CN110493360B - 多服务器下降低系统能耗的移动边缘计算卸载方法 - Google Patents

Abstract

本发明提供了一种多服务器下降低系统能耗的移动边缘计算卸载方法，MEC服务器根据当前资源和通信状态确定任务在本地计算卸载还是在其他服务器上远程计算；当需要远程计算卸载时，按照任务执行时延大小和所占资源大小对MEC服务器进行优先级排序，并将任务分配给优先级高的MEC服务器计算卸载，适用于在协作框架下计算资源不充足但对总的任务时延有较高要求的系统。

Description

多服务器下降低系统能耗的移动边缘计算卸载方法

技术领域

本发明涉及通信技术领域，尤其涉及一种多服务器下降低系统能耗的移动边缘计算卸载方法。

背景技术

5G时代的到来，使得流量爆炸性增长。智能手机等移动设备的普及带来了移动终端应用的爆发式兴起，更多更为成熟和复杂的程序将在移动智能终端上运行。而其中大部分设备的计算资源有限，通信和储存必须依靠云或边缘设备来完成。此外，终端用户和远程云之间的数据交换将会占用大量带宽并导致回程网络瘫痪。作为移动云计算的补充，移动边缘网络应运而生。移动边缘网络将流量、计算和网络功能下沉到网络边缘，使得越来越多的信息在本地生成和消费。计算卸载最初应用在云计算中，该技术可以实现在移动智能终端上运行复杂和成熟的应用。但却引入了显著的执行延迟，使得卸载不适合实时应用程序。为了解决延迟问题，研究人员将计算卸载技术引入到移动边缘网络中，形成移动边缘计算(Mobile Edge Computing，MEC)。MEC技术使得网络边缘具有计算、储存和通信的能力，让海量的信息利用边缘设备的计算、储存资源在网络边缘进行生产和消费。针对5G架构下边缘计算网络中有多节点服务器的场景，现有文献主要集中在研究多节点服务器下能耗和时延计算问题，但在5G框架下研究联合通信和计算的计算协作较少。本系统基于5G的超密集组网的边缘计算架构，提出了一种基于多维背包问题的MMKPP算法，并对任务根据其优先级进行排序，进一步降低系统任务计算卸载的时延。研究联合通信和计算的计算协作。

发明内容

本发明的目的在于提供一种多服务器下降低系统能耗的移动边缘计算卸载方法，以达到系统计算能耗最小的优化目标。

为了达到上述目的，本发明提供了一种多服务器下降低系统能耗的移动边缘计算卸载方法，在MEC协同架构下，每个基站配置一台MEC服务器，所述多服务器下降低系统能耗的移动边缘计算卸载方法包括：

MEC服务器根据当前资源和通信状态确定任务在本地计算卸载还是在其他服务器上远程计算；

当需要远程计算卸载时，按照任务执行时延大小和所占资源大小对MEC服务器进行优先级排序，并将任务分配给优先级高的MEC服务器计算卸载；

任务a_n的优先级p_n为：

其中，

为本地计算时间，β为比重因子，γ_n为资源分配的比例，ξ_m表示基站m和其他基站连接的无线信道状态，

为总时间消耗，φ_nm表示是否合作的决定，S_m表示选中的服务器，S为服务器。

可选的，设定MEC合作系统R，M个配备有MEC服务器的基站，服务器S＝(S₁,S₂,......,S_M)，连接矩阵为ξ＝[ξ₁,ξ₂,......,ξ_M]^T，其中ξ_m表示基站m和其他基站连接的无线信道状态，MEC服务器可用资源可表示为ζ＝(ζ₁,ζ₂,......,ζ_M)，一个过载的MEC服务器S₀拥有多个任务

去执行，并且这些任务均是计算密集型和时间敏感型，其中D_n表示计算数据的输入数据量，O_n表示输出的数据量，C_n表示完成本次任务所需的计算资源，

表示本次任务的最大时延。

可选的，任务的执行和任务分配的决策满足如下公式：

或者，

φ_nm表示是否合作的决定。

可选的，发送速率R_om和接收速率R_mo满足如下公式：

其中，l^-α为MEC服务器之间的路径损耗建模，l和α分别表示两个MEC服务器的距离和路径损耗指数，h₁和h₂为发送和接收信道衰落系数，N₀为白高斯噪声功率，W_om,W_mo,P₀,P_m分别表示发送信道带宽，接收信道带宽，超载服务器S₀的发送功率，选中的服务器S_m的发送功率。

