CN112540845B - 一种基于移动边缘计算的协作系统及方法 - Google Patents

一种基于移动边缘计算的协作系统及方法 Download PDF

Info

Publication number
CN112540845B
CN112540845B CN202010465274.3A CN202010465274A CN112540845B CN 112540845 B CN112540845 B CN 112540845B CN 202010465274 A CN202010465274 A CN 202010465274A CN 112540845 B CN112540845 B CN 112540845B
Authority
CN
China
Prior art keywords
task
information
module
individual
repair
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
CN202010465274.3A
Other languages
English (en)
Other versions
CN112540845A (zh
Inventor
许斌
邓涛
刘一川
闫文卿
亓晋
孙雁飞
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010465274.3A priority Critical patent/CN112540845B/zh
Publication of CN112540845A publication Critical patent/CN112540845A/zh
Application granted granted Critical
Publication of CN112540845B publication Critical patent/CN112540845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于移动边缘计算的协作系统及方法，包括设备层和控制层，设备层向控制层提供终端设备和服务器的计算资源信息以及终端设备的任务信息，控制层根据接收到的信息制定任务卸载决策，并将任务卸载决策返回至设备层；本发明通过将部分任务卸载至用户闲置设备进行计算，降低了MEC服务器的负载；将用户闲置设备纳入边缘计算网络中，提升了边缘计算网络的资源利用率，从而提高了边缘计算网络的计算能力。方法采用HAHA优化算法，以能耗与计算代价为目标联合优化卸载决策与资源分配，自适应机制令不同算子能够根据历史经验和环境感知来更新被选择的概率，使得个体进化具有自主性，制定出最好的任务卸载决策，从而提升边缘计算网络的性能。

