CN112104693A - 非均匀移动边缘计算网络的任务卸载方法及装置 - Google Patents

非均匀移动边缘计算网络的任务卸载方法及装置 Download PDF

Info

Publication number
CN112104693A
CN112104693A CN202010712482.9A CN202010712482A CN112104693A CN 112104693 A CN112104693 A CN 112104693A CN 202010712482 A CN202010712482 A CN 202010712482A CN 112104693 A CN112104693 A CN 112104693A
Authority
CN
China
Prior art keywords
task
unloading
queue
size
internet
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.)
Granted
Application number
CN202010712482.9A
Other languages
English (en)
Other versions
CN112104693B (zh
Inventor
崔琪楣
张健
周颖
张雪菲
张平
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010712482.9A priority Critical patent/CN112104693B/zh
Publication of CN112104693A publication Critical patent/CN112104693A/zh
Application granted granted Critical
Publication of CN112104693B publication Critical patent/CN112104693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种非均匀移动边缘计算网络的任务卸载方法及装置。该方法包括：获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；构建最小费用最大流问题，获取最优网络关联；基于所述卸载任务大小以及所述最优网络关联，获取最优任务卸载大小。该方法由于在确定任务卸载大小时，综合考虑了网络关联，因此可保证最终卸载的任务量达到最理想的值，从而可以有效降低物联网设备的能耗，具有十分广阔的应用前景。

Description

非均匀移动边缘计算网络的任务卸载方法及装置
技术领域
本发明涉及移动边缘计算技术领域，尤其涉及一种非均匀移动边缘计算网络的任务卸载方法及装置。
背景技术
近年来，移动边缘计算(Mobile Edge Computing，MEC)通过将云端的计算能力移至边缘网络，被视为降低物联网移动设备时延和能耗的关键技术，已经得到了学术界和工业界的高度重视。
由于物联网移动设备计算能力有限，电池容量较小且电池更换费用较大，因此，在移动边缘计算中设计对于物联网移动设备的能耗有效的通信方式是十分值得研究的问题。
在超密集网络(Ultra-dense Network，UDN)部署架构下的移动边缘计算系统中，物联网移动设备可能存在多个可用边缘计算服务器，不同边缘计算服务器在信道质量、服务器计算处理能力和连接容量方面存在时间和空间上变化的差异性或非均匀性，即非均匀移动边缘计算网络。
目前，一些研究已经开始致力于降低非均匀移动边缘计算网络中的物联网设备的能耗。但这些研究没有解决降低物联网设备能耗的核心问题，即将非均匀边缘计算网络中的物联网移动设备的计算任务卸载至哪个边缘计算服务器的问题，即网络关联，以及确定任务卸载的大小。
因此，如何提出一种非均匀移动边缘计算网络的任务卸载方法，能有效确定网络关联并相应地确定任务卸载，从而降低物联网设备的能耗，具有十分重要的意义。
发明内容
本发明实施例提供一种非均匀移动边缘计算网络的任务卸载方法及装置，用以解决现有技术中无法确定网络关联以及任务卸载大小的缺陷，实现降低物联网设备的能耗的效果。
本发明实施例提供一种非均匀移动边缘计算网络的任务卸载方法，包括：
获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
构建最小费用最大流问题，获取最优网络关联；
基于所述卸载任务大小以及所述最优网络关联，获取最优任务卸载大小。
根据本发明一个实施例的非均匀移动边缘计算网络的任务卸载方法，在所述获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小之前，所述方法还包括：
构建所述物联网设备的计算任务队列、虚拟队列以及所述边缘服务器的计算任务处理队列；
根据所述计算任务队列、所述虚拟队列以及所述计算任务处理队列，获取最优辅助变量值。
根据本发明一个实施例的非均匀移动边缘计算网络的任务卸载方法，所述获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小包括：
基于所述计算任务队列、所述虚拟队列以及所述计算任务处理队列，通过交替优化方式，获取所述卸载任务大小。
根据本发明一个实施例的非均匀移动边缘计算网络的任务卸载方法，所述构建最小费用最大流问题，获取最优网络关联包括：
根据所述边缘服务器之间连接容量的空间差异性，构建虚拟服务器节点；
基于所述虚拟服务器节点，构建最小费用最大流问题；
根据所述最小费用最大流问题，获取所述最优网络关联。
本发明实施例还提供一种非均匀移动边缘计算网络的任务卸载装置，包括：
