CN114302456A - 一种移动边缘计算网络考虑任务优先级的计算卸载方法 - Google Patents

一种移动边缘计算网络考虑任务优先级的计算卸载方法 Download PDF

Info

Publication number
CN114302456A
CN114302456A CN202111669825.9A CN202111669825A CN114302456A CN 114302456 A CN114302456 A CN 114302456A CN 202111669825 A CN202111669825 A CN 202111669825A CN 114302456 A CN114302456 A CN 114302456A
Authority
CN
China
Prior art keywords
task
server
particle
edge computing
task set
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.)
Pending
Application number
CN202111669825.9A
Other languages
English (en)
Inventor
冯维
曹荻秋
齐崇信
杨寅文
陈杰
徐玲
郭明宇
许晓荣
姜显扬
吴端坡
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111669825.9A priority Critical patent/CN114302456A/zh
Publication of CN114302456A publication Critical patent/CN114302456A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,方法包括步骤:S1、获取系统模型的网络配置信息;S2、生成包含优先级约束关系的任务集,获取任务集在各个服务器进行计算的时延能耗总开销;S3、随机初始化生成任务集的初始粒子群,将任务集中的任务分别分配至各个服务器,并对各任务进行粒子位置编码,得到任务调度序列;S4、构建适应度评价函数,计算各粒子的适应度函数值;S5、更新粒子速度和位置,得到历史最优位置;S6、循环迭代得到全局最优的计算卸载方法。本发明的方法以优先级为约束,以最小化总开销为目标,将具有优先级依赖关系的任务合理卸载到不同服务器。