可选的，在本地计算卸载时，总时间消耗

为：

其中，

和

为向S_m发送输入数据的时间和从S_m接收输出数据的时间，

为执行的时间消耗，C_n表示完成本次任务所需的计算资源。

在本发明提供的多服务器下降低系统能耗的移动边缘计算卸载方法中，MEC服务器根据当前资源和通信状态确定任务在本地计算卸载还是在其他服务器上远程计算；当需要远程计算卸载时，按照任务执行时延大小和所占资源大小对MEC服务器进行优先级排序，并将任务分配给优先级高的MEC服务器计算卸载，适用于在协作框架下计算资源不充足但对总的任务时延有较高要求的系统。

附图说明

图1为MEC协同架构；

图2为资源有限下算法性能对比；

图3为资源充足情况下算法性能；

图4为任务成功率随任务数量变化图；

图5为服务器数量对比图。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

本系统基于5G的超密集组网的边缘计算架构，采用一种以计算协作为核心的协作体系结构，以减小计算卸载的系统执行时延并提高在有限资源情况下任务的执行成功率为目标，提出了一种基于多维背包问题的MMKPP算法，并对任务根据其优先级进行排序，进一步降低系统任务计算卸载的时延。协同架构如图1所示，在MEC协同架构下，每个Macro-Bs配置一台MEC服务器，图中Micro-BS可以与MEC服务器一起部署，以支持计算卸载。这些MEC-BS将决定何时在本地处理这些任务，或者在协作框架中搜索更好的邻居服务器，以确保卸载性能。在该协作体系中，将MEC层资源视为一个可用的整体，并默认每个待执行任务在不同的MEC服务器中占用的资源不变，这样既可以突破单个服务器的资源约束，承载更高的峰值负载，又可以充分利用整个MEC层的资源。

假定这里有一个MEC合作系统R，M个MEC-BS(MEC-BS表示配备有MEC服务器的基站)服务器S＝(S₁,S₂,......,S_M)，连接矩阵为ξ＝[ξ₁,ξ₂,......,ξ_M]^T，其中ξ_m表示基站m和其他基站连接的无线信道状态。MEC-BS服务器可用资源可表示为ζ＝(ζ₁,ζ₂,......,ζ_M)。假定一个过载的MEC-BS服务器s₀拥有多个任务

去执行，并且这些任务是计算密集型和时间敏感型。其中D_n表示计算数据的输入数据量，O_n表示输出的数据量，C_n表示完成本次任务所需的计算资源，

表示本次任务的最大时延。任务a_n可以在本地计算或者通过MEC协作体系在其他服务器上远程计算。

①如果任务是在本地服务器中计算的，那么队列时间消耗是任务执行时间消耗的重要组成部分；

②如果将一个任务分配给其他服务器，任务调度程序将决定该任务可以分配给哪个服务器。

对于输入数据延迟时间不同的任务，资源需求可能会发生变化。资源的可用性也可能随着可用计算资源或无线链接的变化而变化。因此，任务的选择是分配给邻居服务器，还是在本地计算，需要由MEC-BS服务器的当前资源和通信状态决定。因此，在MEC的计算协作中，通信和计算两个方面都起着至关重要的作用。

通信模型：

MEC-BS服务器之间的无线链路采用微波链路。用S_m表示选中的服务器，φ_nm表示是否合作的决定。具体来说φ_nm＝1表示超载服务器S₀向选中的服务器S_m发送任务，否则为0。如果所有φ_nm等于0，任务的执行和任务分配的决策满足下面公式。

如果任务在其他服务器上运行，则任务分配的决策满足公式，该公式确保每个任务只调度在一台服务器上。

将超载服务器S₀与选中的服务器S_m之间的无线链路视为双工模式。服务器之间的路径损耗建模为l^-α，l和α分别表示两个服务器的距离和路径损耗指数。同时，发送和接收信道衰落系数分别用h₁和h₂表示。考虑白高斯噪声功率为N₀，下面给出了发送速率R_om和接收速率R_mo。

这里W_om,W_mo,P₀,P_m分别表示发送信道带宽，接收信道带宽，超载服务器S₀的发送功率，选中的服务器S_m的发送功率。

计算模型：

在本地服务器计算任务时，任务的本地计算总时间消耗由两部分组成：一部分是确定的计算时间，

这里γ表示本地服务器资源分配比例。

另一部分是排队时间消耗：

其中Q₀表示在任务a_n之前的总的负载的队列任务的总计算量，Q₀≥0，ζ₀表示本地服务器可用的资源。

如果在选中的服务器S_m上分配了任务a_n，那么超载的服务器就会产生一些时间成本。时间成本函数

是服务器远程执行任务时的总时间消耗。在这种情况下，它们之间任务分配的决策φ_nm＝1。任务消耗

的传输时间包括两个部分:向S_m发送输入数据的时间和从S_m接收输出数据的时间：

当任务需要在选中的服务器S_m上执行时，我们可以得到服务器的资源状态，执行的时间消耗可以表示为：

这里C_n表示完成本次任务所需的计算资源。因此总时间消耗

可以表示为:

基于系统时延最小的资源分配策略：

当服务器处理速度增加到阈值，导致服务器过载，分配决策将在时隙T内对过热服务器选择合理的邻居服务器来完成相应的任务。

由于距离的关系，超载服务器S₀和MEC-BS服务器之间的通道状态是不同的。时隙T内MEC-BS服务器的资源状态是分配决策的关键因素。首先，如果将任务a_n分配给选中的服务器S_m，初始条件是总时间消耗

小于任务a_n的最大时延

其次，如果任务是远程服务器上的计算，那么选中的服务器S_m中的时间消耗必须小于本地计算方法的时间消耗：

第三，服务器的计算资源不是无限的。资源约束阻止过多任务同时执行，基于其计算资源ζ_m，φ_nm的决定应该满足资源约束：

第四，为了避免在资源有限的情况下，MEC-BS服务器没有足够的计算资源，无法承载更多的任务而导致任务失败的问题，同时提高系统在资源有限情况下的任务成功率，尽可能地服务更多的应用程序，本申请提出一种基于任务执行时延大小和所占资源大小的优先级排序算法，定义任务a_n的优先级p_n为：

上式中的β为比重因子，β的值越大，优先级p_n中执行时延所占的比重越大，反之，β的值越小，则优先级p_n中所占资源大小对任务执行的优先级影响更大。任务a_n的优先级p_n越大，则该任务将会被优先执行或者分配给服务器，优先级保证了对时延敏感性任务和计算密集型任务将会获得更高的优先级，优先保证任务的资源分配。

根据讨论，我们可以获得一个服务器池

它允许任务从中选择服务器进行计算卸载。根据服务器池和时间消耗，任务可以选择一个正确的决定φ_nm，使得任务从超载服务器S₀到被选中的服务器S_m执行任务的时间消耗降到最低。因此，将N个任务在一个时隙内T内建模为一个最低消耗箱装箱问题(Minimum Consumption Bin Packingproblem，MCBP)

根据以上的讨论，传输的时间消耗主要与带宽、传输功率和距离有关。本申请给出了弹性资源共享模型和专用资源共享模型。我们将专用资源共享视为资源共享模式。因此，同一个任务在相同的服务器资源分配的比例γ_n和资源块B_m＝γ_nζ_m是一样的。将MCBP表示为设定优先级的多维最小背包问题(Multi-dimensional Minimum Knapsack Problemwith Priority，MMKPP)。极限条件C2可以表示为

为了提高MMKPP求解器的性能，我们从许多启发式算法中选择了动态规划(DP)算法来解决这个问题。采用自底向上的动态规划方法对问题进行逐步求解。优化算法如表1所示。

表1 MMKPP最优计算协作机制

系统仿真参数见表2：

表2 MMKPP仿真参数

图2中给出了在资源有限(其中协作框架中部署有50台MEC服务器)情况下，三种算法执行时间随待执行任务数的变化图。从图中可以看出，任务执行时间随待执行任务数的增加而增加。但在相同的任务数情况下，所提算法比随机选择算法的时间明显降低，将所提算法经过排序后的算法，因为设置了资源分配优先级，因此，保证了时延敏感型和计算密集型的任务具有较高的优先级，减少了任务因MEC层通信资源和计算资源不够而选择在本地执行，从而更加降低了算法的执行时间。从图中可以看出，在待执行任务数为300个时，MMKPP算法执行时间约为370秒，而MMKP算法执行时间约为480秒，随机算法执行时间约为540秒。相比于随机算法执行时间，现有的MMKPP算法执行时间性能提升31.5％，相比于现有的MMKP算法，本申请所提的MMKPP算法执行时间性能提升22.9％。

图3给出了在资源充足(其中协作框架中部署有80台MEC服务器)的情况下算法的性能仿真图，总体而言，算法执行时间随待执行任务数量的增加而增加，所提的算法和将它排序后的算法比随机选择的算法执行的时间少，在任务数量为300个时，所提算法和排序后算法的任务执行时间为368秒，而随机选择算法的任务执行时间为463秒，相比之下任务执行时间节约了95秒，缩短任务执行时间约为原来的20.5％。在资源充足的情况下，所提算法和排序后的算法的任务执行都能成功地选择在临近最优MEC服务器执行，不存在任务因为资源不足而选择在本地MEC服务器执行的情况，因此两种算法的任务执行时间为一致。可以看出，在资源充足情况下，所提算法和排序后算法任务执行时间不存在差别，在资源有限情况下，排序后的算法因为对时延敏感型和计算密集型任务设置更高的优先级，优先分配协作体系架构的通信资源和MEC服务器计算资源，降低长时间任务的本地执行概率，因而系统的总任务执行时间更短，在资源有限的情况下，排序后算法性能表现更好。

