CN113504949B - Mar客户端在边缘计算中的任务卸载与参数优化方法及系统 - Google Patents

Mar客户端在边缘计算中的任务卸载与参数优化方法及系统 Download PDF

Info

Publication number
CN113504949B
CN113504949B CN202110693166.6A CN202110693166A CN113504949B CN 113504949 B CN113504949 B CN 113504949B CN 202110693166 A CN202110693166 A CN 202110693166A CN 113504949 B CN113504949 B CN 113504949B
Authority
CN
China
Prior art keywords
mar
client
task
edge server
edge
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
CN202110693166.6A
Other languages
English (en)
Other versions
CN113504949A (zh
Inventor
翟临博
李玉美
杨峰
赵景梅
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.)
Shandong Normal University
Original Assignee
Shandong Normal 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110693166.6A priority Critical patent/CN113504949B/zh
Publication of CN113504949A publication Critical patent/CN113504949A/zh
Application granted granted Critical
Publication of CN113504949B publication Critical patent/CN113504949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5021—Priority
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

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

Abstract

本发明属于移动通信领域，提供了一种MAR客户端在边缘计算中的任务卸载与参数优化方法及系统。该方法包括：根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；根据边缘服务器的状态和MAR客户端的状态生成卸载决策；利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。

Description

MAR客户端在边缘计算中的任务卸载与参数优化方法及系统
技术领域
本发明属于移动通信领域，尤其涉及一种移动增强现实(Mobile AugmentedReality，MAR)客户端在边缘计算中的任务卸载与参数优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着移动设备的不断普及以及互联网的快速发展，移动应用对资源需求和延迟的敏感度也在不断的提升，移动边缘计算的发展成为主流趋势。传统的云计算虽然能够为应用任务提供集中服务，然而云与用户之间的距离很远，如果将任务卸载到远端云这样容易造成了极大的端到端的延迟。我们所研究的MAR，对较低延迟和较高的计算能力有极大的要求，移动边缘计算(Mobile Edge Computing，MEC)能够使计算资源更加接近用户，相比于云计算来讲，MEC降低了端到端的延迟，会加大的提高用户验。MEC的计算能力虽然比移动设备计算能力强大，如果仅有单个MEC为多个MAR客户端服务，很容易超出MEC的负载，增大服务延迟。另外不同的MAR客户端任务对带宽资源需求不同，不同的服务器可以为MAR客户端分配的带宽资源也不同，例如，处理视频任务就意味着需要高持续的带宽，尤其是利用的现在带高分辨率的手机摄像头，带宽资源分配的不均或不足将导致降低用户的体验感。所以需要多个边缘服务器来为系统中的多个MAR客户端提供服务，由于每个MAR客户端的位置分布不均匀和每个边缘服务器的负载不同，因此需要设计一个服务器选择算法来使MAR客户端能够选择合适的服务器。
