CN112866006B - 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法 - Google Patents

一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法 Download PDF

Info

Publication number
CN112866006B
CN112866006B CN202011635062.1A CN202011635062A CN112866006B CN 112866006 B CN112866006 B CN 112866006B CN 202011635062 A CN202011635062 A CN 202011635062A CN 112866006 B CN112866006 B CN 112866006B
Authority
CN
China
Prior art keywords
time delay
energy consumption
unloading
task
weighted sum
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
CN202011635062.1A
Other languages
English (en)
Other versions
CN112866006A (zh
Inventor
李沛
武希豪
姚英彪
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011635062.1A priority Critical patent/CN112866006B/zh
Publication of CN112866006A publication Critical patent/CN112866006A/zh
Application granted granted Critical
Publication of CN112866006B publication Critical patent/CN112866006B/zh
Active 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0826—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network costs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
    • 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
    • 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
    • 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
    • H04L67/101—Server selection for load balancing based on network conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法，包括：S1、运营商获取信息数据；S2、计算时延、系统能耗和支付成本；S3、确定时延、能耗、支付成本的联合优化问题；S4、确定优化目标函数；S5、对联合优化问题进行求解，分为如下三种类型：端设备‑端设备的任务卸载，端设备‑雾节点的任务卸载，端设备‑雾节点‑云节点的任务卸载，求解得到各种类型下的最优卸载比例和最优发射功率；S6、选择剩余能量最多的端设备或相应的节点，并选择相应的最优卸载比例和最优发射功率，进行任务卸载。本发明解决了卸载计算的任务分配问题，在保证用户时延迟的条件下，显著降低系统能耗，提升系统总体性能。

