CN112559171B - 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 - Google Patents

一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 Download PDF

Info

Publication number
CN112559171B
CN112559171B CN202011388998.9A CN202011388998A CN112559171B CN 112559171 B CN112559171 B CN 112559171B CN 202011388998 A CN202011388998 A CN 202011388998A CN 112559171 B CN112559171 B CN 112559171B
Authority
CN
China
Prior art keywords
user
task
tasks
users
energy consumption
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
CN202011388998.9A
Other languages
English (en)
Other versions
CN112559171A (zh
Inventor
毛莺池
周彤
徐淑芳
余记远
谭彬
王龙宝
平萍
葛恒
李孟洋
陈豪
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.)
Hohai University HHU
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Hohai University HHU
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Lancang River Hydropower Co Ltd
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 Hohai University HHU, Huaneng Group Technology Innovation Center Co Ltd, Huaneng Lancang River Hydropower Co Ltd filed Critical Hohai University HHU
Priority to CN202011388998.9A priority Critical patent/CN112559171B/zh
Publication of CN112559171A publication Critical patent/CN112559171A/zh
Application granted granted Critical
Publication of CN112559171B publication Critical patent/CN112559171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5022—Mechanisms to release resources
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，步骤为：1)构建计算任务卸载模型；2)构建目标计算函数；3)单用户采用带精英策略的快速非支配遗传算法生成计算任务卸载方案，即每个用户执行单用户卸载方法将本地计算任务卸载到边缘服务器上；4)对拥塞的边缘服务器节点对任务按用户进行排序；5)计算拥塞节点中每个用户的权值并排序，依次剔除权值效果差的用户到拥塞队列直到节点不再拥塞；6)拥塞队列中的用户再经过步骤3重新计算分配方案；7)重复步骤3～6过程直到拥塞队列为空。本发明基于延迟接受的多用户任务卸载方法，解决了延迟约束下最小化能耗的任务卸载问题，提高了用户的满意度，有效的减少了移动终端的能耗。

