CN111328023A - 一种基于预测机制的移动设备多任务竞争卸载方法 - Google Patents
一种基于预测机制的移动设备多任务竞争卸载方法 Download PDFInfo
- Publication number
- CN111328023A CN111328023A CN202010058804.2A CN202010058804A CN111328023A CN 111328023 A CN111328023 A CN 111328023A CN 202010058804 A CN202010058804 A CN 202010058804A CN 111328023 A CN111328023 A CN 111328023A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- firefly
- task
- points
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 241000254158 Lampyridae Species 0.000 claims abstract description 80
- 238000005265 energy consumption Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- UPLPHRJJTCUQAY-WIRWPRASSA-N 2,3-thioepoxy madol Chemical compound C([C@@H]1CC2)[C@@H]3S[C@@H]3C[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@](C)(O)[C@@]2(C)CC1 UPLPHRJJTCUQAY-WIRWPRASSA-N 0.000 claims 1
- 230000002860 competitive effect Effects 0.000 claims 1
- 238000009472 formulation Methods 0.000 abstract 1
- 230000002068 genetic effect Effects 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- 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)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明请求保护一种基于预测机制的多任务竞争卸载方法,包括下列主要步骤:S1,得到用户停留区域,原轨迹点序列转换为停留区域序列;S2,利用动态参数部分匹配预测算法训练预测模型,根据用户的停留区域序列,预测用户下一个最有可能要到达的停留区域;S3,基于预测结果,计算用户下一个最有可能要到达的停留区域与基站之间的距离,并计算数据传输速率;S4,建立能耗最小化模型;S5,采用变异萤火虫算法进行优化问题求解,得到最终卸载决策。(1)本发明考虑了用户设备移动性对数据传输速率的影响,使得卸载策略的制定更加贴近实际情况,避免了预期外能耗;(2)相比遗传算法等传统的智能算法,本文采用的变异萤火虫算法全局收敛能力更强,性能更优。
Description
技术领域
本发明属于移动边缘计算任务卸载领域,特别是涉及基于预测机制的多任务竞争卸载策略。
背景技术
随着网络和通信技术的发展,移动设备(如智能手机、平板电脑和可穿戴设备)日益普及。根据思科视觉网络指数最近提交的报告,2016年至2021年期间,全球移动数据流量将增加7倍,到2021年,人均用户设备将达到1.5个,将有116亿台移动连接设备。移动用户设备的爆炸性流行加速了许多新的用户应用程序和服务(如虚拟现实、增强现实、交互式在线游戏和超高清视频流)的出现,其中大部分都是延迟敏感且计算密集的应用程序。计算密集型任务与资源匮乏的用户设备之间的冲突越发显著,而且用户设备的能源是有限的,难以为用户提供满意的服务。
为了缓解这一情况,移动边缘计算的概念开始出现。移动边缘计算在移动网络边缘、无线接入网络内以及移动用户附近提供IT服务环境和云计算功能,可以减轻用户设备负担,加速应用程序执行,并丰富用户设备上的应用程序类型,改善用户体验。移动边缘计算中的一个重要问题是任务卸载管理。在任务卸载管理的一般场景中,用户设备的移动性是客观存在的,同时用户设备的移动又会影响数据传输速率。因此,在制定卸载决策时将用户设备移动考虑进去是非常有必要的。另一方面将任务从用户设备卸载到云服务器可以显著降低用户设备的能耗,延长用户设备的续航时间,为了减少用户设备的能耗,理想中应该尽可能多地将任务卸载到云服务器执行。然而,如果有大量的任务同时卸载,则可能会产生服务器拥塞问题,从而产生比在用户设备本地执行更大的延迟和能耗。因此,为了解决上述技术问题,有必要提出一种新的方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于预测机制的移动设备多任务竞争卸载方法。本发明的技术方案如下:
一种基于预测机制的移动设备多任务竞争卸载方法,其包括以下步骤:
S1,获取移动设备的GPS轨迹数据,对GPS轨迹数据集进行文件格式转换、降维、过滤在内的数据预处理操作,得到预处理数据,采用两级聚类方式对预处理数据进行聚类,得到停留位置、停留区域和停留区域序列;
S2,依据S1得到的停留区域序列,采用动态参数部分匹配预测算法预测用户的下一个停留区域;
S3,根据预测结果以及哈弗辛公式计算预测的用户设备i所在的停留区域与基站之间的距离d,并计算数据传输速率r。
S4,获取移动设备i的任务参数及服务器性能参数,其中移动设备待执行任务参数为一个七元组(pi,ri,ci,di,δi,),其中pi,ri分别为用户设备发射功率和数据传输速率,ci为完成此任务所需的计算能力,di为任务数据量,δi为用户设备i在本设备执行此任务时一个CPU周期的能耗,为用户设备计算能力,为完成此任务允许的最大时延;服务器性能参数为一个两元组(δ°,C),其中δ°为云服务器执行任务时一个CPU周期的能耗,C为云服务器计算能力,基于这些参数构建能耗最小化模型;
S5,对标准萤火虫算法进行改进并应用于求解能耗最小化问题,萤火虫算法改进主要在于,求解得出使得能耗最小的任务分配方法,具体来说将萤火虫位置向量的各个分量值看作优先级值,作为任务卸载的优先顺序,在此基础上,对亮度最低的萤火虫位置执行基于优先级值的变异,提高萤火虫算法的全局收敛能力。
进一步的,所述步骤S1采用两级聚类方式对预处理数据进行聚类,得到停留位置、停留区域和停留区域序列,具体包括:
首先利用区域一致性聚类算法对某个移动设备用户的轨迹点进行聚类,得到停留位置;然后利用基于密度的聚类算法对所有用户的停留位置进行聚类,得到停留区域,将原始轨迹数据集中的轨迹点序列转换为停留区域序列.。
进一步的,所述首先利用区域一致性聚类算法对某移动设备用户的轨迹点进行聚类,得到停留位置,具体包括:
对用户的轨迹点通过距离和速度相关性来判断两个GPS点是否属于同一个停留区域,其计算公式如下:
其中,i,j表示两个轨迹点,distance(i,j)为两个轨迹点之间的距离,duration(i,j)为两个轨迹点之间的时间间隔,θ为距离缩放因子。若coh(i,j)大于给定的阈值ρ则两个轨迹点i,j是一致性相关的,定义区域一致性相关点的数量阈值λ,若与i点区域一致相关点个数大于阈值则判定其为停留点,将原轨迹点序列转换为停留点序列。
进一步的,所述利用基于密度的聚类算法对用户停留点进行聚类,得到停留区域,将原始轨迹数据集中的轨迹点序列转换为停留区域序列,具体包括:
利用DBSCAN算法对停留点进行二次聚类,首先任选一个停留点,找到与这个点距离小于等于半径eps的所有的点;然后,若距离小于半径eps的数据点个数大于最小点数目min_points,则这个点被标记为核心点,并被分配一个新的簇标签;然后访问该点的半径eps以内的所有邻居点,若它们还没有被分配一个簇,那么就将刚刚创建的新的簇标签分配给它们,如果它们是核心点,那么就依次访问其邻居,以此类推,使簇逐渐增大,直到在簇的半径eps距离内没有核心点为止;然后选取另一个尚未被访问过的点,并重复相同的过程,直到所有点都被标记,从而将停留点划分为簇。
进一步的,所述步骤S2根据得到的停留区域序列,采用动态参数部分匹配预测算法预测用户的下一个停留区域,具体包括:
(1)对于给定的停留区域序列,首先确定符号计数,这些符号计数由上下文后各符号出现的次数确定:首先从根节点开始分割停留区域序列构建树,每次分割一个字符和该字符对应的长为K的子串,K为算法的阶数,他们共同决定了树中的一条路径,字符出现的次数从叶节点开始沿着路径累加,这样,树中节点记录的数值表示此节点所处路径对应的输入序列之后出现该节点记录的字符的次数;
(2)混合所有深度的上下文的概率分布得到某个符号的概率分布,迭代公式如下:
其中,s为输入的停留区域序列,即上下文,Ms(x)为上下文s后符号x的计数,|Ms|为上下文s后各符号计数总数,Psuf(s)(x)为上下文s的子序列suf(s)后出现符号x的概率分布;Us为符号计数集Ms中的符号数,各符号只计数一次,|χ|为给定序列的字母表,(α,β)为一对参数;
(3)为了寻找给定序列的最优参数设置,算法每学习一个符号就在常规更新符号计数M之前对(α,β)做微调,调整公式如下:
其中,步长δ=0.003,每次微调需保证参数值满足α∈[-β,+∞]和β∈[0,1];
(4)算法输出参数值(α,β),即为给定序列的最优参数设置。
