CN113709817B - 多基站多服务器场景下的任务卸载和资源调度方法及装置 - Google Patents

Abstract

本发明提供了一种多基站多服务器场景下的任务卸载和资源调度方法及装置，包括：边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。本发明利用内点法和遗传算法可以得到计算资源分配的结果、信道资源分配结果和基站选择结果，从而得到相应的任务卸载策略和资源调度策略，有利于应用在多基站多服务器及多用户设备的密集部署场景下节约资源。

Description

多基站多服务器场景下的任务卸载和资源调度方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种多基站多服务器场景下的任务卸载和资源调度方法及装置。

背景技术

随着5G通信技术和移动智能设备的不断发展，各类时延敏感型和计算密集型任务不断增加。移动边缘计算将计算资源转移到靠近移动终端的网路边缘，缓解了网络拥塞，延长了终端设备的续航能力，有效地降低了任务执行时间和终端能耗，超密集网络也是解决数据流量爆炸和设备计算能力有限等问题的一种有效方法。移动边缘计算和超密集网络的结合，在增加了网络容量的同时，提高了移动终端设备的计算能力，有效满足了任务的传输和计算要求。

计算卸载可分为本地计算，完全卸载和部分卸载三种情况：本地计算是所有计算任务都在本地执行。完全卸载是将所有计算任务卸载到边缘服务器中进行处理。部分卸载通常是最有效和最复杂的，因为它需要根据具体计算任务的情况来区分卸载到服务器以及在本地计算的数据。时延和能量消耗是移动系统的两个主要方面，因此，在进行计算卸载时，这将是考虑的重点。

信息时代能源消耗的不断增长，使得通信设备和基础设施在全球温室气体排放中发挥着重要作用。因此，绿色5G网络的发展已成为未来无线通讯领域重要的研究方向。而移动边缘计算和超密集网络是5G网络的关键组成部分，因此能源消耗问题已经成为热点问题。另一方面，网络基础设施的密集部署使得网络环境变得十分复杂，虽然增强了终端设备的有效信号接收，但也增加了终端设备间的传输干扰，影响传输和通信效率，对于一些时延敏感型应用，保证应用任务的快速传输和执行也是一个研究重点。

现有研究没有考虑网络基站与边缘服务器同时密集部署的情况，从而无法满足实际场景中的应用场景和用户需求。在基站和边缘服务器同时密集部署的超密集网络下，移动边缘计算的任务卸载和资源调度面临严峻的挑战。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种多基站多服务器场景下的任务卸载和资源调度方法及装置。

第一方面，本发明实施例提供一种多基站多服务器场景下的任务卸载和资源调度方法，包括：

边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；

基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；

基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；

根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。

进一步地，还包括：

基于所述计算资源确定所述计算任务在所述边缘服务器上的执行时间和能量消耗。

进一步地，预设结束迭代条件为：所述基站能够提供的用户设备总量与惩罚因子的积小于预设的容忍误差。

进一步地，所述基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果，具体包括：

基于计算资源分配的结果采用遗传算法进行不少于一千次迭代得到信道资源分配结果和基站选择结果。

第二方面，本发明实施例提供了一种多基站多服务器场景下的任务卸载和资源调度装置，包括：

接收模块，用于边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；

第一计算模块，用于基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；

第二计算模块，用于基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；

确定模块，用于根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。

进一步地，还包括：

确定执行时间和能耗模块，用于基于所述计算资源确定所述计算任务在所述边缘服务器上的执行时间和能量消耗。

进一步地，所述第一计算模块中的预设结束迭代条件为：所述基站能够提供的用户设备总量与惩罚因子的积小于预设的容忍误差。

进一步地，所述第二计算模块，具体用于：

基于计算资源分配的结果采用遗传算法进行不少于一千次迭代得到信道资源分配结果和基站选择结果。

第三方面，本发明实施例还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第一方面所述的多基站多服务器场景下的任务卸载和资源调度方法的步骤。

第四方面，本发明实施例还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，该计算机程序被处理器执行时实现如上第一方面所述的多基站多服务器场景下的任务卸载和资源调度方法的步骤。

由上述技术方案可知，本发明实施例提供的多基站多服务器场景下的任务卸载和资源调度方法及装置，通过边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。本发明利用内点法和遗传算法可以得到计算资源分配的结果、信道资源分配结果和基站选择结果，从而得到相应的任务卸载策略和资源调度策略，有利于应用在多基站多服务器及多用户设备的密集部署场景下节约资源。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的多基站多服务器场景下的任务卸载和资源调度方法的流程示意图；

