CN112073452B - 一种能源有效和资源受限的移动边缘计算任务分配方法 - Google Patents

Abstract

本发明公开了一种能源有效和资源受限的移动边缘计算任务分配方法，根据不同的任务分配方案，在规定执行延迟的情况下对边缘云的能源和处理器资源的影响，建立基于能耗和处理器资源浪费的联合优化模型，进而在规定执行延迟的情况下最小化任务分配的总能耗和处理器资源浪费，然后，将该联合优化问题映射为生物地理学算法的生态系统模型，并根据相应的优化目标和优化条件，获得最优任务分配方案；本发明解决了资源有限的移动用户设备无法满足移动应用的资源需求，移动用户设备就会将构成移动应用的部分任务卸载到移动边缘计算的基站或边缘云之上，提高边缘云的能源效率和处理器资源使用率。

Description

一种能源有效和资源受限的移动边缘计算任务分配方法

技术领域：

本发明涉及移动边缘计算，特别是涉及一种能源有效和资源受限的移动边缘计算任务分配方法。

背景技术：

移动边缘计算(Mobile Edge Computing)通过将云资源(如计算，网络和存储)推送到移动网络的边缘来提供云服务，对无线网络与应用进行融合，使得传统无线接入网具备智能化、应用本地化和近距离部署的条件，从而提供高带宽、低时延的传输能力，其环境示意图如图1所示。在该示意图中有六个部分:(1)移动用户设备；(2)无线蜂窝基站；(3)被分配到虚拟机(Virtual Machines,VMs)和容器(Containers,Cs)的任务(Tasks,Ts)；(4)内置有虚拟机和容器的边缘服务器和云服务器；(5)访问边缘云的互联网，以及(6)提供云服务的边缘云。当移动用户提出应用请求时，边缘服务器或云服务器上的虚拟机或容器会协助移动用户设备处理卸载到其上的任务，并将处理结果反馈给移动用户设备。

随着移动边缘计算环境中移动用户设备的快速更新换代和数量的爆炸式增长，使得移动应用的数量和计算或资源需求都急剧增加。虽然移动用户设备的资源配置大幅提升，但是它的计算、存储、带宽或电池容量仍然无法满足这些移动应用的计算要求。因此，需要将单个移动应用拆分为一系列可被独立设计、开发、部署、运维的任务，并将这些彼此配合、相互协作的任务卸载到边缘服务器甚至云服务器之上，交由多个虚拟机或容器构成的虚拟集群或容器集群来协同处理，进而使得移动用户设备减少能耗和加快计算过程，同时也使得在移动用户设备上运行新兴移动应用成为可能。在计算卸载过程中，由单个移动应用分解成的多个任务需要选择最佳的计算节点进行协同处理；同时，在由容器或虚拟机处理这些任务的过程中，鉴于卸载到边缘云上的任务对处理器资源和能源的消耗情况，采用何种任务分配算法将这些任务分配到边缘云之上则具有非常重要的研究意义。

发明内容：

本发明所要解决的技术问题是：克服现有技术的不足，首先建立基于能耗和处理器资源浪费的联合优化模型，其次，将该联合优化问题映射为生物地理学算法的生态系统模型，并根据相应的优化目标和优化条件，获得最优任务分配方案的能源有效和资源受限的移动边缘计算任务分配方法。

本发明的技术方案是：一种能源有效和资源受限的移动边缘计算任务分配方法，根据不同的任务分配方案，在规定执行延迟的情况下对边缘云的能源和处理器资源的影响，建立基于能耗和处理器资源浪费的联合优化模型，进而在规定执行延迟的情况下最小化任务分配的总能耗和处理器资源浪费，然后，将该联合优化问题映射为生物地理学算法的生态系统模型，并根据相应的优化目标和优化条件，获得最优任务分配方案，其具体步骤是：

步骤一、根据边缘服务器的能耗与其上的CPU利用率呈线性的关系，把边缘服务器的能耗模型定义为CPU利用率的函数；

步骤二、在现有模型的基础上进行扩展来量化边缘服务器所有维度的资源浪费情况，并在不同维度上均衡第j个边缘服务器的剩余资源，获得处理器资源浪费模型；

步骤三、在满足资源需求和规定执行延迟的前提下同时最小化总体能耗和总体处理器资源浪费，获得优化阶段的联合优化目标函数；

步骤四、通过映射模型把联合优化问题映射为生物地理学算法的生态系统模型，并根据联合优化目标和资源与延迟约束，对BBO算法的参数和算子进行定义，

步骤五、对种群大小，迭代数，最大物种数，最大迁入率，最大变异率，精英数量进行初始化；其次，对一组随机的栖息地集合进行初始化和排序，每个栖息地对应一个给定问题的潜在解决方案；

