CN114489977A - 一种移动边缘计算系统的任务卸载方法及装置 - Google Patents

一种移动边缘计算系统的任务卸载方法及装置 Download PDF

Info

Publication number
CN114489977A
CN114489977A CN202210020759.0A CN202210020759A CN114489977A CN 114489977 A CN114489977 A CN 114489977A CN 202210020759 A CN202210020759 A CN 202210020759A CN 114489977 A CN114489977 A CN 114489977A
Authority
CN
China
Prior art keywords
task
mobile device
energy consumption
mobile
mth
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
CN202210020759.0A
Other languages
English (en)
Inventor
杜翠凤
滕少华
黎坚
龙晓琼
李泓澍
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.)
Guangzhou Jiesai Communication Planning And Design Institute Co ltd
Guangdong University of Technology
GCI Science and Technology Co Ltd
Original Assignee
Guangzhou Jiesai Communication Planning And Design Institute Co ltd
Guangdong University of Technology
GCI Science and Technology Co Ltd
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 Guangzhou Jiesai Communication Planning And Design Institute Co ltd, Guangdong University of Technology, GCI Science and Technology Co Ltd filed Critical Guangzhou Jiesai Communication Planning And Design Institute Co ltd
Priority to CN202210020759.0A priority Critical patent/CN114489977A/zh
Publication of CN114489977A publication Critical patent/CN114489977A/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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • 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
    • 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
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动边缘计算系统的任务卸载方法，包括：根据移动设备的任务数据建立状态集合；根据移动设备将任务卸载至服务器的传输时延，移动设备、边缘服务器和云服务器的计算时延，得到任务卸载时延；根据移动设备发送任务的能耗和计算过程中CPU的能耗，得到任务卸载能耗；对移动设备的用户使用模式和位置信息进行量化，得到任务卸载隐私水平；根据任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；基于深度强化学习的DQN算法对联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法，能够在减小移动设备能耗和时延的同时，有效提高用户数据安全性。

Description

一种移动边缘计算系统的任务卸载方法及装置
技术领域
本发明涉及无线通信技术领域，尤其涉及一种移动边缘计算系统的任务卸载方法及装置。
背景技术
近年来，随着越来越多对时间高要求的应用程序的出现，本地设备的计算能力和计算资源已难以满足这类应用程序的时间要求，移动边缘计算(MEC)系统由此产生。MEC系统能够将一部分计算卸载任务到边缘服务器，从而减少用户在本地设备的任务负载和延迟。
在MEC系统中最重要的是卸载任务过程中设备的时延和能耗问题，现有的MEC系统大多集中于单一的能耗优化或者时延优化，也有一部分工作考虑了能耗和时延的共同优化。然而，MEC系统在提供丰富的计算资源的同时，用户的位置隐私和使用模式隐私存在泄露的危险。
发明内容
本发明提供一种移动边缘计算系统的任务卸载方法及装置，能够在减小移动设备能耗和时延的同时，有效降低用户位置信息和使用模式信息泄露的危险，提高用户数据的安全性。
为实现上述目的，本发明实施例提供了一种移动边缘计算系统的任务卸载方法，包括：
获取每个移动设备的任务数据；其中，所述任务数据包括：产生的新任务、获取到的能量、信道质量、电池放电量和设备缓冲区的任务；
根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合；
根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；
根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗；
对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；
根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；
基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
作为上述方案的改进，所述根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合，具体包括：
根据以下公式，建立每个所述移动设备的状态集合：
Sm(t)＝[Am(t),em(t),hm(t),Bm(t),Qm(t)]；
