CN111526526A - 基于服务混搭的移动边缘计算中的任务卸载方法 - Google Patents

Abstract

本发明公开了一种基于服务混搭的移动边缘计算中的任务卸载方法，基于服务的MEC网络，在网络中考虑了本地卸载和MEC服务器卸载两种卸载方式，构建了用户侧工作负载目标函数，即时延和能耗的权重之和，并在问题中同时考虑到服务器侧的最大服务数和最大计算资源的约束，通过分布式延迟接受算法，本发明减少了用户侧的工作负载，并且分布式的算法使得系统的稳定性也得到了提升。

Description

基于服务混搭的移动边缘计算中的任务卸载方法

技术领域

本发明涉及移动边缘技术领域，尤其是一种基于服务混搭的移动边缘计算中的任务卸载方法。

背景技术

随着用户设备的海量增长，用户设备(User Equipments，UEs)正经历着严重的网络阻塞。在面对海量任务时，虽然位于核心网侧的云计算拥有庞大的计算和存储资源，但面对用户的时延敏感型任务时，其冗长的回程链路传输时间难以满足用户的QoS体验。作为一种新的计算范式，移动边缘计算(Mobile Edge Computing，MEC)作为云计算的延申，其在网络边缘侧为用户提供IT云服务的功能越来越受到学术界和工业界的关注。MEC作为一个新兴的概念，其中一个重要的研究领域是用户任务的卸载问题，即用户是否将任务进行卸载的问题，另一个问题是卸载多少任务的问题。

发明内容

本发明所要解决的技术问题在于，提供一种基于服务混搭的移动边缘计算中的任务卸载方法，减少了用户侧的工作负载，并且分布式的算法使得系统的稳定性也得到了提升。

为解决上述技术问题，本发明提供一种基于服务混搭的移动边缘计算中的任务卸载方法，包括如下步骤：

(1)对于MEC网络，每个UEi向本网络中的所有MEC服务器广播请求服务类型m、通信数据大小D_i以及请求计算资源F_i，然后每个MEC服务器k向所有UE广播自身部署的服务类型集合I_k以及对应服务类型所能提供的计算资源，这样所有UE都能建立对应自身请求类型m的有效MEC服务器集合I_m；

(2)根据PF_UE,i和PF_server,k建立UE和MEC服务器的有序偏好选择集合；

(3)每个UE向对应PF_UE,i中的第一个元素对一个MEC服务器k发送卸载请求，如果k＝0，该用户直接被本地计算模式预录取，如果k>0，则选择向MEC服务器k发送任务请求；

(4)对于每一个MEC服务器k，它根据自身的偏好列表PF_server.k从高到低预录取请求的UE，知道所有接入资源或服务资源被占用完全，最后拒绝其他未被预录取的UE,向被拒绝的UE发送1比特的预录取结果；

(5)对于收到未预录取的所有UE，根据自身的偏好列表向下一个MEC服务器发送任务请求；

(6)每个MEC服务器k根据将当前收到服务请求UE集合与预录取UE集合合并组成新的服务请求UE集合，然后根据自身偏好列表PF_server.k从高到低重新选择预录取UE直到所有接入资源或服务资源被占用完全，最后拒绝新的服务请求UE集合中其他未被预录取的UE，向被拒绝的UE发送1比特的预录取结果；

