CN110851197B - 一种边缘计算多服务器任务选择卸载方法和系统 - Google Patents

一种边缘计算多服务器任务选择卸载方法和系统 Download PDF

Info

Publication number
CN110851197B
CN110851197B CN201910960318.7A CN201910960318A CN110851197B CN 110851197 B CN110851197 B CN 110851197B CN 201910960318 A CN201910960318 A CN 201910960318A CN 110851197 B CN110851197 B CN 110851197B
Authority
CN
China
Prior art keywords
task
user equipment
edge server
edge
unloading
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910960318.7A
Other languages
English (en)
Other versions
CN110851197A (zh
Inventor
王进
吴文兵
王磊
廖卓凡
曹敦
陈沅涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201910960318.7A priority Critical patent/CN110851197B/zh
Publication of CN110851197A publication Critical patent/CN110851197A/zh
Application granted granted Critical
Publication of CN110851197B publication Critical patent/CN110851197B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Sources (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开了一种边缘计算多服务器任务选择卸载方法和系统，包括：若干边缘服务器分别获取与其相连的用户设备所产生的任务大小及工作负载数据；所述若干边缘服务器之间进行通信，由其中一个所述边缘服务器获取每一所述边缘服务器的服务率，以及每一所述边缘服务器获取的与其相连的所有所述用户设备的数据，计算与每一所述用户设备相连的边缘服务器组，计算用户设备在不同所述边缘服务器之间的卸载概率，优化用户设备的任务卸载比例和传输能量，优化结果通过各个所述边缘服务器返回给所述用户设备。该方法考虑了用户设备与多个服务器相连时的服务器选择问题，实现用户设备对任务处理的效用最大化。

