CN113342409A

CN113342409A - 多接入边缘计算系统时延敏感型任务卸载决策方法及系统

Info

Publication number: CN113342409A
Application number: CN202110447755.6A
Authority: CN
Inventors: 翟临博; 宋书典; 马淑月; 杨峰; 赵景梅
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2021-04-25
Filing date: 2021-04-25
Publication date: 2021-09-03
Anticipated expiration: 2041-04-25
Also published as: CN113342409B

Abstract

本公开提供了一种多接入边缘计算系统时延敏感型任务卸载决策方法及系统，包括：系统初始化，获取多接入边缘计算系统中的用户信息和边缘设备信息；根据用户任务中计算的依赖关系以及本地设备和边缘设备的当前状态，确定任务中每个计算的卸载决策，所述卸载决策包括计算的接入位置和执行位置；确定每个卸载决策的适应度函数；以最小化系统平均延迟为目标，利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化；判断是否达到优化迭代结束条件，若结束，则输出最终的卸载决策结果。所述方案采用多接入边缘系统中的平均执行时间作为优化目标，该方法更能满足现实场景中任务卸载的挑战，且复杂度低，适用性好。

Description

多接入边缘计算系统时延敏感型任务卸载决策方法及系统

技术领域

本公开属于移动通信技术领域，尤其涉及一种多接入边缘计算系统时延敏感型任务卸载决策方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

云计算系统，包括大规模云数据中心，雾计算和边缘计算有被广泛用于提供各种服务，例如网络工作，多媒体，游戏和物联网(IoT)。在资源分配方面具有优势和服务隔离。随着飞速发展多个领域的物联网和移动网络，多接入边缘计算(MEC)迎来了发展的春天。与云计算相比，MEC将计算过程移动到了用户附近，减少了用户设备(UE)的延迟，同时也减少维护成本和碳排放量。近年来，边缘计算弥补了云计算集中式数据处理的不足。它将服务迁移到靠近用户的边缘设备，从而减少了用户数据的传输时间，计算时间，传播时间和其他时间，并满足对延迟敏感的任务的要求。MEC带来了两个好处。首先，边缘设备的性能优于用户设备，它可以为用户提供更加优质的服务。其次，UE的能量与计算相关的消耗可以大大减少，从而延长了UE的使用寿命。

但是，发明人发现，移动边缘服务器(例如智能手机，无人机等)不及云服务器的计算能力，存储容量和电池寿命。为了解决这些问题，研究人员研究MEC 中的任务卸载和资源分配问题。为了减轻移动设备的局限性功能，很多工作是拆分用户任务，被拆分的各个部分可以在本地设备或MEC设备上并行执行。

发明内容

本公开为了解决上述问题，提供了一种多接入边缘计算系统时延敏感型任务卸载决策方法及系统，所述方案将多接入边缘系统中的平均执行时间作为优化目标，能够满足现实场景中任务卸载的挑战，且复杂度低，适用性好。

根据本公开实施例的第一个方面，提供了一种多接入边缘计算系统时延敏感型任务卸载决策方法，包括：

系统初始化，获取多接入边缘计算系统中的用户信息和边缘设备信息；

根据用户任务中计算的依赖关系以及本地设备和边缘设备的当前状态，确定任务中每个计算的卸载决策，所述卸载决策包括计算的接入位置和执行位置；

确定每个卸载决策的适应度函数；

以最小化系统平均延迟为目标，利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化；判断是否达到优化迭代结束条件，若结束，则输出最终的卸载决策结果。

