CN114356585A - 一种移动边缘计算卸载的优化方法、装置及计算机设备 - Google Patents

一种移动边缘计算卸载的优化方法、装置及计算机设备 Download PDF

Info

Publication number
CN114356585A
CN114356585A CN202210089233.8A CN202210089233A CN114356585A CN 114356585 A CN114356585 A CN 114356585A CN 202210089233 A CN202210089233 A CN 202210089233A CN 114356585 A CN114356585 A CN 114356585A
Authority
CN
China
Prior art keywords
task
cluster
edge computing
mobile edge
indicating
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
CN202210089233.8A
Other languages
English (en)
Inventor
卜宪德
路鹏程
吴跃斌
刘世栋
刘川
钟成
陶静
邵苏杰
张正文
白巍
陆阳
郭少勇
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.)
Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
State Grid Hebei Electric Power Co Ltd
Global Energy Interconnection Research Institute
Original Assignee
Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
State Grid Hebei Electric Power Co Ltd
Global Energy Interconnection Research Institute
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 Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co, State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, State Grid Hebei Electric Power Co Ltd, Global Energy Interconnection Research Institute filed Critical Xiongan New Area Power Supply Company State Grid Hebei Electric Power Co
Priority to CN202210089233.8A priority Critical patent/CN114356585A/zh
Publication of CN114356585A publication Critical patent/CN114356585A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity

Abstract

本发明公开一种移动边缘计算卸载的优化方法、装置及计算机设备，其中，方法包括：确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；基于聚类算法将各终端设备中的待计算任务划分成第一任务集群和第二任务集群；分析移动边缘计算网络模型的负载均衡度和时延；基于烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器。本发明不但可以即时处理各终端设备下发的待计算任务，而且在不同的调度部署策略中，均可以保证系统负载均衡和按照低时延工作，进而提高系统执行效率以及任务计算能力。

Description

一种移动边缘计算卸载的优化方法、装置及计算机设备
技术领域
本发明涉及无线通信技术领域，具体涉及一种移动边缘计算卸载的优化方法、装置及计算机设备。
背景技术
随着物联网技术的不断发展，终端设备上运行着越来越多的数据密集型应用和时延敏感型应用。这些应用需要具备低时延、高带宽的要求，对于设备有限的资源提出了很大的挑战。国内外资源调度机制的研究中，大多是将任务业务放置于用户设备终端运行或者卸载到云服务器，由远端强大的计算能力协助支撑终端的用户使用。但是，一旦终端设备计算能力不足或者某些时刻终端设备任务量激增，用户任务仍需经过漫长排队和冗长链路回环才能到达远端云服务器，这将增加其中一些任务执行时延和终端能耗，进而影响到用户的体验质量。因此，移动边缘计算(Mobile Edge Computing,简称MEC)应运而生，其中，计算卸载是MEC的关键技术之一，是指移动设备将部分或全部计算任务交给云计算环境处理的技术，用于解决UE在资源存储、计算性能以及能效等方面存在的不足。
在移动边缘计算卸载中，一般来讲，根据任务请求资源量和服务器虚拟主机剩余资源量的差值大小，存在有以下三种情况，当任务请求资源量大于服务器虚拟主机剩余资源量时，移动边缘计算终端将无法部署该任务，需将该任务发送到云端，倘若任务要求的资源数量十分接近移动边缘计算终端的剩余资源量,会影响移动边缘计算终端过载,最终造成移动边缘计算终端的负载不平衡，还有一种情况是当任务请求资源量小于服务器虚拟主机剩余资源量，此时移动边缘计算终端足以胜任该任务。