Description

一种边缘计算多服务器任务选择卸载方法和系统
技术领域
本发明涉及移动边缘计算技术领域，尤其是涉及一种边缘计算多服务器任务选择卸载方法和系统。
背景技术
在物联网和大数据的快速发展下，云计算已经不能很好的为用户所服务，当我们对一个任务进行处理，任务从产生到传输至云端进行处理，然后将处理结果返回到用户，其中所耗费的时间和能量远超过用户所能接受的范围，并且可能导致任务失效，因此如何将任务在尽可能短的时间内被处理成为一项挑战。
边缘计算是将具有较强计算能力的服务器放在与用户靠近的边缘侧，使得任务能够在边缘侧进行处理，而不需要将任务传输到云端进行处理，大大减少了时间开销。对边缘计算中任务卸载问题的研究是缩短任务处理时间的有效途径，但是现有方法大多考虑通信资源、信道队列、服务器资源分配等方面的优化，或者是考虑一个或者多个动态的队列，解决边缘计算的动态卸载方面的问题，这些方法很少关注用户侧传输能量及任务卸载比例对任务处理的影响，难以实现用户设备任务处理的效用优化。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种边缘计算多服务器任务选择卸载方法，通过优化任务卸载比例和传输能量，使得任务处理的平均效用最大化。
本发明还提出一种应用上述方法的边缘计算多服务器任务选择卸载系统。
根据本发明的第一方面实施例的边缘计算多服务器任务选择卸载方法，包括：
若干边缘服务器分别获取与其相连的用户设备所产生的任务大小及工作负载数据；
所述若干边缘服务器之间进行通信，由其中一个所述边缘服务器获取每一所述边缘服务器的服务率，以及每一所述边缘服务器获取的与其相连的所有所述用户设备的数据，计算与每一所述用户设备相连的边缘服务器组，并根据所述边缘服务器组中各个所述边缘服务器的服务率计算相应用户设备在不同所述边缘服务器之间的卸载概率，结合所述卸载概率、所述用户设备产生的任务大小及其工作负载优化所述用户设备的任务卸载比例和传输能量，以减少所述用户设备的任务处理时间和能耗；
优化结果通过各个所述边缘服务器返回给与其相连的所述用户设备。
根据本发明实施例的边缘计算多服务器任务选择卸载方法，至少具有如下有益效果：
本方法考虑了用户设备与多个服务器相连时的服务器选择问题，通过计算用户设备在不同所述边缘服务器之间的卸载概率，结合用户设备产生的任务大小及其工作负载优化用户设备的任务卸载比例和传输能量，使用户设备对任务处理的效用最大化。
根据本发明的一些实施例，每一所述边缘服务器的任务队列设置为M/M/1队列模型，设所述用户设备以平均到达率λi产生任务，任务i在边缘服务器j的响应时间
Figure BDA0002228703390000021
计算如下：
Figure BDA0002228703390000022
其中，Sj表示边缘服务器j的服务率,
Figure BDA0002228703390000023
为任务i的卸载比例，
Figure BDA0002228703390000024
在边缘服务器上维持一个M/M/1队列，并将边缘服务器视为异构的服务器，能更贴近实际情况，使得任务在边缘服务器中的处理更加合理。
根据本发明的一些实施例，所述结合所述卸载概率、所述用户设备产生的任务大小及工作负载优化所述用户设备的任务卸载比例和传输能量，具体如下：
计算任务i在本地处理的计算延时
Figure BDA0002228703390000025
Figure BDA0002228703390000026
其中，floc>0表示用户设备的CPU频率，Ci表示工作负载；
任务i在本地计算的能量损耗
Figure BDA0002228703390000031
如下：
Figure BDA0002228703390000032
其中，κ表示能量因子；
设用户设备与k个边缘服务器连接，则任务i卸载到边缘服务器j的卸载概率proj如下：
Figure BDA0002228703390000033
任务i到边缘服务器j的传输延时
Figure BDA0002228703390000034
为：
Figure BDA0002228703390000035
其中，Ri,j为任务i卸载到边缘服务器j的数据传输率，Di为用户设备产生的任务大小；
任务i的传输延时的期望如下：
Figure BDA0002228703390000036
任务i的传输能量消耗的期望如下：
Figure BDA0002228703390000037
其中，Pi为任务i卸载到边缘服务器k的传输能量；
任务i在各个边缘服务器的响应时间的期望如下：
Figure BDA0002228703390000038
任务i在各个边缘服务器的处理能耗的期望如下：
Figure BDA0002228703390000039
得到任务i处理的总时间
Figure BDA00022287033900000310
和总能耗
Figure BDA00022287033900000311
分别为：
Figure BDA00022287033900000312
Figure BDA00022287033900000313
构建所述用户设备对任务i处理的效用函数，如下所示：
Figure BDA0002228703390000041
