CN114547981A - 一种实现移动边缘计算任务卸载的方法及系统 - Google Patents

一种实现移动边缘计算任务卸载的方法及系统 Download PDF

Info

Publication number
CN114547981A
CN114547981A CN202210175139.4A CN202210175139A CN114547981A CN 114547981 A CN114547981 A CN 114547981A CN 202210175139 A CN202210175139 A CN 202210175139A CN 114547981 A CN114547981 A CN 114547981A
Authority
CN
China
Prior art keywords
task
energy consumption
time delay
unloading
edge computing
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
CN202210175139.4A
Other languages
English (en)
Inventor
许涛
战俊伟
庄毅
孙逸帆
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210175139.4A priority Critical patent/CN114547981A/zh
Publication of CN114547981A publication Critical patent/CN114547981A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种实现移动边缘计算任务卸载的方法及系统，方法包括：配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；建立移动边缘计算系统模型即基于Latency‑Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；根据用户配置的约束条件对任务卸载过程进行监控；输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。本发明能有效解决移动边缘计算任务卸载问题，降低系统时延和能耗，提高能源利用率。

Description

一种实现移动边缘计算任务卸载的方法及系统
技术领域
本发明属于移动边缘计算领域，特别是一种实现移动边缘计算任务卸载的方法及系统。
背景技术
随着移动互联网的发展，出现了越来越多的新型应用，例如虚拟现实、人脸识别、物联网设备等。这些新兴应用和设备往往对延迟和能耗具有较高的要求，若使用传统的云计算将任务上传到云端处理，具有较高的时延，影响了执行效率。为了应对这一巨大的挑战，许多研究人员提出了不同的解决办法，通过灵活分配计算、存储、带宽等资源来实现低延迟和低能耗。
移动边缘计算作为一种新的5G网络架构和关键技术，将云计算资源迁移到用户附近的边缘服务器，用户只需将任务卸载到边缘服务器处理。与云服务器相比，边缘服务器具有更好的灵活性以及较低的延迟。
然而，考虑到边缘服务器的计算能力是有限的，并且在超密集网络中的边缘计算任务卸载会相互产生干扰，增大传输延迟，所以，不能把所有的计算任务都卸载到边缘服务器上，部分任务应该在本地执行。虽然本地计算消耗的能量较多，但它不会产生传输延迟。因此，如何做出有效的卸载决策，减少边缘计算任务卸载的能耗和延迟是至关重要的。
发明内容
本发明的目的在于针对现有技术存在的不足，提供一种实现移动边缘计算任务卸载的方法及系统，能有效解决移动边缘计算任务卸载问题，降低时延和能耗，提高能源利用率。
实现本发明目的的技术解决方案为：一种实现移动边缘计算任务卸载的方法，所述方法包括以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
一种实现移动边缘计算任务卸载的系统，所述系统包括：
用户配置模块，用于配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
任务卸载模块，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；并利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
性能监控模块，用于根据用户配置的约束条件对任务卸载过程进行监控；
结果输出模块，用于输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
进一步地，所述系统还包括：
结果查询模块，用于根据用户和任务编号，查询任务卸载的位置信息和任务处理的时延、能耗、总开销信息，并显示任务卸载是否成功。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
本发明与现有技术相比，其显著优点为：
1)本发明的移动边缘计算任务卸载系统模型，考虑了边缘设备的剩余电量，使用时延、能耗加权因子计算边缘设备的总开销，具有延长设备使用时间，减少任务卸载时延和能耗的优点。
2)本发明提出的基于改进遗传算法的移动边缘计算任务卸载算法，将求解最优卸载决策的问题转化为求解种群最优解的问题，算法求解更精确，能够避免陷入局部最优解，有效求解任务卸载问题，利于寻找最佳任务卸载决策。
3)本发明对任务卸载时延、MEC服务器计算资源量、边缘设备剩余电量进行了监控，可以有效防止任务卸载超时、MEC服务器过载、边缘设备能耗过大等问题，保证任务卸载的合理性。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中实现移动边缘计算任务卸载的系统结构图。
图2为一个实施例中系统模型示意图。
图3为一个实施例中用户配置模块流程图。
图4为一个实施例中任务卸载模块流程图。
图5为一个实施例中性能监控模块流程图。
图6为一个实施例中总开销与卸载策略关系图。
图7为一个实施例中本发明算法与传统遗传算法收敛结果对比示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，提供了一种实现移动边缘计算任务卸载的方法，所述方法包括以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
进一步地，在其中一个实施例中，结合图3，步骤1所述配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束，具体为根据每个用户的任务对时延和能耗的不同要求进行相关配置，具体包括：
步骤1-1，设置时延能耗加权因子，用于表示不同用户对时延和能耗的偏好程度；
步骤1-2，设置边缘设备的剩余电量，用于修改加权因子并对系统能耗进行约束；
