CN113238814A - 基于多用户和分类任务的mec任务卸载系统及优化方法 - Google Patents

基于多用户和分类任务的mec任务卸载系统及优化方法 Download PDF

Info

Publication number
CN113238814A
CN113238814A CN202110513018.1A CN202110513018A CN113238814A CN 113238814 A CN113238814 A CN 113238814A CN 202110513018 A CN202110513018 A CN 202110513018A CN 113238814 A CN113238814 A CN 113238814A
Authority
CN
China
Prior art keywords
task
local
mec
tasks
processing
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.)
Granted
Application number
CN202110513018.1A
Other languages
English (en)
Other versions
CN113238814B (zh
Inventor
金顺福
李伟
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202110513018.1A priority Critical patent/CN113238814B/zh
Publication of CN113238814A publication Critical patent/CN113238814A/zh
Application granted granted Critical
Publication of CN113238814B publication Critical patent/CN113238814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于多用户和分类任务的MEC任务卸载系统及优化方法，其包括本地端、边缘端和云端。本发明提出的任务卸载系统及优化方法是根据任务的最优卸载策略参数，决策该任务是在本地端进行处理，还是传输至边缘端，由边缘端或云端处理。由于本发明对各类任务均设置了合理的卸载策略参数，故，本发明可以在保障运营商获利的前提下，提高移动设备的能耗利用率，并提升MEC系统响应性能，从而使用户和运营商的需求得到满足。

