CN113992677A - 一种延迟与能耗联合优化的mec计算卸载方法 - Google Patents

一种延迟与能耗联合优化的mec计算卸载方法 Download PDF

Info

Publication number
CN113992677A
CN113992677A CN202111257706.2A CN202111257706A CN113992677A CN 113992677 A CN113992677 A CN 113992677A CN 202111257706 A CN202111257706 A CN 202111257706A CN 113992677 A CN113992677 A CN 113992677A
Authority
CN
China
Prior art keywords
server
unloading
task
calculation
delay
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.)
Withdrawn
Application number
CN202111257706.2A
Other languages
English (en)
Inventor
张先超
杨忠明
乐光学
宋逸杰
陈丽萍
杨晓慧
马柏林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing University
Original Assignee
Jiaxing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing University filed Critical Jiaxing University
Priority to CN202111257706.2A priority Critical patent/CN113992677A/zh
Publication of CN113992677A publication Critical patent/CN113992677A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/101—Server selection for load balancing based on network conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种延迟与能耗联合优化的MEC计算卸载方法，为解决MEC的多用户对多服务器的计算卸载中用户卸载请求争抢服务器资源，出现趋优卸载、资源有效利用率低下、卸载服务质量差等问题；该方法以延迟、能耗为约束，构建计算卸载成本评价模型，为确定卸载目标，设计服务器选择算子，优先选择满足任务响应延迟的服务器执行卸载计算，设计以响应延迟、能耗和服务器负载为适应值函数的改进差分算法，搜索低适应值的卸载决策，实现低开销且负载均衡的高效计算卸载；仿真实验证明，该方法降低了移动边缘计算网络的延迟和能耗，提高了任务满足响应延迟率，平衡了服务器的负载，提升了移动边缘计算系统的用户满意度、能耗效率和稳定性。

