CN111930435B - 一种基于pd-bpso技术的任务卸载决策方法 - Google Patents

Abstract

一种基于PD‑BPSO技术的任务卸载决策方法，首先将每个用户任务数据量化为一个待执行粒子，表示为Q_i＝{D_i,C_i,T_i ^max}，其中，D_i代表该粒子数据量大小，C_i为执行该粒子所需的CPU周期数，T_i ^max为粒子的处理时延阈值。用户终端产生所有的执行粒子都有其各自的位置x_i和速度v_i。粒子的不同位置代表不同卸载决策的可行决策解，而粒子的速度则表明每次执行粒子下一时刻位置与当前位置间的距离。其次为寻求最小化终端用户能量消耗的粒子卸载决策，建立基于多目标约束下的粒子数据任务执行能耗模型。通过比较所在位置对应的目标函数值来判断某一粒子位置是否为最优，用pbest表示第i个粒子历史状态的最优位置，gbest表示整个粒子群中所有粒子历史状态的最优位置。

Description

一种基于PD-BPSO技术的任务卸载决策方法

技术领域

本发明涉及一种集群式粒子寻优过程的卸载决策方法，尤其涉及移动边缘计算系统中随着各种应用程序的增长，需要的卸载决策种类较多，难以通过常规方法直接搜索的数据卸载方法。

背景技术

PD-BPSO是Population Diversity-Binary Particle Swarm Optimization的缩写。任务卸载策略是MEC系统中计算卸载技术最核心的部分，其作用主要是决定终端用户实时产生的数据任务是选择在本地处理，还是卸载到边缘服务器或其他具有计算能力的节点单元去执行，同时需要决定用户卸载数据所需要的传输功率、MEC执行时所分配的计算资源、无线资源，以及各个子任务在执行过程中的顺序等。不同的卸载策略机制直接决定了卸载决策制定的方式，其包含的主要问题有卸载哪种任务(what)、何时执行卸载(when)及具体的卸载位置(where)，所展示出的基本卸载策略包含随机卸载决策、二元卸载决策、部分卸载决策等。随着卸载机制的不断完善，更加细化的卸载方式逐渐完善，即：将待卸载的子任务看作一个个不可再细分的任务模块，而卸载粒度的细化，又使得其执行的有效性、公平性及实用性程度大大增加。因此，发明一种高效的细粒度任务卸载方法在移动边缘计算网络中起着举足轻重的作用，在近年来引起了学术界和产业界的广泛关注。

从目前的国内外研究现状看，国内外专家和学者的研究重点主要是MEC系统任务卸载策略制定的方式上。一方面在于集中化控制策略，是一个以整体的视角，综合全局地分析MEC网络中无线信道状态、本地和边缘计算能力、应用数据任务特性以及多方位需求，完成集中式的最优控制，旨在取得最优的信息规划、资源分配和卸载决策制定。另一方面属于分布式任务卸载策略制定，其注重的是每个用户/计算任务的具体偏好，是大量用户基于自身最大化各自效益下的权衡结果，一般采用纳什博弈或拍卖模型来进行分析处理。专利CN110557732A、CN108990016B基于车载无线通信领域，分别公开了一种车辆边缘计算网络任务卸载、多车协同的计算任务卸载与传输方法，通过将车载终端任务数据卸载到MEC服务器并确定最佳的卸载策略，使得需求车辆获取核心数据的等待时间降低，提升智能车辆的应用深度。专利CN110430593A公开了一种边缘计算用户任务卸载策略，考虑了多类型接入下存在同频干扰时的用户任务卸载情况，使用模拟退火算法循环改变边缘端MEC服务器，以及使用对数和多项式相结合的降温函数控制解的搜索方法，实现终端用户的平均卸载时延降低的任务卸载策略，但该发明以选择匹配的方式进行卸载，弱化了信道变化的情况，没有对边缘服务改变时所产生的动态信道变化进行具体建模分析。专利CN110377353A公开了一种基于移动边缘计算场景下的任务卸载决策非合作博弈模型，其较好的优化了终端用户任务进行卸载时的能量消耗与时间延迟，获得了优化能量消耗和时间延迟的纳什均衡解，但该发明仅为用户端的能耗与时延建立了Stackelberg博弈，并未考虑边缘服务能力的特征，其博弈纳什均衡解的存在性也并未印证。需要指出的是，专利CN110430593A和专利CN110377353A都是基于部分任务卸载决策问题，均未考虑不同任务模块之间相互影响的结果，与目前超细粒度的任务粒子分割研究相比，其效用价值显得相行失色。

