CN111132235B - 基于改进hrrn算法和多属性决策的移动卸载迁移算法 - Google Patents

Abstract

本发明的基于改进HRRN(Highest Response Ratio Next)算法和多属性决策的移动卸载迁移算法，包括：步骤1：单个无线体域网在某一时刻生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；步骤2：建立边缘服务器的效益函数，将效益值高的边缘服务器作为当前任务的初始边缘服务器；步骤3：判断当前边缘服务器是否合适；步骤4：判断边缘服务器是否满足两个准则，满足其中一项可作为候选边缘服务器；步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移。

Description

基于改进HRRN算法和多属性决策的移动卸载迁移算法

技术领域

本发明属于无线通信技术领域，涉及基于改进HRRN算法和多属性决策的移动卸载迁移算法。

背景技术

随着移动通信技术的发展和只能终端的普及，各种网络服务和应用不断涌现，用户对网络服务质量、请求时延等网络性能的要求越来越高。尽管智能终端的中央处理单元的处理能力越来越强大，依然不足以在短时间内处理巨大的应用程序。此外，智能终端电池电量的消耗和自身损耗也是一大问题。为了解决这个问题，业界提出了移动边缘计算和边缘卸载技术。

移动边缘计算(MEC)是指在移动网络边缘不熟计算和存储资源，为移动网络提供IT服务环境和云计算能力，从而为用户提供超低时延和高带宽的网络服务解决方案。但MEC也会引入一些新的问题，如用户是否卸载，用户应卸载到哪个MEC，用户移动后应该如何处理等，这些问题需要制定相应的策略来解决。

计算卸载迁移的决策需要考虑多种上下文，例如服务的类型、迁移内容的大小、用户的类型、延迟和负载等。决策一般需要确定三个重要问题:是否卸载、是否迁移以及迁移到何处。

一些已有研究成果的计算卸载策略研究如下：

1、伏舒存等提出一种能耗感知的工作流计算迁移(EOW)方法。基于排队论和非支配排序算法(NSGA-Ⅲ)，建立了移动设备的时间模型和能耗模型，提出相应的计算迁移方法，实现每个移动设备的节能目标。(伏舒存，付章杰，邢国稳，刘庆祥,许小龙.移动边缘环境下面向工作流管理的计算迁移方法[J].计算机应用.2019.39(05):1523-1527。)。

2、张海波等人研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器，也可以卸载到邻近车辆。(张海波,栾秋季，朱江,贺晓帆。基于移动边缘计算的V2X任务卸载方案[J].电子与信息学报,2018,40(11):2736-2743.)

3、兰卓睿等提出了一种移动边缘计算场景下基于并行拍卖的无线资源与云资源联合优化分配算法。(Zhuorui Lan,Weiwei Xia,Siyun Wu,Feng Yan,LianfengShen.Joint allocation of wireless resources and cloud resources based onparallel auction in mobile edge computing system[J].Journal of SoutheastUniversity(English Edition),2019,35(02):153-159.)

大多数现有的计算卸载迁移策略在讨论关于时间和能耗的效用函数时，没有考虑当任务较多时在MEC中需要排队等待的情形，这使得能耗和时间的表达式不够准确。特别是，在实际场景下，任务在特定时间段较为集中，会大大增加任务需要排队等待的几率，对效用函数准确性的影响会更明显。

其次，在少数考虑排队等待的研究中，也遵循着先到先服务的原则，未引入业务优先级的概念。这会影响实际场景下多优先级任务资源分配的合理性，使用户的服务质量偏低。因此我们引入业务优先级，并对业务优先级进行动态调整即创建时赋予的优先级可随的任务推进或随等待时间的增加而改变。并采用优先级排队模型对时延和能耗函数进行更为准确的讨论。此外，在确定能耗和时延的权重时，大多数论文仅根据移动终端的状态主观调整权值的分配，这会降低权值划分的合理性和准确性。

发明内容

为解决上述技术问题，本发明的目的是提供基于改进HRRN算法和多属性决策的移动卸载迁移算法，该算法以多属性决策为基础，采用层次分析法对服务器和用户状态的多个参数进行分析比较赋值，再通过效益函数排序最终得出最优的边缘服务器卸载迁移方案。

本发明提供的基于改进HRRN算法和多属性决策的移动卸载迁移算法，包括如下步骤：

步骤1：单个无线体域网在某一时刻根据IEEE802.15.6无线体域网优先级规范生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；