Description

一种延迟与能耗联合优化的MEC计算卸载方法
技术领域
本发明涉及移动边缘计算技术领域，具体是一种延迟与能耗联合优化的MEC计算卸载方法。
背景技术
万物互联时代快速到来，手机、pad等移动智能终端数量和网络流量数据快速增长，人脸识别、自动驾驶、移动增强现实等应用程序日趋复杂化，这类应用具有时敏性高、资源需求大的特点，移动边缘计算(Mobile Edge Computing，MEC)作为一种新型的计算模式，通过将服务器部署在靠近用户的网络边缘，实时响应用户的卸载请求，实现就地就近、快速的网络服务；有效融合调度资源满足庞大多样计算需求是MEC研究的重要内容，计算卸载作为MEC服务的关键技术之一，主要解决任务是否卸载、卸载任务划分和资源分配这三大问题，其目标是将计算任务从资源受限的设备卸载到资源丰富的设备或网络中，提高用户QoS，降低开销，实现融合与资源共享。
由于MEC中设备具有动态性和复杂性等特点，计算卸载服务请求者趋优卸载任务，抢占和消耗网络中计算、存储、能源等资源，部分节点因资源被过度消耗失效，导致任务堆积、执行失败，网络吞吐率和QoS下降，直接影响MEC服务效率；因此，合理分配网络资源，满足高时敏性任务的延迟需求、降低终端能耗是MEC计算卸载中亟需解决的问题。
目前，MEC计算卸载的研究成果主要集中在通过资源分配和任务调度，优化计算卸载的延迟及能耗；并且随着人工智能的飞速发展，使用智能优化算法以延迟、能耗等多目标联合优化MEC计算卸载决策成为该领域研究的关键技术之一。
发明内容
本发明针对移动边缘计算环境下，设备类型具有动态性和复杂性，多用户对多服务器的计算卸载时面临用户卸载请求争抢服务器资源，出现趋优卸载、资源有效利用率低下、卸载服务质量差等问题，而提供一种延迟与能耗联合优化的MEC计算卸载方法，该方法以延迟、能耗为约束，建立计算卸载成本评价模型，设计服务器选择算子，优先选择满足任务响应延迟的服务器执行卸载计算，并将计算卸载决策问题转化为0-1背包问题，设计以响应延迟、能耗和服务器负载为适应值函数的COSIDE算法针对服务器选择问题；仿真结果表明，该系统模型能降低延迟和能耗，使服务器负载均衡，实现了稳定、低开销的高效计算卸载。
实现本发明目的的技术方案是：
一种延迟与能耗联合优化的MEC计算卸载方法，是通过建立以延迟和能耗为约束的成本评价模型，设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的COSIDE算法，构建计算卸载决策服务系统，实现MEC中低开销的高效计算卸载；
所述的计算卸载决策服务系统以基站和边缘服务器为超级节点，以手机和电脑等移动终端为边缘节点；边缘节点接入超级节点获取计算服务资源，实现网络资源共享，提供计算卸载服务；
在计算卸载决策服务系统中，以完成任务消耗的延迟和能耗为约束，构建计算卸载成本评价模型，求解某一时隙内任务的最佳卸载决策；
在计算卸载决策服务系统中，任务根据满足响应延迟要求下，最小化能耗的方式卸载，设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的改进差分COSIDE求解计算卸载成本最小化问题，实现低开销且服务器负载均衡的高效计算卸载；该方法具体包括如下步骤：
1)边缘节点产生计算任务；
2)以完成任务消耗的延迟和能耗为约束构建计算卸载成本评价模型，通过最低成本决策模拟任务本地计算或卸载计算；
3)本地计算：由产生任务的用户终端执行并完成任务，将完成任务消耗的成本结果返回特征数据库中；
4)卸载计算：以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标；服务器依据成本选择接受或拒绝用户的卸载请求，若接受请求，则由服务器执行并完成任务，否则将任务返回用户终端执行并完成任务；将完成任务消耗的成本结果返回特征数据库中；
5)以总成本和计算卸载决策服务系统中服务器负载标准差为适应值函数，利用COSIDE算法更新适应值更小的卸载决策；当适应值不满足要求或COSIDE算法迭代次数不满足最大时，返回步骤2)；
6)当COSIDE算法迭代次数达到最大时，依据最新决策完成任务的计算卸载。
步骤4)中，所述卸载计算，以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标，具体包括如下步骤：
4-1)预估将任务卸载至可协作的服务器执行并完成所消耗的延迟，其中包括传输和服务器计算任务消耗的延迟；
4-2)评估可协作的服务器；
将任务ri的截止响应延迟
Figure BDA0003324634150000031
与预估完成任务延迟
Figure BDA0003324634150000032
的差值作为任务ri对服务器ej的特征
Figure BDA0003324634150000033
计算如下：
Figure BDA0003324634150000034
对于任务ri，可卸载的服务器的特征集合为
Figure BDA0003324634150000035
将该特征归一化后，特征集合描述为
Figure BDA0003324634150000036
Figure BDA0003324634150000037