步骤1-3，配置任务大小范围、任务所需的CPU周期数以及任务最大容忍时延，用于产生一批满足需求的任务。
进一步地，在其中一个实施例中，步骤2所述建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型，具体包括：
(1)首先建立时延模型，得到各子任务在本地和边缘服务器的计算时延，具体为：
第i个子任务本地计算时延tl表示为：
Figure BDA0003518811530000041
其中，xi0表示任务i在本地设备计算，ci表示第i个子任务所需的CPU周期，f0表示本地设备的CPU频率；
第i个子任务在边缘服务器的计算时延tc表示为：
Figure BDA0003518811530000042
其中，xik表示第i个任务卸载到第k个边缘服务器计算，ci表示第i个子任务所需的cpu周期，fk表示边缘服务器k的cpu频率；
第i个子任务传输时延tu表示为：
Figure BDA0003518811530000051
其中，di表示第i个任务的数据量大小，rk表示任务卸载到第k个边缘服务器的传输速率；
第i个子任务总的时延为本地计算时延和卸载产生时延的最大值T，表示为：
T＝max(tl,tc+tu)
(2)然后建立能耗模型，得到各子任务在本地和边缘服务器的能耗，具体为：
第i个子任务本地能耗el表示为：
Figure BDA0003518811530000052
其中，能耗系数κ是与移动设备的芯片结构相关的常数；
第i个子任务传输能耗ec表示为：
Figure BDA0003518811530000053
其中，p是设备的传输功率；
第i个子任务总能耗为本地能耗与传输能耗之和E，表示为：
E＝el+ec
(3)根据所求的时延能耗开销，利用剩余电量加权因子得出系统总开销模型，具体为：
剩余电量加权因子包括时延和能耗加权因子，其中时延加权因子wt表示为：
wt＝ln[λ(ew-1)+1]
其中，w是用户自定义的时延权重因子，λ是设备剩余电量百分比；
能耗加权因子we表示为：
we＝1-wt
系统总开销W表示为：
W＝wtT+weE。
进一步地，在其中一个实施例中，步骤2中所述改进遗传算法包括四种新型交叉变异方式：单体分解、双体组合、间隔互换、双体交叉，具体地：
(1)发生单体分解的染色体分解后产生两个染色体，在原染色体中随机选择一个分解点，分解得到两个新的染色体；单体分解随个体适应度的动态执行概率p1表示为：
Figure BDA0003518811530000061
式中，lmax和lmin分别表示种群中的最大和最小适应度，l表示当前个体的适应度，lavg表示种群平均适应度；
(2)双体组合是两个染色体进行染色体组合操作，选择两个染色体，随机生成一个组合点，新染色体继承原染色体的部分基因，生成一个新的染色体；双体组合随种群进化的动态执行概率p2表示为：
Figure BDA0003518811530000062
其中，ps2为初始执行概率值，pe2为结束执行概率值，Iter为当前种群进化代数，Itermax为算法最大迭代次数；
(3)间隔互换是指两个染色体相互间交叉易位的过程。从原染色体中选择两个间隔点，交换对应点的基因，生成两个新的染色体。间隔互换随种群进化的动态执行概率p3表示为：
Figure BDA0003518811530000063
式中，l1、l2分别表示两个染色体的适应度，交叉易位的染色体个数u1的计算如下：
Figure BDA0003518811530000064
(4)双体交叉是两个染色体C1和C2相同位置连续的若干基因发生交叉换位；对于两个染色体，随机选择一个交叉点,对交叉点后的基因位置互换，生成两个新的染色体，双体交叉的动态执行概率p4表示为：
p4＝1-p1-p2-p3
交叉易位的染色体个数u2的计算如下：
Figure BDA0003518811530000071
进一步地，在其中一个实施例中，结合图4，步骤2中利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载，具体过程包括：
步骤2-1，初始化改进遗传算法相关参数并生成初始化种群，生成初始卸载策略；
步骤2-2，计算所有任务在本地、边缘服务器、的时延、能耗和系统总开销，并以此生成新的种群，调整遗传算法的交叉变异概率；
步骤2-3，判断是否达到输出条件，当达到最大迭代次数时返回最佳卸载策略。
进一步地，在其中一个实施例中，结合图5，步骤3所述根据用户配置的约束条件对任务卸载过程进行监控，具体过程包括：
步骤3-1，对任务处理时延进行监控，判断是否超出设置的最大容忍时延，若超出则返回执行步骤2以改变卸载策略，否则执行下一步；
步骤3-2，对移动边缘计算MEC服务器的计算资源进行监控，判断当前卸载策略的计算量是否过载，若过载则返回执行步骤2以改变卸载策略，否则执行下一步；
步骤3-3，判断用户边缘设备的剩余电量是否充足，若不充足则返回执行步骤2以改变卸载策略，否则表示当前任务卸载算法求出的卸载决策合理。
在一个实施例中，结合图1和图2，提供了一种实现移动边缘计算任务卸载的系统，所述系统包括：
用户配置模块，用于配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
任务卸载模块，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；并利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
性能监控模块，用于根据用户配置的约束条件对任务卸载过程进行监控；
结果输出模块，用于输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
进一步地，在其中一个实施例中，所述系统还包括：
结果查询模块，用于根据用户和任务编号，查询任务卸载的位置信息和任务处理的时延、能耗、总开销信息，并显示任务卸载是否成功，还显示在不同电量下，系统时延、能耗和总开销的变化如图6所示。结合图7，显示本发明改进后的算法和遗传算法在求解时的效果，可见本发明算法在相同的迭代次数下能求得更好的移动边缘计算任务卸载策略。
关于实现移动边缘计算任务卸载的系统的具体限定可以参见上文中对于实现移动边缘计算任务卸载的方法的限定，在此不再赘述。上述实现移动边缘计算任务卸载的系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
关于每一步的具体限定可以参见上文中对于实现移动边缘计算任务卸载的方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
关于每一步的具体限定可以参见上文中对于实现移动边缘计算任务卸载的方法的限定，在此不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。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 (10)