Description

一种移动边缘计算网络考虑任务优先级的计算卸载方法
技术领域
本发明属于通信技术领域,具体涉及一种移动边缘计算网络考虑任务优先级的计算卸载方法。
背景技术
随着物联网的发展,尽管当今移动设备的处理能力越来越强大,但移动设备通常具有有限的电池容量并无法在短时间内处理巨大的应用程序,严格的延时限制已成为在移动设备上运行复杂应用程序的障碍。移动云计算因为丰富的计算资源可以显著减少应用程序处理延时。虽然数据处理速度很快,但是网络带宽却很有限。为了解决这一关键挑战,用户可以将任务卸载到移动边缘计算服务器以提高性能。因此,在云服务器,边缘服务器和用户本地三方协同计算卸载场景下,制定卸载决策方案成为当下一个热点问题。
发明内容
基于现有技术中存在的上述缺点和不足,本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本发明的目的之一是提供满足前述需求之一或多个的一种移动边缘计算网络的任务卸载和资源分配方法。
为了达到上述发明目的,本发明采用以下技术方案:
一种移动边缘计算网络考虑任务优先级的计算卸载方法,方法包括步骤:
S1、获取系统模型的网络配置信息,系统模型由若干个基站组、一个移动云服务器及属于某一基站组的用户本地服务器组成,每个基站组包括一个基站和一个边缘计算服务器;
S2、生成包含优先级约束关系的任务集,根据网络配置信息获取任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的计算时延和能耗,并获取任务集中各任务在用户本地服务器、边缘计算服务器、移动云服务器之间传输的传输时延;
S3、随机初始化生成任务集的初始粒子群,将任务集中的任务分别分配至用户本地服务器、边缘计算服务器或移动云服务器,每个任务为一个粒子,并对各任务根据其分配的服务器进行粒子位置编码,得到任务调度序列;
S4、根据计算时延、传输时延和能耗的总开销构建适应度评价函数,根据初始粒子群及粒子位置编码计算各粒子的适应度函数值;
S5、更新粒子速度和位置,得到粒子和粒子群的历史最优位置;
S6、设定迭代次数N,循环步骤S3-S5至迭代次数,得到全局最优的计算卸载方法。
作为优选方案,任务集中各任务在用户本地服务器、边缘计算服务器、移动云服务器进行计算的计算时延,由各任务的算量和用户本地服务器、边缘计算服务器、移动云服务器每秒钟能提供的CPU周期数相除计算得到。
作为优选方案,任务集中具有前后继关系的两个任务如果在同一服务器上,则传输时延为0。
作为优选方案,步骤S2中,任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的能耗时结合服务器的硬件架构确定服务器的能耗。
作为优选方案,步骤S5中更新粒子速度和位置使用模拟退火方法进行。
作为优选方案,步骤S3中任务调度序列的计算方法包括以下步骤:
S311、根据任务所处层值,由小到大进行排序,得到任务集调度序列;
S312、由粒子位置计算出任务分配到的服务器序号,即距离该任务最近的服务器。
S313、根据步骤S311中得到的任务集调度序列和S312中得到的任务与服务器之间的映射关系,得到各服务器上的任务调度序列。
作为进一步优选的方案,步骤S311中,对于相同层值的任务根据个体基因值的大小顺序排序。
本发明与现有技术相比,有益效果是:
本发明的方法能够在云服务器,边缘服务器和用户本地三方协同计算场景下,以用户端子任务集优先级为约束,以最小化任务总完成时延和系统总能耗为目标,将用户端具有优先级依赖关系的子任务集卸载到不同服务器。
附图说明
图1是本发明实施例一种移动边缘计算网络考虑任务优先级的计算卸载方法的流程图;
图2是本发明实施例的系统模型的结构示意图;
图3是本发明实施例的任务模型图的示意图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例:本实施例提供一种移动边缘计算网络考虑任务优先级的计算卸载方法,其流程图如图1所示:首先进行步骤S1、获取系统模型的网络配置信息。系统模型的结构如图2所示,由若干个基站组、一个移动云服务器及属于某一基站组的用户本地服务器组成,每个基站组包括一个基站和一个边缘计算服务器;一个服务器只能同时处理一个任务,当用户端任务集过多时,用户所属基站组可以与系统模型中的其他基站组通信,进行协同计算,调度方案由移动云服务器集中式决策。
系统模型的网络配置信息由各个处理器的信息组成,P={pi|1≤i≤M}为系统模型中处理器集合,其中p1为用户本地处理器,p2用户所在基站组的边缘计算服务器,pM为移动云服务器,其余为与用户所属基站组在同一系统模型下的其他移动云服务器。fL,fE,fC分别表示用户本地服务器,边缘计算服务器,移动云服务器的计算能力,即每秒钟所能提供的CPU周期数。网络配置信息还包括用户本地服务器的固定发射功率、用户本地服务器与基站之间的信道增益、信道带宽等传输参数。
获取网络配置信息之后,进行步骤S2、生成包含优先级约束关系的任务集,根据网络配置信息获取任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的计算时延和能耗,并获取任务集中各任务在用户本地服务器、边缘计算服务器、移动云服务器之间传输的传输时延;
具体而言,任务集之间的优先级约束关系使用如图3任务模型图的有向无环图模型表示,即G=<V,E>。其中V为任务集合,V={vi|1≤i≤N}。E为任务之间有向边集合,表示任务之间优先约束关系,eij∈E表示在任务vi执行完后才可以执行任务vj。每个任务vi={di,gi},其中di为完成任务所需CPU周期,gi为任务输入数据大小。
对于已知的DAG模型,任务vi的前继节点集合为pre(vi),后继节点集合为suc(vi),由下式可确定任务集中每个任务所属层值:
Figure BDA0003452661540000041
h(i)表示若任务vi无前继节点,则作为第一个节点,若有前继节点,则作为下一个节点。
根据S1中获取的网络配置信息,能够得到任务在各个服务器上的计算时延,本实施例提供了一种计算时延的具体计算方法:
第i个任务在用户本地服务器上的计算时延为:
Figure BDA0003452661540000042
第i个任务在边缘计算服务器上的计算时延为:
Figure BDA0003452661540000043
第i个任务在移动云服务器上的计算时延为:
Figure BDA0003452661540000044
结合得到第i个任务在服务器上的计算时延为:
Figure BDA0003452661540000045
其中α,β,γ为0-1变量且α+β+γ=1。
对于任务在用户本地服务器、边缘计算服务器、移动云服务器之间传输的传输时延,使用以下方法计算:
考虑准静态信道模型,用户向所属基站卸载任务的上传速率为:
Figure BDA0003452661540000046
