CN110928654A - 一种边缘计算系统中分布式的在线任务卸载调度方法 - Google Patents

Abstract

本发明涉及一种边缘计算系统中分布式的在线任务卸载调度方法，在一个考虑异构计算任务随机实时到来的边缘计算系统中，将时间分成等长时间片，并将任务卸载调度问题分解为一组子问题，即每个设备和边缘服务器在能耗和存储限制下独立地确定任务卸载调度方案，从而最小化解决问题的平均时延。每个时间片中，依次执行以下步骤：首先采用迭代更新的方法为每个移动智能设备计算最佳CPU频率、发射功率和任务卸载决策；然后，更新每个设备的虚拟任务队列积压；最后通过收集所有设备的任务卸载决策，边缘服务器计算要卸载到云服务器的每种类型的任务数量。本发明保证在设备的能耗和存储空间限制下，所有计算任务的平均完成时延可以达到接近最优。

Description

一种边缘计算系统中分布式的在线任务卸载调度方法

技术领域

本发明涉及一种边缘计算系统中分布式的在线任务卸载调度方法，是一种边缘计算系统中最小化平均的任务完成时延的在线卸载调度方法，在一个考虑异构计算任务随机实时到来的边缘计算系统中，通过决策计算任务是否在本地执行还是卸载到边缘端或云端，使得计算任务的平均完成时延最小化。

背景技术

随着具有高带宽、低延时的无线通信技术(如5G)的发展和成熟，涌现了许多新应用场景，如虚拟现实和增强现实，传统的集中式的云计算服务已经不能满足这些应用的需求，因此边缘计算技术应运而生。它将计算工作负载从远程的云服务器下沉到网络边缘端(如基站或无线接入点)。如图1所示，一个典型的边缘计算系统由众多移动智能设备、边缘服务器和云服务器组成，计算任务由移动智能设备上的各种应用程序实时生成，这些任务可以在智能设备上执行，也可以卸载到边缘服务器或云服务器上执行。由于移动智能设备和边缘服务器的计算资源有限，如何调度大量计算任务在何处执行，被称为边缘计算系统中的任务卸载问题。

对于任务卸载调度问题而言，尽量降低所有任务平均的完成时延是首要目标。每个计算任务有三种执行模式(如图1所示)，即本地执行、卸载到边缘服务器执行、卸载到云服务器执行，不同的执行模式会导致不同的任务完成时延。然而，任务卸载的决策除了考虑任务的完成时延外，还受到移动智能设备计算资源、能耗和边缘服务器计算能力的制约。首先，移动智能设备和边缘服务器的计算资源(如CPU频率)都是有限的。其次，移动智能设备执行计算和进行网络传输(将计算任务卸载到边缘服务器)时都会产生一定的能量消耗，而移动智能设备由电池供电，能量有限。与此同时，考虑到计算任务的异构性(即不同应用产生的计算任务在数据量、计算量等方面具有较大差异)和随机性(即众多移动智能设备上不同的应用动态实时的产生计算任务)，在线任务卸载调度是一个十分复杂的问题，可通过建模和理论分析证明其是一个NP难问题。近年来，虽然有一些相关的工作对边缘计系统中的任务卸载问题进行了研究，并提出了一些优化算法，但是它们大多只考虑边缘端与云端之间的任务调度，且提出的调度算法大都是集中式的。

发明内容

本发明的目的是针对已有技术的不足，提供一种边缘计算系统中分布式的在线任务卸载调度方法，为移动智能设备和边缘服务器设计一种分布式的决策算法，以实现在边缘计算系统中最小化所有计算任务的平均完成时延。该方法考虑到不同的应用程序生成的计算任务具有异构性和随机性，移动智能设备和边缘服务器的计算资源有限性，以及移动智能设备的能耗问题，针对具有三层体系结构的边缘计算系统提出一个任务卸载调度算法，使得所有任务的平均完成时延最小化。

