CN112491957A - 一种边缘网络环境下的分布式计算卸载方法及系统 - Google Patents

Abstract

本发明公开了一种边缘网络环境下的分布式计算卸载方法及系统，通过初始化移动设备层连接边缘服务层和云服务器层的信道和时间槽，建立多个卸载模型，基于能源模型和不同卸载模型的能耗模型，计算当前传输的下一时隙满足约束条件的最大收益的卸载模型，迭代更新当前时刻满足约束条件的最大收益的卸载模型，直至下一时隙满足约束条件的最大收益的卸载模型的最大收益小于等于其自身最大收益，形成了考虑了能源和能耗的卸载方式，弥补传统云端二体协同计算以及小型同步MEC系统的卸载设计低时延、低成本的不足，同时能够有效实现卸载任务的分配，有效降低端到终端边缘节点的网络响应时延，可显著增强终端设备的计算能力和服务质量。

Description

一种边缘网络环境下的分布式计算卸载方法及系统

技术领域

本发明属于移动边缘计算领域，具体涉及一种边缘网络环境下的分布式计算卸载方法及系统。

背景技术

随着移动互联网和物联网技术的飞速发展，促进了各种新型业务不断涌现，使得移动通信流量在过去几年间经历了爆炸式增长(特别是在5G技术的成熟应用下)。例如数据流、实时视频、3D游戏等，这些新兴的应用为人们的生活带来极大的便利。然而，随着业务的逐渐复杂和多样化，移动网络的流量呈指数级增长，传统的集中式网络架构由于回程链路负载过重、时延较长，无法满足移动用户的需求。据IDC预测，2020年底将有超过500亿终端和设备联网，其中超过50％数据需要在网络边缘分析、处理与存储。而传统的“云端二体协同计算”模式已无法满足“低时延、高带宽”需求。目前采用移动边缘计算(MEC)将网络能力从核心网开放至边缘网的新体系结构，使移动终端能够将计算负载转移到边缘服务器，为“云端二体协同计算”提供了一种有效的解决方案，移动边缘计算(MEC)的核心是计算卸载，即将终端设备的应用程序划分成一系列小的子任务，将可以单独运行的计算密集型子任务卸载到边缘服务器上执行，计算卸载是MEC实现快速运行计算能力和服务质量的体现，目前主要是根据任务时间节点将任务划分后计算卸载，无法有效提高任务或者应用程序的合理分配，无法在有限设备计算资源的情况下增强终端设备的计算能力，计算卸载效率低。

发明内容

本发明的目的在于提供一种边缘网络环境下的分布式计算卸载方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种边缘网络环境下的分布式计算卸载方法，包括以下步骤：

步骤1)、建立基于移动设备层、边缘服务层和云服务器层的三层异构网络模型，初始化移动设备层连接边缘服务层和云服务器层的信道和时间槽；

步骤2)、根据卸载任务的卸载类型建立多个卸载模型；

步骤3)、建立系统模型的能源模型和效益模型以及不同卸载模型的能耗模型，计算下一时隙不同类型的设备的传输速率，计算当前传输的下一时隙满足约束条件的最大收益的卸载模型，如果下一时隙满足约束条件的最大收益的卸载模型的最大收益大于当前时刻满足约束条件的最大收益的卸载模型的最大收益，则更新当前时刻满足约束条件的最大收益的卸载模型，直至下一时隙满足约束条件的最大收益的卸载模型的最大收益小于等于其自身最大收益，则选择下一时隙满足约束条件的最大收益的卸载模型作为该卸载任务的卸载方式。

进一步的，初始化后移动设备层连接边缘服务层和云服务器层的信道被占用的信道数为0,时间槽内所有的移动设备MU的卸载决策S_i置为0，默认是本地执行。

进一步的，移动设备层包括多个移动终端；边缘服务层用于接受并计算移动设备层卸载的任务，并将边缘服务层无法处理的任务卸载到云服务器层；云服务器层用于提供集中式的云计算中心服务，接受并计算边缘服务层卸载的任务。