计算如下：
Figure BDA0003324634150000038
用负指数函数，将归一化后的特征
Figure BDA0003324634150000039
转换为任务ri对服务器ej的偏好值
Figure BDA00033246341500000310
计算如下：
Figure BDA00033246341500000311
4-3)在
Figure BDA00033246341500000312
的整数区间内，用户将任务发送至偏好值最大的服务器等待响应；
4-4)服务器评价任务本地计算和卸载计算消耗的成本，判断是否接受请求，若卸载计算的成本小于本地计算，则接受卸载请求，执行并完成任务，否则拒绝卸载请求，将任务返回用户终端执行并完成任务。
步骤5)中，所述以总成本和系统中服务器负载标准差为适应值函数，利用COSIDE算法搜索适应值最小的卸载决策，具体包括如下步骤：
5-1)以响应延迟、能耗和服务器负载为约束，构建计算卸载决策的适应值函数；
5-1-1)建立计算卸载决策成本评价模型；
为量化表征卸载决策，引入任务的成本
Figure BDA00033246341500000313
对于任务截止响应延迟为
Figure BDA00033246341500000314
的任务ri，在满足延迟时仅计算其能耗，超出延迟时根据延迟线性增加能耗，
Figure BDA0003324634150000041
计算如下：
Figure BDA0003324634150000042
其中，
Figure BDA0003324634150000043
和
Figure BDA0003324634150000044
分别为完成任务消耗的延迟和能耗，ξ为放大系数，一个时隙内，完成网络中任务所需的总成本HT计算如下：
Figure BDA0003324634150000045
MEC计算卸载的优化目标函数表示如下：
Figure BDA0003324634150000046
其中，e1,…,ei表示服务器，A为时隙内所有任务的卸载决策矩阵；
5-1-2)评估服务器的负载情况；
用服务器接受用户卸载请求次数表示服务器的负载，用矩阵G＝{gi,j}n×m表示用户与服务器的连接情况，gi,j＝η表示服务器ej接收了η次用户ui的卸载请求，gi,j＝0表示用户ui与服务器ej不连接，一个时隙内，服务器ej的负载Lj计算如下：
Figure BDA0003324634150000047
标准差是评价负载是否均衡的指标，服务器的负载标准差σ计算如下：
Figure BDA0003324634150000048
其中，
Figure BDA0003324634150000049
表示服务器的平均负载；
5-1-3)为实现低延迟、低能耗，服务器负载均衡的计算卸载，以总成本和服务器负载标准差的乘积为约束，构建适应值函数S，计算如下：
Figure BDA00033246341500000410
其中，β为标准差的影响因子。
5-2)将计算卸载决策问题转化为0-1背包问题，设计COSIDE算法求解，搜索适应值最低的卸载决策，通过改进的变异、交叉和选择算子更新种群，假设种群规模为N，最大迭代次数为G，其更新公式如下：
5-2-1)变异算子，将种群中与目标个体基因
Figure BDA0003324634150000051
不同的对应基因数量记为
Figure BDA0003324634150000052
Figure BDA0003324634150000053
时，变异
Figure BDA0003324634150000054
Figure BDA0003324634150000055
时，以变异概率μ变异
Figure BDA0003324634150000056
变异过程表示如下：
Figure BDA0003324634150000057
其中，
Figure BDA0003324634150000058
为变异个体的基因，g为上一轮的迭代次数；
5-2-2)交叉算子，选择某基因或以交叉概率ω，将变异的基因插入原基因中，产生新个体，交叉过程表示如下：
Figure BDA0003324634150000059
其中，
Figure BDA00033246341500000510
为交叉个体的基因，rrand为[1,n]区间内的一个随机整数；
5-2-3)选择算子，选择父个体Xi(g)和交叉个体Ci(g+1)中适应值小的成为下一代父个体Xi(g+1)，表示如下：
Figure BDA00033246341500000511
5-2-4)更新迭代次数g＝g+1，更新卸载决策。