其中,P0表示用户端的固定发射功率,h0表示用户与BS之间的信道增益,σ2表示加性高斯白噪声的功率,w表示信道带宽。
基站向所属于其的用户端下行速率为:
Figure BDA0003452661540000047
其中PE表示基站的固定发射功率。
则结合得到在优先级约束关系中一个前继任务vj到后继任务vi的传输时延为:
Figure BDA0003452661540000048
上式中包括十种情况,箭头指向代表卸载平台方向,例如:ci,α→β代表前继任务j在本地服务器处理,后继任务i在所属基站的边缘计算服务器处理。
具体地,下面是十种情况的计算公式:
Figure BDA0003452661540000051
其中,πE为系统模型中基站之间的传输时延,πC为基站到移动云服务器的传输时延。yi,α,yj,β均为0-1变量,例如:当前继任务vj被卸载到用户所属基站的边缘计算服务器上时yj,β=1。
对于任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的能耗,可以使用如下方法计算:
任务在用户本地服务器,边缘计算服务器,移动云服务器的能耗分别为:
Figure BDA0003452661540000052
Figure BDA0003452661540000053
Figure BDA0003452661540000054
其中,hc为服务器硬件系数。
系统的总能耗为:
Figure BDA0003452661540000055
结合上述任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算时的计算时延、传输时延和能耗,得到总优化问题的模型为:
Figure BDA0003452661540000056
s.t.α+β+γ=1,α,β,γ∈{0,1};
Figure BDA0003452661540000057
Figure BDA0003452661540000061
0≤λ≤1。
然后进行步骤S3、随机初始化生成任务集的初始粒子群,将任务集中的任务分别分配至用户本地服务器、边缘计算服务器或移动云服务器,每个任务为一个粒子,并对各任务根据其分配的服务器进行粒子位置编码;
具体的,在初始化阶段,随机初始化粒子位置。本实施例中处理器总数为M,用户任务数目为N,设最大初始速度VPmax=2×M,最大初始位置XPmax=M,捜索空间维数D=N。粒子的初始化速度VP在[-VPmax/2,VPmax/2]中随机产生。任务vi分配到的处理器序号为bi,则任务vi的初始粒子位置xpi=(bi-1)+β,其中,β∈U[0,1],是在[0,1]区间范围内均匀分布的伪随机数。
得到粒子位置编码后,步骤S31计算任务调度序列的具体步骤为
S311、首先根据任务所处层值,由小到大进行排序,得到任务集调度序列;进一步的,相同层值的任务根据个体基因值由大到小进行排序。
S312、由粒子位置xpi计算出任务分配到的服务器序号
Figure BDA0003452661540000062
即距离该任务最近的服务器,bi即为任务vi所分配到的服务器序号。
S313、根据步骤S311中得到的任务集调度序列和S312中得到的任务与处理器之间的映射关系,最终可得到各处理器上的调度序列。
然后进行步骤S4、构建适应度评价函数,根据初始粒子群及粒子位置编码计算各粒子的适应度函数值;
构建自适应函数
Figure BDA0003452661540000063
其中λ为重力因子,用于平衡用户总时延和系统总能耗两个优化目标,
Figure BDA0003452661540000064
为标准化因子,使用户总时延和系统总能耗两个优化目标在保持在一个数量级上。
其中任务集的总时延Ttotal=max{si+ti},ti为任务i的执行时延,si为任务vi的开始执行时间;si由公式
Figure BDA0003452661540000065
确定,
Figure BDA0003452661540000066
为资源约束条件下的开始执行时间
Figure BDA0003452661540000067
其中任务vk为任务vi在所分配服务器调度序列中的前继任务;
Figure BDA0003452661540000068
为依赖约束条件下的开始执行时间
Figure BDA0003452661540000069
使用自适应函数计算得到各粒子的自适应函数后,进行步骤S5、更新粒子速度和位置,得到粒子和粒子群的历史最优位置;
将粒子的速度根据如下公式进行更新:
Figure BDA0003452661540000071
其中,c1和c2为学习因子;
Figure BDA0003452661540000072
t为迭代次数;w为惯性权重。惯性权重决定了粒子对当前速度的继承值,可用于平衡收敛的全局性和收敛速度。
惯性权重w的计算公式为
Figure BDA0003452661540000073
其中,wmax和wmin分别表示惯性权重的最大值和最小值;maxt为总的迭代次数。粒子经历过的历史最好点表示为APi=(api1,api2,…,apiD),群体内所有粒子经历过的历史最好点表示为AGi=(agi1,agi2,…,agiD)。
粒子的位置根据如下方程进行更新:
Figure BDA0003452661540000074
进一步的,粒子位置和速度更新使用模拟退火方法,步骤具体为:
A1:依序从粒子群中选取的粒子Aj,Aj的适应度值设为初始解,初始化最优任务分配方案Abest=Aj;设定初始温度R0,初始迭代温度为Rit=R0,终止温度Rf,降温值ΔR,内循环次数Ninner
A2:对个体Aj进行变异操作,变异后个体为A'j,计算适应度函数ΔF=fitness(A'j')-fitness(Aj');
A3:若A'j的适应度函数值小于Abest的适应度函数值,则Abest=A'j
A4:若ΔF<0,Aj=A'j;若ΔF>0,则判断
Figure BDA0003452661540000075
其中ξ=Rand(0,1),若成立则Aj=Aj,否则Aj=A'j
A5:判断循环次数是否达到Ninner,若未达到,则返回步骤A2,若达到则执行步骤A6;
A6:计算迭代温度Rit=Rit-ΔR,当Rit<Rf时输出分配方案Abest,否则执行步骤A2。
A7:重复步骤A1-A6,直至粒子群中所有粒子更新完毕。
所有粒子更新完毕后,根据粒子群的更新历史得到每个粒子的历史最优位置和粒子群的历史最优位置。
进行步骤S6、设定一个迭代次数,本实施例中迭代次数设为200,将步骤S4-S5循环迭代,直到达到迭代次数200。然后使用最终确定的粒子的历史最优位置确定每个任务分配的最优服务器,得到全局最优的计算卸载方法。
应当说明的是,上述实施例仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。

