CN114173357B - 一种面向多类型业务时延需求的移动边缘计算资源分配方法 - Google Patents

Abstract

一种面向多类型业务时延需求的移动边缘计算资源分配方法，保证用户时延约束的同时降低系统总计算时间，适用于具有不同时延要求的任务的边缘卸载计算。首先，根据各个任务的时延约束求出其参与资源分配时的补偿系数，构建多任务边缘计算资源分配优化问题；接着，使用拉格朗日乘数法求解优化问题，获得无成本约束下的最优计算资源分配方案；然后，考虑用户的支付成本，更新计算资源分配方案；最后，搜索之前未达到支付成本的用户任务，将其按照时延和计算资源需求量降序排序并补偿分配计算资源，形成最终的计算资源分配方案。本方法涉及不同时延要求的任务的计算资源分配，适用于多MEC服务器场景，能够提高边缘服务器的计算效率，以提高任务完成率。

Description

一种面向多类型业务时延需求的移动边缘计算资源分配方法

技术领域

本发明属于通信技术领域，具体涉及一种面向多类型业务时延需求的移动边缘计算资源分配方法

背景技术

随着5G时代的到来，与5G技术相关的应用场景，如增强现实、虚拟现实、物联网等日益受到人们的广泛关注。这些以时延敏感和计算密集为主要特点的新兴业务对移动智能终端产生极大的挑战，由于现有的移动智能终端其计算能力有限，如果终端自身执行这些的任务，会导致较大的时延和能耗。于是，研究者们纷纷把目光聚焦于移动边缘计算(Mobile Edge Computing，MEC)，通过无线网络将终端任务卸载到边缘服务器执行，大大降低任务的完成时间，以实现低时延、低能耗信息服务的目标。

移动边缘计算卸载成为当前研究的热点，近年来，越来越多的学者关注MEC计算资源分配问题。目前我们将任务计算模型划分为排队计算和分配计算资源计算，排队计算模型指服务器将所有计算资源用于一个任务的计算，计算结束再进行下一个任务的计算，分配计算资源计算模型指的是服务器按照一定的准则将计算资源分配给所有卸载到服务器的任务，让所有的任务并行计算。目前排队计算模型研究较多，对于分配计算资源计算模型的研究方法还不够全面，大多数学者在进行计算资源分配时更多的考虑计算需求量本身的大小，没有考虑到时延参数对计算需求量的隐性影响。而且由于不同任务的时延差异导致的不同用户端支付成本也会对计算资源分配的影响，但大多数计算资源优化只看到MEC端的资源约束，没有考虑用户端的约束，使得实际用户体验不佳。

发明内容

为了减少计算时延，本发明提出一种面向多类型业务时延需求的移动边缘计算资源分配方法，该方法针对不同时延约束的任务，结合用户端支付成本，将不同任务卸载到边缘服务器，降低任务的整体完成时间，同时保证用户的公平性。

一种面向多类型业务时延需求的移动边缘计算资源分配方法，包括如下步骤：

步骤1，定义边缘用户集合、边缘服务器集合、卸载决策向量、待计算的用户任务集合；

步骤2，根据用户任务的时延约束，计算其参与边缘服务器计算资源分配时的时延补偿系数；

步骤3，建立面向多用户任务的边缘服务器计算资源分配优化问题；

步骤4，采用拉格朗日乘数法求解步骤3建立的优化问题，得到初步的无成本约束下的用户计算资源优化分配方案；

步骤5，根据用户的支付成本对其可用计算资源量进行约束，导出用户能够使用的计算资源的上限，取该上限值与步骤4得到的用户任务计算资源分配方案的较小值，即为成本约束下的用户计算资源优化分配方案；

步骤6，将未达到支付成本的用户任务建立为集合，判断任务集合是否为空。若任务集合为空，那么步骤5得到的成本约束下的用户计算资源优化分配方案即为最终的用户任务计算资源优化分配方案；若任务集合非空，那么按照用户任务的时延约束降序与计算需求资源量降序对集合中的用户任务排序，将剩余的计算资源顺序补偿分配给集合中的任务，形成最终的用户任务计算资源优化分配方案。

