CN114444240B - 一种面向信息物理融合系统的延迟和寿命优化方法 - Google Patents

一种面向信息物理融合系统的延迟和寿命优化方法 Download PDF

Info

Publication number
CN114444240B
CN114444240B CN202210108798.6A CN202210108798A CN114444240B CN 114444240 B CN114444240 B CN 114444240B CN 202210108798 A CN202210108798 A CN 202210108798A CN 114444240 B CN114444240 B CN 114444240B
Authority
CN
China
Prior art keywords
formula
delay
judgment result
affinity
task
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.)
Active
Application number
CN202210108798.6A
Other languages
English (en)
Other versions
CN114444240A (zh
Inventor
曹坤
翁健
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.)
Jinan University
Original Assignee
Jinan 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 Jinan University filed Critical Jinan University
Priority to CN202210108798.6A priority Critical patent/CN114444240B/zh
Publication of CN114444240A publication Critical patent/CN114444240A/zh
Application granted granted Critical
Publication of CN114444240B publication Critical patent/CN114444240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种面向信息物理融合系统的延迟和寿命优化方法,包括确定系统能量消耗以及系统的生命周期，再训练长短期记忆神经网络，以预测基站任务负载，并设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数，最后设计基于亲和度的在线方案，以更新计算卸载映射策略；通过由离线和在线两个阶段组成的边缘智能解决方案，从而在可靠性、能耗和任务可调度性约束下，实现同时最小化服务延迟和最大化系统寿命的目标，在离线阶段，首先利用长期短期记忆神经网络来预测单个用户组的任务卸载率，然后使用一种双局部搜索多目标进化算法确定计算卸载映射和任务备份个数等最优系统静态设置。

Description

一种面向信息物理融合系统的延迟和寿命优化方法
技术领域
本发明涉及信息物理融合系统中任务调度技术领域，尤其涉及一种面向信息物理融合系统的延迟和寿命优化方法。
背景技术
近年来，信息技术的巨大进步使得物理世界和信息世界深入融合，促进了信息物理融合系统的产生，信息物理融合系统的典型应用不仅覆盖了制造和生产领域，例如智能交通、工业过程控制、智能电网、类人机器人、大数据基础设施、智能制造等，也覆盖了日常生活领域，例如医疗保健，虚拟/增强现实和智能家居等，在设计信息物理融合系统中，如何以通过低延迟的方式处理爆炸性增长的各种数据，是一个研究热点和难点。为了解决这个难题，大量的研究工作致力于将新兴的边缘计算集成到信息物理融合系统设计过程中。边缘计算实质上是将网络、计算、存储和控制资源从网络核心推向网络边缘的一种分布式计算范式，由于资源转移操作，边缘计算允许在生成数据的源位置处理各种形式的数据，从而大大减少了对终端用户的服务延迟，然而，现有方案没有考虑延迟优化技术对系统寿命和可靠性的影响，导致信息物理融合系统的计算结果不可靠和功能性失灵，因此本发明提出一种面向信息物理融合系统的延迟和寿命优化方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种面向信息物理融合系统的延迟和寿命优化方法，在满足能耗、可靠性、以及可调度性的条件下，通过为任务选择最优的计算卸载映射和备份个数来，解决现有技术中任务响应延迟高以及系统寿命低的问题。
为实现本发明的目的，本发明通过以下技术方案实现：一种面向信息物理融合系统的延迟和寿命优化方法，包括以下步骤：
步骤一、确定系统能量消耗
首先计算用户组
Figure BDA0003494323390000021
在一个时隙[t,t+Tslot]期间的预期任务通信时延
Figure BDA0003494323390000022
其次再利用一个子集
Figure BDA0003494323390000023
表示映射到边缘服务器
Figure BDA0003494323390000024
的用户组集合，并计算映射到边缘服务器
Figure BDA0003494323390000025
的用户组
Figure BDA0003494323390000026
的预期任务执行延迟
Figure BDA0003494323390000027
之后再对蜂窝/微型基站的能量消耗
Figure BDA0003494323390000028
边缘服务器
Figure BDA0003494323390000029
的静态功率
Figure BDA00034943233900000210
和动态功率
Figure BDA00034943233900000211
进行计算，再由边缘服务器
Figure BDA00034943233900000212
的静态功率
Figure BDA00034943233900000213
和动态功率
Figure BDA00034943233900000214
对边缘服务器
Figure BDA00034943233900000215
在执行CPU周期为λmTslot时整体耗能
Figure BDA00034943233900000216
进而计算SDN控制器的能量消耗
Figure BDA00034943233900000217
并根据上述计算的数据，确定系统的能量消耗
Figure BDA00034943233900000218
步骤二、确定系统的生命周期
设
Figure BDA00034943233900000219
为用户组
Figure BDA00034943233900000220
到边缘服务器
Figure BDA00034943233900000221
链路上的平均误码发生率,计算并得到其传输可靠性
Figure BDA00034943233900000222
再设
Figure BDA00034943233900000223
为处理器
Figure BDA00034943233900000224
上软错误的平均发生率，根据平均误码发生率和平均发生率，计算并得到处理器
