CN110968366B - 一种基于有限mec资源的任务卸载方法、装置及设备 - Google Patents
一种基于有限mec资源的任务卸载方法、装置及设备 Download PDFInfo
- Publication number
- CN110968366B CN110968366B CN201911206931.6A CN201911206931A CN110968366B CN 110968366 B CN110968366 B CN 110968366B CN 201911206931 A CN201911206931 A CN 201911206931A CN 110968366 B CN110968366 B CN 110968366B
- Authority
- CN
- China
- Prior art keywords
- mec
- user equipment
- task
- optimal
- calculation
- 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.)
- Active
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
- G06F9/50—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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于有限MEC资源的任务卸载方法,基于一台用户设备对应一个计算任务的MEC计算场景,通过以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型,解MEC计算任务部分卸载模型,得到满足目标函数的N台用户设备以及各用户设备对应的最优MEC计算资源,并向N台用户设备中的各用户设备分配对应的最优MEC计算资源,实现了在该MEC计算场景中计算任务卸载的用户数量最大化的优化结果,提高了MEC服务器的资源利用率,实现了满足更多用户的计算任务卸载请求的目标。本发明还公开了一种基于有限MEC资源的任务卸载装置、设备及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本发明涉及移动通信技术领域,特别是涉及一种基于有限MEC资源的任务卸载方法、装置、设备及计算机可读存储介质。
背景技术
MEC(Mobile Edge Computing,移动边缘计算)是近年来提出的一种在移动网络边缘处理资源密集型和时延敏感型应用的技术,它可以突破用户设备的硬件限制和资源限制。
随着移动设备数量的增加,在商业中心、体育中心等人口稠密地区,MEC服务器有可能承载大量用户的计算任务卸载请求。由于MEC服务器的资源有限,所以MEC服务器不能满足全部的用户的请求。然而现有技术中对MEC的研究应用都是基于MEC服务器的资源是可以满足所有有计算任务卸载请求的用户的,这与实际应用的场景不相匹配。在实际应用中,往往不能满足所有用户的计算任务卸载请求,不适当的卸载策略可能会导致MEC服务器的资源利用率低,或者很多的用户请求得不到满足。
如何提高MEC服务器的资源利用率,满足更多用户的计算任务卸载请求,是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种基于有限MEC资源的任务卸载方法、装置、设备及计算机可读存储介质,用于提高MEC服务器的资源利用率,满足更多用户的计算任务卸载请求。
为解决上述技术问题,本发明提供一种基于有限MEC资源的任务卸载方法,包括:
以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型;在所述MEC计算场景中,一台用户设备对应一个计算任务;
解所述MEC计算任务部分卸载模型,得到满足所述目标函数的N台所述用户设备以及与N台所述用户设备中各所述用户设备对应的最优MEC计算资源;
向N台所述用户设备中的各所述用户设备分配对应的最优MEC计算资源。
可选的,所述以卸载的计算任务数量最大化为目标函数,建立MEC计算任务部分卸载模型,具体包括:
以下述公式为所述目标函数:
以下述公式为所述MEC计算任务部分卸载模型的约束条件:
其中,N为所述卸载的计算任务数量,fi l为第i台用户设备的本地计算频率,fi c为所述第i台用户设备卸载到MEC服务器的计算频率,pi为所述第i台用户设备的传输功率,λi为所述第i台用户设备的本地任务卸载后剩余的任务数据量比率,fc,max为所述MEC服务器的最大计算频率,为所述MEC计算场景中的用户设备集合,Fi为所述第i台用户设备的计算任务占用的CPU时钟周期数量,τi为所述第i台用户设备的计算任务的最大延时,k为能量效率系数,Di为所述第i台用户设备的计算任务的输入数据大小,B为传输带宽,hi为所述第i台用户设备的传输信道增益,N0为高斯白噪声功率,Ei为所述第i台用户设备的总功耗,pi,max为所述第i台用户设备的最大传输功率,为所述第i台用户设备的最大本地计算频率。
可选的,所述解所述MEC计算任务部分卸载模型,得到满足所述目标函数的N台所述用户设备以及与N台所述用户设备中各所述用户设备对应的最优MEC计算资源,具体包括:
将所述MEC计算任务部分卸载模型拆分为各所述用户设备的子问题;
确定各所述子问题的松弛问题;
以块坐标下降法求解各所述子问题的松弛问题,得到各所述用户设备的最优MEC计算资源;
在各所述最优MEC计算资源中挑选满足所述目标函数的N台所述用户设备,并确定与N台所述用户设备中各所述用户设备对应的最优MEC计算资源。
可选的,所述将所述MEC计算任务部分卸载模型拆分为各所述用户设备的子问题,具体为:
将所述MEC计算任务部分卸载模型拆分为各所述用户设备的计算任务卸载到所述MEC服务器的计算频率最小化的子问题;
相应的,确定各所述子问题的松弛问题,具体包括:
以下述公式为所述第i台用户设备的子问题目标函数:
以下述公式为所述第i台用户设备的子问题约束条件:
可选的,所述以块坐标下降法求解各所述子问题的松弛问题,得到各所述用户设备的最优MEC计算资源,具体包括:
将一个所述子问题拆分为求解一台所述用户设备的最优本地计算频率的第一子问题、求解一台所述用户设备的最优本地任务卸载后剩余的比率的第二子问题和求解一台所述用户设备的最优传输功率的第三子问题;
解所述第一子问题得到所述用户设备的最优本地计算频率,解所述第二子问题得到所述用户设备的最优本地任务卸载后剩余的比率,解所述第三子问题得到所述用户设备的最优传输功率;
根据所述用户设备的最优本地计算频率、最优本地任务卸载后剩余的比率和最优传输功率计算得到所述用户设备的最优MEC计算资源。
可选的,所述在各所述最优MEC计算资源中挑选满足所述目标函数的N台所述用户设备,并确定与N台所述用户设备中各所述用户设备对应的最优MEC计算资源,具体为:
将各所述用户设备的最优MEC计算资源按从小到大进行排序,根据排序结果选择在不超出MEC服务器的最大计算资源的前提下所述最优MEC计算资源小的前N台所述用户设备,并确定与前N台所述用户设备中的各所述用户设备对应的最优MEC计算资源。
可选的,所述在各所述最优MEC计算资源中挑选满足所述目标函数的N台所述用户设备,并确定与N台所述用户设备中各所述用户设备对应的最优MEC计算资源,具体为:
选择所述最优MEC计算资源之和距MEC服务器的最大计算资源差值最小的N台所述用户设备,并确定与N台所述用户设备中的各所述用户设备对应的最优MEC计算资源。
为解决上述技术问题,本发明还提供一种基于有限MEC资源的任务卸载装置,包括:
建模单元,用于以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型;在所述MEC计算场景中,一台用户设备对应一个计算任务;
求解单元,用于解所述MEC计算任务部分卸载模型,得到满足所述目标函数的N台所述用户设备以及与N台所述用户设备中各所述用户设备对应的最优MEC计算资源;
分配单元,用于向N台所述用户设备中的各所述用户设备分配对应的最优MEC计算资源。
为解决上述技术问题,本发明还提供一种基于有限MEC资源的任务卸载设备,包括:
存储器,用于存储指令,所述指令包括上述任意一项所述基于有限MEC资源的任务卸载方法的步骤;
处理器,用于执行所述指令。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述基于有限MEC资源的任务卸载方法的步骤。
本发明所提供的基于有限MEC资源的任务卸载方法,基于一台用户设备对应一个计算任务的MEC计算场景,通过以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型,解MEC计算任务部分卸载模型,得到满足目标函数的N台用户设备以及与N台用户设备中各用户设备对应的最优MEC计算资源,并向N台用户设备中的各用户设备分配对应的最优MEC计算资源,实现了在该MEC计算场景中实现计算任务卸载的用户数量最大化的优化结果,提高了MEC服务器的资源利用率,实现了满足更多用户的计算任务卸载请求的目标。本发明还提供一种基于有限MEC资源的任务卸载装置、设备及计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于有限MEC资源的任务卸载方法的流程图;