为了达到这个目标，本发明是通过以下技术方案来解决其技术问题的：

一种边缘计算系统中分布式的在线任务卸载调度方法，操作步骤如下：

步骤一，为边缘计算系统进行建模，考虑一个具有三层体系结构的边缘计算系统，其包含一个云端服务器、一个边缘端服务器和n个移动智能设备

时间被划分为等长时间片

计算任务的类型为Φ＝{φ₁，φ₂，…，φ_m}，每个类型为φ_j∈Φ的计算任务的输入数据量为s_j，完成需要的CPU周期为c_j；Γ_i，j(τ)∈{0，1}表示移动设备u_i是否在时间片t_τ内产生一个类型为φ_j的任务；

步骤二，为计算任务的执行模式进行建模，每个计算任务都在以下三种执行模式的任一种模式下完成，每种执行模式所引起的任务完成时延、移动设备能耗等都是不同的：

(1)本地执行模式：用I_i，j(τ)∈{0，1}来t_τ时刻产生的类型为φ_j的计算任务是否在本地设备u_i上执行，f_i(τ)∈[f_i ^min，f_i ^max]是设备u_i在时间片t_τ的CPU频率；设备u_i在时间片t_τ中执行计算任务的总时间为

消耗的能量为

其中κ_i是开关电容；u_i中已占用的总存储量不超过其最大存储空间

(2)边缘端执行模式：若设备u_i将t_τ时刻产生的类型为φ_j的计算任务卸载到边缘服务器，需要的传输时间为

其中R_i(τ)＝w_i log₂(1+σ_i(τ)p_i(τ))为数据传输速率，消耗的能量为

w_i是u_i的带宽，σ_i(τ)等于时间片t_τ内的信道功率增益除以边缘服务器上的噪声功率，而

是设备u_i的发射功率；因此，u_i在t_τ时间片内消耗的总能量为

其不能超电池剩余电量E_i(τ)和电池总容量

即

考虑边缘服务器将不同类型的任务分配给不同的虚拟机独立执行，执行类型为φ_j的任务的虚拟机在t_τ内的CPU频率为g_j(τ)；若边缘服务器将M_j(τ)个类型为φ_j的计算任务卸载到云服务器的

其执行计算任务花费的总时间为

(3)云端执行模式：考虑云服务器的计算能力相对于边缘端是极大的，因此只需考虑将任务从边缘端传输到云端所花费的时间；计算任务卸载所需时间与其输入数据量成比例，t_τ内比例系数为ρ(τ)，所以卸载计算任务到云服务器的总时间为

根据以上系统建模，t_τ内完成所有计算任务的总时延是

任务卸载的目标是在考虑移动智能设备的能耗和存储空间限制的情况下，最小化所有任务的平均完成时延。每个设备需要决定卸载哪些任务到边缘服务器并仔细调整CPU频率和发送功率，边缘服务器需要决定卸载到云服务器的任务数量。综上，边缘计算系统的在线任务卸载调度问题可以形式化为：