(7)重复步骤(5)-(6)，直到所有用户被预录取，此时所有MEC服务器和本地计算中被预录取的UE成为最终录取对象，立刻执行该UE的服务请求任务，算法执行完毕。

优选的，步骤(2)中，UE有序偏好集合PF_UE,i中具体构成元素包括

其中I_m为UEi请求服务类型m的部署MEC服务器集合，k＝0表示用户选择本地计算模式；对于PF_UE,i中的每一个元素P_UE(i,k)，其具体计算方式为

其中

和

分别为服务请求卸载能耗和服务请求完成总时间，

和

分别表示UEi传输能耗权重以及该服务请求完成总时间权重。

优选的，步骤(2)中，服务器有序偏好集合PF_server,k中具体构成元素包括

其中S_k为任务请求能够在该MEC服务器上有对应服务应用的UE集合，对于PF_server,k中的每一个元素P_server(k,i)，其具体计算方式为

其中

和

分别为UEi卸载任务到MEC服务器k的服务请求传输时间和服务请求计算时间，η和γ分别表示UEi的服务请求传输时间权重以及服务请求计算时间权重。

优选的，步骤(6)中，预录取机制在于每轮预录取完成后，MEC服务器的接入资源以及计算资源重新刷新，然后在下一轮的预录取中重新依照自身偏好列表进行选择。

本发明的有益效果为：本发明中基于服务的MEC网络，在网络中考虑了本地卸载和MEC服务器卸载两种卸载方式，构建了用户侧工作负载目标函数(即时延和能耗的权重之和)，并在问题中同时考虑到服务器侧的最大服务数和最大计算资源的约束，通过分布式延迟接受算法，本发明减少了用户侧的工作负载，并且分布式的算法使得系统的稳定性也得到了提升。

附图说明

图1为本发明应用服务混搭MEC网络模型示意图。

图2为本发明不同用户数量下不同算法的性能比较示意图。

图3为本发明MEC网络中具有不同MEC服务器数量下DAOA算法的性能示意图。

图4为本发明不同能耗权重下不同算法的性能比较示意图。

具体实施方式

针对现有在MEC卸载研究问题中将移动边缘服务器同质化的情况，本发明提出一种异构服务器场景下的MEC网络，考虑服务混搭场景下移动边缘计算中的用户任务卸载问题。即我们考虑贴近实际场景下的不同MEC服务器由于设备制造商和服务运营商的差异导致其部署应用类型的差异，此外，面对用户相同的任务请求，不同MEC服务器能够提供的计算资源也由于MEC服务器平台和架构间的差异而不同。为上述MEC场景中的用户卸载问题，本发明基于一种分布式的算法，对用户和服务器分别设置偏好度进行匹配，最终实现用户侧卸载问题的性能提升。

本发明基于服务混合的的MEC网络，并且考虑上行通信无其它用户干扰场景下的多MEC服务器-多用户中的卸载问题。本发明以用户的工作负载，即用户侧加权的能耗和时延之和最为系统优化目标，并同时考虑MEC服务器的最大接入数和最大可利用计算资源约束。基于本地计算以及任务全卸载两种模式下的卸载方式，相较于传统算法，本发明通过一种延迟接受算法实现用户侧工作负载的降低。

基于混合服务的移动边缘计算中计算卸载方式包括用户任务本地卸载和任务卸载到MEC边缘服务器两种模式。本发明考虑一个服务的多用户多MEC服务器网络。如图1所示，我们考虑网络内含用户集合为Ν＝{1,2,...,N}，移动边缘服务器集合为K＝{1,2,...,K}。同时我们考虑MEC网络中的服务应用集合为M＝{1,2,...,M}。对于每一个用户i∈N，它都拥有一个服务请求可以表示为

L_i＝(m,D_i,F_i) (1)

其中m∈M表示该用户请求应用类型，D_i表示该用户请求上传到MEC服务器的所需通信量大小(单位：比特)，F_i表示计算该用户请求的所需的计算资源(单位：cycle)。

在本发明中，由于MEC服务器的异构型，我们考虑某MEC服务器上只能包含有限的服务应用，我们将MEC服务器k上部署的服务集合表示为

类似的，我们将服务应用m在MEC服务器上部署的集合表示为

同时在本发明中我们约定，对于一个服务应用m，它在一个服务器上只能被部署一次；对于用户的服务请求m，该请求只能在本地计算或者在部署了对应服务应用m的服务器上计算。

接下来根据本发明的两种卸载方式-本地计算以及在MEC服务器计算，分别介绍其能耗和延迟数学模型。

(1)本地计算模型

如果UEi决定将服务请求在本地计算，则本地计算时延可以表示为

其中f_i ^loc表示用户设备所能提供的最大计算资源(单位：CPU cycles/s)。此时本地计算功率可以表示为

其中k_i表示有关CPU的有效转变电容(单位：W/(cycles/s)^3)，μ_i与服务器芯片架构有关，一般被设置为3。此时本地计算模型中的UE能耗可以表示为

(2)服务请求卸载计算

如果产生服务请求m的UEi决定将任务卸载到含有该服务应用的MEC服务器k，在不考虑UE之间干扰的情况下，比如采用OFDM，则UE到MEC的服务器之间的通信速率由香浓公式可得

