CN113965569A

CN113965569A - 一种高能效、低时延的边缘节点计算迁移架构及配置系统

Info

Publication number: CN113965569A
Application number: CN202111233422.XA
Authority: CN
Inventors: 史彦军; 方远斐; 李佳健; 沈卫明
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2021-10-22
Filing date: 2021-10-22
Publication date: 2022-01-21
Anticipated expiration: 2041-10-22
Also published as: CN113965569B

Abstract

本发明公开了一种高能效、低时延的边缘节点计算迁移架构及配置系统，包括：场景获取模块，用于确定移动终端计算卸载与边缘节点计算迁移的场景，模型构建模块，用于根据场景构建边缘计算网络时延与能耗模型；优化运算模块，用于基于边缘计算网络时延与能耗模型和惩罚函数获得总能效表达式，结合粒子群算子的灰狼优化算法对总能效表达式进行优化，获得最优状态参数；优化配置模块，用于根据最优状态参数对边缘节点资源进行能效优化配置，提升边缘计算网络能效利用率。本发明基于各种资源之间的约束关系，迭代求解得到一种优化能效的边缘节点计算迁移资源配置方案，实现降低全网时延、能耗，提高能效的目的。

Description

一种高能效、低时延的边缘节点计算迁移架构及配置系统

技术领域

本发明属于边缘计算技术领域，特别是涉及一种高能效、低时延的边缘节点计算迁移架构及配置系统。

背景技术

近年来，随着社会对无线技术应用如实时视频流，实时人脸识别和虚拟/增强现实的需求不断增加，无线通讯来到了一个数据爆炸的时代。同时，云计算应运而生，用于处理用户卸载的大量远程数据。然而，在许多特殊的应用领域，如车联网，云计算无法即时响应来自实时延迟敏感用户的请求。此外，大量数据汇聚将导致网络拥塞，这可能会带来严重的延迟甚至数据包丢失。因此，边缘计算为解决以上问题而提出。边缘相比于云舍弃了不必需的强大计算能力，而通过大量边缘节点的设置来拉近与移动终端用户间的距离，并很大程度解决了云计算所带来的数据延迟与丢包问题。而因边缘计算服务节点规模所限制，其节点与节点间的计算迁移问题的研究日渐成为热潮。其中有关边缘计算的时延、能耗、资金等多方面的因素的分析对解决这些问题有着举足轻重的作用。

目前，边缘计算领域内通过时延这一因素来研究问题的论文报告较多。另一方面，有关边缘计算能耗问题的研究较少，若能实现边缘网络在较低延迟下实现更低能耗，同时满足边缘网络时延与能耗的多因素要求，那么边缘计算将可用于完成更高即时性与低能耗场景要求的任务，或者较大程度提高现有边缘计算网络的能效。

发明内容

本发明在满足用户需求的前提下，设计了一种高能效、低时延的边缘节点计算迁移架构及配置系统，用于提升边缘计算网络能效，并推动边缘计算发展。

为实现上述目的，本发明提供了如下方案：一种高能效、低时延的边缘节点计算迁移架构及配置系统，包括：

场景获取模块，用于确定移动终端计算卸载单元与边缘节点计算迁移单元的场景；

模型构建模块，与所述场景获取模块连接，用于根据所述场景构建边缘计算网络时延与能耗模型；

优化运算模块，与所述模型构建模块连接，用于基于所述边缘计算网络时延与能耗模型和惩罚函数获得总能效表达式，结合粒子群算子的灰狼优化算法对所述总能效表达式进行优化，获得最优状态参数；

