CN112203309B - 一种基于服务器协作的联合任务卸载及缓存方法 - Google Patents

一种基于服务器协作的联合任务卸载及缓存方法 Download PDF

Info

Publication number
CN112203309B
CN112203309B CN202011085726.1A CN202011085726A CN112203309B CN 112203309 B CN112203309 B CN 112203309B CN 202011085726 A CN202011085726 A CN 202011085726A CN 112203309 B CN112203309 B CN 112203309B
Authority
CN
China
Prior art keywords
user
task
modeling
representing
modeled
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
CN202011085726.1A
Other languages
English (en)
Other versions
CN112203309A (zh
Inventor
柴蓉
李明珠
梁承超
陈前斌
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.)
Shenzhen Xunwei Hengda Technology Co.,Ltd.
Original Assignee
Chongqing University of Post 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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011085726.1A priority Critical patent/CN112203309B/zh
Publication of CN112203309A publication Critical patent/CN112203309A/zh
Application granted granted Critical
Publication of CN112203309B publication Critical patent/CN112203309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于服务器协作的联合任务卸载及缓存方法，属于无线通信技术领域。该方法包括：1)建模移动边缘计算MEC服务器变量；2)建模回声状态网络ESN；3)建模用户任务标识；4)建模用户与MEC服务器关联变量；5)建模用户任务辅助信息缓存变量；6)建模用户任务卸载变量；7)建模用户任务拆分变量；8)建模用户任务迁移判定条件；9)确定用户任务迁移目标服务器；10)建模用户任务总时延；11)建模用户任务完全本地执行时延；12)建模用户无任务迁移对应卸载时延；13)建模用户任务迁移对应卸载时延；14)建模用户任务卸载及缓存限制条件；15)基于用户任务执行总时延最小化确定用户任务卸载及缓存策略。

