CN114585006A - 基于深度学习的边缘计算任务卸载和资源分配方法 - Google Patents

基于深度学习的边缘计算任务卸载和资源分配方法 Download PDF

Info

Publication number
CN114585006A
CN114585006A CN202210257111.5A CN202210257111A CN114585006A CN 114585006 A CN114585006 A CN 114585006A CN 202210257111 A CN202210257111 A CN 202210257111A CN 114585006 A CN114585006 A CN 114585006A
Authority
CN
China
Prior art keywords
task
mobile
edge
computing
model
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.)
Granted
Application number
CN202210257111.5A
Other languages
English (en)
Other versions
CN114585006B (zh
Inventor
马连博
陈怡丹
王学毅
杨晓东
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210257111.5A priority Critical patent/CN114585006B/zh
Publication of CN114585006A publication Critical patent/CN114585006A/zh
Application granted granted Critical
Publication of CN114585006B publication Critical patent/CN114585006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/02Arrangements for optimising operational condition
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/06Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/04Wireless resource allocation
    • H04W72/044Wireless resource allocation based on the type of the allocated resource
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/50Allocation or scheduling criteria for wireless resources
    • H04W72/535Allocation or scheduling criteria for wireless resources based on resource usage policies
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/50Allocation or scheduling criteria for wireless resources
    • H04W72/54Allocation or scheduling criteria for wireless resources based on quality criteria
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于深度学习的边缘计算任务卸载和资源分配方法,将多目标进化优化应用于多用户多边缘服务器的网络环境中。具体是在构建系统模型的过程中,分别将系统内总能量消耗、总时间延迟和总价格成本作为三个独立的子目标,利用NSGA‑Ⅱ求解最优解集;然后根据不同用户对这三个目标的偏好情况从最优解集中确定最佳方案;最后通过上述方法构建用于训练的数据集,利用深度学习算法获得训练模型来替代详细决策和分配过程,本发明有效提高了移动边缘计算系统中任务卸载问题的决策速度和可靠性,为系统内的移动用户带来了更优的服务质量。

