CN114867039A - 一种面向中间海域场景的边缘计算卸载方法 - Google Patents
一种面向中间海域场景的边缘计算卸载方法 Download PDFInfo
- Publication number
- CN114867039A CN114867039A CN202210393700.6A CN202210393700A CN114867039A CN 114867039 A CN114867039 A CN 114867039A CN 202210393700 A CN202210393700 A CN 202210393700A CN 114867039 A CN114867039 A CN 114867039A
- Authority
- CN
- China
- Prior art keywords
- oue
- subtask
- oecn
- subtasks
- unloading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 title abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 90
- 230000005540 biological transmission Effects 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000005265 energy consumption Methods 0.000 claims description 35
- 150000001875 compounds Chemical class 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
- H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向中间海域场景的边缘计算卸载方法,(1)根据中间海域场景建立三种卸载模型;(2)针对每种模型建立相应的优化问题;(3)采用二分搜索法分别求解每种模型的优化问题,获取每种模型中各子任务最优的传输功率分配结果;(4)在每种模型中各子任务分配到最优传输功率的基础上,根据将当前时刻情况最差的OUE或子任务分配给当前时刻信道状况最好的OECN上卸载的规则以及多OUE按需分配OECN的规则,优化设计每种模型中各子任务与OECN之间的配对卸载决策从而保证处理时延最短。本发明能够实现多任务与多OECN之间的信息传输,保障海洋观监测传感网低时延、高可靠传输机制。
Description
技术领域
本发明涉及移动计算技术领域,具体是涉及一种面向中间海域场景的边缘计算卸载方法。
背景技术
海洋观监测传感网作为未来海洋信息智慧网络的重要组成部分可提供多种观监测应用,是汇聚海洋空间、环境、资源等各类数据的重要平台。面向新一代网络的移动边缘计算(Mobile Edge Computing,MEC)技术可有效支撑各类海事业务和应用需求,将云端数据中心“降级”至网络边缘,使其能够在靠近用户的位置提供计算、存储和通信的能力。然而,复杂海事观监测应用会导致网络局部区域数据的超负荷处理,部分区域网络开销急剧增长,如何实现海洋观监测传感网资源的灵活适配是首要解决的问题。相比传统陆地蜂窝网及车载网,海洋观监测传感网环境因素复杂且节点差异化明显。特别地,中间海域场景需结合近海场景下海洋观监测传感网络节点密度较大、海洋边缘计算能力分布不均,资源调度复杂,以及远海场景下网络连通性易受天气、恶劣海况等因素影响,服务连续性难以保障等因素。如何提出适应中间海域场景的边缘数据卸载模型与算法也是需要解决的问题。
现有多用户边缘计算卸载模型约束条件及考虑因素相对简单,将二进制卸载决策变量放宽为连续变量,再利用拉格朗日乘数法优化求得的卸载决策难以应用于实际。同时,在利用启发式算法求解优化问题时忽略了MEC服务器计算时延及能耗约束,无法满足海洋观监测传感网各类海事应用需求。
发明内容
发明目的:针对以上缺点,本发明提供一种面向中间海域场景的边缘计算卸载方法,结合海洋观监测传感网与移动边缘计算,实现多任务与多MEC服务器之间的信息传输与数据处理,保障海洋观监测传感网低时延、高可靠传输机制。
技术方案:为解决上述问题,本发明采用方法,具体包括以下步骤:
(1)根据中间海域场景建立三种卸载模型,分别为SSU模型、MSUS1模型、MSUS2模型;所述SSU模型为:将单个海洋用户设备OUE待处理数据划分成若干子任务,各子任务于本地处理或卸载至多个多海洋边缘计算节点OECN上处理,SSU模型中所有OUE的子任务的总数小于或等于OECN总数;MSUS1模型:将多个OUE中待处理数据划分成若干子任务,各子任务于本地处理或卸载至多个OECN上处理,MSUS1模型中子任务总数小于或等于OECN总数;MSUS2模型为:将多个OUE中待处理数据划分成若干子任务,各子任务于本地处理或卸载至多个OECN上处理,MSUS2模型中所有OUE的子任务总数大于OECN总数;