Description

一种移动边缘计算环境下基于延迟接受的多用户任务卸载 方法
技术领域
本发明属于移动云计算领域，特别涉及一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法。
背景技术
当下设备环境中，越来越多的计算密集型应用要求低延迟，如虚拟现实、增强现实、在线游戏等。这些应用往往需要较大的计算量和较高能耗，这导致计算能力和电池电量有限的移动设备难以处理。在2014年欧洲电信标准化协会提出了移动边缘计算。通过将MEC服务器密集地部署在移动用户附近，使计算和存储等资源更靠近用户。由于移动边缘计算可以在无线网络边缘以低时延、低能耗的方式提供计算卸载、无线缓存等服务，因此在虚拟现实、物联网、车联网等许多场景中具有广阔的应用前景。由于MEC服务器资源有限，难以处理覆盖范围内所有用户的卸载任务。因此，要制定有效的卸载策略，尽可能满足用户需求，提高MEC服务器计算资源利用率。本发明研究多用户的任务卸载策略，综合考虑时延与能耗的基础上建立细粒度的任务卸载模型，提出依赖任务场景下的多用户任务卸载策略，解决时延约束下最小化能耗的任务卸载问题。
发明内容
发明目的：为了克服现有技术中存在的问题，本发明提供一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，提高了用户的满意度，解决时延约束下最小化能耗的任务卸载问题。
技术方案：为实现上述目的，本发明提供一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，包括如下步骤：
(1)构建计算任务卸载模型；
(2)构建目标计算函数；
(3)单用户采用带精英策略的快速非支配遗传算法生成计算任务卸载方法；
(4)拥塞节点任务按用户进行排序；
(5)计算拥塞节点中每个用户的权值并排序，依次剔除权值效果低的用户到拥塞队列直到节点不再拥塞；
(6)拥塞队列中的用户重新计算分配方案；
(7)重复过程(3)～(6)直到拥塞队列为空。
进一步的，所述步骤(1)中构建计算任务卸载模型步骤如下：
定义用户i具有一任务Gi＝(Taski,Dei,Cyi,Dai,Tci,delayi,Mi)。其中Taski表示用户i的任务集合，子任务ti,j表示用户i的第j个任务；Dei表示任务之间依赖关系的集合，dei,j,k表示任务ti,j和任务ti,k存在依赖关系，ti,j的输入数据依赖ti,k的输出；Cyi表示用户i每个任务所需计算周期数的集合，cyclesj表示任务j的计算周期数；Dai表示用户i每个任务计算所需数据规模的集合，每个任务的需求数据用di,j,k表示，其中j,k表示任务ti,k依赖任务ti,j；Tci表示用户i依赖任务之间传输数据带来的通讯开销，delayu表示用户i要求完成所有任务的最大容忍时延，Mu表示用户u可选择的计算节点的集合，最初Mu包含M+2个计算节点，即M个MEC服务器节点、本地节点和远程云节点。
(1)时间模型
如图1所示，表示用户的任务拓扑实例。定义用户i的满意度为DoSi：
Figure BDA0002811820220000021
其中ti,in表示用户i的入口任务，ST(ti,in)表示用户i开始任务的时间，ti,out表示用户i的出口任务，ET(ti,out)表示用户i结束任务的时间。那么用户i的最大响应延迟为ET(ti,out)-ST(ti,in)，响应延迟小于delayi表示使用户i满意为1，反之为0。
(2)能耗模型
定义用户i的总能能耗为ei：
Figure BDA0002811820220000022
其中ei由计算能耗、传输能耗以及待机能耗构成。
Figure BDA0002811820220000023
表示用户i的计算能耗，
Figure BDA0002811820220000024
表示用户i的传输能耗，
Figure BDA0002811820220000025
表示用户i的待机能耗。
定义用户i的计算能耗为
Figure BDA0002811820220000026
Figure BDA0002811820220000027
其中
Figure BDA0002811820220000028
表示用户i的本地计算功率，C0表示本地设备的计算能力，αi,j＝1表示任务ti,j在本地运算，αi,j＝0表示不在本地运算。
定义用户i的传输能耗为
Figure BDA0002811820220000029
Figure BDA0002811820220000031
其中