Figure BDA00034943233900000225
在用户组
Figure BDA00034943233900000226
执行任务
Figure BDA00034943233900000227
时的可靠性
Figure BDA00034943233900000228
再进行τm,n次重复，得到增强的瞬态故障可靠性
Figure BDA00034943233900000229
并根据其计算并得出系统可靠性
Figure BDA00034943233900000230
之后再对边缘服务器
Figure BDA00034943233900000231
的瞬时寿命可靠性
Figure BDA00034943233900000232
生命周期
Figure BDA00034943233900000233
以及系统生命周期
Figure BDA00034943233900000234
进行计算；
步骤三、训练长短期记忆神经网络，以预测基站任务负载
先归一化数据集合Ωtrace，并将该数据集合Ωtrace划分为训练集Ωtrain和测试集Ωtest，然后初始化均方误差MSE，并创建神经网络隐藏层model.add，之后计算训练集Ωtrain的元素个数Xtrain，再将计数器i赋值为1，并根据公式一：i≤Xtrain进行判断，当公式一判断成立之后，调用函数model.fit拟合训练集Ωtrain，得到预测模型model，再采用预测模型model更新测试集Ωtest的均方误差MSE，输出预测的基站的任务负载；
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数
首先，设
Figure BDA0003494323390000031
表示总共记录z个解的存档，其中每个成员
Figure BDA0003494323390000032
与W个决策变量集合x＝{x1,x2,…,xW}相关，借助变异概率向量p和q导出档案
Figure BDA0003494323390000033
的后代,记为
Figure BDA0003494323390000034
即公式表达为：
Figure BDA0003494323390000035
式中，xω(1≤ω≤W)为第ω个带决策变量，Δxω是变异操作产生的随机数，pω和qω分别为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；
其次搜索Pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，并生成一系列子代档案，用
Figure BDA0003494323390000036
表示，之后设
Figure BDA0003494323390000037
为子代档案
Figure BDA0003494323390000038
的超体积，在
Figure BDA0003494323390000041
的条件下，用
Figure BDA0003494323390000042
替换Iarc，得到结果如公式所示：
Figure BDA0003494323390000043
将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，则查找预测的任务卸载率
Figure BDA0003494323390000044
再令m赋值加1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群
Figure BDA0003494323390000045
并使用任何非支配排序方法对
Figure BDA0003494323390000046
中的解进行排序，再使用一半种群
Figure BDA0003494323390000047
初始化存档Iarc，再初始化两个似然向量p和q，并将n赋值为1，通过公式三：
Figure BDA0003494323390000048
进行判断，当公式三判断结果为成立后，将z赋值为1，通过公式四：z≤Z进行判断，当公式四判断结果为成立后，在存档Iarc中生成元素
Figure BDA0003494323390000049
的后代
Figure BDA00034943233900000410
之后根据公式五：
Figure BDA00034943233900000411
Figure BDA00034943233900000412
进行判断，当公式五判断结果为成立后，用元素
Figure BDA00034943233900000413
更新种群X，再存档Iarc，并使用1/5规则调整似然向量p和q；
步骤五、设计基于亲和度的在线方案，以更新计算卸载映射策略
首先，定义用户组
Figure BDA00034943233900000414
对边缘服务器
Figure BDA00034943233900000415
在服务延迟
Figure BDA00034943233900000416
上的亲和度
Figure BDA00034943233900000417
其次将延长系统寿命作为一个单一的优化目标，则定义用户组
Figure BDA00034943233900000418
对边缘服务器
Figure BDA00034943233900000419
在系统生命周期方面的亲和度
Figure BDA00034943233900000420
再结合亲和度
Figure BDA00034943233900000421
和亲和度
Figure BDA00034943233900000422
得到一个整体
Figure BDA00034943233900000423
之后将
Figure BDA00034943233900000424
赋值为
Figure BDA00034943233900000425
将
Figure BDA00034943233900000426
赋值为
Figure BDA00034943233900000427
将J赋值为
Figure BDA00034943233900000428
再选择一个非支配解
Figure BDA00034943233900000429
并将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，再通过公式六：
Figure BDA00034943233900000430
进行判断，当公式六判断成立之后，则附加用户组
Figure BDA00034943233900000431
以设置
Figure BDA00034943233900000432
之后将J赋值为J+1，并将m赋值加1，再通过公式二进行判断，直至公式二判断结果不成立，即对于集合
Figure BDA0003494323390000051
中的用户组，直接采用方案
Figure BDA0003494323390000052
中卸载映射和任务复制的设置，再将j赋值为1，并通过公式七：j≤J进行判断，当公式七判断结果成立时，再将n赋值为1，并通过公式八：n≤N进行判断，当公式八判断结果为成立后，将τm,n赋值为τmax，之后可获得亲和力
Figure BDA0003494323390000053
再对亲和力
Figure BDA0003494323390000054
进行计算，继而可导出联合亲和力
Figure BDA0003494323390000055
