CN113918240B - 任务卸载方法及装置 - Google Patents
任务卸载方法及装置 Download PDFInfo
- Publication number
- CN113918240B CN113918240B CN202111205701.5A CN202111205701A CN113918240B CN 113918240 B CN113918240 B CN 113918240B CN 202111205701 A CN202111205701 A CN 202111205701A CN 113918240 B CN113918240 B CN 113918240B
- Authority
- CN
- China
- Prior art keywords
- edge server
- server cluster
- task
- subtask
- unloading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 description 12
- 230000035772 mutation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010187 selection method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明提供一种任务卸载方法及装置,该方法包括:对终端发送的卸载请求进行解析,获取卸载请求中待处理任务中每个子任务的任务信息;根据每个子任务的任务信息、服务于终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置和速度,构建待处理任务的任务卸载优化模型;基于遗传算法对任务卸载优化模型进行求解,根据任务卸载优化模型的最优解,获取待处理任务的最优卸载方案;根据最优卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中。本发明实现多服务器集群协作,有效缓解单一服务器集群的负载承载能力有限的问题,进而减少服务延迟和提高服务的可靠性和稳定性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种任务卸载方法及装置。
背景技术
随着车联网的飞速发展,车辆变得愈发普及和智能化。由此,催生了一大批车载应用服务,主要涵盖信息服务、行驶安全和交通效率等各个方面。这些应用服务在给人们生活带来便利的同时,将会造成数据的几何增长,增加了网络的负荷,对网络带宽提出了更高的需求。
随着辅助驾驶方式的推广,产生了一系列新的问题,主要包括车辆不能独自处理运行过程中产生的海量图像数据,需要将其采集到的数据卸载到服务器上进行处理。在车联网的应用中,车辆的高机动性和复杂的驾驶操作使得数据的就近处理和严格的时延要求变得极为重要。
现有技术中,通常基于传统的车联网边缘卸载计算技术将车辆网本端的部分任务卸载到边缘服务器上进行处理。虽然,车载边缘计算通过把移动边缘计算应用在车联网,可以实现计算和存储能力的下沉,能够极大缓解网络的带宽压力,有效降低任务的响应时延以及服务能源消耗,提高系统整体效率。但是,传统的车联网边缘卸载计算技术只能在将任务卸载到车载终端所在域内的边缘服务器,及本地边缘服务器集群上,而车载终端所在域内的边缘服务器所能承载的负载能力有限,当任务的负载量较大时,难以为任务提供可靠和稳定的服务。
发明内容
本发明提供一种任务卸载方法及装置,用以解决现有技术中终端所在域内的边缘服务器所能承载的负载能力有限,当任务的负载量较大时,难以为任务提供可靠和稳定的服务的缺陷,实现提高为任务提供的服务的可靠性和稳定性。
本发明提供一种任务卸载方法,包括:
对终端发送的卸载请求进行解析,获取所述卸载请求中待处理任务中每个子任务的任务信息;
根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型;
对所述任务卸载优化模型进行求解,根据所述任务卸载优化模型的最优解,获取所述待处理任务的卸载方案;
根据所述卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中。
根据本发明提供的一种任务卸载方法,所述任务卸载优化模型包括目标函数和约束条件;
所述根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型,包括:
根据所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通信资源信息和计算资源信息,以及所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间,构建所述目标函数;其中,所述目标函数以所述本地边缘服务器集群和邻近边缘服务器集群的平均负载率最小,以及所述总处理延迟时间最小为目标;
根据每个子任务的任务信息、所述终端的位置和速度,以及所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的服务组件的缓存状态、通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建所述约束条件。
根据本发明提供的一种任务卸载方法,所述通信资源信息包括总通信资源和已占用通信资源,所述计算资源信息包括总计算资源和已占用计算资源;
所述根据所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通信资源信息和计算资源信息,以及所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间,构建所述目标函数,包括:
对于本地边缘服务器集群和邻近边缘服务器集群中的任一集群,将所述集群中每个边缘服务器的已占用通信资源与总通信资源相除,将相除结果作为每个边缘服务器的通信资源利用率;
将所述集群中每个边缘服务器的已占用计算资源与总计算资源相除,将相除结果作为每个边缘服务器的计算资源利用率;
将每个边缘服务器的通信资源利用率和计算资源利用率进行加权相加,将加权相加结果作为每个边缘服务器的负载率;
计算所述集群中所有边缘服务器的负载率的平均值,将所述平均值作为所述集群的平均负载率;
根据所述本地边缘服务器集群和邻近边缘服务器集群的平均负载率、以及所述总处理延迟时间,构建所述目标函数。
根据本发明提供的一种任务卸载方法,根据每个子任务的任务信息、所述终端的位置和速度,以及所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建所述约束条件,包括:
根据所述终端的位置和速度,以及所述本地边缘服务器集群的覆盖范围,确定所述终端在所述本地边缘服务器集群中的停留时间;
根据每个子任务的任务信息中的任务所需CPU周期和所述本地边缘服务器集群的剩余计算能力,确定在所述本地边缘服务器集群上执行每个子任务的第一延迟时间;
根据每个子任务的任务信息中的任务所需CPU周期和所述邻近边缘服务器集群的剩余计算能力,确定在所述邻近边缘服务器集群上执行每个子任务的第二延迟时间;
根据所述停留时间和所述第一延迟时间,构建所述约束条件的第一约束条件;
根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,构建所述约束条件的第二约束条件。
根据本发明提供的一种任务卸载方法,所述根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,构建所述约束条件的第二约束条件,包括:
根据每个子任务的任务信息中的任务占用内存,以及所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,计算每个子任务传输数据的第三延迟时间;
根据每个子任务对应的第一延迟时间、第二延迟时间和第三延迟时间,计算每个子任务的总处理延迟时间;
根据每个子任务的总处理延迟时间和每个子任务的任务信息中的预设延迟时间,构建所述第二约束条件。
根据本发明提供的一种任务卸载方法,所述对所述任务卸载优化模型进行求解,包括:
基于遗传算法对所述任务卸载优化模型进行求解;
其中,所述遗传算法的适应性函数的公式为:
其中,f为所述遗传算法的适应性函数,ω1、ω2、ω3和γ为权重系数;为所述本地边缘服务器集群的平均负载率,/>为所述邻近边缘服务器集群的平均负载率,ψtot为所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间;/>和/>分别为第i个待处理任务中第j个子任务对应的第一延迟时间和第二延迟时间;/>和分别为所述终端在所述本地边缘服务器集群中的停留时间和第i个待处理任务的预设延迟时间。
根据本发明提供的一种任务卸载方法,所述根据所述最优卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中,包括:
计算每个子任务的重要性和对每个子任务备份所需资源成本之间的比值;
对于任一子任务,若所述子任务的比值大于预设值,且根据所述最优方案确定将所述子任务卸载在所述本地边缘服务器集群中,则将所述子任务备份至所述邻近边缘服务器集群中。
本发明还提供一种任务卸载装置,包括:
获取模块,用于对终端发送的卸载请求进行解析,获取所述卸载请求中待处理任务中每个子任务的任务信息;
构建模块,用于根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型;
优化模块,用于对所述任务卸载优化模型进行求解,根据所述任务卸载优化模型的最优解,获取所述待处理任务的卸载方案;
卸载模块,用于根据所述卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中。
本发明还提供一种电子设备,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述任一种所述任务卸载方法的步骤。
本发明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如上述任一种所述任务卸载方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述任务卸载方法的步骤。
本发明提供的任务卸载方法及装置,通过本实施例一方面将待处理任务序列分割为多个子任务,综合每个子任务的任务信息、本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置、目标运行轨迹和速度,构建待处理任务的任务卸载优化模型,利用遗传算法对任务卸载优化模型进行求解,以快速准确获取以本地边缘服务器集群和邻近边缘服务器集群的负载率最小,以及任务的总处理时延最小的最优卸载方案,既可以将每一子任务卸载在本地边缘服务器集群,也可以卸载在邻近边缘服务器集群,有效缓解单一服务器集群的负载承载能力有限的问题,进而减少待处理任务的服务延迟和提高服务的可靠性和稳定性;另一方面根据最优卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中,通过多服务器集群协作的方式,对子任务进行冗余备份,提升为待处理任务提供的服务的可靠性和稳定性。
附图说明
为了更清楚地说明本发明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一简单地介绍,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是本发明提供的任务卸载方法的流程示意图;
图2是本发明提供的任务卸载方法中仿真结果的结构示意图之一;
图3是本发明提供的任务卸载方法中仿真结果的结构示意图之二;
图4是本发明提供的任务卸载方法中仿真结果的结构示意图之三;
图5是本发明提供的任务卸载装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
目前,有一些学者提出一种卸载方法,通过考虑本地、边缘服务器、远端云服务器、空闲车辆多计算平台结合下的多个车辆并发卸载情况。综合考虑车辆任务的大小、最大容忍时延、RSU(Road Side Unit,路侧单元)下的计算资源、网络带宽因素,将车辆的计算任务卸载到多个计算平台;根据RSU下的任务数自动调整车辆计算任务的卸载平台和卸载比例,在车辆获得最优卸载比例的同时对边缘服务器的计算资源进行分配。
具体步骤包括,在多个车辆并发卸载场景下,将所有车辆的时延与能耗进行加权得到系统总成本,建立满足最大时延容忍的最小化系统总成本的约束优化问题与资源分配模型,利用压缩粒子群算法为基础算法获得每辆车卸载到各个计算平台的任务比例,以及边缘服务器分配给车辆的计算资源从而获得最优解。然而,该方案仅能在本地区域范围内的边缘服务器进行计算卸载,无法利用其它区域的边缘服务器,在部分用户密集的负载较大时,不能为密集业务提供可靠和稳定的服务;且很容易在终端移动过程中出现跨域服务中断的问题。
为了解决上述问题,本实施例聚合多个边缘节点,建立本地边缘服务器集群和邻近边缘服务器集群,并建立了面向高速移动业务的可靠均衡卸载的任务卸载优化模型,采用遗传算法对任务卸载优化模型进行优化,获取待处理任务中各子任务的域间卸载决策,降低服务时延,并且针对关键子任务,设计子任务域间冗余分配机制,通过多集群协作的方式,为重要或中断风险较高的子任务设置冗余备份策略,保持服务的连续性和可靠性。并通过相关仿真结果表明,本实施例提出的卸载方法可以有效降低平均服务时延,并提高负服务的可靠性和稳定性。
下面结合图1描述本发明的任务卸载方法,该方法包括:步骤101,对终端发送的卸载请求进行解析,获取所述卸载请求中待处理任务中每个子任务的任务信息;
可选地,本实施例中的任务卸载方法可应用于智慧城市、智能家居和车联网等场景中等;也可以应用于辅助驾驶产生的计算密集型任务场景中,以满足业务的时延要求和可靠性要求,本实施例对具体的应用场景不作具体地限定。
其中,终端可以是车载设备、智能手机和电视等移动设备终端。
终端的数量可以根据实际需求进行设置,如终端集合可以表示为UD={1,2,...,u},其中,u为终端的总数量;
卸载请求可以是目标检测、图像分割和图像识别等服务请求,本实施例对此不作具体地限定。
卸载请求中包含的待处理任务的类型和数量等可以根据实际需求进行设置,本实施例对此不作具体地限定。
待处理任务中的每个子任务可以按照功能进行划分等,本实施例对此不作具体地限定。例如,将待处理任务中划分为数据压缩子任务和数据计算子任务等。
其中,待处理任务i的任务序列可表示为Gi(t)={gi1,gi1,...,gij,...giJ},按顺序进行处理;其中,gij为第i个待处理任务的第j个子任务,J为第i个待处理任务的子任务的数量。子任务处理需要对应的服务软件,用表示。
任务信息包括但不限于任务请求服务类型、任务要求时延、任务传输所占内存、任务处理所需CPU周期数等,本实施例对此不作具体地限定。
可选地,在接收到终端发送的卸载请求时,采用相应的解析算法对卸载请求进行相应的解析,获取卸载请求中待处理任务中每个子任务的任务信息。
步骤102,根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型;
可选地,在获取到卸载请求时,对卸载请求进行广播,确定可为终端提供服务的多个边缘服务器,可以用N={1,2,...,N}表示多个边缘服务器;
可选地,终端与边缘服务器采用正交频谱进行数据传输,每一终端占用一条子信道,不同终端设备之间不存在干扰。
然后,根据多个边缘服务器的服务性能,对多个边缘服务器进行聚类,以确定可为终端服务的本地边缘服务器集群和邻近边缘服务器集群,提高边缘服务器的服务能力和资源利用率。
其中,将多个边缘服务器聚类对于本地边缘服务器集群和邻近边缘服务器集群中的任一边缘服务器集群称作协作边缘服务域,可以用ECSD={1,2,...,E}表示。
其中,服务性能用于表征本地边缘服务器集群和邻近边缘服务器集群为终端服务的性能指标,可用集群中各边缘服务器的数量、剩余计算能力和预先缓存的服务组件等来表示本地边缘服务器集群和邻近边缘服务器集群为终端的服务性能,具体公式为:
其中,Se(t)为在卸载周期t边缘服务器集群的服务性能,H(t)={h1(t),h2(t),…hn(t)}为在卸载周期t边缘服务器集群的通道状态,即边缘服务器集群中n个边缘服务器的通道状态的集合,R(t)={r1(t),r2(t),…rn(t)}是边缘服务器集群可以提供给终端的一组接入带宽,即边缘服务器集群中n个边缘服务器为终端提供的接入带宽的集合;Q(t)={Q1(t),Q2(t),…Qn(t)}是边缘服务器集群中缓存服务组件状态,即边缘服务器集群中n个边缘服务器缓存服务组件状态的集合;C(t)={C1(t),C2(t),…Cn(t)}是边缘服务器集群的剩余计算能力,即边缘服务器集群中n个边缘服务器的剩余计算能力的集合;其中,剩余计算能力主要是指剩余CPU(Central Processing Unit,中央处理器)核数;M(t)={m1(t),m2(t),…mn(t)}是边缘服务器集群中用于缓存服务组件的最大容量,即边缘服务器集群中n个边缘服务器用于缓存服务组件的最大容量的集合,由于任一边缘服务器的缓存容量的限制,于是有为处理子任务gij所需的服务组件,/>为服务软件所占缓存大小;/>是边缘服务器集群的覆盖范围。
