CN112637276B - 一种基于数字孪生技术的多用户计算迁移方法 - Google Patents

一种基于数字孪生技术的多用户计算迁移方法 Download PDF

Info

Publication number
CN112637276B
CN112637276B CN202011422457.3A CN202011422457A CN112637276B CN 112637276 B CN112637276 B CN 112637276B CN 202011422457 A CN202011422457 A CN 202011422457A CN 112637276 B CN112637276 B CN 112637276B
Authority
CN
China
Prior art keywords
edge server
queue length
digital twin
calculation
equipment
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.)
Expired - Fee Related
Application number
CN202011422457.3A
Other languages
English (en)
Other versions
CN112637276A (zh
Inventor
张彦
代玥玥
韩华龙
卢云龙
张科
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011422457.3A priority Critical patent/CN112637276B/zh
Publication of CN112637276A publication Critical patent/CN112637276A/zh
Application granted granted Critical
Publication of CN112637276B publication Critical patent/CN112637276B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于数字孪生技术的多用户计算迁移方法，包括以下步骤：S1：建立设备的数字孪生镜像和边缘服务器的数字孪生镜像；S2：建立设备和边缘服务器之间的数据传输效率模型；S3：建立设备的队列长度更新模型；S4：建立边缘服务器的队列长度更新模型；S5：更新设备的数字孪生镜像和边缘服务器的数字孪生镜像；S6：评估设备的计算时间；S7：评估边缘服务器的计算时间，完成多用户计算迁移。本发明为解决由于设备计算资源不足而无法按时完成数据计算提出了一套有效的计算迁移方法，由于传统的单个设备执行单个任务假设不具有普用性，不适合工业物联网，而该在线方法在实际场景中更为合理，且操作性更强，有效性更好。

Description

一种基于数字孪生技术的多用户计算迁移方法
技术领域
本发明属于工业物联网技术领域，具体涉及一种基于数字孪生技术的多用户计算迁移方法。
背景技术
工业物联网的快速发展要求工业生产向数字化方向进行，以提高网络效率。数字孪生技术是一种很有前途的技术，它通过创建物理对象的虚拟模型来实现工业物联网的数字化转换。近年来，随着网络的大规模普及，工业物联网所链接的设备达到了数百亿台，其产生的数据难以估量。然而由于网络中的设备如移动终端，智能驾驶汽车，虚拟现实设备等计算能力有限，而数据的计算任务又具有时延有效性，这些设备在收集大量数据后可能无法按时完成计算任务，这是当今阻碍工业物联网发展的一大障碍。有了数字孪生技术，可以借助大数据技术和物联网本身性能，通过机器学习推测出一些原本无法直接测量的指标，从而可以更加有效地控制、利用工业物联网中的资源。然而，工业物联网中的数字孪生技术面临着诸多挑战。首先，网络的数字孪生镜像需要周期性地从设备中收集大量数据表。其次，网络的虚拟镜像需要和实体网之间进行频繁的通信以保证信息的实时性。此外，由于通信链路的无线的，会受到诸多干扰，可能会导致数据传输时间较长等问题。因此，如何提出一套行之有效的在异构网络下的用户关联方法，以保证用户的服务需求和网络的性能是本发明的研究重点。
发明内容
本发明的目的是为了解决网络中设备无法按时完成数据计算任务的问题，提出了一种基于数字孪生技术的多用户计算迁移方法。
本发明的技术方案是：一种基于数字孪生技术的多用户计算迁移方法包括以下步骤：
S1：利用边缘服务器建立设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES；
S2：基于设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，建立设备和边缘服务器之间的数据传输效率模型；
S3：利用设备采集分析数据，并建立设备的队列长度更新模型；
S4：建立边缘服务器的队列长度更新模型；
S5：更新设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES；
S6：基于设备的队列长度更新模型与更新后的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，根据设备采集的分析数据，评估设备的计算时间；
S7：基于边缘服务器的队列长度更新模型与设备和边缘服务器之间的数据传输效率模型，根据设备的计算时间评估结果，评估边缘服务器的计算时间，完成多用户计算迁移。
本发明的有益效果是：