Description

基于多用户和分类任务的MEC任务卸载系统及优化方法
技术领域
本发明涉及一种基于多用户和分类任务的MEC任务卸载系统及优化方法，本发明属于移动边缘计算领域。
背景技术
随着物联网技术的飞速发展，网络移动设备的使用数量与日俱增。根据LouisColumbus的一项研究发现，仅2020一年全球物联网接入设备达到31亿台；预计截止到2025年，全球物联网接入设备总数将突破75.4亿台。与此同时，5G技术的兴起将加快大数据时代的到来，由移动设备产生的数据将呈爆炸式的增长趋势。据IDC(互联网数据中心)预测，到2025年，全球数据总量将超过163泽字节(ZB)。面对这样的网络新时代，传统的云计算模式已经无法满足物联网用户对网络计算平台的需求，暴露出实时性差，阻塞率高，能耗开销大等缺点。
为了能够更好地向网络移动设备提供数据支撑，一种新型的计算范式——MEC(移动边缘计算)应运而生。MEC模型的出现并不是对云计算模型的完全取代，而是在云计算框架的基础上扩展新的内容，以弥补云计算的不足。在MEC平台下，移动设备产生的数据不但可以发送到云中心进行处理，还可以被送往距离用户较近的网络边缘进行处理。通过MEC的这种卸载方式，使闲置在用户附近的计算资源得到充分地利用，同时云中心的计算压力得到有效的缓解。由于网络边缘比云中心更加靠近任务的生成源头，因此，相比云计算模型，MEC模型能够有效地减小任务响应时延，给用户带来更好的上网体验；同时，将部分任务卸载到网络边缘进行处理，减少上传到云端的任务数据量，节省了网络带宽，降低了云端任务的阻塞率。
MEC的出现在为网络用户带来便利的同时，也向网络设计人员提出了新的挑战，例如MEC理论模型、资源部署、移动管理和安全隐私等问题。在面临的诸多难题中，MEC任务卸载问题是人们关注的焦点之一。目前，对MEC任务卸载策略的研究，各行各业“众说纷纭”，尚未制定出一个统一的标准，其主要原因在于不同应用场景下的MEC模型存在一定差异。在MEC平台的搭建过程当中，MEC系统框架会根据实际情况进行相应调整。但是，总的来说，一个完整的MEC模型通常包含三层内容，即本地计算层、边缘计算层以及云计算层。当前，移动计算技术水平的提升使得移动设备拥有了一定的计算能力，对于少量的任务，可以选择直接在移动设备上进行处理。由于移动设备自身的计算能力有限，当有大量任务发出请求时，如果仅仅依靠本地计算，那么用户的需求将无法得到满足。
针对MEC系统的搭建以及任务在MEC系统中的卸载这一难题，国内外众多的学者已经进行了大量的工作。在这些研究中，有的研究只考虑了MEC边缘的计算能力，忽略了云的计算能力；有的研究假设边缘网络为同构的，缺乏对真实场景的考虑；有的研究局限于一种度量角度，未能全面提升用户服务质量。到目前为止，在异构边缘网络中，关于多用户和分类任务的MEC系统及其任务卸载的研究十分缺少。
发明内容
鉴于上述原因，为了在提高系统响应性能的同时，降低移动设备的能耗水平，保证用户的服务体验，本发明的目的是提供一种基于多用户和分类任务的MEC任务卸载系统。
本发明的另一目的是提供一种基于多用户和分类任务的MEC任务卸载优化方法。
为实现上述目的，本发明采用以下技术方案：一种基于多用户和分类任务的MEC任务卸载系统，其包括本地端、边缘端和云端；
本地端：包括多个用户即多台移动设备，每台移动设备上均配备有本地调度器、本地处理器、本地发送端口和本地接收端口，分别用来实现任务在本地端的决策、处理、发送和接收；
边缘端：包括MEC调度器、MEC服务器和MEC发送机，分别用于处理MEC系统中的所有移动设备的任务请求在边缘端的决策、处理和发送；所述MEC服务器由多台物理机构成，根据任务处理速率的不同，物理机被分为n个等级，等级越高对任务的处理速率越快；
云端：包括云服务器和云发送机，分别用来实现任务在云端的处理和发送；任务处理完毕后，将立刻由所述云发送机任务处理结果发送回本地端；
所述本地端、边缘端和云端之间借助基站通过无线网络相连，进行数据传输，实现任务在本地端与边缘端、边缘端与云端之间的转发。
优选地，所述本地调度器根据任务的卸载策略参数决策该任务是在本地端处理还是在边缘端处理；当任务被传输至边缘端后，所述边缘端MEC调度器根据任务的卸载策略参数决策该任务是在边缘端处理还是在云端处理；所述卸载策略参数是一个由单位时间内MEC系统中各类任务在本地端执行的概率和在边缘端执行的概率构成的集合。
优选地，所述本地调度器根据任务卸载策略参数中该类任务在本地端执行的概率决策该任务是在本地端处理还是在边缘端处理；
当任务被传输至边缘端后，所述边缘端MEC调度器根据任务卸载策略参数中该类任务在边缘端执行概率决策该任务是在边缘端处理还是在云端处理。
优选地，所述本地处理器、本地发送端口和本地接收端口各自具有一个缓存空间，分别用来存储等待处理、发送或接收的任务；只有当本地处理器或本地发送端口或本地接收端口空闲时，等待在其缓存区的第一个任务才会进入并接受相应的操作。
优选地，所述边缘端处在同一等级的物理机具备相同的任务处理速率，处在不同等级的物理机有着不同的任务处理速率；