其中，0<α<1表示权重，Tmax和Emax分别为预设的最大时间和能量，pmax为所述用户设备的最大传输能量；
对所述效用函数进行求解，得到所述用户设备对任务i的卸载比例和传输能量。根据本发明的一些实施例，对所述效用函数进行求解的方法为遗传算法，其优点是计算过程简单高效，且具有随机性和可扩展性。
根据本发明的一些实施例，采用OFDMA通信模型对任务进行传输。
根据本发明的一些实施例，由具有最大CPU容量的边缘服务器获取每一所述边缘服务器的服务率，并完成后续计算，得到所述优化结果。
根据本发明的第二方面实施例的边缘计算多服务器任务选择卸载系统，包括若干边缘服务器和若干用户设备；
每一所述用户设备独立与至少一个所述边缘服务器通信连接，所述用户设备将产生的任务大小及工作负载数据发送至与其相连的所述边缘服务器；
所述若干边缘服务器之间通信连接，由其中一个所述边缘服务器获取每一所述边缘服务器的服务率，以及每一所述边缘服务器接收的与其相连的所有所述用户设备发送的数据，计算与每一所述用户设备连接的边缘服务器组，并根据所述边缘服务器组中各个所述边缘服务器的服务率计算相应用户设备在不同所述边缘服务器之间的卸载概率，结合所述卸载概率、所述用户设备产生的任务大小及其工作负载优化所述用户设备的任务卸载比例和传输能量，以减少所述用户设备的任务处理时间和能耗，优化结果通过各个所述边缘服务器返回给与其相连的所述用户设备。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的边缘计算多服务器任务选择卸载方法流程图；
图2是根据本发明实施例的边缘计算多服务器任务选择卸载系统模型结构示意图；
图3是图2的一种实例。
附图标记：
边缘服务器100、用户设备200、VR设备200’。
具体实施方式
下面结合附图详细描述本发明的实施例，值得理解的是，下面所描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上。为方便理解，下面对本发明实施例中涉及的名词进行说明。
M/M/1队列：是一种单一伺服器的排队模型，模型的队列长度无限且参与人数亦无限。
OFDMA通信模型：正交频分多址OFDMA(Orthogonal Frequency DivisionMultiple Access)，OFDMA多址接入系统将传输带宽划分成正交的互不重叠的一系列子载波集，将不同的子载波集分配给不同的用户实现多址。OFDMA系统可动态地把可用带宽资源分配给需要的用户，很容易实现系统资源的优化利用。
遗传算法：遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法从代表问题可能潜在的解集的一个种群开始，一个种群由经过基因编码的一定数目的个体组成，每个个体实际上是染色体带有特征的实体。初代种群产生之后，按照适者生存和优胜劣汰的原理，在每一代根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群，后生代种群比前代更加适应于环境，逐代演化产生出越来越好的近似解，末代种群中的最优个体经过解码，可以作为问题近似最优解。
参照图1和图2，根据本发明实施例的边缘计算多服务器任务选择卸载方法，包括：
步骤S100、若干边缘服务器100分别获取与其相连的用户设备200所产生的任务大小及工作负载数据。
步骤S200、各个边缘服务器100之间进行通信，由其中一个边缘服务器100获取其余各个边缘服务器100的服务率，以及其余每个边缘服务器100获取的与其相连的所有用户设备200的数据，计算与每一用户设备200相连的边缘服务器组。具体的，该过程可以由具有最大CPU容量的边缘服务器100执行，如图1所示。
步骤S300、进行计算的该边缘服务器100根据确定的边缘服务器组中各个边缘服务器100的服务率计算相应用户设备200在该组中不同边缘服务器100之间的卸载概率。
步骤S400、进行计算的该边缘服务器100根据计算的卸载概率，结合用户设备200产生的任务大小及其工作负载优化用户设备200的任务卸载比例和传输能量，以减少用户设备200的任务处理时间和能耗。
步骤S500、优化结果由进行计算的该边缘服务器100传输至其余的边缘服务器100，并通过各个边缘服务器100返回给与其相连的所述用户设备200，指导用户设备200进行任务卸载。
上述方法考虑了在边缘计算系统中，用户设备200与多个服务器相连时的服务器选择问题，通过优化任务卸载比例和传输能量，指导用户设备200进行任务卸载，使用户设备200对任务处理的效用最大。
下面以该方法应用于边缘计算多服务器任务选择卸载系统为例进行说明。参照图2，为该系统模型结构示意图，包括若干通信连接的边缘服务器100，若干用户设备200分别独立与至少一个边缘服务器100通信连接。
如图2示，每个基站(BS)都配置了一个边缘服务器100(MEC服务器)，边缘服务器100作为服务的提供者为资源受限的用户提供服务。在本发明的一些实施例中，边缘服务器100视为异构服务器，即可以具有不同的计算能力，与现有将边缘服务器100视为同构服务器的方法相比，能更贴近实际情况。
