CN112579203A - 异构边缘网络中基于服务器休眠的协同计算方法 - Google Patents

Abstract

本发明属于移动通信技术领域，具体涉及一种异构边缘网络中基于服务器休眠的协同计算方法；所述方法包括根据任务到达量建立任务卸载策略模型；建立出服务器睡眠决策模型、时延模型和能耗模型，构建出最小化系统的长期平均能耗；使用基于CPLEX优化器的卸载决策算法按照任务卸载策略模型计算出每个时隙的卸载决策集合；对卸载决策集合使用卸载更新算法进行纠错；根据卸载更新算法得到的最优卸载决策集合，使用睡眠决策算法求解所述睡眠决策模型，得到服务器的睡眠决策集合；本发明基于整数线性规划得到系统最优决策，使MEC系统的任务卸载具有自适应性，服务器可以根据该服务器的任务量大小和整体系统的服务器状态确定其睡眠状态。

Description

异构边缘网络中基于服务器休眠的协同计算方法

技术领域

本发明属于移动通信技术领域，具体涉及一种异构边缘网络中基于服务器休眠的协同计算方法。

背景技术

随着5G的商用，传统通信的服务场景已经从单一的手机通信发展成了多种业务(如物联网、车联网、增强现实、智能视频加速等)共同构成的形式，用户对于通信质量的要求也变得更高。低时延，大连接，高可靠等概念的提出使得传统的基站部署模式不足以满足通信的要求，异构蜂窝网络(Heterogeneous Cellular Networks,HCN)便成了解决此类问题的重要途径。HCN由宏基站(Macro Base Station,MBS)和微基站(Small Base Station,SBS)共同组成，它们的出现提高了通信网络的能效、提高了网络吞吐量和网络覆盖面积，缓解了MBS的负载压力。

传统网络一般通过将任务卸载到远程云进行处理来降低系统能耗，但如今大量低时延需求的设备接入对网络提出了更高了要求。欧洲电信标准协会(ETSI)上提出了移动边缘计算(Mobile Edge Computing,MEC)的概念，MEC的定义是“为无线接入网络(RadioAccess Network，RAN)侧的移动用户提供信息技术服务和云计算能力的平台”。与移动云计算(Mobile Cloud Computing,MCC)技术不同的是，MEC距离终端设备的距离更近，MEC服务器也具有强大的计算能力，因此将计算任务卸载到距离更近的MEC服务器可以显著的降低网络的延迟，避免网络拥塞，并降低了移动终端设备的计算量，提升了设备电池的使用寿命。同时，服务器平均只有10-30％的时间忙碌，而空闲时，服务器的功率可以最高可占到其峰值功耗的70％。因此，对异构网络下的边缘计算进行计算资源的分配、服务器负载均衡以及服务器节能已经成为了当前研究的热点问题。

目前，传统的异构网络下的边缘计算主要从低能耗进行考虑，当前研究有建立移动边缘网络分层计算模型，通过服务器休眠构建出了长期能耗最小化问题，并使用李雅普诺夫方法求解出任务迁移决策的方法。有联合考虑基站与移动设备的能耗，在保证用户QoS的同时实现能耗最小化的方法。有考虑通过服务器进行休眠来节省能耗的方法。但是这些方法没有考虑服务器本身进行睡眠会存在切换能耗和切换时延的问题；此外，由于实际网络环境中业务到达是非均匀分布的，这些方法没有考虑到不同的业务需要的时延要求是不同的。

发明内容

基于上述问题，为了实现在面向异构网络边缘计算中基于服务器休眠的边缘协同策略，并保证系统的稳定性和得到最小的能耗，本发明解决上述技术问题所采用的技术方案包括如下内容：