进一步的，第i个移动终端的卸载任务的卸载类型为

j表示计算任务的类型，数据在链路传输时间为T^off。

进一步的，当卸载任务能够在移动终端设备MU_i的本地计算完成任务本地计算，

当卸载任务将卸载到与BS相连的MEC服务器上，并且MEC服务器缓存了卸载任务所需的数据库/库文件，

当卸载任务卸载的MEC服务器没有缓存卸载任务计算所需要的数据库和库文件，通过核心网访问远程云计算中心来下载，同时更新缓存内容，

当移动终端设备MU_i上的J类型卸载任务通过D2D链路下载到邻近的CloudLet计算节点，同时该计算节点已经缓存了卸载任务所需要的数据库和库文件，

当卸载任务卸载的CloudLet计算节点没有缓存卸载任务计算所需的数据库和库文件，通过机会网络链接任务获要的数据库和库文件并下载，同时更新Cloudlet的缓存，

进一步的，卸载任务总的功耗E＝αt+βe，α表示卸载任务L^j _i的时延权重系数，β表示卸载任务L^j _i的功耗权重系数，e为每个CPU周期下的能量，t为总时延，α+β＝1。

进一步的，五种卸载模型的能耗和时延表示如下所示：

进一步的，已卸载任务的CPU周期数与已卸载任务的比特数成正比，

表示本地卸载任务的CPU周期数，

表示已卸载任务的CPU周期数；

其中II为指示函数，表示不同的卸载模型，θ正的常数，为计算数据比；则总的CPU周期数D_n表示为：

则效益模型为：

X_n(S)＝μ₁D_n(S)-μ₂E_n(S) (5)

满足约束条件的最大收益的卸载模型的最大收益：

约束条件为：

0<P_i≤P_max

i∈N,j∈J

为任务时延，

为任务最大能容忍时延；

表示卸载计算模型，P_i表示发射功率，P_max设备最大功率,

表示卸载任务运行必备的数据库文件和库文件的大小，D_MEC表示MEC服务器的存储容量DMEC。

一种边缘网络环境下的分布式计算卸载系统，包括云服务器层、边缘服务层和移动设备层；

移动设备层包括多个移动终端；边缘服务层用于接受计算移动设备层的任务，并将接受到的任务卸载到云服务器层；云服务器层用于提供集中式的云计算中心服务，接受并计算边缘服务层卸载的任务。

进一步的，边缘服务层包括多接入的MEC服务器以及计算节点CN，MEC服务器附加到蜂窝通信基站中，移动设备层通过蜂窝链路和D2D链路连接到MEC服务器或计算节点CNs。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种边缘网络环境下的分布式计算卸载方法，通过初始化移动设备层连接边缘服务层和云服务器层的信道和时间槽，根据卸载任务的卸载类型建立多个卸载模型，然后基于能源模型和效益模型，根据当前传输的下一时隙不同类型的设备的传输速率，计算当前传输的下一时隙满足约束条件的最大收益的卸载模型，根据下一时隙满足约束条件的最大收益的卸载模型的最大收益与当前时刻满足约束条件的最大收益的卸载模型的最大收益，更新当前时刻满足约束条件的最大收益的卸载模型，直至下一时隙满足约束条件的最大收益的卸载模型的最大收益小于等于其自身最大收益，则选择下一时隙满足约束条件的最大收益的卸载模型作为该卸载任务的卸载方式，形成了考虑了能源和能耗的卸载方式，弥补传统云端二体协同计算以及小型同步MEC系统的卸载设计低时延、低成本的不足，同时能够有效实现卸载任务的分配，有效降低端到终端边缘节点的网络响应时延，可显著增强终端设备的计算能力和服务质量。