(2)针对每种卸载模型建立相应的优化问题;所述优化问题为综合设计该卸载模型中各子任务与OECN之间的配对卸载决策与该卸载模型中各子任务分配的传输功率以获取卸载该模型中所有子任务处理完毕需耗费的最短时延;
(3)采用二分搜索法分别求解每种卸载模型的优化问题,获取每种卸载模型中各子任务最优的传输功率分配结果;
(4)在每种卸载模型中各子任务分配到最优传输功率的基础上,根据将当前时刻情况最差的OUE或子任务分配给当前时刻信道状况最好的OECN上卸载的规则以及多OUE按需分配OECN的规则,优化设计每种卸载模型中各子任务与OECN之间的配对卸载决策从而使处理时延最短;所述情况最差的OUE或子任务是指本地处理总时延最大的OUE或本地处理时延最大的子任务;所述信道状况最好的OECN是指针对同一子任务处理时延最短的OECN。
进一步的,同一时刻,一个子任务仅能选择一个OECN进行处理,一个OECN仅能处理一个子任务;所述SSU模型的配对卸载决策OAAS为:根据各子任务的本地处理时延从大至小的顺序确定各子任务优先级,根据相同子任务于各OECN上卸载消耗总时延从小至大的顺序确定各OECN的优先级;按照子任务的优先级从高到低的顺序选择一个子任务分配给当前优先级最高的OECN进行配对卸载,直至完成所有子任务的分配;所述MSUS2模型的配对卸载决策OANR为:分别计算各OUE中待处理数据总量与全部OUE待处理数据总量之比,根据比值决定各OUE分配的OECN的数量;再根据各OUE子任务的数量计算出每个OUE需要分配OECN的次数;根据各OUE本地处理总时延按从大至少的顺序确定各OUE优先级,根据每个OUE中所有子任务的本地处理时延从大至小的顺序确定每个OUE中各子任务优先级,根据相同子任务于各OECN上卸载消耗总时延从小至大的顺序确定各OECN的优先级;按照OUE的优先级从高到低的顺序依次选择一个OUE,将该OUE与当前时刻优先级排序前G个OECN进行配对卸载,所述G为该OUE分配的OECN的数量,直至完成所有OUE的分配;其中,针对每个OUE中优先级排序前G个子任务,按照子任务的优先级从高到低的顺序选择一个子任务与该OUE分配的OECN中当前时刻优先级最高的OECN进行配对卸载,直至完成G个子任务的分配,每个OUE中剩余子任务排队等待下一次OECN分配,每个OUE中剩余子任务以同样的方式与该OUE分配的OECN进行配对卸载,直至完成所有次数分配。
进一步,所述OAAS包括两种情况,具体为:
情况1为理想情况,表明现有的分配策略相较于其他分配策略时延最小,即:
情况2为非理想情况,表明现有的分配策略仅保证优先级高的部分子任务处理时延缩短,即:
采用逐级比较的方式对优先级低的部分子任务分配的OECN进行替换从而保证整个OUE子任务处理时延缩短;所述替换方式步骤为:
(1)将优先级排序为S-1的子任务所分配的OECN与优先级排序为S的子任务所分配的OECN进行互换,获取判断若则表明该互换后的分配策略对当前TaskS处理时延缩短有益,则采取该互换分配策略,转至步骤(2);否则,不进行上述互换,继续将优先级排序为S-2、S-3……1的子任务所分配的OECN逐一与优先级排序为S的子任务所分配的OECN与进行互换,直至满足互换后产生的子任务处理时延中较大的子任务处理时延小于或等于转至步骤(2)或者完成所有互换;
(2)再将采取策略互换后产生的子任务处理时延中较大的子任务处理时延继续与按照从小至大的顺序逐一进行比较,判断是否进行新一轮的分配策略的替换;若小于与之比较的值,则将产生子任务处理时延最大值所对应的子任务所分配的OECN与之比较的子任务所分配的OECN进行互换,否则不互换,直至完成与的比较为止。
进一步,所述SSU模型优化问题具体为:
其中,X表示为单个OUE的S个子任务与M个OECN之间的配对决策;m为具体OECN的编号,m∈{1,2,...,M};Taski∈{Task1,Task2,...,TaskS};为Taski所分配的传输功率;为Taski卸载总时延,表示Taski在OECNm上的数据传输时延,表示Taski在OECNm上的处理时延;表示Taski在本地处理时延;若选择本地处理,则若选择OECN卸载,则的取值为对应OECN编号,即
设置约束条件:
进一步的,所述MSUS1模型优化问题表示为:
式中,表示K个OUE中每个OUE的子任务与个OECN之间的配对决策;k为具体OUE的编号,k∈{1,2,...,K};为具体OECN的编号,为OUEk的分配的传输功率;为OUEk的卸载总时延,表示OUEk的在上的数据传输时延,表示OUEk的在上的处理时延;表示OUEk的在本地处理时延;
设置约束条件:
进一步,所述MSUS2模型优化问题表示为:
式中,表示个OUE中单个OUE子任务与个OECN的配对决策,为具体OUE的编号,为具体OECN的编号,为的所分配的传输功率;为的卸载总时延,表示的在OECN上排队等待时延;表示的在上的处理时延;为的本地处理总时延;
设置约束条件:
进一步,步骤(3)中所述SSU模型传输功率求解具体步骤为:
式中,