Description

一种基于移动边缘计算的协作系统及方法
技术领域
本发明属于边缘计算网络技术领域，具体涉及一种基于移动边缘计算的协作系统及方法。
背景技术
第五代移动通信技术(5G)正蓬勃发展，催生了大量新型应用领域，例如无人驾驶，交互游戏，虚拟现实。然而在这些应用领域中，尤其是计算密集型、时延敏感型的应用，需要移动设备强大的计算能力。但移动设备计算能力有限，其计算资源不满足应用计算需求的问题日益严重。
现有技术中，将这些计算型任务卸载至云端进行处理，再由云端将处理后的结果返回给设备。一方面，云端距离用户设备距离过远，可能因为回程网络拥塞导致无法满足时延敏感型任务的时间要求。另一方面，指数型增长的用户规模和计算型数据会导致云端服务器负载过大，无法满足计算密集型、时延敏感型任务的需求，严重影响用户体验。一种有效的解决方法为，将计算功能下沉至无线接入网，形成分布式边缘计算网络来承担任务的计算。由于MEC(Mobile Edge Computing，即移动边缘计算)服务器距离用户设备较近，因此减少移动设备计算等待时间，快速响应用户的计算请求，提高用户的体验质量。
尽管移动边缘计算将计算功能卸载至MEC服务器，这能较大的减轻云端服务器的压力，但边缘计算仍有很大的提升空间。这体现在用户闲置设备集群作为一种计算资源被边缘计算网络所忽视，造成计算资源的极大浪费。充分利用这些用户闲置设备计算资源大大缓解因指数型增长的用户数量导致MEC服务器负载较大的问题。此外，用户闲置设备的计算能力有限，必须在用户闲置设备计算能力的承受范围内进行任务的卸载，降低MEC服务器的负载。
据申请人了解，申请号201811020720.9，专利名称：基于边缘计算网络的任务调度方法，提供了使用神经网络算法解决边缘计算网络的任务调度问题，该方案通过输入至预设的第一神经网络模型，输出优劣参数；将优劣参数广播至每一边缘计算节点，以供每一边缘计算节点分别根据优劣参数优化预设的第二神经网络模型，并将当前的节点状态信息输入至优化后的第二神经网络模型，输出下一次调度的决策信息，将每一任务分别发送到下一次调度的决策信息指示的执行主体进行计算。其实施例提供的基于边缘计算网络的任务调度方法，中心控制器获取每一边缘计算节点的节点信息，对每一边缘计算节点的调度决策进行评价，每一边缘计算节点分布式执行任务调度，提高了边缘计算的效率。
其流程如图1所示；
然而该申请存在以下问题：
1.只研究了任务卸载至MEC服务器的情况，没有充分利用用户闲置设备的计算资源，因此边缘计算网络资源利用率较低，计算能力有很大的提高空间。
2.文献研究的问题属于黑箱问题，而神经网络对于黑箱问题优化的效果并不理想,算法的全局搜索能力较弱，容易陷入局部最优，因此不能保证任务卸载决策的质量。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，提供一种基于移动边缘计算的协作系统及方法，通过将部分任务卸载至用户闲置设备进行计算，降低了MEC服务器的负载；将用户闲置设备纳入边缘计算网络中，提升了边缘计算网络的资源利用率以及计算能力。
本发明提供一种基于移动边缘计算的协作系统，包括设备层和控制层；
设备层向控制层提供终端设备和服务器的计算资源信息以及终端设备的任务信息，控制层根据接收到的信息制定任务卸载决策，并将任务卸载决策返回至设备层；
设备层包括边缘计算模块、终端设备计算资源与任务信息统计模块、服务器计算资源统计模块和任务卸载决策配置模块；
边缘计算模块，由终端设备和MEC服务器构成，用于完成任务卸载策略决策分配的任务，并通过终端设备发布任务；
终端设备计算资源与任务信息统计模块，用于统计终端设备的计算资源和任务信息，并将其发送至控制层；
服务器计算资统计模块，用于统计MEC服务器的计算资源，并将其发送至控制层；
任务卸载决策配置模块，用于接收控制层发出的任务卸载决策并将其返回给边缘计算模块进行计算，完成任务；
控制层包括设备计算资源和任务信息接收模块、任务卸载决策制定模块和任务卸载决策返回模块；
设备计算资源和任务信息接收模块，用于接收设备层发出的终端设备和MEC服务器计算资源信息以及任务信息，并将其汇总后传送至任务卸载决策制定模块；
任务卸载决策制定模块，用于对接收到的汇总信息进行建模，使用HAHA优化算法制定任务卸载决策，将任务卸载决策下发至任务卸载决策返回模块；
任务卸载决策返回模块，用于将任务卸载决策发送至设备层。