图2为本发明一实施例提供的多基站多服务器多用户设备的场景示意图；

图3为本发明一实施例提供的多基站多服务器场景下的任务卸载和资源调度装置的结构示意图；

图4为本发明一实施例提供的电子设备的实体结构示意图。

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中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。下面将通过具体的实施例对本发明提供的多基站多服务器场景下的任务卸载和资源调度方法进行详细解释和说明。

图1为本发明一实施例提供的多基站多服务器场景下的任务卸载和资源调度方法的流程示意图；如图1所示，该方法包括：

步骤101：边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系。

步骤102：基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果。

步骤103：基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果。

步骤104：根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。

本发明实施例提供的多基站多服务器场景下的任务卸载和资源调度方法基于多基站多服务器场景下的任务卸载和资源调度系统实现，该系统是由多用户设备、多基站、多边缘服务器组成的移动边缘计算系统，多用户设备、多基站、多边缘服务器的场景如图2所示。

在本实施例中，需要说明的是，本发明实施例提供的多基站多服务器场景下的任务卸载和资源调度方法，在网络基础设施和移动终端设备密集部署的场景下，研究任务卸载过程中的基站选择、信道资源分配和计算资源分配等问题。目标是在保证用户服务质量的同时，减少用户设备和边缘服务器的运行负担，降低包括系统能耗和时延在内的系统成本。具体内容为：在多基站、多边缘服务器和多用户设备密集分布的场景下，以最小化系统成本为目标。针对边缘服务器，对各服务器上所卸载的设备任务进行计算资源分配；在此基础上，针对用户设备，进行信道资源的分配和基站选择，从而获得最优的任务卸载和资源调度策略。本发明考虑了用户设备和边缘服务器中计算资源的有限性以及用户设备在卸载过程中相互之间的干扰问题，从而更适用于实际情况。

本发明实施例提供的多基站多服务器场景下的任务卸载和资源调度方法的应用场景中存在多个服务器基站N＝{1,2,...,n,...,N}，服务器和基站具有一一对应的关系，以及处于基站服务范围内的多个用户设备U＝{1,2,...,u,...,U}，服务器基站与用户设备之间存在平均划分的无线信道M＝{1,2,...,m,...,M}。用户设备通过正交频分复用技术进行任务卸载，每个传输信道是正交的。因此，在上行通信过程中，每个用户设备占用一个信道，占用不同信道的设备之间不存在干扰，而复用同一个信道的多个设备之间存在干扰。当用户设备u通过信道m与服务器基站n建立通信时，其信噪比(SINR)可以表示为

其中p_u表示用户设备u的传输功率，g_u,n表示设备u到服务器基站n的信道增益，σ²是高斯白噪声方差。/>

是信道占用状态的二进制变量，当用户设备i占用信道m时，/>

否则/>

针对用户设备i需要说明的是：用户设备i表示同一信道中除用户设备u之外的所有用户设备。根据设备的传输带宽B和香农公式可以求得用户设备u通过信道m到服务器基站n的上行传输速率为/>

进一步地，针对系统能耗和时延函数进行解释说明：

每个用户设备包含一个计算任务元组Q_u＝{s_u,ω_u}，其中s_u表示用户设备u中任务Q_u的数据量大小，ω_u表示完成任务Q_u所需要的CPU周期数。用户可以选择将计算任务在本地执行，或者卸载到边缘服务基站处理。当设备u选择将任务Q_u在本地执行时，