步骤六、根据迁移算子、变异算子、移除算子和精英算子对精英栖息地进行迁移排序，获得最优任务分配方案。

进一步的，所述步骤一中，CPU利用率的函数，如公式(1)所示。

其中，M为边缘云中的运行有待分配任务的虚拟机或容器总数；第j个边缘服务器是两种服务器类型(即HP ProLiant G4或HP ProLiant G5)中的一种；

和

分别表示第j个边缘服务器被充分利用和空闲时所消耗的功率。

表示第j个边缘服务器中所有运行在边缘服务器上的虚拟机或容器的总CPU利用率。二进制变量y_j表示第j个边缘服务器是否被启动，启动时值为1，反之则为0。

进一步的，所述步骤二中，第j个边缘服务器拥有的CPU、内存或带宽的利用率可以被估算为放置在该边缘服务器上的所有虚拟机或容器消耗的总资源数量。并对每个边缘服务器的CPU、内存和带宽利用率设置一个90％的上限。则，处理器资源浪费模型为

其中，W_j表示第j个边缘服务器的资源浪费或闲置资源。α或β表示CPU、内存和带宽三种资源类型；

和

分别表示第i个虚拟机或容器上资源α和β的需求。

和

分别表示在第j个边缘服务器中资源α和β的使用率阈值。V是资源维度的数量，其被设置为3。二进制变量b_ij表示第i个虚拟机或容器是否被分配到第j个服务器上。

进一步的，所述步骤三中，M个加载有任务的虚拟机或容器被分配到N个边缘服务器上，每个虚拟机或容器的资源需求都不会超过所在边缘服务器的剩余资源。同时，虚拟机或容器的资源需求和边缘服务器的资源容量都由多维向量表示，而且每个维度都表示虚拟机或容器所请求的特定资源类型的数量。

进一步的，所述步骤三中，联合优化目标函数为

Minimize:

其中，θ是可调权重因子0＜θ＜1；

和

分别表示第i个虚拟机或容器的最大CPU、带宽和内存需求；

和

分别表示第j个边缘服务器的闲置CPU、带宽和内存容量；公式(4)到(6)表示边缘服务器所具有的闲置资源必须多于虚拟机或容器需求资源之和；公式(7)表示一个虚拟机或容器只能放置到一个服务器上；公式(8)表示虚拟机或容器处理完第t个物联网应用所需要的执行延迟；C表示处理第t个物联网应用所需要的虚拟机或容器的个数；bw_q和data_q分别表示处理第t个物联网应用的第q个虚拟机或容器的带宽和发送数据量；x_t,q表示第t个物联网应用的第q个任务所在的虚拟机或容器是否为发送端，如果是则x_t,q＝1，否则x_t,q＝0；公式(9)表示虚拟机或容器处理完L个物联网应用所需要的总执行延迟时间需要小于预定的执行延迟门槛T，Latency_t表示处理第t个物联网应用所需要的执行延迟；E₀和W₀分别表示所有任务分配方案的最小能耗和资源浪费；E_max和W_max分别表示所有任务分配方案的最大能耗和资源浪费。

进一步的，所述步骤四中，映射模型如图2所示：

其中，P表示生态系统中岛屿的总数；Latency表示处理L个物联网应用的执行时延是否在给定的时间内，如果时延在给定的时间内，则Latency为真；否则，Latency为false；Φ₁，Φ₂,…,Φ_P分别表示候选的解决方案X₁,X₂,…,X_P的适用度；每个SIV表示物联网应用的一个任务所分配到的边缘服务器，并用虚线矩形表示；每个虚线椭圆表示一个包括边缘服务器的边缘云。

进一步的，所述步骤四中，算子包括迁移算子、变异算子、移除算子和精英算子，对BBO算法的参数和算子定义如下:

迁移算子用

符号表示，它是一个概率算子，根据表示物种数量s(即物种数量)的迁移率λ_s和迁出率μ_s来调整栖息地，如公式(10)所示。式(11)表示种群从栖息地X_k向栖息地X_j的迁移操作。

式中，S^*表示一个栖息地中的最大物种数；I和E分别表示最大迁入率和最大迁出率；X_j和X_k分别表示种群中的第j个和第k个栖息地；λ_j和μ_k分别表示第j个栖息地和第k个栖息地的迁入率和迁出率；X_j,τ表示栖息地X_j的第τ个SIV；X_k,ρ表示栖息地X_k的第ρSIV；R₁和R₂表示(0,1)中的一次性随机数。

变异算子用U(·)符号表示，它是基于栖息地存在的变异概率m_s来随机修改栖息地的SIV的概率算子。公式(14)表示了在栖息地中的第τ个SIV的变异操作。

式中，P_s为栖息地X中确切包含s个物种的概率，如式(12)所示；m_s表示栖息地X的变异概率，其与物种数s成反比，如公式(13)所示；P^*和m^*分别表示概率P_s和变异概率m_s的最大值；

