CN111601328A

CN111601328A - 一种移动边缘计算装置及方法

Info

Publication number: CN111601328A
Application number: CN202010412302.5A
Authority: CN
Inventors: 叶梓敬; 黄逸茗; 夏梓健; 刘博璇; 罗炜嘉; 王丰
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2020-05-15
Filing date: 2020-05-15
Publication date: 2020-08-28
Anticipated expiration: 2040-05-15
Also published as: CN111601328B

Abstract

本申请公开了一种移动边缘计算装置及方法，装置包括：移动边缘计算服务器，第三方计算设备以及本地设备；本地设备用于产生任务，对任务进行分解得到多个子任务，并将子任务发送至移动边缘计算服务器；第三方计算设备用于根据子任务的数量以及本地设备的数量计算出最优任务分配方案，将最优任务分配方案发送至移动边缘计算服务器；移动边缘计算服务器用于根据最优任务分配方案，将子任务发送至本地设备，使得本地设备对分配的子任务进行计算，并将计算结果发送至产生子任务的本地设备。本申请解决了现有技术的计算资源分配不均的缺点的技术问题。

Description

一种移动边缘计算装置及方法

技术领域

本申请涉及移动边缘计算技术领域，尤其涉及一种移动边缘计算装置及方法。

背景技术

随着社会科技发展，5G技术、新型物联网应用(如虚拟现实、远程医疗、智慧城市等)不断涌现，这些物联网应用强烈依赖于用户设备(如传感器、可穿戴设备、摄像头等)之间的高速数据交互和超低延时通信计算。然而，由于尺寸和重量的限制，这些物联网设备的计算性能和电池容量非常有限。为增强用户设备的计算性能和降低计算时延，移动边缘计算(MEC)技术应运而生。基于移动边缘计算技术，用户设备可通过无线链路将计算任务卸载至网络边缘，由移动边缘计算服务器远程代理计算，并随后将计算结果发送回用户设备。相比于传统的云计算，移动边缘计算可避免网络拥塞和多跳路由等不利效应，能够极大地降低计算时延，并节省用户设备的能量损耗。值得注意的是，在移动边缘计算系统中，如何调度用户的计算卸载，以及分配计算任务，是亟待解决的关键技术问题。

发明内容

本申请提供了一种移动边缘计算装置及方法，解决了现有技术的计算资源分配不均的缺点的技术问题。

有鉴于此，本申请第一方面提供了一种移动边缘计算装置，所述装置包括：移动边缘计算服务器，分别与所述移动边缘计算服务器相连的第三方计算设备以及本地设备；

所述本地设备用于产生任务，对所述任务进行分解得到多个子任务，并将所述子任务发送至所述移动边缘计算服务器；

所述第三方计算设备用于根据所述子任务的数量以及所述本地设备的数量计算出最优任务分配方案，将所述最优任务分配方案发送至所述移动边缘计算服务器；

所述移动边缘计算服务器用于根据所述最优任务分配方案，将所述子任务发送至所述本地设备，使得所述本地设备对分配的所述子任务进行计算，并将计算结果发送至产生所述子任务的所述本地设备。

可选的，所述本地设备包括：

分解单元，用于获取到的所述本地设备与所述移动边缘计算服务器的信道状态信息，以及所述本地设备产生的任务信息；根据所述信道状态信息以及所述任务信息设置阈值，将所述任务按照所述阈值分解成多个所述子任务。

可选的，所述移动边缘计算服务器还用于对分配给所述移动边缘计算服务器的所述子任务进行计算，并将计算结果发送至产生所述子任务的所述本地设备。

本申请第二方面提供一种移动边缘计算方法，所述方法包括：

获取本地设备发送的子任务以及第三方计算设备计算出的最优任务分配方案；

根据所述最优任务分配方案将所述子任务分配给所述本地设备和/或移动边缘计算服务器；

获取本地设备和/或移动边缘计算服务器对所述子任务的计算结果，将所述子任务的计算结果发送至对应的所述本地设备。

可选的，在所述获取本地设备发送的子任务以及第三方计算设备计算出的最优任务分配方案，之前还包括：

获取到的所述本地设备与所述移动边缘计算服务器的信道状态信息，以及所述本地设备产生的任务信息；根据所述信道状态信息以及所述任务信息设置阈值，将所述任务按照所述阈值分解成多个所述子任务。

采用遗传算法计算出所述最优任务分配方案。

可选的，在所述获取本地设备和/或移动边缘计算服务器对所述子任务的计算结果，将所述子任务的计算结果发送至对应的所述本地设备，之后还包括：

根据所述最优分配方案计算完成所有所述子任务的时间。

本申请第三方面提供一种第三方计算设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行如上述第二方面所述的一种移动边缘计算方法的步骤。