1.一种实现移动边缘计算任务卸载的方法，其特征在于，所述方法包括以下步骤：
步骤1，配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
步骤2，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
步骤3，根据用户配置的约束条件对任务卸载过程进行监控；
步骤4，输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
2.根据权利要求1所述的实现移动边缘计算任务卸载的方法，其特征在于，步骤1所述配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束，具体为根据每个用户的任务对时延和能耗的不同要求进行相关配置，具体包括：
步骤1-1，设置时延能耗加权因子，用于表示不同用户对时延和能耗的偏好程度；
步骤1-2，设置边缘设备的剩余电量，用于修改加权因子并对系统能耗进行约束；
步骤1-3，配置任务大小范围、任务所需的CPU周期数以及任务最大容忍时延，用于产生一批满足需求的任务。
3.根据权利要求1或2所述的实现移动边缘计算任务卸载的方法，其特征在于，步骤2所述建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型，具体包括：
(1)首先建立时延模型，得到各子任务在本地和边缘服务器的计算时延，具体为：
第i个子任务本地计算时延tl表示为：
Figure FDA0003518811520000011
其中，xi0表示任务i在本地设备计算，ci表示第i个子任务所需的CPU周期，f0表示本地设备的CPU频率；
第i个子任务在边缘服务器的计算时延tc表示为：
Figure FDA0003518811520000012
其中，xik表示第i个任务卸载到第k个边缘服务器计算，ci表示第i个子任务所需的cpu周期，fk表示边缘服务器k的cpu频率；
第i个子任务传输时延tu表示为：
Figure FDA0003518811520000021
其中，di表示第i个任务的数据量大小，rk表示任务卸载到第k个边缘服务器的传输速率；
第i个子任务总的时延为本地计算时延和卸载产生时延的最大值T，表示为：
T＝max(tl,tc+tu)
(2)然后建立能耗模型，得到各子任务在本地和边缘服务器的能耗，具体为：
第i个子任务本地能耗el表示为：
Figure FDA0003518811520000022
其中，能耗系数κ是与移动设备的芯片结构相关的常数；
第i个子任务传输能耗ec表示为：
Figure FDA0003518811520000023
其中，p是设备的传输功率；
第i个子任务总能耗为本地能耗与传输能耗之和E，表示为：
E＝el+ec
(3)根据所求的时延能耗开销，利用剩余电量加权因子得出系统总开销模型，具体为：
剩余电量加权因子包括时延和能耗加权因子，其中时延加权因子wt表示为：
wt＝ln[λ(ew-1)+1]
其中，w是用户自定义的时延权重因子，λ是设备剩余电量百分比；
能耗加权因子we表示为：
we＝1-wt
系统总开销W表示为：
W＝wtT+weE。
4.根据权利要求3所述的实现移动边缘计算任务卸载的方法，其特征在于，步骤2中所述改进遗传算法包括四种新型交叉变异方式：单体分解、双体组合、间隔互换、双体交叉，具体地：
(1)发生单体分解的染色体分解后产生两个染色体，在原染色体中随机选择一个分解点，分解得到两个新的染色体；单体分解随个体适应度的动态执行概率p1表示为：
Figure FDA0003518811520000031
式中，lmax和lmin分别表示种群中的最大和最小适应度，l表示当前个体的适应度，lavg表示种群平均适应度；
(2)双体组合是两个染色体进行染色体组合操作，选择两个染色体，随机生成一个组合点，新染色体继承原染色体的部分基因，生成一个新的染色体；双体组合随种群进化的动态执行概率p2表示为：
