CN114125063B - 基于业务QoS的电力通信网任务卸载系统、方法及应用 - Google Patents

Abstract

基于业务QoS的电力通信网任务卸载系统、方法及应用，包括：任务计算模块负责根据输入的网络拓扑、用户业务属性、用户业务时延要求构建业务处理开销最小化目标函数；资源分配模块负责构建计算资源模型与通信资源模型，并将模型数据传递给任务计算模块；结果反馈模块根据计算资源、带宽资源执行QoS与任务执行开销最优的电力通信网任务卸载决策。本发明实现不同业务造成的任务执行开销一致，利于网络运行维护开销的管理；考虑了各类型业务处理时延QoS指标，实现各边缘服务器的处理任务量差异性、指定性的优化，而不是仅考虑网络QoS全局最优；降低了任务执行开销，间接地改善网络运维资金使用效率，同时实现业务QoS的提升。

Description

基于业务QoS的电力通信网任务卸载系统、方法及应用

技术领域

本发明涉及通信技术领域，具体涉及一种基于业务QoS的电力通信网任务卸载系统、方法及其应用。

背景技术

近年来,随着带宽需求大的多媒体远程会商、视频监控等业务在网络上的统一承载，也需要根据业务的类型对网络资源进行按需调度实现应用的差异化服务和网络的精细化运维。未来通信网络将朝着智能性和自适应性方向发展，它能够对当前网络状况进行感知以及对未来网络的变化状况进行预测，并以此为基础作出更加智能的决策，提高资源利用率。电力通信网业务需求呈现多元化，亟需智能化的业务QoS保障机制支撑。

作为一种很有前景的新型计算模式，边缘计算能够有效解决云计算的不足之处，与云计算形成互补。边缘计算通过将边缘服务器部署在基站、网关、路由等地方，把计算中心从云计算中心下沉到靠近用户的地方，提供低时延服务以及可观的算力支持。因此，边缘计算作为缓解网络拥塞、提高用户服务质量的一种策略方案，已经成为解决物联网和本地化计算需求的新范式。

此外，随着能源物联网的发展,电力通信网络建设重点逐渐向终端通信接入网倾斜。因此,随着多种业务的大量接入,如何保障重要业务不受延迟或丢弃,网络资源合理分配,就需要研究面向电力通信接入网络的QoS保障机制。

关于接入网QoS优化的研究中，基于边缘计算任务卸载的优化方法得到广泛关注。其中唐伦等研究者在计算机工程的2021年47卷发表了《移动边缘计算中基于Lyapunov的任务卸载与资源分配算法》一文，通过设计任务队列动态调度模型，在满足用户QoS需求的同时能够有效提高MEC系统的时间平均收益；以边缘服务器能耗最小化为目标，一种包含休眠机制的通信与计算资源管理方法的文章《Computation Offloading and ResourceAllocation For Cloud Assisted Mobile Edge Computing in Vehicular Networks》发表在IEEE Transactions on Vehicular Technology期刊的2019年68卷，并应用于云边协同网络中。为了保证最差情况下的响应时间不超出网络QoS要求，Wang S等人在IEEEInternet of Things Journal的2018年卷上发表《Cooperative Edge Computing withSleep Control under Non-uniform Traffic in Mobile Edge Networks》，研究了一种针对时延敏感型业务的对等卸载算法；同样地，在IEEE Internet of Things Journal的2019年卷上，以网络QoS优化为目标，X.He发表《Peer Offloading in Mobile Edge Computingwith Worst-Case Response Time Guarantees》一文并提出了一种在线卸载算法，保证业务的分配能在最差响应时间内完成。但以上技术鲜少在考虑业务QoS差异性的前提下展开研究，在研究中均默认所有类型的计算任务具有同等QoS需求，这导致了不同业务造成的任务执行开销不一致，不利于网络运行维护开销的管理。因此，本发明提出了一种基于业务QoS的电力通信网任务卸载方法与系统，旨在优化电力通信网QoS，在保证用户服务质量的同时降低了任务执行开销，并有效提升系统性能。

