CN114675955A - 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法 - Google Patents

一种边缘计算环境下多个移动审计设备协同处理计算任务的方法 Download PDF

Info

Publication number
CN114675955A
CN114675955A CN202210339146.3A CN202210339146A CN114675955A CN 114675955 A CN114675955 A CN 114675955A CN 202210339146 A CN202210339146 A CN 202210339146A CN 114675955 A CN114675955 A CN 114675955A
Authority
CN
China
Prior art keywords
task
honey source
tasks
server
energy consumption
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
CN202210339146.3A
Other languages
English (en)
Other versions
CN114675955B (zh
Inventor
张璐
方昌健
伍之昂
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.)
Zhongying Zhishu (Guangdong) Technology Co.,Ltd.
Original Assignee
NANJING AUDIT 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 NANJING AUDIT UNIVERSITY filed Critical NANJING AUDIT UNIVERSITY
Priority to CN202210339146.3A priority Critical patent/CN114675955B/zh
Publication of CN114675955A publication Critical patent/CN114675955A/zh
Application granted granted Critical
Publication of CN114675955B publication Critical patent/CN114675955B/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
    • 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
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (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)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种边缘计算环境下多个移动审计设备协同处理计算任务的方法。首先，读取多个用户设备信息以及设备上任务的相关信息；其次，将读取的设备信息和任务信息输入至一种人工蜂群算法获得任务的卸载方案，所述人工蜂群算法至少包含一个为各任务分配发射功率的策略、一个为各任务分配服务器资源的策略；最后，设备根据卸载方案将一部分任务卸载至边缘服务器执行，一部分任务留在设备执行。本发明能够有效缩短多个移动审计设备在边缘计算环境下处理计算任务的时长，提高审计工作效率。