一种异构边缘网络中基于服务器休眠的协同计算方法，所述边缘协同计算方法包括以下步骤：

S1、建立出服务器的任务到达队列模型，并根据任务到达量建立任务卸载策略模型；

S2、建立出服务器睡眠决策模型、时延模型以及能耗模型，并构建出最小化系统的长期平均能耗；

S3、将系统的长期平均能耗拆分成每个时隙的能耗，使用基于CPLEX优化器的卸载决策算法按照任务卸载策略模型计算出每个时隙的卸载决策集合；

S4、对求解出的卸载决策集合使用卸载更新算法进行卸载决策的纠错，得到该时隙的最优卸载策略集合；

S5、根据卸载更新算法得到的最优卸载决策集合，使用睡眠决策算法求解所述睡眠决策模型，得到服务器的睡眠决策集合。

本发明的有益效果：

针对计算任务在空间上的非均匀性，本发明基于现实业务流量统计分布模型，研究了MEC服务器之间的协作计算问题，联合设计MEC服务器的计算任务迁移策略和多睡眠控制方案，以优化时延约束下的长期系统能耗为目标；本发明在宏基站和每个微基站旁边都部署一个MEC服务器，构成异构边缘计算网络(Heterogeneous Mobile Edge Computing,H-MEC)平台。

由于长期能耗的计算需要跨时隙的信息，本发明整数线性规划得到系统最优决策，使MEC系统的任务卸载具有了自适应性，服务器可以根据该服务器的任务量大小和整体系统的服务器状态确定其睡眠状态。从而在保证用户QoE的条件下，实现了MEC系统的整体能耗最小化。本发明不需要利用网络的未来信息。在物联网场景下，业务流量分布更加异构，且大部分业务都是突发性的。这些特性导致微基站和MEC服务器的负载具有更大的动态性。本发明中的MEC服务器可以在保证物联网设备的QoE的条件下完成卸载的数据。此外，物联网流量的突发性为MEC服务器提供了更多的休眠机会，从而能够大幅度节省能量消耗。

附图说明

下面将结合附图及实例对本发明作进一步说明，附图中：

图1为本发明提供的异构边缘网络场景下的系统模型图；

图2为本发明实施例中异构边缘网络中基于服务器休眠的边缘协同计算方法的流程图；

图3是本发明实施例的卸载更新算法的流程图；

图4是本发明实施例睡眠决策的流程图；

图5是本发明实施例中任务卸载决策与睡眠决策的联合决策流程图；

图6为本发明与其他方法的整体能耗对比仿真图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

图1是本发明所采用的异构边缘计算网络的通信场景图，如图1所示，假设本发明所采用异构边缘计算网络(以下简称异构网络)的场景由一个宏基站MBS和n个微基站SBS组成。其中，运营商为MBS和每个SBS都部署了具有一定计算能力和存储能力的移动边缘计算(Mobile Edge Computing,MEC)服务器。MEC服务器的集合由

表示，其中i＝0表示MBS服务器，i≠0且

表示第i个SBS服务器，其系统模型如图1所示。每个用户设备(user equipment,UE)都可以将计算任务卸载到其关联的MEC服务器，每个服务器覆盖的用户数量、种类以及任务类型不同，因此服务器的任务到达量都不同。本发明中所有的MEC服务器处于同一个局域网(Local Area Network，LAN)内，MEC服务器之间可以通过协作计算，来平衡每个MEC服务器的计算工作量。同时，为了进一步的降低系统的能耗，本发明根据高级配置和电源接口(Advanced Configuration and Power Interface，ACPI)标准考虑服务器可以进入K种不同能耗水平的睡眠状态。本发明主要考虑MEC服务器网络的性能，因此在本发明中不考虑用户终端的卸载策略和能量消耗等。

图2是本发明的异构边缘网络中基于服务器休眠的协同计算方法流程图，如图2所示，所述边缘协同计算方法包括以下步骤：

S1、建立出服务器的任务到达队列模型，并根据任务到达量建立任务卸载策略模型；

本发明的异构网络中，通过使用不同的任务生成方式，得到平稳的任务到达队列和变化强烈的任务到达队列(用于验证本发明的可靠性)。在时域中划分为多个时隙

且每个时隙持续的时间为τ，在每个时隙t中，每个MEC服务器从其服务的UE接收计算任务；假设在在时隙τ内服务器i所到达的计算任务量为b_i(t)，其中b_i(t)是服从均值为λ_i(t)的泊松分布且b_i(t)独立同分布，则时隙t内所有UE任务的到达情况可以表示为

