CN112995343B - 一种具有性能与需求匹配能力的边缘节点计算卸载方法 - Google Patents

一种具有性能与需求匹配能力的边缘节点计算卸载方法 Download PDF

Info

Publication number
CN112995343B
CN112995343B CN202110437470.4A CN202110437470A CN112995343B CN 112995343 B CN112995343 B CN 112995343B CN 202110437470 A CN202110437470 A CN 202110437470A CN 112995343 B CN112995343 B CN 112995343B
Authority
CN
China
Prior art keywords
unloading
task
performance
estimation model
delay
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
CN202110437470.4A
Other languages
English (en)
Other versions
CN112995343A (zh
Inventor
刘发贵
蒲小年
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110437470.4A priority Critical patent/CN112995343B/zh
Publication of CN112995343A publication Critical patent/CN112995343A/zh
Application granted granted Critical
Publication of CN112995343B publication Critical patent/CN112995343B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G06F8/62—Uninstallation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种具有性能与需求匹配能力的边缘节点计算卸载方法。所述方法包括以下步骤：建立拥有多个移动边缘节点设备的协同计算网络系统；构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择；将任务卸载至所选目标，观察实际卸载延迟；使用本次卸载的实际延迟更新节点性能估计模型；中心设备使用更新的节点性能估计模型作为下一次卸载的行为依据；判断是否有新的卸载请求，若有则重新进行卸载目标的在线选择，否则继续等待新的卸载请求。本发明将传统单一卸载延迟解构为独立双变量的卸载延迟加以考虑，更符合物联网设备的实际应用场景。

Description

一种具有性能与需求匹配能力的边缘节点计算卸载方法
技术领域
本发明属于本发明属于物联网应用技术领域，具体涉及一种具有性能与需求匹配能力的边缘节点计算卸载方法。
背景技术
随着物联网的快速发展，越来越多的设备通过物联网技术进行连接并产生海量的数据和需求。然而，大多数物联网设备具有非常受限的计算资源，无法满足日益复杂的应用需求，边缘计算则被认为是解决这个关键问题的富有前景的计算范式。在边缘计算中有两种协作计算方式，一是将计算资源被部署到靠近设备的地方，如智能网关、接入点、基站等，并集成作为边缘服务器，而是利用物联网节点数量庞大的特点，利用某一设备附近其余空闲的物联网设备的计算资源。通过以上两种计算方式，资源受限设备可以将计算任务通过单跳的无线传输卸载到边缘服务器或其他空闲节点进行计算并且返回计算结果，实现了计算资源的共享利用。
任务卸载的目标选择技术被认为是边缘计算的关键技术之一，通过选择合适的卸载目标，物联网设备可以实现计算与能耗优化以及并行计算。然而，由于物联网设备多数具有较高的移动性，现实中物联网的网络拓扑结构非常复杂且易变。这种动态变化的网络拓扑结构对任务卸载决策具有重要的影响。此外，从计算任务的角度看，现实中的计算任务具有较大的多样性，每一种任务对于具体的计算需求都不尽相同；从计算协助者的角度看，不同的边缘节点往往也具备不同的硬件配置，对应的计算能力和特点亦会有较大的差异。上述的计算任务与计算节点的多样性导致了计算需求与实际性能的倾斜，而这也引入了需求与性能的匹配能力。
计算延迟对于物联网环境中的任务卸载是至关重要的指标，如果没有为每一个任务进行需求与性能的匹配，会导致任务卸载的延时并不能达到最优，进而影响整个系统的运行效率。
现有技术中，解决任务卸载的目标选择问题通常采用分布式解决方案，典型代表如基于随机型多臂老虎机的ALTO在线学习算法（“Adaptive learning-based taskoffloading for vehicular edge computing systems,” IEEE Transactions onVehicular Technology, vol. 68, no. 4, pp. 3061–3074, 2019.）、基于Q-Learning的QPI强化学习算法（“Learning based mobility management under uncertainties formobile edge computing,” in 2018 IEEE Global Communications Conference(GLOBECOM). IEEE, 2018, pp. 1–6）。以上两个算法的共同的缺点是其将卸载延时看成一个整体，根据完整的卸载延迟作为反馈更新算法的选择。
目前在边缘计算中已有的节点间任务卸载选择算法普遍存在一些问题：已有的卸载选择算法主要将计算延迟看成一个整体，并没有考虑到计算延迟的一些组成部分之间是相对独立的，而这些独立的部分与边缘节点的性能配置有关，例如计算速度和传输速度是两个相对独立的性能指标。对于计算任务，主要可以分为计算密集型任务和数据密集型任务。前者在卸载时，计算能力将会比传输能力更加重要，而后者则相反，这一特点使得传统的任务卸载算法很难真正选择适合某一任务的边缘节点。