用户包括智能手机，平板，便携式电脑等，并且边缘服务器100能够通过由基站提供的无线信道与用户进行通信，每个移动用户可以选择从其可以连接的附近基站之一将计算任务卸载到边缘服务器100。
假设用户设备200根据泊松分布以平均到达率λi(任务/秒)产生任务，任务被认为是相互独立的并且能够在本地处理或者在与远端处理。设用户设备200产生的任务大小为Di，用Ci表示工作负载，Di和Ci由用户设备200发送至与其相连的边缘服务器100。
用户设备200选择卸载任务i的卸载比例为
Figure BDA0002228703390000071
Figure BDA0002228703390000072
对于任务i在用户设备200处理的部分，传输延时为0，延时就只有任务处理产生的计算延时，计算如下：
Figure BDA0002228703390000073
其中，floc>0表示用户设备200的CPU频率，
Figure BDA0002228703390000074
表示在本地处理的任务部分所需要的CPU周期。
为了计算任务i在用户设备200处理的能量，采用广为使用的计算能量周期模型ε＝κf2，κ表示由电路结构决定的能量因子，f是CPU周期。因此任务i在用户设备200计算的能量损耗如下所示：
Figure BDA0002228703390000075
对任务i需要卸载到边缘服务器100上处理的部分，考虑用户设备200可能与多个边缘服务器100进行连接，用户设备200则产生一个0-1的随机数，将与用户设备相连的不同服务器100的概率与0-1之间的区间相对应，服务器j在0-1的区间为
Figure BDA0002228703390000076
当用户设备产生0-1随机数之后，根据随机数的大小选择卸载到具体的服务器。
设用户设备200与k个边缘服务器100连接，则任务i卸载到边缘服务器j的卸载概率proj如下：
Figure BDA0002228703390000081
其中，Sj表示边缘服务器j的服务率。
优选采用OFDMA通信模型对任务进行传输，使任务能够更快传输。数据传输率Ri,j如下所示：
Figure BDA0002228703390000082
其中，B为传输的总带宽，且总带宽B等划分给将要卸载的任务，N0为高斯白噪声，Pi为任务i卸载到边缘服务器100的传输能量，1<Pi<pmax，hi,j为传输任务i时，用户设备200与边缘服务器j的信道增益，Σi'∈k\ipi'hi',j表示用户设备200之间的相互干扰功率，其中，pi'表示除该用户设备200以外的其他用户设备200的传输能量，hi',j表示去除该用户设备200的其他信道增益，i'表示用户设备集合中除该用户设备200以外的其他用户设备。
由此，可以得到任务i到边缘服务器j的传输延时
Figure BDA0002228703390000083
为：
Figure BDA0002228703390000084
任务i的传输延时的期望如下：
Figure BDA0002228703390000085
任务i的传输能量消耗的期望如下：
Figure BDA0002228703390000086
每个边缘服务器100维持一个M/M/1队列，使任务在边缘服务器100中的处理更加合理。因此可以得到任务i在边缘服务器j的响应时间
Figure BDA0002228703390000087
包括了任务的等待时间和处理时间，计算如下：
Figure BDA0002228703390000088
任务i在各个边缘服务器100的响应时间的期望如下：
Figure BDA0002228703390000089
任务i在各个边缘服务器100的处理能耗的期望如下：
Figure BDA0002228703390000091
由于任务卸载是分布式的，因此任务的处理时间取决于在本地处理和卸载到远程处理中的最大的一个，因此任务i处理的总时间
Figure BDA0002228703390000092
为：
Figure BDA0002228703390000093
任务i处理的总能耗
Figure BDA0002228703390000094
为：
Figure BDA0002228703390000095
构建用户设备200对任务i处理的效用函数，如下所示：
Figure BDA0002228703390000096
其中，0<α<1表示权重，Tmax和Emax分别为预设的最大时间和能量，pmax为用户设备200的最大传输能量。权重α可根据用户设备200对任务完成时间和处理能量的敏感程度进行设置，比如用户设备200所产生的任务对于时间比较敏感，则对于时间的权重相应更高，如果对于能量有限制，则能量的权重会大一些。
然后，对上述效用函数进行求解，得到所述用户设备200对任务i的卸载比例和传输能量，计算结果由进行计算的边缘服务器100传输至其余的边缘服务器100，并通过各个边缘服务器100返回给与其相连的所述用户设备200，指导用户设备200进行任务卸载，从而实现最大效用。
根据本发明的一些实施例，对效用函数进行求解的方法为遗传算法，具体过程如下：
1.种群初始化。首先通过随机生成的方式来创造一个种群，一般该种群的数量为100-500，可采用二进制将一个染色体(解)编码为基因型，随后用进制转化，将二进制的基因型转化成十进制的表现型。