之后再将n赋值加1，并通过公式八进行判断，直至公式八判断结果为不成立，之后将用户组
Figure BDA0003494323390000056
重新映射到能够在满足约束条件下，能最大化联合亲和力的边缘服务器，最后，再将j赋值加1，并通过公式七进行判断。
进一步改进在于：所述步骤一中，当用户组
Figure BDA0003494323390000057
选择将任务
Figure BDA0003494323390000058
卸载到边缘服务器
Figure BDA0003494323390000059
时，其期望服务延迟
Figure BDA00034943233900000510
计算公式为
Figure BDA00034943233900000511
Figure BDA00034943233900000512
则系统业务时延表示为所有用户组的平均业务时延，即其计算公式为：
Figure BDA00034943233900000513
式中二进制变量Am,n表示是否在用户组
Figure BDA00034943233900000514
和边缘服务器
Figure BDA00034943233900000515
之间进行计算卸载映射，若答案为肯定，则Am,n＝1；否则，Am,n＝0。
进一步改进在于：所述步骤三中，当公式一判断不成立时，直接输出预测的基站的任务负载。
进一步改进在于：所述步骤四中，当公式三判断结果不成立时，输出所有的非支配最优解。
进一步改进在于：所述步骤四中，当公式四判断结果不成立时，令i赋值加1，再通过公式三进行判断，并进行后续的步骤。
进一步改进在于：所述步骤四中，当公式五判断结果不成立时，令z赋值加1，并通过公式四进行判断。
进一步改进在于：所述步骤五中，当公式七判断结果不成立时，输出更新后的非支配解决方案
Figure BDA0003494323390000061
进一步改进在于：所述步骤五中，按照亲和度
Figure BDA0003494323390000062
和亲和度
Figure BDA0003494323390000063
的偏好权值进行结合得到
Figure BDA0003494323390000064
其计算公式为：
Figure BDA0003494323390000065
式中，变量
Figure BDA0003494323390000066
为偏好权值。
本发明的有益效果为：该种面向信息物理融合系统的延迟和寿命优化方法通过由离线和在线两个阶段组成的边缘智能解决方案，从而在可靠性、能耗和任务可调度性约束下，实现同时最小化服务延迟和最大化系统寿命的目标，在离线阶段，首先利用长期短期记忆神经网络来预测单个用户组的任务卸载率，然后使用一种双局部搜索多目标进化算法确定计算卸载映射和任务备份个数等最优系统静态设置，同时，在在线阶段，考虑到终端用户固有的移动性，设计了一种最小化系统动态开销的计算卸载重映射方案。
附图说明
图1是本发明的步骤流程示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1所示，本实施例提出了一种面向信息物理融合系统的延迟和寿命优化方法，包括以下步骤：
步骤一、确定系统能量消耗
首先计算用户组
Figure BDA0003494323390000071
在一个时隙[t,t+Tslot]期间的预期任务通信时延
Figure BDA0003494323390000072
即：
Figure BDA0003494323390000073
其中，Vm,n为用户组
Figure BDA0003494323390000074
与边缘服务器
Figure BDA0003494323390000075
之间链路的平均通信容量，
Figure BDA0003494323390000076
为用户组
Figure BDA0003494323390000077
到边缘服务器
Figure BDA0003494323390000078
的路由距离，Vwave为电磁波传播速度，
Figure BDA0003494323390000079
为任务
Figure BDA00034943233900000710
的数据内容量，其次再利用一个子集
Figure BDA00034943233900000711
表示映射到边缘服务器
Figure BDA00034943233900000712
的用户组集合，并计算映射到边缘服务器
Figure BDA00034943233900000713
的用户组
Figure BDA00034943233900000714
的预期任务执行延迟
Figure BDA00034943233900000715
即
Figure BDA00034943233900000716
其中Δn为子集
Figure BDA00034943233900000717
的大小，μn和δn 2分别为边缘服务器
Figure BDA00034943233900000718
上执行任务时间分布的均值和方差，之后再对蜂窝/微型基站的能量消耗
Figure BDA00034943233900000719
Figure BDA00034943233900000720
边缘服务器
Figure BDA00034943233900000721
的静态功率
Figure BDA00034943233900000722
Figure BDA00034943233900000723
和动态功率
Figure BDA00034943233900000724
进行计算，再由边缘服务器
Figure BDA00034943233900000725
的静态功率
Figure BDA00034943233900000726
和动态功率
Figure BDA00034943233900000727
对边缘服务器
Figure BDA00034943233900000728
在执行CPU周期为λmTslot时整体耗能
Figure BDA00034943233900000729
Figure BDA00034943233900000730
进而计算SDN控制器的能量消耗
Figure BDA00034943233900000731
Figure BDA00034943233900000732
其中
Figure BDA00034943233900000733
为静态功耗，
Figure BDA00034943233900000734
是控制任务
Figure BDA00034943233900000735
消耗的动态功率，总共有Wl个CPU周期，并根据上述计算的数据，确定系统的能量消耗
Figure BDA00034943233900000736
Figure BDA00034943233900000737
步骤二、确定系统的生命周期
设
Figure BDA0003494323390000081
为用户组
Figure BDA0003494323390000082
到边缘服务器
Figure BDA0003494323390000083
链路上的平均误码发生率,计算并得到其传输可靠性
Figure BDA0003494323390000084
再设
Figure BDA0003494323390000085
为处理器
Figure BDA0003494323390000086
上软错误的平均发生率，可得
Figure BDA0003494323390000087