Description

一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法
技术领域
本发明属于云雾计算优化技术领域，基于D2D(Device-to-Device)辅助的云雾融合网络场景下，用户通过D2D，雾节点，远程云进行任务卸载，针对时延、能耗、支付成本及网络寿命的多目标联合优化方法，具体涉及一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法。
背景技术
随着5G时代的加速到来，5G的应用场景中多类型业务传输要求极低的时延与极强的计算能力，云计算因其拥有超强的计算能力而得到广泛应用；雾计算作为云计算的重要补充，相对于云计算离产生数据的地方更近，可以进一步有效减小计算系统的延迟，同时缓解云计算中心压力；针对局部的热点区域，D2D技术可以实现近距离用户间直接传输，大大降低用户的时延。因此，D2D辅助的云雾融合网络结合D2D的低时延特性和云雾计算强大的计算能力，能够进一步提升系统性能，为用户带来更好的QoE体验。
然而，随着网络规模的不断扩大，用户时延性能得到的提升的同时，势必会带来更多的能量消耗，因为时延性能的提升以增加系统容量为前提。在D2D辅助的云雾融合网络中，云节点、雾节点、D2D终端节点能量消耗各不相同，任务可以由云节点、雾节点、D2D终端节点分别或者同时协作进行传输，如何合理的分配卸载任务和发射功率，在保证用户时延的条件下最小化系统能耗，对用户质量和网络整体效能都有着重要的影响。
传统方式中只考虑时延或系统能耗，将时延或能耗作为单一优化目标；除了传统意义上的时延和系统能耗，运营商还要考虑任务卸载中有关的支付成本与网络寿命等因素，降低时延与能耗的同时降低支付成本，提高网络寿命对提高整个系统的利用效率有着重要意义。
发明内容
针对上述问题，本发明提出了一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法，目的在于针对现有系统存在的问题，根据实际业务负载情况灵活进行云、雾、端的任务卸载，通过系统的性能分析，将时延、能耗及支付成本的联合优化问题描述为最小化系统成本函数问题，综合考虑时延、能耗、成本、网络寿命；利用内点法求得最优的卸载概率及最优发射功率，使得用户时延性能得以保证的前提小，能够最小化能耗，提升系统的整体性能。
为了实现以上目的，本发明采用如下技术方案：
一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法，包括以下步骤：
S1、运营商获取信息数据；
信息数据包括：端设备的数量N，端设备i的平均任务数据大小θi，端设备i的任务平均到达率λi，端设备i的平均任务负载率
Figure BDA0002878215820000021
端设备i的平均计算能力
Figure BDA0002878215820000022
帮助端设备的计算功率uD，端设备i的最大传输功率
Figure BDA0002878215820000023
雾节点的数量c，雾节点的计算功率uF，雾节点的发射功率
Figure BDA0002878215820000024
雾节点的最大请求速率
Figure BDA0002878215820000025
云节点固定延迟T0，云节点的计算功率uCC，信道带宽B，信道增益
Figure BDA0002878215820000026
以及噪声功率ω0；
S2、计算时延、系统能耗和支付成本；
S3、确定时延、能耗、支付成本的联合优化问题；
S4、确定优化目标函数；
S5、对联合优化问题进行求解，考虑不同的任务卸载位置，分为如下三种类型：端设备-端设备的任务卸载，端设备-雾节点的任务卸载，端设备-雾节点-云节点的任务卸载，求解得到各种类型下的最优卸载比例和最优发射功率；
S6、选择剩余能量最多的端设备或相应的节点，并选择相应的最优卸载比例和最优发射功率，进行任务卸载。
剩余能量是系统原始能量减去系统消耗的能耗。
作为优选方案，所述步骤S2中，计算时延，包括：
计算用户端的平均时延；
用户实际时延为本地时延与卸载时延的最大值；
计算端设备的本地计算时延Ti M和卸载至雾节点或云节点的传输时延Ti l:
Figure BDA0002878215820000031
Figure BDA0002878215820000032
Figure BDA0002878215820000033
其中，
Figure BDA0002878215820000034
代表用户i的任务卸载比例，pi代表用户i的发射功率，Ri代表信道速率，pjhj代表信道间干扰功率；
针对不同偏向需求的端设备，卸载至不同网络层面；对于时延敏感的任务优先采用D2D方式；对于数量密集的任务，优先采用云-雾融合网络；
D2D方式卸载任务平均处理时间TD为：
