CN114006816B - 一种不确定性条件下移动云计算任务卸载与资源分配方法和系统 - Google Patents

Abstract

本发明公开了一种不确定性条件下移动云计算任务卸载与资源分配方法和系统，方法包括：搭建移动云卸载模型，将各移动用户终端的任务表示为任务大小和计算周期数；基于任务大小、计算周期数期望值及任务执行主体的参数，构建任务分别在移动用户终端本地、计算接入点和远程云中心执行的能耗和时延模型，加权求和确定任务的期望成本函数表达式；参照任务的期望成本函数表达式，确定基于计算周期波动值的波动成本函数表达式；结合期望和波动的成本函数表达式建立目标函数；求解最小化目标函数，得到N个移动用户终端任务的卸载与资源分配方案。本发明在多接入点不确定计算条件下，对任务进行卸载和资源分配，提高在保持期望的成本效率水平的稳健性。

Description

一种不确定性条件下移动云计算任务卸载与资源分配方法和 系统

技术领域

本发明涉及计算与通信资源分配，具体是指一种不确定性条件下移动云计算任务卸载与资源分配方法和系统。

背景技术

边缘智能网络将计算功能从集中式云推向网络边缘，从而满足许多新兴移动应用的延迟要求，并节省回程网络带宽。边缘智能网络中的智能移动设备的最新进展为支持广泛的交互式服务奠定了基础，如增强现实、在线游戏和社交网络。随着移动应用的复杂性增加，对计算资源的需求也在增加。因此，边缘智能网络中移动设备中不足的计算资源和有限的能量供应阻碍了在新兴的资源匮乏的应用中适应高计算需求。在云计算的帮助下，移动设备可以通过将计算密集型任务卸载到资源丰富的云环境中来潜在地降低能耗。然而，卸载到远程云服务器可能会导致显著的延迟，尤其是在大量数据需要通过已经拥塞的回程链路进行通信的情况下。

发明内容

为了解决上述问题中的至少一种或多种，本发明提出一种不确定性条件下移动云计算任务卸载与资源分配方法和系统，在多个接入点的不确定计算条件下，对任务进行卸载和资源分配，提高了在保持期望的成本效率水平方面的稳健性。

为实现上述技术目的，本发明采用如下技术方案：

一种不确定性条件下移动云计算任务卸载与资源分配方法，包括：

搭建移动云卸载模型，包括N个移动用户终端、1个计算接入点和1个远程云中心；其中，移动用户终端的任务执行主体，可以由移动用户终端本地执行，或者卸载到计算接入点执行，或者由计算接入点转发到远程云中心执行；且任务不可分割为子任务；

将各移动用户终端的任务表示为任务大小和计算周期数；其中的计算周期数包括期望值和不确定的波动值；

基于任务大小、计算周期数期望值以及所有任务执行主体的参数，构建任务分别在移动用户终端本地、计算接入点和远程云中心执行的能耗模型以及处理时延模型，再通过加权求和确定任务的期望成本函数表达式；

参照任务的期望成本函数表达式，确定基于计算周期波动值的波动成本函数表达式；

结合期望和波动的成本函数表达式建立目标函数；

求解最小化目标函数，得到N个移动用户终端任务的卸载与资源分配方案。

进一步的，移动用户终端的任务执行主体可以表示为：

式中，

l,a,c分别表示移动用户终端本地、计算接入点和远程云中心，

取值为1和0分别表示移动用户终端i的任务是否由本地执行，

取值为1和0分别表示移动用户终端i的任务是否由计算接入点执行，

取值为1和0分别表示移动用户终端i的任务是否由远程云中心执行，N表示所有移动用户终端的集合。

进一步的，将移动用户终端i的任务表示为

其中L_i表示任务的大小，包括编程指令和输入数据；ω_i和

表示处理任务所需的计算周期数的期望值和波动值；

移动用户终端i的任务，在移动用户终端本地执行时，其处理时延模型和能耗模型分别表示为：

其中，

和

分别为本地移动用户终端i处理任务的时延和能耗，

表示本地移动用户终端i的处理速率；

移动用户终端i的任务，在计算接入点执行时，其时延模型和能耗模型分别表示为：

式中，

和

分别为计算接入点执行移动用户终端i的任务时延和能耗；η_i为中间参数，

b_i为计算接入点分配给移动用户终端i的带宽，受总带宽的约束；p_i为发射功率，h_i是信道功率增益，σ是计算接入点接收机处的噪声功率；

表示计算接入点分配给移动用户终端i的处理速率，受计算接入点的总处理速率的约束；

移动用户终端i的任务，经由计算接入点转发到远程云中心执行时，其时延模型和能耗模型分别表示为：

式中，

和

分别为计算接入点执行移动用户终端i的任务时延和能耗；

是远程云中心分配给移动用户终端i的速率，用于在计算接入点与远程云中心之间的有限容量回程链路上传输其任务，受远程云中心回程容量的约束；f^c为远程云中心任一个处理器的处理速率。

