CN112769910A - 基于动态电压调节技术的雾计算任务卸载方法 - Google Patents

Abstract

本发明属于云雾计算技术领域，具体涉及基于动态电压调节技术的雾计算任务卸载方法。包括如下步骤：S1，获取整个雾网络的信息；S2，建立执行终端任务所需要的能耗和时延模型；S3，根据步骤S2中得到的能耗和时延模型，建立使整个雾网络能耗最小的优化模型；S4，通过数学计算推导，求解步骤S3中的优化模型，得到最优的本地计算速率以及满足时延约束的最小整体能耗；S5，选择雾网络中使得整体能耗最小的雾节点作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。本发明具有能够有效降低雾网络整体能耗且终端节点计算速率可调的特点。

Description

基于动态电压调节技术的雾计算任务卸载方法

技术领域

本发明属于云雾计算技术领域，具体涉及基于动态电压调节技术的雾计算任务卸载方法。

背景技术

随着移动设备的普及，计算密集型和高能耗的新应用不断涌现(例如，虚拟现实，增强现实，实时在线游戏等)。然而，移动设备通常具有有限的电池容量和计算能力，成为制约移动应用发展的瓶颈。为了解决这一问题，研究者开始考虑将用户的计算任务卸载到雾节点，以节省能量消耗和提高系统性能。

与完全卸载相比，因为利用了终端节点与雾节点间的并行性，部分卸载更适合于对延迟要求更为严格的应用程序；此外，由于无线网络中的带宽有限，因此卸载部分任务而不是全部任务更为合理。但现有的许多雾计算部分卸载的研究只考虑终端节点计算速率固定的情况，而并未采用动态电压调节(DVS)技术。

DVS是一种基于计算量来改变电源电压和时钟频率以提供所需性能的技术。终端节点通过采用DVS技术可以自适应的调整其计算速率，以降低能耗或缩短时延。因此，在计算卸载中采用DVS技术为卸载策略设计提供了更大的灵活性。但DVS技术会影响任务卸载比例，使得部分卸载决策更加复杂。因此，现有的卸载设计不能直接用于终端节点具有DVS功能的部分计算卸载。

因此设计一种基于动态电压调节技术的雾计算任务卸载方法，就显得十分必要。

例如，申请号为CN201910175849.5的中国发明专利所述的一种雾计算无线网络中的计算卸载方法，包括：FAP向发送计算卸载请求的各用户广播本地队列状态信息，各用户根据FAP的状态信息建立竞价函数，并提交各自竞价；FAP根据各用户的出价对计算任务的卸载地和子载波的分配进行决策。虽然能够在用户设备和FAP之间合理分配计算任务的处理位置，提高系统性能，但是其缺点在于只考虑终端节点计算速率固定的情况，而并未采用动态电压调节DVS技术，无法满足终端节点计算速率可调而非固定不变的情况。

发明内容

本发明是为了克服现有技术中，现有的许多雾计算部分卸载的研究只考虑终端节点计算速率固定的情况，而并未采用动态电压调节技术以及现有的卸载设计不能直接用于终端节点具有DVS功能的部分计算卸载的问题，提供了一种能够有效降低雾网络整体能耗且终端节点计算速率可调的基于动态电压调节技术的雾计算任务卸载方法。

为了达到上述发明目的，本发明采用以下技术方案：

基于动态电压调节技术的雾计算任务卸载方法，包括如下步骤：

S1，获取整个雾网络的信息；

S2，建立执行终端任务所需要的能耗和时延模型；

S3，根据步骤S2中得到的能耗和时延模型，建立使整个雾网络能耗最小的优化模型；

S4，通过数学计算推导，求解步骤S3中的优化模型，得到最优的本地计算速率以及满足时延约束的最小整体能耗；

S5，选择雾网络中使得整体能耗最小的雾节点作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。

作为优选，所述步骤S1获取整个雾网络的信息过程由网络控制器完成，所述雾网络的信息包括雾节点的数量N，终端节点的任务数据量L，最大计算能力f_lmax，雾节点的计算能力f_i，单位CPU周期消耗的能量θ_i，i＝1,2,3…N；终端节点与雾节点i之间的传输功率