其中B_ik表示UE到MEC服务器之间的通信带宽，P_i ^Tr表示UE的发送功率，h_ik表示UE与MEC服务器之间的信道增益，σ²表示MEC服务器接受侧的信道噪声功率。

在MEC网络中，用户的任务卸载时延主要包括用户上行传输时间、用户任务计算时间与结果下行传输时间构成，在本发明中考虑大多数应用计算后结果较小，因此下型传输时间可以忽略，因而用户服务请求中的卸载传输时间可以表示为

用户侧的数据传输能耗可以表示为

在考虑MEC异构服务器场景下，由与服务器平台算力和资源分配的差距，在面对一个用户的服务请求时m，部署服务应用的不同服务器可能对该请求分配不同的计算资源，记为

则用户服务请求m在MEC服务器k∈I_m的计算时间可以表示为

(3)用户设备工作负载模型

如果用户将人物卸载到边缘服务器，其卸载能耗即为用户传输能耗，卸载时间即为用户服务请求传输时间和任务请求计算时间，可以分别表示为

对于本发明中的用户服务请求卸载问题，我们用a_ik∈{0,1}表示UEi的卸载指示因子。对于UEi的服务请求类型m，如果a_ik＝1，则表示UE愿意将服务请求卸载到带有相关应用的MEC服务器上去。如果

则表示UE拒绝卸载而将在本地计算本服务请求。

由此可以得到在两种计算卸载模式下的UE能耗可以表示为

类似的两种计算卸载模式下的UE时延可以表示为

在本发明中我们考虑最小化UE的工作开销，即加权的UE能耗与加权的UE时延之和，可以表示为

其中

与

分别表示UE侧能耗与时延的权重因子。

最后，基于服务的MEC网络中的卸载问题表达如下：

其中(14b)与(14c)两个约束表示UE只能将用户卸载到部署了相应服务请求的MEC服务器上或者在本地进行计算。(14d)表示MEC服务器的计算资源约束，(14e)表示MEC服务器的最大请求接入数约束。

(4)分布式卸载算法

为解决本发明中的用户卸载问题，本发明采用基于大学择校问题中的盖尔沙普利算法也即延迟接受算法，首先介绍本算法中的几个概念，具体如下：

(4.1)UE的偏好选择

在本发明中，我们假定每个用户的服务请求m对可卸载MEC服务器具有偏好选择，具体指标为卸载到服务器上时UE的工作开销，具体表示为

特别的，本发明将UE对本地计算的偏好表达为k＝0时的UE本地计算开销。此时我们可以建立UEi服务请求m对所有可卸载MEC服务器的偏好列表，具体表示为

然后我们将偏好列表中元素以升序排序，得到最终的UEi的偏好列表PF_UE,i。

(4.2)MEC服务器的偏好选择

对与MEC服务器对于UE任务的偏好选择，我们以加权的任务传输时间以及加权的任务计算时间之和作为指标，具体表示为

其中，η和γ分别为通信数据传输时间与计算时间权重。与(16)类似，本发明建立MEC服务器k对所有可服务用户的偏好列表，具体表示为

其中S_k表示任务请求能够在该MEC服务器上有对应服务应用的UE集合。然后我们将PF_server,k中的元素以升序排序，得到最终的MEC服务器k的偏好列表。

(4.3)算法流程

本发明基于延迟接受算法(Deferred Acceptance Algorithm)来解决MEC网络中的卸载问题，具体算法流程如下：

Step1对于本发明中的MEC网络，每个UEi向本网络中的所有MEC服务器广播请求服务类型m、通信数据大小D_i以及请求计算资源F_i。然后每个MEC服务器k向所有UE广播自身部署的服务类型集合I_k以及对应服务类型所能提供的计算资源。这样所有UE都能建立对应自身请求类型m的有效MEC服务器集合I_m。