其中，Sm(t)为第m个移动设备在t时刻的状态集合，Am(t)为第m个移动设备在t时刻产生的新任务，em(t)为第m个移动设备获取到的能量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)∈{0,1}，hm(t)＝1表示信道质量好，hm(t)＝0表示信道质量差，Bm(t)为第m个移动设备的电池放电量，Qm(t)为存储在第m个移动设备的设备缓冲区的任务。
作为上述方案的改进，所述根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延，具体包括：
根据以下公式，得到每个所述移动设备的任务卸载时延：
Figure BDA0003462285840000031
其中，Tm(t)为第m个移动设备的任务卸载时延，Tm,L(t)为第m个移动设备的计算时延，Tm,O(t)为第m个移动设备将任务卸载至边缘服务器或云服务器的传输时延，Tm,MEC(t)为边缘服务器的计算时延，Tm,Cloud(t)为云服务器的计算时延，αm,L(t)表示任务是否在本地执行，αm,M(t)表示任务是否在边缘服务器执行，αm,C(t)表示任务是否在云服务器执行。
作为上述方案的改进，所述根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗，具体为：
计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为每个所述移动设备的任务卸载能耗。
作为上述方案的改进，所述对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平，具体包括：
根据以下公式，对每个所述移动设备的用户使用模式进行量化，得到每个所述移动设备的用户使用隐私水平：
Figure BDA0003462285840000032
其中，Pm,u(t)为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在t时刻产生的新任务，A′m(t)为边缘服务器或云服务器记录的第m个移动设备卸载到本服务器的任务量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)＝1表示信道质量好，
Figure BDA0003462285840000033
为指示函数；
根据以下公式，对每个所述移动设备的位置信息进行量化，得到每个所述移动设备的位置隐私水平：
Figure BDA0003462285840000034
其中，Pm,l(t)为第m个移动设备的位置隐私水平，hm(t)＝0表示信道质量差；
根据以下公式，得到每个所述移动设备的任务卸载隐私水平：
Pm(t)＝β1Pm,u(t)+β2Pm,l(t)；
其中，Pm(t)为第m个移动设备的任务卸载隐私水平，β1为Pm,u(t)的权重，β2为Pm,l(t)的权重。
作为上述方案的改进，所述根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题，具体包括：
将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗；
根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题。
作为上述方案的改进，所述将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗，具体包括：
根据以下公式，计算每个所述移动设备的任务卸载总损耗：
Figure BDA0003462285840000041
其中，Cm(t)为第m个所述移动设备的任务卸载总损耗，Tm(t)为第m个所述移动设备的任务卸载时延，Em(t)为第m个所述移动设备的任务卸载能耗，Q′m(t)为第m个移动设备未执行的任务，Bm(t+1)为第m个移动设备的能量变化，μ为Tm(t)的权重，v为Em(t)的权重，λ1为Q′m(t)的权重，λ2为
Figure BDA0003462285840000042
的权重，
Figure BDA0003462285840000043
为指示函数。
作为上述方案的改进，所述根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题，具体包括：
根据以下公式，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题
Figure BDA0003462285840000051
Figure BDA0003462285840000052
所述联合优化问题的约束条件为：
Emin≤Bm(t)≤Emax；
0≤em(t)≤emax；
Figure BDA0003462285840000053
Figure BDA0003462285840000054
0≤fm(t)≤fmax；
其中，ψ表示任务卸载隐私水平相对于总损耗的重要性，Pm(t)为第m个移动设备的任务卸载隐私水平，Cm(t)为第m个所述移动设备的任务卸载总损耗，M为边缘服务器或云服务器可以并行处理的所有任务量对应的移动设备数量，Bm(t)为第m个移动设备的电池放电量，Emin为电池放电量的下限，Emax为电池放电量的上限，em(t)为第m个移动设备获取到的能量，emax为移动设备获取到的能量上限，fS为边缘服务器的工作频率，
Figure BDA0003462285840000055
为边缘服务器的最大工作频率，fC为云服务器的工作频率，
Figure BDA0003462285840000056
为云服务器的最大工作频率，fm(t)为第m个移动设备一个CPU周期对应的频率，fmax为第m个移动设备一个CPU周期对应的最大频率。
作为上述方案的改进，所述基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法，具体为：
根据每个所述移动设备的状态集合，构建状态队列；
将所述状态队列和预先获取的动作队列输入至预先构建的神经网络中，并结合深度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
为实现上述目的，本发明实施例对应提供了一种移动边缘计算系统的任务卸载装置，包括：
数据获取模块，用于获取每个移动设备的任务数据；其中，所述任务数据包括：产生的新任务、获取到的能量、信道质量、电池放电量和设备缓冲区的任务；
状态集合构建模块，用于根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合；
时延计算模块，用于根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；
能耗计算模块，用于根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗；
隐私量化模块，用于对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；
