面向异构网络边缘计算的任务卸载方法
技术领域
本发明涉及无线通信技术领域,具体涉及一种面向异构网络边缘计算的任务卸载方法。
背景技术
近年来,随着移动互联网和物联网(Internet of Things,IoT)的快速发展,平板电脑、智能手机、可穿戴设备等智能终端的日益普及,促使越来越多的计算密集型应用(如:智能驾驶、自然语言处理、增强现实/虚拟现实)快速涌现。然而,受移动设备的CPU性能、续航能力、储存容量等因素的限制,在处理本地计算密集型应用时,会出现运算速度缓慢、掉电迅速等问题。移动边缘计算(Mobile Edge Computing,MEC)作为一种新兴和有前景的计算范式,将计算和存储资源部署到网络边缘,有效提升了用户业务体验。
在移动边缘计算的支持下,海量的IoT设备将计算任务卸载到云端,增强其计算能力,避免了拥塞,延长了电池的续航能力,然而面向物联网下的MEC依然存在一些挑战。首先,具有不同流量特性(数据类型,计算负载/密度,预期完成时间)的新兴应用或异构网络下的边缘设备具有不同的需求。因此,多样化的应用和异构化的智能终端对网络的传输和处理能力的差异化需求提出了严峻的挑战。随着移动用户的处理需求变得越来越多样化和耗能,选择由异构体系结构组成的网络进行计算卸载已是大势所趋。然而,在异构MEC系统中,需要考虑移动用户卸载到哪个MEC服务器以及卸载多少任务量的问题。
发明内容
基于上述问题,为了实现在异构网络的环境中,选取合适的卸载目标服务器以及选取合适的卸载任务量,保证系统的稳定性,本发明提供一种面向异构网络边缘计算的任务卸载方法。
一种面向异构网络边缘计算的任务卸载方法,包括以下步骤:
S1、移动用户请求计算任务,根据移动用户请求计算任务的属性建立任务队列模型,得到移动用户的卸载任务量;
S2、根据移动用户的最大卸载任务量设定约束条件,确保一个用户的计算任务在单位时隙只能卸载到一个服务器上;
S3、根据移动用户的计算任务卸载过程建立系统模型,构建以最大化时间平均卸载收益为目标的任务卸载优化问题;
S4、利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题,通过最小化李雅普诺夫漂移与惩罚项之和得到新的优化方程;
S5、根据任务卸载的属性要求,采用基于最值的选择准则求解优化方程,得到移动用户卸载的最优目标服务器以及卸载的最优任务量。
本发明的有益效果:在面向异构网络的环境中,本发明提出的任务卸载方法可以确定卸载的最优目标服务器以及最优的任务卸载量,在保证系统的稳定性的同时,最大化系统的时间平均卸载收益。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明。
图1为本发明实施例的系统模型图;
图2为本发明实施例的面向异构网络边缘计算的任务卸载方法流程图;
图3为本发明实施例的一种决策树图;
图4为传统方法与本发明方法的系统队列挤压对比图;
图5为传统方法与本发明方法的系统卸载效用对比图;
图6为λi=10Mbit/s时,不同V值对负的卸载效用和队列挤压的对比图。
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。
如图1所示为本发明实施例的面向异构网络边缘计算的任务卸载方法系统模型图,异构场景的MEC网络由一个宏基站(Macro Base Station,MBS)和一个小基站(SmallBase Station,SBS)组成,MBS和SBS内各部署一个MEC服务器。在MEC系统中,将时间划分为等长时隙的时隙模型,时隙长度表示为τ,时隙的索引表示为t=0,1,2,...,为简便起见,使用
表示在第t时隙用户的集合,其中k
m(t)为MBS下请求服务的用户数,k
s(t)为SBS下请求服务的用户数的集合,假设k
m(t)服从参数λ
m的泊松分布,k
s(t)服从参数λ
s的泊松分布,对于每个用户i,都有一个任务队列用于缓冲要计算的任务。定义移动用户i新到达的任务为随机变量的集合
由于在单位时隙内任务到达量是有限的,有
假设每个随机变量A
i(t)服从独立同分布,则单位时隙内任务的平均到达率