随着深度学习的不断深入发展，MAR技术一直在不断的趋于成熟，使我们可以通过构建智能的机器学习模型来更加精确的检测和区分我们现实中的复杂世界。与此同时，人们对许多MAR应用的需求量也在不断扩大，例如：AR游戏、旅游体验、特殊人群认知辅助等。所以在移动设备上实现增强现实技术是技术发展的一个主流趋势。然而，在移动设备上发展MAR存在一些挑战，(i)移动设备电池容量是有限的，运行增强现实应用需要耗费大量电量(ii)MAR有时计算非常密集，移动设备资源有限，没有如此强大的计算能力。为了解决以上问题，出现了几个不同的研究方向，其中一个是研究计算密集型的计算机算法来在移动设备上运行，虽然能够在一定程度上缩小延迟，但是与MAR预期的服务延迟要长。另一个是将密集的计算转移到云服务器上进行运算，依靠云服务器强大的CPU虽然能够显著的降低了计算延迟，但是在视频或图片卸载到云服务器的过程中，无线信道的时变和容量会受到限制，这样容易造成网络延迟。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种MAR客户端在边缘计算中的任务卸载与参数优化方法及系统，设计了基于不同的用户业务特点并考虑MAR客户端能量消耗、服务延迟和检测精度影响的适应度函数，以最小化适应度函数作为目标，将移动设备接收到的图像或者是视频帧传输到周围的边缘服务上，来执行深度学习的算法。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种MAR客户端在边缘计算中的任务卸载与参数优化方法。
MAR客户端在边缘计算中的任务卸载与参数优化方法，包括：
根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；
根据边缘服务器的状态和MAR客户端的状态生成卸载决策；
利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；
重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。
进一步的，所述利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测包括：
根据适应度函数的所有待执行任务所允许的最大完成时间，确定每个任务执行的优先级；
按照优先级队列对每个MAR客户端任务进行判断，然后利用层次分析法卸载对应的任务，选择边缘服务器；
在选择的边缘服务器上进行参数计算；
判断适应度函数是否收敛，若是，得到参数值和任务分配结果；否则，计算每个MAR客户端完成任务允许的最大服务延迟与完成任务的服务延迟的差值，找到优先级队列中差值最大的任务，对该任务及其之后的任务进行重分配，直到适应度函数收敛，得到最终参数值和任务分配结果。
进一步的，所述选择边缘服务器包括：综合边缘服务器的负载和MAR客户端与边缘服务器的距离，选择最优的边缘服务器。
进一步的，所述层次分析法包括：目标层、准则层和方案层，所述目标层用于选择最优边缘服务器；所述准则层用于MAR客户端选择边缘服务器所需考虑的边缘服务器的负载和MAR客户端到边缘服务器的距离；所述方案层用于选择服务器。
进一步的，所述适应度函数为：
其中：正权重参数和/>来表示用户业务特点；Qn表示第n个MAR总的能量消耗；Tn表示第n个MAR客户端的总的服务期延迟；Rn表示目标检测函数；/>表示第n个客户端所能容忍的最大服务延迟；/>表示第m个边缘服务的最大带宽资源；约束C1表示是边缘服务器为MAR客户端分配的无线带宽资源不能超出与其关联的边缘服务器的最大无线带宽资源；约束C2表示MAR客户端处理任务的服务延迟不能超出该任务所能容忍的最大服务时延；约束C3和C4是MAR客户端CPU频率和任务分辨率大小的限制条件。
进一步的，在确定适应度函数之前包括：系统初始化；系统初始化包括：获取各个边缘服务器的计算能力、无线带宽资源的大小和负载情况；MAR客户端的用户业务特点、所选相机帧数、任务分辨率大小、CPU频率大小、任务的最大允许完成时间。
进一步的，所述所有待执行任务的实时信息包括：MAR客户端的地理位置信息、边缘服务器的负载信息。
本发明的第二个方面提供一种MAR客户端在边缘计算中的任务卸载与参数优化系统。
MAR客户端在边缘计算中的任务卸载与参数优化系统，包括：
适应度函数确定模块，其被配置为：根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；
卸载决策生成模块，其被配置为：根据边缘服务器的状态和MAR客户端的状态生成卸载决策；
参数优化模块，其被配置为：利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；
输出模块，其被配置为：重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。
本发明的第三个方面提供一种计算机可读存储介质。
一种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如上述第一个方面所述的MAR客户端在边缘计算中的任务卸载与参数优化方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的MAR客户端在边缘计算中的任务卸载与参数优化方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明在减小服务延迟、降低每帧能量消耗和提高边缘服务器对目标任务的检测精确度方面取得了良好的效果。
