CN112272102B

CN112272102B - 边缘网络业务卸载和调度方法及装置

Info

Publication number: CN112272102B
Application number: CN202010953608.1A
Authority: CN
Inventors: 张延华; 魏婷婷; 孙阳; 王朱伟; 方超; 吴文君; 王琪; 高巨
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2020-09-11
Filing date: 2020-09-11
Publication date: 2023-07-14
Anticipated expiration: 2040-09-11
Also published as: CN112272102A

Abstract

本发明实施例提供一种边缘网络业务卸载和调度方法及装置，其中，该方法包括：根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序；其中，业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的。本发明实施例提供的边缘网络业务卸载和调度方法及装置，通过综合考虑能耗、超时惩罚和总完成时间，能在满足时延需求有效性的并实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

Description

边缘网络业务卸载和调度方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种边缘网络业务卸载和调度方法及装置。

背景技术

随着移动互联网技术和移动应用的快速发展，移动设备产生大量计算业务需求需要在较短时间内以较低代价完成。由于移动设备的计算资源非常有限，如果全部任务在本地处理则会造成较大的延迟。为解决延迟问题，新兴的移动边缘计算(MEC，Mobile EdgeComputing)技术，可以融合网络传输、计算、储存能力，来提高边缘效率。为了应对终端设备处理能力不足、资源有限等问题，将资源受限的移动设备的计算密集型应用卸载到计算资源相对充裕的MEC服务器端，可有效加快任务执行速度，节约移动设备端能源消耗。

任务卸载常常与资源调度结合在一起。资源调度是通过调整任务执行的先后顺序，合理地利用网络资源，以满足或优化一个或多个性能指标。因此对用户的计算任务进行卸载决策时需要综合考虑通信和计算资源，优化资源调度，从而保证用户的使用体验。

现有业务卸载和调度方法，通常仅考虑较少的性能指标，例如任务的总完成时间或能耗，不能充分利用网络资源，业务卸载和调度的效率较低，系统整体的增益有限。

发明内容

本发明实施例提供一种边缘网络业务卸载和调度方法及装置，用以解决现有技术中业务卸载和调度的效率较低的缺陷，实现更加灵活、高效的业务卸载和调度。

本发明实施例提供一种边缘网络业务卸载和调度方法，包括：

根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；

根据所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序；

其中，所述业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；所述各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的。

根据本发明一个实施例的边缘网络业务卸载和调度方法，所述根据所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序的具体步骤包括：

根据遗传算法求解所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序。

根据本发明一个实施例的边缘网络业务卸载和调度方法，所述业务卸载和调度模型的目标函数为

其中，U＝{U₁，U₂，...，U_K}表示用户设备的集合，K表示用户设备的总数；J表示任务的集合；J_k＝{J_k1，J_k2，...，J_kL}表示用户设备U_k的任务集合，L表示用户设备U_k的任务的总数；α表示用户设备的延迟需求系数；β_k表示用户设备U_k的能耗需求系数；γ_k表示用户设备U_k的超时惩罚系数；E_kl表示完成任务J_kl的能耗；D_kl表示完成任务J_kl的超时惩罚；C表示各任务的总完成时间。

根据本发明一个实施例的边缘网络业务卸载和调度方法，所述业务卸载和调度模型的约束条件为

其中，s_kl表示任务J_kl的开始时间；c_kl表示任务J_kl的完成时间；

表示任务J_kl的紧前任务集合。

根据本发明一个实施例的边缘网络业务卸载和调度方法，所述根据遗传算法求解所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序的具体步骤包括：