进一步地，步骤1中，定义边缘服务器集合为S＝{s₁,s₂,…,s_n,…,s_Q}∪{s₀}，Q为边缘服务器数量，n为边缘服务器标号，s₀表示云服务器；边缘服务器s_n的计算资源用F_n表示，边缘服务器的单位CPU使用成本为ε_n；边缘服务器分为两层，第一层靠近用户，用于处理用户任务的卸载计算，第二层起到调度作用，将相邻的第一层边缘服务器放到一个网络中进行协作；定义边缘用户集合U＝u₁,u₂,…,u_j,…,u_N}，其中N表示边缘用户的数量，j表示用户标号；定义用户任务的卸载决策向量 表示用户u_j将任务卸载到边缘服务器s_n，反之用户u_j未将任务卸载到边缘服务器s_n；用户任务属性为/>其中/>表示计算用户u_j任务所需的CPU周期数，/>表示用户u_j任务的时延约束，/>表示用户u_j的支付成本；定义将任务卸载到边缘服务器s_n计算的用户集合为/>U_n中的用户u_j将任务/>通过与之关联的边缘服务器/>卸载到边缘服务器s_n，其中按照物理距离进行关联，一个用户只与最近的边缘服务器关联，同时边缘服务器s_n中缓存了与/>相关的服务数据；若网络中不存在缓存了与/>相关的服务数据的边缘服务器，则将任务卸载到云服务器进行计算。

进一步地，步骤2中，每个用户任务的时延补偿系数由下式计算得到

提高低时延用户任务的计算效率有助于降低所有用户任务的总计算时延；因此，时延越低的用户任务具有越高的计算资源使用等级，即实际分配时需要更多地将资源向值大的低时延用户任务倾斜。

进一步地，步骤3中，面向多用户任务的边缘服务器计算资源优化分配问题的目标函数为

约束条件为

其中，表示边缘服务器s_n分配给用户u_j的计算资源；f表示边缘服务器分配给用户的计算资源。

进一步地，步骤4中，应用拉格朗日乘数法求解步骤3的目标函数，得到初步的计算资源优化分配方案为

其中，表示无成本约束下用户u_j的任务卸载至边缘服务器s_n计算时分配到的最佳计算资源量。

进一步地，步骤5中，不同用户的支付成本导致其请求的任务分配到的计算资源存在上限；用户u_j的任务能够使用的计算资源上限值由下式计算得到

比较步骤4中得到的和步骤5中得到的/>取其中的较小值，得到用户支付成本约束下的计算资源优化分配方案，即

其中，表示支付成本约束下用户u_j的任务卸载至边缘服务器s_n计算时分配到的最佳计算资源量。

进一步地，步骤6所述的用户任务的最终计算资源优化分配方案，其求解过程包括如下步骤流程：

步骤6a：搜索步骤5完成后所有未达到支付成本上限的用户任务构成集合

如果为空，流程终止,步骤5得到的成本约束下的用户计算资源优化分配方案即为最终的用户任务计算资源优化分配方案；

如果非空，将/>中用户按照时延约束/>降序进行排序，若/>相同，再按照计算需求CPU周期数/>降序进行排序，得到最后的用户任务排序表，执行步骤6b；

步骤6b，将剩余的计算资源按照步骤6a确定任务排序表依次补偿分配给集合中的各个用户任务，直至每个用户获得其支付成本约束的最大可用资源量或者全部服务器的计算资源耗尽，流程终止,得到最终的用户任务计算资源优化分配方案。