所述物理机配备了缓存空间，处在同一等级的物理机共享一个缓存空间；当处在同一等级的物理机全部处于工作状态时，分配给该等级物理机的任务将被送至缓存空间，一直等待到处在该任务前面的所有任务处理完毕，该任务才会接受处理；
所述边缘端MEC发送机也配备有缓存空间，用来存储等待发送回本地端的边缘端已处理完的任务。
本发明提供的一种基于多用户和分类任务的MEC任务卸载优化方法，该方法为：
S1：任务在本地端生成后，MEC系统根据任务处理需求的不同，将该任务分类；并根据当前系统中的任务量制定单位时间内的卸载策略参数x；
所述卸载策略参数x是由单位时间内MEC系统中各类任务在本地端执行的概率pi和在边缘端执行的概率qi构成的集合，x＝(p1,p2,...,pn,q1,q2,...,qn)；
S2：任务在本地端生成后，首先被送往该用户本地调度器，本地调度器根据卸载策略参数中该类任务在本地端执行概率pi决定该任务是否需要卸载处理；
S3：如果该类任务在本地端执行概率pi＞0.5，则本地端执行，不进行卸载处理，该任务被送到本地处理器进行处理，结束；
如果该类任务在本地端执行概率pi≤0.5，则该任务进行卸载处理，该任务被送往本地发送端口进行卸载，发送至边缘端；
S4：任务抵达边缘端后，边缘端MEC调度器根据该类任务在边缘端执行概率qi决定该任务是否需要进一步卸载处理？
S5：如果该类任务在边缘端执行概率qi＞0.5，则不进行卸载处理由边缘端执行，该任务被送到MEC服务器进行处理，处理后，由MEC发送机发送回本地端；
如果该类任务在边缘端执行概率qi≤0.5，则该任务进行卸载处理，该任务被传输至云端，由云端服务器处理，处理后由云发送机发送回本地端；
S6：发送回本地端的任务由本地接收端口接收，结束。
优选地，所述任务卸载策略参数x的制定方法为：
S1.1：根据系统中当前用户数目M以及任务到达率λ，求解第i(i＝1,2,...,n)类任务的平均处理时延
Figure BDA0003061055510000041
所对应的移动设备的能耗水平
Figure BDA0003061055510000042
和所对应的运营商的平均收益
Figure BDA0003061055510000043
等性能指标；
Figure BDA0003061055510000044
其中，pi为第i类任务在本地端执行的概率，tlp为任务的本地处理时延，
Figure BDA0003061055510000045
为第i类任务的上行时延，
Figure BDA0003061055510000046
为第i类任务的下行时延；
Figure BDA0003061055510000047
其中，pi为第i类任务在本地端执行的概率，ψlp为本地处理器功耗，ψop为本地发送端口功耗，ψrp为本地接收端口功耗；
Figure BDA0003061055510000048
其中，pi为第i类任务在本地端执行的概率，qi为第i类任务在边缘端执行的概率，1-qi为第i类任务在云端执行的概率，
Figure BDA0003061055510000049
为运营商为第i类任务提供边缘卸载服务的单位收益，
Figure BDA00030610555100000410
为运营商为第i类任务提供云卸载服务的单位收益；
S1.2：运用加权平均法，结合第i(i＝1,2,...,n)类任务所占比重αi，求解系统中随机一个任务的平均处理时延Tmec、移动设备的能耗水平ψmec和运营商的平均收益Cmec；
Figure BDA00030610555100000411
S1.3：综合S1.2中的各性能指标，构建基于单个任务的系统成本函数F(x)；对系统进行稳态分析，得出任务卸载策略参数x所需满足的约束条件gk(x)；
F(x)＝f1Tmec+f2ψmec+f3Cmec
s.t.gk(x)≤0,k＝1,2,...,l.
其中，x＝(p1,p2,...,pn,q1,q2,...,qn)是一个由任务分配概率构成的组合，f1(0≤f1≤1)、f2(0≤f2≤1)和f3(0≤f3≤1)分别为任务的平均处理时延、移动设备的能耗水平以及运营商的平均收益所对应的权重系数，并且f1+f2+f3＝1；
步骤1.4，结合系统成本函数和约束条件，构造拉格朗日函数W(x,δk)
Figure BDA00030610555100000412
其中，δk为拉格朗日乘子；
S1.5，根据KKT条件，建立卸载策略参数x所满足的方程组；
Figure BDA0003061055510000051
S1.6，求解S1.5中所得方程组，得出最优的卸载策略参数x。
附图说明
图1为本发明基于多用户和分类任务的MEC任务卸载优化系统结构示意图；
图2为本发明基于多用户和分类任务的MEC任务卸载优化方法流程图；
图3为本发明制定任务卸载策略参数的流程图。
具体实施方式
下面结合附图和实施方式对本发明的技术方案做进一步的说明。附图仅用于示例性说明，不能理解为对本发明的限制，对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
图1为本发明基于多用户和分类任务的MEC任务卸载系统结构示意图。如图所示，该MEC任务卸载系统包括本地端、边缘端和云端。