Description

一种基于服务器协作的联合任务卸载及缓存方法
技术领域
本发明属于无线通信技术领域，涉及一种基于服务器协作的联合任务卸载及缓存方法。
背景技术
随着移动互联网的快速发展和智能终端的普及，增强现实(AugmentReality，AR)、虚拟现实(VirtualReality，VR)和移动高清视频等应用对服务质量(QualityofService，QoS)的需求越来越高。然而，智能用户设备处理能力不足以及传统移动云计算(MobileCloud Computing，MCC)技术的性能局限导致网络难以满足用户短时间内处理大量数据的业务需求。针对这一问题，移动边缘计算技术(MobileEdge Computing)应运而生，通过在距离智能用户设备较近的基站处部署MEC服务器，用户终端可以将计算任务从移动设备卸载至MEC服务器进行处理，可有效提高智能终端的服务性能，显著降低终端能耗。在存在多个用户及多个MEC服务器的网络场景中，如何优化设计任务卸载策略成为亟待解决的问题。此外，用户的移动性可能导致所关联MEC服务器无法完成任务卸载，优化设计任务卸载迁移策略成为影响用户任务执行体现的重要问题。
目前已有研究中，有文献将任务执行能耗作为卸载策略设计依据，以确定任务卸载策略。有文献研究MEC系统中的任务卸载问题，并将其建模为时延优化问题以最小化用户任务执行总时延。但现有研究较少联合考虑移动用户卸载、迁移及缓存策略，导致难以实现用户卸载性能优化。
发明内容
有鉴于此，本发明的目的在于提供一种基于服务器协作的联合任务卸载及缓存方法。在此方法中，考虑用户随机移动，假设在用户设备的基站处部署MEC服务器，用户需要执行一定的计算任务，任务由用户自身产生的数据量和辅助信息两部分构成，MEC服务器具有一定的计算和缓存能力，用户的计算任务可以在本地执行，也可以卸载至MEC服务器执行。由于用户的移动性，在某个MEC服务器的覆盖范围内，用户不能完成卸载，因此，用户的任务卸载可能会发生迁移。
为达到上述目的，本发明提供如下技术方案：
一种基于服务器协作的联合任务卸载及缓存方法，包括以下步骤：
S1：建模移动边缘计算(MobileEdgeComputing，MEC)服务器变量；
S2：建模回声状态网络(Echo StateNetworks，ESN)；
S3：建模用户任务标识；
S4：建模用户与MEC服务器关联变量；
S5：建模用户任务辅助信息缓存变量；
S6：建模用户任务卸载变量；
S7：建模用户任务拆分变量；
S8：建模用户任务迁移判定条件；
S9：确定用户任务迁移目标服务器；
S10：建模用户任务总时延；
S11：建模用户任务完全本地执行时延；
S12：建模用户无任务迁移对应卸载时延；
S13：建模用户任务迁移对应卸载时延；
S14：建模用户任务卸载及缓存限制条件；
S15：基于用户任务执行总时延最小化确定用户任务卸载及缓存策略；
进一步，所述步骤S1具体为：令E＝{E1,…,EN}表示MEC服务器集合，Ej表示第j个MEC服务器，1≤j≤N，N表示MEC服务器的数量。
进一步，所述步骤S2具体为：基于概念器的ESN预测方法包括代理、输入、输出、ESN模型和概念器等部分，其中，代理负责收集用户的信息并执行预测算法；输入为时隙t用户i的相关信息，建模为
Figure BDA0002720268500000021
其中，Nx表示组成用户i的相关信息属性的数量，基于xt,i可确定用户执行任务所需辅助信息；输出为用户i的辅助信息预测结果，建模为yt,i＝[yt,i,1,…,yt,i,N]，其中，yt,i,n表示时间t用户i请求的辅助信息n，1≤n≤N；基于ESN模型可确定用户i的输入xt,i和输出yt,i的关系，并建立用户相关信息和辅助信息的函数。采用基于概念器的ESN预测方法预测用户辅助信息，将每一类辅助信息作为一种预测模式，预测模式k的概念器建模为
Figure BDA0002720268500000022
其中，
Figure BDA0002720268500000023
表示用户i在模式k下的状态相关矩阵，建模为
Figure BDA0002720268500000024
Figure BDA0002720268500000025
表示用户i的储备池状态序列，建模为
Figure BDA0002720268500000026
其中，
Figure BDA0002720268500000027
表示用户i在时间t预测模式k下的储备池状态，建模为
Figure BDA0002720268500000028
Nw表示动态储备池单元数，χ表示概念器的孔径。
采用基于概念器的ESN预测方法预测用户移动性模式，输入为时间t用户i的当前位置和相关信息，建模为
Figure BDA0002720268500000031
输出为下一个时隙用户i的位置，建模为
Figure BDA0002720268500000032
其中，Ns表示下一个持续时间间隔内用户位置的数量。
进一步，所述步骤S3具体为：令M表示用户数目，假设用户执行的任务由用户自身产生的数据信息和获取的辅助信息两部分组成，令Yi,q＝(Si,Ci,ai,q)表示用户i的任务特性，其中，Si表示用户i自身产生的数据量，Ci表示执行用户i的任务所需的CPU周期。令F＝{f1,…,fQ}表示用户任务辅助信息类型集合，其中，fq表示第q类辅助信息，1≤q≤Q，Q为辅助信息类型数目。令Aq表示辅助信息fq的数据量，令ai,q表示用户任务辅助信息类型标识，ai,q＝1表示用户i执行任务需要辅助信息fq，否则，ai,q＝0。
进一步，所述步骤S4具体为：令βi,j表示用户i与Ej的关联变量，βi,j＝1表示用户i与Ej关联，否则，βi,j＝0。
进一步，所述步骤S5具体为：令εj,q表示Ej辅助信息缓存策略标识，εj,q＝1表示Ej缓存辅助信息fq，否则，εj,q＝0。
进一步，所述步骤S6具体为：令δi表示用户i任务本地执行标识，δi＝1表示用户i的任务完全本地执行，否则，δi＝0。令δi,j表示用户i任务卸载标识，δi,j＝1表示用户i将任务卸载至Ej执行，否则，δi,j＝0。令δi,j,k表示用户i任务卸载迁移标识，δi,j,k＝1表示用户i的任务经Ej迁移至Ek进行卸载执行，否则，δi,j,k＝0，其中，1≤i≤M，1≤j≠k≤N。