本发明与现有技术相比具有如下有益效果：

1、本发明将任务的时延约束作为分配资源优先级的考量，与以往资源分配相比，有利于提高低时延任务的完成率。

2、本发明在考虑MEC服务器计算资源约束的同时考虑用户端支付成本约束，更好地保证了用户的公平性。

3、本发明的二次补偿方案针对根据补偿系数进行优化的计算资源分配导致的较大时延任务的资源缺乏有一定的改善作用。

附图说明

图1是本发明实施例中的网络模型图。

图2是本发明实施例中方法的实施流程框图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

一种面向多类型业务时延需求的移动边缘计算资源分配方法，包括如下步骤：

步骤1，定义边缘用户集合、边缘服务器集合、卸载决策向量、待计算的用户任务集合。

步骤1中，定义边缘服务器集合为S＝{s₁,s₂,…,s_n,…,s_Q}∪{s₀}，Q为边缘服务器数量，n为边缘服务器标号，s₀表示云服务器；边缘服务器s_n的计算资源用F_n表示，该服务器的单位CPU使用成本为ε_n；边缘服务器分为两层，第一层靠近用户，用于处理用户任务的卸载计算，第二层起到调度作用，将相邻的第一层边缘服务器放到一个网络中进行协作；定义用户集合U＝{u₁,u₂,…,u_j,…,u_N}，其中N表示边缘用户的数量，j表示用户标号；定义用户任务的卸载决策向量Y＝表示用户u_j将任务卸载到边缘服务器s_n，反之用户u_j未将任务卸载到边缘服务器s_n；用户任务属性为其中/>表示计算用户u_j任务所需的CPU周期数，/>表示用户u_j任务的时延约束，/>表示用户u_j的支付成本；定义将任务卸载到边缘服务器s_n计算的用户集合为/>U_n中的用户u_j可将任务/>通过与之关联的边缘服务器/>卸载到边缘服务器s_n，其中按照物理距离进行关联，一个用户只与最近的边缘服务器关联，同时边缘服务器s_n中缓存了与/>相关的服务数据；若网络中不存在缓存了与/>相关的服务数据的边缘服务器，则将任务卸载到云服务器进行计算。

步骤2，根据用户任务的时延约束，计算其参与边缘服务器计算资源分配时的时延补偿系数。

步骤2中，每个用户任务的时延补偿系数由下式计算得到

提高低时延用户任务的计算效率有助于降低所有用户任务的总计算时延；因此，时延越低的用户任务具有越高的计算资源使用等级，即实际分配时需要更多地将资源向值大的低时延用户任务倾斜。

步骤3，建立面向多用户任务的边缘服务器计算资源分配优化问题。

步骤3中，面向多用户任务的边缘服务器计算资源优化分配问题的目标函数为

约束条件为

其中，表示边缘服务器s_n分配给用户u_j的计算资源；f表示边缘服务器分配给用户的计算资源。

步骤4，采用拉格朗日乘数法求解步骤3建立的优化问题，得到初步的无成本约束下的用户计算资源优化分配方案。

步骤4中，应用拉格朗日乘数法求解步骤3的优化问题，得到初步的计算资源优化分配方案为

其中，表示无成本约束下用户u_j的任务卸载至边缘服务器s_n计算时分配到的最佳计算资源量。

步骤5，根据用户的支付成本对其可用计算资源量进行约束，导出用户能够使用的计算资源的上限，取该上限值与步骤4得到的用户任务计算资源分配方案的较小值，即为成本约束下的用户计算资源优化分配方案。

步骤5中，不同用户的支付成本导致其请求的任务可以分配到的计算资源存在上限；用户u_j的任务能够使用的计算资源上限值由下式计算得到

比较步骤4中得到的和步骤5中得到的/>取其中的较小值，得到用户支付成本约束下的计算资源优化分配方案，即

其中，表示支付成本约束下用户u_j的任务卸载至边缘服务器s_n计算时分配到的最佳计算资源量。

步骤6，将未达到支付成本的用户任务建立为集合，判断任务集合是否为空。若任务集合为空，那么步骤5得到的成本约束下的用户计算资源优化分配方案即为最终的用户任务计算资源优化分配方案；若任务集合非空，那么按照用户任务的时延约束降序与计算需求资源量降序对集合中的用户任务排序，将剩余的计算资源顺序补偿分配给集合中的任务，形成最终的用户任务计算资源优化分配方案。

步骤6所述的用户任务的最终计算资源优化分配方案，其求解过程包括如下步骤流程：

步骤6a：搜索步骤5完成后所有未达到支付成本上限的用户任务构成集合

如果为空，流程终止,步骤5得到的成本约束下的用户计算资源优化分配方案即为最终的用户任务计算资源优化分配方案；

如果非空，将/>中用户按照时延约束/>降序进行排序，若/>相同，再按照计算需求CPU周期数/>降序进行排序，得到最后的用户任务排序表，执行步骤6b；

步骤6b，将剩余的计算资源按照步骤6a确定任务排序表依次补偿分配给集合中的各个用户任务，直至每个用户获得其支付成本约束的最大可用资源量或者全部服务器的计算资源耗尽，流程终止,得到最终的用户任务计算资源优化分配方案。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (4)