本发明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，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明MAR客户端在边缘计算中的任务卸载与参数优化方法的流程图；
图2是本发明服务器选择和参数优化(SSPO)算法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种MAR客户端在边缘计算中的任务卸载与参数优化方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
S101：根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；
S102：根据边缘服务器的状态和MAR客户端的状态生成卸载决策；
S103：利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；
S104：重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。
在S101之前包括系统初始化，系统初始化包括各个边缘设备的计算能力、无线带宽资源的大小和负载情况；MAR客户端的用户业务特点、所选相机帧数、任务分辨率大小、CPU频率大小、任务的最大允许完成时间。
S101中所有待执行任务的实时信息包括：MAR客户端的地理位置信息、边缘服务器的负载信息。
适应度函数目的是基于不同的用户业务特点权衡MAR客户端能量消耗、服务延迟和检测精度，适应度函数如下：
其中正权重参数和/>来表示用户业务特点；Qn表示第n个MAR总的能量消耗；Tn表示第n个MAR客户端的总的服务期延迟；/>表示目标检测函数；/>表示的是第n个客户端所能容忍的最大服务延迟；/>表示第m个边缘服务的最大带宽资源。约束C1表示的是边缘服务器为MAR客户端分配的无线带宽资源不能超出与其关联的边缘服务器的最大无线带宽资源，本实施例中不同的边缘服务无线带宽资源不同；约束C2表示的是MAR客户端处理任务的服务延迟不能超出该任务所能容忍的最大服务时延；约束C3和C4是MAR客户端CPU频率和任务分辨率大小的限制条件。
基于不同用户业务特点来权衡MAR客户端能量消耗、服务延迟和目标检测精度。服务延迟计算方法可以表述为：
其中,(1)式表示总的服务延迟；(2)式表示图像传输延迟，表示任务分辨率大小；(3)式表示从MAR客户端传输图像帧时的传输速率；(4)式表示核心网络延迟；(5)式表示图像帧在边缘服务器上目标检测的推理延迟，/>表示检测对象复杂度，um表示第m个边缘服务器的计算资源复杂度；(6)式表示图像转换延迟。
能量消耗可以表述为：
其中，(7)式表示总的能量消耗；(8)式表示图像生成阶段MAR客户端的能耗，fpsn表示相机的帧数，fn表示CPU频率，图像生成时MAR客户端的平均功率；(9)式表示图像预览时MAR客户端的能耗，/>图像预览时MAR客户端的平均功率；(10)式表示图像转换时MAR客户端的能量消耗，/>图像转换时客户端的平均功率；(11)式表示通信阶段的能量消耗；(12)式表示无线通信时空闲阶段MAR客户端的能量消耗；(13)式表示MAR客户端的基本能耗。
目标检测函数可以表示为：
S103所述的服务器选择和参数优化方法(SSPO)优化的步骤如下：
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：按照每个MAR客户端任务允许最大完成时间进行优先级排列。
步骤3：将边缘服务器和MAR客户端之间的距离和边缘服务器的负载作为准则，来进行层次分析。
步骤4：按照优先级队列对每个MAR客户端任务进行判断，根据层次分析法计算的概率来进行任务卸载。
其中，Wm表示第m个服务器的权值；W表示m个边缘服务器权值的总和。
步骤5：在步骤4中选择的服务器上进行参数计算。
步骤6：重复步骤3、步骤4和步骤5，直到所有的任务都能卸载和参数计算。
步骤7：根据适应度函数判断参数计算迭代是否结束。
步骤8：计算每个MAR客户端完成任务允许的最大服务延迟与完成任务的服务延迟的差值。
步骤9：找到队列中差值最大的任务，对他及他之后的任务进行重分配。
步骤10：重复步骤3-9，直到适应函数的值收敛结束迭代。
步骤1所述的系统初始化包括各个用户信息，如MAR客户端位置，MAR客户端用户业务特点、MAR客户端所选择的相机帧数等，边缘服务器信息，如边缘设备位置，边缘设备的资源信息。
步骤3所述的层次分析法，具体可以描述为：第一层表示的是目标层，最终的目标是选择一个综合边缘服务器的负载和MAR客户端与边缘服务器距离这两个影响因素最合适的边缘服务器；第二层表示的是准则层，他由MAR客户端选择边缘服务器所需考虑的两个重要因素边缘服务器的负载和MAR客户端到边缘服务器的距离组成；第三层表示的是方案层，这一层可以对边缘服务器1到边缘服务器m进行选择。