定义为设备u的CPU频率，则本地执行时间为：

本地执行能耗为：

/>

ω_u是与设备CPU硬件结构相关的常数。当设备u将任务Q_u卸载到边缘服务基站进行处理时，任务Q_u的传输时间表示为：

表示设备u对信道m的资源分配指标，β_u,n∈{0,1}表示设备u到达基站n的基站选择指标，任务Q_u的传输能耗表示为：

任务Q_u卸载到服务器基站n后，边缘服务器将分配相应的计算资源用于任务处理，

表示服务器n分配给设备u的计算资源，则任务Q_u在边缘服务器上的执行时间为：

与本地执行相同，边缘服务器执行能耗为：

ρ^e是取决于边缘服务器芯片架构的系数。为了更适用于实际情况和节约能耗，考虑在服务器基站开启时的能耗

包括与发送结果数据无关的恒定能耗/>

和与之相关的动态能耗E^d。因为相比于服务器基站运行的恒定能耗，返回任务执行结果的传输时间和能耗特别小，所以服务器基站开启时的能耗看作只有恒定能耗，即/>

为了节约能源，在没有用户设备与服务器基站通信时，基站是关闭的，不会产生能耗，定义D_n表示服务器基站n的开关状态函数，表示为：

当D_n＝1时，表示服务器基站处于ON运行状态，反之，处于OFF关闭状态。定义x_u为用户设备u的卸载状态函数，表示为：

当x_u＝1时，表示设备u将卸载计算任务到边缘服务器处理，反之，则在本地进行处理。根据以上描述，系统总能耗表示为：

同时，所有任务的执行时间可以表示为：

本发明实施例的研究目标是优化包括系统能耗和时延在内的系统成本，通过设置权衡参数ξ来权衡任务执行过程产生的系统能耗和时延，其中0≤ξ≤1。目标函数可以形式化表示为

目标函数中的三个变量指标分别为基站选择指标(即基站选择结果)、信道资源分配指标(即信道资源分配结果)和计算资源分配指标(即计算资源分配结果)。

针对计算资源分配，进行解释说明：

当用户设备u选择将计算任务卸载到服务器基站进行处理时，即任务卸载指标x_u＝1，边缘服务器n将会对分配到本服务器上的设备u分配相应的计算资源

由于每个边缘服务器都是独立处理任务，最小化每一个边缘服务器的成本就是最小化系统成本(即通过牛顿内点法和遗传算法最小化每一个边缘服务器对应的任务卸载策略和资源调度策略)。因此，本实施考虑单个边缘服务器基站n，假设卸载到服务器基站n的用户任务集合U_n＝{1,2,...,u_n,...,U_n}。为了便于求解，本实施例对变量/>

进行归一化处理，定义

其中/>

表示边缘服务器n中总的计算资源。因此，目标函数中关于计算资源分配的子问题可以表示为

通过对子问题(12)可以建立相关变量c的Hessian矩阵，易证明子问题(12)为凸优化问题。本实施例运用牛顿内点法依据变量计算资源c的约束条件，定义对数惩罚函数φ(c),从而将子问题(12)转化为无约束优化问题

τ^(k)为牛顿内点法中定义的惩罚因子，对(13)进行关于c求导可以得到

初始化惩罚因子τ⁽⁰⁾，定义容许误差ε和惩罚因子的递减系数μ，迭代循环求解(14)得到

并在每次循环中通过τ^(k+1)＝τ^(k)×μ更新惩罚因子，直至(U_n+1)τ^(k)＜ε结束迭代，其中，(U_n+1)表示基站n能够提供的用户设备总量。针对n，得到用户设备u在服务器n上的计算资源分配策略集。

针对信道资源分配和基站选择进行解释说明：

因为信道资源分配指标和基站选择指标是相互耦合的，需要对其进行同时求解，在获得计算资源分策略集(即计算资源分配的结果)的基础上，将(11)转化为整数规划问题

问题(11)与问题(15)的区别在于变量与约束条件的简化，因为系统能耗和时延与信道资源分配指标和基站选择指标相关联，因此问题表述形式保持不变。本发明实施例运用遗传算法对(15)进行求解：

第一步：进行染色体编码和初始化种群。种群是由染色体定义的多个个体组成，群体中个体数量为服务器基站数量(信道资源与服务器基站一一对应)，每条染色体都是子问题(15)的潜在解，染色体上的每一个基因对应一个选择指标。设置初始种群中个体染色体为

其中，

表示分配给用户设备u的信道资源，/>

表示用户设备u选择的服务器基站。对于第g代种群，染色体基因与信道资源分配指标/>

和基站选择指标β_u,n存在如下映射关系

第二步：定义适应度函数，执行选择操作。子问题(15)是优化目标，所以定义适应度函数为Fitness＝(1-ξ)T+ξE，并结合得到的计算资源分配的结果，得到每个个体的个体适应度，并选择一定数量个体适应度最高的个体直接进去下一代。