基于二层编码方法，随机产生初始种群；

基于所述初始种群进行遗传操作，直至获得的种群满足预设的收敛条件，或者迭代达到预设的最大次数；

根据所述二层编码方法对所述种群进行解码，获取每一所述任务的卸载位置及和各所述任务的调度次序；

其中，所述二层编码中的第一层表示任务对应的用户设备，第二层表示卸载位置。

根据本发明一个实施例的边缘网络业务卸载和调度方法，所述卸载端包括若干个MEC服务端；所述MEC服务端，与每一所述用户设备通信连接。

根据本发明一个实施例的边缘网络业务卸载和调度方法，所述卸载端还包括若干个云服务端；所述云服务端与每一所述MEC通信连接。

本发明实施例还提供一种边缘网络业务卸载和调度装置，包括：

建模模块，用于根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；

优化模块，用于根据所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序；

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边缘网络业务卸载和调度方法的步骤。

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边缘网络业务卸载和调度方法的步骤。

本发明实施例提供的边缘网络业务卸载和调度方法及装置，通过综合考虑完成每一任务的能耗和超时惩罚，以及各任务的总完成时间作为执行各任务的综合性能，根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件的业务卸载和调度模型，根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序，通过调整任务卸载决策和任务调度次序，能在满足用户时延需求有效性的同时实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

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是本发明实施例提供的一种边缘网络业务卸载和调度方法的流程示意图；

图2是本发明实施例提供的一种边缘网络业务卸载和调度方法中染色体二层编码的结构示意图；

图3是本发明实施例提供的一种边缘网络业务卸载和调度方法中不同种群大小随迭代次数增加的收敛示意图；

图4是本发明实施例提供的一种边缘网络业务卸载和调度方法随着输入数据大小增加系统优化目标的曲线示意图；

图5是本发明实施例提供的一种边缘网络业务卸载和调度方法随着MEC计算能力的增加系统优化目标的曲线示意图；

图6为本发明实施例提供的一种边缘网络业务卸载和调度方法随着最大容忍时间的增加系统优化目标的曲线示意图；

图7是本发明实施例提供的一种边缘网络业务卸载和调度装置的结构示意图；

图8是本发明实施例提供的一种电子设备的结构示意图。

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做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。

为了克服现有技术的上述问题，本发明实施例提供一种边缘网络业务卸载和调度方法及装置，其发明构思是，在边缘网络场景下，基于业务时序、网络部署和网络性能等多种因素，综合考虑总服务时间、能耗，以及任务超过最大容忍时间的惩罚(简称“超时惩罚”)，基于用户上行多连接技术，获取任务的卸载决策和调度次序，进行边缘网络多目标的任务卸载和资源调度，从而充分利用网络和通信资源，在满足用户时延需求有效性的同时实现多个性能的均衡，提高网络整体的性能增益。

图1是本发明实施例提供的一种边缘网络业务卸载和调度方法的流程示意图。下面结合图1描述本发明实施例的边缘网络业务卸载和调度方法。如图1所示，该方法包括：步骤S101、根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型。

其中，业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的。

需要说明的是，本发明实施例适用于边缘网络场景中柔性业务的卸载和调度。

边缘网络，由多个用户终端(User equipment，UE)和若干个卸载端组成。

卸载端，可以为形成单层或多层结构的若干个服务器。

每个用户终端上存在的一个或多个任务(task)，称为该用户终端的任务。上述多个任务，可以具有特定执行先后顺序。

每个用户终端均支持上行多连接技术，每个用户终端的不同业务可以根据需要在用户终端本地执行或由用户终端卸载至卸载端上执行，因而上述业务为柔性业务。

根据卸载位置的不同，每个任务具有多种可选卸载模式，其计算任务可选择在本地执行或者卸载至卸载端上执行。

优选地，边缘网络采用的通信方式为时分多址(TDMA，Time division multipleaccess)，因此任务的上传和执行过程不重叠。

边缘网络由K个用户设备U＝{U₁，U₂，...，U_K}和N个卸载端组成。

其中，K和N均为正整数。

对于第k个用户设备，该用户设备上共有L个任务J_k＝{J_k1，J_k2，...，J_kL}。其中，k和L均为正整数；1≤k≤K。

对于每一用户设备的每一任务，获取该任务的输入数据大小、计算该任务所需的CPU周期数和时延容忍需求。

即对于第k个用户设备的第l个任务J_kl，可以用一个三元组(R_kl，Z_kl，T_kl)来表示。其中，R_kl表示任务J_kl输入数据的大小；Z_kl表示计算任务J_kl所需的CPU周期数；T_kl表示任务J_kl的最大容忍时间(即时延容忍需求)。

