CN114051266A - 基于移动云-边缘计算的无线体域网任务卸载方法 - Google Patents

Abstract

本发明公开的移动云‑边缘计算的无线体域网任务卸载方法和基于移动云‑边缘计算的无线体域网，属于无线通信技术领域。本发明通过边缘服务器之间相互连通利于边缘服务器之间通信及卸载，还便于实现边缘服务器之间的负载均衡；每个Sink节点计算其与本地边缘服务器之间的数据传输速率，通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性；基于差分进化的任务卸载方法收敛速度快，在相同的迭代次数下得到的卸载策略更好，减少Sink节点的能量消耗和数据传输及处理的时延，通过选择最优的卸载策略，使得所有无线体域网的数据任务能够尽快处理，减少节点的能耗，并实现边缘服务器MES的负载均衡，从而提高整个网络的容量和通信效率。

Description

基于移动云-边缘计算的无线体域网任务卸载方法

技术领域

本发明涉及一种基于移动云-边缘计算的无线体域网及基于移动云-边缘计算的任务卸载方法，属于无线通信技术领域。

背景技术

随着无线通信技术的飞速发展，物联网开启了智慧医疗的新时代，使得远程医疗和精准医疗成为可能，尤其对于慢性疾病、行动不便、居家检测的疾病患者。无线体域网作为实现智慧医疗的一项重要科技支撑技术，受到了社会各界广泛关注，并成为后疫情时代的一个研究热点。针对无线体域网中微型传感节点体积小能源有限的问题，当前的研究重心主要集中在如何有效地延长网络寿命。目前已有的解决方案主要包括两类，一种是通过减少节点不必要的能量浪费来节约能源；一种是通过从外界采集能量来补充能源。随着智能医疗体系的逐步完善，每天将产生海量的数据需要处理和分析，然而，无线体域网自身的计算和处理能力十分有限远达不到智慧医疗的需求。移动云计算技术能汇聚海量数据进行处理，然而，其往往距离终端较远导致数据的传输时延较长，有些数据对实时性要求极高，此时需要通过边缘服务器对其进行快速处理。在无线体域网中，结合不同数据的不同需求，基于移动云-边缘计算技术能设计有效的任务卸载方法来满足数据的低时延和低能耗的要求。

发明内容

针对无线体域网中节点能源有限和海量数据需要及时处理的问题，本发明的目的之一在于提供一种基于移动云-边缘计算的无线体域网任务卸载方法，基于移动云-边缘计算的任务卸载方法，通过选择最优的卸载策略，使得所有无线体域网的数据任务能够尽快处理，减少节点的能耗，并实现边缘服务器MES的负载均衡，从而提高整个无线体域网的通信效率。

本发明的另一目的是提供一种基于移动云-边缘计算的无线体域网，所述基于移动云-边缘计算的无线体域网包括无线体域网集合和移动云-边缘计算模块。在移动云-边缘计算模块中通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载，还便于实现边缘服务器MES之间的负载均衡。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量。所述无线体域网集合仅能与本地最近的边缘服务器MES进行通信。

本发明的内容是通过如下方法实现的：

本发明公开的基于移动云-边缘计算的无线体域网任务卸载方法，包括如下步骤：

步骤一：构建用于通信任务卸载的无线体域网集合，并构建移动云-边缘计算模块。所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信，利于任务在边缘服务器MES之间卸载，还便于实现边缘服务器MES之间的负载均衡。移动云-边缘计算模块的边缘服务器MES与无线体域网集合之间通过无线通信连通，进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器MES进行通信。

步骤1.1：构建用于通信任务卸载的无线体域网集合。

每个无线体域网对应一个Sink节点，则用于通信任务卸载的无线体域网集合对应Sink节点集合SS＝{1,2,3,…,N}；

步骤1.2:移动云-边缘计算模块包括一个云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载，还便于是实现边缘服务器MES之间的负载均衡。M个边缘服务器MES集合表述为MS＝{1,2,3,…,M}，定义与节点S_i直接相连的边缘服务器MES为M_i，每个边缘服务器MES有其固定的ID。

步骤1.3：移动云-边缘计算模块的边缘服务器MES与本地直接相连的多个无线体域网之间通过无线链路连通，进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器M_i进行通信。

步骤二：每个Sink节点计算其与本地边缘服务器M_i之间的数据传输速率，通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性。

步骤2.1：计算无线体域网与本地边缘服务器M_i之间的路径损耗。

根据路径损耗公式(1)计算无线体域网与本地边缘服务器M_i之间的路径损耗

其中，

是节点S_i与本地边缘服务器M_i之间的距离，L₀(d₀)是参考距离为d₀时的路径损耗，即L₀(d₀)＝10lg(4πd₀/λ)²，λ为无线信号的波长，n为路径损耗因子，g表示障碍物的类型，k_g为第g种障碍物的数目，L_g为第g种障碍物对应的路径损耗。