Figure BDA0002878215820000035
多个端设备卸载到雾节点的服务请求速率总和为：
Figure BDA0002878215820000036
雾节点实际执行的卸载请求ΨF为：
Figure BDA0002878215820000037
因此，雾节点的实际执行速率：
Figure BDA0002878215820000038
雾节点的服务强度为：
Figure BDA0002878215820000039
雾节点执行卸载的平均响应：
Figure BDA0002878215820000041
Figure BDA0002878215820000042
在雾节点结果返回端设备的平均等待时间：
Figure BDA0002878215820000043
在雾节点总的时间为响应时间加上等待时间：
Figure BDA0002878215820000044
当雾节点计算能力不足以承担任务卸载时，将任务卸载至计算能力更强的云节点，此时云处理时间为：
Figure BDA0002878215820000045
在本地计算时延和卸载计算时延中，实际时延是二者中的最大值，卸载计算时延可以根据卸载位置的不同统一定义为Ti＝Ti l+TD/F+(CC)，即用户端的平均时延为：
T＝max(Ti M,Ti) (14)。
作为优选方案，所述步骤S2中，计算系统中的能耗，包括：
能耗由端设备的本地计算能耗和任务传输能耗组成；
计算端设备的本地能耗
Figure BDA0002878215820000046
和传输能耗
Figure BDA0002878215820000047
t时刻端设备的剩余能量
Figure BDA0002878215820000048
Figure BDA0002878215820000049
Figure BDA00028782158200000410
Figure BDA0002878215820000051
Figure BDA0002878215820000052
其中，ki为第i个设备的单位运行功率，为一常数，
Figure BDA0002878215820000053
为第i个设备的初始能量；
Figure BDA0002878215820000054
为第i个设备的状态，
Figure BDA0002878215820000055
为第i个设备时刻已经消耗的能量。
作为优选方案，所述步骤S2中，计算支付成本，包括：
考虑不同节点负载大小和消耗成本，定义端设备的支付成本：
Figure BDA0002878215820000056
Figure BDA0002878215820000057
其中，rD,rF,rCC分别为端设备，雾节点，云节点资源的支付单价。
作为优选方案，所述步骤S3中，定义能耗
Figure BDA0002878215820000058
时延
Figure BDA0002878215820000059
和支付成本
Figure BDA00028782158200000510
的平均值为：
Figure BDA00028782158200000511
Figure BDA00028782158200000512
Figure BDA00028782158200000513
定义时延与任务大小之比为平均时延；
Figure BDA00028782158200000514
Figure BDA00028782158200000515
将时延、系统能耗、支付成本的联合优化问题表示为：
Figure BDA0002878215820000061
作为优选方案，所述步骤S4中，所述联合优化问题是能耗-时延-支付成本的权衡问题，对目标函数进行无量纲化处理，引入权重因子转化为单目标优化假设时延、能耗、支付成本分别有数学期望
Figure BDA0002878215820000062
权重系数α1,α2,α3，并且α1+α2+α3＝1，则优化目标函数表示为：
Figure BDA0002878215820000063
作为优选方案，所述步骤S5中，对于端设备-端设备的任务卸载，包括：
S51、利用内点法建立惩罚函数；
Figure BDA0002878215820000064
其中，
Figure BDA0002878215820000065
Figure BDA0002878215820000066
代表惩罚因子，μ1表示递减系数；
S52、初始化优化系统参数，运营商确定初始最小加权和系数，确定迭代次数；
S53、对惩罚函数求偏导，将偏导为零对应的最优卸载比例和最优发射功率代入惩罚函数中；
S54、比较当前迭代轮次下能耗、时延和支付成本的加权和与最小加权和；若当前轮次下能耗、时延和支付成本的加权和小于最小加权和，则以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和；反之，不更新；