获取模块，用于获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
关联模块，用于构建最小费用最大流问题，获取最优网络关联；
卸载模块，用于基于所述卸载任务大小以及所述最优网络关联，获取最优任务卸载大小。
根据本发明一个实施例的非均匀移动边缘计算网络的任务卸载装置，所述获取模块还用于：
在所述获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小之前：
构建所述物联网设备的计算任务队列、虚拟队列以及所述边缘服务器的计算任务处理队列；
根据所述计算任务队列、所述虚拟队列以及所述任务处理队列，获取最优辅助变量值。
根据本发明一个实施例的非均匀移动边缘计算网络的任务卸载装置，所述获取模块具体用于：
基于所述计算任务队列、所述虚拟队列以及所述计算任务处理队列，通过交替优化方式，获取所述卸载任务大小。
根据本发明一个实施例的非均匀移动边缘计算网络的任务卸载装置，所述关联模块具体用于：
根据所述边缘服务器之间连接容量的空间差异性，构建虚拟服务器节点；
基于所述虚拟服务器节点，构建最小费用最大流问题；
根据所述最小费用最大流问题，获取所述最优网络关联。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的非均匀移动边缘计算网络的任务卸载方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的非均匀移动边缘计算网络的任务卸载方法的步骤。
本发明实施例提供的非均匀移动边缘计算网络的任务卸载方法及装置，由于在确定任务卸载大小时，综合考虑了网络关联，因此可保证最终卸载的任务量达到最理想的值，从而可以有效降低物联网设备的能耗，具有十分广阔的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明一个实施例的非均匀移动边缘计算网络的模型示意图；
图2为本发明实施例提供的一种非均匀移动边缘计算网络的任务卸载方法的流程示意图；
图3为本发明实施例提供的一种非均匀移动边缘计算网络的任务卸载装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
附图标记：
301：获取模块；302：关联模块；303：卸载模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1至图4描述本发明实施例的非均匀移动边缘计算网络的任务卸载方法及装置。
图1为根据本发明一个实施例的非均匀移动边缘计算网络的模型示意图。如图1所示，本发明可以针对多物联网设备和多边缘服务器场景，其中多个移动边缘服务器间存在信道质量、计算处理能力和连接容量的时间和空间差异性/非均匀性。
图2为本发明实施例提供的一种非均匀移动边缘计算网络的任务卸载方法的流程示意图，参照图2，该方法可以包括如下步骤：
S210、获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
S220、构建最小费用最大流问题，获取最优网络关联；
S230、基于卸载任务大小以及最优网络关联，获取最优任务卸载大小。
本发明实施例提供的非均匀移动边缘计算网络的任务卸载方法，由于在确定任务卸载大小时，综合考虑了网络关联，因此可保证最终卸载的任务量达到最理想的值，从而可以有效降低物联网设备的能耗，具有十分广阔的应用前景。
需要说明的是，本发明实施例提供的非均匀移动边缘计算网络的任务卸载方法的执行主体可以是计算机，例如单片机、嵌入式计算机、微型机、MCU等。
在一个实施例中，在步骤S210之前，该方法还包括步骤：
S200、构建物联网设备的计算任务队列、虚拟队列以及边缘服务器的计算任务处理队列；
根据计算任务队列、虚拟队列以及计算任务处理队列，获取最优辅助变量值。
需要说明的是，辅助变量的引入是将考虑物联网设备任务卸载公平性的二次方能耗价值函数转换为标准的随机优化问题。
在一个实施例中，可以利用李雅普诺夫随机优化理论去除时隙间的耦合性，将长期时间平均能耗价值函数最小化问题转换为每时隙确定性最小化问题，求解最优辅助变量值。
例如：在非均匀移动边缘计算网络中，对于物联网设备i和边缘服务器j，在时隙t的信道质量为Cij(t)。用ai(t)代表物联网设备i生成的待计算任务的大小，ui(t)表示在时隙t物联网设备i任务卸载的大小。Qi(t)表示在时隙t物联网设备i的计算任务队列，在时隙件更新如下：
Qi(t+1)＝Qi(t)-ui(t)+ai(t)
在网络关联决策
Figure BDA0002596991220000061
和任务卸载大小u(t)＝{u1(t)，…，uN(t)}确定下，边缘服务器j的计算任务处理队列的更新可表示为：
Figure BDA0002596991220000062
其中，Pj(t)表示边缘服务器j在时隙t内的计算处理量。
Figure BDA0002596991220000063
表示在时隙t，边缘服务器j覆盖的设备集合。εi代表物联网设备i生成计算任务的计算强度。
在物联网设备i关联至边缘服务器j下，即sij(t)＝1，物联网设备卸载任务的能耗表示为：
Figure BDA0002596991220000071
其中，
Figure BDA0002596991220000072
表示物联网设备i的传输功率。考虑物联网设备电池容量的有限性，以及电池更换的高昂费用，物联网设备i的长期时间平均能耗可表示为：
Figure BDA0002596991220000073
考虑物联网设备任务卸载的公平性，本实施例引入了二次能耗价值函数，表示为：
Figure BDA0002596991220000074