Description

一种边缘计算环境下多个移动审计设备协同处理计算任务的 方法
技术领域
本发明涉及一种边缘计算环境下多个移动审计设备协同处理计算任务的方法，属于移动边缘计算领域。
技术背景
随着移动智能设备普及率的逐步提高和万物互联时代的到来，移动智能设备也已广泛应用于审计领域。移动审计设备(包括智能手机、笔记本、软硬一体化定制终端等，下文简称为设备)的使用极大的提高了审计工作的效率。然而，设备的电池储能与内存空间有限，成为了制约设备及时处理审计时产生的大量计算任务(包括审计数据关联比对、审计模型运行、审计疑点发现等，下文简称为任务)的重要因素。边缘计算就是在用户附近的无线网(为wifi、4G或5G网络)接入处(如移动审计车)部署边缘服务器，边缘计算服务器具有强大的运算能力且可以为设备提供计算服务。用户通过将设备上部分计算量繁琐的任务卸载到边缘服务器上执行，保留部分轻量级计算任务在设备上执行，不仅节约设备上的能耗、减少了因任务计算量庞大导致的时延，而且通过在设备和边缘服务器上并行处理任务，可进一步缩短时延。显然，将移动审计设备审计时产生的计算任务卸载至边缘服务器上执行能够极大缩短审计工作的时长，有效提高审计效率。
移动边缘计算卸载技术中系统延迟和能耗的最小化需要移动设备和移动边缘计算服务器之间的通信和计算资源的联合分配。研究者们提出了一些关于任务卸载调度的方法，宁等人致力于通过实现部分卸载来使延迟敏感的应用程序能够在物联网移动设备上运行，设计了一种元启发式MEC资源分配算法来动态地做出卸载决策，但是该研究没有考虑任务的卸载调度，例如文献“A cooperative partial computation offloading scheme formobile edge computing enabled Internet of Things”。由于大多数移动边缘计算的调度和分配问题是NP难问题，为了有效地实现近似最优解，已经出现了大量的基于AI的智能优化算法。张等人研究了在混合云的预算约束下调度任务包应用程序，以最大限度地减少完工时间的问题，并提出了一种改进的萤火虫算法对此进行求解，例如文献“novelfirefly algorithm for scheduling bag-of-tasks applications under budgetconstraints on hybrid clouds”。然而，目前还没有考虑多个移动审计设备协同处理计算任务的方法。
发明内容
为解决上述问题，本发明提出了一种边缘计算环境下多个移动审计设备协同处理计算任务的方法，任务卸载调度时，在系统能耗有限的情况下，尽可能地减少系统时延。本发明所要解决的技术问题在于考虑多设备、任务部分卸载和资源分配的复杂场景，采用人工蜂群算法求解移动边缘计算调度，并且克服原有算法的不足，在更广的范围中进行搜索，挖掘出因为算法参数设置导致搜索不到的最佳解。
一种边缘计算环境下多个移动审计设备协同处理计算任务的方法，针对多设备上任务进行调度，获得满足能耗约束情况下能使得系统时延最优的任务调度方案。本发明所述方法的主要步骤包括：
步骤S1，读取设备信息(包括但不限于设备中的任务数)和设备中的任务信息(包括但不限于任务的数据量)；
步骤S2，将读取的设备信息和任务信息输入至一种人工蜂群算法获得任务的卸载方案，所述人工蜂群算法至少包含一个为各任务分配发射功率的策略、一个为各任务分配服务器资源的策略；
步骤S3，设备根据卸载方案将一部分任务卸载至边缘服务器执行，一部分任务留在设备端执行。
优选的，步骤S1中，在边缘移动计算环境中假设有k个单天线用户设备，每个设备都包含一组需要调度的计算任务。假设每个设备di分别有ni个独立的计算任务需要处理，表示为
Figure BDA0003578075060000021
