CN113660325A - 一种基于边缘计算的工业互联网任务卸载策略 - Google Patents

Abstract

本发明提供一种基于边缘计算的工业互联网任务卸载策略，包括以下步骤：构建一种三层计算节点的集成计算架构，所述工业设备层只和边缘计算层进行数据通信，所述边缘计算层分别与工业设备层、云计算层进行数据通信；构建任务卸载时延计算模型,对于所述边缘计算层接收的任务进行任务总响应时延进行计算；构建带有约束优化的粒子群时延优化算法模型，对于边缘计算层接收的任务计算最优卸载策略。这样在靠近工业设备的一端的边缘服务器，大量的数据及任务尤其是一些时延敏感的任务，将在边缘服务器上得到快速的处理，网络的负载将会显著降低，网络云服务器的拥堵情况改善，在此基础上进一步降低数据处理的延迟。

Description

一种基于边缘计算的工业互联网任务卸载策略

技术领域

本发明涉及工业互联网领域，涉及边缘计算及其任务卸载，具体地涉及一种基于边缘计算的工业互联网任务卸载策略。

背景技术

随着接入互联网的工业设备越来越多，仅仅依靠传统的云计算模式，难以同时满足工业应用在时延和经济性方面的需求。边缘计算作为一种最新兴起的计算模式，通过将计算和存储等服务放在靠近设备的一端，能够提供更快的服务响应并降低网络开销。但相较云计算模式，随着任务数量和复杂性的增加，仅仅依靠边缘计算模式则会面临资源受限而无法满足任务需求的问题。在设备和云平台之间加入边缘平台可以增强对时延敏感性任务的处理能力，根据任务需求不同，将其卸载到云服务器或者边缘服务器。

云服务器拥有充足的资源，可以处理非常复杂的任务，并且支持超大规模的访问。但是由于云服务中心在地域上距离工业设备较远，数据的上传可能会导致延迟，这对于工业生产场景是不可容忍的，并且随着工业设备的增加，工业设备产生的数据也会随着增加，再将数据上传到云服务器，会对网络造成很大的压力，时延可能会进一步增加。而低延迟是边缘计算最大的优势，在靠近工业设备的一端加上边缘服务器，大量的数据及任务尤其是一些时延敏感的任务，将在边缘服务器上得到快速的处理。通过这种方式，网络的负载将会显著降低，拥堵情况也会得到明显的改善，在此基础上进一步降低数据处理的延迟。此外，由于边缘计算靠近设备端，所以能够更加有效的减少数据隐私的泄漏，保障敏感数据的安全。边缘计算的使用决定了工业设备不会将所有的数据都存储在云上，这在减少云上存储成本的同时，也降低了对云的依赖，降低了因为云服务器可能出现的故障造成更大巨大损失的可能性。

将任务卸载到边缘计算或者云计算平台可以有效的保证工业应用的服务质量(Quality of Service，QoS)，但是任务卸载往往是非常复杂的，所以在任务卸载时需要充分考虑任务时延从而找到优化的卸载方案。

发明内容

本发明目的在于提供一种一种基于边缘计算的工业互联网任务卸载策略，能够在任务卸载时需要充分考虑任务时延从而提供最优化的卸载方案。

为达成上述目的，本发明提出如下技术方案：

一种基于边缘计算的工业互联网任务卸载策略，包括以下步骤：

S1、构建一种三层计算节点的集成计算架构：

第一层计算节点为工业设备层，负责执行具体生产任务；

第二层计算节点为边缘计算层，负责处理部分来自工业设备层卸载的任务；

第三层为云计算层，负责处理来自边缘计算层卸载的任务；

所述工业设备层只和边缘计算层进行数据通信，所述边缘计算层分别与工业设备层、云计算层进行数据通信；

S2、构建任务卸载时延计算模型,对于所述边缘计算层接收的任务进行任务总响应时延进行计算；

S3、构建带有约束优化的粒子群时延优化算法模型，对于边缘计算层接收的任务计算最优卸载策略。

进一步的，所述步骤S2中所述的构建任务卸载时延计算模型为：

将任务划分为若干个子任务{D₁,D₂,…,D_i,…,D_k,D_cl}，子任务被卸载所有的边缘计算层的边缘设备和云计算层的云服务器上分布式协作执行，完成计算任务的总响应时延T为：

其中，

表示边缘设备e_i处理其上子任务D_i的计算时延，

表示设备e_i和e_j之间的通信时延，

表示边缘设备vi和vj之间是否存在任务分配关系，

表示分配关系存在，

表示分配关系不存在，

表示在云服务器C上处理子任务D_cl的计算时延，

表示边缘设备e_j和云服务器C之间是否存在子任务分配关系，

表示分配关系存在，

表示分配关系不存在。

进一步的，所述步骤S2中所述的构建任务卸载时延计算模型中，计算节点e_i，e_j间的通信时延

计算公式为：

其中，D_i是边缘主设备e_j发送给其他边缘设备e_i的子任务，L代表数据包的长度，Pe_i代表边缘设备e_i，e_j间通信链路的丢包率，T_s表示一个数据包成功传输的时延，设每条通信链路的数据传输速率为r_i，则一个数据包成功传输的时延T_s为：