Figure BDA0003494323390000088
其中Cn和
Figure BDA0003494323390000089
都是硬件架构相关的常数，根据平均误码发生率和平均发生率，计算并得到处理器
Figure BDA00034943233900000810
在用户组
Figure BDA00034943233900000811
执行任务
Figure BDA00034943233900000812
时的可靠性
Figure BDA00034943233900000813
再进行τm,n次重复，得到增强的瞬态故障可靠性
Figure BDA00034943233900000814
Figure BDA00034943233900000815
并根据其计算并得出系统可靠性
Figure BDA00034943233900000816
Figure BDA00034943233900000817
之后再对边缘服务器
Figure BDA00034943233900000818
的瞬时寿命可靠性
Figure BDA00034943233900000819
生命周期
Figure BDA00034943233900000820
以及系统生命周期
Figure BDA00034943233900000821
进行计算；
其中，当边缘服务器
Figure BDA00034943233900000822
在时间间隔
Figure BDA00034943233900000823
内执行任务
Figure BDA00034943233900000824
时，其瞬时寿命可靠性为，
Figure BDA00034943233900000825
Figure BDA00034943233900000826
其中J0，ρ0，ι和ξ是常数
Figure BDA00034943233900000827
和Γ(·)分别表示转移概率函数和伽马函数，
Figure BDA00034943233900000828
其中ζ和k是常数；
当执行多个任务时，处理器
Figure BDA00034943233900000829
的生命周期可以被估计为
Figure BDA00034943233900000830
其中
Figure BDA00034943233900000831
在系统寿命模型中，假设系统中任何一个边缘服务器的故障都会导致整个系统的故障，由此，系统生命周期可以表示为
Figure BDA00034943233900000832
Figure BDA00034943233900000833
步骤三、训练长短期记忆神经网络，以预测基站任务负载
先归一化数据集合Ωtrace，并将该数据集合Ωtrace划分为训练集Ωtrain和测试集Ωtest，然后初始化均方误差MSE：MSE←+∞，并创建神经网络隐藏层model.add，之后计算训练集Ωtrain的元素个数Xtrain，再将计数器i赋值为1，即i←1，并根据公式一：i≤Xtrain进行判断，当公式一判断成立之后，调用函数model.fit拟合训练集Ωtrain，得到预测模型model，再采用预测模型model更新测试集Ωtest的均方误差MSE，输出预测的基站的任务负载；
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数
首先，设
Figure BDA0003494323390000091
表示总共记录z个解的存档，其中每个成员
Figure BDA0003494323390000092
与W个决策变量集合x＝{x1,x2,…,xW}相关，借助变异概率向量p和q导出档案
Figure BDA0003494323390000093
的后代,记为
Figure BDA0003494323390000094
即公式表达为：
Figure BDA0003494323390000095
式中，xω(1≤ω≤W)为第ω个带决策变量，Δxω是变异操作产生的随机数，pω和qω分别为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；
其次搜索Pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，如下所示：
Figure BDA0003494323390000101
并生成一系列子代档案，用
Figure BDA0003494323390000102
表示，之后设
Figure BDA0003494323390000103
为子代档案
Figure BDA0003494323390000104
的超体积，在
Figure BDA0003494323390000105
的条件下，用
Figure BDA0003494323390000106
替换Iarc，得到结果如公式所示：
Figure BDA0003494323390000107
将m赋值为1，即m←1，并根据公式二：m≤M进行判断，当公式二判断成立之后，则查找预测的任务卸载率
Figure BDA0003494323390000108
再令m赋值加1，即m←m+1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群
Figure BDA0003494323390000109
并使用任何非支配排序方法对
Figure BDA00034943233900001010
中的解进行排序，再使用更好的一半种群
Figure BDA00034943233900001011
初始化存档
Figure BDA00034943233900001012
Figure BDA00034943233900001013
再初始化两个似然向量p和q，并将n赋值为1，即n←1，通过公式三：
Figure BDA00034943233900001014
进行判断，当公式三判断结果为成立后，将z赋值为1，通过公式四：z≤Z进行判断，当公式四判断结果为成立后，在存档Iarc中生成元素
Figure BDA00034943233900001015
的后代
Figure BDA00034943233900001016
之后根据公式五：
Figure BDA00034943233900001017
进行判断，当公式五判断结果为成立后，用元素
Figure BDA00034943233900001018
更新种群X，再存档Iarc，并使用1/5规则调整似然向量p和q；
步骤五、设计基于亲和度的在线方案，以更新计算卸载映射策略首先，定义用户组
Figure BDA00034943233900001019
对边缘服务器
Figure BDA00034943233900001020
在服务延迟
Figure BDA00034943233900001021
上的亲和度
Figure BDA00034943233900001022
其次将延长系统寿命作为一个单一的优化目标，则定义用户组
Figure BDA00034943233900001023
对边缘服务器
Figure BDA00034943233900001024
在系统生命周期方面的亲和度
Figure BDA0003494323390000111
其中
Figure BDA0003494323390000112
为系统的寿命，
Figure BDA0003494323390000113
为硬件磨损率，再结合亲和度