图4给出了系统任务执行成功概率随待执行任务数的变化图，从图中可以看出，系统任务执行成功概率随着待执行的任务数的增加而降低。所提算法和排序后的算法任务执行成功概率比随机选择算法的概率高。在待执行任务数量为220个之前，所提算法和排序后算法的成功率相同，随着待执行任务的数量增加，MEC服务器的计算资源有限，排序后算法由于设置了任务的优先级，其成功率高于所提算法的成功率。

图5给出了系统总执行时间与MEC服务器数量的关系。可以看出，在资源有限的情况下，系统总执行时间与MEC服务器计算资源有关，随着计算资源的增加，系统任务的总执行时间降低，这是因为MEC服务器计算资源的增加，能将更多的任务选择邻居MEC服务器执行，减少了本地过载服务器的排队时间，从而减少整个系统总的执行时间。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (5)

1.一种多服务器下降低系统能耗的移动边缘计算卸载方法，其特征在于，在MEC协同架构下，每个基站配置一台MEC服务器，所述多服务器下降低系统能耗的移动边缘计算卸载方法包括：

MEC服务器根据当前资源和通信状态确定任务在本地计算卸载还是在其他服务器上远程计算卸载；

当需要远程计算卸载时，按照任务执行时延大小和所占资源大小对MEC服务器进行优先级排序，并将任务分配给优先级高的MEC服务器计算卸载；

任务a_n的优先级p_n为：

其中，

为本地计算时间，β为比重因子，γ_n为资源分配的比例，

为总时间消耗，φ_nm表示是否合作的决定，S_m表示选中的服务器，S为服务器，MEC服务器可用资源可表示为ζ＝(ζ₁,ζ₂,......,ζ_M)，m∈M；

时延最小的资源分配策略：

当服务器处理速度增加到阈值，导致服务器过载，分配决策将在时隙T内对过热服务器选择邻居服务器来完成相应的任务；

由于距离的关系，超载服务器S₀和MEC服务器之间的通道状态是不同的，时隙T内MEC服务器的资源状态是分配决策的关键因素；

如果将任务a_n分配给服务器S_m，初始条件是总时间消耗

小于任务a_n的最大时延T_n ^max；

如果任务是远程服务器上的计算，那么远程服务器S_m中的时间消耗

必须小于本地计算方法的时间消耗

通过资源约束阻止过多任务同时执行，基于其计算资源ζ_m，φ_nm的决定应该满足资源约束：

通过基于任务执行时延大小和所占资源大小的优先级排序算法为MEC服务器分配资源，定义任务a_n的优先级p_n为：

上式中的β为比重因子，β的值越大，优先级p_n中执行时延所占的比重越大，反之，β的值越小，则优先级p_n中所占资源大小对任务执行的优先级影响更大；任务a_n的优先级p_n越大，则所述任务将会被优先执行或者分配给服务器。

2.如权利要求1所述的多服务器下降低系统能耗的移动边缘计算卸载方法，其特征在于，设定MEC合作系统R，M个配备有MEC服务器的基站，服务器S＝(S₁,S₂,......,S_M)，连接矩阵为ξ＝[ξ₁,ξ₂,......,ξ_M]^T，其中ξ_m表示基站m和其他基站连接的无线信道状态，MEC服务器可用资源可表示为ζ＝(ζ₁,ζ₂,......,ζ_M)，一个过载的MEC服务器S₀拥有多个任务

去执行，并且这些任务均是计算密集型和时间敏感型，其中D_n表示计算数据的输入数据量，O_n表示输出的数据量，C_n表示完成本次任务所需的计算资源，

表示本次任务的最大时延。

3.如权利要求2所述的多服务器下降低系统能耗的移动边缘计算卸载方法，其特征在于，任务的执行和任务分配的决策满足如下公式：

或者，

φ_nm表示是否合作的决定。

4.如权利要求3所述的多服务器下降低系统能耗的移动边缘计算卸载方法，其特征在于，发送速率R_om和接收速率R_mo满足如下公式：

其中，l^-α为MEC服务器之间的路径损耗建模，l和α分别表示两个MEC服务器的距离和路径损耗指数，h₁和h₂为发送和接收信道衰落系数，N₀为白高斯噪声功率，W_o,W_m,P₀,P_m分别表示发送信道带宽，接收信道带宽，超载服务器S₀的发送功率，目标服务器S_m的发送功率。

5.如权利要求4所述的多服务器下降低系统能耗的移动边缘计算卸载方法，其特征在于，在本地计算卸载时，总时间消耗

为：

其中，

和

为向S_m发送输入数据的时间和从S_m接收输出数据的时间，

为执行的时间消耗，C_n表示完成本次任务所需的计算资源。

Images