Figure FDA0003518811520000032
其中，ps2为初始执行概率值，pe2为结束执行概率值，Iter为当前种群进化代数，Itermax为算法最大迭代次数；
(3)间隔互换是指两个染色体相互间交叉易位的过程。从原染色体中选择两个间隔点，交换对应点的基因，生成两个新的染色体。间隔互换随种群进化的动态执行概率p3表示为：
Figure FDA0003518811520000033
式中，l1、l2分别表示两个染色体的适应度，交叉易位的染色体个数u1的计算如下：
Figure FDA0003518811520000034
(4)双体交叉是两个染色体C1和C2相同位置连续的若干基因发生交叉换位；对于两个染色体，随机选择一个交叉点,对交叉点后的基因位置互换，生成两个新的染色体，双体交叉的动态执行概率p4表示为：
p4＝1-p1-p2-p3
交叉易位的染色体个数u2的计算如下：
Figure FDA0003518811520000041
5.根据权利要求4所述的实现移动边缘计算任务卸载的方法，其特征在于，步骤2中利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载，具体过程包括：
步骤2-1，初始化改进遗传算法相关参数并生成初始化种群，生成初始卸载策略；
步骤2-2，计算所有任务在本地、边缘服务器、的时延、能耗和系统总开销，并以此生成新的种群，调整遗传算法的交叉变异概率；
步骤2-3，判断是否达到输出条件，当达到最大迭代次数时返回最佳卸载策略。
6.根据权利要求5所述的实现移动边缘计算任务卸载的方法，其特征在于，步骤3所述根据用户配置的约束条件对任务卸载过程进行监控，具体过程包括：
步骤3-1，对任务处理时延进行监控，判断是否超出设置的最大容忍时延，若超出则返回执行步骤2以改变卸载策略，否则执行下一步；
步骤3-2，对移动边缘计算MEC服务器的计算资源进行监控，判断当前卸载策略的计算量是否过载，若过载则返回执行步骤2以改变卸载策略，否则执行下一步；
步骤3-3，判断用户边缘设备的剩余电量是否充足，若不充足则返回执行步骤2以改变卸载策略，否则表示当前任务卸载算法求出的卸载决策合理。
7.一种实现移动边缘计算任务卸载的系统，其特征在于，所述系统包括：
用户配置模块，用于配置每个用户的边缘设备信息、任务信息、时延能耗加权因子，配置任务卸载系统约束；
任务卸载模块，建立移动边缘计算系统模型即基于Latency-Energy任务卸载模型，包括本地处理和任务卸载的时延、能耗、总开销模型；并利用基于改进遗传算法的任务卸载方法进行边缘计算任务卸载；
性能监控模块，用于根据用户配置的约束条件对任务卸载过程进行监控；
结果输出模块，用于输出边缘计算最终的时延、能耗、系统总开销和任务卸载方案结果。
8.根据权利要求7所述的实现移动边缘计算任务卸载的系统，其特征在于，所述系统还包括：
结果查询模块，用于根据用户和任务编号，查询任务卸载的位置信息和任务处理的时延、能耗、总开销信息，并显示任务卸载是否成功。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
CN202210175139.4A 2022-02-24 2022-02-24 一种实现移动边缘计算任务卸载的方法及系统 Pending CN114547981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210175139.4A CN114547981A (zh) 2022-02-24 2022-02-24 一种实现移动边缘计算任务卸载的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210175139.4A CN114547981A (zh) 2022-02-24 2022-02-24 一种实现移动边缘计算任务卸载的方法及系统