进一步，所述步骤S7具体为：令λi∈[0,1]表示用户i的任务拆分变量，λi表示用户i的任务在本地执行的比例；令λi,j∈[0,1]表示用户i卸载至Ej的任务拆分变量，λi,j表示用户i的任务卸载至Ej执行的比例；令λi,j,k∈[0,1]表示用户i卸载经Ej迁移至Ek的任务拆分变量，λi,j,k表示用户i的任务卸载经Ej迁移至Ek执行的比例。
进一步，所述步骤S8具体为：MEC服务器的覆盖范围为半径为r的圆形区域，用户沿着一条单向的道路移动，圆形区域中心到道路的距离为l，用户i以恒定的速度vi行驶。令s表示用户在MEC服务器覆盖范围内行驶的总路程，s建模为
Figure BDA0002720268500000033
令Ts表示用户在MEC服务器覆盖范围内停留的时间，Ts建模为
Figure BDA0002720268500000034
令Ti,j表示用户i将任务卸载至Ej执行所需的时延，当Ti,j＞Ts时，用户i进行任务卸载迁移。
进一步，所述步骤S9具体为：接收信号强度反映了用户与关联MEC服务器间无线链路的质量，计算能力也影响了用户与MEC服务器的关联。令Gi,j表示用户i处Ej的接收信号强度，则归一化Gi,j建模为
Figure BDA0002720268500000041
令
Figure BDA0002720268500000042
表示Ej的计算能力，则归一化
Figure BDA0002720268500000043
建模为
Figure BDA0002720268500000044
令θi,j表示用户i处Ej的代价函数，建模为
Figure BDA0002720268500000045
其中，ω1和ω2为给定的权重系数，满足ω1+ω2＝1。
评估各MEC服务器的综合性能，选择最大的θi,j对应的MEC服务器作为用户i的接入MEC服务器，建模为
Figure BDA0002720268500000046
进一步，所述步骤S10具体为：根据公式
Figure BDA0002720268500000047
建模用户任务执行总时延，其中，Ti为用户i任务执行所需时延，Ti建模为
Figure BDA0002720268500000048
其中，Ti 0表示用户i的任务完全本地执行的时延，Ti,j表示用户i任务卸载至Ej执行所需的时延，Ti,j,k表示用户i任务卸载Ej迁移至Ek执行所需的时延。
进一步，所述步骤S11具体为：根据公式Ti 0＝Ti 0,c+Ti 0,e建模用户i的任务完全本地执行的时延，其中，Ti 0,c和Ti 0,e分别表示用户i获取辅助信息的时延和任务处理时延。
上述Ti 0,c建模为
Figure BDA0002720268500000049
其中，
Figure BDA00027202685000000410
表示用户i与Ej之间下行链路的传输速率，R表示MEC服务器与核心网之间链路的传输速率。
Figure BDA00027202685000000411
建模为
Figure BDA00027202685000000412
其中，B表示Ej的传输带宽，
Figure BDA00027202685000000413
表示Ej的发射功率，gi,j表示用户i到Ej的信道增益，σ2为信道噪声功率。Ti 0,e建模为
Figure BDA00027202685000000414
其中，fi l表示用户i的计算能力。
进一步，所述步骤S12具体为：根据公式
Figure BDA00027202685000000415
建模用户i将任务卸载至Ej执行所需时延，其中，
Figure BDA00027202685000000416
表示用户i任务传输到Ej的时延，
Figure BDA00027202685000000417
建模为
Figure BDA00027202685000000418
Figure BDA00027202685000000419
表示用户i获取辅助信息时延，
Figure BDA00027202685000000420
建模为
Figure BDA00027202685000000421
其中，
Figure BDA00027202685000000422
为示性函数，当λi,j＞0时，
Figure BDA0002720268500000051
否则，
Figure BDA0002720268500000052
Figure BDA0002720268500000053
表示Ej处理任务时延，
Figure BDA0002720268500000054
建模为
Figure BDA0002720268500000055
其中，
Figure BDA0002720268500000056
表示用户i与Ej之间上行链路的传输速率，
Figure BDA0002720268500000057
建模为
Figure BDA0002720268500000058
其中，Pi l表示用户i的发射功率。
进一步，所述步骤S13具体为：根据公式
Figure BDA0002720268500000059
建模用户i任务卸载迁移执行所需时延，其中，
Figure BDA00027202685000000510
和
Figure BDA00027202685000000511
分别表示用户i将任务卸载至Ej的传输时延、获取辅助信息的时延和Ej处理用户i任务的时延，
Figure BDA00027202685000000512
和
Figure BDA00027202685000000513
分别表示用户i任务经Ej迁移卸载至Ek的传输时延、获取辅助信息的时延和Ek处理用户i任务的时延。
上述
Figure BDA00027202685000000514
建模为
Figure BDA00027202685000000515
Figure BDA00027202685000000516
建模为
Figure BDA00027202685000000517
Figure BDA00027202685000000518
建模为
Figure BDA00027202685000000519
进一步，所述步骤S14具体为：建模用户任务卸载及缓存限制条件，其中，任务卸载限制条件建模为δi∈{0,1}，δi,j∈{0,1}，δi,j,k∈{0,1}，
Figure BDA00027202685000000520
