CN113553165A - 一种基于博弈论的移动边缘计算任务卸载和资源调度方法 - Google Patents

Abstract

本发明公开了一种基于博弈论的移动边缘计算任务卸载和资源调度方法，该方法以移动边缘计算服务器的能耗及用户延迟联合最小化为目标，将用户任务卸载及资源调度问题建模为特定的优化问题，构建具有不同任务卸载优先级的基于多用户任务卸载计算系统，以多用户任务卸载到一个边缘基站建立迁移模型。在特定的优化问题中，基于博弈论求解传输速率及成本系数为约束条件，以最小化服务器能耗为最终目标设计任务卸载方法。该方法能有效均衡用户及系统的利益，为在移动边缘计算系统中实施任务卸载提供保证。

Description

一种基于博弈论的移动边缘计算任务卸载和资源调度方法

技术领域

本发明属于移动边缘计算技术领域，具体涉及一种基于博弈论的移动边缘计算任务卸载和资源调度方法。

背景技术

2014年，欧洲电信标准化协会(European Telecommunications StandardsInstitute,ETSI)为了将边缘计算融合进移动网络的架构，提出了移动边缘计算(MobileEdge Computing,MEC)。由于计算能力的“下放”，计算节点与终端用户接近，移动边缘计算能够为移动终端提供高可靠、低时延的计算服务，同时可通过分布式计算技术挖掘边缘设备的海量计算潜能，提升网络数据处理吞吐量。另一方面，移动边缘计算可直接在网络边缘完成数据处理，从而避免了在传统云端设备中将大量数据回传至核心处理中心的开销。但是，当前的移动边缘计算在进行用户任务卸载的卸载和资源调度的方面存一些问题。

现有技术在考虑任务卸载的卸载或者资源的调度问题时，对于移动边缘计算系统的建模多集中在单一形式的建模，没能同时考虑用户、服务器端的利益。对于用户任务卸载的划分，并没有考虑用户任务卸载的需求的优先级别不同，导致资源分配不均、资源利用率不高。导致高优先级别的任务卸载未及时得到资源，而较低优先级的任务卸载存在资源浪费的情况。因此，需要进行有优先级区分的用户任务卸载策略，以及考虑用户及系统的利益的资源管理技术，满足用户需求的同时，提高任务卸载所在网络的资源利用率。

发明内容

鉴于以上所述的现有技术问题，本发明的目的在于提供一种基于博弈论的移动边缘计算任务卸载和资源调度方法，用以解决移动边缘计算(Mobile Edge Computing,MEC)服务器(简称“服务器”)的能耗及用户延迟联合最小化问题，将用户任务卸载及资源调度问题建模为优化问题，构建具有不同任务卸载优先级的基于多用户的任务卸载计算系统，以多用户任务卸载到一个边缘基站建立迁移模型。在优化问题中，以传输速率及成本系数为约束条件，以最小化服务器能耗为最终目标设计任务卸载方法，能有效均衡用户及系统的利益，为在移动边缘计算系统中实施任务卸载提供保证。

为实现上述目的，本发明提供一种基于博弈论的移动边缘计算任务卸载和资源调度方法，包括以下步骤：

S1、建立系统模型，接入基站确定用户任务卸载信息，计算任务卸载的传输速率；

若任务卸载在信道x传输，则b_k,x为1，若任务卸载在服务器m上，则相应地s_k,m为1；任务卸载到接入点AP的发射功率为f_k，任务卸载到AP的信道增益为G_k,AP,高斯白噪声为α²，则用户任务卸载k在信道x的传输速率：

