CN110535936A - 一种基于深度学习的能量高效雾计算迁移方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的能量高效雾计算迁移方法，首先构建了任务完成时间最小化雾计算迁移优化问题，提出了一个基于深度学习的雾计算迁移决策算法用于解决上述优化问题，该算法具有较快的收敛性能，并且能够最大程度地降低复杂网络场景下的任务完成时间；其次，为了进一步优化雾计算迁移的能耗，构建了终端用户能耗最小化雾计算迁移优化问题，基于上述迁移决策算法求解的最优迁移决策，提出了最优传输功率分配求解算法用于解决上述优化问题，该求解算法对传输功率进行了动态分配，从而获得最优传输功率即最小能耗；最后，本发明方法的具体实施验证了所提雾计算迁移方法在降低任务完成时间和用户能量消耗上的优势。

Description

一种基于深度学习的能量高效雾计算迁移方法

技术领域

本发明涉及雾计算迁移方法，特别涉及一种基于深度学习的能量高效雾计算迁移方法。

背景技术

随着大数据时代的到来，人们对计算资源和存储资源的需求不断上升，传统的用户设备已不能满足人们的需求。云计算的概念应运而生，其提供的按需付费模式使得用户能够以低廉的价格获得所需计算资源和存储资源。用户可将其产生的计算任务传输至远程云服务器进行处理。但是，这种长距离的传输会造成极大的通信开销和通信延迟。而雾计算的普及在一定程度上弥补了上述缺陷，雾节点距离终端用户更近，拥有更低的网络延迟。然随着增强现实技术、虚拟现实技术、网络对战游戏和高清视频播放等资源密集型任务的兴起，如何平衡雾节点的负载压力成为了一个亟待解决的问题。

为解决上述问题，人们引入了计算迁移技术，并充分考虑了如何分配资源和将计算任务迁移至何处的问题，从而缓解雾节点和用户设备的负载压力、提升用户体验。目前，主流的雾计算迁移方案大致分为以下三类：

第一类方案仅考虑了最小化任务完成时间。该类方案基于雾服务器的负载压力，对计算资源分配进行了一定的优化，用以降低端对端时延和任务完成时间。

第二类方案仅考虑了最小化能量消耗。该类方案运用第一类方案的思想，对计算资源、传输功率和信道带宽进行了联合优化，使得用户在给定时延约束下最小化能耗。

第三类方案同时考虑了最小化完成时间和能量消耗。其主要思想为：建立完成时间和能耗联合优化问题，并将其转化为单目标优化问题，在迭代过程中降低误差、提高计算精度，从而降低能量消耗和完成时间。

但是，上述主流的雾计算迁移方案并不能适用于复杂动态变化的网络场景。

发明内容

发明目的：本发明目的是实现复杂物联网场景中计算迁移方案的自适应性，并最大程度地降低任务完成时间和终端用户能量消耗。

技术方案：本发明提供一种基于深度学习的能量高效雾计算迁移方法，包括如下步骤：

(1)构建完成时间最小化模型，提出基于深度学习的雾计算迁移决策算法，用以最小化任务完成时间；

(2)基于上述迁移决策算法求解的最优迁移决策，构建终端用户能耗最小化模型，提出最优传输功率分配求解算法，用以最小化终端用户能耗。

进一步地，所述步骤(1)中的完成时间最小化模型定义如下：

P1:

s.t.α_n＝{0,1},

进一步地，所述模型求解的第一个约束条件表示用户n的实时计算任务的迁移决策，α_n＝1说明任务在本地设备进行处理，α_n＝0说明任务在雾服务器进行处理；第二个约束条件表示任意一个在本地执行的计算任务的完成时间应小于等于所有计算任务的完成时间；第三个约束条件表示任意一个迁移出去的计算任务的完成时间应小于等于所有计算任务的完成时间。

进一步地，当所述α_n的取值集合有所差异时，用户n的任务完成时间也就有所不同，所有用户的最终完成时间T会有所差异，所以该优化问题等价于求取完成时间最小迁移决策集合，采用DL-FCOD算法来解决这个优化问题，具体包含如下步骤：

步骤001：训练样本数据的生成，通过终端用户采集用户原始数据，具体包含用户数据大小和信道传输速率，并利用贪心算法求取当前状态下的最优迁移决策集合；

步骤002：深度神经网络的训练，将步骤001中的用户原始数据及所得最优迁移决策集合作为深度神经网络的训练集输入，并选择激活函数、损失函数和优化方法；

步骤003：自适应迁移决策的实现，基于步骤002训练的深度神经网络，感知用户实时数据，即可获得对应的迁移决策即完成时间最小化的用户实时任务迁移决策。

进一步地，所述步骤001之后、步骤002之前，还包括如下步骤：

步骤001-1：输入用户数据大小和传输速率

步骤001-2：单独求取各个用户的迁移决策，当本地完成时间小于在雾服务器处理任务的完成时间时，迁移决策为1；反之，迁移决策为0；

步骤001-3：当N个用户的最优迁移决策均已生成时，合并输出最优迁移决策集合。

进一步地，所述步骤(2)中终端用户能耗最小化模型定义如下：

P2:

其中，p_min和p_max分别为信道传输速率的最小值和最大值。

由于本地设备功率为固定值，因此本地能耗也为固定值，可将(2)中的优化问题转化为：

P3:

而转化后的目标函数并不是凸函数，很难对其进行最优化求解，为此，本发明将其转化为减式形式的优化问题，并引入了最大化加权能效u*的概念，具体如下所示：

P4:

其中，p*为最优传输功率，所以该优化问题等价于求取最优传输功率，本发明综合一维搜索算法的理念，采用了OTPA算法以解决这个优化问题，具体包含以下步骤：

步骤001：输入DL-FCOD算法所得最优迁移决策信道衰弱系数g、信道噪声功率N₀、用户最大容忍误差e和最大迭代次数I等；

步骤002：初始化u＝0，迭代次数i＝0，当且i≤I时，执行步骤003；

步骤003：跳转至步骤002；当时，返回

通过上述步骤，可以求得每个任务的最优传输传输功率即最小传输能耗，结合(3)中求和函数的特性，对所有用户任务的最小传输能耗进行求和，从而得到最小总能耗。

有益效果：本发明可实现复杂物联网场景中计算迁移方案的自适应性，并最大程度地降低任务完成时间和终端用户能量消耗。

附图说明

图1是DL-FCOD算法解决时间优化问题的步骤流程图；

图2是DL-FCOD算法中损失值的收敛性能；

图3是OTPA算法中终端用户能耗的收敛性能；

图4是不同算法下数据大小和任务完成时间之间的关系；

图5是DL-FCOD算法和OTPA算法下的终端用户能耗对比。

具体实施方式

本实施例是如图1所示，本发明设计的DL-FCOD算法能够自动提取数据特征，生成自适应性迁移决策，从而最小化任务完成时间。假设一个雾计算网络由N个终端用户和一个雾服务器组成。在本发明中，定义用户数量N＝5，终端用户设备计算能力C^local＝4Mb/s，雾服务器计算能力C^server＝10Mb/s，信道衰弱系数g＝1，信道传输功率N₀为10^-6瓦特，终端用户设备的功率为4*10^-5瓦特。

完成时间最小化模型如下：

P1:

s.t.α_n＝{0,1},

(1)中求解模型的第一个约束条件表示用户n的实时计算任务的迁移决策，α_n＝1说明任务在本地设备进行处理，α_n＝0说明任务在雾服务器进行处理；第二个约束条件表示任意一个在本地执行的计算任务的完成时间应小于等于所有计算任务的完成时间；第三个约束条件表示任意一个迁移出去的计算任务的完成时间应小于等于所有计算任务的完成时间。

当α_n的取值集合有所差异时，用户n的任务完成时间也就有所不同，也就意味着所有用户的最终完成时间T会有所差异。所以该优化问题等价于求取完成时间最小迁移决策集合，采用DL-FCOD算法来解决这个优化问题，具体包含如下步骤：

步骤001.训练样本数据的生成。收集小规模的用户原始数据，具体包含用户数据大小和信道传输速率，并利用贪心算法求取当前状态下的最优迁移决策集合；

步骤001-1：输入用户数据大小和传输速率

步骤001-2：单独求取各个用户的迁移决策，当本地完成时间小于在雾服务器处理任务的完成时间时，迁移决策为1；反之，迁移决策为0；

步骤001-3：当N个用户的最优迁移决策均已生成时，合并输出最优迁移决策集合。

步骤002.深度神经网络的训练。将步骤001中的小规模数据及所得最优迁移决策集合作为深度神经网络的训练集输入，并选择合适的激活函数、损失函数和优化方法；

步骤003.自适应迁移决策的实现。基于步骤002训练的深度神经网络，感知用户实时数据，即可获得对应的迁移决策即完成时间最小化的用户实时任务迁移决策。

通过上述步骤，可以自适应地做出完成时间最小化迁移决策。基于所得最优迁移决策即完成时间最小化迁移决策，将终端用户能耗最小化模型定义如下：

P2:

其中，p_min和p_max分别为信道传输速率的最小值和最大值。

由于本地设备功率为固定值，因此本地能耗也为固定值，可将(2)中的优化问题转化为：

P3:

而转化后的目标函数并不是凸函数，很难对其进行最优化求解。为此，本发明将其转化为减式形式的优化问题，并引入了最大化加权能效u^*的概念，具体如下所示：

P4:

其中，p^*为最优传输功率，所以该优化问题等价于求取最优传输功率，本发明综合一维搜索算法的理念，采用了OTPA算法以解决这个优化问题，具体包含以下步骤：

步骤001.输入DL-FCOD算法所得最优迁移决策信道衰弱系数g、信道噪声功率N₀、用户最大容忍误差e和最大迭代次数I等；

步骤002.初始化u＝0,迭代次数i＝0，当且i≤I时，执行步骤003；

步骤003.跳转至步骤002；当时，返回

通过上述步骤，可以求得每个任务的最优传输传输功率即最小传输能耗。结合(3)中求和函数的特性，对所有用户任务的最小传输能耗进行求和，从而得到最小总能耗。

从图2可以看出，在不同学习率的情况下，损失值的收敛性能都很好，亦即本发明所提DL-FCOD算法具有较快的收敛特性。

从图3可以看出，终端用户能耗大小随着计算任务的增大而变大，当迭代次数达到100时，终端用户能耗能够大致实现收敛，即OTPA算法具有较快的收敛特性。

从图4可以看出，由于所提DL-FCOD算法采集了小规模高精度的用户原始数据，并选取了能够扩大数据特征效果的激活函数，使得最终任务完成时间与贪心算法下的任务完成时间完全重合，实现了用户任务完成时间最小的优化目标，确保了迁移决策的最优性。

从图5可以看出，由于OTPA算法对传输功率进行了动态分配并实现了加权能效最大化，使得终端用户能够在完成时间最小迁移决策的基础上，最大程度地降低能量消耗。

Claims (6)

1.一种基于深度学习的能量高效雾计算迁移方法，包括如下步骤：

(1)构建完成时间最小化模型，提出基于深度学习的雾计算迁移决策算法，用以最小化任务完成时间；

(2)基于上述迁移决策算法求解的最优迁移决策，构建终端用户能耗最小化模型，提出最优传输功率分配求解算法，用以最小化终端用户能耗。

2.根据权利要求1所述的基于深度学习的能量高效雾计算迁移方法，其特征在于：所述步骤(1)中的完成时间最小化模型如下：

P1:

s.t.α_n＝{0,1},

3.根据权利要求2所述的基于深度学习的能量高效雾计算迁移方法，其特征在于：所述模型求解的第一个约束条件表示用户n的实时计算任务的迁移决策，α_n＝1说明任务在本地设备进行处理，α_n＝0说明任务在雾服务器进行处理；第二个约束条件表示任意一个在本地执行的计算任务的完成时间应小于等于所有计算任务的完成时间；第三个约束条件表示任意一个迁移出去的计算任务的完成时间应小于等于所有计算任务的完成时间。

4.根据权利要求3所述的基于深度学习的能量高效雾计算迁移方法，其特征在于：当所述α_n的取值集合有所差异时，用户n的任务完成时间也就有所不同，所有用户的最终完成时间T会有所差异，所以该优化问题等价于求取完成时间最小迁移决策集合，采用DL-FCOD算法来解决这个优化问题，具体包含如下步骤：

步骤001：训练样本数据的生成，通过终端用户采集用户原始数据，具体包含用户数据大小和信道传输速率，并利用贪心算法求取当前状态下的最优迁移决策集合；

步骤002：深度神经网络的训练，将步骤001中的用户原始数据及所得最优迁移决策集合作为深度神经网络的训练集输入，并选择激活函数、损失函数和优化方法；

步骤003：自适应迁移决策的实现，基于步骤002训练的深度神经网络，感知用户实时数据，即可获得对应的迁移决策即完成时间最小化的用户实时任务迁移决策。

5.根据权利要求4所述的基于深度学习的能量高效雾计算迁移方法，其特征在于：所述步骤001之后、步骤002之前，还包括如下步骤：

步骤001-1：输入用户数据大小和传输速率

步骤001-2：单独求取各个用户的迁移决策，当本地完成时间小于在雾服务器处理任务的完成时间时，迁移决策为1；反之，迁移决策为0；

步骤001-3：当N个用户的最优迁移决策均已生成时，合并输出最优迁移决策集合。

6.根据权利要求1所述的基于深度学习的能量高效雾计算迁移方法，其特征在于：所述步骤(2)中的终端用户能耗最小化模型定义如下：

P2:

其中，p_min和p_max分别为信道传输速率的最小值和最大值，

由于本地设备功率为固定值，因此本地能耗也为固定值，可将(2)中的优化问题转化为：

P3:

而转化后的目标函数并不是凸函数，很难对其进行最优化求解，为此，本发明将其转化为减式形式的优化问题，并引入了最大化加权能效u^*的概念，具体如下所示：

P4:

其中，p^*为最优传输功率，所以该优化问题等价于求取最优传输功率，本发明综合一维搜索算法的理念，采用了OTPA算法以解决这个优化问题，具体包含以下步骤：

步骤001：输入DL-FCOD算法所得最优迁移决策信道衰弱系数g、信道噪声功率N₀、用户最大容忍误差e和最大迭代次数I等；

步骤002：初始化u＝0，迭代次数i＝0，当且i≤I时，执行步骤003；

步骤003：i＝i+1，跳转至步骤002；当时，返回

通过上述步骤求得每个任务的最优传输传输功率即最小传输能耗，结合(3)中求和函数的特性，对所有用户任务的最小传输能耗进行求和，从而得到最小总能耗。