(1)有效性。本发明为解决由于设备计算资源不足而无法按时完成数据计算提出了一套有效的计算迁移方法，由于传统的单个设备执行单个任务假设不具有普用性，不适合工业物联网，而该在线方法在实际场景中更为合理，且操作性更强，有效性更好。
(2)实时性。本发明提出的数字孪生模型能够实时监测工业物联网的状态信息，并作出相应的数据迁移，算法复杂度较低，没有占用设备的计算资源，运行速度快，能够及时完成新到达的数据计算任务，提高了服务器的利用率，减少了设备的计算任务。
(3)网络计算资源分配合理。当设备无法按时完成新收集的数据计算任务时，数字孪生模型及时检测并将结果返回到物理网络中，进一步地，设备将部分数据计算任务迁移到计算能力更加强大边缘服务器上，由边缘服务器加以完成，既减轻了设备计算负载，又提高了边缘服务器计算资源利用率。
进一步地，步骤S1中，设备的数字孪生镜像Devi的表达式为Devi＝{li(t),fi(t),pi(t),Qi(t)}，其中，li(t)表示设备的位置，fi(t)表示设备的计算能力,pi(t)表示设备的传输功率，Qi(t)表示设备上Buffer的队列长度；
边缘服务器的数字孪生镜像ES的表达式为ES＝{l0(t),f0(t),Q0(t)}，其中，l0(t)表示边缘服务器所对应的基站位置，f0(t)表示边缘服务器的计算资源，Q0(t)表示边缘服务器上Buffer的队列长度。
进一步地，步骤S2包括以下子步骤：
S21：基于设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，计算设备和边缘服务器的实时距离ri0(t)，其计算公式为：
ri0(t)＝||li(t)-l0(t)||
其中，li(t)表示设备的位置，l0(t)表示边缘服务器所对应的基站位置；
S22：根据设备和边缘服务器的实时距离ri0(t)，计算设备和边缘服务器之间的数据传输效率Ri0(t)，完成设备和边缘服务器之间的数据传输效率模型的建立，其计算公式为：
Figure BDA0002823057650000031
其中，wi0(t)表示基站在t时刻分配给设备的带宽，log(·)表示对数运算，pi(t)表示设备的传输功率，hi0(t)表示当前信道增益，α表示路径损耗指数，σ2表示噪声功率。
上述进一步方案的有益效果是：在本发明中，在无线通信中，为了有效利用频谱资源，本发明采用OFDMA来抑制设备之间的相互干扰，因此可以忽略设备之间的相互干扰，由此可以计算设备和基站之间的数据传输效率。
进一步地，步骤S3包括以下子步骤：
S31：利用设备采集分析数据，得到其任务量值λi(t)；
S32：根据任务量值λi(t)，设置时延约束Ti，并建立设备的队列长度更新模型。
上述进一步方案的有益效果是：在本发明中，设备收集传感器和应用程序上所需要计算分析的数据，比如收集传感器当前的温湿度数据用于分析环境情况，收集电池电量数据用于评估设备续航情况。将新收集的数据大小作为计算任务的任务量大小，即λi(t)。假设处理1bit计算任务所需要的CPU周期数为c，那么处理λi(t)所需要的计算资源为cλi(t)。考虑计算任务为时延敏感性任务，即任务需要在你规定的时延约束内完成，这里设置λi(t)所对应的时延约束为Ti。由于设备的计算资源有限，设备中可能存储有未处理完的计算任务，这些任务在本地Buffer中排队，等待计算。考虑Buffer容量充足，设备在收集到新的数据后，可按照更新公式进行更新。
进一步地，步骤S32中，建立设备的队列长度更新模型的计算公式为：
Qi(t+1)＝max{Qi(t)-[Di(t)+Di0(t)],0}+li(t)
其中，Qi(t+1)表示设备下一时刻的队列长度，Qi(t)表示设备当前时刻的队列长度，Di(t)表示设备在t时刻内所完成的计算任务大小，Di0(t)表示设备当前时刻迁移到边缘服务器上任务量大小，li(t)表示设备的位置，max{Qi(t)-[Di(t)+Di0(t)],0}+li(t)表示设备未处理完的计算任务。
进一步地，步骤S4中，建立边缘服务器的队列长度更新模型的计算公式为：
Figure BDA0002823057650000051
其中，Q0(t+1)表示边缘服务器下一时刻的队列长度，Q0(t)表示边缘服务器当前时刻的队列长度，
Figure BDA0002823057650000053
表示边缘服务器在t时刻内所完成的计算任务大小，
Figure BDA0002823057650000054
表示边缘服务器未处理完的计算任务，
Figure BDA0002823057650000052
表示当前时刻所有设备迁移到边缘服务器上的计算任务，N表示系统中的设备数量，Di0(t)表示当前迁移到边缘服务器上的任务量大小。
上述进一步方案的有益效果是：在本发明中，基于迁移策略，数字孪生系统建立关于服务器的队列长度更新模型。边缘服务器基于迁移到服务器的任务量和服务器的计算能力，估计服务器上Buffer的队列长度。
进一步地，步骤S5中，更新设备的数字孪生镜像Devi的方法为：通过设备周期性地向边缘服务器发送信息，更新设备的位置li(t)、设备的计算能力fi(t)、设备的传输功率pi(t)和设备上Buffer的队列长度Qi(t)；
更新边缘服务器的数字孪生镜像ES的方法为：通过边缘服务器周期性地更新边缘服务器所对应的基站位置l0(t)、边缘服务器的计算资源f0(t)和边缘服务器上Buffer的队列长度Q0(t)。
进一步地，步骤S6包括以下子步骤：
S61：基于设备的队列长度更新模型与更新后的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，获取设备上Buffer的当前队列长度Qi(t)；