时延容忍需求，指任务允许的最大完成时间。

任务在本地执行，指用户设备自身执行该任务。

可以根据计算该任务所需的CPU周期数和该用户设备的计算能力(即本地的计算能力)，获取任务在本地执行的完成时长。

可以根据预设的能量系数、计算该任务所需的CPU周期数和该用户设备的计算能力，获取任务在本地执行的能耗。

任务J_kl在本地执行的完成时长

和能耗/>

的具体计算公式分别为

其中，f_local表示本地的计算能力；ε表示预设的能量系数，取决于用户设备的芯片结构。

任务在某个卸载端上执行时，需要先将该任务传输至该卸载端，然后在该卸载端上执行，并且由于任务之间存在逻辑性，卸载端不一定立即执行该任务，该可能需要等待一段时间才会被该卸载端执行，因此，用户设备的任务在卸载端执行的完成时长可以包括三部分：该任务在用户设备与该卸载端之间的传输时间、该卸载端的任务执行时间和任务等待时间

可以根据输入数据的大小、通信带宽、用户设备与卸载端之间的上行传输功率和信道增益，以及高斯白噪声，获取该任务在用户设备与该卸载端之间的传输时间。

可以根据计算该任务所需的CPU周期数和卸载端的计算能力，获取该卸载端的任务执行时间。

任务J_kl在用户设备U_k与该卸载端之间的传输时间

和该卸载端的任务执行时间

的具体计算公式分别为

其中，r_k表示用户设备U_k上行速率；f_mec表示卸载端的计算能力。

用户设备U_k上行速率r_k的具体计算公式为

其中，B表示网络的通信带宽；p_k表示用户设备U_k与卸载端之间的上行传输功率；g_k表示用户设备U_k与卸载端之间的信道增益；σ²表示加性高斯白噪声。

任务J_kl在卸载端执行的完成时长

的具体计算公式为

对于移动终端(用户设备)的体验而言，由于在用户设备处感知不到非本地的能耗，因此，用户设备的任务在卸载端执行的能耗可以只考虑该任务在用户设备与该卸载端之间的传输能耗。

可以根据输入数据的大小、通信带宽、用户设备与卸载端之间的上行传输功率和信道增益，以及高斯白噪声，获取该任务在用户设备与该卸载端之间的传输能耗，作为该任务在卸载端执行的能耗。

任务J_kl在卸载端执行的能耗

的具体计算公式为

其中，r_k表示用户设备U_k上行速率；p_k表示用户设备U_k与卸载端之间的上行传输功率。

超时惩罚，指超过任务的最大容忍时间的惩罚。任务的最大容忍时间，指允许的完成任务的最大时长。

综合考虑完成各任务的总能耗、总超时惩罚和总完成时间，根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取执行各任务的综合性能。

可以将完成每一任务的能耗和超时惩罚，以及各任务的总完成时间相加，或根据预设的权重加权之后求和，作为执行各任务的综合性能。

将最小化执行各任务的综合性能为优化目标，建立业务卸载和调度模型的目标函数。

可以理解的是，各任务之间存在逻辑上的先后顺序，可以包括每个用户设备的任务之间存在的特定执行先后顺序和/或不同设备的任务之间存在的特定执行先后顺序。

因此，业务卸载和调度模型还需要考虑上述逻辑关系，可以根据各任务之间的逻辑关系建立业务卸载和调度模型的约束条件。

步骤S102、根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序。

具体地，该业务卸载和调度模型，描述的是一个多目标作业车间调度问题。业务卸载和调度，被转换为多目标作业车间调度问题。多目标问题是一个难以求解的混合整数优化问题，传统组合优化和凸优化方法难以求解。