图2为本发明的面向异构网络边缘计算的任务卸载方法流程图,该方法可以在异构网络的环境中选取卸载的最优目标服务器以及卸载的最优任务量,在保证系统的稳定性的同时,最大化系统的时间平均卸载收益,该方法包括但不限于如下步骤:
步骤一:移动用户请求计算任务,根据移动用户请求计算的任务的属性建立任务队列模型,得到移动用户的卸载任务量,任务队列模型用来描述移动用户的任务卸载问题。
所述任务队列模型为:
其中,Qi(t)、b
i(t)、γ
i和
分别表示移动用户i在时隙t的开始等待处理的任务量、移动用户i在时隙t卸载的任务量、移动用户i的计算密度、移动用户i的最大容忍计算时间。
用
表示所有移动用户在t时隙的开始队列挤压的集合,因此,有:
其中,Q
i(t+1)表示用户i在t+1时隙的开始等待处理的任务量,Q
i(t)表示用户i在第t时隙的开始等待处理的任务量,b
i(t)表示用户i的任务卸载量,A
i(t)表示在用户i在第t时隙的开始到达的任务量,
表示在第t时隙用户的集合。
进一步地,移动用户i的稳定性约束表示如下:
其中,
表示系统平均队列长度,T表示时隙的长度,sup函数表示求最小上界的函数,Q
i(t)表示用户i在时隙t的开始等待处理的任务量,
表示Q
i(t)的期望值。
步骤二:根据移动用户的最大卸载任务量设定约束条件,确保一个用户的计算任务在单位时隙只能卸载到一个服务器上。
进一步的,所述约束条件包括:
其中,a
i(t)表示任务卸载选择的目标服务器,t表示时隙的索引,a
i(t)=1表示移动用户i卸载到与MBS相连的服务器,a
i(t)=0表示移动用户i卸载到与SBS相连的服务器,
表示移动用户i的最少任务卸载量,b
i(t)表示移动用户i的任务卸载量,
表示移动用户i的最大任务卸载量,
表示队列的稳定性。
步骤三:根据移动用户的计算任务卸载过程建立系统模型,构建以最大化时间卸载收益为目标的任务卸载优化问题,最大化系统的时间平均卸载收益。
假设异构网络中MBS下的用户只能通过MBS将计算任务卸载到MEC服务器执行,SBS下的用户可通过MBS或SBS将计算任务卸载到MEC服务器执行,如图3所示,本发明使用a
i(t)∈{0,1}代表用户i的计算卸载决策,具体地,若SBS下用户通过SBS将计算任务卸载到MEC服务器,则令a
i(t)=0,若通过MBS将计算任务卸载到MEC服务器,则令a
i(t)=1,令
作为卸载决策向量,令
表示每个用户i具体决策卸载的任务量,即任务卸载变量,其中,k
s(t)表示表示SBS下请求服务的用户数。在此基础上,建立任务卸载的系统模型,所述系统模型包括通信模型、计算模型、能耗模型、效益模型、收益模型。
进一步的,通信模型的计算方式包括:
Wi(t)=ai(t)αmTm,tran(bi,rm)+(1-ai(t))αsTs,tran(bi,rs) (6)
其中,Wi(t)表示通信成本,ai(t)表示任务卸载选择的目标服务器,αm表示移动用户i与宏基站之间每单位时间传输数据成本,Tm,tran(bi,rm)表示传输计算数据到MBS过程中消耗的时间,bi(t)表示动用户i的任务卸载量,rm(t)表示MBS中用户i的通信速率,αs表示移动用户i与小基站之间每单位时间传输数据成本,Ts,tran(bi,rs)表示传输计算数据到SBS过程中消耗的时间,rs(t)表示SBS中用户i的通信速率。
所述计算模型的计算方式包括:
Ci(t)=ai(t)βmTm,exe(bi,fm)+(1-ai(t))βsTs,exe(bi,fs) (9)
其中,Ci(t)表示通信成本,βm,βs分别表示MBS和SBS之间每单位时间计算成本,Tm,exe(bi,fm),Ts,exe(bi,fs)分别表示在MBS和SBS上服务器执行任务的时间,γi表示移动用户i的计算密度,fm、fs分别表示与MBS、SBS相连的MEC服务器的计算能力。
所述能耗模型的计算方式包括:
Ei(t)=Ei,com(t)+Ei,tran(t) (12)
Ei,com(t)=ai(t)δλibi(fm)2+(1-ai(t))δγibi(fs)2 (13)
Ei,tran(t)=ai(t)Tm,tran(bi)pm+(1-ai(t))Ts,tran(bi)ps (14)