λi∈[0,1]，λi,j∈[0,1]，λi,j,k∈[0,1]，
Figure BDA00027202685000000521
缓存限制条件建模为εj,q∈{0,1}，βi,j∈{0,1}，
Figure BDA00027202685000000522
Figure BDA00027202685000000523
其中，φj表示Ej的最大缓存容量。
进一步，所述步骤S15具体为：在满足用户任务卸载及缓存限制条件下，以用户任务总时延最小化为目标，优化确定MEC服务器任务卸载及缓存策略，即
Figure BDA00027202685000000524
本发明的有益效果在于：本发明可以保障用户任务卸载及缓存策略最优，实现用户任务执行总时延最小化。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为MEC服务器卸载的网络示意图；
图2为本发明所述方法的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供一种基于服务器协作的联合任务卸载及缓存方法，考虑用户随机移动，假设在用户设备的基站处部署MEC服务器，用户需要执行一定的计算任务，任务由用户自身产生的数据量和辅助信息两部分构成。通过预测算法，核心网缓存了所有用户的辅助信息，MEC服务器具有一定的计算和缓存能力，因此，MEC服务器缓存了部分用户任务辅助信息，用户可以从MEC服务器获取辅助信息，也可以通过回程链路从核心网获取。用户的计算任务可以在本地执行，也可以卸载至MEC服务器执行。由于用户的移动性，在某个MEC服务器的覆盖范围内，用户不能完成卸载，因此，用户的任务卸载可能会发生迁移。建模以用户任务总时延为优化目标，优化确定用户任务卸载及缓存策略。
图1为MEC服务器卸载的示意图，网络中存在多个任务待执行用户，基于服务器协作，用户选择合适的方式卸载任务，通过优化用户任务卸载及缓存策略实现用户任务执行总时延最小化。
图2为本发明所述方法的流程示意图，如图所示，本发明所述方法具体包括以下步骤：
1)建模移动边缘计算(MobileEdge Computing，MEC)服务器变量
建模移动边缘计算服务器变量，具体为：令E＝{E1,…,EN}表示MEC服务器集合，Ej表示第j个MEC服务器，1≤j≤N，N表示MEC服务器的数量。
2)建模回声状态网络(Echo StateNetworks，ESN)
建模回声状态网络，具体为：基于概念器的ESN预测方法包括代理、输入、输出、ESN模型和概念器等部分，其中，代理负责收集用户的信息并执行预测算法；输入为时隙t用户i的相关信息，建模为
Figure BDA0002720268500000071
其中，Nx表示组成用户i的相关信息属性的数量，基于xt,i可确定用户执行任务所需辅助信息；输出为用户i的辅助信息预测结果，建模为yt,i＝[yt,i,1,…,yt,i,N]，其中，yt,i,n表示时间t用户i请求的辅助信息n，1≤n≤N；基于ESN模型可确定用户i的输入xt,i和输出yt,i的关系，并建立用户相关信息和辅助信息的函数。采用基于概念器的ESN预测方法预测用户辅助信息，将每一类辅助信息作为一种预测模式，预测模式k的概念器建模为
Figure BDA0002720268500000072
其中，
Figure BDA0002720268500000073
表示用户i在模式k下的状态相关矩阵，建模为
Figure BDA0002720268500000074
Figure BDA0002720268500000075
表示用户i的储备池状态序列，建模为
Figure BDA0002720268500000076
其中，
Figure BDA0002720268500000077
表示用户i在时间t预测模式k下的储备池状态，建模为
Figure BDA0002720268500000078
Nw表示动态储备池单元数，χ表示概念器的孔径。
采用基于概念器的ESN预测方法预测用户移动性模式，输入为时间t用户i的当前位置和相关信息，建模为
Figure BDA0002720268500000079
输出为下一个时隙用户i的位置，建模为
Figure BDA00027202685000000710
其中，Ns表示下一个持续时间间隔内用户位置的数量。
3)建模用户任务标识
建模用户任务标识，具体为：令M表示用户数目，假设用户执行的任务由用户自身产生的数据信息和获取的辅助信息两部分组成，令Yi,q＝(Si,Ci,ai,q)表示用户i的任务特性，其中，Si表示用户i自身产生的数据量，Ci表示执行用户i的任务所需的CPU周期。令F＝{f1,…,fQ}表示用户任务辅助信息类型集合，其中，fq表示第q类辅助信息，1≤q≤Q，Q为辅助信息类型数目。令Aq表示辅助信息fq的数据量，令ai,q表示用户任务辅助信息类型标识，ai,q＝1表示用户i执行任务需要辅助信息fq，否则，ai,q＝0。
4)建模用户与MEC服务器关联变量
建模用户与MEC服务器关联变量，具体为：令βi,j表示用户i与Ej的关联变量，βi,j＝1表示用户i与Ej关联，否则，βi,j＝0。
5)建模用户任务辅助信息缓存量
建模用户任务辅助信息缓存变量，具体为：令εj,q表示Ej辅助信息缓存策略标识，εj,q＝1表示Ej缓存辅助信息fq，否则，εj,q＝0。
6)建模用户任务卸载变量
建模用户任务卸载变量，具体为：令δi表示用户i任务本地执行标识，δi＝1表示用户i的任务完全本地执行，否则，δi＝0。令δi,j表示用户i任务卸载标识，δi,j＝1表示用户i将任务卸载至Ej执行，否则，δi,j＝0。令δi,j,k表示用户i任务卸载迁移标识，δi,j,k＝1表示用户i的任务经Ej迁移至Ek进行卸载执行，否则，δi,j,k＝0，其中，1≤i≤M，1≤j≠k≤N。
7)建模用户任务拆分变量
建模用户任务拆分变量，具体为：令λi∈[0,1]表示用户i的任务拆分变量，λi表示用户i的任务在本地执行的比例；令λi,j∈[0,1]表示用户i卸载至Ej的任务拆分变量，λi,j表示用户i的任务卸载至Ej执行的比例；令λi,j,k∈[0,1]表示用户i卸载经Ej迁移至Ek的任务拆分变量，λi,j,k表示用户i的任务卸载经Ej迁移至Ek执行的比例。
8)建模用户任务迁移判定条件
