CN111984419B - 一种边缘环境可靠性约束的复杂任务计算迁移方法 - Google Patents

一种边缘环境可靠性约束的复杂任务计算迁移方法 Download PDF

Info

Publication number
CN111984419B
CN111984419B CN202010886685.XA CN202010886685A CN111984419B CN 111984419 B CN111984419 B CN 111984419B CN 202010886685 A CN202010886685 A CN 202010886685A CN 111984419 B CN111984419 B CN 111984419B
Authority
CN
China
Prior art keywords
task
energy consumption
population
time delay
workflow
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
CN202010886685.XA
Other languages
English (en)
Other versions
CN111984419A (zh
Inventor
彭凯
赵博海
王荣坤
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202010886685.XA priority Critical patent/CN111984419B/zh
Publication of CN111984419A publication Critical patent/CN111984419A/zh
Application granted granted Critical
Publication of CN111984419B publication Critical patent/CN111984419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了计算机技术领域的一种边缘环境可靠性约束的复杂任务计算迁移方法，包括：步骤S10、获取任务集合构建复杂工作流模型；步骤S20、基于复杂工作流模型构建父代种群并进行初始化；步骤S30、基于父代种群生成混合种群；步骤S40、利用第三代非支配排序遗传算法对混合种群的个体进行排序后，构成若干个非支配层；步骤S50、计算混合种群各优化目标的极值点；步骤S60、基于各极值点构建三维坐标平面，计算坐标轴至三维坐标平面的截距值，利用所述截距值以及非支配层对父代种群进行迭代更新。本发明的优点在于：在满足时延和系统能耗双重可靠性约束条件的同时，实现对复杂任务的系统能耗、时延以及资源利用率进行多目标优化。