有益效果：本发明提供的一种延迟与能耗联合优化的MEC计算卸载方法，通过联合优化延迟和能耗的计算卸载决策模型，旨在解决MEC中多用户对多服务器的计算卸载面临用户卸载请求争抢服务器资源，出现趋优卸载、资源有效利用率低下、卸载服务质量差等问题，以延迟、能耗为约束，构建计算卸载成本评价模型，给出了构建计算卸载服务和卸载决策数学模型和约束，并对其进行了较为详细的分析；仿真实验表明，本发明的MEC计算卸载方法的任务平均接受率为88.65％，平均成功率为98.19％，与全本地计算策略(All localprocessing scheme，ALP)、全卸载计算策略(All offloading scheme，AOS)、随机卸载策略(Random offloading scheme，RAND)和最小延迟贪心卸载策略(Minimum delay greedyscheme，GREED)相比，本发明的MEC计算卸载方法将平均延迟分别降低了20.09％，85.38％，50.68％，2.34％，满足响应延迟率分别提高了29％，61.7％，32.8％，11,1％，除ALP外，本发明的MEC计算卸载方法将总能耗分别降低了27.88％，19.24％，22.28％。
附图说明
图1为计算卸载逻辑结构；
图2为服务器偏好值仿真曲线；
图3为COSIDE算法流程；
图4为MEC系统模型；
图5为COSIDE算法适应值曲线；
图6为不同任务数的总成本变化图；
图7为不同任务数的平均延迟变化图；
图8为不同任务数的总能耗变化图；
图9为不同任务数的任务满足响应延迟率变化图；
图10为不同策略的服务器负载；
图11为MECCO-JODE的网络拓扑图；
图12为MECCO-JODE的计算卸载稳定性。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定；
实施例：
假设一个移动边缘计算场景，以基站和边缘服务器为超级节点，手机和电脑等移动终端为边缘节点，如图4所示，超级节点规模为E＝{e1,e2,…,em}，边缘节点规模为U＝{u1,u2,…,un}；以超级节点为中心聚合所有节点构建移动边缘计算网络，实现边缘计算资源共享，提供任务卸载协同服务；
假设：
1)每个服务器可连接所有用户，信道间互不干扰，用户终端在单位时隙内产生10个计算任务，每个任务的生成时间间隔遵循负指数分布；同一时隙内用户与服务器间卸载协商产生的时间和能耗开销忽略不计；
2)任务可通过本地计算或卸载计算完成，(1)本地计算：不卸载任务，并由产生任务的用户终端执行并完成任务，相同用户中的连续本地计算任务之间的等待时间忽略不计；(2)卸载计算：用户向指定的服务器发送计算卸载请求，由接受请求的服务器执行并完成任务，考虑用户卸载请求间的竞争关系，即考虑请求的等待时间；任务均在观察期内完成；
1.构建移动边缘计算卸载服务系统，其实施步骤如下：
1)系统初始化，移动边缘计算中，超级节点与边缘节点构成全连接网络；
2)由用户终端产生任务并发起计算卸载请求，实例中分为5组对照：
·全本地计算策略(All local processing scheme，ALP)：所有任务由用户终端本地执行并完成；
·全卸载计算策略(All offloading scheme，AOS)：所有任务随机卸载至可访问的服务器执行并完成；
·随机卸载策略(Random offloading scheme，RAND)：任务以随机游走的形式选择用户或服务器执行并完成；
·最小延迟贪心卸载策略(Minimum delay greedy scheme，GREED)：任务以自身延迟最小化为目标，趋优选择用户或服务器执行并完成；
·基于延迟与能耗联合优化的卸载策略(MEC Computing Offloading based onJoint Optimization of Delay and Energy，MECCO-JODE)：以响应延迟、能耗和服务器负载为适应值函数，利用COSIDE算法遴选最佳卸载决策；
其中仿真实验配置参数如表1；
2.延迟与能耗联合优化的MEC计算卸载方法具体实施，如图1所示，设计服务器选择算子，遴选满足响应延迟的超级节点执行并完成任务；将计算卸载决策问题转化为0-1背包问题，设计以响应延迟、能耗和服务器为适应值函数的COSIDE算法，搜索最佳卸载决策，实现MEC网络中低开销的高效计算卸载，包括如下步骤：
1)边缘节点产生计算任务；
2)以完成任务消耗的延迟和能耗为约束构建计算卸载成本评价模型，通过最低成本决策模拟任务本地计算或卸载计算；
3)本地计算，由产生任务的用户终端执行并完成任务，将完成任务消耗的成本结果返回特征数据库中；
4)卸载计算，以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标；服务器依据成本选择接受或拒绝用户的卸载请求，若接受请求，则由服务器执行并完成任务，否则将任务返回用户终端执行并完成任务；将完成任务消耗的成本结果返回特征数据库中，具体包括如下步骤：
4-1)预估将任务卸载至可协作的服务器执行并完成所消耗的延迟，其中包括传输和服务器计算任务消耗的延迟；
4-2)评估可协作的服务器；
将任务ri的截止响应延迟
Figure BDA0003324634150000081
与预估完成任务延迟
Figure BDA0003324634150000082
的差值作为任务ri对服务器ej的特征
Figure BDA0003324634150000083
计算如下：
Figure BDA0003324634150000084
对于任务ri，可卸载的服务器的特征集合为
Figure BDA0003324634150000085
将该特征归一化后，特征集合描述为
Figure BDA0003324634150000086