本地端：包括多个用户即多台移动设备，每台移动设备上都配备有本地调度器、本地处理器、本地发送端口和本地接收端口，分别用来实现任务在本地端的决策、处理、发送和接收。其中，本地处理器、本地发送端口和本地接收端口各自具有一个缓存空间，分别用来存储等待处理、发送或接收的任务。只有当本地处理器或本地发送端口或本地接收端口空闲时，等待在其缓存区的第一个任务才会进入并接受相应的操作。
边缘端：包括MEC调度器、MEC服务器和MEC发送机，分别用于处理MEC系统中的所有移动设备的任务请求在边缘端的决策、处理和发送。其中，MEC服务器由多台物理机构成，根据任务处理速率的不同，这些物理机被分为n个等级，例如低速MEC服务器、中速MEC服务器、高速MEC服务器，物理机的等级越高，也就意味着物理机对任务的处理速率越快。处在同一等级的物理机具备相同的任务处理速率，处在不同等级的物理机有着不同的任务处理速率。此外，MEC服务器还为物理机配备了缓存空间，处在同一等级的物理机共享一个缓存空间。当处在同一等级的物理机全部处于工作状态时，分配给该等级物理机的任务将被送至缓存空间，一直等待到处在该任务前面的所有任务处理完毕，该任务才会接受处理。同样的，MEC发送机也带有一个缓存空间，用来存储等待发送回本地端的边缘端已处理完的任务。
云端：包括云服务器和云发送机，分别用来实现任务在云端的处理和发送。由于云服务器和云发送机的数目众多且计算能力十分强大，因此任务在被送往云端后，无需等待，可直接在云服务器进行处理。任务处理完毕后，将立刻由云发送机进行发送，发送回本地端。
如图1所示，本地端、边缘端和云端之间借助基站通过无线网络相连，进行数据传输，实现任务在本地端与边缘端、边缘端与云端之间的转发。如图2所示，对于多用户的MEC系统来说，MEC系统对系统中的任务进行卸载优化处理的方法为：
S1：任务在本地端生成后，MEC系统根据任务处理需求的不同将该任务分类；并根据当前系统中的任务量制定单位时间内的卸载策略参数x。
当任务生成后，MEC系统会根据任务处理需求的不同对其进行分类，例如，对于实时类任务因其对处理速率要求较高，则将其划分成高级别任务；对于低能耗类任务因其对处理速率要求较低，则将其划分成低级别任务。
所述卸载策略参数x是由单位时间内MEC系统中各类任务在本地端执行的概率pi和在边缘端执行的概率qi构成的集合，即x＝(p1,p2,...,pn,q1,q2,...,qn)；
S2：任务在本地端生成后，首先被送往该用户本地调度器，本地调度器根据卸载策略参数中该类任务在本地端执行概率pi决定该任务是否需要卸载处理？
S3：如果该类任务在本地端执行概率pi＞0.5，则本地端执行，不进行卸载处理，该任务被送到本地处理器进行处理，结束；
如果该类任务在本地端执行概率pi≤0.5，则该任务进行卸载处理，该任务被送往本地发送端口进行卸载，发送至边缘端；
S4：任务抵达边缘端后，边缘端MEC调度器根据该类任务在边缘端执行概率qi决定该任务是否需要进一步卸载处理？
S5：如果该类任务在边缘端执行概率qi＞0.5，则不进行卸载处理由边缘端执行，该任务被送到MEC服务器进行处理，处理后，由MEC发送机发送回本地端；
如果该类任务在边缘端执行概率qi≤0.5，则该任务进行卸载处理，该任务被传输至云端，由云端服务器处理，处理后由云发送机发送回本地端；
S6：发送回本地端的任务由本地接收端口接收，结束。
本发明在处理任务时，本地调度器根据该类任务的卸载策略参数x决定该任务是在本地端处理还是在边缘端处理，当任务被传输至边缘端后，边缘端MEC调度器也是根据该类任务的卸载策略参数x决定该任务是在边缘端处理还是在云端处理。如图3所示，本发明基于多用户和分类任务制定任务卸载策略参数x的方法为：
S1.1：根据系统中当前用户数目M以及任务到达率λ，运用排队论、通信原理和计算机组成等理论知识，求解第i(i＝1,2,...,n)类任务的平均处理时延
Figure BDA0003061055510000071
所对应的移动设备的能耗水平
Figure BDA0003061055510000072
和所对应的运营商的平均收益
Figure BDA0003061055510000073
等性能指标；
Figure BDA0003061055510000074
其中，pi为第i类任务在本地端执行的概率，tlp为任务的本地处理时延，
Figure BDA0003061055510000075
为第i类任务的上行时延，
Figure BDA0003061055510000076
为第i类任务的下行时延。
Figure BDA0003061055510000077
其中，pi为第i类任务在本地端执行的概率，ψlp为本地处理器功耗，ψop为本地发送端口功耗，ψrp为本地接收端口功耗。
Figure BDA0003061055510000078
其中，pi为第i类任务在本地端执行的概率，qi为第i类任务在边缘端执行的概率，1-qi为第i类任务在云端执行的概率，
Figure BDA0003061055510000079
为运营商为第i类任务提供边缘卸载服务的单位收益，
Figure BDA00030610555100000710
为运营商为第i类任务提供云卸载服务的单位收益。