优化配置模块，与所述优化运算模块连接，用于根据所述最优状态参数对边缘节点资源进行能效优化配置，提升边缘计算网络能效利用率。

优选地，所述场景获取模块中确定移动终端计算卸载单元与边缘节点计算迁移单元的所述场景为移动终端对边缘节点的计算卸载场景模块。

优选地，所述计算卸载场景模块包括第一计算卸载单元、第二计算卸载单元、第三计算卸载单元、第四计算卸载单元、第五计算卸载单元；

所述第一计算卸载单元为一个移动终端处于一个边缘节点下的计算卸载单元；

所述第二计算卸载单元为一个移动终端处于多个边缘节点下的计算卸载单元；

所述第三计算卸载单元为一个移动终端经过多个边缘节点、节点非交叉下的计算卸载单元；

所述第四计算卸载单元为一个移动终端经过多个边缘节点、节点交叉的计算卸载单元；

所述第五计算卸载单元为多个移动设备经过一个或多个边缘节点下的计算卸载单元。

优选地，所述边缘节点用于对计算卸载任务的传递与计算，包括固定类边缘节点、移动类边缘节点。

优选地，所述计算迁移包括位移性计算迁移、能效性计算迁移；

所述位移性计算迁移为移动终端设备在一个时间段始末发生边缘节点覆盖边界的穿越引起的计算迁移；

所述能效性计算迁移为移动终端设备发生计算卸载的任务所需算力引起卸载目标边缘节点的算力要求出超引起的计算迁移。

优选地，所述位移性计算迁移方向为固定沿某一时刻移动终端移动目的地的方向；

所述能效性计算迁移的方向为沿算力空闲的边缘节点方向，所述方向受其他边缘节点各项参数的影响。

优选地，所述边缘计算网络时延与能耗模型包括时延模型、能耗模型；

所述时延模型包括传输时延、计算时延、迁移时延；

所述能耗模型包括传输能耗、计算能耗、迁移能耗。

优选地，结合粒子群算子的灰狼优化算法对所述总能效表达式进行优化的过程包括，参数初始化，基于初始化后的参数获得初始化的全网能效值；根据所述总能效表达式的公式参数迭代灰狼算法公式得到更新后的猎物位置，迭代粒子群算子再次更新猎物位置后，获得全网能耗值，将所述全网能耗值与初始化的全网能耗值进行比较，判断是否达到结束条件，若是，输出获得最优状态参数，若否，继续进行参数迭代。

本发明公开了以下技术效果：

本发明提供了一种高能效、低时延的边缘节点计算迁移架构及其配置系统，包括多移动终端对多边缘节点下的移动终端计算卸载与边缘节点计算迁移场景的场景获取模块，场景下的时延、能耗模型的模型构建模块，全网总能效表达式以及针对该表达式配置的结合粒子群算子的灰狼优化算法的优化运算模块，根据最优状态参数对边缘节点资源进行能效优化配置的优化配置模块。本发明设计了多移动终端对多边缘节点下的移动终端计算卸载与边缘节点计算迁移场景下的时延、能耗模型，并引入系统稳定性相关惩罚函数，建立全网总能效表达式，并根据表达式需要的优化参数配置了一种结合粒子群算子的灰狼优化算法，算法基于各种资源之间的约束关系，迭代求解得到一种优化能效的边缘节点计算迁移资源配置方案，从而达到降低全网时延、能耗，提高能效的目的。

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，下面描述中的附图仅仅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为本发明实施例的系统结构示意图；

图2为本发明实施例的系统结构工作流程图；

图3为本发明实施例的结合粒子群算子的灰狼优化算法流程图；

图4为本发明实施例的边缘节点的位移性计算迁移和能效性计算迁移场景示意图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供了一种高能效、低时延的边缘节点计算迁移架构及配置系统,包括：多移动终端对多边缘节点下的移动终端计算卸载与边缘节点计算迁移场景，场景下的时延、能耗模型，全网总能效表达式以及针对该表达式配置的结合粒子群算子的灰狼优化算法。本发明设计了多移动终端对多边缘节点下的移动终端计算卸载与边缘节点计算迁移场景下的时延、能耗模型，并引入系统稳定性相关惩罚函数，建立全网总能效表达式，并根据表达式需要的优化参数配置了一种结合粒子群算子的灰狼优化算法，算法基于各种资源之间的约束关系，迭代求解得到一种优化能效的边缘节点计算迁移资源配置方案，从而达到降低全网时延、能耗，提高能效的目的。