其中，SRN为任务卸载传输信噪比，表示为SNR_k,AP＝f_kG_k,APB/α²B_x；

S2、计算时间约束

用户任务卸载的时间计算包括任务卸载在信道的任务卸载传输时间T_k ^trans及任务卸载处理时间T_k ^deal；

S3、确定用户端及服务器的资源能耗价格及成本

用户端的付出价格(即用户支付费用)，包括任务卸载传输价格C_x和任务卸载处理价格C_m；

服务器的能耗成本包括任务卸载传输成本

及任务卸载处理成本

S4、计算任务卸载到达服务器进行处理的能耗

S5、根据系统模型的分析，建立特定的优化问题模型；

在保证用户QoS的前提下给用户分配资源；利用博弈论原理对用户的价格进行控制协调；将用户多个任务卸载对资源需求的移动边缘计算资源调度问题转化为特定的优化问题，即用户满意度及系统服务效率的求解问题，以完成任务卸载用户端和服务器的能耗、价格成本优化。

所述特定的优化问题包括：任务卸载执行速度与能耗的关系的优化问题和任务卸载处理、传输价格与处理时间的优化问题。

进一步的，在步骤S1中不考虑用户之间的任务卸载处理及干扰情况，用户之间使用的载波频率不同，即通信占用不同，故极少出现干扰情况。

进一步的，在步骤S1中，保证任务卸载正常传输，任务卸载传输信噪比大于或等于信噪比参数，一般为8db，即保证SNR_k,AP≥8db。

进一步的，在步骤S2中，所述任务卸载传输时间和任务卸载计算处理时间之和小于用户给定的总的最大完成时间(是否对用户给定的最大完成时间作以说明一下)，即保证T_k ^trans+T_k ^deal<T_max，使得服务器能顺利完任务卸载处理。

进一步的，在步骤S3中，所述用户端的付出价格(即用户支付费用)应大于任务卸载传输成和任务卸载计算成本(此处是不是应该修改为任务卸载处理成本)，即保证

进一步的，在步骤S5中，所述特定的优化问题建立的模型，其中：

任务卸载执行速度与能耗的关系模型表示为

其中，服务器的价格因子为δ，表示用户任务卸载付出的价格代价；

任务卸载处理、任务卸载传输价格与任务卸载处理时间的模型表示为：

由此，得到最终优化模型表示为：

和

本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现上述的基于博弈论的移动缘计算任务卸载和资源调度方法。

本发明还提供一种计算机可存储介质，所述计算机可存储介质存储有计算机指令，所述计算机指令用于所述计算机执行上述的基于博弈论的移动缘计算任务卸载和资源调度方法。

本发明的有益效果是：

该方法以移动边缘服务器的能耗及用户延迟联合最小化为目标，将用户任务卸载及资源调度问题建模为优化问题，构建具有不同任务卸载优先级的基于多用户的任务卸载计算系统，以多用户任务卸载到一个边缘基站建立迁移模型。在优化问题中，基于博弈论求解传输速率及成本系数为约束条件，以最小化服务器能耗为最终目标设计任务卸载方法。该方法能有效均衡用户及系统的利益，能集中式完成调度，相比于其他调度方式，考虑了任务卸载的优先级，从而更符合实际任务卸载状态，避免资源浪费，为在移动边缘计算系统中实施多任务卸载提供保证。

附图说明

图1是本发明提供的计算任务卸载模型图

图2是本发明提供的随着任务卸载数变化服务器效用变化对比图

图3是本发明提供的随着任务数变化成本效用变化对比图

图4是本发明提供的随着任务数的任务卸载执行能耗对比图

图5是本发明提供的算法迭代变化图

图6是本发明提供的任务卸载执行延迟比较图

图7是本发明提供的流程图

图8是本发明提供的一种电子设备的结构框图

元件标号说明：

1-服务器、2-接入点、3-用户、4-处理器、5-存储器

具体实施方式

以下通过特定的具体实例说明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效，本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想。