第三步：执行交叉和变异操作。首先定义交叉概率P_c和变异概率P_m，对种群中个体两两分组，对于个体i和个体j：

以交叉概率P_c交换两个个体对应的染色体片段，产生因后代个体

对于

和/>

基因根据P_m进行概率变异，下一代基因表示为

其中

和/>

分别是基因/>

和/>

的突变因子。

以上过程迭代g_max次，预设为至少一千次，根据第g_max代种群中的个体

针对卸载任务的用户设备，得到最优信道资源分配和基站选择策略集。

综上，可以得到最优任务卸载和资源调度策略集。

为了更好的理解本发明，下面结合实施例进一步阐述本发明的内容，但本发明不仅仅局限于下面的实施例。

本发明实施例考虑基站和边缘服务器同时密集部署的超密集场景，设计基于牛顿内点法和遗传算法的任务卸载和资源调度策略：具体地，对于场景内的基站、边缘服务器和用户设备，以最小化系统成本为目标，首先针对各个边缘服务器上所卸载的设备任务进行计算资源的分配决策；在此基础上，针对用户设备，选择使系统成本更低的服务器基站及信道进行卸载；最后获得最小系统成本的任务卸载和资源调度决策方案。

举例来说，计算资源分配：

第一步：对计算资源分配变量

归一化处理为/>

针对计算资源分配策略集c定义子问题/>

第二步：构建关于P1问题的Hessian矩阵，证明P1问题是凸优化问题。

第三步：通过牛顿内点法迭代求解问题P1，得到用户设备u在服务器n上的计算资源分配策略集(即确定计算资源分配结果)。

第四步：在获得计算资源分策略集的基础上，将公式(11)转化为整数规划问题

第五步：进行染色体编码和初始化种群，设置初始种群中个体染色体

第六步：定义适应度函数Fitness＝(1-ξ)T+ξE，并根据第三步中得到的计算资源分配策略集计算种群中的个体适应度，进行选择操作。

第七步：执行交叉和变异操作。得到个体i和个体j的交叉后代

和基因/>

和/>

的变异后代

第八步：迭代第六步和第七步g_max次，得到第g_max代中个体染色体

针对卸载任务的用户设备，根据个体染色体编码得到最优信道资源分配和基站选择策略集。

第九步：综上，可以得到最优任务卸载和资源调度策略集

由上面技术方案可知，本发明实施例提供的多基站多服务器场景下的任务卸载和资源调度方法，通过边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。本发明利用内点法和遗传算法可以得到计算资源分配的结果、信道资源分配结果和基站选择结果，从而得到相应的任务卸载策略和资源调度策略，有利于应用在多基站多服务器及多用户设备的密集部署场景下节约资源。

在上述实施例的基础上，在本实施例中，还包括：

基于所述计算资源确定所述计算任务在所述边缘服务器上的执行时间和能量消耗。

在本实施例中，可以理解的是，任务Q_u卸载到服务器基站n后，边缘服务器将分配相应的计算资源用于任务处理，

表示服务器n分配给设备u的计算资源，则任务Q_u在边缘服务器上的执行时间为：

在上述实施例的基础上，在本实施例中，预设结束迭代条件为：所述基站能够提供的用户设备总量与惩罚因子的积小于预设的容忍误差。

在本实施例中，可以理解的是，本实施例运用牛顿内点法依据变量计算资源c的约束条件，定义对数惩罚函数φ(c),从而将子问题(12)转化为无约束优化问题

τ^(k)为牛顿内点法中定义的惩罚因子，对(13)进行关于c求导可以得到

初始化惩罚因子τ⁽⁰⁾，定义容忍误差ε和惩罚因子的递减系数μ，迭代循环求解(14)得到

并在每次循环中通过τ^(k+1)＝τ^(k)×μ更新惩罚因子，直至(U_n+1)τ^(k)＜ε结束迭代，其中，(U_n+1)表示基站n能够提供服务的用户设备总量。针对n，得到用户设备u在服务器n上的计算资源分配策略集。

在上述实施例的基础上，在本实施例中，所述基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果，具体包括：

基于计算资源分配的结果采用遗传算法进行不少于一千次迭代得到信道资源分配结果和基站选择结果。

图3为本发明一实施例提供的多基站多服务器场景下的任务卸载和资源调度装置的结构示意图，如图3所示，该装置包括：接收模块201、第一计算模块202、第二计算模块203和确定模块204，其中：

其中，接收模块201，用于边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；

第一计算模块202，用于基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；

第二计算模块203，用于基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；

确定模块204，用于根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。

本发明实施例提供的多基站多服务器场景下的任务卸载和资源调度装置具体可以用于执行上述实施例的多基站多服务器场景下的任务卸载和资源调度方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。

基于相同的发明构思，本发明实施例提供一种电子设备，参见图4电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；