进一步的，加权求和得到的任务期望成本函数表达式为：

C_i＝E_i+ρ_iT_i；(6)

式中，C_i表示执行移动用户终端i的任务的期望成本；E_i代表执行移动用户终端i的任务的能耗，

T_i代表执行移动用户终端i的任务的时延，

ρ_i是时间延迟相对于能量使用的相对权重；

基于计算周期波动值的波动成本函数表达式为：

进一步的，结合期望和波动的成本函数表达式建立的目标优化问题为：

sub.to:

为移动终端设备i的计算能力，B为计算接入点通信的总带宽，F^a为计算接入点的总处理速率，R^ac为远程云中心回程容量。

进一步的，求解最小化目标函数的方法为：

(1)用宽松约束替换二进制约束，提供任意接近二进制的卸载决策：使用以下约束式(15)、(16)和(17)等价替换约束式(1)和(10)，并通过引入辅助变量{E_i,T_i,δ_i}将任务目标函数(8)中移动到约束，转换得到以下目标优化问题：

sub.to:(2)-(5)，(9)

当

当

(2)求局部紧上界近似单项函数，即使用以下约束式(20)单项约束代替上述约束式(17)，转换得到以下目标优化问题：

sub.to:(2)-(5)，(9)，(12)-(16)

(3)迭代地形成并最优地求解步骤(2)得到的目标优化问题，得到N个移动用户终端任务的卸载与资源分配方案，包括任务的卸载决策

和资源分配向量

进一步的，所述计算接入点是配备有计算资源的无线接入点，可以是蜂窝基站。

一种不确定性条件下移动云计算任务卸载与资源分配系统，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的方法。

有益效果

本发明在未知任务计算需求的计算和通信资源的联合卸载和分配，考虑一个考虑能量消耗、处理延迟和通信延迟的系统成本，将目标设为最小化平均成本和成本变化的加权和，通过用宽松约束替换二进制约束以提供任意接近二进制的卸载决策，以及求局部紧上界近似单项函数，对目标优化问题中的约束条件进行等价替换，保证了可求解目标优化问题，得到不确定计算条件下的任务卸载与资源分配方案。从而实现在多个接入点的不确定计算条件下，对任务进行卸载和资源分配，并且提高了在保持期望的成本效率水平方面的稳健性。

附图说明

图1是本申请实施例的使用场景图；

图2是本申请实施例求解目标优化问题的示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本发明实施例提供一种不确定性条件下移动云计算任务卸载与资源分配方法，用于多个竞争的移动用户终端的联合卸载决策和资源分配问题。

用户任务的不确定性存在给系统设计增加了巨大的挑战，使计算接入点中通信和计算资源共享的任务调度和用户竞争变得复杂。事实上，在处理时间不确定的情况下，有限的可用共享资源会极大地影响任务卸载决策。资源分配不足导致用户延迟过大。另一方面，过度分配会对共享系统中的其他用户产生不利影响。因此，只有通过精心的稳健设计，才能实现令人满意和持久的计算性能。

如果资源分配策略的性能在各种操作条件下都不会受到很大影响，那么它就是稳健的。在这里，尽管任务计算要求中存在不确定性，但本发明考虑了在保持期望的成本效率水平方面的稳健性。

本发明实施例的不确定计算条件下的任务卸载与资源分配方法，考虑由N个移动用户终端、一个计算接入点和一个远程云中心组成的云接入网络。计算接入点是配备有计算资源的无线接入点(例如，蜂窝基站)。计算接入点不仅仅是作为中继将接收到的任务从用户转发到云中心，它还具有在计算资源受限的情况下执行用户任务的能力。

(1)移动用户终端和任务

设共有N个移动用户终端，每个移动用户终端都有一个计算任务，要么在移动终端本地执行，要么在计算接入点卸载和服务，要么在远程云服务器进一步发送和处理。假设用户任务是不可分割的，即计算任务不能进一步划分为子任务，因此，整个任务必须在单个处理器中执行。

用

表示用户i的卸载决策，分别表示用户i的任务是在本地(l)、计算接入点(a)还是在云中心(c)处理。然后，卸载决策受到以下因素的约束:

其中，

对于移动用户终端i中只有一个可以是非零的。

假设所有的任务在时间为0时是可以运行/使用的。如果任务动态到达随着时间的推移，人们可以以准静态的方式应用我们的模型和建议的解决方案，其中系统分批处理在时间间隔内收集的任务。

将移动用户终端i的计算任务由

表示，其中L_i表示任务的大小，以位(bit)为单位，包括编程指令和输入数据。本实施例中假设L_i已知，在现实的场景中虽然务的大小可以被测量，但是它的处理时间通常是不确定的，直到它被处理到完成。尽管如此，在给定的应用程序类型时，一些关于任务的统计信息(如计算周期的期望值)可以通过测量和实验研究合理推断。在存在不确定性的情况下，可以利用披露的统计信息来限制性能下降。因此，虽然处理任务所需的计算周期数是随机的，但它的期望值ω_i和它的不确定性的一些度量，如波动值，是可用的。因此，不确定的计算任务可以使用

来表示，ω_i和

表示处理任务所需的计算周期数的期望值和波动值。

(2)移动用户终端本地执行任务

用

表示移动用户终端i本地的处理速率，其可以根据应用要求进行调整，并且受到设备计算能力的限制可以根据应用需求进行调整，受设备计算能力

的限制，即:

移动用户终端i本地执行任务的时延用

表示，本地处理的能耗模型用

表示，在任务计算周期要求ω_i内是线性的，一般是

的多项式函数。不同的移动设备可以具有不同的系数和指数，这些系数和指数可以被通用能量模型

捕获。

(3)计算接入点执行任务

为了卸载计算任务，需要通过无线信道将数据位传输到计算接入点。对于用户之间的频谱共享，作为一个说明性的例子，我们考虑正交频率划分，但是这项工作可以扩展到其他共享方法。用户i的数据速率

由

给出，即

其中p_i是发射功率，h_i是信道功率增益，σ是计算接入点接收机处的噪声功率，b_i是分配给用户i的带宽，受总可用带宽约束，如下所示:

用户i向计算接入点无线传输所消耗的能量由

表示。为了方便起见，定义中间变量

本实施例考虑一个计算接入点模型，其中F^a集中在单个快速处理器中。

如果任务由计算接入点执行，时间延迟主要由无线通信延迟和处理时间贡献，用

表示。因此，考虑到共享和有限的资源，通信和计算资源的仔细联合分配对于改善用户延迟是必要的。

(4)远程云服务中心执行任务

进一步假设远程云中心提供了基本上无限数量的处理器，每个处理器的处理器速率为f^c，可能是通过租赁虚拟机实现的。如果任务i被卸载到远程云，除了无线通信延迟之外，计算接入点和云中心之间还有额外的传输时间，以及在云服务器上完成该过程所需的时间。因此，总延迟可以表示为

其中

是分配给用户i的速率，用于在计算接入点和云之间的有限容量回程链路上传输其任务。让R^ac成为回程的容量。我们有:

在这种情况下，用户i消耗的能量是由于无线传输引起的，用

表示。

其中，尽管云中心有大量服务器可用，并且每个服务器都可以完全用于一个用户，但总体延迟不仅取决于任务本身，因为多个用户通过有限的回程链路竞相到达云端。

(4)建立目标优化问题

本发明的目标是降低总系统成本，并为每一个潜在的不确定性实现保持期望的性能水平。每个用户产生的成本定义为用户能耗和任务处理延迟的加权和，如下所示:

C_i＝E_i+ρ_iT_i (6)

此处，

E_i代表用户能耗，T_i代表任务处理延迟时间，而ρ_i是时间延迟相对于能量使用的相对权重。

总的系统成本包括任务执行所需的未知计算周期带来的一些不确定性。尽管存在这种不确定性，但可以利用实验研究提供的统计信息来限制成本波动的风险。降低成本波动对于保持特定的期望系统性能是必要的。

为了模拟成本波动，考虑

对用户i成本变化范围的影响，用

表示。由于C_i是ω_i的线性函数，

和

之间的关系也由(6)给出如下:

本发明的目标是通过联合优化任务卸载决策

和资源分配向量

使预期成本和成本波动最小化。因此，我们考虑以下优化问题：

服从(1)-(5)，

其中E[·]是对所需计算周期{ω_i}的预期，γ是与预期成本相比稳定系统成本的权重。

优化问题(8)是一个混合整数规划，一般很难求解。此外，即使放松二元约束(1)，使得任务卸载决策变量可以在范围[0，1]内变化，问题(8)由于其非凸目标和约束也是非凸的。接下来，我们提出了不确定计算下的任务卸载和资源分配方法算法，讨论了它的最优性，并进一步研究了它在解决这个问题中的有效性。