Step2根据公式(16)和(18)建立UE和MEC服务器的偏好选择集合。

Step3每个UE向对应PF_UE,i中的第一个元素对一个MEC服务器k发送卸载请求，如果k＝0，该用户直接被本地计算模式预录取。如果k>0，则选择向MEC服务器k发送任务请求。

Step4对于每一个MEC服务器k，它根据自身的偏好列表PF_server.k从高到低预录取请求的UE,知道所有接入资源或服务资源被占用完全(14d,14e)，最后拒绝其他未被预录取的UE,向被拒绝的UE发送1比特的预录取结果。

Step5对于收到未预录取的所有UE，根据自身的偏好列表向下一个MEC服务器发送任务请求。

Step6每个MEC服务器k根据将当前收到服务请求UE集合与预录取UE集合合并组成新的服务请求UE集合，然后根据自身偏好列表PF_server.k从高到低重新选择预录取UE直到所有接入资源或服务资源被占用完全(14d,14e)，最后拒绝新的服务请求UE集合中其他未被预录取的UE，向被拒绝的UE发送1比特的预录取结果。

Step7重复Step5-Step6，直到所有用户被预录取，此时所有MEC服务器和本地计算中被预录取的UE成为最终录取对象，立刻执行该UE的服务请求任务，算法执行完毕。

本发明研究基于延迟接受算法来解决服务MEC网络中的卸载问题，在本例中我们考虑用户MEC网络覆盖范围为半径为200m的圆形，UE均匀随机分布在网络中；MEC服务器数量K＝4，网络中的服务应用数量M＝5，每个MEC服务器随机部署2-4个服务应用，MEC服务器总的计算服从[40,80]GHz均匀分布；对于每个服务请求，MEC服务器能够分配的计算资源服从[4,6]GHz的均匀分布；UE服务请求从网络服务应用集合中产生，通信数据量大小服从[200,2000]Kb均匀分布，计算资源需求量大小服从[02,2]G cycels均匀分布，UE本地计算资源为1GHz；用户发射功率23dbm，噪声功率谱密度被设置为-174dbm/Hz，考虑网络总带宽资源为20MHz，器信道增益被设置为30.6+36.7log₁₀d_ik，其中d_ik为UE到MEC的距离；有效转变电容k_i＝10^-28W/(cycles/s)^3，μ_i＝3。具体步骤如下：

Step1对于本发明中的MEC网络，每个UEi向本网络中的所有MEC服务器广播请求服务类型m、通信数据大小D_i以及请求计算资源F_i。然后每个MEC服务器k向所有UE广播自身部署的服务类型集合I_k以及对应服务类型所能提供的计算资源。这样所有UE都能建立对应自身请求类型m的有效MEC服务器集合I_m。

Step2根据公式(16)和(18)建立UE和MEC服务器的偏好选择集合。

Step3每个UE向对应PF_UE,i中的第一个元素对一个MEC服务器k发送卸载请求，如果k＝0，该用户直接被本地计算模式预录取。如果k>0，则选择向MEC服务器k发送任务请求。

Step4对于每一个MEC服务器k，它根据自身的偏好列表PF_server.k从高到低预录取请求的UE，知道所有接入资源或服务资源被占用完全(14d,14e)，最后拒绝其他未被预录取的UE，向被拒绝的UE发送1比特的预录取结果。

Step5对于收到未预录取的所有UE，根据自身的偏好列表向下一个MEC服务器发送任务请求。

Step6每个MEC服务器k根据将当前收到服务请求UE集合与预录取UE集合合并组成新的服务请求UE集合，然后根据自身偏好列表PF_server.k从高到低重新选择预录取UE直到所有接入资源或服务资源被占用完全(14d,14e)，最后拒绝新的服务请求UE集合中其他未被预录取的UE，向被拒绝的UE发送1比特的预录取结果。

Step7重复Step5-Step6，直到所有用户被预录取，此时所有MEC服务器和本地计算中被预录取的UE成为最终录取对象，立刻执行该UE的服务请求任务。算法执行完毕。