实施例：

如图7所示，S1、建立系统模型，接入基站确定用户任务卸载信息，计算任务卸载的传输速率：

在边缘移动计算系统中，服务器1设置与用户3之间的关系，如图1所示。其中，接入点2为作为连接转发设备，完成二者的连接；服务器1、接入点2、用户3之间为无线通信。

根据图1所建模型，对多个不同长度的用户任务卸载在多个不同服务器1上的任务卸载问题进行下列假设：

(1)采用批处理模式，即可以充分利用资源，做出足够合理的任务卸载映射策略；

(2)服务器1服务与用户3的关系为一对多关系；

(3)用户设备3只将任务卸载到一个服务器1。

不考虑用户3之间的任务卸载处理及干扰情况，因为用户设备3之间使用的载波频率不同，即通信占用不同，故极少出现干扰情况。

移动边缘计算系统中有M个服务器1，K个用户3，每个用户任务卸载k的长度为h_k，任务卸载占用资源情况与任务卸载长度成正比，表示为h_ky_k，其中y_k表示单位长度任务卸载所占资源量。同时，MEC系统具有X个信道，信道组合带宽集合为{B₁,B₂,...,B_X}，单位信道带宽为B。

对于任务卸载，若任务卸载在信道x传输，则b_k,x为1，若任务卸载在服务器m上，则相应地s_k,m为1。

若任务卸载到AP的发射功率为f_k，任务卸载到AP的信道增益为G_k,AP,高斯白噪声为α²，传输速率与发射功率的关系为：

其中，P_k ^I,II,Ⅲ对应具有不同优先级的任务卸载，三类的优先级分别为P_k ^I，P_k ^II，P_k ^Ⅲ：I类最晚完成时间为必须为任务卸载分配足够的资源，以保证任务卸载必须在用户规定的时间内完成；II类最晚完成时间允许任务卸载的完成时间超过用户规定的最晚完成时间，分配资源后，此时的效用值相应降低；Ⅲ类最晚完成时间是用户没有强制规定任务卸载的完成时间，该任务卸载的执行不必满足任何期限，资源在何时分配均有效。

用户任务卸载k在信道x的传输速率为：

其中，SRN为任务卸载传输信噪比，表示为SNR_k,AP＝f_kG_k,APB/α²B_x。

如图7所示，S2、计算时间约束：

任务卸载的传输时间，表示如下：

T_k ^trans＝b_k,xh_k/v_k,xP_k ^I,II,Ⅲ (3)

服务器处理任务卸载时间表示如下：

T_k ^deal＝s_k,mh_ky_k/f_mP_k ^I,II,Ⅲ (4)

其中，f_m表示服务器单位时完成的CPU运转数。

如图7所示，S3、确定用户端及服务器的资源能耗价格及成本；

服务器任务卸载处理成本表示如下：

C_m＝β₁f_m (5)

其中，β₁表示计算任务卸载单位价格系数。

根据公式(5)，则用户任务卸载处理价格表示如下：

信道任务卸载传输成本表示如下：

C_x＝β₂B_x/B (7)

其中，β₂表示传输任务卸载单位价格系数。

根据公式(7)，则用户任务卸载传输价格表示如下：

S4、计算任务卸载到达服务器进行处理的能耗

任务卸载到达服务器进行计算的能耗E_off为：

整个系统中节省能耗表示为：

E_save＝h_ky_ke_m-E_off (10)

其中，e_m表示单位CPU运转所需能耗。

公式(1)、(9)、和(10)表示根据不同的任务卸载优先级，用户任务卸载完成所需能耗要求不同，导致消耗不同，因此也直接影响了系统的资源利用率。

如图7所示，S5、根据系统模型的分析，建立优化问题模型：

根据系统模型的分析，在保证用户QoS的前提下给用户分配资源。同时，利用博弈论原理对用户的价格进行控制协调。由此，将用户多个任务卸载对资源需求的移动边缘计算资源调度问题转化为特定的优化问题，即用户满意度及系统服务效率的求解问题表述为两个方面：一方面为任务卸载执行速度与能耗的关系，另一方面为任务卸载处理、传输价格与处理时间的优化问题。