Figure BDA0003494323390000114
和亲和度
Figure BDA0003494323390000115
得到一个整体
Figure BDA0003494323390000116
之后将
Figure BDA0003494323390000117
赋值为
Figure BDA0003494323390000118
将
Figure BDA0003494323390000119
赋值为
Figure BDA00034943233900001110
将J赋值为
Figure BDA00034943233900001111
再选择一个非支配解
Figure BDA00034943233900001112
并将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，再通过公式六：
Figure BDA00034943233900001113
进行判断，当公式六判断成立之后，则附加用户组
Figure BDA00034943233900001114
以设置
Figure BDA00034943233900001115
之后将J赋值为J+1，即J←J+1，并将m赋值加1，再通过公式二进行判断，直至公式二判断结果不成立，即对于集合
Figure BDA00034943233900001116
中的用户组，直接采用方案
Figure BDA00034943233900001117
中卸载映射和任务复制的设置，再将j赋值为1，并通过公式七：j≤J进行判断，当公式七判断结果成立时，再将n赋值为1，并通过公式八：n≤N进行判断，当公式八判断结果为成立后，将τm,n赋值为τmax，之后可获得亲和力
Figure BDA00034943233900001118
再对亲和力
Figure BDA00034943233900001119
进行计算，继而可导出联合亲和力
Figure BDA00034943233900001120
之后再将n赋值加1，并通过公式八进行判断，直至公式八判断结果为不成立，之后将用户组
Figure BDA00034943233900001121
重新映射到能够在满足约束条件下，能最大化联合亲和力的边缘服务器，最后，再将j赋值加1，并通过公式七进行判断。
步骤一中，当用户组
Figure BDA00034943233900001122
选择将任务
Figure BDA00034943233900001123
卸载到边缘服务器
Figure BDA00034943233900001124
时，其期望服务延迟
Figure BDA00034943233900001125
计算公式为
Figure BDA00034943233900001126
则系统业务时延表示为所有用户组的平均业务时延，即其计算公式为：
Figure BDA00034943233900001127
式中二进制变量Am,n表示是否在用户组
Figure BDA00034943233900001128
和边缘服务器
Figure BDA00034943233900001129
之间进行计算卸载映射，若答案为肯定，则Am,n＝1；否则，Am,n＝0。
步骤三中，当公式一判断不成立时，直接输出预测的基站的任务负载。
步骤四中，当公式三判断结果不成立时，输出所有的非支配最优解。
步骤四中，当公式四判断结果不成立时，令i赋值加1，再通过公式三进行判断，并进行后续的步骤。
步骤四中，当公式五判断结果不成立时，令z赋值加1，并通过公式四进行判断。
步骤五中，当公式七判断结果不成立时，输出更新后的非支配解决方案
Figure BDA0003494323390000121
步骤五中，按照亲和度
Figure BDA0003494323390000122
和亲和度
Figure BDA0003494323390000123
的偏好权值进行结合得到
Figure BDA0003494323390000124
其计算公式为：
Figure BDA0003494323390000125
式中，变量
Figure BDA0003494323390000126
为偏好权值。
本实施例中，一个信息物理融合系统用符号
Figure BDA0003494323390000127
表示，包含M个终端用户组
Figure BDA0003494323390000128
M个蜂窝基地
Figure BDA0003494323390000129
Figure BDA00034943233900001210
一个微基站
Figure BDA00034943233900001211
N个边缘服务器
Figure BDA00034943233900001212
Figure BDA00034943233900001213
一个控制器
Figure BDA00034943233900001214
组成，在该系统中，用户组的数量等于蜂窝基站的数量，这说明每个用户组
Figure BDA00034943233900001215
都正确连接到蜂窝基站
Figure BDA00034943233900001216
用户组
Figure BDA00034943233900001217
的服务时延主要由两部分组成：1)任务通信时延，即将任务τm交付给边缘服务器
Figure BDA0003494323390000131
所花费的时间；2)任务执行时延，即边缘服务器
Figure BDA0003494323390000132
执行任务
Figure BDA0003494323390000133
所花费的时间。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：包括以下步骤：
步骤一、确定系统能量消耗
首先计算用户组
Figure FDA0003494323380000011
在一个时隙[t,t+Tslot]期间的预期任务通信时延
Figure FDA0003494323380000012
其次再利用一个子集
Figure FDA0003494323380000013
表示映射到边缘服务器
Figure FDA0003494323380000014
的用户组集合，并计算映射到边缘服务器
Figure FDA0003494323380000015
的用户组
Figure FDA0003494323380000016
的预期任务执行延迟
Figure FDA0003494323380000017
之后再对蜂窝/微型基站的能量消耗
Figure FDA0003494323380000018
边缘服务器
Figure FDA0003494323380000019
的静态功率
Figure FDA00034943233800000110
和动态功率
Figure FDA00034943233800000111
进行计算，再由边缘服务器
Figure FDA00034943233800000112
的静态功率
Figure FDA00034943233800000113
和动态功率
Figure FDA00034943233800000114
对边缘服务器
Figure FDA00034943233800000115
在执行CPU周期为λmTslot时整体耗能
Figure FDA00034943233800000116
进而计算SDN控制器的能量消耗