发明内容

本发明的目的在于提出一种基于业务QoS的电力通信网任务卸载系统与方法。针对业务QoS优化，提出一种考虑业务QoS的任务执行开销最优电力通信网任务卸载与资源分配方法。考虑了不同业务的QoS差异性，用于保障服务质量、网络资源合理分配以及最小化任务执行开销。

为了实现以上目的，本发明提供一种基于业务QoS的电力通信网任务卸载系统，所述系统包括：任务计算模块、资源分配模块、结果反馈模块。所述三个模块各有分工，且相互之间都有连接以完成模块间的数据传输，以实现整个系统功能。

任务计算模块：负责根据输入的网络拓扑、用户业务属性、用户业务时延要求等信息构建考虑业务时延QoS指标的业务处理开销最小化目标函数，采用广义benders分解法将属于混合整数非线性规划的目标函数分解为一个关于任务卸载子问题求解用户任务卸载决策的0-1整数规划主问题以及一个关于资源分配子问题求解计算资源与通信资源分配的线性规划子问题，并将子问题信息传递给资源分配模块，同时计算用户的任务卸载分配决策，将获得的任务卸载分配决策传递给资源分配模块；

资源分配模块，此模块负责构建计算资源模型与通信资源模型，并将模型数据传递给任务计算模块；同时根据任务计算模块传递过来的任务卸载分配决策计算最优计算资源和带宽资源的分配方案，将所得到结果传递到结果反馈模块。

结果反馈模块，此模块是根据计算资源、带宽资源执行QoS与任务执行开销最优的电力通信网任务卸载决策。

进一步的，所述任务计算模块中构建目标函数后，完成用户任务卸载分配决策的计算是采用广义benders分解法，将原问题分解为一个用户任务卸载决策主问题以及一个计算资源与通信资源分配的子问题。

进一步的，上述用户任务卸载决策主问题是一个0-1整数规划问题，该问题在任务计算模块中求解，求解所得的任务卸载分配决策传至资源分配模块。

进一步的，所述资源分配模块首先构建计算资源模型与通信资源模型，并传至任务计算模块中参与目标函数的构建。

进一步的，上述计算资源与通信资源分配子问题是一个线性规划问题，资源分配模块收到由任务计算模块传来的子问题信息进行求解。

进一步的，所述结果反馈模块根据资源分配模块传来的计算资源、带宽资源分配决策以及任务卸载决策执行QoS与任务执行开销最优的电力通信网任务卸载决策。

本发明还公开一种基于业务QoS的电力通信网任务卸载方法。

本发明还公开一种将基于业务QoS的电力通信网任务卸载方法应用于电力通信网络中。

有益效果：本发明实现不同业务造成的任务执行开销一致，利于网络运行维护开销的管理；考虑了各类型业务处理时延QoS指标，实现各边缘服务器的处理任务量差异性、指定性的优化，而不是仅考虑网络QoS全局最优；降低了任务执行开销，间接地改善网络运维资金使用效率，同时实现业务QoS的提升。

附图说明

图1为一种基于业务QoS的电力通信网任务卸载系统示意图。

图2为一种基于业务QoS的电力通信网任务卸载方法示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

参考图1，本发明提供一种基于业务QoS的电力通信网任务卸载系统以及一种考虑业务QoS的任务执行开销最优电力通信网任务卸载与资源分配方法，所述系统与方法包括：任务计算模块及其方法、资源分配模块及其方法、结果反馈模块及其方法。

S10。任务计算模块，所述任务计算模块功能包括负责根据输入的网络拓扑、用户业务属性、用户业务时延要求等信息构建考虑业务时延QoS指标的业务处理开销最小化目标函数，并采用Zhong等人在Computer Network期刊发表的《Cooperative servicecaching and computation offloading in multi-access edge computing》一文中提到的广义benders分解法将属于混合整数非线性规划的目标函数分解为一个用户任务卸载决策求解的0-1整数规划主问题以及一个计算资源与通信资源分配的线性规划子问题，并将子问题信息传递给资源分配模块，同时计算用户的任务卸载分配决策，将获得的任务卸载分配决策传递给资源分配模块。