本发明还提供一种基于移动边缘计算的协作方法，包括如下步骤，
步骤S1、终端设备将发布的任务信息和自身的计算资源信息发送至终端设备计算资源和任务信息统计模块，MEC服务器将自身的计算资源信息传输至服务器计算资源统计模块；
步骤S2、终端设备计算资源和任务信息统计模块与服务器计算资源统计模块将接收到的信息传输至设备计算资源和任务信息接收模块；
步骤S3、设备计算资源和任务信息接收模块将信息汇总后传送至任务卸载决策制定模块，任务卸载决策制定模块根据任务信息及终端设备和MEC服务器的计算资源信息通过HAHA算法进行优化，制定出最佳的任务卸载决策，并将该决策通过任务卸载决策返回模块发送回设备层。
作为本发明的进一步技术方案，步骤S3的具体步骤为：
步骤S31、使用N＝{n1，n2...nm}及S＝{s1，s2...sk}分别表示m个终端设备和k个MEC服务器，V＝N∪S为整个网络中终端设备与MEC服务器的集合；用二元组Bj＝(Xj，Yj)，(j∈S)表示MEC服务器的地理位置；其中，Xj，Yj分别为MEC服务器sj的横纵坐标，均为固定的常数；七元组表示来自边缘计算模块的任务信息；其中Ci为执行任务Ai所需的CPU周期数；Di为任务Ai的数据量大小；Bi为任务Ai计算完成所产生的结果数据大小；Ti max为任务Ai所能容忍的最大时延；Coi为任务Ai在设备上运行时的计算代价，xi和yi分别为终端设备ni的实时地理位置的横纵坐标，是关于时间t的函数，则有xi＝f(t)，i∈N，yi＝g(t)，i∈N；Coi的计算公式为/>其中，pj为任务Ai在节点j上执行时，运行单位计算资源所带来的计算代价，/>为任务Ai数据传输到设备j的传输时间；对于来自边缘计算模块的计算资源信息，使用fj表示设备j的计算资源；使用rij表示任务Ai选择设备j执行所需的计算资源分配；任务Ai需要花费的计算时间为/>任务能耗为/>计算公式分别为/>
终端设备ni选择节点j后的二者之间的距离计算为
任务Ai选择节点j的最大传输速率为Rij，根据香农公式得到Rij的计算公式为
其中，B为带宽，H0为参考距离d＝1m处的信道增益，为节点i发送任务数据时的功率，δ2为噪声功率；
任务数据的传输时间为传输过程中产生的能耗为/>其计算公式为
其中，为节点j接收任务数据时的功率；
然后建立任务卸载决策矩阵E,其中eij＝1代表任务Ai卸载至设备j；
最终基于减少消耗这一目标建立如下式所示的优化模型，
其中
步骤S3.2、根据获得可行模式矩阵M以生成初始个体，评估各个模式适应度值；Mij＝1为任务Ai卸载至设备j，Mij＝0则表示任务Ai不能卸载至设备j，i∈N，j∈V；用表示Mi＝1，i∈N的列号索引序列，即任务Ai卸载的设备集合；根据HAHA优化算法每一个可行的概率候选模式分配给Ui的计算公式为/>其中，τ是信息素，η是启发式信息，β是一个参数；η的计算公式为/>其中/>
选择任务Ai的卸载模式j，其中q是随机数，q0是一个参数，J为使用轮盘赌策略任务Ai选择的模式；
将生成的个体其作为初始全局最优解X_Gbest，生成对应的任务卸载决策矩阵E；eij＝1，i∈N，j∈V代表这个初始个体任务Ai最终卸载至设备j。当任务Ai最终卸载至设备j时，对信息素进行更新，更新的公式为
其中，ρ为信息素衰减参数，Δτij计算公式为/>F1(e)计算公式为
步骤S33、采用轮盘赌策略，选择策略池中的破坏算子destroy及修复算子repair随机组合，对X_Gbest进行邻域搜索，获得新个体；其中破坏算子destroy分为随机破坏算子和按优先级破坏算子；修复算子repair分为随机修复算子和按优先级修复算子和重新初始化；随机破坏与修复是指对初始个体的任务卸载决策进行随机破坏与修复；按优先级破坏与修复是指优先对可行模式少的任务进行破坏与修复；
步骤S34、更新T值，对比新个体与旧个体的适应度值；若新个体适应度值相对高，则直接将新个体添加入种群中，若新个体适应度值相对低，则根据Metropolis准则，概率性将新个体添加入种群中。
步骤S35、更新策略算子选择权重，并再次针对新生个体重复邻域搜索操作，直至生成足量个体数组成种群；
步骤S36、进行资源分配并评估每个个体的适应度值，从中选择适应度值最小的个体作为局部最优解X_Lbest；
步骤S37、在X_Gbest与X_Lbest中选择适应度值较小的个体，更新X_Gbest；
步骤S38、返回步骤S32，更新T值，直至循环次数达到迭代次数为止；