建模用户任务迁移判定条件，具体为：MEC服务器的覆盖范围为半径为r的圆形区域，用户沿着一条单向的道路移动，圆形区域中心到道路的距离为l，用户i以恒定的速度vi行驶。令s表示用户在MEC服务器覆盖范围内行驶的总路程，s建模为
Figure BDA0002720268500000081
令Ts表示用户在MEC服务器覆盖范围内停留的时间，Ts建模为
Figure BDA0002720268500000082
令Ti,j表示用户i将任务卸载至Ej执行所需的时延，当Ti,j＞Ts时，用户i进行任务卸载迁移。
9)确定用户任务迁移目标服务器
确定用户任务迁移目标服务器，具体为：接收信号强度反映了用户与关联MEC服务器间无线链路的质量，计算能力也影响了用户与MEC服务器的关联。令Gi,j表示用户i处Ej的接收信号强度，则归一化Gi,j建模为
Figure BDA0002720268500000091
令
Figure BDA0002720268500000092
表示Ej的计算能力，则归一化
Figure BDA0002720268500000093
建模为
Figure BDA0002720268500000094
令θi,j表示用户i处Ej的代价函数，建模为
Figure BDA0002720268500000095
其中，ω1和ω2为给定的权重系数，满足ω1+ω2＝1。
评估各MEC服务器的综合性能，选择最大的θi,j对应的MEC服务器作为用户i的接入MEC服务器，建模为
Figure BDA0002720268500000096
10)建模用户任务总时延
建模用户任务总时延，具体为：根据公式
Figure BDA0002720268500000097
建模用户任务执行总时延，其中，Ti为用户i任务执行所需时延，Ti建模为
Figure BDA0002720268500000098
其中，Ti 0表示用户i的任务完全本地执行的时延，Ti,j表示用户i任务卸载至Ej执行所需的时延，Ti,j,k表示用户i任务卸载Ej迁移至Ek执行所需的时延。
11)建模用户任务完全本地执行时延
建模用户任务完全本地执行时延，具体为：根据公式Ti 0＝Ti 0,c+Ti 0,e建模用户i的任务完全本地执行的时延，其中，Ti 0,c和Ti 0,e分别表示用户i获取辅助信息的时延和任务处理时延。
上述Ti 0,c建模为
Figure BDA0002720268500000099
其中，
Figure BDA00027202685000000910
表示用户i与Ej之间下行链路的传输速率，R表示MEC服务器与核心网之间链路的传输速率。
Figure BDA00027202685000000911
建模为
Figure BDA00027202685000000912
其中，B表示Ej的传输带宽，
Figure BDA00027202685000000913
表示Ej的发射功率，gi,j表示用户i到Ej的信道增益，σ2为信道噪声功率。Ti 0,e建模为
Figure BDA00027202685000000914
其中，fi l表示用户i的计算能力。
12)建模用户无任务迁移对应卸载时延
建模用户无任务迁移对应卸载时延，具体为：根据公式
Figure BDA00027202685000000915
建模用户i将任务卸载至Ej执行所需时延，其中，
Figure BDA00027202685000000916
表示用户i任务传输到Ej的时延，
Figure BDA00027202685000000917
建模为
Figure BDA0002720268500000101
Figure BDA0002720268500000102
表示用户i获取辅助信息时延，
Figure BDA0002720268500000103
建模为
Figure BDA0002720268500000104
其中，
Figure BDA0002720268500000105
为示性函数，当λi,j＞0时，
Figure BDA0002720268500000106
否则，
Figure BDA0002720268500000107
Figure BDA0002720268500000108
表示Ej处理任务时延，
Figure BDA0002720268500000109
建模为
Figure BDA00027202685000001010
其中，
Figure BDA00027202685000001011
表示用户i与Ej之间上行链路的传输速率，
Figure BDA00027202685000001012
建模为
Figure BDA00027202685000001013
其中，Pi l表示用户i的发射功率。
13)建模用户任务迁移对应卸载时延
建模用户任务迁移对应卸载时延，具体为：根据公式
Figure BDA00027202685000001014
建模用户i任务卸载迁移执行所需时延，其中，
Figure BDA00027202685000001015
和
Figure BDA00027202685000001016
分别表示用户i将任务卸载至Ej的传输时延、获取辅助信息的时延和Ej处理用户i任务的时延，
Figure BDA00027202685000001017
和
Figure BDA00027202685000001018
分别表示用户i任务经Ej迁移卸载至Ek的传输时延、获取辅助信息的时延和Ek处理用户i任务的时延。
上述
Figure BDA00027202685000001019
建模为
Figure BDA00027202685000001020
Figure BDA00027202685000001021
建模为
Figure BDA00027202685000001022
Figure BDA00027202685000001023
建模为
Figure BDA00027202685000001024
14)建模用户任务卸载及缓存限制条件
建模用户任务卸载及缓存限制条件，具体为：任务卸载限制条件建模为δi∈{0,1}，δi,j∈{0,1}，δi,j,k∈{0,1}，
Figure BDA00027202685000001025
λi∈[0,1]，λi,j∈[0,1]，λi,j,k∈[0,1]，
