CN111401744B - 一种移动边缘计算中不确定性环境下的动态任务卸载方法 - Google Patents

一种移动边缘计算中不确定性环境下的动态任务卸载方法 Download PDF

Info

Publication number
CN111401744B
CN111401744B CN202010184385.7A CN202010184385A CN111401744B CN 111401744 B CN111401744 B CN 111401744B CN 202010184385 A CN202010184385 A CN 202010184385A CN 111401744 B CN111401744 B CN 111401744B
Authority
CN
China
Prior art keywords
user terminal
task
mec server
time slot
model
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.)
Active
Application number
CN202010184385.7A
Other languages
English (en)
Other versions
CN111401744A (zh
Inventor
姚枝秀
夏士超
李云
吴广富
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010184385.7A priority Critical patent/CN111401744B/zh
Publication of CN111401744A publication Critical patent/CN111401744A/zh
Application granted granted Critical
Publication of CN111401744B publication Critical patent/CN111401744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • 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

Abstract

本发明公开了一种移动边缘计算中不确定性环境下的动态任务卸载方法，该方法充分考虑了在实际分布式物联网环境中，云端任务排队等待时间的不确定性，以及海量物联网设备任务产生的随机性和爆发性，本发明采用买卖博弈模型，将用户端定义为买方，服务器端定义为卖方，并通过引入多阶段随机规划模型，解决云端排队等待时延的不确定性问题，本发明可以在不确定性环境下进行高效的任务卸载，并且可以有效提高任务卸载的成功率。