每个时隙的任务到达量都会变化，假设每个计算任务的平均大小假设为1Mbit。

为了应对H-MEC中服务器任务到达量在空间上的非均匀分布，本发明提出了MEC服务器之间的协作计算策略。该策略以任务卸载策略模型为基础，主要有以下三种方式：

一是计算任务较多的MEC服务器可以将任务迁移到任务较少的MEC服务器上；

二是在SBS服务器的任务负载超过了其最大计算能力时可以将其迁移到MBS服务器上；

三是可以让部分服务器计算任务量饱和，其他没有计算任务的服务器可以进入睡眠模式。

使用该策略可以平衡异构边缘网络中的任务负载，同时可以让服务器进入睡眠状态节约系统能耗。

可以理解的是，本发明中的服务器均指的是MEC服务器，若无特别说明，该MEC服务器可以是宏基站服务器也可以是微基站服务器。

本发明假设在时隙t时，MEC服务器i的计算卸载决策可以表示为π_i(t)＝{π_i0(t),π_i1(t)…,π_iN(t)},

其中，π_ij(t)表示在时隙t时从MEC服务器i迁移到MEC服务器j的计算任务。

为了避免任务的循环迁移，本发明假设MEC服务器到达的计算任务可以迁移到其它MEC服务器，但是当π_ij(t)>0时，服务器i不能接受其他服务器的计算任务。

例如，从MEC服务器i迁移到MEC服务器j的任务将在服务器j上处理，该任务不会再进一步从服务器j迁移到其它MEC服务器，并且MEC服务器i将不会接收其他服务器迁移的任务。如果MEC服务器处于睡眠状态且不决定将其唤醒，则无法将任务迁移给它，但他自身到达的任务仍可以通过基站将其传输给其他服务器，以保证任务不会丢失。因此，MEC服务器i需要处理的总任务可以表示为

b_i(t)表示时隙t时服务器的任务到达量，υ_i(t)为时隙t时卸载后的工作负载。

一个可行的任务迁移策略π(t)需要满足以下条件：

任务守恒性：所有服务器的卸载的总任务量和未卸载的任务之和必须等于任务卸载前的任务量，即

非负性：服务器i卸载到服务器j的任务量必须大于等于0，即π_ij(t)≥0,

稳定性：每个MEC服务器卸载后的任务总量不得超过其在时隙τ内能计算的最大任务量，即υ_i(t)≤τ·f_i ^max,

在时隙t，令所有MEC服务器的可行迁移策略的集合表示为X(t)，所以本发明所建立出的任务卸载策略模型可以参考如下：

X(t)

S2、建立出服务器睡眠决策模型、时延模型以及能耗模型，并构建出最小化系统的长期平均能耗；

由于服务器平均只有10-30％的时间处于忙碌状态，但它们却一直处于打开状态，而空闲时，服务器的功率可以最高可占到其总功耗的70％，这是很大的一部分能源消耗。因此，本发明将设计一个服务器休眠方案，让MEC服务器在其CPU利用率低于一定阈值时进入不同的睡眠模式，以达到节省能源的目的。

由于涉及到不同的睡眠模式，本发明考虑到可以采用ACPI(高级配置和电源接口)标准建立服务器休眠模型，ACPI(高级配置和电源接口)一直是一个开放的行业标准，基于该标准，现代服务器始终采用电源管理硬件模块进行设计，并且通常支持从S₁到S₅的5个睡眠状态。

根据ACPI标准，本发明假设服务器有K种睡眠模式，每一种睡眠模式的功率可以表示为P^K,

可以得到：P^max>P^idle>P¹>…>P^K。其中P^idle表示MEC服务器的空闲功率，P^max表示MEC服务器计算的峰值功率。

通常，转换只发生在睡眠状态和活跃状态S₀之间；也就是说，活跃状态可以切换到任何睡眠状态，睡眠状态可以切换到活跃状态，但睡眠状态不能切换到其他睡眠状态。同时，不同睡眠模式的过渡延迟和功耗是不同的。