Figure BDA0003324634150000087
计算如下：
Figure BDA0003324634150000088
用负指数函数将归一化后的特征
Figure BDA0003324634150000089
转换为任务ri对服务器ej的偏好值
Figure BDA00033246341500000810
计算如下：
Figure BDA00033246341500000811
4-3)在
Figure BDA00033246341500000812
的整数区间内，偏好值函数的仿真曲线如图2所示，用户将任务发送至偏好值
Figure BDA00033246341500000813
最大的服务器等待响应；
4-4)服务器评价任务本地计算和卸载计算消耗的成本，判断是否接受请求，若卸载计算的成本小于本地计算，则接受卸载请求，执行并完成任务，否则拒绝卸载请求，将任务返回用户终端执行并完成任务；
5)以总成本和系统中服务器负载标准差为适应值函数，利用COSIDE算法更新适应值更小的卸载决策，返回步骤2)，COSIDE算法流程如图3所示，具体包括如下步骤：
5-1)以响应延迟、能耗和服务器负载为约束，构建计算卸载决策的适应值函数；
5-1-1)建立计算卸载决策成本评价模型；
为量化表征卸载决策，引入任务的成本
Figure BDA0003324634150000091
对于任务截止响应延迟为
Figure BDA0003324634150000092
的任务ri，在满足延迟时仅计算其能耗，超出延迟时根据延迟线性增加能耗，
Figure BDA0003324634150000093
计算如下：
Figure BDA0003324634150000094
其中，
Figure BDA0003324634150000095
和
Figure BDA0003324634150000096
分别为完成任务消耗的延迟和能耗，ξ为放大系数，实验中取值ξ＝10。一个时隙内，完成网络中任务所需的总成本HT计算如下：
Figure BDA0003324634150000097
MEC计算卸载的优化目标函数表示如下：
Figure BDA0003324634150000098
其中，e1,…,ei表示服务器，A为时隙内所有任务的卸载决策矩阵；
5-1-2)评估服务器的负载情况；
用服务器接受用户卸载请求次数表示服务器的负载，用矩阵G＝{gi,j}n×m表示用户与服务器的连接情况，gi,j＝η表示服务器ej接收了η次用户ui的卸载请求，gi,j＝0表示用户ui与服务器ej不连接，一个时隙内，服务器ej的负载Lj计算如下：
Figure BDA0003324634150000099
标准差是评价负载是否均衡的指标，服务器的负载标准差σ计算如下：
Figure BDA00033246341500000910
其中，
Figure BDA00033246341500000911
表示服务器的平均负载；
5-1-3)为实现低延迟、低能耗，服务器负载均衡的计算卸载，以总成本和服务器负载标准差的乘积为约束，构建适应值函数S，计算如下：
Figure BDA0003324634150000101
其中，β为标准差的影响因子，实验中取值β＝1。
5-2)将计算卸载决策问题转化为0-1背包问题，设计COSIDE算法求解，搜索适应值最低的卸载决策，通过改进的变异、交叉和选择算子更新种群，假设种群规模为N＝10，最大迭代次数为G＝500，其更新公式如下：
5-2-1)变异算子，将种群中与目标个体基因
Figure BDA0003324634150000102
不同的对应基因数量记为
Figure BDA0003324634150000103
Figure BDA0003324634150000104
时，变异
Figure BDA0003324634150000105
Figure BDA0003324634150000106
时，以变异概率μ＝0.01变异
Figure BDA0003324634150000107
变异过程表示如下：
Figure BDA0003324634150000108
其中，
Figure BDA0003324634150000109
为变异个体的基因，g为上一轮的迭代次数；
5-2-2)交叉算子，选择某基因或以交叉概率ω＝0.0005，将变异的基因插入原基因中，产生新个体，交叉过程表示如下：
Figure BDA00033246341500001010
其中，
Figure BDA00033246341500001011
为交叉个体的基因，rrand为[1,n]区间内的一个随机整数。
5-2-3)选择算子，选择父个体Xi(g)和交叉个体Ci(g+1)中适应值小的成为下一代父个体Xi(g+1)，表示如下：
Figure BDA00033246341500001012
5-2-4)更新迭代次数g＝g+1，更新卸载决策；
6)当COSIDE算法迭代次数达到最大时，依据最新决策完成任务的计算卸载；
3.实验效果分析
1)COSIDE算法收敛性分析