步骤2.2：根据损耗的定义公式计算本地边缘服务器M_i的接收功率。

给定节点S_i的发送功率

根据路径损耗的定义公式(2)得到本地边缘服务器M_i的接收功率

其中，

表示节点S_i与本地边缘服务器M_i的距离。

步骤2.3：根据香农公式计算Sink节点至本地边缘服务器M_i的数据传输速率。

根据香农公式(3)计算Sink节点S_i至本地边缘服务器M_i的数据传输速率：

其中，

表示节点S_i到本地边缘服务器M_i的信道带宽,N₀为背景噪声功率。

步骤三：每个Sink节点S_i发送任务信息至云服务器CC，为云服务器CC执行卸载算法提所需的输入数据。

每个Sink节点S_i将步骤二所得的数据传输速率

任务的大小P_i、任务执行需要的CPU周期C_i、任务的最大容忍时延

通过本地边缘服务器M_i转发至云服务器CC。

步骤四：云服务器CC执行基于差分进化算法的任务卸载算法，基于差分进化的任务卸载方法收敛速度快，在相同的迭代次数下得到的卸载策略R_best更好，减少Sink节点的能量消耗和数据传输及处理的时延，并达到边缘服务器MES之间的负载均衡，从而提高整个网络的容量。

步骤4.1：对所有的Sink节点随机生成T组卸载策略，用矩阵R_NT来表示

其中r_it∈{0,1,…,M,M+1}(i∈{1,…,N})表示节点S_i的第t组卸载策略，0表示任务卸载到本地Sink执行，{1,2,…,M}表示卸载到第m个边缘服务器MES执行，M+1表示卸载到云服务器CC执行，则矩阵的列向量

表示所有Sink节点的第t组卸载策略。

步骤4.2，根据卸载策略云服务器CC生成所有边缘服务器MES在每组卸载策略下的任务队列矩阵

其中q_m,t,a∈{1,2,…,N}表示第t种策略卸载到第m个边缘服务器MES的任务队列中第a个节点的ID。

步骤4.3，根据卸载策略r_it计算每个节点任务在每种卸载策略下的执行时间和能量开销。所述卸载策略r_it包括以下四种情况：

①当卸载策略r_i,t＝0时，表示Sink节点S_i将任务不进行卸载，任务在自己的CPU上执行。

②当卸载策略r_i,t＝M_i时，表示Sink节点S_i的任务需要卸载至本地边缘服务器M_i上执行。

③当卸载策略r_i,t≠M_i且r_i,t≠M+1时，表示Sink节点S_i的任务需要卸载至其他边缘服务器r_i,t上执行。

④当卸载策略r_i,t＝M+1时，表示Sink节点S_i的任务需要卸载至云服务器CC执行。

步骤4.3.1，计算每个任务的处理时间与每个Sink节点S_i执行任务的能耗。

①当r_i,t＝0时，任务在Sink节点的CPU上执行，则根据公式(4)计算任务的处理时间为：

其中，C_i表示任务执行需要的CPU周期，f_i ^sink为S_i的CPU频率。

根据公式(5)计算执行任务所需要的能量为：

其中，P_i ^E为Sink节点S_i的执行功率。

②当r_i,t＝M_i时，任务需要卸载至本地边缘服务器M_i上执行，此时任务处理时间包括三部分：任务从S_i传输到本地边缘服务器M_i的时间、等待M_i任务队列执行的时间和S_i任务的执行时间，通过考虑任务在队列中的等待时间更加精确的计算任务的处理时间。

根据公式(6)计算任务从节点S_i发送到本地边缘服务器M_i的时间：

其中，P_i表示节点S_i任务的大小。

节点S_i的任务在边缘服务器M_i任务队列的第b位，根据公式(7)计算其等待M_i的队列执行的时间：

其中,

表示边缘服务器M_i的CPU频率。通过计算任务的等待时间实现边缘服务器MES的负载均衡。

根据公式(8)计算节点S_i的任务在本地边缘服务器M_i上的执行时间。

根据公式(9)计算得到节点S_i的任务卸载到本地边缘服务器M_i上的执行时间。

节点S_i任务执行消耗的能量包括传输任务至本地边缘服务器M_i的能耗和等待任务执行的能耗两部分。根据公式(10)计算得到能量消耗为：

其中，P_i ^T和P_i ^W分别为节点S_i的传输功率和等待功率。

③当r_i,t≠M_i且r_i,t≠M+1时，S_i的任务卸载至其他边缘服务器r_i,t上执行。在这种情况下，节点S_i的任务处理时间包括：任务从S_i传输到本地边缘服务器M_i的时间，从边缘服务器M_i转发至边缘服务器r_i,t的时间，等待边缘服务器r_i,t任务队列执行的时间和S_i任务的执行时间。

根据情况①和②的分析得到S_i任务的执行时间为：

其中，

表示边缘服务器M_i至边缘服务器r_i,t的数据传输速率。

节点S_i执行任务的能量消耗主要包括传输任务至本地边缘服务器M_i的能耗，任务由边缘服务器M_i传输至边缘服务器r_i,t的等待能耗，等待边缘服务器r_i,t任务队列执行的能耗，任务在其他边缘服务器r_i,t上执行的能耗四部分，根据公式(12)能计算节点S_i执行任务的能量消耗：

其中，P_i ^T和P_i ^W分别为Sink节点S_i的传输功率和等待功率。

④当r_i,t＝M+1时，S_i的任务卸载至远程云服务器CC执行。节点S_i的任务处理时间包括：任务从S_i发送到本地边缘服务器M_i的时间，从M_i转发至云服务器CC的时间和S_i任务的执行时间，根据情况②和③的分析得到：