令

表示从活跃状态S₀到睡眠状态S_k的切换功率，

表示从S_k到S₀的功率。处在越深的睡眠状态其服务器的睡眠能耗越低，同时睡眠和唤醒状态的切换能耗也越低。对于不同的睡眠模式，本发明假设转换功率具有以下关系：

同理，越浅的睡眠模式可以更快地唤醒，而深度睡眠模式需要更长的时间才能转换到活跃状态。令

表示从S₀到S_k的切换时延，

表示S_k到S₀的切换时延，可以得到：

在H-MEC中，本发明中的SBS服务器都可以进入不同的睡眠状态，为了保证系统的业务能够正常的调度，MBS服务器不能进入睡眠状态。在任意时隙τ内，MEC服务器的总数都要保持不变。MEC服务器由处于不同状态的服务器组成，包括MBS服务器的状态，活跃SBS服务器的状态，睡眠以及唤醒或睡眠转换中的状态的服务器，将其分别表示为

其中，

表示在时隙t内MBS服务器只会处在活跃状态且数量为1，

表示在时隙t内从活跃状态到第K种睡眠状态的服务器，

表示从第K种睡眠状态到活跃状态的MEC服务器。因为在时隙t中，MEC服务器的状态切换的开始时间可能不同，但可以从统计上获取在一个时隙内转换服务器的总数，假设不同状态下服务器的统计总数为M(t)，则有：

在上式中，

表示在时隙t内MBS服务器处于活跃状态的数量；

表示在时隙t内SBS服务器处于活跃状态的数量；

表示在时隙t内SBS服务器处于第k个睡眠状态的数量；

表示在时隙t内SBS服务器由活跃状态转换到第k个睡眠状态的数量；

表示在时隙t内SBS服务器由第k个睡眠状态转换到活跃状态的数量。

在本发明中，不同状态下服务器的统计总数为M(t)即可以作为服务器睡眠决策模型，可以按照服务器的状态数对其中的服务器进行睡眠决策调整。在H-MEC中，本发明采取了MEC服务器的协作计算联合服务器休眠策略。因此在时隙t时，MEC服务器的总时延包括以下几个部分，任务从UE卸载的时延，任务迁移的拥塞时延，服务器的计算时延，服务器状态切换时延，服务器计算结果返还时延。MEC系统的主要能耗包括UE的计算能耗，无线传输的能耗和MEC服务器的计算能耗，服务器的状态切换能耗。因为本发明主要是H-MEC系统中MEC服务器整体能耗最小化的设计，因此不考虑UE的卸载时延和UE的计算能耗。同时因计算结果往往很小，故不考虑计算结果的返还时延。

MEC服务器可以通过LAN将任务卸载到系统中的其他MEC服务器。但是由于LAN的带宽有限，会导致迁移拥塞时延。迁移拥塞时延可以被建模为M/M/1排队模型。它取决于通过LAN的总流入/流出流量，记为

其中

是服务器i卸载给其他服务器的计算任务量。服务器计算任务迁移拥塞延迟可以表示为：

其中，ε是在不拥塞的情况下通过LAN发送和接收单位工作负载的平均传输时间。

H-MEC中MEC服务器的计算能力有限，假设MEC服务器处理速率为f_i(t)，本文将每个MEC服务器建模为M/M/1排队系统。则在时隙t内的MEC服务器i的计算延迟

可表示为：

在时隙t时，MEC服务器可能处于第K种睡眠状态，如果我们决定将计算任务卸载在该服务器上，则会唤醒服务器，唤醒时延为：

如果MEC服务器是在活跃状态，则

因此，本发明的时延模型，即在时隙t内MEC服务器i的总延迟

可以表示为：

MEC服务器的能耗与任务负载对应动态能耗和空闲能耗相关。则在时隙t内，活跃状态的MBS服务器的功耗模型可以表示为：

其中

表示MBS服务器的峰值功率，α表示MBS服务器在空闲时的功率占峰值功率的比值，平均约为70％。u₀表示MBS服务器的任务负载程度，其为MEC服务器需要处理的计算任务与其最大服务速率之比，即