在确定本地边缘服务器集群和邻近边缘服务器集群后,根据每个子任务的任务信息、服务于终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置、目标运行轨迹和速度,构建以本地边缘服务器集群和邻近边缘服务器集群的负载均衡,且负载率最小、任务的总处理时延最小的任务卸载优化模型。
通过这种方式可以使得构建的任务卸载优化模型综合考虑本地边缘服务器集群和邻近边缘服务器集群的负载情况,以及任务的总处理时延,在保证待处理任务卸载可靠性的同时,确保待处理任务的处理时延最小。
步骤103,对所述任务卸载优化模型进行求解,根据所述任务卸载优化模型的最优解,获取所述待处理任务的卸载方案;
其中,对任务卸载优化模型进行求解的算法包括遗传算法等优化算法。遗传算法已广泛应用于作业车间调度问题的研究,具有良好的效果。为了快速获取到任务卸载优化模型中的最优解,本实施采用遗传算法对本实施例中的任务卸载优化模型进行优化求解。
对于遗传算法中的染色体和人口,染色体指的是优化问题的一个潜在解,而种群是一组候选解或者染色体。其中,任一染色体表示形式为vp={ai1,...,aij,...,aiJ},染色体上的每个变量aij被称为基因,即为优化模型中的子任务gij的卸载决策。所有染色体的集合可定义为其中,/>为种群的大小或染色体的数目。
对于遗传算法中的适应性函数,使用竞争的方法来选择父母,每次从群体中选择一定数量的个体并进行竞争,选择最佳个体进行交叉和变异。该方法计算成本较低,且保持多样性,能培养出更好的个体。
对于遗传算法中的适应性函数,使用竞争的方法来选择父母,每次从群体中选择一定数量的个体并进行竞争,选择最佳个体进行交叉和变异。这种方法计算成本较低,且保持多样性,能培养出更好的个体。其中,适应性函数可以根据任务卸载优化模型进行确定。
对于遗传算法中的选择,可以采用竞争的方法选择亲本,每次从群体中选择一定数量的个体进行竞争,选择最佳个体进行交叉和变异。该方法计算成本较低,且保持多样性,能培养出更好的个体。
其中,选择操作可以采用轮盘赌选择法或者竞赛选择法等,本实施例对此不作具体地限定。
轮盘赌选择方法根据个体的适应性函数值计算每个个体的概率,并根据概率随机选择个体以形成后代群体。因此,个体的适应性函数值越大,其被选择的机会就越大。选择交配个体需要进行多轮选择。由于随机操作,这种选择方法的选择误差也比较大,有时没有到选择适应性函数值较高的个体。此外,轮盘赌中使用的选择策略更适合于最大化问题。
优选地,为了避免上述问题,本实施例采用竞赛选择法选择亲本,每次从群体中选择一定数量的个体进行竞争,并且选择最佳个体进行交叉和变异。该方法计算成本较低,且保持多样性,能培养出更好的个体。
对于遗传算法中的交叉和变异,交叉操作是在一对亲代染色体上选择一个交叉点,然后进行基因交换。变异是指通过随机改变父母染色体上的基因来产生新的后代。
在设置交叉重组参数时,可以生成重组概率列表,并将不同的重组概率分配给不同的种群,以更好地保持种群的多样性,避免局部最优。
对于变异操作,可以生成变异概率列表,并将不同的变异概率分配给不同的群体。选择一个个体,染色体中每个变量值的变异概率在变量范围内。在变异操作的情况下,当染色体的变量值超过单个染色体变量设置的范围时,将对其进行修复,以确保每个变量值的变异概率在变量范围内。本实施例采用截断法对其修复,即取边界范围以外的变量值的最近边界值。
可选地,在建立任务卸载优化模型后,基于遗传算法对任务卸载优化模型进行求解,获取任务卸载优化模型的最优解;其中,最优解为每一子任务的最优卸载决策;
根据最优解,获取待处理任务中每一任务的卸载方案。
步骤104,根据所述卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中。
其中,移动边缘服务器对子任务进行处理,是一种具有高带宽低延时特点的新技术,可在各类移动网络边缘提供计算服务,进而减少网络长距离传输带来的时延,并以较低的成本换取较高的性能优势。
可选地,在获取到卸载方案后,可以确定将每一子任务卸载在本地边缘服务器集群中或所述邻近边缘服务器集群中的最优方案;即,确定待处理任务中每一子任务序列的最优分割点;其中,子任务序列分割点是两个子任务之间的逻辑切割点,可以将子任务序列分成在本地边缘服务器集群和邻近边缘服务器集群中卸载两部分。
然后,再根据每个子任务的重要性确定是否将子任务以备份的形式冗余卸载在本地边缘服务器集群中或所述邻近边缘服务器集群中。
可选地,对于任一子任务,可以将子任务的重要性与预设等级范围进行比较,若子任务的重要性在预设等级范围内,则确定该子任务的重要性等级较高,为重要或中断风险较高的子任务,在本地边缘服务器集群中和/或邻近边缘服务器集群中为其设置备份策略,以保持为待处理任务服务的连续性和可靠性。
也可以对子任务的重要性进行相关计算后,再根据计算结果确定是否对子任务进行备份,本实施例对此不作具体地限定。
现有技术中,仅在本地边缘服务器集群中卸载待处理任务,由于终端具有高速移动性,很容易引起任务需要跨边缘服务器域卸载,引起任务卸载中断,一方面会导致任务丢失,可靠性和稳定性差;另一方面,需要重新将整个任务重新卸载到新的边缘服务器域中,导致任务卸载存在较大的时延。
而本实施例通过综合考虑最优卸载方案和每个子任务的重要性,以为重要程度较高的子任务在本地边缘服务器集群中和/或邻近边缘服务器集群中设置冗余备份,通过多域协作的方式,有效确保为待处理任务中的每个子任务提供的服务具有较高的连续性和可靠性。
本实施例一方面将待处理任务序列分割为多个子任务,综合每个子任务的任务信息、本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置、目标运行轨迹和速度,构建待处理任务的任务卸载优化模型,利用遗传算法对任务卸载优化模型进行求解,以快速准确获取以本地边缘服务器集群和邻近边缘服务器集群的负载率最小,以及任务的总处理时延最小的最优卸载方案,既可以将每一子任务卸载在本地边缘服务器集群,也可以卸载在邻近边缘服务器集群,有效缓解单一服务器集群的负载承载能力有限的问题,进而减少待处理任务的服务延迟和提高服务的可靠性和稳定性;另一方面根据最优卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中,通过多服务器集群协作的方式,对子任务进行冗余备份,提升为待处理任务提供的服务的可靠性和稳定性。
在上述实施例的基础上,本实施例中所述任务卸载优化模型包括目标函数和约束条件;所述根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型,包括:根据所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通信资源信息和计算资源信息,以及所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间,构建所述目标函数;其中,所述目标函数以所述本地边缘服务器集群和邻近边缘服务器集群的平均负载率最小,以及所述总处理延迟时间最小为目标;根据每个子任务的任务信息、所述终端的位置和速度,以及所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的服务组件的缓存状态、通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建所述约束条件。
其中,任务卸载优化模型包括目标函数和多个约束条件;
可选地,构建目标函数的步骤包括:首先,根据本地边缘服务器集群的服务性能中的通信资源信息和计算资源信息,计算获取本地边缘服务器集群的负载率;
根据邻近边缘服务器的服务性能中的通信资源信息和计算资源信息,计算获取邻近边缘服务器集群的负载率;
然后,将本地边缘服务器集群的负载率、邻近边缘服务器集群的负载率、本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间进行融合,获取目标函数;