设备di上的计算任务Tij可以选择卸载至移动边缘服务器上处理，也可以选择保留在移动设备端处理。每个任务Tij都具有三个属性，分别为Tij的数据大小Dij(单位为Mbit)、Tij中1bit数据所需要的CPU周期数Cij(单位为cycles/bit)以及Tij在边缘服务器端并行比例α。
优选的：步骤S2中，主要步骤包括：
步骤SS1，初始化人工蜂群算法(包括但不限于蜜源种群和更新限度limit)；
步骤SS2，使用蜜源位置更新方法更新蜜源个体的位置，并根据贪婪的各任务分配发射功率的策略和各任务分配服务器资源的策略来计算蜜源个体的适应度值，如果适应度值更优，则更新蜜源个体，否则保留原蜜源个体；
步骤SS3，计算蜜源会被选中的概率，根据该概率选择蜜源进行更新，并采用贪婪的功率和资源分配方法计算蜜源个体的适应度值，如果适应度值更优，则更新蜜源个体，否则保留原蜜源个体；
步骤SS4，如蜜源个体limit代未更新，则重新生成新的蜜源个体；
步骤SS5，记录最优蜜源；
步骤SS6，判断是否达到迭代次数，若达到则输出最优解，否则重复步骤SS2至步骤SS5。
优选的，步骤S3中，输出的最优解的调度方案，调度方案中包括任务的是否上传、上传顺序，上传时天线的功率，边缘服务器上的资源数、开始执行时间和执行时长等信息。
优选的，步骤SS1中，使用最短任务优先规则将所有设备中的任务按照任务量升序排序，得到序列πSTF作为初始解π*，并计算初始解的系统时延和能耗；初始化蜜源种群。设置种群数量为SN，蜜源i的坐标信息用一个n维数组
Figure BDA0003578075060000031
表示，使用生成随机数的方法生成SN组蜜源的位置信息。具体来说，对当前最优解对应的任务序列进行n次选择，每次根据均匀分布生成一个[0,1]之间的随机数θ，如果
Figure BDA0003578075060000032
则将
Figure BDA0003578075060000033
对应的任务放入πi，否则将没有被选中的任务随机插入到一个空集πtemp，然后随机插入到πi的空余位置上，这一步可以借助洗牌函数来完成。
优选的，步骤SS2中，蜜蜂采蜜的搜索范围不是一个对称区域[-N,N]，而是在区间[0,N]中。当搜索空间[-N,N]不包含最优解x*的位置时，人工蜂群算法将由于最优解x*的位置和算法的更新公式而陷入边界陷阱造成早熟。根据贪婪的功率和资源分配方法计算蜜源的适应度值，如果适应度值更优，则更新蜜源个体，否则保留原蜜源个体；
优选的，步骤SS2和SS3中，对于给定的任务tij，需要考虑是否需要从设备端卸载到服务器端。由于系统延迟是多个设备与边缘服务器之中的最大值，因此，只有降低延迟最大的设备的任务执行时间才能够减少总的延迟。所以在卸载任务时，都选择本地延迟最大的设备上的任务来进行卸载。
优选的，步骤SS4中，生成方式跟权利要求5中所述初始化蜜源个体一致。
优选的，步骤SS2中，每只蜜源的边界值定义为[xmin,xmax]，如果蜜源位置超出边界值xmax，则定义蜜源位置为xmax；同样的，如果蜜源位置超出边界值xmin，则定义蜜源位置为xmin。如果最优解位置不在搜索空间中，即
Figure BDA0003578075060000034
时，分为两种情况，第一种是x*<xmin时，根据蜜源的更新公式可知，当
Figure BDA0003578075060000035
时，后面迭代的蜜源位置值会变小，则
Figure BDA0003578075060000036
所以陷入边界陷阱；第二种是x*>xmax时，根据蜜源的更新公式可知，当
Figure BDA0003578075060000037
时，后面迭代的蜜源位置值会变大，则
Figure BDA0003578075060000038
所以陷入边界陷阱。由此可知，当搜索空间[xmin,xmax]不包含最优解位置时，ABC算法将由于最优解x*的位置和参数τ而陷入边界陷阱。因此，在考虑算法的搜索边界时，我们应尽力确保最佳解决方案在搜索空间中，因此设置参数值xa和xb使得第一次迭代的蜜源位置