S62：根据设备上Buffer的当前队列长度Qi(t)，计算设备的计算时间Ti'；
S63：判断设备的计算时间Ti'是否小于时延约束Ti，若是进入步骤S64，否则进入步骤S65；
S64：利用步骤S32的设备队列长度更新模型的计算公式对队列长度进行更新，并进入步骤S65；
S65：向边缘服务器发送计算迁移请求，并将迁移请求中的任务量大小、任务时延约束和所需计算资源迁移至边缘服务器下一时刻的计算任务。
上述进一步方案的有益效果是：在本发明中，设备将步骤S3中新收集的数据的任务量大小和时延约束发送至边缘服务器，数字孪生系统对设备的计算时间进行评估。在判断设备的计算时间是否小于对应的时延约束时，如果设备的计算时间小于对应的时延约束，则新收集的数据在本地执行，并按照步骤S3中的队列更新公式，更新队列长度。如果设备的计算时间大于对应的时延约束，则向边缘服务器发送计算迁移请求，计算请求中包含计算任务量大小λi(t)，计算任务时延约束Ti以及任务计算所需要的计算资源cλi(t)，并令Di0(t)＝λi(t)为下一时刻迁移到边缘服务器上的计算任务。更新数字孪生镜像Devi和边缘服务器的数字孪生镜像ES可以获取设备及边缘服务器的实时位置信息、实时计算能力和传输功率等参数。实时位置信息、实时计算能力和传输功率等参数将用于接下来的距离、队列长度和任务计算时间等估算。
任务计算时间等估算。
进一步地，步骤S62中，设备的计算时间Ti'的计算公式为：
Figure BDA0002823057650000061
其中，fi(t)表示设备的计算能力,Qi(t)表示设备上Buffer的当前队列长度，λi(t)表示设备收集的数据所对应的任务量，c表示处理1bit计算任务所需要的CPU周期数。
进一步地，步骤S7包括以下子步骤：
S71：基于边缘服务器的队列长度更新模型与设备和边缘服务器之间的数据传输效率模型，计算步骤S65中迁移至边缘服务器下一时刻的计算任务的所需时间Ti0，其计算公式为：
Figure BDA0002823057650000071
其中，c表示处理1bit计算任务所需要的CPU周期数，Q0(t)表示当前时刻边缘服务器上Buffer的队列长度，f0(t)表示当前时刻边缘服务器的计算资源，f0(t+1)表示下一时刻边缘服务器的计算资源，Di0(t+1)表示下一时刻设备迁移到边缘服务器上的计算任务，Ri0(t+1)表示下一时刻设备和基站之间的数据传输效率；
S72：判断迁移至边缘服务器下一时刻的计算任务的所需时间Ti0是否小于时延约束Ti，若是进入步骤S73，否则进入步骤S74；
S73：利用边缘服务器接收设备的计算迁移请求，并将计算迁移请求按序排列在边缘服务器的Buffer中，并利用步骤S4的边缘服务器队列长度更新模型的计算公式对队列长度进行更新，并进入步骤S74；
S74：利用边缘服务器接收设备的计算迁移请求，并将计算迁移请求优先排列至下一时刻边缘服务器所要完成的计算任务中，并对边缘服务器在下一时刻内所完成的计算任务大小进行更新，完成多用户计算迁移，其更新公式为：
Figure BDA0002823057650000072
其中，
Figure BDA0002823057650000073
表示边缘服务器在下一时刻内所完成的计算任务大小，
Figure BDA0002823057650000074
表示下一时刻将要计算的边缘服务器缓存数据，Di0(t+1)表示下一时刻新迁移数据。
附图说明
图1为多用户计算迁移方法的流程图；
图2为本发明实施例提供的场景示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
(1)Buffer：缓冲区；
(2)OFDMA(Orthogonal Frequency Division Multiple Access)：正交频分多址。
如图1所示，本发明提供了一种基于数字孪生技术的多用户计算迁移方法，包括以下步骤：
S1：利用边缘服务器建立设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES；
S2：基于设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，建立设备和边缘服务器之间的数据传输效率模型；
S3：利用设备采集分析数据，并建立设备的队列长度更新模型；
S4：建立边缘服务器的队列长度更新模型；
S5：更新设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES；
S6：基于设备的队列长度更新模型与更新后的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，根据设备采集的分析数据，评估设备的计算时间；
S7：基于边缘服务器的队列长度更新模型与设备和边缘服务器之间的数据传输效率模型，根据设备的计算时间评估结果，评估边缘服务器的计算时间，完成多用户计算迁移。
在本发明实施例中，如图1所示，步骤S1中，设备的数字孪生镜像Devi的表达式为Devi＝{li(t),fi(t),pi(t),Qi(t)}，其中，li(t)表示设备的位置，fi(t)表示设备的计算能力,pi(t)表示设备的传输功率，Qi(t)表示设备上Buffer的队列长度；
边缘服务器的数字孪生镜像ES的表达式为ES＝{l0(t),f0(t),Q0(t)}，其中，l0(t)表示边缘服务器所对应的基站位置，f0(t)表示边缘服务器的计算资源，Q0(t)表示边缘服务器上Buffer的队列长度。