发明内容
本发明认为卸载延迟是由传输延迟和计算延迟两部分组成的。这两部分性能指标在多数情况下互不相关，不同的可用设备在这两部分的性能也具有差异性。传输延迟和计算延迟在卸载过程中的分别受传输数据量和计算密度的影响，这两个属性在任务中也是相对独立的。因此，本发明的目的是提供一种具有性能与需求匹配能力的方法，该方法将考虑到任务和需求具有多样性的实际情况，解决在物联网场景下的任务卸载问题以更好地降低计算任务的执行延迟。本发明主要考虑边缘节点之间进行的卸载，不考虑与云端进行卸载。
本发明的目的至少通过如下技术方案之一实现。
一种具有性能与需求匹配能力的边缘节点计算卸载方法，包括以下步骤：
S1：建立拥有多个移动边缘节点设备的协同计算网络系统；
S2：构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；
S3：使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择；
S4：将任务卸载至所选目标，观察实际卸载延迟；
S5：使用本次卸载的实际延迟更新节点性能估计模型；
S6：中心设备使用更新的节点性能估计模型作为下一次卸载的行为依据；
S7：判断是否有新的卸载请求，若有则跳至步骤S3，否则继续执行本步骤，等待新的卸载请求。
进一步地，步骤S1中，考虑一个包括
Figure 740277DEST_PATH_IMAGE001
个物联网设备
Figure 624794DEST_PATH_IMAGE002
的物联网系统，
Figure DEST_PATH_IMAGE003
；对物联网系统内任一中心设备
Figure 52800DEST_PATH_IMAGE004
建立以自身为中心的单 跳星型网络；其单跳星型网络中包括的可以提供协助计算的边缘节点的物联网设备称为可 用设备，以符号
Figure DEST_PATH_IMAGE005
表示，可用设备构成的集合
Figure 867916DEST_PATH_IMAGE006
称为可 用设备集合；运行总时间为
Figure DEST_PATH_IMAGE007
，在每次运行前更新当前时隙的
Figure 691078DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
在任一时隙内保持恒定不变，但在不同时隙间可能会发生改变；该单跳星型网络即 为中心设备
Figure 635244DEST_PATH_IMAGE010
视角下的协同计算网络系统。
进一步地，步骤S2中，对于每一个需要发起计算卸载请求的中心设备都需要建立 属于自己的节点性能估计模型和任务需求估计模型；中心设备
Figure 135233DEST_PATH_IMAGE010
在某一时隙
Figure 313229DEST_PATH_IMAGE011
需要卸载一个 计算任务
Figure 637900DEST_PATH_IMAGE012
至第
Figure 333061DEST_PATH_IMAGE013
个可以提供协助计算的可用设备
Figure 710560DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
；则中心设备
Figure 895509DEST_PATH_IMAGE016
需要对所有可 用设备
Figure DEST_PATH_IMAGE017
建立对应的节点性能估计模型
Figure 963434DEST_PATH_IMAGE018
，对自身建立任务需求估计模型
Figure DEST_PATH_IMAGE019
，初始化
Figure 49071DEST_PATH_IMAGE020
。
进一步地，任务需求估计模型
Figure DEST_PATH_IMAGE021
用以评估
Figure DEST_PATH_IMAGE022
的各个组分的需求与以往卸载过的任 务相比所占的比重；定义
Figure 851548DEST_PATH_IMAGE023
为
Figure 313622DEST_PATH_IMAGE024
的计算密度，单位为Cycles/bit，表示计算每bit的任务数据 所需的CPU循环数；
Figure DEST_PATH_IMAGE025
为
Figure 591981DEST_PATH_IMAGE024
的数据量，单位为bits；使用
Figure 864831DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE027
分别表示
Figure 607134DEST_PATH_IMAGE022
各组分在历史 卸载任务中所占的比重，具体如下：
Figure 623632DEST_PATH_IMAGE028
，(1)
Figure 308560DEST_PATH_IMAGE029
； (2)
使用
Figure 782004DEST_PATH_IMAGE030
、
Figure 919593DEST_PATH_IMAGE031
分别表示计算任务
Figure 739782DEST_PATH_IMAGE032
各组分在当前任务中所占的比重：
Figure 556514DEST_PATH_IMAGE033
， (3)
Figure 217172DEST_PATH_IMAGE034
；(4)
构建计算任务
Figure 825745DEST_PATH_IMAGE024
的任务需求估计模型
Figure 184046DEST_PATH_IMAGE035
：
Figure 843566DEST_PATH_IMAGE036
(5)
其中，
Figure 393234DEST_PATH_IMAGE037
为需求模型学习速率；
中心设备通过建立节点性能估计模型并结合历史卸载表现对其余设备的性能的 估计进行修正；性能估计模型由
Figure 505415DEST_PATH_IMAGE038
和
Figure 667406DEST_PATH_IMAGE039
两个元素的列向量构成，
Figure 650274DEST_PATH_IMAGE038
和
