CN111182582A - 面向移动边缘计算的多任务分布式卸载方法 - Google Patents

Abstract

本发明提供了一种面向移动边缘计算的多任务分布式卸载方法，包括：根据无线信道状态信息，计算移动台到各个计算接入点的上和下行传输速率；将联合优化系统延时和能耗的多任务卸载策略问题建立为数学优化问题；将数学优化问题转化为最小化交叉熵问题；利用交叉熵学习的方法进行迭代求解，得到最优接入概率以及最优卸载策略；根据最优卸载策略，用户将任务经不同信道分别卸载到相应的计算接入点完成计算，计算后接入点将计算结果重新传回用户。本发明适用于多链路移动边缘计算系统，通过并行处理被分配到各个计算接入点的计算任务，提高了用户的资源利用效率，降低了计算复杂度；基于模型的交叉熵机器学习方法，提高了决策方法的鲁棒性和准确性。

Description

面向移动边缘计算的多任务分布式卸载方法

技术领域

本发明属于网络管理技术领域，涉及移动边缘计算卸载技术，具体涉及一种面向移动边缘计算的多任务分布式卸载方法。

背景技术

移动边缘计算是一项新兴的技术，不同于传统的集中计算处理的方式，移动边缘计算架构设计边缘服务器，其用于连接云服务器和移动台。在移动台周边建立快速通信点，利用云服务器的计算和存储能力，实现整个通信网络的低延时和低能量损耗。

卸载策略是移动边缘计算中的一个重要问题。与边缘服务器相比，本地CPU的计算能量较差，在只考虑延时的情况下，任务将优先卸载到边缘服务器计算；卸载计算需要消耗传输能量，并且在任务数目较多的情况下，卸载会带来较大的排队时延(排队传输，排队计算等)，使得本地计算也具有一定的优势。如何实现较低延时和较低能量损耗的平衡是一个热门的研究方向，但目前的研究工作都是利用传统的凸优化方法和新兴的深度强化学习方法。两种方法在面对大规模移动边缘计算网络时算法复杂度高、鲁棒性差，效率低下。

发明内容

为解决上述问题，本发明提出一种面向移动边缘计算的多任务分布式卸载方法，采用交叉熵学习的方法，联合移动台本地计算和边缘服务器卸载计算工作模式，实现最小化延时和能量损耗。本发明首先搭建最小化延时和能量损耗的用户卸载策略优化问题；然后选择合适的概率分布函数，将原问题转化为最小化交叉熵的概率学习问题；最后利用蒙特卡洛模拟学习的方法，多次迭代求解最优卸载策略。

为了达到上述目的，本发明提供如下技术方案：

一种面向移动边缘计算的多任务分布式卸载方法，包括如下步骤：

1)根据无线信道状态信息，计算移动台到各个计算接入点的上和下行传输速率；

2)将联合优化系统延时和能耗的多任务卸载策略问题建立为数学优化问题；

3)将数学优化问题转化为最小化交叉熵问题；

4)利用交叉熵学习的方法对交叉熵问题进行迭代求解，得到最优接入概率以及最优卸载策略；

5)根据最优卸载策略，用户将任务经不同信道分别卸载到相应的计算接入点完成计算，完成计算后，计算接入点将计算结果重新传回用户。

进一步的，所述步骤1)中上行和下行传输速率通过以下公式进行计算：

其中，上标y₁∈{UL,DL}分别表示上行和下行链路，下标m表示计算接入点的编号，下标y₂∈{T,R}分别表示发射和接收模式，

表示不同模式下的不同传输链路的传输速率，

表示发射和接收功率，M表示系统中服务当前移动台的计算接入点的数目，

表示第m个计算接入点到移动台的信道增益，N₀表示系统噪声，log(·)表示以2为底的对数函数。

进一步的，所述步骤2)中数学优化问题如下：

其中，O₁＝{1,2,…,N}和O₂＝{1,2,…,M}分别表示移动台产生的任务和服务该移动台的计算接入点的集合，其中元素N和M分别表示移动台产生的任务总数和服务该移动台的计算接入点总数；X＝[x_nm]_N×(M+1)是任务卸载接入矩阵；元素x_nm表示矩阵X中的第n行第m列元素，它表示接入参数任务n卸载到计算接入点m的接入参数；Ψ(X)＝λ_tT(X)+λ_eE(X)，元素λ_t和λ_e分别表示当前场景下延时和能量损耗在目标函数中的影响，元素T(X)和E(X)表示当前场景下的延时和能量损耗，