其中,融合的方式,可以是将本地边缘服务器集群的负载率、邻近边缘服务器集群的负载率、本地边缘服务器集群和邻近边缘服务器集群内所有任务的总处理延迟时间直接进行相加,或者将其进行加权相加,本实施例对此不作具体地限定。
可选地,构建约束条件的步骤包括,根据每个子任务的任务信息、所述终端的位置和速度,以及本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建相应的约束条件,以确保处理任务一子任务的延迟时间满足子任务的需求服务;
根据服务组件的缓存状态以及每个子任务的任务信息中的任务请求服务类型,构建相应的约束条件,以确保子任务所需的服务组件已经缓存在本地边缘服务器集群或邻近边缘服务器集群中。
以及子任务的卸载决策构建相应的约束条件,以确保可以将子任务卸载到本地边缘服务器集群或邻近边缘服务器集群。
优选地,任务卸载优化模型的计算公式为:
其中,ω1、ω2和ω3为权重系数,和/>分别为在卸载周期t本地边缘服务器集群和邻近边缘服务器集群的负载率,ψtot为所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理的总处理延迟时间;/>为在本地边缘服务器集群执行子任务gij对应第一延迟时间;/>为终端在本地边缘服务器集群的停留时间;J为第i个待处理任务中包含的子任务的数量;由于第i个待处理任务的每一子任务既可以卸载在本地边缘服务器集群也可以卸载在邻近边缘服务器集群,因此,还需要综合考虑在本地边缘服务器集群和/或邻近边缘服务器集群中处理第i个待处理任务的总处理延迟时间Ti;Ti require为第i个待处理任务的预设延迟时间;aij为子任务gij的卸载决策,当aij=1时表示卸载到邻近边缘服务器集群执行,当aij=0时表示卸载到本地边缘服务器集群执行;/>表示子任务所需的服务组件q(ij)的缓存状态,/>表示服务组件q(ij)已在本地边缘服务器集群和/或邻近边缘服务器集群中缓存,/>表示服务组件q(ij)未在本地边缘服务器集群和/或邻近边缘服务器集群中缓存。
需要说明的是,上述约束条件C1用于限定在当前本地边缘服务器集群中处理的所有子任务的第一延迟时间之和不应超过终端的停留时间;C2用于限定待处理任务的总处理延迟时间满足待处理任务的延迟要求;C3用于限定待处理任务的子任务可以卸载到本地边缘服务器集群或邻近边缘服务器集群。C4用于限定子任务所需的服务组件已经缓存在边缘服务器集群中。
现有技术中,有相关学者提出的计算卸载方法的步骤包括,首先,对计算卸载的传输开销和计算开销进行建模,其中包括网络结构、用户卸载策略和效用函数等三部分;为了最小化传输延迟开销,利用双边匹配算法求解最优信道分配策略,进而通过凸优化获得最优卸载比率;
当车辆产生计算任务后,由本地进行计算处理或将其卸载到边缘服务器由其计算处理;当有多个用户访问时需要共享信道,通过二进制集合来表示信道决策;其次根据车联网部分计算卸载模型来最小化车辆和运营商的整体效用为目标,描述优化问题;通过资源分配,建立用户偏好队列利用双边匹配算法以最小化传输延迟为目标分配信道。然而该方案没有考虑到服务软件对任务处理的支撑作用,缺少服务软件与计算卸载之间的依赖关系。因此,当将任务卸载到相应的边缘服务器,若边缘服务器不具备相应的服务软件,则无法为任务提供有效服务,导致服务可靠性差。
另外,有一些学者提出的边缘卸载方法,主要是将车辆服务器的资源信息管理,任务划分和目标服务器结合,实现车载自组织网络中的计算卸载;采用计算卸载目标服务器选择方法,参考服务器计算能力、可提供服务的时间给服务器分配相应的任务量,根据每个资源的信息对车辆筛选。综合考虑卸载因素进行车联网中的计算卸载。
具体步骤包括,首先,客户端检测出能提供计算资源的车辆,查询附近车辆服务器的信息;收集到的车辆资源信息,任务分割为客户端车辆执行的本地部分和其他车辆服务器执行的远程执行部分;根据车辆自身的计算能力对所有车辆服务器进行排序,根据排序结果依次计算出车辆服务器能执行的任务量,实现任务分割。然而该方案以业务或数据包为对象设计计算卸载策略,没有考虑业务中具有不同服务功能的子任务的处理顺序和计算需求,无法精细、合理分配计算任务,致使资源效用和服务稳定性较差。
为了解决上述问题,本实施例在建立优化模型过程中,首先将每一待处理任务按照服务功能划分为多个子任务,然后构建以两个邻近集群的负载均衡,且负载率最小和延迟时间最小的目标函数,以及多个约束条件,用于限定在当前本地边缘服务器集群中处理的所有子任务的第一延迟时间之和不应超过终端的停留时间、限定待处理任务的总处理延迟时间满足待处理任务的延迟要求、限定待处理任务可以子任务卸载到本地边缘服务器集群或邻近边缘服务器集群,以及限定子任务所需的服务组件已经缓存在边缘服务器集群中,根据待处理业务的不同服务功能的子任务进行任务卸载,且将服务组件作为任务卸载优化模型的组成部分,充分考虑服务软件与计算卸载之间的依赖关系,可为待处理任务提供稳定和可靠的服务。
在上述实施例的基础上,本实施例中所述通信资源信息包括总通信资源和已占用通信资源,所述计算资源信息包括总计算资源和已占用计算资源;
所述根据所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通信资源信息和计算资源信息,以及所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间,构建所述目标函数,包括:对于本地边缘服务器集群和邻近边缘服务器集群中的任一集群,将所述集群中每个边缘服务器的已占用通信资源与总通信资源相除,将相除结果作为每个边缘服务器的通信资源利用率;将所述集群中每个边缘服务器的已占用计算资源与总计算资源相除,将相除结果作为每个边缘服务器的计算资源利用率;
其中,对于任一边缘服务器n,其服务性能指标为其中,和/>分别为边缘服务器n的总通信资源和总计算资源;边缘服务器n的负载状况为/>其中/>和/>分别表示边缘服务器n当前已占用通信资源和已占用计算资源。
边缘服务器n的通信资源利用率Rn(t)和计算资源利用率Cn(t)的计算公式为:
将每个边缘服务器的通信资源利用率和计算资源利用率进行加权相加,将加权相加结果作为每个边缘服务器的负载率;
其中,边缘服务器n的负载率Fload,n(t)的计算公式为:
Fload,n(t)=γRn(t)+ηCn(t);
其中γ+η=1,γ和η为权重系数,权重系数的值越高表示其对应资源所占比例越大,依懒性越强;权重系数的具体数值根据实际需求进行设置,本实施例对此不作具体地限定。
计算所述集群中所有边缘服务器的负载率的平均值,获取所述集群的平均负载率;
可选地,对于任一边缘服务器集群,边缘服务器集群中各边缘服务器的负载率的集合表示为F={Fload,1(t),Fload,2(t),…,Fload,n(t)};
为了获取整个集群的负载状态,计算整个集群中所有边缘服务器的负载率的平均值,获取集群的平均负载率。平均负载率越低说明集群整体负载越低、负载状态越好。
其中,集群的平均负载率Fave(t)的计算公式为:
其中,n为集群中包含的边缘服务器的数量;Fload,i(t)为集群中边缘服务器i的负载率。
根据所述本地边缘服务器集群和邻近边缘服务器集群的平均负载率、以及所述总处理延迟时间,构建所述目标函数。
可选地,将本地边缘服务器集群和邻近边缘服务器集群的平均负载率、以及总处理延迟时间进行加权相加,构建目标函数;其中,目标函数以本地边缘服务器集群和邻近边缘服务器集群的平均负载率、以及总处理延迟时间最小为优化目标。
由于聚合后的边缘服务器集群的负载差异大、集群计算资源分配不均。因此在进行域间对待处理任务进行卸载时,需要充分考虑缘服务器集群中各边缘服务器的资源使用情况,在考虑用户移动性的同时,灵活使用边缘服务器集群的计算资源,降低业务的处理时延。本实施例综合边缘服务器集群中各个边缘服务器的通信资源和计算资源,以对当前边缘服务器集群的运行状态进行准确评估,并构建目标函数,以使优化获取的卸载方案中本地边缘服务器集群和邻近服务器集群中的负载更加均衡,降低待处理任务的处理延迟时间,提高卸载效率和可靠性。
在上述实施例的基础上,本实施例中根据每个子任务的任务信息、所述终端的位置和速度,以及所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建所述约束条件,包括:根据所述终端的位置和速度,以及所述本地边缘服务器集群的覆盖范围,确定所述终端在所述本地边缘服务器集群中的停留时间;根据每个子任务的任务信息中的任务所需CPU周期和所述本地边缘服务器集群的剩余计算能力,确定在所述本地边缘服务器集群上执行每个子任务的第一延迟时间;根据每个子任务的任务信息中的任务所需CPU周期和所述邻近边缘服务器集群的剩余计算能力,确定在所述邻近边缘服务器集群上执行每个子任务的第二延迟时间;根据所述停留时间和所述第一延迟时间,构建所述约束条件的第一约束条件;根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,构建所述约束条件的第二约束条件。