Figure 370844DEST_PATH_IMAGE039
分别表 示在时隙
Figure 716461DEST_PATH_IMAGE040
对可用设备
Figure 682142DEST_PATH_IMAGE017
的计算性能和传输性能的估计，具体如下：
Figure 785097DEST_PATH_IMAGE041
。(6)
其中，
Figure 145409DEST_PATH_IMAGE038
和
Figure 982915DEST_PATH_IMAGE039
的取值范围为
Figure 735976DEST_PATH_IMAGE042
，其值越大代表估计的性能越强；对于新设 备，初始化
Figure 490174DEST_PATH_IMAGE043
。
进一步地，步骤S3具体包括以下步骤：
S3.1、获取计算任务
Figure 286966DEST_PATH_IMAGE044
的
Figure 126615DEST_PATH_IMAGE045
和计算密度
Figure 434100DEST_PATH_IMAGE046
，并生成任务需求估计模型
Figure 511646DEST_PATH_IMAGE047
；
S3.2、将任务需求向量输入基于对抗型多臂老虎机的强化学习方法，得到各个节 点
Figure 756638DEST_PATH_IMAGE005
的余弦加权权重；
S3.3、以各个可用设备的余弦加权权重为参数，使用多项式分布进行试验，每个可 用设备的多项式试验次数
Figure 552424DEST_PATH_IMAGE048
, 试验次数集合
Figure 663600DEST_PATH_IMAGE049
, 则所选择的 作为卸载目标的可用设备为
Figure 595653DEST_PATH_IMAGE050
，
Figure 265406DEST_PATH_IMAGE051
。
进一步地，步骤S3.1中，根据节点性能估计模型与任务需求估计模型，定义任务需求与节点性能的匹配值为：
Figure 548489DEST_PATH_IMAGE052
(7)
其中，
Figure 197776DEST_PATH_IMAGE053
表示任务需求模型与性能估计模型的方向夹角；显然，越匹配的设备节 点与任务，两个向量的方向越接近，匹配值也就越接近1，反之则越接近0。
进一步地，步骤S3.2中，对每个设备建立余弦加权权重，余弦加权权重是可用设备 参与选择的依据，从初始值开始根据每次的卸载反馈进行迭代更新，反应了每个可用设备 的累积历史性能；对于首次运行或中途新加入的可用设备
Figure DEST_PATH_IMAGE054
，其初始余弦加权权重
Figure 217291DEST_PATH_IMAGE055
，余弦加权权重集合
Figure 543099DEST_PATH_IMAGE056
。则余弦加权权重的迭代公式为：
Figure 64210DEST_PATH_IMAGE057
(8)
其中，
Figure 512596DEST_PATH_IMAGE058
表示观测延迟的估计，
Figure 934087DEST_PATH_IMAGE059
表示前一次卸载所观测到的归一化 实际卸载延迟，
Figure 430797DEST_PATH_IMAGE060
表示可用设备
Figure 439204DEST_PATH_IMAGE061
在多项式试验中的试验概率，
Figure 679561DEST_PATH_IMAGE062
为卸载学习速率。
进一步地，将设备自身的余弦加权权重
Figure 955560DEST_PATH_IMAGE063
除以所有可用设备的余弦加权权重之 和，得到每个设备的试验概率
Figure 685487DEST_PATH_IMAGE064
：
Figure DEST_PATH_IMAGE065
(9)
构建用于多项式概率分布采样的设备选择概率集合
Figure 414146DEST_PATH_IMAGE066
：
Figure 141468DEST_PATH_IMAGE067
(10)
最后，以
Figure 288284DEST_PATH_IMAGE066
为参数执行多项式试验，得到本次选择的目标卸载可用设备编号
Figure 877529DEST_PATH_IMAGE068
，
Figure 109796DEST_PATH_IMAGE069
。
进一步地，步骤S4中，完成卸载目标选择后，将任务
Figure 957535DEST_PATH_IMAGE070
卸载至
Figure 208126DEST_PATH_IMAGE071
，观察实际延迟
Figure 483118DEST_PATH_IMAGE072
；注意到实际延迟的取值范围是
Figure 687834DEST_PATH_IMAGE073
，因此接下来对其进行归一化处理：
定义观测延迟上界和下界分别为
Figure 73685DEST_PATH_IMAGE074
和
Figure 913203DEST_PATH_IMAGE075
；
Figure 636395DEST_PATH_IMAGE076
时，步骤S2将初始化
Figure 328407DEST_PATH_IMAGE077
，每次完成卸载任务后按照如下规则动态更新上下界：
Figure 986790DEST_PATH_IMAGE078
,(11)
Figure 946394DEST_PATH_IMAGE079
(12)
定义归一化实际卸载延迟：
Figure 563189DEST_PATH_IMAGE080
；(13)
特别的，当
Figure 476918DEST_PATH_IMAGE081
时，
Figure 470151DEST_PATH_IMAGE082
；显然，
Figure 284261DEST_PATH_IMAGE083
。
进一步地，步骤S5中，根据本次卸载观测到的归一化实际卸载延迟，迭代更新性能估计模型；迭代模型如下：
Figure 806378DEST_PATH_IMAGE084
；(14)
其中，
Figure 472983DEST_PATH_IMAGE037
为需求模型学习速率，
Figure 738748DEST_PATH_IMAGE085