元素α_n，β_n和γ_n分别表示初始数据大小，待计算的任务大小和计算后输出任务的大小，元素r_m表示计算接入点m的工作速率，元素P₀,P_T,P_R分别表示移动台本地计算任务的功率损耗，传输任务的功率损耗和接收任务的功率损耗。

进一步的，所述步骤3)具体包括如下过程：

重构矩阵X，向量化该矩阵X为x，其中

元素L＝NM+N是向量x的维度，即矩阵X的元素总数；引入辅助变量u＝[u_l]_1×(NM+N)，其中u_l表示Pr(x_l＝1)的概率；将问题(2)转化为寻找最优概率u的问题，基于问题(2)中的约束条件x_nm∈{0,1}，将决策集x的概率密度函数定义为伯努利分布：

将原问题转化为最小化交叉熵问题：

上式中，目标函数H即交叉熵函数，元素S是样本集的维度。

进一步的，所述步骤4)具体包括如下子步骤：

步骤1：初始化每个任务被卸载到计算接入点和在本地计算的概率，即有u⁽⁰⁾＝0.5×1_L×1。初始化每个样本集为空集，O₃＝[]；

步骤2：根据问题(4)中的约束条件，产生用于机器学习的训练样本集合

随机样本要符合问题(4)中的约束条件，根据

一个任务只能被分配到一个计算接入点或者由移动台本身CPU完成计算；将x划分为M块，每个块分别对应任务分配到每个计算接入点的情况，即x_m＝[x_1m,x_2m,…,x_Nm]；随机在M块中选择一个，定义为g，并根据概率分布p(x_g,u_g)随机产生样本块，定义为x_g；判断x_g中取值为1的元素x_ng，这些元素对应的任务n被分配卸载到计算接入点g，且该任务将不能再被分配到其他接入点，因此令对应的u_l＝0,l＝n+kN,k≠g；再从未完成的x_m样本块中，选择一块重复上述步骤，直到一个完整的样本[x_nm]_1×(NM+N)被产生；判断产生的样本是否满足问题(4)的约束条件，如果不满足，将舍弃该样本，如果满足将置于样本库O₃中。当样本库中的样本数达到预设值S时，将结束该步骤；

步骤3：根据步骤1中产生的样本，计算问题(2)中的目标函数值

Ψ(x^[s])＝λ_tT(x^[s])+λ_eE(x^[s]) (5)

步骤4：对上式计算的

排序，有：

Ψ(x^[1])≤Ψ(x^[2])≤…≤Ψ(x^[S]) (6)

定义S_elite为优选样本的数目，选择上述排序中最小的S_elite个样本作为优选样本，用于学习决策概率u；根据优化问题(4)有：

步骤5：将公式(3)的概率密度函数代入公式(7)的概率更新方程，令交叉熵函数的一阶导数等于0，求出对应的最优解u，得：

步骤6：按如下公式更新问题(4)的目标函数值u，其中α是学习率，α∈[0，1]：

u^(t+1)＝αu^*+(1-α)u^(t) (9)

重复步骤1-6直到算法完成预设的迭代次数T＝20；

得到当向量u的各个元素收敛到0或者1时，对应的卸载策略x。

进一步的，所述步骤5)具体包括如下过程：

移动台根据该策略x与对应的计算接入点建立连接，将传输到相同计算接入点的多个任务按顺序排队，并依次将任务传输给计算接入点；各个计算接入点接收移动台传输到的任务。对于指定计算接入点，在所有的待传任务已经到达后，CPU对每个任务进行计算；已完成处理的任务进入缓存器，等待所有任务处理完成后，计算接入点将其计算的多个任务的信息β_n传回移动台；同时，不需要卸载到移动台计算的任务将在本地CPU完成计算；最后，移动台接收M个计算接入点的信息，并整合本地计算的信息，完成对于全部任务的一系列决策。