其中，V_MiCC表示边缘服务器M_i至云服务器CC的数据传输速率,f^CC表示云服务器CC的CPU频率。

根据公式(15)计算出Sink节点S_i的能量消耗。

根据以上四种情况的分析，根据公式(15)建立的任务卸载策略与任务处理时间之间的关系，即得到节点S_i在第t种策略下的任务执行时间T_i,t。

任务执行时间T_i,t应小于任务的最大容忍时间及

根据公式(16)建立的任务卸载策略与每个节点S_i执行任务的能耗的关系，即得到节点S_i在第t种策略下的任务执行能耗E_i,t。

其中，α_t+β_t+μ_t+γ_t＝1且α_t,β_t,μ_t,γ_t∈{0,1}，当卸载策略为情况①时α_t＝1，β_t＝μ_t＝γ_t＝0，当卸载策略为情况②时β_t＝1，α_t＝μ_t＝γ_t＝0，当卸载策略为情况③时μ_t＝1，α_t＝β_t＝γ_t＝0，当卸载策略为情况④时γ_t＝1，α_t＝β_t＝μ_t＝0。

步骤4.3.2，根据公式(17)计算节点S_i在第t种策略下任务执行的时间和能量总开销S_i,t：

其中，ω_t和

分别为时间和能量的权重系数，且满足

通过加入ω_t和

两个权重系数实现同时优化时间和能耗目标。

步骤4.4，根据公式(18)计算每组卸载策略下所有用户的总开销S_t：

步骤4.5，选择T组卸载策略中，总开销最小的一组作

为备选卸载策略。

步骤4.6，判断进化代数是否达到最大。若是，则终止进化，将选出的备选卸载策略R_best作为最优卸载策略输出；若否，继续执行。

步骤4.7，对T组卸载策略进行变异操作，定义突变向量

根据公式(19)进行变异操作：

式中R_best为备选策略，F为缩放因子，

与

为[0,T]之间的随机数。

步骤4.8，对卸载策略进行交叉操作，定义交叉向量

根据公式(20)进行交叉操作：

式中rand_i为[0,1]之间的随机数，p为用户定义的交叉概率，i_rand为[0,N]之间的随机数。

步骤4.9，对卸载策略进行选择操作，若在策略U_t下的任务开销小于策略R_t的开销，则U_t保留进入下一次迭代作为新的卸载策略，否则R_t保留进入下一次迭代。

步骤4.10，清空所有边缘服务器MES的任务队列信息。

步骤4.11，更新进化代数l＝l+1，并转至步骤4.2继续执行。

步骤五：所有Sink节点分别根据步骤四优化的卸载策略R_best进行任务卸载，使得所有无线体域网的数据任务能够尽快处理，减少所有节点的整体能耗，并实现边缘服务器MES的负载均衡，从而提高整个无线体域网的容量和通信效率。

本发明公开的一种基于移动云-边缘计算的无线体域网，包括无线体域网集合和移动云-边缘计算模块。所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载，还便于是实现边缘服务器MES之间的负载均衡。移动云-边缘计算模块的边缘服务器MES与多个无线体域网之间通过无线通信连通，进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互联通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器MES进行通信。

有益效果：

1、本发明公开的移动云-边缘计算的无线体域网任务卸载方法，通过选择最优的卸载策略，使得所有无线体域网的数据任务能够尽快处理，减少节点的能耗，并实现边缘服务器MES的负载均衡，从而提高整个无线体域网的容量和通信效率。

2、本发明公开的移动云-边缘计算的无线体域网任务卸载方法，构建用于通信任务卸载的无线体域网集合，并构建移动云-边缘计算模块，通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信，利于任务在边缘服务器MES之间卸载，还便于是实现边缘服务器MES之间的负载均衡；通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量。

3、本发明公开的移动云-边缘计算的无线体域网任务卸载方法，每个Sink节点计算其与本地边缘服务器M_i之间的数据传输速率，通过计算路径损耗对传

4、本发明公开的移动云-边缘计算的无线体域网任务卸载方法，云服务器CC执行基于差分进化算法的任务卸载算法，基于差分进化的任务卸载方法收敛速度快，在相同的迭代次数下得到的卸载策略更好，减少Sink节点的能量消耗和数据传输及处理的时延，并达到边缘服务器MES之间的负载均衡，从而提高整个网络的容量。

5、本发明公开的移动云-边缘计算的无线体域网任务卸载方法，通过分析移动云-边缘计算的无线体域网任务卸载特点，将卸载策略分为四种情况，建立的任务卸载策略与任务处理时间之间的关系，建立各种情况下任务卸载策略与每个节点S_i执行任务的能耗的关系，在此基础上，获取节点S_i在第t种策略下任务执行的时间和能量总开销，通过加入权重系数实现同时优化时间和能耗目标，减少sink节点的能量开销，从而延长网络寿命。