在本发明实施例中，如图1所示，步骤S2包括以下子步骤：
S21：基于设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，计算设备和边缘服务器的实时距离ri0(t)，其计算公式为：
ri0(t)＝||li(t)-l0(t)||
其中，li(t)表示设备的位置，l0(t)表示边缘服务器所对应的基站位置；
S22：根据设备和边缘服务器的实时距离ri0(t)，计算设备和边缘服务器之间的数据传输效率Ri0(t)，完成设备和边缘服务器之间的数据传输效率模型的建立，其计算公式为：
Figure BDA0002823057650000091
其中，wi0(t)表示基站在t时刻分配给设备的带宽，log(·)表示对数运算，pi(t)表示设备的传输功率，hi0(t)表示当前信道增益，α表示路径损耗指数，σ2表示噪声功率。
在本发明中，在无线通信中，为了有效利用频谱资源，本发明采用OFDMA来抑制设备之间的相互干扰，因此可以忽略设备之间的相互干扰，由此可以计算设备和基站之间的数据传输效率。
在本发明实施例中，如图1所示，步骤S3包括以下子步骤：
S31：利用设备采集分析数据，得到其任务量值λi(t)；
S32：根据任务量值λi(t)，设置时延约束Ti，并建立设备的队列长度更新模型。
在本发明中，设备收集传感器和应用程序上所需要计算分析的数据，比如收集传感器当前的温湿度数据用于分析环境情况，收集电池电量数据用于评估设备续航情况。将新收集的数据大小作为计算任务的任务量大小，即λi(t)。假设处理1bit计算任务所需要的CPU周期数为c，那么处理λi(t)所需要的计算资源为cλi(t)。考虑计算任务为时延敏感性任务，即任务需要在你规定的时延约束内完成，这里设置λi(t)所对应的时延约束为Ti。由于设备的计算资源有限，设备中可能存储有未处理完的计算任务，这些任务在本地Buffer中排队，等待计算。考虑Buffer容量充足，设备在收集到新的数据后，可按照更新公式进行更新。
在本发明实施例中，如图1所示，步骤S32中，建立设备的队列长度更新模型的计算公式为：
Qi(t+1)＝max{Qi(t)-[Di(t)+Di0(t)],0}+li(t)
其中，Qi(t+1)表示设备下一时刻的队列长度，Qi(t)表示设备当前时刻的队列长度，Di(t)表示设备在t时刻内所完成的计算任务大小，Di0(t)表示设备当前时刻迁移到边缘服务器上任务量大小，li(t)表示设备的位置，max{Qi(t)-[Di(t)+Di0(t)],0}+li(t)表示设备未处理完的计算任务。
在本发明实施例中，如图1所示，步骤S4中，建立边缘服务器的队列长度更新模型的计算公式为：
Figure BDA0002823057650000101
其中，Q0(t+1)表示边缘服务器下一时刻的队列长度，Q0(t)表示边缘服务器当前时刻的队列长度，
Figure BDA0002823057650000102
表示边缘服务器在t时刻内所完成的计算任务大小，
Figure BDA0002823057650000103
表示边缘服务器未处理完的计算任务，
Figure BDA0002823057650000104
表示当前时刻所有设备迁移到边缘服务器上的计算任务，N表示系统中的设备数量，Di0(t)表示当前迁移到边缘服务器上的任务量大小。
在本发明中，基于迁移策略，数字孪生系统建立关于服务器的队列长度更新模型。边缘服务器基于迁移到服务器的任务量和服务器的计算能力，估计服务器上Buffer的队列长度。
在本发明实施例中，如图1所示，步骤S5中，更新设备的数字孪生镜像Devi的方法为：通过设备周期性地向边缘服务器发送信息，更新设备的位置li(t)、设备的计算能力fi(t)、设备的传输功率pi(t)和设备上Buffer的队列长度Qi(t)；
更新边缘服务器的数字孪生镜像ES的方法为：通过边缘服务器周期性地更新边缘服务器所对应的基站位置l0(t)、边缘服务器的计算资源f0(t)和边缘服务器上Buffer的队列长度Q0(t)。
在本发明实施例中，如图1所示，步骤S6包括以下子步骤：
S61：基于设备的队列长度更新模型与更新后的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，获取设备上Buffer的当前队列长度Qi(t)；
S62：根据设备上Buffer的当前队列长度Qi(t)，计算设备的计算时间Ti'；
S63：判断设备的计算时间Ti'是否小于时延约束Ti，若是进入步骤S64，否则进入步骤S65；
S64：利用步骤S32的设备队列长度更新模型的计算公式对队列长度进行更新，并进入步骤S65；
S65：向边缘服务器发送计算迁移请求，并将迁移请求中的任务量大小、任务时延约束和所需计算资源迁移至边缘服务器下一时刻的计算任务。
在本发明中，设备将步骤S3中新收集的数据的任务量大小和时延约束发送至边缘服务器，数字孪生系统对设备的计算时间进行评估。在判断设备的计算时间是否小于对应的时延约束时，如果设备的计算时间小于对应的时延约束，则新收集的数据在本地执行，并按照步骤S3中的队列更新公式，更新队列长度。如果设备的计算时间大于对应的时延约束，则向边缘服务器发送计算迁移请求，计算请求中包含计算任务量大小λi(t)，计算任务时延约束Ti以及任务计算所需要的计算资源cλi(t)，并令Di0(t)＝λi(t)为下一时刻迁移到边缘服务器上的计算任务。更新数字孪生镜像Devi和边缘服务器的数字孪生镜像ES可以获取设备及边缘服务器的实时位置信息、实时计算能力和传输功率等参数。实时位置信息、实时计算能力和传输功率等参数将用于接下来的距离、队列长度和任务计算时间等估算。
