CN112449016A - 一种任务卸载方法、装置、存储介质及电子设备 - Google Patents
一种任务卸载方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112449016A CN112449016A CN202011316807.8A CN202011316807A CN112449016A CN 112449016 A CN112449016 A CN 112449016A CN 202011316807 A CN202011316807 A CN 202011316807A CN 112449016 A CN112449016 A CN 112449016A
- Authority
- CN
- China
- Prior art keywords
- unloading
- task
- user
- tasks
- user side
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims description 49
- 230000005540 biological transmission Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 4
- 241000854291 Dianthus carthusianorum Species 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- 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
-
- 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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/101—Server selection for load balancing based on network conditions
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种任务卸载方法、装置、存储介质及电子设备,其中,方法包括如下步骤:获取当前用户端以及与所述当前用户端对应的多个目标处理端卸载任务的初始分配参数;根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。通过实施本发明,实现了在任务分配时,考虑整体情况,使得整体上卸载任务的分配更加均衡,降低了资源浪费。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种任务卸载方法、装置、存储介质及电子设备。
背景技术
随着5G技术的快速发展,许多低时延、高可靠性的应用正在涌现。然而该类业务大量的数据处理和时延要求以及严格的服务质量需求是巨大的挑战。在此背景下,任务卸载有望成为满足低时延高可靠要求的一个重要解决方案。对于典型的云卸载模式,整个任务被卸载到基站,这样服务器在基站中运行,所有相关业务客户端都连接到基站。然而,由于当前云计算系统的体系结构以及与云计算系统之间的地理距离,这种集中化方法给业务处理以及传输的时间关键控制环带来了额外的延迟和不足的计算资源。不能满足海量数据处理及超低时延传输的需求。
为了保持较低的计算延迟,避免端到端传输延迟到远程云端,相关技术中提出了依靠边缘计算技术,在边缘设备上执行计算等,这些边缘设备包括基站、边缘服务器,甚至应用设备本身,在将任务卸载到边缘设备时,通常每个有卸载任务的终端根据自身任务数据情况,将卸载任务进行本地分配。当多个有卸载任务的终端进行各自的本地任务分配时,由于只考虑自身分配问题,忽略整体分配情况,从而使得卸载任务分配不均衡,导致计算资源浪费。
发明内容
有鉴于此,本发明实施例提供了一种任务卸载方法、装置、存储介质及电子设备,以解决现有技术中卸载任务分配不均衡,导致计算资源浪费的缺陷。
根据第一方面,本发明实施例提供一种任务卸载方法,包括如下步骤:获取当前用户端以及与所述当前用户端对应的多个目标处理端卸载任务的初始分配参数;根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。
可选地,所述初始分配参数包括卸载模式参数,所述卸载模式参数对应的卸载模式包括边缘卸载模式和基站卸载模式;获取当前用户端以及多个目标处理端卸载任务的初始分配参数之前,所述方法还包括:获取当前用户端的卸载任务量以及卸载任务的随机初始分配比例;根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小;根据所述用户端卸载任务量,确定所述卸载任务在基站卸载模式下的耗能大小;根据所述边缘卸载模式下的耗能大小以及基站卸载模式下的耗能大小,确定卸载模式参数。