具体地包括，

1.面向移动终端计算卸载的边缘节点计算迁移

(1)边缘节点(EN)的定义

边缘节点属于边缘计算网络的一部分，其拥有对计算卸载任务的传递与计算等功能。此处边缘节点包括但不限于以下内容(以一般车联网为例)：固定类边缘节点，如蜂窝网络基站(BS),路边通信单元(RSU)；移动类边缘节点，如其他加入车联网的车辆。

(2)移动终端(MD)计算卸载与边缘节点计算迁移的定义

本发明作出如下定义：

移动终端计算卸载为边缘计算网络下移动终端设备通过决策作出的将有资源敏感等任务因素或者超过移动终端处理能力等设备因素的任务通过边缘网络传输并交给边缘节点处理的行为。

边缘节点计算迁移为边缘计算网络模型中，因位置、能效等客观限制因素影响，在处理移动终端设备计算卸载任务时发生的将任务内容或结果在边缘网络内再分配而使计算卸载任务能顺利执行并返回移动终端的行为。

一般的，边缘节点计算迁移为为完成移动终端计算卸载任务并将结果返回移动终端而可能存在的一步，其发生条件如下。为便于分析，假设发生条件相互独立，实际发生条件存在交叉情况。

以下，为便于表述，将计算卸载与计算迁移如无特指，默认为移动终端计算卸载和边缘节点的计算迁移。

(3)计算迁移的发生条件

a.由移动设备位置变化引起的位移性计算迁移：移动终端设备在一个时间段始末发生边缘节点覆盖边界的穿越引起的计算迁移。

b.由边缘节点算力限制引起的能效性计算迁移：移动终端设备发生计算卸载的任务所需算力引起卸载目标边缘节点的算力要求出超引起的计算迁移。

(4)计算迁移的具体行为

以下定义的方向为路径的向量和；

a.位移性计算迁移的方向总是沿着某一时刻移动终端移动目的地的方向。这一方向是唯一确定的。

b.能效性计算迁移的方向总是沿着算力空闲的边缘节点的方向。这一方向受其他边缘节点各项参数的影响。

2.计算卸载场景分析

a.一个移动终端处于一个边缘节点下的计算卸载

此时发生计算卸载，卸载目标仅为存在的边缘节点。

b.一个移动终端处于多个边缘节点下的计算卸载

此时发生计算卸载，根据终端优化决策进行卸载分配。

c.一个移动终端经过多个边缘节点(节点非交叉)下的计算卸载

此时发生计算卸载目标唯一，并且发生终端移动方向的计算迁移。

d.一个移动终端经过多个边缘节点(节点交叉)的计算卸载

此时发生计算卸载目标由决策判定，可能发生计算迁移。

a-d场景的计算迁移一般为位移性计算迁移。

e.多个移动设备经过一个(或多个)边缘节点下的计算卸载

a-d各种情况的集合，现实中的一般场景。一般的，大量的移动设备聚集的结果是边缘节点算力要求的提高，而因为技术、规模、资金等原因，边缘节点的算力受限，此时若有大量任务同时被卸载至同一边缘节点，则会发生能效性计算迁移。因此e情况是位移性和能效性计算迁移的复杂结合。

3.计算卸载与计算迁移模型

假设各个节点的参数一致，各个移动终端参数一致。

计u_i∈u＝{u₁，u₂，...，u_n}，e_i∈e＝{e₁，e₂，...，e_m}，c_i∈c＝{c₁，c₂，...，c_m}分别为边缘计算网络内移动终端、边缘节点、边缘节点最大计算与存储能力。

(1)时延模型

总时延D_t分成三个部分：

a.终端与联系边缘节点间的传输时延，包括上传时延D^u和下载时延D^d。其中，上传时延为

式中，λ_i，j∈{λ_1j，λ_2j，...，λ_nj}为终端i对边缘节点j的计算卸载任务大小，B、P_i、N₀分别为无线信道的带宽、传输能量和信噪频谱密度。h_i，j为动态传输信道参数，记为