以适应值随迭代变化的曲线为评价指标，分析COSIDE算法收敛性。变异概率μ＝0.01和交叉概率ω＝0.0005时，适应值曲线如图5所示；实验结果表明，在迭代至150次时算法收敛，适应值为14870，对比未优化的适应值降低了96.61％，证明该算法能够快速求解最优卸载策略，具有稳定的收敛性；
2)策略性能分析
以任务总成本为评价指标，将MECCO-JODE与ALP、AOS、RAND和GREED进行对比，分析策略性能。
一个时隙内，随任务数增加，总成本的变化如图6所示；实验结果表明，5种策略计算卸载的总成本随任务数呈线性增长趋势，MECCO-JODE的总成本相比其他4种策略，增长趋势平稳，且斜率最小；任务数为1000，与ALP、AOS、RAND和GREED相比，MECCO-JODE的总成本分别降低了43.39％，95.81％，80.14％，94.62％；MECCO-JODE采用满足响应延迟约束优先的卸载策略，最小化延迟和能耗，实现了成本最小化；
3)MEC服务效率分析
以任务平均时延、总能耗、任务满足延迟率为评价指标，将MECCO-JODE与ALP、AOS、RAND和GREED进行对比，分析MEC服务效率；
一个时隙内，随任务数增加，平均延迟的变化如图7所示；实验表明，MECCO-JODE和ALP的平均延迟无明显变化趋势，其均值分别为0.4004s和0.5011s。AOS的平均延迟随任务数呈线性增长趋势。RAND和GREED的平均延迟随任务数呈对数增长后，分别收敛于1.23s和0.41s；任务数为1000，与ALP、AOS，RAND、和GREED相比，MECCO-JODE平均延迟分别降低了20.09％，85.38％，50.68％，2.34％；MECCO-JODE以延迟为约束优化了卸载策略，优先选择满足响应延迟的服务器执行任务，减少了网络拥堵，实现了平均延迟最小化；
一个时隙内，随任务数增加，总能耗的变化如图8所示；实验结果表明，5种策略计算卸载的总能耗随任务数呈线性增长趋势，MECCO-JODE的总能耗的增长率比AOS、RAND和GREED小，比ALP大，这是由于卸载计算时需消耗较多的能量来降低延迟；任务数为1000，与AOS、RAND和GREED相比，MECCO-JODE总能耗分别降低了27.88％，19.24％，22.28％，与ALP相比，MECCO-JODE总能耗提高了27.57％；MECCO-JODE以能耗为约束优化卸载策略，在任务满足响应延迟的前提下实现能耗最小化；
一个时隙内，随任务数增加，任务满足延迟率如图9所示；实验结果表明，MECCO-JODE和ALP的满足响应延迟率无明显变化，其均值分别为69.5％和40.5％。AOS、RAND和GREED延迟满足率随任务数呈负指数趋势降低后分别收敛于7.8％，36.7％，58.4％，任务数为1000，与ALP、AOS，RAND、和GREED相比，MECCO-JODE的满足响应延迟率分别提高了29％，61.7％，32.8％，11,1％；MECCO-JODE以满足响应延迟为约束优化了卸载策略，优先选择满足响应延迟的服务器执行任务，实现了实时响应任务延迟的要求。
4)边缘服务器负载均衡性分析
以边缘服务器接收任务数为评价指标，分析服务器的效率及稳定性，服务器负载如图10所示，1-4的服务器计算能力分别为3.5GHz，4GHz，4.5GHz，5GHz；实验结果表明，MECCO-JODE、RAND、GREED服务器总负载分别为484，796，836，服务器负载方差发别为0，10.05，27.74；MECCO-JODE考虑任务的时延特性和服务器的计算能力，合理分配服务器资源，优化服务器负载平衡性，实现高效率、高稳定性的计算卸载。
5)计算卸载稳定性能分析
以网络拓扑结构，任务计算卸载任务接受率和成功率为评价指标，分析策略的计算卸载稳定性；
一个时隙内的网络拓扑结构如图11所示；蓝色节点表示用户终端，红色节点表示边缘服务器，黑色线表示用户和服务器建立连接；实验表明，MECCO-JODE中，网络没有出现游离节点和失效的节点，网络的结构具有良好的稳定性；
MECCO-JODE的计算卸载汇总如表2所示，MECCO-JODE的计算卸载稳定性如图12所示；实验表明，在10个观测时隙内，用户发送任务数均值为511。策略的计算卸载平均接受率为88.65％，拒绝率为11.35％，成功率为98.19％，失败率为1.81％。MECCO-JODE中，网络节点间能高概率且稳定的接收和完成任务，实现了计算卸载的稳定；
总结：
卸载决策和卸载目标的决策对移动边缘计算卸载服务的服务质量产生重要影响；系统构建计算卸载服务具有卸载决策能力，可有效制定低开销、高效率的卸载决策，抑制移动边缘计算中资源分配不佳造成的延迟开销和资源损耗；通过设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的COSIDE算法，遴选最佳卸载决策以及卸载目标，降低了系统的开销，同时平衡了超级节点负载，保证了系统的服务质量，达到了降低延迟和能耗，并提高服务质量的目的，实现了移动边缘计算中低开销且负载均衡的高效计算卸载；
表1仿真实验参数
Figure BDA0003324634150000131
表2 MECCO-JODE计算卸载汇总
Figure BDA0003324634150000132
Figure BDA0003324634150000141