在本发明实施例中，如图1所示，步骤S62中，设备的计算时间Ti'的计算公式为：
Figure BDA0002823057650000121
其中，fi(t)表示设备的计算能力,Qi(t)表示设备上Buffer的当前队列长度，λi(t)表示设备收集的数据所对应的任务量，c表示处理1bit计算任务所需要的CPU周期数。
在本发明实施例中，如图1所示，步骤S7包括以下子步骤：
S71：基于边缘服务器的队列长度更新模型与设备和边缘服务器之间的数据传输效率模型，计算步骤S65中迁移至边缘服务器下一时刻的计算任务的所需时间Ti0，其计算公式为：
Figure BDA0002823057650000122
其中，c表示处理1bit计算任务所需要的CPU周期数，Q0(t)表示当前时刻边缘服务器上Buffer的队列长度，f0(t)表示当前时刻边缘服务器的计算资源，f0(t+1)表示下一时刻边缘服务器的计算资源，Di0(t+1)表示下一时刻设备迁移到边缘服务器上的计算任务，Ri0(t+1)表示下一时刻设备和基站之间的数据传输效率；
S72：判断迁移至边缘服务器下一时刻的计算任务的所需时间Ti0是否小于时延约束Ti，若是进入步骤S73，否则进入步骤S74；
S73：利用边缘服务器接收设备的计算迁移请求，并将计算迁移请求按序排列在边缘服务器的Buffer中，并利用步骤S4的边缘服务器队列长度更新模型的计算公式对队列长度进行更新，并进入步骤S74；
S74：利用边缘服务器接收设备的计算迁移请求，并将计算迁移请求优先排列至下一时刻边缘服务器所要完成的计算任务中，并对边缘服务器在下一时刻内所完成的计算任务大小进行更新，完成多用户计算迁移，其更新公式为：
Figure BDA0002823057650000131
其中，
Figure BDA0002823057650000132
表示边缘服务器在下一时刻内所完成的计算任务大小，
Figure BDA0002823057650000133
表示下一时刻将要计算的边缘服务器缓存数据，Di0(t+1)表示下一时刻新迁移数据。
在本发明实施例中，如图2所示，对本发明一种基于数字孪生技术的多用户计算迁移方法进行详细说明，具体包括以下步骤：
(1)数字孪生模型将计算结果返回到实体物理网络中；
(2)设备将部分需要计算的数据迁移到边缘服务器中；
(3)边缘服务器收到迁移数据并按照步骤(4)中公式更新自身缓冲区队列；
(4)边缘服务器完成计算任务并将计算结果返回到发送设备；
(5)设备完成计算任务；
(6)设备按照步骤(3)中公式更新设备缓冲区队列。
本发明的工作原理及过程为：
(1)本发明考虑了以下多个影响数据计算时效的因素：
首先是物联网设备本身的计算能力不足，设备是数据收集的主要载体，有限的计算资源可能无法按时完成数据计算任务，由于数据具有时效性，超时计算会导致计算结果失去相应的意义，既占用了设备的计算资源，计算结果又无法被使用。
其次是设备和服务器之间的数据通信速率，设备在与服务器交互的过程中，由于信道的带宽，信道的噪声干扰，设备的发送功率以及信号在传输过程中的衰减等都会导致二者之间数据传输时间过长而无法按时完成数据计算。因此，需要实时更新相关参数，从而获得最有效的关于数据传输时间的估计，以避免传输时间过长而导致的数据无法得到及时处理。
再者是边缘服务器的计算能力以及Buffer队列长度，边缘服务器拥有比设备更加丰富的计算资源，因而可以快速高效的完成数据计算任务，但是在多用户模型中，一个边缘服务器通常连接多个设备，服务器所收到的迁移计算任务往往由于太多而积压于服务器Buffer中，这些Buffer中的待计算任务同样是影响新迁移的计算任务的重要因素。
(2)本发明应用的工业物联网场景为：基站以及配属的边缘服务器和分布式工业物联网设备，包括移动终端、智能驾驶汽车和虚拟现实设备等。边缘服务器建立关于设备和自身的数字孪生镜像以及二者之间的通信模型，并周期性地更新相关参数。这些分布式设备不断地从自身传感器和应用软件上收集数据，由于数据具有时延有效性，当设备自身计算能力无法按时完成其所收集数据的计算任务时，将向服务器发送计算迁移请求，由服务器协助完成数据的计算任务。
(3)本发明基于数字孪生技术工作，边缘服务器首先需要根据设备和基站的位置以及连接关系，建立设备和服务器的数字孪生镜像，使得数字孪生镜像可以实时监控设备和服务器状态，实体网络收到来自数字孪生的镜像的反馈信息来进行计算任务的迁移，并在数字孪生模型中制定网络的计算迁移策略，以此来保障设备能够按时完成关于数据的计算任务。然后，根据设备和边缘服务器所在基站位置计算二者之间的距离，进一步计算基站和设备之间的无线通信速率。物理网络周期性地将自身实时信息发送到数字孪生模型中，在数字孪生模型中，边缘服务器分别评估设备和自身完成数据计算所需的时间，以此来决策设备是否将计算任务迁移到边缘服务器上；当数据计算任务迁移到边缘服务器上后，则由边缘服务器完成计算任务，并将计算结果返回到发送设备上，最后发送设备完成数据计算。
本发明的有益效果为：
(1)有效性。本发明为解决由于设备计算资源不足而无法按时完成数据计算提出了一套有效的计算迁移方法，由于传统的单个设备执行单个任务假设不具有普用性，不适合工业物联网，而该在线方法在实际场景中更为合理，且操作性更强，有效性更好。
(2)实时性。本发明提出的数字孪生模型能够实时监测工业物联网的状态信息，并作出相应的数据迁移，算法复杂度较低，没有占用设备的计算资源，运行速度快，能够及时完成新到达的数据计算任务，提高了服务器的利用率，减少了设备的计算任务。
