CN113347277B - 一种边缘计算中基于任务切分的卸载分配方法 - Google Patents

Abstract

本发明提出了一种边缘计算中基于任务切分的卸载分配方法。首先根据边缘计算网络场景得到待卸载任务的各项数据参数和边缘服务器的性能参数；然后构建可切分任务的卸载问题模型，采用一种贪心算法求解可切分任务的卸载问题，得到可切分任务的卸载决策集合；最后网络控制器通过卸载决策集合将任务卸载到边缘服务器上执行，计算得到卸载任务的总收益。本发明适用于不同种类、不同规模的终端设备群，在服务器资源和传输时延的限制下，考虑使边缘云网络中任务的卸载决策方案最优化，把可切分任务的子任务卸载到最合适的边缘服务器上，从而能够最大化边缘计算网络场景下卸载任务的总收益。

Description

一种边缘计算中基于任务切分的卸载分配方法

技术领域

本发明主要涉及到边缘计算领域，特别是涉及到一种边缘计算中基于任务切分的卸载分配方法。

背景技术

近年来，随着万物互联时代的到来以及无线网络的普及，智能终端设备已经遍及到了社会的方方面面，比如交通领域的智能家居和自动驾驶汽车，智能制造中的摄像头、智能生产机器人等。因此连接到互联网的终端设备的数量大幅增加，终端设备产生的数据量也随之增多。由于数据量的不断增加和对数据处理要求的不断提高，边缘计算应运而生。边缘计算技术为快速增长的终端设备和数据提供智能服务，使服务更加稳定。相比云计算，由于提供边缘计算的设备更靠近数据源，并在网络边缘存储和处理数据。边缘计算能够提供更实时、更安全的服务，还可以解决云计算中能耗过大的问题，降低成本，减轻网络带宽的压力。

为了满足边缘云网络中应用时延敏感、计算密集等需求，采用任务切分技术，将每个用户任务切分为多个子任务，且子任务均可被卸载到边缘服务器中执行。切分成的子任务具有占用的计算资源少、执行速度快、可并发执行的特点。因此将任务切分成子任务不仅能提高任务的执行效率，还能提高边缘云网络中计算资源的利用率。系统通过对子任务进行合理地卸载和调度以提高服务质量和网络性能。

综上所述，在满足终端设备低延迟的服务需求的条件下，为提高边缘云网络中计算资源的利用率，需要利用任务切分技术，将终端设备所要求卸载的任务切分成子任务，采用并发的方式对子任务进行卸载并执行。针对多用户多边缘服务器系统中的任务卸载与调度问题，网络控制器采用合理的卸载决策方案，使边缘云网络中计算资源的利用率和效益比提高，从而使边缘云网络卸载任务可获得的收益最大化。

发明内容

本发明提出了一种边缘计算中基于任务切分的卸载分配方法，主要应用于边缘计算方面，主要优点是使边缘云网络的任务卸载的决策方案最优化，从而能够最大化边缘计算网络场景下卸载任务的总收益。本发明的方案具体如下：

1.网络控制器可以通过一种近似算法来得到可切分任务的卸载分配方案：

步骤1、构建边缘计算网络的服务场景，网络中存在N个边缘服务器，边缘服务器集合由C＝{c₁,…,c_j,…,c_N}表示，边缘服务器之间通过链路相互连接，边缘服务器c_j的最大计算资源用cap_j表示，存在M个任务请求，任务接入到网络的时间点不同，任务请求集合为R＝{r₁,…,r_i,…,r_M}，边缘服务器执行任务r_i获得的收益为pay_i；

步骤2、将所有任务请求切分成一组子任务，r_i的子任务集用

表示，M_i表示任务r_i可切分的最大子任务数，执行子任务

需要占用边缘服务器的计算资源量为

并且对子任务按照所需资源量从大到小的顺序进行编号，

的传输时延限制用

表示，

传输到边缘服务器c_j的传输时间用

表示，任务的卸载决策集合为X＝{x₁,…,x_i,…,x_M}，x_i表示网络控制器是否接受任务r_i的卸载请求，取值为1或0；

步骤3、采用一种贪心算法求解步骤2中的可切分任务的卸载问题，依次对每个任务r_i执行一种分配算法，在服务器资源和传输时延的限制下，选择边缘服务器卸载r_i的子任务，得到r_i的子任务的卸载决策集合

其中

表示子任务

是否部署在边缘服务器c_j上，取值为1或0，基于任务切分的卸载分配的贪心算法至少包括以下步骤：

1)设服务器的剩余计算资源为B＝{b₁,…,b_j,…,b_N}，初始化b_j＝cap_j，设P＝{p₁,…,p_j,…,p_N}，初始化p_j＝0，按照集合R中任务编号从小到大的顺序，对于任意x_i∈X，初始化x_i＝0，并按任务的编号顺序执行步骤2)到5)；