因此，相关技术中，由于任务请求资源量不同，而移动边缘计算终端的计算能力也有限，通过不同的调度部署方式和计算卸载策略会使得整个系统具有不同的负载分布，并带来不同的执行效率和外部计算服务能力，对系统性能产生不同的影响，并且无法保证系统负载均衡和按照低时延工作。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的无法保证系统负载均衡和按照低时延工作的问题，从而提供一种移动边缘计算卸载的优化方法、装置及计算机设备。
根据第一方面，本发明实施例提供一种移动边缘计算卸载的优化方法，包括如下步骤：
确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，所述移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；
基于聚类算法将所述各终端设备中的待计算任务划分成第一任务集群和第二任务集群；
分析所述移动边缘计算网络模型的负载均衡度和时延；
基于烟花算法分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器。
在一种实施方式中，所述基于聚类算法将所述各终端设备中的待计算任务划分成第一任务集群和第二任务集群，包括：
基于欧式距离算法，对所述待计算任务进行聚类；
按照聚类中心将所述待计算任务划分成所述第一任务集群和所述第二任务集群。
在一种实施方式中，所述欧式距离算法通过如下公式执行：
Figure BDA0003488489470000031
其中，dij表示任务i与任务j之间的欧式距离，
Figure BDA0003488489470000032
表示任务i存储能力，
Figure BDA0003488489470000033
表示任务j存储能力，
Figure BDA0003488489470000034
表示任务i网络带宽，
Figure BDA0003488489470000035
表示任务j网络带宽，Ti comp表示任务i计算能力，Tj comp表示任务j计算能力。
在一种实施方式中，所述按照聚类中心将所述待计算任务划分成所述第一任务集群和所述第二任务集群，通过如下公式执行：
Figure BDA0003488489470000036
其中，cluster center表示每个任务集群的集群中心，
Figure BDA0003488489470000037
表示任务i存储属性，
Figure BDA0003488489470000038
表示任务i网络带宽，
Figure BDA0003488489470000039
表示任务i计算属性。
在一种实施方式中，分析所述移动边缘计算网络模型的负载均衡度和时延通过如下公式执行：
Figure BDA00034884894700000310
其中，Loadj表示虚拟主机j的负载均衡度，
Figure BDA00034884894700000311
表示虚拟主机j的CPU的存储利用率，
Figure BDA0003488489470000041
表示虚拟主机j的内存利用率，
Figure BDA0003488489470000042
表示虚拟主机j的网络带宽利用率；ω1表示第一权重系数，ω2表示第二权重系数，ω3表示第三权重系数，ω1+ω2+ω3＝1；
Figure BDA0003488489470000043
其中，Load表示整个通信网络的负载均衡度，Loadj表示虚拟主机j的负载均衡度，M表示虚拟主机总数；
Figure BDA0003488489470000044
其中，Toltime表示所有终端设备完成任务j所需时间，Ki表示任务i的数据量大小，Cj表示虚拟主机j的任务处理能力，M表示虚拟主机数，N表示任务总数。
在一种实施方式中，基于烟花算法分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器，包括：
对待计算任务进行编码；
基于适应度函数，计算每个烟花的适应度值；
基于爆炸烟花函数，计算爆炸火花数和烟花爆炸半径；
基于高斯变异函数，计算高斯变异火花；
基于锦标赛方式迭代计算最优解，以分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器。
根据第二方面，本发明实施例提供一种移动边缘计算卸载的优化装置，包括如下模块：
网络模型确定模块，用于确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，所述移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；
任务集群划分模块，用于基于聚类算法将所述各终端设备中的待计算任务划分成第一任务集群和第二任务集群；
网络模型分析模块，用于分析所述移动边缘计算网络模型的负载均衡度和时延；
任务集群卸载模块，用于基于烟花算法分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器。
在一种实施方式中，所述任务集群划分模块，包括：
任务聚类子模块，用于基于欧式距离算法，对所述待计算任务进行聚类；