优化问题构建模块，用于根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；
优化问题求解模块，用于基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
与现有技术相比，本发明上述发明实施例中的任意一个实施例具有如下有益效果：
本发明首先根据获取到的每个移动设备的任务数据，建立每个所述移动设备的状态集合；然后，根据每个所述移动设备的计算时延、将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；并根据每个所述移动设备计算过程中CPU的能耗和发送任务的能耗，得到每个所述移动设备的任务卸载能耗；并且，通过对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；最后，基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。本发明既考虑到了移动设备的能耗和时延的问题，又考虑到了用户使用模式和位置信息的隐私问题，能够在减小移动设备能耗和时延的同时，有效降低用户位置信息和使用模式信息泄露的危险，提高用户数据的安全性。
附图说明
图1是本发明一实施例提供的一种移动边缘计算系统的任务卸载方法的流程示意图；
图2是本发明一实施例提供的一种多用户边云协作MEC系统的示意图；
图3是本发明一实施例提供的一种移动边缘计算系统的任务卸载装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
参见图1，是本发明一实施例提供的一种移动边缘计算系统的任务卸载方法的流程示意图。
本发明实施例提供的移动边缘计算系统的任务卸载方法，包括步骤：
S11、获取每个移动设备的任务数据；其中，所述任务数据包括：产生的新任务、获取到的能量、信道质量、电池放电量和设备缓冲区的任务；
S12、根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合；
S13、根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；
S14、根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗；
S15、对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；
S16、根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；
S17、基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
参见图2，考虑一定范围内有多个用户、一个专用的边缘服务器和一个云服务器组成的多用户边云协作MEC系统。假设边缘服务器是不可信的，有隐私泄露的风险，云服务器是可信的。当任务卸载到边缘服务器时，边缘服务器可以记录任务发出的移动设备和任务的大小，并且边缘服务器可以获得当前信道的状况。需要说明，多个用户代表多个移动设备。
在一些更优的实施例中，所述步骤S12，具体包括：
根据以下公式，建立每个所述移动设备的状态集合：
Sm(t)＝[Am(t),em(t),hm(t),Bm(t),Qm(t)]；
其中，Sm(t)为第m个移动设备在t时刻的状态集合，Am(t)为第m个移动设备在t时刻产生的新任务，em(t)为第m个移动设备获取到的能量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)∈{0,1}，hm(t)＝1表示信道质量好，hm(t)＝0表示信道质量差，Bm(t)为第m个移动设备的电池放电量，Qm(t)为存储在第m个移动设备的设备缓冲区的任务。
需要说明，第m个移动设备获取到的能量em(t)，即第m个移动设备的获取到的能量。
在一些更优的实施例中，所述步骤S13，具体包括：
根据以下公式，得到每个所述移动设备的任务卸载时延：
Figure BDA0003462285840000091
其中，Tm(t)为第m个移动设备的任务卸载时延，Tm,L(t)为第m个移动设备的计算时延，Tm,O(t)为第m个移动设备将任务卸载至边缘服务器或云服务器的传输时延，Tm,MEC(t)为边缘服务器的计算时延，Tm,Cloud(t)为云服务器的计算时延，αm,L(t)表示任务是否在本地执行，αm,M(t)表示任务是否在边缘服务器执行，αm,C(t)表示任务是否在云服务器执行。
需要说明，αm,L(t)＝1为任务在本地执行，αm,L(t)＝0为任务不在本地执行；αm,M(t)＝1为任务在边缘服务器执行，αm,M(t)＝0为任务不在边缘服务器执行；αm,C(t)＝1为任务在云服务器执行，αm,C(t)＝0为任务不在云服务器执行。
优选地，第m个所述移动设备的计算时延Tm,L(t)，具体为：
Figure BDA0003462285840000092
其中，Am(t)为第m个移动设备在t时刻产生的新任务，Qm(t)为存储在第m个移动设备的设备缓冲区的任务，Q′m(t)为未执行的任务，(Am(t)+Qm(t)-Q′m(t))为已执行的任务，Lm为执行1比特任务所需要的第m个移动设备的CPU周期数，fm(t)为一个CPU周期对应的频率，0≤fm(t)≤fmax，fmax为一个CPU周期对应的最大频率，
Figure BDA0003462285840000101
为fm(t)的反函数。
需要说明的是，当用户的移动设备在本地无法负载任务的执行，移动设备将任务卸载至边缘服务器或云服务器，虽然这样降低了移动设备的工作负载，但是卸载过程会导致额外的成本，假设从边缘服务器到云服务器的有线传输时延和边缘服务器或云服务器计算结果回传至移动设备的时延忽略不计，则主要的时延包括移动设备将任务卸载至边缘服务器或云服务器的传输时延，以及任务在边缘服务器或云服务器执行的计算时延。
具体地，第m个所述移动设备将任务卸载至边缘服务器或云服务器的传输时延Tm,O(t)，具体为：
Figure BDA0003462285840000102
其中，wm为第m个移动设备分配到的带宽，N0为功率谱密度，hm(t)为第m个移动设备在t时刻所获取的的信道质量，pm(t)为第m个移动设备的发射功率，log2为以2为底的对数。
进一步地，所述边缘服务器的计算时延Tm,MEC(t)，具体为：
Figure BDA0003462285840000103
其中，fS为边缘服务器的工作频率；
所述云服务器的计算时延Tm,Cloud(t)，具体为：
Figure BDA0003462285840000104
其中，fC为云服务器的工作频率，M为边缘服务器或云服务器可以并行处理的所有任务量对应的移动设备数量。
可以理解，假设边缘服务器或云服务器对于M个移动设备到达的所有任务都可以并行处理，那么在两个服务器上的计算时延主要取决于任务的大小、边缘服务器的工作频率和云服务器的工作频率。