Figure BDA0002811820220000032
表示用户i传输能耗，其中
Figure BDA0002811820220000033
表示用户任务i的传输功率。
定义用户i的待机能耗为
Figure BDA0002811820220000034
Figure BDA0002811820220000035
Figure BDA0002811820220000036
表示用户i待机能耗，其中
Figure BDA0002811820220000037
表示用户任务i的待机功率，Ck表示MEC服务器的计算能力。
定义多个用户的总能耗为eN：
Figure BDA0002811820220000038
进一步的，所述步骤(2)中构建目标计算函数具体步骤如下：
目标函数定义为：
Figure BDA0002811820220000039
min(ET(ti,out)-ST(ti,in))，DoSi＝0
min ei，DoSi＝1
本发明的是在多个用户的场景下，其中
Figure BDA00028118202200000310
表示最大化用户的满意度，满足更多人的需求。min ei表示当满足用户需求时，最小化该用户的能耗。当不能满足用户满意度时，忽略能耗影响因素，通过min(ET(ti,out)-ST(ti,in))最小化用户任务的延迟。
进一步的，所述步骤(3)中单用户任务卸载方法具体步骤如下：
(3.1)初始种群生成；
(3.2)种群适应度评估；
(3.3)种群选择、交叉、变异操作。
进一步的，所述步骤(3.1)中初始化任务种群的具体步骤如下：
初始化任务种群过程：
(1)通过最早完成时间的启发式方法(Earliest Finish Algorithm)形成任务分配结果并将其加入到初始种群中；
(2)通过个体随机算法(Individual Random Algorithm)生成任务分配结果并将其加入到初始种群中；
(3)通过(1)(2)不断重复，直到种群中个体数量达到设定规模。
进一步的，所述步骤(3.2)中种群适应度评估的具体步骤如下：
定义帕雷托支配关系：对于最小化多目标问题，n个目标分量fi(i＝1,...,n)组成的向量
Figure BDA0002811820220000041
给定任意两个决策变量
Figure BDA0002811820220000042
当且仅当对于
Figure BDA0002811820220000043
Figure BDA0002811820220000044
都有
Figure BDA0002811820220000045
则
Figure BDA0002811820220000046
支配
Figure BDA0002811820220000047
定义帕雷托最优解：对于最小化多目标问题，n个目标分量fi(i＝1,...,n)组成的向量
Figure BDA0002811820220000048
Figure BDA0002811820220000049
为决策变量，若
Figure BDA00028118202200000410
为帕雷托最优解，则满足，当且仅当不存在
Figure BDA00028118202200000411
Figure BDA00028118202200000412
支配
Figure BDA00028118202200000413
定义拥挤度：拥挤度表示的是同层个体之间在解的空间上聚集程度，拥挤度越大，说明个体的多样性越好。
适应度评估过程：
(1)对种群快速非支配排序遗传算法，获得新的种群population′，即新的任务卸载方案。
(2)淘汰父代中不可行的个体，淘汰卸载任务方案中不符合时延要求的个体。
(3)从新的任务卸载方案中选出支配层最低拥挤度最大的个体x0，用x0进行更新帕雷托最优个体paretoOptimality，即是符合时延情况下的能耗最小的个体。
(4)最终返回排序后的新种群population′以及帕累托最优解paretoOptimality
进一步的，所述步骤(3.3)中种群选择、交叉、变异操作具体步骤如下：
(1)选择操作过程：
a.对父代以及子代组合成的种群进行非支配排序和个体拥挤度计算，排除其中不可行的个体；
b.按照非支配排序从低到高，将整层种群依次放入新种群中，直到放入某一层时出现种群大小超出种群规模1/2的情况；
c.根据个体拥挤度距离由大到小顺序继续放入新种群，直到种群数量达到1/2的规模；
d.当前面情况无法达到种群规模1/2时，采用锦标赛法实现选择操作，具体步骤为：从种群中随机选择a个个体(每个个体被选择的概率相同)，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群。重复该操作，直到新的种群规模达到预设值。