综合可得，边缘设备e_i，e_j的通信时延

为：

同理，边缘设备e_j和云服务器C之间的通信时延为：

其中，D_cl是边缘主设备e_j发送给云服务器C的子任务，r_c为边缘设备e_j与云服务器C之间通信链路的数据传输速率，Pe_c代表通信链路的丢包率。

进一步的，所述步骤S3中所述的对于边缘计算层接收的任务计算最优卸载策略，计算任务响应时延T最小，计算最小任务响应时延的模型为：

0≤D_i,D_cl≤D

进一步的，采用带有约束优化的粒子群时延优化算法来对所述计算最小任务响应时延的模型的优化问题进行求解：

对于有n个粒子的粒子群，粒子i的位置

是所述最小任务响应时延的模型的一个解，其中I表示算法的迭代次数；粒子的位置

粒子的适应度函数用来评价每个粒子位置的好坏，定义适应度函数f(X)为：

其中，H表示搜索空间S中的可行域，也就是满足所述计算最小任务响应时延的模型中约束的搜索空间，S-H是非可行域，σ为惩罚系数，

是对第j代约束违背测度，

是表示算法执行到第I代时，对非可行粒子的附加启发值，即手动添加惩罚项使非可行粒子的适应度函数比可行粒子的差，

和

为：

其中，Worst(I)表示算法迭代到第I代时所记录的可行粒子最大适应度值。

另一方面，本申请还提供一种存储器，用于存储软件，其中，所述软件用于执行上述的策略。

另一方面，本申请还提供一种处理器，用于执行软件，其中，所述软件用于执行上述的策略。

有益效果：

由以上技术方案可知，本发明的技术方案提供了一种基于边缘计算的工业互联网任务卸载策略，通过构建带有约束优化的粒子群时延优化算法模型，对于边缘计算层接收的任务计算最优卸载策略，在靠近工业设备的一端的边缘服务器，大量的数据及任务尤其是一些时延敏感的任务，将在边缘服务器上得到快速的处理。通过这种方式，网络的负载将会显著降低，网络云服务器的拥堵情况也会得到明显的改善，在此基础上进一步降低数据处理的延迟。与此同时，由于边缘计算靠近设备端，所以能够更加有效的减少数据隐私的泄漏，保障敏感数据的安全。工业设备不会将所有的数据都存储在云上，这在减少云上存储成本的同时，也降低了对云的依赖，降低了因为云服务器可能出现的故障造成更大巨大损失的可能性。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1一种工业设备、边缘和云资源的集成计算架构图；

图2集成计算架构下工业设备任务卸载的流程图；

图3集成计算架构下求解优化模型的算法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。

实施例

本发明提供了一种基于边缘计算的工业互联网任务卸载策略，图1为所提出的一种融合工业设备、边缘和云资源的集成计算架构图，包括：

工业设备层：主要由传感器节点、生产设备、传送带系统、智能工业机器人、机械臂及智能终端等工业设备组成。该层的主要功能是执行具体的生产任务，这些设备自身具备一定的计算和存储能力，可以支持简单的工业生产需要，所以工业设备可以视自身的负载情况，以及所产生的数据量的大小决定是否将计算任务卸载到边缘计算层或是云计算层。同时，为了保证数据隐私和安全，工业设备只和边缘计算层进行数据交换，而不和云服务器直接进行通信。

边缘计算层：主要由边缘服务器和边缘交换机等网络设备组成，靠近工业设备一端，可以处理来自工业设备卸载的计算任务。为了方便部署节点并考虑到边缘网络的扩展性，边缘设备之间以及边缘设备与工业设备之间通过无线链路进行通信。边缘设备集群执行分布式计算降低时延，利用计算卸载策略可以合理地将子任务分配到边缘设备，并将数据体量大、对时延要求相对降低的计算任务进一步卸载到云服务器进行处理。

云计算层：主要是云计算平台，包含大量的云服务器，拥有最多的计算和存储资源。云计算层主要用来处理来自边缘计算层卸载的任务，借助于其庞大的计算和存储资源，云计算可以并行化的处理被卸载到此层的任务。同时，由于云计算层一般在地域上距离边缘计算层较远，所以将两层之间的带宽设置为较小的值，而边缘计算层与工业设备层较近，所以带宽设置为较大的值。