在一个具体的实施方式中，所述步骤S14，具体为：
计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为每个所述移动设备的任务卸载能耗。
进一步地，第m个所述移动设备计算过程中CPU的能耗Em,L(t)，具体为：
Figure BDA0003462285840000111
其中，k为第一参数。
在一个具体的实施方式中，第m个所述移动设备发送任务的能耗Em,O(t)，具体为：
Em,O(t)＝pm(t)Tm,O(t)；
其中，pm(t)为第m个移动设备的发射功率。
需要说明，由于边缘服务器和云服务由电网供电，因此不考虑这两个服务器计算的能耗和回传结果给移动设备的能耗，那么任务卸载的能耗主要是设备发送任务的能耗。若移动设备在本地设备执行任务时，则在本地执行的能耗主要是移动设备计算过程中CPU的能耗。二者进行整合，则第m个所述移动设备的任务卸载能耗Em(t)＝Em,L(t)+Em,O(t)。
进一步地，所述步骤S15，具体包括：
根据以下公式，对每个所述移动设备的用户使用模式进行量化，得到每个所述移动设备的用户使用隐私水平：
Figure BDA0003462285840000112
其中，Pm,u(t)为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在t时刻产生的新任务，A′m(t)为边缘服务器或云服务器记录的第m个移动设备卸载到本服务器的任务量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)＝1表示信道质量好，
Figure BDA0003462285840000113
为指示函数；
根据以下公式，对每个所述移动设备的位置信息进行量化，得到每个所述移动设备的位置隐私水平：
Figure BDA0003462285840000121
其中，Pm,l(t)为第m个移动设备的位置隐私水平，hm(t)＝0表示信道质量差；
根据以下公式，得到每个所述移动设备的任务卸载隐私水平：
Pm(t)＝β1Pm,u(t)+β2Pm,l(t)；
其中，Pm(t)为第m个移动设备的任务卸载隐私水平，β1为Pm,u(t)的权重，β2为Pm,l(t)的权重。
需要说明，(·)成立则
Figure BDA0003462285840000122
值得说明的是，如果信道质量hm(t)＝1，用户便倾向于把任务卸载到服务器，以降低移动设备的能耗，并且，若信道质量持续为1，则移动设备的缓存没有任务Qm(t)＝0，产生的新任务全部卸载至服务器，即A′m(t)＝Am(t)，根据对用户卸载任务的记录和分析，就可以分析出用户使用模式，并将其量化为用户使用隐私水平。若要增加用户使用隐私水平，则应该在信道状况好时，扩大A′m(t)与Am(t)之间的差距，比如可以在信道质量很好的时候，也在移动设备上进行一部分的任务计算。如果信道质量hm(t)＝0，则用户倾向于在本地执行任务，服务器无法分析其卸载的任务，且由于信道质量与距离有关，信道质量差说明移动设备与服务器的距离很远，采用多个服务器进行合作，就可以精确定位移动设备所处的位置，因此，可以对移动设备的位置信息进行量化，得到位置隐私水平。若要提高位置隐私水平，也就是即使在信道质量差的情况下，移动设备也需要卸载任务到服务器。需要说明，服务器指边缘服务器或云服务器。
在一些更优的实施例中，所述步骤S16，具体包括：
将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗；
根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题。
进一步地，所述将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗，具体包括：
根据以下公式，计算每个所述移动设备的任务卸载总损耗：
Figure BDA0003462285840000131
其中，Cm(t)为第m个所述移动设备的任务卸载总损耗，Tm(t)为第m个所述移动设备的任务卸载时延，Em(t)为第m个所述移动设备的任务卸载能耗，Q′m(t)为第m个移动设备未执行的任务，Bm(t+1)为第m个移动设备的能量变化，μ为Tm(t)的权重，ν为Em(t)的权重，λ1为Qm(t)的权重，λ2为
Figure BDA0003462285840000132
的权重，
Figure BDA0003462285840000133
为指示函数。
具体地，第m个移动设备的能量变化Bm(t+1)，具体为：
Bm(t+1)＝Bm(t)+em(t)-Em(t)；
其中，Bm(t)为第m个移动设备的电池放电量，Emin≤Bm(t)≤Emax，Emin为电池放电量的下限，Emax为电池放电量的上限，em(t)为第m个移动设备获取到的能量，0≤em(t)≤emax，emax(t)为第m个移动设备获取到的能量上限。
值得说明的是，若不考虑惩罚因子，则第m个所述移动设备的任务卸载总损耗Cm(t)＝μ·Tm(t)+v·Em(t)，结合第m个移动设备的能量变化，移动设备的电池的电量必须要大于0，若小于0，则移动设备会放弃当前任务，从而影响服务质量和用户体验。同理，当未执行的任务Qm(t)常常缓存在本地缓冲区中时，也会影响用户的体验，因此需要设置两项惩罚因子：未执行的任务Qm(t)和第m个移动设备的能量变化小于0的指示函数
Figure BDA0003462285840000134
进一步地，所述根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题，具体包括：
根据以下公式，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题
Figure BDA0003462285840000141
Figure BDA0003462285840000142
所述联合优化问题的约束条件为：
Emin≤Bm(t)≤Emax；
0≤em(t)≤emax；
Figure BDA0003462285840000143
Figure BDA0003462285840000144
0≤fm()≤fmax；
其中，ψ表示任务卸载隐私水平相对于总损耗的重要性，Pm(t)为第m个移动设备的任务卸载隐私水平，Cm(t)为第m个所述移动设备的任务卸载总损耗，M为边缘服务器或云服务器可以并行处理的所有任务量对应的移动设备数量，Bm(t)为第m个移动设备的电池放电量，Emin为电池放电量的下限，Emax为电池放电量的上限，em(t)为第m个移动设备获取到的能量，emax为移动设备获取到的能量上限，fS为边缘服务器的工作频率，
Figure BDA0003462285840000145
为边缘服务器的最大工作频率，fC为云服务器的工作频率，
Figure BDA0003462285840000146