Publications (1)

Publication Number Publication Date
CN114547981A true CN114547981A (zh) 2022-05-27

Family

ID=81678774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210175139.4A Pending CN114547981A (zh) 2022-02-24 2022-02-24 一种实现移动边缘计算任务卸载的方法及系统

Country Status (1)

Country Link
CN (1) CN114547981A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780254A (zh) * 2022-06-20 2022-07-22 湖南苏科智能科技有限公司 一种基于物联网的分布式节点资源优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780254A (zh) * 2022-06-20 2022-07-22 湖南苏科智能科技有限公司 一种基于物联网的分布式节点资源优化方法
CN114780254B (zh) * 2022-06-20 2022-09-16 湖南苏科智能科技有限公司 一种基于物联网的分布式节点资源优化方法

Similar Documents

Publication Publication Date Title
Chen et al. Dynamic task offloading for mobile edge computing with hybrid energy supply
Wei et al. Multi-resource balance optimization for virtual machine placement in cloud data centers
CN111813506A (zh) 一种基于粒子群算法资源感知计算迁移方法、装置及介质
CN112214301B (zh) 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN111726854A (zh) 一种降低物联网计算卸载能耗的方法
CN111857976B (zh) 一种基于分解的多目标优化的计算迁移方法
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
Muslim et al. Reinforcement learning based offloading framework for computation service in the edge cloud and core cloud
CN110489233A (zh) 基于移动边缘计算的设备任务卸载及cpu调频方法及系统
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN114547981A (zh) 一种实现移动边缘计算任务卸载的方法及系统
CN112492032A (zh) 一种移动边缘环境下的工作流协作调度方法
Dong et al. Quantum particle swarm optimization for task offloading in mobile edge computing
He et al. Energy-efficient framework for virtual machine consolidation in cloud data centers
Dong et al. Content caching-enhanced computation offloading in mobile edge service networks
Meng et al. Achieving energy efficiency through dynamic computing offloading in mobile edge-clouds
Pan et al. Multi-user computation offloading algorithm for mobile edge computing
Singhrova et al. Prioritized GA-PSO algorithm for efficient resource allocation in fog computing
Li et al. Deep reinforcement learning-based power and caching joint optimal allocation over mobile edge computing
Hao et al. Research for energy optimized resource scheduling algorithm in cloud computing base on task endurance value
Yuan et al. Profit-maximized task offloading with simulated-annealing-based migrating birds optimization in hybrid cloud-edge systems
Ren et al. Enhancing generalization of computation offloading policies in novel mobile edge computing environments by exploiting experience utility
Li et al. A new multi-subpopulation co-evolutionary genetic algorithm for cloud resource scheduling
Tian et al. Global energy optimization strategy based on delay constraints in edge computing environment

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