结合公式(9)、公式(10)，得到系统节省能耗优化问题模型可表示如下：

其中，服务器的价格因子为δ，表示用户任务卸载付出的价格代价。

根据公式(3)-(8)，可得到用户任务卸载传输、处理价格与服务器处理任务卸载及任务卸载传输时间的性能优化问题模型为：

由此，得到两方面优化问题的表示：

满足约束条件：

C1:

C2:

C3:SNR_k,AP≥χ

其中，C1表示用户支付费用应大于任务卸载传输、计算成本，C2表示任务卸载传输时间以及任务卸载计算处理时间小于用户给定的总的最大完成时间，C3表示信噪比大于或等于信噪比参数χ，χ一般为8db。

任务卸载及资源调度策略博弈分析：

在移动边缘计算系统中，服务器通过提供给用户任务卸载所需资源获得收益，并且根据成本制定价格及资源分配策略，力求最大化自身利益-即最小化资源消耗；而用户任务卸载作为系统资源的需求对象，具有不同需求，希望得到的资源不同，并根据所获得的资源向服务器支付特定的费用，在不超过系统资源总量的前提下，最大化能量效率。

根据前述对于任务卸载及资源调度策略分析，用户提高传输功率受到上限值的限制，这一限制使得用户在使用资源时折中考虑优先级、资源效用同时也要付出代价。同时，要均衡用户与服务器的利益，遵循博弈原理，服务器根据预判情况，尽可能减少资源消耗的同时，尽最大可能满足用户不同优先级任务卸载的需求。

任务卸载发射功率与任务卸载大小关系：

对应不同优先级的任务卸载，由于U_save是关于v_k,x的凸函数，故存在最优解，求得的最优发射速率表示为：

v′_k,x＝b_k,xBP_k ^I,II,Ⅲln(G_k,APB²b_k,xP_k ^I,II,Ⅲe_k/α²B_xln2)/ln2 (15)

针对服务器的容量，处理任务卸载量不多于总的任务卸载量，则

由此可得：

v^* _k,x＝min{b_k,xBP_k ^I,II,Ⅲln(G_k,APB²b_k,xP_k ^I,II,Ⅲe_k/δα²B_xln2)/ln2,h_ky_k} (16)

于任务卸载容量，由于任务卸载占用服务器时间限制，则有h_ky_k/v_k,x≤T_max，则求得处理任务卸载量限制为h_k ^*＝max{0,v_k,xT_max/y_k}。

单位处理资源量与任务卸载效益关系：

对于系统的性能，易证函数C_beneft关于表示单位长度任务卸载所占资源量y_k为凹函数，存在极值，且接近极小值，根据公式(14)对y_k求导并得0，结合y_k和v_k,x的关系，，根据拉格朗日求解，求得：

博弈平衡点：

根据公式(16)、(17)求得问题的解，则存在博弈的平衡点使得:

博弈求解过程：

步骤1服务器根据公式(16)指定价格系数，调整任务卸载传输、执行价格；

步骤2用户根据公式(17)调整任务卸载优先级分布比例，经数个迭代周期，使得价格、执行时间效用达到最大；

步骤3如果此时的服务器效用达到最小值，则停止迭代；否则返回步骤1继续迭代，直到达到纳什均衡。

本发明在博弈论中的具体应用说明：

参与博弈方为：服务器和用户；博弈策略为：斯塔克尔伯格博弈，用户的策略即为是否进行任务卸载，服务器的策略即为对其卸载能力的定价；博弈支付(或收益)为：斯塔克尔伯格博弈的纳什均衡即为博弈的最终解.当博弈达到纳什均衡后，博弈中的每个参与者的效用可以达到最大值，且参与者单方面改变自身策略不会带来其效用的增加，即限制用户一味地降低价格而忽略服务器的卸载服务成本。