任务划分子模块，用于按照聚类中心将所述待计算任务划分成所述第一任务集群和所述第二任务集群。
根据第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面任一实施方式中所述的移动边缘计算卸载的优化方法。
根据第四方面，本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的移动边缘计算卸载的优化方法。
本发明技术方案，具有如下优点：
本发明公开一种移动边缘计算卸载的优化方法、装置及计算机设备，其中，方法包括：确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；基于聚类算法将各终端设备中的待计算任务划分成第一任务集群和第二任务集群；分析移动边缘计算网络模型的负载均衡度和时延；基于烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器。本发明不但可以即时处理各终端设备下发的待计算任务，而且在不同的调度部署策略中，均可以保证系统负载均衡和按照低时延工作，进而提高系统执行效率以及任务计算能力。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
图1为本发明实施例中移动边缘计算卸载的优化方法的一个具体示例的流程图；
图2为本发明实施例中移动边缘计算网络模型的结构示意图；
图3为本发明实施例中移动边缘计算卸载的优化方法的另一个具体示例的流程图；
图4为本发明实施例聚类分析示意图；
图5为本发明实施例聚类分析架构示意图；
图6为本发明实施例中移动边缘计算卸载的优化方法的另一个具体示例的流程图；
图7为本发明实施例中的时延优化效果示意图；
图8为为本发明实施例中的负载均衡度的优化效果示意图；
图9为本发明实施例中移动边缘计算卸载的优化装置的结构示意图；
图10为本发明实施例中计算机设备的硬件示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例公开一种移动边缘计算卸载的优化方法，如图1所示，包括如下步骤：
步骤S11：确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成。
如图2所示，为移动边缘计算网络模型的结构示意图。在图2中，该移动边缘计算网络模型总共分为三层，分别为设备层、边缘层和云层。设备层主要由终端资源请求者组成，包括固定设备和移动设备，如传感器、手机、智能手表、电脑等。待计算任务有多种类型，例如：时间敏感请求或存储请求等。边缘层主要由边缘计算资源提供者组成，包括MEC设备和MEC处理器。MEC设备位于网络边缘，由具有计算、存储和传输能力的基站组成。MEC处理器类似于集线器，连接了核心设备、MEC设备和终端设备，它可以向不同的位置发送不同的请求，这一层可实时感知终端请求，提供设备接入、数据处理等多种服务。最顶层为云层主要由云资源提供商组成，包括存储容量大、计算能力强的服务器集群。服务器在核心层互连，可以用虚拟主机模拟边缘服务器和云服务器的运行转态。通过虚拟主机可以在边缘服务器和云服务器之间来回移动，以处理复杂的计算任务,进而提高对云资源的利用率，使得云专注于大规模任务存储和大数据处理。
通过步骤S11，主要明确各终端设备、边缘服务器以及云服务器所具备的任务存储能力、任务网络带宽和任务计算能力。在图2中，存在多个待计算任务，多个边缘服务器和一个云服务器，而虚拟主机的内存设置为1024-3072MB，计算能力设置为500-1000cycles/s。
步骤S12：基于聚类算法将各终端设备中的待计算任务划分成第一任务集群和第二任务集群。
移动边缘计算网络模型中包含一个计算能力强大的云计算中心和跨域部署于各地区的分布式边缘集群，各集群包含不同计算能力的虚拟单元，服务器节点所含有的计算单元数目不同则计算能力不同，云服务器中的计算单元丰富，边缘服务器中的计算单元相对有限。使用向量Taski＝{Ti comp,Ti ram,Ti bw}来定义每个待计算任务，分别表示的待计算任务的计算能力、任务存储能力和任务网络带宽。移动边缘计算都可以看作是一个虚拟化的资源池，由许多不同处理能力的虚拟机构成的服务器集群。我们根据不同的指标对不同的资源进行整合，根据任务要求，考虑计算需求、带宽和存储需求。假设Cj表示虚拟主机j的任务处理能力，Mj表示虚拟机主机j的任务存储能力，Bj表示虚拟机j的任务网络带宽，然后我们根据任务处理能力、任务存储能力和任务网络带宽和来分配资源。
在一种实施方式中，如图3所示，上述步骤S12，基于聚类算法将各终端设备中的待计算任务划分成第一任务集群和第二任务集群，包括：
步骤S31：基于欧式距离算法，对待计算任务进行聚类。
对任务进行聚类时，主要考虑使用欧式距离。
欧式距离算法通过如下公式(1)执行：
Figure BDA0003488489470000101
其中，dij表示任务i与任务j之间的欧式距离，
Figure BDA0003488489470000102
表示任务i存储能力，
Figure BDA0003488489470000103
表示任务j存储能力，
Figure BDA0003488489470000104
表示任务i网络带宽，
Figure BDA0003488489470000105
表示任务j网络带宽，Ti comp表示任务i计算能力，Tj comp表示任务j计算能力。
步骤S32：按照聚类中心将待计算任务划分成第一任务集群和第二任务集群。