M_j(τ)是个非负整数，

第一个约束意味着每个设备单位时间的平均能量消耗不能超过其平均充电率

然后我们将在线任务卸载调度问题分解为一组子问题，每个子问题可由移动设备或边缘服务器分别独立解决，从而使得问题解决的平均时延最小化。

步骤三，设计分布式算法，使得每个设备u_i在能耗

和存储空间

限制下，独立地确定任务卸载调度方案，边缘服务器独立地决定将哪些任务卸载到云端。

所述步骤三中的分布式算法在每个时间片t_τ内，依次执行以下内容：

首先，为每个设备u_i执行以下四个步骤：

1)将拉格朗日乘子β_i初始化为一个小的正值，β_i是为简化问题而引入的变量；

2)给定β_i，根据以下公式计算CPU频率f_i(τ)、发射功率p_i(τ)和任务卸载决策I_i，j(τ)的最优解；

s.t. f_i ^min≤f_i(τ)≤f_i ^max，

3)根据当前f_i(τ)、p_i(τ)和I_i，j(τ)的值，通过梯度下降算法来更新拉格朗日乘数β_i，即

其中γ＞0是步长，

是梯度；

4)迭代操作2)、3)，直到β_i更新后的值与更新前的值之差的平方小于等于设定的正阈值ξ时迭代停止；

其次，更新每个设备u_i的虚拟任务队列Q_i(τ)的积压，计算公式为

最后，收集所有设备的任务卸载决策I_i，j(τ)，边缘服务器计算要卸载到云服务器的每种类型的任务数量M_j(τ)，计算公式如下：

本发明的与现有技术相比较，具有如下显而易见的突出实质性特点和显著技术进步：

本发明在三层体系结构的边缘计算系统中将在线任务卸载调度问题形式化为最小化所有任务完成的平均时延。该问题是具有平均时间约束的混合整数非线性优化问题，是NP难问题。本发明为移动智能设备和边缘服务器提出了一种分布式的在线任务卸载方法，使得每个移动智能设备和边缘服务器独立地制定卸载决策。本在线分布式任务卸载方法被证明可以实现接近最优的性能。

附图说明

图1是边缘计算系统的任务产生、执行与卸载的示意图。

图2是本分布式的在线任务卸载调度方法的流程图。

图3是三种算法在改变设备数时任务完成的总时延变化情况示意图。

图4是将任务生成速率从0.25逐渐变化为1时三种算法中任务完成总时延的变化情况。

具体实施方式

本发明的优选实施例结合附图详述如下：

参见图2，本边缘计算系统中分布式的在线任务卸载调度方法，操作步骤为：

步骤一，为边缘计算系统进行建模。我们考虑一个具有三层体系结构的边缘计算系统，其包含一个云端服务器、一个边缘端服务器和n个移动智能设备

时间被划分为等长时间片

将计算任务分类，其类型的集合为Φ＝{φ₁，φ₂，…，φ_m}，每个类型为φ_j∈Φ的计算任务的输入数据量为s_j，完成需要的CPU周期为c_j。用Γ_i，j(τ)∈{0，1}表示移动设备u_i是否在时间片t_τ内产生一个类型为φ_j的任务。

步骤二，为计算任务的执行模式进行建模。每个计算任务都可以在以下三种执行模式(本地执行模式、边缘端执行模式、云端执行模式)的任一种模式下完成，每种执行模式所引起的任务完成时延、移动设备能耗等都是不同的。任务卸载的目标是在考虑移动智能设备的能耗和存储空间限制的情况下，最小化所有任务平均的完成时延，我们将在线任务卸载调度问题分解为一组子问题，每个子问题可由移动设备或边缘服务器分别独立解决。