对于每一个MAR客户端都需要用层次分析法对其进行分析，所以第二层的判断矩阵可以表示为：
在上式中，b表示的是在选择边缘服务器时MAR客户端与边缘服务器的距离相对于边缘服务器负载的重要程度。对于方案层来讲，每个方案都需要为准则层设计一个矩阵。准则层有两个影响因素，所以定义两个m×m的矩阵，两个矩阵分别为X1和X2，X1(c,q)代表的是边缘服务器c与MAR客户端的距离和边缘服务器q与MAR客户端的距离的比值,得到如下公式表示：
L(n,c)表示的是边缘服务器c到MAR客户端n之间的距离，L(n,q)表示的是边缘服务器q到MAR客户端n之间的距离；X2(c,q)代表的是边缘服务器c的负载相对于边缘服务器q负载的重要性，可以用如下公式表示：
O(c)表示边缘服务器c的负载，O(q)表示边缘服务器q的负载；
X2中的因素也限制在一定范围之内，最大值为1，最小值为9，如果因素值小于1，默认为1，如果因素的值大于9，默认为9。下一步需要检验矩阵A、矩阵X1和矩阵X2之间的一致性，CI表示判断矩阵偏差程度大小，如果CI的值越小，表示判断矩阵越接近一致性，CI的计算公式如下：
λmax表示的是判断矩阵A的最大特征值，k表示矩阵的维数，一致性检验是通过一致性比例CR来获得的，CR的计算公式如下：
RI表示一致性指标是通过查表来获得的。如果CR<0.10时，认为此时的判断矩阵的一致性是可以接受的，如果不符合这个条件要对判断矩阵做出修改。可以通过一致性矩阵来计算边缘服务器的负载和MAR客户端到边缘服务器的距离这两个因素的比例，判断矩阵A矩阵的最大特征值λmax对应的特征向量为：
矩阵X1对应的特征向量可以表示为：
矩阵X2对应的特征向量可以表示为：
根据判断矩阵A和准则层两个因素的矩阵X1，X2，第m个服务器的权值可以表示为：
Wm＝w'1am+w'2xm
系统中m个边缘服务器权值的总和可以表示为：
所以，第n个客户端选择第m个边缘服务器的概率可以表示为：
步骤4描述的参数优化算法具体可以描述为：根据块坐标下降的方法，通过按顺序固定三个变量其中两个变量，来对另一个变量求偏导，交替的对每个变量进行梯度下降的方式来求取三个参数的值，通过不断迭代此过程，直到变量值收敛。
把适应度函数的变量sn松弛为连续变量后得到问题P1
P1：
s.t.C1,C2,C3；
首先给定和Bn的初始值，通过控制/>和Bn这两个变量来更新fn的值，/> 表示的是学习率，重复该步骤，直到fn收敛然后导出fn的值。
通过给控制fn和Bn的值来更新表示的学习率，重复该步骤直到导出的收敛，然后更新/>
给定fn和来求解Bn的值，给定另外两个变量后，问题P1被简化为
然后采用拉格朗日对偶法来解决求Bn的问题，引入μ和β两个拉格朗日乘子，分别对应约束C1和C2，得到拉格朗日函数：
因此原始问题的拉格朗日对偶问题可以表示为：
s.t.μ≥0,β≥0.
这里g(μ,β)相对于Bn来讲是凹的，另外对于Bn的约束条件C1是线性的，约束C2是严格凸的，所以问题P1相对于Bn是严格凸的。采用次梯度法来求解该对偶问题，基于次梯度法，第(j+1)次迭代中第n个MAR客户端的对偶变量为：
第(j+1)次迭代中第n个MAR客户端的对偶变量为：
次梯度法的步长和/>是恒定步长。
实施例二
本实施例提供了一种MAR客户端在边缘计算中的任务卸载与参数优化系统。
MAR客户端在边缘计算中的任务卸载与参数优化系统，包括：
适应度函数确定模块，其被配置为：根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；
卸载决策生成模块，其被配置为：根据边缘服务器的状态和MAR客户端的状态生成卸载决策；
参数优化模块，其被配置为：利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；
输出模块，其被配置为：重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。
此处需要说明的是，上述适应度函数确定模块、卸载决策生成模块、参数优化模块和输出模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
该实施例可采用以下方法：
考虑的系统模型里有n个MAR客户端和m个边缘服务器，客户端可以选择合适的服务器然后通过无线网连接到边缘服务器上，这样每个服务器和与他相连的客户端组成了M个子系统，将N＝{1,2,3…n}表示为MAR客户端的集合，M＝{1,2,3…m}为边缘服务器的集合,在本实施例中我们假设一个MAR客户端只选择一个边缘服务器为其服务。表示MAR客户端被分配到第m个边缘服务器上的MAR客户端的集合，/>表示服务器的分配指标，如果第n个MAR客户端被分配到第m个服务器/>MAR客户端首先进行服务器的选择，然后MAR客户端将自己的任务请求、自己选好的相机帧以及用户业务特点发送给所选择的服务器，边缘服务器根据MAR客户端发来的任务请求及数据，来计算每个客户端最合适的CPU频率、客户端任务的分辨率大小以及需要分配的无线电资源，计算完的相关配置参数大小后发送给MAR客户端，客户端根据边缘服务器发送来的参数大小进行设置最佳的参数值，MAR客户端经过调整参数后，将自己的图像帧再次传回边缘服务器进行目标检测，最后边缘服务器再将检测的结果发送给MAR客户端。