S55、重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值，得到全局最优卸载比例和最优发射功率。
作为优选方案，所述步骤S5中，端设备-雾节点的任务卸载，包括：
S510、利用内点法建立惩罚函数；
Figure BDA0002878215820000067
其中，
Figure BDA0002878215820000068
Figure BDA0002878215820000069
代表惩罚因子，μ2表示递减系数；
S520、初始化优化系统参数，运营商确定初始最小加权和系数，确定迭代次数；
S530、对惩罚函数求偏导，将偏导为零对应的最优卸载比例和最优发射功率代入惩罚函数中；
S540、比较当前迭代轮次下能耗、时延和支付成本的加权和与最小加权和；若当前轮次下能耗、时延和支付成本的加权和小于最小加权和，则以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和；反之，不更新；
S550、重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值，得到全局最优卸载比例和最优发射功率。
作为优选方案，所述步骤S5中，对于端设备-雾节点-云节点的任务卸载，包括：
S5100、利用内点法建立惩罚函数；
Figure BDA0002878215820000071
其中，
Figure BDA0002878215820000072
Figure BDA0002878215820000073
代表惩罚因子，μ3表示递减系数；
S5200、初始化优化系统参数，运营商确定初始最小加权和系数，确定迭代次数；
S5300、对惩罚函数求偏导，将偏导为零对应的最优卸载比例和最优发射功率代入惩罚函数中；
S5400、比较当前迭代轮次下能耗、时延和支付成本的加权和与最小加权和；若当前轮次下能耗、时延和支付成本的加权和小于最小加权和，则以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和；反之，不更新；
S5500、重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值，得到全局最优卸载比例和最优发射功率。
本发明相对于现有技术，具有如下技术效果：
(1)本发明提供了一种更符合实际需求的卸载调度方法，针对不同内容需求，为端设备设置不同的卸载网络，由于模型中设置的差异性选择，可以带来比传统方法更好的性能增益，利用云-雾-端三层网络结构提高了系统的容错率，充分利用不同网络层的优势，最终提升用户的体验。
(2)本发明通过内点法求得了整体能耗、时延和支付成本最小问题的最优卸载比例和最优发射功率，算法复杂度低，容易操作，有力的解决了卸载计算的任务分配问题；结合任务大小可能对模型产生影响做了优化。可以根据用户对能耗，时延，支付成本侧重不同，得到最优解，在保证用户时延迟的条件下，可显著降低系统能耗；最后结合剩余能量将有效提高整体网络寿命，提升系统的总体性能。
附图说明
图1为一种基于时延能耗权衡的云雾融合网络多目标优化方法的流程图；
图2为一种基于时延能耗权衡的云雾融合网络多目标优化的网络模型图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
实施例：
如图1所示，本实施例的基于时延能耗权衡的云雾融合网络多目标任务卸载方法，基于云-雾-端模型，利用该模型使时延能耗及支付成本最小，综合考虑网络寿命，得出最优的卸载比例及最优发射功率。
包括步骤：
S1.运营商获取信息数据。
S2性能分析，计算系统中的能耗、时延和支付成本；
进一步的，所述步骤S2包括步骤：
S2.1计算用户时延；
S2.2计算能耗；
S2.3计算支付成本。
S3.确定联合优化问题。
S4.确定优化目标函数。
S5.优化问题求解：
针对任务卸载到不同节点分三种情况；
1)卸载位置case1：端设备-端设备的任务卸载(简称端-端任务卸载)
2)卸载位置case2：端设备-雾节点的任务卸载(简称端-雾的任务卸载)
3)卸载位置case3：端设备-雾节点-云节点的任务卸载(简称端-雾-云的任务卸载)
S6.求解case 1，端-端任务卸载：
S6.1建立惩罚函数；
S6.2初始化系统参数，运营商确定初始系数，确定迭代次数N。
S6.3对惩罚函数求偏导，将偏导为0时的卸载比例和发射功率代入惩罚函数中。
S6.4比较当前迭代轮次j下能耗、时延和支付成本的加权和与最小加权和，若当前轮次下能耗、时延和支付成本的加权和小于最小加，此时满足终止条件，以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和，反之不更新。
