CN110266757B - 一种面向任务协同场景的边缘计算资源优化方法 - Google Patents

Abstract

本发明涉及一种面向任务协同场景的边缘计算资源优化方法，该方法利用边缘服务器获取感知节点计算任务的信息，由边缘服务器根据任务属性对计算资源与通信资源进行优化，其步骤如下：（1）边缘服务器根据系统相关信息获得各感知节点的属性；（2）依据感知节点的属性确定感知节点是否进行边缘计算；（3）构建边缘计算时隙分配优先机制；（4）构建短时隙划分机制，确定短时隙划分的长度；（5）根据优先机制和短时隙划分机制对时隙分配进行优化，确定短时隙的分配对象。本方法实现了对边缘计算系统中计算资源与通信资源的联合优化，降低了现场感知节点的总能耗，在感知节点电池电量有限的情况下，延长了感知节点的服役时间。

Description

一种面向任务协同场景的边缘计算资源优化方法

技术领域

本发明涉及了边缘计算、通信等领域，特别是一种面向任务协同场景的边缘计算系统中计算资源与通信资源的优化方法。

背景技术

随着物联网应用的飞速发展，以云计算模型为代表的集中式数据处理关键技术已不能高效、及时地处理物联网感知节点产生的数据。针对这一问题，边缘计算模型以“数据处理应更靠近数据源头”为核心理念应运而生。通过在网络边缘部署边缘计算服务器，可以为感知节点提供低时延的通信资源以及相对丰富的计算资源。

对于物联网中的感知节点而言，由于尺寸、应用环境等众多条件的约束，其电池寿命和计算能力等都受到了严重的限制。因此，将某些计算任务卸载到与感知节点物理距离较近的边缘服务器上执行是一种可行而且有效的方案。通过边缘计算，感知节点可以用将计算任务卸载到边缘服务器的传输能耗与传输时间为代价，来换取本地计算能耗的降低与执行速度的增加。

一项物联网服务的完成往往需要多个感知节点的数据进行协同计算，甚至存在一个感知节点需要另外一个感知节点的计算结果才能开始自己的计算任务的情况，这类物联网服务归属于任务协同场景，任务协同场景提高了数据的耦合程度，大大增加了边缘计算资源优化的难度。

由于边缘环境的复杂性与感知节点的异构性，每个设备的计算能力、产生的数据量、计算复杂度等均不相同；感知节点的数据通常具有实时性以及物联网服务本身具有的时限要求；感知节点与边缘服务器之间的通信链路有带宽限制及噪声干扰；边缘服务器的计算能力远远比不上云服务器的计算能力。因此需要对边缘计算系统中有限的通信资源以及计算资源进行统筹优化。

对于边缘计算系统中有限的通信资源以及计算资源的优化，是在物联网服务本身具有的时限要求和各感知节点的数据之间具有的任务协同要求的约束下，以将边缘计算系统中的感知节点的总能耗最小化为目标的优化问题。

发明内容

本发明的目的在于，针对多感知节点任务协同的边缘计算资源优化这一复杂的混合整数规划问题，提出一种面向任务协同场景的边缘计算资源优化方法，通过对全部感知节点的计算任务进行分类、优先级排序及节能效率分析，实现了对边缘计算系统中计算资源与通信资源的优化分配。

为了达到上述目的，在本发明中采用技术方案如下：

一种面向任务协同场景的边缘计算系统资源优化方法，包括以下步骤：

(1)边缘服务器根据系统相关信息获得各感知节点计算任务的属性；

(2)依据感知节点计算任务的属性确定是否进行边缘计算；

(3)构建边缘计算时隙分配优先机制；

(4)构建短时隙划分机制，确定短时隙划分的长度；

(5)根据优先机制和短时隙划分机制对时隙分配进行优化，确定短时隙的分配对象。

所述步骤(1)中计算任务的属性，通过边缘计算比本地计算节约的能耗来表征，其计算公式为：

其中，D_i为感知节点i的计算任务的数据量，n_i为感知节点i的计算任务的计算复杂度，P_l,i为感知节点i的每个CPU周期的能耗，f_l,i为感知节点i的CPU频率，ω₀为信道噪声，g为信道增益，f_e为边缘服务器的CPU频率，B为信道带宽，t_i为边缘计算的时隙。

