CN111148155A - 一种基于移动边缘计算的任务卸载方法 - Google Patents

一种基于移动边缘计算的任务卸载方法 Download PDF

Info

Publication number
CN111148155A
CN111148155A CN201911365408.8A CN201911365408A CN111148155A CN 111148155 A CN111148155 A CN 111148155A CN 201911365408 A CN201911365408 A CN 201911365408A CN 111148155 A CN111148155 A CN 111148155A
Authority
CN
China
Prior art keywords
task
mobile
consumption
energy
mobile device
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.)
Pending
Application number
CN201911365408.8A
Other languages
English (en)
Inventor
李光顺
吴一
王艺筱
林青燕
吴俊华
王茂励
张颖
闫佳和
成秀珍
刘钦宇
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.)
Qufu Normal University
Original Assignee
Qufu Normal University
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 Qufu Normal University filed Critical Qufu Normal University
Priority to CN201911365408.8A priority Critical patent/CN111148155A/zh
Publication of CN111148155A publication Critical patent/CN111148155A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
    • H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • 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
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于移动边缘计算的任务卸载方法，该方法基于图划分的将移动设备划分成簇，然后将多用户之间的任务卸载决策问题转化为多用户博弈问题，并且使博弈的结果满足纳什均衡，可以显着降低云核心网的计算和通信负载，还可以充分利用网络边缘的冗余计算资源、并且移动设备和IoT设备，降低任务完成延迟和边缘计算任务调度的能耗。