本发明仿真了UE数量从20增长到100的服务的MEC网络，在图2中将本发明所提出延迟接受卸载算法(Deferred Acceptance Offloadong Algorithm,DAOA)与其他传统算法对比，其中EnergyGreedy表示用户执行能耗贪婪卸载策略，即选择能耗最低卸载方式；LatecyGreedy表示用户执行时延贪婪策略，即用户选择时延最低卸载方式；SchoolChoice表示采用择校算法策略，即用户根据自己偏好度发送请求，MEC服务器立即接受发送请求的卸载策略，本发明算法DAOA在服务的MEC网络中较其他算法在用户工作负载这一指标上取得了良好性能；在图3中本发明比较了MEC网络中覆盖不同数量服务器下的用户工作负载，发现服务器越多，用户侧工作负载也会逐渐降低；图4比较了不同能耗权重下的算法性能，仿真结果表明本发明DAOA算法对于服务的MEC异构网络中用户负载有较大性能改善。

Claims (4)

1.基于服务混搭的移动边缘计算中的任务卸载方法，其特征在于，包括如下步骤：

(1)对于MEC网络，每个UEi向本网络中的所有MEC服务器广播请求服务类型m、通信数据大小D_i以及请求计算资源F_i，然后每个MEC服务器k向所有UE广播自身部署的服务类型集合I_k以及对应服务类型所能提供的计算资源，这样所有UE都能建立对应自身请求类型m的有效MEC服务器集合I_m；

(2)根据PF_UE,i和PF_server,k建立UE和MEC服务器的有序偏好选择集合；

(3)每个UE向对应PF_UE,i中的第一个元素对一个MEC服务器k发送卸载请求，如果k＝0，该用户直接被本地计算模式预录取，如果k>0，则选择向MEC服务器k发送任务请求；

(4)对于每一个MEC服务器k，它根据自身的偏好列表PF_server.k从高到低预录取请求的UE，知道所有接入资源或服务资源被占用完全，最后拒绝其他未被预录取的UE,向被拒绝的UE发送1比特的预录取结果；

(5)对于收到未预录取的所有UE，根据自身的偏好列表向下一个MEC服务器发送任务请求；

(6)每个MEC服务器k根据将当前收到服务请求UE集合与预录取UE集合合并组成新的服务请求UE集合，然后根据自身偏好列表PF_server.k从高到低重新选择预录取UE直到所有接入资源或服务资源被占用完全，最后拒绝新的服务请求UE集合中其他未被预录取的UE，向被拒绝的UE发送1比特的预录取结果；

(7)重复步骤(5)-(6)，直到所有用户被预录取，此时所有MEC服务器和本地计算中被预录取的UE成为最终录取对象，立刻执行该UE的服务请求任务，算法执行完毕。

2.如权利要求1所述的基于服务混搭的移动边缘计算中的任务卸载方法，其特征在于，步骤(2)中，UE有序偏好集合PF_UE,i中具体构成元素包括

其中I_m为UEi请求服务类型m的部署MEC服务器集合，k＝0表示用户选择本地计算模式；对于PF_UE,i中的每一个元素P_UE(i,k)，其具体计算方式为

其中

和

分别为服务请求卸载能耗和服务请求完成总时间，λ_i ^e和

分别表示UEi传输能耗权重以及该服务请求完成总时间权重。

3.如权利要求1所述的基于服务混搭的移动边缘计算中的任务卸载方法，其特征在于，步骤(2)中，服务器有序偏好集合PF_server,k中具体构成元素包括

其中S_k为任务请求能够在该MEC服务器上有对应服务应用的UE集合，对于PF_server,k中的每一个元素P_server(k,i)，其具体计算方式为

其中

和

分别为UEi卸载任务到MEC服务器k的服务请求传输时间和服务请求计算时间，η和γ分别表示UEi的服务请求传输时间权重以及服务请求计算时间权重。

4.如权利要求1所述的基于服务混搭的移动边缘计算中的任务卸载方法，其特征在于，步骤(6)中，预录取机制在于每轮预录取完成后，MEC服务器的接入资源以及计算资源重新刷新，然后在下一轮的预录取中重新依照自身偏好列表进行选择。

Images