可选地,所述初始分配参数还包括初始最优算力参数,所述初始最优算力包括初始最优基站算力参数和初始最优边缘用户算力参数;所述初始最优基站算力参数根据下式得到:
其中,Lbs为初始最优基站算力参数,Sm为完成用户m的卸载任务所需的计算资源,Tmax为最大时延,γmn为用户m将卸载任务分配给用户n的随机初始分配比例,M表示有卸载任务的用户个数,N表示空闲用户个数,λm表示对应有卸载任务的用户m的拉格朗日乘子,εm表示有卸载任务的用户m采用的卸载模式,yn表示用户n相关的CPU系数;为边缘卸载模式下的传输延时,其中,Im表示有卸载任务的用户m任务输入数据大小,Cm,n=Blog2(1+SINRm,n),SINRm,n表示有卸载任务的用户m传输到用户n的信干噪比,Cn,m=Blog2(1+SINRn,m),其中,SINRn,m表示用户n传输到有卸载任务的用户m的信干噪比,B为信道带宽,Om表示有卸载任务的用户m任务输出数据大小,为基站卸载模式下的传输延时,其中,Cm,b=Blog2(1+SINRm,b),SINRm,b表示有卸载任务的用户m传输到基站的信干噪比,Cb,m=Blog2(1+SINRb,m),SINRb,m表示基站传输到有卸载任务的用户m的信干噪比;所述最优边缘用户算力参数包括:
其中,Ln为初始最优边缘用户算力参数,ybs为与基站相关的CPU系数。
可选地,根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数,包括:对全局分配参数进行局部迭代,得到当前用户端卸载任务的局部分配参数;当当前用户端卸载任务的局部分配参数满足预设条件,则将满足预设条件的卸载任务分配参数作为当前用户端卸载任务的局部最优分配参数;当当前用户端卸载任务的局部分配参数不满足预设条件,则重复执行根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数的步骤,直至满足预设条件。
可选地,通过下式得到当前用户端卸载任务的全局分配参数:
其中,{γ}t+1表示t+1次迭代时,当前用户端以及多个目标处理端的卸载任务全局分配比例的集合;γkn表示在第k个本地副本中,有卸载任务的用户m分配给用户n的卸载任务初始比例;表示有卸载任务的用户m在第k个本地副本进行第t次迭代时更新的拉格朗日乘子;表示在局部更新时第k个本地副本中,进行第t次迭代时有卸载任务的用户m分配给用户n的卸载任务比例;ρ表示惩罚参数,M表示有卸载任务的用户总个数,N表示空闲用户的总个数,k∈M,k对应每一个有卸载任务的用户m的本地副本。
可选地,通过下式得到当前用户端卸载任务的局部最优分配参数,包括:
其中,表示在第k个本地副本中,进行第t+1次迭代时有卸载任务的用户m分配给用户n的卸载任务比例;表示第t+1次迭代时,有卸载任务的用户m的能耗梯度;表示有卸载任务的用户m在第k个本地副本进行第t次迭代时更新的拉格朗日乘子;ρ表示惩罚参数;表示在局部更新时第k个本地副本中,有卸载任务的用户m分配给用户n的卸载任务比例;γkn t+1表示在全局更新时第k个本地副本中,第t+1次迭代时,用户n的任务分配比例,M表示有卸载任务的用户总个数,N表示空闲用户的总个数,k∈M,k对应每一个有卸载任务的用户m的本地副本。
根据第二方面,本发明实施例提供一种任务卸载装置,包括:参数获取模块,用于获取当前用户端以及多个目标处理端卸载任务的初始分配参数;全局更新模块,用于根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;最优分配模块,用于根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。
可选地,参数获取模块中,所述初始分配参数包括卸载模式参数,所述卸载模式参数对应的卸载模式包括边缘卸载模式和基站卸载模式;所述装置还包括:比例获取模块,用于获取当前用户端的卸载任务量以及卸载任务的随机初始分配比例;边缘卸载耗能确定模块,用于根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小;基站卸载耗能确定模块,用于根据所述用户端卸载任务量,确定所述卸载任务在基站卸载模式下的耗能大小;卸载模式参数确定模块,用于根据所述边缘卸载模式下的耗能大小以及基站卸载模式下的耗能大小,确定卸载模式参数。
根据第三方面,本发明实施例提供一种电子设备,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第一方面或第一方面任一实施方式所述的任务卸载方法的步骤。
根据第三方面,本发明实施例提供一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的任务卸载方法的步骤。
本发明技术方案,具有如下优点:
本发明实施例提供的任务卸载方法,通过获取自身和多个目标处理端卸载任务的初始分配参数,并根据初始分配参数进行全局更新,按照全局情况确定每一个有卸载任务的终端的全局分配参数,从而每个有卸载任务的终端可以根据自身任务卸载的全局分配参数,得到当前用户端卸载任务的局部最优分配参数。通过实施本方法,实现了在任务分配时,进行了对卸载任务进行全局分配,考虑整体情况,使得整体上卸载任务的分配更加均衡,降低了资源浪费。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例中任务卸载方法的一个具体示例的流程图;
图2为本发明实施例中任务卸载装置的一个具体示例原理框图;
图3为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种任务卸载方法,如图1所示,包括如下步骤:
S101,获取当前用户端以及与当前用户端对应的多个目标处理端卸载任务的初始分配参数。
示例性地,目标处理端可以是与当前用户端在通信距离上满足预设要求的用户端或者基站,比如,在目标处理端500米以内的用户端或者基站,本实施例对目标处理端的确定方式不做限定,本领域技术人员可以根据需要确定。初始分配参数可以包括卸载任务的初始分配比例、采用的卸载模式以及每个目标处理端的初始最优基站算力参数和初始最优边缘用户算力参数。获取多个目标处理端卸载任务的初始分配参数的方式可以是通过无线通信的方式,本实施例对获取方式不做限定,本领域技术人员可以根据需要确定。
S102,根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数。
示例性地,目标算法可以是交替方向乘子法(ADMM算法),通过交替方向乘子法将全局问题分解为多个较小、较容易求解的局部子问题,并通过求解局部子问题得到大的全局问题的解。
由于卸载任务的初始分配参数是每个处理端只考虑自身因素,进行分配得到的初始分配参数,并不具有全局性,因此,需要对初始分配参数根据全局情况进行全局迭代更新。根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数的过程可以是:
其中,{γ}t+1表示t+1次迭代时,当前用户端以及多个目标处理端的卸载任务全局分配比例的集合;γkn表示在第k个本地副本中,用户n的卸载任务初始比例;表示有卸载任务的用户m在第k个本地副本进行第t次迭代时更新的拉格朗日乘子,拉格朗日乘子的更新过程包括: 其中,表示有卸载任务的用户m进行第t次迭代时更新的拉格朗日乘子集合,在该集合中包含有卸载任务的用户m在第k个本地副本进行第t次迭代时更新的拉格朗日乘子,表示在t-1次迭代时,有卸载任务的用户m的拉格朗日乘子,表示在局部更新时第k个本地副本中进行第t次迭代时有卸载任务的用户m分配给用户n的卸载任务比例,表示全局更新第t次迭代时,在第k个本地副本中用户n的卸载任务比例,ρ表示惩罚参数,一般取值0.8,M表示有卸载任务的用户总个数,N表示空闲用户的总个数,k∈M,k对应每一个有卸载任务的用户m的本地副本。
将上述更新过程在每一个与有卸载任务的用户m对应的本地副本中进行计算,根据得到的{γ}t+1集合,从而得到每一个有卸载任务的用户m对每一个用户n或者基站的全局分配参数。
S103,根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。
示例性地,根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数的方式可以是:
其中,表示在局部更新时第k个本地副本中,进行第t+1次迭代时有卸载任务的用户m分配给用户n的卸载任务比例;表示t+1次迭代时,有卸载任务的用户m的能耗梯度,表示有卸载任务的用户m在第k个本地副本进行第t次迭代时更新的拉格朗日乘子, 其中,表示有卸载任务的用户m进行第t次迭代时更新的拉格朗日乘子集合,在该集合中包含有卸载任务的用户m在第k个本地副本进行第t次迭代时更新的拉格朗日乘子,表示在t-1次迭代时,有卸载任务的用户m的拉格朗日乘子,表示在局部更新时第k个本地副本中进行第t次迭代时有卸载任务的用户m分配给用户n的卸载任务比例,表示全局更新第t次迭代时,在第k个本地副本中用户n的卸载任务比例,ρ表示惩罚参数,一般取值0.8;表示在局部更新时第k个本地副本中,有卸载任务的用户m分配给用户n的卸载任务比例,γkn t+1表示在全局更新时第k个本地副本中,第t+1次迭代时用户n的任务分配比例,M表示有卸载任务的用户总个数,N表示空闲用户的总个数,k∈M,k对应每一个有卸载任务的用户m的本地副本。
表示能耗的梯度,是由时间约束下的最小能耗计算得到的,由于已经获取到每一个有卸载任务的用户m的初始分配参数,初始分配参数包括了有卸载任务的用户m的卸载模式εm,卸载任务分配给用户n的随机初始分配比例以及初始最优基站算力参数Lbs和初始最优边缘用户算力参数Ln,那么总体能耗计算公式可以由以下公式(1)得到。