图2为本发明实施例提供的一种图1中步骤S102的具体实施方式的流程图;
图3为本发明实施例提供的一种图2中步骤S203的具体实施方式的流程图;
图4为本发明实施例提供的一种基于有限MEC资源的任务卸载装置的结构示意图;
图5为本发明实施例提供的一种基于有限MEC资源的任务卸载设备的结构示意图。
具体实施方式
本发明的核心是提供一种基于有限MEC资源的任务卸载方法、装置、设备及计算机可读存储介质,用于提高MEC服务器的资源利用率,满足更多用户的计算任务卸载请求。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先对本发明实施例所适用的场景进行说明。本发明实施例提供的基于有限MEC资源的任务卸载方法适用于MEC资源有限的场景。如在救灾场景中,无人机(UAV)担当紧急通信和计算任务。面对受灾群众众多,很多群众将渴望通过手机与外界联系和处理某些紧急业务,而受灾现场自然通信设施破坏严重的情况,即使调派UAV执勤,常常也无法满足所有用户的通信需求。在这种场景下,由于每个用户都迫切的需要计算资源,就需要最大化UAV服务用户的数量,UAV针对每个用户请求的任务进行优化。
在进行优化时,用户设备本身计算根据自身的能耗设定限制计算出最优的本地资源消耗和功率消耗值,同时也计算出需要请求的UAV的计算资源最优值,然后将计算结果发送给UAV。当UAV收到所有用户设备的计算资源请求后,对这些计算资源最优值排序,按照从低到高依次选择用户发送的计算任务卸载请求任务进行卸载,当选择完卸载任务且达到UAV上MEC服务器的最大计算资源的时候,就停止选择用户任务,将可以卸载的任务发送给已选定的用户设备,同时也可以将不可以卸载的任务也发送出去,让不可以卸载的任务的用户设备选择另外一个时段再次尝试进行计算任务卸载。
图1为本发明实施例提供的一种基于有限MEC资源的任务卸载方法的流程图。
如图1所示,本发明实施例提供的基于有限MEC资源的任务卸载方法包括:
S101:以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型。
需要说明的是,在本发明实施例的MEC计算场景中,一台用户设备对应一个计算任务。本发明实施例针对的MEC计算场景,包括多台用户设备和有限的MEC计算资源,一台用户设备仅发起一个计算任务卸载请求,而MEC计算资源可以包括一台或多台MEC服务器。如包括多台MEC服务器,则视为一个整体的MEC计算资源。在有限的MEC计算资源的基础上,为使更多的用户设备(计算任务卸载请求)实现计算任务卸载,本发明实施例提供的是一种部分卸载方法,即将用户设备请求的计算任务卸载量的一部分卸载到MEC服务器,而其余计算任务留在用户设备本地完成。
在满足能耗和延时等约束条件的前提下,本发明实施例提供的基于有限MEC资源的任务卸载方法以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型。
为便于具体实施,本发明实施例给出一种具体的MEC计算任务部分卸载模型的建立方法。本发明实施例中的符号定义及物理含义请参见表1:
表1本发明实施例中的符号定义及物理含义
步骤S101:以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型,具体包括:
以下述公式为目标函数:
以下述公式为MEC计算任务部分卸载模型的约束条件:
S102:解MEC计算任务部分卸载模型,得到满足目标函数的N台用户设备以及与N台用户设备中各用户设备对应的最优MEC计算资源。
假设该MEC计算场景中共有M台用户设备发起计算任务部分卸载请求,在MEC计算资源有限的情况下,从中选择N台用户设备分配MEC计算资源,0≤N≤M。MEC计算任务部分卸载模型所要解决的问题就是在满足计算任务部分卸载模型的所有约束条件的前提下,确定最大的N值,以此确定N台用户设备以及与N台用户设备中各用户设别对应的最优MEC计算资源。
S103:向N台用户设备中的各用户设备分配对应的最优MEC计算资源。
通过上述步骤定要分配的N台用户设备以及为这些用户设备分配的最优MEC计算资源后,MEC服务器将分配的MEC计算资源返回给相应的用户设备,以供用户设备将本地的计算任务部分卸载到MEC服务器执行。
同时,对于无法进行计算任务卸载的用户设备,可以向相应的用户设备发送卸载失败的信息,以使该用户设备选择另一个时段再次请求计算任务卸载。