该多目标问题，是一个NP-hard问题。NP-hard，指所有NP(non-deterministicpolynomial，非确定性多项式)问题都能在多项式时间复杂度内归约到的问题。非确定性，是指可用一定数量的运算去解决多项式时间内可解决的问题。

因此，可以采用任一种可用于解决NP-hard问题的优化算法，例如遗传算法、有限精度序列解算法或贪心算法等，对该业务卸载和调度模型进行求解，获取每一任务的卸载位置及和各任务的调度次序。

卸载位置，指执行该任务的设备。卸载位置，可以为本地的用户设备或某一卸载端。

可以用x_kl表示任务J_kl的卸载位置。x_kl∈{0，1，2，…，N}，N表示卸载端的数量，x_kl＝0表示任务J_kl在本地执行，x_kl＝1表示任务J_kl在第一个卸载端上执行，x_kl＝2表示任务J_kl在第二个卸载端上执行，以此类推。

调度次序，指各用户设备的各任务的先后执行顺序。

可以理解的是，根据调度次序和任务的完成时长，可以获取任务的完成时间，根据完成时间可以确定是否超时以及获取超时惩罚。

本发明实施例通过综合考虑完成每一任务的能耗和超时惩罚，以及各任务的总完成时间作为执行各任务的综合性能，根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件的业务卸载和调度模型，根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序，通过调整任务卸载决策和任务调度次序，能在满足用户时延需求有效性的同时实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

基于上述各实施例的内容，根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序的具体步骤包括：根据遗传算法求解业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序。

具体地，由于业务卸载和调度模型，描述的是一个多目标问题，传统组合优化和凸优化方法难以求解，因而可以采用遗传算法，求解任务卸载决策和调度次序。

遗传算法是通过模拟自然界中的生物遗传和优胜劣汰的进化过程来搜索最优解。

本发明实施例中，可以将业务卸载和调度模型的解表示成染色体，设置最大迭代次数，通过染色体群的迭代优化，包括选择、交叉和变异等操作，每次遗传操作完成后，迭代次数加一，当迭代次数达到设置的最大值后，迭代终止。最终收敛到最优的个体，从而求得问题的最优解。

本发明实施例根据遗传算法求解业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序，能更高效地获取任务卸载决策和调度次序，能提高业务卸载和调度的效率。

基于上述各实施例的内容，业务卸载和调度模型的目标函数为

具体地，由于不同移动终端(即用户设备，UE)具有不同的个性化需求，因此引入延迟-能耗权衡机制系数。

α表示用户设备的延迟需求系数；β_k表示用户设备U_k的能耗需求系数。α和β_k可以根据边缘网络的实际情况预先设定，其具体取值本发明实施例不作限制。执行任务对延迟和能耗的敏感程度，可以通过调节α和β_k的值来决定。γ_k为惩罚系数，γ_k的值由各个用户设备U_k确定。

任务分为延迟敏感(DS)和延迟不敏感(DI)两类，

其中，J_DS表示各任务中延迟敏感的任务的集合；J_DI表示各任务中延迟不敏感的任务的集合；J表示各设备的各任务构成的集合。

延迟敏感的任务和延迟不敏感的任务的惩罚系数不同。。

需要说明的是，以各设备的各任务中第一个执行的任务的开始时刻为零时刻开始计时，记录每个任务的开始时刻和完成时刻。

c_kl表示任务J_kl的完成时间，指任务J_kl的完成时刻，距离各设备的各任务中第一个执行的任务的开始时刻的时长。

s_kl表示任务J_kl的开始时间，指任务J_kl的开始时刻，距离各设备的各任务中第一个执行的任务的开始时刻的时长。

对于完成任务的超时惩罚，如果该任务在最大容忍时间之前完成，则不需要惩罚，超时惩罚为0；如果该任务在最大容忍时间之后完成，则有一定的惩罚，可以将任务的完成时间超过任务的最大容忍时间的时长作为超时惩罚。