式中，τ指代单位长度(1m)传输信道能量，

指代终端与边缘节点瞬时距离。

因为边缘节点回传至终端的任务结果文件大小很小，因此下载时延忽略不计，即D^d≈0。

b.边缘节点上的计算时延D^c

假设边缘节点计算资源对加入该节点的来自不同移动终端的计算卸载任务是均匀分配的，则

式中，f₀指代每bit计算所需的CPU周期，λ_ijf₀即为计算λ_ij任务所需的CPU总周期。f_j为边缘节点为λ_i分配的CPU周期。其中

其中F指代每个边缘节点的CPU总频率，num_i指代分配给边缘节点j的总任务数。

c.计算迁移引发的迁移时延Dm

式中，S_j为发生迁移的文件大小，b₀为发生迁移节点间的传输带宽。

因此，总时延模型公式为

(2)能耗模型

总能耗E_t分为三个部分：

a.终端向边缘节点卸载任务和返回结果产生的传输能耗E^t

因为返回结果大小很小，其产生能耗忽略不计，则

式中，P_i指代移动终端的传输能量

b.边缘节点的计算能耗E^c

对于单个边缘节点

式中，γ_c为边缘节点CPU能效系数，为定值。

c.计算迁移引发的迁移能耗E^c

式中，P_j指代边缘节点j的传输能量

因此，总能耗模型公式为

(3)问题定义

为了达到能效的最优化，使时延和能耗的加权和达到最小值，即总时延与总能耗加权的总能效公式需要取得最小值。

总能效公式记为

式中，ω₁和ω₂控制着总时延与总能耗的权重，考虑到总时延与总能耗数值量级之间的差异，为实现能耗合的合理数值，其系数控制范围为分别是ω₁∈[0，10]，ω₂∈[0，1]。

此处可以使用归一化方法简化参数，提出总能效归一化公式

式中，D_t ^max和D_t ^min分别指代系统所有资源分配情况下的的最大时延与最小时延，E_t ^max和E_t ^min分别指代系统所有资源分配情况下的的最大能耗与最小能耗。

此时的系数ω₁ ^*，ω₂ ^*取值无需考虑合理范围，保持范围一致即可，默认均取一般范围[0，1]。

与位移性计算迁移不同，边缘计算系统模型发生能效性计算迁移是一种对系统延迟与能耗均不利的情况，而这种情况的发生与边缘节点算力和终端卸载任务大小之间的关系密切。一般的，能效性计算迁移是一种被动的维稳过程，将增加迁移对象节点的计算负载，其发生会造成迁移对象节点的进一步算力资源紧张，从而可能引发更大的系统稳定问题，并造成系统时延与能耗的激增。

由此引入额外惩罚项，构成总能效归一化修正公式。

式中，g为能效性计算迁移惩罚系数，为一定值；ω₃ ^*为能效性计算迁移权重。

且若Penalty(x)＜0，则Penalty(x)＝0

为便于解决问题，假设能效性计算迁移只考虑由原配置结构引发的再分配，即不考虑第一次优化分配后引起的再分配。

惩罚函数Penalty(x)指出，能效性计算迁移与移动终端卸载到边缘节点任务大小及边缘节点总算力有关。在各边缘节点参数(包括总算力、相邻节点距离等)均一致的假设下，其与优化算法分配系数的方案无关。但是，该惩罚项有一定的系统能效数值参考性，不能被忽略，因此拟取ω₃ ^*＝1(ω₃ ^*的定值大小，视系统鲁棒性而定)。

化简后

为便于理解，ω₁ ^*称为总时延权重系数，ω₂ ^*称为总能耗权重系数。

(4)参数的相关算法配置

在以上模型假设下，基于边缘网络系统的限制下，通过确定ω₁ ^*与ω₂ ^*的数值大小，得到一个最优(最小)的总能效值，完成对于边缘节点资源的配置。很显然，该问题属于NP难问题，限制条件为：

a.系数的取值[0，1]；

b.目标总能效的要求[Min A^*]，要使Min A^*≤[Min A^*]。

本发明采用一种启发式算法灰狼优化算法，通过在可行域中初始化数值，并通过不断收敛迭代，逼近表达式最优参数值，若优化后能效值满足目标要求能效值要求，则完成能效优化的目的。

4.结合粒子群算子的灰狼优化算法(PSO-GWO)