2.适应度计算。直接将目标函数值即utility的值作为个体的适应度函数，将种群的值代入适应度函数，求得种群的适应度。
3.选择(复制)操作。根据种群中个体的适应度大小，通过轮盘赌等方式将适应度高的个体从当前种群中选择出来。其中轮盘赌即是与适应度成正比的概率来确定各个个体遗传到下一代群体中的数量，具体包括先计算所有个体的适应度总和，其次计算出每个个体的相对适应度大小，遵照适应度越高，选择概率越大的原则，从种群中选择两个个体分别作为父方和母方。
4.抽取父母双方的染色体，进行交叉，产生子代。
5.对子代的染色体进行变异。
6.重复步骤2至5，直到达到结束条件，该结束条件可以是预设的阈值或迭代次数。
遗传算法具有与问题领域无关且快速随机的搜索能力：搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较，过程简单；使用概率机制进行迭代，具有随机性；具有可扩展性，容易与其他算法结合，适用性广。当然，除遗传算法以外，也可以使用本领域公知的内点法进行求解。
图3是上述方法或系统的一个实例。如图所示，一个VR设备200’与多个边缘服务器100相连，VR设备200’以平均到达率λ(任务/秒)产生自己的任务，并且服务器队列构造为M/M/1队列模型，计算卸载到不同服务器的概率，并且计算时间和能量的数学期望，构造效用函数，使用遗传算法对效用函数进行求解，求得最优卸载比例和最优传输能量，使得任务处理的效用最大。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种边缘计算多服务器任务选择卸载方法，其特征在于，包括：
若干边缘服务器分别获取与其相连的用户设备所产生的任务大小及工作负载数据；
所述若干边缘服务器之间进行通信，由其中一个所述边缘服务器获取每一所述边缘服务器的服务率，以及每一所述边缘服务器获取的与其相连的所有所述用户设备的数据，计算与每一所述用户设备相连的边缘服务器组，并根据所述边缘服务器组中各个所述边缘服务器的服务率计算相应用户设备在不同所述边缘服务器之间的卸载概率，结合所述卸载概率、所述用户设备产生的任务大小及其工作负载优化所述用户设备的任务卸载比例和传输能量，以减少所述用户设备的任务处理时间和能耗；
优化结果通过各个所述边缘服务器返回给与其相连的所述用户设备；
其中，所述结合所述卸载概率、所述用户设备产生的任务大小及其工作负载优化所述用户设备的任务卸载比例和传输能量，具体如下：
计算任务i在本地处理的计算延时
Figure FDA0003475812930000011
Figure FDA0003475812930000012
其中，floc>0表示用户设备的CPU频率，Ci表示工作负载，
Figure FDA0003475812930000013
为任务i的卸载比例，
Figure FDA0003475812930000014
任务i在本地计算的能量损耗
Figure FDA0003475812930000015
如下：
Figure FDA0003475812930000016
其中，κ表示能量因子；
设用户设备与k个边缘服务器连接，则任务i卸载到边缘服务器j的卸载概率proj如下：
Figure FDA0003475812930000017
其中，Sj表示边缘服务器j的服务率，Sk表示边缘服务器k的服务率；
任务i到边缘服务器j的传输延时
Figure FDA0003475812930000021
为：
Figure FDA0003475812930000022
其中，Ri,j为任务i卸载到边缘服务器j的数据传输率，Di为用户设备产生的任务大小；
任务i的传输延时的期望如下：
Figure FDA0003475812930000023
任务i的传输能量消耗的期望如下：
Figure FDA0003475812930000024
其中，Pi为任务i卸载到所述边缘服务器的传输能量；
任务i在各个边缘服务器的响应时间ti，k of的期望如下：
Figure FDA0003475812930000025
任务i在各个边缘服务器的处理能耗的期望如下：
Figure FDA0003475812930000026
得到任务i处理的总时间
Figure FDA0003475812930000027
和总能耗
Figure FDA0003475812930000028
分别为：
Figure FDA0003475812930000029
Figure FDA00034758129300000210
构建所述用户设备对任务i处理的效用函数，如下所示：
Figure FDA00034758129300000211
subject to
Figure FDA00034758129300000212
1<Pi<pmax
其中，0<α<1表示权重，Tmax和Emax分别为预设的最大时间和能量，pmax为所述用户设备的最大传输能量；
对所述效用函数进行求解，得到所述用户设备对任务i的卸载比例和传输能量。
2.根据权利要求1所述的边缘计算多服务器任务选择卸载方法，其特征在于，每一所述边缘服务器的任务队列设置为M/M/1队列模型，设所述用户设备以平均到达率λi产生任务，任务i在边缘服务器j的响应时间