其中，ci＞0表示比例公平系数，
Figure BDA0002596991220000075
表示物联网设备平均能耗的集合。
综合考虑设备任务卸载的公平性，网络系统队列的稳定性，以及长期平均能耗的最小化，网络关联和任务卸载问题表述为：
P：
Figure BDA0002596991220000076
s.t. C1：
Figure BDA0002596991220000077
C2：
Figure BDA0002596991220000078
C3：
Figure BDA0002596991220000079
C4：
Figure BDA00025969912200000710
C5：
Figure BDA00025969912200000711
C6：
Figure BDA00025969912200000712
其中C1表示网络关联是否存在，C2指出对于物联网设备i，最多可网络关联至一个边缘服务器，C3表示对于边缘服务器j，最多可网络关联Nj个物联网设备，C4指出对于物联网设备i，任务卸载具有非负性且不能超过最大可卸载的任务量。C5和C6用来约束非均匀移动边缘计算网络中队列的稳定性。
考虑物联网设备间任务卸载的公平性，引入辅助变量γ(t)＝(γ1(t)，…，γN(t))，问题P能够转换为问题P1，具体为：
P1：
Figure BDA0002596991220000081
s.t. C1-C6
C7：
Figure BDA0002596991220000082
C8：
Figure BDA0002596991220000083
其中，
Figure BDA0002596991220000084
是物联网设备i在时隙t内最大传输能耗。
引入虚拟队列将时间平均等式约束C7转化为队列稳定性约束，虚拟队列在时隙间更新具体表述为：
Gi(t+1)＝Gi(t)+γi(t)-ei(t)
基于李雅普诺夫随机优化理论的网络关联和任务卸载方法，通过最小化偏移加惩罚函数，消除由非均匀边缘计算中动态变化的信道质量和服务器处理能力引入的时隙间耦合性，具体为：
P2：
Figure BDA0002596991220000085
s.t. C1-C4
C8
其中，
Figure BDA0002596991220000086
Figure BDA0002596991220000087
上述问题P2能够分解为两个独立的子问题。其中，子问题一为具有矩形线性约束的用于求解最优辅助变量的凸优化问题，具体表述为：
P3：
Figure BDA0002596991220000088
s.t. C8
子问题一最优辅助变量的最优解在驻点或矩形约束的边界点，具体表述为：
Figure BDA0002596991220000089
对于当前时隙时隙t，获取当前物联网设备i的虚拟队列Gi(t)，最优辅助变量
Figure BDA0002596991220000091
和物联网设备能耗ei(t)后，能够通过虚拟队列的更新规则确定下一个时隙的虚拟队列值Gi(t+1)。
可以理解的是，通过引入最优辅助变量，可以保证在考虑物联网设备的任务卸载时的公平性和网络队列的稳定性，为后续获取网络关联以及确定任务卸载大小保证精确度。
进一步地，在一个实施例中，步骤S210具体包括：
基于计算任务队列、虚拟队列以及任务处理队列，通过交替优化方式，获取所述卸载任务大小。
例如，上述问题P2的子问题二为混合整数规划问题，其中网络关联s(t)为二元整数变量，任务卸载u(t)为连续性变量，具体表述为：
P4：
Figure BDA0002596991220000092
s.t. C1-C4
子问题二中网络关联s(t)和任务卸载u(t)的最优解能够通过两步优化解决，即第一步在给定网络关联下的最优任务卸载求解，以及第二步在给定任务卸载下最优网络关联求解。
对于子问题二的第一步，在给定网络关联
Figure BDA0002596991220000093
计算任务卸载问题能够表示为：
Figure BDA0002596991220000094
Figure BDA0002596991220000095
其中，
Figure BDA0002596991220000096
该问题为加权和最小化的线性规划问题，能够构建阈值基础的任务卸载解
Figure BDA0002596991220000097
具体表示如下：
Figure BDA0002596991220000098
由于卸载任务的获取综合考虑了计算任务队列、虚拟队列以及任务处理队列，因此，获取的卸载任务可为最终获取最优任务卸载大小提供精确的参考依据。
进一步地，在一个实施例中，步骤S220可以具体包括：
根据边缘服务器之间连接容量的空间差异性，构建虚拟服务器节点；
基于虚拟服务器节点，构建最小费用最大流问题；
根据最小费用最大流问题，获取最优网络关联。
例如，对于上述子问题二的第二步，在给定任务卸载
Figure BDA0002596991220000101
下，网络关联问题能够表述为：
Figure BDA0002596991220000102
s.t. C1-C3
该问题为线性整数规划问题，考虑约束条件C3中非均匀边缘计算网络中连接容量存在的空间差异性，网络关联可以通过最小费用最大流理论解决。具体解决方法如下：
首先，根据非均匀边缘计算网络中，边缘服务器间存在连接容量Nj的空间差异性，构建
Figure BDA0002596991220000103
用来表示边缘服务器j的虚拟服务器节点集合。物联网设备i和虚拟服务器节点k间的边权重，可以具体表述为：
Figure BDA0002596991220000104
然后，添加源节点b和尾节点d，网络流图中任意两顶点(u，v)的单位流费用和容量分别表示为：
Figure BDA0002596991220000105