Description

一种移动边缘计算中不确定性环境下的动态任务卸载方法
技术领域
本发明涉及无线通信技术领域，尤其涉及一种移动边缘计算中不确定性环境下的动态任务卸载方法。
背景技术
移动互联网和物联网(Internet of Things,IoT)的快速发展和融合，促使移动终端设备和数据流量呈指数式增加，与此同时，虚拟现实/增强现实、智能驾驶、智慧医疗等新兴应用不断涌现，进一步促进计算密集型服务及应用爆炸性增长，对移动终端计算能力和续航能力提出了更高要求。而传统的移动终端往往受限于体积大小和重量，使其在CPU计算能力、电池续航能力、存储能力等方面依然存在严重的约束。移动边缘计算(Mobile EdgeComputing,MEC)作为一种新兴和有前景的计算范式，将各种云资源(如计算和存储资源)部署于网络边缘，减少了移动或固网业务交付的端到端时延，降低了终端计算负载，提高了终端续航能力和用户服务体验。
在实际的物联网环境中，边缘服务器的计算资源非常有限，无法快速响应突发计算请求，因此，云端排队时延在计算密集型网络环境中是不可忽略的。由于MEC服务器任务到达的随机性，云端队列排队时延是不确定的，通常很难得到其准确预测值，对于时延敏感性应用，当云端排队等待时间过大时，将会造成任务卸载失败。同时，据CISCO VNI最新报告预测，到2022年全球物联网设备将达到260亿台，对未来海量IoT设备信息的收集与传统的集中式管理控制也已变得极不现实。因此，在未来面向物联网的边缘计算场景中，亟待需要设计一种更加高效灵活的分布式任务卸载机制。此外，由于海量物联网设备复杂时变的流量特征(如物联网设备任务产生的随机性)，可能会导致物联网设备任务在本地缓存区的高度积压，从而影响用户的服务质量。因此，迫切需要针对在不确定性网络环境下实现一种高效的分布式动态任务卸载方案。
发明内容
为解决上述技术问题，本发明提供一种不确定性环境下的动态任务卸载方法，本发明采用的技术方案是：
一种移动边缘计算中不确定性环境下的动态任务卸载方法，包括以下步骤：
S1：用户终端在接收到卸载任务请求时基于该用户终端的多阶段确定性最大化收益模型计算出各个子时隙内用户终端向MEC(Mobile Edge Computing，移动边缘计算)服务器购买计算频率资源的最优购买策略，并根据该最优购买策略计算各个子时隙内用户终端向MEC服务器卸载的最优任务量；所述用户终端的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下用户终端的多阶段随机规划模型进行等价转化得到的模型，所述不确定性网络环境下用户终端的多阶段随机规划模型为对基于李雅普诺夫理论建立的用户终端在确定性网络环境下的最大化收益模型进行转化得到；
S2：基于用户终端的最优购买策略，利用MEC服务器的多阶段确定性最大化收益模型计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略；所述MEC服务器的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下MEC服务器的多阶段随机规划模型进行等价转化得到的模型，所述不确定性网络环境下MEC服务器的多阶段随机规划模型为对建立的MEC服务器在确定性网络环境下的最大化收益模型进行转化得到；
S3：在确定所述用户终端向MEC服务器购买计算频率资源的最优购买策略以及MEC服务器的最优报价策略满足斯坦科尔伯格均衡解时，所述用户终端按照所述最优任务卸载量向MEC服务器卸载任务。
进一步地，所述用户终端的多阶段确定性最大化收益模型为：
Figure BDA0002413627820000031
Figure BDA0002413627820000032
Figure BDA0002413627820000033
tk表示时隙t的第k个子时隙，k∈{1,2,...,l},l表示一个时隙划分的子时隙个数，
Figure BDA0002413627820000034
表示在子时隙tk内nj分配给用户终端mi的CPU频率，mi表示第i个用户终端，当j＝0时，与j相关参数表示用户终端本地处理的参数，当j≠0时，nj表示第j个MEC服务器，Vi表示mi对应的李雅普诺夫优化算法控制参数，αi表示mi的任务卸载权重系数，τk表示第k个子时隙的长度，Li表示mi处理单位bit任务所需要的CPU周期数，Bij表示mi和nj之间的通信带宽，
Figure BDA0002413627820000035
表示mi在子时隙tk内单位时间内向nj购买单位计算频率资源的支付价格，σi表示mi在单位时间内的通信成本权重系数，
Figure BDA0002413627820000036
表示mi在子时隙tk内的任务队列积压，
Figure BDA0002413627820000037
表示mi在子时隙tk内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，
Figure BDA0002413627820000038
表示mi在子时隙tk内卸载任务到nj的云端排队等待时间，
Figure BDA0002413627820000039
Figure BDA00024136278200000310
表示所有MEC服务器在子时隙tk内对mi的云端排队等待时间的组合场景空间，Si,t表示所有MEC服务器在时隙t内对mi的所有子时隙云端排队等待时间的组合场景空间，P(si,t)表示实现为si,t的概率，si,t∈Si,t表示Si,t的一个实现，
Figure BDA00024136278200000311
表示实现为si,t时，mi在子时隙tk内向nj购买的计算频率资源，M表示请求卸载任务的用户终端数，N表示MEC服务器的数量，
Figure BDA00024136278200000312
表示nj的最小CPU频率，
Figure BDA00024136278200000313
表示nj的最大CPU频率。
进一步地，所述MEC服务器的多阶段确定性最大化收益模型为：
Figure BDA0002413627820000041
Figure BDA0002413627820000042
Figure BDA0002413627820000043
表示在时隙t内nj的收益，
Figure BDA0002413627820000044
Figure BDA0002413627820000045
表示所有用户终端在子时隙tk内卸载任务到nj的云端排队等待时间的组合场景空间，
Figure BDA0002413627820000046
表示nj计算能耗的权重系数，κj表示与nj芯片架构相关的有效能量系数，Sj,t表示所有用户终端在时隙t内卸载任务到nj的所有子时隙云端排队等待时间的组合场景空间，P(sj,t)表示实现为sj,t的概率，sj,t∈Sj,t表示Sj,t的一个实现，
Figure BDA0002413627820000047
表示实现为sj,t时，nj在子时隙tk内对mi的报价，
Figure BDA0002413627820000048
表示mi在子时隙tk内单位时间内购买的单位计算频率资源对应的成本价格。
进一步地，步骤S1包括：
基于该用户终端的多阶段确定性最大化收益模型，利用拉格朗日乘子法和KKT(Karush-Kuhn-Tucker)条件计算出各个子时隙内用户终端向MEC服务器购买计算频率资源的最优购买策略，从而计算各个子时隙内用户终端向MEC服务器卸载的最优任务量；
步骤S2包括：
基于MEC服务器的多阶段确定性最大化收益模型和用户终端的最优购买策略，利用拉格朗日乘子法和KKT条件计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略。
进一步地，所述用户终端的多阶段确定性最大化收益模型为按照以下方式进行计算、转化得到的模型：
S11：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；
S12：针对用户终端侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载用户终端可获得的用户终端收益；
S13：利用李雅普诺夫理论基于所述用户终端收益建立出用户终端在确定性网络环境下的用户终端最大化收益模型；
S14：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将用户终端在确定性网络环境下的最大化收益模型转化为用户终端在不确定性网络环境下的两阶段随机规划模型；
S15：将时隙t划分为l个子时隙从而将用户终端的两阶段随机规划模型扩展转化为用户终端在不确定性网络环境下的多阶段随机规划模型；
S16：通过构造场景树将用户终端在不确定性网络环境下的多阶段随机规划模型等价转化为用户终端的多阶段确定性最大化收益模型。
进一步地，步骤S13中建立得到的用户终端的最大化收益模型为：
Figure BDA0002413627820000051
Figure BDA0002413627820000052
Figure BDA0002413627820000053
其中，mi在时隙t内向MEC服务器购买计算资源获得的收益
Figure BDA0002413627820000054
mi在时隙t内卸载到nj的任务量
Figure BDA0002413627820000055
mi在时隙t内卸载任务到nj可获得的效用uij,t＝αilog(1+bij,t)，fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间
Figure BDA0002413627820000056
τ表示一个时隙的长度，mi在时隙t内卸载任务到nj的支付成本