为云服务器的最大工作频率，fm(t)为第m个移动设备一个CPU周期对应的频率，fmax为第m个移动设备一个CPU周期对应的最大频率。
可以理解，时延最小、能耗最小且隐私水平最高是指任务卸载时延最小、任务卸载能耗最小且任务卸载隐私水平最高。
具体地，所述步骤S17，具体为：
根据每个所述移动设备的状态集合，构建状态队列；
将所述状态队列和预先获取的动作队列输入至预先构建的神经网络中，并结合深度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
具体地，所述状态队列具体为：S(t)＝[S1(t),S2(t),…,Sm(t),…,SM(t)]。
具体地，所述动作队列具体为：A(t)＝[a1(t),a2(t),…,am(t),…aM(t)]；其中am(t)为第m个移动设备进行任务处理的决策，am(t)＝[αm,L(t),αm,M(t),αm,C(t)]。
值得说明的是，设置效用函数Um(t)＝ψPm(t)-Cm(t)，并将其作为一种奖励，那么就可以将联合优化问题
Figure BDA0003462285840000151
转化为马尔科夫决策(MDP)问题，目标是让移动设备学习到最优的策略使得奖励最大化。
优选地，所述神经网络的损失函数，具体为：
L(θ)＝E[y(t)-Q(S(t),a(t)|θ))2]；
其中，y(t)为DQN算法中最优的Q值，Q(S(t),a(t)|θ))2为神经网络的输出，a(t)为贪婪策略选择执行的动作，θ为网络参数，E为数学期望。
值得说明的是，基于深度强化学习的DQN算法对所述联合优化问题进行求解的主要思路是：使用神经网络来逼近Q值，从而学习到最佳的卸载策略，实现最大长期效用。其主要过程具体为：首先，将所有移动设备的当前时刻的状态队列S(t)和一系列可能动作的动作队列A(t)输入至神经网络，神经网络会输出所有状态动作组合的Q值；然后，根据贪婪策略选择动作a(t)来执行任务，使得Q值最大；进一步，通过效用函数Um(t)计算效用，状态转移到S(t+1)，将这个过程的旧状态S(t)、选择动作a(t)、效用和新状态S(t+1)作为一条训练数据存储起来，训练数据积累多条后进行神经网络参数的更新，直至神经网络的损失函数收敛，输出得到移动边缘计算系统的任务卸载方法。需要说明，最优值y(t)是固定的，因为最优网络的参数是固定的，那么最优输出就是固定的。通过不断地训练使得损失函数最小化，就可以得到最优的Q值，使奖励最大、效用最大、隐私水平最高、时延和能耗的成本最低。
相应地，本发明实施例还提供了一种移动边缘计算系统的任务卸载装置，能够实现上述移动边缘计算系统的任务卸载方法的所有流程。
参见图3，是本发明一实施例提供的一种移动边缘计算系统的任务卸载装置的结构示意图。
本发明实施例提供的一种移动边缘计算系统的任务卸载装置，包括：
数据获取模块21，用于获取每个移动设备的任务数据；其中，所述任务数据包括：产生的新任务、获取到的能量、信道质量、电池放电量和设备缓冲区的任务；
状态集合构建模块22，用于根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合；
时延计算模块23，用于根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；
能耗计算模块24，用于根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗；
隐私量化模块25，用于对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；
优化问题构建模块26，用于根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；
优化问题求解模块27，用于基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
作为其中一个可选的实施方式，所述状态集合构建模块22，具体用于：
根据以下公式，建立每个所述移动设备的状态集合：
Sm(t)＝[Am(t),em(t),hm(t),Bm(t),Qm(t)]；
其中，Sm(t)为第m个移动设备在t时刻的状态集合，Am(t)为第m个移动设备在t时刻产生的新任务，em(t)为第m个移动设备获取到的能量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)∈{0,1}，hm(t)＝1表示信道质量好，hm(t)＝0表示信道质量差，Bm(t)为第m个移动设备的电池放电量，Qm(t)为存储在第m个移动设备的设备缓冲区的任务。
进一步地，所述时延计算模块23，具体用于：
根据以下公式，得到每个所述移动设备的任务卸载时延：
Figure BDA0003462285840000171
其中，Tm(t)为第m个移动设备的任务卸载时延，Tm,L(t)为第m个移动设备的计算时延，Tm,O(t)为第m个移动设备将任务卸载至边缘服务器或云服务器的传输时延，Tm,MEC(t)为边缘服务器的计算时延，Tm,Cloud(t)为云服务器的计算时延，αm,L(t)表示任务是否在本地执行，αm,M(t)表示任务是否在边缘服务器执行，αm,C(t)表示任务是否在云服务器执行。
作为其中一个更优的实施方式，所述能耗计算模块24，具体用于：计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为每个所述移动设备的任务卸载能耗。
优选地，所述隐私量化模块25，具体用于：
根据以下公式，对每个所述移动设备的用户使用模式进行量化，得到每个所述移动设备的用户使用隐私水平：
Figure BDA0003462285840000172
其中，Pm,u(t)为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在t时刻产生的新任务，A′m(t)为边缘服务器或云服务器记录的第m个移动设备卸载到本服务器的任务量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)＝1表示信道质量好，
Figure BDA0003462285840000181
为指示函数；
根据以下公式，对每个所述移动设备的位置信息进行量化，得到每个所述移动设备的位置隐私水平：
Figure BDA0003462285840000182
其中，Pm,l(t)为第m个移动设备的位置隐私水平，hm(t)＝0表示信道质量差；
根据以下公式，得到每个所述移动设备的任务卸载隐私水平：
Pm(t)＝β1Pm,u(t)+β2Pm,l(t)；
其中，Pm(t)为第m个移动设备的任务卸载隐私水平，β1为Pm,u(t)的权重，β2为Pm,l(t)的权重。
进一步地，所述优化问题构建模块26，具体包括：
任务卸载损耗计算单元，用于将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗；