用户设备将待计算任务发送到边缘服务器或云服务器，边缘服务器或云服务器将待计算任务抽象为多个子任务，然后先对这些子任务进行聚类分析，任务聚类后形成两个不同的任务集群，将它们分别发送到不同的服务器集群中进行计算处理。如图4所示，为聚类分析示意图。由于边缘服务器计算能力有限，会先将大型任务筛选出来并将其卸载到云服务器进行处理，剩余任务在边缘服务器集群中进行部署，最后云服务器将数据逐层反馈到用户设备端。从图4中明显可以看出，从预期计算能力、预期带宽和预期存储量角度，这些任务很明显地被分成了两类。如图5所示，为聚类分析架构示意图。
在一种实施方式中，上述步骤S32，按照聚类中心将待计算任务划分成第一任务集群和第二任务集群，通过如下公式(2)执行：
Figure BDA0003488489470000106
其中，cluster center表示每个任务集群的集群中心，
Figure BDA0003488489470000107
表示任务i存储属性，
Figure BDA0003488489470000108
表示任务i网络带宽，
Figure BDA0003488489470000109
表示任务i计算属性。
步骤S13：分析移动边缘计算网络模型的负载均衡度和时延。
在完成任务聚类和服务器资源整合之后，需要考虑资源分配的问题，即任务需要分配到边缘服务器或云服务器上执行最为合理。因为边缘服务器的通信和计算资源相对有限，且终端设备通常是异构的，考虑到任务卸载和资源负载的动态性，目前大部分研究工作的优化目标综合考虑了对时延以及负载均衡度的衡量。
在一种实施方式中，分析移动边缘计算网络模型的负载均衡度和时延通过如下公式(3)-(5)执行：
Figure BDA0003488489470000111
其中，Loadj表示虚拟主机j的负载均衡度，
Figure BDA0003488489470000112
表示虚拟主机j的CPU的存储利用率，
Figure BDA0003488489470000113
表示虚拟主机j的内存利用率，
Figure BDA0003488489470000114
表示虚拟主机j的网络带宽利用率；ω1表示第一权重系数，ω2表示第二权重系数，ω3表示第三权重系数，ω1+ω2+ω3＝1；
Figure BDA0003488489470000115
其中，Load表示整个通信网络的负载均衡度，Loadj表示虚拟主机j的负载均衡度，M表示虚拟主机总数；
Figure BDA0003488489470000116
其中，Toltime表示所有终端设备完成任务j所需时间，Ki表示任务i的数据量大小，Cj表示虚拟主机j的任务处理能力，M表示虚拟主机总数，N表示任务总数。
步骤S14：基于烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器。
在一种实施方式中，如图6所示，上述步骤S14，基于烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器，包括：
步骤S61：对待计算任务进行编码。
群体智能算法中通常需要根据实际问题设置个体编码方案，不断迭代以得到最优解。在本实施例中，染色体xj包含有M个基因，其中，每一个基因表示一个边缘服务器，每个基因都有相应的任务编码，如下表1所述，表1中对应信息表示的是，任务请求1被分配给了边缘服务器2，任务请求2被分配给了边缘服务器2，在这里面，每个任务只能由一台边缘服务器执行，每个任务对应于一个边缘服务器编码，且一台边缘服务器可以执行多个任务。
表1
任务请求 1 2 3 4 5 6 7
边缘服务器 2 2 3 4 1 4 1
步骤S62：基于适应度函数，计算每个烟花的适应度值。
在烟花算法中，适应度值决定了每个烟花产生的火花质量好坏，适合值好的烟花会产生更多的火花，而适应度函数值不好的烟花会产生更少的火花，通过如下公式(6)定义适应度函数。
Figure BDA0003488489470000121
其中，
Figure BDA0003488489470000122
表示适应度函数，e-Toltimej表示所有终端设备完成任务j所需时间指数函数值，e-Loadj表示虚拟主机j负载均衡度的指数函数值，α+β＝1,α,β∈[0,1]，这两个值表示的是时延和负载均衡度的权重，二者反映了优化目标的关系，通过调整这两个权重可以调整研究的优化目标重心。
步骤S63：基于爆炸烟花函数，计算爆炸火花数和烟花爆炸半径。
其中，爆炸烟花函数中的爆炸火花数通过如下公式(7)所示，烟花函数中的烟花爆炸半径通过如下公式(8)所示。
Figure BDA0003488489470000131
Figure BDA0003488489470000132
其中，Si表示第i个烟花中产生的火花子代数，Ai表示第i个烟花的爆炸半径，A为表示最大爆炸半径的常数，S表示烟花子代中的最大火花数，Ymax表示这一代中最差的适应度值，Ymin表示这一代中当前的最佳适应度值，f(xi l)表示该烟花的适应度值，C表示整体最小数量，ε表示常数，N表示烟花总数。
步骤S64：基于高斯变异函数，计算高斯变异火花。
在烟花算法中，变异操作主要目的是为了生成高斯变异火花，进一步提高了种群的多样性和复杂性，该高斯变异函数通过如下公式(9)所示，
Figure BDA0003488489470000133
其中，g表示服从均值为1且方差为1的高斯分布，
Figure BDA0003488489470000134