其中,终端的位置和速度可以通过GPS(Global Positioning System,全球定位系统)或北斗导航定位系统获取,本实施例对此不作具体地限定。
可选地,根据终端的位置和速度,以及本地边缘服务器集群的覆盖范围,计算终端在本地边缘服务器集群中的停留时间,具体计算公式为:
其中,为终端在本地边缘服务器集群中的停留时间;/>为本地边缘服务器集群的覆盖范围,Du,e为终端的位置到本地边缘服务器集群的中心点之间的距离,Vu为终端的速度。
优选地,任一业务的所有子业务可以在两个相邻的边缘服务器集群中完成处理,即可以在本地边缘服务器集群和邻近边缘服务器集群中完成处理。
由于本实施中可在两个相邻的边缘服务器集群中进行待处理任务的序列子任务域间分配。因此,可以采用2种不同的计算模式来评估两个相邻的边缘服务器集群处理子任务的能力,包括本地边缘服务器集群计算模式和邻近边缘服务器集群计算模式。
可选地,对于本地边缘服务器集群计算模式,将本地边缘服务器集群中所有边缘服务器的剩余计算能力求平均,获取本地边缘服务器集群的平均计算能力;
然后,根据每个子任务的任务信息中的任务所需CPU周期和本地边缘服务器集群的平均计算能力,确定在本地边缘服务器集群上执行每个子任务的第一延迟时间;具体计算公式为:
其中,为子任务gij在本地边缘服务器集群上执行的第一延迟时间;aij为子任务gij的卸载决策,当aij=1时表示卸载到邻近边缘服务器集群执行,当aij=0时表示卸载到本地边缘服务器集群执行;cij为处理子任务gij所需CPU周期;/>为本地边缘服务器集群的平均计算能力。
对于邻近边缘服务器集群计算模式,将邻近边缘服务器集群中所有边缘服务器的剩余计算能力求平均,获取邻近边缘服务器集群的平均计算能力;
然后,根据每个子任务所需CPU周期和邻近边缘服务器集群的平均计算能力,确定在邻近边缘服务器集群上执行每个子任务的第二延迟时间;具体计算公式为:
其中,为子任务gij在邻近边缘服务器集群上执行的第二延迟时间;/>为邻近边缘服务器集群的平均计算能力。
为了确保服务的可靠性和稳定性,需要限定在当前本地边缘服务器集群中处理的所有子任务的第一延迟时间之和不应超过终端的停留时间,即确保在终端在移出本地边缘服务器集群之前,本地边缘服务器集群中的所有子任务均可处理完成。因此,可以将当前本地边缘服务器集群中处理的所有子任务的第一延迟时间之和小于或等于停留时间的限定条件,作为约束条件的第一约束条件;
另外,为了确保为待处理任务提供可靠和稳定的服务,还需要综合待处理任务的所有子任务的总处理延迟时间是否满足待处理任务的延迟需求。
可选地,根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,计算每个子任务的总处理延迟时间,并根据子任务的总处理延迟时间和子任务的任务信息中的预设延迟时间确定约束条件的第二约束条件。
在上述实施例的基础上,本实施例中所述根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,构建所述约束条件的第二约束条件,包括:根据每个子任务的任务信息中的任务占用内存,以及所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,计算每个子任务传输数据的第三延迟时间;根据每个子任务对应的第一延迟时间、第二延迟时间和第三延迟时间,计算每个子任务的总处理延迟时间;根据每个子任务的总处理延迟时间和每个子任务的任务信息中的预设延迟时间,构建所述第二约束条件。
可选地,由于在构建卸载优化模型过程中,每一子任务可以卸载在本地边缘服务器集群或者邻近边缘服务器集群。因此,子任务进行域间分配时,需考虑传输时延和处理时延,即综合考虑子任务在本地边缘服务器集群中处理的第一延迟时间,在邻近边缘服务器集群中处理的第二延迟时间,以及传输数据的第三延迟时间,计算获取待处理任务的所有子任务的总处理延迟时间,并将待处理任务的所有子任务的总处理延迟时间小于或等于待处理任务的所有子任务的总预设延迟时间的限定条件,作为约束条件的第二约束条件;
其中,将子任务gij上传至边缘服务器集群中的第三延迟时间可以根据每个子任务的任务信息中的任务占用内存,以及本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态和接入带宽计算获取;第三延迟时间包括子任务在集群内的数据传输时间延迟和集群间的数据传输时间延迟;
其中,子任务在集群内的数据传输时间延迟的具体计算公式为:
其中,为子任务gij上传数据至边缘服务器集群内的延迟时间,sij为子任务gij的任务信息中的任务占用内存;ru,n为终端与边缘服务器集群中第n个边缘服务器在决策周期t内的通信速率,/>为终端的传输功率,hn为边缘服务器集群中边缘服务器n的通道状态的信道衰落系数,ω0为高斯白噪声功率,du,n为终端到边缘服务器n的距离,β为路径损失指数;B为信道带宽,
可选地,子任务在集群间的数据传输时间延迟可以根据本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态和接入带宽计算获取;
可选地,根据每个子任务对应的第一延迟时间、第二延迟时间和第三延迟时间,计算每个子任务的总处理延迟时间;然后,将待处理任务的所有子任务的总处理延迟时间相加,获取待处理任务的总处理延迟时间,具体计算公式为:
其中,Ti为第i个待处理任务的总处理延迟时间;J为第i个待处理任务中包含的子任务的数量;和/>分别为子任务gij在本地边缘服务器集群上执行的第一延迟时间和第二延迟时间;/>和TL分别为第三延迟时间中的集群间的数据传输时间延迟和集群内的数据传输时间延迟。
然后,待处理任务中所有子任务的预设延迟时间相加,获取待处理任务的预设延迟时间;
最后,将待处理的总处理延迟时间小于或等于待处理任务的预设延迟时间的约束条件作为第二约束条件;
和/或,将每一子任务总处理延迟时间小于或等于每一子务的预设延迟时间的约束条件作为第二约束条件,本实施例对此不作具体地限定。
本实施例综合计算延迟时间和通信延迟时间,准确建立用于确保待处理任务的服务延迟满足延迟要求的第二约束条件。
在上述实施例的基础上,本实施例中所述对所述任务卸载优化模型进行求解,包括:基于遗传算法对所述任务卸载优化模型进行求解;
其中,所述遗传算法的适应性函数的公式为:
其中,f为所述遗传算法的适应性函数,ω1、ω2、ω3和γ为权重系数;为所述本地边缘服务器集群的平均负载率,/>为所述邻近边缘服务器集群的平均负载率,ψtot为所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间;/>和分别为第i个待处理任务中第j个子任务对应的第一延迟时间和第二延迟时间;/>和/>分别为所述终端在所述本地边缘服务器集群中的停留时间和第i个待处理任务的预设延迟时间。
其中,ω1、ω2、ω3和γ可以根据实际需求进行设置,本实施例对此不作具体地限定。
本实施例综合本地边缘服务器集群和邻近服务器集群的负载率,以及所有待处理任务的总处理延迟时间、每个子任务的第一延迟时间和终端的停留时间,以及每个子任务的总处理延迟时间和每个子任务的任务信息中的预设延迟时间,构建适应性函数,以准确快速获取每一子任务的卸载决策。
在上述各实施例的基础上,本实施例中所述根据所述最优卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中,包括:计算每个子任务的重要性和对每个子任务备份所需资源成本之间的比值;对于任一子任务,若所述子任务的比值大于预设值,且根据所述最优方案确定将所述子任务卸载在所述本地边缘服务器集群中,则将所述子任务备份至所述邻近边缘服务器集群中。
其中,对于任一子任务,计算子任务的重要性和对子任务备份所需资源成本之间的比值的公式为:
其中,和τij分别为子任务gij对应的比值、重要性和备份所需资源成本;备份所需资源成本可以根据备份所需的通信资源和计算资源进行计算获取。
在获取每一子任务的比值后,根据最优卸载方案确定每一子任务的卸载决策,即每一子任务的aij的值为0或1;