S6.5重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值。
S7.求解case 2，端-雾的任务卸载。
以下方法同S6.1，S6.2，S6.3，S6.4，S6.5。
S8.求解case 3，端-雾-云的任务卸载。
以下方法同S6.1，S6.2，S6.3，S6.4，S6.5。
S9.得到最优解；
不同情况时选择各自最优卸载比例和最优发射功率。
S10.执行任务卸载；
在节点选择的时候，优先选择剩余能量最多的节点进行任务卸载。选择使得整体能耗、时延和支付成本最小以及网络寿命最大的卸载比例
Figure BDA0002878215820000091
和发射功率
Figure BDA0002878215820000092
本实施例适用于云-雾-端网络模型，该模型图参照图2所示，在该网络中，端设备具体包括智能家居中的安防摄像头，智能门锁，智能手机，电脑，智能电视等设备，端设备之间都可以相互连接，并且都可以和雾节点进行任务传输，雾节点通过光纤与远程云节点连接。
本实施例做出如下假设：
(1)端设备产生的任务可以被分为两个子任务。其中一个子任务在本地执行，另一个子任务卸载至帮助节点或雾节点计算。
(2)由于计算结果往往比较小，忽略任务卸载中计算结果的传输时间。
(3)假设D2D方式任务卸载没有等待时间，可以满足时延敏感的任务卸载。
具体地，本实施例的基于时延能耗权衡的云雾融合网络多目标任务卸载方法，包括以下步骤：
S1.运营商获取同一时刻网络中的信息数据。
网络的信息包括：端设备的数量N，端设备i的平均任务数据大小θi，端设备i的平均任务平均到达率λi，端设备i的平均任务负载率
Figure BDA0002878215820000101
端设备i的平均计算能力
Figure BDA0002878215820000102
帮助端设备的计算功率uD，端设备i的最大传输功率Pi Max；雾节点的数量C，雾节点的计算功率uF，雾节点的发射功率
Figure BDA0002878215820000103
雾节点的最大请求速率
Figure BDA0002878215820000104
云节点固定延迟T0，云节点的计算功率uCC，信道带宽B、信道增益
Figure BDA0002878215820000105
以及噪声功率ω0。
S2性能分析，计算系统中的能耗、时延和支付成本；
进一步的，步骤S2包括步骤：
S2.1计算用户的时延；
S2.2计算整个系统的能耗；
S2.3计算用户的支付成本；
并且在步骤S2.1中：
用户时延实际为本地时延与卸载时延的最大值，采用下式计算端设备的本地计算时延Ti M和卸载至帮助节点的传输时延
Figure BDA0002878215820000106
Figure BDA0002878215820000107
Figure BDA0002878215820000111
Figure BDA0002878215820000112
其中，
Figure BDA0002878215820000113
代表用户i的任务卸载比例，pi代表用户i的发射功率，Ri代表信道速率，pjhj代表信道间干扰功率。
进一步的，针对不同偏向需求的端设备，需要将计算卸载至不同网络层面，对于时延敏感的任务优先采用D2D方式，而数量密集的任务则优先采用卸载至云—雾融合网络。
D2D技术卸载任务平均处理时间TD为：
Figure BDA0002878215820000114
多个端设备卸载到雾节点的服务请求速率总和为
Figure BDA0002878215820000119
雾节点实际执行的卸载请求ΨF为：
Figure BDA0002878215820000115
因此，雾节点的实际执行速率：
Figure BDA0002878215820000116
雾节点的服务强度为：
Figure BDA0002878215820000117
雾服务器执行卸载的平均响应：
Figure BDA0002878215820000118
Figure BDA0002878215820000121
在雾节点结果返回端设备的平均等待时间：
Figure BDA0002878215820000122
所以在雾节点总的时间为响应时间加上等待时间：
Figure BDA0002878215820000123
当雾节点计算能力不足以承担任务卸载时，将任务卸载至计算能力更强的云端，此时云处理时间为：
Figure BDA0002878215820000124
在本地计算时延和卸载计算时延中，实际时延是二者中的最大值，卸载计算时延可以根据卸载位置的不同统一定义为Ti＝Ti l+TD/F+(CC)，即用户端的平均时延为：
T＝max(Ti M,Ti) (44)。
步骤S2.2中：
计算端设备的本地能耗
Figure BDA0002878215820000125
和传输能耗
Figure BDA0002878215820000126