图2为集成计算架构下工业设备任务卸载的流程图，包括：

工业设备产生计算任务，根据任务所产生的数据量、自身的计算能力、完成任务所需的时延以及传输时延，决定该计算任务是否需要卸载，如果不需卸载则该计算任务在本地工业设备中完成；如果需要卸载，则将该任务分别卸载到所有的边缘设备以及云服务器完成计算。

基于该流程图，建立以下通信时延计算模型：

工业设备层的智能终端及用户首先将需求低时延高可靠的业务请求发送至边缘设备，接收到响应后终端发送需要处理的计算任务D到边缘设备，接收此任务的边缘设备则被视为是主边缘设备。随后该计算任务被划分为若干个子任务{D₁,D₂,…,D_i,…,D_k,D_cl}，这些子任务被卸载至所有的边缘设备和云服务器分布式协作执行。所以完成计算任务的总响应时延T可表示为：

其中，

表示边缘设备e_i处理其上子任务D_i的计算时延，

表示设备e_i和e_j之间的通信时延。

表示边缘设备vi和vj之间是否存在任务分配关系，

表示分配关系存在，

表示分配关系不存在。

表示在云服务器C上处理子任务D_cl的计算时延，

表示边缘设备e_j和云服务器C之间是否存在子任务分配关系，

表示分配关系存在，

表示分配关系不存在。

集成架构中，计算节点e_i，e_j间的通信时延

计算公式如下：

其中，D_i是边缘主设备e_j发送给其他边缘设备e_i的子任务，L代表数据包的长度，T_s表示一个数据包成功传输的时延，Pe_i代表边缘设备e_i，e_j间通信链路的丢包率。设每条通信链路的数据传输速率为r_i，则一个数据包成功传输的时延T_s计算如下：

综合公式(2)(3)可得，边缘设备e_i，e_j的通信时延

可表示为：

同理，边缘设备e_j和云服务器C之间的通信时延计算公式如下：

其中，D_cl是边缘主设备e_j发送给云服务器C的子任务，r_c为边缘设备e_j与云服务器C之间通信链路的数据传输速率，Pe_c代表通信链路的丢包率。

为了尽可能的降低公式(1)中所示的计算任务响应时延，需要综合考虑边缘设备与云服务器的通信和计算能力，从而寻找到一组最优的任务分配方式{D₁,D₂,…,D_i,…,D_k,D_cl}来进行任务卸载，使得计算任务响应时延T最小，故计算最小任务响应时延的模型如下：

0≤D_i,D_cl≤D

为解决上述公式(6)(7)所示的优化问题，在本发明中采用带有约束优化的粒子群时延优化算法来对该优化问题进行求解。对于有n个粒子的粒子群，粒子i的位置

是公式(6)的一个解，其中I表示算法的迭代次数。粒子的位置

粒子的适应度函数用来评价每个粒子位置的好坏，定义适应度函数f(X)如下：

其中，H表示搜索空间S中的可行域，也就是满足公式(6)(7)中约束的搜索空间。S-H是非可行域。σ为惩罚系数。

是对第j代约束违背测度。

是表示算法执行到第I代时，对非可行粒子的附加启发值，即手动添加惩罚项使非可行粒子的适应度函数比可行粒子的差。

和

可表示如下：

其中，Worst(I)表示算法迭代到第I代时所记录的可行粒子最大适应度值。

图3为所提出的带有约束优化的粒子群延时优化算法的流程图，包括：

S301，进行种群的初始化。

具体的，粒子i的位置以及粒子的速度

可表示如下，

表示位置更新的方向和距离。

其中，第i维的位置变化范围限定在[x_imin,x_imax]内，也就是[0，1]内。第i维速度变化范围限定在[-v_imax,v_imax]内，v_max决定了粒子当前位置和最好位置之间的搜索精度，取值越小搜索精度越高，取值越大搜索范围越大，通常将v_max限制在

除了位置和速度之外，每个粒子还维护这自身最佳的位置

可表示为：

表示粒子i经历I代后的最佳位置。此外，粒子群也维护着全局粒子的最佳位置Gb^I，

表示全部粒子经历I后的最佳位置。粒子i的速度和位置的更新公式为：

其中，w是惯性因子，表示对前次速度的继承。φ₁和φ₂是学习因子，φ₁表示“自我认知”部分，是对自身最好位置的学习因子；φ₂表示“社会经验”部分，是对全局最佳位置的学习因子，r₁和r₂是两个均匀分布在0和1之间的随机数。

具体的，在进行种群初始化时，设置粒子个数u，惯性因子w，最大迭代次数MaxG，以及φ₁、φ₂、r₁、r₂、Worst(0)等变量值，在可行域中随机初始化粒子i的位置