代表
Figure 950242DEST_PATH_IMAGE086
时隙卸载到可用设备
Figure 643260DEST_PATH_IMAGE014
的观测延时；
Figure 531581DEST_PATH_IMAGE087
为指示函数，当
Figure 601038DEST_PATH_IMAGE088
时值为1，其他情况时值为0。
与现有技术相比，本发明具有如下的优点与技术效果：
1、对于动态变化的网络拓扑结构具有较强的自适应能力。相比于现有技术，使用指数权重预测方法可以通过预设初始权重，免去对新加入的物联网设备进行单位卸载测试。
2、对于具有负载平衡的负反馈对抗卸载场景，传统的置信区间上界选择算法无法适应设备性能的期望是动态变化而非独立同分布的特殊场景。本发明对各设备的权重使用多项分布进行取样，可以保证平衡探索与利用的同时适应动态期望。
3、本发明将传统单一卸载延迟解构为独立双变量的卸载延迟加以考虑，更符合物联网设备的实际应用场景。
4、本发明创建了性能需求匹配机制，可以根据任务对传输和计算的需求去匹配对应性能指标最匹配的可用设备，进一步的降低卸载延迟。
附图说明
图1 为本发明方法的具体实施过程中的流程示意图。
图2 为本发明方法中所述物联网系统在交通场景下的模型示意图。
图3 为本发明方法中所述物联网系统在以
Figure 389740DEST_PATH_IMAGE089
为中心设备
Figure 50397DEST_PATH_IMAGE010
建立的单跳星形网络示 意图。
具体实施方式
在下面的描述中结合具体图示阐述了技术方案以便充分理解本发明申请。但是本发申请能够以很多不同于在此描述的的其他方法来实施，本领域普通技术人员在没有作出创造性劳动前提下所做的类似实施例，都属于本发明保护的范围。
在本说明书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语，这些术语仅用与区别类似的对象，不必用于本说明书一个或多个实施例所描述特征的先后顺序或次序。此外，术语“具备”、“包含”以此相似表达，意图在于说明覆盖不排它的一个范围，例如，包含了一系列的步骤或者模块的过程、方法、系统、产品或设备不必限于详细列出的内容，而是可包括没有列出的对于这些步骤或模块所涉及的固有内容。
本发明考虑如下的任务场景：物联网系统中有若干物联网设备，每个物联网设备都能和其周围一定范围内的节点进行单跳通信。对于任一时刻，物联网系统中可能会有一个物联网设备发起一次计算任务卸载请求，这些计算任务是抢占的并且不可分割的工作单元。物联网设备之间可以通过无线链路进行直接通信，将计算任务直接传递给其余节点设备，假定设备间的无线通信速率是稳定的，但每个设备同时也都是自私的：设备会使用滑动窗口策略对一段时间内的卸载任务负载进行控制，以保证自己不会承受大量且连续的卸载任务。具体而言，每个设备会提前设定一个滑动负载阈值，当一段时间内承受的负载超过阈值时，设备将会对提供给协助计算的资源进行衰减限制。每一个物联网设备都不了解其他设备的实际硬件性能，也不能得知其他设备的当前负载承受情况，它们只能发现设备、计算任务需求、执行卸载、观测延迟、更新本地的预测模型。
实施例：
一种具有性能与需求匹配能力的边缘节点计算卸载方法，如图1所示，包括以下步骤：
S1：建立拥有多个移动边缘节点设备的协同计算网络系统；
以图2所示，考虑一个包含
Figure 426015DEST_PATH_IMAGE090
个物联网设备
Figure DEST_PATH_IMAGE091
的物联网系统，
Figure 469801DEST_PATH_IMAGE092
。如图3 所示，以物联网设备
Figure 129321DEST_PATH_IMAGE093
作为中心设备
Figure 914874DEST_PATH_IMAGE094
建立单跳星型网络。网络中可以提供协助计算的可 用设备为
Figure 569933DEST_PATH_IMAGE061
。此实施例中，可用设备集合
Figure 981192DEST_PATH_IMAGE095
；
S2：构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；
中心设备
Figure 744486DEST_PATH_IMAGE094
在时隙
Figure 215788DEST_PATH_IMAGE040
需要卸载一个计算任务
Figure 565997DEST_PATH_IMAGE096
至第
Figure 780947DEST_PATH_IMAGE097
个可以提供协助计算的可用设 备
Figure 664327DEST_PATH_IMAGE014
,
Figure 306530DEST_PATH_IMAGE098
。为所有的可用设备初始化节点性能估计模型
Figure 144036DEST_PATH_IMAGE099
。此实施例中，
Figure DEST_PATH_IMAGE100
。
根据公式计算
Figure 361346DEST_PATH_IMAGE101
、
Figure 568074DEST_PATH_IMAGE102
：
Figure 131910DEST_PATH_IMAGE028
，(1)
Figure 705980DEST_PATH_IMAGE029
； (2)
Figure 246421DEST_PATH_IMAGE033
， (3)
Figure 589546DEST_PATH_IMAGE034
；(4)
构建计算任务
Figure 324284DEST_PATH_IMAGE096
的任务需求估计模型
Figure 120071DEST_PATH_IMAGE035
：
Figure 464202DEST_PATH_IMAGE036
。(5)
其中，
Figure DEST_PATH_IMAGE103
为需求模型学习速率。
中心设备通过建立节点性能估计模型并结合历史卸载表现对其余设备的性能的 估计进行修正；性能估计模型由
Figure 599517DEST_PATH_IMAGE038
和
Figure 31722DEST_PATH_IMAGE039
两个元素的列向量构成，