距离D_i、信道带宽B_i、信道增益G_i以及噪声功率

雾节点或终端处理单位bit数据所需的CPU周期数α。

作为优选，步骤S2还包括如下步骤：

S21，建模终端节点的任务处理时延；

S22，建模处理终端节点的任务所产生的整个雾网络的能耗。

作为优选，步骤S21还包括如下步骤：

终端节点任务任意分为两个子任务，分别在本地处理和卸载至雾计点i处理，然后采用下式建模终端节点的子任务的本地处理时延d_T和卸载至雾节点i的子任务处理时延d_i：

其中，α为处理单位bit数据所需的CPU周期数；l_T为终端节点在本地进行处理的任务量，l_i表示终端节点卸载至雾节点i的任务数据量，且有l_T+l_i＝L；r_i为终端节点与雾节点i之间的数据传输速率，建模为：

其中，终端节点与雾节点i之间的信道增益G_i的公式为：

其中，O_i为终端节点与雾节点i之间的路径损耗，并且计算路径损耗O_i的公式为：O_i＝38.46+20log₁₀(D_i)，D_i为终端节点与雾节点i之间的距离；

当终端节点接收到所有子任务的计算结果后，再进行下一步决策；终端节点的任务处理时延d，定义为所有子任务的最大处理时延，公式表示如下：

d＝max(d_T,d_i) (4)。

作为优选，步骤S22还包括如下步骤：

终端节点的能耗建模为计算能耗k(f_l ²)αl_T和传输能耗

之和；雾节点i的能耗仅考虑计算能耗αl_iθ_i；

采用下式建模终端节点的能耗E_T和雾节点i的能耗E_i：

E_i＝αl_iθ_i (6)

其中，k为取决于芯片结构的能量系数；

整体能耗E建模为：

E＝E_T+E_i (7)。

作为优选，步骤S3中所述使整个雾网络能耗最小的优化模型的建模如下：

s.t.d≤d_max

0≤f_l≤f_lmax

0≤l_i≤L

0≤l_T≤L

l_T+l_i＝L

其中，d≤d_max表示任务处理时延不能超过最大时延；0≤f_l≤f_lmax，表示本地计算速率为非负值，且不能超过最大计算速率；0≤l_i≤L，0≤l_T≤L表示终端节点在本地进行处理的任务量和终端节点卸载至雾节点i的任务数据量为非负值，且不能超过总任务量；l_T+l_i＝L表示终端节点的任务全部被处理。

作为优选，步骤S4中还包括如下步骤：

S41，得到f_l与l_T之间的表示关系；

S42，给出f_l的有效取值范围；

S43，整体能耗E对f_l求一阶导得到一阶导等于0时f_l的取值；

S44，得到最优的本地计算速率以及满足时延约束的最小能耗。

作为优选，步骤S41、步骤S42、步骤S43和步骤S44还分别包括如下步骤：

所述步骤S41中：

由于当E取得满足时延约束d≤d_max下的最小值时，本地处理时延d_T应等于最大时延d_max，即当整体能耗E最小时，有

进而可得：

所述步骤S42中：

根据公式(9)，终端节点卸载至雾节点i的任务数据量l_i表示为：

卸载至雾节点i的子任务处理时延d_i重写为：

为保证能耗最小化优化问题有解，必须满足d_i≤d_max，即：

若不等式(12)不成立，则能耗最小化优化问题，即公式(8)无解。

若不等式(12)成立，根据不等式(12)有：

并满足

即有：

将f_l有效取值范围的上下界分别记为

和

根据式(13)、式(14)以及0≤f_l≤f_lmax，可得

和

建模为：

所述步骤S43中：

将式(9)和(10)分别代入式(5)以及式(6)，并根据式(7)得到总体能耗E的表达式为：

总体能耗E对f_l求一阶导后的表达式为：

将式(18)的零点记为

根据式(18)以及f_l非负，可得

的表达式为：

由式(19)可知，整体能耗E在区间

内递减，在区间

内递增；

所述步骤S44中:

将使得整体能耗E最小的最优本地计算速率记为f_l ^*,根据式(15)、式(16)和式(19)可得f_l ^*的表达式为：

将式(20)代入式(17)得到满足时延约束的最小整体能耗E。

作为优选，步骤S5还包括如下步骤：

将终端节点与雾节点i协作进行任务处理时所得到的满足时延约束的最小整体能耗E记为

选择第k个雾节点，使得

作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。

本发明与现有技术相比，有益效果是：(1)本发明提供了一种终端节点具有动态电压调节功能时的雾计算部分任务卸载方案，使得终端节点计算速率可调而非固定不变；(2)本发明通过数学推导计算求得了能耗最小化优化问题的最优解，得到了满足时延约束的最小整体能耗以及相应的最优本地计算速率。