Figure BDA0002413627820000057
pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj的数据通信成本
Figure BDA0002413627820000058
mi在时隙t内卸载任务到nj的任务上传时间
Figure BDA0002413627820000059
Figure BDA00024136278200000510
表示mi在时隙t内卸载任务到nj的云端排队等待时间，Qi,t表示mi在时隙t内的任务队列积压，mi在时隙t内卸载的总任务量
Figure BDA0002413627820000061
所述转化得到的用户终端的两阶段随机规划模型为：
Figure BDA0002413627820000062
Figure BDA0002413627820000063
Figure BDA0002413627820000064
其中，
Figure BDA0002413627820000065
Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，Ωi,t表示所有MEC服务器对mi的云端排队等待时间的组合场景空间，
Figure BDA0002413627820000066
表示Ωi,t的一个组合实现，
Figure BDA0002413627820000067
表示组合实现为ωi,t的概率，
Figure BDA0002413627820000068
表示在
Figure BDA0002413627820000069
条件下mi在时隙t内向MEC服务器购买计算资源获得的收益，
Figure BDA00024136278200000610
表示在
Figure BDA00024136278200000611
条件下mi在时隙t内卸载到nj的任务量；
所述转化得到的用户终端在不确定性网络环境下的多阶段随机规划模型为：
Figure BDA00024136278200000612
Figure BDA00024136278200000613
Figure BDA00024136278200000614
其中，
Figure BDA00024136278200000615
表示条件期望运算。
进一步地，所述MEC服务器的多阶段确定性最大化收益模型为按照以下方式进行计算、转化得到的模型：
S21：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；
S22：针对MEC服务器侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载MEC服务器可获得的收益；
S23：基于所述MEC服务器可获得的收益建立出MEC服务器在确定性网络环境下的最大化收益模型；
S24：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将MEC服务器在确定性网络环境下的最大化收益模型转化为MEC服务器在不确定性网络环境下的两阶段随机规划模型；
S25：将时隙t划分为l个子时隙从而将MEC服务器在不确定性网络环境下的两阶段随机规划模型扩展为MEC服务器在不确定性网络环境下的多阶段随机规划模型；
S26：通过构造场景树将MEC服务器的多阶段随机规划模型转化为MEC服务器的多阶段确定性最大化收益模型。
进一步地，步骤S23中建立得到的MEC服务器的最大化收益模型为：
Figure BDA0002413627820000071
Figure BDA0002413627820000072
其中，mi在时隙t内卸载任务到nj的支付成本
Figure BDA0002413627820000073
pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj所产生的计算能耗成本
Figure BDA0002413627820000074
fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间
Figure BDA0002413627820000075
τ表示一个时隙的长度，
Figure BDA0002413627820000076
表示mi在时隙t内卸载任务到nj的云端排队等待时间，
Figure BDA0002413627820000077
表示mi在时隙t内单位时间内购买的单位计算频率资源对应的成本价格；
所述转化得到的MEC服务器的两阶段随机规划模型为：
Figure BDA0002413627820000081
Figure BDA0002413627820000082
其中，
Figure BDA0002413627820000083
Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，Ωj,t表示所有用户终端在时隙t内卸载任务到nj的云端排队等待时间的组合场景空间，
Figure BDA0002413627820000084
表示Ωj,t的一个组合实现，
Figure BDA0002413627820000085
表示组合实现为ωj,t的概率，
Figure BDA0002413627820000086
表示在
Figure BDA0002413627820000087
条件下mi在时隙t内卸载任务到nj的支付成本，
Figure BDA0002413627820000088
表示在
Figure BDA0002413627820000089
条件下mi在时隙t内卸载任务到nj所产生的计算能耗成本；
所述转化得到的用户终端在不确定性网络环境下的多阶段随机规划模型为：
Figure BDA00024136278200000810
Figure BDA00024136278200000811
其中，
Figure BDA00024136278200000812
表示条件期望运算。
本发明提供了一种移动边缘计算中不确定性环境下的动态任务卸载方法，该方法充分考虑了在实际分布式物联网环境中，云端排队等待时间的不确定性，以及海量物联网设备任务产生的随机性和爆发性，本发明采用买卖博弈模型，将用户端定义为买方，MEC服务器定义为卖方，并通过引入多阶段随机规划模型，解决云端排队等待时延的不确定性问题，本发明可以在不确定性环境下进行高效的任务卸载，并且可以有效提高任务卸载的成功率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本实施例提供的移动边缘计算中不确定性环境下的动态任务卸载方法的流程示意图；
图2为多阶段场景树模型图；
图3为本实施例提供的一种可选的移动边缘计算中不确定性环境下的动态任务卸载方法的流程示意图；
图4为用户终端任务卸载成功率仿真图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本实施例提供一种移动边缘计算中不确定性环境下的动态任务卸载方法，请参见图1所示，包括：
S1：用户终端在接收到卸载任务请求时基于该用户终端的多阶段确定性最大化收益模型计算出各个子时隙内用户终端向MEC服务器购买计算频率资源的最优购买策略，并根据该最优购买策略计算各个子时隙内用户终端向MEC服务器卸载的最优任务量。
本实施例中用户终端的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下的多阶段随机规划模型进行等价转化得到的模型，其中，不确定性网络环境下的多阶段随机规划模型为对基于李雅普诺夫理论建立的用户终端在确定性网络环境下的最大化收益模型进行转化得到的。
本实施例中的用户终端的多阶段确定性最大化收益模型为：
Figure BDA0002413627820000101
Figure BDA0002413627820000102
Figure BDA0002413627820000103
其中，tk表示时隙t的第k个子时隙，k∈{1,2,...,l},l表示一个时隙划分的子时隙个数，
Figure BDA0002413627820000104
表示在子时隙tk内nj分配给用户终端mi的CPU频率，mi表示第i个用户终端，当j＝0时，与j相关参数表示用户终端本地处理的参数，当j≠0时，nj表示第j个MEC服务器，Vi表示mi对应的李雅普诺夫优化算法控制参数，αi表示mi的任务卸载权重系数，τk表示第k个子时隙的长度，Li表示mi处理单位bit任务所需要的CPU周期数，Bij表示mi和nj之间的通信带宽，
Figure BDA0002413627820000105
表示mi在子时隙tk内单位时间内向nj购买单位计算频率资源的支付价格，σi表示mi在单位时间内的通信成本权重系数，
Figure BDA0002413627820000106
表示mi在子时隙tk内的任务队列积压，
Figure BDA0002413627820000107
Figure BDA0002413627820000108
Figure BDA0002413627820000109
表示mi在子时隙tk内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，
Figure BDA00024136278200001010
表示mi在子时隙tk内卸载任务到nj的云端排队等待时间，
Figure BDA00024136278200001011
Figure BDA00024136278200001012
表示所有MEC服务器在子时隙tk内对mi的云端排队等待时间的组合场景空间，Si,t表示所有MEC服务器在时隙t内对mi的所有子时隙云端排队等待时间的组合场景空间，P(si,t)表示实现为si,t的概率，si,t∈Si,t表示Si,t的一个实现，