(1)灰狼优化算法(GWO)概述

一项所述的基于灰狼优化算法的总能效公式，其迭代计算步骤：

步骤一、参数初始化；所述初始化的参数包括迭代次数t，随机生成α、β、δ灰狼位置X_αXβ，X_δ，随机生成最优解位置X(ω₁ ^*，ω₂ ^*)，随机生成A、C协同系数向量；

步骤二、计算初始位置；根据步骤一得到的所述初始化的参数和总能效计算公式，得到一全网能效值Min A^*；

步骤三、根据初始化的总能效公式参数迭代得到更新后的猎物位置X′(ω₁ ^*，ω₂ ^*)，若带入得到的全网能耗值Min A^*低于初始化的全网能耗值Min A^*，则将最优解位置更新为X′(ω₁ ^*，ω₂ ^*)；反之，则重置协同系数向量，重新得到新的X′(ω₁ ^*，ω₂ ^*)并代入比较。

步骤四、判断是否达到结束条件；若是，则输出最优的X(ω₁ ^*，ω₂ ^*)，若否，则返回步骤三。

一种边缘计算过程的求解灰狼优化算法，获得计算迁移场景下边缘卸载计算过程中的最优能效时参数ω₁ ^*，ω₂ ^*的数值。

a、包含不同场景下的边缘卸载计算过程和总能效优化函数；

b、所述灰狼优化算法中以最优解的二维坐标值作为全网能耗最小化函数的参数值。

c、调用所述一般场景(e场景)卸载计算过程，对过程中总能效表达式参数ω₁ ^*，ω₂ ^*进行迭代计算，得出最优ω₁ ^*，ω₂ ^*值。

(2)灰狼优化算法优势

较另一主流算法粒子群算法(PSO)，灰狼优化算法通过α、β、δ灰狼三狼位置约束最优解范围，较粒子群算法通过结合粒子群的位置与速度关系形成收敛，前者有较快的收敛速度，但其优化解与NP问题真实解的偏离程度，即最优解的精确度较粒子群算法更低。

此外，贪婪算法与遗传算法之类的启发式算法则追求更高精确度，同时其迭代次数运算量进一步增大，造成比较大的时延，对于有即时性要求的边缘计算网络不利。

(3)结合粒子群算子的灰狼优化算法

对于边缘计算网络环境，求解收敛速度反映出其资源分配的速度，是时延问题；其求解精确度反映出资源分配的总能效优化程度，是本文求解目标的关键。

因此，本发明提出一种结合粒子群算子的灰狼优化算法，既利用了灰狼优化算法便于被优化的特性，保留了灰狼优化算法快速收敛的优越性，又利用了粒子群算法更高精确度求解的优势。

本发明主要提取粒子群算法中粒子速度这一概念，并将与其相关算子加入灰狼算法中，使后者的灰狼同时拥有了位置与“速度”两种属性，此时的一步迭代将同时存在α、β、δ灰狼三狼约束的灰狼位置更新与基于粒子群算子的灰狼“速度”更新，将前者与后者相加，进一步得结合粒子群算子加权的灰狼新位置。

一项所述的结合粒子群算子的灰狼优化算法的总能效公式，其迭代计算步骤：

步骤一、参数初始化；所述初始化的参数包括迭代次数t，随机生成α、β、δ灰狼位置X_α、X_β、X_δ，随机生成最优解位置X′(ω₁ ^*，ω₂ ^*)，随机生成A、C协同系数向量；

同时随机生成α、β、δ灰狼位置X_α、X_β、X_δ的个体最优解X_α′、X_β′、X_δ′，灰狼初“速度”V_α、V_β，V_δ，学习因子C₁、C₂。

随机生成粒子群优化权重系数ω_M。

以上系数取值均在闭集，集合范围视模型而定。

步骤二、计算初始位置；根据步骤一得到的所述初始化的参数和所述各节点总能耗计算公式，得到全网能效值Min A^*；

步骤三、根据初始化的总能效公式参数迭代灰狼算法公式得到更新后的猎物位置X′(ω₁ ^*，ω₂ ^*)，再迭代粒子群算子，更新灰狼“速度”与三个灰狼个体最优解，并将“速度”与由灰狼算子更新后的狼的位置相加，再次更新猎物位置X′″(ω₁ ^*，ω₂ ^*)。若带入得到的全网能耗值Min A^*′″低于初始化的全网能耗值Min A^*，则将最优解位置更新为X′″(ω₁ ^*，ω₂ ^*)；反之，则重置灰狼算子系数与粒子群算子系数和粒子群优化权重系数，重新得到新的X′″(ω₁ ^*，ω₂ ^*)并代入比较。