Description

一种边缘环境可靠性约束的复杂任务计算迁移方法
技术领域
本发明涉及计算机技术领域，特别指一种边缘环境可靠性约束的复杂任务计算迁移方法。
背景技术
随着移动互联网技术的进一步发展以及移动设备功能的不断完善，移动设备逐渐成为人们的日常生活中不可分割的一部分。然而移动设备由于其体积，电池等因素的限制，存在存储空间、计算能力、电池容量等方面的不足，使得移动设备中应用程序的发展受到了一定的阻碍。
为了解决移动设备存在的固有限制，人们提出移动云计算(Mobile CloudComputing)这一新型架构，该架构结合了传统云计算的特点及终端的移动性特点，将移动设备上部分任务迁移到云端执行，有效缓解了移动设备计算资源不足问题。但该架构仍然无法克服由于移动设备和云端之间较远的物理距离造成的传输时延的问题，且在某些超远距离传输的场景，传输过程不仅会消耗大量时间，还会产生极大的能耗，甚至反而可能导致计算迁移后的系统效益降低。
为此，业内提出了移动边缘计算(Mobile Edge Computing,MEC)的概念，MEC可以被视为在MCC架构的基础上，在距离用户设备更近的网络边缘端设置若干计算能力较强的边缘服务器，为移动设备提供更加丰富的计算资源。MEC网络架构如图2所示，该架构中，用户端具有若干个移动设备，这些移动设备又分别会生成若干计算任务。从整体上来说，这些计算任务具有两种迁移路径，一是通过局域网(Local Area Network,LAN)迁移到物理距离较近的边缘服务器上获得服务，二是通过广域网(Wide Area Network,WAN)迁移到物理距离较远的云端获得服务。更加具体的说，一般MEC网络架构包含多个边缘服务器，以及一个云数据中心；因此，任务将具有众多的迁移路径。
而任务迁移策略的制定常常是由任务量、系统约束、优化目标等条件共同决定的，这样一来，如何为用户端任务制定合适的迁移策略是一个较为困难的问题。并且，由于移动设备的电池容量等原因，不恰当的迁移策略将导致不良后果，如：任务仍在执行，但移动设备电池已耗尽。因此，如何为任务制定合适的迁移策略，构建以可靠性约束的环境受到越来越多的关注。
Weisong Shi等人在文献“Shi W,Cao J,Zhang Q,et al.Edge Computing:Visionand Challenges[J].Internet of Things Journal,IEEE,2016,3(5):637-646.”中指出，可靠性是MEC网络架构中的一个重要挑战，且诸如空调等设备中断工作可能正是由于其电池耗尽或是系统与网络的连接质量交叉导致的。而对于现实场景中任务数据量更大、约束条件更多的系统来说，这种不可靠情况发生的概率更大。因此，针对用户端产生的任务制定合理的迁移策略，以期在任务执行时系统能耗、时延，以及服务器的资源利用率得到一定的优化，防止由于设备能耗时延过高和资源负载过高而导致设备发生异常是一个关键性问题。
目前，针对MEC环境中可靠性约束通常被建模为对最大计算迁移延迟的概率约束。Liu.C等人在文献“Latency and Reliability-Aware Task Offloading and ResourceAllocation for Mobile Edge Computing[C].global communications conference,2017:1-7.”中针对含有多用户多Cloudlet MEC环境，基于李雅普诺夫随机优化理论，制定了一种基于可靠性约束的动态优化方法，对任务计算和传输过程中的能耗进行了优化。Elbamby.M.S等人在文献“Proactive Edge Computing in Fog Networks with Latencyand Reliability Guarantees.Eurasip Journal on Wireless Communications&Networking”中研究了在超可靠、低延时通信环境下的任务划分问题。他们将可靠性被视作基于概率的最大时间约束，并基于递延接受算法，在可靠性约束和服务延迟约束之间取得了平衡。但是，随着科学技术的发展和人们需求的增加，任务将愈加复杂化，导致通讯系统不可靠的原因可能并不局限于单一的时延过高，还可能是由于系统能耗过高、服务器负载超出承受范围等原因导致的。
因此，如何在满足时延和系统能耗双重可靠性约束的条件下，提供一种边缘环境可靠性约束的复杂任务计算迁移方法，实现对复杂任务的系统能耗、时延以及资源利用率进行多目标优化，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种边缘环境可靠性约束的复杂任务计算迁移方法，在满足时延和系统能耗双重可靠性约束条件的同时，实现对复杂任务的系统能耗、时延以及资源利用率进行多目标优化。
本发明是这样实现的：一种边缘环境可靠性约束的复杂任务计算迁移方法，包括如下步骤：
步骤S10、获取任务集合Taski，基于所述任务集合Taski构建复杂工作流模型
Figure BDA0002655775640000031
步骤S20、基于所述复杂工作流模型
Figure BDA0002655775640000032
构建父代种群PA，并对所述父代种群PA进行初始化；