步骤S39、输出当前最优解X_Gbest，即最佳任务卸载决策。
进一步的，步骤S34中，根据Metropolis准则，粒子在温度T时趋于平衡的概率为其中，f为个体的适应度函数，Δf＝f(xnew)-f(xold)，T的值会随着迭代次数的改变而变化，T值变化公式为T＝Tinit·αGen，其中Tinit为初温，α为温度衰减率，Gen为迭代次数。
进一步的，步骤S35中，策略算子选择权重计算公式为其中，Ω-和Ω+分别为destroy和repair方法的集合；p-和p+分别为各个destroy和repair方法的权重集合；根据p-和p+选择destroy和repair方法；权重大小更新为其中，λ∈(0,1)，i,j分别为上次迭代中选中的destroy和repair方法；ψ为对新解的评估准则，具体为
其中，ω1≥ω2≥ω3≥0。
本发明提出了一种基于移动边缘计算的协作方法，通过将部分任务卸载至用户闲置设备进行计算，降低了MEC服务器的负载；将用户闲置设备纳入边缘计算网络中，提升了边缘计算网络的资源利用率，从而提高了边缘计算网络的计算能力。
方法采用HAHA优化算法，以能耗与计算代价为目标联合优化卸载决策与资源分配，自适应机制令不同算子能够根据历史经验和环境感知来更新被选择的概率，使得个体进化具有一定的自主性，能有效跳出局部最优，制定出最好的任务卸载决策，从而大大提升了边缘计算网络的性能。
附图说明
图1为本发明背景技术中基于边缘计算网络的任务调度方法的流程示意图；
图2为本发明的系统框架示意图；
图3为本发明的方法流程示意图；
图4为本发明的任务卸载决策制定模块运行流程图。
具体实施方式
请参阅图2，本实施例提供一种种基于移动边缘计算的协作系统，包括设备层和控制层；
设备层向控制层提供终端设备和服务器的计算资源信息以及终端设备的任务信息，控制层根据接收到的信息制定任务卸载决策，并将任务卸载决策返回至设备层；
设备层包括边缘计算模块、终端设备计算资源与任务信息统计模块、服务器计算资源统计模块和任务卸载决策配置模块；
边缘计算模块，由终端设备和MEC服务器构成，用于完成任务卸载策略决策分配的任务，并通过终端设备发布任务；
终端设备计算资源与任务信息统计模块，用于统计终端设备的计算资源和任务信息，并将其发送至控制层；
服务器计算资统计模块，用于统计MEC服务器的计算资源，并将其发送至控制层；
任务卸载决策配置模块，用于接收控制层发出的任务卸载决策并将其返回给边缘计算模块进行计算，完成任务；
控制层包括设备计算资源和任务信息接收模块、任务卸载决策制定模块和任务卸载决策返回模块；
设备计算资源和任务信息接收模块，用于接收设备层发出的终端设备和MEC服务器计算资源信息以及任务信息，并将其汇总后传送至任务卸载决策制定模块；
任务卸载决策制定模块，用于对接收到的汇总信息进行建模，使用HAHA优化算法制定任务卸载决策，将任务卸载决策下发至任务卸载决策返回模块；
任务卸载决策返回模块，用于将任务卸载决策发送至设备层。
如图3所示，该系统的写作方法，包括以下步骤，
步骤S1、终端设备将发布的任务信息和自身的计算资源信息发送至终端设备计算资源和任务信息统计模块，MEC服务器将自身的计算资源信息传输至服务器计算资源统计模块；
步骤S2、终端设备计算资源和任务信息统计模块与服务器计算资源统计模块将接收到的信息传输至设备计算资源和任务信息接收模块；
步骤S3、设备计算资源和任务信息接收模块将信息汇总后传送至任务卸载决策制定模块，任务卸载决策制定模块根据任务信息及终端设备和MEC服务器的计算资源信息通过HAHA算法进行优化，制定出最佳的任务卸载决策，并将该决策通过任务卸载决策返回模块发送回设备层。
如图4所示，步骤S3中的任务卸载决策制定模块运行方法如下，
步骤S31、使用N＝{n1，n2...nm}及S＝{s1，s2...sk}分别表示m个终端设备和k个MEC服务器，V＝N∪S为整个网络中终端设备与MEC服务器的集合；用二元组Bj＝(Xj，Yj)，(j∈S)表示MEC服务器的地理位置；其中，Xj，Yj分别为MEC服务器sj的横纵坐标，均为固定的常数；七元组表示来自边缘计算模块的任务信息；其中Ci为执行任务Ai所需的CPU周期数；Di为任务Ai的数据量大小；Bi为任务Ai计算完成所产生的结果数据大小；Ti max为任务Ai所能容忍的最大时延；Coi为任务Ai在设备上运行时的计算代价，xi和yi分别为终端设备ni的实时地理位置的横纵坐标，是关于时间t的函数，则有xi＝f(t)，i∈N，yi＝g(t)，i∈N；Coi的计算公式为/>其中，pj为任务Ai在节点j上执行时，运行单位计算资源所带来的计算代价，/>为任务Ai数据传输到设备j的传输时间；对于来自边缘计算模块的计算资源信息，使用fj表示设备j的计算资源；使用rij表示任务Ai选择设备j执行所需的计算资源分配；任务Ai需要花费的计算时间为/>任务能耗为/>计算公式分别为/>