进一步的，任务计算模块所述的构建考虑业务时延QoS指标的业务处理开销最小化目标函数，其建模过程包括：

S11。记在边缘服务器执行处理的用户集合为N^e。为了满足所有用户任务的时延要求，则在边缘处理的所有用户的处理时间长度必定不会超过该用户集合的最长时延要求。设这个时间长度为T，如式(1)。

T＝max{t_i},i∈N^e (1)

其中T可以作为用户任务分配到的计算资源的最长占用时间。这里的占用时间包括用户任务使用分配给它的计算资源的处理时间加上用户任务完成后释放计算资源但未被利用的空闲时间。

S12。对T等分为W段，每一段为一个时隙，时隙索引即为W＝{1,2,L,W}。在每个时隙开头收集空闲计算资源并重新分配，从而达到及时在利用空闲资源的目的。则每一段时隙的长度为τ，如式(2)。

S13。每个任务a_i具有3个属性：任务本身的数据量大小d_i，完成任务所需的总CPU周期c_i，以及完成任务的时间限制t_i(这t_i里的完成任务的时间限制不包括用户设备传输任务到边缘服务器所花费的时间)。用三元组来表示任务a_i＝(d_i，c_i，t_i)。在边缘处要保证用户任务a_i在规定的时间限制t_i内完成，则需要满足在时间限制内使用所分配的计算资源实现的计算量不小于所要求的计算量，如式(3)。

其中，

表示用户任务a_i在第j时隙在边缘处所分配到的计算资源量，T_i＝[t_i/τ]表示用户任务a_i一共占用了多少个时隙。不等式左边第一部分

表示任务a_i在T_i-1个时隙内的计算量，第二部分

表示在其时间约束下占用的最后一时隙内的计算量。

S14。对于卸载到云端的任务，由于云端的计算资源远远大于边缘的计算资源，因此在此简化云端的计算时延，所有在云端处理的任务的计算时延记为t^c,comp。

S15。用户任务a_i需要在规定的时间限制内完成，而完成时间为任务卸载到云端所需的传输时间、任务在云端的计算时间以及云端结果回传到边缘的时间之和。

每个用户任务卸载到云端所需的传输时间如式(4)，其中数据传输速率为r_i由S23所得。

假设回传结果数据量小，则回传结果所用的时间可以忽略不计，可以得到式(5)。

S16。为了实现电力通信网Qos优化，得到最优的电力通信网任务卸载决策和最优的资源分配变量，根据任务计算模块以及S25传递过来的建模公式，以时延约束下的计算任务被卸载数据量最小化为目标构建问题函数，即：

其中，定义卸载变量为X＝[x_i,x₂,L,x_N],x_i＝1表示将用户任务a_i卸载到云端进行处理。而x_i＝0表示将用户任务a_i留在边缘处进行处理。在计算资源、带宽资源以及用户任务时间限制的约束下得到最优的卸载决策，即：

其中，b_i为用户任务a_i分配到的带宽资源量，边缘服务器的发射功率为p，信道增益为h，信道的噪声功率为σ，则根据香农定理可以得到用户任务a_i的数据传输速率为r_i；d_i为任务本身的数据量大小；t^c,comp为在云端处理的任务的计算时延。边缘服务器j给用户i分配出去的计算资源量记为