步骤S30、基于所述父代种群PA生成子代种群PB，并对所述父代种群PA以及子代种群PB进行融合生成混合种群PC；
步骤S40、利用第三代非支配排序遗传算法对所述混合种群PC的个体进行排序后，构成若干个非支配层；
步骤S50、计算所述混合种群PC各优化目标的极值点；所述优化目标包括系统能耗、时延以及资源利用率；
步骤S60、基于各所述极值点构建三维坐标平面，计算坐标轴至三维坐标平面的截距值，利用所述截距值以及非支配层对父代种群PA进行迭代更新。
进一步地，所述步骤S10具体为：
获取任务集合Taski，对所述任务集合Taski进行遍历，得到所述任务集合Taski内各任务的关联关系，进而基于所述关联关系构成数量为f的工作流集合Wf，其中f为正整数；
基于所述工作流集合Wf的子任务wn,f是否具有特定执行顺序，将所述工作流集合Wf划分为有序工作流和无序工作流，进而利用所述有序工作流以及无序工作流构建复杂工作流模型
Figure BDA0002655775640000042
进一步地，所述步骤S20具体为：
基于基因算法，将所述复杂工作流模型
Figure BDA0002655775640000043
中的每一条工作流定义为一条染色体，每一个子任务wn,f定义为染色体中的一个基因，由所述复杂工作流模型/>
Figure BDA0002655775640000044
的所有染色体构成规模为f的父代种群PA；
对于由无序工作流构成的父代种群PA，基因在[0,M+1]范围内进行随机初始化，其中M表示边缘服务器的数量；
对于由有序工作流构成的父代种群PA，初始化基因值会对子任务wn,f的时延和系统能耗产生影响；子任务wn,f的时延Ttran(wn1,f,wn2,f)满足：
Figure BDA0002655775640000041
其中t(n1,f)表示子任务wn1,f与子任务wn2,f的传输时延；Bcl表示LAN链路带宽；Bc表示WAN链路带宽；Hf(n1,n2)表示子任务wn1,f与子任务wn2,f之间的关系约束；T1、T2以及T3分别表示3种不同的关系约束。
进一步地，所述步骤S30具体为：
对所述父代种群PA进行选择、交叉和变异操作，生成规模为f的子代种群PB，并对所述父代种群PA以及子代种群PB进行融合生成规模为2f的混合种群PC。
进一步地，所述步骤S40具体为：
计算所述混合种群PC的子任务wn,f在当前迁移策略下的系统能耗En,f、时延Tn,f以及资源利用率RM，利用第三代非支配排序遗传算法对系统能耗En,f以及时延Tn,f进行倒序排序，对资源利用率RM进行正序排序后，构成若干个非支配层。
进一步地，所述步骤S50具体为：
基于系统能耗、时延以及资源利用率计算所述混合种群PC的三个极值点；当所述极值点大于时延或系统能耗的约束范围时，即定义最大时延或系统能耗约束为极值点。
进一步地，所述步骤S60具体包括：
步骤S61、设定一迭代总次数，基于各所述极值点构建三维坐标平面；
步骤S62、从所述非支配层中筛选出f个子任务wn,f，基于各子任务wn,f的系统能耗、时延以及资源利用率计算计算每一个子任务wn,f在所述三维坐标平面中的参考点位置
Figure BDA0002655775640000051
Figure BDA0002655775640000052
其中
Figure BDA0002655775640000053
表示子任务wn,f在当前迁移策略下的系统能耗；/>
Figure BDA0002655775640000054
表示子任务wn,f在当前迁移策略下的时延；/>
Figure BDA0002655775640000055
表示边缘服务器M在当前迁移策略下的资源利用率；
步骤S63、计算坐标轴至三维坐标平面的截距值ak，设定一理想点
Figure BDA0002655775640000056
基于所述截距值ak以及理想点/>
Figure BDA00026557756400000516
对参考点位置/>
Figure BDA0002655775640000057
进行归一化：
Figure BDA0002655775640000058
其中
Figure BDA0002655775640000059
表示子任务wn,f的目标参考值；h'k(x)表示各个目标坐标轴上的目标值；
Figure BDA00026557756400000510
的取值为/>
Figure BDA00026557756400000511
或者/>
Figure BDA00026557756400000512
表示时延的理想点，取值为0；/>
Figure BDA00026557756400000513
表示系统能耗的理想点，取值为0；/>
Figure BDA00026557756400000514
表示资源利用率的理想点，取值不为0；
步骤S64、选取目标参考值与理想点
Figure BDA00026557756400000515
距离更近的子任务wn,f对父代种群PA进行迭代更新；
步骤S65、判断当前迭代次数是否为所述迭代总次数，若是，则结束流程，若否，则进入步骤S30。
本发明的优点在于：