在该博弈中，分属于两个决策层的博弈者地位具有不对等性，处于决策地位的领导者服务器，作为上层的博弈者具有比下层博弈者，即作为从属者的用户，具有更大的影响力。博弈的领导者会率先作出决策，博弈从属者则根据领导者以及同层次的其他从属者的决策作出最优决策。服务器的目的是向用户提供有限的卸载能力，达到其收益的最大化；用户的目的是在给定的价格下选择最优的卸载决策，达到效用最大化.以为是一个领导者多个从属者，即一对多的关系，故为一主多从式斯塔克尔伯格博弈。

实验仿真与结果分析

实验设计：

实验环境:Intel 3.6GHz,128GB DDR4 2666MHz,Windows 10和Matlab 9.5。设计任务卸载调度系统模拟程序，根据仿真的需要生成不同的主机处理能力、主机数量、任务卸载数量。

参数设定如表1所示。

表1系统仿真参数

实验对提出的算法、无优先级区分任务卸载的分配算法和固定单位处理资源量的算法在执行任务卸载运行的服务器效用、时间以及算法的执行效果进行比较。

结果分析：

设置不同成本系数因子，提出算法执行时服务器效用变化情况如图2所示。

图2表明，随着任务卸载数量不断增多，当设置成本系数因子取值分别为δ₁＝0.2，δ₂＝0.3，δ₃＝0.4时，用户任务卸载量增加，由于任务卸载数量所利用的能量越多，避免了资源浪费，其利用率增大，效用随之增加，但设定数据越高，成本价格越高，服务器效用有所降低。

图3将提出的算法分别与无优先级区分任务卸载的分配算法和固定单位处理资源量的算法在执行任务卸载时成本效用比较。

图3实验结果表明，在三种算法中，服务器的效用都处于减少状态，这是因为，随着用户任务卸载增多，服务器要提供更多的CPU用于任务卸载服务，并且需要提高CPU的运转速度，这必然导致服务器的开销随之增加，但提出的算法较其他两种算法另的成本效用增幅较小。这是因为提出算法考虑了分配的对任务卸载服务时速率与任务卸载需要的CPU周期的均衡关系，所以效用更高。

图4表示为单任务卸载能耗随用户任务卸载数的变化关系。

在用户任务卸载数从100增加到800的过程中，使用提出的算法产生的任务卸载能耗占比低于另外两种算法，这是由于随着用户任务卸载数增加，在不同优先级的任务卸载要求下，在服务器等待服务的任务卸载排队等待时间增加，导致系统能耗增大，则单个任务卸载消耗的能耗也随之增加，但提出的算法由于均衡优先级处理和系统效用，由此任务卸载能耗在总体增加的趋势下仍小于其他两种算法。

图5给出了提出算法循环执行的变化情况。

在提出算法的控制下，通过图5的收敛过程可知，对于I类、II类、Ⅲ类最晚完成时间的任务卸载执行情况，在算法初始执行时速率较慢，执行后期逐渐趋于某个稳定值，因此算法可以在一定迭代次数后得到最优解。同时，选择适当的服务器资源量初始值，可以缩短迭代过程。

设置至少三分之一个是I类最晚完成时间，而其余三分之二任务卸载随机分配为II类最晚完成时间和Ⅲ类最晚完成时间，在此设置前提下，进行三种算法执行过程的比较如图6所示。

由图6可知，提出算法、无优先级算法、固定单位资源量算法的延迟变化均有波动，对于一组提交到服务器的任务卸载，由于提出算法具有任务卸载完成时间优先级区分，因此，相较于其它两种调度算法，在最晚完成时间内，提出算法调度完成高优先级的任务卸载数量多于其它调度算法，总的累计延迟时间小于其它调度算法。同时，随着用户任务卸载数增大，提出算法迭代次数逐渐降低，服务器根据用户及自身的实时执行情况调整本轮迭代，降低算法的执行复杂性，从而减少执行时间。