Description

基于深度学习的边缘计算任务卸载和资源分配方法
技术领域
本发明涉及移动边缘计算技术领域,具体涉及一种基于深度学习的边缘计算任务卸载和资源分配方法。
背景技术
近年来,由于大数据与无线通信技术的突破性进展,连接到无线网络上的移动用户和设备爆炸式增长,在网络的边缘产生了海量的数据;与此同时,诸如虚拟现实、自动驾驶和人脸识别等新兴应用通常都是计算密集型和延迟敏感性任务,导致人们对网络环境和任务处理能力提出了新的挑战。传统的云计算需要利用具有强大计算能力的云中心来集中的解决计算和存储问题,但这种单一的计算模式无法满足新兴应用和移动设备对实时性和低能耗等要求。移动边缘计算(mobile edge computing,MEC)就是在此基础上提出的在网络边缘执行计算的一种新型计算模式。MEC通过在边缘设备附近建立边缘服务器,移动用户可以将本地难以处理的任务卸载到附近的边缘服务器中执行,从而降低本地处理的能量消耗和任务延迟,在保证任务顺利完成的情况下给用户带来高质量的服务体验。然而,当同一区域的移动用户数量过多、任务处理过于密集时,大量的数据传输很有可以引起网内拥堵和响应时间增加,从而导致MEC系统瘫痪。因此,设计一个合理的MEC系统尤为重要。
为了最大限度地提高MEC系统的有效性,提高系统内任务的完成率和服务质量,在设计MEC系统时需要考虑两方面的问题:一是系统中哪些用户的任务需要被卸载到边缘服务器中执行,卸载时的最佳功率也需要被确定;二是需要考虑MEC系统中任务执行的能量消耗、时间延迟和价格成本三者之间的平衡。现有的MEC方法大多都聚焦于单一目标的研究,很少考虑对多个目标同时优化。此外,传统的卸载方案通常假设边缘服务器具有无限的计算能力,也很少将数据传输时的相互干扰对卸载决策的影响考虑在内。所以MEC系统中任务卸载和资源分配问题仍然存在不足,缺少一个更加合理和准确的方法。
多目标进化优化(multi-objective evolutionary algorithm,MOEA)属于进化计算领域,如今被普遍应用于实际工程中优化问题的多个目标之间相互作用且冲突的情况。MOEA从一组随机产生的种群开始,对种群中的个体执行选择、交叉和变异操作,经过多次迭代来提高个体的适应度,从而不断逼近Pareto前沿,得到最优解集的过程。对于基于支配关系的MOEA,其基本思路是利用基于Pareto的适应度分配策略,从当前进化群体中找出所以的非支配个体,如NSGA-Ⅱ,具有运行速度快,解集收敛性好的优点。
深度学习(deep learning,DL)属于机器学习领域,是指通过模拟人脑中的神经网络来学习样本数据的内在规律和表示层次,从而使机器能够像人一样具有分析学习的能力,可以做出准确的判断。近年来,由于相关技术的突破性进展,深度学习广泛的应用于解决复杂场景的问题,并表现出了优秀的效果。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的边缘计算任务卸载和资源分配方法,将多目标进化优化应用于多用户多边缘服务器的网络环境中。具体是在构建系统模型的过程中,分别将系统内总能量消耗、总时间延迟和总价格成本作为三个独立的子目标,利用NSGA-Ⅱ求解最优解集;然后根据不同用户对这三个目标的偏好情况从最优解集中确定最佳方案;最后通过上述方法构建用于训练的数据集,利用深度学习算法获得训练模型来替代详细决策和分配过程。
为实现上述技术效果,本发明提出的一种基于深度学习的边缘计算任务卸载和资源分配方法,包括:
步骤1:对移动边缘计算网络进行系统建模;
步骤2:构建移动边缘计算系统中任务卸载和资源分配问题的目标函数;
步骤3:根据移动边缘计算系统中任务卸载和资源分配问题的相关属性值生成初始种群,采用NSGA-Ⅱ算法求解系统模型得到最优解决方案的决策变量;
步骤4:构建深度神经网络模型,利用步骤3生成的决策变量对深度神经网络模型进行训练;
步骤5:获取待检测的移动边缘计算系统中任务卸载和资源分配问题的相关属性值,利用训练后的深度神经网络模型预测最优决策变量,根据最优决策变量对移动边缘计算系统中的计算任务和资源进行分配。
所述步骤1中的系统模型包括网络模型、通信模型、计算模型和成本模型,首先需要构建出网络模型,然后在此基础上构建出相应的通信模型、计算模型和成本模型,具体建模过程包括:
构建网络模型,将N个移动用户表示为U={u1,u2,…,uN},其中每个用户i都携带一个待处理的计算密集型或延迟敏感型任务,由Ti={si,ci,ti}表示,si表示任务Ti的数据量大小,ci表示任务Ti的计算量,ti表示完成任务Ti的最大可接受延迟,M个无线基站表示为B={1,2,…,M};
确定卸载时用于数据传输过程的通信模型,用
Figure BDA0003549090130000021
表示从移动用户i到其任务卸载的目的基站ηi之间的传输速度,i=1,2,…,N;ηi∈B,
Figure BDA0003549090130000031
表示为:
Figure BDA0003549090130000032
其中,B表示信道带宽,σ2表示移动设备i的噪声功率,