附图说明

图1为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”实施例1中依托的无线体域网模型示意图；

图2为本发明基于移动云-边缘计算的任务卸载方法执行流程示意图；

图3为本发明任务卸载方法中采用的差分进化算法的执行流程示意图；

图4为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”结合实施例1，用户数量为500，紧急任务比重为50％时，在不同边缘服务器个数下所有任务总开销的对比仿真示意图。

图5为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”结合实施例1，用户数量为500，紧急任务比重为50％时，在不同边缘服务器个数下边缘服务器任务队列长度的标准差的对比仿真示意图。

图6为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”结合实施例1，边缘服务器个数为10，紧急任务比重为50％时，在不同用户人数下每个边缘服务器任务队列长度的平均值的对比仿真示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。需要指出的是，所描述的实施例仅旨在便于本发明的理解，具体实施形式并不局限于此。

实施例1

本实施例结合附图1详细阐述了本发明“基于移动云-边缘计算的无线体域网任务卸载方法”的具体实施过程。

实施例1中所用到的符号及其含义如下表1所示。

表1符号及对应的含义

如图1所示的无线体域网模型的示意图中，附着在人体表面或植入人体的传感节点将收集到的数据发送给Sink节点(通常用手机作为一个无线体域网的Sink节点)。Sink节点收到所有传感节点的数据，将任务信息和通过本地边缘服务器MES发送至云服务器CC。云服务器CC收到所有用户的信息后，执行任务卸载算法，并将最终的卸载决策通过边缘服务器MES发送至所有Sink节点。Sink节点根据最终的卸载决策对任务进行卸载。

如图2所示，本实例公开的基于移动云-边缘计算的无线体域网任务卸载方法，具体实现步骤如下：

步骤一：构建用于通信任务卸载的无线体域网集合，并构建移动云-边缘计算模块。所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信，利于任务在边缘服务器MES之间卸载，还便于实现边缘服务器MES之间的负载均衡。移动云-边缘计算模块的边缘服务器MES与无线体域网集合之间通过无线通信连通，进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器MES进行通信。

步骤1.1：构建用于通信任务卸载的无线体域网集合。

每个无线体域网对应一个Sink节点，则用于通信任务卸载的无线体域网集合对应Sink节点集合SS＝{1,2,3,…,N}，本实施例中考虑一所医院不同场景下不同用户数量N∈[300,600]。

步骤1.2:移动云-边缘计算模块包括一个云服务器CC、边缘服务器MES的数量M取值范围是[10,80]，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载，还便于是实现边缘服务器MES之间的负载均衡。M个边缘服务器MES集合表述为MS＝{1,2,3,…,M}M∈[10,80]，定义与节点S_i直接相连的边缘服务器MES为M_i，每个边缘服务器MES有其固定的ID。

步骤1.3：移动云-边缘计算模块的边缘服务器MES与本地直接相连的多个无线体域网之间通过无线链路连通，进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器M_i进行通信。

步骤二：每个Sink节点计算其与本地边缘服务器M_i之间的数据传输速率，通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性。

步骤2.1：计算无线体域网与本地边缘服务器M_i之间的路径损耗。

根据路径损耗公式(1)计算无线体域网与本地边缘服务器M_i之间的路径损耗

其中，

是节点S_i与本地边缘服务器M_i之间的距离，L₀(d₀)是参考距离为d₀＝0.6m时的路径损耗，即L₀(d₀)＝10lg(4πd₀/λ)²，λ＝0.125m为无线信号的波长，n＝3为路径损耗因子，g表示障碍物的类型，

为第g种障碍物的数目，L_g为第g种障碍物对应的路径损耗，其中水泥墙的路径损耗为10.8，玻璃的路径损耗为2.31。

步骤2.2：根据损耗的定义公式计算本地边缘服务器M_i的接收功率。

给定节点S_i的发送功率P_i ^T＝200mW，根据路径损耗的定义公式(2)得到本地边缘服务器M_i的接收功率

其中，

表示节点S_i与本地边缘服务器M_i的距离。

步骤2.3：根据香农公式计算Sink节点至本地边缘服务器M_i的数据传输速率。

根据香农公式(3)计算Sink节点S_i至本地边缘服务器M_i的数据传输速率：

其中，

表示节点S_i到本地边缘服务器M_i的信道带宽,N₀＝-100dBm为背景噪声功率。

步骤三：每个Sink节点S_i发送任务信息至云服务器CC，为云服务器CC执行卸载算法提所需的输入数据。

每个Sink节点S_i将步骤二所得的数据传输速率

任务的大小100kb<P_i<300kb、任务执行需要的CPU周期10⁸<C_i<3*10⁸、任务的最大容忍时延

通过本地边缘服务器M_i转发至云服务器CC。

步骤四：云服务器CC执行基于差分进化算法的任务卸载算法，基于差分进化的任务卸载方法收敛速度快，在相同的迭代次数下得到的卸载策略更好，减少Sink节点的能量消耗和数据传输及处理的时延，并达到边缘服务器MES之间的负载均衡，从而提高整个网络的容量。

步骤4.1：对所有的Sink节点随机生成T组卸载策略，用矩阵R_NT来表示

其中r_it∈{0,1,…,M,M+1}(i∈{1,…,N})本实施例中M∈[10,80]，N∈[300,600]表示节点S_i的第t组卸载策略，0表示任务卸载到本地Sink执行，{1,2,…,M}表示卸载到第m个边缘服务器MES执行，M+1表示卸载到云服务器CC执行，则矩阵的列向量