本发明一种边缘网络环境下的分布式计算卸载系统，结构简单，减轻了云中心处理压力，而且节省了端到云的昂贵大带宽成本。

进一步的，蜂窝链路通过引入节点移动带来的偶遇机会来实现通信，使通信不再依赖于源节点与目标节点之间的完整链路，蜂窝链路使移动终端设备不仅可以与D2D链路连接的其他移动终端设备通信，还可以通过移动与计算节点CN通信；当通信双方距离较近时，移动终端设备可以直接利用D2D链路进行通信，D2D链路与D2D链路采用不同频率，两者之间互不影响，提高通信效率。

附图说明

图1是本发明实施例中云-边-端三层计算卸载架构图。

图2是本发明实施例中EDCOS，NOS，RCAS和GACS的延迟与MU数量的关系图。

图3是本发明实施例中EDCOS，NOS，RCAS和GACS的能耗与MU数量的关系图。

图4是迭代过程中博弈G的潜在价值图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

一种边缘网络环境下的分布式计算卸载方法，包括以下步骤：

步骤1)、建立基于移动设备层、边缘服务层和云服务器层的三层异构网络模型，初始化移动设备层连接边缘服务层和云服务器层的信道和时间槽；

初始化后移动设备层连接边缘服务层和云服务器层的信道被占用的信道数为0,时间槽(slot)内所有的移动设备MU的卸载决策S_i置为0，默认是本地执行,随机选择一个卸载任务

(选中的概率为1/N),卸载任务

的卸载模型

移动设备层(MU)包括多个移动终端，移动终端即用户使用的移动终端设备；

边缘服务层(MEC server)接受并计算移动设备层(MU)卸载的任务，并将边缘服务层无法处理的任务卸载到云服务器层；

云服务器层(Cloud server)用于提供集中式的云计算中心服务，接受并计算边缘服务层卸载的任务。

边缘服务层包括多接入的MEC服务器以及计算节点CN，MEC服务器附加到蜂窝通信基站(BS)中。移动设备层通过蜂窝链路和D2D链路连接到MEC服务器或计算节点CNs，蜂窝链路和D2D链路之间由于频率不同，相互隔离，互不干扰。蜂窝链路(ONs)通过引入节点移动带来的偶遇机会来实现通信，使通信不再依赖于源节点与目标节点之间的完整链路，蜂窝链路使移动终端设备不仅可以与D2D链路连接的其他移动终端设备通信，还可以通过移动与计算节点CN通信；当通信双方距离较近时，移动终端设备可以直接利用D2D链路进行通信。D2D链路与D2D链路采用不同频率，两者之间互不影响。

移动终端设备MU_i的任务可以选择在本地运行或卸载到边缘服务层进行计算，边缘服务层在接受卸载任务时必须缓存卸载任务所需的数据库或库文件以确保任务正确执行。当MEC服务器和CNs节点存储空间不够，未能缓存所需的数据库和库文件则可通过核心网连接云服务器层或机会网络缓存所需文件。

步骤2)、根据卸载任务的卸载类型建立多个卸载模型；

具体的，移动边缘计算环境是由N个移动设备MU_i和K个计算接入点(CAPs)构成的一个多用户移动边缘计算卸载(MECO)系统,N＝{1,2,...,i,...,N}和K＝{1,2,...,k,...,K}，计算接入点包括具有计算能力的基站(BS)和移动边缘计算服务器(CNs)。每个移动设备MU_i上的卸载任务为

j表示计算任务的类型。移动终端设备MU_i的j类卸载任务的卸载类型为

数据在链路传输时间为T^off，并使用指示函数表示在不同情况下的不同卸载模型，具体卸载模型(卸载计算模型)如下：

1)本地计算：

a_i ^j＝0，卸载任务将通过移动终端设备MU_i的本地计算能力完成任务本地计算，没有数据传输。

2)卸载到边缘服务层：

将任务卸载到边缘服务层分两种情况：

卸载任务

将卸载到与BS相连的MEC服务器上，并且MEC服务器已经缓存了卸载任务所需的数据库/库文件。

当

卸载的MEC服务器没有缓存卸载任务

计算所需要的数据库和库文件，要通过核心网访问远程云计算中心来下载，同时更新缓存内容；

3)通过D2D卸载到CloudLet:

D2D卸载也分为两种情况：

移动终端设备MU_i上的J类型卸载任务

通过D2D链路下载到邻近的CloudLet计算节点，同时该计算节点已经缓存了卸载任务所需要的数据库和库文件；

卸载的CloudLet计算节点没有缓存卸载任务

计算所需的数据库和库文件，此时要通过机会网络(ONs)链接任务获要的数据库和库文件并下载他们，同时更新Cloudlet的缓存。

步骤3)、建立系统模型的能源模型和效益模型以及不同卸载模型的能耗模型，计算下一时隙不同类型的设备的传输速率，计算当前传输的下一时隙满足约束条件的最大收益的卸载模型，如果下一时隙满足约束条件的最大收益的卸载模型的最大收益大于当前时刻满足约束条件的最大收益的卸载模型的最大收益，则更新当前时刻满足约束条件的最大收益的卸载模型(即采用下一时隙满足约束条件的最大收益的卸载模型替换当前时刻满足约束条件的最大收益的卸载模型)，直至下一时隙满足约束条件的最大收益的卸载模型的最大收益小于等于其自身最大收益，则选择下一时隙满足约束条件的最大收益的卸载模型作为该卸载任务的卸载方式。

具体的，MU通过无线传输向计算接入点(CAP)发送数据时，可以调整传输功率，因此，将MU的卸载模型定义为可以调整传输功率，MU的卸载模型集S_n定义为S_n＝{P_n,a_n}，P_n表示设备的发射功率；

建立不同卸载模型的能耗模型，具体的，计算卸载任务在本地计算、边缘服务层、云服务器层、D2D链路(D2D)、ONs环境中每个CPU周期下的能量e，结合总时延t,得到卸载任务总的功耗E＝αt+βe，α表示卸载任务L^j _i的时延权重系数，β表示卸载任务L^j _i的功耗权重系数，α+β＝1。最终得出

五种卸载模型的能耗和时延表示如下所示。

在多接入MEC计算卸载过程中，每个用户是理性的，为了使整个传输信道性能不下降，卸载系统的效用函数考虑能耗和性能：

建立能源模型：已卸载任务的CPU周期数与已卸载任务的比特数成正比，

表示本地卸载任务的CPU周期数，

表示已卸载任务的CPU周期数；

其中II为指示函数，表示不同的卸载模型，θ正的常数，为计算数据比；则总的CPU周期数D_n表示为

则能源感知的效益模型为：

X_n(S)＝μ₁D_n(S)-μ₂E_n(S) (5)