S1.2：运用加权平均法，结合第i(i＝1,2,...,n)类任务所占比重αi，求解系统中随机一个任务的平均处理时延Tmec、移动设备的能耗水平ψmec和运营商的平均收益Cmec；
Figure BDA00030610555100000711
S1.3：综合S1.2中的各性能指标，构建基于单个任务的系统成本函数F(x)；对系统进行稳态分析，得出任务卸载策略参数x所需满足的约束条件gk(x)；
F(x)＝f1Tmec+f2ψmec+f3Cmec
s.t.gk(x)≤0,k＝1,2,...,l.
其中，x＝(p1,p2,...,pn,q1,q2,...,qn)是一个由任务分配概率构成的组合，f1(0≤f1≤1)、f2(0≤f2≤1)和f3(0≤f3≤1)分别为任务的平均处理时延、移动设备的能耗水平以及运营商的平均收益所对应的权重系数，并且有f1+f2+f3＝1。
S1.4：结合系统成本函数和约束条件，构造拉格朗日函数W(x,δk)
Figure BDA00030610555100000712
其中，δk为拉格朗日乘子。
S1.5：根据KKT(Karush-Kuhn-Tucker)条件，建立卸载策略参数x所满足的方程组：
Figure BDA0003061055510000081
S1.6：运用MATLAB(matrix laboratory)求解S1.5中所得方程组，得出最优的卸载策略参数x。
因卸载策略参数x中包含有该类任务在本地端执行概率pi和在边缘端执行概率qi，故，得到该类任务的卸载策略参数后，本地调度器就可以根据该类任务在本地端执行的概率pi决定该任务是在本地端处理还是在边缘端处理，当任务被传输至边缘端后，边缘端MEC调度器就可以根据该类任务在边缘端执行概率qi决定该任务是在边缘端处理还是在云端处理。
与现有技术相比，本发明从实际的MEC应用场景出发，如网约车、智能家居等，考虑系统用户数目与任务处理需求两个方面，建立带有异构边缘的MEC系统，提出一种基于多用户和分类任务的MEC任务卸载策略及优化方法，即：综合考虑系统响应性能、移动设备能耗利用率以及运营商利润等方面因素，求解不同性能指标，结合各类任务所占比重，运用平均加权法，建立系统的成本函数，基于系统的稳态分析，得出策略参数所满足的约束条件，结合系统成本函数和约束条件，构造拉格朗日函数，根据KKT条件，建立并求解方程组，给出最优卸载策略方案，实现系统成本的最小化。由于本发明对各类任务设置合理的卸载策略参数，故，本发明可以在保障运营商获利的前提下，提高移动设备的能耗利用率，并提升MEC系统响应性能，从而使用户和运营商的需求均得到满足。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于多用户和分类任务的MEC任务卸载系统，其特征在于：其包括本地端、边缘端和云端；
本地端：包括多个用户即多台移动设备，每台移动设备上均配备有本地调度器、本地处理器、本地发送端口和本地接收端口，分别用来实现任务在本地端的决策、处理、发送和接收；
边缘端：包括MEC调度器、MEC服务器和MEC发送机，分别用于处理MEC系统中的所有移动设备的任务请求在边缘端的决策、处理和发送；所述MEC服务器由多台物理机构成，根据任务处理速率的不同，物理机被分为n个等级，等级越高对任务的处理速率越快；
云端：包括云服务器和云发送机，分别用来实现任务在云端的处理和发送；任务处理完毕后，将立刻由所述云发送机任务处理结果发送回本地端；
所述本地端、边缘端和云端之间借助基站通过无线网络相连，进行数据传输，实现任务在本地端与边缘端、边缘端与云端之间的转发。
2.根据权利要求1所述的基于多用户和分类任务的MEC任务卸载系统，其特征在于：所述本地调度器根据任务的卸载策略参数决策该任务是在本地端处理还是在边缘端处理；
当任务被传输至边缘端后，所述边缘端MEC调度器根据任务的卸载策略参数决策该任务是在边缘端处理还是在云端处理；
所述卸载策略参数是一个由单位时间内MEC系统中各类任务在本地端执行的概率和在边缘端执行的概率构成的集合。
3.根据权利要求2所述的基于多用户和分类任务的MEC任务卸载系统，其特征在于：所述本地调度器根据任务卸载策略参数中该类任务在本地端执行的概率决策该任务是在本地端处理还是在边缘端处理；
当任务被传输至边缘端后，所述边缘端MEC调度器根据任务卸载策略参数中该类任务在边缘端执行概率决策该任务是在边缘端处理还是在云端处理。
4.根据权利要求1-3之一所述的基于多用户和分类任务的MEC任务卸载系统，其特征在于：所述本地处理器、本地发送端口和本地接收端口各自具有一个缓存空间，分别用来存储等待处理、发送或接收的任务；只有当本地处理器或本地发送端口或本地接收端口空闲时，等待在其缓存区的第一个任务才会进入并接受相应的操作。
5.根据权利要求1-4之一所述的基于多用户和分类任务的MEC任务卸载系统，其特征在于：所述边缘端处在同一等级的物理机具备相同的任务处理速率，处在不同等级的物理机有着不同的任务处理速率；
所述物理机配备了缓存空间，处在同一等级的物理机共享一个缓存空间；当处在同一等级的物理机全部处于工作状态时，分配给该等级物理机的任务将被送至缓存空间，一直等待到处在该任务前面的所有任务处理完毕，该任务才会接受处理；