Figure FDA00034943233800000117
并根据上述计算的数据，确定系统的能量消耗
Figure FDA00034943233800000118
步骤二、确定系统的生命周期
设
Figure FDA00034943233800000119
为用户组
Figure FDA00034943233800000120
到边缘服务器
Figure FDA00034943233800000121
链路上的平均误码发生率,计算并得到其传输可靠性
Figure FDA00034943233800000122
再设
Figure FDA00034943233800000123
为处理器
Figure FDA00034943233800000124
上软错误的平均发生率，根据平均误码发生率和平均发生率，计算并得到处理器
Figure FDA00034943233800000125
在用户组
Figure FDA00034943233800000126
执行任务
Figure FDA00034943233800000127
时的可靠性
Figure FDA00034943233800000128
再进行τm,n次重复，得到增强的瞬态故障可靠性
Figure FDA00034943233800000129
并根据其计算并得出系统可靠性
Figure FDA00034943233800000130
之后再对边缘服务器
Figure FDA00034943233800000131
的瞬时寿命可靠性
Figure FDA00034943233800000132
生命周期
Figure FDA00034943233800000133
以及系统生命周期
Figure FDA00034943233800000134
进行计算；
步骤三、训练长短期记忆神经网络，以预测基站任务负载
先归一化数据集合Ωtrace，并将该数据集合Ωtrace划分为训练集Ωtrain和测试集Ωtest，然后初始化均方误差MSE，并创建神经网络隐藏层model.add，之后计算训练集Ωtrain的元素个数Xtrain，再将计数器i赋值为1，并根据公式一：i≤Xtrain进行判断，当公式一判断成立之后，调用函数model.fit拟合训练集Ωtrain，得到预测模型model，再采用预测模型model更新测试集Ωtest的均方误差MSE，输出预测的基站的任务负载；
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数
首先，设
Figure FDA0003494323380000021
表示总共记录z个解的存档，其中每个成员
Figure FDA0003494323380000022
与W个决策变量集合x＝{x1,x2,…,xW}相关，借助变异概率向量p和q导出档案
Figure FDA0003494323380000023
的后代,记为
Figure FDA0003494323380000024
即公式表达为：
Figure FDA0003494323380000025
式中，xω(1≤ω≤W)为第ω个带决策变量，Δxω是变异操作产生的随机数，pω和qω分别为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；
其次搜索Pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，并生成一系列子代档案，用
Figure FDA0003494323380000026
表示，之后设
Figure FDA0003494323380000027
为子代档案
Figure FDA0003494323380000028
的超体积，在
Figure FDA0003494323380000029
的条件下，用
Figure FDA00034943233800000210
替换Iarc，得到结果如公式所示：
Figure FDA0003494323380000031
将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，则查找预测的任务卸载率
Figure FDA0003494323380000032
再令m赋值加1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群
Figure FDA0003494323380000033
并使用任何非支配排序方法对
Figure FDA0003494323380000034
中的解进行排序，再使用一半种群
Figure FDA0003494323380000035
初始化存档Iarc，再初始化两个似然向量p和q，并将n赋值为1，通过公式三：
Figure FDA0003494323380000036
进行判断，当公式三判断结果为成立后，将z赋值为1，通过公式四：z≤Z进行判断，当公式四判断结果为成立后，在存档Iarc中生成元素
Figure FDA0003494323380000037
的后代
Figure FDA0003494323380000038
之后根据公式五：
Figure FDA0003494323380000039
Figure FDA00034943233800000310
进行判断，当公式五判断结果为成立后，用元素
Figure FDA00034943233800000311
更新种群X，再存档Iarc，并使用1/5规则调整似然向量p和q；
步骤五、设计基于亲和度的在线方案，以更新计算卸载映射策略
首先，定义用户组
Figure FDA00034943233800000312
对边缘服务器
Figure FDA00034943233800000313
在服务延迟
Figure FDA00034943233800000314
上的亲和度
Figure FDA00034943233800000315
其次将延长系统寿命作为一个单一的优化目标，则定义用户组
Figure FDA00034943233800000316
对边缘服务器
Figure FDA00034943233800000317
在系统生命周期方面的亲和度
Figure FDA00034943233800000318
再结合亲和度
Figure FDA00034943233800000319
和亲和度
Figure FDA00034943233800000320
得到一个整体
Figure FDA00034943233800000321
之后将
Figure FDA00034943233800000322
赋值为
Figure FDA00034943233800000323
将
Figure FDA00034943233800000324
赋值为
Figure FDA00034943233800000325
将J赋值为
Figure FDA00034943233800000326
再选择一个非支配解
Figure FDA00034943233800000327
并将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，再通过公式六：
Figure FDA00034943233800000328
进行判断，当公式六判断成立之后，则附加用户组
Figure FDA00034943233800000329
以设置
Figure FDA00034943233800000330