Claims (3)

1.一种延迟与能耗联合优化的MEC计算卸载方法，其特征在于，是通过建立以延迟和能耗为约束的成本评价模型，设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的COSIDE算法，构建计算卸载决策服务系统，实现MEC中低开销的高效计算卸载；
所述的计算卸载决策服务系统以基站和边缘服务器为超级节点，以手机和电脑等移动终端为边缘节点；边缘节点接入超级节点获取计算服务资源，实现网络资源共享，提供计算卸载服务；
在计算卸载决策服务系统中，以完成任务消耗的延迟和能耗为约束，构建计算卸载成本评价模型，求解某一时隙内任务的最佳卸载决策；
在计算卸载决策服务系统中，任务根据满足响应延迟要求下，最小化能耗的方式卸载，设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的改进差分COSIDE求解计算卸载成本最小化问题，实现低开销且服务器负载均衡的高效计算卸载；该方法具体包括如下步骤：
1)边缘节点产生计算任务；
2)以完成任务消耗的延迟和能耗为约束构建计算卸载成本评价模型，通过最低成本决策模拟任务本地计算或卸载计算；
3)本地计算：由产生任务的用户终端执行并完成任务，将完成任务消耗的成本结果返回特征数据库中；
4)卸载计算：以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标；服务器依据成本选择接受或拒绝用户的卸载请求，若接受请求，则由服务器执行并完成任务，否则将任务返回用户终端执行并完成任务；将完成任务消耗的成本结果返回特征数据库中；
5)以总成本和计算卸载决策服务系统中服务器负载标准差为适应值函数，利用COSIDE算法更新适应值更小的卸载决策；当适应值不满足要求或COSIDE算法迭代次数不满足最大时，返回步骤2)；
6)当COSIDE算法迭代次数达到最大时，依据最新决策完成任务的计算卸载。
2.根据权利要求1所述的一种延迟与能耗联合优化的MEC计算卸载方法，其特征在于，步骤4)中，所述卸载计算，以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标，具体包括如下步骤：
4-1)预估将任务卸载至可协作的服务器执行并完成所消耗的延迟，其中包括传输和服务器计算任务消耗的延迟；
4-2)评估可协作的服务器；
将任务ri的截止响应延迟
Figure FDA0003324634140000021
与预估完成任务延迟
Figure FDA0003324634140000022
的差值作为任务ri对服务器ej的特征
Figure FDA0003324634140000023
计算如下：
Figure FDA0003324634140000024
对于任务ri，可卸载的服务器的特征集合为
Figure FDA0003324634140000025
将该特征归一化后，特征集合描述为
Figure FDA0003324634140000026
Figure FDA0003324634140000027
计算如下：
Figure FDA0003324634140000028
用负指数函数，将归一化后的特征
Figure FDA0003324634140000029
转换为任务ri对服务器ej的偏好值
Figure FDA00033246341400000210
计算如下：
Figure FDA00033246341400000211
4-3)在
Figure FDA00033246341400000212
的整数区间内，用户将任务发送至偏好值最大的服务器等待响应；
4-4)服务器评价任务本地计算和卸载计算消耗的成本，判断是否接受请求，若卸载计算的成本小于本地计算，则接受卸载请求，执行并完成任务，否则拒绝卸载请求，将任务返回用户终端执行并完成任务。
3.根据权利要求1所述的一种延迟与能耗联合优化的MEC计算卸载方法，其特征在于，步骤5)中，所述以总成本和系统中服务器负载标准差为适应值函数，利用COSIDE算法搜索适应值最小的卸载决策，具体包括如下步骤：
5-1)以响应延迟、能耗和服务器负载为约束，构建计算卸载决策的适应值函数；
5-1-1)建立计算卸载决策成本评价模型；
为量化表征卸载决策，引入任务的成本
Figure FDA00033246341400000213
对于任务截止响应延迟为
Figure FDA00033246341400000214
的任务ri，在满足延迟时仅计算其能耗，超出延迟时根据延迟线性增加能耗，
Figure FDA0003324634140000031
计算如下：
Figure FDA0003324634140000032
其中，
Figure FDA0003324634140000033
和
Figure FDA0003324634140000034
分别为完成任务消耗的延迟和能耗，ξ为放大系数，一个时隙内，完成网络中任务所需的总成本HT计算如下：
Figure FDA0003324634140000035
MEC计算卸载的优化目标函数表示如下：
Figure FDA0003324634140000036
其中，e1,…,ei表示服务器，A为时隙内所有任务的卸载决策矩阵；
5-1-2)评估服务器的负载情况；
用服务器接受用户卸载请求次数表示服务器的负载，用矩阵G＝{gi,j}n×m表示用户与服务器的连接情况，gi,j＝η表示服务器ej接收了η次用户ui的卸载请求，gi,j＝0表示用户ui与服务器ej不连接，一个时隙内，服务器ej的负载Lj计算如下：
Figure FDA0003324634140000037
标准差是评价负载是否均衡的指标，服务器的负载标准差σ计算如下：
Figure FDA0003324634140000038
其中，
Figure FDA0003324634140000039
表示服务器的平均负载；
5-1-3)以总成本和服务器负载标准差的乘积为约束，构建适应值函数S，计算如下：
Figure FDA00033246341400000310
其中，β为标准差的影响因子；
5-2)将计算卸载决策问题转化为0-1背包问题，设计COSIDE算法求解，搜索适应值最低的卸载决策，通过改进的变异、交叉和选择算子更新种群，假设种群规模为N，最大迭代次数为G，其更新公式如下：
5-2-1)变异算子，将种群中与目标个体基因
Figure FDA0003324634140000041
不同的对应基因数量记为
Figure FDA0003324634140000042
Figure FDA0003324634140000043
时，变异
Figure FDA0003324634140000044
Figure FDA0003324634140000045
时，以变异概率μ变异
Figure FDA0003324634140000046
变异过程表示如下：
Figure FDA0003324634140000047
其中，
Figure FDA0003324634140000048
为变异个体的基因，g为上一轮的迭代次数；
5-2-2)交叉算子，选择某基因或以交叉概率ω，将变异的基因插入原基因中，产生新个体，交叉过程表示如下：
Figure FDA0003324634140000049
其中，
Figure FDA00033246341400000410
为交叉个体的基因，rrand为[1,n]区间内的一个随机整数；
5-2-3)选择算子，选择父个体Xi(g)和交叉个体Ci(g+1)中适应值小的成为下一代父个体Xi(g+1)，表示如下：
Figure FDA00033246341400000411
5-2-4)更新迭代次数g＝g+1，更新卸载决策。
CN202111257706.2A 2021-10-27 2021-10-27 一种延迟与能耗联合优化的mec计算卸载方法 Withdrawn CN113992677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111257706.2A CN113992677A (zh) 2021-10-27 2021-10-27 一种延迟与能耗联合优化的mec计算卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111257706.2A CN113992677A (zh) 2021-10-27 2021-10-27 一种延迟与能耗联合优化的mec计算卸载方法