Figure 564072DEST_PATH_IMAGE038
和
Figure 931468DEST_PATH_IMAGE039
分别表 示在时隙
Figure 999918DEST_PATH_IMAGE040
对可用设备
Figure 591306DEST_PATH_IMAGE014
的计算性能和传输性能之估计，具体如下：
Figure 627264DEST_PATH_IMAGE104
。(6)
其中，
Figure 313198DEST_PATH_IMAGE038
和
Figure 970575DEST_PATH_IMAGE039
的取值范围为
Figure 467284DEST_PATH_IMAGE105
，其值越大代表估计的性能越强；对于新设 备，此实施例中，初始化
Figure 974227DEST_PATH_IMAGE043
。
S3：使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择，具体包括以下步骤：
S3.1、获取计算任务
Figure 226303DEST_PATH_IMAGE106
的
Figure DEST_PATH_IMAGE107
和计算密度
Figure 721875DEST_PATH_IMAGE023
，并生成任务需求估计模型
Figure 389486DEST_PATH_IMAGE019
；
根据节点性能估计模型与任务需求估计模型，定义任务需求与节点性能的匹配值为：
Figure 118145DEST_PATH_IMAGE108
(7)
其中，
Figure 162193DEST_PATH_IMAGE053
表示任务需求模型与性能估计模型的方向夹角；显然，越匹配的设备节 点与任务，两个向量的方向越接近，匹配值也就越接近1，反之则越接近0。
S3.2、将任务需求向量输入基于对抗型多臂老虎机的强化学习方法，得到各个节 点
Figure 794163DEST_PATH_IMAGE109
的余弦加权权重；
对每个设备建立余弦加权权重，余弦加权权重是可用设备参与选择的依据，从初 始值开始根据每次的卸载反馈进行迭代更新，反应了每个可用设备的累积历史性能；对于 首次运行或中途新加入的可用设备
Figure 632675DEST_PATH_IMAGE110
，其初始余弦加权权重
Figure 114209DEST_PATH_IMAGE111
，余弦加权权重集合
Figure 696369DEST_PATH_IMAGE056
。则余弦加权权重的迭代公式为：
Figure 182846DEST_PATH_IMAGE057
(8)
其中，
Figure 469557DEST_PATH_IMAGE112
表示观测延迟的估计，
Figure 172808DEST_PATH_IMAGE113
表示前一次卸载所观测到的归一 化实际卸载延迟，
Figure 293080DEST_PATH_IMAGE060
表示可用设备
Figure 899642DEST_PATH_IMAGE061
在多项式试验中的试验概率，
Figure 345535DEST_PATH_IMAGE114
为卸载学习速率。
S3.3、以各个可用设备的余弦加权权重为参数，使用多项式分布进行试验，每个可 用设备的多项式试验次数
Figure 801662DEST_PATH_IMAGE115
, 试验次数集合
Figure DEST_PATH_IMAGE116
, 则所选择 的作为卸载目标的可用设备为
Figure 443734DEST_PATH_IMAGE117
，
Figure 170381DEST_PATH_IMAGE118
。
将设备自身的余弦加权权重
Figure 787176DEST_PATH_IMAGE119
除以所有可用设备的余弦加权权重之和，得到每个 设备的试验概率
Figure 742318DEST_PATH_IMAGE064
：
Figure 469972DEST_PATH_IMAGE065
(9)
构建用于多项式概率分布采样的设备选择概率集合
Figure 785546DEST_PATH_IMAGE120
：
Figure 307664DEST_PATH_IMAGE121
(10)
最后，以
Figure DEST_PATH_IMAGE122
为参数执行多项式试验，得到本次选择的目标卸载可用设备编号
Figure 659754DEST_PATH_IMAGE123
，
Figure 722257DEST_PATH_IMAGE069
。
S4：将任务卸载至所选目标，观察实际卸载延迟；
完成卸载目标选择后，将任务
Figure 157917DEST_PATH_IMAGE124
卸载至
Figure 116515DEST_PATH_IMAGE125
，观察实际延迟
Figure 503372DEST_PATH_IMAGE126
；注意到实际延迟 的取值范围是
Figure 584547DEST_PATH_IMAGE127
，因此接下来对其进行归一化处理：
定义观测延迟上界和下界分别为
Figure 874714DEST_PATH_IMAGE128
和
Figure DEST_PATH_IMAGE129
；
Figure 174852DEST_PATH_IMAGE130
时，步骤S2将初始化
Figure 799737DEST_PATH_IMAGE131
，每次完成卸载任务后按照如下规则动态更新上下界：
Figure 689195DEST_PATH_IMAGE078
,(11)
Figure 348716DEST_PATH_IMAGE079
(12)
定义归一化实际卸载延迟：
Figure 180274DEST_PATH_IMAGE132
；(13)
特别的，当
Figure 276144DEST_PATH_IMAGE133
时，
Figure 952982DEST_PATH_IMAGE082
；显然，
Figure 483320DEST_PATH_IMAGE134
。
S5：使用本次卸载的实际延迟更新节点性能估计模型；
根据本次卸载观测到的归一化实际卸载延迟，迭代更新性能估计模型；迭代模型如下：
Figure 231920DEST_PATH_IMAGE084
；(14)