2)设

表示卸载r_i的子任务需要占用各个服务器的资源量，初始化

对于任意

初始化

3)按照r_i子任务的编号顺序选取子任务，对于子任务

找到满足

的边缘服务器，设C_i＝{c_1′,…,c_j′,…,c_N′}为满足条件的服务器集合，|C_i|为满足条件的服务器数量，如果|C_i|≥1，执行步骤4)，如果|C_i|＝0，跳转执行步骤6)；

4)按编号顺序从r_i中选择子任务

根据服务器剩余计算资源从大到小的顺序选择集合C_i中的服务器c_j′，设阈值α＝p_j′/[(cap_j′-b_j′)/cap_j′]，资源效益比

如果α≤β，

更新

否则选择下一个服务器进行判断，如果任意

存在

则跳转执行步骤6)，否则执行步骤5)；

5)对于任意b_j∈B，更新

对于任意p_j∈P，更新

6)如果任务r_i的所有子任务都能完成卸载，即满足

则任务r_i的决策变量x_i＝1，否则x_i＝0；

7)对任务集合R中的所有任务r_i遍历执行步骤2)到6)后，得到最终的决策变量集合X＝{x₁,…,x_i,…,x_M}和部署方案，算法结束。

2.进一步，在对任务进行切分的基础上，网络控制器考虑边缘服务器资源和传输时延的限制，采用贪心算法接受并卸载符合算法决策的任务，并拒绝不符合算法决策的任务。

3.进一步，网络控制器按照任务编号从小到大的顺序依次对每个任务r_i使用卸载分配算法，根据资源效益比得到r_i的子任务卸载方案，若r_i的子任务能全部卸载到边缘服务器上，网络控制器则接受r_i的卸载请求，并根据卸载方案对r_i进行卸载，使卸载任务可以获得的总收益最大化，即

与现有技术相比，本方法的优点在于：

提出了边缘计算中基于任务切分的卸载分配方法，适用于不同种类、不同规模的终端设备群，在服务器资源和传输时延的限制下，考虑使边缘云网络的卸载任务的决策方案最优化，把可切分任务的子任务卸载到最合适的边缘服务器上，从而能够最大化边缘计算网络场景下卸载任务的总收益。

附图说明

图1是本发明的流程框图；

图2是本发明的卸载任务的流程图；

图3是本发明的边缘云网络中卸载可切分任务的示例图；

图4是本发明的边缘服务器接受任务请求的示例图；

具体实施方式

下面结合附图3和附图4对本发明作进一步的详细描述。

假设以5G背景下的交互式在线游戏为例。

步骤一、获取网络中所有任务请求的数据参数和所有边缘服务器的性能参数；

步骤二、将所有任务请求切分成一组子任务，r_i的子任务集用

表示，M_i表示任务r_i可切分的最大子任务数，执行子任务

需要占用边缘服务器的计算资源量为

并且对子任务按照所需资源量从大到小的顺序进行编号，

的传输时延限制用

表示，

传输到边缘服务器c_j的传输时间用

表示，任务的卸载决策集合为X＝{x₁,…,x_i,…,x_M}，x_i表示网络控制器是否接受任务r_i的卸载请求，取值为1或0；

步骤三、采用一种贪心算法求解步骤2中的可切分任务的卸载问题，依次对每个任务r_i执行一种分配算法，在服务器资源和传输时延的限制下，选择边缘服务器卸载r_i的子任务，得到r_i的子任务的卸载决策集合

其中

表示子任务

是否部署在边缘服务器c_j上，取值为1或0：

a)设服务器的剩余计算资源为B＝{b₁,…,b_j,…,b_N}，初始化b_j＝cap_j，设P＝{p₁,…,p_j,…,p_N}，初始化p_j＝0，按照集合R中任务编号从小到大的顺序，对于任意x_i∈X，初始化x_i＝0，并按任务的编号顺序执行步骤b)到e)；

b)设

表示卸载r_i的子任务需要占用各个服务器的资源量，初始化

对于任意

初始化

c)按照r_i子任务的编号顺序选取子任务，对于子任务

找到满足

的边缘服务器，设

为满足条件的服务器集合，

为满足条件的服务器数量，如果

执行步骤d)，如果

跳转执行步骤f)；

d)按编号顺序从r_i中选择子任务

按服务器剩余计算资源从大到小的顺序选择集合

中的服务器c_j′，设阈值α＝p_j′/[(cap_j′-b_j′)/cap_j′]，资源效益比

如果α≤β，

更新

否则选择下一个服务器进行判断，如果任意

存在

则跳转执行步骤f)，否则执行步骤e)，由图3进行示例，假设存在一个任务请求集合R＝{r₁,r₂,r₃}，

边缘服务器集合由C＝{c₁,c₂}表示，对于任务r_i，在经过步骤c)的反复执行后，得到r₁子任务的卸载服务器集合，再经过步骤d)的反复执行后，得到r_i的卸载决策方案；