(3)网络计算资源分配合理。当设备无法按时完成新收集的数据计算任务时，数字孪生模型及时检测并将结果返回到物理网络中，进一步地，设备将部分数据计算任务迁移到计算能力更加强大边缘服务器上，由边缘服务器加以完成，既减轻了设备计算负载，又提高了边缘服务器计算资源利用率。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于数字孪生技术的多用户计算迁移方法，其特征在于，包括以下步骤：
S1：利用边缘服务器建立设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES；
S2：基于设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，建立设备和边缘服务器之间的数据传输效率模型；
S3：利用设备采集分析数据，并建立设备的队列长度更新模型；
S4：建立边缘服务器的队列长度更新模型；
S5：更新设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES；
S6：基于设备的队列长度更新模型与更新后的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，根据设备采集的分析数据，评估设备的计算时间；
所述步骤S6包括以下子步骤：
S61：基于设备的队列长度更新模型与更新后的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，获取设备上Buffer的当前队列长度Qi(t)；
S62：根据设备上Buffer的当前队列长度Qi(t)，计算设备的计算时间Ti'；
S63：判断设备的计算时间Ti'是否小于时延约束Ti，若是进入步骤S64，否则进入步骤S65；
S64：利用步骤S32的设备队列长度更新模型的计算公式对队列长度进行更新，并进入步骤S65；
S65：向边缘服务器发送计算迁移请求，并将迁移请求中的任务量大小、任务时延约束和所需计算资源迁移至边缘服务器下一时刻的计算任务；
S7：基于边缘服务器的队列长度更新模型与设备和边缘服务器之间的数据传输效率模型，根据设备的计算时间评估结果，评估边缘服务器的计算时间，完成多用户计算迁移；
所述步骤S7包括以下子步骤：
S71：基于边缘服务器的队列长度更新模型与设备和边缘服务器之间的数据传输效率模型，计算步骤S65中迁移至边缘服务器下一时刻的计算任务的所需时间Ti0，其计算公式为：
Figure FDA0003322185900000021
其中，c表示处理1bit计算任务所需要的CPU周期数，Q0(t)表示当前时刻边缘服务器上Buffer的队列长度，f0(t)表示当前时刻边缘服务器的计算资源，f0(t+1)表示下一时刻边缘服务器的计算资源，Di0(t+1)表示下一时刻设备迁移到边缘服务器上的计算任务，Ri0(t+1)表示下一时刻设备和基站之间的数据传输效率；
S72：判断迁移至边缘服务器下一时刻的计算任务的所需时间Ti0是否小于时延约束Ti，若是进入步骤S73，否则进入步骤S74；
S73：利用边缘服务器接收设备的计算迁移请求，并将计算迁移请求按序排列在边缘服务器的Buffer中，并利用步骤S4的边缘服务器队列长度更新模型的计算公式对队列长度进行更新，并进入步骤S74；
S74：利用边缘服务器接收设备的计算迁移请求，并将计算迁移请求优先排列至下一时刻边缘服务器所要完成的计算任务中，并对边缘服务器在下一时刻内所完成的计算任务大小进行更新，完成多用户计算迁移，其更新公式为：
Figure FDA0003322185900000022
其中，
Figure FDA0003322185900000023
表示边缘服务器在下一时刻内所完成的计算任务大小，
Figure FDA0003322185900000024
表示下一时刻将要计算的边缘服务器缓存数据，Di0(t+1)表示下一时刻新迁移数据。
2.根据权利要求1所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S1中，设备的数字孪生镜像Devi的表达式为Devi＝{li(t),fi(t),pi(t),Qi(t)}，其中，li(t)表示设备的位置，fi(t)表示设备的计算能力,pi(t)表示设备的传输功率，Qi(t)表示设备上Buffer的队列长度；
边缘服务器的数字孪生镜像ES的表达式为ES＝{l0(t),f0(t),Q0(t)}，其中，l0(t)表示边缘服务器所对应的基站位置，f0(t)表示边缘服务器的计算资源，Q0(t)表示边缘服务器上Buffer的队列长度。
3.根据权利要求2所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S2包括以下子步骤：
S21：基于设备的数字孪生镜像Devi和边缘服务器的数字孪生镜像ES，计算设备和边缘服务器的实时距离ri0(t)，其计算公式为：
ri0(t)＝||li(t)-l0(t)||
其中，li(t)表示设备的位置，l0(t)表示边缘服务器所对应的基站位置；
S22：根据设备和边缘服务器的实时距离ri0(t)，计算设备和边缘服务器之间的数据传输效率Ri0(t)，完成设备和边缘服务器之间的数据传输效率模型的建立，其计算公式为：
Figure FDA0003322185900000031
其中，wi0(t)表示基站在t时刻分配给设备的带宽，log(·)表示对数运算，pi(t)表示设备的传输功率，hi0(t)表示当前信道增益，α表示路径损耗指数，σ2表示噪声功率。