本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第二方面所述的方法。

本申请第五方面提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行上述第二方面所述的方法。

从以上技术方案可以看出，本申请具有以下优点：

本申请中，提供了一种移动边缘计算装置及方法，装置包括：移动边缘计算服务器，第三方计算设备以及本地设备；本地设备用于产生任务，对任务进行分解得到多个子任务，并将子任务发送至移动边缘计算服务器；第三方计算设备用于根据子任务的数量以及本地设备的数量计算出最优任务分配方案，将最优任务分配方案发送至移动边缘计算服务器；移动边缘计算服务器用于根据最优任务分配方案，将子任务发送至本地设备，使得本地设备对分配的子任务进行计算，并将计算结果发送至产生子任务的所述本地设备。本申请通过将任务进行分解成多个子任务，将所有本地设备分解后得到的子任务按照计算得到的最优任务分配方案合理分配给相应的本地设备，即可以将较多的子任务分配给计算资源丰富的本地设备，将较少的子任务分配给计算资源少的本地设备，使得计算资源能够被合理利用，同时也降低的计算任务总耗时。

附图说明

图1为本申请一种移动边缘计算装置的一个实施例的装置结构图；

图2为本申请一种移动边缘计算方法的一个实施例的方法流程图；

图3为本申请一种移动边缘计算方法的另一个实施例的方法流程图；

图4为本申请中采用遗传算法计算出最优任务分配方案的一个实施例的方法流程图；

图5为本申请中采用遗传算法中的交叉操作的示意图；

图6为本申请中采用遗传算法中交叉操作之后将子任务多余的操作编程任务缺失的操作示意图；

图7为本申请中采用遗传算法中的变异操作的示意图；

图8为采用本申请方法与采用基准方法在不同的迭代次数下完成计算任务所花费的总时间对比仿真图；

图9为采用本申请方法与采用基准方法在随着本地设备数量增加时，完成计算任务所花费的总时间的对比仿真图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请一种移动边缘计算装置的一个实施例的装置结构图，如图1所示，图1中包括：移动边缘计算服务器103，第三方计算设备102以及本地设备101。

本地设备101用于产生任务，对任务进行分解得到多个子任务，并将子任务发送至移动边缘计算服务器103。

需要说明的是，本地设备101可以是用户终端设备，包括手机、笔记本、主机等。本地设备101可以具有产生任务、计算任务、分解任务以及传输任务的功能。具体的，其分解任务的功能具体为：当所有的本地设备产生任务时，由于有的本地设备101与移动边缘计算服务器103之间信道状态信息显示处于空闲状态，即产生任务的数据量较小；而有的本地设备与移动边缘计算服务器103之间信道状态信息显示处于繁忙状态，即产生的任务量较大；那么可以根据本地设备101的数量以及本地设备产生的任务数据量设置相应的阈值，使得分解后的子任务能够达到满足预设的要求，使得产生的子任务数量能够满足后续计算最优任务分配方案的要求。

在一种具体的实施方式中，可以获取到的本地设备101与移动边缘计算服务器103的信道状态信息(即获取本地设备繁忙或者空闲状态)，以及本地设备产生的任务信息(即获取任务的数据量信息)；根据信道状态信息以及任务信息设置阈值，将任务按照阈值分解成多个子任务。

第三方计算设备102用于根据子任务的数量以及本地设备101的数量计算出最优任务分配方案，将最优任务分配方案发送至移动边缘计算服务器103。

需要说明的是，第三方计算设备102可以根据本地设备101分解后得到的子任务数量以及本地设备101的数量，还可以包括移动边缘计算服务器103的数量，计算出最优任务分配方案，使得子任务能够被合理分配给本地设备101和/或移动边缘计算服务器103。具体的，可以将较多的子任务分配给空闲的本地设备101和/或移动边缘计算服务器103，将较少的子任务分配给繁忙的本地设备101和/或移动边缘计算服务器103。

在一种具体的实施方式中，第三方计算设备102可以采用遗传算法求解最优分配方案。具体的，有M台移动边缘计算服务器103，要完成N个计算任务，每个任务又可分为若干个子任务。通过改变计算任务的子任务顺序，来寻找出执行所有计算任务的最短计算时间，从而合理利用宝贵的通信和计算资源、提高移动边缘计算系统性能。

移动边缘计算服务器103用于根据最优任务分配方案，将子任务发送至本地设备101，使得本地设备101对分配的子任务进行计算，并将计算结果发送至产生子任务的本地设备101。