在确定任一子任务aij=0,即将子任务卸载在本地边缘服务器集群中,且子任务的比值大于预设值,则将子任务备份至邻近边缘服务器集群中,以对子任务进行备份;即使在终端高速移动由本地边缘服务器集群移动到邻近边缘服务器集群,引起跨域服务中断时,邻近边缘服务器集群可以直接根据备份继续为子任务服务,避免在域间重构服务,减少服务的延迟时间,保证服务的持续性、可靠性和稳定性。
下面为了进一步验证本实施例的任务卸载方法的有效性,结合具体的实例对本实施例的任务卸载方法进行评估。
表1仿真参数
可选地,构建一个的网格图来表示整个服务区域,网格图可以为10*10。每个网格的长度可以根据实际就进行设置,如200米。每一边缘服务器的位置放置在网格的交叉点。共设置有10种类型的服务组件,每个服务组件占用100MB-200MB的存储空间。每个边缘服务用于存储服务组件的总存储空间为2000MB,子任务占用内存大小为20MB-40MB。一种示例性的仿真参数设置如表1所示。
本实施例中的任务卸载方法可以基于Python3.7的模拟器上的TensorFlow2.0,根据上述参数进行仿真,并与以下现有的方法进行比较:
方法1,Local Execution Scheme(LES),仅允许子任务在终端设备的本地执行;
方法2,Edge Execution Scheme(EES),当子任务所需的服务组件缓存在边缘服务器中时,终端直接将所有子任务委托给与终端连接的边缘服务器执行。若边缘服务器不存在子任务所需的服务组件,边缘服务器从云服务器获取所需的服务组件,然后执行子任务。
方法3,Cloud Execution Scheme(CES),直接所有子任务卸载到云服务器。
如图2所示,由于LES方法本地的资源有限,缺乏边缘服务器的协作。因此,LES方法存在最大的平均业务执行时间延迟;由于EES将所有子任务委托给单一的边缘服务器,也存在较大的平均业务执行时间延迟;CES将所有子任务都卸载到云服务器,并引入回程传输延迟,故具有相对较高的平均业务执行时延。而本实施例中可以采用本地边缘服务器集群和邻近边缘服务器集群协作处理待处理任务,因此,其平均业务执行时延分别低于LES、EES和CES方法的38.09%、16.12%和33.33%。
如图3所示,显示了不同卸载方法下不同终端密度的业务受理率。对于难以满足业务延迟要求的LES,其业务受理率最低;对于EES,其业务受理率随着终端密度的增加而逐渐减少;由于CES有稳定的数据链路,所以其业务受理率与可靠性无关,其主要受时延影响。相较于其他方法,本实施例中的业务受理率更高,因此可以更好地满足业务的延迟需求和可靠性要求。即使终端数量增加,业务受理率仍然维持在90%左右,没有明显变化。
如图4所示,显示了不同方法下的可靠性随服务时间的变化情况。相较于其他方法,本实施例中的卸载方法具有最高的服务可靠性,可以提供长期可靠稳定的服务。
综上,本实施例中的卸载方法具有如下优势:
优势1,通过聚合多个边缘服务器,建立本地边缘服务器集群和邻近边缘服务器集群,综合考虑边缘服务器集群的通信资源和计算资源,构建边缘服务器集群的负载均衡的任务卸载优化模型,有效提升边缘服务器的资源利用率。
优势2,提出了综合考虑时延、可靠性和稳定性的任务卸载方法,该方法包括两个阶段,即域间任务分配阶段和域内任务卸载。在域间任务分配阶段,基于遗传算法对任务卸载优化模型进行求解,获取域间子任务序列的卸载决策,在保障资源均衡分配的同时降低系统的总时延;在域内任务卸载阶段,可以根据实际需求将子任务卸载到本地边缘服务器集群和/或邻近边缘服务器集群的具体的边缘节点。
优势3,根据子任务的重要程度,对关键子任务,设计了子任务域间冗余分配机制。通过多集群协作方式,为重要或中断风险较高的子任务设置备份策略,保持服务的连续性和可靠性。
下面对本发明提供的任务卸载装置进行描述,下文描述的任务卸载装置与上文描述的任务卸载方法可相互对应参照。
如图5所示,该任务卸载装置包括获取模块501、构建模块502、优化模块503和卸载模块504,其中:
获取模块501用于对终端发送的卸载请求进行解析,获取卸载请求中待处理任务中每个子任务的任务信息;
构建模块502用于根据每个子任务的任务信息、服务于终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置和速度,构建待处理任务的任务卸载优化模型;
优化模块503用于基于遗传算法对任务卸载优化模型进行求解,根据任务卸载优化模型的最优解,获取待处理任务的最优卸载方案;
卸载模块504用于根据最优卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中。
本实施例通过本实施例一方面将待处理任务序列分割为多个子任务,综合每个子任务的任务信息、本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置、目标运行轨迹和速度,构建待处理任务的任务卸载优化模型,利用遗传算法对任务卸载优化模型进行求解,以快速准确获取以本地边缘服务器集群和邻近边缘服务器集群的负载率最小,以及任务的总处理时延最小的最优卸载方案,既可以将每一子任务卸载在本地边缘服务器集群,也可以卸载在邻近边缘服务器集群,有效缓解单一服务器集群的负载承载能力有限的问题,进而减少待处理任务的服务延迟和提高服务的可靠性和稳定性;另一方面根据最优卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中,通过多服务器集群协作的方式,对子任务进行冗余备份,提升为待处理任务提供的服务的可靠性和稳定性。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行任务卸载方法,该方法包括:对终端发送的卸载请求进行解析,获取卸载请求中待处理任务中每个子任务的任务信息;根据每个子任务的任务信息、服务于终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置和速度,构建待处理任务的任务卸载优化模型;对任务卸载优化模型进行求解,根据任务卸载优化模型的最优解,获取待处理任务的卸载方案;根据卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各方法所提供的任务卸载方法,该方法包括:对终端发送的卸载请求进行解析,获取卸载请求中待处理任务中每个子任务的任务信息;根据每个子任务的任务信息、服务于终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置和速度,构建待处理任务的任务卸载优化模型;对任务卸载优化模型进行求解,根据任务卸载优化模型的最优解,获取待处理任务的卸载方案;根据卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中。
又一方面,本发明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提供的任务卸载方法,该方法包括:对终端发送的卸载请求进行解析,获取卸载请求中待处理任务中每个子任务的任务信息;根据每个子任务的任务信息、服务于终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及终端的位置和速度,构建待处理任务的任务卸载优化模型;对任务卸载优化模型进行求解,根据任务卸载优化模型的最优解,获取待处理任务的卸载方案;根据卸载方案和每个子任务的重要性,将每个子任务卸载在本地边缘服务器集群中和/或邻近边缘服务器集群中。
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。
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;而这些修改或者替换,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)
1.一种任务卸载方法,其特征在于,包括:
对终端发送的卸载请求进行解析,获取所述卸载请求中待处理任务中每个子任务的任务信息;
根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型;
对所述任务卸载优化模型进行求解,根据所述任务卸载优化模型的最优解,获取所述待处理任务的卸载方案;
根据所述卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中;
