CN112559178A - 一种基于边云服务器协同计算的任务卸载方法 - Google Patents

Abstract

本发明提出了一种基于边云服务器协同计算的任务卸载方法。本发明步骤为：首先用户根据任务的能量消耗挑选预卸载边缘服务器；然后边缘服务器对任务依响应比进行排序，在最大时延的限制下根据任务在边缘服务器的等待时间，判断任务的卸载方式；最后对于任务分配不均衡的边缘服务器，进行动态调整，然后用户根据相应最终策略进行任务卸载。本发明通过响应比排序有效的提高了任务计算效率，此外还引入了个性化卸载决策，用户可以自行根据当前处理任务需求设定响应时间和能耗的权重值，有效的提高了服务质量。

Description

一种基于边云服务器协同计算的任务卸载方法

技术领域

本发明涉及了边缘计算技术领域，尤其涉及了一种基于边云服务器协同计算的任务方法。

背景技术

随着越来越多新的应用程序涌现，人们对智能计算的需求越来越迫切。云计算中心具有资源丰富优点，但是远程任务传输延迟会极大影响用户任务卸载性能。边缘服务器地理位置上临近用户，具备传输路径相对较短的优点。但与云计算中心相比，边缘服务器的资源的资源相对短缺。因此，当移动用户的任务急剧增加时，将严重影响移动用户获得的边缘计算服务体验。由于两者的互补性，边缘计算和云计算中心可以协作执行移动用户的任务请求，从而使移动用户可以获得更高的服务质量。

考虑到移动用户主要关注卸载任务所需的性能和能耗，本发明提出了一种基于边云服务器协同计算的任务卸载方法。本发明步骤为：首先用户根据任务的能量消耗挑选预卸载边缘服务器；然后边缘服务器对任务依响应比进行排序，在最大时延的限制下根据任务在边缘服务器的等待时间，判断任务的卸载方式；最后对于任务分配不均衡的边缘服务器，进行动态调整，然后用户根据相应最终策略进行任务卸载。本发明通过响应比排序有效的提高了任务计算效率，此外还引入了个性化卸载决策，用户可以自行根据当前处理任务需求设定响应时间和能耗的权重值，有效的提高了服务质量。

发明内容

针对现有技术的不足，本发明提出了一种基于边云服务器协同计算的任务卸载方法。

本发明通过以下方案实现：

步骤一、初始化设置阶段：

1)用户UE_n公布任务τ_n参数:τ_n＝<b_n,d_n>，b_n，d_n分别为任务数据量和响应时间阈值；

2)分别计算τ_n在本地服务器LS、边缘服务器MEC_m(m∈{1,2,...,M})、云服务中心CS的消耗函数

和

分别表示响应时间和能耗的权重，该权重值为用户自行根据当前处理任务需求进行设定；

3)所有的UE_n根据Ψ_n,l和min(Ψ_n,m,Ψ_n,c)的最大差值L_n,m来挑选预卸载MEC_m。

步骤二、排序阶段：

1)找出MEC_m中与最先到达的任务时间

相近的任务，即满足

(n，i∈MEC_m)，其中

是设定的某一合适阈值，用Q_m存储满足条件的任务；

2)根据τ_n的响应比

找出第一个被执行的任务，

为在MEC_m上执行计算的时延，

在MEC_m上的等待时间，让Q_m中所有的任务轮流作为第一个被执行的任务，分别计算其他任务的响应比，最后拥有最大的响应比η_n,m的任务τ_n首先被执行计算；

3)MEC_m计算出在执行第一个任务τ_n时到达的其他任务响应比，然后对其他任务的响应比η_n,m从大到小进行排序，对排序后的任务计算出各自的等待时间

及此时在MEC_m的响应时间t_n,m；

4)MEC_m将排序后的响应时间反馈给UE_n，UE_n给出相应的预卸载策略。

步骤三、动态调整阶段：

1)计算MEC_m中任务预卸载后的总消耗Ψ_m，并得到W＝{Ψ₁,Ψ₂,Ψ₃,...,Ψ_M}，

2)从W中找出最大总消耗的Ψ_m′和最小总消耗的Ψ_m″，则得到对应的转出和转入任务边缘MEC_m′，MEC_m″，从MEC_m′中随机挑任务(如果有卸载回本地的任务优先考虑)调整到MEC_m″中；