表示第k维中的第i个体的值。
步骤S65：基于锦标赛方式迭代计算最优解，以分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器。
待计算任务卸载策略的更新主要采用的是锦标赛方式，首先选择出适合度值最佳的烟花个体，进入到下一代当中，以保证后续的烟花质量，其次，对于剩下来的N-1个烟花:如果总的等待选择的个体数是w的话，需要选择的子代个体数目是N-1，那么每次随意选择
Figure BDA0003488489470000141
个烟花，并在这里面挑选具有最佳适应度值的烟花作为下一代烟花，这样随机选择的方式提高了种群的多样性和分散性。
上述步骤S61-步骤S64，可以按照如下概括的具体地步骤执行：
1：预处理，任务聚类以及资源整合；
2：初始化烟花数量，确定烟花个体维度和每一维取值；
3：确定烟花的火花数和爆炸半径；
4：计算烟花的适应度函数值；
5：确定火花半径；
6：随机选择火花生成变异火花；
7：选择下次迭代的个烟花种群，更新种群最优；
8：判断是否满足迭代终止条件，否则转4。
本发明实施例采用烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器，不但可以达到整体的时延数值最低的优化效果，而且还可以达到减少任务执行完成时间和负载均衡度较为平均的优化效果。
如图7所示为本发明实施例中的时延优化效果示意图，如图8所示为本发明实施例中的负载均衡度的优化效果示意图。在图7中，FWA表示使用烟花算法分配时延效果示意图，PSO表示使用粒子群算法分配时延效果示意图，FCFS表示最短作业优先算法分配时延效果示意图。在图8中，FWA表示使用烟花算法分配负载均衡度效果示意图，PSO表示使用粒子群分配负载均衡度效果示意图，FCFS表示最短作业优先算法分配负载均衡度效果示意图。在图7中可以明显看出，烟花算法优化时延的效果优于粒子群算法和最短作业优先算法。在图8中，可以明显看出使用烟花算法分配负载均衡度优于粒子群算法和最短作业优先算法。
因此，本发明实施例中的移动边缘计算卸载的优化方法，通过执行上述步骤S11-步骤S14，不但可以即时处理各终端设备下发的待计算任务，而且在不同的调度部署策略中，均可以保证系统负载均衡和按照低时延工作，进而提高系统执行效率以及任务计算能力。
基于相同构思，本发明实施例还提供了一种移动边缘计算卸载的优化装置，如图9所示，包括如下模块：
网络模型确定模块91，用于确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；
任务集群划分模块92，用于基于聚类算法将各终端设备中的待计算任务划分成第一任务集群和第二任务集群；
网络模型分析模块93，用于分析移动边缘计算网络模型的负载均衡度和时延；
任务集群卸载模块94，用于基于烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器。
在一种实施方式中，本发明实施例中的移动边缘计算卸载的优化装置，任务集群划分模块92，包括：
任务聚类子模块，用于基于欧式距离算法，对待计算任务进行聚类；
任务划分子模块，用于按照聚类中心将待计算任务划分成第一任务集群和第二任务集群。
在一种实施方式中，本发明实施例中的的移动边缘计算卸载的优化装置，欧式距离算法通过上述公式(1)执行。
在一种实施方式中，本发明实施例中的的移动边缘计算卸载的优化装置，按照聚类中心将待计算任务划分成第一任务集群和第二任务集群，通过上述公式(2)执行。
在一种实施方式中，本发明实施例中的的移动边缘计算卸载的优化装置，分析移动边缘计算网络模型的负载均衡度和时延通过上述公式(3)-(5)执行。
在一种实施方式中，任务集群卸载模块94基于烟花算法分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器，包括：
任务编码子模块，用于对待计算任务进行编码；
适应度值计算子模块，用于基于适应度函数，计算每个烟花的适应度值；
爆炸烟花计算子模块，用于基于爆炸烟花函数，计算爆炸火花数和烟花爆炸半径；
高斯变异火花计算子模块，用于基于高斯变异函数，计算高斯变异火花；
任务集群分配子模块，用于基于锦标赛方式迭代计算最优解，以分配第一任务集群和第二任务集群卸载至边缘服务器或云服务器。
基于相同构思，本发明实施例还提供了一种计算机设备，如图10所示，该计算机设备可以包括处理器101、存储器102，其中处理器101、存储器102可以通过总线或者其他方式连接，图10中以通过总线连接为例。
处理器101可以为中央处理器(Central Processing Unit，CPU)。处理器101还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器102作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器101通过运行存储在存储器102中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述实施例中的移动边缘计算卸载的优化方法。