其中，
Figure 815086DEST_PATH_IMAGE103
为需求模型学习速率，
Figure 30035DEST_PATH_IMAGE135
代表
Figure 149301DEST_PATH_IMAGE086
时隙卸载到可用设备
Figure 791504DEST_PATH_IMAGE017
的观测延时；
Figure 127545DEST_PATH_IMAGE136
为指示函数，当
Figure 880606DEST_PATH_IMAGE137
时值为1，其他情况时值为0。
S6：中心设备使用更新的节点性能估计模型作为下一次卸载的行为依据；
S7：判断是否有新的卸载请求，若有则跳至步骤S3，否则继续执行本步骤，等待新的卸载请求。
上述流程为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，包括以下步骤：
S1：建立拥有多个移动边缘节点设备的协同计算网络系统；
S2：构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；
S3：使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择；对于每一个需要发起计算卸载请求的中心设备都需要建立属于自己的节点性能估计模型和任务需求估计模型；中心设备SI在某一时隙t需要卸载一个计算任务Jt至第k个可提供协助计算的可用设备
Figure FDA0003172145250000011
Figure FDA0003172145250000012
为可用设备集合；则中心设备SI需要对所有可用设备Dk建立对应的节点性能估计模型PMk,t，对自身建立任务需求估计模型RMt，初始化
Figure FDA0003172145250000013
所述任务需求估计模型RMt用以评估Jt的各个组分的需求与以往卸载过的任务相比所占的比重；定义ρt为Jt的计算密度，单位为Cycles/bit，表示计算每bit的任务数据所需的CPU循环数；xt为Jt的数据量，单位为bits；使用
Figure FDA0003172145250000014
分别表示Jt各组分在历史卸载任务中所占的比重，具体如下：
Figure FDA0003172145250000015
Figure FDA0003172145250000016
使用
Figure FDA0003172145250000017
分别表示计算任务Jt各组分在当前任务中所占的比重：
Figure FDA0003172145250000018
Figure FDA0003172145250000019
构建计算任务Jt的任务需求估计模型RMt：
Figure FDA00031721452500000110
其中，γ为需求模型学习速率；
中心设备通过建立节点性能估计模型并结合历史卸载表现对其余设备的性能的估计进行修正；性能估计模型由
Figure FDA00031721452500000111
和
Figure FDA00031721452500000112
两个元素的列向量构成，
Figure FDA00031721452500000113
和
Figure FDA00031721452500000114
分别表示在时隙t对可用设备Dk的计算性能和传输性能的估计，具体如下：
Figure FDA00031721452500000115
其中，
Figure FDA0003172145250000021
和
Figure FDA0003172145250000022
的取值范围为(0,1]，其值越大代表估计的性能越强；对于新设备，初始化
Figure FDA0003172145250000023
S4：将任务卸载至所选目标，观察实际卸载延迟；
S5：使用本次卸载的实际延迟更新节点性能估计模型；
S6：中心设备使用更新的节点性能估计模型作为下一次卸载的行为依据；
S7：判断是否有新的卸载请求，若有则跳至步骤S3，否则继续执行本步骤，等待新的卸载请求。
2.根据权利要求1所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，步骤S1中，考虑一个包括N个物联网设备Si的物联网系统，i∈{1,2,…,N}；对物联网系统内任一中心设备SI,I∈{1,2,…,N}建立以自身为中心的单跳星型网络；单跳星型网络中包括的可提供协助计算的边缘节点的物联网设备称为可用设备，以符号Dk表示，可用设备构成的集合
Figure FDA0003172145250000024
Figure FDA0003172145250000025
称为可用设备集合；运行总时间为T，在每次运行前更新当前时隙的
Figure FDA0003172145250000026
Figure FDA0003172145250000027
在任一时隙内保持恒定不变；该单跳星型网络即为中心设备SI视角下的协同计算网络系统。
3.根据权利要求1所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，步骤S3具体包括以下步骤：
S3.1、获取计算任务Jt的xt和计算密度ρt，并生成任务需求估计模型RMt；
S3.2、将任务需求向量输入基于对抗型多臂老虎机的强化学习方法，得到各个节点D的余弦加权权重；
S3.3、以各个可用设备的余弦加权权重为参数，使用多项式分布进行试验，每个可用设备的多项式试验次数zk,t,试验次数集合
Figure FDA0003172145250000028
则所选择的作为卸载目标的可用设备为DM，M＝argmaxk(Zt)。
4.根据权利要求3所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，步骤S3.1中，根据节点性能估计模型与任务需求估计模型，定义任务需求与节点性能的匹配值为：
cosθk,t＝cos<PMk,t,RMt>； (7)
其中，θk,t表示任务需求模型与性能估计模型的方向夹角；显然，越匹配的设备节点与任务，两个向量的方向越接近，匹配值也就越接近1，反之则越接近0。