步骤三，设计分布式算法使得每个设备u_i在能耗

和存储空间

限制下，独立地确定任务卸载调度方案，边缘服务器独立地决定将哪些任务卸载到云端。

所述步骤三中的分布式算法为，在每个时间片t_τ内，算法依次执行以下内容：

首先，为每个设备u_i执行以下四个步骤：

1)将拉格朗日乘子β_i初始化为一个小的正值，β_i是为简化问题而引入的变量；

2)给定β_i，根据以下公式计算CPU频率f_i(τ)、发射功率p_i(τ)和任务卸载决策I_i，j(τ)的最优解；

s.t. f_i ^min≤f_i(τ)≤f_i ^max，

3)根据当前f_i(τ)、p_i(τ)和I_i，j(τ)的值，通过梯度下降算法来更新拉格朗日乘数β_i，即

其中γ＞0是步长，

是梯度；

4)迭代操作2)、3)，直到β_i更新后的值与更新前的值之差的平方小于等于设定的正阈值ξ时迭代停止。

其次，更新每个设备u_i的虚拟任务队列Q_i(τ)的积压，计算公式为

最后，收集所有设备的任务卸载决策I_i，j(τ)，边缘服务器计算要卸载到云服务器的每种类型的任务数量M_j(τ)，计算公式如下：

实施例1：为了更清晰的阐述本发明的目的、技术方案和优点。本实施例通过模拟实验对比的方式进一步说明本发明实施例的边缘计算系统中分布式的在线任务卸载调度方法的技术效果。本实施例的分布式算法步骤为：首先在每个时间片t_τ中，对于每个移动智能设备u_i，算法首先进行参数初始化，将每个虚拟队列初始化为Q_i(τ)＝0。再采用迭代更新的方法来求得f_i(τ)，p_i(τ)，I_i，j(τ)的最优解，然后更新每个设备u_i的虚拟任务队列Q_i的积压Q_i(τ)。最后，通过收集所有设备的任务卸载决策I_i，j(τ)，边缘服务器计算要卸载到云服务器的每种类型的任务数量M_j(τ)。我们的分布式算法使得移动设备与边缘服务器独立地决定自身卸载调度方案。

在下面的模拟实验对比过程中，系统参数的默认设置如下。考虑4种不同类型的任务，每类任务的输入数据的大小和预期的CPU周期数分别为[40，600]、[60，300]、[40，300]、[60，600]。边缘计算系统中有5个移动设备，每个设备的最大和最小CPU频率分别设置为3GHz和1GHz，最大传输功率

为4mW，最大存储空间从100到200不等，最大电池容量为30。各设备在一个时间片内的充电量均匀分布在[0，10]中，即平均充电速率为5mW。边缘服务器上执行每种类型任务的CPU频率均匀分布在[1GHz，10GHz]。其他参数的默认值设置为κ_i＝2*10^-6，w_i＝10，σ_i(τ)＝3*10⁵，σ_i(τ)＝[0.001，0.01]，V＝10，ξ＝0.5，γ＝1。在每个时间片中，在每个设备上以一定的概率(称为任务生成率)生成每种类型的任务，例如0.5。任务生成速率越大，每个时间段内到达系统的任务就越多。

首先简要介绍作为比较标准的两个对比方法baseline1和baseline2。baseline1针对本系统的优化目标以集中式卸载调度方法来最小化每个时间片内任务完成的总时延。在baseline2中，我们用Lyapunov优化将原优化问题转换成未来信息未知情况下可解的混合整数非线性优化问题，并采用集中式调度方法来最小化每个时间片内任务完成的总时延。

根据上述方法与具体参数设置，我们通过改变设备数量和任务生成速率来评估三种算法的总时延性能。每组实验重复10次，取10次实验的平均值作为实验的结果。以下的实验对比图中将本发明实施例的边缘计算系统中分布式的在线任务卸载调度方法简称为：our algorithm。

如图3所示，我们对比了三种算法在改变设备数时任务完成的总时延变化情况。可见在边缘系统中有更多的设备，各算法就有更大的时延。显然，无论系统中有多少台设备，我们的算法相比于两个对比方法都有更好的性能。特别是当系统中有25个移动设备时，我们的算法中任务完成的时延分别比两个对比方法低45.6％和59.9％。

图4对比了将任务生成速率从0.25逐渐变化为1时三种算法中任务完成总时延的变化情况。可见当任务生成率为1时，每个算法所实现的总延迟大大增加，这是因为许多任务超出了移动设备和边缘服务器的计算能力从而被卸载到云服务器上。显然，无论生成多少任务，我们的算法都能获得较低的延迟，验证了我们算法的优越性。特别是当任务生成率为0.75时，我们的算法实现的总时延分别比两个对比方法低23.0％和35.7％。

综上所述，本发明提供的一种边缘计算系统中分布式的在线任务卸载调度方法，通过同时考虑云计算与边缘计算两种计算资源，解决了在三层体系结构的边缘计算系统中的在线任务卸载调度问题，通过实现移动设备与边缘服务器独立进行任务卸载决策，大大减少完成设备产生的计算任务的总时延，同时也降低了移动设备完成任务所消耗的能量，使其在有限的能耗限制下完成更多计算任务。

所属领域的普通技术人员应当理解：以上所述实施例仅作为本发明的示例性讨论，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种边缘计算系统中分布式的在线任务卸载调度方法，其特征在于，操作步骤如下：