3)将调整后的任务重新排序即重复步骤二和步骤三，直到W中的总消耗方差不超过Z_v(Z_v取值为某一合适常数)为止；

4)UE_n根据MEC_m给的相应最终策略进行任务卸载。

与现有的技术相比，本发明优点在于引入响应比排序以及对任务进行动态调整可以有效的提高了计算效率，减少任务的时间延迟以及能量消耗。

附图说明

图1是本发明任务卸载方法的整体流程图；

图2是本发明初始化收集任务的流程图；

图3是本发明排序的流程图；

图4是本发明动态调整的流程图；

具体实施方法

本发明设计了一种基于边云服务器协同计算的任务卸载方法，结合图2、图3、图4具体实施方法如下：

步骤一、初始化设置阶段：

1)用户UE_n公布任务τ_n参数:τ_n＝<b_n,d_n>，b_n，d_n分别为任务数据量和响应时间阈值；

2)计算τ_n在LS上的消耗函数

t_n,l和e_n,l为τ_n在LS上的响应时间和能耗，

和

分别表示响应时间和能耗的权重，该权重值为用户自行根据当前处理任务需求进行设定；

3)计算当τ_n在MEC_m的消耗函数

t_n,m和e_n,m为τ_n的边缘响应时间和传输能耗；

4)计算τ_n在CS的消耗函数

t_n,c和e_n,c为τ_n的在CS上响应时间和传输能耗,其中只考虑用户的能量消耗，所以e_n,c与e_n,m相同；

5)UE_n根据Ψ_n,l和min(Ψ_n,m,Ψ_n,c)的最大差值L_n,m来挑选预卸载MEC_m。

步骤二、排序阶段：

1)找出MEC_m中与最先到达的任务时间

相近的任务，即满足

(n，i∈MEC_m)，其中

是设定的某一合适阈值，用Q_m存储满足条件的任务；

2)根据τ_n的响应比

找出第一个被执行的任务，

为在MEC_m上执行计算的时延，

在MEC_m上的等待时间，让Q_m中所有的任务轮流作为第一个被执行的任务，分别计算其他任务的响应比，最后拥有最大的响应比η_n,m的任务τ_n首先被执行计算；

3)执行τ_n的同时，计算出在其响应时间段内到达的其他任务响应比η_n,m；

4)对其他任务的响应比η_n,m从大到小进行排序，对排序后的任务计算出各自的等待时间

及此时在MEC_m的响应时间t_n,m；

5)MEC_m将排序后的具体响应时间反馈给UE_n，UE_n给出相应的预卸载策略；

6)判断排序后τ_n的t_n,m是否大于d_n以及是否满足L_n,m小于0，将满足条件的任务预卸载在LS上并用a_n＝0，x_n＝0表示，不满足则判断在MEC_m的t_n,m是否小于在CS的响应时间t_n,c，若满足条件继续在MEC_m等待计算并用a_n＝1，x_n＝0表示，若不满足则在CS执行计算即用a_n＝0，y_n＝1表示。

步骤三、动态调整阶段：

1)计算出MEC_m中任务卸载决策后的总消耗Ψ_m表示为：

并得到W＝{Ψ₁,Ψ₂,Ψ₃,...,Ψ_M}；

2)根据W获得转出边缘服务器MEC_m′和转入边缘服务器MEC_m″(m′，m″∈{1,2,3,...,M})，从MEC_m′挑选合适的任务调整到MEC_m″去处理；

3)从W中找出最大总消耗的Ψ_m′和最小总消耗的Ψ_m″，则得到对应的转出和转入任务边缘MEC_m′，MEC_m″，从MEC_m′中随机挑任务(如果有卸载回本地的任务优先考虑)调整到MEC_m″中；

4)将调整后的任务重新排序即重复步骤二和步骤三，直到W中的总消耗方差不超过Z_v(Z_v取值为某一合适常数)为止；

5)UE_n根据MEC_m给的相应最终策略进行任务卸载。

Claims (4)

1.提出了一种基于边云服务器协同计算的任务卸载方法，所述方法至少包含以下几个步骤，

步骤一、初始化设置阶段：

1)用户UE_n(n∈{1,2,...,N})生成任务τ_n参数,

2)分别计算τ_n在本地服务器LS、边缘服务器MEC_m(m∈{1,2,...,M})、云服务中心CS的消耗函数Ψ_n,l，Ψ_n,m，Ψ_n,c，

3)UE_n根据Ψ_n,l和min(Ψ_n,m,Ψ_n,c)的最大差值L_n,m来挑选预卸载MEC_m；

步骤二、排序阶段：

1)MEC_m找出第一个被执行的任务τ_n(n∈{1,2,...,N})，

2)MEC_m对执行第一个任务τ_n时到达的其他任务进行排序，

3)MEC_m将排序后的响应时间反馈给UE_n，UE_n给出相应的预卸载策略；

步骤三、动态调整阶段：

1)计算MEC_m中任务预卸载后的总消耗Ψ_m，并得到W＝{Ψ₁,Ψ₂,Ψ₃,...,Ψ_M}，

2)根据W获得转出边缘服务器MEC_m′和转入边缘服务器MEC_m″(m′，m″∈{1,2,3,...,M})，从MEC_m′挑选合适的任务调整到MEC_m″去处理，