表示新的SIV；R₃表示(0,1)中的一次性随机数。

移除算子用

符号表示，其识别每个栖息地的超载边缘服务器，并在满足有限的资源容量和一定的执行延迟(即

)的情况下用其它边缘服务器替换它们。式(15)表示移除算子通过调整上述约束条件下的栖息地X生成新的栖息地

精英算子用

符号表示，其确保最佳的e个栖息地能够代代相传。公式(16)表示将每一代开始时刻的e个最佳栖息地的保存到一个集合{X_P-e+1,...,X_P}中，然后在满足有限的资源容量和一定的执行延迟(即

)的情况下用这个集合替换掉下一代结束时的新集合

的最坏e个栖息地。

本发明的有益效果是：

1、本发明解决移动用户设备中的任务卸载到边缘云的任务分配问题，通过考虑在规定执行延迟的情况下不同的任务分配方案对边缘云的能源和处理器资源的影响，进而解决能耗和处理器资源浪费的联合优化问题。

2、本发明考虑移动边缘计算的处理器资源约束，制定了能耗和处理器资源的联合优化问题，进而最小化任务分配的总能耗和处理器资源浪费，并将该问题映射为一个生物地理学算法(Biogeography-based Optimization，BBO)的生态系统模型，然后依据该模型来重新定义和增加生物地理学算法的迁移算子、变异算子、移除算子和精英因子，从而获取最佳结果；最后从鲁棒性、性能和可扩展性等方面对该任务分配算法进行全面的仿真测试分析，对本发明进行验证。

附图说明：

图1为移动边缘计算环境示意图。

图2为BBO算法的映射模型。

图3为E_max和E₀的值显示图。

图4为W_max和W₀的值显示图。

图5为对应不同P和G值的任务分配算法适应度图。

图6为虚拟机分配算法的适应度对比图。

图7为虚拟机分配算法的总体能耗对比图。

图8为虚拟机分配算法的总体资源浪费对比图。

图9为针对不同P和G的值产生新解决方案的时间图。

图10为产生解决方案的初始化种群和后续迭代的执行时间图。

具体实施方式：

实施例：参见图1、图2、图3、图4、图5、图6、图7、图8、图9和图10。

一种能源有效和资源受限的移动边缘计算任务分配方法，其步骤是：步骤一、根据边缘服务器的能耗与其上的CPU利用率呈线性的关系，把边缘服务器的能耗模型定义为CPU利用率的函数；

步骤二、在现有模型的基础上进行扩展来量化边缘服务器所有维度的资源浪费情况，并在不同维度上均衡第j个边缘服务器的剩余资源，获得处理器资源浪费模型；

步骤三、在满足资源需求和规定执行延迟的前提下同时最小化总体能耗和总体处理器资源浪费，获得优化阶段的联合优化目标函数；

步骤四、通过映射模型把联合优化问题映射为生物地理学算法的生态系统模型，并根据联合优化目标和资源与延迟约束，对BBO算法的参数和算子进行定义，

步骤五、对种群大小，迭代数，最大物种数，最大迁入率，最大变异率，精英数量进行初始化；其次，对一组随机的栖息地集合进行初始化和排序，每个栖息地对应一个给定问题的潜在解决方案；

步骤六、根据迁移算子、变异算子、移除算子和精英算子对精英栖息地进行迁移排序，获得最优任务分配方案。

下面结合附图和实施例对本申请进行详细描述。

在任务分配问题中，待分配的任务从移动用户设备卸载而来，同时为后期算法的方便，每个任务都被指定一个规定大小的虚拟机或容器。

相关文献(Lien C H,Bai Y W,Lin M B.Estimation by software for thepower consumption of streaming-media servers[J].IEEE transactions oninstrumentation and measurement,2007,56(5):1859-1870.)表明，边缘服务器的能耗与其上的CPU利用率呈线性关系，为了节省电能，当边缘服务器处于空闲状态时，它会被关闭。第j个边缘服务器的能耗模型可以被定义为CPU利用率的函数，如公式(1)所示。

其中，M为边缘云中的运行有待分配任务的虚拟机或容器总数；第j个边缘服务器是两种边缘服务器类型(即HP ProLiant G4或HP ProLiant G5)中的一种；

和

分别表示第j个边缘服务器被充分利用和空闲时所消耗的功率，其值分别按100％和0％求得，因此，HP ProLiant G4分别为117W和86W,HP ProLiant G5分别为135W和93.7W。