t时刻端设备的剩余能量
Figure BDA0002878215820000127
Figure BDA0002878215820000128
Figure BDA0002878215820000129
Figure BDA00028782158200001210
Figure BDA00028782158200001211
其中，ki为第i个设备的单位运行功率，为一常数，
Figure BDA00028782158200001212
为第i个设备的初始能量。
Figure BDA00028782158200001213
为第i个设备的状态，
Figure BDA00028782158200001214
为第i个设备时刻已经消耗的能量
在步骤S2.3中:
计算端设备的支付成本：
Figure BDA0002878215820000131
Figure BDA0002878215820000132
其中，共有N个设备，rD,rF,rCC分别为端设备，雾节点，云节点资源占用的支付单价。
S3.确定联合优化问题。
计算能耗
Figure BDA0002878215820000133
时延
Figure BDA0002878215820000134
和支付成本
Figure BDA0002878215820000135
的平均值：
Figure BDA0002878215820000136
Figure BDA0002878215820000137
Figure BDA0002878215820000138
为了进一步减少时延受到任务长度大小而产生的干扰，定义时延与任务大小之比为平均时延。
Figure BDA0002878215820000139
Figure BDA00028782158200001310
时延、能耗、支付成本的联合优化问题如下：
Figure BDA00028782158200001311
S4.确定优化目标函数。
该联合优化问题是能耗-时延-支付成本的权衡问题，对目标函数无量纲化处理，引入权重因子转化为单目标优化。假设时延能耗、支付成本分别有数学期望
Figure BDA0002878215820000141
权重系数α1,α2,α3并且α1+α2+α3＝1，所以优化目标变为：
Figure BDA0002878215820000142
S5.优化问题求解。
针对任务卸载位置的不同分三种情况；
1)卸载位置case1：端—端任务卸载；
2)卸载位置case2：端—雾的任务卸载；
3)卸载位置case3：端—雾—云的任务卸载；
S6.求解case1，端—端任务卸载
S6.1建立惩罚函数：
Figure BDA0002878215820000143
其中
Figure BDA0002878215820000144
Figure BDA0002878215820000145
代表惩罚因子，μ1表示递减系数。
S6.2初始化优化系统参数，计算初始最小加权和。
S6.3对惩罚函数求偏导，将偏导为0时的卸载比例和发射功率代入惩罚函数中。
S6.4比较当前迭代轮次j下能耗、时延和支付成本的加权和与最小加权和，若当前轮次下能耗、时延和支付成本的加权和小于最小加，此时满足终止条件，以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和，反之不更新。
S6.5重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值。
S7.求解case2，只有端-雾的任务卸载；
S7.1建立惩罚函数：
Figure BDA0002878215820000146
其中
Figure BDA0002878215820000147
Figure BDA0002878215820000148
代表惩罚因子，μ2表示递减系数。
以下方法同S6.2，S6.3，S6.4，S6.5。
S8.求解case3，端-雾-云的任务卸载；
S8.1建立惩罚函数：
Figure BDA0002878215820000151
其中
Figure BDA0002878215820000152
Figure BDA0002878215820000153
代表惩罚因子，μ3表示递减系数。
以下方法同S6.2，S6.3，S6.4，S6.5。
S9.得到最优解：不同情况时选择各自最优卸载比例和最优发射功率。
S10.执行任务卸载；
在节点选择的时候，优先选择剩余能量最多的节点进行任务卸载。选择使得整体能耗、时延和支付成本最小以及网络寿命最大的卸载比例
Figure BDA0002878215820000154
和发射功率
Figure BDA0002878215820000155
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 (1)