计算任务部分卸载、卸载调度和资源分配问题的联合优化，满足约束条件的最大收益P1为：

约束条件为：

0<P_i≤P_max

i∈N,j∈J

为任务时延，

为任务最大能容忍时延；

表示卸载计算模型，P_i表示发射功率，P_max设备最大功率,

表示卸载任务运行必备的数据库文件和库文件的大小，D_MEC表示MEC服务器的存储容量DMEC。

初始化后，被占用的信道数为0,时间槽内所有的移动设备MU的卸载决策S_i置为0，默认是本地执行,随机选择一个卸载任务

(选中的概率为1/N),卸载策略

对每一个移动设备计算t+1时间槽不同传输链路的传输速率，计算满足约束条件的最大收益的卸载策略

如果

满足约束规则，则需要更新当前卸载决策s，则用户选择第t+1次的卸载决策

最大化自己的收益，

否则

t自增；一直迭代循环，直到当第t次迭代的策略和第t+1次迭代的策略一样，并且s等于

停止循环，此时计算出最优决策s下的最小能耗。

本申请通过构建三层异构网络结构作为实验场景，即构建云-边-端三层计算卸载架构，模拟移动边缘计算(MEC)中的计算卸载；

一种边缘网络环境下的分布式计算卸载系统，包括云服务器层、边缘服务层和移动设备层；

移动设备层(MU)包括多个移动终端，移动终端即用户使用的移动终端设备；

边缘服务层用于接受并计算移动设备层卸载的任务，并将边缘服务层无法处理的任务卸载到云服务器层；

云服务器层(Cloud server)用于提供集中式的云计算中心服务，接受并计算边缘服务层卸载的任务。

边缘服务层包括多接入的MEC服务器以及计算节点CN，MEC服务器附加到蜂窝通信基站(BS)中。移动设备层通过蜂窝链路和D2D链路连接到MEC服务器或计算节点CNs，蜂窝链路和D2D链路之间由于频率不同，相互隔离，互不干扰。蜂窝链路(ONs)通过引入节点移动带来的偶遇机会来实现通信，使通信不再依赖于源节点与目标节点之间的完整链路，蜂窝链路使移动终端设备不仅可以与D2D链路连接的其他移动终端设备通信，还可以通过移动与计算节点CN通信；当通信双方距离较近时，移动终端设备可以直接利用D2D链路进行通信。D2D链路与D2D链路采用不同频率，两者之间互不影响。

移动终端设备MU_i的任务可以选择在本地运行或卸载到边缘服务层进行计算，边缘服务层在接受卸载任务时必须缓存卸载任务所需的数据库或库文件以确保任务正确执行。当MEC服务器和CNs节点存储空间不够，未能缓存所需的数据库和库文件则可通过核心网连接云服务器层或机会网络缓存所需文件。

如图1所示，基于云-边-端的三层计算卸载架构，展示了本地卸载，D2D卸载，ONs卸载，云中心卸载，边缘服务器卸载的链路。

如图2，3所示，EDCOS，NOS，RCAS和GACS的延迟和算法能耗与MU数量的关系对比图。除了NOS，对于其他3种卸载模型，总时延成本和能耗都随着移动用户数量的增加而增加.所提出的EDCOS算法很好地平衡了所有移动用户在计算卸载中的等待成本，在最小化能耗和总时延代价方面取得了最好的性能。

如图4所示，迭代过程中博弈G的潜在价值图。

通过对比EDCOS和NOS，RCAS和GACS卸载效果，从而得出，在基于云-边-端的三层混合网络环境下的分布式计算卸载算法EDCOS算法是一种低时延，低成本的卸载方案。

实施例：

通过模拟实验，验证本发明的高效能，本实验是在一台i7-7700的CPU，16内存，3.6GHz，配置Windows10的系统进行，考虑一个移动边缘计算系统的基于matlab的仿真环境。对于不同的移动用户，卸载任务可能是异构的，因此我们进一步允许在任务最大允许的时延范围t_max＝[1,2]s之间独立同分布的随机变量。相关参数d₀＝200m，g₀＝140dB_m,d。根据4G蜂窝网络特性，设定每个移动用户的传输功率为[100,200]mw。基于移动边缘计算辅助视频游戏等应用的配置，输入根据包大小和所需的平均值卸载任务的CPU周期数分别是[300,800]kb，我们将其与以下几种基准算法进行比较，始终不卸载NOS、随机组件委派模式(RCAS)、基于遗传算法(GACS)。在NOS中，所有用户都选择本地计算。特别地，此处能耗是指完成任务所消耗的全部能耗。

本发明设计的分布式计算卸载算法在云-边-端的联合移动边缘计算卸载架构中，使每个用户的效益最大化。经过仿真实验表明，通过分析了该算法的时间复杂度和收敛性。证明该算法具有较快的收敛速度，并且效能优于于传统基准算法(NOS、RCAS、GACS)，计算卸载效能更高。

Claims (10)