Figure BDA0002596991220000106
最后，基于此，构建最小费用最大流问题，使用Ford-Fulkerson算法计算最优网络流分配
Figure BDA0002596991220000107
基于此，物联网设备i与虚拟服务器节点k的最优网络关联决策
Figure BDA0002596991220000108
可以表示如下：
Figure BDA0002596991220000111
根据虚拟服务器节点集合
Figure BDA0002596991220000112
与边缘服务器j的映射关系，物联网设备i与边缘服务器j间的最优网络关联
Figure BDA0002596991220000113
可以表示为：
Figure BDA0002596991220000114
其中
Figure BDA0002596991220000115
表示物联网设备i与边缘服务器j间存在网络关联，否则表示不存在网络关联。
进一步地，在一个实施例中，步骤S230具体可以实现为：
根据步骤S210假设存在网络关联下获取的卸载任务大小
Figure BDA0002596991220000116
以及步骤S220获取的最优网络关联
Figure BDA0002596991220000117
可以求解得到最优任务卸载大小为：
Figure BDA0002596991220000118
本发明实施例提供的非均匀移动边缘计算网络的任务卸载方法，解决了非均匀移动边缘计算网络中信道质量、服务器计算处理能力和连接容量在时间和空间上的差异性影响。相较于现有技术，还具有以下优点：
本发明实施例提供的非均匀移动边缘计算网络的任务卸载方法无需获取动态网络环境的任何先验信息，即可通过实时观测网络环境，以在线的方式进行网络关联和任务卸载的决策；
能够实现物联网设备长期时间平均能耗的渐近最优性，并实现网络中设备能耗与网络系统队列长度的均衡特性。
下面对本发明实施例提供的非均匀移动边缘计算网络的任务卸载装置进行描述，下文描述的非均匀移动边缘计算网络的任务卸载装置与上文描述的非均匀移动边缘计算网络的任务卸载方法可相互对应参照。
图3为本发明实施例提供的一种非均匀移动边缘计算网络的任务卸载装置的结构示意图；参照图3，该装置包括获取模块301、关联模块302以及卸载模块303。
获取模块301用于获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
关联模块302用于构建最小费用最大流问题，获取最优网络关联；
卸载模块303用于基于所述卸载任务大小以及所述最优网络关联，获取最优任务卸载大小。
本发明实施例提供的非均匀移动边缘计算网络的任务卸载装置，由于在确定任务卸载大小时，综合考虑了网络关联，因此可保证最终卸载的任务量达到最理想的值，从而可以有效降低物联网设备的能耗，具有十分广阔的应用前景。
在一个实施例中，获取模块301还用于在获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小之前：
构建物联网设备的计算任务队列、虚拟队列以及边缘服务器的计算任务处理队列；
根据计算任务队列、虚拟队列以及计算任务处理队列，获取最优辅助变量值。
需要说明的是，辅助变量的引入是将考虑物联网设备任务卸载公平性的二次方能耗价值函数转换为标准的随机优化问题。
在一个实施例中，可以利用李雅普诺夫随机优化理论去除时隙间的耦合性，将长期时间平均能耗价值函数最小化问题转换为每时隙确定性最小化问题，求解最优辅助变量值。
例如：在非均匀移动边缘计算网络中，对于物联网设备i和边缘服务器j，在时隙t的信道质量为Cij(t)。用ai(t)代表物联网设备i生成的待计算任务的大小，ui(t)表示在时隙t物联网设备i任务卸载的大小。Qi(t)表示在时隙t物联网设备i的计算任务队列，在时隙件更新如下：
Qi(t+1)＝Qi(t)-ui(t)+ai(t)
在网络关联决策
Figure BDA0002596991220000131
和任务卸载大小u(t)＝{u1(t)，…，uN(t)}确定下，边缘服务器j的计算任务处理队列的更新可表示为：
Figure BDA0002596991220000132
其中，Pj(t)表示边缘服务器j在时隙t内的计算处理量。
Figure BDA0002596991220000133
表示在时隙t，边缘服务器j覆盖的设备集合。εi代表物联网设备i生成计算任务的计算强度。
在物联网设备i关联至边缘服务器j下，即sij(t)＝1，物联网设备卸载任务的能耗表示为：
Figure BDA0002596991220000134
其中，
Figure BDA0002596991220000135
表示物联网设备i的传输功率。考虑物联网设备电池容量的有限性，以及电池更换的高昂费用，物联网设备i的长期时间平均能耗可表示为：
Figure BDA0002596991220000136
考虑物联网设备任务卸载的公平性，本实施例引入了二次能耗价值函数，表示为：
Figure BDA0002596991220000137
其中，ci＞0表示比例公平系数，
Figure BDA0002596991220000138
表示物联网设备平均能耗的集合。
综合考虑设备任务卸载的公平性，网络系统队列的稳定性，以及长期平均能耗的最小化，网络关联和任务卸载问题表述为：
P：
Figure BDA0002596991220000141
s.t. C1：
Figure BDA0002596991220000142
C2：
Figure BDA0002596991220000143
C3：
Figure BDA0002596991220000144
C4：
Figure BDA0002596991220000145