进一步的，所述每个卸载决策的适应度函数具体如下：

其中，T_u表示用户u的任务中计算的系统延迟，n表示用户数量，U表示用户集合。

进一步的，所述利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化，具体包括：

步骤1：获取多接入边缘系统中的用户信息和边缘设备信息；

步骤2：使用层次分析法初始化信息素矩阵；

步骤3：生成计算执行的优先级；

步骤4：按照所述优先级序列判断，若计算不在本地执行，根据信息素矩阵计算选择基站的概率；

步骤5：基于所述概率使用轮盘赌算法选择适合的设备；

步骤6：重复步骤4至步骤5，直至确定所有计算的卸载决策；

步骤7：根据适应度函数与全局最优和局部最优的关系更新所述信息素矩阵；

步骤8：重复步骤3至5，直至蚁群算法迭代结束。

进一步的，所述系统延迟的计算具体为：分别计算用户u的任务中计算的最晚结束时间以及用户u的任务中计算的最早开始时间，然后计算两者的差值获得用户u的任务中计算的系统延迟。

进一步的，所述适应度函数需满足如下约束：

若计算执行在本地，则计算所需的工作量不大于用户设备的计算能力；

若计算执行在本地，则计算所需的存储空间不大于用户设备的存储能力；

若计算不执行在本地，则计算所需的工作量不大于它执行所在的基站的计算能力2

若计算不执行在本地，则计算所需的存储空间不大于它执行所在的基站的存储能力。

根据本公开实施例的第二个方面，提供了一种多接入边缘计算系统时延敏感型任务卸载决策系统，包括：

数据获取单元，其用于系统初始化，获取多接入边缘计算系统中的用户信息和边缘设备信息；

卸载决策确定单元，其用于根据用户任务中计算的依赖关系以及本地设备和边缘设备的当前状态，确定任务中每个计算的卸载决策，所述卸载决策包括计算的接入位置和执行位置；

适应度函数计算单元，其用于确定每个卸载决策的适应度函数；

优化求解单元，其用于以最小化系统平均延迟为目标，利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化；判断是否达到优化迭代结束条件，若结束，则输出最终的卸载决策结果。

根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法。

根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法。

与现有技术相比，本公开的有益效果是：

本公开所述方案提供了一种多接入边缘计算中时延敏感型任务的卸载决策方法，所述方案将任务分为若干计算，计算与计算之间具有依赖关系；其中，计算既可以在本地执行也可以在边缘设备执行；根据用户任务中计算的依赖关系，本地设备和边缘设备的当前状态，确定任务中每一个计算的卸载决策。并且，利用TOACOA(Task Off loading with AntColony Optimization Algorithm：结合蚁群和层次分析法计算卸载方法)算法对初始的卸载决策进行优化，直到迭代结束，输出最终的决策结果；所述方案采用多接入边缘系统中的平均执行时间作为优化目标，该方法更能满足现实场景中任务卸载的挑战，且复杂度低，适用性好。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例一中所述的结合蚁群和层次分析法的任务卸载优化方法的流程图；

图2为本公开实施例一中所述的用户任务被拆分r-1个计算的示意图。

具体实施方式

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一：

本实施例的目的是提供一种多接入边缘计算系统时延敏感型任务卸载决策方法。

一种多接入边缘计算系统时延敏感型任务卸载决策方法，包括：

确定每个卸载决策的适应度函数；

进一步的，所述利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化的具体步骤如下所示：

步骤1：系统初始化，获取多接入边缘系统中的用户信息和边缘设备信息。

步骤2：使用层次分析法初始化信息素矩阵。我们将选择一个合适的基站作为目标，将基站的负载程度和基站与用户之间的距离作为准则，系统中所有基站当做可选目标，以此来进行层次分析法；

步骤3：生成计算执行的优先级；

步骤4：按照优先级序列判断，若计算不在本地执行，根据信息素矩阵计算选择基站的概率；

步骤5：根据步骤4的概率使用轮盘赌法选择适合的设备；

步骤6：重复步骤4和步骤5，直到所有的计算都有了决策；

步骤7：根据公式计算生成的解的适应度函数

根据适应度函数与全局最优和局部最优的关系更新信息素矩阵。

步骤8：重复步骤3至5，直到蚁群迭代结束。

其中，f是对应于当前的解决方案，go是全局最优值的平均时间，lo是该迭代的最优迭代。我们设置这个动态信息素更新值以便更新值当其效果优于全局最优值时，该值会更大。当其效果介于全局最优和局部最优之间如果接近全局最优值，则该值将更大。什么时候其值不优于局部最优值，即更新后的值较小。