步骤一，为边缘计算系统进行建模，考虑一个具有三层体系结构的边缘计算系统，其包含一个云端服务器、一个边缘端服务器和n个移动智能设备u＝{u₁,u₂,…,u_n}，时间被划分为等长时间片T＝{t₁,t₂,…,t_τ,…}；计算任务的类型为Φ＝{φ₁,φ₂,…,φ_m}，每个类型为φ_j∈Φ的计算任务的输入数据量为s_j，完成需要的CPU周期为c_j；Γ_i,j(τ)∈{0,1}表示移动设备u_i是否在时间片t_τ内产生一个类型为φ_j的任务；

步骤二，为计算任务的执行模式进行建模，每个计算任务都在以下三种执行模式的任一种模式下完成，每种执行模式所引起的任务完成时延、移动设备能耗等都是不同的：

(1)本地执行模式：用I_i,j(τ)∈{0,1}来t_τ时刻产生的类型为φ_j的计算任务是否在本地设备u_i上执行，f_i(τ)∈[f_i ^min,f_i ^max]是设备u_i在时间片t_τ的CPU频率；设备u_i在时间片t_τ中执行计算任务的总时间为

消耗的能量为

T_i ^(u)(τ)，其中κ_i是开关电容；u_i中已占用的总存储量不超过其最大存储空间

(2)边缘端执行模式：若设备u_i将t_τ时刻产生的类型为φ_j的计算任务卸载到边缘服务器，需要的传输时间为

其中R_i(τ)＝w_ilog₂(1+σ_i(τ)p_i(τ))为数据传输速率，消耗的能量为

w_i是u_i的带宽，σ_i(τ)等于时间片t_τ内的信道功率增益除以边缘服务器上的噪声功率，而

是设备u_i的发射功率；因此，u_i在t_τ时间片内消耗的总能量为

其不能超电池剩余电量E_i(τ)和电池总容量

即

考虑边缘服务器将不同类型的任务分配给不同的虚拟机独立执行，执行类型为φ_j的任务的虚拟机在t_τ内的CPU频率为g_j(τ)；若边缘服务器将M_j(τ)个类型为φ_j的计算任务卸载到云服务器的

其执行计算任务花费的总时间为

(3)云端执行模式：考虑云服务器的计算能力相对于边缘端是极大的，因此只需考虑将任务从边缘端传输到云端所花费的时间；计算任务卸载所需时间与其输入数据量成比例，t_τ内比例系数为ρ(τ)，所以卸载计算任务到云服务器的总时间为

根据以上系统建模，t_τ内完成所有计算任务的总时延是

步骤三，设计分布式算法，使得每个设备u_i在能耗

和存储空间

限制下，独立地确定任务卸载调度方案，边缘服务器独立地决定将哪些任务卸载到云端。

2.根据权利要求1所述的边缘计算系统中分布式的在线任务卸载调度方法，其特征在于，所述步骤三中的分布式算法在每个时间片t_τ内，依次执行以下内容：

首先，为每个设备u_i执行以下四个步骤：

1)将拉格朗日乘子β_i初始化为一个小的正值，β_i是为简化问题而引入的变量；

2)给定β_i，根据以下公式计算CPU频率f_i(τ)、发射功率p_i(τ)和任务卸载决策I_i,j(τ)的最优解；

s.t.f_i ^min≤f_i(τ)≤f_i ^max，

3)根据当前f_i(τ)、p_i(τ)和I_i,j(τ)的值，通过梯度下降算法来更新拉格朗日乘数β_i，即

其中γ>0是步长，

是梯度；

4)迭代操作2)、3)，直到β_i更新后的值与更新前的值之差的平方小于等于设定的正阈值ξ时迭代停止；

其次，更新每个设备u_i的虚拟任务队列Q_i(τ)的积压，计算公式为

最后，收集所有设备的任务卸载决策I_i,j(τ)，边缘服务器计算要卸载到云服务器的每种类型的任务数量M_j(τ)，计算公式如下：

Images