同理，处在活跃状态的SBS服务器的总能耗可以表示为：

在时隙t内处在睡眠状态服务器的总能耗可以表示为：

在时隙t服务器状态切换能耗为：

假设在H-MEC中的单位任务传输能耗为P_trans，则在时隙t时的总传输能耗为：

因此，本发明的能耗模型，即在时隙t内的总能耗可以表示为：

在H-MEC系统中，给定系统各个服务器不同的任务到达量和异构网络中服务器的种类和数量，在保证时延约束的条件下，MEC服务器进行协作计算联合服务器进入多睡眠状态，得到最小化系统的长期平均能耗。问题可以表示为：

s.t.

C1:

C2:

C3:

C4:

C5:

C6:M(t)＝M_total

其中几个约束的含义分别为：C1表示每个时隙中服务器i的总延迟都要小于其能容忍的最大延迟，即时间片的长度τ，以保证所有用户的QoE。C2表示在时隙t的总能耗不应超过所有服务器的能耗之和。C3表示所有服务器的卸载的总任务量和未卸载的任务之和必须等于任务卸载前的任务量。C4表示每个MEC服务器卸载后的任务总量不得超过其在时隙τ内能计算的最大任务量。C5表示卸载策略的可行性。C6表示系统所有状态的服务器之和等于服务器的总数M_total。

S3、将系统的长期平均能耗拆分成每个时隙的能耗，使用基于CPLEX优化器的卸载决策算法按照任务卸载策略模型计算出每个时隙的卸载决策集合；

由于步骤S2中的最小化系统的长期平均能耗是一个NP难问题，也是一个大规模的ILP(Integer Linear Programming，整数线性规划)问题；在整个系统中时隙过多，不能直接求解，因此本发明可以在每个时隙下将上述NP问题建模成小规模的ILP问题，然后使用ILOG CPLEX Optimization Studio优化工具求解。

首先根据时隙将整个问题划分为T个子问题，根据CPLEX优化器的参数要求构造出当前时隙即当前子问题的系数矩阵，根据输入参数调用CPLEX函数求解出该时隙的卸载决策集合，其中所述输入参数包括任务队列b_i，MBS服务器在时隙t能处理的最大任务量为

SBS服务器时隙t能处理的最大任务量为f_i ^max，以及能耗模型中各个状态的能耗

P^max,P^idle,

和容忍时延τ。

S4、对求解出的卸载决策集合使用卸载更新算法进行卸载决策的纠错，得到该时隙的最优卸载策略集合；

在每个时隙可以求解到当前时隙子问题的任务卸载决策后，但可能下一个时隙的任务量到达过多，当前在活跃状态的服务器数量不满足下一时隙的计算任务量要求。因此，本发明在每个决策做完之后会根据任务量大小做一个卸载更新算法，确保在下个时隙的服务器数量满足计算任务的要求。

图3给出了本发明实施例的卸载更新算法的流程图，如图3所示，所述卸载更新的流程包括：

输入当前时隙中CPLEX函数求解出的该时隙的卸载决策集合X(t)；上一时隙的服务器睡眠决策集合S^t-1以及当前时隙的任务到达队列即任务到达量λ^t；

获取上一时隙中活跃服务器集合、当前时隙的宏基站服务器计算的任务量以及所有微基站服务器计算的总任务量；

按照卸载更新算法进行纠错，首先计算出是否满足第一条件；

若满足第一条件，则调整宏基站服务器的任务比例，并更新任务卸载决策；其中，第一条件表示为

若不满足第一条件，则计算出每个服务器的迁移成本，并判断是否遍历完所有的服务器，若遍历完所有服务器，再判断是否满足第二条件

(图3中未展示)；若成功纠错则调整宏基站服务器的任务卸载比例或者唤醒微基站服务器，并更新服务器所对应的任务卸载决策。

如果以上两种情况都不满足，则继续判断第三条件，计算迁移成本C_i(t)是否小于最大的计算成本{τ,f_i ^max}，即在时隙t内服务器能处理的任务量为f_i ^max时能处理完卸载的计算任务，具体而言，所述迁移成本C_i(t)包括时间成本和计算成本，也就是说需要判断C_i(t)中的时间成本是否小于每个时隙持续的时间τ，以及计算成本是否小于在时隙t服务器i能处理的最大任务量f_i ^max。