作为一种进化计算技术，离散二进制粒子群优化算法在离散粒子群算法基础上，属于约束位置、速度向量的二元机制，具有很强的全局搜索能力，且能够随着迭代搜索的随机性使其搜索能力越来越强。为更深入地与边缘计算系统的任务粒子进行契合分析，本发明加入种群多样性以表示群体中各个个体间的分布离散程度。据此，本发明通过种群多样性-离散二进制粒子群优化技术进行细粒度任务卸载决策的制定问题。

发明内容

本发明的目的是提供一种集群式粒子寻优过程的卸载决策方法，在移动边缘计算系统中为终端用户实时产生的任务数据提供卸载决策支持。该实施例可在边缘计算网络中为用户任务实时处理提供更多的选择，该实施例可有效缓解传统无线网络数据中心的处理压力，提升系统服务质量。

本发明是一种基于PD-BPSO技术的任务卸载决策方法，其步骤为：

(1)建立移动边缘计算环境下任务处理的数学模型；

(2)根据步骤1建立的任务计算模型，将每个用户任务数据量化为一个待执行粒子，每个粒子都有其各自的位置x_i和速度v_i，粒子的位置不同代表了不同卸载决策的一个可行决策解；

(3)利用步骤(2)得到的量化后待执行粒子，建立基于多目标约束的粒子任务数据执行能耗模型；

(4)根据步骤(3)得到的粒子任务数据执行能耗模型，利用种群多样性来引导粒子寻优过程，即通过比较所在位置对应的目标函数值来判断某一粒子的最优位置(粒子的卸载决策)。

本发明与现有技术相比，具有以下优点：(1)所述策略在移动边缘计算网络系统中，实现了应用数据任务的细粒度高效卸载，能有效缓解传统无线网络数据中心的处理压力，提升系统服务质量。(2)所述策略保留了粒子群算法参数少、收敛速度快、有较好的搜索能力的特点。同时，利用种群多样性来引导算法的寻优过程，定性描述了粒子在群体中的聚集程度，避免了搜索可能出现的“早熟”现象，避免产生陷入局部最优的问题。(3)所述策略与使用贪婪算法搜索粒子过程中，其终端用户的能量消耗显著降低，更符合实际应用环境中的多样化任务需求及绿色通信要求。

附图说明

图1是移动边缘计算任务粒子卸载模型图，图2是基于PD-BPSO技术的任务卸载策略流程图，图3是具体实施例中用户能量消耗变化图。

具体实施方式

本发明是一种基于PD-BPSO技术的任务卸载决策方法，其步骤为：

(1)建立移动边缘计算环境下任务处理的数学模型；

(2)根据步骤1建立的任务计算模型，将每个用户任务数据量化为一个待执行粒子，每个粒子都有其各自的位置x_i和速度v_i，粒子的位置不同代表了不同卸载决策的一个可行决策解；

(3)利用步骤(2)得到的量化后待执行粒子，建立基于多目标约束的粒子任务数据执行能耗模型；

(4)根据步骤(3)得到的粒子任务数据执行能耗模型，利用种群多样性来引导粒子寻优过程，即通过比较所在位置对应的目标函数值来判断某一粒子的最优位置(粒子的卸载决策)。

以上所述的基于PD-BPSO技术的任务卸载决策方法，所述步骤1建立的任务处理数学模型，具体按以下过程实施：当任务进行本地处理时，s_i＝0，假定C_i为执行完该粒子所需的CPU周期数，

代表移动终端的计算能力(每秒/CPU周期)，k(f_i ^l)²为移动终端执行计算任务时每一个CPU周期的能量消耗，其中k是常数，取决于微型集成电路架构，通常取k＝10^-26；