存储器102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器101所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器102可选包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至处理器101。上述网络的实例包括但不限于电网、互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器102中，当被所述处理器101执行时，执行附图所示实施例中的移动边缘计算卸载的优化方法。
上述计算机设备具体细节可以对应参阅附图所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种移动边缘计算卸载的优化方法，其特征在于，包括如下步骤：
确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，所述移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；
基于聚类算法将所述各终端设备中的待计算任务划分成第一任务集群和第二任务集群；
分析所述移动边缘计算网络模型的负载均衡度和时延；
基于烟花算法分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器。
2.根据权利要求1所述的移动边缘计算卸载的优化方法，其特征在于，所述基于聚类算法将所述各终端设备中的待计算任务划分成第一任务集群和第二任务集群，包括：
基于欧式距离算法，对所述待计算任务进行聚类；
按照聚类中心将所述待计算任务划分成所述第一任务集群和所述第二任务集群。
3.根据权利要求2所述的移动边缘计算卸载的优化方法，其特征在于，所述欧式距离算法通过如下公式执行：
Figure FDA0003488489460000011
其中，dij表示任务i与任务j之间的欧式距离，
Figure FDA0003488489460000012
表示任务i存储能力，
Figure FDA0003488489460000013
表示任务j存储能力，
Figure FDA0003488489460000014
表示任务i网络带宽，
Figure FDA0003488489460000015
表示任务j网络带宽，
Figure FDA0003488489460000016
表示任务i计算能力，
Figure FDA0003488489460000017
表示任务j计算能力。
4.根据权利要求2所述的移动边缘计算卸载的优化方法，其特征在于，所述按照聚类中心将所述待计算任务划分成所述第一任务集群和所述第二任务集群，通过如下公式执行：
Figure FDA0003488489460000021
其中，clustercenter表示每个任务集群的集群中心，
Figure FDA0003488489460000022
表示任务i存储属性，
Figure FDA0003488489460000023
表示任务i网络带宽，
Figure FDA0003488489460000024
表示任务i计算属性。
5.根据权利要求1所述的移动边缘计算卸载的优化方法，其特征在于，分析所述移动边缘计算网络模型的负载均衡度和时延通过如下公式执行：
Figure FDA0003488489460000025
其中，Loadj表示虚拟主机j的负载均衡度，
Figure FDA0003488489460000026
表示虚拟主机j的CPU的存储利用率，
Figure FDA0003488489460000027
表示虚拟主机j的内存利用率，
Figure FDA0003488489460000028
表示虚拟主机j的网络带宽利用率；ω1表示第一权重系数，ω2表示第二权重系数，ω3表示第三权重系数，ω1+ω2+ω3＝1；
Figure FDA0003488489460000029
其中，Load表示整个通信网络的负载均衡度，Loadj表示虚拟主机j的负载均衡度，M表示虚拟主机的总数；
Figure FDA00034884894600000210
其中，Toltime表示所有终端设备完成任务j所需时间，Ki表示任务i的数据量大小，Cj表示虚拟主机j的任务处理能力，M表示虚拟主机总数，N表示任务总数。
6.根据权利要求1所述的移动边缘计算卸载的优化方法，其特征在于，基于烟花算法分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器，包括：
对待计算任务进行编码；
基于适应度函数，计算每个烟花的适应度值；
基于爆炸烟花函数，计算爆炸火花数和烟花爆炸半径；
基于高斯变异函数，计算高斯变异火花；
基于锦标赛方式迭代计算最优解，以分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器。
7.一种移动边缘计算卸载的优化装置，其特征在于，包括如下模块：
网络模型确定模块，用于确定移动边缘计算网络模型的任务存储能力、任务网络带宽和任务计算能力，所述移动边缘计算网络模型通过多种不同类型的各终端设备、边缘服务器以及云服务器相互通信创建而成；
任务集群划分模块，用于基于聚类算法将所述各终端设备中的待计算任务划分成第一任务集群和第二任务集群；
网络模型分析模块，用于分析所述移动边缘计算网络模型的负载均衡度和时延；
任务集群卸载模块，用于基于烟花算法分配所述第一任务集群和所述第二任务集群卸载至所述边缘服务器或所述云服务器。
8.根据权利要求7所述的移动边缘计算卸载的优化装置，其特征在于，所述任务集群划分模块，包括：
任务聚类子模块，用于基于欧式距离算法，对所述待计算任务进行聚类；