(2)交叉操作过程：
a.确定父亲与母亲两个父代个体；
b.接着，随机选择一个交叉点；
c.父亲交叉点的前段基因遗传给儿子，母亲交叉点的后段基因遗传给儿子，这样就形成了一个完整的新的个体；同理，母亲交叉点的前段基因遗传给女儿，父亲交叉点的后段基因遗传给女儿，形成另一个新的个体。
(2)变异操作过程：
选择一个基因位，然后按照变异概率来进行基因位的突变，其余位上的基因保持不变。
进一步的，所述步骤(4)中拥塞节点任务按用户进行排序步骤如下：
当某个MEC服务器资源比较充裕时，很有可能成为大多数用户的选择对象，然而过多的计算任务会超出了MEC服务器的最大资源限制，称这样的MEC服务器为拥塞节点。拥塞节点任务按用户进行排序具体步骤如下：
(1)将拥塞节点的计算任务按用户进行分类；
(2)根据用户的标识对用户任务进行排序；
(3)得到根据用户标识排序的用户任务集合。
进一步的，所述步骤(5)中计算用户权值步骤如下：
定义用户i在拥塞节点k上的权值为ωk,i：
(1)计算拥塞节点中用户i的权值；
Figure BDA0002811820220000051
其中ω1，ω2为系数，numi,k表示用户i在节点k上的任务数量，cyclesi,j表示用户i的第j个任务的计算周期数。
(2)计算所有用户的权值并进行排序；
(3)剔除权值大的用户并将其放入拥塞队列直到计算节点不再拥塞。
进一步的，所述步骤(6)中拥塞队列中的用户重新计算分配方案步骤如下：
拥塞队列中是被剔除的权值较大的用户任务，同时这些用户的其他边缘计算节点的任务也被剔除，最终对拥塞节点中所有的用户执行单用户任务卸载策略，重新计算任务分配方案。
进一步的，所述步骤(7)步骤如下：
重新计算拥塞队列中用户的任务分配方案可能依然存在拥塞节点的情况，因此需要循环执行(3)～(6)步骤，直到拥塞队列不存在用户。
在移动边缘计算环境下，移动设备有限的计算能力和能量存储无法处理有实时性需求的计算密集型应用，无线网络边缘提供计算卸载服务，达到减少时延和节约能耗的目的。在综合考虑时延与能耗的基础上建立用户依赖任务，提出通过基于延迟接受的多用户任务卸载方法。该策略通过非支配的单用户最优卸载策略和解决资源竞争的调整策略两个步骤不断迭代，解决多用户任务卸载问题。
有益效果：本发明与现有技术相比具有以下优点：
本发明针对移动边缘计算环境下基于延迟接受多用户任务卸载方法，建立了计算任务卸载方案，构建了多用户任务的时延和能耗模型，在卸载方案中考虑了用户的满意度，针对拥塞节点采取延迟接受的思想来进行调整。本发明与基准策略和启发式策略相比可以提高8％用户满意度，节约30％～50％移动终端能耗。
附图说明
图1为具体实施例中用户任务依赖关系示意图；
图2为具体实施例中移动边缘计算环境下具有任务依赖关系的多用户任务卸载场景；
图3为具体实施例中实施基于延迟接受的多用户任务卸载策略的卸载示例；
图4为具体实施例中施单用户任务卸载方案的流程图；
图5为具体实施中调整拥塞节点的流程图；
图6为具体实施例中基于延迟接受的多用户任务卸载策略的整体流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明所述的移动边缘计算环境下基于延迟接受的多用户任务卸载方法。建立了计算任务卸载方案，构建了多用户任务的时延和能耗模型，在卸载方案中考虑了用户的满意度，使用带精英策略的快速非支配排序遗传算法求得单用户的最优鞋卸载方案，针对拥塞节点采取延迟接受的思想来进行调整。
图2为本发明的计算任务卸载应用场景。在多用户任务的情况下，每个用户的任务都具有依赖关系的情况下，比如说像高清视频的解码可以通过移动边缘计算任务卸载的方式将相关的计算任务卸载到MEC服务器上。
图3是移动边缘计算环境下多用户任务卸载的示意图。从图3中我们可以看出每个用户存在一系具有先后依赖关系的计算任务，每个用户的任务都被卸载到指定的地方进行计算。
步骤1：在求解边缘计算任务卸载方案的之前要进行任务模型的构建，本发明的目标是在具有用户任务依赖的前提下，解决多用户延迟约束下最小能耗的任务卸载问题。本发明构建了计算任务卸载模型用于衡量计算任务的能耗和延迟。