Figure BDA0003578075060000039
等于两个边界值可知设置搜索范围为[0,N]时不陷入边界陷阱。
优选的，步骤SS2和SS3中，由贪婪功率分配策略为任务序列中的每个任务决策传输功率，如果将任务tij卸载到服务器端执行，则该任务的时延包括任务的传输时延和在服务器端的计算时延。为了使任务完成时间最小，应选择更大的传输功率来减小传输时延，则假定所有任务的传输功率最大，计算任务的传输能耗，如果满足系统能耗约束，则以该传输能耗卸载，否则降低传输功率。
优选的，步骤SS2和SS3中，由资源分配策略为任务序列中的每个任务决策服务器资源，为了使任务完成时间最小，应选择更多的服务器资源来减小服务器端计算时延，则假定所有任务获得的计算资源最多，计算任务的服务器端计算能耗，如果满足系统能耗约束，则以该传输能耗执行任务，否则减少计算资源，如果分配给任务的服务器资源最少时都不能满足能耗约束，则任务在设备端计算，并选择该设备上的前一个任务进行卸载试验。
优选的，步骤SS2和SS3中，当边缘服务器的延迟比每个设备的本地延迟都大的时候，证明边缘服务器已经处于饱和状态，此时，已经无法继续改进，因此应当停止继续卸载。如果本地延迟最大的设备上的任务都进行过卸载尝试，但是依旧无法在满足能耗约束的条件下卸载任务时，证明已经无法再继续改进，应当停止卸载。最后计算分配后的任务序列的适应度值。
与现有技术相比，本发明的有益效果体现在：
1)本发明有利于负载均衡，系统通过任务卸载的方式，充分利用系统中MEC服务器的空闲资源，提高任务的执行效率。
2)本发明有利于合理分配资源，减少能耗并最小化时延，不仅满足了用户的QoS需求，也提高系统的任务处理能力。
3)本发明能有效地避免陷入局部最优，获得的结果接近任务卸载的实际最优解。
附图说明
图1是本发明所述方法的整体流程图
图2是本发明所述方法的细致流程图
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
图1显示了多设备任务卸载和资源分配方法的调度过程，其具体步骤如下：
步骤S1，读取设备信息(包括但不限于设备中的任务数)和设备中的任务信息(包括但不限于任务的数据量)；
步骤S2，将读取的设备信息和任务信息输入至一种人工蜂群算法获得任务的卸载方案，所述人工蜂群算法至少包含一个为各任务分配发射功率的策略、一个为各任务分配服务器资源的策略；
步骤S3，设备根据卸载方案将一部分任务卸载至边缘服务器执行，一部分任务留在设备端执行。
实施例
下面结合图2详细阐述实施例。本实施例中用户的移动设备数为2，需要处理5个任务，要求以下任务卸载到MEC服务器上执行最小完成时间的最优解决方案。设备和任务的参数如下：
Figure BDA0003578075060000051
步骤S1，获取设备序列以及设备需要处理的计算任务，包括任务编号、任务的数据量、每位数据量需要的CPU周期数、任务所属设备编号和设备计算功率。定义设备集合为D＝{d0,d1}任务集合为π＝{π0,π1,π2,π3,π4}，建立相关调度模型；
步骤S2，将读取的设备信息和任务信息输入至一种人工蜂群算法获得任务的卸载方案，具体的：
步骤SS1，假设所有任务在设备端运行，计算出初始解的系统时延Latency和能耗E。初始解的
Figure BDA0003578075060000052
td表示设备端时延。
Figure BDA0003578075060000053
使用最短任务优先规则将所有设备中的任务按照任务量升序排序，其中π0,π1,π2,π3,π4的数据量分别为168702，38629500，175656，10296和1547950(cycle),得到序列πSTF＝{π3,π0,π2,π4,π1}作为初始最优解。初始化蜜源种群，定义蜜源种群数为10，蜜源的位置信息如下表：