终端设备ni选择节点j后的二者之间的距离计算为
任务Ai选择节点j的最大传输速率为Rij，根据香农公式得到Rij的计算公式为
其中，B为带宽，H0为参考距离d＝1m处的信道增益，为节点i发送任务数据时的功率，δ2为噪声功率；
任务数据的传输时间为传输过程中产生的能耗为/>其计算公式为
其中，为节点j接收任务数据时的功率；
然后建立任务卸载决策矩阵E,其中eij＝1代表任务Ai卸载至设备j；
最终基于减少消耗这一目标建立如下式所示的优化模型，
其中
步骤S3.2、根据获得可行模式矩阵M以生成初始个体，评估各个模式适应度值；Mij＝1为任务Ai卸载至设备j，Mij＝0则表示任务Ai不能卸载至设备j，i∈N，j∈V；用表示Mi＝1，i∈N的列号索引序列，即任务Ai卸载的设备集合；HAHA优化算法与移动计算的协作方法映射表如表1所示：
表1 HAHA优化算法与移动计算的协作方法映射表
每一个可行的概率候选模式分配给Ui的计算公式为
其中，τ是信息素，η是启发式信息，β是一个参数；η的计算公式为其中
选择任务Ai的卸载模式j，其中q是随机数，q0是一个参数，J为使用轮盘赌策略任务Ai选择的模式；
将生成的个体其作为初始全局最优解X_Gbest，生成对应的任务卸载决策矩阵E；eij＝1，i∈N，j∈V代表这个初始个体任务Ai最终卸载至设备j。当任务Ai最终卸载至设备j时，对信息素进行更新，更新的公式为
其中，ρ为信息素衰减参数，Δτij计算公式为/>F1(e)计算公式为
步骤S33、采用轮盘赌策略，选择策略池中的破坏算子destroy及修复算子repair随机组合，对X_Gbest进行邻域搜索，获得新个体；其中破坏算子destroy分为随机破坏算子和按优先级破坏算子；修复算子repair分为随机修复算子和按优先级修复算子和重新初始化；随机破坏与修复是指对初始个体的任务卸载决策进行随机破坏与修复；按优先级破坏与修复是指优先对可行模式少的任务进行破坏与修复；
步骤S34、更新T值，对比新个体与旧个体的适应度值；若新个体适应度值相对高，则直接将新个体添加入种群中，若新个体适应度值相对低，则根据Metropolis准则，概率性将新个体添加入种群中。根据Metropolis准则，粒子在温度T时趋于平衡的概率为
其中，f为个体的适应度函数，Δf＝f(xnew)-f(xold)，T的值会随着迭代次数的改变而变化，T值变化公式为T＝Tinit·αGen，其中Tinit为初温，α为温度衰减率，Gen为迭代次数。
步骤S35、更新策略算子选择权重，并再次针对新生个体重复邻域搜索操作，直至生成足量个体数组成种群；
策略算子选择权重计算公式为其中，Ω-和Ω+分别为destroy和repair方法的集合；p-和p+分别为各个destroy和repair方法的权重集合；根据p-和p+选择destroy和repair方法；权重大小更新为/>其中，λ∈(0,1)，i,j分别为上次迭代中选中的destroy和repair方法；ψ为对新解的评估准则，具体为
其中，ω1≥ω2≥ω3≥0。
步骤S36、进行资源分配并评估每个个体的适应度值，从中选择适应度值最小的个体作为局部最优解X_Lbest；
步骤S37、在X_Gbest与X_Lbest中选择适应度值较小的个体，更新X_Gbest；
步骤S38、返回步骤S32，更新T值，直至循环次数达到迭代次数为止；
步骤S39、输出当前最优解X_Gbest，即最佳任务卸载决策。
步骤S310、任务卸载决策配置模块接收控制层的任务卸载决策返回模块发送的任务卸载决策，将任务卸载决策返回给边缘计算模块。
步骤S311、边缘计算模块根据任务卸载决策安排任务的卸载，完成相应的任务
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受具体实施例的限制，具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (4)