Claims (7)

1.一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,所述方法包括步骤:
S1、获取系统模型的网络配置信息,所述系统模型由若干个基站组、一个移动云服务器及属于某一所述基站组的用户本地服务器组成,每个所述基站组包括一个基站和一个边缘计算服务器;
S2、生成包含优先级约束关系的任务集,根据所述网络配置信息获取任务集在所述用户本地服务器、所述边缘计算服务器、所述移动云服务器进行计算的计算时延和能耗,并获取所述任务集中各任务在所述用户本地服务器、所述边缘计算服务器、所述移动云服务器之间传输的传输时延;
S3、随机初始化生成所述任务集的初始粒子群,将所述任务集中的任务分别分配至所述用户本地服务器、所述边缘计算服务器或所述移动云服务器,每个所述任务为一个粒子,并对所述各任务根据其分配的服务器进行粒子位置编码,得到任务调度序列;
S4、根据所述计算时延、所述传输时延和所述能耗的总开销构建适应度评价函数,根据所述初始粒子群及所述粒子位置编码计算所述各粒子的适应度函数值;
S5、更新粒子速度和位置,得到粒子和粒子群的历史最优位置;
S6、设定迭代次数N,循环步骤S3-S5至所述迭代次数,得到全局最优的计算卸载方法。
2.如权利要求1所述的一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,所述任务集中各任务在所述用户本地服务器、所述边缘计算服务器、所述移动云服务器进行计算的计算时延,由所述各任务的算量和所述用户本地服务器、所述边缘计算服务器、所述移动云服务器每秒钟能提供的CPU周期数相除计算得到。
3.如权利要求1所述的一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,所述任务集中具有前后继关系的两个任务如果在同一服务器上,则传输时延为0。
4.如权利要求1所述的一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,所述步骤S2中,任务集在所述用户本地服务器、所述边缘计算服务器、所述移动云服务器进行计算的能耗时结合服务器的硬件架构确定服务器的能耗。
5.如权利要求1所述的一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,所述步骤S5中更新粒子速度和位置使用模拟退火方法进行。
6.如权利要求1所述的一种移动边缘计算网络考虑任务优先级的计算卸载方法,其特征在于,所述步骤S3中任务调度序列的计算方法包括以下步骤:
S311、根据任务所处层值,由小到大进行排序,得到任务集调度序列;
S312、由粒子位置xpi计算出任务分配到的服务器序号,即距离该任务最近的服务器;
S313、根据步骤S311中得到的任务集调度序列和S312中得到的任务与服务器之间的映射关系,得到各服务器上的任务调度序列。
7.如权利要求6所述的一种移动边缘计算网络的任务卸载和资源分配方法,其特征在于,所述步骤S311中,对于相同层值的任务根据个体基因值的大小顺序排序。
CN202111669825.9A 2021-12-31 2021-12-31 一种移动边缘计算网络考虑任务优先级的计算卸载方法 Pending CN114302456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111669825.9A CN114302456A (zh) 2021-12-31 2021-12-31 一种移动边缘计算网络考虑任务优先级的计算卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111669825.9A CN114302456A (zh) 2021-12-31 2021-12-31 一种移动边缘计算网络考虑任务优先级的计算卸载方法