通过增加系统能耗约束条件构成时延和系统能耗的双约束可靠模型，并针对数据量大、数据种类多的复杂任务，采用适用于大规模任务、多目标优化的第三代非支配排序遗传算法应用于多边缘服务器的MEC计算迁移场景中，对系统能耗、时延以及资源利用率进行多目标优化，适用于较为复杂、含有众多边缘服务器的网络环境中，且能够满足用户一般情况下对系统能耗和时延的约束，即用户对任务处理可靠性的需求，且操作步骤简单、可靠性高、实时性强、执行成本低、支持网络中各种各样的移动设备的通信、支持众多种类任务的计算迁移。即在满足时延和系统能耗双重可靠性约束条件的同时，实现对复杂任务的系统能耗、时延以及资源利用率进行多目标优化。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种边缘环境可靠性约束的复杂任务计算迁移方法的流程图。
图2是MEC网络架构图。
图3是本发明混合种群筛选示意图。
图4是本发明三维坐标平面及目标参考值的示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：基于任务集合Taski构建复杂工作流模型
Figure BDA0002655775640000061
基于第三代非支配排序遗传算法(Non-dominated Sorting GeneticAlgorithm-III，NSGA-III)，以系统能耗、时延和资源利用率为优化目标，在满足系统可靠性约束的前提下，通过迭代不断生成子代种群PB，构成混合种群PC。并通过非支配排序，基于目标参考值，不断更新父代种群PA，最终得到多目标优化后子任务wn,f的最优迁移策略Qn,f，完成三目标优化。/>
请参照图1至图4所示，本发明一种边缘环境可靠性约束的复杂任务计算迁移方法的较佳实施例，包括如下步骤：
步骤S10、获取任务集合Taski，基于所述任务集合Taski构建复杂工作流模型
Figure BDA0002655775640000071
步骤S20、基于所述复杂工作流模型
Figure BDA0002655775640000072
构建父代种群PA，并对所述父代种群PA进行初始化；
步骤S30、基于所述父代种群PA生成子代种群PB，并对所述父代种群PA以及子代种群PB进行融合生成混合种群PC；
步骤S40、利用第三代非支配排序遗传算法(Non-dominated Sorting GeneticAlgorithm-III，NSGA-III)对所述混合种群PC的个体进行排序后，构成若干个非支配层；即从所述混合种群PC中的2f个个体选择表现最好的f个个体(子任务wn,f)进入下一代；所述非支配层的数量由复杂工作流模型
Figure BDA0002655775640000073
中子任务wn,f的数量确定；
步骤S50、计算所述混合种群PC各优化目标的极值点；所述优化目标包括系统能耗、时延以及边缘服务器的资源利用率；
步骤S60、基于各所述极值点构建三维坐标平面(超平面)，计算坐标轴至三维坐标平面的截距值，利用所述截距值以及非支配层对父代种群PA进行迭代更新，得到子任务wn,f的迁移策略Qn,f。
所述步骤S10具体为：
获取任务集合Taski，对所述任务集合Taski进行遍历，得到所述任务集合Taski内各任务的关联关系，进而基于所述关联关系构成数量为f的工作流集合Wf，其中f为正整数；
基于所述工作流集合Wf的子任务wn,f是否具有特定执行顺序，将所述工作流集合Wf划分为有序工作流和无序工作流，进而利用所述有序工作流以及无序工作流构建复杂工作流模型
Figure BDA0002655775640000074
所述工作流集合Wf包括若干个工作流，各所述工作流均包括若干个子任务wn,f，即种群的个体。
所述步骤S20具体为：
基于基因算法，将所述复杂工作流模型
Figure BDA0002655775640000075
中的每一条工作流定义为一条染色体，每一个子任务wn,f定义为染色体中的一个基因，由所述复杂工作流模型/>
Figure BDA0002655775640000076
的所有染色体构成规模为f的父代种群PA；
对于由无序工作流构成的父代种群PA，基因在[0,M+1]范围内进行随机初始化，其中M表示边缘服务器的数量；即基因可选值为[0,M+1]，表示子任务wn,f可迁移的位置，即子任务wn,f的迁移策略Qn,f；当Qn,f＝0时，表示子任务wn,f不进行迁移，直接在移动设备本地执行；当Qn,f∈{1，2，...，M}时，表示子任务wn,f将迁移到M个边缘服务器中任意一个当中执行；当Qn,f＝M+1时，表示子任务wn,f将迁移到远程云数据中心执行；
对于由有序工作流构成的父代种群PA，初始化基因值会对子任务wn,f的时延和系统能耗产生影响；子任务wn,f的时延Ttran(wn1,f,wn2,f)满足：
Figure BDA0002655775640000081
其中t(n1,f)表示子任务wn1,f与子任务wn2,f的传输时延；Bcl表示LAN链路带宽；Bc表示WAN链路带宽；Hf(n1,n2)表示子任务wn1,f与子任务wn2,f之间的关系约束；T1、T2以及T3分别表示3种不同的关系约束。
由上式可知，当具有执行顺序约束的两个子任务wn1,f与wn2,f的基因值相同时，即迁移到同一目的地是，其时延为0，即有更大可能接近于迭代后的最优基因值。