本发明实施例提供的基于有限MEC资源的任务卸载方法,基于一台用户设备对应一个计算任务的MEC计算场景,通过以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型,解MEC计算任务部分卸载模型,得到满足目标函数的N台用户设备以及与N台用户设备中各用户设备对应的最优MEC计算资源,并向N台用户设备中的各用户设备分配对应的最优MEC计算资源,实现了在该MEC计算场景中实现计算任务卸载的用户数量最大化的优化结果,提高了MEC服务器的资源利用率,实现了满足更多用户的计算任务卸载请求的目标。
图2为本发明实施例提供的一种图1中步骤S102的具体实施方式的流程图;图3为本发明实施例提供的一种图2中步骤S203的具体实施方式的流程图。
上述实施例给出了一种具体的MEC计算任务部分卸载模型的建立方法,具体以卸载的计算任务数量最大化为目标函数,以各用户设备的能耗要求和计算任务的延时要求提出了约束条件,形成了一个NP难问题。为方便求解该问题,如图2所示,上述实施例中的步骤S102:解MEC计算任务部分卸载模型,得到满足目标函数的N台用户设备分配对应的最优MEC计算资源,具体包括:
S201:将MEC计算任务部分卸载模型拆分为各用户设备的子问题。
在上述实施例中提到,如果要最大化卸载服务的用户设备的数量,则要求用户设备请求的MEC计算资源最小化,即利用最少的MEC服务器资源完成用户设备卸载的计算任务。需要说明的是,求解用户设备请求的MEC计算资源最小化的问题并不相当于求解最大化卸载服务的用户设备的数量的问题,这里只是为了方便计算先进行问题的转换,求解用户设备请求的MEC计算资源最小化的问题后,还需满足约束条件C1。
步骤S201具体为将MEC计算任务部分卸载模型拆分为各用户设备的计算任务卸载到MEC服务器的计算频率最小化的子问题,将目标函数O1转化为子问题目标函数O2:
约束条件为:
S202:确定各子问题的松弛问题。
通过上述转换,将需要求解的问题转化为了M个子问题,为提高每个子问题的可解性,提出它们的松弛问题,具体包括:
将第i台用户设备的子问题目标函数O2转换为子问题目标函数O3:
以下述公式为第i台用户设备的子问题约束条件:
S203:以块坐标下降法求解各子问题的松弛问题,得到各用户设备的最优MEC计算资源。
上述松弛问题取的是M个子问题中的一个,即第i台用户设备的松弛子问题,为便于求解,可以进一步利用块坐标下降法求解,分别对每个变量列出子问题,进一步降低计算难度。如图3所示,步骤S203具体可以包括:
S301:将一个子问题拆分为求解一台用户设备的最优本地计算频率的第一子问题、求解一台用户设备的最优本地任务卸载后剩余的比率的第二子问题和求解一台用户设备的最优传输功率的第三子问题。
第一子问题:求解一台用户设备的最优本地计算频率,约束条件为O3,留下与第i台用户设备的本地计算频率fi l关联的约束条件;
第一子问题目标函数为:
第一子问题约束条件为:
第二子问题:求解一台用户设备的最优本地任务卸载后剩余的比率,约束条件为O3,留下与第i台用户设备的本地任务卸载后剩余的比率λi关联的约束条件;
第二子问题目标函数为:
第二子问题约束条件为:
第三子问题:求解一台用户设备的最优传输功率,约束条件为O3,留下与第i台用户设备的传输功率pi关联的约束条件;
第三子问题目标函数为:
第三子问题约束条件为:
S302:解第一子问题得到用户设备的最优本地计算频率,解第二子问题得到用户设备的最优本地任务卸载后剩余的比率,解第三子问题得到用户设备的最优传输功率。
对每台用户设备,分别解第一子问题、第二子问题和第三子问题,得到每台用户设备的最优本地计算频率、最优本地任务卸载后剩余的比率和最优传输功率。
S303:根据用户设备的最优本地计算频率、最优本地任务卸载后剩余的比率和最优传输功率计算得到用户设备的最优MEC计算资源。
根据用户设备的最优本地计算频率、最优本地任务卸载后剩余的比率和最优传输功率就可以计算得到用户设备的最优MEC计算资源。进而就可以根据各用户设备的最优MEC计算资源,挑选满足目标函数O1的N台用户设备。
S204:在各最优MEC计算资源中挑选满足目标函数O1的N台用户设备,并确定与N台用户设备中各用户设备对应的最优MEC计算资源。
本发明实施例求解MEC计算任务部分卸载模型的方式是将MEC计算任务部分卸载模型先转换为M个求用户设备请求的MEC计算资源最小化的子问题,求得各用户设备的最优MEC计算资源后,从中挑选满足目标函数O1的N台用户设备分配对应的最优MEC计算资源,利用最少的MEC服务器资源完成用户设备卸载的计算任务,以此达到提升MEC服务器的资源利用率的目的。
通过上述步骤,可以得到在满足各用户设备的能耗和延时要求的前提下实现用户计算任务卸载数量的方案中,可以分配给各用户设备的最少的MEC计算资源,即为用户设备的最优MEC计算资源。
步骤S204具体可以为:
将各用户设备的最优MEC计算资源按从小到大进行排序,根据排序结果选择在不超出MEC服务器的最大计算资源的前提下,最优MEC计算资源小的前N台用户设备,并确定与前N台用户设备中的各用户设备对应的最优MEC计算资源。
将各用户设备的最优MEC计算资源按大小进行降序排序后,从最优MEC计算资源最小的一端开始,逐个对用户设备的最优MEC计算资源进行累加,直至逼近MEC服务器的最大计算资源。
应用上述步骤S204的具体实施方式挑选前N台用户设备分配对应的最优MEC计算资源时,也可能存在满足N值但非最优MEC计算资源小的前N台用户设备的方案,如排列在第N+1位的最优MEC计算资源大于排在第N位的最优MEC计算资源,但前者能够在满足前N-1位的最优MEC计算资源之和加上第N+1位的最优MEC计算资源的和值不超出MEC服务器的最大计算资源的条件,为进一步提高MEC服务器的资源利用率,将最优MEC计算资源排列在第N+1位的用户设备的计算卸载任务代替最优MEC计算资源排列在第N位的用户设备的计算卸载任务进行分配。以此原则,步骤S204还可以为:
选择最优MEC计算资源之和距MEC服务器的最大计算资源差值最小的N台用户设备,并确定与N台用户设备中的各用户设备对应的最优MEC计算资源。
上文详述了基于有限MEC资源的任务卸载方法对应的各个实施例,在此基础上,本发明还公开了与上述方法对应的基于有限MEC资源的任务卸载装置、设备及计算机可读存储介质。
图4为本发明实施例提供的一种基于有限MEC资源的任务卸载装置的结构示意图。
如图4所示,本发明实施例提供的基于有限MEC资源的任务卸载装置包括:
建模单元401,用于以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型;在MEC计算场景中,一台用户设备对应一个计算任务;
求解单元402,用于解MEC计算任务部分卸载模型,得到满足目标函数的N台用户设备以及与N台用户设备中各用户设备对应的最优MEC计算资源;
分配单元403,用于向N台用户设备中的各用户设备分配对应的最优MEC计算资源。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图5为发明实施例提供的一种基于有限MEC资源的任务卸载设备的结构示意图。
如图5所示,发明实施例提供的数据同步设备包括:
存储器510,用于存储指令,所述指令包括上述任意一项实施例所述的数据同步方法的步骤;
处理器520,用于执行所述指令。
其中,处理器520可以包括一个或多个处理核心,比如3核心处理器、8核心处理器等。处理器520可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器520也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器520可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器520还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器510可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器510还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器510至少用于存储以下计算机程序511,其中,该计算机程序511被处理器520加载并执行之后,能够实现前述任一实施例公开的基于有限MEC资源的任务卸载方法中的相关步骤。另外,存储器510所存储的资源还可以包括操作系统512和数据513等,存储方式可以是短暂存储或者永久存储。其中,操作系统512可以为Windows。数据513可以包括但不限于上述方法所涉及到的数据。
在一些实施例中,基于有限MEC资源的任务卸载设备还可包括有显示屏530、电源540、通信接口550、输入输出接口560、传感器570以及通信总线580。
本领域技术人员可以理解,图5中示出的结构并不构成对基于有限MEC资源的任务卸载设备的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的基于有限MEC资源的任务卸载设备,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如上所述的基于有限MEC资源的任务卸载方法,效果同上。
需要说明的是,以上所描述的装置、设备实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本发明各个实施例所述方法的全部或部分步骤。