附图说明

图1为本发明基于动态电压调节技术的雾计算任务卸载方法的一种流程图；

图2为本发明基于动态电压调节技术的雾计算任务卸载方法的一种网络模型图；

图3为本发明方法与未采用动态电压调节技术的雾计算任务卸载方法的一种最小整体能耗对比图。

具体实施方式

为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

实施例1：

如图1所示，本发明提供了基于动态电压调节技术的雾计算任务卸载方法，包括如下步骤：

S1，获取整个雾网络的信息；

S2，建立执行终端任务所需要的能耗和时延模型；

S3，根据步骤S2中得到的能耗和时延模型，建立使整个雾网络能耗最小的优化模型；

S4，通过数学计算推导，求解步骤S3中的优化模型，得到最优的本地计算速率以及满足时延约束的最小整体能耗；

S5，选择雾网络中使得整体能耗最小的雾节点作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。

本实施例适用于雾计算网络，网络模型图如图2所示，在图2所示网络中，终端节点与雾节点在某一区域内随机分布。本实施例做出如下设定：

1.终端节点具有动态电压调节功能。

2.终端节点产生的任务可以任意分为两个子任务。一个子任务在本地执行，一个子任务卸载至雾节点执行。

3.忽略卸载至雾节点的子任务的计算结果的传输时间

具体的，所述步骤S1获取整个雾网络的信息过程由网络控制器完成，网络控制器是安装在电信运营商部署的基站上的小型数据中心。所述雾网络的信息包括雾节点的数量N，终端节点的任务数据量L，最大计算能力f_lmax，雾节点的计算能力f_i，单位CPU周期消耗的能量θ_i，i＝1,2,3…N；终端节点与雾节点i之间的传输功率

距离D_i、信道带宽B_i、信道增益G_i以及噪声功率

雾节点或终端处理单位bit数据所需的CPU周期数α。

进一步的，步骤S2还包括如下步骤：

S21，建模终端节点的任务处理时延；

S22，建模处理终端节点的任务所产生的整个雾网络的能耗。

步骤S21还包括如下步骤：

终端节点任务任意分为两个子任务，分别在本地处理和卸载至雾计点i处理，然后采用下式建模终端节点的子任务的本地处理时延d_T和卸载至雾节点i的子任务处理时延d_i：

其中，α为处理单位bit数据所需的CPU周期数；l_T为终端节点在本地进行处理的任务量，l_i表示终端节点卸载至雾节点i的任务数据量，且有l_T+l_i＝L；r_i为终端节点与雾节点i之间的数据传输速率，建模为：

其中，终端节点与雾节点i之间的信道增益G_i的公式为：

其中，O_i为终端节点与雾节点i之间的路径损耗，并且计算路径损耗O_i的公式为：O_i＝38.46+20log₁₀(D_i)，D_i为终端节点与雾节点i之间的距离；

当终端节点接收到所有子任务的计算结果后，再进行下一步决策；终端节点的任务处理时延d，定义为所有子任务的最大处理时延，公式表示如下：

d＝max(d_T,d_i) (4)。

步骤S22则还包括如下步骤：

终端节点的能耗建模为计算能耗k(f_l ²)αl_T和传输能耗

之和；雾节点i的能耗仅考虑计算能耗αl_iθ_i；

采用下式建模终端节点的能耗E_T和雾节点i的能耗E_i：

E_i＝αl_iθ_i (6)

其中，k为取决于芯片结构的能量系数；

整体能耗E建模为：

E＝E_T+E_i (7)。

进一步的，步骤S3中所述使整个雾网络能耗最小的优化模型的建模如下：

s.t.d≤d_max

0≤f_l≤f_lmax

0≤l_i≤L

0≤l_T≤L

l_T+l_i＝L

其中，d≤d_max表示任务处理时延不能超过最大时延；0≤f_l≤f_lmax，表示本地计算速率为非负值，且不能超过最大计算速率；0≤l_i≤L，0≤l_T≤L表示终端节点在本地进行处理的任务量和终端节点卸载至雾节点i的任务数据量为非负值，且不能超过总任务量；l_T+l_i＝L表示终端节点的任务全部被处理。