所述本地边缘服务器集群和所述邻近边缘服务器集群是基于如下步骤确定的:
在获取到所述卸载请求时,对所述卸载请求进行广播,确定可为所述终端提供服务的多个边缘服务器;
根据多个所述边缘服务器的服务性能,对多个所述边缘服务器进行聚类,以确定所述本地边缘服务器集群和所述邻近边缘服务器集群;
所述服务性能包括通道状态、为所述终端提供的接入带宽、服务组件的缓存状态、剩余计算能力和覆盖范围;
所述任务卸载优化模型,以所述本地边缘服务器集群和所述邻近边缘服务器集群的负载均衡,且负载率最小、任务的总处理时延最小为目标,以每个子任务的延迟时间满足每个子任务的需求服务、每个子任务所需的服务组件已缓存在所述本地边缘服务器集群或所述邻近边缘服务器集群中,以及可将每个子任务卸载到所述本地边缘服务器集群或所述邻近边缘服务器集群为约束条件。
2.根据权利要求1所述的任务卸载方法,其特征在于,所述任务卸载优化模型包括目标函数和约束条件;
所述根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型,包括:
根据所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通信资源信息和计算资源信息,以及所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间,构建所述目标函数;其中,所述目标函数以所述本地边缘服务器集群和邻近边缘服务器集群的平均负载率最小,以及所述总处理延迟时间最小为目标;
根据每个子任务的任务信息、所述终端的位置和速度,以及所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的服务组件的缓存状态、通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建所述约束条件。
3.根据权利要求2所述的任务卸载方法,其特征在于,所述通信资源信息包括总通信资源和已占用通信资源,所述计算资源信息包括总计算资源和已占用计算资源;
所述根据所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通信资源信息和计算资源信息,以及所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间,构建所述目标函数,包括:
对于本地边缘服务器集群和邻近边缘服务器集群中的任一集群,将所述集群中每个边缘服务器的已占用通信资源与总通信资源相除,将相除结果作为每个边缘服务器的通信资源利用率;
将所述集群中每个边缘服务器的已占用计算资源与总计算资源相除,将相除结果作为每个边缘服务器的计算资源利用率;
将每个边缘服务器的通信资源利用率和计算资源利用率进行加权相加,将加权相加结果作为每个边缘服务器的负载率;
计算所述集群中所有边缘服务器的负载率的平均值,将所述平均值作为所述集群的平均负载率;
根据所述本地边缘服务器集群和邻近边缘服务器集群的平均负载率、以及所述总处理延迟时间,构建所述目标函数。
4.根据权利要求2所述的任务卸载方法,其特征在于,根据每个子任务的任务信息、所述终端的位置和速度,以及所述本地边缘服务器集群和邻近边缘服务器集群的服务性能中的通道状态、为所述终端提供的接入带宽、剩余计算能力和覆盖范围,构建所述约束条件,包括:
根据所述终端的位置和速度,以及所述本地边缘服务器集群的覆盖范围,确定所述终端在所述本地边缘服务器集群中的停留时间;
根据每个子任务的任务信息中的任务所需CPU周期和所述本地边缘服务器集群的剩余计算能力,确定在所述本地边缘服务器集群上执行每个子任务的第一延迟时间;
根据每个子任务的任务信息中的任务所需CPU周期和所述邻近边缘服务器集群的剩余计算能力,确定在所述邻近边缘服务器集群上执行每个子任务的第二延迟时间;
根据所述停留时间和所述第一延迟时间,构建所述约束条件的第一约束条件;
根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,构建所述约束条件的第二约束条件。
5.根据权利要求3所述的任务卸载方法,其特征在于,所述根据每个子任务的任务信息、所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,以及每个子任务对应第一延迟时间和第二延迟时间,构建所述约束条件的第二约束条件,包括:
根据每个子任务的任务信息中的任务占用内存,以及所述本地边缘服务器集群和邻近边缘服务器集群的通道状态和接入带宽,计算每个子任务传输数据的第三延迟时间;
根据每个子任务对应的第一延迟时间、第二延迟时间和第三延迟时间,计算每个子任务的总处理延迟时间;
根据每个子任务的总处理延迟时间和每个子任务的任务信息中的预设延迟时间,构建所述第二约束条件。
6.根据权利要求1-5任一所述的任务卸载方法,其特征在于,所述对所述任务卸载优化模型进行求解,包括:
基于遗传算法对所述任务卸载优化模型进行求解;
其中,所述遗传算法的适应性函数的公式为:
其中,f为所述遗传算法的适应性函数,ω1、ω2、ω3和γ为权重系数;Fe ave为所述本地边缘服务器集群的平均负载率,为所述邻近边缘服务器集群的平均负载率,ψtot为所述本地边缘服务器集群和邻近边缘服务器集群内所有待处理任务的总处理延迟时间;/>和/>分别为第i个待处理任务中第j个子任务对应的第一延迟时间和第二延迟时间;Tu e和Ti require分别为所述终端在所述本地边缘服务器集群中的停留时间和第i个待处理任务的预设延迟时间。
7.根据权利要求1-5任一所述的任务卸载方法,其特征在于,所述根据所述最优卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中,包括:
计算每个子任务的重要性和对每个子任务备份所需资源成本之间的比值;
对于任一子任务,若所述子任务的比值大于预设值,且根据所述最优方案确定将所述子任务卸载在所述本地边缘服务器集群中,则将所述子任务备份至所述邻近边缘服务器集群中。
8.一种任务卸载装置,其特征在于,包括:
获取模块,用于对终端发送的卸载请求进行解析,获取所述卸载请求中待处理任务中每个子任务的任务信息;
构建模块,用于根据每个子任务的任务信息、服务于所述终端的本地边缘服务器集群和邻近边缘服务器集群的服务性能,以及所述终端的位置和速度,构建所述待处理任务的任务卸载优化模型;
优化模块,用于对所述任务卸载优化模型进行求解,根据所述任务卸载优化模型的最优解,获取所述待处理任务的卸载方案;
卸载模块,用于根据所述卸载方案和每个子任务的重要性,将每个子任务卸载在所述本地边缘服务器集群中和/或所述邻近边缘服务器集群中;
所述装置还包括确定模块,用于:
在获取到所述卸载请求时,对所述卸载请求进行广播,确定可为所述终端提供服务的多个边缘服务器;
根据多个所述边缘服务器的服务性能,对多个所述边缘服务器进行聚类,以确定所述本地边缘服务器集群和所述邻近边缘服务器集群;
所述服务性能包括通道状态、为所述终端提供的接入带宽、服务组件的缓存状态、剩余计算能力和覆盖范围;
所述任务卸载优化模型,以所述本地边缘服务器集群和所述邻近边缘服务器集群的负载均衡,且负载率最小、任务的总处理时延最小为目标,以每个子任务的延迟时间满足每个子任务的需求服务、每个子任务所需的服务组件已缓存在所述本地边缘服务器集群或所述邻近边缘服务器集群中,以及可将每个子任务卸载到所述本地边缘服务器集群或所述邻近边缘服务器集群为约束条件。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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至7任一项所述任务卸载方法的步骤。
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,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述任务卸载方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205701.5A CN113918240B (zh) | 2021-10-15 | 2021-10-15 | 任务卸载方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205701.5A CN113918240B (zh) | 2021-10-15 | 2021-10-15 | 任务卸载方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113918240A CN113918240A (zh) | 2022-01-11 |