此外,本发明还提供一种计算机设备,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,所述处理器执行所述计算机程序时实现上述方法的步骤。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
有益效果:本发明所述一种面向中间海域场景的边缘计算卸载方法相对于现有技术,其显著优点是:基于中间海域的场景设置三个模型,并设置相应的优化问题,采用二分搜索法的传输功率优化分配算法,不断逼近最优的传输功率分配,提高了卸载效率;建立OAAS、OAMOAS、OANR策略优化模型,从而实现多任务与多OECN之间的低时延、高可靠的卸载传输机制。
附图说明
图1所示为中间海域场景系统模型图;
图2所示为OUE在不同OECN数据量及策略下的时延对比图;
图3所示为OUE在不同子任务数量及策略下的时延对比图;
图4所示为MSUS2模型下OUE在不同数量及策略下的时延对比图;
图5所示为本发明所述方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案进一步说明。
如图5所示,本发明提供的一种面向中间海域场景的边缘计算卸载方法,具体包括以下步骤:
步骤一、基于中间海域场景的建立三种卸载模型;
如图1所示,描述了中间海域场景下的多任务集实时并行执行场景。此时,海洋网络局部区域会产生大量需要实时处理的数据,这些数据可以本地处理抑或融合聚类分别卸载至附近多个OECN上同时进行处理。因此,本发明基于中间海域场景相较远海场景OECN数量更加丰富的情况,建立海洋用户设备(Oceanic User Equipment,OUE)与多海洋边缘计算节点(Oceanic Edge Computing Node,OECN)之间的单跳卸载机制,具体建立以下三种卸载模型:
(1)单用户单跳单播模型(Single-user Single-hop Unicast,SSU)
SSU模型是指将单个OUE将待处理数据划分为S个大小不同的子任务,子任务集表示为Taski∈{Task1,Task2,...,TaskS},各子任务可于本地处理或至卸载至M个多海洋边缘计算节点OECN上处理,m∈{1,2,...,M};SSU模型中的OECN的资源相对于子任务的数量是充足的,即单个OUE中所有待处理子任务总数小于或者等于OECN的总数;
(2)多用户单跳单播情况1模型(Multi-user Single-hop Unicast Situation 1,MSUS1)
MSUS1模型为SSU模型的在多用户下的延伸,即K个OUE将待处理数据划分为个大小不同的子任务,k∈{1,2,...,K},k为OUE具体编号;各子任务可于本地处理或至卸载至个多海洋边缘计算节点OECN上处理。MSUS1模型中的OECN的资源相对于子任务的数量同样为充足的,即K个OUE中所有待处理子任务总数小于或者等于OECN的总数。
(3)多用户单跳单播情况2模型(Multi-user Single-hop Unicast Situation 2,MSUS2)
MSUS2模型为个OUE将待处理数据划分为个大小不同的子任务,为OUE具体编号;各子任务可于本地处理或至卸载至个多海洋边缘计算节点OECN上处理。MSUS2模型与MSUS1模型均针对多用户情形,但MSUS2模型中的OECN的资源相对于子任务的数量同样为有限的,即个OUE中所有待处理子任务总数大于OECN的总数。
为满足网络连通时延约束且避免资源竞争降低冲突概率,以上三种所设模型均规定单个子任务与单个OECN为相互对应关系,即假设一个子任务在同一时刻仅能选择一个OECN进行处理,一个OECN在同一时刻仅能处理一个子任务。
步骤二、以各模型中待处理数据划分出的所有子任务完成处理所需耗费的时间最短为目标,针对三种模型建立低时延优化问题;
(1)针对SSU模型,假设一个变量X和一个变量P,变量X表示为单个OUE的S个子任务与M个OECN之间的配对决策,表示为变量P表示每个子任务Taski所分配的传输功率;表示为 为Taski所分配的传输功率。
以单用户为例,多用户模型均满足。若选择本地处理,则本地处理能耗表示为:本地处理时延表示为:fl为OUE的本地计算速率,l取决于处理器芯片结构的系数;若选择OECN卸载,则的取值为对应OECN编号,即Taski在OECNm上的上行链路传输速率为:其中,B表示Taski在OECNm上的带宽;表示Taski在OECNm上的传输功率;σ2表示在OECNm信道上的高斯白噪声;gm表示在OECNm信道上的信道增益。因此,Taski在OECNm上的数据传输时延表示为:Taski在OECN m上的数据传输能耗表示为:Taski在OECNm处理时延可表示为fm表示OECNm的计算频率。
结合上述配对决策和分配的传输功率设计获得SSU模型最短时延的优化问题可表示为:
设置约束条件为:
约束C1为配对卸载决策的取值范围;约束条件C2为限制同一时刻T,一个子任务最多只能选择一个OECN卸载;约束条件C3为限制同一时刻T,一个OECN最多只能被一个子任务选择,约束条件C2与约束条件C3保证单个子任务与单个OECN是相互对应的关系;约束条件C4保证每个子任务实际能耗不超过其最大能耗;为Taski所允许的最大能耗;约束C5保证每个子任务的传输功率不超过其额定功率,为Taski所允许的最大传输功率。