完成任务J_kl的超时惩罚D_kl的具体计算公式为

D_kl＝max{0，c_kl-T_kl}

其中，c_kl表示任务J_kl的完成时间；T_kl为任务J_kl的最大容忍时间。

各任务的总完成时间，可以用各设备的各任务中最后一个完成的任务的完成时间表示。

各任务的总完成时间C的具体计算公式为

C＝max_{k∈U，l∈J}{C_kl}

可以利用加权法，对能耗、超时惩罚和各任务的总完成时间等优化目标进行加权，构建业务卸载和调度模型的目标函数。

可以将β_k、γ_k和α分别作为能耗、超时惩罚和各任务的总完成时间的权重，构建业务卸载和调度模型的目标函数为

min[∑_k∈U∑_l∈J(β_kE_kl+γ_kD_kl)+αC]。

本发明实施例通过综合考虑完成每一任务的能耗和超时惩罚，以及各任务的总完成时间作为执行各任务的综合性能，根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立以最小化执行各任务的综合性能为目标函数的业务卸载和调度模型，从而能根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序，通过调整任务卸载决策和任务调度次序，能在满足用户时延需求有效性的同时实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

基于上述各实施例的内容，业务卸载和调度模型的约束条件为

表示任务J_kl的紧前任务集合。

具体地，业务卸载和调度模型的约束条件包括两类：一是用户设备的同一任务的开始时间和完成时间存在的逻辑约束条件；二是紧前任务与任务之间的逻辑约束条件。

通常，用户设备的应用所包含的一系列任务及相互之间的关系可以利用线性关系来表示，每一个节点表示一个任务，节点间的有向边表示任务之间的逻辑关系。

表示任务J_kl的紧前任务集合，则用户设备的任务之间和任务卸载顺序之间存在的逻辑约束条件可以表示为

其中，s_kl表示任务J_kl的开始时间；c_kl表示任务J_kl的完成时间。

上述两个公式分别保证了任务J_kl的完成时间大于任务J_kl的开始时间，任务J_kl的紧前任务的完成时间小于或等于任务J_kl的开始时间。

根据任务J_kl的执行可以为本地或卸载端，因此

进一步地，可以表示为

其中，

表示本用户终端执行的上一个任务的完成时间；/>

表示卸载端上的上一个任务的传输完成时间；U_k*表示卸载端上执行的上一个任务对应的用户终端，U_k＝U_k*或U_k≠U_k*；c_k(l-1)表示本用户终端的上一个任务J_k(l-1)的完成时间；/>

和/>

分别表示任务J_kl在本地和卸载端上的完成时长。

本发明实施例通过综合考虑完成每一任务的能耗和超时惩罚，以及各任务的总完成时间作为执行各任务的综合性能，根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件的业务卸载和调度模型，从而能根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序，通过调整任务卸载决策和任务调度次序，能在满足用户时延需求有效性的同时实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

基于上述各实施例的内容，根据遗传算法求解业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序的具体步骤包括：基于二层编码方法，随机产生初始种群。

其中，二层编码中的第一层表示任务对应的用户设备，第二层表示卸载位置。

具体地，编码方法是遗传算法的关键，变异概率和交叉概率都受到编码方法的影响，因此编码问题极大的影响了遗传计算的效率。

图2是本发明实施例提供的一种边缘网络业务卸载和调度方法中染色体二层编码的结构示意图。如图2所示，本发明实施例采取基于任务执行顺序的表达方法，对染色体采用二层编码方法，第一层表示任务对应的用户设备，第二层表示卸载位置。