最大计算资源总量记为F^e。

约束(7)规定了卸载变量必须为0或者1。约束(8)表示边缘服务器的总计算资源约束，在每一个时隙中，在边缘处所有用户任务分配到的计算资源总量不超过边缘服务器本身所拥有的计算资源总量。约束(9)表示在边缘节点处计算的用户任务在时间约束内需要完成对应的CPU周期数。约束(10)表示卸载到云端的用户任务的时间约束，其计算时间和传输时间之和不得超过本身的时间限制。约束(11)表示带宽资源约束，即需要卸载的用户任务所分配到的带宽总量不超过信道的带宽总量。约束(12),(13)表示计算资源和带宽资源变量必须是非负的。

进一步的，任务计算模块所述的基于广义benders分解法分解目标函数与求解任务卸载子问题，其过程包括：

S17。设μ＝(f,b)代表资源分配决策，v＝x代表任务卸载决策，若处于第一次迭代，进入步骤S18，反之根据资源分配模块传递过来的已知的资源分配决策

基于拉格朗日乘子法将原本的任务处理开销最小化问题变为一个在已知μ求解任务卸载决策的0-1整数规划问题

其约束集为

S18。初始化一个任务卸载决策并将结果传递至资源分配模块的步骤S26。

S19。记录下初始任务卸载与资源分配决策或者来自S17步骤传递过来的任务卸载决策以及已知的资源分配决策，并在分支定界法算法中输入该问题以及相关约束，直接求解该问题即可获取0-1任务卸载决策解集合，计算对应决策的任务执行开销，作为式(9)的上界值UB，即

同时传递结果至S26。

S20。资源分配模块，所述资源分配模块功能包括负责构建计算资源模型与通信资源模型，并将模型数据传递给任务计算模块；同时根据任务计算模块传递过来的任务卸载分配决策计算最优计算资源和带宽资源的分配方案，将所得到结果传递到结果反馈模块。

进一步的，资源分配模块所述的构建计算资源模型与通信资源模型，其建模过程包括：

S21。边缘处的计算资源总量是有限的，因此需要满足计算资源量约束，即在一个时隙内，边缘服务器j给用户i分配出去的计算资源量

之和不能超过边缘所拥有的最大计算资源总量F^e，如式(14)。

S22。b_i为用户任务a_i分配到的带宽资源量，需要满足带宽总量的约束，如式(5)

S23。假设边缘服务器的发射功率为p，信道增益为h，信道的噪声功率为σ，则根据香农定理可以得到用户任务a_i的数据传输速率为r_i，如式(16)。

S25。资源分配模块将上述建模公式传递至S16，完成目标函数的构建。

进一步的，任务计算模块所述的基于广义benders分解法分解目标函数与求解资源分配子问题，其过程包括：

S26。资源分配模块根据S18中传来的初始任务卸载决策或来自S19的新任务卸载决策，构建资源分配子问题。其中根据已知的任务卸载决策

构建问题函数

其约束集为

传递至S27。

S27。根据S26传递过来的线性规划问题，基于内嵌的CVX工具箱凸优化求解器求解资源分配子问题，获取当前卸载决策的最优资源分配方案，并根据S18中传来的资源分配方案与任务卸载决策计算当前迭代轮次的最优任务执行开销与时延值，记为式(9)的下界值LB。

S28。若式(9)的上界值与S19中记录的上界值的取值十分接近，不超过设定的偏差值0.5，即UB-LB≤0.5，则视UB为获取最优解，传至结果反馈模块，进入步骤S30。

反之，则将该方案传递至任务计算模块，重新进入步骤S19。

S30。结果反馈模块，所述结果反馈模块包括根据S28传递的计算资源、带宽资源分配决策以及任务卸载决策执行QoS与任务执行开销最优的电力通信网任务卸载决策。

本发明公开一种基于业务QoS的电力通信网任务卸载方法与系统，采用可扩展的系统结构，可根据问题解耦获取的子问题数量，弹性扩展，简便管理每个优化问题的求解。同时，本发明所提的基于业务QoS的电力通信网任务卸载方法相比于现有技术，其优点在于：(1)考虑了各类型业务处理时延QoS指标，实现各边缘服务器的处理任务量差异性、指定性的优化，而不是仅考虑网络QoS全局最优；(2)所提方法降低了任务执行开销，间接地改善网络运维资金使用效率，同时实现业务QoS的提升。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同的落在本发明的范围内。