与现有技术相比，本发明具有如下优点和有益效果：

1.本发明方法联合最小化系统延时和能量损耗，得到移动边缘计算架构中的多任务卸载策略，减少了通信时延，提高了能量利用效率。

2.本发明方法提出了基于概率学习的优化方法，将多任务卸载分配问题转化为最小化交叉熵，学习最优的决策概率分布使实际分布更接近理论分布。

3.本发明方法更加鲁棒，在选定合适的概率分布后，不需要再调整机器学习参数；计算复杂度更低，支持实时更新决策；计算结果准确，接近现有方法可以达到的最优性能。

4.本发明方法适用于广泛的资源分配问题，不限于现有的场景和需求，都可以实现低复杂度、鲁棒、准确的性能。

附图说明

图1是本发明提出的面向高能效异构网络的分布式多用户接入方法步骤流程图。

图2是本发明方法与松弛线性规划算法和分支定界法的性能对比结果。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明提出一种移动边缘计算中多任务分布式计算的卸载策略，使用场景包含边缘服务器和云服务器的多链路移动边缘计算系统。首先，用户估计其到每个计算接入点的无线信道状态信息，包括无线信道和噪声功率；然后用户根据自身工作状态构建能量和延时联合约束下的用户接入方程；借助交叉熵的方法，将求解最优卸载策略的问题转化为求解最优接入概率的问题，采用迭代学习方法求解出最优接入概率以及最优卸载策略；最后根据最优卸载策略，用户将任务经不同信道分别卸载到相应的计算接入点。完成计算后，计算接入点将计算结果重新传回用户。具体地说，本发明方法流程如图1所示，具体包括以下步骤：

1)根据无线信道状态信息，计算移动台到各个计算接入点m的上行和下行传输速率为：

其中，上标y₁∈{UL,DL}分别表示上行和下行链路，下标m表示计算接入点的编号，下标y₂∈{T,R}分别表示发射和接收模式，

表示不同模式下的不同传输链路的传输速率，

表示发射和接收功率，M表示系统中服务当前移动台的计算接入点的数目。

表示第m个计算接入点到移动台的信道增益，N₀表示系统噪声，log(·)表示以2为底的对数函数。

2)初始化系统中的延时和能量损耗模型，将联合优化延时和能量损耗的多链路移动边缘计算卸载策略问题建立为如下数学优化问题：

其中，O₁＝{1,2,…,N}和O₂＝{1,2,…,M}分别表示移动台产生的任务和服务该移动台的计算接入点的集合，其中元素N和M分别表示移动台产生的任务总数和服务该移动台的计算接入点总数；X＝[x_nm]_N×(M+1)是任务卸载接入矩阵；元素x_nm表示矩阵X中的第n行第m列元素，它表示接入参数任务n卸载到计算接入点m的接入参数；Ψ(X)＝λ_tT(X)+λ_eE(X)，元素λ_t和λ_e分别表示当前场景下延时和能量损耗在目标函数中的影响，元素T(X)和E(X)表示当前场景下的延时和能量损耗，

元素α_n，β_n和γ_n分别表示初始数据大小，待计算的任务大小和计算后输出任务的大小，元素r_m表示计算接入点m的工作速率，元素P₀,P_T,P_R分别表示移动台本地计算任务的功率损耗，传输任务的功率损耗和接收任务的功率损耗。

3)重构矩阵X，向量化该矩阵X为x，其中

元素L＝NM+N是向量x的维度，即矩阵X的元素总数。引入辅助变量u＝[u_l]_1×L，其中u_l表示Pr(x_l＝1)的概率。为了搭建低复杂度的机器学习模型，将问题(2)转化为寻找最优概率概率u的问题。当u收敛到0或者1时，对应的卸载策略x即是问题(2)的解。基于问题(2)中的约束条件x_nm∈{0,1}，将决策集x的概率密度函数可以定义为伯努利分布：

将原问题转化为最小化交叉熵问题：

上式中，目标函数H即交叉熵函数，元素S是样本集的维度。

4)利用交叉熵学习的方法进行迭代求解问题(4)，具体步骤如下：

步骤1：初始化每个任务被卸载到计算接入点和在本地计算的概率，即有u⁽⁰⁾＝0.5×1_L×1。初始化每个样本集为空集，O₃＝[]。

步骤2：根据问题(4)中的约束条件，利用蒙特卡洛的统计模拟方法产生用于机器学习的训练样本集合。随机样本要符合问题(4)中的约束条件。根据

一个任务只能被分配到一个计算接入点或者由移动台本身CPU完成计算。将x划分为M块，每个块分别对应任务分配到每个计算接入点的情况，即x_m＝[x_1m,x_2m,…,x_Nm]。随机在M块中选择一个，定义为g，并根据概率分布p(x_g,u_g)随机产生样本块，定义为x_g。判断x_g中取值为1的元素x_ng，这些元素对应的任务n被分配卸载到计算接入点g，且该任务将不能再被分配到其他接入点，因此令对应的u_l＝0,l＝n+kN,k≠g。再从未完成的x_m样本块中，选择一块重复上述步骤，直到一个完整的样本[x_nm]_1×(NM+N)被产生。判断产生的样本是否满足问题(4)的约束条件，如果不满足，将舍弃该样本，如果满足将置于样本库O₃中。当样本库中的样本数达到预设值S时，将结束该步骤。