确定编码方法之后，基于二层编码方法，可以通过随机选择的方法产生初始种群。

通过随机的方法产生NIND个初始解，每个解都是一种任务卸载和资源调度的方式，上述NIND种方式都可以视为初始种群。

基于初始种群进行遗传操作，直至获得的种群满足预设的收敛条件，或者迭代达到预设的最大次数。

具体地，遗传算法寻找最优解的过程就是遗传操作的过程，主要包括三个遗传操作分别是选择、交叉和变异。

对于选择，可以通过轮盘赌的方式来选择较优的解。

轮盘赌的一般步骤为：

步骤1、计算种群P中所有个体的适应度，求出总适应度：

步骤2、计算染色体的选择概率：

步骤3、计算个体的累计概率q_n，相当于转盘上的“跨度”，“跨度”越大越容易被选到

步骤4、随机产生一个[0，1]之间的数θ；

步骤5、如果θ≤q₁，则选择第一条染色体x₁，否则，如果q_m-1＜θ≤q_m，则选择第m条染色体(2≤m≤NIND)。

适应度可以根据预先设计的适应度函数计算获得。

适应度函数一般都是以优化目标为根据设计的，适应度函数与业务卸载和调度模型的目标函数存在如下映射关系：

其中，y_max是一个输入值或者理论上的最大值；g(x)为适应度函数与业务卸载和调度模型的目标函数。

在遗传操作中，交叉的目的是利用父代个体经过一定操作组合后产生新个体，特征的有效继承性保证了父代的信息传到子代。

本发明实施例中，交叉操作对染色体的两层编码分别考虑。

对于第一层任务对应的用户设备：

步骤1、在区间[1，J_sum]内随机产生一个整数

J_sum表示所有用户终端的所有任务的总个数；

步骤2、按照步骤1中产生的整数

将父代染色体P₁和P₂中对应位置的基因复制到子代染色体DC₁和DC₂中，保持它们的位置和顺序；

步骤3、将P₁和P₂余下的基因依次复制到DC₂和DC₁中，保持它们的位置和顺序；

步骤4、由于用户终端的个数和每个用户终端的任务个数是固定的，所以交叉的过程中可能会出现用户终端的个数和任务个数不匹配的情况，可以通过用多余的基因替代缺失的基因以达到符合固定用户固定任务的目的。