进一步的,所述步骤S3中根据预测结果以及哈弗辛公式计算预测的用户设备i所在的停留区域与基站之间的距离d,并计算数据传输速率r,具体包括:
由哈弗辛公式变换得到如下公式计算所预测的停留区域与基站的距离:其中R为地球半径,(λ1,),(λ2,)为两个位置的经纬度,并根据结果计算数据传输速率其中,W为系统带宽,σ为噪声功率,p为用户设备发射功率,g0(d0/d)4记为h,代表信道功率增益,g0为路径损失常数,d0为参考距离。
进一步的,所述步骤S4中构建能耗最小化模型如下:
其中,n为用户设备数,ti为任务实际执行时间;
进一步的,所述步骤S5中标准变异萤火虫算法具体包括:
步骤1、初始化各参数(N,β0,γ,α,m),其中,N为萤火虫数目,β0为最大吸引度,γ为光强吸收系数,α为步长因子,是[0,1]上的常数,m为最大迭代次数;
步骤2、随机初始化萤火虫的位置Xi,求解萤火虫的目标函数值作为各自的最大荧光亮度I0;
步骤5、重新计算萤火虫的亮度,达到最大迭代次数m或找到最优解则算法结束,否则迭代次数加1,执行步骤3。
进一步的,在标准的萤火虫算法中改进并引入一种变异机制,步骤为:
1、采用基于优先级的编码技术,将萤火虫位置中的各个分量的值看作优先级,数值大的优先级高;
2、基于此编码技术,在迭代过程步骤5中对最差位置即亮度最低的位置的各优先级值进行变异操作,每个值以0.05的概率进行变异,具体来讲原优先级值变异为(1-xi);
进一步的,将变异萤火虫算法应用于求解能耗最小化问题,步骤为:
1、萤火虫的位置对应于优化问题的一个解向量,即卸载决策,此向量的各个分量为1或0,为1代表此用户设备任务卸载到云服务器执行,为1反之;位置向量的维度数对应任务数,目标函数值对应于能耗值,能耗值较低的萤火虫吸引能耗值高的萤火虫向其移动;
2、在应用变异萤火虫算法求解此优化问题时,为了使卸载决策可行化,迭代过程中若某个分量对应的任务的本地执行时间大于延时约束,即在用户设备上执行此任务不满足延时约束,则此分量优先级值设置为最大值1,优先卸载;然后采取贪心策略,以优先级由高至低的顺序考察当前任务所需总计算能力是否满足云服务器计算能力约束,若满足则此任务可以卸载,不满足则顺序考察下一个任务,直至结束;
3、最后,可以卸载的任务对应的分量值为1,反之为0,算法最终输出最优卸载决策。
本发明的优点及有益效果如下:
本发明的创新在于步骤S2、S3、S5中的利用预测机制及变异萤火虫算法进行移动边缘计算系统中卸载策略的制定,PPMDP算法被证明具有良好的效果,可以有效预测各个用户设备的停留区域,得出数据传输速率,不同用户设备数据具有不同的传输速率,更符合现实情况,可以有效避免预期外能耗,变异萤火虫算法具有更强的全局收敛能力,提高了种群多样性,更有利于得出最优解,通过变异萤火虫算法选择哪些任务可以卸载到云服务器执行,可实现最小化系统能耗的目的。
附图说明
图1是本发明提供优选实施例基于预测机制的移动设备多任务竞争卸载方法流程图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示,本发明提供的基于预测机制的移动设备多任务竞争卸载方法,包括以下步骤:
S1,对GPS轨迹数据集进行文件格式转换、降维、过滤等数据预处理操作,得到本研究所需数据,采用两级聚类方式对数据进行聚类:首先利用区域一致性聚类算法对某个用户的轨迹点进行聚类,得到停留位置;然后利用基于密度的聚类算法对所有用户的停留位置进行聚类,得到停留区域,将原始轨迹数据集中的轨迹点序列转换为停留区域序列;
S2,依据S2得到的停留区域序列,采用动态参数部分匹配预测算法预测用户的下一个停留区域;
S3,根据预测结果以及哈弗辛公式计算预测的用户设备i所在的停留区域与基站之间的距离d,并计算数据传输速率r。
S4,获取用户设备i的任务参数及服务器性能参数,其中用户设备待执行任务参数为一个七元组(pi,ri,ci,di,δi,),其中pi,ri分别为用户设备发射功率和数据传输速率,ci为完成此任务所需的计算能力,di为任务数据量,δi为用户设备i在本设备执行此任务时一个CPU周期的能耗,为用户设备计算能力,为完成此任务允许的最大时延;服务器性能参数为一个两元组(δ°,C),其中δ°为云服务器执行任务时一个CPU周期的能耗,C为云服务器计算能力,基于这些参数构建能耗最小化模型;
S5,对萤火虫算法进行改进并应用于求解能耗最小化问题。
在本实施例中,所述步骤S2中采用动态参数部分匹配预测算法进行用户停留区域预测包括:
(1)对于给定的停留区域序列,首先确定符号计数,这些计数由上下文后各符号出现的次数确定;
(2)混合所有深度的上下文的概率分布得到某个符号的概率分布,算法的迭代公式如下:
其中,Ms(x)为上下文s后符号x的计数,|Ms|为上下文s后各符号计数总数;Us为符号计数集Ms中的符号数(各符号只计数一次),|χ|为给定序列的字母表,(α,β)为一对参数;