在第m个边缘服务器上，第n个MAR客户端可以将第n个MAR客户端的每帧服务等待时间可以表示为：
用表示第n个MAR客户端任务分辨率的大小，所以/>表示每帧图像的数据大小，所以第n个MAR客户端无线通信网络延迟为：
无线传输速率可以表示为：
表示第N个MAR客户端的无线连接点连接到第m个边缘服务器的核心网络时延，所以第n个MAR客户端核心网络延迟可以表示为：
连接在该服务器上的计算资源复杂度是平均分配的，所以表示可以分配给连接在第m个边缘服务器上MAR客户端的计算资源，对在服务器上检测延迟建模所以目标检测延迟可以表示为：
在服务器过载的情况下，第n个MAR客户端产生的排队延迟可以表示为：
根据MAR的工作流程可知MAR客户端的能耗主要是由图像生成、图像预览、图像转换、无线通信和MAR客户端不处理任何任务时所产生。MAR能量消耗可以表示为：
对图像生成的能耗可以表示为：
图像预览的能耗可以表示为：
表示的是图像生成的功率；/>表示的是图像预览的功率，fn表示的CPU的频率，/>表示图像生成过程中的延迟；tyl在图像预览过程中的延迟；/>表示的是第N个MAR客户端上相机的帧数。
单个图像帧转换能量模型可以表示为：
无线通信阶段MAR客户端的能量消耗为：
无线通信时空闲阶段MAR客户端的能耗进行建模：
MAR客户端的CPU在不进行任何的任务处理下所消耗的能量，以及没有任何图像进行预览的屏幕所消耗的能量时，MAR客户端基本能耗可以表示为：
根据分辨率和检测精度之间的关系建立了的函数：
/>
在N个MAR客户端和M个服务器的系统模型下，设计了根据不同用户业务特点下权衡服务延迟、每帧能量消耗和对目标任务的检测精确度的目标函数，通过目标函数最小化来实现任务卸载和参数优化。我们引入两个正权重参数和/>来表示用户业务特点，所以将优化目标问题表示为：
本实施例研究了在多边缘服务器和多客户端的系统模型下，一个基于不同用户业务特点动态配置MAR系统相关参数和任务卸载的问题。考虑到客户端CPU频率、客户端任务分辨率大小和与其相关联的无线带宽资源分配对服务延迟、每帧能量消耗和对目标任务的检测精确度的影响，设计了根据不同用户业务特点下权衡服务延迟、每帧能量消耗和对目标任务的检测精确度的目标函数，通过目标函数最小化来实现任务卸载。基于目标函数提出来一个服务器选择和参数优化(SSPO)算法来为客户端任务卸载和优化参数选择合适的MEC。SSPO算法先对MAR客户端任务根据完成任务允许的最大服务延迟进行优先级排队，然后运用层次分析法综合边缘服务器的负载和MAR客户端的距离来选择服务器计算相关参数，通过比较MAR客户端任务完成延迟和完成任务所允许的最大延迟之间的差值，对客户端任务完成延迟和完成任务所允许的最大延迟之间的差值最大的任务及其优先级队列之后的MAR客户端重新选择服务器计算参数直到目标函数收敛，来解决目标优化问题。
通过仿真实验表明，本发明提出的方法在减小服务延迟、降低每帧能量消耗和提高边缘服务器对目标任务的检测精确度方面取得了良好的效果。
实施例三
本实施例提供了一种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如上述实施例一所述的MAR客户端在边缘计算中的任务卸载与参数优化方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的MAR客户端在边缘计算中的任务卸载与参数优化方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.MAR客户端在边缘计算中的任务卸载与参数优化方法，其特征在于，包括：
根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；所述适应度函数为：
s.t.C1:
C2:
C3:
C4:
其中：M＝{1,2,3…m}为边缘服务器的集合；正权重参数和/>来表示用户业务特点；Qn表示第n个MAR总的能量消耗；Tn表示第n个MAR客户端的总的服务期延迟；/>表示目标检测函数；/>表示第n个客户端所能容忍的最大服务延迟；/>表示第m个边缘服务的最大带宽资源；约束C1表示是边缘服务器为MAR客户端分配的无线带宽资源不能超出与其关联的边缘服务器的最大无线带宽资源；约束C2表示MAR客户端处理任务的服务延迟不能超出该任务所能容忍的最大服务时延；约束C3和C4是MAR客户端CPU频率和任务分辨率大小的限制条件；
根据边缘服务器的状态和MAR客户端的状态生成卸载决策；
利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；所述利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测包括：
根据适应度函数的所有待执行任务所允许的最大完成时间，确定每个任务执行的优先级；
按照优先级队列对每个MAR客户端任务进行判断，然后利用层次分析法卸载对应的任务，选择边缘服务器；