表示第j个边缘服务器中所有运行在边缘服务器上的虚拟机或容器的总CPU利用率。二进制变量y_j表示第j个边缘服务器是否被启动，启动时值为1，反之则为0。

通过对文献1(Zheng Q,Li R,et al.基于多目标生物地理学优化的虚拟机联合布局[J].Future Generation Computer Systems,2016,54:95-122)，文献2(Xu J,Fortes JAB.虚拟数据中心环境中的多目标虚拟机布局[C].2010IEEE/ACM绿色计算和通信国际会议&网络、物理和社会计算国际会议,2010:179-188)中的模型进行扩展来量化边缘服务器所有维度的资源浪费情况，并在不同维度上均衡第j个边缘服务器的剩余资源，如公式(2)所示。第j个边缘服务器拥有的某一类资源(CPU、内存或带宽)的利用率可以被估算为放置在该边缘服务器上的所有虚拟机或容器消耗的总资源数量。某一类资源被100％使用可能会导致严重的性能退化，并可能触发实时虚拟机或容器迁移，进而需要迁移节点额外的CPU处理时间。因此，需要对每个边缘服务器的CPU、内存和带宽利用率设置一个90％的上限。

其中，W_j表示第j个边缘服务器的资源浪费(也就是闲置资源)。α(或β)表示CPU、内存和带宽三种资源类型；

和

分别表示第i个虚拟机或容器上资源α和β的需求。

和

分别表示在第j个边缘服务器中资源α和β的使用率阈值。V是资源维度的数量，其被设置为3。二进制变量b_ij表示第i个虚拟机或容器是否被分配到第j个边缘服务器上，也就是说，如果第i虚拟机或容器被分配到第j边缘服务器上，那么b_ij＝1，否则b_ij＝0。

任务优化目标函数被用来在规定执行延迟的情况下同时最小化任务分配方案的总体能耗和总体资源浪费。由于该任务优化分配问题是一个NP-hard问题，找到最优任务分配方案的问题被认为是一个多目标优化问题，在此优化问题中，M个加载有任务的虚拟机或容器被分配到N个边缘服务器上，每个虚拟机或容器的资源需求都不会超过所在边缘服务器的剩余资源。同时为了研究方便，虚拟机或容器的资源需求和边缘服务器的资源容量都由多维向量表示，而且每个维度都表示虚拟机或容器所请求的特定资源类型的数量。因此，任务分配问题的优化目标是在满足资源需求的前提下同时最小化总体能耗和总体处理器资源浪费，优化阶段的联合优化目标函数(适应度fitness)可以用式(3)表示。

Minimize:

其中，θ是可调权重因子0＜θ＜1；

和

分别表示第i个虚拟机或容器的最大CPU、带宽和内存需求；

和

分别表示第j个边缘服务器的闲置CPU、带宽和内存容量；公式(4)到(6)表示边缘服务器所具有的闲置资源必须多于虚拟机或容器需求资源之和；公式(7)表示一个虚拟机或容器只能放置到一个边缘服务器上；公式(8)表示虚拟机或容器处理完第t个物联网应用所需要的执行延迟；C表示处理第t个物联网应用所需要的虚拟机或容器的个数；bw_q和data_q分别表示处理第t个物联网应用的第q个虚拟机或容器的带宽和发送数据量；x_t,q表示第t个物联网应用的第q个任务所在的虚拟机或容器是否为发送端，如果是则x_t,q＝1，否则x_t,q＝0；公式(9)表示虚拟机或容器处理完L个物联网应用所需要的总执行延迟时间需要小于预定的执行延迟门槛T，Latency_t表示处理第t个物联网应用所需要的执行延迟；E0和W0分别表示所有任务分配方案的最小能耗和资源浪费，它们可以采用FF算法来计算而得(Liu J,Wang S,et al.使用主动容错方法来增强云服务的可靠性[J].2016,6(4):1191-1202.)；E_max和W_max分别表示所有任务分配方案的最大能耗和资源浪费，它们可以通过最大能耗和资源浪费分配算法(Maximum Energy and ResourceWastage Allocation，MERWA)计算得到，即当虚拟机或容器集合中的一个虚拟机或容器被分配到一个边缘服务器时，MERWA首先遍历云端云中的所有边缘服务器来确定一个尚未启动、CPU容量最大和能够容纳该虚拟机或容器的边缘服务器。

在标准BBO算法(Simon D.基于生物地理学的优化[J].IEEE transactions onevolutionary computation,2008,12(6):702-713)中，候选解决方案的种群代表一个群岛，即生态系统。一个候选解决方案的适应度是由栖息地适宜性指数(HabitatSuitability Index，HSI)来衡量，而且该适应性指数是由诸如温度、降雨等适宜性指数变量(Suitability Index Variables,SIVs)决定。因此，一个候选解决方案由一个SIVs的向量表示。BBO包括迁移和变异两个关键算子，其中，迁移是一个区别于其他基于种群的优化算法的显著特征，而且它还通过概率地在解决方案之间分享SIVs来提高低HSI解决方案的质量。变异跟随迁移而来，并用随机生成的新SIVs来概率地替换一个解决方案中的SIVs。