Publications (1)

Publication Number Publication Date
CN113992677A true CN113992677A (zh) 2022-01-28

Family

ID=79742803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111257706.2A Withdrawn CN113992677A (zh) 2021-10-27 2021-10-27 一种延迟与能耗联合优化的mec计算卸载方法

Country Status (1)

Country Link
CN (1) CN113992677A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051998A (zh) * 2022-06-09 2022-09-13 电子科技大学 自适应边缘计算卸载方法、装置及计算机可读存储介质
CN116360987A (zh) * 2023-03-17 2023-06-30 中国科学院软件研究所 一种自适应负载均衡方法及系统
CN116708581A (zh) * 2023-06-02 2023-09-05 暨南大学 面向无服务器边缘计算的高可靠函数调度方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051998A (zh) * 2022-06-09 2022-09-13 电子科技大学 自适应边缘计算卸载方法、装置及计算机可读存储介质
CN116360987A (zh) * 2023-03-17 2023-06-30 中国科学院软件研究所 一种自适应负载均衡方法及系统
CN116360987B (zh) * 2023-03-17 2023-09-12 中国科学院软件研究所 一种自适应负载均衡方法及系统
CN116708581A (zh) * 2023-06-02 2023-09-05 暨南大学 面向无服务器边缘计算的高可靠函数调度方法
CN116708581B (zh) * 2023-06-02 2024-03-29 暨南大学 面向无服务器边缘计算的高可靠函数调度方法

Similar Documents

Publication Publication Date Title
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN111182570B (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
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
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
CN112512056A (zh) 一种移动边缘计算网络中多目标优化的计算卸载方法
CN111475274B (zh) 云协同多任务调度方法及装置
CN111984419A (zh) 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
Wu et al. Resolving multitask competition for constrained resources in dispersed computing: A bilateral matching game
Dong et al. Quantum particle swarm optimization for task offloading in mobile edge computing
CN112202847A (zh) 一种基于移动边缘计算的服务器资源配置方法
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
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
CN113159539A (zh) 多层边缘计算系统中联合绿色能源调度和动态任务分配方法
CN113139639A (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
CN112004265B (zh) 一种基于srm算法的社交网络资源分配方法
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
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
CN116321189A (zh) 一种面向边缘计算中基于深度强化学习的服务器部署方法
CN113162965B (zh) 面向异构MapReduce集群的低时延Map和Reduce联合调度方法
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
CN114064294A (zh) 移动边缘计算环境下的动态资源分配方法和系统
CN113613261A (zh) 基于合作队列博弈的边缘计算网络中的任务卸载分配方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220128