1.一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法，其特征在于，包括以下步骤：
S1、运营商获取信息数据；
信息数据包括：端设备的数量N，端设备i的平均任务数据大小θi，端设备i的任务平均到达率λi，端设备i的平均任务负载率
Figure FDA0003784826240000011
端设备i的平均计算能力
Figure FDA0003784826240000012
帮助端设备的计算功率uD，端设备i的最大传输功率Pi Max，雾节点的数量c，雾节点的计算功率uF，雾节点的发射功率
Figure FDA0003784826240000013
雾节点的最大请求速率
Figure FDA0003784826240000014
云节点固定延迟T0，云节点的计算功率uCC，信道带宽B，信道增益
Figure FDA0003784826240000015
以及噪声功率ω0；
S2、计算时延、系统能耗和支付成本；
S3、确定时延、能耗、支付成本的联合优化问题；
S4、确定优化目标函数；
S5、对联合优化问题进行求解，考虑不同的任务卸载位置，分为如下三种类型：端设备-端设备的任务卸载，端设备-雾节点的任务卸载，端设备-雾节点-云节点的任务卸载，求解得到各种类型下的最优卸载比例和最优发射功率；
S6、选择剩余能量最多的端设备或相应的节点，并选择相应的最优卸载比例和最优发射功率，进行任务卸载；
所述步骤S2中，计算时延，包括：
计算用户端的平均时延；
用户实际时延为本地时延与卸载时延的最大值；
计算端设备的本地计算时延Ti M和卸载至雾节点或云节点的传输时延Ti l:
Figure FDA0003784826240000016
Figure FDA0003784826240000017
Figure FDA0003784826240000018
其中，
Figure FDA0003784826240000021
代表用户i的任务卸载比例，pi代表用户i的发射功率，Ri代表信道速率，pjhj代表信道间干扰功率；
针对不同偏向需求的端设备，卸载至不同网络层面；对于时延敏感的任务采用D2D方式；对于数量密集的任务，采用云-雾融合网络；
D2D方式卸载任务平均处理时间TD为：
Figure FDA0003784826240000022
多个端设备卸载到雾节点的服务请求速率总和为：
Figure FDA0003784826240000023
雾节点实际执行的卸载请求ΨF为：
Figure FDA0003784826240000024
因此，雾节点的实际执行速率：
Figure FDA0003784826240000025
雾节点的服务强度为：
Figure FDA0003784826240000026
雾节点执行卸载的平均响应时间：
Figure FDA0003784826240000027
Figure FDA0003784826240000028
在雾节点结果返回端设备的平均等待时间：
Figure FDA0003784826240000031
在雾节点总的时间为响应时间加上等待时间：
Figure FDA0003784826240000032
当雾节点计算能力不足以承担任务卸载时，将任务卸载至计算能力更强的云节点，此时云处理时间为：
Figure FDA0003784826240000033
在本地计算时延和卸载计算时延中，实际时延是二者中的最大值，卸载计算时延可以根据卸载位置的不同统一定义为Ti＝Ti l+TD/F+(CC)，即用户端的平均时延为：
T＝max(Ti M,Ti) (14)；
所述步骤S2中，计算系统中的能耗，包括：
能耗由端设备的本地计算能耗和任务传输能耗组成；
计算端设备的本地能耗
Figure FDA0003784826240000034
和传输能耗
Figure FDA0003784826240000035
t时刻端设备的剩余能量
Figure FDA0003784826240000036
Figure FDA0003784826240000037
Figure FDA0003784826240000038
Figure FDA0003784826240000039
Figure FDA00037848262400000310
其中，ki为第i个设备的单位运行功率，为一常数，
Figure FDA00037848262400000311
为第i个设备的初始能量；
Figure FDA00037848262400000312
为第i个设备的状态，
Figure FDA00037848262400000313
为第i个设备时刻已经消耗的能量；
所述步骤S2中，计算支付成本，包括：
考虑不同节点负载大小和消耗成本，定义端设备的支付成本：
Figure FDA0003784826240000041
Figure FDA0003784826240000042
其中，rD,rF,rCC分别为端设备、雾节点、云节点资源的支付单价；
所述步骤S3中，定义能耗
Figure FDA0003784826240000043
时延
Figure FDA0003784826240000044
和支付成本
Figure FDA0003784826240000045
的平均值为：
Figure FDA0003784826240000046
Figure FDA0003784826240000047
Figure FDA0003784826240000048
定义时延与任务大小之比为平均时延；
Figure FDA0003784826240000049
Figure FDA00037848262400000410
将时延、系统能耗、支付成本的联合优化问题表示为：
Figure FDA00037848262400000411
所述步骤S4中，所述联合优化问题是能耗-时延-支付成本的权衡问题，对目标函数进行无量纲化处理，引入权重因子转化为单目标优化假设时延、能耗、支付成本分别有数学期望
Figure FDA00037848262400000412
权重系数α1,α2,α3，并且α1+α2+α3＝1，则优化目标函数表示为：
Figure FDA00037848262400000413
所述步骤S5中，对于端设备-端设备的任务卸载，包括：
S51、利用内点法建立惩罚函数；
Figure FDA0003784826240000051
其中，
Figure FDA0003784826240000052
Figure FDA0003784826240000053
代表惩罚因子，μ1表示递减系数；
S52、初始化优化系统参数，运营商确定初始最小加权和系数，确定迭代次数；
S53、对惩罚函数求偏导，将偏导为零对应的最优卸载比例和最优发射功率代入惩罚函数中；
S54、比较当前迭代轮次下能耗、时延和支付成本的加权和与最小加权和；若当前轮次下能耗、时延和支付成本的加权和小于最小加权和，则以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和；反之，不更新；
S55、重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值，得到全局最优卸载比例和最优发射功率；
所述步骤S5中，端设备-雾节点的任务卸载，包括：
S510、利用内点法建立惩罚函数；
Figure FDA0003784826240000054
其中，
Figure FDA0003784826240000055
Figure FDA0003784826240000056
代表惩罚因子，μ2表示递减系数；
S520、初始化优化系统参数，运营商确定初始最小加权和系数，确定迭代次数；
S530、对惩罚函数求偏导，将偏导为零对应的最优卸载比例和最优发射功率代入惩罚函数中；
S540、比较当前迭代轮次下能耗、时延和支付成本的加权和与最小加权和；若当前轮次下能耗、时延和支付成本的加权和小于最小加权和，则以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和；反之，不更新；
S550、重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值，得到全局最优卸载比例和最优发射功率；
所述步骤S5中，对于端设备-雾节点-云节点的任务卸载，包括：
S5100、利用内点法建立惩罚函数；
Figure FDA0003784826240000061
其中，
Figure FDA0003784826240000062
Figure FDA0003784826240000063
代表惩罚因子，μ3表示递减系数；
S5200、初始化优化系统参数，运营商确定初始最小加权和系数，确定迭代次数；
S5300、对惩罚函数求偏导，将偏导为零对应的最优卸载比例和最优发射功率代入惩罚函数中；
S5400、比较当前迭代轮次下能耗、时延和支付成本的加权和与最小加权和；若当前轮次下能耗、时延和支付成本的加权和小于最小加权和，则以当前迭代轮次下能耗、时延和支付成本的加权和更新最小加权和；反之，不更新；
S5500、重复迭代，直至达到迭代次数达到阈值或更新结果收敛至预设值，得到全局最优卸载比例和最优发射功率。
CN202011635062.1A 2020-12-31 2020-12-31 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法 Active CN112866006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011635062.1A CN112866006B (zh) 2020-12-31 2020-12-31 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011635062.1A CN112866006B (zh) 2020-12-31 2020-12-31 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法