进一步的，所述步骤1所述的系统初始化包括各个用户信息，如用户位置，用户设备资源限制，边缘服务器信息，如边缘设备位置，边缘设备的资源信息。

所述步骤2所述的层次分析法，具体可以描述为：

我们将信息素矩阵τ定义为大小τ(n×s，m)，其中，元素τ(i，m)表示基站选择的基站信息素量计算i。选择基站时，我们需要考虑基站与用户之间的距离以及基站本身的负载水平，因此我们使用解析层次过程(AHP)初始化信息素矩阵。我们设计的分层模型第一层是目标层。我们的目标是选择合适的基站。第二层是标准层，根据距离和基站选择负载水平视情况而定。第三层是方案层也就是说，我们从基站1到基站m中进行选择。

对于每个用户，我们都需要进行AHP。对比第二层矩阵可以表示为：

其中，c是距离相对于负载的重要程度选择合适的基站。对于方案层，每个方案需要为规则层设计一个矩阵。自从标准层具有两个因素，需要定义两个矩阵。每个矩阵的大小为m×m。我们定义这两个矩阵作为B₁和B₂；对于距离矩阵B₁， B₁(v，o)表示基站o相对于基站v的重要性的距离。我们计算当前基准点之间的距离站和用户，我们通过以下公式得到

其中，distance(i，v)表示用户i与基站v间的距离，我们将B₁中的因素限制在一定范围内，最小值为1，最大值为9；然后，我们使用基站所在的协作空间。相似，B₂的大小为m×m，B2中的每个元素都可以表示作为

其中，B₂中的元素也限制在1到9的范围内。然后，我们检查矩阵A，B₁和 B₂的一致性，CI用于判断矩阵的偏差程度，CI值越小，判断矩阵越接近完成一致性，CI的计算公式可以表示为

其中，λ_max是最大特征值，dim是矩阵的尺寸，然后，我们查询平均随机一致性指数RI，接下来，我们根据RI和CI使用公式，

当CR＜0.1时，考虑矩阵的一致性可以接受的；在检查A和B₁，B₂和B的一致性之后计算权重，我们得到A，B₁和B₂的权重为数组w₁，w₂，w₃。

所述步骤3中的解可以表示为我们假设MEC系统中有n个用户，每个用户都有一个任务，并且每个任务可以分为s个计算。自从每个计算都需要分配一个决策，我们设计代表解的矩阵y，矩阵的大小为3×(n×s)，矩阵可描述为

其中，c_i代表第i个计算的执行决策，它是一个二进制变量，如果c_i＝0，则执行计算i本地，m_i和e_i也等于0；mi是迁移决定。它也是一个二进制变量。当c_i等于1时，m_i等于1我需要将计算从接入点迁移到另一个边缘服务器来执行；如果m_i是0，计算i将在接入点上执行；e_i代表执行决定计算，并且e_i的范围是 {0，1，……m}。如果e_i为0，表示本地执行；如果e_i＝q，q∈{0，1，...， m}，则表示在边缘设备q上执行计算。

所述步骤4中按照优先级序列判断，若计算不在本地执行，根据信息素矩阵计算选择基站的概率，可以表示为

其中，τ(i，v)表示信息素浓度，N(i，v)代表启发式函数，它代表选择设备o执行计算i的期望值；我们将N(i，v)定义为选择基础计算的延迟。在多次迭代中，信息素是动态的根据高质量解决方案的反馈进行更新，我们根据当前适应度函数值与全局最优和局部最优的关系来更新信息司，信息素更新的依据以下公式。