为此,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如基于有限MEC资源的任务卸载方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例中提供的计算机可读存储介质所包含的计算机程序能够在被处理器执行时实现如上所述的基于有限MEC资源的任务卸载方法的步骤,效果同上。
以上对本发明所提供的一种基于有限MEC资源的任务卸载方法、装置、设备及计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种基于有限MEC资源的任务卸载方法,其特征在于,包括:
以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型;在所述MEC计算场景中,一台用户设备对应一个计算任务,所述任务部分卸载模型以所述卸载的计算任务数量最大化为目标函数,通过多个约束条件计算得到;
解所述MEC计算任务部分卸载模型,得到满足所述目标函数的N台所述用户设备以及与N台所述用户设备中各所述用户设备对应的最优MEC计算资源;
向N台所述用户设备中的各所述用户设备分配对应的最优MEC计算资源;
所述以卸载的计算任务数量最大化为目标函数,建立MEC计算任务部分卸载模型,具体包括:
以下述公式为所述目标函数:
以下述公式为所述MEC计算任务部分卸载模型的约束条件:
其中,N为所述卸载的计算任务数量,fi l为第i台用户设备的本地计算频率,fi c为所述第i台用户设备卸载到MEC服务器的计算频率,pi为所述第i台用户设备的传输功率,λi为所述第i台用户设备的本地任务卸载后剩余的任务数据量比率,fc,max为所述MEC服务器的最大计算频率,为所述MEC计算场景中的用户设备集合,Fi为所述第i台用户设备的计算任务占用的CPU时钟周期数量,τi为所述第i台用户设备的计算任务的最大延时,k为能量效率系数,Di为所述第i台用户设备的计算任务的输入数据大小,B为传输带宽,hi为所述第i台用户设备的传输信道增益,N0为高斯白噪声功率,Ei为所述第i台用户设备的总剩余能量,pi,max为所述第i台用户设备的最大传输功率,为所述第i台用户设备的最大本地计算频率。
2.根据权利要求1所述的任务卸载方法,其特征在于,所述解所述MEC计算任务部分卸载模型,得到满足所述目标函数的N台所述用户设备以及与N台所述用户设备中各所述用户设备对应的最优MEC计算资源,具体包括:
将所述MEC计算任务部分卸载模型拆分为各所述用户设备的子问题;
确定各所述子问题的松弛问题;
以块坐标下降法求解各所述子问题的松弛问题,得到各所述用户设备的最优MEC计算资源;
在各所述最优MEC计算资源中挑选满足所述目标函数的N台所述用户设备,并确定与N台所述用户设备中各所述用户设备对应的最优MEC计算资源。
4.根据权利要求2所述的任务卸载方法,其特征在于,所述以块坐标下降法求解各所述子问题的松弛问题,得到各所述用户设备的最优MEC计算资源,具体包括:
将一个所述子问题拆分为求解一台所述用户设备的最优本地计算频率的第一子问题、求解一台所述用户设备的最优本地任务卸载后剩余的比率的第二子问题和求解一台所述用户设备的最优传输功率的第三子问题;
解所述第一子问题得到所述用户设备的最优本地计算频率,解所述第二子问题得到所述用户设备的最优本地任务卸载后剩余的比率,解所述第三子问题得到所述用户设备的最优传输功率;
根据所述用户设备的最优本地计算频率、最优本地任务卸载后剩余的比率和最优传输功率计算得到所述用户设备的最优MEC计算资源。
5.根据权利要求2所述的任务卸载方法,其特征在于,所述在各所述最优MEC计算资源中挑选满足所述目标函数的N台所述用户设备,并确定与N台所述用户设备中各所述用户设备对应的最优MEC计算资源,具体为:
将各所述用户设备的最优MEC计算资源按从小到大进行排序,根据排序结果选择在不超出MEC服务器的最大计算资源的前提下所述最优MEC计算资源小的前N台所述用户设备,并确定与前N台所述用户设备中的各所述用户设备对应的最优MEC计算资源。
6.根据权利要求2所述的任务卸载方法,其特征在于,所述在各所述最优MEC计算资源中挑选满足所述目标函数的N台所述用户设备,并确定与N台所述用户设备中各所述用户设备对应的最优MEC计算资源,具体为:
选择所述最优MEC计算资源之和距MEC服务器的最大计算资源差值最小的N台所述用户设备,并确定与N台所述用户设备中的各所述用户设备对应的最优MEC计算资源。
7.一种基于有限MEC资源的任务卸载装置,其特征在于,包括:
建模单元,用于以卸载的计算任务数量最大化为目标函数,建立MEC计算场景中的MEC计算任务部分卸载模型;在所述MEC计算场景中,一台用户设备对应一个计算任务,所述任务部分卸载模型以所述卸载的计算任务数量最大化为目标函数,通过多个约束条件计算得到;