Figure BDA00024136278200001013
表示实现为si,t时，mi在子时隙tk内向nj购买的计算频率资源，也即表示实现为si,t时，nj分配给mi的CPU频率，M表示请求卸载任务的用户终端数，N表示MEC服务器的数量，
Figure BDA00024136278200001014
表示nj的最小CPU频率，
Figure BDA00024136278200001015
表示nj的最大CPU频率。
S2：基于用户终端的最优购买策略，利用MEC服务器的多阶段确定性最大化收益模型计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略。
MEC服务器的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下的多阶段随机规划模型进行等价转化得到的模型，其中，不确定性网络环境下的多阶段随机规划模型为对建立的MEC服务器在确定性网络环境下的最大化收益模型进行转化得到的。
本实施例中的MEC服务器的多阶段确定性最大化收益模型为：
Figure BDA0002413627820000111
Figure BDA0002413627820000112
Figure BDA0002413627820000113
表示在时隙t内nj的收益，
Figure BDA0002413627820000114
Figure BDA0002413627820000115
表示所有用户终端在子时隙tk内卸载任务到nj的云端排队等待时间的组合场景空间，
Figure BDA0002413627820000116
表示nj计算能耗的权重系数，κj表示与nj芯片架构相关的有效能量系数，Sj,t表示所有用户终端在时隙t内卸载任务到nj的所有子时隙云端排队等待时间的组合场景空间，P(sj,t)表示实现为sj,t的概率，sj,t∈Sj,t表示Sj,t的一个实现，
Figure BDA0002413627820000117
表示实现为sj,t时，nj在子时隙tk内对mi的报价，
Figure BDA0002413627820000118
表示mi在子时隙tk内单位时间内购买的单位计算频率资源对应的成本价格。
S3：在确定用户终端向MEC服务器购买计算频率资源的最优购买策略以及MEC服务器的最优报价策略满足斯坦科尔伯格均衡解时，用户终端按照所述最优任务卸载量向MEC服务器卸载任务。
本实施例中构建用户终端的多阶段确定性最大化收益模型的过程可以包括以下步骤：
S11：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；
S12：针对用户终端侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载用户终端可获得的用户终端收益；
S13：利用李雅普诺夫理论基于所述用户终端收益建立出用户终端在确定性网络环境下的最大化收益模型；
S14：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将用户终端在确定性网络环境下的最大化收益模型转化为用户终端在不确定性网络环境下的两阶段随机规划模型；
S15：将时隙t划分为l个子时隙从而将用户终端的两阶段随机规划模型扩展转化为用户终端在不确定性网络环境下的多阶段随机规划模型；
S16：通过构造场景树将用户终端在不确定性网络环境下的多阶段随机规划模型等价转化为用户终端的多阶段确定性最大化收益模型。
本实施例中构建MEC服务器的多阶段确定性最大化收益模型的过程可以包括以下步骤：
S21：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；
S22：针对MEC服务器侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载MEC服务器可获得的收益；
S23：基于MEC服务器可获得的收益建立出MEC服务器在确定性网络环境下的最大化收益模型；
S24：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将MEC服务器在确定性网络环境下的最大化收益模型转化为MEC服务器在不确定性网络环境下的两阶段随机规划模型；
S25：将时隙t划分为l个子时隙从而将MEC服务器在不确定性网络环境下的两阶段随机规划模型扩展为MEC服务器在不确定性网络环境下的多阶段随机规划模型；
S26：通过构造场景树将MEC服务器的多阶段随机规划模型转化为MEC服务器的多阶段确定性最大化收益模型。
这里对上述过程进行具体的介绍，建立任务卸载排队系统模型，系统中共有M个请求任务处理的用户,N个MEC服务器。定义mi表示第i个用户终端，
Figure BDA0002413627820000131
nj表示第j个MEC服务器，
Figure BDA0002413627820000132
整个卸载系统操作于离散时隙t∈{0,1,2,...}中，令τ为一个时隙t的长度。
假设用户的任务到达的过程服从独立泊松分布，定义ai,t表示mi在时隙t内到达的任务量，到达率为λ。用户到达的任务将首先缓存到本地任务队列中排队等待处理，定义bi,t表示mi在时隙t内处理的任务量，此外，借助大规模多输入多输出(Multi Input MultiOutput,MIMO)等技术，用户可将任务同时卸载到多个MEC服务器上进行处理，令bij,t表示mi在时隙t内卸载到nj的任务量，且
Figure BDA0002413627820000133
其中，bil,t表示mi在本地处理的任务量。定义Qi,t表示mi在时隙t开始时的任务队列积压，进一步，可得mi任务队列积压的更新方程为Qi,t+1＝max[Qi,t-bi,t,0]+ai,t。假设系统运行经历了T时间长度，为了保证队列长度的稳定性，要求队列积压在时间平均意义上满足条件
Figure BDA0002413627820000134
任务在卸载过程中产生的效用可通过卸载效用模型进行表示；任务的卸载效用模型可定义为任意非递减，凸的或两次可微函数。在本实施例中定义mi将任务卸载到nj的效用函数为uij,t＝αilog(1+bij,t)。其中，αi是mi的任务卸载权重系数。
本地处理模型：定义mi在时隙t内的CPU频率为fil,t，单位为Hz，本地CPU频率不能低于其最小CPU频率，同时不能超过其最大CPU频率，即满足fi min≤fil,t≤fi max。则本地处理的任务量bil,t可表示为
Figure BDA0002413627820000135
其中，其中，
Figure BDA0002413627820000136
表示本地计算时间，Li表示mi单位bit任务所需要的CPU周期数，单位为cycles/bit。
面向未来的MEC-IoT网络中，绿色节能已成为一种重要趋势，当前，绝大部分硬件厂商生产的处理器均支持动态调频调压(Dynamic Voltage Frequency Scaling,DVFS)技术，DVFS允许处理器动态调节主频，使CPU处于合适的主频设置，从而达到节省计算能耗的目的。mi在时隙t内处理本地任务bil,t所产生的计算能耗为
Figure BDA0002413627820000141
其中，κi表示与本地芯片架构相关的有效能量系数。进一步，可得本地计算能耗成本表示为
Figure BDA0002413627820000142
其中，
Figure BDA0002413627820000143
表示本地单位计算能耗的权重系数。
用户在时隙t开始时做出卸载决策，分配到本地处理的任务将立即进行计算，因此，时隙t将全部用于本地任务计算，即
Figure BDA0002413627820000144
云端处理模型：用户将任务卸载到MEC服务器需要经过任务上传、云端排队等待、云端计算及结果返回等过程，由于结果返回时的任务量很小，因此，忽略计算结果返回时的通信成本和通信时间。任务上传的通信时间可表示为
Figure BDA0002413627820000145
其中，Bij表示mi和nj之间的通信带宽，通信能耗成本可表示为
Figure BDA0002413627820000146
其中，σi表示单位时间通信成本权重系数。
定义nj在时隙t内分配给mi的CPU频率为fij,t，云端CPU频率不能低于其最小CPU频率，同时不能超过其最大CPU频率，即满足
Figure BDA0002413627820000147
则云端处理的任务量可表示为
Figure BDA0002413627820000148
其中，
Figure BDA0002413627820000149
表示mi卸载任务到nj的云端计算时间。
MEC服务器提供计算资源处理用户卸载的任务，会产生计算能耗，定义mi在时隙t内卸载任务到nj所产生的计算能耗成本为
Figure BDA00024136278200001410
其中，
Figure BDA00024136278200001411
表示nj单位计算能耗的权重系数，κj表示与nj芯片架构相关的有效能量系数。
在MEC-IoT环境中，MEC服务器的计算资源非常有限，无法快速响应突发计算请求，因此，云端排队时延在计算密集型网络环境中是不可忽略的，令
Figure BDA00024136278200001412
表示在mi时隙t内卸载任务到nj的云端排队等待时间。因此，IDAs将任务卸载到云端处理时，时隙t可分为三个部分：任务上传时间、云端排队等待时间和云端计算时间，即
Figure BDA00024136278200001413