所述步骤(2)中确定是否进行边缘计算的原则为：当E_save,i＝0时得到的t_0,i与本地计算时间t_l,i相比，t_l,i的计算公式为：

若t_0,i＜t_l,i则进行边缘计算，若t_0,i＞t_l,i则进行本地计算。

所述步骤(3)中的边缘计算时隙分配优先机制为：对进行边缘计算的节点，根据感知节点i边缘计算比本地计算节约的能耗在t_0,i处的微分值E′_save,i(t_0,i)进行排序。在t₀处的微分值E′_save,i(t_0,i)越大，表明此感知节点进行边缘计算节约的能耗E_save,i关于时间的变化率越大，在分配相同长度的短时隙情况下，此感知节点进行边缘计算节约的能耗最多，则分配的优先级越高，即优先分配短时隙。

所述步骤(4)中的边缘计算短时隙长度为t_i+1-t_0i+,，其中t_i+1为方程E′_save,i+1(t_i+1)＝E′_save,i+2(t_0,i+2)的解，且所述的解是唯一解。所述的短时隙的长度保证了在这段时间内，各感知节点节约能耗的大小不会发生改变，即各感知节点的优先级不会改变。

所述步骤(5)中基于优先机制和短时隙划分机制对感知节点i的时隙分配进行优化，分配的基准为E_save,i在t_i处的二阶导数与E_save,i+1在t_0,i+1处的二阶导数的大小关系。这样是为了确定短时隙的最佳分配对象，因为E_save,i在t_i处的微分等于E_save,i+1在t_0,i+1处的微分，保证了短时隙分配给节约能耗的更多的感知节点。

与现有技术相比较，本发明的优点在于：

依据感知节点自身计算任务的特点对其进行分类，减少了不同分类感知节点之间在优化时的相互影响和耦合。

对每个感知节点的计算任务进行了节约能耗的能力与潜力的综合考虑，使得通信资源能够分配给节能最多的感知节点。

对计算资源与通信资源同时进行了优化，在使感知节点的能耗最小化的同时，提高了边缘计算系统的资源利用率。

附图说明

图1为边缘计算系统架构图。

图2为任务协同场景的边缘计算时序图。

图3为边缘计算系统资源分配步骤图。

图4为进行边缘计算比本地计算节约能耗的计算流程图。

图5为确定短时隙划分的长度及分配对象的流程图。

具体实施方式

以下将结合附图，对本发明的具体实施例做进一步的说明。

如图1所示，本方法实施的边缘计算系统中有一个边缘服务器通过无线信道服务于K个感知节点，感知节点可以选择本地计算或者将数据卸载到边缘服务器进行计算，K个感知节点的数据通过协同计算完成一类物联网服务。

如图2所示，由于任务协同场景下计算任务存在执行顺序的约束，任务i+1只能等待任务i结束才能开始执行，并且每个计算任务可以选择本地计算或者边缘计算。完成服务的全部K个任务的总时隙应满足时限要求T。

如图3所示，一种面向任务协同场景的边缘计算系统资源优化方法，包括以下步骤：

(1)边缘服务器根据系统相关信息获得各感知节点计算任务的属性；

(2)依据感知节点计算任务的属性确定是否进行边缘计算；

(3)构建边缘计算时隙分配优先机制；

(4)构建短时隙划分机制，确定短时隙划分的长度；

(5)根据优先机制和短时隙划分机制对时隙分配进行优化，确定短时隙的分配对象。

所述步骤(1)中的感知节点的计算任务的属性，通过边缘计算比本地计算节约的能耗E_save,i来表征。

E_save,i的计算流程，如图4所示。首先计算得出各感知节点的计算任务进行本地计算所需的能耗E_l,i，其计算公式为：

然后计算各感知节点的计算任务在边缘服务器上的计算时间t_e,i，其计算公式为：

根据香农定理计算得到数据卸载的功率P_c,i，其公式为：

将数据卸载的功率与数据卸载的时间相乘，从而得到各感知节点的计算任务进行边缘计算所需的能耗E_e,i。最后将本地计算所需的能耗与边缘计算所需的能耗相减得到E_save,i，E_save,i是一个关于时隙t_i的函数，其公式为：