定义用户i具有一任务Gi＝(Taski,Dei,Cyi,Dai,Tci,delayi,Mi)。其中Taski表示用户i的任务集合，子任务ti,j表示用户i的第j个任务；Dei表示任务之间依赖关系的集合，dei,j,k表示任务ti,j和任务ti,k存在依赖关系，ti,j的输入数据依赖ti,k的输出；Cyi表示用户i每个任务所需计算周期数的集合，cyclesj表示任务j的计算周期数；Dai表示用户i每个任务计算所需数据规模的集合，每个任务的需求数据用di,j,k表示，其中j,k表示任务ti,k依赖任务ti,j；Tci表示用户i依赖任务之间传输数据带来的通讯开销，delayi表示用户i要求完成所有任务的最大容忍时延，Mi表示用户i可选择的计算节点的集合，最初Mi包含M+2个计算节点，即M个MEC服务器节点、本地节点和远程云节点。
(1)时间模型
如图1所示，表示用户的任务拓扑实例。定义用户i的满意度为DoSi：
Figure BDA0002811820220000071
其中ti,in表示用户i的入口任务，ST(ti,in)表示用户i开始任务的时间，ti,out表示用户i的出口任务，ET(ti,out)表示用户i结束任务的时间。那么用户i的最大响应延迟为ET(ti,out)-ST(ti,in)，响应延迟小于delayi表示使用户i满意为1，反之为0。
(2)能耗模型
定义用户i的总能能耗为ei：
Figure BDA0002811820220000081
其中ei由计算能耗、传输能耗以及待机能耗构成。
Figure BDA0002811820220000082
表示用户i的计算能耗，
Figure BDA0002811820220000083
表示用户i的传输能耗，
Figure BDA0002811820220000084
表示用户i的待机能耗。
定义用户i的计算能耗为
Figure BDA0002811820220000085
Figure BDA0002811820220000086
其中
Figure BDA0002811820220000087
表示用户i的本地计算功率，C0表示本地设备的计算能力，αi,j＝1表示任务ti,j在本地运算，αi,j＝0表示不在本地运算。
定义用户i的传输能耗为
Figure BDA0002811820220000088
Figure BDA0002811820220000089
其中
Figure BDA00028118202200000810
表示用户i传输能耗，其中
Figure BDA00028118202200000811
表示用户任务i的传输功率。
定义用户i的待机能耗为
Figure BDA00028118202200000812
Figure BDA00028118202200000813
Figure BDA00028118202200000814
表示用户i待机能耗，其中
Figure BDA00028118202200000815
表示用户任务i的待机功率，Ck表示MEC服务器的计算能力。
定义多个用户的总能耗为eN：
Figure BDA00028118202200000816
步骤2：本发明构建了能耗模型和时间模型，再次设定了多用户计算任务卸载方案的求解目标。
目标函数定义为：
Figure BDA0002811820220000091
min(ET(ti,out)-ST(ti,in))，DoSi＝0
min ei，DoSi＝1
本发明的是在多个用户的场景下，其中
Figure BDA0002811820220000092
表示最大化用户的满意度，满足更多人的需求。min ei表示当满足用户需求时，最小化该用户的能耗。当不能满足用户满意度时，忽略能耗影响因素，通过min(ET(ti,out)-ST(ti,in))最小化用户任务的延迟。
步骤3：本发明通过带精英策略的快速非支配排序遗传算法为单用户求得最优的分配策略，即用户任务可以在本地，MEC服务器以及远程云中进行计算。在图4中规划了单用户任务卸载策略的算法流程，具体步骤如下包括：步骤3.1初始种群生成；步骤3.2种群适应度评估；步骤3..3种群选择、交叉、变异操作
步骤3.1：初始化任务种群过程：
(1)通过最早完成时间的启发式方法(Earliest FinishAlgorithm)形成任务分配结果并将其加入到初始种群中；
(2)通过个体随机算法(Individual RandomAlgorithm)生成任务分配结果并将其加入到初始种群中；
(3)通过(1)(2)不断重复，直到种群中个体数量达到设定规模。
步骤3.2：种群适应度评估的具体步骤如下：
定义帕雷托支配关系：对于最小化多目标问题，n个目标分量fi(i＝1,...,n)组成的向量
Figure BDA0002811820220000093
给定任意两个决策变量