则任务数据执行时间可表示为：

任务数据执行的能量消耗可表示为：

当任务在网络边缘执行时，s_i＝1，假定D_i代表该粒子数据量大小，r_u表示上行链路的数据发送速率，

表示边缘服务器的计算能力，p_i代表移动用户i的发送功率，

为设备空闲时的功率；

则任务数据执行的时间消耗可表示为：

任务数据执行的能量消耗可表示为：

以上所述的基于PD-BPSO技术的任务卸载决策方法，所述步骤2表示的执行粒子表示方式，具体按以下过程实施：假定w代表权重因子，c₁和c₂表示加速常数，r₁、r₂为随机数，则任务粒子的速度与位置可按下式进行更新：

v_i(t+1)＝wv_i(t)+c₁r₁[pbest_i-x_i(t)]+c₂r₂[gbest-x_i(t)]

x_i(t+1)＝x_i(t)+v_i(t+1)。

以上所述的基于PD-BPSO技术的任务卸载决策方法，所述步骤3表示量化后需要处理的任务粒子，具体按以下过程实施：计算数据任务处理时的能量消耗主要包含两部分，即任务本地执行时的能量消耗

与任务卸载至网络边缘进行处理的能量消耗

任务处理总能耗用E(s)表示，按下式计算：

以上所述的基于PD-BPSO技术的任务卸载决策方法，所述步骤4获得的任务粒子执行能耗模型，每一个移动终端用户的任务粒子有两种执行选择，即在本地处理或卸载至边缘服务器执行，因此共有2^k个卸载决策；所求卸载决策是一个二进制数组，对于该目标问题非线性限制的0-1困境，通常难以直接找到其最优解，能通过设计基于种群多样性的二进制粒子群技术，将问题转化为粒子的寻优过程以进一步处理该难题；具体按以下过程实施：假定D(t+1)表示第t+1次迭代粒子群的种群多样性；d_i(t+1)表示第t+1次迭代第i个粒子与其他粒子之间最小的欧氏距离；

表示所有d_i(t+1)的平均值；n表示粒子群规模大小，则粒子的种群多样性可按下式计算：

得到种群多样性后，利用基于种群多样性的惯性权重自适应函数获得完成惯性权重的自适应选择，最后由于卸载决策的0-1特性及解的离散性，借助Sigmoid函数实现最终卸载决策的选取。

本发明的思路是：设定包括1个MEC服务器，K个终端用户的移动边缘计算系统，边缘基站覆盖范围为半径100m的区域。粒子群种群规模为30，加速常数c₁＝c₂＝2，随机数r₁、r₂均匀分布于[0,1]，应用PD-BPSO搜索技术，将任务数据的卸载过程建模为不同任务粒子选择最佳位置的过程。在不同条件下快速搜寻符合场景的位置集合，通过更新权重系数w获得最佳的卸载决策方案。

具体地，本发明采用如下技术方案：本发明所述的MEC系统任务卸载决策模型如图1所示，用户i实时产生包含多项任务特性的任务信息，该信息数据占比很小，在实际分析中可忽略不计。将每个任务看作为不可再进一步分割的细粒度粒子，基于对粒子的约束分析，建立终端用户能量最小化的优化目标，通过粒子寻优过程实现最佳卸载决策的制定，以进一步完成目标函数的最小化。

所述任务特性信息包含每个粒子数据量大小、粒子位置、粒子速度以及本地计算能力、传输功率与执行时延阈值等。

所述MEC系统具体体现为移动终端设备可以通过边缘无线网络与配置MEC服务器的基站进行通信。其中，用户集合为K＝{1,2,...,k}，移动终端用户可以将细粒度实时任务粒子经无线链路卸载至边缘服务器执行，无需上传至核心云或使用本地资源处理，极大地降低了系统网络开销、处理时延以及用户能量消耗。

所述任务粒子表示为Q_i＝{D_i,C_i,T_i ^max}，其中，D_i代表该粒子数据量大小，C_i为执行完该粒子所需的CPU周期数，T_i ^max为粒子的处理时延阈值；同时假定s_i为终端用户第i个粒子的卸载决策，若该计算任务在用户设备本地执行，表示为s_i＝0，若将其卸载到MEC服务器执行，则表示为s_i＝1。

所述种群多样性-离散二进制粒子群(PD-BPSO)技术是基于群体智能的随机寻优算法拓展而来，所应用的思想为，依据鸟类的觅食行为，将所要求解的目标问题搜索空间比作为鸟类的飞行空间，将飞行运动的鸟抽象为一个运动的粒子，用以表示对目标食物的搜寻过程，则优化所需的最优解等同于鸟将去寻找的食物。该方法中，首先通过目标函数得到其相应的适应度值，接着粒子通过跟踪其本身找到的最优解即个体极值pbest与整个种群目前找到的最优解即全局极值gbest相对比以实时更新自己的位置。