基于BBO的任务分配算法将上述优化问题作为一个包含多个岛屿(即个体)的生态系统，每个岛屿都是该生态系统里的一个候选任务分配方案。同时，这些岛屿具有相同的优化目标(即式(3))和约束条件(即式(4)到式(7))，也就说，每个岛屿相互共享信息，并根据该优化目标和约束条件来优化整个生态系统。

为了与BBO算法映射，提出了一个映射模型，将L个物联网应用(IoT application)的任务优化分配问题映射到一个生态系统(如图2所示)。

P表示生态系统中岛屿的总数(即种群的大小)；Latency表示处理L个物联网应用的执行时延是否在给定的时间内，如果时延在给定的时间内，则Latency为真；否则，Latency为false；Φ1，Φ2,…,ΦP分别表示候选的解决方案X1,X2,…,XP的适用度；每个SIV表示物联网应用的一个任务所分配到的边缘服务器(edge server)，并用虚线矩形表示；每个虚线椭圆表示一个包括边缘服务器的边缘云(edge cloud)。所有岛屿都有相同的联合优化目标和资源与延迟约束。也就是说，这些岛屿必须在一定的执行延迟的情况下处理L个物联网应用，并通过与其他岛屿共享信息来优化自身，从而优化生态系统。

考虑到上述映射模型和任务优化分配问题的具体特点，对BBO算法的参数和算子重新定义如下:

定义1(迁移算子)。迁移算子用

符号表示，它是一个概率算子，根据表示物种数量s(即物种数量)的迁移率λ_s和迁出率μ_s来调整栖息地，如公式(10)所示。式(11)表示种群从栖息地X_k向栖息地X_j的迁移操作。

式中，S^*表示一个栖息地中的最大物种数；I和E分别表示最大迁入率和最大迁出率；X_j和X_k分别表示种群中的第j个和第k个栖息地；λ_j和μ_k分别表示第j个栖息地和第k个栖息地的迁入率和迁出率；X_j,τ表示栖息地X_j的第τ个SIV；X_k,ρ表示栖息地X_k的第ρSIV；R₁和R₂表示(0,1)中的一次性随机数。

定义2(变异算子)。变异算子用U(·)符号表示，它是基于栖息地存在的变异概率m_s来随机修改栖息地的SIV的概率算子。公式(14)表示了在栖息地中的第τ个SIV的变异操作。

式中，P_s为栖息地X中确切包含s个物种的概率，如式(12)所示；m_s表示栖息地X的变异概率，其与物种数s成反比，如公式(13)所示；P^*和m^*分别表示概率P_s和变异概率m_s的最大值；

表示新的SIV；R₃表示(0,1)中的一次性随机数。

定义3(移除算子)。移除算子用

符号表示，其识别每个栖息地的超载边缘服务器，并在满足有限的资源容量和一定的执行延迟(即

)的情况下用其它边缘服务器替换它们。式(15)表示移除算子通过调整上述约束条件下的栖息地X生成新的栖息地

定义4(精英算子)。精英算子用

符号表示，其确保最佳的e个栖息地能够代代相传。公式(16)表示将每一代开始时刻的e个最佳栖息地的保存到一个集合{X_P-e+1,...,X_P}中，然后在满足有限的资源容量和一定的执行延迟(即

)的情况下用这个集合替换掉下一代结束时的新集合

的最坏e个栖息地。

最后，为了将这些加载有任务的虚拟机或容器分配到边缘服务器上，上述改进的BBO算法被采用来解决这个任务分配联合优化问题，该多目标任务分配算法(Multi-objective Task Allocation Algorithm，MTAA)的伪代码如算法1所示。

该算法首先对种群大小P，迭代数G，最大物种数S_max，最大迁入率I，最大变异率m_max，精英数量e进行初始化；其次，对一组随机的栖息地集合进行初始化和排序，每个栖息地对应一个给定问题的潜在解决方案；利用定义1和2概率性地使用迁移和突变算子对每个非精英栖息地；利用定义3来移除每个栖息地中的超载SIVs；利用定义4把最优的精英集合替换掉最坏的栖息地；最后，重新计算每个HSI，对生态系统中的所有栖息地进行排序，用e个精英替换处于末位的栖息地，再根据HSI重新对所有栖息地进行排序，然后进入第三步进行下一次迭代。这个循环可以在达到迭代次数G之后终止。