5.根据权利要求4所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，步骤S3.2中，对每个设备建立余弦加权权重，余弦加权权重是可用设备参与选择的依据，从初始值开始根据每次的卸载反馈进行迭代更新，反应了每个可用设备的累积历史性能；对于首次运行或中途新加入的可用设备Dk，其初始余弦加权权重wk,0＝1，余弦加权权重集合
Figure FDA0003172145250000031
则余弦加权权重的迭代公式为：
Figure FDA0003172145250000032
其中，
Figure FDA0003172145250000033
表示观测延迟的估计，lk,t-1表示前一次卸载所观测到的归一化实际卸载延迟，pk,t表示可用设备Dk在多项式试验中的试验概率，β为卸载学习速率。
6.根据权利要求5所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，将设备自身的余弦加权权重wi,t除以所有可用设备的余弦加权权重之和，得到每个设备的试验概率pk,t：
Figure FDA0003172145250000034
构建用于多项式概率分布采样的设备选择概率集合Pt：
Figure FDA0003172145250000035
最后，以Pt为参数执行多项式试验，得到本次选择的目标卸载可用设备编号DM，M＝argmaxk(Zt)。
7.根据权利要求6所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，步骤S4中，完成卸载目标选择后，将任务Jt卸载至目标It，观察实际延迟
Figure FDA0003172145250000036
注意到实际延迟的取值范围是(0,+∞)，因此接下来对其进行归一化处理：
定义观测延迟上界和下界分别为Tmax和Tmin；t＝0时，步骤S2将初始化Tmax＝Tmin＝0，每次完成卸载任务后按照如下规则动态更新上下界：
Figure FDA0003172145250000037
Figure FDA0003172145250000038
定义归一化实际卸载延迟：
Figure FDA0003172145250000041
特别的，当Tmax＝Tmin时，lk,t＝0.5；显然，lk,t∈[0,1]。
8.根据权利要求1～7任一项所述的一种具有性能与需求匹配能力的边缘节点计算卸载方法，其特征在于，步骤S5中，根据本次卸载观测到的归一化实际卸载延迟，迭代更新性能估计模型；迭代模型如下：
Figure FDA0003172145250000042
其中，γ为需求模型学习速率，lk,t代表t时隙卸载到可用设备Dk的观测延时；
Figure FDA0003172145250000043
为指示函数，当i＝M时值为1，其他情况时值为0。
CN202110437470.4A 2021-04-22 2021-04-22 一种具有性能与需求匹配能力的边缘节点计算卸载方法 Active CN112995343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110437470.4A CN112995343B (zh) 2021-04-22 2021-04-22 一种具有性能与需求匹配能力的边缘节点计算卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110437470.4A CN112995343B (zh) 2021-04-22 2021-04-22 一种具有性能与需求匹配能力的边缘节点计算卸载方法

Publications (2)

Publication Number Publication Date
CN112995343A CN112995343A (zh) 2021-06-18
CN112995343B true CN112995343B (zh) 2021-09-21

Family

ID=76339863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110437470.4A Active CN112995343B (zh) 2021-04-22 2021-04-22 一种具有性能与需求匹配能力的边缘节点计算卸载方法

Country Status (1)

Country Link
CN (1) CN112995343B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023044673A1 (zh) * 2021-09-23 2023-03-30 西门子股份公司 部署工业边缘应用的方法、装置及计算机可读存储介质
CN114337888B (zh) * 2022-01-13 2023-07-28 西安电子科技大学 多用户共享信道条件下的下行数据传输分组方法
CN116303082B (zh) * 2023-04-04 2023-12-19 中南大学 一种操作系统内核模糊测试种子调度与评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922479A (zh) * 2019-01-11 2019-06-21 西安电子科技大学 一种基于时延预估的计算任务卸载方法
CN112616152A (zh) * 2020-12-08 2021-04-06 重庆邮电大学 一种基于独立学习的移动边缘计算任务卸载方法
CN112860350A (zh) * 2021-03-15 2021-05-28 广西师范大学 一种边缘计算中基于任务缓存的计算卸载方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540406B (zh) * 2018-07-13 2021-06-08 大连理工大学 一种基于混合云计算的网络卸载方法
CN112559171B (zh) * 2020-12-02 2022-02-08 河海大学 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922479A (zh) * 2019-01-11 2019-06-21 西安电子科技大学 一种基于时延预估的计算任务卸载方法