Description

一种基于移动边缘计算的任务卸载方法
技术领域
本发明涉及通信领域，特别是涉及一种基于移动边缘计算的任务卸载方法。
背景技术
随着物联网服务的快速发展，为移动应用带来了大量的资源需求(例如，实时互动在线游戏和增强/虚拟现实)。然而，由于传统的物联网设备的计算资源有限，导致在执行计算密集型的任务时，降低了体验质量。同时传统的物联网设备对能耗比较敏感，所以在计算任务越来越繁重的时候，能耗问题成为一个重大的挑战。移动边缘计算(MobileedgeComputing,MEC)能将密集的计算任务从智能设备迁移到具有足够计算资源的附近边缘服务器，但使用边缘服务器也会产生相应的成本。
发明内容
本发明的目的是提供一种基于移动边缘计算的任务卸载方法，将移动设备的聚类后应用于边缘计算中，有效降低了边缘计算任务调度的能耗。
为实现上述目的，本发明提供了如下方案：
一种基于移动边缘计算的任务卸载方法，所述方法包括：
将移动设备进行分簇处理，得到多个簇；
分别计算每个所述簇的计算能力和能量；
根据任务的计算量分别计算所述任务的传输消耗和任务执行消耗；所述传输消耗包括：所述任务在簇之间传输消耗的能量和所述任务与服务器之间传输消耗的能量；所述任务执行消耗包括：每个所述簇执行所述任务时消耗的能量和所述服务器执行所述任务时消耗的能量；
根据所述任务的计算量、所述传输消耗和所述任务执行消耗，利用纳什均衡方法将所述任务进行卸载处理。
可选的，所述将移动设备进行分簇处理，得到多个簇，具体包括：
获取权重最高的边，以及移动设备i与移动设备j之间的最高权重低于簇的最大权重Mmax；
对所述移动设备i和所述移动设备j进行聚类处理，得到新的移动设备集合Cij；
在空间上划分移动设备空间以得到多个簇Ga＝(C,Ea)。
可选的，所述移动设备移动设备用一个三元组<Ci,Ei,Ni>表示；其中Ci表示移动设备i的计算资源；Ei表示移动设备i的能量；Ni表示移动设备i的邻居移动设备数量，邻居移动设备为可通信的相邻移动设备。
可选的，所述分别计算每个所述簇的计算能力和能量具体包括：
获取每个移动设备的计算能力Fi和每个移动设备的能量Ei，Ei＝Ci(1-δi)，1≤i≤p，p为移动设备的总个数；
根据所述每个移动设备的计算能力Fi，利用公式
Figure BDA0002338285230000021
计算所述簇的计算能力；
根据所述每个移动设备的能量Ei，利用公式
Figure BDA0002338285230000022
计算所述簇的能量。
可选的，所述每一个任务用三元组(Bi,Ki,Li)表示，Bi表示任务的数据输入比特量，Ki表示任务所需要的计算量；Li表示任务可接受的最大延迟；其中对于实时型的任务，Li＝0表示对于延迟不敏感的任务，Li＝∞表示其他的情况则设置为实际的最大延迟。
可选的，所述任务在簇之间传输消耗的能量和每个所述簇执行所述任务时消耗的能量的计算过程具体包括：
获取所述任务的计算量Ki
根据公式
Figure BDA0002338285230000023
计算所述簇执行任务的时间；
根据公式
Figure BDA0002338285230000024
计算所述簇任务执行消耗；
根据公式
Figure BDA0002338285230000025
计算所述任务在簇之间传输消耗的能量；
根据所述所述簇任务执行消耗和所述任务在簇之间传输消耗的能量，利用公式
Figure BDA0002338285230000031
计算其他簇n执行任务的总能量消耗；
利用公式
Figure BDA0002338285230000032
得到移动设备本地执行的总开销；其中αl任务传输过程中能量消耗的权重因子，λl是任务被执行过程中时间消耗的权重因子，所述能量消耗的权重因子和时间消耗的权重因子的选择满足公式
Figure BDA0002338285230000033
可选的，所述任务与服务器之间传输消耗的能量和所述服务器执行所述任务时消耗的能量的具体计算过程包括：
获取所述任务的计算量Ki
根据公式
Figure BDA0002338285230000034
计算任务与服务器之间的传输时间
Figure BDA0002338285230000035
根据公式
Figure BDA0002338285230000036
计算服务器执行任务的时间
Figure BDA0002338285230000037
根据所述任务与服务器之间的传输时间
Figure BDA0002338285230000038
和服务器执行任务的时间
Figure BDA0002338285230000039
利用公式
Figure BDA00023382852300000310
计算所述任务在服务器的总开销；其中其中αc为任务与服务器之间的传输过程中能量消耗的权重因子，λc为服务器执行任务过程中时间消耗的权重因子，所述能量消耗的权重因子和时间消耗的权重因子的选择满足公式
Figure BDA00023382852300000311
可选的，所述根据所述任务的计算量、所述传输消耗和所述任务执行消耗，利用纳什均衡方法将所述任务进行卸载处理，具体包括：