1.一种基于移动边缘计算的协作系统，其特征在于，包括设备层和控制层；
所述设备层向所述控制层提供终端设备和服务器的计算资源信息以及终端设备的任务信息，所述控制层根据接收到的信息制定任务卸载决策，并将任务卸载决策返回至所述设备层；
所述设备层包括边缘计算模块、终端设备计算资源与任务信息统计模块、服务器计算资源统计模块和任务卸载决策配置模块；
所述边缘计算模块，由终端设备和MEC服务器构成，用于完成任务卸载策略决策分配的任务，并通过终端设备发布任务；
所述终端设备计算资源与任务信息统计模块，用于统计终端设备的计算资源和任务信息，并将其发送至控制层；
所述服务器计算资统计模块，用于统计MEC服务器的计算资源，并将其发送至控制层；
所述任务卸载决策配置模块，用于接收控制层发出的任务卸载决策并将其返回给边缘计算模块进行计算，完成任务；
所述控制层包括设备计算资源和任务信息接收模块、任务卸载决策制定模块和任务卸载决策返回模块；
所述设备计算资源和任务信息接收模块，用于接收设备层发出的终端设备和MEC服务器计算资源信息以及任务信息，并将其汇总后传送至任务卸载决策制定模块；
所述任务卸载决策制定模块，用于对接收到的汇总信息进行建模，使用HAHA优化算法制定任务卸载决策，将任务卸载决策下发至所述任务卸载决策返回模块；
所述任务卸载决策返回模块，用于将任务卸载决策发送至设备层；
所述任务卸载决策具体为：
使用N＝{n1，n2...nm}及S＝{s1，s2...sk}分别表示m个终端设备和k个MEC服务器，V＝NμS为整个网络中终端设备与MEC服务器的集合；用二元组Bj＝(Xj，Yj)，(j∈S)表示MEC服务器的地理位置；其中，Xj，Yj分别为MEC服务器sj的横纵坐标，均为固定的常数；七元组(i∈N)表示来自边缘计算模块的任务信息；其中Ci为执行任务Ai所需的CPU周期数；Di为任务Ai的数据量大小；Bi为任务Ai计算完成所产生的结果数据大小；Ti max为任务Ai所能容忍的最大时延；Coi为任务Ai在设备上运行时的计算代价，xi和yi分别为终端设备ni的实时地理位置的横纵坐标，是关于时间t的函数，则有xi＝f(t)，i∈N，yi＝g(t)，i∈N；Coi的计算公式为/>其中，pj为任务Ai在节点j上执行时，运行单位计算资源所带来的计算代价，/>为任务Ai数据传输到设备j的传输时间；对于来自边缘计算模块的计算资源信息，使用fj表示设备j的计算资源；使用rij表示任务Ai选择设备j执行所需的计算资源分配；任务Ai需要花费的计算时间为/>任务能耗为/>计算公式分别为/>
终端设备ni选择节点j后的二者之间的距离计算为
任务Ai选择节点j的最大传输速率为Rij，根据香农公式得到Rij的计算公式为
其中，B为带宽，H0为参考距离d＝1m处的信道增益，为节点i发送任务数据时的功率，δ2为噪声功率；
任务数据的传输时间为传输过程中产生的能耗为/>其计算公式为
其中，为节点j接收任务数据时的功率；
然后建立任务卸载决策矩阵E，其中eij＝1代表任务Ai卸载至设备j；
最终基于减少消耗这一目标建立如下式所示的优化模型，
其中根据获得可行模式矩阵M以生成初始个体，评估各个模式适应度值；Mij＝1为任务Ai卸载至设备j，Mij＝0则表示任务Ai不能卸载至设备j，i∈N，j∈V：用/>表示Mi＝1，i∈N的列号索引序列，即任务Ai卸载的设备集合；根据HAHA优化算法每一个可行的概率候选模式分配给Ui的计算公式为其中，τ是信息素，η是启发式信息，β是一个参数；η的计算公式为/>其中 选择任务Ai的卸载模式j，其中q是随机数，q0是一个参数，J为使用轮盘赌策略任务Ai选择的模式；
将生成的个体其作为初始全局最优解X_Gbest，生成对应的任务卸载决策矩阵E；eij＝1，i∈N，j∈V代表这个初始个体任务Ai最终卸载至设备j，当任务Ai最终卸载至设备j时，对信息素进行更新，更新的公式为其中，ρ为信息素衰减参数，Δτij计算公式为/>F1(e)计算公式为/>
采用轮盘赌策略，选择策略池中的破坏算子destroy及修复算子repair随机组合，对X_Gbest进行邻域搜索，获得新个体；其中破坏算子destroy分为随机破坏算子和按优先级破坏算子；修复算子repair分为随机修复算子和按优先级修复算子和重新初始化；随机破坏与修复是指对初始个体的任务卸载决策进行随机破坏与修复；按优先级破坏与修复是指优先对可行模式少的任务进行破坏与修复；
更新T值，对比新个体与旧个体的适应度值；若新个体适应度值相对高，则直接将新个体添加入种群中，若新个体适应度值相对低，则根据Metropolis准则，概率性将新个体添加入种群中，
更新策略算子选择权重，并再次针对新生个体重复邻域搜索操作，直至生成足量个体数组成种群；
进行资源分配并评估每个个体的适应度值，从中选择适应度值最小的个体作为局部最优解X_Lbest；
在X_Gbest与X_Lbest中选择适应度值较小的个体，更新X_Gbest；
返回步骤S32，更新T值，直至循环次数达到迭代次数为止；
输出当前最优解X_Gbest，即最佳任务卸载决策。
2.一种基于移动边缘计算的协作方法，其特征在于，包括如下步骤，
步骤S1、终端设备将发布的任务信息和自身的计算资源信息发送至终端设备计算资源和任务信息统计模块，MEC服务器将自身的计算资源信息传输至服务器计算资源统计模块；
步骤S2、终端设备计算资源和任务信息统计模块与服务器计算资源统计模块将接收到的信息传输至设备计算资源和任务信息接收模块；
步骤S3、设备计算资源和任务信息接收模块将信息汇总后传送至任务卸载决策制定模块，任务卸载决策制定模块根据任务信息及终端设备和MEC服务器的计算资源信息通过HAHA算法进行优化，制定出最佳的任务卸载决策，并将该决策通过任务卸载决策返回模块发送回设备层；