需要说明的是，移动边缘计算服务器103可以根据第三方计算设备102通过遗传算法计算得到的最优任务分配方案，将从本地设备101传输的子任务进行分配，可以分配给本地设备101和/或移动边缘计算服务器103。当子任务计算完成后，本地设备101将计算结果发送至移动边缘计算服务器103，由移动边缘计算服务器103将计算结果返回至计算结果对应的本地设备101。

本申请通过将任务进行分解成多个子任务，将所有本地设备分解后得到的子任务按照计算得到的最优任务分配方案合理分配给相应的本地设备，即可以将较多的子任务分配给计算资源丰富的本地设备，将较少的子任务分配给计算资源少的本地设备，使得计算资源能够被合理利用，同时也降低的计算任务总耗时。

图2为本申请一种移动边缘计算方法的一个实施例的方法流程图，如图2所示，具体为：

201、获取本地设备发送的子任务以及第三方计算设备计算出的最优任务分配方案。

需要说明的是，由移动边缘计算服务器分别从本地设备获取子任务以及从第三方计算设备获取最优任务分配方案。

202、根据最优任务分配方案将子任务分配给本地设备和/或移动边缘计算服务器。

需要说明的是，最优任务分配方案可以由第三方计算设备通过遗传算法计算得到，子任务可以由移动边缘计算服务器根据最优任务分配方案进行分配，可以分配给本地设备和/或移动边缘计算服务器。

203、获取本地设备和/或移动边缘计算服务器对子任务的计算结果，将子任务的计算结果发送至对应的本地设备。

需要说明的是，由移动边缘计算服务器获取子任务的计算结果，将子任务的计算结果发送至产生子任务的本地设备。

本申请还提供了一种移动边缘计算方法的一另个实施例的方法流程图，如图3所示，具体为：

301、获取到的本地设备与移动边缘计算服务器的信道状态信息，以及本地设备产生的任务信息；根据信道状态信息以及任务信息设置阈值，将任务按照阈值分解成多个子任务。

需要说明的是，本申请可以使用并行分解的方法将总任务按处理的数据进行任务的平均分解，并且对于数据量设定一个合适的阈值，即先将总任务量平均分为若干份。例如，当一用户有大小为R_i的子任务时，可以选择如果超过阈值就再进行分解，直到分解后的数据量低于设置的阈值为止。具体的，当设定共有10个计算任务，每个计算任务的总数据量为6×10⁵bit，且分别设置阈值为1.5×10⁵bit、10⁵bit和6×10⁴bit，因此根据阈值本申请可以将一个计算任务分解为4个子任务、6个子任务和10个子任务。

302、采用遗传算法计算出最优任务分配方案。

需要说明的是，需要说明的是，本申请可以采用多层编码遗传算法，采用遗传算法的步骤包括个体编码、计算适应度值并选择适应度较好的分配方案、交叉操作及变异操作。本申请采用的遗传算法计算出最优任务分配方案的流程示意图如图4所示。

S1：个体编码。

在遗传算法中采用的编码方式为整数编码，每种编码情况表示分配方案的一个可行解，在本案例中每种编码情况对应一种计算任务的分配方案。其中，编码的前半部分表示所有计算任务在用户端(每个用户端对应一个本地设备)上的加工顺序，后半部分表示计算任务下的每个子任务执行的用户端序号。例如编码情况可以为：[123123]。该编码情况表达了：有3个计算任务，每个计算任务下有1个子任务，且在3个用户端上的计算顺序。

其中，前3位表示所有计算任务在用户端的计算顺序，为任务1→任务2→任务3；后3位表示计算任务下每个子任务执行的用户端，依次为用户端1→用户端2→用户端3；第一个计算任务1下的一个子任务在用户端1执行，第二个计算任务2下的一个子任务在用户端2执行，以此类推。

S2：计算适应度值并选择适应度较好的分配方。

适应度值为全部计算任务的完成时间，则每个分配方案的适应度值计算公式为

式中：

其中，N为所有计算任务的个数，X为分解每个计算任务得到的子任务个数。第i个子任务大小为R_i，任务传输率为α_i；记用户的计算速率为μ_i，任务到达率为λ_i；g_i为信道增益，σ为噪声功率。对于用户而言，计算任务的分配服从M/M/1排队规则，即计算速率与任务到达速率服从泊松分布，边缘服务器个数为1。另外，适应度越小越好，即全部计算任务完成时间越短，该问题的分配方案就越好。

选择操作:选择操作采用轮盘赌法选择适应度较小的分配方案，分配方案总个数为n，则分配方案被选择概率为

其中，p(j)表示第j个分配方案即分配方案j在每次选择中被选中的概率。即在原有n个方案中，分配方案的选择是随机的，选中全部计算任务完成时间短的分配方案的概率会比较大。