Figure BDA0003549090130000033
表示第i个移动用户与目的基站之间的信道增益,
Figure BDA0003549090130000034
为通过同一无线信道传输的数据之间的相互干扰功率,pi表示第i个移动用户用于数据传输的上行传输功率;
计算移动用户到服务器之间通信的时间延迟
Figure BDA0003549090130000035
和能量消耗
Figure BDA0003549090130000036
Figure BDA0003549090130000037
构建计算模型,计算任务Ti在本地的执行时间延迟
Figure BDA0003549090130000038
表示为:
Figure BDA0003549090130000039
式中,xi表示任务卸载决策变量,xi=0代表任务不进行卸载操作,fi L表示移动设备i本地的计算能力;ci表示待处理任务Ti的计算量;
本地执行的能量消耗
Figure BDA00035490901300000310
Figure BDA00035490901300000311
式中,κ表示移动用户i的硬件架构系数;
边缘云的执行延迟
Figure BDA00035490901300000312
Figure BDA00035490901300000313
其中,
Figure BDA00035490901300000314
代表卸载目的边缘云ηi分配给移动设备i的计算资源的比例;
Figure BDA00035490901300000315
表示目的边缘云ηi的计算能力;
Figure BDA00035490901300000316
ηi∈B,B={1,2,…,M};M表示本MEC系统中含有的边缘云服务器个数;
成本模型是指移动用户i将计算任务卸载到边缘云服务器中执行时需要支付给边缘云运营商的报酬,成本模型的表达式ri为:
Figure BDA0003549090130000041
式中,
Figure BDA0003549090130000042
代表卸载目的边缘云ηi的计算资源单位成本。
所述步骤2中的目标函数包括最小化移动设备本地总能量消耗、最小化待处理任务总时间延迟和最小化处理任务所花费的总成本;具体构建过程包括:
所述最小化移动设备本地总能量消耗,是指最小化所有移动用户在完成待处理任务过程中的总能量消耗E,包括本地执行能耗和传输能耗;
Figure BDA0003549090130000043
式中,
Figure BDA0003549090130000044
所述最小化待处理任务总时间延迟,是指最小化所有移动用户在完成待处理任务过程中所需的时间延迟T,包括本地执行时延、传输时延和边缘云服务器端执行时延;
Figure BDA0003549090130000045
式中,
Figure BDA0003549090130000046
所述最小化处理任务所花费的总成本,是指最小化所有移动用户在边缘云服务器端执行计算任务时所需要给边缘云提供商支付的总报酬C,表示为:
Figure BDA0003549090130000047
所述步骤3中的相关属性值包括:各个移动用户的位置信息、本地计算能力和剩余电池储量,各个待处理任务的数据量大小,所需计算量和最大可接受延迟,以及各个基站的网络条件、所搭载边缘云服务器的计算能力和执行计算任务的单位成本。
所述步骤3中采用NSGA-Ⅱ算法求解系统模型得到最优解决方案的决策变量,包括:
步骤3.1:构建移动边缘计算系统中任务卸载和资源分配问题的混合编码染色体模型,即个体,每个个体包括:确定移动用户i是否卸载的二元变量xi∈{0,1};确定用户要将任务卸载到哪个边缘服务器中的整数变量ηi∈B,若不进行卸载操作,则决策变量ηi值为0;边缘服务器给该移动用户分配的计算能力的比例λi∈[0,1],介于0到1之间;移动用户i进行卸载操作时上行传输功率
Figure BDA0003549090130000051
属于实数变量,若该用户无需卸载,则决策变量pi值为0,意味着不需要传输功率;染色体个体大小取决于系统内移动用户的数量;
步骤3.2:根据混合编码染色体模型随机生成初始种群,种群大小设定为GEN,并带入步骤2所构建的三个目标函数中,求出目标函数值,并逐个保存到该条染色体的末尾;
步骤3.3:对种群进行快速非支配排序,计算出每个个体的被支配个数和该个体支配的解的集合,将支配排序记录在该条染色体末尾,直到种群等级被完全划分,最后按照求出的种群等级对整个种群从小到大排序;
步骤3.4:计算个体间的拥挤距离P[f]distance,将求解出的拥挤距离记录在染色体末尾;
Figure BDA0003549090130000052
其中,E[f+1]、T[f+1]和C[f+1]分别代表步骤2中三个目标函数E、T、C在第f+1个个体中的函数值;F表示种群中的个体,f={1,2,3,…,F};
步骤3.5:采用二元竞标赛选择、交叉和变异操作生成下一代种群,迭代执行步骤3.3和步骤3.4,直到满足给定的迭代次数,迭代计算结束后输出Pareto前沿作为最优解集;
步骤3.6:设置不同目标函数的权重系数,从最优解集中选择出最优解决方案对应的决策变量。