优化问题构建单元，用于根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题。
进一步地，所述任务卸载损耗计算单元，具体用于：
根据以下公式，计算每个所述移动设备的任务卸载总损耗：
Figure BDA0003462285840000183
其中，Cm(t)为第m个所述移动设备的任务卸载总损耗，Tm(t)为第m个所述移动设备的任务卸载时延，Em(t)为第m个所述移动设备的任务卸载能耗，Qm(t)为第m个移动设备未执行的任务，Bm(t+1)为第m个移动设备的能量变化，μ为Tm(t)的权重，v为Em(t)的权重，λ1为Qm(t)的权重，λ2为
Figure BDA0003462285840000184
的权重，
Figure BDA0003462285840000191
为指示函数。
进一步地，所述优化问题构建单元，具体用于：
根据以下公式，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题
Figure BDA0003462285840000192
Figure BDA0003462285840000193
所述联合优化问题的约束条件为：
Emin≤Bm(t)≤Emax；
0≤em(t)≤emax；
Figure BDA0003462285840000194
Figure BDA0003462285840000195
0≤fm()≤fmax；
其中，ψ表示任务卸载隐私水平相对于总损耗的重要性，Pm(t)为第m个移动设备的任务卸载隐私水平，Cm(t)为第m个所述移动设备的任务卸载总损耗，M为边缘服务器或云服务器可以并行处理的所有任务量对应的移动设备数量，Bm(t)为第m个移动设备的电池放电量，Emin为电池放电量的下限，Emax为电池放电量的上限，em(t)为第m个移动设备获取到的能量，emax为移动设备获取到的能量上限，fS为边缘服务器的工作频率，
Figure BDA0003462285840000196
为边缘服务器的最大工作频率，fC为云服务器的工作频率，
Figure BDA0003462285840000197
为云服务器的最大工作频率，fm(t)为第m个移动设备一个CPU周期对应的频率，fmax为第m个移动设备一个CPU周期对应的最大频率。
作为其中一个可选的实施方式，优化问题求解模块27，具体用于：
根据每个所述移动设备的状态集合，构建状态队列；
将所述状态队列和预先获取的动作队列输入至预先构建的神经网络中，并结合深度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
需要说明的是，本实施例的一种移动边缘计算系统的任务卸载装置的各实施例的相关具体描述和有益效果可以参考上述的移动边缘计算系统的任务卸载方法的各实施例的相关具体描述和有益效果，在此不再赘述。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
综上，本发明实施例所提供的一种移动边缘计算系统的任务卸载方法及装置，首先根据获取到的每个移动设备的任务数据，建立每个所述移动设备的状态集合；然后，根据每个所述移动设备的计算时延、将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；并根据每个所述移动设备计算过程中CPU的能耗和发送任务的能耗，得到每个所述移动设备的任务卸载能耗；并且，通过对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；最后，基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。本发明既考虑到了移动设备的能耗和时延的问题，又考虑到了用户使用模式和位置信息的隐私问题，能够在减小移动设备能耗和时延的同时，有效降低用户位置信息和使用模式信息泄露的危险，提高用户数据的安全性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种移动边缘计算系统的任务卸载方法，其特征在于，包括：
获取每个移动设备的任务数据；其中，所述任务数据包括：产生的新任务、获取到的能量、信道质量、电池放电量和设备缓冲区的任务；
根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合；
根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；
根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗；
对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；
根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；
基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
2.如权利要求1所述的移动边缘计算系统的任务卸载方法，其特征在于，所述根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合，具体包括：
根据以下公式，建立每个所述移动设备的状态集合：
Sm(t)＝[Am(t),em(t),hm(t),Bm(t),Qm(t)]；
其中，Sm(t)为第m个移动设备在t时刻的状态集合，Am(t)为第m个移动设备在t时刻产生的新任务，em(t)为第m个移动设备获取到的能量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)∈{0,1}，hm(t)＝1表示信道质量好，hm(t)＝0表示信道质量差，Bm(t)为第m个移动设备的电池放电量，Qm(t)为存储在第m个移动设备的设备缓冲区的任务。
3.如权利要求1所述的移动边缘计算系统的任务卸载方法，其特征在于，所述根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延，具体包括：
根据以下公式，得到每个所述移动设备的任务卸载时延：
Figure FDA0003462285830000021
其中，tm(t)为第m个移动设备的任务卸载时延，tm,L(t)为第m个移动设备的计算时延，Tm,O(t)为第m个移动设备将任务卸载至边缘服务器或云服务器的传输时延，Tm,MEC(t)为边缘服务器的计算时延，Tm,Cloud(t)为云服务器的计算时延，αm,L(t)表示任务是否在本地执行，αm,M(t)表示任务是否在边缘服务器执行，αm,C(t)表示任务是否在云服务器执行。
4.如权利要求1所述的移动边缘计算系统的任务卸载方法，其特征在于，所述根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗，具体为：