将本发明所提出的多目标任务分配算法与一些传统装箱离线算法、组遗传算法和单目标生物地理学算法进行对比，最后从鲁棒性、性能和可扩展性等方面对这些算法进行仿真实验评价分析。

通过对CloudSim模拟器进行扩展来搭建一个具有16端口胖树结构的实验环境(Zhou A,Wang S,et al.关于以最佳资源使用来提高云服务可靠性的研究[J].2014,4(4):452-466)。该环境具有64个核心交换机和16个pods，其中，每个pod都由8个边缘交换机和8个汇聚交换机构成。因此，边缘云数据中心具有128个边缘交换机和128个汇聚交换机，而且每个边缘交换机又可以连接8个可以容纳一个或多个虚拟机的边缘服务器。每个边缘服务器都被建模为具有双核CPU且性能等价于HP ProLiant G4(即3720MIPS,10GB内存,10GB/s带宽和1TB外存)或HP ProLiant G5(即5320MIPS,10GB内存,10GB/s带宽和1TB外存)。为了创建多种类型的虚拟机，每个虚拟机需要具有单CPU核，1GB内存，900Mb/s带宽和1GB外存。

采用三组实验(如表1所示)来评估该所提出的MTAA算法的鲁棒性、性能和可伸缩性。由于问题规模会随着虚拟机和边缘服务器数量的变化而改变，虚拟机所请求的边缘服务器类型均匀分布在集合{HP ProLiant G5、HP ProLiant G4}上。虚拟机的CPU资源数量也被均匀地分布在集合{360，490，540，620，720，860和1000}上来模拟不同大小的虚拟机请求。可调因子θ的值依次被设置为5个常数值，即0、0.2、0.5、0.8和1.0。当实验参数M、N和θ分别被设置为1024、200和0.5时，E_max和E₀的值分别被显示在图3上，W_max和W₀的值分别被显示在图4上(E_max,W_max,E₀和W₀值分别通过MERWA和FF算法获得)。在此需要特别说明，对于每个实验设置，实验都被运行20次，并计算出平均结果。

表1三组实验的参数设置情况

种群规模P和迭代次数G是MTAA算法的两个基本参数。随着候选解决方案数量和迭代次数的增加，直觉上认为算法的性能也会随着改善。为了对其进行验证，本组实验分析了实验结果对不同种群规模P和迭代次数G的鲁棒性。

正如图5所示，当迭代次数G非常小(如小于5)时，MTAA算法的性能并没有随着种群大小P的增加改善太多，这是因为用于MTAA算法进化的可用迭代成员非常少。然而，迭代次数G超过9时，增加初始种群规模P的边际收益快速增加，这是由于MTAA算法有足够多的迭代成员来产生更好解决方案。另一个观察结果是，在大多数情况下，通过增加P的值，性能得到持续的改善，特别是当P和G的值分别为30和40时，适应度值大幅下降。当G值超过20时，适应度值下降缓慢，即增加P和G的边际效益迅速下降。因此，这些观测结果验证了MTAA算法的鲁棒性，通过该组参数值可以快速提高解决方案的质量，并获得最优或次优的解决方案。在以下所有实验中，P和G的值分别设置为30和20。

在第二组实验中，MTAA算法与5个相关的方法对比，这5个算法分别是简单启发式算法RFF、单目标组遗传算法SGGA和多目标组遗传算法MGGA和两个单目标生物地理学算法SBBO-P与SBBO-R。RFF是一个非常经典的贪婪近似算法，它随机选择一个边缘服务器来放置一个虚拟机。请注意RFF主要被用来作为其他算法的参考。SGGA-P只采用能耗指标来评估解决方案，然而，MGGA考虑了能耗和资源浪费两个优化目标。虽然SBBO-P和SBBO-R也采用BBO来搜索解空间，但SBBO-P和SBBO-R的适应度分别是通过能耗和资源浪费来评估的。

如图6至8所示，RFF、SGGA-P、SBBO-R和MGGA分别比SBBO-P增加3.1％、2.5％、2.6％和2.3％的总体能耗。这是因为这些算法比其他算法倾向于放置到更多的边缘服务器上，进而导致消耗了更多能耗。然而，在这些算法中，SBBO-R和MGGA的总体资源浪费都比SBBO-P低，分别减少了78.8％和76.7％。这是由于SBBO-R和MGGA可以更有效和全面地搜索解决方案空间，这样它们就可以找到与SBBO-P、RFF和SGGA-P相比带有更少剩余资源的解决方案。图6显示SBBO-R的适应度是所有方法中最低的，这是因为SBBO-R的可调权重因子值等于0，也就是说，它只搜索带有最低整体资源浪费的解决方案。然而，它反而产生更多的能耗。与此同时，尽管SBBO-P的适用度和总体资源浪费都低于上述算法，但它仍然高于MTAA，分别平均增长了46.7％和207.6％，这是由于MTAA具有全局搜索能力和能搜索到更好的解决方案。