其中,E(ε,γ,ι)表征基于ε,γ,ι的总体耗能,ε表征采用的卸载模式,γ表征分配比例,ι表征算力,M表征有卸载任务的用户总数量,εm表示有卸载任务的用户m采用的卸载模式,表征有卸载任务的用户m采用基站卸载模式时所消耗的总功耗,表征有卸载任务的用户m采用边缘卸载模式时所消耗的总功耗,Pm表示有卸载任务的用户m的发送功率,Im表示有卸载任务的用户m的任务输入数据大小,Cm,b=Blog2(1+SINRm,b),SINRm,b表示用户m传输到基站的信干噪比,B为信道带宽,Pbs表示基站的发射功率,Om表示有卸载任务的用户m的任务输出数据大小,Cb,m=Blog2(1+SINRb,m),SINRb,m表示基站传输到用户m的信干噪比,ybs与基站相关的CPU系数,一般取值为ybs=10-30,Lbs表示基站的算力,N表征空闲用户的总数量,γmn表示用户m分配给用户n的随机初始分配比例,Cm,n=Blog2(1+SINRm,n);Cn,m=Blog2(1+SINRn,m);SINRm,n表示有卸载任务的用户m传输到用户n的信干噪比,SINRn,m表示用户n传输到有卸载任务的m的信干噪比,Pn表示用户n的发送功率,yu表示与用户相关的CPU系数,Ln表示用户的算力,Tmax可以是根据用户需求设置的参数,比如20ms。
在计算T时,对于边缘卸载模式中传输延时时间:
其中,Sm表示完成卸载任务所需要的计算资源,Sm=Im*Bm:Bm任务每bit所需要的CPU转数。
基站卸载模式中传输延时时间:
在本实施例中,采用并行处理的方式,将每一个有卸载任务的用户m复制一个本地副本,使得每个卸载用户m都能并行处理全局分配和局部分配,为了明确表示该并行过程,在此引入一个新的集合k∈M,作为本地γ的一个副本,那么计算公式(1)可以表示为下述公式(2):
对全局分配参数进行局部迭代,得到当前用户端卸载任务的局部分配参数;当当前用户端卸载任务的局部分配参数满足预设条件,则将满足预设条件的卸载任务分配参数作为当前用户端卸载任务的局部最优分配参数。当不满足上述预设条件,继续进行执行S102-S103进行迭代,直至满足目标条件,得到当前用户端卸载任务的局部最优分配参数。预设条件可以是:
其中,表示局部更新第k个本地副本中进行第t次迭代时有卸载任务的用户m分配给用户n的卸载任务比例,表示全局更新第t+1次迭代时,在第k个本地副本中用户n的卸载任务比例,表示全局更新第t次迭代时,在第k个本地副本中用户n的卸载任务比例,μpri、μdual可以为0.1。
本发明实施例提供的任务卸载方法,通过获取自身和多个目标处理端卸载任务的初始分配参数,并根据初始分配参数进行全局更新,按照全局情况确定每一个有卸载任务的终端的全局分配参数,从而每个有卸载任务的终端可以根据自身任务卸载的全局分配参数,得到当前用户端卸载任务的局部最优分配参数。通过实施本方法,实现了在任务分配时,进行了对卸载任务进行全局分配,考虑整体情况,使得整体上卸载任务的分配更加均衡,降低了资源浪费,并且,在进行资源分配时,还通过延时时间和耗能对更新进行约束,在实现了在分配均衡的基础上,还降低了完成卸载任务的延时时长以及功耗。
作为本实施例一种可选的实施方式,所述初始分配参数包括卸载模式参数,所述卸载模式参数对应的卸载模式包括边缘卸载模式和基站卸载模式;获取当前用户端以及多个目标处理端卸载任务的初始分配参数之前,所述方法还包括:
首先,获取当前用户端的卸载任务量以及卸载任务的随机初始分配比例;根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小。
示例性地,卸载任务的随机初始分配比例可以为0-1之间的任一随机数。边缘卸载模式下的耗能大小包括数据传输功耗以及计算功耗。根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小的方式是首先,计算传输功耗:
其中,表示有任务卸载的用户m卸载到空闲用户n的传输功耗,Cm,n表示用户m发送用户n的传输速率和Cn,m表示用户n发生给用户m的传输速率;γmn表示用户m分配给用户n的随机初始分配比例,Pm表示有卸载任务的用户m的发送功率,Pn表示用户n的发送功率,Im表示有卸载任务的用户m的任务输入数据大小,Om表示用户m的任务输出数据大小。
Cm,n=Blog2(1+SINRm,n);
Cn,m=Blog2(1+SINRn,m);
其中,Pm,chn,I表示边缘簇内用户n受到的的蜂窝用户m的干扰,Pm,c表示蜂窝用户m的发射功率。hn,I表示边缘簇内用户n与蜂窝用户m的信道增益,hm,n表示边缘簇内簇头用户m到用户n的信道增益,Pm,che,I表示边缘簇中簇头m受到来自蜂窝用户m的干扰。he,I表示边缘簇内簇头m与该簇复用信道资源的蜂窝用户m的信道增益Pn用户n的发射功率,hn,m表示边缘簇内用户n到簇头用户m的信道增益,σ2表示白噪声。
其次,计算有卸载任务的用户m将任务卸载到空闲用户n的计算能耗:
其中,yu表示与用户相关的CPU系数,取值可以为10-28,Pn为用户n发送功率,Ln=ηnfn表示用户n的算力,fn表示用户n的CPU工作频率,ηn∈[0,1]表示用户n除当前负载外可被调度的计算容量比率。
其次,根据用户端卸载任务量,确定所述卸载任务在基站卸载模式下的耗能大小。
其中,Pm表示用户m发射功率,Im表示用户m的任务输入数据大小,Om表示有卸载任务的用户m的任务输出数据大小,Pbs表示基站的发射功率,Cm,b=Blog2(1+SINRm,b),SINRm,b表示有卸载任务的用户m传输到基站的信干噪比,hm,b表示用户m到基站间信道增益,Puhb,I表示基站受到的干扰,Cb,m=Blog2(1+SINRb,m),SINRb,m表示基站传输到用户m的信干噪比,hb,m表示基站到用户m的信道增益,Puhc,I表示用户受到的干扰,σ2表示白噪声。
再次,根据所述边缘卸载模式下的耗能大小以及基站卸载模式下的耗能大小,确定卸载模式参数。
当边缘卸载模式下的耗能小于基站卸载模式下的耗能,则采用边缘卸载模式,ε=0;当边缘卸载模式下的耗能大于基站卸载模式下的耗能,则采用基站卸载模式,ε=1。
根据随机初始分配比例以及求解出的卸载模式,可以通过拉格朗日乘子法对Lbs,Ln的最优算力参数进行求解:
F(ε,γ,ι,λ)=E(ε,γ,ι)+λ(T-Tmax),
T-Tmax作为约束条件,求解最优算力参数。T的具体计算公式参见本实施例中公式(1)的解释,在此不再赘述。通过分别对Lbs,Ln,λ求偏导后计算得到Lbs和Ln初始最优值。
最优基站算力参数Lbs包括:
其中,Lbs为最优基站算力参数,Sm为完成用户m的卸载任务所需的计算资源,Tmax为最大时延,γmn为用户m将卸载任务分配给用户n的随机初始分配比例,M表示有卸载任务的用户个数,N表示空闲用户个数,λm表示对应有卸载任务的用户m的拉格朗日乘子,εm表示有卸载任务的用户m采用的卸载模式,yn表示用户n相关的CPU系数;为边缘卸载模式下的传输延时,其中,Im表示有卸载任务的用户m任务输入数据大小,Cm,n=Blog2(1+SINRm,n),SINRm,n表示有卸载任务的用户m传输到用户n的信干噪比,Cn,m=Blog2(1+SINRn,m),其中,SINRn,m表示用户n传输到有卸载任务的用户m的信干噪比,B为信道带宽,Om表示有卸载任务的用户m任务输出数据大小,为基站卸载模式下的传输延时,其中,Cm,b=Blog2(1+SINRm,b),SINRm,b表示有卸载任务的用户m传输到基站的信干噪比,Cb,m=Blog2(1+SINRb,m),SINRb,m表示基站传输到有卸载任务的用户m的信干噪比;
所述最优边缘用户算力参数Ln包括:
其中,Ln为最优边缘用户算力参数,ybs为与基站相关的CPU系数。
本发明实施例提供一种任务卸载装置,如图2所示,包括:
参数获取模块201,用于获取当前用户端以及与所述当前用户端对应的多个目标处理端卸载任务的初始分配参数;具体内容参见方法实施例对应部分,在此不再赘述。
全局更新模块202,用于根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;具体内容参见方法实施例对应部分,在此不再赘述。
最优分配模块203,用于根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。具体内容参见方法实施例对应部分,在此不再赘述。
作为本实施例一种可选的实施方式,参数获取模块中,所述初始分配参数包括卸载模式参数,所述卸载模式参数对应的卸载模式包括边缘卸载模式和基站卸载模式;所述装置还包括:
比例获取模块,用于获取当前用户端的卸载任务量以及卸载任务的随机初始分配比例;具体内容参见方法实施例对应部分,在此不再赘述。
边缘卸载耗能确定模块,用于根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小;具体内容参见方法实施例对应部分,在此不再赘述。
基站卸载耗能确定模块,用于根据所述用户端卸载任务量,确定所述卸载任务在基站卸载模式下的耗能大小;具体内容参见方法实施例对应部分,在此不再赘述。
卸载模式参数确定模块,用于根据所述边缘卸载模式下的耗能大小以及基站卸载模式下的耗能大小,确定卸载模式参数。具体内容参见方法实施例对应部分,在此不再赘述。
本申请实施例还提供一种电子设备,如图3所示,处理器310和存储器320,其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器320作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的任务卸载方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器320中,当被所述处理器310执行时,执行如图1所示实施例中的任务卸载方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例1中任务卸载方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种任务卸载方法,其特征在于,包括如下步骤:
获取当前用户端以及与所述当前用户端对应的多个目标处理端卸载任务的初始分配参数;
根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;
根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。
2.根据权利要求1所述的方法,其特征在于,所述初始分配参数包括卸载模式参数,所述卸载模式参数对应的卸载模式包括边缘卸载模式和基站卸载模式;获取当前用户端以及与所述当前用户端对应的多个目标处理端卸载任务的初始分配参数之前,所述方法还包括:
获取当前用户端的卸载任务量以及卸载任务的随机初始分配比例;
根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小;
根据所述用户端卸载任务量,确定所述卸载任务在基站卸载模式下的耗能大小;
根据所述边缘卸载模式下的耗能大小以及基站卸载模式下的耗能大小,确定卸载模式参数。
3.根据权利要求2所述的方法,其特征在于,所述初始分配参数还包括初始最优算力参数,所述初始最优算力包括初始最优基站算力参数和初始最优边缘用户算力参数;所述初始最优基站算力参数根据下式得到:
其中,Lbs为初始最优基站算力参数,Sm为完成用户m的卸载任务所需的计算资源,Tmax为最大时延,γmn为用户m将卸载任务分配给用户n的随机初始分配比例,M表示有卸载任务的用户个数,N表示空闲用户个数,λm表示对应有卸载任务的用户m的拉格朗日乘子,εm表示有卸载任务的用户m采用的卸载模式,yn表示用户n相关的CPU系数;为边缘卸载模式下的传输延时,其中,Im表示有卸载任务的用户m任务输入数据大小,Cm,n=B log2(1+SINRm,n),SINRm,n表示有卸载任务的用户m传输到用户n的信干噪比,Cn,m=B log2(1+SINRn,m),其中,SINRn,m表示用户n传输到有卸载任务的用户m的信干噪比,B为信道带宽,Om表示有卸载任务的用户m任务输出数据大小,为基站卸载模式下的传输延时,其中,Cm,b=B log2(1+SINRm,b),SINRm,b表示有卸载任务的用户m传输到基站的信干噪比,Cb,m=B log2(1+SINRb,m),SINRb,m表示基站传输到有卸载任务的用户m的信干噪比;
所述最优边缘用户算力参数根据下式得到:
其中,Ln为初始最优边缘用户算力参数,ybs为与基站相关的CPU系数。
4.根据权利要求1所述的方法,其特征在于,根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数,包括:
对全局分配参数进行局部迭代,得到当前用户端卸载任务的局部分配参数;
当当前用户端卸载任务的局部分配参数满足预设条件,则将满足预设条件的卸载任务分配参数作为当前用户端卸载任务的局部最优分配参数;
当当前用户端卸载任务的局部分配参数不满足预设条件,则重复执行根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数的步骤,直至满足预设条件。
6.根据权利要求1所述的方法,其特征在于,通过下式得到当前用户端卸载任务的局部最优分配参数,包括:
7.一种任务卸载装置,其特征在于,包括:
参数获取模块,用于获取当前用户端以及多个目标处理端卸载任务的初始分配参数;
全局更新模块,用于根据目标算法对当前用户端以及多个目标处理端卸载任务的初始分配参数进行全局更新,得到当前用户端卸载任务的全局分配参数;
最优分配模块,用于根据当前用户端卸载任务的全局分配参数,确定当前用户端卸载任务的局部最优分配参数。
8.根据权利要求7所述的装置,其特征在于,参数获取模块中,所述初始分配参数包括卸载模式参数,所述卸载模式参数对应的卸载模式包括边缘卸载模式和基站卸载模式;所述装置还包括:
比例获取模块,用于获取当前用户端的卸载任务量以及卸载任务的随机初始分配比例;
边缘卸载耗能确定模块,用于根据用户端卸载任务量以及随机初始分配比例,确定所述卸载任务在边缘卸载模式下的耗能大小;
基站卸载耗能确定模块,用于根据所述用户端卸载任务量,确定所述卸载任务在基站卸载模式下的耗能大小;
卸载模式参数确定模块,用于根据所述边缘卸载模式下的耗能大小以及基站卸载模式下的耗能大小,确定卸载模式参数。
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权利要求1-6任一所述的任务卸载方法的步骤。