进一步的，步骤S4中还包括如下步骤：

S41，得到f_l与l_T之间的表示关系；

S42，给出f_l的有效取值范围；

S43，整体能耗E对f_l求一阶导得到一阶导等于0时f_l的取值；

S44，得到最优的本地计算速率以及满足时延约束的最小能耗。

所述步骤S41包括如下步骤：

由于当E取得满足时延约束d≤d_max下的最小值时，本地处理时延d_T应等于最大时延d_max，即当整体能耗E最小时，有

进而可得：

所述步骤S42包括如下步骤：

根据公式(9)，终端节点卸载至雾节点i的任务数据量l_i表示为：

卸载至雾节点i的子任务处理时延d_i重写为：

为保证能耗最小化优化问题有解，必须满足d_i≤d_max，即：

若不等式(12)不成立，则能耗最小化优化问题，即公式(8)无解。

若不等式(12)成立，根据不等式(12)有：

并满足

即有：

将f_l有效取值范围的上下界分别记为

和

根据式(13)、式(14)以及0≤f_l≤f_lmax，可得

和

建模为：

所述步骤S43包括如下步骤：

将式(9)和(10)分别代入式(5)以及式(6)，并根据式(7)得到总体能耗E的表达式为：

总体能耗E对f_l求一阶导后的表达式为：

将式(18)的零点记为

根据式(18)以及f_l非负，可得

的表达式为：

由式(19)可知，整体能耗E在区间

内递减，在区间

内递增；

所述步骤S44包括如下步骤:

将使得整体能耗E最小的最优本地计算速率记为f_l ^*,根据式(15)、式(16)和式(19)可得f_l ^*的表达式为：

将式(20)代入式(17)得到满足时延约束的最小整体能耗E。

进一步的，步骤S5还包括如下步骤：

将终端节点与雾节点i协作进行任务处理时所得到的满足时延约束的最小整体能耗E记为

选择第k个雾节点，使得

作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。

本实施例对采用动态电压调节技术的雾计算任务卸载方法进行仿真。设定α为1000cycle/bit。终端节点与雾节点之间的带宽B_i为10MHz，噪声功率密度为-100dBm/Hz。终端节点的任务数据量L为6Mbits，终端节点的最大计算速率f_lmax为3GHz,终端节点的发射功率

为1W。雾节点的计算速率f_i∈[3,6]GHz,单位CPU周期消耗的能量θ_i∈[0.9×10^-9,3.6×10^-9]J/cycle。雾节点数量为6。

为了提供直观的比较，本发明对不采用动态电压调节技术的任务卸载方法也进行仿真，仿真参数与上述相同。不采用动态电压调节技术的任务卸载方法是指终端节点的计算速率f_l固定不变。

仿真结果如图3所示，随着最大时延d_max变化，本发明提出的任务卸载方法的最小整体能耗随之降低，且最小整体能耗始终低于不采用动态电压调节技术的任务卸载方法的最小整体能耗。

由图3可知，本发明提出的采用动态电压调节技术的任务卸载方法明显好于不采用动态电压调节技术的任务卸载方法，能够有效降低雾网络的整体能耗，节约资源。

本发明提供了一种终端节点具有动态电压调节功能时的雾计算部分任务卸载方案，使得终端节点计算速率可调而非固定不变；本发明通过数学推导计算求得了能耗最小化优化问题的最优解，得到了满足时延约束的最小整体能耗以及相应的最优本地计算速率。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (9)

1.基于动态电压调节技术的雾计算任务卸载方法，其特征在于，包括如下步骤：

S1，获取整个雾网络的信息；

S2，建立执行终端任务所需要的能耗和时延模型；

S3，根据步骤S2中得到的能耗和时延模型，建立使整个雾网络能耗最小的优化模型；

S4，通过数学计算推导，求解步骤S3中的优化模型，得到最优的本地计算速率以及满足时延约束的最小整体能耗；

S5，选择雾网络中使得整体能耗最小的雾节点作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。

2.根据权利要求1所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于,所述步骤S1获取整个雾网络的信息过程由网络控制器完成，所述雾网络的信息包括雾节点的数量N，终端节点的任务数据量L，最大计算能力f_lmax，雾节点的计算能力f_i，单位CPU周期消耗的能量θ_i，i＝1,2,3…N；终端节点与雾节点i之间的传输功率