此外，为了观察MTAA的性能，可调权重因子的值分别被设置为0.2、0.5和0.8。实验结果表明，当可调权重因子θ从0.2调整到0.5时，采用MTAA的适应度和总体资源浪费分别增加了70.9％和21.1％，而采用MTAA的总体能耗减少了0.8％。同样地，当可调权重因子θ从0.5调整到0.8时，其适应度和总体资源浪费分别增加了20.6％和19.8％，总体能耗减少了0.8％。因此，可调权重因子θ的值决定了优化的侧重点，也就是说，当它的值被分别设置为0.2、0.8和0.5时，优化的侧重点分别是总体资源浪费、总体能耗或以上两个方面。此外，无论可调权重因子θ被设置为0.2、0.5还是0.8，MTAA的适应度都低于其他算法。

在最后一组实验中，主要研究随着虚拟机请求数量的改变，MTAA是否具有可扩展性。图9显示了在不同的P和G的情况下为包含1024个服务器和200个虚拟机的分配问题生成新解决方案所需的时间。从该图可以获得如下结果，即随着P和G值的改变，产生新解决方案的执行时间近似为线性。

图10显示了随着虚拟机请求数量的增加生成初始种群和后续迭代所需的时间，MTAA算法需要不到14s的时间来处理包含1024服务器和2000虚拟机的分配问题。此外，后续迭代的时间增加速度比最初的解决方案要快，这是因为MTAA算法利用精英来计算每个个体的适应度，并确保最好的栖息地不会因为迭代而丢失。与此同时，当迁移率被采用来决定在个体之间分享多少信息时，被选SIVs总是按照一个方式来被替换，该方式就是修改后的栖息地总是可行和比原来栖息地更好。这些原因使后续迭代的时间增加得更快。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种能源有效和资源受限的移动边缘计算任务分配方法，根据不同的任务分配方案在规定执行延迟的情况下对边缘云的能源和处理器资源的影响，建立基于能耗和处理器资源浪费的联合优化模型，进而在保证规定执行延迟的情况下最小化任务分配的总能耗和处理器资源浪费，然后，将该联合优化模型映射为生物地理学算法的生态系统模型，并根据相应的优化目标和优化条件，获得最优任务分配方案，其具体步骤是：

步骤一、根据边缘服务器的能耗与其上的CPU利用率呈线性的关系，把边缘服务器的能耗模型定义为CPU利用率的函数；

步骤二、在现有模型的基础上进行扩展来量化边缘服务器所有维度的资源浪费情况，并在不同维度上均衡第j个边缘服务器的剩余资源，获得处理器资源浪费模型；

步骤三、在满足资源需求和规定执行延迟的前提下同时最小化总体能耗和总体处理器资源浪费，获得优化阶段的联合优化目标函数；

步骤四、通过映射模型把联合优化问题映射为生物地理学算法的生态系统模型，并根据联合优化目标和资源与延迟约束，对BBO算法的参数和算子进行定义；

步骤五、对种群大小，迭代数，最大物种数，最大迁入率，最大变异率，精英数量进行初始化；其次，对一组随机的栖息地集合进行初始化和排序，每个栖息地对应一个给定问题的潜在解决方案；

步骤六、根据迁移算子、变异算子、移除算子和精英算子对精英栖息地进行迁移排序，获得最优任务分配方案；

BBO算法指代生物地理学算法(biogeography-based optimization，BBO)；

现有模型指代“保持每个维度中平衡剩余资源模型”。

2.根据权利要求1所述的能源有效和资源受限的移动边缘计算任务分配方法，其特征是：所述步骤一中，CPU利用率的函数，如公式(1)所示：

其中，M为边缘云中的运行有待分配任务的虚拟机或容器总数；第j个边缘服务器是HPProLiant G4或HP ProLiant G5；

和

分别表示第j个边缘服务器被充分利用和空闲时所消耗的功率；

表示第j个边缘服务器中所有运行在边缘服务器上的虚拟机或容器的总CPU利用率；二进制变量y_j表示第j个边缘服务器是否被启动，启动时值为1，反之则为0。

3.根据权利要求1所述的能源有效和资源受限的移动边缘计算任务分配方法，其特征是：所述步骤二中，第j个边缘服务器拥有的CPU、内存或带宽的利用率可以被估算为放置在该边缘服务器上的所有虚拟机或容器消耗的总资源数量；并对每个边缘服务器的CPU、内存和带宽利用率设置一个90％的上限；则，处理器资源浪费模型为