Claims (3)

1.一种基于业务QoS的电力通信网任务卸载系统，所述系统包括：任务计算模块、资源分配模块、结果反馈模块；其特征为：

任务计算模块：负责根据输入的网络拓扑、用户业务属性、用户业务时延要求信息构建考虑业务时延QoS指标的业务处理开销最小化目标函数，采用广义benders分解法将属于混合整数非线性规划的目标函数分解为一个用户任务卸载决策求解的0-1整数规划主问题以及一个计算资源与通信资源分配的线性规划子问题，并将子问题信息传递给资源分配模块，同时计算用户的任务卸载分配决策，将获得的任务卸载分配决策传递给资源分配模块；

资源分配模块，负责构建计算资源模型与通信资源模型，并将模型数据传递给任务计算模块；同时根据任务计算模块传递过来的任务卸载分配决策计算最优计算资源和带宽资源的分配方案，将所得到结果传递到结果反馈模块；

结果反馈模块，根据计算资源、带宽资源执行QoS与任务执行开销最优的电力通信网任务卸载决策。

2.根据权利要求1所述的基于业务QoS的电力通信网任务卸载系统，其特征为：所述结果反馈模块根据资源分配模块传来的计算资源、带宽资源分配决策以及任务卸载决策执行QoS与任务执行开销最优的电力通信网任务卸载决策。

3.基于业务QoS的电力通信网任务卸载方法，其特征为：包括如下步骤：

S10：建立任务计算模块，所述任务计算模块负责根据输入的网络拓扑、用户业务属性、用户业务时延要求信息构建考虑业务时延QoS指标的业务处理开销最小化目标函数P，并采用广义benders分解法将属于混合整数非线性规划的目标函数P分解为一个用户任务卸载决策求解的0-1整数规划主问题P₁以及一个计算资源与通信资源分配的线性规划子问题P₂，并将子问题信息传递给资源分配模块，同时计算用户的任务卸载分配决策，将获得的任务卸载分配决策传递给资源分配模块；

S20：建立资源分配模块，所述资源分配模块功能包括负责构建计算资源模型与通信资源模型，并将模型数据传递给任务计算模块；同时根据任务计算模块传递过来的任务卸载分配决策计算最优计算资源和带宽资源的分配方案，将所得到结果传递到结果反馈模块；

S30：建立结果反馈模块，所述结果反馈模块包括根据传递的计算资源、带宽资源分配决策以及任务卸载决策执行QoS与任务执行开销最优的电力通信网任务卸载决策；

其中：

所述任务计算模块所述的构建考虑业务时延QoS指标的业务处理开销最小化目标函数，其建模过程包括：

S11：记在边缘服务器执行处理的用户集合为N^e；用户请求处理的用户任务为a_i；卸载变量为X＝[x₁,x₂,…,x_N]，任务卸载决策

x_i＝1表示将用户任务卸载到云端进行处理，x_i＝0表示将用户任务留在边缘处进行处理；μ＝(f,b)代表资源分配决策，f表示用户任务a_i在边缘处所分配到的计算资源量，b为用户任务a_i分配到的带宽资源量；

S12：设用户任务a_i的最大时延约束为T，将T分为W段，每一段为一个时隙，时隙索引即为W＝{1,2,…,W}，则每一段时隙的长度为τ，

，在每个时隙开头收集空闲计算资源并重新分配，从而达到及时在利用空闲资源的目的；

S13：每个用户的任务a_i具有3个属性：任务本身的数据量大小d_i，完成任务所需的总CPU周期c_i，以及完成任务的时间限制t_i，即用三元组来表示任务a_i＝(d_i,c_i,t_i)；