表示所有Sink节点的第t组卸载策略。

步骤4.2，根据卸载策略云服务器CC生成所有边缘服务器MES在每组卸载策略下的任务队列矩阵

其中q_m,t,a∈{1,2,…,N}表示第t种策略卸载到第m个边缘服务器MES的任务队列中第a个节点的ID。

步骤4.3，根据卸载策略r_it计算每个节点任务在每种卸载策略下的执行时间和能量开销。所述卸载策略r_it包括以下四种情况：

①当卸载策略r_i,t＝0时，表示Sink节点S_i将任务不进行卸载，任务在自己的CPU上执行。

②当卸载策略r_i,t＝M_i时，表示Sink节点S_i的任务需要卸载至本地边缘服务器M_i上执行。

③当卸载策略r_i,t≠M_i且r_i,t≠M+1时，表示Sink节点S_i的任务需要卸载至其他边缘服务器M_j上执行。

④当卸载策略r_i,t＝M+1时，表示Sink节点S_i的任务需要卸载至云服务器CC执行。

步骤4.3.1，计算每个任务的处理时间与每个Sink节点S_i执行任务的能耗。

①当r_i,t＝0时，任务在Sink节点的CPU上执行，则根据公式(4)计算任务的处理时间为：

其中，10⁸<C_i<3*10⁸表示任务执行需要的CPU周期，f_i ^sink＝0.3GHz为S_i的CPU频率。

根据公式(5)计算执行任务所需要的能量为：

其中，P_i ^E＝500mW为Sink节点S_i的执行功率。

②当r_i,t＝M_i时，任务需要卸载至本地边缘服务器M_i上执行，此时任务处理时间包括三部分：任务从S_i传输到本地边缘服务器M_i的时间、等待M_i任务队列执行的时间和S_i任务的执行时间，通过考虑任务在队列中的等待时间更加精确的计算了任务的处理时间。

根据公式(6)计算任务从节点S_i发送到本地边缘服务器M_i的时间：

其中，100kb<P_i<300kb表示节点S_i任务的大小。

节点S_i的任务在边缘服务器M_i任务队列的第b位，根据公式(7)计算其等待M_i的队列执行的时间：

其中,

表示边缘服务器M_i的CPU频率。通过计算任务的等待时间实现边缘服务器MES的负载均衡。

根据公式(8)计算节点S_i的任务在本地边缘服务器M_i上的执行时间:

根据公式(9)计算得到节点S_i的任务卸载到本地边缘服务器M_i上的执行时间为：

节点S_i任务执行消耗的能量包括传输任务至本地边缘服务器M_i的能耗和等待任务执行的能耗两部分。根据公式(10)计算得到能量消耗为：

其中，

和

分别为节点S_i的传输功率和等待功率。

③当r_i,t≠M_i且r_i,t≠M+1时，S_i的任务卸载至其他边缘服务器r_i,t上执行。在这种情况下，节点S_i的任务处理时间包括：任务从S_i传输到本地边缘服务器M_i的时间，从边缘服务器M_i转发至边缘服务器r_i,t的时间，等待边缘服务器r_i,t任务队列执行的时间和S_i任务的执行时间。

根据情况①和②的分析得到S_i任务的执行时间为：

其中，

表示边缘服务器M_i至边缘服务器r_i,t的数据传输速率。

节点S_i执行任务的能量消耗主要包括传输任务至本地边缘服务器M_i的能耗，任务由边缘服务器M_i传输至边缘服务器r_i,t的等待能耗，等待边缘服务器r_i,t任务队列执行的能耗，任务在其他边缘服务器r_i,t上执行的能耗四部分，根据公式(12)能计算节点S_i执行任务的能量消耗：

其中，

和

分别为Sink节点S_i的传输功率和等待功率。

④当r_i,t＝M+1时，S_i的任务卸载至远程云服务器CC执行。节点S_i的任务处理时间包括：任务从S_i发送到本地边缘服务器M_i的时间，从M_i转发至云服务器CC的时间和S_i任务的执行时间，根据情况②和③的分析得到：

其中，V_MiCC＝0.5Gbps表示边缘服务器M_i至云服务器CC的数据传输速率,f^CC＝50GHz表示云服务器CC的CPU频率。

根据公式(15)计算出Sink节点S_i的能量消耗。

根据以上四种情况的分析，根据公式(15)建立的任务卸载策略与任务处理时间之间的关系，即得到节点S_i在第t种策略下的任务执行时间T_i,t。

任务执行时间T_i,t应小于任务的最大容忍时间及

根据公式(16)建立的任务卸载策略与每个节点S_i执行任务的能耗的关系，即得到节点S_i在第t种策略下的任务执行能耗E_i,t为：

其中，α_t+β_t+μ_t+γ_t＝1且α_t,β_t,μ_t,γ_t∈{0,1}，当卸载策略为情况①时α_t＝1，β_t＝μ_t＝γ_t＝0，当卸载策略为情况②时β_t＝1，α_t＝μ_t＝γ_t＝0，当卸载策略为情况③时μ_t＝1，α_t＝β_t＝γ_t＝0，当卸载策略为情况④时γ_t＝1，α_t＝β_t＝μ_t＝0。