Publications (2)

Publication Number Publication Date
CN112866006A CN112866006A (zh) 2021-05-28
CN112866006B true CN112866006B (zh) 2022-09-30

Family

ID=76000221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011635062.1A Active CN112866006B (zh) 2020-12-31 2020-12-31 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法

Country Status (1)

Country Link
CN (1) CN112866006B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113645637B (zh) * 2021-07-12 2022-09-16 中山大学 超密集网络任务卸载方法、装置、计算机设备和存储介质
CN113691606B (zh) * 2021-08-19 2024-04-16 京东鲲鹏(江苏)科技有限公司 任务卸载方法、装置、电子设备、系统和存储介质
CN114158116A (zh) * 2021-11-29 2022-03-08 国网上海市电力公司 一种边缘计算云端服务器的功率自适应调节方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684075A (zh) * 2018-11-28 2019-04-26 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN111124531A (zh) * 2019-11-25 2020-05-08 哈尔滨工业大学 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7609626B2 (en) * 2004-04-16 2009-10-27 Alcatel-Lucent Usa Inc. Nodes for managing congestion and traffic flow by considering the minimization of link utilization values
CN111641973B (zh) * 2020-05-29 2022-04-01 重庆邮电大学 一种雾计算网络中基于雾节点协作的负载均衡方法
CN111953759B (zh) * 2020-08-04 2022-11-11 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN112040512B (zh) * 2020-08-31 2023-09-15 三明市星辰科技有限责任公司 一种基于公平的雾计算任务卸载方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684075A (zh) * 2018-11-28 2019-04-26 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN111124531A (zh) * 2019-11-25 2020-05-08 哈尔滨工业大学 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分布式卫星云雾网络及时延与能耗策略;任智源等;《浙江大学学报(工学版)》;20180823(第08期);全文 *

Also Published As

Publication number Publication date
CN112866006A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112866006B (zh) 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN111278132B (zh) 移动边缘计算中面向低时延高可靠业务的资源分配方法
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
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN112689303B (zh) 一种边云协同资源联合分配方法、系统及应用
CN110740473B (zh) 一种用于移动边缘计算的管理方法及边缘服务器
CN112188627B (zh) 一种基于状态预测的动态资源分配策略
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
CN113254095B (zh) 云边结合平台的任务卸载、调度与负载均衡系统、方法
CN112988347B (zh) 一种降低系统能耗与花费和的边缘计算卸载方法及系统
CN111711962A (zh) 一种移动边缘计算系统子任务协同调度方法
CN112612553A (zh) 一种基于容器技术的边缘计算任务卸载方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN111615121A (zh) 地面机动站多跳任务计算卸载处理方法
CN112817741B (zh) 一种边缘计算的dnn任务控制方法
KR102350195B1 (ko) 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN116017570A (zh) 一种基于区块链的边缘计算系统资源管理方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN116347522A (zh) 云边协同下基于近似计算复用的任务卸载方法及装置
CN112203309B (zh) 一种基于服务器协作的联合任务卸载及缓存方法
CN115766478A (zh) 一种空地协同边缘计算服务器的卸载方法

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