获取所述任务的计算量、所述传输消耗和所述任务执行消耗；
根据目标函数
Figure BDA00023382852300000312
对任务调度与卸载过程总的总开销进行限定，并通过有限次迭代使任务调度与卸载满足纳什均衡：
Figure BDA00023382852300000313
根据本发明提供的具体实施例，本发明公开了以下技术效果：基于图划分的将移动设备划分成簇，然后将多用户之间的任务卸载决策问题转化为多用户博弈问题，并且使博弈的结果满足纳什均衡，可以显着降低云核心网的计算和通信负载，还可以充分利用网络边缘的冗余计算资源、并且移动设备和IoT设备，降低任务完成延迟和边缘计算任务调度的能耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于移动边缘计算的任务卸载方法的流程示意图；
图2为本发明移动边缘计算部署系统示意图；
图3为移动设备在区域中的分布图；
图4为移动设备的邻接图；
图5为移动设备的交互图；
图6为任务卸载状态达到纳什均衡时的开销示意图；
图7为任务能耗对比图；
图8为移动设备开销对比图；
图9为移动设备簇的开销对比图；
图10为任务量与移动设备簇之间的能耗图。
具体实施方式
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。
本发明的目的是提供一种基于移动边缘计算的任务卸载方法，能够降低任务完成延迟和边缘计算任务调度的能耗。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明的基于移动边缘计算的任务卸载方法具体包括：
步骤101：将移动设备进行分簇处理，得到多个簇。
步骤102：分别计算每个簇的计算能力和能量。
步骤103：根据任务的计算量分别计算任务的传输消耗和任务执行消耗；传输消耗包括：任务在簇之间传输消耗的能量和任务与服务器之间传输消耗的能量；任务执行消耗包括：每个簇执行任务时消耗的能量和服务器执行任务时消耗的能量。
步骤104：根据任务的计算量、传输消耗和任务执行消耗，利用纳什均衡方法将任务进行卸载处理。
该方法对应的移动边缘计算部署系统示意图如图2所示，MEC服务器移动设备是移动边缘计算网络的核心部分，也是移动边缘计算的主要实现移动设备。在移动边缘计算系统中，边缘服务器通过有线链路连接到核心网络，并且边缘服务器可以是移动设备。
通过对移动设备分簇后，并得到每个簇的计算能力和能量；然后根据任务的计算量计算任务的传输消耗和任务执行消耗，并利用纳什均衡方法使得任务分配均衡，执行过程中的总消耗最少，降低任务处理的能耗。
将移动设备定义为s＝{1，2，···，N}，其中每个用户都有一个计算密集型的任务要完成，每个设备都可以通过wifi直接连接邻居设备。
本发明将移动设备组成的网络拓扑图抽象为无向加权连通图G＝(V,E),V表示雾移动设备设备的集合，即V＝{v1,v2,v3,...vn}，n代表每个雾移动设备唯一的编号；E表示移动设备之间的通信链路，即E＝{eij|i,j∈[1,2…n]}，eij代表雾移动设备vi与vj之间的通信链路，权重τij代表移动设备vi与vj之间的通信加权总和。
从移动边缘计算部署系统示意图的角度看，移动设备的部署情况如图3-图5所示。
图3为移动设备在区域中的分布图，表示空间分区后移动设备的离散分布，将使用移动设备集作为移动设备分区的起点。图4为移动设备的邻接图，在正方形网格中，一个移动设备(一个网格单元)最多具有8个相邻移动设备，一个移动设备可以与其他八个移动设备通信。在集合中，移动设备可以自循环。
图5为移动设备的交互图，区域已经在N个单元中被离散化。G表示N个单元的集合,默认情况下，C等于G，这意味着离散部分都在一个唯一的集群中。其目的是对单元格进行聚类，程序的解决方案可能会导致一些空集群。一个集群具有最大的容量Mmax，ti,j代表从i到j之间单位通信量，此时i∈G,j∈G。
获取权重最高的边，以及移动设备i与移动设备j之间的最高权重低于簇的最大权重Mmax。
对移动设备i和移动设备j进行聚类处理，得到新的移动设备集合Cij。
新移动设备与其邻居之间的链路的权重由前移动设备i与其邻居之间以及前移动设备j与其邻接之间的链路权重之和来确定。新移动设备的权重τc,ij对应于前两个移动设备自循环之和加上移动设备i和移动设备j之间的权重。其中τc,ij＝τij+τii+τjj，τc,ij≤Mmax。
在空间上划分移动设备空间以得到多个簇Ga＝(C,Ea)。
通过构造，移动设备(集群)的数量在每次通过时都会减少。这些传递被迭代，直到没有更多的更改，这意味着达到了MEC集群交互的局部最小值。
移动设备之间通过无线网络互联，经过分簇选出簇头，由簇头代表本簇移动设备收发信息。一个移动设备可以有很多个执行作业的策略，本文中本方案主要考虑作业执行质量ai，设备能耗bi，设备代价ci，ai、bi、ci分别表其各自的权重，用二进制表示。移动设备根据自己本身的性能来选择要执行的作业策略。例如，当移动设备本身的性能为ai＝1，bi＝0，ci＝0，那么这个移动设备选择需要高质量完成的作业。如果一个移动设备ai＝0，bi＝1，ci＝0，那么这个移动设备选择能耗较小的作业，同理，如果一个移动设备ai＝0，bi＝0，ci＝1，那么这个移动设备选择由其他移动设备代为执行自己的作业。通过设置不同的系数权重可以实现多目标策略。