在选择的边缘服务器上进行参数计算；
判断适应度函数是否收敛，若是，得到参数值和任务分配结果；否则，计算每个MAR客户端完成任务允许的最大服务延迟与完成任务的服务延迟的差值，找到优先级队列中差值最大的任务，对该任务及其之后的任务进行重分配，直到适应度函数收敛，得到最终参数值和任务分配结果；
重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。
2.根据权利要求1所述的MAR客户端在边缘计算中的任务卸载与参数优化方法，其特征在于，所述选择边缘服务器包括：综合边缘服务器的负载和MAR客户端与边缘服务器的距离，选择最优的边缘服务器。
3.根据权利要求1所述的MAR客户端在边缘计算中的任务卸载与参数优化方法，其特征在于，所述层次分析法包括：目标层、准则层和方案层，所述目标层用于选择最优边缘服务器；所述准则层用于MAR客户端选择边缘服务器所需考虑的边缘服务器的负载和MAR客户端到边缘服务器的距离；所述方案层用于选择服务器。
4.根据权利要求1所述的MAR客户端在边缘计算中的任务卸载与参数优化方法，其特征在于，在确定适应度函数之前包括：系统初始化；系统初始化包括：获取各个边缘服务器的计算能力、无线带宽资源的大小和负载情况；MAR客户端的用户业务特点、所选相机帧数、任务分辨率大小、CPU频率大小、任务的最大允许完成时间。
5.根据权利要求1所述的MAR客户端在边缘计算中的任务卸载与参数优化方法，其特征在于，所述所有待执行任务的实时信息包括：MAR客户端的地理位置信息、边缘服务器的负载信息。
6.MAR客户端在边缘计算中的任务卸载与参数优化系统，其特征在于，包括：
适应度函数确定模块，其被配置为：根据所有待执行任务的实时信息、所有MAR客户端用户的业务特点、所有MAR客户端的能量损耗、所有MAR客户端的服务期延迟和目标检测函数，确定适应度函数；所述适应度函数为：
s.t.C1:
C2:
C3:
C4:
其中：M＝{1,2,3…m}为边缘服务器的集合；正权重参数和/>来表示用户业务特点；Qn表示第n个MAR总的能量消耗；Tn表示第n个MAR客户端的总的服务期延迟；/>表示目标检测函数；/>表示第n个客户端所能容忍的最大服务延迟；/>表示第m个边缘服务的最大带宽资源；约束C1表示是边缘服务器为MAR客户端分配的无线带宽资源不能超出与其关联的边缘服务器的最大无线带宽资源；约束C2表示MAR客户端处理任务的服务延迟不能超出该任务所能容忍的最大服务时延；约束C3和C4是MAR客户端CPU频率和任务分辨率大小的限制条件；
卸载决策生成模块，其被配置为：根据边缘服务器的状态和MAR客户端的状态生成卸载决策；
参数优化模块，其被配置为：利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测；所述利用服务器选择和参数优化算法进行相关参数计算，将计算参数返回给MAR客户端进行调整，然后MAR客户端将单个图像帧发送给相关联边缘服务器进行目标检测包括：
根据适应度函数的所有待执行任务所允许的最大完成时间，确定每个任务执行的优先级；
按照优先级队列对每个MAR客户端任务进行判断，然后利用层次分析法卸载对应的任务，选择边缘服务器；
在选择的边缘服务器上进行参数计算；
判断适应度函数是否收敛，若是，得到参数值和任务分配结果；否则，计算每个MAR客户端完成任务允许的最大服务延迟与完成任务的服务延迟的差值，找到优先级队列中差值最大的任务，对该任务及其之后的任务进行重分配，直到适应度函数收敛，得到最终参数值和任务分配结果；
输出模块，其被配置为：重复参数计算和目标检测的过程，直到适应度函数收敛，得到最终参数值和卸载决策。
7.一种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1-5中任一项所述的MAR客户端在边缘计算中的任务卸载与参数优化方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理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1-5中任一项所述的MAR客户端在边缘计算中的任务卸载与参数优化方法中的步骤。
CN202110693166.6A 2021-06-22 2021-06-22 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统 Active CN113504949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110693166.6A CN113504949B (zh) 2021-06-22 2021-06-22 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110693166.6A CN113504949B (zh) 2021-06-22 2021-06-22 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统