在满足第三条件下，更新服务器的决策，包括任务卸载决策、睡眠决策以及计算出能耗；否则就只更新服务器的睡眠状态。

S5、根据卸载更新算法得到的最优卸载决策集合，使用睡眠决策算法得到服务器的睡眠状态集合。

由于步骤S5中的睡眠状态集合依赖于步骤S3和步骤S4的卸载决策的求解过程，所以本实施例结合步骤S3-S5对整个卸载决策和睡眠决策进行求解。

图4是本实施例给出睡眠决策的流程图，如图4所示，在决策开始前划分出T个时隙，对于每个时隙：

首先，输入参数包括当前时隙的任务卸载决策集合X(t)，前一时隙的睡眠决策S(t-1)，前一时隙和当前时隙的服务器i的任务队列b_i(t-1)和b_i(t)以及宏基站服务器的任务比例。

其次，根据当前时隙卸载后的任务量来决定是否进入睡眠模式，如果当前时隙t内MEC服务器i的卸载决策X_i(t)＝0，则根据多时隙的任务到达量之和与多时隙的服务器总到达任务量进行比较，表示为：

(b_i(t-1)+b_i(t))/2<(b(t-1)+b(t))/2·i

and S_i(t-1)not in{S_k}

如果满足上式，则根据第三条件确定出该服务器所进入的睡眠状态；b(t-1)表示所有服务器在前一时隙的任务队列；b(t)表示所有服务器在当前时隙的任务队列；并根据

的大小确定出服务器所处的睡眠模式，即给出服务器的睡眠决策。

也即是计算出

的比值，将这个比值与不同睡眠状态门限进行比较，假设第一种睡眠状态的门限值为0.3～1.0，第二种睡眠状态的门限值为0.1～0.3，第三种睡眠状态的门限值为0～0.1；按照比值与状态门限的大小，确定出对应的睡眠状态。

如果不满足上式，则根据

判断，同样的也可以根据这个比值与预设阈值的大小进行判断，若这个比值大于预设阈值则更新宏基站服务器的任务比例；其中，

表示宏基站服务器能处理的最大任务量；

表示微基站服务器中活跃服务器能处理的最大任务量。

另一方面，如果X_i(t)≠0，并且在时隙t-1内MEC服务器i不属于睡眠状态，则唤醒该服务器并更新睡眠决策集合。

图5给出了本发明实施例中任务卸载决策与睡眠决策的联合决策流程图，如图5所示，所述联合决策流程包括：

根据CPLEX优化器的参数要求构造当前时隙子问题的系数矩阵，然后根据输入参数调用CPLEX函数求解该时隙的卸载决策集合；

然后，根据得到当前时隙的最优卸载决策利用睡眠更新算法更新睡眠决策

最后，将每个时隙的结果进行合并更新，返回任务卸载结果和睡眠状态结果。

根据上述决策的流程图框架可知，在每个时隙中，都需要重新构造系数矩阵。系数矩阵的参数包括了CPLEX模型中的等式系数、不等式系数、任务到达量以及所有服务器状态等。矩阵构建完毕之后就可以使用CPLEX函数计算出卸载决策集合，计算完毕之后需要根据卸载决策集合通过睡眠决策算法确定睡眠状态集合以及使用卸载更新算法更新卸载决策集合。