所述最优卸载决策指通过粒子的寻优过程所获得的得到的基于目标函数下的适应度值，及在全局意义下最小化系统用户能耗的任务卸载粒子优化集合。

本发明公开的一种基于PD-BPSO技术的任务卸载决策方法，通过以下步骤实现：

(1)搭建配置一个多用户、单MEC服务器的移动边缘计算系统，每个用户实时产生待执行的应用数据任务；

(2)根据步骤(1)建立的移动边缘计算网络环境，构造任务在本地执行时的时延

与能量消耗

模型，以及任务粒子在卸载到MEC服务器执行时的传输时延与能量消耗

模型；

(3)根据步骤(2)对于用户能耗的量化，考虑多目标约束，建立优化目标E(s)，即适应度函数D；

(4)利用步骤(3)得到的适应度函数D，初始化所有粒子x_i，v_i，w_i并计算适应度函数值D₁。其次，确定权重系数并更新粒子速度与位置，以再次更新当前适应度函数值D₂；

(5)根据步骤(4)得到的两次适应度值D₁、D₂，比较D₁、D₂并同时更新权重系数w_i，以确定粒子位置。通过更新粒子位置，求解所需的最佳粒子卸载策略，其操作流程如图2所示。

下面结合附图以具体实施例来详细说明本发明。本实施例仅表示对本发明的原理性进行说明，不代表对本发明的任何限制。

本发明公开一种基于PD-BPSO技术的任务卸载决策方法。如图1所示，首先根据技术方案所述建立终端用户设备在本地及边缘执行任务粒子时的能量消耗；其次，联合多目标约束构建总能量消耗即适应度为：

其中的约束有本地计算能力限制

边缘计算能力限制

及时延阈值约束

其中，s_i代表卸载决策集合s_i＝{s₁,s₂,L,s_K}。

由于每一个移动用户执行任务时有两种决策，即在本地CPU处理或卸载到MEC服务器执行，因此共有2^k个卸载决策数。由于卸载决策是一个二进制数组，因此该发明目标函数归结于非线性限制的0-1问题，其难以通过常规优化过程找到最优解。因此，本发明设计一种基于种群多样性的二进制粒子群优化算法来分析处理该问题。

任务粒子通过跟踪自身找到的最优解即个体极值pbest与整个种群目前找到的最优解即全局极值gbest来更新自己的位置。其粒子的速度和位置可表示为：

上述表达式中w代表权重因子；c₁和c₂表示加速常数；r₁、r₂为随机数。由于粒子的聚集程度容易导致搜索过程陷入局部最优，寻优精度降低，本发明采用种群多样性来表示群体中各个体间的分布离散程度，用以引导算法的寻优过程。则该种群多样性公式如下：

其中，D(t+1)表示第t+1次迭代粒子群的种群多样性；d_i(t+1)表示第t+1次迭代第i个粒子与其他粒子之间最小的欧氏距离；

表示所有d_i(t+1)的平均值；n表示粒子群规模大小。由于任务粒子在逐次更新过程中，是通过更新自身的速度和位置实现寻优的，同时在任务卸载决策制定中，任务粒子的位置更新主要受v_i和w的影响，而本发明方法本身计算速度相对较快，粒子的位移量对整个过程的收敛性表现出关键作用，因而，惯性权重的自适应选择极其重要。故进一步地，定义基于种群多样性的惯性权重函数，表达式如下：

然而存在的问题是，上述寻优过程描述的是一个连续空间，不能完全适应于离散空间的求解机制，而边缘计算系统中的卸载决策属于离散情况的二进制问题。为将该问题转化为非线性限制的0-1问题，本发明对其离散化处理，具体地，设定粒子在离散二进制空间内趋于选择0或者1，同时将由种群多样性引起的速度变化作为参数，定义一个Sigmoid函数，描述为以下形式：