步骤4.3.2，根据公式(17)计算节点S_i在第t种策略下任务执行的时间和能量总开销S_i,t：

其中，当任务为非紧急任务时ω_t＝0.2，

当任务为紧急任务时ω_t＝0.8，

ω_t和

分别为时间和能量的权重系数，且满足

通过加入ω_t和

两个权重系数实现同时优化时间和能耗这一目标。

步骤4.4，根据公式(18)计算每组卸载策略下所有用户的总开销S_t。

步骤4.5，选择T组卸载策略中，总开销最小的一组作

为备选卸载策略。

步骤4.6，判断进化代数是否达到最大。若是，则终止进化，将选出的备选卸载策略R_best作为最优卸载策略输出；若否，继续执行。

步骤4.7，对T组卸载策略进行变异操作，定义突变向量

根据公式(19)进行变异操作：

式中R_best为备选策略，F为缩放因子，

与

为[0,T]之间的随机数。

步骤4.8，对卸载策略进行交叉操作，定义交叉向量

根据公式(20)进行交叉操作：

式中rand_i为[0,1]之间的随机数，p为用户定义的交叉概率，i_rand为[0,N]之间的随机数。

步骤4.9，对卸载策略进行选择操作，若在策略U_t下的任务开销小于策略R_t的开销，则U_t保留进入下一次迭代作为新的卸载策略，否则R_t保留进入下一次迭代。

步骤4.10，清空所有边缘服务器MES的任务队列信息。

步骤4.11，更新进化代数l＝l+1，并转至步骤4.2继续执行。

步骤五：所有Sink节点根据卸载策略R_best进行任务卸载。

图4是遗传算法，(1+1)进化算法和本方法随着边缘服务器个数不断增加所有任务总开销的对比仿真示意图。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法；(1+1)进化算法是由德国的I.Rechenberg和HP.Schwefel提出的一种求解参数优化问题的方法，模仿生物进化原理。图4中，横轴表示边缘服务器个数；纵轴表示所有任务的能量和时间总开销；三角标号线表示(1+1)进化算法；圆点标号线表示遗传算法；叉号划线表示本实施例提出的基于移动云-边缘计算的差分进化算法。

从图4能看出，在用户数为500，紧急任务比重为50％时，本专利提出的基于移动云-边缘计算的差分进化方案的任务总开销明显小于其他两种方法。具体地讲，在边缘服务器个数为10的情况下，执行差分进化算法的任务总开销比执行(1+1)进化算法减少了13.9％；同样地，比执行遗传算法降低了11.2％。

图5是执行遗传算法，(1+1)进化算法，和本方法时，边缘服务器任务队列长度标准差的对比仿真示意图。图5中，横轴表示边缘服务器个数；纵轴表示所有边缘服务器任务队列长度的标准差。从图5能看出，当用户数为500，紧急任务比重为50％时，本专利提出的基于移动云-边缘计算的任务卸载方法能很好地实现所有边缘服务器之间的负载均衡，尤其在边缘服务器个数较少的情况下。当边缘服务器个数为10时，使用差分进化算法的边缘服务器任务队列长度的标准差分别比(1+1)进化算法和遗传算法小3.53和3.42。

图6是不同用户人数下每个边缘服务器任务队列长度平均值的对比仿真示意图。图6中横轴表示用户人数；纵轴表示每个边缘服务器任务队列长度的平均值。从图6能看出，本专利提出的基于移动云-边缘计算的任务卸载方法与其他两种方法相比，服务器的队列长度明显较小，且不会随着用户数量的增多明显增大。

需要指出的是，所描述的实施例仅指在便于对本发明的理解，而对其不起任何限定作用，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于移动云-边缘计算的无线体域网任务卸载方法，其特征在于：包括如下步骤，

步骤一：构建用于通信任务卸载的无线体域网集合，并构建移动云-边缘计算模块；所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信，利于任务在边缘服务器MES之间卸载，还便于实现边缘服务器MES之间的负载均衡；移动云-边缘计算模块的边缘服务器MES与无线体域网集合之间通过无线通信连通，进而构建基于移动云-边缘计算的无线体域网；通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器MES进行通信；

步骤二：每个Sink节点计算其与本地边缘服务器M_i之间的数据传输速率，通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性；

步骤三：每个Sink节点S_i发送任务信息至云服务器CC，为云服务器CC执行卸载算法提所需的输入数据；

步骤四：云服务器CC执行基于差分进化算法的任务卸载算法，基于差分进化的任务卸载方法收敛速度快，在相同的迭代次数下得到的卸载策略R_best更好，减少Sink节点的能量消耗和数据传输及处理的时延，并达到边缘服务器MES之间的负载均衡，从而提高整个网络的容量；

步骤五：所有Sink节点分别根据步骤四优化的卸载策略R_best进行任务卸载，使得所有无线体域网的数据任务能够尽快处理，减少所有节点的整体能耗，并实现边缘服务器MES的负载均衡，从而提高整个无线体域网的容量和通信效率。