步骤2：建立边缘服务器的效益函数，将效益函数定义为时延和能耗的加权，计算所有边缘服务器的效益值，将效益值高的边缘服务器作为当前任务的初始边缘服务器；

步骤3：判断用户是否移出当前边缘服务器的最适用范围或是否存在当前边缘服务器的覆盖范围内用户激增导致信道资源衰弱，如果是则执行步骤4；

步骤4：采用如下两个准则对候选的边缘服务器进行筛选：1)当前边缘服务器不可用；2)候选边缘服务器的每一个属性性能不低于当前边缘服务器对应属性的0.95倍，候选边缘服务器至少有一个属性优于原属性的1.5倍；满足其中一项准则可作为候选边缘服务器；

步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移。

在本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法中，所述步骤2具体为：

步骤2.1：建立如下效益函数：

w(i)＝αT_i+βE_i

其中，α,β为权重；T_i是切换到第i个边缘服务器的传输时延和第i个边缘服务器的计算处理时延的总和；E_i是切换到第i个边缘服务器的传输能耗和第i个边缘服务器的处理能耗的总和；

其中，θ为当前任务的数据量,σ为计算密度，υ_i为第i个边缘服务器的CPU转速，d_i为当前边缘服务器距第i个边缘服务器的距离，p为发送功率，ν为数据的传输速率，t_i为考虑排队论之后的排队等待的时间；

步骤2.2：根据效益值选取初始边缘服务器时，由于d_i＝0，因此根据下式计算效益值：

在本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法中，根据下列步骤确定考虑排队论之后的排队等待的时间t_i：

(1)建立优先权排队模型，模型假设：

1)模型中存在8个优先级；

2)服务顺序首先基于优先级，同一优先级内，先到先服务；

3)对任意优先级，顾客到达服从泊松分布，服务时间服从负指数分布；

4)对任意优先级顾客的服务时间相同；

5)不同优先级顾客的平均到达率可以不同；

(2)设优先级为k的任务的排队等待时间为：

B₈＝1

其中，S代表边缘服务器中虚拟机的个数，u代表每个边缘服务器的服务速率，λ_i代表优先级为i的任务的到达速率。

在本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法中，基于改进的高响应比优先调度算法，根据下式对现有优先级进行动态调整：

其中，k为队列中任务的优先级，k₀为由任务产生时被赋予的优先级，t_i为任务在队列中的排队等待时间，T为要求服务时间。

在本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法中，利用层次分析法确定属性权重α,β，具体为：

第一步，建立层次结构模型，该层次分为三层，效益值初始为1，根据业务特性、用户特征、单个无线体域网的状态为三者分配权值；业务特性、用户特征、单个无线体域网的状态再依次为时延和能耗分配权值，时延和能耗最终的权值为三者的累加和；

第二步，构造出各个层次中的两两比较判断矩阵，第一个矩阵为3×3矩阵，三个变量为业务特性、用户特征、单个无线体域网的状态，第二个矩阵为2×2的矩阵，两个变量为时延和能耗；

第三步：层次单排序及一致性检验，确定同意层次因素对上层某个因素的相对重要性权值并判断对每一个变量的权值分配是否合理；

第四步，层次总排序及一致性检验，计算某一层次所有因素对于总目标的相对重要性的权值并判断权值分配是否合理。

在本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法中，所述步骤4中属性包括：带宽、服务器速度、可用内存、服务器负载和距离。

本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法，至少具有以下有益效果：

1、本发明将卸载迁移决策技术运用在单个无线体域网(Wireless Body AreaNetwork，WBAN)中，将不能在本地处理的任务卸载至边缘服务器上执行，缓解了对WBAN中心节点的计算压力，提高数据处理速度和精确度。

2、本发明创新地将多属性决策模型与带优先权的排队论相结合，对效益函数进行优化，考虑排队时延增加了效益函数的准确性。

3、本发明采用了层次分析法合理地将定性和定量的决策结合起来，为评价，决策，排序提供了量化依据。

4、本发明考虑了动态优先级，即创建时赋予的优先级可随的任务推进或随等待时间的增加而改变。采用优先级排队模型使得时延和能耗函数更为准确，避免优先级低的任务一直处于饥饿状态。