移动设备移动设备用一个三元组<Ci,Ei,Ni>表示；其中Ci表示移动设备i的计算资源；Ei表示移动设备i的能量；Ni表示移动设备i的邻居移动设备数量，邻居移动设备为可通信的相邻移动设备。
获取每个移动设备的计算能力Fi和每个移动设备的能量Ei，Ei＝Ci(1-δi)，1≤i≤p，p为移动设备的总个数；
根据每个移动设备的计算能力Fi，利用公式
Figure BDA0002338285230000061
计算簇的计算能力；
根据每个移动设备的能量Ei，利用公式
Figure BDA0002338285230000071
计算簇的能量。
模型中通信时延主要有通过无线网络传输任务的传输时延
Figure BDA0002338285230000072
和计算任务在移动设备的执行时间组成Ti m。当任务在本地m执行，任务的执行时间用Ti m表示，为
Figure BDA0002338285230000073
任务i执行任务的能量消耗为
Figure BDA0002338285230000074
cn是本地移动设备的CPU功率，传输时延表示为
Figure BDA0002338285230000075
当任务需要传输到其他簇执行时，设备选择一条信道，传输过程中能量消耗为
Figure BDA0002338285230000076
传输其他簇n执行任务的总能量消耗为
Figure BDA0002338285230000077
其中Etrans是传输任务过程消耗的能量，
Figure BDA0002338285230000078
是在其他簇n执行该任务消耗的能量。因此，总开销可以表示为
Figure BDA0002338285230000079
移动设备本地执行的总开销可以表示为
Figure BDA00023382852300000710
其中αl任务传输过程中能量消耗的权重因子，λl是任务被执行过程中时间消耗的权重因子，能量消耗的权重因子和时间消耗的权重因子的选择满足公式
Figure BDA00023382852300000711
每一个任务用三元组(Bi,Ki,Li)表示，Bi表示任务的数据输入比特量，Ki表示任务所需要的计算量；Li表示任务可接受的最大延迟；其中对于实时型的任务，Li＝0表示对于延迟不敏感的任务，Li＝∞表示其他的情况则设置为实际的最大延迟。
在服务器进行消耗计算时，
Figure BDA00023382852300000712
当
Figure BDA00023382852300000713
时，该任务需要卸载到MEC设备执行,此时能量消耗
Figure BDA00023382852300000714
可以分为传输能耗
Figure BDA00023382852300000715
和计算能耗
Figure BDA00023382852300000716
其中
Figure BDA00023382852300000717
P是在移动设备接入信道时的单位能耗，
Figure BDA0002338285230000081
是任务在云层处理消耗的能量，即
Figure BDA0002338285230000082
其中Fc是边缘云服务器的计算能力，εe是边缘云服务器处理数据单位时间的能耗。
根据公式
Figure BDA0002338285230000083
计算任务与服务器之间的传输时间
Figure BDA0002338285230000084
根据公式
Figure BDA0002338285230000085
计算服务器执行任务的时间
Figure BDA0002338285230000086
根据任务与服务器之间的传输时间
Figure BDA0002338285230000087
和服务器执行任务的时间
Figure BDA0002338285230000088
利用公式
Figure BDA0002338285230000089
计算任务在服务器的总开销；其中其中αc为任务与服务器之间的传输过程中能量消耗的权重因子，λc为服务器执行任务过程中时间消耗的权重因子，能量消耗的权重因子和时间消耗的权重因子的选择满足公式
Figure BDA00023382852300000810
当给定一个多用户的任务卸载策略结果向量a，对于选择了卸载任务的用户n的决策结果φn(φn≥0)，所以任务调度决策φ-n＝{φ1,φ2,...,φn-1,φn+1,...φN}，其中φ-n表示除了用户i之外的其他用户的卸载决策，当给定了用户n的卸载决策的情况下，多用户任务卸载决策可以表示为Γ＝(N,{φn}n∈N,{Zn}n∈N)。
本发明决策的目的是最小化任务调度与卸载过程总的总开销，目标函数可以表示为：
Figure BDA00023382852300000811
通过多用户计算任务卸载决策博弈存在一个纳什均衡，同时可以通过有限次的迭代达到纳什均衡。
Figure BDA00023382852300000812