CN113918240B true CN113918240B (zh) | 2024-05-28 |
Family
ID=79240761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205701.5A Active CN113918240B (zh) | 2021-10-15 | 2021-10-15 | 任务卸载方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113918240B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363857B (zh) * | 2022-03-21 | 2022-06-24 | 山东科技大学 | 一种车联网中边缘计算任务卸载方法 |
CN115065683B (zh) * | 2022-07-27 | 2023-12-26 | 多伦互联网技术有限公司 | 基于车辆聚类的车辆边缘网络任务分配卸载方法 |
CN115629865B (zh) * | 2022-12-20 | 2023-04-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于边缘计算的深度学习推理任务调度方法 |
CN115840634B (zh) * | 2023-02-24 | 2023-06-30 | 中移动信息技术有限公司 | 业务执行方法、装置、设备及存储介质 |
CN117615418B (zh) * | 2024-01-19 | 2024-04-12 | 北京邮电大学 | 一种移动感知辅助的车联网服务迁移方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN110851197A (zh) * | 2019-10-10 | 2020-02-28 | 长沙理工大学 | 一种边缘计算多服务器任务选择卸载方法和系统 |
CN111918245A (zh) * | 2020-07-07 | 2020-11-10 | 西安交通大学 | 基于多智能体的车速感知的计算任务卸载和资源分配方法 |
CN112486685A (zh) * | 2020-11-30 | 2021-03-12 | 全球能源互联网研究院有限公司 | 一种电力物联网的计算任务分配方法、装置及计算机设备 |
CN112714178A (zh) * | 2020-12-25 | 2021-04-27 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112752302A (zh) * | 2021-01-05 | 2021-05-04 | 全球能源互联网研究院有限公司 | 一种基于边缘计算的电力业务时延优化方法及系统 |
CN113220364A (zh) * | 2021-05-06 | 2021-08-06 | 北京大学 | 一种基于车联网移动边缘计算系统模型的任务卸载方法 |
CN113326126A (zh) * | 2021-05-28 | 2021-08-31 | 湘潭大学 | 任务处理方法、任务调度方法、装置及计算机设备 |
-
2021
- 2021-10-15 CN CN202111205701.5A patent/CN113918240B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN110851197A (zh) * | 2019-10-10 | 2020-02-28 | 长沙理工大学 | 一种边缘计算多服务器任务选择卸载方法和系统 |
CN111918245A (zh) * | 2020-07-07 | 2020-11-10 | 西安交通大学 | 基于多智能体的车速感知的计算任务卸载和资源分配方法 |
CN112486685A (zh) * | 2020-11-30 | 2021-03-12 | 全球能源互联网研究院有限公司 | 一种电力物联网的计算任务分配方法、装置及计算机设备 |
CN112714178A (zh) * | 2020-12-25 | 2021-04-27 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112752302A (zh) * | 2021-01-05 | 2021-05-04 | 全球能源互联网研究院有限公司 | 一种基于边缘计算的电力业务时延优化方法及系统 |
CN113220364A (zh) * | 2021-05-06 | 2021-08-06 | 北京大学 | 一种基于车联网移动边缘计算系统模型的任务卸载方法 |
CN113326126A (zh) * | 2021-05-28 | 2021-08-31 | 湘潭大学 | 任务处理方法、任务调度方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113918240A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113918240B (zh) | 任务卸载方法及装置 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN112512056B (zh) | 一种移动边缘计算网络中多目标优化的计算卸载方法 | |
CN110351754B (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN112689303B (zh) | 一种边云协同资源联合分配方法、系统及应用 | |
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
CN111132235B (zh) | 基于改进hrrn算法和多属性决策的移动卸载迁移算法 | |
CN111930436A (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
CN109710374A (zh) | 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 | |
CN112749010B (zh) | 融合推荐系统的边缘计算任务分配方法 | |
CN113794494B (zh) | 一种面向低轨卫星网络的边缘计算系统及计算卸载优化方法 | |
CN111836284B (zh) | 基于移动边缘计算的能耗优化计算、卸载方法和系统 | |
CN114143346A (zh) | 一种车联网任务卸载和服务缓存的联合优化方法及系统 | |
CN113641417B (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
CN113992677A (zh) | 一种延迟与能耗联合优化的mec计算卸载方法 | |
Lan et al. | Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN116916386A (zh) | 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法 | |
CN114925857A (zh) | 一种用于交通状态估计的联邦学习算法 | |
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 | |
CN113159539B (zh) | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 | |
CN111580943B (zh) | 一种面向低时延边缘计算中多跳卸载的任务调度方法 | |
CN113032146A (zh) | 一种面向多接入边缘计算环境的健壮性服务供应方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 |
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 |