因此，针对有序工作流中的子任务，将根据子任务的任务量，在初始化操作中定向初始化其基因值；即综合任务量较小的两个或更多的具有顺序约束的子任务在初始化阶段将不进行迁移，直接在本地执行；而综合任务量较大的子任务集合将进一步根据边缘服务器的资源，迁移到合适的边缘服务器上处理；综合任务量非常大的子任务集合将被迁移到远程云数据中心上处理。
所述步骤S30具体为：
对所述父代种群PA进行选择、交叉和变异操作，生成规模为f的子代种群PB，并对所述父代种群PA以及子代种群PB进行融合生成规模为2f的混合种群PC。
所述步骤S40具体为：
计算所述混合种群PC的子任务wn,f在当前迁移策略下的系统能耗En,f、时延Tn,f以及资源利用率RM，利用第三代非支配排序遗传算法对系统能耗En,f以及时延Tn,f进行倒序排序，对资源利用率RM进行正序排序后，构成若干个非支配层。即系统能耗En,f以及时延Tn,f越小，资源利用率RM越大，则排名越靠前。
由于边缘服务器的资源利用率与任务的系统能耗和时延并非完全对等的，因此在对粒子(子任务wn,f)进行非支配排序时，粒子的资源利用率将取当前粒子迁移到的边缘服务器的资源利用率。
所述步骤S50具体为：
基于系统能耗、时延以及资源利用率计算所述混合种群PC的三个极值点；当所述极值点大于时延或系统能耗的约束范围时，即定义最大时延或系统能耗约束为极值点。
极值点的获取满足如下方程：
Figure BDA0002655775640000091
方程中最小向量即为极值点，由此可得子任务wn,f在系统能耗、时延以及资源利用率的三个坐标轴上的极值点；
其中k∈{E,T,R}，表示系统能耗、时延以及资源利用率的任意一个；Q表示优化目标k的最大值；Wk表示Q×Q的矩阵，满足如下方程：
Wk＝(e,e,...,e)T，e＝10-6；
Figure BDA0002655775640000092
h'k(x)表示各个目标坐标轴上的目标值；hk(x)表示当前粒子在目标坐标轴上的坐标值；
Figure BDA0002655775640000093
表示目标坐标轴上的最小值。
所述步骤S60具体包括：
步骤S61、设定一迭代总次数，基于各所述极值点构建三维坐标平面；
步骤S62、从所述非支配层中筛选出f个子任务wn,f，基于各子任务wn,f的系统能耗、时延以及资源利用率计算计算每一个子任务wn,f在所述三维坐标平面中的参考点位置
Figure BDA0002655775640000101
Figure BDA0002655775640000102
其中
Figure BDA0002655775640000103
表示子任务wn,f在当前迁移策略下的系统能耗；/>
Figure BDA0002655775640000104
表示子任务wn,f在当前迁移策略下的时延；/>
Figure BDA0002655775640000105
表示边缘服务器M在当前迁移策略下的资源利用率；
更新父代种群PA时，种群中的粒子只需在一个非支配层中进行筛选，而非所有非支配层中都需要进行筛选；先将每一层的所有粒子纳入父代种群PA，当种群数量第一次达到或超过f时，则将在当前所处的非支配层中的粒子进行筛选，而非全部纳入，且定义该非支配层为目标非支配层；
步骤S63、计算坐标轴至三维坐标平面的截距值ak，设定一理想点
Figure BDA0002655775640000106
基于所述截距值ak以及理想点/>
Figure BDA0002655775640000107
对参考点位置/>
Figure BDA0002655775640000108
进行归一化：
Figure BDA0002655775640000109
其中
Figure BDA00026557756400001010
表示子任务wn,f的目标参考值；h'k(x)表示各个目标坐标轴上的目标值；
Figure BDA00026557756400001011
的取值为/>
Figure BDA00026557756400001012
或者/>
Figure BDA00026557756400001013
表示时延的理想点，取值为0；/>
Figure BDA00026557756400001014
表示系统能耗的理想点，取值为0；/>
Figure BDA00026557756400001015
表示资源利用率的理想点，由于边缘服务器中不可能没有虚拟机，因此取值不为0；
步骤S64、选取目标参考值与理想点
Figure BDA00026557756400001016
距离更近的子任务wn,f对父代种群PA进行迭代更新；
步骤S65、判断当前迭代次数是否为所述迭代总次数，若是，则结束流程，若否，则进入步骤S30。
为了便于计算和具体说明，假定网络环境中存在5个边缘服务器，即M＝5，子任务wn,f的迁移策略Qn,f∈{1，2，...，6}；当Qn,f＝0时，表示子任务wn,f不进行迁移，直接在移动设备本地执行；当Qn,f∈{1，2，...，5}时，表示子任务wn,f将迁移到5个边缘服务器中任意一个当中执行；当Qn,f＝6时，表示子任务wn,f将迁移到远程云数据中心执行。
如图2所示，移动设备端产生的任务可以通过LAN迁移边缘服务器上进行处理，同时边缘服务器也能够通过WAN与远程云数据中心交换信息，或者在资源不足的情况下，将任务进一步迁移到远程云数据中心处理。此外，任务也可以直接通过WAN迁移到远程云数据中心中执行，这与传统云计算中的理念是相似的，而在边缘环境中，这种情况时常发生于用户端任务数据量较大时。