距离D_i、信道带宽B_i、信道增益G_i以及噪声功率

雾节点或终端处理单位bit数据所需的CPU周期数α。

3.根据权利要求2所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S2还包括如下步骤：

S21，建模终端节点的任务处理时延；

S22，建模处理终端节点的任务所产生的整个雾网络的能耗。

4.根据权利要求3所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S21还包括如下步骤：

终端节点任务任意分为两个子任务，分别在本地处理和卸载至雾计点i处理，然后采用下式建模终端节点的子任务的本地处理时延d_T和卸载至雾节点i的子任务处理时延d_i：

其中，α为处理单位bit数据所需的CPU周期数；l_T为终端节点在本地进行处理的任务量，l_i表示终端节点卸载至雾节点i的任务数据量，且有l_T+l_i＝L；r_i为终端节点与雾节点i之间的数据传输速率，建模为：

其中，终端节点与雾节点i之间的信道增益G_i的公式为：

其中，O_i为终端节点与雾节点i之间的路径损耗，并且计算路径损耗O_i的公式为：O_i＝38.46+20log₁₀(D_i)，D_i为终端节点与雾节点i之间的距离；

当终端节点接收到所有子任务的计算结果后，再进行下一步决策；终端节点的任务处理时延d，定义为所有子任务的最大处理时延，公式表示如下：

d＝max(d_T,d_i) (4)。

5.根据权利要求4所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S22还包括如下步骤：

终端节点的能耗建模为计算能耗k(f_l ²)αl_T和传输能耗

之和；雾节点i的能耗仅考虑计算能耗αl_iθ_i；

采用下式建模终端节点的能耗E_T和雾节点i的能耗E_i：

E_i＝αl_iθ_i (6)

其中，k为取决于芯片结构的能量系数；

整体能耗E建模为：

E＝E_T+E_i (7)。

6.根据权利要求5所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S3中所述使整个雾网络能耗最小的优化模型的建模如下：

s.t.d≤d_max

0≤f_l≤f_lmax

0≤l_i≤L

0≤l_T≤L

l_T+l_i＝L

其中，d≤d_max表示任务处理时延不能超过最大时延；0≤f_l≤f_lmax，表示本地计算速率为非负值，且不能超过最大计算速率；0≤l_i≤L，0≤l_T≤L表示终端节点在本地进行处理的任务量和终端节点卸载至雾节点i的任务数据量为非负值，且不能超过总任务量；l_T+l_i＝L表示终端节点的任务全部被处理。

7.根据权利要求6所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S4中还包括如下步骤：

S41，得到f_l与l_T之间的表示关系；

S42，给出f_l的有效取值范围；

S43，整体能耗E对f_l求一阶导得到一阶导等于0时f_l的取值；

S44，得到最优的本地计算速率以及满足时延约束的最小能耗。

8.根据权利要求7所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S41、步骤S42、步骤S43和步骤S44还分别包括如下步骤：

所述步骤S41中：

由于当E取得满足时延约束d≤d_max下的最小值时，本地处理时延d_T应等于最大时延d_max，即当整体能耗E最小时，有

进而可得：

所述步骤S42中：

根据公式(9)，终端节点卸载至雾节点i的任务数据量l_i表示为：

卸载至雾节点i的子任务处理时延d_i重写为：

为保证能耗最小化优化问题有解，必须满足d_i≤d_max，即：

若不等式(12)不成立，则能耗最小化优化问题，即公式(8)无解。

若不等式(12)成立，根据不等式(12)有：

并满足

即有：

将f_l有效取值范围的上下界分别记为

和

根据式(13)、式(14)以及0≤f_l≤f_lmax，可得

和

建模为：

所述步骤S43中：

将式(9)和(10)分别代入式(5)以及式(6)，并根据式(7)得到总体能耗E的表达式为：

总体能耗E对f_l求一阶导后的表达式为：

将式(18)的零点记为

根据式(18)以及f_l非负，可得

的表达式为：

由式(19)可知，整体能耗E在区间

内递减，在区间

内递增；

所述步骤S44中:

将使得整体能耗E最小的最优本地计算速率记为f_l ^*,根据式(15)、式(16)和式(19)可得f_l ^*的表达式为：

将式(20)代入式(17)得到满足时延约束的最小整体能耗E。

9.根据权利要求8所述的基于动态电压调节技术的雾计算任务卸载方法，其特征在于，步骤S5还包括如下步骤：

将终端节点与雾节点i协作进行任务处理时所得到的满足时延约束的最小整体能耗E记为

选择第k个雾节点，使得

作为终端节点的卸载雾节点，并根据步骤S4中的结果进行任务卸载和终端节点计算速率设置。

Images