3)将调整后的任务重新排序即重复步骤二和步骤三，直到W中的总消耗方差不超过Z_v(Z_v取值为某一合适常数)为止，

4)UE_n根据MEC_m给的预卸载策略安装并执行卸载相应的卸载策略。

2.根据权利要求1所述的一种基于边云服务器协同计算的任务卸载方法，其特征在于用户可以根据任务的能量消耗挑选预卸载边缘单元，至少还包括以下步骤：

1)用户UE_n公布任务τ_n参数:τ_n＝<b_n,d_n>，b_n，d_n分别为任务数据量和响应时间阈值；

2)分别计算τ_n在本地服务器LS、边缘服务器MEC_m(m∈{1,2,...,M})、云服务中心CS的消耗函数Ψ_n,l，Ψ_n,m，Ψ_n,c；

2.1：计算τ_n在LS上的消耗函数

t_n,l和e_n,l为τ_n在LS上的响应时间和能耗，

和

分别表示响应时间和能耗的权重，该权重值为用户自行根据当前处理任务需求进行设定；

2.2：计算当τ_n在MEC_m的消耗函数

t_n,m和e_n,m为τ_n的边缘响应时间和传输能耗；

2.3：计算τ_n在CS的消耗函数

t_n,c和e_n,c为τ_n的在CS上响应时间和传输能耗,其中只考虑用户的能量消耗，所以e_n,c与e_n,m相同；

3)UE_n根据Ψ_n,l和min(Ψ_n,m,Ψ_n,c)的最大差值L_n,m来挑选预卸载MEC_m。

3.根据权利要求1所述的一种基于边云服务器协同计算的任务卸载方法，其特征在于边缘服务器对任务进行排序，在最大时延的限制下根据任务在边缘服务器的等待时间，判断任务的卸载方式，至少还包括以下步骤：

1)MEC_m找出第一个被执行的任务τ_n(n∈{1,2,...,N})；

1.1：找出MEC_m中与最先到达的任务时间

相近的任务，即满足

(n，i∈MEC_m)，其中

是设定的某一合适阈值，用Q_m存储满足条件的任务；

1.2：根据τ_n的响应比

找出第一个被执行的任务，

为在MEC_m上执行计算的时延，

在MEC_m上的等待时间，让Q_m中所有的任务轮流作为第一个被执行的任务，分别计算其他任务的响应比，最后拥有最大的响应比η_n,m的任务τ_n首先被执行计算；

2)MEC_m对执行第一个任务τ_n时到达的其他任务进行排序；

2.1：执行τ_n的同时，计算出在其响应时间段内到达的其他任务响应比η_n,m；

2.2：对其他任务的响应比η_n,m从大到小进行排序，对排序后的任务计算出各自的等待时间

及此时在MEC_m的响应时间t_n,m；

3)MEC_m将排序后的响应时间反馈给UE_n，UE_n给出相应的预卸载策略；

3.1：判断排序后τ_n的t_n,m是否大于d_n以及是否满足L_n,m小于0，将满足条件的任务预卸载在LS上并用a_n＝0，x_n＝0表示，不满足则判断在MEC_m的t_n,m是否小于在CS的响应时间t_n,c，若满足条件继续在MEC_m等待计算并用a_n＝1，x_n＝0表示，若不满足则在CS执行计算即用a_n＝0，y_n＝1表示。

4.根据权利要求1所述的一种基于边云服务器协同计算的任务卸载方法，其特征在对于任务分配不均衡的边缘服务器，进行动态调整，然后用户根据相应最终策略进行任务卸载。，至少还包括以下步骤：

1)计算MEC_m中任务预卸载后的总消耗Ψ_m，并得到W＝{Ψ₁,Ψ₂,Ψ₃,...,Ψ_M}；

1.1：计算出MEC_m中任务卸载决策后的总消耗Ψ_m表示为：

并得到W＝{Ψ₁,Ψ₂,Ψ₃,...,Ψ_M}；

2)根据W获得任务转出边缘服务器MEC_m′和转入边缘服务器MEC_m″(m′，m″∈{1,2,3,...,M})，从MEC_m′挑选合适的任务调整到MEC_m″去处理；

2.1：从W中找出最大总消耗的Ψ_m′和最小总消耗的Ψ_m″，则得到对应的转出和转入任务边缘MEC_m′，MEC_m″，从MEC_m′中随机挑任务(如果有卸载回本地的任务优先考虑)调整到MEC_m″中；

3)将调整后的任务重新排序即重复步骤二和步骤三，直到W中的总消耗方差不超过Z_v(Z_v取值为某一合适常数)为止；

4)UE_n根据MEC_m给的相应最终策略进行任务卸载。

Images