CN112616152A (zh) * 2020-12-08 2021-04-06 重庆邮电大学 一种基于独立学习的移动边缘计算任务卸载方法
CN112860350A (zh) * 2021-03-15 2021-05-28 广西师范大学 一种边缘计算中基于任务缓存的计算卸载方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adaptive Learning-Based Task Offloading for Vehicular Edge Computing Systems;Yuxuan Sun,etc.;《 IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20190430;正文第3页左栏第2段至第5页左栏第3段 *
电力物联网移动边缘计算任务卸载策略;李宁，于晓清等;《电测与仪表》;20210429;全文 *

Also Published As

Publication number Publication date
CN112995343A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112995343B (zh) 一种具有性能与需求匹配能力的边缘节点计算卸载方法
Liu et al. Resource allocation for edge computing in IoT networks via reinforcement learning
Wu et al. Collaborate edge and cloud computing with distributed deep learning for smart city internet of things
WO2021012584A1 (zh) 一种移动边缘计算场景下制定单任务迁移策略的方法
CN113612843A (zh) 一种基于深度强化学习的mec任务卸载和资源分配方法
CN112882815A (zh) 基于深度强化学习的多用户边缘计算优化调度方法
Fragkos et al. Artificial intelligence empowered UAVs data offloading in mobile edge computing
Nath et al. Multi-user multi-channel computation offloading and resource allocation for mobile edge computing
Yan et al. Optimal model placement and online model splitting for device-edge co-inference
Fragkos et al. Artificial intelligence enabled distributed edge computing for Internet of Things applications
CN116489712B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN113961204A (zh) 一种基于多目标强化学习的车联网计算卸载方法及系统
Yu et al. Collaborative computation offloading for multi-access edge computing
Khoramnejad et al. Distributed multi-agent learning for service function chain partial offloading at the edge
CN116170844A (zh) 一种用于工业物联网场景中的数字孪生辅助任务卸载方法
Yan et al. Deep reinforcement learning based offloading for mobile edge computing with general task graph
Jiao et al. Computation offloading for multi-user mobile edge computing
Jeong et al. Deep reinforcement learning-based task offloading decision in the time varying channel
Yan et al. Optimizing mobile edge computing multi-level task offloading via deep reinforcement learning
Liu et al. Population game based energy and time aware task offloading for large amounts of competing users
CN111158893A (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
Hossain et al. Edge orchestration based computation peer offloading in MEC-enabled networks: a fuzzy logic approach
CN116827515A (zh) 一种基于区块链和强化学习的雾计算系统性能优化算法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
Zhao et al. MEDIA: An incremental DNN based computation offloading for collaborative cloud-edge computing

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