Figure BDA0002811820220000094
当且仅当对于
Figure BDA0002811820220000095
Figure BDA0002811820220000096
都有
Figure BDA0002811820220000097
则
Figure BDA0002811820220000098
支配
Figure BDA00028118202200000915
定义帕雷托最优解：对于最小化多目标问题，n个目标分量fi(i＝1,...,n)组成的向量
Figure BDA0002811820220000099
Figure BDA00028118202200000910
为决策变量，若
Figure BDA00028118202200000911
为帕雷托最优解，则满足，当且仅当不存在
Figure BDA00028118202200000912
Figure BDA00028118202200000913
支配
Figure BDA00028118202200000914
定义拥挤度：拥挤度表示的是同层个体之间在解的空间上聚集程度，拥挤度越大，说明个体的多样性越好。
适应度评估过程：
(1)对种群快速非支配排序遗传算法，获得新的种群population′，即新的任务卸载方案。
(2)淘汰父代中不可行的个体，淘汰卸载任务方案中不符合时延要求的个体。
(3)从新的任务卸载方案中选出支配层最低拥挤度最大的个体x0，用x0进行更新帕雷托最优个体paretoOptimality，即是符合时延情况下的能耗最小的个体。
(4)最终返回排序后的新种群population′以及帕累托最优解paretoOptimality
步骤3.3：群选择、交叉、变异操作具体步骤如下：
(1)选择操作过程：
a.对父代以及子代组合成的种群进行非支配排序和个体拥挤度计算，排除其中不可行的个体；
b.按照非支配排序从低到高，将整层种群依次放入新种群中，直到放入某一层时出现种群大小超出种群规模1/2的情况；
c.根据个体拥挤度距离由大到小顺序继续放入新种群，直到种群数量达到1/2的规模；
d.当前面情况无法达到种群规模1/2时，采用锦标赛法实现选择操作，具体步骤为：从种群中随机选择a个个体(每个个体被选择的概率相同)，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群。重复该操作，直到新的种群规模达到预设值。
(2)交叉操作过程：
a.确定父亲与母亲两个父代个体；
b.接着，随机选择一个交叉点；
c.父亲交叉点的前段基因遗传给儿子，母亲交叉点的后段基因遗传给儿子，这样就形成了一个完整的新的个体；同理，母亲交叉点的前段基因遗传给女儿，父亲交叉点的后段基因遗传给女儿，形成另一个新的个体。
(3)变异操作过程：
选择一个基因位，然后按照变异概率来进行基因位的突变，其余位上的基因保持不变。
通过以上的方法实现单用户的任务卸载，将用户任务都已卸载到相应的地方进行计算。当某个MEC服务器资源比较充裕时，很有可能成为大多数用户的选择对象，然而过多的计算任务会超出了MEC服务器的最大资源限制，称这样的MEC服务器为拥塞节点。针对拥塞节点，提出了一种基于稳定匹配中延迟接受思想的调整策略来解决这个问题。
步骤4：图5展示了拥塞节点的调整流程图，通过节点调整算法对拥塞节点的任务进行调整规划，首先需要对拥塞节点任务按用户进行排序。
(1)将拥塞节点的计算任务按用户进行分类；
(2)根据用户的标识对用户任务进行排序；
(3)得到根据用户标识排序的用户任务集合。
步骤5：计算拥塞节点中每个用户的权值并排序，依次剔除权值效果低的用户到拥塞队列直到节点不再拥塞。
定义用户i在拥塞节点k上的权值为ωk,i：
(1)计算拥塞节点中用户i的权值；
Figure BDA0002811820220000111
其中ω1，ω2为系数，numi,k表示用户i在节点k上的任务数量，cyclesi,j表示用户i的第j个任务的计算周期数。
(2)计算所有用户的权值并进行排序；
剔除权值大的用户并将其放入拥塞队列直到计算节点不再拥塞。
步骤6：拥塞队列中存在被剔除的用户，需要对这些用户拥重新计算分配方案。
拥塞队列中是被剔除的权值较大的用户任务，同时这些用户的其他边缘计算节点的任务也被剔除，最终对拥塞节点中所有的用户执行单用户任务卸载策略，重新计算分配方案。
步骤7：重复执行步骤(3)到步骤(6)直到拥塞队列为空。
重新计算拥塞队列中用户的任务分配方案可能依然存在拥塞节点的情况，因此需要循环执行步骤(3)到步骤(6)，直到拥塞队列不存在用户。