其中,Ei,com(t)表示MEC服务器计算消耗的能量,δ表示开关电容,Ei,tran(t)表示移动用户i传输过程中消耗的能量,Tm,tran(bi)表示传输计算数据到MBS过程中消耗的时间,Ts,tran(bi)表示传输计算数据到SBS过程中消耗的时间,pm表示用户i与MBS之间的传输功率;ps表示用户i与SBS之间的传输功率。
所述效益模型的计算方式包括:
Pi(t)=ρilog2(1+bi(t)) (15)
其中,Pi(t)表示移动用户i卸载获得的效益,ρi表示移动用户i卸载收益的权重因子,bi(t)表示用户i的任务卸载量。
所述收益模型的计算方式包括:
Ui(t)=Pi(t)-Wi(t)-Ci(t)-Ei(t) (17)
其中,U(t)表示系统卸载收益,
表示在第t时隙用户的集合,U
i(t)表示移动用户i的收益函数,W
i(t)表示卸载的通信成本,C
i(t)表示卸载的计算成本,E
i(t)表示卸载的能耗成本。
所述最大化时间卸载收益为目标的任务卸载优化问题包括:
其中,
表示平均系统卸载效益,T表示时隙的总长度,sup函数为求最小上界的函数,
表示求期望,U(t)表示所有移动用户的卸载收益。
步骤四:由于任务卸载优化问题的目标是最大化系统的时间平均卸载收益,且约束条件中具有与时间平均有关的约束条件,因此利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题,最小化李雅普诺夫漂移与惩罚项之和,得到移动用户卸载的最优目标服务器以及卸载的最优任务量。所述李雅普诺夫优化理论包括李雅普诺夫函数、李雅普诺夫漂移和漂移加惩罚。
进一步的,所述李雅普诺夫函数包括:
所述李雅普诺夫漂移包括:
其中,
表示李雅普诺夫漂移,
表示t+1时隙的李雅普诺夫函数,
表示t时隙的李雅普诺夫函数,
表示所有移动用户的队列挤压长度的集合;当
值比较小时,表明所有的队列挤压都很小,当
值很大时,表明至少有一个队列处于拥塞。
所述漂移加惩罚包括:
其中,Vp是一个非负的控制参数,用于在系统卸载收益和队列积压之间进行权衡。
对于任意给定的非负控制参数V
p>0和任务到达
在任意可能决策a
i(t)∈{0,1},
可以得到:
其中,Φ表示有限的约束,且
表示李雅普诺夫漂移,V
p是一个非负的控制参数,U
i(t)表示移动用户i的收益函数,A
i(t)表示移动用户i在t时隙的开始到达的计算任务量,
表示求期望,
表示移动用户i在单位时隙内到达的最大计算任务量,
表示移动用户i的最小卸载量,
表示移动用户i的最大卸载任务量。
根据李雅普诺夫优化理论,通过最小化李雅普诺夫漂移与惩罚项之和的上界来进行确定用户卸载的最优目标服务器以及卸载的最优任务量,从而实现系统队列稳定性和时间平均的卸载收益之间的权衡。
根据李雅普诺夫优化理论,即在每个时隙t,根据队列挤压的情况、决策任务卸载的目标服务器以及卸载的任务量来最小化不等式(22)的RHS,这样一来,可以实现最大化系统的时间平均的卸载收益的同时保持队列的稳定性。进一步的,使用机会主义最小化期望的概念最小化不等式(22)可以等效为:
s.t.(3),(4),(5)
其中,Λ表示任务卸载决策向量,B表示任务卸载变量,Vp是一个非负的控制参数,用于在系统卸载收益和队列积压之间进行权衡。
此优化问题的目标函数是最大化整个系统的收益,为求得任务卸载决策向量Λ、任务卸载变量B的最优值,此问题的规模比较大,总的决策空间问题的变量数可以达到2N个。为了降低复杂度,本发明在集中式算法的基础上提出一种基于最值的选择准则。
(1)基于最值的选择准则:
第一准则:定义用户i的最小卸载时间为
当
时,则用户i将会选择与MBS相连的MEC服务器进行通信,
表示为:
其中,
为移动用户i的最小卸载量,
为SBS的最大通信速率,且
R
s表示表示移动用户与SBS通信的上行链路速率,γ
i表示移动用户i的计算密度,f
s表示与SBS相连的MEC服务器的计算能力。
第二准则:定义用户i的最大卸载时间为
当
时,则用户i将会选择与SBS相连的MEC服务器进行通信,
表示为:
其中,
为用户i的最大卸载量,且
为SBS的最小通信速率
k
s(t)表示在t时隙SBS基站下的请求服务的用户数,γ
i表示移动用户i的计算密度,f
s表示与SBS相连的MEC服务器的计算能力。