接下来介绍本实施例中求解上述需求不确定的任务卸载和资源分配的目标优化问题的思路：

不确定计算下的任务卸载和资源分配方法算法属于逐次凸逼近的一般框架。特别地，引入局部紧近似单项式来提高卸载决策约束。

首先，用宽松约束替换二进制约束，提供任意接近二进制的卸载决策：

为了以几何编程形式重新表述问题(8)，等式约束必须是标准几何编程格式中的单项式。然而，(1)中的卸载决策约束不能直接写成单项约束。此外，问题(8)的可行集不是连续的，因为卸载决策只能取二进制值。因此，我们放宽卸载决策并引入下面的等价约束(15)-(17)，以确保满足原始问题中的卸载决策约束(1)和(10)。此外，我们通过引入辅助变量{E_i,T_i,δ_i}将成本函数(6)中涉及的能量和延迟项以及成本变化

从目标(8)移动到约束，以获得以下问题:

服从于(2)-(5)，(9)

当

当

其中(16)中的M是被选择为足够大以使决策变量的乘积任意接近零的参数。约束(16)确保对于每个用户i，决策元组

包含至少两个零元素，并且由于每个元素通过约束(15)小于1，并且它们通过约束(17)合计至少为1，所以元组还包括值为1的卸载决策元素。作为M→∞，约束集(15)-(17)等价于约束(1)和(10)，因此优化问题(11)等价于问题(8)。

其次，求局部紧上界近似单项函数：

对于几何编程公式，约束(17)需要进一步近似，因为在右侧有一个多项式。适当选择逼近函数是非常重要的，因为它直接影响收敛特性。下面的引理提供了多项式的单项逼近。

引理1。设h_j为任意正值，β_j为总和为1的正常数。我们有

如果

等式成立。

以下为证明过程。让v_j＝h_j/β_j。

利用引理1，得到了所有i的以下上界单项逼近:

其中

和

是求和为1的任意正常数。因此，以下单项不等式(20)提供了比约束式(17)更强的条件。

用(20)中的单项约束代替约束(17)。这导致如下几何编程配方:

优化问题(21)是一个标准的几何编程，它可以转化为一个凸规划，并得到有效和最优的解决。

在不确定计算下的任务卸载和资源分配方法中，迭代更新近似函数，并求解一系列上述形式的几何编程问题。特别地，通过求解每一个几何编程，不确定计算下的任务卸载和资源分配方法试图将逼近的精度提高到原始可行集合(8)中的一个明显的最小值。更新参数

和

如下:

其中

是上一次迭代中近似问题(21)的最优决策。

应用场景总览

首先参考图1，图1表示的用于边缘智能网络进行计算任务联合卸载与资源分配装置示意图。主要由三部分组成，分别是用户、计算接入点和远程云中心。当n个不同用户产生的相关资源、数据倘若需要进行联合卸载和资源分配决策时，将面临一系列的问题，比如，计算资源的增加，复杂性上升等等。面对这些问题，比较适用的办法就是将计算密集型任务卸载到资源丰富的云环境中来潜降低能耗。然而，这又将带来另一个问题：卸载到远程云服务器的资源可能会导致显著的延迟，尤其是在大量数据需要通过已经拥塞的回程链路进行通信的情况下。所以图1当中的计算接入点将不仅仅是一个类似于蜂窝基站的无线接入点，它除了拥有作为中继作用的功能外，还具备在计算资源紧张的情况下执行不同用户任务的相关能力。

本发明将主要考虑的是任务计算需求在执行之前并不完全已知的情况，从而进一步实现共同优化卸载决策以及计算和通信资源的分配，以最小化平均成本和成本变化的加权和。通过用宽松的约束替换二进制约束以提供任意接近二进制的卸载决策，以及寻找局部紧上界近似单项函数，得到本实施例最终的目标优化问题为：。

sub.to:

当

当

最终，通过迭代地形成并最优地求解步骤(2)得到的目标优化问题，得到N个移动用户终端任务的卸载与资源分配方案，包括任务的卸载决策

和资源分配向量

本发明还提供一种不确定性条件下移动云计算任务卸载与资源分配系统，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述的不确定计算条件下的任务卸载与资源分配方法。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (8)

1.一种不确定性条件下移动云计算任务卸载与资源分配方法，其特征在于，包括：搭建移动云卸载模型，包括N个移动用户终端、1个计算接入点和1个远程云中心；其中，移动用户终端的任务执行主体，可以由移动用户终端本地执行，或者卸载到计算接入点执行，或者由计算接入点转发到远程云中心执行；且任务不可分割为子任务；