从任务产生到完成，将会产生三种时延，即传输时延、排队时延和处理时延。这三种时延的大小将跟任务数据量、传输链路情况、服务器的计算能力等因素有关。
定义LAN链路带宽为Bcl，网络时延为LLAN，WAN链路带宽为Bc，网络时延为LWAN，移动设备本地的处理能力为PLocal；5个边缘服务器的处理能力，即计算资源分别为Pcl1、Pcl2、Pcl3、Pcl4、Pcl5，远程云数据中心的处理能力为Pc。
已知工作流集合为Wo，集合中的子任务为wn,f；设子任务wn,f中所包含的任务数据量为s(n,f)，传输数据量为t(n,f)，且对于复杂工作流来说，工作流将被划分为有序和无序两种，即某些工作流中的子任务的执行可能是存在一定的先后顺序约束的，而有些工作流则没有此约束。因此，定义工作流
Figure BDA0002655775640000112
中子任务wn1,f与子任务wn1,f之间的关系约束为Hf(n1,n2)，且该关系约束与任务的迁移策略有关，满足下列关系式：
Figure BDA0002655775640000111
该关系式约束将影响工作流中子任务的传输时延。该关系约束一般分为3种情况：两任务迁移在同一位置时，即Hf(n1,n2)∈{(0,0)，(1,1)，(2,2),(3,3)，(4,4)，(5,5),(6,6)}，任务之间无需传输驱动任务数据，定义此情况为T1。当两任务有其一迁移到边缘服务器上，但是两任务迁移策略不同且没有迁移到云数据中心上时，即
Figure BDA0002655775640000121
时，驱动任务数据将通过LAN传输，定义此情况为T2。当两任务有其一迁移到远程云数据中心上，且两任务迁移策略不同，即Hf(n1,n2)∈{(0,6)，(1,6)，(2,6),(3,6)，(4,6)，(5,6)}时，驱动任务数据将通过WAN传输，定义此情况为T3。因此，工作流中子任务wn1,f与子任务wn1,f之间任务的传输时延将满足下列关系式：
Figure BDA0002655775640000122
上述式中，随着两任务迁移策略的不同，他们之间传输驱动任务数据的传输时间也将不同。
工作流中子任务的处理时延满足下列关系式：
Figure BDA0002655775640000123
任务处理时延指任务到达服务器或在本地开始执行到执行完成的时间消耗，该时间消耗将与待处理任务量和服务器的计算能力有关。
任务的排队等待处理过程常发生在边缘服务器上。对不进行迁移，直接在本地处理的任务来说，无需进行排队，可以直接处理。而对于迁移到远程云数据中心上的任务，由于远程云数据中心具有丰富的计算资源，其计算速度是相当快的，因此排队时延将可以忽略。任务的排队时延将满足下列关系式:
Figure BDA0002655775640000131
任务wn,f迁移到边缘服务器上所需的排队时延为其迁移目的边缘服务器上在任务wn,f之前到达的任务的处理时延之和。Wait函数为求任务wn,f执行之前需等待任务的处理时延，Sum为求和函数。
数量为f的工作流集合
Figure BDA0002655775640000132
的总时延满足关系式：
Figure BDA0002655775640000133
系统能耗将建立在已知系统时延的基础上求得，系统能耗满足关系式：
Figure BDA0002655775640000134
Ux表示任务迁移目的地服务器的功率。通过时延与功率之和，即可求得工作流执行时的系统总能耗。
进一步的，在已知当前工作流中所有子任务的迁移策略后，边缘服务器M的资源利用率NM将满足关系式：
Figure BDA0002655775640000135
其中IM表示迁移到边缘服务器M上的子任务数量，VM表示边缘服务器M上虚拟机的数量。当迁移到该边缘服务器的任务数量超过虚拟机数量时，即此时资源利用率将达到1，任务排队等到处理的情况也会发生。
在非支配排序过程中，工作流集合
Figure BDA0002655775640000136
中的子任务将构成若干非支配层。而在选择过程中，仅需取即将使种群数量达到f的最后一个非支配层，而其前面的非支配层中的粒子无需筛选，可以直接进入到下一次迭代的新的父代种群中。
随着迭代的进行，父代种群的迁移策略会不断的改变，而由目标函数所定位的参考点构成的平面也将越来越小，参考点的位置也将逐渐趋向于目标优化最佳位置。
综上所述，本发明的优点在于：
通过增加系统能耗约束条件构成时延和系统能耗的双约束可靠模型，并针对数据量大、数据种类多的复杂任务，采用适用于大规模任务、多目标优化的第三代非支配排序遗传算法应用于多边缘服务器的MEC计算迁移场景中，对系统能耗、时延以及资源利用率进行多目标优化，适用于较为复杂、含有众多边缘服务器的网络环境中，且能够满足用户一般情况下对系统能耗和时延的约束，即用户对任务处理可靠性的需求，且操作步骤简单、可靠性高、实时性强、执行成本低、支持网络中各种各样的移动设备的通信、支持众多种类任务的计算迁移。即在满足时延和系统能耗双重可靠性约束条件的同时，实现对复杂任务的系统能耗、时延以及资源利用率进行多目标优化。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (4)