2.如权利要求1所述的基于移动云-边缘计算的无线体域网任务卸载方法，其特征在于：步骤一实现方法为，

步骤1.1：构建用于通信任务卸载的无线体域网集合；

每个无线体域网对应一个Sink节点，则用于通信任务卸载的无线体域网集合对应Sink节点集合SS＝{1,2,3,…,N}；

步骤1.2:移动云-边缘计算模块包括一个云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载，还便于是实现边缘服务器MES之间的负载均衡；M个边缘服务器MES集合表述为MS＝{1,2,3,…,M}，定义与节点S_i直接相连的边缘服务器MES为M_i，每个边缘服务器MES有其固定的ID；

步骤1.3：移动云-边缘计算模块的边缘服务器MES与本地直接相连的多个无线体域网之间通过无线链路连通，进而构建基于移动云-边缘计算的无线体域网；通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器M_i进行通信。

3.如权利要求2所述的基于移动云-边缘计算的无线体域网任务卸载方法，其特征在于：步骤二实现方法为，

步骤2.1：计算无线体域网与本地边缘服务器M_i之间的路径损耗；

根据路径损耗公式(1)计算无线体域网与本地边缘服务器M_i之间的路径损耗

其中，

是节点S_i与本地边缘服务器M_i之间的距离，L₀(d₀)是参考距离为d₀时的路径损耗，即L₀(d₀)＝10lg(4πd₀/λ)²，λ为无线信号的波长，n为路径损耗因子，g表示障碍物的类型，k_g为第g种障碍物的数目，L_g为第g种障碍物对应的路径损耗；

步骤2.2：根据损耗的定义公式计算本地边缘服务器M_i的接收功率；

给定节点S_i的发送功率P_i ^T，根据路径损耗的定义公式(2)得到本地边缘服务器M_i的接收功率

其中，

表示节点S_i与本地边缘服务器M_i的距离；

步骤2.3：根据香农公式计算Sink节点至本地边缘服务器M_i的数据传输速率；

根据香农公式(3)计算Sink节点S_i至本地边缘服务器M_i的数据传输速率：

其中，

表示节点S_i到本地边缘服务器M_i的信道带宽,N₀为背景噪声功率。

4.如权利要求3所述的基于移动云-边缘计算的无线体域网任务卸载方法，其特征在于：步骤三实现方法为，

每个Sink节点S_i将步骤二所得的数据传输速率

任务的大小P_i、任务执行需要的CPU周期C_i、任务的最大容忍时延

通过本地边缘服务器M_i转发至云服务器CC。

5.如权利要求4所述的基于移动云-边缘计算的无线体域网任务卸载方法，其特征在于：步骤四实现方法为，

步骤4.1：对所有的Sink节点随机生成T组卸载策略，用矩阵R_NT来表示

其中r_it∈{0,1,…,M,M+1}(i∈{1,…,N})表示节点S_i的第t组卸载策略，0表示任务卸载到本地Sink执行，{1,2,…,M}表示卸载到第m个边缘服务器MES执行，M+1表示卸载到云服务器CC执行，则矩阵的列向量