将移动设备簇看做N个参与者，每个参与者按照一定的策略调度任务，其他参与者实现策略最优时，这个参与者不再改变自己的策略。当所有参与者都不再改变自己的策略时，系统总体达到一个平衡状态。整个系统是随着作业的到达与完成，不断打破旧的平衡，实现新的平衡，是一个动态的过程。
纳什均衡与移动设备采取的策略密切相关。每簇移动设备根据自己的调度策略确定ai、bi、ci。如果每一簇的调度策略对于系统整体来说是可行的，那么维持现状。随之作业的执行，系统情况的变化，当这些策略对总体来说不可行时，通过调整函数来调整部分移动设备簇的策略，使得系统过渡到一个新的平衡状态。当满足以下条件时，系统可以支持各移动设备簇的调度策略。
Figure BDA0002338285230000091
计算卸载的总开销和卸载决策需要满足如下的限制条件为：
Figure BDA0002338285230000092
(1)每个移动设备获得其自己的参数值，每个移动设备做出计算决策，并且决策时隙中的每个移动设备接收其相邻移动设备的参数。在每个时间t，每个设备根据公式
Figure BDA0002338285230000093
和
Figure BDA0002338285230000094
定制决策。
(2)公式
Figure BDA0002338285230000095
用于确定是否已达到纳什均衡。
(3)如果此时所有成本都达到最小值，则终止迭代过程；否则，在下一次，即t+1，返回(1)并继续迭代过程。
针对上述基于移动边缘计算的任务卸载方法，本发明采用了Matlab软件仿真方式来评估所提计算卸载策略得性能。
设定网络中有100个移动设备，每个设备上都有一个待处理得计算任务，最终本方案将设备分为10个簇进行博弈。
任务的参数被设置为Bi＝5MB，任务的任务计算量取值为Ki～U(30，60)MI,时间延迟约束Lmax～U(5，10)s。移动设备的计算能力Fn＝5MI/s，(αl,λl)＝(0.5,0.5)，MEC设备得计算能力为Fc＝10MI/s
将任务调度过程中的能量消耗定义为ECi，如果任务在本簇执行，能量消耗为
Figure BDA0002338285230000101
如果由资源较为丰富的邻居执行，能量消耗为
Figure BDA0002338285230000102
如果边缘层无法完成，则上传到云层处理，能量消耗为
Figure BDA0002338285230000103
可以将能量消耗表达为
Figure BDA0002338285230000104
根据图6，通过增加迭代次数，可以实现稳定状态。因此，该算法可以在有限的时间内达到Nash平衡状态。
图7为采用本方案针对方法的能耗与没有任务调度和所有任务的边缘云计算的本地计算进行了比较。实验结果表明，当任务量增加时，与没有任务调度的本地计算和边缘层计算的所有任务相比，使用本方案提出的方案的本地计算任务调度具有更少的能量消耗。由上述内容可以发现，当I≤3时，本方案提出的方案与边缘层计算的所有任务之间的能耗差别不大；当I≤3时，由于任务量增多，全部传输到边缘层将消耗大量的传输能耗，而本地设备空闲，此时，基于博弈论的调度方案更优。
从附图8可以看到没有任务调度的本地计算具有最大的开销，当任务全部再本地设备完成时，需要一定的任务等待时间，导致总开销变大。而其余方案相对于方案LE都降低了系统整体的负载，说明将任务卸载到云上执行能够明显给用户带来好处从图中可以看出，当任务量较小时，边缘计算的总开销远小于本地计算，当任因为边缘MEC设备的计算能力大于移动设备，即使任务上传到边缘层会导致时延增加，但是计算能耗和计算时延小于在本地计算所产生的能耗和时延。同理，本方案也可以看到，任务量较小时，本方案的方案与上传到边缘层的总开销相差不大。随着任务数量增加时，上传到边缘计算的开销变得越来越大，主要是因为任务全部上传到边缘层计算，这可能导致数据传输时间更长，能耗更高。
图9显示了集群的开销。随着设备集群数量的增加，可以看到总开销逐渐减少，设备集群减少了任务在调度过程中与各个移动设备的联系，由簇头代理，有效的减少了传输能耗。实验结果表明，权重参数的大小对开销影响不大。当簇的数量大于5时，设备之间的不必要传输减少，导致较少的能量消耗，导致开销的显着降低。
图10显示了集群之间的能耗关系和任务数量。可以看出，给定一定数量的任务，当集群的数量为1和5时，能耗大于其他数量。因此，在聚类的过程中，需要选择合适的参数来达到最佳的聚类效果。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于移动边缘计算的任务卸载方法，其特征在于，所述方法包括：
将移动设备进行分簇处理，得到多个簇；
分别计算每个所述簇的计算能力和能量；
根据任务的计算量分别计算所述任务的传输消耗和任务执行消耗；所述传输消耗包括：所述任务在簇之间传输消耗的能量和所述任务与服务器之间传输消耗的能量；所述任务执行消耗包括：每个所述簇执行所述任务时消耗的能量和所述服务器执行所述任务时消耗的能量；
根据所述任务的计算量、所述传输消耗和所述任务执行消耗，利用纳什均衡方法将所述任务进行卸载处理。
2.根据权利要求1所述的基于移动边缘计算的任务卸载方法，其特征在于，所述将移动设备进行分簇处理，得到多个簇，具体包括：