τ(i，v)＝(1-ρ)τ(i，v)+Θ

其中，ρ是信息素的挥发系数，Θ是信息素更新值，f是对应于当前的解决方案，go是全局最优值的平均时间，lo是该迭代的最优解的平均时间。我们设置这个动态信息素更新值以便更新值当其效果优于全局最优值时，该值会更大。当其效果介于全局最优和局部最优之间如果接近全局最优值，则该值将更大。

具体的，为了便于理解，以下结合具体实例对本公开所述方案进行详细说明：

假设系统中有m个基站，每个基站(BS)可以直接发送数据对彼此。根据基站的负载，我们划分基站进入k个协作空间，每个协作空间可以共享资源。其中，协作空间集合为C＝{c₁，c₂，···c_k}，假设用户设备集合是U且MEC(多接入边缘计算)系统中有n个用户设备，表示为U＝{u₁，u₂，···u_n}；每个用户都有一项任务需要被执行，并且每个任务都由s个计算组成。如图2所示，0和r表示状态用户，0表示尚未执行任务，并且r表示任务已执行。我们将每个任务划分为r-1计算，并且每个计算可以执行在不同的设备上；同时，任务已分为 r-1计算，每个计算可以在不同位置的边缘服务器执行，完成所有计算后，结果返回给UE(用户设备)。

进一步的，相同级别的计算可以并行进行，用户的任务即可以在用户设备上顺序执行也可以将计算分布到分布式设备以并行执行。通过利用分布式设备的计算能力，通过并行化可以大大减少执行的延迟。在分布式计算中，我们需要分配边缘设备进行计算。如果计算是在边缘服务器，它应该接入一个BS(基站)，我们假设边缘服务器的影响范围是半径为的圆I。用户可以访问影响它们的边缘服务器。在现实生活中，用户可能处于不同基站的覆盖范围内。因此，我们需要对要访问的边缘服务器进行选择，我们规定当用户可以访问的边缘服务器是在相同的协作空间中，用户随机选择一个基站作为接入点。当可访问的基础站点位于不同的协作空间中，我们更喜欢选择较轻负载协作空间中的基站作为切入点；然后，我们假设计算资源和每个MEC和用户设备的通信资源是已知的，可以找到一个合适的BS进行计算任务的执行。

我们假设有两种执行场景计算：一方面，计算将是在本地执行。当本地设备满足资源要求时，在执行计算的过程中，执行本地计算；另一方面，计算将在非本地执行，当本地设备资源不足时，用户接入边缘系统并在边缘设备上执行。当用户接入一个可接入的设备，如果设备过载，任务将是迁移到轻负载边缘设备；轻负载设备可以处于同一协作状态，也可以处于不同协作空间，在这种情况下，执行延迟将减少，但是通讯延迟会增加。我们使用参数