求解单元,用于解所述MEC计算任务部分卸载模型,得到满足所述目标函数的N台所述用户设备以及与N台所述用户设备中各所述用户设备对应的最优MEC计算资源;
分配单元,用于向N台所述用户设备中的各所述用户设备分配对应的最优MEC计算资源;
所述以卸载的计算任务数量最大化为目标函数,建立MEC计算任务部分卸载模型,具体包括:
以下述公式为所述目标函数:
以下述公式为所述MEC计算任务部分卸载模型的约束条件:
其中,N为所述卸载的计算任务数量,fi l为第i台用户设备的本地计算频率,fi c为所述第i台用户设备卸载到MEC服务器的计算频率,pi为所述第i台用户设备的传输功率,λi为所述第i台用户设备的本地任务卸载后剩余的任务数据量比率,fc,max为所述MEC服务器的最大计算频率,为所述MEC计算场景中的用户设备集合,Fi为所述第i台用户设备的计算任务占用的CPU时钟周期数量,τi为所述第i台用户设备的计算任务的最大延时,k为能量效率系数,Di为所述第i台用户设备的计算任务的输入数据大小,B为传输带宽,hi为所述第i台用户设备的传输信道增益,N0为高斯白噪声功率,Ei为所述第i台用户设备的总剩余能量,pi,max为所述第i台用户设备的最大传输功率,为所述第i台用户设备的最大本地计算频率。
8.一种基于有限MEC资源的任务卸载设备,其特征在于,包括:
存储器,用于存储指令,所述指令包括权利要求1至6任意一项所述基于有限MEC资源的任务卸载方法的步骤;
处理器,用于执行所述指令。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述基于有限MEC资源的任务卸载方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206931.6A CN110968366B (zh) | 2019-11-29 | 2019-11-29 | 一种基于有限mec资源的任务卸载方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206931.6A CN110968366B (zh) | 2019-11-29 | 2019-11-29 | 一种基于有限mec资源的任务卸载方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110968366A CN110968366A (zh) | 2020-04-07 |
CN110968366B true CN110968366B (zh) | 2022-06-28 |
Family
ID=70032373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206931.6A Active CN110968366B (zh) | 2019-11-29 | 2019-11-29 | 一种基于有限mec资源的任务卸载方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968366B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000481B (zh) * | 2020-08-25 | 2022-04-12 | 东北大学秦皇岛分校 | 一种d2d-mec系统计算能力最大化的任务卸载方法 |
CN112162789A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算随机卸载决策方法及系统 |
CN112153728B (zh) * | 2020-10-22 | 2021-09-03 | 南开大学 | 一种基站关联和模块休眠的优化方法 |
CN112988285B (zh) * | 2021-05-18 | 2021-08-03 | 北京航空航天大学杭州创新研究院 | 任务卸载方法和装置、电子设备及存储介质 |
CN113542357B (zh) * | 2021-06-15 | 2022-05-31 | 长沙理工大学 | 一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法 |
CN113778682B (zh) * | 2021-09-13 | 2023-04-18 | 电子科技大学 | 一种mec系统资源分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3457664A1 (en) * | 2017-09-14 | 2019-03-20 | Deutsche Telekom AG | Method and system for finding a next edge cloud for a mobile user |