(2)MSUS1模型的优化问题是SSU模型优化问题基于多用户下的延伸,假设一个变量和一个变量变量表示为K个OUE中每个OUE的子任务与个OECN之间的配对决策,表示为变量表示每个子任务所分配的传输功率;表示为为OUEk的所分配的传输功率。
所述MSUS1模型优化问题表示为:
设置约束条件为:
式中,约束C6为配对卸载决策的取值范围;约束C7和C8保证每个OUE中每个子任务与通信范围内的OECN是相互对应的关系;约束C9保证多OUE中每个子任务实际能耗不超过其最大能耗;表示OUEk的的本地能耗,表示OUEk的在OECNm上的数据传输能耗,为OUEk的所允许的最大能耗;约束C10保证多OUE中每个子任务的传输功率不超过其额定功率;为OUEk的所允许的最大传输功率。
所述MSUS2模型优化问题表示为:
由于待处理子任务在初次与数量有限OECN匹配后,部分剩余子任务未获得与OECN匹配的机会,该部分子任务需要考虑OECN再分配情况。此时,部分剩余子任务需要比较其本地处理时延与再分配卸载总时延,得出最优配对卸载决策。由于OECN计算资源有限,剩余部分子任务进行再分配时的卸载总时延需要考虑其在相应OECN上的排队等候时延可表示为:
式中,为当前所选OECN完成前一个子任务卸载处理总时延;为该子任务卸载传输时延。若该子任务在初次分配时已获得OECN卸载,则该子任务若该子任务所选择OECN用于卸载之前子任务消耗总时延小于该子任务卸载传输至该OECN时延,则该子任务无需在该OECN上排队等候,同样反之,该子任务存在OECN上的排队等候时延
设置约束条件为:
式中,约束C11为卸载决策的取值范围;约束C12保证每个OUE中每个子任务最多只能选择一个OECN完成卸载任务;约束C13满足多OUE中所有待处理子任务总数大于供选择的OECN总数;约束C14保证每个子任务实际能耗不超过其最大能耗;表示的的本地能耗,表示的在上的数据传输能耗,为的所允许的最大能耗;约束C15保证每个子任务的传输功率不超过其额定功率,为的所允许的最大传输功率。
步骤三、针对三种模型中的传输功率的分配进行优化,保证每个模型中的各子任务在传输的过程中具有最优的传输功率;
步骤四、针对三个模型分别优化设计各模型的优化配对卸载决策。
(1)针对SSU模型提出OAAS,主要的规则为在每次迭代过程中,将当前时刻情况最差的子任务分配给信道状况最好的OECN上进行卸载。
具体而言,以为例,假设已根据子任务优先级(优先级判断规则:子任务本地处理时延越大,卸载优先级越高)与OECN优先级(优先级判断规则:固定子任务在其上卸载消耗总时延越小,该OECN优先级越大)进行排序。若子任务优先级排序为Task1>Task2>Task3>Task4>Task5,先选取优先级最大的Task1分配给优先级最高的OECN进行处理,再选取Task2分配给优先级次高的OECN进行处理,再以同样的方式选取剩余子任务中优先级最高的子任务分配给当前时刻优先级最高的OECN,直至完成所有子任务的分配。
以上策略能够保证对于优先级高的部分子任务能够分配至优先级高的OECN,能够较为快速的完成卸载,对于该部分子任务采用本策略会有较为明显的节省时延效果,但不能确定是否有利于整个OUE缩短时延。故需要对不同情况进行分析:
情况1:若其中,Task1下标代表经优先级排序后各子任务优先级顺序,(1)代表经优先级排序后OECN优先级顺序;表示Task1经OECN1处理的卸载总时延;该情况为最理想的情况,当前最需要卸载处理的子任务与当前通信计算资源最高的OECN相匹配,时延相较其他分配方式最小,OUE卸载总时延仅取决于
情况2:若OUE总时延为其所有子任务时延的最大值,由于上述情况不能确定与大小关系,不利于优化OUE整体时延。故需要将上述情况2转变为情况1,采用对当前Task5进行策略替换并逐级比较解决不能确定情况2中 与的大小关系问题,具体的措施为:
(1.1)将优先级排序为4的子任务所分配的OECN与优先级排序为5的子任务所分配的OECN进行互换,比较经过策略互换后和的大小关系;若则该变换后的分配策略对当前Task5局部节省时延效果更好,采取该分配策略;否则,不进行上述互换操作;将优先级排序为3、2、1的子任务所分配的OECN按序逐一与优先级排序为5的子任务所匹配的OECN进行互换,并判断能否进行策略互换,直至满足互换条件,停止互换转至步骤(1.2);或者完成与所有子任务所分配的OECN的互换操作。互换条件是指互换后产生的新的子任务处理时延中最大值与相比更小。
(2)针对MSUS1模型,提出OAMOAS。
首先,通过比较各OUE本地处理总时延决定各OUE之间的优先级顺序,本地处理总时延高的OUE优先选择计算与通信资源优异的OECN处理,卸载节省时延效果更加明显,从而保证各OUE之间的公平。随后,按照OUE优先级顺序依次对每个OUE进行OAAS,从而得出各OUE中各子任务最优卸载决策。另外,在完成每个OUE中各子任务卸载决策分配后,将已选择的OECN去除,避免再次被其他OUE中子任务选中,保障子任务与OECN之间满足一一对应关系。