所述步骤3.6包括:
步骤3.6.1:根据三个目标间不同需求所设置的权重系数分别计算最优解集中各个解的综合影响因素值Φ,并对计算结果进行排序,选出综合结果最小的个体作为联合优化的最优解;
Φ=δ1E+δ2T+δ3C
式中,δ1、δ2、δ3分别表示三个目标函数的权重系数,δ123=1;
步骤3.6.2:重复步骤3.6.1,计算出最优解集中每个解决方案的综合因素值,将最大综合因素值对应的解决方案作为最优的解决方案;
步骤3.6.3:将最优解决方案对应的决策变量作为最优的一组决策变量。
所述步骤4包括:
步骤4.1:利用深度神经网络模型对决策框架进行训练制作样本集;
步骤4.2:构建深度神经网络模型,所述深度神经网络模型包括一个输入层、一个输出层、2个隐藏层,每个隐藏层各有64个神经元;
步骤4.3:将步骤4.1.3生成的样本集作为深度神经网络模型的输入,对模型参数进行训练。
所述步骤4.1具体表述为:
步骤4.1.1:构建深度学习的状态空间、动作空间:
状态空间S:将时间间隔t作为一个决策周期,每个决策周期的状态包括移动边缘计算网络中用户信息、边缘服务器信息和当前用户的任务请求,所述每个决策变量表示为:{S=(u,b,t)∈S|u∈U,b∈B,t∈T};
动作空间A:动作具体是指移动边缘计算网络中任务卸载决策和资源分配方案,决策周期内对应的动作空间包含移动边缘计算网络中任务卸载决策,任务卸载目的基站,目的基站所提供计算资源分配比例以及传输功率控制,可用如下公式表示:
Figure BDA0003549090130000061
将状态空间作为深度监督学习算法的输入,将动作空间作为深度监督学习算法的输出;
步骤4.1.2:随机生成ξ个状态空间向量,根据步骤3.7.3生成的最优决策变量得到相应的动作空间向量;
步骤4.1.3:根据步骤4.1.2中生成的状态变量、动作空间向量以及相应的决策变量作为样本集。
本发明的有益效果是:
本发明提出了一种基于深度学习的边缘计算任务卸载和资源分配方法,与现有技术相比,本发明所提技术方案同时对移动边缘计算中的能耗、时延和成本三个关键问题进行优化,选择出综合表现最优的解决方案;并且通过训练神经网络的方式,训练决策框架来替代详细的决策和分配过程,有效提高了移动边缘计算系统中任务卸载问题的决策速度和可靠性,为系统内的移动用户带来了更优的服务质量。
附图说明
图1为本发明中基于深度学习的多目标MEC系统中任务卸载和资源分配方法流程图;
图2为本发明中多用户多边缘服务器的移动边缘计算网络系统结构图;
图3为本发明中混合编码染色体的示意图;
图4为本发明中深度神经网络架构的示意图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
如图1所示,一种基于深度学习的边缘计算任务卸载和资源分配方法,包括:
步骤1:对移动边缘计算网络进行系统建模;包括网络模型、通信模型、计算模型和成本模型,首先需要构建出网络模型,然后在此基础上构建出相应的通信模型、计算模型和成本模型,具体建模过程包括:
构建网络模型,在网络模型中,将N个移动用户表示为U={u1,u2,…,uN},其中每个用户i都携带一个待处理的计算密集型或延迟敏感型任务,由Ti={si,ci,ti}表示,si表示任务Ti的数据量大小,即输入数据,ci表示任务Ti的计算量,也就是指完成任务所需的CPU周期数,ti表示完成任务Ti的最大可接受延迟,实际完成时间不应超过这个值;M个无线基站表示为B={1,2,…,M},每个基站上都搭载着边缘云服务器,相对于移动设备来说这个服务器具有更优的计算能力和存储容量,可以用来处理移动用户的待处理任务;基站还提供用于通信的无线子信道,移动用户可以在需要的时候将任务通过无线子信道卸载到边缘云服务器;网络模型如图2所示;
本实施例中,将获取的信息通过数字记录相关的属性值:设定该移动边缘计算场景下移动用户的数量N为50个,无线基站的数量M为5个,每个基站含有5条无线子信道,本场景中所提供无线子信道的总数为25条。用户i的待处理任务用二元组{5,1}表示,前者代表si,单位为MB,后者代表ci,单位为Gigacycles。
在网络模型构建的基础上,确定卸载时用于数据传输过程的通信模型,用
Figure BDA0003549090130000071
表示从移动用户i到其任务卸载的目的基站ηi之间的传输速度,i=1,2,…,N;ηi∈B,
Figure BDA0003549090130000072
表示为:
Figure BDA0003549090130000073
其中,B表示信道带宽,σ2表示移动设备i的噪声功率,
Figure BDA0003549090130000074
表示第i个移动用户与目的基站之间的信道增益,
Figure BDA0003549090130000075
为通过同一无线信道传输的数据之间的相互干扰功率,pi表示第i个移动用户用于数据传输的上行传输功率;每个移动用户都有最大发射功率,用
Figure BDA0003549090130000076
表示,pi不能超过该移动用户本身最大的发射功率;