附图说明

图1是本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法的流程图；

图2是本发明的利用层次分析法确定效益函数的属性权的层次结构模型。

具体实施方式

如图1所示，本发明的基于改进HRRN算法和多属性决策的移动卸载迁移算法，包括如下步骤：

步骤1：单个无线体域网在某一时刻生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；

具体实施时，单个无线体域网根据IEEE802.15.6的无线体域网优先级规范在某一时刻生成多个优先级不同的任务。

步骤2：建立边缘服务器的效益函数，将效益函数定义为时延和能耗的加权，计算所有边缘服务器的效益值，将效益值高的边缘服务器作为当前任务的初始边缘服务器；

所述步骤2具体为：

步骤2.1：建立如下效益函数：

w(i)＝αT_i+βE_i

其中，α,β为权重；T_i是切换到第i个边缘服务器的传输时延和第i个边缘服务器的计算处理时延的总和；E_i是切换到第i个边缘服务器的传输能耗和第i个边缘服务器的处理能耗的总和；

其中，θ为当前任务的数据量,σ为计算密度，υ_i为第i个边缘服务器的CPU转速，d_i为当前边缘服务器距第i个边缘服务器的距离，p为发送功率，ν为数据的传输速率，t_i为考虑排队论之后的排队等待的时间；

步骤2.2：根据效益值选取初始边缘服务器时，由于d_i＝0，因此根据下式计算效益值：

根据下列步骤确定考虑排队论之后的排队等待的时间t_i：

(1)建立优先权排队模型，模型假设：

1)模型中存在8个优先级；

2)服务顺序首先基于优先级，同一优先级内，先到先服务；

3)对任意优先级，顾客到达服从泊松分布，服务时间服从负指数分布；

4)对任意优先级顾客的服务时间相同；

5)不同优先级顾客的平均到达率可以不同；

(2)设优先级为k的任务的排队等待时间为：

B₈＝1

其中，S代表边缘服务器中虚拟机的个数，u代表每个边缘服务器的服务速率，λ_i代表优先级为i的任务的到达速率。

本发明基于改进的高响应比优先调度算法(Highest Response Ratio Nest，HRRN)，根据下式对现有优先级进行动态调整：

其中，k为队列中任务的优先级，k₀为由任务产生时被赋予的优先级，t_i为任务在队列中的排队等待时间，T为要求服务时间。

如图2所示，利用层次分析法确定效益函数的属性权重α,β，具体为：

第一步，建立层次结构模型，该层次分为三层，效益值初始为1，根据业务特性、用户特征、单个无线体域网的状态为三者分配权值；业务特性、用户特征、单个无线体域网的状态再依次为时延和能耗分配权值，时延和能耗最终的权值为三者的累加和；

第二步，构造出各个层次中的两两比较判断矩阵，第一个矩阵为3×3矩阵，三个变量为业务特性、用户特征、单个无线体域网的状态，第二个矩阵为2×2的矩阵，两个变量为时延和能耗；

第三步：层次单排序及一致性检验，确定同意层次因素对上层某个因素的相对重要性权值并判断对每一个变量的权值分配是否合理；

第四步，层次总排序及一致性检验，确定同意层次因素对上层某个因素的相对重要性权值并判断对每一个变量的权值分配是否合理。

具体实施时，判断矩阵的标度方法，如表1所示：

因素i和因素j相比，同等重要，则标度b_ij为1；

因素i和因素j相比，为同等重要和稍微重要的中间值，则标度b_ij为2；

因素i和因素j相比，稍微重要，则标度b_ij为3；

因素i和因素j相比，为稍微重要和较强重要的中间值，则标度b_ij为4；

因素i和因素j相比，较强重要，则标度b_ij为5；

因素i和因素j相比，为较强重要和强烈重要的中间值，则标度b_ij为6；

因素i和因素j相比，强烈重要，则标度b_ij为7；

因素i和因素j相比，为强烈重要和极端重要的中间值，则标度b_ij为8；

因素i和因素j相比，极端重要，则标度b_ij为9；

因素j与因素i相比，标度b_ji＝1/b_ij。

步骤3：判断用户是否移出当前边缘服务器的最适用范围或是否存在当前边缘服务器的覆盖范围内用户激增导致信道资源衰弱，如果是则执行步骤4；

步骤4：采用如下两个准则对候选的边缘服务器进行筛选：1)当前边缘服务器不可用；2)候选边缘服务器的每一个属性性能不低于当前边缘服务器对应属性的0.95倍，候选边缘服务器至少有一个属性优于原属性的1.5倍，(根据杨从有.移动云计算中基于多属性决策的计算卸载任务切换管理[D].云南大学,2013.)；满足其中一项准则可作为候选边缘服务器；