1.一种边缘网络环境下的分布式计算卸载方法，其特征在于，包括以下步骤：

步骤1)、建立基于移动设备层、边缘服务层和云服务器层的三层异构网络模型，初始化移动设备层连接边缘服务层和云服务器层的信道和时间槽；

步骤2)、根据卸载任务的卸载类型建立多个卸载模型；

步骤3)、建立系统模型的能源模型和效益模型以及不同卸载模型的能耗模型，计算下一时隙不同类型的设备的传输速率，计算当前传输的下一时隙满足约束条件的最大收益的卸载模型，如果下一时隙满足约束条件的最大收益的卸载模型的最大收益大于当前时刻满足约束条件的最大收益的卸载模型的最大收益，则更新当前时刻满足约束条件的最大收益的卸载模型，直至下一时隙满足约束条件的最大收益的卸载模型的最大收益小于等于其自身最大收益，则选择下一时隙满足约束条件的最大收益的卸载模型作为该卸载任务的卸载方式。

2.根据权利要求1所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，初始化后移动设备层连接边缘服务层和云服务器层的信道被占用的信道数为0,时间槽内所有的移动设备MU的卸载决策S_i置为0，默认是本地执行。

3.根据权利要求1所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，移动设备层包括多个移动终端；边缘服务层用于接受并计算移动设备层卸载的任务，并将边缘服务层无法处理的任务卸载到云服务器层；云服务器层用于提供集中式的云计算中心服务，接受并计算边缘服务层卸载的任务。

4.根据权利要求1所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，第i个移动终端的卸载任务的卸载类型为

j表示计算任务的类型，数据在链路传输时间为T^off。

5.根据权利要求4所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，具体的，当卸载任务能够在移动终端设备MU_i的本地计算完成任务本地计算，

当卸载任务将卸载到与BS相连的MEC服务器上，并且MEC服务器缓存了卸载任务所需的数据库/库文件，

当卸载任务卸载的MEC服务器没有缓存卸载任务计算所需要的数据库和库文件，通过核心网访问远程云计算中心来下载，同时更新缓存内容，

当移动终端设备MU_i上的J类型卸载任务通过D2D链路下载到邻近的CloudLet计算节点，同时该计算节点已经缓存了卸载任务所需要的数据库和库文件，

当卸载任务卸载的CloudLet计算节点没有缓存卸载任务计算所需的数据库和库文件，通过机会网络链接任务获要的数据库和库文件并下载，同时更新Cloudlet的缓存，

6.根据权利要求4所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，卸载任务总的功耗E＝αt+βe，α表示卸载任务L^j _i的时延权重系数，β表示卸载任务L^j _i的功耗权重系数，e为每个CPU周期下的能量，t为总时延，α+β＝1。

7.根据权利要求6所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，具体的，五种卸载模型的能耗和时延表示如下所示：

8.根据权利要求1所述的一种边缘网络环境下的分布式计算卸载方法，其特征在于，已卸载任务的CPU周期数与已卸载任务的比特数成正比，

表示本地卸载任务的CPU周期数，

表示已卸载任务的CPU周期数；

其中II为指示函数，表示不同的卸载模型，θ正的常数，为计算数据比；则总的CPU周期数D_n表示为：

则效益模型为：

X_n(S)＝μ₁D_n(S)-μ₂E_n(S) (5)

满足约束条件的最大收益的卸载模型的最大收益：

约束条件为：

0<P_i≤P_max

i∈N,j∈J

为任务时延，

为任务最大能容忍时延；

表示卸载计算模型，P_i表示发射功率，P_max设备最大功率,

表示卸载任务运行必备的数据库文件和库文件的大小，D_MEC表示MEC服务器的存储容量DMEC。

9.一种边缘网络环境下的分布式计算卸载系统，其特征在于，包括云服务器层、边缘服务层和移动设备层；

移动设备层包括多个移动终端；边缘服务层用于接受计算移动设备层的任务，并根据权利要求1所述方法将接受到的任务卸载到云服务器层；云服务器层用于提供集中式的云计算中心服务，接受并计算边缘服务层卸载的任务。

10.根据权利要求9所述的一种边缘网络环境下的分布式计算卸载系统，其特征在于，边缘服务层包括多接入的MEC服务器以及计算节点CN，MEC服务器附加到蜂窝通信基站中，移动设备层通过蜂窝链路和D2D链路连接到MEC服务器或计算节点CNs。

Images