任务划分子模块，用于按照聚类中心将所述待计算任务划分成所述第一任务集群和所述第二任务集群。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至6中任一项所述的移动边缘计算卸载的优化方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至6中任一项所述的移动边缘计算卸载的优化方法。
CN202210089233.8A 2022-01-25 2022-01-25 一种移动边缘计算卸载的优化方法、装置及计算机设备 Pending CN114356585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210089233.8A CN114356585A (zh) 2022-01-25 2022-01-25 一种移动边缘计算卸载的优化方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210089233.8A CN114356585A (zh) 2022-01-25 2022-01-25 一种移动边缘计算卸载的优化方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN114356585A true CN114356585A (zh) 2022-04-15

Family

ID=81093178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210089233.8A Pending CN114356585A (zh) 2022-01-25 2022-01-25 一种移动边缘计算卸载的优化方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN114356585A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418603A (zh) * 2023-06-12 2023-07-11 华能信息技术有限公司 一种工业互联网的安全综合管理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418603A (zh) * 2023-06-12 2023-07-11 华能信息技术有限公司 一种工业互联网的安全综合管理方法及系统
CN116418603B (zh) * 2023-06-12 2023-08-11 华能信息技术有限公司 一种工业互联网的安全综合管理方法及系统

Similar Documents

Publication Publication Date Title
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN107911478B (zh) 基于化学反应优化算法的多用户计算卸载方法及装置
CN111522666B (zh) 一种云机器人边缘计算卸载模型及其卸载方法
CN111182570B (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN111240701A (zh) 一种端-边-云协同计算的任务卸载优化方法
CN112752302A (zh) 一种基于边缘计算的电力业务时延优化方法及系统
CN110474966B (zh) 处理云平台资源碎片的方法及相关设备
CN113110933B (zh) 一种具有Nginx负载均衡技术的系统
CN111163178B (zh) 一种边缘计算中基于博弈论的服务部署及任务卸载方法
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
CN113918240A (zh) 任务卸载方法及装置
CN113347267B (zh) 一种移动边缘云计算网络中的mec服务器部署方法
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN114205316A (zh) 一种基于电力业务的网络切片资源分配方法及装置
CN114356585A (zh) 一种移动边缘计算卸载的优化方法、装置及计算机设备
CN112596910B (zh) 一种多用户mec系统中的云计算资源调度方法
CN113329432A (zh) 一种基于多目标优化的边缘服务布置方法和系统
CN112882805A (zh) 一种任务资源约束的利润优化调度方法
CN113139639A (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
Kabir et al. VM placement algorithms for hierarchical cloud infrastructure
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
CN112511652B (zh) 一种边缘计算下的合作计算任务分配方法
CN115051998A (zh) 自适应边缘计算卸载方法、装置及计算机可读存储介质
CN113709817A (zh) 多基站多服务器场景下的任务卸载和资源调度方法及装置

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