表示用户u的计算t的决定。

当用户u的计算t在本地执行时，我们只考虑执行延迟，执行延时计算可以表示为：

其中，P_u是用户设备的计算资源，并且

是用户u的计算t的计算工作量。

是用户u的计算t的大小。如果用户的计算t是在本地执行的，本地设备的资源应满足以下情况：

约束(1)：若计算执行在本地，则计算所需的工作量不能超过用户设备的计算能力。

约束(2)：若计算执行在本地，则计算所需的存储空间不能超过用户设备的存储能力。

约束(3)：若计算不执行在本地，则计算所需的工作量不能超过它执行所在的基站的计算能力。

约束(4)：若计算不执行在本地，则计算所需的存储空间不能超过它执行所在的基站的存储能力。

具体的，所述约束条件具体表示如下：

关于约束(1)：

首先，工作量不应超过用户设备的计算资源。

关于约束(2)：

其次，计算的大小不应超过本地设备的容量C_u。

当满足上面两个公式时，我们定义

否则，

因此，用户u的计算t的在本地执行的延迟为，

其中，

是用户u的计算t等待资源空闲所需的时间。

当本地设备无法满足用户的计算要求时，计算将在边缘系统中执行。这完成时间包括通讯时间，执行时间时间和迁移时间。用户u的频谱效率通过以下公式获得

其中，Ψ_u是用户设备u的传输能力。

是用户u与基站q之间的信道增益。

是用户u的高斯噪声功率。瞬时时间用户率u可以表示为

其中，q_u是按基数分配给每个用户的分数(0≤q_u≤1)站点q，而B_q是基站 q的带宽。根据到瞬时时间速率，通信延迟从用户u到基站q可以表示为

在用户连接到基站q之后，可以在基站中执行每个计算。当资源接入BS不足，也可以迁移到另一个BS中。执行延迟可以表示为

当计算从q迁移到s时，我们假设基站通过X2链路连接。就这样迁移延迟可以表示为

其中，

表示BSs和BS q之间的X2链路的链路功率。我们使用决策变量

表达是否计算将迁移。如果

则用户的计算t迁移。否则，计算不会迁移。然后，在边缘端执行用户u的计算t的总时间可以表示为

关于约束(3)和约束(4)：

我们使用x1(u，t，q)表示执行决策变量

对于BS，必须分配任务计算资源满意

其中，Pq是基站q的计算资源。为了满足通讯资源，必须满足下面的公式

分布式计算意味着每次计算都是分布在不同的设备上执行，结果最终传送回给用户。TC(u，t)是用户u的计算t的完成时间。

我们假设P(u，t)是用户u的计算t的所有前驱计算，TB(u，t)是用户u的计算t的开始时间，而T A(u，t)是当任务u的计算t在MEC中存在可用资源系统。我们可以得出t的开始任务u可以表示为

然后，任务的执行时间可以表示为

T(u)＝max{TC(u，t)}-min{TB(u，T)}

我们定义MEC系统中有n个用户，每个用户有一项任务需要执行。我们的目标是最大程度地减少所有任务的平均延迟，即

最后，利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化；判断是否达到优化迭代结束条件，若结束，则输出最终的卸载决策结果。

实施例二：

本实施例的目的是提供一种多接入边缘计算系统时延敏感型任务卸载决策系统，包括：

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述实施例提供的一种多接入边缘计算系统时延敏感型任务卸载决策方法及系统可以实现，具有广阔的应用前景。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，包括：

确定每个卸载决策的适应度函数；

2.如权利要求1所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，所述利用结合蚁群和层次分析法的任务卸载优化方法对所述卸载决策进行优化，具体包括：

步骤1：获取多接入边缘系统中的用户信息和边缘设备信息；

步骤2：使用层次分析法初始化信息素矩阵；

步骤3：生成计算执行的优先级；

步骤5：基于所述概率使用轮盘赌算法选择适合的设备；

步骤6：重复步骤4至步骤5，直至确定所有计算的卸载决策；

步骤8：重复步骤3至5，直至蚁群算法迭代结束。

3.如权利要求1所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，所述每个卸载决策的适应度函数具体如下：

4.如权利要求1所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，所述系统延迟的计算具体为：分别计算用户u的任务中计算的最晚结束时间以及用户u的任务中计算的最早开始时间，然后计算两者的差值获得用户u的任务中计算的系统延迟。

5.如权利要求1所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，所述适应度函数需满足如下约束：

若计算不执行在本地，则计算所需的工作量不大于它执行所在的基站的计算能力；

6.如权利要求1所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，所述用户信息包括地理位置信息、所需的接入点资源需求、服务资源需求以及任务执行所需的CPU周期；所述边缘设备信息包括当前负载情况及地理位置信息。

7.如权利要求1所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法，其特征在于，所述系统初始化包括初始化用户间的任务依赖关系，用户设备的计算、通信以及存储能力；边缘设备的计算、通信以及存储能力。

8.一种多接入边缘计算系统时延敏感型任务卸载决策系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种多接入边缘计算系统时延敏感型任务卸载决策方法。