e)对于任意b_j∈B，更新

对于任意p_j∈P，更新

f)如果任务r_i的所有子任务都能完成卸载，即满足

则任务r_i的决策变量x_i＝1，否则x_i＝0，由图4进行示例，对于任务r₃，由于子任务

没有可供卸载的边缘服务器，不满足

因此任务r₃的决策变量x₃＝0；

g)对任务集合R中的所有任务r_i遍历执行步骤b)到f)后，得到最终的决策变量集合X＝{x₁,…,x_i,…,x_M}和部署方案，算法结束。

Claims (3)

1.一种边缘计算中基于任务切分的卸载分配方法，其特征在于，将边缘计算中的每个可切分任务视为一个包含多个子任务的任务组，通过一种贪心算法来得到边缘计算中可切分任务的卸载方案，所述方法至少包括以下步骤：

步骤1、构建边缘计算网络的服务场景，网络中存在N个边缘服务器，边缘服务器集合由C＝{c₁,…,c_j,…,c_N}表示，边缘服务器之间通过链路相互连接，边缘服务器c_j的最大计算资源用cap_j表示，存在M个任务请求，任务接入到网络的时间点不同，任务请求集合为R＝{r₁,...,r_i,...,r_M}，边缘服务器执行任务r_i获得的收益为pay_i；

步骤2、将所有任务请求切分成一组子任务，r_i的子任务集用

表示，M_i表示任务r_i可切分的最大子任务数，执行子任务

需要占用边缘服务器的计算资源量为

并且对子任务按照所需资源量从大到小的顺序进行编号，

的传输时延限制用

表示，

传输到边缘服务器c_j的传输时间用

表示，任务的卸载决策集合为X＝{x₁,…,x_i,…,x_M}，x_i表示网络控制器是否接受任务r_i的卸载请求，取值为1或0；

步骤3、采用一种贪心算法求解步骤2中的可切分任务的卸载问题，依次对每个任务r_i执行一种分配算法，在服务器资源和传输时延的限制下，选择边缘服务器卸载r_i的子任务，得到r_i的子任务的卸载决策集合

其中

表示子任务

是否卸载到边缘服务器c_j上，取值为1或0，基于任务切分的卸载分配的贪心算法至少包括以下步骤：

1)设服务器的剩余计算资源为B＝{b₁,…,b_j,…,b_N}，初始化b_j＝cap_j，设P＝{p₁,…,p_j,…,p_N}，初始化p_j＝0，按照集合R中任务编号从小到大的顺序，对于任意x_i∈X，初始化x_i＝0，并按任务的编号顺序执行步骤2)到5)；

2)设

表示卸载r_i的子任务需要占用各个服务器的资源量，初始化

对于任意

初始化

3)按照r_i子任务的编号顺序选取子任务，对于子任务

找到满足

的边缘服务器，设

为满足条件的服务器集合，

为满足条件的服务器数量，如果

执行步骤4)，如果

跳转执行步骤6)；

4)按编号顺序从r_i中选择子任务

根据服务器剩余计算资源从大到小的顺序选择集合

中的服务器c_j′，设阈值α＝p_j′/[(cap_j′-b_j′)/cap_j′]，资源效益比

如果α≤β，

更新

否则选择下一个服务器进行判断，如果任意

存在

则跳转执行步骤6)，否则执行步骤5)；

5)对于任意b_j∈B，更新

对于任意p_j∈P，更新

6)如果任务r_i的所有子任务都能完成卸载，即满足

则任务r_i的决策变量x_i＝1，否则x_i＝0；

7)对任务集合R中的所有任务r_i遍历执行步骤2)到6)后，得到最终的决策变量集合X＝{x₁,…,x_i,…,x_M}和部署方案，算法结束。

2.根据权利要求1中所述的一种边缘计算中基于任务切分的卸载分配方法，其特征在于对任务进行切分的基础上，网络控制器考虑边缘服务器资源和传输时延的限制，采用贪心算法接受并卸载符合算法决策的任务，并拒绝不符合算法决策的任务。

3.根据权利要求1中所述的一种边缘计算中基于任务切分的卸载分配方法，其特征在于网络控制器按照任务编号从小到大的顺序依次对每个任务r_i使用卸载分配算法，根据资源效益比得到r_i的子任务卸载方案，若r_i的子任务能全部卸载到边缘服务器上，网络控制器则接受r_i的卸载请求，并根据卸载方案对r_i进行卸载，使卸载任务可以获得的总收益最大化，即

Images