Claims (6)

1.一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，其特征在于，包括如下步骤：
(1)构建计算任务卸载模型，具体包括：
定义用户i具有一任务Gi＝(Taski,Dei,Cyi,Dai,Tci,delayi,Mi)；其中Taski表示用户i的任务集合，子任务ti,j表示用户i的第j个任务；Dei表示任务之间依赖关系的集合，dei,j,k表示任务ti,j和任务ti,k存在依赖关系，ti,j的输入数据依赖ti,k的输出；Cyi表示用户i每个任务所需计算周期数的集合，cyclesj表示任务j的计算周期数；Dai表示用户i每个任务计算所需数据规模的集合，每个任务的需求数据用di,j,k表示，其中j,k表示任务ti,k依赖任务ti，j；Tci表示用户i依赖任务之间传输数据带来的通讯开销，delayi表示用户i要求完成所有任务的最大容忍时延，Mi表示用户i可选择的计算节点的集合，最初Mi包含M+2个计算节点，即M个MEC服务器节点、本地节点和远程云节点；
关于时间模型：
定义用户i的满意度为DoSi：
Figure FDA0003434563890000011
其中ti，in表示用户i的入口任务，ST(ti，in)表示用户i开始任务的时间，ti，out表示用户i的出口任务，ET(ti，out)表示用户i结束任务的时间；那么用户i的最大响应延迟为ET(ti，out)-ST(ti，in)，响应延迟小于delayi表示使用户i满意为1，反之为0；
关于能耗模型：
定义用户i的总能能耗为ei：
Figure FDA0003434563890000012
其中ei由计算能耗、传输能耗以及待机能耗构成；
Figure FDA0003434563890000013
表示用户i的计算能耗，
Figure FDA0003434563890000014
表示用户i的传输能耗，
Figure FDA0003434563890000015
表示用户i的待机能耗；
定义多个用户的总能耗为eN：
Figure FDA0003434563890000016
(2)构建目标计算函数如下：
Figure FDA0003434563890000017
min(ET(ti，out)-ST(ti，in))，DoSi＝0
min ei，DoSi＝1
在多个用户的场景下，其中
Figure FDA0003434563890000021
表示最大化用户的满意度，min ei表示当满足用户需求时，最小化该用户的能耗；当不能满足用户满意度时，忽略能耗影响因素，通过min(ET(ti，out)-ST(ti，in))最小化用户任务的延迟；
(3)单用户采用带精英策略的快速非支配遗传算法生成计算任务卸载方法；
(4)拥塞节点任务按用户进行排序；
(5)计算拥塞节点中每个用户的权值并排序，依次剔除权值效果低的用户到拥塞队列直到节点不再拥塞；
(6)拥塞队列中的用户重新计算分配方案；
(7)返回步骤(3)，直到拥塞队列为空。
2.根据权利要求1所述的一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，其特征在于，用户i的计算能耗为
Figure FDA0003434563890000022
Figure FDA0003434563890000023
其中
Figure FDA0003434563890000024
表示用户i的本地计算功率，C0表示本地设备的计算能力，αi，j＝1表示任务ti，j在本地运算，αi，j＝0表示不在本地运算；
用户i的传输能耗为
Figure FDA0003434563890000025
Figure FDA0003434563890000026
其中
Figure FDA0003434563890000027
表示用户i传输能耗，其中
Figure FDA0003434563890000028
表示用户任务i的传输功率；
用户i的待机能耗为
Figure FDA0003434563890000029
Figure FDA00034345638900000210
Figure FDA00034345638900000211
表示用户i待机能耗，其中
Figure FDA00034345638900000212
表示用户任务i的待机功率，Ck表示MEC服务器的计算能力。
3.根据权利要求1所述的一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，其特征在于，所述步骤(3)中单用户任务卸载方法的具体步骤如下：
单用户任务卸载中，每个共有M+2种任务卸载地点的选择；如果为0则表示任务在本地运行，M+1则表示任务卸载到远程云，1～M表示任务卸载到对应编号的MEC服务器中；
单用户任务卸载策略采用了带精英策略的快速非支配排序遗传算法，利用其非支配排序方法对个体的适应度进行评估，通过选择、交叉和变异遗传操作求得单用户情况下的最优卸载策略。
4.根据权利要求1所述的一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，其特征在于，所述步骤(4)中拥塞节点任务按用户进行排序的具体步骤如下：
(4.1)将拥塞节点的计算任务按用户进行分类；
(4.2)根据用户的标识对用户任务进行排序；
(4.3)得到根据用户标识排序的用户任务集合。
5.根据权利要求1所述的一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，其特征在于，所述步骤(5)中计算用户权值的具体步骤如下：
定义用户i在拥塞节点k上的权值为ωk，i：
(5.1)计算拥塞节点中用户i的权值；
Figure FDA0003434563890000031
其中ω1，ω2为系数，numi，k表示用户i在节点k上的任务数量，cyclesi，j表示用户i的第j个任务的计算周期数；
(5.2)计算所有用户的权值并进行排序；
(5.3)剔除权值大的用户并将其放入拥塞队列直到计算节点不再拥塞。
6.根据权利要求1所述的一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法，其特征在于，所述步骤(6)中拥塞队列中的用户重新计算分配方法的具体步骤如下：
拥塞队列中是被剔除的权值较大的用户任务，同时这些用户的其他边缘计算节点的任务也被剔除，最终对拥塞节点中所有的用户执行单用户任务卸载策略，重新计算分配方案。
CN202011388998.9A 2020-12-02 2020-12-02 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 Active CN112559171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011388998.9A CN112559171B (zh) 2020-12-02 2020-12-02 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011388998.9A CN112559171B (zh) 2020-12-02 2020-12-02 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法