计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为每个所述移动设备的任务卸载能耗。
5.如权利要求1所述的移动边缘计算系统的任务卸载方法，其特征在于，所述对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平，具体包括：
根据以下公式，对每个所述移动设备的用户使用模式进行量化，得到每个所述移动设备的用户使用隐私水平：
Figure FDA0003462285830000031
其中，Pm,u(t)为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在t时刻产生的新任务，A′m(t)为边缘服务器或云服务器记录的第m个移动设备卸载到本服务器的任务量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)＝1表示信道质量好，
Figure FDA0003462285830000032
为指示函数；
根据以下公式，对每个所述移动设备的位置信息进行量化，得到每个所述移动设备的位置隐私水平：
Figure FDA0003462285830000033
其中，Pm,l(t)为第m个移动设备的位置隐私水平，hm(t)＝0表示信道质量差；
根据以下公式，得到每个所述移动设备的任务卸载隐私水平：
Pm(t)＝β1Pm,u(t)+β2Pm,l(t)；
其中，Pm(t)为第m个移动设备的任务卸载隐私水平，β1为Pm,u(t)的权重，β2为Pm,l(t)的权重。
6.如权利要求1所述的移动边缘计算系统的任务卸载方法，其特征在于，所述根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题，具体包括：
将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗；
根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题。
7.如权利要求6所述的移动边缘计算系统的任务卸载方法，其特征在于，所述将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损耗，具体包括：
根据以下公式，计算每个所述移动设备的任务卸载总损耗：
Figure FDA0003462285830000041
其中，Cm(t)为第m个所述移动设备的任务卸载总损耗，Tm(t)为第m个所述移动设备的任务卸载时延，Em(t)为第m个所述移动设备的任务卸载能耗，Q′m(t)为第m个移动设备未执行的任务，Bm(t+1)为第m个移动设备的能量变化，μ为Tm(t)的权重，v为Em(t)的权重，λ1为Q′m(t)的权重，λ2为
Figure FDA0003462285830000042
的权重，
Figure FDA0003462285830000043
为指示函数。
8.如权利要求6所述的移动边缘计算系统的任务卸载方法，其特征在于，所述根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题，具体包括：
根据以下公式，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题
Figure FDA0003462285830000044
Figure FDA0003462285830000045
所述联合优化问题的约束条件为：
Emin≤Bm(t)≤Emax；
0≤em(t)≤emax；
Figure FDA0003462285830000046
Figure FDA0003462285830000047
0≤fm(t)≤fmax；
其中，ψ表示任务卸载隐私水平相对于总损耗的重要性，Pm(t)为第m个移动设备的任务卸载隐私水平，Cm(t)为第m个所述移动设备的任务卸载总损耗，M为边缘服务器或云服务器可以并行处理的所有任务量对应的移动设备数量，Bm(t)为第m个移动设备的电池放电量，Emin为电池放电量的下限，Emax为电池放电量的上限，em(t)为第m个移动设备获取到的能量，emax为移动设备获取到的能量上限，fS为边缘服务器的工作频率，
Figure FDA0003462285830000051
为边缘服务器的最大工作频率，fC为云服务器的工作频率，
Figure FDA0003462285830000052
为云服务器的最大工作频率，fm(t)为第m个移动设备一个CPU周期对应的频率，fmax为第m个移动设备一个CPU周期对应的最大频率。
9.如权利要求1所述的移动边缘计算系统的任务卸载方法，其特征在于，所述基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法，具体为：
根据每个所述移动设备的状态集合，构建状态队列；
将所述状态队列和预先获取的动作队列输入至预先构建的神经网络中，并结合深度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
10.一种移动边缘计算系统的卸载任务装置，其特征在于，包括：
数据获取模块，用于获取每个移动设备的任务数据；其中，所述任务数据包括：产生的新任务、获取到的能量、信道质量、电池放电量和设备缓冲区的任务；
状态集合构建模块，用于根据每个所述移动设备的任务数据，建立每个所述移动设备的状态集合；
时延计算模块，用于根据每个所述移动设备的计算时延、每个所述移动设备将任务卸载至服务器的传输时延、边缘服务器的计算时延和云服务器的计算时延，得到每个所述移动设备的任务卸载时延；
能耗计算模块，用于根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸载能耗；
隐私量化模块，用于对每个所述移动设备的用户使用模式和位置信息进行量化，得到每个所述移动设备的任务卸载隐私水平；
优化问题构建模块，用于根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；
优化问题求解模块，用于基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法。
CN202210020759.0A 2022-01-10 2022-01-10 一种移动边缘计算系统的任务卸载方法及装置 Pending CN114489977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210020759.0A CN114489977A (zh) 2022-01-10 2022-01-10 一种移动边缘计算系统的任务卸载方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210020759.0A CN114489977A (zh) 2022-01-10 2022-01-10 一种移动边缘计算系统的任务卸载方法及装置