设置速度

为0，个体最佳位置

全局最佳位置Gb⁰为

最小值所对应的位置。

S302，根据公式(8)，(9)，(10)，(11)计算每个粒子的适应度值f(X_i)。

S303，比较每个粒子i的适应度值f(X_i)与其个体最佳位置的适应度值f(B_i)。如果当前位置适应度值更小，则将个体最佳位置更新为X_i。

S304，比较每个粒子i的适应度值f(X_i)与其全局最佳位置的适应度值f(Gb)。如果当前适应度值更小，则将全局最佳位置更新为X_i。

S305，根据公式(12)(13)更新粒子的速度和位置。如果更新后的速度和位置超过了限定范围边界，则用边界值进行代替。

S306，在达到最大迭代次数MaxG后，算法输出全局最佳位置Gb^MaxG，该位置就是最优卸载策略，包括了卸载系数和各边缘节点上的任务分配比例，最低时延为f(Gb^MaxG)。如果没有达到最大迭代次数，则迭代次数加1，并将更新后的粒子返回代入到S302继续进行算法迭代。

在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种基于边缘计算的工业互联网任务卸载策略，其特征在于：包括以下步骤：

S1、构建一种三层计算节点的集成计算架构：

第一层计算节点为工业设备层，负责执行具体生产任务；

第二层计算节点为边缘计算层，负责处理部分来自工业设备层卸载的任务；

第三层为云计算层，负责处理来自边缘计算层卸载的任务；

所述工业设备层只和边缘计算层进行数据通信，所述边缘计算层分别与工业设备层、云计算层进行数据通信；

S2、构建任务卸载时延计算模型,对于所述边缘计算层接收的任务进行任务总响应时延进行计算；

S3、构建带有约束优化的粒子群时延优化算法模型，对于边缘计算层接收的任务计算最优卸载策略。

2.根据权利要求1所述的基于边缘计算的工业互联网任务卸载策略，其特征在于：

所述步骤S2中所述的构建任务卸载时延计算模型为：

将任务划分为若干个子任务{D₁,D₂,…,D_i,…,D_k,D_cl}，子任务被卸载所有的边缘计算层的边缘设备和云计算层的云服务器上分布式协作执行，完成计算任务的总响应时延T为：

其中，

表示边缘设备e_i处理其上子任务D_i的计算时延，

表示设备e_i和e_j之间的通信时延，

表示边缘设备vi和vj之间是否存在任务分配关系，

表示分配关系存在，

表示分配关系不存在，

表示在云服务器C上处理子任务D_cl的计算时延，

表示边缘设备ej和云服务器C之间是否存在子任务分配关系，

表示分配关系存在，

表示分配关系不存在。

3.根据权利要求2所述的基于边缘计算的工业互联网任务卸载策略，其特征在于：

所述步骤S2中所述的构建任务卸载时延计算模型中，计算节点e_i，e_j间的通信时延

计算公式为：

其中，D_i是边缘主设备e_j发送给其他边缘设备e_i的子任务，L代表数据包的长度，Pe_i代表边缘设备e_i，e_j间通信链路的丢包率，T_s表示一个数据包成功传输的时延，设每条通信链路的数据传输速率为r_i，则一个数据包成功传输的时延T_s为：

综合可得，边缘设备e_i，e_j的通信时延

为：

同理，边缘设备e_j和云服务器C之间的通信时延为：

其中，D_cl是边缘主设备e_j发送给云服务器C的子任务，r_c为边缘设备e_j与云服务器C之间通信链路的数据传输速率，Pe_c代表通信链路的丢包率。

4.根据权利要求1所述的基于边缘计算的工业互联网任务卸载策略，其特征在于：

所述步骤S3中所述的对于边缘计算层接收的任务计算最优卸载策略，计算任务响应时延T最小，计算最小任务响应时延的模型为：

0≤D_i,D_cl≤D

5.根据权利要求4所述的基于边缘计算的工业互联网任务卸载策略，其特征在于：

采用带有约束优化的粒子群时延优化算法来对所述计算最小任务响应时延的模型的优化问题进行求解：

对于有n个粒子的粒子群，粒子i的位置

是所述计算最小任务响应时延的模型的一个解，其中I表示算法的迭代次数；粒子的位置

粒子的适应度函数用来评价每个粒子位置的好坏，定义适应度函数f(X)为：

其中，H表示搜索空间S中的可行域，也就是满足所述计算最小任务响应时延的模型中约束的搜索空间，S-H是非可行域，σ为惩罚系数，

是对第j代约束违背测度，

是表示算法执行到第I代时，对非可行粒子的附加启发值，即手动添加惩罚项使非可行粒子的适应度函数比可行粒子的差，

和

为：

其中，Worst(I)表示算法迭代到第I代时所记录的可行粒子最大适应度值。

6.一种存储器，其特征在于，用于存储软件，其中，所述软件用于执行权利要求1至5中任一项所述的策略。

7.一种处理器，其特征在于，用于执行软件，其中，所述软件用于执行权利要求1至5中任一项所述的策略。

Images