所述边缘端MEC发送机也配备有缓存空间，用来存储等待发送回本地端的边缘端已处理完的任务。
6.一种基于多用户和分类任务的MEC任务卸载优化方法，其特征在于：该方法为：
S1：任务在本地端生成后，MEC系统根据任务处理需求的不同，将该任务分类；并根据当前系统中的任务量制定单位时间内的卸载策略参数x；
所述卸载策略参数x是由单位时间内MEC系统中各类任务在本地端执行的概率pi和在边缘端执行的概率qi构成的集合，x＝(p1,p2,...,pn,q1,q2,...,qn)；
S2：任务在本地端生成后，首先被送往该用户本地调度器，本地调度器根据卸载策略参数中该类任务在本地端执行概率pi决定该任务是否需要卸载处理？
S3：如果该类任务在本地端执行概率pi＞0.5，则本地端执行，不进行卸载处理，该任务被送到本地处理器进行处理，结束；
如果该类任务在本地端执行概率pi≤0.5，则该任务进行卸载处理，该任务被送往本地发送端口进行卸载，发送至边缘端；
S4：任务抵达边缘端后，边缘端MEC调度器根据该类任务在边缘端执行概率qi决定该任务是否需要进一步卸载处理；
S5：如果该类任务在边缘端执行概率qi＞0.5，则不进行卸载处理由边缘端执行，该任务被送到MEC服务器进行处理，处理后，由MEC发送机发送回本地端；
如果该类任务在边缘端执行概率qi≤0.5，则该任务进行卸载处理，该任务被传输至云端，由云端服务器处理，处理后由云发送机发送回本地端；
S6：发送回本地端的任务由本地接收端口接收，结束。
7.根据权利要求5所述的基于多用户和分类任务的MEC任务卸载优化方法，其特征在于：所述任务卸载策略参数x的制定方法为：
S1.1：根据系统中当前用户数目M以及任务到达率λ，求解第i(i＝1,2,...,n)类任务的平均处理时延
Figure FDA0003061055500000031
所对应的移动设备的能耗水平
Figure FDA0003061055500000032
和所对应的运营商的平均收益
Figure FDA0003061055500000033
等性能指标；
Figure FDA0003061055500000034
其中，pi为第i类任务在本地端执行的概率，tlp为任务的本地处理时延，
Figure FDA0003061055500000035
为第i类任务的上行时延，
Figure FDA0003061055500000036
为第i类任务的下行时延；
Figure FDA0003061055500000037
其中，pi为第i类任务在本地端执行的概率，ψlp为本地处理器功耗，ψop为本地发送端口功耗，ψrp为本地接收端口功耗；
Figure FDA0003061055500000038
其中，pi为第i类任务在本地端执行的概率，qi为第i类任务在边缘端执行的概率，1-qi为第i类任务在云端执行的概率，
Figure FDA0003061055500000039
为运营商为第i类任务提供边缘卸载服务的单位收益，
Figure FDA00030610555000000310
为运营商为第i类任务提供云卸载服务的单位收益；
S1.2：运用加权平均法，结合第i(i＝1,2,...,n)类任务所占比重αi，求解系统中随机一个任务的平均处理时延Tmec、移动设备的能耗水平ψmec和运营商的平均收益Cmec；
Figure FDA00030610555000000311
S1.3：综合S1.2中的各性能指标，构建基于单个任务的系统成本函数F(x)；对系统进行稳态分析，得出任务卸载策略参数x所需满足的约束条件gk(x)；
F(x)＝f1Tmec+f2ψmec+f3Cmec
s.t.gk(x)≤0,k＝1,2,...,l.
其中，x＝(p1,p2,...,pn,q1,q2,...,qn)是一个由任务分配概率构成的组合，f1(0≤f1≤1)、f2(0≤f2≤1)和f3(0≤f3≤1)分别为任务的平均处理时延、移动设备的能耗水平以及运营商的平均收益所对应的权重系数，并且f1+f2+f3＝1；
S1.4：结合系统成本函数和约束条件，构造拉格朗日函数W(x,δk)
Figure FDA00030610555000000312
其中，δk为拉格朗日乘子；
S1.5：根据KKT条件，建立卸载策略参数x所满足的方程组；
Figure FDA0003061055500000041
S1.6：求解S1.5中所得方程组，得出最优的卸载策略参数x。
CN202110513018.1A 2021-05-11 2021-05-11 基于多用户和分类任务的mec任务卸载系统及优化方法 Active CN113238814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110513018.1A CN113238814B (zh) 2021-05-11 2021-05-11 基于多用户和分类任务的mec任务卸载系统及优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110513018.1A CN113238814B (zh) 2021-05-11 2021-05-11 基于多用户和分类任务的mec任务卸载系统及优化方法