CN109656703A (zh) * | 2018-12-19 | 2019-04-19 | 重庆邮电大学 | 一种移动边缘计算辅助车辆任务卸载方法 |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
-
2019
- 2019-11-29 CN CN201911206931.6A patent/CN110968366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3457664A1 (en) * | 2017-09-14 | 2019-03-20 | Deutsche Telekom AG | Method and system for finding a next edge cloud for a mobile user |
CN109656703A (zh) * | 2018-12-19 | 2019-04-19 | 重庆邮电大学 | 一种移动边缘计算辅助车辆任务卸载方法 |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
Also Published As
Publication number | Publication date |
---|---|
CN110968366A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968366B (zh) | 一种基于有限mec资源的任务卸载方法、装置及设备 | |
CN109857546B (zh) | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 | |
CN109829332B (zh) | 一种基于能量收集技术的联合计算卸载方法及装置 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN112380020A (zh) | 一种算力资源分配方法、装置、设备及存储介质 | |
CN112527509B (zh) | 一种资源分配方法、装置、电子设备及存储介质 | |
CN109510869A (zh) | 一种基于边缘计算的物联网服务动态卸载方法及装置 | |
CN108304256B (zh) | 一种边缘计算中低开销的任务调度方法及装置 | |
CN109947551A (zh) | 一种多轮次任务分配方法、边缘计算系统及其存储介质 | |
CN104619029A (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
CN111078404A (zh) | 一种计算资源确定方法、装置、电子设备及介质 | |
CN112888005B (zh) | 一种面向mec的分布式业务调度方法 | |
CN110489233A (zh) | 基于移动边缘计算的设备任务卸载及cpu调频方法及系统 | |
CN104202305B (zh) | 一种转码处理方法、装置及服务器 | |
CN114253698A (zh) | 资源调度方法、系统、电子设备及存储介质 | |
CN117407160A (zh) | 一种边缘计算场景下在线任务和离线任务的混合部署方法 | |
CN111158893B (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN110780986A (zh) | 一种基于移动边缘计算的物联网任务调度方法及系统 | |
CN114339891A (zh) | 一种基于q学习的边缘卸载资源分配方法及系统 | |
CN111542091B (zh) | 网络切片的无线与计算资源联合分配方法 | |
CN110347477B (zh) | 一种云环境下服务自适应部署方法和装置 | |
CN115269145A (zh) | 一种面向海上无人设备的高能效异构多核调度方法及装置 | |
CN114745386A (zh) | 一种多用户边缘智能场景下的神经网络分割及卸载方法 | |
Alam et al. | Derandomized distributed multi-resource allocation with little communication overhead |
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 |