其中,移动用户和基站之间的信道增益取决于两者之间的物理距离,如
Figure BDA0003549090130000077
所示,β为路径损耗系数;
由此可以获得通信过程所花费的时间延迟和能量消耗,如下公式所示,计算移动用户到服务器之间通信的时间延迟
Figure BDA0003549090130000078
和能量消耗
Figure BDA0003549090130000079
Figure BDA0003549090130000081
由于用户任务的计算结果远远小于卸载时的数据量,故忽略处理结果的传输延迟;
本实施例中设定信道带宽为10MHz,移动设备的噪声功率为-106dBm,移动用户和基站之间的物理距离用矩阵表示,其中横轴代表移动用户,纵轴代表基站,如下所示,单位为m;
Figure BDA0003549090130000082
在移动边缘计算MEC系统中,移动用户可以根据自身硬件情况(如本地计算能力以及电池储量)和当前网络条件,决定其计算任务Ti应该在本地还是在卸载到附近的边缘云服务器中执行。针对计算模型,我们用xi作为任务的卸载决策变量,xi=0代表任务不进行卸载操作,在本地执行,用fi L表示移动设备i本地的计算能力,那么任务Ti在本地的执行时间延迟
Figure BDA0003549090130000083
表示为:
Figure BDA0003549090130000084
式中,xi表示任务卸载决策变量,xi=0代表任务不进行卸载操作,fi L表示移动设备i本地的计算能力;ci表示待处理任务Ti的计算量;
本地执行的能量消耗
Figure BDA0003549090130000085
Figure BDA0003549090130000086
式中,κ表示移动用户i的硬件架构系数;
同理,xi=1代表将计算任务卸载到边缘云上执行。考虑到各个边缘云服务器处理能力的差异性,用
Figure BDA0003549090130000087
来表示边缘云分配给移动用户用来处理任务的计算能力。那么边缘云的执行延迟
Figure BDA0003549090130000088
Figure BDA0003549090130000089
其中,
Figure BDA00035490901300000810
代表卸载目的边缘云ηi分配给移动设备i的计算资源的比例;
Figure BDA00035490901300000811
表示目的边缘云ηi的计算能力;
Figure BDA0003549090130000091
ηi∈B,B={1,2,…,M};M表示本MEC系统中含有的边缘云服务器个数;
本实施例设定移动设备本地计算能力fi L的范围为[0.5,1.0]GHz,设定边缘服务器处理能力的范围为[5,10]GHz。
成本模型是指移动用户i将计算任务卸载到边缘云服务器中执行时需要支付给边缘云运营商的报酬,成本模型的表达式ri为:
Figure BDA0003549090130000092
式中,
Figure BDA0003549090130000093
代表卸载目的边缘云ηi的计算资源单位成本。
本实例设定边缘云中计算资源的单位成本用一个数组表示,记录为[2,1,1,3,2],其中第一个数字2表示编号为1的边缘云的单位计算成本,以此类推。
步骤2:构建移动边缘计算系统中任务卸载和资源分配问题的目标函数;所述目标函数包括最小化移动设备本地总能量消耗、最小化待处理任务总时间延迟和最小化处理任务所花费的总成本;具体构建过程包括:
所述最小化移动设备本地总能量消耗,是指最小化所有移动用户在完成待处理任务过程中的总能量消耗E,包括本地执行能耗和传输能耗;
Figure BDA0003549090130000094
式中,
Figure BDA0003549090130000095
所述最小化待处理任务总时间延迟,是指最小化所有移动用户在完成待处理任务过程中所需的时间延迟T,包括本地执行时延、传输时延和边缘云服务器端执行时延;
Figure BDA0003549090130000096
式中,
Figure BDA0003549090130000097
所述最小化处理任务所花费的总成本,是指最小化所有移动用户在边缘云服务器端执行计算任务时所需要给边缘云提供商支付的总报酬C,表示为:
Figure BDA0003549090130000098
步骤3:根据移动边缘计算系统中任务卸载和资源分配问题的相关属性值生成初始种群,采用NSGA-Ⅱ算法求解系统模型得到最优解决方案的决策变量;所述相关属性值包括:各个移动用户的位置信息、本地计算能力和剩余电池储量,各个待处理任务的数据量大小,所需计算量和最大可接受延迟,以及各个基站的网络条件、所搭载边缘云服务器的计算能力和执行计算任务的单位成本;这些属性值将作为上述系统模型的基础数据用来求解最优的卸载决策和资源分配方案。
根据获得的基础数据生成种群,采用NSGA-Ⅱ算法求解上述数学模型,直到达到规定的迭代次数后终止,最后确定Pareto前沿为最优解集,得到最优解决方案的决策变量,包括:
步骤3.1:构建移动边缘计算系统中任务卸载和资源分配问题的混合编码染色体模型,也称为个体,每个个体包括四个部分,如图3所示:确定移动用户i是否卸载的二元变量xi∈{0,1};确定用户要将任务卸载到哪个边缘服务器中的整数变量ηi∈B,若不进行卸载操作,则决策变量ηi值为0;边缘服务器给该移动用户分配的计算能力的比例λi∈[0,1],介于0到1之间;移动用户i进行卸载操作时上行传输功率
Figure BDA0003549090130000101
属于实数变量,若该用户无需卸载,则决策变量pi值为0,意味着不需要传输功率;染色体个体大小取决于系统内移动用户的数量;
步骤3.2:根据混合编码染色体模型随机生成初始种群,种群大小设定为GEN,并带入步骤2所构建的三个目标函数中,求出目标函数值,并逐个保存到该条染色体的末尾;
步骤3.3:对种群进行快速非支配排序,计算出每个个体的被支配个数和该个体支配的解的集合,将支配排序记录在该条染色体末尾,直到种群等级被完全划分,最后按照求出的种群等级对整个种群从小到大排序;
步骤3.4:为了保持解集的分布性和多样性,计算个体间的拥挤距离P[f]distance,该值可以通过计算当前个体与其相邻的两个个体在每个子目标上的距离差之和来确定;
Figure BDA0003549090130000102
其中,E[f+1]、T[f+1]和C[f+1]分别代表步骤2中三个目标函数E、T、C在第f+1个个体中的函数值,将求解出的拥挤距离记录在染色体末尾;F表示种群中的个体,f={1,2,3,…,F};
步骤3.5:采用二元竞标赛选择、交叉和变异操作生成下一代种群,迭代执行步骤3.3和步骤3.4,选择优秀的个体组成新父代,重复此操作,直到满足给定的迭代次数,优化结束,求解MEC系统中任务卸载和资源分配问题完成,迭代计算结束后输出Pareto前沿作为最优解集;
步骤3.6:设置不同目标函数的权重系数,从最优解集中选择出最优解决方案对应的决策变量;包括:
步骤3.6.1:根据不同用户对系统模型中三个目标的不同需求,如某些用户对实时性有更高的要求,就会对时延更加敏感,而有的用户本地剩余电量有限,则对能耗更加敏感,某些用户解决任务的预算有限,会期望花费最少,从最优解集中选出最优方案作为MEC系统中任务卸载和资源分配问题的解决方案;
根据三个目标间不同需求所设置的权重系数分别计算最优解集中各个解的综合影响因素值Φ,并对计算结果进行排序,选出综合结果最小的个体作为联合优化的最优解;
Φ=δ1E+δ2T+δ3C
式中,δ1、δ2、δ3分别表示三个目标函数的权重系数,GEN表示种群大小,δ123=1;
步骤3.6.2:重复步骤3.6.1,计算出最优解集中每个解决方案的综合因素值,将最大综合因素值对应的解决方案作为最优的解决方案;
步骤3.6.3:将最优解决方案对应的决策变量作为最优的一组决策变量。
为了使MEC系统中任务卸载和资源分配问题更加具有普遍适用性,减轻决策过程的求解延迟和计算压力,利用深度监督学习算法训练出一个决策框架来替代详细决策和分配过程。
步骤4:构建深度神经网络模型,利用步骤3生成的决策变量对深度神经网络模型进行训练;包括:
步骤4.1:利用深度神经网络模型对决策框架进行训练制作样本集;具体表述为:
步骤4.1.1:构建深度学习的状态空间、动作空间:
状态空间S:将时间间隔t作为一个决策周期,每个决策周期的状态包括移动边缘计算网络中用户信息、边缘服务器信息和当前用户的任务请求,所述每个决策变量表示为:{S=(u,b,t)∈S|u∈U,b∈B,t∈T};
动作空间A:动作具体是指移动边缘计算网络中任务卸载决策和资源分配方案,决策周期内对应的动作空间包含移动边缘计算网络中任务卸载决策,任务卸载目的基站,目的基站所提供计算资源分配比例以及传输功率控制,可用如下公式表示:
Figure BDA0003549090130000121
将状态空间作为深度监督学习算法的输入,将动作空间作为深度监督学习算法的输出;
步骤4.1.2:随机生成ξ=10000个状态空间向量,根据步骤3.7.3生成的最优决策变量得到相应的动作空间向量;将输入和输出以及相应的最优决策储存在一个矩阵中,作为训练集,这组数据分为训练、验证和测试三组,比率为75%、15%和15%;
步骤4.1.3:根据步骤4.1.2中生成的状态变量、动作空间向量以及相应的决策变量作为样本集。
步骤4.2:构建深度神经网络模型,如图4所示,所述深度神经网络模型包括一个输入层(intput layer)、一个输出层(output layer)、2个隐藏层(hidden layer 1、hiddenlayer 2),每个隐藏层各有64个神经元;
步骤4.3:将步骤4.1.3生成的样本集作为深度神经网络模型的输入,对模型参数进行训练。
步骤5:获取待检测的移动边缘计算系统中任务卸载和资源分配问题的相关属性值,利用训练后的深度神经网络模型预测最优决策变量,根据最优决策变量对移动边缘计算系统中的计算任务和资源进行分配。
通过上述步骤获得了一个针对移动边缘计算中任务卸载和资源分配决策的被充分训练后的深度神经网络,在应对实际情况中复杂问题时,可以迅速获得并准确的获得最优的决策方案。