其中，W_j表示第j个边缘服务器的资源浪费或闲置资源；α或β表示CPU、内存和带宽三种资源类型；

和

分别表示第i个虚拟机或容器上资源α和β的需求；

和

分别表示在第j个边缘服务器中资源α和β的使用率阈值；V是资源维度的数量，其被设置为3；二进制变量b_ij表示第i个虚拟机或容器是否被分配到第j个边缘服务器上。

4.根据权利要求1所述的能源有效和资源受限的移动边缘计算任务分配方法，其特征是：所述步骤三中，M个加载有任务的虚拟机或容器被分配到N个边缘服务器上，每个虚拟机或容器的资源需求都不会超过所在边缘服务器的剩余资源；同时，虚拟机或容器的资源需求和边缘服务器的资源容量都由多维向量表示，而且每个维度都表示虚拟机或容器所请求的特定资源类型的数量。

5.根据权利要求1所述的能源有效和资源受限的移动边缘计算任务分配方法，其特征是：所述步骤三中，联合优化目标函数为:

Minimize:

其中，θ是可调权重因子0＜θ＜1；

和

分别表示第i个虚拟机或容器的最大CPU、带宽和内存需求；

和

分别表示第j个边缘服务器的闲置CPU、带宽和内存容量；公式(4)到(6)表示边缘服务器所具有的闲置资源必须多于虚拟机或容器需求资源之和；公式(7)表示一个虚拟机或容器只能放置到一个边缘服务器上；公式(8)表示虚拟机或容器处理完第t个物联网应用所需要的执行延迟；C表示处理第t个物联网应用所需要的虚拟机或容器的个数；bw_q和data_q分别表示处理第t个物联网应用的第q个虚拟机或容器的带宽和发送数据量；x_t,q表示第t个物联网应用的第q个任务所在的虚拟机或容器是否为发送端，如果是则x_t,q＝1，否则x_t,q＝0；公式(9)表示虚拟机或容器处理完L个物联网应用所需要的总执行延迟时间需要小于预定的执行延迟门槛T，Latency_t表示处理第t个物联网应用所需要的执行延迟；E₀和W₀分别表示所有任务分配方案的最小能耗和资源浪费；E_max和W_max分别表示所有任务分配方案的最大能耗和资源浪费；

f_fitness表示联合优化目标函数；N表示移动边缘计算环境中M个加载有任务的虚拟机或容器所在边缘服务器的数量；x_ij表示是否将第i个虚拟机或容器分配到第j个边缘服务器之上，如果是则x_ij＝1，否则x_ij＝0。

6.根据权利要求1所述的能源有效和资源受限的移动边缘计算任务分配方法，其特征是：所述步骤四中，算子包括迁移算子、变异算子、移除算子和精英算子，对BBO算法的参数和算子定义如下:

迁移算子用

符号表示，它是一个概率算子，根据表示物种数量s(即物种数量)的迁移率λ_s和迁出率μ_s来调整栖息地，如公式(10)所示；式(11)表示种群从栖息地X_k向栖息地X_j的迁移操作：

式中，S^*表示一个栖息地中的最大物种数；I和E分别表示最大迁入率和最大迁出率；X_j和X_k分别表示种群中的第j个和第k个栖息地；λ_j和μ_k分别表示第j个栖息地和第k个栖息地的迁入率和迁出率；X_j,τ表示栖息地X_j的第τ个SIV；X_k,ρ表示栖息地X_k的第ρSIV；R₁和R₂表示(0,1)中的一次性随机数；SIV表示适宜性指数变量，这些诸如温度、降雨等适宜性指数变量(Suitability Index Variables,SIVs)决定了栖息的地适宜性指数(HabitatSuitability Index，HSI)；

变异算子用U(·)符号表示，它是基于栖息地存在的变异概率m_s来随机修改栖息地的SIV的概率算子；公式(14)表示了在栖息地中的第τ个SIV的变异操作；

式中，P_s为栖息地X中确切包含s个物种的概率，如式(12)所示；m_s表示栖息地X的变异概率，其与物种数s成反比，如公式(13)所示；P^*和m^*分别表示概率P_s和变异概率m_s的最大值；

表示新的SIV；R₃表示(0,1)中的一次性随机数；

移除算子用

符号表示，其识别每个栖息地的超载边缘服务器，并在满足有限的资源容量和一定的执行延迟(即

)的情况下用其它边缘服务器替换它们；式(15)表示移除算子通过调整上述约束条件下的栖息地X生成新的栖息地

精英算子用

符号表示，其确保最佳的e个栖息地能够代代相传；公式(16)表示将每一代开始时刻的e个最佳栖息地的保存到一个集合{X_P-e+1,...,X_P}中，然后在满足有限的资源容量和一定的执行延迟(即

)的情况下用这个集合替换掉下一代结束时的新集合

的最坏e个栖息地

Images