C5：
Figure BDA0002596991220000146
C6：
Figure BDA0002596991220000147
其中C1表示网络关联是否存在，C2指出对于物联网设备i，最多可网络关联至一个边缘服务器，C3表示对于边缘服务器j，最多可网络关联Nj个物联网设备，C4指出对于物联网设备i，任务卸载具有非负性且不能超过最大可卸载的任务量。C5和C6用来约束非均匀移动边缘计算网络中队列的稳定性。
考虑物联网设备间任务卸载的公平性，引入辅助变量γ(t)＝(γ1(t)，…，γN(t))，问题P能够转换为问题P1，具体为：
P1：
Figure BDA0002596991220000148
s.t. C1-C6
C7：
Figure BDA0002596991220000149
C8：
Figure BDA00025969912200001410
其中，
Figure BDA00025969912200001411
是物联网设备i在时隙t内最大传输能耗。
引入虚拟队列将时间平均等式约束C7转化为队列稳定性约束，虚拟队列在时隙间更新具体表述为：
Gi(t+1)＝Gi(t)+γi(t)-ei(t)
基于李雅普诺夫随机优化理论的网络关联和任务卸载方法，通过最小化偏移加惩罚函数，消除由非均匀边缘计算中动态变化的信道质量和服务器处理能力引入的时隙间耦合性，具体为：
P2：
Figure BDA00025969912200001412
s.t. C1-C4
C8
其中，
Figure BDA0002596991220000151
Figure BDA0002596991220000152
上述问题P2能够分解为两个独立的子问题。其中，子问题一为具有矩形线性约束的用于求解最优辅助变量的凸优化问题，具体表述为：
P3：
Figure BDA0002596991220000153
s.t. C8
子问题一最优辅助变量的最优解在驻点或矩形约束的边界点，具体表述为：
Figure BDA0002596991220000154
对于当前时隙时隙t，获取当前物联网设备i的虚拟队列Gi(t)，最优辅助变量
Figure BDA0002596991220000155
和物联网设备能耗ei(t)后，能够通过虚拟队列的更新规则确定下一个时隙的虚拟队列值Gi(t+1)。
可以理解的是，通过引入最优辅助变量，可以保证在考虑物联网设备的任务卸载时的公平性和网络队列的稳定性，为后续获取网络关联以及确定任务卸载大小保证精确度。
进一步地，在一个实施例中，获取模块301具体用于：
基于计算任务队列、虚拟队列以及任务处理队列，通过交替优化方式，获取所述卸载任务大小。
例如，上述问题P2的子问题二为混合整数规划问题，其中网络关联s(t)为二元整数变量，任务卸载u(t)为连续性变量，具体表述为：
P4：
Figure BDA0002596991220000156
s.t. C1-C4
子问题二中网络关联s(t)和任务卸载u(t)的最优解能够通过两步优化解决，即第一步在给定网络关联下的最优任务卸载求解，以及第二步在给定任务卸载下最优网络关联求解。
对于子问题二的第一步，在给定网络关联
Figure BDA0002596991220000168
计算任务卸载问题能够表示为：
Figure BDA0002596991220000161
Figure BDA0002596991220000162
其中，
Figure BDA0002596991220000163
该问题为加权和最小化的线性规划问题，能够构建阈值基础的任务卸载解
Figure BDA0002596991220000164
具体表示如下：
Figure BDA0002596991220000165
由于卸载任务的获取综合考虑了计算任务队列、虚拟队列以及任务处理队列，因此，获取的卸载任务可为最终获取最优任务卸载大小提供精确的参考依据。
进一步地，在一个实施例中，关联模块302可以具体用于：
根据边缘服务器之间连接容量的空间差异性，构建虚拟服务器节点；
基于虚拟服务器节点，构建最小费用最大流问题；
根据最小费用最大流问题，获取最优网络关联。
例如，对于上述子问题二的第二步，在给定任务卸载
Figure BDA0002596991220000166
下，网络关联问题能够表述为：
Figure BDA0002596991220000167
s.t. C1-C3
该问题为线性整数规划问题，考虑约束条件C3中非均匀边缘计算网络中连接容量存在的空间差异性，网络关联可以通过最小费用最大流理论解决。具体解决方法如下：
首先，根据非均匀边缘计算网络中，边缘服务器间存在连接容量Nj的空间差异性，构建
Figure BDA0002596991220000171
用来表示边缘服务器j的虚拟服务器节点集合。物联网设备i和虚拟服务器节点k间的边权重，可以具体表述为：
Figure BDA0002596991220000172
然后，添加源节点b和尾节点d，网络流图中任意两顶点(u，v)的单位流费用和容量分别表示为：
Figure BDA0002596991220000173
Figure BDA0002596991220000174
最后，基于此，构建最小费用最大流问题，使用Ford-Fulkerson算法计算最优网络流分配
Figure BDA0002596991220000175
基于此，物联网设备i与虚拟服务器节点k的最优网络关联决策
Figure BDA0002596991220000176
可以表示如下：
Figure BDA0002596991220000177
根据虚拟服务器节点集合
Figure BDA0002596991220000178
与边缘服务器j的映射关系，物联网设备i与边缘服务器j间的最优网络关联