Publications (2)

Publication Number Publication Date
CN112559171A CN112559171A (zh) 2021-03-26
CN112559171B true CN112559171B (zh) 2022-02-08

Family

ID=75047469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011388998.9A Active CN112559171B (zh) 2020-12-02 2020-12-02 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法

Country Status (1)

Country Link
CN (1) CN112559171B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995343B (zh) * 2021-04-22 2021-09-21 华南理工大学 一种具有性能与需求匹配能力的边缘节点计算卸载方法
CN114143814B (zh) * 2021-12-13 2024-01-23 华北电力大学（保定） 一种基于异构边缘云架构的多任务卸载方法及系统
CN114867039A (zh) * 2022-04-15 2022-08-05 河海大学 一种面向中间海域场景的边缘计算卸载方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415778A (zh) * 2018-03-29 2018-08-17 北京中油瑞飞信息技术有限责任公司 任务排序方法、装置及调度系统
CN111836284A (zh) * 2020-07-08 2020-10-27 重庆邮电大学 基于移动边缘计算的能耗优化计算、卸载方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110099384B (zh) * 2019-04-25 2022-07-29 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415778A (zh) * 2018-03-29 2018-08-17 北京中油瑞飞信息技术有限责任公司 任务排序方法、装置及调度系统
CN111836284A (zh) * 2020-07-08 2020-10-27 重庆邮电大学 基于移动边缘计算的能耗优化计算、卸载方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Delay-optimal computation task scheduling for mobile-edge computing systems";Juan Liu,Yuyi Mao,Jun Zhang,K. B. Letaief;《IEEE International Symposium on Information Theory》;20160510;全文 *

Also Published As

Publication number Publication date
CN112559171A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112559171B (zh) 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN112512056B (zh) 一种移动边缘计算网络中多目标优化的计算卸载方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN112380008B (zh) 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法
CN111262944B (zh) 异构移动边缘计算网络中分层任务卸载的方法与系统
CN110717300B (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN111399933B (zh) 一种边缘-云混合计算环境下的dnn任务卸载方法及终端
CN111401744B (zh) 一种移动边缘计算中不确定性环境下的动态任务卸载方法
CN113778648A (zh) 分层边缘计算环境中基于深度强化学习的任务调度方法
WO2023040022A1 (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN111984419B (zh) 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN113220356B (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
Ke et al. Adaptive computation offloading policy for multi-access edge computing in heterogeneous wireless networks
CN114564312A (zh) 一种基于自适应深度神经网络的云边端协同计算方法
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN113867843A (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN114706631A (zh) 基于深度q学习的移动边缘计算中卸载决策方法及系统
CN112631612B (zh) 一种基于遗传算法的kubernetes云平台配置的优化方法
CN112596910A (zh) 一种多用户mec系统中的云计算资源调度方法
Wang et al. Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing
CN114374694B (zh) 一种基于优先级的任务卸载方法及系统
CN116405493A (zh) 一种基于mogwo策略的边缘云协同任务卸载方法
CN116209084A (zh) 一种能量收集mec系统中任务卸载和资源分配方法

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