Figure BDA0003578075060000054
Figure BDA0003578075060000061
由蜜源位置信息将蜜源个体映射为对应的任务序列，蜜源i的坐标信息用一个5维数组
Figure BDA0003578075060000062
表示，对当前最优解对应的任务序列进行5次选择，每次根据均匀分布生成一个[0,1]之间的随机数θ，如果
Figure BDA0003578075060000063
则将
Figure BDA0003578075060000064
对应的任务放入σi，否则将没有被选中的任务随机插入到一个空集σtemp，然后随机插入到σi的空余位置上。对于第0个蜜源的第0个任务π0被继承的概率为
Figure BDA0003578075060000065
然后，获得一个0到1之间的随机数θ为0.6162，因为θ>ρ，所以将该任务插入到一个空集σtemp中，否则插入到σ0的对应位置上，循此往复，得到
Figure BDA0003578075060000066
σtemp＝(π3,π4,π5)，将σtemp中的任务随机打乱后，插入σ0中，实验得到σ0＝(π4,π5,π2,π3,π1)。
步骤SS2，根据如下算法的更新公式更新蜜源的位置信息。计算新蜜源适应度值与原蜜源进行比较，如果新蜜源更好，则保留，否则不更新蜜源信息。
w′ij＝wij+τ(wij-wkj)
其中，τ表示0到1之间的随机数。wkj表示随机选择第k个蜜源的第j个任务的位置信息。w′ij如果小于0，则设置为0，如果大于N，则设置为N，本发明设置N＝4。例如第0个蜜源σ0＝(π4,π5,π2,π3,π1)，当j＝1，k＝2时，取τ＝0.8，则w′01＝3.8088+0.8×(3.8088-1.8657)＝5.36328>4，所以w′01＝4。
确定拟卸载的任务。假设当前最优解为π*＝(T10，T01，T11，T00，T02)，则T0＝{T01,T00,T02}，T1＝{T10,T11}。设备d0的时延
Figure BDA0003578075060000067
大于设备d1的时延
Figure BDA0003578075060000068
则选择d0上的最后一个任务T02，算本地执行时间
Figure BDA0003578075060000069
传输时间
Figure BDA00035780750600000610
和边缘云服务器计算时间
Figure BDA00035780750600000611
根据功率分配策略和资源分配策略为该任务分配传输功率和服务器资源。设备本地时延
Figure BDA00035780750600000612
如果max(tc,td)减小并且满足能耗约束，则将任务卸载到服务器端，并更新各时延和传输时隙；否则将该任务在本地运行，并计算设备d0的下一个任务T00的卸载是否能够减少系统时延。
计算分配后的任务序列的适应度值。分配完成后，再次计算任务的完成时间，取其中的最小值即为目标值。判断该目标值是否满足终止条件，若满足，则结束；若不满足，则跳回SS2，继续执行。
步骤SS3，计算蜜源会被选中的概率。根据蜜源种群的适应度值f(σi)，使用轮盘赌的方式计算蜜源会被选中的概率，公式如下：
Figure BDA0003578075060000071
根据步骤该概率更新蜜源，并进入计算蜜源的适应度值，如果适应度值减小，则更新蜜源个体，否则保留原蜜源个体；
步骤SS4，如limit代未更新，则重新生成新的蜜源；
步骤SS5，记录最优蜜源并将其映射到解空间；
步骤SS6，判断是否达到迭代次数，若达到则输出最优解，否则重复步骤SS2至步骤SS5。
步骤S3，根据输出的最优解的调度方案，各设备根据调度方案将需要上传至边缘服务器的任务上传至边缘服务器执行，否在在本地执行任务。