步骤3：根据步骤1中产生的样本，计算问题(2)中的目标函数值

Ψ(x^[s])＝λ_tT(x^[s])+λ_eE(x^[s]) (5)

步骤4：对上式计算的

排序，有：

Ψ(x^[1])≤Ψ(x^[2])≤…≤Ψ(x^[S]) (6)

定义S_elite为优选样本的数目，选择上述排序中最小的S_elite个样本作为优选样本，用于学习决策概率u。根据优化问题(4)有：

步骤5：将公式(3)的概率密度函数代入公式(7)的概率更新方程，令交叉熵函数的一阶导数等于0，求出对应的最优解u，得：

步骤6：按如下公式更新问题(4)的目标函数值u，其中α是学习率，α∈[0，1]：

u^(t+1)＝αu^*+(1-α)u^(t) (9)

重复步骤1-6直到算法完成预设的迭代次数T＝20。

5)根据步骤4)求出的卸载分配策略，完成所有任务的分配、卸载、计算、回传

当向量u中的各个元素收敛到0或者1时，对应的优化策略x就是任务集的最优卸载分配策略。移动台根据该策略x与对应的计算接入点建立连接，需要传输到相同计算接入点的多个任务按顺序排队，并依次将任务传输给计算接入点。各个计算接入点接收移动台传输到的任务。对于指定计算接入点，在所有的待传任务已经到达后，CPU对每个任务进行计算。已完成处理的任务进入缓存器，等待所有任务处理完成后，计算接入点将其计算的多个任务的信息β_n传回移动台。同时，不需要卸载到移动台计算的任务将在本地CPU完成计算。最后，移动台接收M个计算接入点的信息，并整合本地计算的信息，完成对于全部任务的一系列决策。

图2是本发明方法与松弛线性规划算法和分支定界法的性能对比结果，可以看出，本发明的性能接近最优的分支定界法，远优于松弛线性规划算法；对比所有任务仅能在本地计算或者仅能卸载到一个移动台计算的情况，移动边缘计算技术的使用降低了系统的延时和能量损耗。

表1是本发明与松弛线性规划算法和分支定界法的计算复杂度对比结果，可以看出本发明的计算复杂度接近松弛线性规划算法，远优于分支定界法。

指标	本发明方法	松弛线性规划	分支定界法
				计算复杂度	Ο(N)	Ο(N)	Ο(2<sup>N</sup>)

表1

本发明适用于多链路移动边缘计算系统，通过并行处理被分配到各个计算接入点的计算任务，提高了用户的资源利用效率，降低了计算复杂度；基于模型的交叉熵机器学习方法，提高了决策方法的鲁棒性和准确性。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。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，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种面向移动边缘计算的多任务分布式卸载方法，其特征在于，包括如下步骤：

1)根据无线信道状态信息，计算移动台到各个计算接入点的上和下行传输速率；

2)将联合优化系统延时和能耗的多任务卸载策略问题建立为数学优化问题；

3)将数学优化问题转化为最小化交叉熵问题；

4)利用交叉熵学习的方法对交叉熵问题进行迭代求解，得到最优接入概率以及最优卸载策略；

5)根据最优卸载策略，用户将任务经不同信道分别卸载到相应的计算接入点完成计算，完成计算后，计算接入点将计算结果重新传回用户。

2.根据权利要求1所述的面向移动边缘计算的多任务分布式卸载方法，其特征在于，所述步骤1)中上行和下行传输速率通过以下公式进行计算：

其中，上标y₁∈{UL,DL}分别表示上行和下行链路，下标m表示计算接入点的编号，下标y₂∈{T,R}分别表示发射和接收模式，

表示不同模式下的不同传输链路的传输速率，P_y2表示发射和接收功率，M表示系统中服务当前移动台的计算接入点的数目，

表示第m个计算接入点到移动台的信道增益，N₀表示系统噪声，log(·)表示以2为底的对数函数。

3.根据权利要求1所述的面向移动边缘计算的多任务分布式卸载方法，其特征在于，所述步骤2)中数学优化问题如下：

其中，O₁＝{1,2,…,N}和O₂＝{1,2,…,M}分别表示移动台产生的任务和服务该移动台的计算接入点的集合，其中元素N和M分别表示移动台产生的任务总数和服务该移动台的计算接入点总数；X＝[x_nm]_N×(M+1)是任务卸载接入矩阵；元素x_nm表示矩阵X中的第n行第m列元素，它表示接入参数任务n卸载到计算接入点m的接入参数；Ψ(X)＝λ_tT(X)+λ_eE(X)，元素λ_t和λ_e分别表示当前场景下延时和能量损耗在目标函数中的影响，元素T(X)和E(X)表示当前场景下的延时和能量损耗，