S14：对于卸载到云端的任务，简化云端的计算时延，令所有在云端处理的任务的计算时延记为t^c,comp；

S15：用户任务a_i需要在规定的时间限制内完成，而完成时间为任务卸载到云端所需的传输时间、任务在云端的计算时间以及云端结果回传到边缘的时间之和；

S16：根据任务计算模块以及建模公式，以时延约束下的计算任务被卸载数据量最小化为目标构建目标函数P，P：

其约束集为：

其中，用户任务a_i的三个属性为：任务本身的数据量大小d_i、完成任务所需的总CPU周期c_i、以及完成任务的时间限制t_i；每一段时隙的长度为τ；x_i为对用户任务a_i的卸载决策；

表示用户任务a_i在第j时隙在边缘处所分配到的计算资源量；F^e为最大计算资源总量；b_i为用户任务分a_i配到的带宽资源量，B为信道的带宽总量；d_i为任务本身的数据量大小；用户任务a_i的数据传输速率为r_i；t^c,comp为在云端处理的任务的计算时延；T_i表示用户任务a_i一共占用了多少个时隙；所述基于广义benders分解法分解目标函数P，并求解任务卸载子问题P₁，其过程包括：

S17：判断此时的求解流程是否刚开始迭代，若处于第一次迭代，进入步骤S18；反之，根据资源分配模块传递过来的已知的资源分配决策

以及已知用户任务a_i分配到的计算资源量

基于拉格朗日乘子法将原本的任务处理开销最小化问题P变为一个在已知资源分配决策

求解任务卸载决策x的0-1整数规划问题P₁，P₁：

其约束集为：

S18：初始化一个任务卸载决策x，并将结果传递至资源分配模块的步骤S26；

S19：记录下初始任务卸载决策x与资源分配决策μ或者来自S17步骤传递过来的任务卸载决策x以及已知的资源分配决策

并在分支定界法算法中输入求解任务卸载决策x的0-1整数规划问题P₁以及相关约束，直接求解即可获取0-1任务卸载决策解集合

计算对应决策的任务执行开销，同时传递结果至S26；

S26：所述资源分配模块根据S18中传来的初始任务卸载决策或来自S19的新任务卸载决策，构建资源分配子问题P₂；

所述资源分配模块所述的构建计算资源模型与通信资源模型，其建模过程包括：

S21：边缘处的计算资源总量是有限的，需要满足计算资源量约束；即在一个时隙内，边缘服务器给用户i分配出去的计算资源量

之和不能超过边缘所拥有的最大计算资源总量F^e，即

S22：b_i为用户任务分a_i配到的带宽资源量，需要满足带宽总量的约束：

d_i为任务本身的数据量大小；

S23：假设边缘服务器的发射功率为p，信道增益为h，信道的噪声功率为σ，则根据香农定理可以得到用户任务a_i的数据传输速率为r_i，如式：

S25：资源分配模块将上述建模公式传递至S16，完成目标函数的构建；

任务计算模块所述的基于广义benders分解法分解目标函数与求解资源分配子问题P₂，其过程包括：

S26：资源分配模块根据S18中传来的初始任务卸载决策x或来自S19的新任务卸载决策

构建资源分配子问题；其中，根据已知的任务卸载决策

构建目标函数

其约束集为：

S27：根据S26传递过来的线性规划问题，基于内嵌的CVX工具箱凸优化求解器求解资源分配子问题P₂，获取当前卸载决策的最优资源分配方案，并根据S18中传来的资源分配方案与任务卸载决策计算当前迭代轮次的最优任务执行开销与时延值；

S28：若最优任务执行开销与时延值的上界值与S19中记录的上界值的取值十分接近，不超过设定的偏差值0.5，则视为获取最优解，传至结果反馈模块，进入步骤S30；反之，则将S27求解的最优资源分配方案传递至任务计算模块，重新进入步骤S19；

S30：根据S28传递的计算资源、带宽资源分配决策以及任务卸载决策执行QoS与开销最优的电力通信网任务卸载决策。

Images