10.一种存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-6任一所述的任务卸载方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011316807.8A CN112449016B (zh) | 2020-11-20 | 2020-11-20 | 一种任务卸载方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011316807.8A CN112449016B (zh) | 2020-11-20 | 2020-11-20 | 一种任务卸载方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112449016A true CN112449016A (zh) | 2021-03-05 |
CN112449016B CN112449016B (zh) | 2022-03-15 |
Family
ID=74738321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011316807.8A Active CN112449016B (zh) | 2020-11-20 | 2020-11-20 | 一种任务卸载方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112449016B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125675A (zh) * | 2021-04-19 | 2021-07-16 | 北京物资学院 | 边缘计算架构的堆场煤炭自燃预警装置和预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160105023A1 (en) * | 2013-05-22 | 2016-04-14 | Vito Nv | Power supply network control system and method |
CN109121151A (zh) * | 2018-11-01 | 2019-01-01 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
CN109167787A (zh) * | 2018-09-06 | 2019-01-08 | 电子科技大学 | 一种移动边缘计算网络中安全计算卸载的资源优化方法 |
CN111372314A (zh) * | 2020-03-12 | 2020-07-03 | 湖南大学 | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 |
CN111447619A (zh) * | 2020-03-12 | 2020-07-24 | 重庆邮电大学 | 一种移动边缘计算网络中联合任务卸载和资源分配方法 |
-
2020
- 2020-11-20 CN CN202011316807.8A patent/CN112449016B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160105023A1 (en) * | 2013-05-22 | 2016-04-14 | Vito Nv | Power supply network control system and method |
CN109167787A (zh) * | 2018-09-06 | 2019-01-08 | 电子科技大学 | 一种移动边缘计算网络中安全计算卸载的资源优化方法 |
CN109121151A (zh) * | 2018-11-01 | 2019-01-01 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
CN111372314A (zh) * | 2020-03-12 | 2020-07-03 | 湖南大学 | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 |
CN111447619A (zh) * | 2020-03-12 | 2020-07-24 | 重庆邮电大学 | 一种移动边缘计算网络中联合任务卸载和资源分配方法 |
Non-Patent Citations (2)
Title |
---|
YINGXIN LIN等: ""Stochastic Joint Bandwidth and Computational Allocation for Multi-Users and Multi-Edge-Servers in 5G D-RANs"", 《2019 IEEE INTERNATIONAL CONFERENCE ON SMART CLOUD (SMARTCLOUD)》 * |