4.根据权利要求2所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S3包括以下子步骤：
S31：利用设备采集分析数据，得到其任务量值λi(t)；
S32：根据任务量值λi(t)，设置时延约束Ti，并建立设备的队列长度更新模型。
5.根据权利要求4所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S32中，建立设备的队列长度更新模型的计算公式为：
Qi(t+1)＝max{Qi(t)-[Di(t)+Di0(t)],0}+li(t)
其中，Qi(t+1)表示设备下一时刻的队列长度，Qi(t)表示设备当前时刻的队列长度，Di(t)表示设备在t时刻内所完成的计算任务大小，Di0(t)表示设备当前时刻迁移到边缘服务器上任务量大小，li(t)表示设备的位置，max{Qi(t)-[Di(t)+Di0(t)],0}+li(t)表示设备未处理完的计算任务。
6.根据权利要求5所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S4中，建立边缘服务器的队列长度更新模型的计算公式为：
Figure FDA0003322185900000041
其中，Q0(t+1)表示边缘服务器下一时刻的队列长度，Q0(t)表示边缘服务器当前时刻的队列长度，
Figure FDA0003322185900000042
表示边缘服务器在t时刻内所完成的计算任务大小，
Figure FDA0003322185900000043
表示边缘服务器未处理完的计算任务，
Figure FDA0003322185900000044
表示当前时刻所有设备迁移到边缘服务器上的计算任务，N表示系统中的设备数量，Di0(t)表示当前迁移到边缘服务器上的任务量大小。
7.根据权利要求2所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S5中，更新设备的数字孪生镜像Devi的方法为：通过设备周期性地向边缘服务器发送信息，更新设备的位置li(t)、设备的计算能力fi(t)、设备的传输功率pi(t)和设备上Buffer的队列长度Qi(t)；
更新边缘服务器的数字孪生镜像ES的方法为：通过边缘服务器周期性地更新边缘服务器所对应的基站位置l0(t)、边缘服务器的计算资源f0(t)和边缘服务器上Buffer的队列长度Q0(t)。
8.根据权利要求1所述的基于数字孪生技术的多用户计算迁移方法，其特征在于，所述步骤S62中，设备的计算时间Ti'的计算公式为：
Figure FDA0003322185900000051
其中，fi(t)表示设备的计算能力,Qi(t)表示设备上Buffer的当前队列长度，λi(t)表示设备收集的数据所对应的任务量，c表示处理1bit计算任务所需要的CPU周期数。
CN202011422457.3A 2020-12-08 2020-12-08 一种基于数字孪生技术的多用户计算迁移方法 Expired - Fee Related CN112637276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011422457.3A CN112637276B (zh) 2020-12-08 2020-12-08 一种基于数字孪生技术的多用户计算迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011422457.3A CN112637276B (zh) 2020-12-08 2020-12-08 一种基于数字孪生技术的多用户计算迁移方法

Publications (2)

Publication Number Publication Date
CN112637276A CN112637276A (zh) 2021-04-09
CN112637276B true CN112637276B (zh) 2021-12-21

Family

ID=75308824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011422457.3A Expired - Fee Related CN112637276B (zh) 2020-12-08 2020-12-08 一种基于数字孪生技术的多用户计算迁移方法

Country Status (1)

Country Link
CN (1) CN112637276B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113259480B (zh) * 2021-06-18 2021-09-24 合安科技技术有限公司 基于配置孪生同步方法、物联网系统和设备及存储介质
CN113810878B (zh) * 2021-08-31 2023-04-25 南京信息工程大学 一种基于车联网任务卸载决策的宏基站放置方法
CN113810953B (zh) * 2021-09-08 2023-06-27 重庆邮电大学 一种基于数字孪生的无线传感网络资源调度方法及系统
CN114006817B (zh) * 2021-10-29 2023-09-12 电子科技大学长三角研究院(衢州) 一种面向sdn的vgdt构建方法、装置及可读存储介质
CN114375050A (zh) * 2021-12-03 2022-04-19 华北电力大学 一种数字孪生辅助的5g配电网资源调度方法