构造系数矩阵时的需要分两种情况：

在t＝1时，令

然后根据约束条件构建系数矩阵。

在t>1时，为了保证任务的正常卸载，MBS服务器的状态需要永远处在活跃模式，即

然后根据上一个时隙卸载决策得到各个状态服务器的个数和约束条件构造系数矩阵。

根据Cplexmilp(f,Aineq,bineq,Aeq,beq,lb,ub,ctype)函数可知系数矩阵的参数包括：f为目标函数中所有决策变量的系数构成的数组；Aineq为所有不等式约束里的决策变量系数构成的矩阵；bineq为所有不等式约束里的常数构成的数组；Aeq为所有等式约束里的决策变量系数构成的矩阵；beq为所有等式约束里的常数构成的数组；lb为所有决策变量的下限值构成的数组；ub为所有决策变量的上限值构成的数组；ctype为所有决策变量的类型构成的数组。

为了确保在每个时隙的问题都能够完全计算，本发明会在使用CPLEX工具计算好该时隙的计算决策之后进行卸载决策的修正。同时，再使用修正后的卸载决策集合输入睡眠决策算法得到睡眠集合。

在卸载更新算法中，本发明添加了一个MBS服务器卸载比例，在与活跃服务器计算能力进行比较时添加上系数，通过MEC系统比较计算能力和活跃服务器的计算能力，当

或者

就需要使用睡眠决策算法唤醒更多的服务器或者动态的调整比例系数δ。如果计算能力足够，则需要根据时延约束和卸载成本来确定在该时隙没有计算任务或者计算任务少的服务器进入不同的睡眠模式。

睡眠决策算法将根据该时隙卸载后的任务量来决定时候进入睡眠模式，如果X_i(t)＝0，则根据多时隙的任务到达量和多时隙的服务器总到达任务量比较，确定该服务器到底进入何种睡眠状态。如果X_i(t)≠0，则唤醒服务器，然后更新睡眠决策集合。在最后，根据该阶段的总睡眠决策和多时隙的中任务量大小来动态更改MBS服务器的任务比例δ。

经过上述的方法，图6给出了本发明中的能耗仿真图，具体仿真参数为MBS服务器一个，SBS服务器20个，在时隙上共仿真T＝1000个时隙，每个时隙长度1s。MEC服务器之间通过LAN连接，其平均单位传输时间0.002s。任务到达率b_i为0-20Mbit/s。与SBS关联的MEC服务器计算能力为30Mbit/s，最大功耗为243W。与MBS关联的MEC服务器计算能力为100Mbit/s，最大功耗为500W。此外，还有服务器在不同状态下的睡眠时功耗，切换功耗，切换延时等仿真参数等。使用本发明的服务器多睡眠节能卸载方案(Server Multi Sleep EnergySaving Offloading Scheme,SMS-EOS)，和确定任务卸载方案(Deterministic TaskOffloading Scheme,DTOS)。从图6中可以看出，本发明可以让任务在异构边缘计算网络中得到正确的卸载，并且还能使H-MEC系统整体能耗最低。

在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”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。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述边缘协同计算方法包括以下步骤：

S1、建立出服务器的任务到达队列模型，并根据任务到达量建立任务卸载策略模型；

S2、建立出服务器睡眠决策模型、时延模型以及能耗模型，并构建出最小化系统的长期平均能耗；

S3、将系统的长期平均能耗拆分成每个时隙的能耗，使用基于CPLEX优化器的卸载决策算法按照任务卸载策略模型计算出每个时隙的卸载决策集合；

S4、对求解出的卸载决策集合使用卸载更新算法进行卸载决策的纠错，得到该时隙的最优卸载策略集合；

S5、根据卸载更新算法得到的最优卸载决策集合，使用睡眠决策算法求解所述睡眠决策模型，得到服务器的睡眠决策集合。

2.根据权利要求1所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述任务卸载策略模型包括按照任务到达量确定出迁移后的任务总量；基于迁移模型对卸载任务的非负性要求和稳定性要求，利用迁移模型让计算任务较多的服务器将任务迁移到任务较少的服务器上；让微基站服务器的任务负载超过了其最大计算能力时，将任务迁移到宏基站服务器上；让部分服务器的计算任务量饱和，其他没有计算任务的服务器进入睡眠模式，其中所述服务器包括安装在宏基站上的MEC服务器和安装在微基站上的MEC服务器。

3.根据权利要求1所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述服务器休眠模型包括划分出活跃状态和多个睡眠状态，其中活跃状态与睡眠状态之间可以相互切换，而所述睡眠状态不能切换到其他睡眠状态，不同睡眠状态设置有不同的过渡时延和能耗。

4.根据权利要求1所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述最小化系统的长期平均能耗包括：

s.t.