所述步骤S3的具体步骤为：
步骤S31、使用N＝{n1，n2...nm}及S＝{s1，s2...sk}分别表示m个终端设备和k个MEC服务器，V＝N∪S为整个网络中终端设备与MEC服务器的集合；用二元组Bj＝(Xj，Yj)，(j∈S)表示MEC服务器的地理位置；其中，Xj，Yj分别为MEC服务器sj的横纵坐标，均为固定的常数；七元组(i∈N)表示来自边缘计算模块的任务信息；其中Ci为执行任务Ai所需的CPU周期数；Di为任务Ai的数据量大小；Bi为任务Ai计算完成所产生的结果数据大小；Ti max为任务Ai所能容忍的最大时延；Coi为任务Ai在设备上运行时的计算代价，xi和yi分别为终端设备ni的实时地理位置的横纵坐标，是关于时间t的函数，则有xi＝f(t)，i∈N，yi＝g(t)，i∈N；Coi的计算公式为/>其中，pj为任务Ai在节点j上执行时，运行单位计算资源所带来的计算代价，/>为任务Ai数据传输到设备j的传输时间；对于来自边缘计算模块的计算资源信息，使用fj表示设备j的计算资源；使用rij表示任务Ai选择设备j执行所需的计算资源分配；任务Ai需要花费的计算时间为/>任务能耗为/>计算公式分别为/>
终端设备ni选择节点j后的二者之间的距离计算为
任务Ai选择节点j的最大传输速率为Rij，根据香农公式得到Rij的计算公式为
其中，B为带宽，H0为参考距离d＝1m处的信道增益，为节点i发送任务数据时的功率，δ2为噪声功率；
任务数据的传输时间为传输过程中产生的能耗为/>其计算公式为
其中，为节点j接收任务数据时的功率；
然后建立任务卸载决策矩阵E，其中eij＝1代表任务Ai卸载至设备j；
最终基于减少消耗这一目标建立如下式所示的优化模型，
其中
步骤S32、根据获得可行模式矩阵M以生成初始个体，评估各个模式适应度值；Mij＝1为任务Ai卸载至设备j，Mij＝0则表示任务Ai不能卸载至设备j，i∈N，j∈V：用表示Mi＝1，i∈N的列号索引序列，即任务Ai卸载的设备集合；根据HAHA优化算法每一个可行的概率候选模式分配给Ui的计算公式为/>其中，τ是信息素，η是启发式信息，β是一个参数；η的计算公式为/>其中 选择任务Ai的卸载模式j，其中q是随机数，q0是一个参数，J为使用轮盘赌策略任务Ai选择的模式；
将生成的个体其作为初始全局最优解X_Gbest，生成对应的任务卸载决策矩阵E；eij＝1，i∈N，j∈V代表这个初始个体任务Ai最终卸载至设备j，当任务Ai最终卸载至设备j时，对信息素进行更新，更新的公式为其中，ρ为信息素衰减参数，Δτij计算公式为/>F1(e)计算公式为/>
步骤S33、采用轮盘赌策略，选择策略池中的破坏算子destroy及修复算子repair随机组合，对X_Gbest进行邻域搜索，获得新个体；其中破坏算子destroy分为随机破坏算子和按优先级破坏算子；修复算子repair分为随机修复算子和按优先级修复算子和重新初始化；随机破坏与修复是指对初始个体的任务卸载决策进行随机破坏与修复；按优先级破坏与修复是指优先对可行模式少的任务进行破坏与修复；
步骤S34、更新T值，对比新个体与旧个体的适应度值；若新个体适应度值相对高，则直接将新个体添加入种群中，若新个体适应度值相对低，则根据Metropolis准则，概率性将新个体添加入种群中，
步骤S35、更新策略算子选择权重，并再次针对新生个体重复邻域搜索操作，直至生成足量个体数组成种群；
步骤S36、进行资源分配并评估每个个体的适应度值，从中选择适应度值最小的个体作为局部最优解X_Lbest；
步骤S37、在X_Gbest与X_Lbest中选择适应度值较小的个体，更新X_Gbest；
步骤S38、返回步骤S32，更新T值，直至循环次数达到迭代次数为止；
步骤S39、输出当前最优解X_Gbest，即最佳任务卸载决策。
3.根据权利要求2所述的一种基于移动边缘计算的协作方法，其特征在于，所述步骤S34中，根据Metropolis准则，粒子在温度T时趋于平衡的概率为其中，f为个体的适应度函数，Δf＝f(xnew)-f(xold)，T的值会随着迭代次数的改变而变化，T值变化公式为T＝Tinit·αGen，其中Tijit为初温，α为温度衰减率，Gen为迭代次数。
4.根据权利要求2所述的一种基于移动边缘计算的协作方法，其特征在于，所述步骤S35中，策略算子选择权重计算公式为其中，Ω-和Ω+分别为destroy和repair方法的集合；p-和p+分别为各个destroy和repair方法的权重集合；根据p-和p+选择destroy和repair方法；权重大小更新为/>其中，λ∈(0，1)，i，j分别为上次迭代中选中的destroy和repair方法；ψ为对新解的评估准则，具体为
其中，ω1≥ω2≥ω3≥0。
CN202010465274.3A 2020-05-27 2020-05-27 一种基于移动边缘计算的协作系统及方法 Active CN112540845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010465274.3A CN112540845B (zh) 2020-05-27 2020-05-27 一种基于移动边缘计算的协作系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010465274.3A CN112540845B (zh) 2020-05-27 2020-05-27 一种基于移动边缘计算的协作系统及方法