Figure BDA0002596991220000179
可以表示为：
Figure BDA00025969912200001710
其中
Figure BDA00025969912200001711
表示物联网设备i与边缘服务器j间存在网络关联，否则表示不存在网络关联。
进一步地，在一个实施例中，卸载模块303可以具体执行：
根据获取模块301在假设存在网络关联下获取的卸载任务大小
Figure BDA00025969912200001712
以及关联模块302获取的最优网络关联
Figure BDA00025969912200001713
可以求解得到最优任务卸载大小为：
Figure BDA0002596991220000181
本发明实施例提供的非均匀移动边缘计算网络的任务卸载装置，解决了非均匀移动边缘计算网络中信道质量、服务器计算处理能力和连接容量在时间和空间上的差异性影响。相较于现有技术，还具有以下优点：
本发明实施例提供的非均匀移动边缘计算网络的任务卸载装置无需获取动态网络环境的任何先验信息，即可通过实时观测网络环境，以在线的方式进行网络关联和任务卸载的决策；
能够实现物联网设备长期时间平均能耗的渐近最优性，并实现网络中设备能耗与网络系统队列长度的均衡特性。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communication interface)420、存储器(memory)430和通信总线(bus)440，其中，处理器410、通信接口420、存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行非均匀移动边缘计算网络的任务卸载方法，该方法包括：
获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
构建最小费用最大流问题，获取最优网络关联；
基于卸载任务大小以及最优网络关联，获取最优任务卸载大小。
此外，上述的存储器430中的逻辑指令可以通过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，本发明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)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的非均匀移动边缘计算网络的任务卸载方法，该方法包括：
获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
构建最小费用最大流问题，获取最优网络关联；
基于卸载任务大小以及最优网络关联，获取最优任务卸载大小。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的非均匀移动边缘计算网络的任务卸载方法，该方法包括：
获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
构建最小费用最大流问题，获取最优网络关联；
基于卸载任务大小以及最优网络关联，获取最优任务卸载大小。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种非均匀移动边缘计算网络的任务卸载方法，其特征在于，包括：
获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
构建最小费用最大流问题，获取最优网络关联；
基于所述卸载任务大小以及所述最优网络关联，获取最优任务卸载大小。
2.根据权利要求1所述的非均匀移动边缘计算网络的任务卸载方法，其特征在于，在所述获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小之前，所述方法还包括：
构建所述物联网设备的计算任务队列、虚拟队列以及所述边缘服务器的计算任务处理队列；
根据所述计算任务队列、所述虚拟队列以及所述计算任务处理队列，获取最优辅助变量值。
3.根据权利要求2所述的非均匀移动边缘计算网络的任务卸载方法，其特征在于，所述获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小包括：
基于所述计算任务队列、所述虚拟队列以及所述计算任务处理队列，通过交替优化方式，获取所述卸载任务大小。
4.根据权利要求3所述的非均匀移动边缘计算网络的任务卸载方法，其特征在于，所述构建最小费用最大流问题，获取最优网络关联包括：
根据所述边缘服务器之间连接容量的空间差异性，构建虚拟服务器节点；
基于所述虚拟服务器节点，构建最小费用最大流问题；
根据所述最小费用最大流问题，获取所述最优网络关联。
5.一种非均匀移动边缘计算网络的任务卸载装置，其特征在于，包括：
获取模块，用于获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小；
关联模块，用于构建最小费用最大流问题，获取最优网络关联；
卸载模块，用于基于所述卸载任务大小以及所述最优网络关联，获取最优任务卸载大小。
6.根据权利要求5所述的非均匀移动边缘计算网络的任务卸载装置，其特征在于，所述获取模块还用于：
在所述获取假设物联网设备与边缘服务器存在连接情况下的卸载任务大小之前：
构建所述物联网设备的计算任务队列、虚拟队列以及所述边缘服务器的计算任务处理队列；
根据所述计算任务队列、所述虚拟队列以及所述任务处理队列，获取最优辅助变量值。
7.根据权利要求6所述的非均匀移动边缘计算网络的任务卸载装置，其特征在于，所述获取模块具体用于：