之后将J赋值为J+1，并将m赋值加1，再通过公式二进行判断，直至公式二判断结果不成立，即对于集合
Figure FDA00034943233800000331
中的用户组，直接采用方案
Figure FDA00034943233800000332
中卸载映射和任务复制的设置，再将j赋值为1，并通过公式七：j≤J进行判断，当公式七判断结果成立时，再将n赋值为1，并通过公式八：n≤N进行判断，当公式八判断结果为成立后，将τm,n赋值为τmax，之后可获得亲和力
Figure FDA0003494323380000041
再对亲和力
Figure FDA0003494323380000042
进行计算，继而可导出联合亲和力
Figure FDA0003494323380000043
之后再将n赋值加1，并通过公式八进行判断，直至公式八判断结果为不成立，之后将用户组
Figure FDA0003494323380000044
重新映射到能够在满足约束条件下，能最大化联合亲和力的边缘服务器，最后，再将j赋值加1，并通过公式七进行判断。
2.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤一中，当用户组
Figure FDA0003494323380000045
选择将任务
Figure FDA0003494323380000046
卸载到边缘服务器
Figure FDA0003494323380000047
时，其期望服务延迟
Figure FDA0003494323380000048
计算公式为
Figure FDA0003494323380000049
则系统业务时延表示为所有用户组的平均业务时延，即其计算公式为：
Figure FDA00034943233800000410
式中二进制变量Am,n表示是否在用户组
Figure FDA00034943233800000411
和边缘服务器
Figure FDA00034943233800000412
之间进行计算卸载映射，若答案为肯定，则Am,n＝1；否则，Am,n＝0。
3.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤三中，当公式一判断不成立时，直接输出预测的基站的任务负载。
4.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤四中，当公式三判断结果不成立时，输出所有的非支配最优解。
5.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤四中，当公式四判断结果不成立时，令i赋值加1，再通过公式三进行判断，并进行后续的步骤。
6.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤四中，当公式五判断结果不成立时，令z赋值加1，并通过公式四进行判断。
7.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤五中，当公式七判断结果不成立时，输出更新后的非支配解决方案
Figure FDA0003494323380000051
8.根据权利要求 1所述的一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：所述步骤五中，按照亲和度
Figure FDA0003494323380000052
和亲和度
Figure FDA0003494323380000053
的偏好权值进行结合得到
Figure FDA0003494323380000054
其计算公式为：
Figure FDA0003494323380000055
式中，变量
Figure FDA0003494323380000056
为偏好权值。
CN202210108798.6A 2022-01-28 2022-01-28 一种面向信息物理融合系统的延迟和寿命优化方法 Active CN114444240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210108798.6A CN114444240B (zh) 2022-01-28 2022-01-28 一种面向信息物理融合系统的延迟和寿命优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210108798.6A CN114444240B (zh) 2022-01-28 2022-01-28 一种面向信息物理融合系统的延迟和寿命优化方法

Publications (2)

Publication Number Publication Date
CN114444240A CN114444240A (zh) 2022-05-06
CN114444240B true CN114444240B (zh) 2022-09-09

Family

ID=81371663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210108798.6A Active CN114444240B (zh) 2022-01-28 2022-01-28 一种面向信息物理融合系统的延迟和寿命优化方法

Country Status (1)

Country Link
CN (1) CN114444240B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541154B (zh) * 2023-07-07 2024-05-03 暨南大学 一种面向智慧医疗的个性化应用调度方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102104522A (zh) * 2011-01-14 2011-06-22 徐立中 面向信息--物理融合系统的实时通信优化方法及设备
CN105744583A (zh) * 2016-02-22 2016-07-06 暨南大学 一种低轮值传感网中的动态功率控制方法
US9792397B1 (en) * 2017-01-08 2017-10-17 Alphaics Corporation System and method for designing system on chip (SoC) circuits through artificial intelligence and reinforcement learning
CN112788605A (zh) * 2020-12-25 2021-05-11 威胜信息技术股份有限公司 基于双延迟深度确定性策略边缘计算资源调度方法和系统
WO2021165688A1 (en) * 2020-02-19 2021-08-26 Conductify Limited Hybrid grid and renewable based energy system
WO2021247448A1 (en) * 2020-06-01 2021-12-09 Intel Corporation Federated learning optimizations