一种边缘计算过程的求解灰狼优化算法，获得计算迁移场景下边缘卸载计算过程中的全网能耗最低时参数ω₁ ^*，ω₂ ^*的数值。

5.实例分析

(1)实例环境

一个工厂园区内配置有M辆边缘计算联动工作AGV与N个路边单元、通信基站(后统称边缘节点)。

(2)参数假设

为便于研究，假设AGV的参数，包括CPU频率、设备传输能量相同；假设边缘节点的参数，包括CPU频率，工作电压，边缘节点迁移能量和带宽相同，边缘节点设立间隔相同。为便于求解，AGV之间不具有计算卸载关系(即AGV不作为边缘节点使用)。

(3)具体过程

a.由以上假设，列出AGV、边缘节点、边缘节点计算存储量集合，u_i∈u＝{u₁，u₂，...，u_M}，e_i∈e＝{e₁，e₂，...，e_N}，c_i∈c＝{c₁，c₂，...，c_N}

b.通过分析边缘计算网络得出时延与能耗的极值，即计算出D_t ^max，D_t ^min，E_t ^max，E_t ^min。

c.以某一时刻为园区的边缘服务系统为样本，通过收集该时刻AGV和边缘节点间的相关参数，取得该时刻AGV计算卸载任务λ_i，j∈{λ_1j，λ_2j，...，λ_nj}，计算得该时刻边缘节点与AGV之间的时延D_t与能耗E_t。

d.通过归一化处理，列出一般总能效归一化公式得出Min A^*值。

e.通过结合粒子群算子灰狼优化算法得出优化的总能效公式达到，得到最优状态下参数X′″(ω₁ ^*，ω₂ ^*)，若得出能效满足优化要求，则根据参数对某时刻各个边缘节点的移动设备卸载计算任务通过适当的计算迁移再分配实现资源的优化配置。反之，则继续迭代，直到迭代次数限制。

f.最终实现每个优化时间段的能效优化配置，充分提升边缘计算网络能效利用率。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims

1.一种高能效、低时延的边缘节点计算迁移架构及配置系统,其特征在于，包括：

2.根据权利要求1所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

所述场景获取模块中确定移动终端计算卸载单元与边缘节点计算迁移单元的所述场景为移动终端对边缘节点的计算卸载场景模块。

3.根据权利要求2所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

所述计算卸载场景模块包括第一计算卸载单元、第二计算卸载单元、第三计算卸载单元、第四计算卸载单元、第五计算卸载单元；

4.根据权利要求1所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

所述边缘节点用于对计算卸载任务的传递与计算，包括固定类边缘节点、移动类边缘节点。

5.根据权利要求1所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

所述计算迁移包括位移性计算迁移、能效性计算迁移；

6.根据权利要求5所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

所述位移性计算迁移方向为固定沿某一时刻移动终端移动目的地的方向；

7.根据权利要求1所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

所述边缘计算网络时延与能耗模型包括时延模型、能耗模型；

所述时延模型包括传输时延、计算时延、迁移时延；

所述能耗模型包括传输能耗、计算能耗、迁移能耗。

8.根据权利要求1所述的高能效、低时延的边缘节点计算迁移架构及配置系统，其特征在于，

结合粒子群算子的灰狼优化算法对所述总能效表达式进行优化的过程包括，参数初始化，基于初始化后的参数获得初始化的全网能效值；根据所述总能效表达式的公式参数迭代灰狼算法公式得到更新后的猎物位置，迭代粒子群算子再次更新猎物位置后，获得全网能耗值，将所述全网能耗值与初始化的全网能耗值进行比较，判断是否达到结束条件，若是，输出获得最优状态参数，若否，继续进行参数迭代。