S3：交叉操作。

交叉操作采用整数交叉法中的单点交叉，即在原有的分配方案中随机选择一个交叉点，交换交叉点之前或之后的任务操作来产生新的分配方案。例如:交叉点为第4和第5之间的位置，只对个体前4位进行交叉。其中B的任务分配方案所用时间比A的任务分配方案所用时间短。通过交叉操作，可使优良分配方案B中的部分计算任务给到A中(如下面的1123与2213交换)，使得A的分配方案逐渐趋向最优，具体如图5所示。

交叉后某些任务多余(如A中的计算任务2)，某些任务缺失(如A中的计算任务1)，因此，把子任务多余的操作变为任务缺失的操作(即A中的计算任务2变为计算任务1)，并调整其对应的用户端。具体如图6所示。

S4：变异操作。

变异算法首先随机选取任务分配方案，然后随机选择两个变异位置，把该任务分配方案中这两个位置的任务以及对应的用户端序号对换，变异操作的目的主要是获得新的分配方案，增加分配方案的多样性，避免使算法陷入局部最优，因为分配方案的增多会使得分配方案逐渐趋向全局最优。具体如图7所示，将位置2和4中的数字进行对换。

根据以上遗传算法的步骤，可以举例如下：设定总计算任务数为10，且每个计算任务下根据设置阈值大小将每个计算任务分别划分为4个子任务、6个子任务和10个子任务，设定以下值：

B＝1MHz,R_i＝10⁵bit,g_i＝10⁶,σ²＝10^-9W,p_i＝0.2W,λ_i＝0.5,μ_i＝1.5；

其中唯一的自变量α_i设定为在0到1范围内的均匀分布。

结论1：参见图8，随着迭代次数的逐渐增加，时延逐渐减少，并在迭代次数接近20次时，已基本出现最佳的适应度任务，其中每种情形下通过遗传算法得到的优化时间均小于基准方法使用的时间。

结论2：参见图9，设置每个计算任务下的子任务数随着用户数的增加而增加，随着用户数的逐渐增加，本发明专利方法与基准方法所用时间均呈增长趋势，且本发明专利所用时间均小于基准方法所用时间，也呈现出较为满意的结果。

303、获取本地设备发送的子任务以及第三方计算设备计算出的最优任务分配方案。

304、根据最优任务分配方案将子任务分配给本地设备和/或移动边缘计算服务器。

305、获取本地设备和/或移动边缘计算服务器对子任务的计算结果，将子任务的计算结果发送至对应的本地设备。

306、根据最优分配方案计算完成所有子任务的时间。

需要说明的是，本申请可以将完成所有子任务的时间与采用现有的方法计算完成所有子任务的时间进行比对，得到本申请方法的性能。试验表明，本申请相比基准方法可以较大程度地减小时延，且随着迭代次数的增加，在利用遗传算法后，总时间呈现下降趋势。

本申请还提供了一种第三方计算设备的实施例，设备包括处理器以及存储器：存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行本申请一种移动边缘计算方法的实施例。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本申请一种移动边缘计算方法的实施例。

本申请还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行本申请一种移动边缘计算方法的实施例。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请中，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims

1.一种移动边缘计算装置，其特征在于，包括：移动边缘计算服务器，分别与所述移动边缘计算服务器相连的第三方计算设备以及本地设备；

2.根据权利要求1所述的移动边缘计算装置，其特征在于，所述本地设备包括：

3.根据权利要求1所述的移动边缘计算装置，其特征在于，所述移动边缘计算服务器还用于对分配给所述移动边缘计算服务器的所述子任务进行计算，并将计算结果发送至产生所述子任务的所述本地设备。

4.一种移动边缘计算方法，其特征在于，包括：

5.根据权利要求4所述的移动边缘计算方法，其特征在于，在所述获取本地设备发送的子任务以及第三方计算设备计算出的最优任务分配方案，之前还包括：

6.根据权利要求4所述的移动边缘计算方法，其特征在于，在所述获取本地设备发送的子任务以及第三方计算设备计算出的最优任务分配方案，之前还包括：

采用遗传算法计算出所述最优任务分配方案。

7.根据权利要求4所述的移动边缘计算方法，其特征在于，在所述获取本地设备和/或移动边缘计算服务器对所述子任务的计算结果，将所述子任务的计算结果发送至对应的所述本地设备，之后还包括：

根据所述最优分配方案计算完成所有所述子任务的时间。

8.一种第三方计算设备，其特征在于，所述设备包括处理器以及存储器：

所述处理器用于根据所述程序代码中的指令执行权利要求4-7任一项所述的移动边缘计算方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求4-7任一项所述的移动边缘计算方法。

10.一种包括指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得所述计算机执行权利要求4-7任一项所述的移动边缘计算方法。