(3)针对MSUS2模型由于无法实现待处理子任务一次性全部完成卸载节点分配,需要考虑OECN再分配,于是提出基于节点再分配的卸载决策分配算法(Offloading decisionAllocation algorithm based on Node Redistribution,OANR)。
具体操作流程为:首先,通过比较各OUE本地处理总时延决定各OUE优先级,同时比较固定OUE经各OECN卸载的总时延决定OECN通信与计算资源强弱优先级。其次,基于OECN数量有限的情况,对OECN资源进行划分,使单个OUE获得一定数量的OECN完成卸载。为保障各OUE之间的公平性,根据单个OUE中待处理数据总量占全部OUE数据总量比重决定为该OUE分配的OECN数量,用表示可用于卸载的OECN数量,公式如下所示。
再根据每个OUE子任务数量计算每个OUE需要OECN分配的总次数,公式如下:
随后,根据OUE的优先级从高至低的顺序依次选择一个OUE,为其按OECN优先级从高至低的顺序分配相应数量的OECN进行卸载处理,直至完成所有OUE的分配;其中,相应数量是指每个OECN按比例分配的OECN数量。最后,根据计算出的各OUE所需要分配的OECN次数,针对每个OUE每次所选择子任务集在其分配的OECN集合范围内完成OAAS,实现最优卸载决策分配。
例如:若现有OUE三个,三个OUE的优先级分别为OUE1>OUE2>OUE3,分别具有15、10、5个子任务。共有6个OECN对以上三个OUE的子任务进行处理,OECN的优先级分别为OECN1>OECN2>OECN3>OECN4>OECN5>OECN6。计算比例计算OUE1分配的OECN的数量为3,OUE2分配的OECN的数量为2,OUE3分配的OECN的数量为1。以上各OUE需要OECN分配的总次数为5。优先级最高的OUE1先选择优先级最高的OECN1、OECN2、OECN3进行卸载,优先级次高的OUE2选择OECN4、OECN5进行卸载,OUE3选择OECN6进行卸载。由于每个OUE需要OECN分配的总次数为5,按照OAAS方式,第一次分配给OUE1的OECN1、OECN2、OECN3分别对应处理对子任务优先级排序前三的子任务,剩余的子任务等待下一次分配的OECN进行处理,直至完成所有次数的分配,其余的OUE也同样按照OAAS方式对所有子任务分配相应的OECN进行处理。
SSU模型仿真设置S=6,M=30,参数取值如表1所示。
表1 SSU方案参数取值
为验证OAAS在SSU卸载方案中的有效性,将该算法与下列所提算法进行性能比较:AFSA为人工鱼群算法;PSO为粒子群算法;ISS-AFSA为进行步长随机化处理后的AFSA;MO-AFSA为基于变异操作的人工鱼群算法。
以子任务数据量D(KB)分别为[2,8]、[9,15]、[16,22]、[23,29]、[30,36]为例,如图2描述了不同子任务数据量下的单OUE时延对比。在OECN数量相对充足的情况下,OUE时延随子任务数据量增大而增大。同时,如图2所示,将OAAS与ISS-AFSA、AFSA、PSO算法下的单OUE时延进行对比,OAAS通过对每个子任务进行策略比较判断以及策略替换,可找到优化OUE整体时延的最优卸载决策分配,而对比算法均需要对卸载策略进行随机化处理,并通过不断尝试搜寻次优解,由于迭代收敛相关参数设置没有最优选择,只能在一定程度上逼近最优解。此外,AFSA和PSO算法由于各参数设置相对固定,跳出局部最优能力受限;ISS-AFSA虽然通过随机步长改善了跳出局部最优能力,但效果一般;而OAAS由于不需要进行迭代收敛,可以更好地缩短程序运行时延。因此,明显可以从图2中看出采用OAAS策略的时延更短。
以子任务数量S=[6,8,10,12]为例,图3描述了不同子任务数量下的单OUE时延对比。OUE时延随子任务划分数量增大而增大。OUE划分子任务数量越多,子任务越容易选择通信与计算资源相对较差的OECN进行卸载处理,越容易使该子任务卸载时延成为OUE的整体时延,从而使OUE整体时延不断升高。
表2 MSUS2方案参数取值
为验证OANR在MSUS2卸载方案中的有效性,将该算法与策略一、无优先级OANR、策略二等算法进行性能比较。策略一将数量有限的OECN根据计算分配给每个OUE,每个OUE根据计算决定节点分配次数,在每次节点分配中为OUE中优先级最高的子任务分配当前时刻通信与计算资源最优异的OECN处理,直至全部子任务完成卸载分配。无优先级OANR即为在利用OANR实现各子任务卸载决策分配的过程中忽略多OUE之间差异。策略二针对每个OUE所获得的用于卸载的OECN数量进行随机化处理,单个OUE中每个子任务卸载决策分配执行OANR。