对于第二层卸载位置，任务J_kl对应的在本地或者卸载端上执行的位置不变。

变异操作是通过随机改变染色体的某些基因，对染色体进行较小扰动来生成新的个体，增加种群多样性。

本发明实施例中，对于变异，可以包括两种方式。

第一种方式是对于第一层编码，随机选择染色体中的两个基因位，采用互换变异，然后根据第一层编码的交换基因位进行第二层编码的变化，改变卸载位置。

第二种方式是直接对第二层编码进行变异，改变卸载位置。

对于每次变异之后获得的种群，判断是否满足预设的收敛条件，或者迭代是否达到预设的最大次数。

满足预设的收敛条件，或者迭代达到预设的最大次数，停止遗传操作；如果不满足预设的收敛条件，且迭代未达到预设的最大次数，则继续遗传操作。

根据二层编码方法对种群进行解码，获取每一任务的卸载位置及和各任务的调度次序。

具体地，满足预设的收敛条件，或者迭代达到预设的最大次数时，根据二层编码方法对本次变异获得的种群进行解码，获得每一任务的卸载位置及和各任务的调度次序。

根据遗传算法求解业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序的具体步骤可以表示为：

步骤1、随机产生规模为NIND初始种群P₀；

步骤2、对种群P₀进行解码，得到任务卸载和资源调度方案S；

步骤3、根据任务卸载和调度方案计算目标函数；

步骤4、计算种群P₀的适应度；

步骤5、采用轮盘赌选择机制从种群中选择较优的数量为NIND*GGAP(GGAP表示代沟)的个体组成配对种群P′；

步骤6、对种群P′实施遗传操作，包括选择、交叉和变异，生成子种群P_c；

步骤7、对子种群P_c根据任务卸载和调度方案计算目标函数；

步骤8、在种群P₀中重新插入子种群以替代父母，输出插入后的当前种群的个体以及插入后当代的个体的目标值；

步骤9、若满足收敛条件，或者达到迭代次数则终止运算，否则返回步骤4。

图3是本发明实施例提供的一种边缘网络业务卸载和调度方法中不同种群大小随迭代次数增加的收敛示意图。不同种群大小随迭代次数增加的收敛变化如图3所示。

基于上述各实施例的内容，卸载端包括若干个MEC服务端；MEC服务端，与每一用户设备通信连接。

具体地，边缘网络中的卸载端可以为单层结构，该单层结构包括若干个MEC服务端。

若干个，指一个或多个。

对于每个MEC服务端，均与每一用户设备通信连接，可以在需要的时候将任一用户设备的任务卸载至该MEC服务端上。

本发明实施例通过若干个MEC服务端作为卸载端，能通过调整任务卸载决策和任务调度次序，能在满足用户时延需求有效性的同时实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

基于上述各实施例的内容，卸载端还包括若干个云服务端；云服务端与每一MEC通信连接。

具体地，边缘网络中的卸载端可以还可以为多层结构。该多层结构的底层，可以由若干个MEC服务端构成。

该多层结构中底层之上的各层，可以由云服务端构成。

对于每个云服务端，均与每一MEC服务端通信连接，可以在需要的时候将任一用户设备的任务，经某一MEC服务端卸载至该云服务端上。

本发明实施例通过若干个云服务端作为卸载端，能通过调整任务卸载决策和任务调度次序，能在满足用户时延需求有效性的同时实现多个性能均衡，能提高网络整体性能增益，能提高业务卸载和调度的效率。

为了便于对本发明上述各实施例的理解，下面通过一个实例对边缘网络业务卸载和调度的过程进行说明。

本实例中边缘网络有2个MEC服务端和8个UE随机分布在500m*1000m的方形区域，其中每个UE有2个任务。用户终端U_k的最大发射功率设为23dBm，高斯白噪声为σ²＝-174dBm/Hz，本地的计算能力为f_local＝1e9，MEC服务端的计算能力为f_mec＝4e9。能量系数ε＝1e-27，输入数据的大小R_kl服从均匀分布，其均值为5Mbits。计算任务所需的CPU周期数Z_kl与R_kl成正比，Z_kl＝R_kl*200，带宽为B＝10MHz，路损公式为pathloss＝128.1+37.6*log(d)。能耗和时延的权重系数α＝0.25，β_k＝0.75，惩罚系数γ_k＝10。

遗传算法采用如图2所示的染色体二层编码方法。遗传算法的控制参数设定为遗传迭代最大次数MAXGEN＝2000，种群大小NIND＝50，种群的代沟概率GGAP＝0.9，交叉概率XOVR＝0.6，变异概率MUTR＝0.1。

比较方法一为全部任务在本地执行；比较方法二为基于遗传算法的单连接资源调度算法，即每个用户设备的所有任务只能卸载到一个特定的MEC节点，并由特定的MEC服务器处理；比较方法三为基于遗传算法的多连接技术的灵活资源调度算法，可以将每个用户设备的所有任务灵活地卸载到多个MEC节点中的一个，并由相应的MEC服务器处理；比较方法四为基于遗传算法的任务卸载和资源调度算法，采用单连接技术，每个用户设备的所有任务都可以在本地处理或由特定的MEC服务器处理。

图4是本发明实施例提供的一种边缘网络业务卸载和调度方法随着输入数据大小增加系统优化目标的曲线示意图；图5是本发明实施例提供的一种边缘网络业务卸载和调度方法随着MEC计算能力的增加系统优化目标的曲线示意图；图6为本发明实施例提供的一种边缘网络业务卸载和调度方法随着最大容忍时间的增加系统优化目标的曲线示意图。