在MEC-IoT环境中，用户端随机产生任务量，并在通信范围内向MEC服务器请求计算资源。MEC服务器为用户提供计算资源，同时，MEC服务器自身将会产生计算能耗，显然，MEC服务器提供计算服务并不是免费的，这一过程可视为买卖博弈。因此，为激励MEC服务器共享资源，本发明将用户端定义为买方，MEC服务器定义为卖方，同时，考虑云端排队等待时延的不确定性问题，采用买卖博弈、李雅普诺夫优化理论和多阶段随机规划理论，提出了一种不确定性环境下的动态任务卸载算法。
为便于分析，令j∈{0∪{1,2,...N}}，其中，j＝0表示本地处理，本地处理时可将本地服务器看作一个特殊的卖方。对于用户端，定义在时隙t内向MEC服务器nj购买计算资源fij,t所支付的费用成本为
Figure BDA0002413627820000151
其中，pij,t表示时隙t内单位时间购买单位计算频率资源的支付价格。
确定性网络环境下买方/用户终端博弈模型：用户卸载任务到MEC服务器的过程中，不仅需要向MEC服务器支付一定的费用，还会产生通信开销。基于上述用户端卸载效用函数模型、通信成本模型以及支付成本模型，定义用户终端在时隙t内向MEC服务器购买计算资源获得的收益可表示为
Figure BDA0002413627820000152
其中，
Figure BDA0002413627820000153
表示表示mi卸载任务到nj的云端排队等待时间；uij,t表示mi卸载任务到nj可获得的效用；
Figure BDA0002413627820000154
表示mi卸载任务到nj的支付成本；
Figure BDA0002413627820000155
表示mi卸载任务到nj的数据通信成本。
通常，云端服务器具有较高的CPU计算性能，用户将任务卸载到MEC服务器服务器，可有效提高任务的处理效率，但需要向MEC服务器支付一定的费用，还会产生额外的通信开销，往往会造成买方收益减少。然而将任务完全在本地计算处理，又会导致队列长度过大，不能保证队列稳定性。根据Little定律，平均排队时延与平均队列长度成正比，因此用户卸载收益和本地排队时延存在着折中关系。针对上述问题，本发明在用户端采用李雅普诺夫优化理论，以此来衡量用户卸载收益和排队时延之间的折中关系，该方法的优点在于不需要知道用户端任务达到的分布信息，只需要知道当前队列积压长度。
定义李雅普诺夫函数
Figure BDA0002413627820000161
作为mi任务队列积压度量指标，为了表征从一个时隙到下一个时隙队列积压的变化程度，定义条件李雅普诺夫漂移(ConditionalLyapunov Drift)为
Figure BDA0002413627820000162
根据李雅普诺夫优化理论，本实施例引入漂移惩罚函数方法用以权衡用户的卸载收益和时延之间的关系，同时，为了满足用户队列积压稳定性的同时最大化其卸载收益，需要最小化漂移惩罚函数
Figure BDA0002413627820000163
的上界。其中，Vi是一个非负可控参数，通过控制参数Vi可以对mi队列积压长度和卸载收益进行折中。通过如下定理可以获得漂移惩罚表达式的上界。其中，Δ(Qi,t)表示mi任务队列各个时隙内的条件李雅普诺夫漂移函数；
Figure BDA0002413627820000164
表示在时隙t观测到队列积压Qi,t的条件下，用户卸载收益Ui,t的期望。
定理1：
Figure BDA0002413627820000165
其中，
Figure BDA0002413627820000166
Figure BDA0002413627820000167
表示在时隙t中mi能传输的最大任务量。
根据定理1中的漂移惩罚函数，结合机会主义最小化期望值的理论，可得到用户终端在确定性网络环境下的最大化收益模型：
Figure BDA0002413627820000168
Figure BDA0002413627820000169
Figure BDA00024136278200001610
其中，mi在时隙t内向MEC服务器购买计算资源获得的收益
Figure BDA00024136278200001611
mi在时隙t内卸载到nj的任务量
Figure BDA00024136278200001612
mi在时隙t内卸载任务到nj可获得的效用uij,t＝αilog(1+bij,t)，fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间
Figure BDA00024136278200001613
τ表示一个时隙的长度，mi在时隙t内卸载任务到nj的支付成本
Figure BDA00024136278200001614
pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj的数据通信成本
Figure BDA0002413627820000171
mi在时隙t内卸载任务到nj的任务上传时间
Figure BDA0002413627820000172
Figure BDA0002413627820000173
表示mi在时隙t内卸载任务到nj的云端排队等待时间，Qi,t表示mi在时隙t内的任务队列积压，mi在时隙t内卸载的总任务量
Figure BDA0002413627820000174
确定性网络环境下卖方/MEC服务器博弈模型：对于作为卖方的MEC服务器，用户将任务卸载到MEC服务器，并根据MEC服务器的报价支付一定的费用，MEC服务器通过确定最优的卖价来最大化自身的收益，用户终端向MEC服务器购买计算资源进行任务卸载MEC服务器可获得的收益为
Figure BDA0002413627820000175
基于上述用户支付成本模型和云端计算能耗成本模型，可得到MEC服务器在确定性网络环境下的最大化收益模型：
Figure BDA0002413627820000176
Figure BDA0002413627820000177
其中，mi在时隙t内卸载任务到nj的支付成本
Figure BDA0002413627820000178
pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj所产生的计算能耗成本
Figure BDA0002413627820000179
fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间
Figure BDA00024136278200001710
τ表示一个时隙的长度，
Figure BDA00024136278200001711
表示mi在时隙t内卸载任务到nj的云端排队等待时间，
Figure BDA00024136278200001712
表示mi在时隙t内单位时间内购买的单位计算频率资源对应的成本价格，为了保证MEC服务器收益的非负性，令
Figure BDA00024136278200001713
时所得的价格为其成本价格，通过计算可得
Figure BDA00024136278200001714
云端排队等待时间不确定性分析：假设MEC服务器队列等待时间服从一种概率分布，定义Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，令
Figure BDA00024136278200001715
为该个体场景中的一个实现，定义
Figure BDA00024136278200001716
表示实现为
Figure BDA00024136278200001717
的概率。特别地，令Ωi0,t＝0表示本地计算等待时间的场景空间为零，这是由于用户在时隙t开始时做出卸载决策，分配到本地处理的任务将立即进行计算，因此，本地计算时不需要排队等待。
在确定性买卖双方博弈模型分析中，云端队列排队时延是已知的。然而，在实际MEC-IoT网络中，由于MEC服务器任务到达的随机性，云端的队列排队时延是不确定的，并且很难得到其准确预测值。当云端实际排队等待时间大于预测值时，将会导致任务卸载失败。因此，考虑云端排队时延的不确定性，本实施例利用多阶段带补偿随机规划，将确定性买卖博弈扩展为随机买卖博弈。
对买方(用户终端)，mi在时隙t内可将任务卸载到连接范围内的所有MEC服务器。令Ωi,t表示所有MEC服务器对mi的排队等待时间的组合场景空间，可表示为Cartesian乘积
Figure BDA0002413627820000181
对卖方(MEC服务器)，nj在时隙t内可同时接收所有用户的任务，并基于先进先出(First Input First Output,FIFO)准则将到达的任务缓存到云端队列中等待计算。令Ωj,t表示nj对所有用户的排队等待时间的组合场景空间，可表示为Cartesian乘积
Figure BDA0002413627820000182
两阶段随机博弈模型：对买方(用户终端)，定义
Figure BDA0002413627820000183
表示Ωi,t的一个组合实现，
Figure BDA0002413627820000184
表示组合实现为ωi,t的概率。则用户终端在确定性网络环境下的最大化收益模型可以转化为如下两阶段随机规划模型：
Figure BDA0002413627820000185
Figure BDA0002413627820000186
Figure BDA0002413627820000187
Figure BDA0002413627820000188
表示在
Figure BDA0002413627820000189
条件下mi在时隙t内向MEC服务器购买计算资源获得的收益，
Figure BDA00024136278200001810
表示在
Figure BDA00024136278200001811
条件下mi在时隙t内卸载到nj的任务量。
对卖方(MEC服务器)，定义
Figure BDA0002413627820000191