ZHIYUAN TAN等: ""Virtual Resource Allocation for Heterogeneous Services in Full Duplex-Enabled SCNs With Mobile Edge Computing and Caching"", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125675A (zh) * | 2021-04-19 | 2021-07-16 | 北京物资学院 | 边缘计算架构的堆场煤炭自燃预警装置和预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112449016B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110418418B (zh) | 基于移动边缘计算的无线资源调度方法和装置 | |
Liu et al. | Latency and reliability-aware task offloading and resource allocation for mobile edge computing | |
Ren et al. | Collaborative cloud and edge computing for latency minimization | |
WO2021139537A1 (zh) | 一种工业物联网中基于功率控制和资源分配的任务卸载方法 | |
CN109413615B (zh) | 车联网中基于mec的能量感知卸载的能量延迟折衷 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN109951869B (zh) | 一种基于云雾混合计算的车联网资源分配方法 | |
CN111314889A (zh) | 车联网中基于移动边缘计算的任务卸载与资源分配方法 | |
CN112272198B (zh) | 一种面向卫星网络的协同计算任务迁移方法及装置 | |
CN110543336A (zh) | 基于非正交多址接入技术的边缘计算任务卸载方法及装置 | |
CN113064665B (zh) | 一种基于李雅普诺夫优化的多服务器计算卸载方法 | |
CN108901075B (zh) | 一种基于gs算法的资源分配方法 | |
Al-Abiad et al. | Energy-efficient resource allocation for federated learning in noma-enabled and relay-assisted internet of things networks | |
Li et al. | Radio and computing resource allocation with energy harvesting devices in mobile edge computing environment | |
CN114449529A (zh) | 基于移动边缘计算的资源分配优化方法、装置及存储介质 | |
CN115150781A (zh) | 一种基于任务优先级的无人机协助边缘计算的资源分配方法 | |
CN112449016B (zh) | 一种任务卸载方法、装置、存储介质及电子设备 | |
Jin et al. | Deep reinforcement learning based scheduling for minimizing age of information in wireless powered sensor networks | |
US20220150131A1 (en) | Method, control unit and network node for configuration in a wireless communication system | |
CN116069498A (zh) | 一种分布式算力调度方法、装置、电子设备及存储介质 | |
CN115866690A (zh) | 任务卸载和资源分配联合优化方法、装置、设备及介质 | |
KR102439426B1 (ko) | 에지 컴퓨팅에서 멀티 연합 학습 서비스 오케스트레이터 및 이의 실행 방법 | |
Chen et al. | EECDN: Energy-efficient cooperative DNN edge inference in wireless sensor networks | |
CN115733838A (zh) | 一种基于移动边缘计算的车联网多维资源分配方法 | |
Du et al. | Latency-aware computation offloading and DQN-based resource allocation approaches in SDN-enabled MEC |
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 |