如图4所示,对比了OECN数量有限情况下的不同数量OUE平均时延,由图可知,多OUE平均时延随OUE数量的增加而增大。需要卸载的OUE数量越多,用于与多OUE中各子任务配对的OECN需求量越大,子任务越容易选择通信与计算资源相对较差的OECN进行卸载处理,且为每个OUE分配的OECN数量有限,每个OUE中除第一次分配的部分子任务外的各子任务需要对比其本地处理时延与OECN再分配时卸载总时延,相较OECN充足的情况多OUE平均时延更大。图4同时对比了不同策略下多OUE平均时延。OANR相较策略一由于考虑整体OUE时延且引入策略替换,节省时延效果相对明显。值得注意,当时由于OECN数量相较待处理OUE数量非常有限,每个OUE最多只能分配2个OECN,此时对OUE中子任务选择的OECN情况也非常有限(只包含最好与最坏两种情况)。因此,OANR与策略一中对子任务卸载决策分配作用在用户本地计算能力不足时的节省时延效果相同,由此得出OANR在供选择的OECN数量相对丰富的情况下节省时延效果更佳显著。不考虑OUE优先级而执行OANR会导致本地处理时延大的OUE分配通信与计算资源很差的OECN卸载处理,同时本地处理时延小的OUE分配通信与计算资源优异的OECN处理,造成OECN资源浪费,均不利于节省时延。策略二对数量有限OECN进行随机化分配至每个OUE,会导致部分子任务较少的OUE占用相对充足的OECN,而部分子任务较多的OUE需要利用数量有限OECN卸载,同样造成OECN通信与计算资源的浪费,节省时延效果相较OANR不理想。
此外,本发明还提供一种计算机设备,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,所述处理器执行所述计算机程序时实现上述方法的步骤。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
Claims (10)
1.一种面向中间海域场景的边缘计算卸载方法,其特征在于,包括以下步骤:
(1)根据中间海域场景建立三种卸载模型,分别为SSU模型、MSUS1模型、MSUS2模型;所述SSU模型为:将单个海洋用户设备OUE待处理数据划分成若干子任务,各子任务于本地处理或卸载至多个海洋边缘计算节点OECN上处理,SSU模型中子任务的总数小于或等于OECN总数;MSUS1模型:将多个OUE中待处理数据划分成若干子任务,各子任务于本地处理或卸载至多个OECN上处理,MSUS1模型中所有OUE的子任务总数小于或等于OECN总数;MSUS2模型为:将多个OUE中待处理数据划分成若干子任务,各子任务于本地处理或卸载至多个OECN上处理,MSUS2模型中所有OUE的子任务总数大于OECN总数;
(2)针对每种卸载模型建立相应的优化问题;所述优化问题为综合设计该卸载模型中各子任务与OECN之间的配对卸载决策与该卸载模型中各子任务分配的传输功率以获取卸载该模型中所有子任务处理完毕需耗费的最短时延;
(3)采用二分搜索法分别求解每种卸载模型的优化问题,获取每种卸载模型中各子任务最优的传输功率分配结果;
(4)在每种卸载模型中各子任务分配到最优传输功率的基础上,根据将当前时刻情况最差的OUE或子任务分配给当前时刻信道状况最好的OECN上卸载的规则以及多OUE按需分配OECN的规则,优化设计每种卸载模型中各子任务与OECN之间的配对卸载决策从而使处理时延最短;所述情况最差的OUE或子任务是指本地处理总时延最大的OUE或本地处理时延最大的子任务;所述信道状况最好的OECN是指针对同一子任务处理时延最短的OECN。
2.根据权利要求1所述的面向中间海域场景的边缘计算卸载方法,其特征在于,同一时刻,一个子任务仅能选择一个OECN进行处理,一个OECN仅能处理一个子任务;
所述SSU模型的配对卸载决策OAAS具体为:根据各子任务的本地处理时延从大至小的顺序确定各子任务优先级,根据相同子任务于各OECN上卸载消耗总时延从小至大的顺序确定各OECN的优先级;按照子任务的优先级从高到低的顺序选择一个子任务分配给当前优先级最高的OECN进行配对卸载,直至完成所有子任务的分配;
所述MSUS1模型的配对卸载决策OAMOAS具体为:根据各OUE本地处理总时延按从大至少的顺序确定各OUE优先级,根据每个OUE中所有子任务的本地处理时延从大至小的顺序确定每个OUE中各子任务优先级,根据相同子任务于各OECN上卸载消耗总时延从小至大的顺序确定各OECN的优先级;按照OUE的优先级从高到低的顺序依次选择一个OUE,针对该OUE中所有子任务,按照子任务的优先级从高到低的顺序选择一个子任务分配给当前优先级最高的OECN进行配对卸载,直至完成该OUE中所有子任务的分配;直至完成所有OUE中所有子任务的分配;
所述MSUS2模型的配对卸载决策OANR为:分别计算各OUE中待处理数据总量与全部OUE待处理数据总量之比,根据比值决定各OUE分配的OECN的数量;再根据各OUE子任务的数量计算出每个OUE需要分配OECN的次数;根据各OUE本地处理总时延按从大至少的顺序确定各OUE优先级,根据每个OUE中所有子任务的本地处理时延从大至小的顺序确定每个OUE中各子任务优先级,根据相同子任务于各OECN上卸载消耗总时延从小至大的顺序确定各OECN的优先级;