从上述定义可以看出，粒子速度越大，则粒子位置为1的可能性越大；否则，粒子位置为0。因此，该函数的更新过程可进一步描述为：

其中，ρ为[0,1]之间的随机常数。当ρ＜S(v_i,j(t+1))时，说明粒子位置为s_i＝1，即任务卸载到边缘服务器执行；否则粒子位置为s_i＝0，任务在本地执行。通过以上寻优过程可得所需理想卸载决策的方法，该方法获得的用户设备能耗变化如图3所示。

上述实施例为本发明较佳的可行实施例，只是为了使本发明的目的、技术方案及优点更加清楚，并非用于限制本发明的专利保护范围，因此，凡是运用本发明的说明书及附图内容所作的等同结构变化，都应在本发明的保护范围之内。

Claims (5)

1.一种基于PD-BPSO技术的任务卸载决策方法，其特征在于，其步骤为：

(1)建立移动边缘计算环境下任务处理的数学模型；

(2)根据步骤1建立的任务计算模型，将每个用户任务数据量化为一个待执行粒子，每个粒子都有其各自的位置x_i和速度v_i，粒子的位置不同代表了不同卸载决策的一个可行决策解；

(3)利用步骤(2)得到的量化后待执行粒子，建立基于多目标约束的粒子任务数据执行能耗模型；

(4)根据步骤(3)得到的粒子任务数据执行能耗模型，利用种群多样性来引导粒子寻优过程，即通过比较所在位置对应的目标函数值来判断某一粒子的最优位置，即粒子的卸载决策。

2.根据权利要求1所述的基于PD-BPSO技术的任务卸载决策方法，其特征在于：

所述步骤1建立的任务处理数学模型，具体按以下过程实施：当任务进行本地处理时，s_i＝0，假定C_i为执行完该粒子所需的CPU周期数，f_i ^l代表移动终端的计算能力(每秒/CPU周期)，k(f_i ^l)²为移动终端执行计算任务时每一个CPU周期的能量消耗，其中k是常数，取决于微型集成电路架构，通常取k＝10^-26；

则任务数据执行时间表示为：

任务数据执行的能量消耗表示为：

当任务在网络边缘执行时，s_i＝1，假定D_i代表该粒子数据量大小，r_u表示上行链路的数据发送速率，f_i ^c表示边缘服务器的计算能力，p_i代表移动用户i的发送功率，

为设备空闲时的功率；

则任务数据执行的时间消耗表示为：

任务数据执行的能量消耗表示为：

3.根据权利要求1所述的基于PD-BPSO技术的任务卸载决策方法，其特征在于：

所述步骤2表示的执行粒子表示方式，具体按以下过程实施：假定w代表权重因子，c₁和c₂表示加速常数，r₁、r₂为随机数，则任务粒子的速度与位置按下式进行更新：

v_i(t+1)＝wv_i(t)+c₁r₁[pbest_i-x_i(t)]+c₂r₂[gbest-x_i(t)]

x_i(t+1)＝x_i(t)+v_i(t+1)。

4.根据权利要求1所述的基于PD-BPSO技术的任务卸载决策方法，其特征在于：

所述步骤3表示量化后需要处理的任务粒子，具体按以下过程实施：计算数据任务处理时的能量消耗主要包含两部分，即任务本地执行时的能量消耗

与任务卸载至网络边缘进行处理的能量消耗

任务处理总能耗用E(s)表示，按下式计算：

5.根据权利要求1所述的基于PD-BPSO技术的任务卸载决策方法，其特征在于：

所述步骤4获得的任务粒子执行能耗模型，每一个移动终端用户的任务粒子有两种执行选择，即在本地处理或卸载至边缘服务器执行，因此共有2^k个卸载决策；所求卸载决策是一个二进制数组，对于非线性限制的0-1困境，通常难以直接找到其最优解，通过设计基于种群多样性的二进制粒子群技术，将问题转化为粒子的寻优过程以进一步处理；具体按以下过程实施：假定D(t+1)表示第t+1次迭代粒子群的种群多样性；d_i(t+1)表示第t+1次迭代第i个粒子与其他粒子之间最小的欧氏距离；

表示所有d_i(t+1)的平均值；n表示粒子群规模大小，则粒子的种群多样性按下式计算：

得到种群多样性后，利用基于种群多样性的惯性权重自适应函数获得完成惯性权重的自适应选择，最后由于卸载决策的0-1特性及解的离散性，借助Sigmoid函数实现最终卸载决策的选取。

Images