表示Ωj,t的一个组合实现，
Figure BDA0002413627820000192
表示组合实现为ωj,t的概率。则MEC服务器在确定性网络环境下的最大化收益模型可以转换为如下两阶段随机规划模型：
Figure BDA0002413627820000193
Figure BDA0002413627820000194
其中，
Figure BDA0002413627820000195
表示在
Figure BDA0002413627820000196
条件下mi在时隙t内卸载任务到nj的支付成本，
Figure BDA0002413627820000197
表示在
Figure BDA0002413627820000198
条件下mi在时隙t内卸载任务到nj所产生的计算能耗成本。
在两阶段随机博弈模型中，买卖双方的最优策略只在时隙t开始时执行一次，为了更精确的捕捉云端排队时间的信息，将两阶段随机规划扩展为多阶段随机规划。在多阶段随机规划模型中，将时隙t划分为l个子时隙，定义tk为第k个子时隙。所以可以将上述变量下标i,t、j,t和ij,t分别变为i,tk、j,tk和ij,tk，表示此变量在子时隙tk下的状态。
对买方(用户终端)，多阶段随机规划模型为：
Figure BDA0002413627820000199
Figure BDA00024136278200001910
Figure BDA00024136278200001911
对卖方(MEC服务器)，多阶段随机规划模型为：
Figure BDA00024136278200001912
Figure BDA0002413627820000201
其中，
Figure BDA0002413627820000202
表示条件期望运算。在多阶段随机规划中，买卖双方将基于第k-1阶段的决策做出第k阶段的决策。
如图2所示，为了求解买卖双方的最优策略，通过构造场景树模型，将用户终端在不确定性网络环境下的多阶段随机规划模型和MEC服务器在不确定网络环境下的多阶段随机规划模型分别转变为用户终端的多阶段确定性最大化收益模型和MEC服务器的多阶段确定性最大化收益模型。场景树可以看作
Figure BDA0002413627820000203
在所有子时隙的实现过程。根节点与第1阶段的初始决策相关，买卖双方首先基于云端平均排队等待时间，分别在第1阶段做出初始卸载决策
Figure BDA0002413627820000204
和
Figure BDA0002413627820000205
从第2阶段到第l阶段，每个节点都有三个分支，这些分支表示MEC服务器对用户的不确定性排队等待时间的三个实现
Figure BDA0002413627820000206
在多阶段随机规划中，买卖双方将基于第k-1阶段的决策做出第k阶段的决策，其中，k∈{2,3,...l}。
令
Figure BDA0002413627820000207
表示nj对mi在时隙t内所有子时隙云端队列等待时间的组合场景空间，定义sij,t∈Sij,t表示Sij,t的一个场景实现，P(sij,t)表示实现为sij,t的概率。如图2所示，从根节点到叶节点的唯一路径为一个场景实现，共有3l个场景实现。
对买方(用户终端)：令
Figure BDA0002413627820000208
表示所有MEC服务器在时隙t内对mi的所有子时隙云端队列等待时间的组合场景空间，定义si,t∈Si,t表示Si,t的一个实现，P(si,t)表示实现为si,t的概率。通过构造场景树，不确定性网络环境下基于多阶段随机规划的用户最大化收益问题可转变等价的确定性模型如下：
Figure BDA0002413627820000209
Figure BDA00024136278200002010
Figure BDA0002413627820000211
将各参数代入后上述用户终端多阶段确定性最大化收益模型即为：
Figure BDA0002413627820000212
Figure BDA0002413627820000213
Figure BDA0002413627820000214
对卖方(MEC服务器)：令
Figure BDA0002413627820000215
表示nj对所有用户在时隙t内的所有子时隙云端队列等待时间的组合场景空间，定义sj,t∈Sj,t表示Sj,t的一个实现，P(sj,t)表示实现为sj,t的概率。通过构造场景树，不确定性网络环境下基于多阶段随机规划的MEC服务器最大化收益问题可转变等价的确定性模型如下：
Figure BDA0002413627820000216
Figure BDA0002413627820000217
将各参数代入后上述MEC服务器多阶段确定性最大化收益模型即为：
Figure BDA0002413627820000218
Figure BDA0002413627820000219
在多阶段带补偿随机规划中，买卖双方在每个决策阶段考虑了所有可能的结果，并且能够采取追索权行动(Recourse Actions)来补偿MSs云端排队时间的不准确预测。
买方(用户终端)最优策略分析：用户为了最大化自身收益，会根据控制参数Vi、队列积压Qi,t及卖方(MSs)的报价等状态信息决定购买策略。对用户终端的多阶段确定性最大化收益模型求二次导可得
Figure BDA0002413627820000221
因此
Figure BDA0002413627820000222
是关于fij,t的凸函数。又因为该模型的各个约束条件是仿射函数，因此买方优化问题可以利用拉格朗日乘子法求解，定义拉格朗日函数为：
Figure BDA0002413627820000223
νj、υj以及μ为对应约束条件的约束系数，ν、υ以及μ分别表示各自对应的约束系数νj、υj以及μ组成的集合。
利用KKT(Karush-Kuhn-Tucker)条件求解上式，可求得最优购买策略
Figure BDA0002413627820000224
Figure BDA0002413627820000225
表示在时隙t内用户mi选择购买MEC服务器nj的最优计算资源，其中，
Figure BDA0002413627820000226
Figure BDA0002413627820000227
以及μ*表示最优约束系数值，因此，用户向MEC服务器的最优卸载任务量策略为
Figure BDA0002413627820000228
卖方(MEC服务器)最优策略分析：对MEC服务器，单位计算频率资源报价越高，收益就会越高。然而对于用户，就要付出更大的成本从MEC服务器购买资源，显然，随着卖方报价的逐渐增大，买方购买计算资源的意愿将会降低，转而购买其他报价较低的服务器的计算资源。因此卖方存在一个最优的报价使得买卖双方的收益都能达到最优，将买方求解出的最优购买策略代入MEC服务器的多阶段确定性最大化收益模型可得：
Figure BDA0002413627820000229
其中，
Figure BDA00024136278200002210
同样的，MEC服务器nj的收益是关于pij,t的凸函数，且MEC服务器等价的确定性最大化收益模型中的约束条件是仿射函数，因此，卖方优化问题可以运用拉格朗日乘子法来求解，构造拉格朗日函数为：
Figure BDA0002413627820000231
用KKT条件求解上式，可求得MEC服务器最优报价策略
Figure BDA0002413627820000232
当卖方的报价pij,t固定时，如果满足
Figure BDA0002413627820000233
同时，当买方的计算资源fij,t固定时，如果满足
Figure BDA0002413627820000234
那么，
Figure BDA0002413627820000235
也即是用户终端(买方)最优计算资源购买策略
Figure BDA0002413627820000236
以及MEC服务器(卖方)最优报价策略
Figure BDA0002413627820000237
满足斯坦科尔伯格均衡解
Figure BDA0002413627820000238
和
Figure BDA0002413627820000239
由于所述用户最大化收益函数
Figure BDA00024136278200002310
是关于fij,t的凸函数，即满足条件
Figure BDA00024136278200002311
同时所述MEC服务器最大化收益函数
Figure BDA00024136278200002312
是关于pij,t的凸函数，即满足条件
Figure BDA00024136278200002313
因此所述买卖双方最优策略满足
Figure BDA00024136278200002314
图3为本实施例提供的移动边缘计算中不确定性环境下的动态任务卸载方法的一个可选的具体流程示意图。
为验证本实施例提供方法的有效性，进行了相关仿真实验，图4给出了本发明中用户终端任务卸载成功率仿真图，具体仿真参数如为：用户数M＝1，MEC服务器数N＝2，α＝2，σ＝0.06，κl＝10-6，κj＝10-7，τ＝5s，λ＝100Mbit/s，MEC服务器排队等待时间分别为服从平均值为1.5s和2s的指数分布，可能的云端排队等待时间的个体场景空间大小为10。定义若最优卸载任务量在实际网络环境下不能在一个时隙内处理完成，则表示任务卸载失败。特别地，阶段数为1时，用户将基于平均云端排队等待时间进行任务卸载，从图4中可以看出，随着阶段数的增加，卸载的成功率随之增加，因此，本实施例提供的方法能在不确定性网络环境下有效提高任务卸载的成功率。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (3)