Claims (10)

1.一种边缘计算环境下多个移动审计设备协同处理计算任务的方法，其特征在于针对多设备上任务进行调度，获得满足能耗约束情况下使得系统时延最优的任务调度方案；步骤包括：
步骤S1，读取多个设备的信息和设备中的任务信息；
步骤S2，将读取的设备信息和任务信息输入至一种人工蜂群算法获得任务的卸载方案，所述任务的卸载方案至少包含一个为各任务分配发射功率的策略、一个为各任务分配服务器资源的策略；
步骤S3，设备根据卸载方案将一部分任务卸载至边缘服务器执行，一部分任务留在设备端执行。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，在边缘移动计算环境中有k个单天线用户设备，每个设备都包含一组需要调度的计算任务；每个设备di分别有ni个独立的计算任务需要处理，表示为
Figure FDA0003578075050000011
设备di上的计算任务Tij可以选择卸载至移动边缘服务器上处理，也可以选择保留在移动设备端处理；每个任务Tij都具有三个属性，分别为Tij的数据大小Dij、Tij中1bit数据所需要的CPU周期数Cij以及Tij在边缘服务器端并行比例α。
3.根据权利要求1所述的方法，其特征在于：步骤S2中，一种人工蜂群算法包括以下步骤：
步骤SS1，初始化人工蜂群算法，包括但不限于蜜源种群和更新限度limit；
步骤SS2，使用蜜源位置更新方法更新蜜源个体的位置，并根据任务的卸载方案计算蜜源个体的适应度值，如果适应度值更优，则更新蜜源个体，否则保留原蜜源个体；
步骤SS3，计算蜜源会被选中的概率，根据该概率选择蜜源进行更新，并根据任务的卸载方案计算蜜源个体的适应度值，如果适应度值更优，则更新蜜源个体，否则保留原蜜源个体；
步骤SS4，如蜜源个体limit代未更新，则重新生成新的蜜源个体；
步骤SS5，记录最优蜜源；
步骤SS6，判断是否达到迭代次数，若达到则输出最优解，否则重复步骤SS2至步骤SS5。
4.根据权利要求1所述的方法，其特征在于，步骤S3中，输出的最优解的调度方案，调度方案中包括任务的是否上传、上传顺序，上传时天线的功率，边缘服务器上的资源数、开始执行时间和执行时长信息。
5.根据权利要求3所述的方法，其特征在于，步骤SS1中，初始化人工蜂群算法使用最短任务优先规则将所有设备中的任务按照任务量升序排序，得到序列πSTF作为初始解π*，并计算初始解的系统时延和能耗；初始化蜜源种群；设置种群数量为SN，蜜源i的坐标信息用一个n维数组
Figure FDA0003578075050000021
表示，使用生成随机数的方法生成SN组蜜源的位置信息；具体来说，对当前最优解对应的任务序列进行n次选择，每次根据均匀分布生成一个[0,1]之间的随机数θ，如果
Figure FDA0003578075050000022
则将
Figure FDA0003578075050000023
对应的任务放入πi，否则将没有被选中的任务随机插入到一个空集πtemp，然后随机插入到πi的空余位置上。
6.根据权利要求3所述的方法，其特征在于，步骤SS2和SS3中，对于给定的任务tij，需要考虑是否需要从设备端卸载到服务器端；在卸载任务时，都选择本地延迟最大的设备上的任务来进行卸载。
7.根据权利要求5所述的方法，其特征在于，步骤SS4中，以初始化蜜源个体一致的方法重新生成新的蜜源个体。
8.根据权利要求3所述的方法，其特征在于，步骤SS2中，使用蜜源位置更新方法更新蜜源个体的位置：每只蜜源的边界值定义为[xmin,xmax]，如果蜜源位置超出边界值xmax，则定义蜜源位置为xmax；如果蜜源位置超出边界值xmin，则定义蜜源位置为xmin；设置参数值xa和xb使得第一次迭代的蜜源位置
Figure FDA0003578075050000024
等于两个边界值可知设置搜索范围为[0,N]时不陷入边界陷阱。
9.根据权利要求6所述的方法，其特征在于：步骤SS2和SS3中，贪婪的为各任务分配发射功率的策略：由贪婪功率分配策略为任务序列中的每个任务决策传输功率，如果将任务tij卸载到服务器端执行，则该任务的时延包括任务的传输时延和在服务器端的计算时延；为了使任务完成时间最小，应选择更大的传输功率来减小传输时延，则假定所有任务的传输功率最大，计算任务的传输能耗，如果满足系统能耗约束，则以该传输能耗卸载，否则降低传输功率；为各任务分配服务器资源的策略：由资源分配策略为任务序列中的每个任务决策服务器资源，为了使任务完成时间最小，应选择更多的服务器资源来减小服务器端计算时延，则假定所有任务获得的计算资源最多，计算任务的服务器端计算能耗，如果满足系统能耗约束，则以该传输能耗执行任务，否则减少计算资源，如果分配给任务的服务器资源最少时都不能满足能耗约束，则任务在设备端计算，并选择该设备上的前一个任务进行卸载试验。
10.根据权利要求6所述的方法，其特征在于，步骤SS2和SS3中，当边缘服务器的延迟比每个设备的本地延迟都大的时候，证明边缘服务器已经处于饱和状态，此时，已经无法继续改进，因此应当停止继续卸载；如果本地延迟最大的设备上的任务都进行过卸载尝试，但是依旧无法在满足能耗约束的条件下卸载任务时，证明已经无法再继续改进，应当停止卸载；最后计算分配后的任务序列的适应度值。
CN202210339146.3A 2022-04-01 2022-04-01 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法 Active CN114675955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339146.3A CN114675955B (zh) 2022-04-01 2022-04-01 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339146.3A CN114675955B (zh) 2022-04-01 2022-04-01 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法