其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。

基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，包括：

边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；

基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；

基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；

根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略；

其中，所述基站选择结果、信道资源分配结果和计算资源分配结果作为三个变量指标，进行系统成本优化，系统成本优化的目标函数的形式化表达为：

ξ表示权衡参数，0≤ξ≤1，T表示所有任务的执行时间，E表示系统总能耗；

所述目标函数中关于计算资源分配的子问题表示为：

其中，

表示完成卸载至基站n上所有计算任务u_n所需要的CPU周期数，/>

表示用户设备n的CPU频率，ρ^e表示与基站服务器硬件结构相关的一定值参数；

运用牛顿内点法依据变量计算资源c的约束条件，定义对数惩罚函数φ(c),从而将子问题转化为无约束优化问题：

τ^(k)为牛顿内点法中定义的惩罚因子，对所述无约束优化问题进行关于c求导可以得到

初始化惩罚因子τ⁽⁰⁾，定义容许误差ε和惩罚因子的递减系数μ，迭代循环求解(14)得到

并在每次循环中通过τ^(k+1)＝τ^(k)×μ更新惩罚因子，直至(U_n+1)τ^(k)＜ε结束迭代，其中，(U_n+1)表示基站n能够提供的用户设备总量；针对n，得到用户设备在服务器n上的计算资源分配策略集；

所述遗传算法的步骤包括：进行染色体编码和初始化种群；定义适应度函数，执行选择操作；执行交叉和变异操作。

2.根据权利要求1所述的多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，还包括：

基于所述计算资源确定所述计算任务在所述边缘服务器上的执行时间和能量消耗。

3.根据权利要求1所述的多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，预设结束迭代条件为：所述基站能够提供的用户设备总量与惩罚因子的积小于预设的容忍误差。

4.根据权利要求1所述的多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，所述基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果，具体包括：

基于计算资源分配的结果采用遗传算法进行不少于一千次迭代得到信道资源分配结果和基站选择结果。

5.一种多基站多服务器场景下的任务卸载和资源调度装置，其特征在于，包括：

接收模块，用于边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；

第一计算模块，用于基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；

第二计算模块，用于基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；

确定模块，用于根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略；

其中，所述基站选择结果、信道资源分配结果和计算资源分配结果作为三个变量指标，进行系统成本优化，系统成本优化的目标函数的形式化表达为：

ξ表示权衡参数，0≤ξ≤1，T表示所有任务的执行时间，E表示系统总能耗；

所述目标函数中关于计算资源分配的子问题表示为：

其中，

表示完成卸载至基站n上所有计算任务u_n所需要的CPU周期数，/>

表示用户设备n的CPU频率，ρ^e表示与基站服务器硬件结构相关的一定值参数；

运用牛顿内点法依据变量计算资源c的约束条件，定义对数惩罚函数φ(c),从而将子问题转化为无约束优化问题：

τ^(k)为牛顿内点法中定义的惩罚因子，对所述无约束优化问题进行关于c求导可以得到

初始化惩罚因子τ⁽⁰⁾，定义容许误差ε和惩罚因子的递减系数μ，迭代循环求解(14)得到

并在每次循环中通过τ^(k+1)＝τ^(k)×μ更新惩罚因子，直至(U_n+1)τ^(k)＜ε结束迭代，其中，(U_n+1)表示基站n能够提供的用户设备总量；针对n，得到用户设备在服务器n上的计算资源分配策略集；

所述遗传算法的步骤包括：进行染色体编码和初始化种群；定义适应度函数，执行选择操作；执行交叉和变异操作。

6.根据权利要求5所述的多基站多服务器场景下的任务卸载和资源调度装置，其特征在于，还包括：

确定执行时间和能耗模块，用于基于所述计算资源确定所述计算任务在所述边缘服务器上的执行时间和能量消耗。

7.根据权利要求5所述的多基站多服务器场景下的任务卸载和资源调度装置，其特征在于，所述第一计算模块中的预设结束迭代条件为：所述基站能够提供的用户设备总量与惩罚因子的积小于预设的容忍误差。

8.根据权利要求5所述的多基站多服务器场景下的任务卸载和资源调度装置，其特征在于，所述第二计算模块，具体用于：

基于计算资源分配的结果采用遗传算法进行不少于一千次迭代得到信道资源分配结果和基站选择结果。

9.一种电子设备，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1～4任一项所述的多基站多服务器场景下的任务卸载和资源调度方法。

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，该计算机程序被处理器执行时实现如权利要求1～4任一项所述的多基站多服务器场景下的任务卸载和资源调度方法。

Images