Figure BDA00027202685000001026
缓存限制条件建模为εj,q∈{0,1}，βi,j∈{0,1}，
Figure BDA00027202685000001027
其中，φj表示Ej的最大缓存容量。
15)基于用户任务执行总时延最小化确定用户任务卸载及缓存策略
基于用户任务执行总时延最小化确定用户任务卸载及缓存策略，具体为：在满足用户任务卸载及缓存限制条件下，以用户任务总时延最小化为目标，优化确定MEC服务器任务卸载及缓存策略，即
Figure BDA00027202685000001028
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于服务器协作的联合任务卸载及缓存方法，其特征在于：该方法包括以下步骤：
S1：建模移动边缘计算MEC服务器变量；
S2：建模回声状态网络ESN；
S3：建模用户任务标识；
S4：建模用户与MEC服务器关联变量；
S5：建模用户任务辅助信息缓存变量；
S6：建模用户任务卸载变量；
S7：建模用户任务拆分变量；
S8：建模用户任务迁移判定条件；
S9：确定用户任务迁移目标服务器；
S10：建模用户任务总时延；
S11：建模用户任务完全本地执行时延；
S12：建模用户无任务迁移对应卸载时延；
S13：建模用户任务迁移对应卸载时延；
S14：建模用户任务卸载及缓存限制条件；
S15：基于用户任务执行总时延最小化确定用户任务卸载及缓存策略；
所述步骤S1具体为：令E＝{E1,…,EN}表示MEC服务器集合，Ej表示第j个MEC服务器，1≤j≤N，N表示MEC服务器的数量；
所述步骤S2具体为：基于概念器的ESN预测方法包括代理、输入、输出、ESN模型和概念器等部分，其中，代理负责收集用户的信息并执行预测算法；输入为时隙t用户i的相关信息，建模为
Figure FDA0003533021220000011
其中，Nx表示组成用户i的相关信息属性的数量，基于xt,i可确定用户执行任务所需辅助信息；输出为用户i的辅助信息预测结果，建模为yt,i＝[yt,i,1,…,yt,i,N]，其中，yt,i,n表示时间t用户i请求的辅助信息n，1≤n≤N；基于ESN模型可确定用户i的输入xt,i和输出yt,i的关系，并建立用户相关信息和辅助信息的函数；采用基于概念器的ESN预测方法预测用户辅助信息，将每一类辅助信息作为一种预测模式，预测模式k的概念器建模为
Figure FDA0003533021220000012
其中，
Figure FDA0003533021220000013
表示用户i在模式k下的状态相关矩阵，建模为
Figure FDA0003533021220000014
Figure FDA0003533021220000015
表示用户i的储备池状态序列，建模为
Figure FDA0003533021220000016
其中，
Figure FDA0003533021220000017
表示用户i在时间t预测模式k下的储备池状态，建模为
Figure FDA0003533021220000018
Nw表示动态储备池单元数，χ表示概念器的孔径；
采用基于概念器的ESN预测方法预测用户移动性模式，输入为时间t用户i的当前位置和相关信息，建模为
Figure FDA0003533021220000021
输出为下一个时隙用户i的位置，建模为
Figure FDA0003533021220000022
其中，Ns表示下一个持续时间间隔内用户位置的数量；
所述步骤S3具体为：令M表示用户数目，假设用户执行的任务由用户自身产生的数据信息和获取的辅助信息两部分组成，令Yi,q＝(Si,Ci,ai,q)表示用户i的任务特性，其中，Si表示用户i自身产生的数据量，Ci表示执行用户i的任务所需的CPU周期；令F＝{f1,…,fQ}表示用户任务辅助信息类型集合，其中，fq表示第q类辅助信息，1≤q≤Q，Q为辅助信息类型数目；令Aq表示辅助信息fq的数据量，令ai,q表示用户任务辅助信息类型标识，ai,q＝1表示用户i执行任务需要辅助信息fq，否则，ai,q＝0；
所述步骤S4具体为：令βi,j表示用户i与Ej的关联变量，βi,j＝1表示用户i与Ej关联，否则，βi,j＝0；
所述步骤S5具体为：令εj,q表示Ej辅助信息缓存策略标识，εj,q＝1表示Ej缓存辅助信息fq，否则，εj,q＝0；
所述步骤S6具体为：令δi表示用户i任务本地执行标识，δi＝1表示用户i的任务完全本地执行，否则，δi＝0；令δi,j表示用户i任务卸载标识，δi,j＝1表示用户i将任务卸载至Ej执行，否则，δi,j＝0；令δi,j,k表示用户i任务卸载迁移标识，δi,j,k＝1表示用户i的任务经Ej迁移至Ek进行卸载执行，否则，δi,j,k＝0，其中，1≤i≤M，1≤j≠k≤N；
所述步骤S7具体为：令λi∈[0,1]表示用户i的任务拆分变量，λi表示用户i的任务在本地执行的比例；令λi,j∈[0,1]表示用户i卸载至Ej的任务拆分变量，λi,j表示用户i的任务卸载至Ej执行的比例；令λi,j,k∈[0,1]表示用户i卸载经Ej迁移至Ek的任务拆分变量，λi,j,k表示用户i的任务卸载经Ej迁移至Ek执行的比例；
所述步骤S8具体为：MEC服务器的覆盖范围为半径为r的圆形区域，用户沿着一条单向的道路移动，圆形区域中心到道路的距离为l，用户i以恒定的速度vi行驶；令s表示用户在MEC服务器覆盖范围内行驶的总路程，s建模为
Figure FDA0003533021220000023
令Ts表示用户在MEC服务器覆盖范围内停留的时间，Ts建模为
Figure FDA0003533021220000031
令Ti,j表示用户i将任务卸载至Ej执行所需的时延，当Ti,j＞Ts时，用户i进行任务卸载迁移；
所述步骤S9具体为：接收信号强度反映了用户与关联MEC服务器间无线链路的质量，计算能力也影响了用户与MEC服务器的关联；令Gi,j表示用户i处Ej的接收信号强度，则归一化Gi,j建模为
Figure FDA0003533021220000032
令
Figure FDA0003533021220000033
表示Ej的计算能力，则归一化
Figure FDA0003533021220000034
建模为
Figure FDA0003533021220000035