Figure FDA0003475812930000031
计算如下：
Figure FDA0003475812930000032
其中，Sj表示边缘服务器j的服务率,
Figure FDA0003475812930000033
为任务i的卸载比例，
Figure FDA0003475812930000034
3.根据权利要求1所述的边缘计算多服务器任务选择卸载方法，其特征在于，对所述效用函数进行求解的方法为遗传算法。
4.根据权利要求1所述的边缘计算多服务器任务选择卸载方法，其特征在于，采用OFDMA通信模型对任务进行传输。
5.根据权利要求1所述的边缘计算多服务器任务选择卸载方法，其特征在于，由具有最大CPU容量的边缘服务器获取每一所述边缘服务器的服务率，并完成后续计算，得到所述优化结果。
6.一种边缘计算多服务器任务选择卸载系统，其特征在于，包括若干边缘服务器和若干用户设备；
每一所述用户设备独立与至少一个所述边缘服务器通信连接，所述用户设备将产生的任务大小及工作负载数据发送至与其相连的所述边缘服务器；
所述若干边缘服务器之间通信连接，由其中一个所述边缘服务器获取每一所述边缘服务器的服务率，以及每一所述边缘服务器接收的与其相连的所有所述用户设备发送的数据，计算与每一所述用户设备连接的边缘服务器组，并根据所述边缘服务器组中各个所述边缘服务器的服务率计算相应用户设备在不同所述边缘服务器之间的卸载概率，结合所述卸载概率、所述用户设备产生的任务大小及其工作负载优化所述用户设备的任务卸载比例和传输能量，以减少所述用户设备的任务处理时间和能耗，优化结果通过各个所述边缘服务器返回给与其相连的所述用户设备；
其中，所述结合所述卸载概率、所述用户设备产生的任务大小及其工作负载优化所述用户设备的任务卸载比例和传输能量，具体如下：
计算任务i在本地处理的计算延时
Figure FDA0003475812930000041
Figure FDA0003475812930000042
其中，floc>0表示用户设备的CPU频率，Ci表示工作负载，
Figure FDA0003475812930000043
为任务i的卸载比例，
Figure FDA0003475812930000044
任务i在本地计算的能量损耗
Figure FDA0003475812930000045
如下：
Figure FDA0003475812930000046
其中，κ表示能量因子；
设用户设备与k个边缘服务器连接，则任务i卸载到边缘服务器j的卸载概率proj如下：
Figure FDA0003475812930000047
其中，Sj表示边缘服务器j的服务率，Sk表示边缘服务器k的服务率；
任务i到边缘服务器j的传输延时
Figure FDA0003475812930000048
为：
Figure FDA0003475812930000049
其中，Ri,j为任务i卸载到边缘服务器j的数据传输率，Di为用户设备产生的任务大小；
任务i的传输延时的期望如下：
Figure FDA00034758129300000410
任务i的传输能量消耗的期望如下：
Figure FDA00034758129300000411
其中，Pi为任务i卸载到所述边缘服务器的传输能量；
任务i在各个边缘服务器的响应时间ti，k of的期望如下：
Figure FDA00034758129300000412
任务i在各个边缘服务器的处理能耗的期望如下：
Figure FDA00034758129300000413
得到任务i处理的总时间
Figure FDA0003475812930000051
和总能耗
Figure FDA0003475812930000052
分别为：
Figure FDA0003475812930000053
Figure FDA0003475812930000054
构建所述用户设备对任务i处理的效用函数，如下所示：
Figure FDA0003475812930000055
subject to
Figure FDA0003475812930000056
1<Pi<pmax
其中，0<α<1表示权重，Tmax和Emax分别为预设的最大时间和能量，pmax为所述用户设备的最大传输能量；
对所述效用函数进行求解，得到所述用户设备对任务i的卸载比例和传输能量。
CN201910960318.7A 2019-10-10 2019-10-10 一种边缘计算多服务器任务选择卸载方法和系统 Expired - Fee Related CN110851197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910960318.7A CN110851197B (zh) 2019-10-10 2019-10-10 一种边缘计算多服务器任务选择卸载方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910960318.7A CN110851197B (zh) 2019-10-10 2019-10-10 一种边缘计算多服务器任务选择卸载方法和系统