1.一种边缘环境可靠性约束的复杂任务计算迁移方法，其特征在于：包括如下步骤：
步骤S10、获取任务集合Taski，基于所述任务集合Taski构建复杂工作流模型
Figure FDA0004142531310000011
步骤S20、基于所述复杂工作流模型
Figure FDA0004142531310000012
构建父代种群PA，并对所述父代种群PA进行初始化；
步骤S30、基于所述父代种群PA生成子代种群PB，并对所述父代种群PA以及子代种群PB进行融合生成混合种群PC；
步骤S40、利用第三代非支配排序遗传算法对所述混合种群PC的个体进行排序后，构成若干个非支配层；
步骤S50、计算所述混合种群PC各优化目标的极值点；所述优化目标包括系统能耗、时延以及资源利用率；
步骤S60、基于各所述极值点构建三维坐标平面，计算坐标轴至三维坐标平面的截距值，利用所述截距值以及非支配层对父代种群PA进行迭代更新；
所述步骤S10具体为：
获取任务集合Taski，对所述任务集合Taski进行遍历，得到所述任务集合Taski内各任务的关联关系，进而基于所述关联关系构成数量为f的工作流集合Wf，其中f为正整数；
基于所述工作流集合Wf的子任务wn,f是否具有特定执行顺序，将所述工作流集合Wf划分为有序工作流和无序工作流，进而利用所述有序工作流以及无序工作流构建复杂工作流模型
Figure FDA0004142531310000013
所述步骤S20具体为：
基于基因算法，将所述复杂工作流模型
Figure FDA0004142531310000014
中的每一条工作流定义为一条染色体，每一个子任务wn,f定义为染色体中的一个基因，由所述复杂工作流模型/>
Figure FDA0004142531310000015
的所有染色体构成规模为f的父代种群PA；
对于由无序工作流构成的父代种群PA，基因在[0,M+1]范围内进行随机初始化，其中M表示边缘服务器的数量；
对于由有序工作流构成的父代种群PA，初始化基因值会对子任务wn,f的时延和系统能耗产生影响；子任务wn,f的时延Ttran(wn1,f,wn2,f)满足：
Figure FDA0004142531310000021
其中t(n1,f)表示子任务wn1,f与子任务wn2,f的传输时延；Bcl表示LAN链路带宽；Bc表示WAN链路带宽；Hf(n1,n2)表示子任务wn1,f与子任务wn2,f之间的关系约束；T1、T2以及T3分别表示3种不同的关系约束；
所述步骤S60具体包括：
步骤S61、设定一迭代总次数，基于各所述极值点构建三维坐标平面；
步骤S62、从所述非支配层中筛选出f个子任务wn,f，基于各子任务wn,f的系统能耗、时延以及资源利用率计算每一个子任务wn,f在所述三维坐标平面中的参考点位置
Figure FDA0004142531310000022
Figure FDA0004142531310000023
其中
Figure FDA0004142531310000024
表示子任务wn,f在当前迁移策略下的系统能耗；/>
Figure FDA0004142531310000025
表示子任务wn,f在当前迁移策略下的时延；/>
Figure FDA0004142531310000026
表示边缘服务器M在当前迁移策略下的资源利用率；
步骤S63、计算坐标轴至三维坐标平面的截距值ak，设定一理想点
Figure FDA0004142531310000027
基于所述截距值ak以及理想点/>
Figure FDA0004142531310000028
对参考点位置/>
Figure FDA0004142531310000029
进行归一化：
Figure FDA00041425313100000210
其中
Figure FDA00041425313100000211
表示子任务wn,f的目标参考值；h'k(x)表示各个目标坐标轴上的目标值；/>
Figure FDA00041425313100000212
的取值为/>
Figure FDA00041425313100000213
或者/>
Figure FDA00041425313100000214
Figure FDA00041425313100000215
表示时延的理想点，取值为0；/>
Figure FDA0004142531310000031
表示系统能耗的理想点，取值为0；/>
Figure FDA0004142531310000032
表示资源利用率的理想点，取值不为0；
步骤S64、选取目标参考值与理想点
Figure FDA0004142531310000033
距离更近的子任务wn,f对父代种群PA进行迭代更新；
步骤S65、判断当前迭代次数是否为所述迭代总次数，若是，则结束流程，若否，则进入步骤S30。
2.如权利要求1所述的一种边缘环境可靠性约束的复杂任务计算迁移方法，其特征在于：所述步骤S30具体为：
对所述父代种群PA进行选择、交叉和变异操作，生成规模为f的子代种群PB，并对所述父代种群PA以及子代种群PB进行融合生成规模为2f的混合种群PC。
3.如权利要求1所述的一种边缘环境可靠性约束的复杂任务计算迁移方法，其特征在于：所述步骤S40具体为：
计算所述混合种群PC的子任务wn,f在当前迁移策略下的系统能耗En,f、时延Tn,f以及资源利用率RM，利用第三代非支配排序遗传算法对系统能耗En,f以及时延Tn,f进行倒序排序，对资源利用率RM进行正序排序后，构成若干个非支配层。
4.如权利要求1所述的一种边缘环境可靠性约束的复杂任务计算迁移方法，其特征在于：所述步骤S50具体为：
基于系统能耗、时延以及资源利用率计算所述混合种群PC的三个极值点；当所述极值点大于时延或系统能耗的约束范围时，即定义最大时延或系统能耗约束为极值点。
CN202010886685.XA 2020-08-28 2020-08-28 一种边缘环境可靠性约束的复杂任务计算迁移方法 Active CN111984419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010886685.XA CN111984419B (zh) 2020-08-28 2020-08-28 一种边缘环境可靠性约束的复杂任务计算迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010886685.XA CN111984419B (zh) 2020-08-28 2020-08-28 一种边缘环境可靠性约束的复杂任务计算迁移方法