Publications (2)

Publication Number Publication Date
CN113504949A CN113504949A (zh) 2021-10-15
CN113504949B true CN113504949B (zh) 2024-01-30

Family

ID=78010338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110693166.6A Active CN113504949B (zh) 2021-06-22 2021-06-22 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统

Country Status (1)

Country Link
CN (1) CN113504949B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114301907B (zh) * 2021-11-18 2023-03-14 北京邮电大学 云计算网络中的业务处理方法、系统、装置及电子设备
CN115134366B (zh) * 2022-06-28 2024-03-15 山东海量信息技术研究院 一种移动边缘分发网络服务器放置方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314889A (zh) * 2020-02-26 2020-06-19 华南理工大学 车联网中基于移动边缘计算的任务卸载与资源分配方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN112153145A (zh) * 2020-09-26 2020-12-29 江苏方天电力技术有限公司 5g边缘环境下面向车联网的计算任务卸载方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314889A (zh) * 2020-02-26 2020-06-19 华南理工大学 车联网中基于移动边缘计算的任务卸载与资源分配方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN112153145A (zh) * 2020-09-26 2020-12-29 江苏方天电力技术有限公司 5g边缘环境下面向车联网的计算任务卸载方法及装置

Also Published As

Publication number Publication date
CN113504949A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
Alfakih et al. Task offloading and resource allocation for mobile edge computing by deep reinforcement learning based on SARSA
CN109857546B (zh) 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN111953758B (zh) 一种边缘网络计算卸载和任务迁移方法及装置
Koo et al. Deep reinforcement learning for network slicing with heterogeneous resource requirements and time varying traffic dynamics
CN113504949B (zh) Mar客户端在边缘计算中的任务卸载与参数优化方法及系统
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN107734512B (zh) 一种基于灰度关联层次分析的网络选择方法
CN108509276A (zh) 一种边缘计算环境中的视频任务动态迁移方法
CN112486690A (zh) 一种适用于工业物联网的边缘计算资源分配方法
CN112148492B (zh) 一种考虑多用户移动性的服务部署和资源分配方法
CN110231984B (zh) 多工作流任务分配方法、装置、计算机设备和存储介质
CN113348651A (zh) 切片的虚拟网络功能的动态云间放置
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN113778691B (zh) 一种任务迁移决策的方法、装置及系统
CN114564312A (zh) 一种基于自适应深度神经网络的云边端协同计算方法
Cao et al. A deep reinforcement learning approach to multi-component job scheduling in edge computing
CN115408072A (zh) 基于深度强化学习的快速适应模型构建方法及相关装置
Li et al. Task offloading and parameters optimization of MAR in multi-access edge computing
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN111131447A (zh) 一种基于中介节点任务分配的负载均衡方法
Chen et al. A game theoretic approach to task offloading for multi-data-source tasks in mobile edge computing
Singh et al. To offload or not? an analysis of big data offloading strategies from edge to cloud
CN116489708B (zh) 面向元宇宙的云边端协同的移动边缘计算任务卸载方法
CN116976461A (zh) 联邦学习方法、装置、设备及介质
CN114693141B (zh) 一种基于端边协同的变电站巡检方法

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