按照OUE的优先级从高到低的顺序依次选择一个OUE,将该OUE与当前时刻优先级排序前G个OECN进行配对卸载,所述G为该OUE分配的OECN的数量,直至完成所有OUE的分配;其中,针对每个OUE中优先级排序前G个子任务,按照子任务的优先级从高到低的顺序选择一个子任务与该OUE分配的OECN中当前时刻优先级最高的OECN进行配对卸载,直至完成G个子任务的分配,每个OUE中剩余子任务排队等待下一次分配的OECN处理,每个OUE中剩余子任务以同样的方式与该OUE分配的OECN进行配对卸载,直至完成所有次数分配。
3.根据权利要求1所述的面向中间海域场景的边缘计算卸载方法,其特征在于,所述OAAS包括两种情况,具体为:
情况1为理想情况,表明现有的分配策略相较于其他分配策略时延最小,即:
情况2为非理想情况,表明现有的分配策略仅保证优先级高的部分子任务处理时延缩短,即:
采用逐级比较的方式对优先级低的部分子任务分配的OECN进行替换从而保证整个OUE处理时延缩短;所述替换方式步骤为:
(1)将优先级排序为S-1的子任务所分配的OECN与优先级排序为S的子任务所分配的OECN进行互换,获取判断若则表明该互换后的分配策略对当前TaskS处理时延缩短有益,则采取该互换分配策略,转至步骤(2);否则,不进行上述互换,继续将优先级排序为S-2、S-3……1的子任务所分配的OECN逐一与优先级排序为S的子任务所分配的OECN与进行互换,直至满足互换后产生的子任务处理时延中较大的子任务处理时延小于或等于转至步骤(2)或者完成所有互换;
4.根据权利要求1所述的面向中间海域场景的边缘计算卸载方法,其特征在于,所述SSU模型优化问题具体为:
其中,X表示为单个OUE的S个子任务与M个OECN之间的配对决策;m为具体OECN的编号,m∈{1,2,...,M};Taski∈{Task1,Task2,...,TaskS}; 为Taski所分配的传输功率; 为Taski卸载总时延, 表示Taski在OECNm上的数据传输时延,表示Taski在OECNm上的处理时延;表示Taski在本地处理时延;若选择本地处理,则若选择OECN卸载,则的取值为对应OECN编号,即
设置约束条件:
5.根据权利要求4所述的面向中间海域场景的边缘计算卸载方法,其特征在于,所述MSUS1模型优化问题表示为:
式中,表示K个OUE中每个OUE的子任务与个OECN之间的配对决策;k为具体OUE的编号,k∈{1,2,...,K};为具体OECN的编号, 为OUEk的分配的传输功率; 为OUEk的卸载总时延, 表示OUEk的在上的数据传输时延,表示OUEk的在上的处理时延;表示OUEk的在本地处理时延;
设置约束条件:
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至权利要求8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至权利要求8所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393700.6A CN114867039B (zh) | 2022-04-15 | 2022-04-15 | 一种面向中间海域场景的边缘计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393700.6A CN114867039B (zh) | 2022-04-15 | 2022-04-15 | 一种面向中间海域场景的边缘计算卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114867039A true CN114867039A (zh) | 2022-08-05 |
CN114867039B CN114867039B (zh) | 2024-06-21 |
Family
ID=82631347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210393700.6A Active CN114867039B (zh) | 2022-04-15 | 2022-04-15 | 一种面向中间海域场景的边缘计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114867039B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
CN112559171A (zh) * | 2020-12-02 | 2021-03-26 | 河海大学 | 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 |
CN113242568A (zh) * | 2021-06-08 | 2021-08-10 | 重庆邮电大学 | 一种不确定网络环境中的任务卸载和资源分配方法 |
WO2022027776A1 (zh) * | 2020-08-03 | 2022-02-10 | 威胜信息技术股份有限公司 | 边缘计算网络任务调度与资源分配方法和边缘计算系统 |
-
2022