Publications (1)

Publication Number Publication Date
CN114489977A true CN114489977A (zh) 2022-05-13

Family

ID=81510353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210020759.0A Pending CN114489977A (zh) 2022-01-10 2022-01-10 一种移动边缘计算系统的任务卸载方法及装置

Country Status (1)

Country Link
CN (1) CN114489977A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114968404A (zh) * 2022-05-24 2022-08-30 武汉大学 一种位置隐私保护的计算任务分布式卸载方法
CN115022322A (zh) * 2022-06-02 2022-09-06 湖南商务职业技术学院 一种车联网中基于群智进化的边云协作任务卸载方法
CN115499877A (zh) * 2022-09-26 2022-12-20 郑州大学 一种基于用户信誉度的边缘计算卸载方法
CN116156566A (zh) * 2023-04-18 2023-05-23 南京邮电大学 一种多接入边缘计算非独立性任务卸载方法
CN116560839A (zh) * 2023-05-06 2023-08-08 湖南师范大学 一种基于主从博弈的边缘计算任务卸载方法和系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114968404A (zh) * 2022-05-24 2022-08-30 武汉大学 一种位置隐私保护的计算任务分布式卸载方法
CN114968404B (zh) * 2022-05-24 2023-11-17 武汉大学 一种位置隐私保护的计算任务分布式卸载方法
CN115022322A (zh) * 2022-06-02 2022-09-06 湖南商务职业技术学院 一种车联网中基于群智进化的边云协作任务卸载方法
CN115022322B (zh) * 2022-06-02 2024-02-02 湖南第一师范学院 一种车联网中基于群智进化的边云协作任务卸载方法
CN115499877A (zh) * 2022-09-26 2022-12-20 郑州大学 一种基于用户信誉度的边缘计算卸载方法
CN116156566A (zh) * 2023-04-18 2023-05-23 南京邮电大学 一种多接入边缘计算非独立性任务卸载方法
CN116560839A (zh) * 2023-05-06 2023-08-08 湖南师范大学 一种基于主从博弈的边缘计算任务卸载方法和系统
CN116560839B (zh) * 2023-05-06 2023-11-10 湖南师范大学 一种基于主从博弈的边缘计算任务卸载方法和系统

Similar Documents

Publication Publication Date Title
CN114489977A (zh) 一种移动边缘计算系统的任务卸载方法及装置
WO2020216135A1 (zh) 基于边-端协同的多用户多mec任务卸载资源调度方法
Yu et al. Computation offloading for mobile edge computing: A deep learning approach
Liu et al. Delay-optimal computation task scheduling for mobile-edge computing systems
CN109324875B (zh) 一种基于强化学习的数据中心服务器功耗管理与优化方法
CN110941667A (zh) 一种移动边缘计算网络中的计算卸载方法及系统
US20110320520A1 (en) Dynamic partitioning of applications between clients and servers
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
CN110809291B (zh) 基于能量采集设备的移动边缘计算系统双层负载平衡方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN108366082A (zh) 扩容方法及扩容装置
CN112162863B (zh) 一种边缘卸载决策方法、终端及可读存储介质
Ren et al. DDPG based computation offloading and resource allocation for MEC systems with energy harvesting
Wang et al. Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system
Singh et al. The advantage of computation offloading in multi-access edge computing
CN116366576A (zh) 算力网络资源调度方法、装置、设备及介质
CN116016519A (zh) 一种面向QoE的边缘计算资源分配方法
CN114938381A (zh) 一种基于深度强化学习的d2d-mec卸载方法、计算机程序产品
Guo et al. Dynamic computation offloading in multi-server MEC systems: An online learning approach
Li Optimization of task offloading problem based on simulated annealing algorithm in MEC
CN117177279A (zh) 含吞吐量预测的多用户多任务计算卸载方法、装置及介质
CN116017570A (zh) 一种基于区块链的边缘计算系统资源管理方法
Zhong et al. CL-ADMM: A cooperative-learning-based optimization framework for resource management in MEC
CN117130769A (zh) 一种调频方法、频率调节神经网络的训练方法及电子设备
CN115499876A (zh) Msde场景下基于dqn算法的计算卸载策略

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