1.一种面向多类型业务时延需求的移动边缘计算资源分配方法，其特征在于：所述方法包括如下步骤：

步骤1，定义边缘用户集合、边缘服务器集合、卸载决策向量、待计算的用户任务集合；

步骤1中，定义边缘服务器集合为S＝{s₁,s₂,…,s_n,…,s_Q}∪{s₀}，Q为边缘服务器数量，n为边缘服务器标号，s₀表示云服务器；边缘服务器s_n的计算资源用F_n表示，边缘服务器的单位CPU使用成本为ε_n；边缘服务器分为两层，第一层靠近用户，用于处理用户任务的卸载计算，第二层起到调度作用，将相邻的第一层边缘服务器放到一个网络中进行协作；定义边缘用户集合U＝{u₁,u₂,…,u_j,…,u_N}，其中N表示边缘用户的数量，j表示用户标号；定义用户任务的卸载决策向量 表示用户u_j将任务卸载到边缘服务器s_n，反之用户u_j未将任务卸载到边缘服务器s_n；用户任务属性为其中/>表示计算用户u_j任务所需的CPU周期数，/>表示用户u_j任务的时延约束，/>表示用户u_j的支付成本；定义将任务卸载到边缘服务器s_n计算的用户集合为/> U_n中的用户u_j将任务/>通过与之关联的边缘服务器/>卸载到边缘服务器s_n，其中按照物理距离进行关联，一个用户只与最近的边缘服务器关联，同时边缘服务器s_n中缓存了与/>相关的服务数据；若网络中不存在缓存了与/>相关的服务数据的边缘服务器，则将任务卸载到云服务器进行计算；

步骤2，根据用户任务的时延约束，计算其参与边缘服务器计算资源分配时的时延补偿系数；

步骤2中，每个用户任务的时延补偿系数由下式计算得到

提高低时延用户任务的计算效率有助于降低所有用户任务的总计算时延；因此，时延越低的用户任务具有越高的计算资源使用等级，即实际分配时需要更多地将资源向值大的低时延用户任务倾斜；

步骤3，建立面向多用户任务的边缘服务器计算资源分配优化问题；

步骤3中，面向多用户任务的边缘服务器计算资源优化分配问题的目标函数为

约束条件为

其中，表示边缘服务器s_n分配给用户u_j的计算资源；f表示边缘服务器分配给用户的计算资源；

步骤4，采用拉格朗日乘数法求解步骤3建立的优化问题，得到初步的无成本约束下的用户计算资源优化分配方案；

步骤5，根据用户的支付成本对其可用计算资源量进行约束，导出用户能够使用的计算资源的上限，取该上限值与步骤4得到的用户任务计算资源分配方案的较小值，即为成本约束下的用户计算资源优化分配方案；

步骤6，将未达到支付成本的用户任务建立为集合，判断任务集合是否为空；若任务集合为空，那么步骤5得到的成本约束下的用户计算资源优化分配方案即为最终的用户任务计算资源优化分配方案；若任务集合非空，那么按照用户任务的时延约束降序与计算需求资源量降序对集合中的用户任务排序，将剩余的计算资源顺序补偿分配给集合中的任务，形成最终的用户任务计算资源优化分配方案。

2.根据权利要求1所述的一种面向多类型业务时延需求的移动边缘计算资源分配方法，其特征在于：步骤4中，应用拉格朗日乘数法求解步骤3的目标函数，得到初步的计算资源优化分配方案为

其中，表示无成本约束下用户u_j的任务卸载至边缘服务器s_n计算时分配到的最佳计算资源量。

3.根据权利要求1所述的一种面向多类型业务时延需求的移动边缘计算资源分配方法，其特征在于：步骤5中，不同用户的支付成本导致其请求的任务分配到的计算资源存在上限；用户u_j的任务能够使用的计算资源上限值由下式计算得到

比较步骤4中得到的和步骤5中得到的/>取其中的较小值，得到用户支付成本约束下的计算资源优化分配方案，即

其中，表示支付成本约束下用户u_j的任务卸载至边缘服务器s_n计算时分配到的最佳计算资源量。

4.根据权利要求1所述的一种面向多类型业务时延需求的移动边缘计算资源分配方法，其特征在于：步骤6所述的用户任务的最终计算资源优化分配方案，其求解过程包括如下步骤流程：

步骤6a：搜索步骤5完成后所有未达到支付成本上限的用户任务构成集合

如果为空，流程终止,步骤5得到的成本约束下的用户计算资源优化分配方案即为最终的用户任务计算资源优化分配方案；

如果非空，将/>中用户按照时延约束/>降序进行排序，若/>相同，再按照计算需求CPU周期数/>降序进行排序，得到最后的用户任务排序表，执行步骤6b；

步骤6b，将剩余的计算资源按照步骤6a确定任务排序表依次补偿分配给集合中的各个用户任务，直至每个用户获得其支付成本约束的最大可用资源量或者全部服务器的计算资源耗尽，流程终止,得到最终的用户任务计算资源优化分配方案。