基于所述计算任务队列、所述虚拟队列以及所述计算任务处理队列，通过交替优化方式，获取所述卸载任务大小。
8.根据权利要求7所述的非均匀移动边缘计算网络的任务卸载装置，其特征在于，所述关联模块具体用于：
根据所述边缘服务器之间连接容量的空间差异性，构建虚拟服务器节点；
基于所述虚拟服务器节点，构建最小费用最大流问题；
根据所述最小费用最大流问题，获取所述最优网络关联。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的非均匀移动边缘计算网络的任务卸载方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述的非均匀移动边缘计算网络的任务卸载方法的步骤。
CN202010712482.9A 2020-07-22 2020-07-22 非均匀移动边缘计算网络的任务卸载方法及装置 Active CN112104693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010712482.9A CN112104693B (zh) 2020-07-22 2020-07-22 非均匀移动边缘计算网络的任务卸载方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010712482.9A CN112104693B (zh) 2020-07-22 2020-07-22 非均匀移动边缘计算网络的任务卸载方法及装置

Publications (2)

Publication Number Publication Date
CN112104693A true CN112104693A (zh) 2020-12-18
CN112104693B CN112104693B (zh) 2021-08-10

Family

ID=73749900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010712482.9A Active CN112104693B (zh) 2020-07-22 2020-07-22 非均匀移动边缘计算网络的任务卸载方法及装置

Country Status (1)

Country Link
CN (1) CN112104693B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281426A (zh) * 2021-12-21 2022-04-05 中国联合网络通信集团有限公司 任务卸载方法、装置、电子设备及可读存储介质
CN114352469A (zh) * 2021-12-08 2022-04-15 国网江西省电力有限公司电力科学研究院 一种高阶水轮机调节系统稳定域计算方法及系统
CN117032832A (zh) * 2023-08-25 2023-11-10 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108901046A (zh) * 2018-06-14 2018-11-27 北京大学 面向移动边缘计算的协同任务卸载算法及系统设计方案
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN109788069A (zh) * 2019-02-27 2019-05-21 电子科技大学 物联网中基于移动边缘计算的计算卸载方法
CN110278611A (zh) * 2019-06-14 2019-09-24 北京科技大学 一种无线供电移动边缘计算系统中的资源分配方法
CN110851197A (zh) * 2019-10-10 2020-02-28 长沙理工大学 一种边缘计算多服务器任务选择卸载方法和系统
US20200136994A1 (en) * 2019-09-28 2020-04-30 Intel Corporation Methods and apparatus to aggregate telemetry data in an edge environment
CN111107153A (zh) * 2019-12-23 2020-05-05 国网冀北电力有限公司唐山供电公司 一种电力物联网中基于d2d通信的mec定价卸载方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108901046A (zh) * 2018-06-14 2018-11-27 北京大学 面向移动边缘计算的协同任务卸载算法及系统设计方案
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN109788069A (zh) * 2019-02-27 2019-05-21 电子科技大学 物联网中基于移动边缘计算的计算卸载方法
CN110278611A (zh) * 2019-06-14 2019-09-24 北京科技大学 一种无线供电移动边缘计算系统中的资源分配方法
US20200136994A1 (en) * 2019-09-28 2020-04-30 Intel Corporation Methods and apparatus to aggregate telemetry data in an edge environment
CN110851197A (zh) * 2019-10-10 2020-02-28 长沙理工大学 一种边缘计算多服务器任务选择卸载方法和系统