Publications (2)

Publication Number Publication Date
CN113238814A true CN113238814A (zh) 2021-08-10
CN113238814B CN113238814B (zh) 2022-07-15

Family

ID=77133507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110513018.1A Active CN113238814B (zh) 2021-05-11 2021-05-11 基于多用户和分类任务的mec任务卸载系统及优化方法

Country Status (1)

Country Link
CN (1) CN113238814B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115002212A (zh) * 2022-04-12 2022-09-02 广州大学 基于交叉熵优化算法的联合缓存和卸载方法及系统
CN115237506A (zh) * 2022-09-21 2022-10-25 暨南大学 Cps系统中可靠性驱动的分层任务卸载方法和装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180183855A1 (en) * 2016-12-28 2018-06-28 Intel Corporation Application computation offloading for mobile edge computing
CN108920279A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种多用户场景下的移动边缘计算任务卸载方法
US20190042318A1 (en) * 2016-01-14 2019-02-07 Sony Mobile Communications Inc. User equipment selection for mobile edge computing
EP3457664A1 (en) * 2017-09-14 2019-03-20 Deutsche Telekom AG Method and system for finding a next edge cloud for a mobile user
CN110347500A (zh) * 2019-06-18 2019-10-18 东南大学 用于边缘计算环境中面向深度学习应用的任务卸载方法
WO2020023115A1 (en) * 2018-07-27 2020-01-30 Futurewei Technologies, Inc. Task offloading and routing in mobile edge cloud networks
CN111901400A (zh) * 2020-07-13 2020-11-06 兰州理工大学 一种配备缓存辅助装置的边缘计算网络任务卸载方法
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN112162789A (zh) * 2020-09-17 2021-01-01 中国科学院计算机网络信息中心 一种基于软件定义的边缘计算随机卸载决策方法及系统
CN112188442A (zh) * 2020-11-16 2021-01-05 西南交通大学 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
WO2021030818A2 (en) * 2020-11-23 2021-02-18 Futurewei Technologies, Inc. Methods and apparatus for supporting application mobility in multi-access edge computing platform architectures
CN112512065A (zh) * 2020-12-02 2021-03-16 中国刑事警察学院 支持mec的小小区网络中在移动感知下的卸载和迁移算法
WO2021067140A1 (en) * 2019-10-04 2021-04-08 Intel Corporation Edge computing technologies for transport layer congestion control and point-of-presence optimizations based on extended in-advance quality of service notifications