具体实施时，属性包括：带宽、服务器速度、可用内存、服务器负载和距离。

步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、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.基于改进HRRN算法和多属性决策的移动卸载迁移算法，其特征在于，包括如下步骤：

步骤1：单个无线体域网在某一时刻根据IEEE802.15.6无线体域网优先级规范生成多个优先级不同的任务，如果可以本地处理则直接本地处理，否则上传至边缘服务器；

步骤2：建立边缘服务器的效益函数，将效益函数定义为时延和能耗的加权，计算所有边缘服务器的效益值，将效益值高的边缘服务器作为当前任务的初始边缘服务器；

步骤3：判断用户是否移出当前边缘服务器的最适用范围或是否存在当前边缘服务器的覆盖范围内用户激增导致信道资源衰弱，如果是则执行步骤4；

步骤4：采用如下两个准则对候选的边缘服务器进行筛选：1)当前边缘服务器不可用；2)候选边缘服务器的每一个属性性能不低于当前边缘服务器对应属性的0.95倍，候选边缘服务器至少有一个属性优于原属性的1.5倍；满足其中一项准则可作为候选边缘服务器；

步骤5：再次根据步骤2建立边缘服务器的效益函数，计算所有候选边缘服务器的效益值，选择效益值最高的边缘服务器进行迁移；

所述步骤2具体为：

步骤2.1：建立如下效益函数：

w(i)＝αT_i+βE_i

其中，α,β为权重；T_i是切换到第i个边缘服务器的传输时延和第i个边缘服务器的计算处理时延的总和；E_i是切换到第i个边缘服务器的传输能耗和第i个边缘服务器的处理能耗的总和；

其中，θ为当前任务的数据量,σ为计算密度，υ_i为第i个边缘服务器的CPU转速，d_i为当前边缘服务器距第i个边缘服务器的距离，p为发送功率，ν为数据的传输速率，t_i为考虑排队论之后的排队等待的时间；

步骤2.2：根据效益值选取初始边缘服务器时，由于d_i＝0，因此根据下式计算效益值：

根据下列步骤确定考虑排队论之后的排队等待的时间t_i：

(1)建立优先权排队模型，模型假设：

1)模型中存在8个优先级；

2)服务顺序首先基于优先级，同一优先级内，先到先服务；

3)对任意优先级，顾客到达服从泊松分布，服务时间服从负指数分布；

4)对任意优先级顾客的服务时间相同；

5)不同优先级顾客的平均到达率可以不同；

(2)设优先级为k的任务的排队等待时间为：

B₈＝1

其中，S代表边缘服务器中虚拟机的个数，u代表每个边缘服务器的服务速率，λ_i代表优先级为i的任务的到达速率；

基于改进的高响应比优先调度算法，根据下式对现有优先级进行动态调整：

其中，k为队列中任务的优先级，k₀为由任务产生时被赋予的优先级，t_i为任务在队列中的排队等待时间，T为要求服务时间；

利用层次分析法确定属性权重α,β，具体为：

第一步，建立层次结构模型，该层次分为三层，效益值初始为1，根据业务特性、用户特征、单个无线体域网的状态为三者分配权值；业务特性、用户特征、单个无线体域网的状态再依次为时延和能耗分配权值，时延和能耗最终的权值为三者的累加和；

第二步，构造出各个层次中的两两比较判断矩阵，第一个矩阵为3×3矩阵，三个变量为业务特性、用户特征、单个无线体域网的状态，第二个矩阵为2×2的矩阵，两个变量为时延和能耗；

第三步：层次单排序及一致性检验，确定同一层次因素对上层某个因素的相对重要性权值并判断对每一个变量的权值分配是否合理；

第四步，层次总排序及一致性检验，计算某一层次所有因素对于总目标的相对重要性的权值并判断权值分配是否合理。

2.如权利要求1所述的基于改进HRRN算法和多属性决策的移动卸载迁移算法，其特征在于，所述步骤4中属性包括：带宽、服务器速度、可用内存、服务器负载和距离。

Images