CN113918321A (zh) * 2021-09-08 2022-01-11 暨南大学 面向信息物理系统的可靠边缘-云计算服务延迟优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472406B (zh) * 2018-11-02 2020-08-11 浙江大学 一种超低排放多污染物协同脱除系统的全局优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102104522A (zh) * 2011-01-14 2011-06-22 徐立中 面向信息--物理融合系统的实时通信优化方法及设备
CN105744583A (zh) * 2016-02-22 2016-07-06 暨南大学 一种低轮值传感网中的动态功率控制方法
US9792397B1 (en) * 2017-01-08 2017-10-17 Alphaics Corporation System and method for designing system on chip (SoC) circuits through artificial intelligence and reinforcement learning
WO2021165688A1 (en) * 2020-02-19 2021-08-26 Conductify Limited Hybrid grid and renewable based energy system
WO2021247448A1 (en) * 2020-06-01 2021-12-09 Intel Corporation Federated learning optimizations
CN112788605A (zh) * 2020-12-25 2021-05-11 威胜信息技术股份有限公司 基于双延迟深度确定性策略边缘计算资源调度方法和系统
CN113918321A (zh) * 2021-09-08 2022-01-11 暨南大学 面向信息物理系统的可靠边缘-云计算服务延迟优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Exploring Placement of Heterogeneous Edge Servers for Response Time Minimization in Mobile Edge-Cloud Computing;kun Cao;《IEEE》;20200504;第1-10页 *
边缘计算服务品质优化技术研究;曹坤;《中国博士学位论文电子期刊网》;20200815;第I139-2页 *

Also Published As

Publication number Publication date
CN114444240A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN113254792B (zh) 训练推荐概率预测模型的方法、推荐概率预测方法及装置
Liu et al. Reliability-enhanced task offloading in mobile edge computing environments
CN112784362A (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
CN110531996B (zh) 一种多微云环境下基于粒子群优化的计算任务卸载方法
Mi et al. Embedding virtual infrastructure based on genetic algorithm
CN113285832B (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
CN112083967B (zh) 一种云边端计算任务的卸载方法、计算机设备及存储介质
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN114444240B (zh) 一种面向信息物理融合系统的延迟和寿命优化方法
CN113259469A (zh) 智能制造中边缘服务器部署方法、系统及存储介质
Yildirim et al. Power generation expansion planning with adaptive simulated annealing genetic algorithm
CN113139639B (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
Kumaresan et al. Hybrid Fuzzy Archimedes‐based Light GBM‐XGBoost model for distributed task scheduling in mobile edge computing
Lei et al. A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment
Zhao et al. MEDIA: An incremental DNN based computation offloading for collaborative cloud-edge computing
Rifai et al. Multi-operator hybrid genetic algorithm-simulated annealing for reentrant permutation flow-shop scheduling
Yu [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment
CN113747500B (zh) 复杂异构移动边缘计算中基于生成对抗式网络的高能效低延迟工作流应用迁移方法
CN115834386A (zh) 面向边缘计算环境中的智能服务部署方法、系统及终端
Gong et al. A Novel Self‐Adaptive Mixed‐Variable Multiobjective Ant Colony Optimization Algorithm in Mobile Edge Computing
Zhou A Heuristic Task Scheduling Strategy for Intelligent Manufacturing in the Big Data‐Driven Fog Computing Environment
Bao et al. Multiobjective Optimal Dispatching of Smart Grid Based on PSO and SVM
CN112134799B (zh) 一种基于物联网的三阶段传感拓扑方法及系统
Manupati et al. Real-time rule-based scheduling system for integrated delivery in a semiconductor manufacturing using evolutionary algorithm-based simulation 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
GR01 Patent grant
GR01 Patent grant