(3)为了寻找给定序列的最优参数设置,算法每学习一个符号就在常规更新符号计数M之前对(α,β)做微调,调整公式如下:
其中,步长δ=0.003,每次微调需保证参数值满足α∈[-β,+∞]和β∈[0,1];
(4)算法输出参数值(α,β),即为给定序列的最优参数设置;
在本实施例中,所述步骤S3中距离与数据传输速率计算包括:
由哈弗辛公式变换得到如下公式计算所预测的停留区域与基站的距离:其中R为地球半径,(λ1,),(λ2,)为两个位置的经纬度,并根据结果计算数据传输速率其中,W为系统带宽,σ为噪声功率,p为用户设备发射功率,g0(d0/d)4记为h,代表信道功率增益,g0为路径损失常数,d0为参考距离。
在本实施例中,所述步骤S4中构建能耗最小化模型如下:
其中,n为用户设备数,ti为任务实际执行时间;
在本实施例中,所述步骤S5中变异萤火虫算法及其应用包括:
(1)标准萤火虫算法步骤为:
1、初始化各参数(N,β0,γ,α,m),其中,N为萤火虫数目,β0为最大吸引度,γ为光强吸收系数,α为步长因子,是[0,1]上的常数,m为最大迭代次数;
2、随机初始化萤火虫的位置Xi,求解萤火虫的目标函数值作为各自的最大荧光亮度I0;
5、重新计算萤火虫的亮度,达到最大迭代次数m或找到最优解则算法结束,否则迭代次数加1,执行3;
(2)标准萤火虫算法存在易陷入局部最优的缺点,为了增加种群多样性,引入一种变异机制,步骤为:
1、标准萤火虫算法最初是为解决连续优化问题开发的,为了解决离散问题,采用基于优先级的编码技术,将萤火虫位置中的各个分量的值看作优先级,数值大的优先级高;
2、基于此编码技术,在迭代过程第5步中对最差位置(亮度最低的位置)的各优先级值进行变异操作,每个值以0.05的概率进行变异,具体来讲原优先级值变异为(1-xi);
(3)将变异萤火虫算法应用于求解能耗最小化问题,步骤为:
1、萤火虫的位置对应于优化问题的一个解向量,即卸载决策,此向量的各个分量为1或0,为1代表此用户设备任务卸载到云服务器执行,为1反之;位置向量的维度数对应任务数,目标函数值对应于能耗值,能耗值较低的萤火虫吸引能耗值高的萤火虫向其移动;
2、在应用变异萤火虫算法求解此优化问题时,为了使卸载决策可行化,迭代过程中若某个分量对应的任务的本地执行时间大于延时约束,即在用户设备上执行此任务不满足延时约束,则此分量优先级值设置为最大值1,优先卸载;然后采取贪心策略,以优先级由高至低的顺序考察当前任务所需总计算能力是否满足云服务器计算能力约束,若满足则此任务可以卸载,不满足则顺序考察下一个任务,直至结束。
3、最后,可以卸载的任务对应的分量值为1,反之为0,算法最终输出最优卸载决策;
以下利用一个具体实例对本发明进行进一步说明:
其中,数据集选取微软实验室2012年8月公布的用户轨迹数据集,所获用户轨迹数据包括经纬度、海拔、以天为单位的时间、日期、时间,某一轨迹点片段为:
116.325764 | 40.012631 | 492 | 400097.5864583333 | 2009-10-11 | 14:04:30 |
116.325725 | 40.012554 | 492 | 40097.5865162037 | 2009-10-11 | 14:04:35 |
由于本文研究的是一个基站覆盖范围内的用户设备移动情况,所以筛选了数据集中清华大学及其附近范围内的轨迹数据,经过数据预处理之后,轨迹点序列数据片段为:
1 | 116.325764 | 40.012631 | 2009-10-11 | 14:04:30 |
1 | 116.325725 | 40.012554 | 2009-10-11 | 14:04:35 |
其中各列分别为用户ID,经纬度,日期,时间,经过两级聚类以后得到用户停留区域序列数据片段为:
a | 116.325878 | 40.012197 | 2009-10-11 | 14:04:30 |
b | 116.325936 | 40.011289 | 2009-10-11 | 14:12:55 |
其中,第一列为经过聚类所形成的停留区域的编号,该片段表示a区域的下一个停留区域为b;
对用户停留区域序列采用动态参数部分匹配预测算法进行参数对(α,β)离线优化,找到最优的参数值,进行预测。某个用户序列为q=bcbd,预测结果为b,即预测的用户下一个停留区域为b,其经纬度为(116.325936,40.011289)。
假设中心基站的经纬度为(116.326000,40.010000),则其与预测停留区域b的距离d=143.434m,假设pi=200mW,W=1MHz,对应的数据传输速率为2.191MB/s
假设系统中有30个用户设备,对每一个用户设备执行上述操作,并初始化其余各参数,假设参数值为ci=[0.1,1.0]GHz,di=[300,800]KB,δi=1.2W/GHz,服务器性能参数值分别为δ°=1W/GHz,C=10GHz;