Claims (8)

1.一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,包括:
步骤1:对移动边缘计算网络进行系统建模;
步骤2:构建移动边缘计算系统中任务卸载和资源分配问题的目标函数;
步骤3:根据移动边缘计算系统中任务卸载和资源分配问题的相关属性值生成初始种群,采用NSGA-Ⅱ算法求解系统模型得到最优解决方案的决策变量;
步骤4:构建深度神经网络模型,利用步骤3生成的决策变量对深度神经网络模型进行训练;
步骤5:获取待检测的移动边缘计算系统中任务卸载和资源分配问题的相关属性值,利用训练后的深度神经网络模型预测最优决策变量,根据最优决策变量对移动边缘计算系统中的计算任务和资源进行分配。
2.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤1中的系统模型包括网络模型、通信模型、计算模型和成本模型,具体建模过程包括:
构建网络模型,将N个移动用户表示为U={u1,u2,…,uN},其中每个用户i都携带一个待处理的计算密集型或延迟敏感型任务,由Ti={si,ci,ti}表示,si表示任务Ti的数据量大小,ci表示任务Ti的计算量,ti表示完成任务Ti的最大可接受延迟,M个无线基站表示为B={1,2,…,M};
确定卸载时用于数据传输过程的通信模型,用
Figure FDA0003549090120000011
表示从移动用户i到其任务卸载的目的基站ηi之间的传输速度,i=1,2,…,N;ηi∈B,
Figure FDA0003549090120000012
表示为:
Figure FDA0003549090120000013
其中,B表示信道带宽,σ2表示移动设备i的噪声功率,
Figure FDA0003549090120000014
表示第i个移动用户与目的基站之间的信道增益,
Figure FDA0003549090120000015
为通过同一无线信道传输的数据之间的相互干扰功率,pi表示第i个移动用户用于数据传输的上行传输功率;
计算移动用户到服务器之间通信的时间延迟
Figure FDA0003549090120000016
和能量消耗
Figure FDA0003549090120000017
Figure FDA0003549090120000018
构建计算模型,计算任务Ti在本地的执行时间延迟
Figure FDA0003549090120000021
表示为:
Figure FDA0003549090120000022
式中,xi表示任务卸载决策变量,xi=0代表任务不进行卸载操作,fi L表示移动设备i本地的计算能力;ci表示待处理任务Ti的计算量;
本地执行的能量消耗
Figure FDA0003549090120000023
Figure FDA0003549090120000024
式中,κ表示移动用户i的硬件架构系数;
边缘云的执行延迟
Figure FDA0003549090120000025
Figure FDA0003549090120000026
其中,
Figure FDA0003549090120000027
代表卸载目的边缘云ηi分配给移动设备i的计算资源的比例;
Figure FDA0003549090120000028
表示目的边缘云ηi的计算能力;
Figure FDA0003549090120000029
ηi∈B,B={1,2,…,M};M表示本MEC系统中含有的边缘云服务器个数;
成本模型是指移动用户i将计算任务卸载到边缘云服务器中执行时需要支付给边缘云运营商的报酬,成本模型的表达式ri为:
Figure FDA00035490901200000210
式中,
Figure FDA00035490901200000211
代表卸载目的边缘云ηi的计算资源单位成本。
3.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤2中的目标函数包括最小化移动设备本地总能量消耗、最小化待处理任务总时间延迟和最小化处理任务所花费的总成本;具体构建过程包括:
所述最小化移动设备本地总能量消耗,是指最小化所有移动用户在完成待处理任务过程中的总能量消耗E,包括本地执行能耗和传输能耗;
Figure FDA00035490901200000212
式中,
Figure FDA0003549090120000031
所述最小化待处理任务总时间延迟,是指最小化所有移动用户在完成待处理任务过程中所需的时间延迟T,包括本地执行时延、传输时延和边缘云服务器端执行时延;
Figure FDA0003549090120000032
式中,
Figure FDA0003549090120000033
所述最小化处理任务所花费的总成本,是指最小化所有移动用户在边缘云服务器端执行计算任务时所需要给边缘云提供商支付的总报酬C,表示为:
Figure FDA0003549090120000034
4.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤3中的相关属性值包括:各个移动用户的位置信息、本地计算能力和剩余电池储量,各个待处理任务的数据量大小,所需计算量和最大可接受延迟,以及各个基站的网络条件、所搭载边缘云服务器的计算能力和执行计算任务的单位成本。
5.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤3中采用NSGA-Ⅱ算法求解系统模型得到最优解决方案的决策变量,包括:
步骤3.1:构建移动边缘计算系统中任务卸载和资源分配问题的混合编码染色体模型,每个个体包括:确定移动用户i是否卸载的二元变量xi∈{0,1};确定用户要将任务卸载到哪个边缘服务器中的整数变量ηi∈B,若不进行卸载操作,则决策变量ηi值为0;边缘服务器给该移动用户分配的计算能力的比例λi∈[0,1],介于0到1之间;移动用户i进行卸载操作时上行传输功率
Figure FDA0003549090120000035
属于实数变量,若该用户无需卸载,则决策变量pi值为0,意味着不需要传输功率;染色体个体大小取决于系统内移动用户的数量;
步骤3.2:根据混合编码染色体模型随机生成初始种群,种群大小设定为GEN,并带入步骤2所构建的三个目标函数中,求出目标函数值,并逐个保存到该条染色体的末尾;
步骤3.3:对种群进行快速非支配排序,计算出每个个体的被支配个数和该个体支配的解的集合,将支配排序记录在该条染色体末尾,直到种群等级被完全划分,最后按照求出的种群等级对整个种群从小到大排序;
步骤3.4:计算个体间的拥挤距离P[f]distance,将求解出的拥挤距离记录在染色体末尾;
Figure FDA0003549090120000041
其中,E[f+1]、T[f+1]和C[f+1]分别代表步骤2中三个目标函数E、T、C在第f+1个个体中的函数值;F表示种群中的个体,f={1,2,3,…,F};
步骤3.5:采用二元竞标赛选择、交叉和变异操作生成下一代种群,迭代执行步骤3.3和步骤3.4,直到满足给定的迭代次数,迭代计算结束后输出Pareto前沿作为最优解集;
步骤3.6:设置不同目标函数的权重系数,从最优解集中选择出最优解决方案对应的决策变量。
6.根据权利要求5所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤3.6包括:
步骤3.6.1:根据三个目标间不同需求所设置的权重系数分别计算最优解集中各个解的综合影响因素值Φ,并对计算结果进行排序,选出综合结果最小的个体作为联合优化的最优解;
Φ=δ1E+δ2T+δ3C
式中,δ1、δ2、δ3分别表示三个目标函数的权重系数,δ123=1;
步骤3.6.2:重复步骤3.6.1,计算出最优解集中每个解决方案的综合因素值,将最大综合因素值对应的解决方案作为最优的解决方案;
步骤3.6.3:将最优解决方案对应的决策变量作为最优的一组决策变量。
7.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤4包括:
步骤4.1:利用深度神经网络模型对决策框架进行训练制作样本集;
步骤4.2:构建深度神经网络模型,所述深度神经网络模型包括一个输入层、一个输出层、2个隐藏层,每个隐藏层各有64个神经元;
步骤4.3:将步骤4.1.3生成的样本集作为深度神经网络模型的输入,对模型参数进行训练。
8.根据权利要求7所述的一种基于深度学习的边缘计算任务卸载和资源分配方法,其特征在于,所述步骤4.1具体表述为:
步骤4.1.1:构建深度学习的状态空间、动作空间:
状态空间S:将时间间隔t作为一个决策周期,每个决策周期的状态包括移动边缘计算网络中用户信息、边缘服务器信息和当前用户的任务请求,所述每个决策变量表示为:
{S=(u,b,t)∈S|u∈U,b∈B,t∈T};
动作空间A:动作具体是指移动边缘计算网络中任务卸载决策和资源分配方案,决策周期内对应的动作空间包含移动边缘计算网络中任务卸载决策,任务卸载目的基站,目的基站所提供计算资源分配比例以及传输功率控制,可用如下公式表示:
Figure FDA0003549090120000051
将状态空间作为深度监督学习算法的输入,将动作空间作为深度监督学习算法的输出;
步骤4.1.2:随机生成ξ个状态空间向量,根据步骤3.7.3生成的最优决策变量得到相应的动作空间向量;
步骤4.1.3:根据步骤4.1.2中生成的状态变量、动作空间向量以及相应的决策变量作为样本集。
CN202210257111.5A 2022-03-16 2022-03-16 基于深度学习的边缘计算任务卸载和资源分配方法 Active CN114585006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210257111.5A CN114585006B (zh) 2022-03-16 2022-03-16 基于深度学习的边缘计算任务卸载和资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210257111.5A CN114585006B (zh) 2022-03-16 2022-03-16 基于深度学习的边缘计算任务卸载和资源分配方法