Publications (1)

Publication Number Publication Date
CN114302456A true CN114302456A (zh) 2022-04-08

Family

ID=80974074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111669825.9A Pending CN114302456A (zh) 2021-12-31 2021-12-31 一种移动边缘计算网络考虑任务优先级的计算卸载方法

Country Status (1)

Country Link
CN (1) CN114302456A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116155728A (zh) * 2023-04-23 2023-05-23 华东交通大学 超密集网络中计算卸载与资源优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116155728A (zh) * 2023-04-23 2023-05-23 华东交通大学 超密集网络中计算卸载与资源优化方法

Similar Documents

Publication Publication Date Title
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN112882815B (zh) 基于深度强化学习的多用户边缘计算优化调度方法
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
WO2022199032A1 (zh) 模型构建方法、任务分配方法、装置、设备及介质
CN112988345B (zh) 一种基于移动边缘计算的依赖型任务卸载方法及装置
CN113220356B (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN111093203A (zh) 一种基于环境感知的服务功能链低成本智能部署方法
CN107911478A (zh) 基于化学反应优化算法的多用户计算卸载方法及装置
Yuan et al. Online dispatching and fair scheduling of edge computing tasks: A learning-based approach
CN113867843B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN112181655A (zh) 一种移动边缘计算中基于混合遗传算法的计算卸载方法
Yang et al. Cooperative task offloading for mobile edge computing based on multi-agent deep reinforcement learning
CN114564312A (zh) 一种基于自适应深度神经网络的云边端协同计算方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
CN112084035A (zh) 一种基于蚁群算法的任务调度方法及系统
Cho et al. QoS-aware workload distribution in hierarchical edge clouds: a reinforcement learning approach
CN113900779A (zh) 任务执行方法、装置、电子设备及存储介质
CN115033359A (zh) 一种基于时延控制的物联代理多任务调度方法和系统
CN112596910A (zh) 一种多用户mec系统中的云计算资源调度方法
CN114302456A (zh) 一种移动边缘计算网络考虑任务优先级的计算卸载方法
CN116489226A (zh) 一种服务质量保障的在线资源调度方法
Lu et al. Computation offloading for partitionable applications in dense networks: An evolutionary game approach
CN117632488A (zh) 基于云边端协同的多用户细粒度任务卸载调度方法及装置
Wang et al. On Jointly optimizing partial offloading and SFC mapping: a cooperative dual-agent deep reinforcement learning approach

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