其中，D_i为感知节点i计算任务的数据量，n_i为感知节点i计算任务的计算复杂度，P_l,i为感知节点i每个CPU周期的能耗，f_l,i为感知节点i的CPU频率，ω₀为信道噪声，g为信道增益，f_e为边缘服务器的CPU频率，B为信道带宽，t_i为边缘计算的时隙。

如图5所示，通过以下步骤确定设备是否进行边缘计算，并对进行边缘计算的设备分配到的时隙进行优化。

所述步骤(2)中，令E_save,i＝0得到全部感知节点进行边缘计算与进行本地计算能耗相等时的时隙长度{t_0,1,t_0,2,···,t_0,i,···,t_0,K}，比较t_0,i与t_l,i。若t_0,i＞t_l,i表明在同等长度时隙内本地计算更节能，则感知节点i进行本地计算，分配到的时隙为t_l,i；反之表明在同等长度时隙内边缘计算更节能，则感知节点i进行边缘计算，需要对分配到的时隙进行进一步优化。其中，t_l,i的计算公式为：

所述步骤(3)中，对进行边缘计算的感知节点根据边缘计算比本地计算节约的能耗在t₀处的微分值E′_save,i(t_0,i)从大到小排序。E′_save,i(t_0,i)越大表明分配等长的时隙情况下，节约的能耗越大。

所述步骤(4)中，令E′_save,i+1(t_i+1)＝E′_save,i+2(t_0,i+2)得到t_i+1。因为在E′_save,i+1(t_i+1)＝E′_save,i+2(t_0,i+2)处，在等长的时隙情况下，节约能耗更多的感知节点可能发生改变，因此确定短时隙的长度为t_i+1-t_0,i+1。

所述步骤(5)中，比较E_save,i在t_i处的二阶导数与E_save,i+1在t_0,i+1处的二阶导数的大小。若E_save,i在t_i处的二阶导数大于E_save,i+1在t_0,i+1处的二阶导数，表明该短时隙分配给感知节点i+1能够节约更多的能耗，则短时隙被分配给感知节点i+1；反之表明该短时隙分配给感知节点i能够节约更多的能耗，则短时隙被分配给感知节点i。重复此步骤，直到服务完成时限T被全部分配完毕。

Claims (4)

1.一种面向任务协同场景的边缘计算资源优化方法，其特征在于，具体步骤如下：

(1)边缘服务器根据系统相关信息获得各感知节点计算任务的属性；

(2)依据感知节点计算任务的属性确定是否进行边缘计算；

(3)构建边缘计算时隙分配优先机制；

(4)构建短时隙划分机制，确定短时隙划分的长度；

(5)根据优先机制和短时隙划分机制对时隙分配进行优化，确定短时隙的分配对象；

所述步骤(1)中计算任务的属性，通过边缘计算比本地计算节约的能耗来表征，其计算公式为：

其中，D_i为感知节点i的计算任务的数据量，n_i为感知节点i的计算任务的计算复杂度，P_l,i为感知节点i的每个CPU周期的能耗，f_l,i为感知节点i的CPU频率，ω₀为信道噪声，g为信道增益，f_e为边缘服务器的CPU频率，B为信道带宽，t_i为边缘计算的时隙；

所述步骤(2)中确定是否进行边缘计算的原则为：当E_save,i＝0时得到的t_0,i与本地计算时间t_l,i相比，t_l,i的计算公式为：

若t_0,i＜t_l,i则进行边缘计算，若t_0,i＞t_l,i则进行本地计算。

2.根据权利要求1所述的面向任务协同场景的边缘计算资源优化方法，其特征在于，所述步骤(3)中的边缘计算时隙分配优先机制为：对进行边缘计算的节点，根据感知节点i边缘计算比本地计算节约的能耗在t_0,i处的微分值E′_save,i(t_0,i)进行排序。

3.根据权利要求1所述的面向任务协同场景的边缘计算资源优化方法，其特征在于，所述步骤(4)中的边缘计算短时隙长度为t_i+1-t_0,i+1，其中t_i+1为方程E′_save,i+1(t_i+1)＝E′_save,i+2(t_0,i+2)的解。

4.根据权利要求1所述的面向任务协同场景的边缘计算资源优化方法，其特征在于，所述步骤(5)中基于优先机制和短时隙划分机制对感知节点i的时隙分配进行优化，分配的基准为E_save,i在t_i处的二阶导数与E_save,i+1在t_0,i+1处的二阶导数的大小关系。

Images