使用基于最值的选择准则,首先确定在时间t片下,小基站请求服务的用户数ks(t)中选择与MBS相连的MEC服务器通信的用户n1以及选择与SBS相连的MEC服务通信的用户n2,再将小基站下剩下的用户数n3=(ks(t)-n1-n2)使用典型决策树进行决策,可有效降低算法的复杂度。
(2)分析验证最优解。令中间变量
当a
i(t)=1时,移动用户i卸载到与MBS相连的MEC服务器,对b
i(t)求一阶导可得:
其中,Vp是一个非负的控制参数,ρi表示移动用户i卸载效益的权重因子,bi(t)表示用户i的任务卸载量,ai(t)表示任务卸载选择的目标服务器,αm表示移动用户i与宏基站之间每单位时间传输数据成本,rm(t)表示在时隙t时MBS的上传速率,βm表示MBS每单位时间的计算成本,γi表示移动用户i的计算密度,fm表示与MBS相连的MEC服务器的计算能力,δ表示开关电容,pm表示用户i与MBS之间的传输功率。
由式(26)可得
因此,Z(t)是关于b
i(t)的凸函数。
同理,当ai(t)=0时,移动用户i卸载到与SBS相连的MEC服务器,对bi(t)求一阶导可得:
其中,Vp是一个非负的控制参数,ρi表示移动用户i卸载效益的权重因子,bi(t)表示用户i的任务卸载量,ai(t)表示任务卸载选择的目标服务器,αs表示移动用户i与SBS之间每单位时间传输数据成本,βs表示SBS每单位时间的计算成本,γi表示移动表示用户用户i的计算密度,rs(t)表示在时隙t时SBS的上传速率,fs表示与SBS相连的MEC服务器的计算能力,δ表示开关电容,ps表示用户i与SBS之间的传输功率,Qi(t)表示移动用户i在时隙t的开始等待处理的任务量。
由式(27)可得
因此,Z(t)是关于b
i(t)的凸函数。综上,Z(t)是关于b
i(t)(a
i(t)=1)或b
i(t)(a
i(t)=0)的凸函数,又由于式(4)和式(5)也是凸函数。因此式(23)可以利用拉格朗日乘子法求解约束优化问题,即
其中,v
i是拉格朗日乘子,V
p是一个非负的控制参数,用于在系统卸载收益和队列积压之间进行权衡,U
i(t)表示移动用户i的收益函数,Q
i(t)表示移动用户i在时隙t的开始等待处理的任务量,b
i(t)表示用户i的任务卸载量,
表示用户i的最大任务卸载量。
当a
i(t)=1和a
i(t)=0时,分别利用KKT(Karush-Kuhn-Tucker)条件分析,令
可求得最优的卸载量如下:
其中,
表示最优的卸载量,
是最优的拉格朗日乘子。进一步的,由于
的封闭表达式计算比较困难,因此,用
表示a
i(t)=1和a
i(t)=0时式(29)中的相关函数。此外,本发明使用MATLAB中的Fsolve函数来求解a
i(t)=1和a
i(t)=0时的最优卸载量,并把收益最大的卸载量最为最优的卸载策略。
图4与图5所示为本发明采用的DOP策略(基于最值选择的卸载策略)与DOA策略(贪婪策略),DSM策略(MBS下用户只卸载到与MBS相连的服务器),DCT策略(集中式策略)之间系统队列挤压对比图、系统卸载效用对比图。图6给出了本发明策略的λi=10Mbit/s时,不同V值下负的卸载效用和队列挤压对比图。
从图4中可以看出,DSM策略的平均队列挤压最高,其次为本发明的DOP策略和DCT策略,DOA策略的平均队列挤压最小为零。这主要是由于DOA策略为在每个时间片t,卸载了所有的任务到MEC服务器,没有考虑队列挤压和系统卸载效用之间的折中,因此从图5中可以看出DOA策略的系统平均卸载效用是最低的,而本发明提出的DOP策略和DCT策略考虑了系统卸载效用和队列挤压之间的折中,其系统平均卸载效用是最高的,这进一步验证了本发明所提算法的有效性。由于DOP策略和DCT策略都是以全局信息为基础,在得到全局信息的基础上,制定自身的最优卸载分配策略,因此两条线是几乎是重合的。
图6给出了当本发明策略的λi=10Mbit/s时,不同V值下负的卸载效用和队列挤压对比图。从图中可以看出负的卸载卸载效用随着V值增加开始缓慢下降,而队列挤压随着V值增加而增加,这进一步证实了本发明的DOP策略对系统的卸载效用和队列挤压之间进行了权衡。
尽管已经显示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。