Publications (2)

Publication Number Publication Date
CN112540845A CN112540845A (zh) 2021-03-23
CN112540845B true CN112540845B (zh) 2023-08-04

Family

ID=75013373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010465274.3A Active CN112540845B (zh) 2020-05-27 2020-05-27 一种基于移动边缘计算的协作系统及方法

Country Status (1)

Country Link
CN (1) CN112540845B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
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
CN113608799A (zh) * 2021-08-20 2021-11-05 重庆大学 一种基于任务执行代码缓存的移动边缘计算mec卸载方法
CN114675955B (zh) * 2022-04-01 2023-04-07 南京审计大学 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法
CN114780254B (zh) * 2022-06-20 2022-09-16 湖南苏科智能科技有限公司 一种基于物联网的分布式节点资源优化方法
CN115277692B (zh) * 2022-06-21 2023-07-25 华北电力科学研究院有限责任公司 边缘网络计算终端设备自动运维方法、装置和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110269491A1 (en) * 2010-04-30 2011-11-03 Eberhart Russell C Real-time optimization of allocation of resources
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110941667A (zh) * 2019-11-07 2020-03-31 北京科技大学 一种移动边缘计算网络中的计算卸载方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110269491A1 (en) * 2010-04-30 2011-11-03 Eberhart Russell C Real-time optimization of allocation of resources
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110941667A (zh) * 2019-11-07 2020-03-31 北京科技大学 一种移动边缘计算网络中的计算卸载方法及系统

Also Published As

Publication number Publication date
CN112540845A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN112540845B (zh) 一种基于移动边缘计算的协作系统及方法
CN110941667B (zh) 一种移动边缘计算网络中的计算卸载方法及系统
Wu et al. EEDTO: An energy-efficient dynamic task offloading algorithm for blockchain-enabled IoT-edge-cloud orchestrated computing
Xu et al. Intelligent offloading for collaborative smart city services in edge computing
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
Wang et al. A novel reputation-aware client selection scheme for federated learning within mobile environments
Yao et al. Caching in dynamic IoT networks by deep reinforcement learning
CN111641681A (zh) 基于边缘计算和深度强化学习的物联网服务卸载决策方法
CN114340016B (zh) 一种电网边缘计算卸载分配方法及系统
CN114143346B (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
Kong et al. A reliable and efficient task offloading strategy based on multifeedback trust mechanism for IoT edge computing
Lan et al. Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks
CN116455768B (zh) 面向全局时延优化的云边端协同cnn推理方法及系统
CN115714814B (zh) 一种基于多智能体强化学习的边缘缓存替换方法
CN116566838A (zh) 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
Jiang et al. Federated learning-based content popularity prediction in fog radio access networks
CN113778550B (zh) 一种基于移动边缘计算的任务卸载系统和方法
Li et al. Adaptive and resilient model-distributed inference in edge computing systems
CN113159539A (zh) 多层边缘计算系统中联合绿色能源调度和动态任务分配方法
CN117459112A (zh) 基于图卷积网络的leo卫星网络中的移动边缘缓存方法及设备
Li Optimization of task offloading problem based on simulated annealing algorithm in MEC
Zhong et al. CL-ADMM: A cooperative-learning-based optimization framework for resource management in MEC
CN115499876A (zh) Msde场景下基于dqn算法的计算卸载策略
He et al. Reinforcement learning based mec architecturewith energy-efficient optimization for arans

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