获取权重最高的边，以及移动设备i与移动设备j之间的最高权重低于簇的最大权重Mmax；
对所述移动设备i和所述移动设备j进行聚类处理，得到新的移动设备集合Cij；
在空间上划分移动设备空间以得到多个簇Ga＝(C,Ea)。
3.根据权利要求2所述的基于移动边缘计算的任务卸载方法，其特征在于，所述移动设备移动设备用一个三元组<Ci,Ei,Ni>表示；其中Ci表示移动设备i的计算资源；Ei表示移动设备i的能量；Ni表示移动设备i的邻居移动设备数量，邻居移动设备为可通信的相邻移动设备。
4.根据权利要求3所述的基于移动边缘计算的任务卸载方法，其特征在于，所述分别计算每个所述簇的计算能力和能量具体包括：
获取每个移动设备的计算能力Fi和每个移动设备的能量Ei，Ei＝Ci(1-δi)，1≤i≤p，p为移动设备的总个数；
根据所述每个移动设备的计算能力Fi，利用公式
Figure FDA0002338285220000011
计算所述簇的计算能力；
根据所述每个移动设备的能量Ei，利用公式
Figure FDA0002338285220000021
计算所述簇的能量。
5.根据权利要求1所述的基于移动边缘计算的任务卸载方法，其特征在于，所述每一个任务用三元组(Bi,Ki,Li)表示，Bi表示任务的数据输入比特量，Ki表示任务所需要的计算量；Li表示任务可接受的最大延迟；其中对于实时型的任务，Li＝0表示对于延迟不敏感的任务，Li＝∞表示其他的情况则设置为实际的最大延迟。
6.根据权利要求4所述的基于移动边缘计算的任务卸载方法，其特征在于，所述任务在簇之间传输消耗的能量和每个所述簇执行所述任务时消耗的能量的计算过程具体包括：
获取所述任务的计算量Ki
根据公式
Figure FDA0002338285220000022
计算所述簇执行任务的时间；
根据公式
Figure FDA0002338285220000023
计算所述簇任务执行消耗；
根据公式
Figure FDA0002338285220000024
计算所述任务在簇之间传输消耗的能量；
根据所述所述簇任务执行消耗和所述任务在簇之间传输消耗的能量，利用公式
Figure FDA0002338285220000025
计算其他簇n执行任务的总能量消耗；
利用公式
Figure FDA0002338285220000026
得到移动设备本地执行的总开销；其中αl任务传输过程中能量消耗的权重因子，λl是任务被执行过程中时间消耗的权重因子，所述能量消耗的权重因子和时间消耗的权重因子的选择满足公式
Figure FDA0002338285220000027
7.根据权利要求1所述的基于移动边缘计算的任务卸载方法，其特征在于，所述任务与服务器之间传输消耗的能量和所述服务器执行所述任务时消耗的能量的具体计算过程包括：
获取所述任务的计算量Ki
根据公式
Figure FDA0002338285220000028
计算任务与服务器之间的传输时间
Figure FDA0002338285220000029
根据公式
Figure FDA0002338285220000031
计算服务器执行任务的时间
Figure FDA0002338285220000032
根据所述任务与服务器之间的传输时间
Figure FDA0002338285220000033
和服务器执行任务的时间
Figure FDA0002338285220000034
利用公式
Figure FDA0002338285220000035
计算所述任务在服务器的总开销；其中其中αc为任务与服务器之间的传输过程中能量消耗的权重因子，λc为服务器执行任务过程中时间消耗的权重因子，所述能量消耗的权重因子和时间消耗的权重因子的选择满足公式
Figure FDA0002338285220000036
8.根据权利要求1所述的基于移动边缘计算的任务卸载方法，其特征在于，所述根据所述任务的计算量、所述传输消耗和所述任务执行消耗，利用纳什均衡方法将所述任务进行卸载处理，具体包括：
获取所述任务的计算量、所述传输消耗和所述任务执行消耗；
根据目标函数
Figure FDA0002338285220000037
对任务调度与卸载过程总的总开销进行限定，并通过有限次迭代使任务调度与卸载满足纳什均衡：
Figure FDA0002338285220000038
CN201911365408.8A 2019-12-26 2019-12-26 一种基于移动边缘计算的任务卸载方法 Pending CN111148155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911365408.8A CN111148155A (zh) 2019-12-26 2019-12-26 一种基于移动边缘计算的任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911365408.8A CN111148155A (zh) 2019-12-26 2019-12-26 一种基于移动边缘计算的任务卸载方法