1.一种移动边缘计算中不确定性环境下的动态任务卸载方法，其特征在于，包括以下步骤：
S1：用户终端在接收到卸载任务请求时基于该用户终端的多阶段确定性最大化收益模型计算出各个子时隙内用户终端向移动边缘计算MEC服务器购买计算频率资源的最优购买策略，并根据该最优购买策略计算各个子时隙内用户终端向MEC服务器卸载的最优任务量；所述用户终端的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下用户终端的多阶段随机规划模型进行等价转化得到的模型，所述不确定性网络环境下用户终端的多阶段随机规划模型为对基于李雅普诺夫理论建立的用户终端在确定性网络环境下的最大化收益模型进行转化得到；
所述用户终端的多阶段确定性最大化收益模型为按照以下方式进行计算、转化得到的模型：
S11：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；
S12：针对用户终端侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载用户终端可获得的用户终端收益；
S13：利用李雅普诺夫理论基于所述用户终端收益建立出用户终端在确定性网络环境下的最大化收益模型；
S14：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将用户终端在确定性网络环境下的最大化收益模型转化为用户终端在不确定性网络环境下的两阶段随机规划模型；
S15：将时隙t划分为l个子时隙从而将用户终端的两阶段随机规划模型扩展转化为用户终端在不确定性网络环境下的多阶段随机规划模型；
S16：通过构造场景树将用户终端在不确定性网络环境下的多阶段随机规划模型等价转化为用户终端的多阶段确定性最大化收益模型；
所述用户终端的多阶段确定性最大化收益模型为：
Figure FDA0004144355750000021
Figure FDA0004144355750000022
Figure FDA0004144355750000023
其中，tk表示时隙t的第k个子时隙，k∈{1,2,...,l},l表示一个时隙划分的子时隙个数，
Figure FDA0004144355750000024
表示在子时隙tk内nj分配给用户终端mi的CPU频率，mi表示第i个用户终端，当j＝0时，与j相关参数表示用户终端本地处理的参数，当j≠0时，nj表示第j个MEC服务器，Vi表示mi对应的李雅普诺夫优化算法控制参数，αi表示mi的任务卸载权重系数，τk表示第k个子时隙的长度，Li表示mi处理单位bit任务所需要的CPU周期数，Bij表示mi和nj之间的通信带宽，
Figure FDA0004144355750000025
表示mi在子时隙tk内单位时间内向nj购买单位计算频率资源的支付价格，σi表示mi在单位时间内的通信成本权重系数，
Figure FDA0004144355750000026
表示mi在子时隙tk内的任务队列积压，
Figure FDA0004144355750000027
Figure FDA0004144355750000028
表示mi在子时隙tk内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，
Figure FDA0004144355750000029
表示mi在子时隙tk内卸载任务到nj的云端排队等待时间，
Figure FDA00041443557500000210
Figure FDA00041443557500000211
表示所有MEC服务器在子时隙tk内对mi的云端排队等待时间的组合场景空间，Si,t表示所有MEC服务器在时隙t内对mi的所有子时隙云端排队等待时间的组合场景空间，P(si,t)表示实现为si,t的概率，si,t∈Si,t表示Si,t的一个实现，
Figure FDA00041443557500000212
表示实现为si,t时，mi在子时隙tk内向nj购买的计算频率资源，M表示请求卸载任务的用户终端数，N表示MEC服务器的数量，
Figure FDA00041443557500000213
表示nj的最小CPU频率，
Figure FDA00041443557500000214
表示nj的最大CPU频率；
基于该用户终端的多阶段确定性最大化收益模型，利用拉格朗日乘子法和KKT条件计算出各个子时隙内用户终端向MEC服务器购买计算频率资源的最优购买策略，从而计算各个子时隙内用户终端向MEC服务器卸载的最优任务量；
S2：基于用户终端的最优购买策略，利用MEC服务器的多阶段确定性最大化收益模型计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略；所述MEC服务器的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下MEC服务器的多阶段随机规划模型进行等价转化得到的模型，所述不确定性网络环境下MEC服务器的多阶段随机规划模型为对建立的MEC服务器在确定性网络环境下的最大化收益模型进行转化得到；
所述MEC服务器的多阶段确定性最大化收益模型为按照以下方式进行计算、转化得到的模型：
S21：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；
S22：针对MEC服务器侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载MEC服务器可获得的收益；
S23：基于所述MEC服务器可获得的收益建立出MEC服务器在确定性网络环境下的最大化收益模型；
S24：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将MEC服务器在确定性网络环境下的最大化收益模型转化为MEC服务器在不确定性网络环境下的两阶段随机规划模型；
S25：将时隙t划分为l个子时隙从而将MEC服务器在不确定性网络环境下的两阶段随机规划模型扩展为MEC服务器在不确定性网络环境下的多阶段随机规划模型；
S26：通过构造场景树将MEC服务器的多阶段随机规划模型转化为MEC服务器的多阶段确定性最大化收益模型；
所述MEC服务器的多阶段确定性最大化收益模型为：
Figure FDA0004144355750000041
Figure FDA0004144355750000042
其中，
Figure FDA0004144355750000043
表示在时隙t内nj的收益，
Figure FDA0004144355750000044
Figure FDA0004144355750000045
表示所有用户终端在子时隙tk内卸载任务到nj的云端排队等待时间的组合场景空间，
Figure FDA0004144355750000046
表示nj计算能耗的权重系数，κj表示与nj芯片架构相关的有效能量系数，Sj,t表示所有用户终端在时隙t内卸载任务到nj的所有子时隙云端排队等待时间的组合场景空间，P(sj,t)表示实现为sj,t的概率，sj,t∈Sj,t表示Sj,t的一个实现，
Figure FDA0004144355750000047
表示实现为sj,t时，nj在子时隙tk内对mi的报价，
Figure FDA0004144355750000048
表示mi在子时隙tk内单位时间内购买的单位计算频率资源对应的成本价格；
基于MEC服务器的多阶段确定性最大化收益模型和用户终端的最优购买策略，利用拉格朗日乘子法和KKT条件计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略；
S3：在确定所述用户终端向MEC服务器购买计算频率资源的最优购买策略以及MEC服务器的最优报价策略满足斯坦科尔伯格均衡解时，所述用户终端按照所述最优任务卸载量向MEC服务器卸载任务。
2.如权利要求1所述的移动边缘计算中不确定性环境下的动态任务卸载方法，其特征在于，步骤S13中建立得到的用户终端的最大化收益模型为：
Figure FDA0004144355750000049
Figure FDA00041443557500000410
Figure FDA00041443557500000411
其中，mi在时隙t内向MEC服务器购买计算资源获得的收益
Figure FDA0004144355750000051
mi在时隙t内卸载到nj的任务量
Figure FDA0004144355750000052
mi在时隙t内卸载任务到nj可获得的效用uij,t＝αilog(1+bij,t)，fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间
Figure FDA0004144355750000053
τ表示一个时隙的长度，mi在时隙t内卸载任务到nj的支付成本
Figure FDA0004144355750000054
pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj的数据通信成本
Figure FDA0004144355750000055
mi在时隙t内卸载任务到nj的任务上传时间
Figure FDA0004144355750000056
Figure FDA0004144355750000057
表示mi在时隙t内卸载任务到nj的云端排队等待时间，Qi,t表示mi在时隙t内的任务队列积压，mi在时隙t内卸载的总任务量
Figure FDA0004144355750000058
所述转化得到的用户终端的两阶段随机博弈模型为：
Figure FDA0004144355750000059
Figure FDA00041443557500000510
Figure FDA00041443557500000511
其中，
Figure FDA00041443557500000512
Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，Ωi,t表示所有MEC服务器对mi的云端排队等待时间的组合场景空间，
Figure FDA00041443557500000513
表示Ωi,t的一个组合实现，
Figure FDA00041443557500000514
表示组合实现为ωi,t的概率，
Figure FDA00041443557500000515
表示在
Figure FDA00041443557500000516
条件下mi在时隙t内向MEC服务器购买计算资源获得的收益，
Figure FDA00041443557500000517
表示在
Figure FDA00041443557500000518
条件下mi在时隙t内卸载到nj的任务量；
所述转化得到的用户终端在不确定性网络环境下的多阶段随机规划模型为：
Figure FDA0004144355750000061
Figure FDA0004144355750000062
Figure FDA0004144355750000063
其中，
Figure FDA0004144355750000064
表示条件期望运算。
3.如权利要求1所述的移动边缘计算中不确定性环境下的动态任务卸载方法，其特征在于，步骤S23中建立得到的MEC服务器的最大化收益模型为：
Figure FDA0004144355750000065
Figure FDA0004144355750000066
其中，mi在时隙t内卸载任务到nj的支付成本
Figure FDA0004144355750000067
pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj所产生的计算能耗成本
Figure FDA0004144355750000068
fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间
Figure FDA0004144355750000069
τ表示一个时隙的长度，
Figure FDA00041443557500000610
表示mi在时隙t内卸载任务到nj的云端排队等待时间，
Figure FDA00041443557500000611
表示mi在时隙t内单位时间内购买的单位计算频率资源对应的成本价格；
所述转化得到的MEC服务器的两阶段随机规划模型为：
Figure FDA00041443557500000612
Figure FDA00041443557500000613
其中，
Figure FDA00041443557500000614
Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，Ωj,t表示所有用户终端在时隙t内卸载任务到nj的云端排队等待时间的组合场景空间，
Figure FDA00041443557500000615
表示Ωj,t的一个组合实现，
Figure FDA0004144355750000071
表示组合实现为ωj,t的概率，
Figure FDA0004144355750000072
表示在
Figure FDA0004144355750000073
条件下mi在时隙t内卸载任务到nj的支付成本，
Figure FDA0004144355750000074
表示在
Figure FDA0004144355750000075
条件下mi在时隙t内卸载任务到nj所产生的计算能耗成本；
所述转化得到的用户终端在不确定性网络环境下的多阶段随机规划模型为：
Figure FDA0004144355750000076
Figure FDA0004144355750000077
其中，
Figure FDA0004144355750000078
表示条件期望运算。
CN202010184385.7A 2020-03-17 2020-03-17 一种移动边缘计算中不确定性环境下的动态任务卸载方法 Active CN111401744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010184385.7A CN111401744B (zh) 2020-03-17 2020-03-17 一种移动边缘计算中不确定性环境下的动态任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010184385.7A CN111401744B (zh) 2020-03-17 2020-03-17 一种移动边缘计算中不确定性环境下的动态任务卸载方法