CN114241720A (zh) * 2021-12-24 2022-03-25 北京市市政工程研究院 一种基于数字孪生的隧道施工智能化预报预警系统与方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10404569B2 (en) * 2016-08-22 2019-09-03 General Electric Company Internet of things associate
US11038950B2 (en) * 2018-08-14 2021-06-15 Microsoft Technology Licensing, Llc Blockchain digital twin for transactions on behalf of limited capability devices
CN110225075A (zh) * 2019-03-25 2019-09-10 北京快电科技有限公司 一种建筑能源互联网智慧运营云操作系统
CN111954230B (zh) * 2019-05-14 2021-09-07 上海交通大学 基于mec与密集云接入网融合的计算迁移与资源分配方法
CN111031102B (zh) * 2019-11-25 2022-04-12 哈尔滨工业大学 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111163002B (zh) * 2019-12-31 2022-06-10 广州智光电气股份有限公司 一种基于容器的边缘网关系统和能源数据处理方法
CN111221312B (zh) * 2020-02-27 2020-10-09 广东工业大学 机器人在生产线的优化方法、系统及在数字孪生的应用
CN111857065B (zh) * 2020-06-08 2023-06-20 北京邮电大学 基于边缘计算和数字孪生的智能生产系统和方法

Also Published As

Publication number Publication date
CN112637276A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112637276B (zh) 一种基于数字孪生技术的多用户计算迁移方法
CN111031102B (zh) 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
Sacco et al. Sustainable task offloading in UAV networks via multi-agent reinforcement learning
CN107766135B (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN109151864B (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN110557732B (zh) 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN114138373B (zh) 一种基于强化学习的边缘计算任务卸载方法
CN114938381B (zh) 一种基于深度强化学习的d2d-mec卸载方法
CN112422644A (zh) 计算任务卸载方法及系统、电子设备和存储介质
CN113163409B (zh) 一种基于人工智能的移动边缘计算服务放置方法
Pandian Enhanced edge model for big data in the internet of things based applications
Wu et al. A mobile edge computing-based applications execution framework for Internet of Vehicles
CN114860337A (zh) 一种基于元强化学习算法的计算卸载方法
Li et al. Deep reinforcement learning-based resource allocation and seamless handover in multi-access edge computing based on SDN
CN110167059B (zh) 一种边缘计算场景下基站业务量预测方法
CN104822175B (zh) 一种适用于蜂窝网络的代码迁移方法及系统
CN117858109A (zh) 基于数字孪生的用户关联、任务卸载和资源分配优化方法
WO2023188437A1 (ja) 制御装置、制御方法、及びプログラム
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
CN112203309A (zh) 一种基于服务器协作的联合任务卸载及缓存方法
CN112905346B (zh) 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统
CN115065727B (zh) 一种基于边缘计算场景的任务卸载方法
CN112148464B (zh) 一种移动边缘计算任务的卸载方法及系统
CN113485718B (zh) 面向边云协同系统中的上下文感知AIoT应用程序部署方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211221