元素α_n，β_n和γ_n分别表示初始数据大小，待计算的任务大小和计算后输出任务的大小，元素r_m表示计算接入点m的工作速率，元素P₀,P_T,P_R分别表示移动台本地计算任务的功率损耗，传输任务的功率损耗和接收任务的功率损耗。

4.根据权利要求1所述的面向移动边缘计算的多任务分布式卸载方法，其特征在于，所述步骤3)具体包括如下过程：

重构矩阵X，向量化该矩阵X为x，其中

元素L＝NM+N是向量x的维度，即矩阵X的元素总数；引入辅助变量u＝[u_l]_1×(NM+N)，其中u_l表示Pr(x_l＝1)的概率；将问题(2)转化为寻找最优概率u的问题，基于问题(2)中的约束条件x_nm∈{0,1}，将决策集x的概率密度函数定义为伯努利分布：

将原问题转化为最小化交叉熵问题：

上式中，目标函数H即交叉熵函数，元素S是样本集的维度。

5.根据权利要求1所述的面向移动边缘计算的多任务分布式卸载方法，其特征在于，所述步骤4)具体包括如下子步骤：

步骤1：初始化每个任务被卸载到计算接入点和在本地计算的概率，即有u⁽⁰⁾＝0.5×1_L×1，初始化每个样本集为空集，O₃＝[]；

步骤2：根据问题(4)中的约束条件，产生用于机器学习的训练样本集合

随机样本要符合问题(4)中的约束条件，根据

一个任务只能被分配到一个计算接入点或者由移动台本身CPU完成计算；将x划分为M块，每个块分别对应任务分配到每个计算接入点的情况，即x_m＝[x_1m,x_2m,…,x_Nm]；随机在M块中选择一个，定义为g，并根据概率分布p(x_g,u_g)随机产生样本块，定义为x_g；判断x_g中取值为1的元素x_ng，这些元素对应的任务n被分配卸载到计算接入点g，且该任务将不能再被分配到其他接入点，因此令对应的u_l＝0,l＝n+kN,k≠g；再从未完成的x_m样本块中，选择一块重复上述步骤，直到一个完整的样本[x_nm]_1×(NM+N)被产生；判断产生的样本是否满足问题(4)的约束条件，如果不满足，将舍弃该样本，如果满足将置于样本库O₃中；当样本库中的样本数达到预设值S时，将结束该步骤；

步骤3：根据步骤1中产生的样本，计算问题(2)中的目标函数值

Ψ(x^[s])＝λ_tT(x^[s])+λ_eE(x^[s]) (5)

步骤4：对上式计算的

排序，有：

Ψ(x^[1])≤Ψ(x^[2])≤…≤Ψ(x^[S]) (6)

定义S_elite为优选样本的数目，选择上述排序中最小的S_elite个样本作为优选样本，用于学习决策概率u；根据优化问题(4)有：

步骤5：将公式(3)的概率密度函数代入公式(7)的概率更新方程，令交叉熵函数的一阶导数等于0，求出对应的最优解u，得：

步骤6：按如下公式更新问题(4)的目标函数值u，其中α是学习率，α∈[0，1]：

u^(t+1)＝αu^*+(1-α)u^(t) (9)

重复步骤1-6直到算法完成预设的迭代次数T＝20；

得到当向量u的各个元素收敛到0或者1时，对应的卸载策略x。

6.根据权利要求1所述的面向移动边缘计算的多任务分布式卸载方法，其特征在于，所述步骤5)具体包括如下过程：

移动台根据该策略x与对应的计算接入点建立连接，将传输到相同计算接入点的多个任务按顺序排队，并依次将任务传输给计算接入点；各个计算接入点接收移动台传输到的任务；对于指定计算接入点，在所有的待传任务已经到达后，CPU对每个任务进行计算；已完成处理的任务进入缓存器，等待所有任务处理完成后，计算接入点将其计算的多个任务的信息β_n传回移动台；同时，不需要卸载到移动台计算的任务将在本地CPU完成计算；最后，移动台接收M个计算接入点的信息，并整合本地计算的信息，完成对于全部任务的一系列决策。

Images