执行变异萤火虫算法,初始化萤火虫种群各参数(N,β0,γ,α,m),假设参数值为N=20,β0=1.0,γ=1.0,α=0.2,m=100;
随机初始化萤火虫的位置Xi,求解萤火虫位置对应的目标函数值作为各萤火虫的最大荧光亮度I0,计算群体中萤火虫对距离为r处的相对亮度I(r)和吸引度β,找到最优个体,萤火虫根据计算结果进行移动,更新萤火虫位置,对最差个体执行变异操作;5、重新计算萤火虫的亮度,直到达到最大迭代次数m或找到最优解则算法结束,否则迭代次数加1,转而执行3;
算法运行最终结果为:
(101101110111011001111010110111),此时系统能耗为11.047J,而传统方法中任务全部在用户设备执行时能耗为19.159J,显然,本发明有效降低了系统能耗。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,包括以下步骤:
S1,获取移动设备的GPS轨迹数据,对GPS轨迹数据集进行文件格式转换、降维、过滤在内的数据预处理操作,得到预处理数据,采用两级聚类方式对预处理数据进行聚类,得到停留位置、停留区域和停留区域序列;
S2,依据S1得到的停留区域序列,采用动态参数部分匹配预测算法预测用户的下一个停留区域;
S3,根据预测结果以及哈弗辛公式计算预测的用户设备i所在的停留区域与基站之间的距离d,并计算数据传输速率。
S4,获取移动设备i的任务参数及服务器性能参数,其中移动设备待执行任务参数为一个七元组其中pi,ri分别为用户设备发射功率和数据传输速率,ci为完成此任务所需的计算能力,di为任务数据量,δi为用户设备i在本设备执行此任务时一个CPU周期的能耗,为用户设备计算能力,为完成此任务允许的最大时延;服务器性能参数为一个两元组(δo,C),其中δo为云服务器执行任务时一个CPU周期的能耗,C为云服务器计算能力,基于这些参数构建能耗最小化模型;
S5,对标准萤火虫算法进行改进并应用于求解能耗最小化问题,萤火虫算法改进主要在于,求解得出使得能耗最小的任务分配方法,具体来说将萤火虫位置向量的各个分量值看作优先级值,作为任务卸载的优先顺序,在此基础上,对亮度最低的萤火虫位置执行基于优先级值的变异,提高萤火虫算法的全局收敛能力。
2.根据权利要求1所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,所述步骤S1采用两级聚类方式对预处理数据进行聚类,得到停留位置、停留区域和停留区域序列,具体包括:
首先利用区域一致性聚类算法对某个移动设备用户的轨迹点进行聚类,得到停留位置;然后利用基于密度的聚类算法对所有用户的停留位置进行聚类,得到停留区域,将原始轨迹数据集中的轨迹点序列转换为停留区域序列。
3.根据权利要求2所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,所述步骤S1首先利用区域一致性聚类算法对某移动设备用户的轨迹点进行聚类,得到停留位置,具体包括:
对用户的轨迹点通过距离和速度相关性来判断两个GPS点是否属于同一个停留区域,其计算公式如下:
其中,i,j表示两个轨迹点,distance(i,j)为两个轨迹点之间的距离,duration(i,j)为两个轨迹点之间的时间间隔,θ为距离缩放因子。若coh(i,j)大于给定的阈值ρ则两个轨迹点i,j是一致性相关的,定义区域一致性相关点的数量阈值λ,若与i点区域一致相关点个数大于阈值则判定其为停留点,将原轨迹点序列转换为停留点序列。
4.根据权利要求2所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,所述步骤S1利用基于密度的聚类算法对用户停留点进行聚类,得到停留区域,将原始轨迹数据集中的轨迹点序列转换为停留区域序列,具体包括:
利用DBSCAN算法对停留点进行二次聚类,首先任选一个停留点,找到与这个点距离小于等于半径eps的所有的点;然后,若距离小于半径eps的数据点个数大于最小点数目min_points,则这个点被标记为核心点,并被分配一个新的簇标签;然后访问该点的半径eps以内的所有邻居点,若它们还没有被分配一个簇,那么就将刚刚创建的新的簇标签分配给它们,如果它们是核心点,那么就依次访问其邻居,以此类推,使簇逐渐增大,直到在簇的半径eps距离内没有核心点为止;然后选取另一个尚未被访问过的点,并重复相同的过程,直到所有点都被标记,从而将停留点划分为簇。
5.根据权利要求4所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,所述步骤S2根据得到的停留区域序列,采用动态参数部分匹配预测算法预测用户的下一个停留区域,具体包括:
(1)对于给定的停留区域序列,首先确定符号计数,这些符号计数由上下文后各符号出现的次数确定:首先从根节点开始分割停留区域序列构建树,每次分割一个字符和该字符对应的长为K的子串,K为算法的阶数,他们共同决定了树中的一条路径,字符出现的次数从叶节点开始沿着路径累加,这样,树中节点记录的数值表示此节点所处路径对应的输入序列之后出现该节点记录的字符的次数;
(2)混合所有深度的上下文的概率分布得到某个符号的概率分布,迭代公式如下:
其中,s为输入的停留区域序列,即上下文,Ms(x)为上下文s后符号x的计数,|Ms|为上下文s后各符号计数总数,Psuf(s)(x)为上下文s的子序列suf(s)后出现符号x的概率分布;Us为符号计数集Ms中的符号数,各符号只计数一次,|χ|为给定序列的字母表,(α,β)为一对参数;
(3)为了寻找给定序列的最优参数设置,算法每学习一个符号就在常规更新符号计数M之前对(α,β)做微调,调整公式如下:
其中,步长δ=0.003,每次微调需保证参数值满足α∈[-β,+∞]和β∈[0,1];
(4)算法输出参数值(α,β),即为给定序列的最优参数设置。
8.根据权利要求7所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,所述步骤S5中标准变异萤火虫算法具体包括:
步骤1、初始化各参数(N,β0,γ,α,m),其中,N为萤火虫数目,β0为最大吸引度,γ为光强吸收系数,α为步长因子,是[0,1]上的常数,m为最大迭代次数;
步骤2、随机初始化萤火虫的位置Xi,求解萤火虫的目标函数值作为各自的最大荧光亮度I0;
步骤5、重新计算萤火虫的亮度,达到最大迭代次数m或找到最优解则算法结束,否则迭代次数加1,执行步骤3。
9.根据权利要求8所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,在标准的萤火虫算法中改进并引入一种变异机制,步骤为:
1、采用基于优先级的编码技术,将萤火虫位置中的各个分量的值看作优先级,数值大的优先级高;
2、基于此编码技术,在迭代过程步骤5中对最差位置即亮度最低的位置的各优先级值进行变异操作,每个值以0.05的概率进行变异,具体来讲原优先级值变异为(1-xi)。
10.根据权利要求9所述的一种基于预测机制的移动设备多任务竞争卸载方法,其特征在于,将变异萤火虫算法应用于求解能耗最小化问题,步骤为:
1、萤火虫的位置对应于优化问题的一个解向量,即卸载决策,此向量的各个分量为1或0,为1代表此用户设备任务卸载到云服务器执行,为1反之;位置向量的维度数对应任务数,目标函数值对应于能耗值,能耗值较低的萤火虫吸引能耗值高的萤火虫向其移动;
2、在应用变异萤火虫算法求解此优化问题时,为了使卸载决策可行化,迭代过程中若某个分量对应的任务的本地执行时间大于延时约束,即在用户设备上执行此任务不满足延时约束,则此分量优先级值设置为最大值1,优先卸载;然后采取贪心策略,以优先级由高至低的顺序考察当前任务所需总计算能力是否满足云服务器计算能力约束,若满足则此任务可以卸载,不满足则顺序考察下一个任务,直至结束;
3、最后,可以卸载的任务对应的分量值为1,反之为0,算法最终输出最优卸载决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058804.2A CN111328023B (zh) | 2020-01-18 | 2020-01-18 | 一种基于预测机制的移动设备多任务竞争卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058804.2A CN111328023B (zh) | 2020-01-18 | 2020-01-18 | 一种基于预测机制的移动设备多任务竞争卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111328023A true CN111328023A (zh) | 2020-06-23 |
CN111328023B CN111328023B (zh) | 2021-02-09 |
Family
ID=71172767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010058804.2A Active CN111328023B (zh) | 2020-01-18 | 2020-01-18 | 一种基于预测机制的移动设备多任务竞争卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111328023B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407251A (zh) * | 2021-05-26 | 2021-09-17 | 北京工业大学 | 一种移动边缘网络业务卸载方法及装置 |