Publications (2)

Publication Number Publication Date
CN111984419A CN111984419A (zh) 2020-11-24
CN111984419B true CN111984419B (zh) 2023-06-02

Family

ID=73441023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010886685.XA Active CN111984419B (zh) 2020-08-28 2020-08-28 一种边缘环境可靠性约束的复杂任务计算迁移方法

Country Status (1)

Country Link
CN (1) CN111984419B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632532B (zh) * 2020-12-28 2022-08-23 重庆邮电大学 边缘计算中基于深度森林的用户异常行为检测方法
CN112867066B (zh) * 2021-01-26 2022-07-29 南京邮电大学 基于5g多小区深度强化学习的边缘计算迁移方法
CN112883526B (zh) * 2021-03-15 2023-04-07 广西师范大学 一种任务延迟和可靠性约束下的工作负载分配方法
CN113037805B (zh) * 2021-05-11 2022-07-08 福州大学 面向移动边缘计算的多实例微服务迁移方法
CN113139639B (zh) * 2021-05-17 2023-05-30 华侨大学 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN113742077B (zh) * 2021-09-08 2024-03-01 吉林大学 一种基于5g车联网的计算迁移方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710374A (zh) * 2018-12-05 2019-05-03 重庆邮电大学 移动边缘计算环境下最小化任务卸载费用的vm迁移策略
WO2020005272A1 (en) * 2018-06-29 2020-01-02 Intel Corporation Technologies for providing efficient migration of services at a cloud edge
CN111090522A (zh) * 2019-12-13 2020-05-01 南京邮电大学 一种移动边缘计算环境下服务部署与迁移的调度系统及决策方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9880885B2 (en) * 2015-02-04 2018-01-30 Telefonaktiebolaget Lm Ericsson (Publ) Method and system to rebalance constrained services in a cloud using a genetic algorithm
US11412052B2 (en) * 2018-12-28 2022-08-09 Intel Corporation Quality of service (QoS) management in edge computing environments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020005272A1 (en) * 2018-06-29 2020-01-02 Intel Corporation Technologies for providing efficient migration of services at a cloud edge
CN109710374A (zh) * 2018-12-05 2019-05-03 重庆邮电大学 移动边缘计算环境下最小化任务卸载费用的vm迁移策略
CN111090522A (zh) * 2019-12-13 2020-05-01 南京邮电大学 一种移动边缘计算环境下服务部署与迁移的调度系统及决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Kai Peng 等.A Survey on Mobile Edge Computing: Focusing on Service Adoption and Provision.《Wireless Communications and Mobile Computing》.2018,全文. *
Lujie Tang 等.A Novel Task Caching and Migration Strategy in Multi-Access Edge Computing Based on the Genetic Algorithm.《future Internet》.2019,全文. *
郑利阳.移动云计算环境下基于任务依赖的计算迁移研究.《硕士电子期刊》.2020,全文. *

Also Published As

Publication number Publication date
CN111984419A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111984419B (zh) 一种边缘环境可靠性约束的复杂任务计算迁移方法
Chen et al. Energy-efficient offloading for DNN-based smart IoT systems in cloud-edge environments
CN112512056B (zh) 一种移动边缘计算网络中多目标优化的计算卸载方法
Liu et al. A reinforcement learning-based resource allocation scheme for cloud robotics
CN111813506B (zh) 一种基于粒子群算法资源感知计算迁移方法、装置及介质
Yang et al. D2D-enabled mobile-edge computation offloading for multiuser IoT network
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
WO2023040022A1 (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
Zhang et al. Distributed resource allocation for data center networks: A hierarchical game approach
Zhao et al. MESON: A mobility-aware dependent task offloading scheme for urban vehicular edge computing
Wang et al. An energy saving based on task migration for mobile edge computing
Abbasi et al. Optimal distribution of workloads in cloud-fog architecture in intelligent vehicular networks
Cui et al. A new approach on task offloading scheduling for application of mobile edge computing
Zhong et al. POTAM: A parallel optimal task allocation mechanism for large-scale delay sensitive mobile edge computing
Liu et al. Multi-user dynamic computation offloading and resource allocation in 5G MEC heterogeneous networks with static and dynamic subchannels
Shao et al. Delay and energy consumption oriented UAV inspection business collaboration computing mechanism in edge computing based electric power IoT
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
Peng et al. Reliability-aware computation offloading for delay-sensitive applications in mec-enabled aerial computing
Ren et al. A memetic algorithm for cooperative complex task offloading in heterogeneous vehicular networks
Manavi et al. Resource allocation in cloud computing using genetic algorithm and neural network
Gupta et al. Toward intelligent resource management in dynamic Fog Computing‐based Internet of Things environment with Deep Reinforcement Learning: A survey
Zhu et al. Mobile edge computing offloading scheme based on improved multi-objective immune cloning algorithm
Jia et al. Low latency deployment of service-based data-intensive applications in cloud-edge environment
Shi et al. Workflow migration in uncertain edge computing environments based on interval many-objective evolutionary algorithm
Lei et al. A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment

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