令θi,j表示用户i处Ej的代价函数，建模为
Figure FDA0003533021220000036
其中，ω1和ω2为给定的权重系数，满足ω1+ω2＝1；
评估各MEC服务器的综合性能，选择最大的θi,j对应的MEC服务器作为用户i的接入MEC服务器，建模为
Figure FDA0003533021220000037
所述步骤S10具体为：根据公式
Figure FDA0003533021220000038
建模用户任务执行总时延，其中，Ti为用户i任务执行所需时延，Ti建模为
Figure FDA0003533021220000039
其中，Ti 0表示用户i的任务完全本地执行的时延，Ti,j表示用户i任务卸载至Ej执行所需的时延，Ti,j,k表示用户i任务卸载Ej迁移至Ek执行所需的时延；
所述步骤S11具体为：根据公式Ti 0＝Ti 0,c+Ti 0,e建模用户i的任务完全本地执行的时延，其中，Ti 0,c和Ti 0,e分别表示用户i获取辅助信息的时延和任务处理时延；
上述Ti 0,c建模为
Figure FDA00035330212200000310
其中，
Figure FDA00035330212200000311
表示用户i与Ej之间下行链路的传输速率，R表示MEC服务器与核心网之间链路的传输速率；
Figure FDA00035330212200000312
建模为
Figure FDA00035330212200000313
其中，B表示Ej的传输带宽，
Figure FDA00035330212200000314
表示Ej的发射功率，gi,j表示用户i到Ej的信道增益，σ2为信道噪声功率；Ti 0,e建模为
Figure FDA00035330212200000315
其中，fi l表示用户i的计算能力；
所述步骤S12具体为：根据公式
Figure FDA00035330212200000316
建模用户i将任务卸载至Ej执行所需时延，其中，
Figure FDA0003533021220000041
表示用户i任务传输到Ej的时延，
Figure FDA0003533021220000042
建模为
Figure FDA0003533021220000043
Figure FDA0003533021220000044
表示用户i获取辅助信息时延，
Figure FDA0003533021220000045
建模为
Figure FDA0003533021220000046
其中，
Figure FDA0003533021220000047
为示性函数，当λi,j＞0时，
Figure FDA0003533021220000048
否则，
Figure FDA0003533021220000049
Figure FDA00035330212200000410
表示Ej处理任务时延，
Figure FDA00035330212200000411
建模为
Figure FDA00035330212200000412
其中，
Figure FDA00035330212200000413
表示用户i与Ej之间上行链路的传输速率，
Figure FDA00035330212200000414
建模为
Figure FDA00035330212200000415
其中，Pi l表示用户i的发射功率；
所述步骤S13具体为：根据公式
Figure FDA00035330212200000416
建模用户i任务卸载迁移执行所需时延，其中，
Figure FDA00035330212200000417
和
Figure FDA00035330212200000418
分别表示用户i将任务卸载至Ej的传输时延、获取辅助信息的时延和Ej处理用户i任务的时延，
Figure FDA00035330212200000419
和
Figure FDA00035330212200000420
分别表示用户i任务经Ej迁移卸载至Ek的传输时延、获取辅助信息的时延和Ek处理用户i任务的时延；
Figure FDA00035330212200000421
建模为
Figure FDA00035330212200000422
Figure FDA00035330212200000423
建模为
Figure FDA00035330212200000424
Figure FDA00035330212200000425
建模为
Figure FDA00035330212200000426
2.根据权利要求1所述的一种基于服务器协作的联合任务卸载及缓存方法，其特征在于：所述步骤S14具体为：建模用户任务卸载及缓存限制条件，其中，任务卸载限制条件建模为δi∈{0,1}，δi,j∈{0,1}，δi,j,k∈{0,1}，
Figure FDA00035330212200000427
λi∈[0,1]，λi,j∈[0,1]，λi,j,k∈[0,1]，
Figure FDA00035330212200000428
缓存限制条件建模为εj,q∈{0,1}，βi,j∈{0,1}，
Figure FDA00035330212200000429
其中，φj表示Ej的最大缓存容量。
3.根据权利要求2所述的一种基于服务器协作的联合任务卸载及缓存方法，其特征在于：所述步骤S15具体为：在满足约束条件的前提下，以用户任务总时延最小化为目标，优化确定MEC服务器任务卸载及缓存策略，即
Figure FDA00035330212200000430
CN202011085726.1A 2020-10-12 2020-10-12 一种基于服务器协作的联合任务卸载及缓存方法 Active CN112203309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011085726.1A CN112203309B (zh) 2020-10-12 2020-10-12 一种基于服务器协作的联合任务卸载及缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011085726.1A CN112203309B (zh) 2020-10-12 2020-10-12 一种基于服务器协作的联合任务卸载及缓存方法