CN113934472A (zh) * | 2021-12-16 | 2022-01-14 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN114416458A (zh) * | 2022-03-30 | 2022-04-29 | 航天中认软件测评科技(北京)有限责任公司 | 测试方法、装置、设备及存储介质 |
CN114863683A (zh) * | 2022-05-11 | 2022-08-05 | 湖南大学 | 基于多目标优化的异构车联网边缘计算卸载调度方法 |
CN115884094A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
EP3457664A1 (en) * | 2017-09-14 | 2019-03-20 | Deutsche Telekom AG | Method and system for finding a next edge cloud for a mobile user |
CN109547555A (zh) * | 2018-03-01 | 2019-03-29 | 重庆大学 | 基于公平性准则的非平衡边缘云网络接入与资源分配机制 |
CN109655066A (zh) * | 2019-01-25 | 2019-04-19 | 南京邮电大学 | 一种基于Q(λ)算法的无人机路径规划方法 |
-
2020
- 2020-01-18 CN CN202010058804.2A patent/CN111328023B/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 |
CN109547555A (zh) * | 2018-03-01 | 2019-03-29 | 重庆大学 | 基于公平性准则的非平衡边缘云网络接入与资源分配机制 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
CN109655066A (zh) * | 2019-01-25 | 2019-04-19 | 南京邮电大学 | 一种基于Q(λ)算法的无人机路径规划方法 |
Non-Patent Citations (1)
Title |
---|
王建军,谢超,徐佳: "基于改进萤火虫算法的非满载物流运输车辆调度研究", 《环境技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407251A (zh) * | 2021-05-26 | 2021-09-17 | 北京工业大学 | 一种移动边缘网络业务卸载方法及装置 |
CN113934472A (zh) * | 2021-12-16 | 2022-01-14 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN113934472B (zh) * | 2021-12-16 | 2022-03-01 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN114416458A (zh) * | 2022-03-30 | 2022-04-29 | 航天中认软件测评科技(北京)有限责任公司 | 测试方法、装置、设备及存储介质 |
CN114416458B (zh) * | 2022-03-30 | 2022-08-05 | 航天中认软件测评科技(北京)有限责任公司 | 测试方法、装置、设备及存储介质 |
CN114863683A (zh) * | 2022-05-11 | 2022-08-05 | 湖南大学 | 基于多目标优化的异构车联网边缘计算卸载调度方法 |
CN115884094A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
CN115884094B (zh) * | 2023-03-02 | 2023-05-23 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111328023B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111328023B (zh) | 一种基于预测机制的移动设备多任务竞争卸载方法 | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
