

4)系统优化问题转化：

s.t.C₂～C₅

根据Lyapunov优化理论，将最小化任务卸载总时延和能耗转化为每个时隙内最小化偏移函数加惩罚项，在保证系统队列稳定性前提下，最小化任务卸载代价；在Lyapunov转移函数里加上Lyapunov惩罚项，即任务卸载到VN代价，表示为：

其中，控制参数V＞0是用于平衡对列稳定性和目标函数的权重因子；得Lyapunov一阶转移惩罚项为：

据此，根据系统优化目标，得到如下优化方程：

s.t.C₁:0≤p_i≤p_max,

解决两个子问题：1)最优功率分配2)最优任务卸载决策；为降低问题的求解复杂度，通过拉格朗日对偶原理及次梯度更新方法进行求解求得方案；采用拉格朗日对偶法求得最优功率分配，拉格朗日函数如下：

其中，α_k和β_m分别是约束条件C₁和C₂所对应的拉格朗日乘子，且对

m均满足α_k≥0和β_m≥0；设存在最优解

使得上式目标函数最优，且满足所有约束条件；根据KKT条件，通过拉格朗日函数L(p,α_k,β_m)对

求导方程求解最优功率分配。

Images