Publications (2)

Publication Number Publication Date
CN114675955A true CN114675955A (zh) 2022-06-28
CN114675955B CN114675955B (zh) 2023-04-07

Family

ID=82075645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339146.3A Active CN114675955B (zh) 2022-04-01 2022-04-01 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法

Country Status (1)

Country Link
CN (1) CN114675955B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355779A (zh) * 2020-02-18 2020-06-30 湖南大学 基于服务的车联网任务卸载方法及其卸载装置
CN112202538A (zh) * 2020-09-21 2021-01-08 齐齐哈尔大学 一种保障公平度阈值的人工蜂群ofdma资源分配方法
CN112540845A (zh) * 2020-05-27 2021-03-23 南京邮电大学 一种基于移动边缘计算的协作系统及方法
CN112784362A (zh) * 2021-01-25 2021-05-11 南京航空航天大学 一种用于无人机辅助边缘计算的混合优化方法及系统
CN113055456A (zh) * 2021-03-09 2021-06-29 大连理工大学 一种基于区块链和边缘计算的物联网数据管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355779A (zh) * 2020-02-18 2020-06-30 湖南大学 基于服务的车联网任务卸载方法及其卸载装置
CN112540845A (zh) * 2020-05-27 2021-03-23 南京邮电大学 一种基于移动边缘计算的协作系统及方法
CN112202538A (zh) * 2020-09-21 2021-01-08 齐齐哈尔大学 一种保障公平度阈值的人工蜂群ofdma资源分配方法
CN112784362A (zh) * 2021-01-25 2021-05-11 南京航空航天大学 一种用于无人机辅助边缘计算的混合优化方法及系统
CN113055456A (zh) * 2021-03-09 2021-06-29 大连理工大学 一种基于区块链和边缘计算的物联网数据管理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GHASSAN FADLALLAH等: "A Greedy Scheduling Approach for Peripheral Mobile Intelligent Systems", 《INTERNET OF THINGS TECHNOLOGIES》 *
WENLI WANG等: "Task Offloading Strategy in Cloud Collaborative Edge Computing", 《INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND SECURITY》 *
亓晋等: "移动边缘计算中基于信誉值的智能计算卸载模型研究", 《通信学报》 *
章呈瑞等: "改进人工蜂群算法及其在边缘计算卸载的应用", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/11.2127.TP.20211126.1339.004.HTML》 *

Also Published As

Publication number Publication date
CN114675955B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Chen et al. Energy-efficient task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge networks
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN110493360B (zh) 多服务器下降低系统能耗的移动边缘计算卸载方法
Li et al. Deep reinforcement learning based computation offloading and resource allocation for MEC
CN107911478B (zh) 基于化学反应优化算法的多用户计算卸载方法及装置
CN110069341B (zh) 边缘计算中结合功能按需配置的有依赖关系任务的调度方法
CN108804227B (zh) 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法
CN111930436A (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN111475274B (zh) 云协同多任务调度方法及装置
Nath et al. Multi-user multi-channel computation offloading and resource allocation for mobile edge computing
Shi et al. Toward energy-efficient federated learning over 5g+ mobile devices
CN111918339A (zh) 移动边缘网络中基于强化学习的ar任务卸载和资源分配方法
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
Ko et al. Joint client selection and bandwidth allocation algorithm for federated learning
CN113590279B (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
CN114650228B (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN113220356A (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN116489712B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
Dong et al. Quantum particle swarm optimization for task offloading in mobile edge computing
CN112860337A (zh) 在多接入边缘计算中卸载依赖任务的方法及系统
Chen et al. Joint optimization of task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge network
Ali et al. A comprehensive utility function for resource allocation in mobile edge computing
CN114675955B (zh) 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法
CN115955479A (zh) 一种云边端协作系统中的任务快速调度与资源管理方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230713

Address after: Room 2213, No. 233, Tianhe North Road, Tianhe District, Guangzhou, Guangdong 510620

Patentee after: Zhongying Zhishu (Guangdong) Technology Co.,Ltd.

Address before: No. 86, Yushan West Road, Jiangpu street, Pukou District, Nanjing City, Jiangsu Province

Patentee before: NANJING AUDIT University