Liu et al. | Path planning for UAV-mounted mobile edge computing with deep reinforcement learning | |
Zhou et al. | Social big-data-based content dissemination in internet of vehicles | |
Du et al. | Stacked LSTM deep learning model for traffic prediction in vehicle-to-vehicle communication | |
Cheng et al. | Localized small cell caching: A machine learning approach based on rating data | |
Zhang et al. | DRL-driven dynamic resource allocation for task-oriented semantic communication | |
Qiao et al. | Adaptive federated deep reinforcement learning for proactive content caching in edge computing | |
CN110794965B (zh) | 一种基于深度强化学习的虚拟现实语言任务卸载方法 | |
CN114662661A (zh) | 边缘计算下异构处理器加速多出口dnn推理的方法 | |
CN112181655A (zh) | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 | |
CN113407251A (zh) | 一种移动边缘网络业务卸载方法及装置 | |
WO2019080771A1 (zh) | 用于无线通信的电子设备和方法 | |
CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
CN114885388B (zh) | 联合rss预测的多业务类型自适应切换判决方法 | |
Bista et al. | Probabilistic computation offloading for mobile edge computing in dynamic network environment | |
Cheng et al. | Task offloading for automatic speech recognition in edge-cloud computing based mobile networks | |
CN116367231A (zh) | 基于ddpg算法的边缘计算车联网资源管理联合优化方法 | |
Qu et al. | Model-assisted learning for adaptive cooperative perception of connected autonomous vehicles | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
KR102562732B1 (ko) | Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법 | |
Sadatdiynov et al. | An intelligent hybrid method: Multi-objective optimization for MEC-enabled devices of IoE | |
CN111930435B (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN117858109A (zh) | 基于数字孪生的用户关联、任务卸载和资源分配优化方法 | |
Kaur et al. | Machine learning empowered green task offloading for mobile edge computing in 5G networks |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240619 Address after: 810, 8th Floor, Building 10, Courtyard 1, Tianxing Street, Fangshan District, Beijing, 102400 Patentee after: Beijing Zhichanhui Technology Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
TR01 | Transfer of patent right |