C6:M(t)＝M_total

其中，P(t)表示在时隙t内的总能耗；T表示总时隙数；

表示在时隙t内MEC服务器i的总时延；τ表示MEC服务器的容忍时延即每个时隙持续的时间；

表示MEC服务器的集合；P_i ^max(t)表示在时隙t内MEC服务器i的峰值功率；π_ij(t)表示在时隙t内MEC服务器i向MEC服务器j迁移的卸载任务量；b_i(t)表示在时隙t内MEC服务器i所到达的计算任务量；υ_i(t)表示在时隙t内微基站服务器i计算的任务量；f_i ^max表示MEC服务器i能处理的最大任务量；π_i(t)表示在时隙t内MEC服务器i的计算卸载决策，X(t)表示在时隙t内所有MEC服务器的可行迁移策略的集合；M(t)表示在时隙t内系统中所有睡眠状态的服务器之和；M_total表示服务器的总和；i＝0表示宏基站MEC服务器，i≠0表示第i个微基站MEC服务器。

5.根据权利要求1所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述基于CPLEX优化器的卸载决策算法按照任务卸载策略模型计算出每个时隙的卸载决策集合，包括根据CPLEX优化器的参数要求构造出当前时隙的系数矩阵，根据输入参数调用CPLEX函数求解出该时隙的卸载决策集合，即该时隙每个服务器计算的任务量大小；其中所述输入参数包括任务队列，宏基站服务器的计算能力，微基站服务器的计算能力，以及能耗模型中各个状态的能耗和容忍时延。

6.根据权利要求1所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述对求解出的卸载决策集合使用卸载更新算法进行卸载决策的纠错包括获取上一时隙中活跃服务器集合，根据当前时隙的宏基站服务器计算的任务量和所有微基站服务器计算的总任务量，按照卸载更新算法进行纠错；若成功纠错则调整宏基站服务器的任务卸载比例或者唤醒微基站服务器，并更新服务器所对应的任务卸载决策。

7.根据权利要求6所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述卸载更新算法采用的纠错方式包括判断是否满足第一条件、第二条件或/和第三条件，若至少满足其中一个条件，则进行纠错，其中，所述第一条件、第二条件和第三条件依次表示为：

第一条件：

第二条件：

第三条件：C_i(t)<{τ,f_i ^max}

其中，δ表示宏基站服务器的任务卸载比例；υ₀(t)表示宏基站服务器计算的任务量；υ_i(t)表示微基站服务器i计算的任务量；f_i ^max表示在时隙t内微基站服务器i的计算能力即能处理的最大任务量；

表示在时隙t内微基站服务器i为活跃服务器；N表示微基站服务器的数量；C_i(t)表示在时隙t内的计算迁移成本；τ表示每个时隙持续的时间。

8.根据权利要求1所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述睡眠决策算法包括根据当前时隙卸载后的任务量来决定是否进入睡眠模式，如果当前时隙t内MEC服务器i的卸载决策X_i(t)＝0，则根据多时隙的任务到达量之和与多时隙的服务器总到达任务量进行比较，根据第四条件与不同睡眠状态门限的大小，确定出该服务器所进入的睡眠状态；如果X_i(t)≠0，则唤醒服务器并更新睡眠决策集合。

9.根据权利要求8所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，所述第四条件表示为：

其中，b_i(t-1)表示在时隙t-1内服务器i的任务到达量；b_i(t)表示在时隙t内服务器i的任务到达量；f_i ^max表示MEC服务器i在时隙t能处理的最大任务量。

10.根据权利要求8所述的一种异构边缘网络中基于服务器休眠的协同计算方法，其特征在于，当未进入睡眠模式的服务器的数量刚好与服务器总数相同时，根据该当前时隙的总睡眠决策和多时隙的中任务量大小来动态更改宏基站服务器的任务比例δ。

Images