- 2022-04-15 CN CN202210393700.6A patent/CN114867039B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
WO2022027776A1 (zh) * | 2020-08-03 | 2022-02-10 | 威胜信息技术股份有限公司 | 边缘计算网络任务调度与资源分配方法和边缘计算系统 |
CN112559171A (zh) * | 2020-12-02 | 2021-03-26 | 河海大学 | 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 |
CN113242568A (zh) * | 2021-06-08 | 2021-08-10 | 重庆邮电大学 | 一种不确定网络环境中的任务卸载和资源分配方法 |
Non-Patent Citations (3)
Title |
---|
XIN SU: "Multi-access Edge Computing Offloading Method Oriented to Offshore Scenarios", 《2021 IEEE/CIC INTERNATIONAL CONFERENCE ON COMMUNICATIONS IN CHINA (ICCC)》, 8 November 2021 (2021-11-08) * |
张雅玲;张鹏程;金惠颖;: "一种移动边缘计算下基于高斯隐藏贝叶斯的服务质量监控方法", 小型微型计算机系统, no. 08, 15 August 2020 (2020-08-15) * |
苏新: "面向海洋观监测传感网的计算卸载方法研究", 《通信学报》, 13 May 2021 (2021-05-13) * |
Also Published As
Publication number | Publication date |
---|---|
CN114867039B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111240701B (zh) | 一种端-边-云协同计算的任务卸载优化方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
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 | |
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN111930436A (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
CN113296845A (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
CN107911478A (zh) | 基于化学反应优化算法的多用户计算卸载方法及装置 | |
CN104619029B (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
CN110719641B (zh) | 边缘计算中用户卸载与资源分配联合优化方法 | |
CN111885147A (zh) | 边缘计算中的一种资源动态定价方法 | |
CN113918240A (zh) | 任务卸载方法及装置 | |
CN114172558B (zh) | 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法 | |
CN112969163B (zh) | 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 | |
CN102595419B (zh) | 一种认知无线电网络中的频谱分配方法和系统 | |
CN113993218A (zh) | 一种mec架构下基于多智能体drl的协作卸载和资源分配方法 | |
CN114375058A (zh) | 任务队列感知的边缘计算实时信道分配和任务卸载方法 | |
CN115629865B (zh) | 一种基于边缘计算的深度学习推理任务调度方法 | |
CN113709694A (zh) | 一种面向边缘车联网系统的计算任务卸载方法 | |
CN111526526B (zh) | 基于服务混搭的移动边缘计算中的任务卸载方法 | |
CN114356585A (zh) | 一种移动边缘计算卸载的优化方法、装置及计算机设备 | |
CN114867039A (zh) | 一种面向中间海域场景的边缘计算卸载方法 | |
CN115134364B (zh) | 基于o-ran物联网系统的节能计算卸载系统及方法 | |
CN114374694B (zh) | 一种基于优先级的任务卸载方法及系统 |
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 |