将各移动用户终端的任务表示为任务大小和计算周期数；其中的计算周期数包括期望值和不确定的波动值；

基于任务大小、计算周期数期望值以及所有任务执行主体的参数，构建任务分别在移动用户终端本地、计算接入点和远程云中心执行的能耗模型以及处理时延模型，再通过加权求和确定任务的期望成本函数表达式；

参照任务的期望成本函数表达式，确定基于计算周期波动值的波动成本函数表达式；结合期望和波动的成本函数表达式建立目标函数；

求解最小化目标函数，得到N个移动用户终端任务的卸载与资源分配方案。

2.根据权利要求1所述的方法，其特征在于，移动用户终端的任务执行主体可以表示为：

式中，

l,a,c分别表示移动用户终端本地、计算接入点和远程云中心，

取值为1和0分别表示移动用户终端i的任务是否由本地执行，

取值为1和0分别表示移动用户终端i的任务是否由计算接入点执行，

取值为1和0分别表示移动用户终端i的任务是否由远程云中心执行，N表示所有移动用户终端的集合。

3.根据权利要求2所述的方法，其特征在于，将移动用户终端i的任务表示为

其中L_i表示任务的大小，包括编程指令和输入数据；ω_i和

表示处理任务所需的计算周期数的期望值和波动值；

移动用户终端i的任务，在移动用户终端本地执行时，其处理时延模型和能耗模型分别表示为：

其中，

和

分别为本地移动用户终端i处理任务的时延和能耗，f_i ^l表示本地移动用户终端i的处理速率；

移动用户终端i的任务，在计算接入点执行时，其时延模型和能耗模型分别表示为：

式中，T_i ^a和

分别为计算接入点执行移动用户终端i的任务时延和能耗；η_i为中间参数，

b_i为计算接入点分配给移动用户终端i的带宽，受总带宽的约束；p_i为发射功率，h_i是信道功率增益，σ是计算接入点接收机处的噪声功率；f_i ^a表示计算接入点分配给移动用户终端i的处理速率，受计算接入点的总处理速率的约束；

移动用户终端i的任务，经由计算接入点转发到远程云中心执行时，其时延模型和能耗模型分别表示为：

式中，

和

分别为计算接入点执行移动用户终端i的任务时延和能耗；r_i ^ac是远程云中心分配给移动用户终端i的速率，用于在计算接入点与远程云中心之间的有限容量回程链路上传输其任务，受远程云中心回程容量的约束；f^c为远程云中心任一个处理器的处理速率。

4.根据权利要求3所述的方法，其特征在于，加权求和得到的任务期望成本函数表达式为：

C_i＝E_i+ρ_iT_i；(6)

式中，C_i表示执行移动用户终端i的任务的期望成本；E_i代表执行移动用户终端i的任务的能耗，

T_i代表执行移动用户终端i的任务的时延，

ρ_i是时间延迟相对于能量使用的相对权重；

基于计算周期波动值的波动成本函数表达式为：

5.根据权利要求4所述的方法，其特征在于，结合期望和波动的成本函数表达式建立的目标优化问题为：

sub.to:

F_i ^lmax为移动终端设备i的计算能力，B为计算接入点通信的总带宽，F^a为计算接入点的总处理速率，R^ac为远程云中心回程容量；

表示任务的卸载决策；r_i＝[f_i ^l,f_i ^a,b_i,r_i ^ac]，表示资源分配向量；γ是与预期成本相比稳定系统成本的权重。

6.根据权利要求5所述的方法，其特征在于，求解最小化目标函数的方法为：(1)用宽松约束替换二进制约束，提供任意接近二进制的卸载决策：使用以下约束式(15)、(16)和(17)等价替换约束式(1)和(10)，并通过引入辅助变量{E_i,T_i,δ_i}将任务目标函数(8)中移动到约束，转换得到以下目标优化问题：

sub.to:(2)-(5)，(9)

式中，M是被选择为足够大以使决策变量的乘积任意接近零的参数；

(2)求局部紧上界近似单项函数，即使用以下约束式(20)单项约束代替上述约束式(17)，转换得到以下目标优化问题：

sub.to:(2)-(5)，(9)，(12)-(16)

其中

和

是求和为1的任意正常数；

(3)迭代地形成并最优地求解步骤(2)得到的目标优化问题，得到N个移动用户终端任务的卸载与资源分配方案，包括任务的卸载决策

和资源分配向量r_i＝[f_i ^l,f_i ^a,b_i,r_i ^ac]。

7.根据权利要求1所述的方法，其特征在于，所述计算接入点是蜂窝基站。

8.一种不确定性条件下移动云计算任务卸载与资源分配系统，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～7中任一项所述的方法。

Images