表示所有Sink节点的第t组卸载策略；

步骤4.2，根据卸载策略云服务器CC生成所有边缘服务器MES在每组卸载策略下的任务队列矩阵

其中q_m,t,a∈{1,2,…,N}表示第t种策略卸载到第m个边缘服务器MES的任务队列中第a个节点的ID；

步骤4.3，根据卸载策略r_it计算每个节点任务在每种卸载策略下的执行时间和能量开销；所述卸载策略r_it包括以下四种情况：

①当卸载策略r_i,t＝0时，表示Sink节点S_i将任务不进行卸载，任务在自己的CPU上执行；

②当卸载策略r_i,t＝M_i时，表示Sink节点S_i的任务需要卸载至本地边缘服务器M_i上执行；

③当卸载策略r_i,t≠M_i且r_i,t≠M+1时，表示Sink节点S_i的任务需要卸载至其他边缘服务器r_i,t上执行；

④当卸载策略r_i,t＝M+1时，表示Sink节点S_i的任务需要卸载至云服务器CC执行；

步骤4.4，根据公式(18)计算每组卸载策略下所有用户的总开销S_t：

步骤4.5，选择T组卸载策略中，总开销最小的一组作

为备选卸载策略；

步骤4.6，判断进化代数是否达到最大；若是，则终止进化，将选出的备选卸载策略R_best作为最优卸载策略输出；若否，继续执行；

步骤4.7，对T组卸载策略进行变异操作，定义突变向量

根据公式(19)进行变异操作：

式中R_best为备选策略，F为缩放因子，

与

为[0,T]之间的随机数；

步骤4.8，对卸载策略进行交叉操作，定义交叉向量

根据公式(20)进行交叉操作：

式中rand_i为[0,1]之间的随机数，p为用户定义的交叉概率，i_rand为[0,N]之间的随机数；

步骤4.9，对卸载策略进行选择操作，若在策略U_t下的任务开销小于策略R_t的开销，则U_t保留进入下一次迭代作为新的卸载策略，否则R_t保留进入下一次迭代；

步骤4.10，清空所有边缘服务器MES的任务队列信息；

步骤4.11，更新进化代数l＝l+1，并转至步骤4.2继续执行。

6.如权利要求5所述的基于移动云-边缘计算的无线体域网任务卸载方法，其特征在于：步骤4.3实现方法为，

步骤4.3.1，计算每个任务的处理时间与每个Sink节点S_i执行任务的能耗；

①当r_i,t＝0时，任务在Sink节点的CPU上执行，则根据公式(4)计算任务的处理时间为：

其中，C_i表示任务执行需要的CPU周期，f_i ^sink为S_i的CPU频率；

根据公式(5)计算执行任务所需要的能量为：

其中，P_i ^E为Sink节点S_i的执行功率；

②当r_i,t＝M_i时，任务需要卸载至本地边缘服务器M_i上执行，此时任务处理时间包括三部分：任务从S_i传输到本地边缘服务器M_i的时间、等待M_i任务队列执行的时间和S_i任务的执行时间，通过考虑任务在队列中的等待时间更加精确的计算任务的处理时间；

根据公式(6)计算任务从节点S_i发送到本地边缘服务器M_i的时间：

其中，P_i表示节点S_i任务的大小；

节点S_i的任务在边缘服务器M_i任务队列的第b位，根据公式(7)计算其等待M_i的队列执行的时间：

其中,

表示边缘服务器M_i的CPU频率；通过计算任务的等待时间实现边缘服务器MES的负载均衡；

根据公式(8)计算节点S_i的任务在本地边缘服务器M_i上的执行时间；

根据公式(9)计算得到节点S_i的任务卸载到本地边缘服务器M_i上的执行时间；

节点S_i任务执行消耗的能量包括传输任务至本地边缘服务器M_i的能耗和等待任务执行的能耗两部分；根据公式(10)计算得到能量消耗为：

其中，P_i ^T和P_i ^W分别为节点S_i的传输功率和等待功率；

③当r_i,t≠M_i且r_i,t≠M+1时，S_i的任务卸载至其他边缘服务器r_i,t上执行；在这种情况下，节点S_i的任务处理时间包括：任务从S_i传输到本地边缘服务器M_i的时间，从边缘服务器M_i转发至边缘服务器r_i,t的时间，等待边缘服务器r_i,t任务队列执行的时间和S_i任务的执行时间；

根据情况①和②的分析得到S_i任务的执行时间为：

其中，

表示边缘服务器M_i至边缘服务器r_i,t的数据传输速率；

节点S_i执行任务的能量消耗主要包括传输任务至本地边缘服务器M_i的能耗，任务由边缘服务器M_i传输至边缘服务器r_i,t的等待能耗，等待边缘服务器r_i,t任务队列执行的能耗，任务在其他边缘服务器r_i,t上执行的能耗四部分，根据公式(12)能计算节点S_i执行任务的能量消耗：

其中，P_i ^T和P_i ^W分别为Sink节点S_i的传输功率和等待功率；

④当r_i,t＝M+1时，S_i的任务卸载至远程云服务器CC执行；节点S_i的任务处理时间包括：任务从S_i发送到本地边缘服务器M_i的时间，从M_i转发至云服务器CC的时间和S_i任务的执行时间，根据情况②和③的分析得到：

其中，

表示边缘服务器M_i至云服务器CC的数据传输速率,f^CC表示云服务器CC的CPU频率；

根据公式(15)计算出Sink节点S_i的能量消耗；

根据以上四种情况的分析，根据公式(15)建立的任务卸载策略与任务处理时间之间的关系，即得到节点S_i在第t种策略下的任务执行时间T_i,t；

任务执行时间T_i,t应小于任务的最大容忍时间及T_i,t<D_imax；

根据公式(16)建立的任务卸载策略与每个节点S_i执行任务的能耗的关系，即得到节点S_i在第t种策略下的任务执行能耗E_i,t；

其中，α_t+β_t+μ_t+γ_t＝1且α_t,β_t,μ_t,γ_t∈{0,1}，当卸载策略为情况①时α_t＝1，β_t＝μ_t＝γ_t＝0，当卸载策略为情况②时β_t＝1，α_t＝μ_t＝γ_t＝0，当卸载策略为情况③时μ_t＝1，α_t＝β_t＝γ_t＝0，当卸载策略为情况④时γ_t＝1，α_t＝β_t＝μ_t＝0；

步骤4.3.2，根据公式(17)计算节点S_i在第t种策略下任务执行的时间和能量总开销S_i,t：

其中，ω_t和

分别为时间和能量的权重系数，且满足

通过加入ω_t和

两个权重系数实现同时优化时间和能耗目标。

7.一种基于移动云-边缘计算的无线体域网，其特征在于：包括无线体域网集合和移动云-边缘计算模块；所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES，所有边缘服务器MES之间通过有线链路相互连接，通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信，利于任务在边缘服务器MES之间卸载，还便于实现边缘服务器MES之间的负载均衡；移动云-边缘计算模块的边缘服务器MES与多个无线体域网之间通过无线通信连通，进而构建基于移动云-边缘计算的无线体域网；通过所述边缘服务器MES之间相互联通提高基于移动云-边缘计算的无线体域网的容量，所述无线体域网仅能与本地最近的边缘服务器MES进行通信。

Images