Publications (1)

Publication Number Publication Date
CN111148155A true CN111148155A (zh) 2020-05-12

Family

ID=70520409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911365408.8A Pending CN111148155A (zh) 2019-12-26 2019-12-26 一种基于移动边缘计算的任务卸载方法

Country Status (1)

Country Link
CN (1) CN111148155A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113329433A (zh) * 2021-06-23 2021-08-31 国网河北省电力公司信息通信分公司 一种基于5g网络的配网保护设备及5g边缘计算方法
CN116668447A (zh) * 2023-08-01 2023-08-29 贵州省广播电视信息网络股份有限公司 一种基于改进自学习权重的边缘计算任务卸载方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113329433A (zh) * 2021-06-23 2021-08-31 国网河北省电力公司信息通信分公司 一种基于5g网络的配网保护设备及5g边缘计算方法
CN116668447A (zh) * 2023-08-01 2023-08-29 贵州省广播电视信息网络股份有限公司 一种基于改进自学习权重的边缘计算任务卸载方法
CN116668447B (zh) * 2023-08-01 2023-10-20 贵州省广播电视信息网络股份有限公司 一种基于改进自学习权重的边缘计算任务卸载方法

Similar Documents

Publication Publication Date Title
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
Wang et al. Mobility-aware task offloading and migration schemes in fog computing networks
CN108920279B (zh) 一种多用户场景下的移动边缘计算任务卸载方法
CN112512056B (zh) 一种移动边缘计算网络中多目标优化的计算卸载方法
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN110351754B (zh) 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法
CN112888002B (zh) 一种基于博弈论的移动边缘计算任务卸载及资源分配方法
WO2023040022A1 (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN113612843A (zh) 一种基于深度强化学习的mec任务卸载和资源分配方法
CN111182570A (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN111475274A (zh) 云协同多任务调度方法及装置
CN113225377A (zh) 物联网边缘任务卸载方法及装置
CN113626104B (zh) 边云架构下基于深度强化学习的多目标优化卸载策略
CN113220356A (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN116489712B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN111148155A (zh) 一种基于移动边缘计算的任务卸载方法
CN111565380A (zh) 车联网中基于noma-mec混合卸载方法
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN114706631A (zh) 基于深度q学习的移动边缘计算中卸载决策方法及系统
CN110768827B (zh) 一种基于群智能算法的任务卸载方法
WO2024036909A1 (zh) 一种面向边缘服务网络的负载公平卸载与迁移方法
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法

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