图4至图6示出了上述五种方法的性能。通过五种方法的比较可以看出，本发明上述各实施例提供的边缘网络业务卸载和调度方法，在综合性能上均优于比较方法一，二，三和四。

下面对本发明实施例提供的边缘网络业务卸载和调度装置进行描述，下文描述的边缘网络业务卸载和调度装置与上文描述的边缘网络业务卸载和调度方法可相互对应参照。

图7为根据本发明实施例提供的边缘网络业务卸载和调度装置的结构示意图。基于上述各实施例的内容，如图7所示，该装置包括建模模块701和优化模块702，其中：

建模模块701，用于根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；

优化模块702，用于根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序；

具体地，建模模块701和优化模块702电连接。

建模模块701综合考虑完成各任务的总能耗、总超时惩罚和总完成时间，根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取执行各任务的综合性能，将最小化执行各任务的综合性能为优化目标，建立业务卸载和调度模型的目标函数，并根据各任务之间的逻辑关系建立业务卸载和调度模型的约束条件，从而获得业务卸载和调度模型。

优化模块702可以采用任一种可用于解决NP-hard问题的优化算法，例如遗传算法、有限精度序列解算法或贪心算法等，对该业务卸载和调度模型进行求解，获取每一任务的卸载位置及和各任务的调度次序。

本发明实施例提供的边缘网络业务卸载和调度装置，用于执行本发明上述各实施例提供的边缘网络业务卸载和调度方法，该边缘网络业务卸载和调度装置包括的各模块实现相应功能的具体方法和流程详见上述边缘网络业务卸载和调度方法的实施例，此处不再赘述。

该边缘网络业务卸载和调度装置用于前述各实施例的边缘网络业务卸载和调度方法。因此，在前述各实施例中的边缘网络业务卸载和调度方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。

图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)801、存储器(memory)802和总线803；其中，处理器801和存储器802通过总线803完成相互间的通信；处理器801用于调用存储在存储器802中并可在处理器801上运行的计算机程序指令，以执行上述各方法实施例供的边缘网络业务卸载和调度方法，该方法包括：根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序；其中，业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的。

此外，上述的存储器802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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、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边缘网络业务卸载和调度方法，该方法包括：根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序；其中，业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的。

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边缘网络业务卸载和调度方法，该方法包括：根据每一用户设备的每一任务在本地和卸载端执行的完成时长和能耗，建立业务卸载和调度模型；根据业务卸载和调度模型，获取每一任务的卸载位置及和各任务的调度次序；其中，业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的。

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

1.一种边缘网络业务卸载和调度方法，其特征在于，包括：

其中，所述业务卸载和调度模型，以最小化执行各任务的综合性能为目标函数，以各任务之间的逻辑关系为约束条件；所述各任务的综合性能，是根据完成每一任务的能耗和超时惩罚，以及各任务的总完成时间获取的；

所述根据所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序的具体步骤包括：

根据遗传算法求解所述业务卸载和调度模型，获取每一所述任务的卸载位置及和各所述任务的调度次序；

所述业务卸载和调度模型的目标函数为

其中，U＝{U₁,U₂,…,U_K}表示用户设备的集合，K表示用户设备的总数；J表示任务的集合；J_k＝{J_k1,J_k2,…,J_kL}表示用户设备U_k的任务集合，L表示用户设备U_k的任务的总数；α表示用户设备的延迟需求系数；β_k表示用户设备U_k的能耗需求系数；γ_k表示用户设备U_k的超时惩罚系数；E_kl表示完成任务J_kl的能耗；D_kl表示完成任务J_kl的超时惩罚；C表示各任务的总完成时间；

所述业务卸载和调度模型的约束条件为