Publications (2)

Publication Number Publication Date
CN114585006A true CN114585006A (zh) 2022-06-03
CN114585006B CN114585006B (zh) 2024-03-19

Family

ID=81775024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210257111.5A Active CN114585006B (zh) 2022-03-16 2022-03-16 基于深度学习的边缘计算任务卸载和资源分配方法

Country Status (1)

Country Link
CN (1) CN114585006B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174579A (zh) * 2022-07-29 2022-10-11 西安热工研究院有限公司 基于超密集网络下mec计算卸载与资源分配方法
CN115551105A (zh) * 2022-09-15 2022-12-30 公诚管理咨询有限公司 基于5g网络边缘计算的任务调度方法、装置和存储介质
CN116684483A (zh) * 2023-08-02 2023-09-01 北京中电普华信息技术有限公司 一种边缘物联代理通信资源分配的方法及相关产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112822234A (zh) * 2020-12-29 2021-05-18 华北电力大学 一种车联网中基于深度强化学习的任务卸载方法
US20210160699A1 (en) * 2019-11-25 2021-05-27 University-Industry Cooperation Group Of Kyung Hee University Apparatus and method using a decentralized game approach for radio and computing resource allocation in co-located edge computing
CN113395679A (zh) * 2021-05-25 2021-09-14 安徽大学 一种无人机边缘服务器的资源和任务分配优化系统
CN113573363A (zh) * 2021-07-27 2021-10-29 西安热工研究院有限公司 基于深度强化学习的mec计算卸载与资源分配方法
CN113961204A (zh) * 2021-09-29 2022-01-21 西安交通大学 一种基于多目标强化学习的车联网计算卸载方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210160699A1 (en) * 2019-11-25 2021-05-27 University-Industry Cooperation Group Of Kyung Hee University Apparatus and method using a decentralized game approach for radio and computing resource allocation in co-located edge computing
CN112822234A (zh) * 2020-12-29 2021-05-18 华北电力大学 一种车联网中基于深度强化学习的任务卸载方法
CN113395679A (zh) * 2021-05-25 2021-09-14 安徽大学 一种无人机边缘服务器的资源和任务分配优化系统
CN113573363A (zh) * 2021-07-27 2021-10-29 西安热工研究院有限公司 基于深度强化学习的mec计算卸载与资源分配方法
CN113961204A (zh) * 2021-09-29 2022-01-21 西安交通大学 一种基于多目标强化学习的车联网计算卸载方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIE ZHU等: "A NSGA-II Algorithm for Task Scheduling in UAV-Enabled MEC System", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 》, 22 October 2021 (2021-10-22) *
ZHONGYU WANG等: "Computation offloading and resource allocation based on distributed deep learning and software defined mobile edge computing", 《COMPUTER NETWORKS》, 14 March 2022 (2022-03-14) *
吴昊: "基于强化学习策略的车联网边缘计算任务卸载方法研究", 《中国知网优秀硕士论文电子期刊》, 15 August 2021 (2021-08-15) *
尹高;石远明;: "移动边缘网络中深度学习任务卸载方案", 重庆邮电大学学报(自然科学版), no. 01, 15 February 2020 (2020-02-15) *
毛莺池: "基于延迟接受的多用户任务卸载", 《计算机科学》, 31 January 2021 (2021-01-31) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174579A (zh) * 2022-07-29 2022-10-11 西安热工研究院有限公司 基于超密集网络下mec计算卸载与资源分配方法
CN115551105A (zh) * 2022-09-15 2022-12-30 公诚管理咨询有限公司 基于5g网络边缘计算的任务调度方法、装置和存储介质
CN115551105B (zh) * 2022-09-15 2023-08-25 公诚管理咨询有限公司 基于5g网络边缘计算的任务调度方法、装置和存储介质
CN116684483A (zh) * 2023-08-02 2023-09-01 北京中电普华信息技术有限公司 一种边缘物联代理通信资源分配的方法及相关产品
CN116684483B (zh) * 2023-08-02 2023-09-29 北京中电普华信息技术有限公司 一种边缘物联代理通信资源分配的方法及相关产品

Also Published As

Publication number Publication date
CN114585006B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN110971706B (zh) Mec中近似最优化与基于强化学习的任务卸载方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN112512056B (zh) 一种移动边缘计算网络中多目标优化的计算卸载方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN111800828B (zh) 一种超密集网络的移动边缘计算资源分配方法
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
CN111585816B (zh) 一种基于自适应遗传算法的任务卸载决策方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN112882815A (zh) 基于深度强化学习的多用户边缘计算优化调度方法
CN112788605B (zh) 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
CN109819032B (zh) 一种联合考虑基站选择与计算迁移的云机器人任务分配方法
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
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN114564312A (zh) 一种基于自适应深度神经网络的云边端协同计算方法
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN113590279A (zh) 一种面向多核边缘计算服务器的任务调度和资源分配方法
CN114567933A (zh) 基于改进遗传算法的异构云雾协同网络中的资源分配方法
CN112083967A (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
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
CN112445617B (zh) 一种基于移动边缘计算的负载策略选择方法及系统
CN113821346A (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
CN113672295A (zh) 基于遗传算法的移动云环境下协同计算卸载方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法

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