CN111107153A (zh) * 2019-12-23 2020-05-05 国网冀北电力有限公司唐山供电公司 一种电力物联网中基于d2d通信的mec定价卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIAN ZHANG ET AL.: "Event-triggered Online Proactive Network Association to Mobile Edge Computing for IoT", 《IEEE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114352469A (zh) * 2021-12-08 2022-04-15 国网江西省电力有限公司电力科学研究院 一种高阶水轮机调节系统稳定域计算方法及系统
CN114352469B (zh) * 2021-12-08 2024-02-09 国网江西省电力有限公司电力科学研究院 一种高阶水轮机调节系统稳定域计算方法及系统
CN114281426A (zh) * 2021-12-21 2022-04-05 中国联合网络通信集团有限公司 任务卸载方法、装置、电子设备及可读存储介质
CN114281426B (zh) * 2021-12-21 2023-05-16 中国联合网络通信集团有限公司 任务卸载方法、装置、电子设备及可读存储介质
CN117032832A (zh) * 2023-08-25 2023-11-10 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法
CN117032832B (zh) * 2023-08-25 2024-03-08 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法

Also Published As

Publication number Publication date
CN112104693B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN112104693B (zh) 非均匀移动边缘计算网络的任务卸载方法及装置
Eshraghi et al. Joint offloading decision and resource allocation with uncertain task computing requirement
Zhan et al. A deep reinforcement learning based offloading game in edge computing
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
Terefe et al. Energy-efficient multisite offloading policy using Markov decision process for mobile cloud computing
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
CN108304256B (zh) 一种边缘计算中低开销的任务调度方法及装置
CN113660325B (zh) 一种基于边缘计算的工业互联网任务卸载策略
CN109510869A (zh) 一种基于边缘计算的物联网服务动态卸载方法及装置
CN113033800A (zh) 分布式深度学习方法、装置、参数服务器及主工作节点
CN114327399B (zh) 分布式训练方法、装置、计算机设备、存储介质和产品
Feng et al. Computation offloading and resource allocation in D2D-enabled mobile edge computing
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN115965205A (zh) 云边端协同资源优化方法、装置、电子设备及存储介质
Binh et al. Value-based reinforcement learning approaches for task offloading in delay constrained vehicular edge computing
CN115665869A (zh) 基于边缘计算和有向无环图的多用户协作平台及其方法
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
Zhang et al. Correlation-based device energy-efficient dynamic multi-task offloading for mobile edge computing
CN114189756A (zh) 多设备协作物联网的信息更新方法、装置、设备及介质
CN116954866A (zh) 基于深度强化学习的边缘云下任务调度方法及系统
CN116980981A (zh) 任务调度方法、设备、存储介质及装置
Khanh et al. Fuzzy‐Based Mobile Edge Orchestrators in Heterogeneous IoT Environments: An Online Workload Balancing Approach
CN110933687A (zh) 一种基于解耦的用户上下行接入方法及系统
CN116069498A (zh) 一种分布式算力调度方法、装置、电子设备及存储介质
CN114116052A (zh) 一种边缘计算方法及装置

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