Publications (2)

Publication Number Publication Date
CN110851197A CN110851197A (zh) 2020-02-28
CN110851197B true CN110851197B (zh) 2022-05-31

Family

ID=69597137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910960318.7A Expired - Fee Related CN110851197B (zh) 2019-10-10 2019-10-10 一种边缘计算多服务器任务选择卸载方法和系统

Country Status (1)

Country Link
CN (1) CN110851197B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111641891B (zh) * 2020-04-16 2021-11-23 北京邮电大学 一种多接入边缘计算系统中的任务对等卸载方法和装置
CN111726854B (zh) * 2020-04-24 2023-04-07 浙江工业大学 一种降低物联网计算卸载能耗的方法
CN111694664B (zh) * 2020-06-04 2021-12-21 海南大学 一种边缘服务器的计算卸载分配方法
CN112104693B (zh) * 2020-07-22 2021-08-10 北京邮电大学 非均匀移动边缘计算网络的任务卸载方法及装置
CN112306696B (zh) * 2020-11-26 2023-05-26 湖南大学 一种节能高效的边缘计算任务卸载方法和系统
CN112911016B (zh) * 2021-02-25 2022-04-08 北京邮电大学 边端协同计算卸载方法及系统、电子设备和存储介质
CN113821270B (zh) * 2021-07-29 2023-07-25 长沙理工大学 任务卸载顺序预测方法、决策方法、电子设备及存储介质
CN113918240B (zh) * 2021-10-15 2024-05-28 全球能源互联网研究院有限公司 任务卸载方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108934002A (zh) * 2018-07-18 2018-12-04 广东工业大学 一种基于d2d通信协作的任务卸载算法
CN109905470A (zh) * 2019-02-18 2019-06-18 南京邮电大学 一种基于边缘网关系统的开销优化任务调度方法
CN109992419A (zh) * 2019-03-29 2019-07-09 长沙理工大学 一种优化的协同边缘计算低延迟任务分配卸载方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108934002A (zh) * 2018-07-18 2018-12-04 广东工业大学 一种基于d2d通信协作的任务卸载算法
CN109905470A (zh) * 2019-02-18 2019-06-18 南京邮电大学 一种基于边缘网关系统的开销优化任务调度方法
CN109992419A (zh) * 2019-03-29 2019-07-09 长沙理工大学 一种优化的协同边缘计算低延迟任务分配卸载方法

Also Published As

Publication number Publication date
CN110851197A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110851197B (zh) 一种边缘计算多服务器任务选择卸载方法和系统
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN107766135B (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN111182582B (zh) 面向移动边缘计算的多任务分布式卸载方法
Yu et al. Collaborative service placement for mobile edge computing applications
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN109922479A (zh) 一种基于时延预估的计算任务卸载方法
CN111182570A (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
CN111475274A (zh) 云协同多任务调度方法及装置
Zhu et al. Computing offloading strategy using improved genetic algorithm in mobile edge computing system
CN111263401A (zh) 一种基于移动边缘计算的多用户协作计算卸载方法
Nour et al. Whispering: Joint service offloading and computation reuse in cloud-edge networks
KR102298698B1 (ko) 에지 컴퓨팅 네트워크에서의 서비스 캐싱 방법 및 장치
Jain et al. Optimal task offloading and resource allotment towards fog-cloud architecture
CN113747507B (zh) 一种面向5g超密集网络的计算资源管理方法及装置
CN113778550B (zh) 一种基于移动边缘计算的任务卸载系统和方法
CN112148482B (zh) 一种基于结合负载均衡的边缘计算任务调度方法
KR20230032754A (ko) Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법
CN116828534B (zh) 基于强化学习的密集网络大规模终端接入与资源分配方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN116744364A (zh) 基于dqn的多边缘节点系统联合计算卸载和资源分配方法
CN115914230A (zh) 一种自适应移动边缘计算卸载和资源分配方法
CN110022381A (zh) 一种负载分担方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220531