Publications (2)

Publication Number Publication Date
CN111401744A CN111401744A (zh) 2020-07-10
CN111401744B true CN111401744B (zh) 2023-04-28

Family

ID=71428923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010184385.7A Active CN111401744B (zh) 2020-03-17 2020-03-17 一种移动边缘计算中不确定性环境下的动态任务卸载方法

Country Status (1)

Country Link
CN (1) CN111401744B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111885147A (zh) * 2020-07-20 2020-11-03 兰州理工大学 边缘计算中的一种资源动态定价方法
CN112264309B (zh) * 2020-09-30 2022-12-27 北京京东振世信息技术有限公司 包裹分拣方法、服务器及存储介质
CN113114733B (zh) * 2021-03-24 2022-07-08 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113282368B (zh) * 2021-05-25 2023-03-28 国网湖北省电力有限公司检修公司 一种用于变电站巡视的边缘计算资源调度方法
CN113242568B (zh) * 2021-06-08 2022-05-03 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN113613261B (zh) * 2021-08-23 2022-07-01 南京航空航天大学 基于合作队列博弈的边缘计算网络中的任务卸载分配方法
CN113810233B (zh) * 2021-09-17 2022-10-18 重庆邮电大学 一种在随机网络中基于算网协同的分布式计算卸载方法
CN114363338B (zh) * 2022-01-07 2023-01-31 山东大学 一种基于竞争合作平均场博弈的多址接入边缘计算网络任务卸载策略的优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN108009024A (zh) * 2017-11-30 2018-05-08 重庆邮电大学 Ad-hoc云环境中分布式博弈任务卸载方法
CN110099384A (zh) * 2019-04-25 2019-08-06 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载系统与方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10924363B2 (en) * 2018-04-13 2021-02-16 The Curators Of The University Of Missouri Method and system for secure resource management utilizing blockchain and smart contracts

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN108009024A (zh) * 2017-11-30 2018-05-08 重庆邮电大学 Ad-hoc云环境中分布式博弈任务卸载方法
CN110099384A (zh) * 2019-04-25 2019-08-06 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载系统与方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
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.电子与信息学报.2018,(11),全文. *
张海波等著.车辆异构网中基于移动边缘计算的任务卸载与资源分配.物联网学报.2018,第36-43页. *

Also Published As

Publication number Publication date
CN111401744A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401744B (zh) 一种移动边缘计算中不确定性环境下的动态任务卸载方法
CN111163521B (zh) 移动边缘计算中一种分布式异构环境下的资源分配方法
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN111163519A (zh) 系统收益最大化的无线体域网资源分配与任务卸载算法
CN111641973B (zh) 一种雾计算网络中基于雾节点协作的负载均衡方法
CN113810233B (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
US11956307B1 (en) Distributed task offloading and computing resources management method based on energy harvesting
CN111262944B (zh) 异构移动边缘计算网络中分层任务卸载的方法与系统
CN113254095B (zh) 云边结合平台的任务卸载、调度与负载均衡系统、方法
CN113452566A (zh) 一种云边端协同资源管理方法及系统
CN116489708B (zh) 面向元宇宙的云边端协同的移动边缘计算任务卸载方法
Li et al. Computation offloading and service allocation in mobile edge computing
He et al. Intent-based resource matching strategy in cloud
CN116366576A (zh) 算力网络资源调度方法、装置、设备及介质
Sahoo et al. An auction based edge resource allocation mechanism for IoT-enabled smart cities
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
CN112822707B (zh) 一种计算资源有限mec中任务卸载与资源分配方法
CN113778675A (zh) 一种基于面向区块链网络的计算任务分配系统及方法
CN112817741A (zh) 一种边缘计算的dnn任务控制方法
CN113553188A (zh) 一种基于改进天牛须算法的移动边缘计算卸载方法
CN113747504A (zh) 多接入边缘计算联合任务卸载和资源分配的方法及系统
Liu et al. Resource allocation strategy based on improved auction algorithm in mobile edge computing environment
Joshi et al. Online Task Allocation and Scheduling in Fog IoT using Virtual Bidding
Wu et al. Collaborative computing based on truthful online auction mechanism in internet of things
CN113259159B (zh) 一种农业物联网任务统筹方法及系统

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