根据用户的QoS需求，对移动边缘计算资源进行有效调度，以实现用户及系统效用优化是当前移动边缘计算资源调度所遇到的挑战。根据移动边缘计算的资源分配特点，考虑了用户关于服务质量、价格的需求约束以及系统对于节约能耗的需求，设计了考虑任务卸载优先级的，基于博弈的移动边缘计算任务卸载及资源调度算法模型；针对优化模型，进行优化问题求解。实验结果及分析表明：提出的算法应用于移动边缘计算资源优化调度中，相较于无优先级区分任务卸载的分配算法和固定单位处理资源量的算法，任务卸载响应时间较快，能够促进资源的合理利用，在求解多优先级任务卸载及资源调度问题上满足用户的QoS需求，对资源进行更加合理的优化调度。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改，等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于博弈论的移动边缘计算任务卸载和资源调度方法，其特征在于，所述方法的具体步骤为：

S1、建立系统模型，接入基站确定用户任务卸载信息，计算任务卸载的传输速率；

若任务卸载在信道x传输，则b_k,x为1，若任务卸载在服务器m上，则相应地s_k,m为1；任务卸载到接入点AP的发射功率为f_k，任务卸载到AP的信道增益为G_k,AP,高斯白噪声为α²，则任务卸载在信道x的传输速率：

S2、计算时间约束；

用户任务卸载的时间计算包括任务卸载在信道的任务卸载传输时间T_k ^trans及任务卸载处理时间T_k ^deal；

S3、确定用户端及终端的资源能耗价格及成本；

服务器的能耗成本包括任务卸载传输成本C_x及任务卸载处理成本C_m；

用户端的付出价格，包括任务卸载传输价格

和任务卸载处理价格

S4、计算任务卸载到达服务器进行处理的能耗E_off＝f_kT_k ^deal；

S5、根据系统模型的分析，建立特定的优化问题模型；

将用户多个任务卸载对资源需求的移动边缘计算资源调度问题转化为特定的优化问题，所述特定的优化问题包括：任务卸载执行速度与能耗的关系的优化问题和任务卸载处理、传输价格与处理时间的优化问题。

2.根据权利要求1所述的一种基于博弈论的移动缘计算任务卸载和资源调度方法，其特征在于，所述步骤S1中不考虑用户之间的任务卸载处理及干扰情况。

3.根据权利要求1所述的一种基于博弈论的移动缘计算任务卸载和资源调度方法，其特征在于，所述步骤S1中，任务卸载传输信噪比大于或等于信噪比参数χ，一般为8db，即保证SNR_k,AP≥8db。

4.根据权利要求1所述的一种基于博弈论的移动缘计算任务卸载和资源调度方法，其特征在于，所述步骤S2中，任务卸载传输时间和任务卸载计算处理时间之和小于用户给定的总的最大完成时间，即保证T_k ^trans+T_k ^deal<T_max。

5.根据权利要求1所述的一种基于博弈论的移动缘计算任务卸载和资源调度方法，其特征在于，所述步骤S3中，用户端的付出价格大于任务卸载传输成本和任务卸载处理成本，即保证

6.根据权利要求1所述的一种基于博弈论的移动缘计算任务卸载和资源调度方法，其特征在于：所述步骤S5中，所述特定的优化问题建立的模型为：

任务卸载执行速度与能耗的关系模型表示为

任务卸载处理、任务卸载传输价格与任务卸载处理时间的模型表示为：

由此，得到最终优化模型表示为：

和

7.一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，其特征在于：所述处理器运行程序指令实现如权利要求1至权利要求6任一项所述的基于博弈论的移动缘计算任务卸载和资源调度方法。

8.一种计算机可存储介质，其特征在于：所述计算机可存储介质存储有计算机指令，所述计算机指令用于所述计算机执行如权利要求1至权利要求6任一项所述的基于博弈论的移动缘计算任务卸载和资源调度方法。

Images