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190042318A1 (en) * 2016-01-14 2019-02-07 Sony Mobile Communications Inc. User equipment selection for mobile edge computing
US20180183855A1 (en) * 2016-12-28 2018-06-28 Intel Corporation Application computation offloading for mobile edge computing
EP3457664A1 (en) * 2017-09-14 2019-03-20 Deutsche Telekom AG Method and system for finding a next edge cloud for a mobile user
CN108920279A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种多用户场景下的移动边缘计算任务卸载方法
WO2020023115A1 (en) * 2018-07-27 2020-01-30 Futurewei Technologies, Inc. Task offloading and routing in mobile edge cloud networks
CN110347500A (zh) * 2019-06-18 2019-10-18 东南大学 用于边缘计算环境中面向深度学习应用的任务卸载方法
WO2021067140A1 (en) * 2019-10-04 2021-04-08 Intel Corporation Edge computing technologies for transport layer congestion control and point-of-presence optimizations based on extended in-advance quality of service notifications
CN111901400A (zh) * 2020-07-13 2020-11-06 兰州理工大学 一种配备缓存辅助装置的边缘计算网络任务卸载方法
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN112162789A (zh) * 2020-09-17 2021-01-01 中国科学院计算机网络信息中心 一种基于软件定义的边缘计算随机卸载决策方法及系统
CN112188442A (zh) * 2020-11-16 2021-01-05 西南交通大学 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
WO2021030818A2 (en) * 2020-11-23 2021-02-18 Futurewei Technologies, Inc. Methods and apparatus for supporting application mobility in multi-access edge computing platform architectures
CN112512065A (zh) * 2020-12-02 2021-03-16 中国刑事警察学院 支持mec的小小区网络中在移动感知下的卸载和迁移算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI LI，SHUNFU JIN: "Performance evaluation and optimization of a task offloading strategy on the mobile edge computing with edge heterogeneity", 《THE JOURNAL OF SUPERCOMPUTING》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115002212A (zh) * 2022-04-12 2022-09-02 广州大学 基于交叉熵优化算法的联合缓存和卸载方法及系统
CN115002212B (zh) * 2022-04-12 2024-02-27 广州大学 基于交叉熵优化算法的联合缓存和卸载方法及系统
CN115237506A (zh) * 2022-09-21 2022-10-25 暨南大学 Cps系统中可靠性驱动的分层任务卸载方法和装置

Also Published As

Publication number Publication date
CN113238814B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
Yang et al. Two-stage offloading optimization for energy–latency tradeoff with mobile edge computing in maritime Internet of Things
Zhu et al. Task offloading decision in fog computing system
Wang et al. Cooperative edge computing with sleep control under nonuniform traffic in mobile edge networks
CN111475274B (zh) 云协同多任务调度方法及装置
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN111132235B (zh) 基于改进hrrn算法和多属性决策的移动卸载迁移算法
CN113238814B (zh) 基于多用户和分类任务的mec任务卸载系统及优化方法
CN112650581A (zh) 一种面向智能楼宇的云边协同任务调度方法
CN108174397A (zh) 一种任务驱动的多网关协同方法
Liang et al. Particle swarm based service migration scheme in the edge computing environment
Yang et al. Load optimization based on edge collaboration in software defined ultra-dense networks
Liu et al. User association, subchannel and power allocation in space-air-ground integrated vehicular network with delay constraints
Liu et al. Multi-user dynamic computation offloading and resource allocation in 5G MEC heterogeneous networks with static and dynamic subchannels
Xiao et al. Collaborative cloud-edge-end task offloading in MEC-based small cell networks with distributed wireless backhaul
Zhou et al. Mobile device association and resource allocation in HCNs with mobile edge computing and caching
CN112579203B (zh) 异构边缘网络中基于服务器休眠的协同计算方法
Hu et al. An efficient computing task offloading strategy based on energy consumption and load balancing degree
Dong et al. Load balancing of double queues and utility-workload tradeoff in heterogeneous mobile edge computing
CN115134364B (zh) 基于o-ran物联网系统的节能计算卸载系统及方法
Yang et al. A resource allocation method based on the core server in the collaborative space for mobile edge computing
CN113709853B (zh) 面向云边协同的网络内容传输方法、装置及存储介质
CN114143317B (zh) 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法
CN113784372B (zh) 一种面向终端多业务模型的联合优化方法
CN111245878A (zh) 一种基于混合云计算和雾计算的计算卸载通信网络的方法
Fang et al. Q-learning based delay-aware content delivery in cloud-edge cooperation networks

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