Publications (2)

Publication Number Publication Date
CN112203309A CN112203309A (zh) 2021-01-08
CN112203309B true CN112203309B (zh) 2022-04-12

Family

ID=74013449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011085726.1A Active CN112203309B (zh) 2020-10-12 2020-10-12 一种基于服务器协作的联合任务卸载及缓存方法

Country Status (1)

Country Link
CN (1) CN112203309B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407251A (zh) * 2021-05-26 2021-09-17 北京工业大学 一种移动边缘网络业务卸载方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809695A (zh) * 2018-04-28 2018-11-13 国网浙江省电力有限公司电力科学研究院 一种面向移动边缘计算的分布上行链路卸载策略
CN109391681A (zh) * 2018-09-14 2019-02-26 重庆邮电大学 基于mec的v2x移动性预测与内容缓存卸载方案
CN110018834A (zh) * 2019-04-11 2019-07-16 北京理工大学 一种混合移动云/边缘计算的任务卸载和数据缓存方法
CN110087257A (zh) * 2019-04-24 2019-08-02 重庆邮电大学 一种支持移动边缘计算的任务卸载装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3732932A4 (en) * 2017-12-30 2022-05-11 INTEL Corporation WIRELESS COMMUNICATION METHODS AND DEVICES

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809695A (zh) * 2018-04-28 2018-11-13 国网浙江省电力有限公司电力科学研究院 一种面向移动边缘计算的分布上行链路卸载策略
CN109391681A (zh) * 2018-09-14 2019-02-26 重庆邮电大学 基于mec的v2x移动性预测与内容缓存卸载方案
CN110018834A (zh) * 2019-04-11 2019-07-16 北京理工大学 一种混合移动云/边缘计算的任务卸载和数据缓存方法
CN110087257A (zh) * 2019-04-24 2019-08-02 重庆邮电大学 一种支持移动边缘计算的任务卸载装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jinze Wu ; Zhiying Cao ; Yingjun Zhang ; Xiuguo Zhang.Edge-Cloud Collaborative Computation Offloading Model Based on Improved Partical Swarm Optimization in MEC.《2019 IEEE 25th International Conference on Parallel and Distributed Systems (ICPADS)》.2020, *
凌雪延 ; 王鸿 ; 宋荣方.多核服务器边缘计算系统中任务卸载调度和功率分配的研究.《南京邮电大学学报(自然科学版)》.2020, *

Also Published As

Publication number Publication date
CN112203309A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN112188442B (zh) 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN110087257B (zh) 一种支持移动边缘计算的任务卸载装置及方法
CN109151864B (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
Zhou et al. [Retracted] Machine Learning‐Based Offloading Strategy for Lightweight User Mobile Edge Computing Tasks
CN112888002B (zh) 一种基于博弈论的移动边缘计算任务卸载及资源分配方法
CN109756912B (zh) 一种多用户多基站联合任务卸载及资源分配方法
CN114051254B (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
CN110928691A (zh) 一种面向交通数据的端边协同计算卸载方法
CN113918240B (zh) 任务卸载方法及装置
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN112866006B (zh) 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法
CN112929849B (zh) 一种基于强化学习的可靠车载边缘计算卸载方法
CN115022322B (zh) 一种车联网中基于群智进化的边云协作任务卸载方法
CN112203309B (zh) 一种基于服务器协作的联合任务卸载及缓存方法
CN112612553A (zh) 一种基于容器技术的边缘计算任务卸载方法
KR101924628B1 (ko) 트래픽 오프로딩을 제어하기 위한 장치 및 방법
Singh et al. Optimized resource allocation and trust management schemes for non-orthogonal multiple access on the internet of vehicles
CN115766478A (zh) 一种空地协同边缘计算服务器的卸载方法
CN115134410B (zh) 边缘协作服务领域划分方法、装置、电子设备及存储介质
CN113573365B (zh) 一种基于马尔科夫转移概率的车联网边缘缓存方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221213

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221227

Address after: 518000 Room 1804, Block A, Building 7, Shenzhen International Innovation Valley, Dashi 1st Road, Xili Community, Xili Street, Nanshan District, Shenzhen, Guangdong

Patentee after: Shenzhen Xunwei Hengda Technology Co.,Ltd.

Address before: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.