CN115002212B - 基于交叉熵优化算法的联合缓存和卸载方法及系统 - Google Patents

Abstract

本说明书实施例提供了一种基于交叉熵优化算法的联合缓存和卸载方法及系统，其中，方法包括：S1.边缘服务器ES接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗；S2.通过计算各计算方式对所述任务进行计算产生的时延和能耗以及用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE；S3.以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。

Description

基于交叉熵优化算法的联合缓存和卸载方法及系统

技术领域

本文件涉及边缘计算技术领域，尤其涉及一种基于交叉熵优化算法的联合缓存和卸载方法及系统。

背景技术

随着车联网系统的快速发展，车辆设备和网络数据的不断增加，给海量的通信和计算带来了巨大的挑战。为了应对这一挑战，一种很有前途的技术是边缘缓存技术，它将一些内容提前存储在网络的边缘，从而在实际发生通信和计算时显著减少通信和计算的开销；另一种应对大规模通信和计算挑战的技术是移动边缘计算MEC，MEC通过将计算资源部署到用户附近的节点上，帮助显著减少网络中通信和计算开销。

近年来，将高速缓存集成到移动边缘网络引起了研究者们的广泛关注。在缓存驱动的MEC(Cache-enabled MEC)网络中，大部分的研究都聚焦于满足网络中用户的体验质量QoE，而在移动边缘计算系统中的边缘服务器ES的利益很少被关注和研究。在资源受限的边缘网络中，如何通过有效的资源分配使得在满足用户QoE的同时边缘服务器的利润最大，成为了一个系统设计和优化的一个重要问题之一。

发明内容

本说明书一个或多个实施例提供了一种基于交叉熵优化算法的联合缓存和卸载方法，包括：

S1.边缘服务器ES接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗；

S2.通过计算各计算方式对所述任务进行计算产生的时延和能耗以及用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE；

S3.以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。

本说明书一个或多个实施例提供了一种基于交叉熵优化算法的联合缓存和卸载系统，包括：

计算模块：用于接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗；

综合处理模块：用于通过计算各计算方式对所有任务进行计算产生的时延和能耗以及所有任务计算完成后用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE；

优化模块：用于以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。

采用本发明实施例，首先对非竞争环境下的车联网边缘计算方法进行设计，进一步的，采用交叉熵优化算法对方法进行优化，从而得到最优的缓存和卸载策略，在满足车辆用户QoE的同时，实现了ES利润的最大化。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一个或多个实施例提供的一种基于交叉熵优化算法的联合缓存和卸载方法的流程图；

图2为在Python仿真环境下，所提出方法在CE算法迭代次数变化下ES利润的仿真结果；

图3为在Python仿真环境下，所提出方法在任务大小变化下ES利润的仿真结果；

图4为在Python仿真环境下，所提出方法在缓存空间变化下ES利润的仿真结果；

图5为本说明书一个或多个实施例提供的一种基于交叉熵优化算法的联合缓存和卸载系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。

方法实施例

本发明实施例提供了一种基于交叉熵优化算法的联合缓存和卸载方法，图1是本说明书一个或多个实施例提供的一种基于交叉熵优化算法的联合缓存和卸载方法的流程图，如图1所示，根据本发明实施例的基于交叉熵优化算法的联合缓存和卸载方法具体包括：

S1.边缘服务器ES接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗。

具体的，在当前时隙内，用户发出任务计算请求，如果需要计算的任务已经被缓存在ES中，ES可以直接给用户返回任务的计算结果，用户不再需要对任务进行卸载计算；如果需要计算的任务在ES中没有被缓存，则这些请求任务可以在用户本地进行计算，也可以通过无线传输卸载到ES上进行计算：

当任务在用户本地进行计算时，会在本地产生计算时延和能耗，其时延的计算方法如公式1所示：

其能耗的计算方法如公式2所示：

其中，y_m,i∈{0,1}表示用户的卸载策略，y_m,i＝0表示用户m的任务i在本地计算，y_m,i＝1表示用户m的任务i卸载到ES计算；x_i∈{0,1}表示缓存策略，x_i＝0表示任务文件i没有被ES缓存而x_i＝1表示任务文件被缓存在ES中，I_m是用户请求文件的集合；ω_i是任务i的数据大小，f_m为用户的本地CPU周期频率，ε_m是本地计算的能耗系数；

当任务需要卸载到ES上计算时，产生的时延包括：用户的传输时延和ES计算产生的时延，产生的能耗包括：用户的传输能耗和ES计算产生的能耗。

用户首先将任务通过无线信道传输至ES，则用户m的任务传输速率如公式3所示：

用户m的任务传输时延如公式4所示：

用户m的任务传输能耗如公式5所示：

其中，B_m为无线信道的带宽，P_m为发射功率，h_m为用户m连接到服务器的无线信道参数，σ²为高斯白噪声的方差；

ES接收到任务之后，开始对任务进行计算，产生的时延如公式6所示：

产生的能耗如公式7所示：

其中，f_es为ES的CPU周期频率，ε_es是ES计算的能耗系数。

S2.通过计算各计算方式对所述任务进行计算产生的时延和能耗以及用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE。

具体的，由于用户的任务在ES上是并行执行的，因此ES计算所有用户的任务所需要时延和能耗分别如公式8和公式9所示：

对于用户来说，其计算的时延为所有任务计算完成之后的时延，其能耗为本地计算任务产生的能耗与传输任务的能耗之和，因此用户的总能耗和时延计算方法分别如公式10和公式11所示：

根据公式8-11，边缘服务器ES的利润及用户的体验质量QoE的计算方法如下：

ES的利润为计算用户需要对ES支付的费用和ES产生的损耗之差，ES产生的损耗包括：ES缓存任务以及ES对任务进行计算时给ES带来损耗，计算方法如公式12所示：

其中，R_m为用户m向ES支付的费用，λ_comp为ES计算任务产生的损耗，λ_cache为缓存文件产生的代价；

具体的，用户需要对ES支付的费用包括：用户需要ES缓存的任务的计算结果时对ES的缓存支付的费用以及用户卸载任务到ES上计算时向ES支付的费用，R_m具体计算方法如下：

λ_comp和λ_cache具体计算方法如下：

λ_comp＝η_eE^es+η_lL^es

λ_cache＝η_sΣ_i∈Ix_iω_i

其中，β₁是用户卸载给ES计算时每比特任务所需支付的费用，β₂是用户得到ES缓存文件的返回结果时每比特任务所需支付的费用，η_e、η_l和η_s为计算任务能耗、时延和缓存代价的经济因子。

用户的QoE计算方法如公式13所示：

U_m＝η_eE_m+η_lL_m+η_pR_m 公式13；

其中，η_p∈[0,1]是衡量用户付费权重的因子，表示付费在用户m的用户体验感中的重要程度。

S3.以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。

具体的，建立的目标函数如公式14所示：

构建上述目标函数满足以下约束条件：

s.t.U_m<U_th,

x_i∈{0,1},

其中I为系统中所有文件的集合，Ω为ES的存储空间。

当采用CE优化算法优化时，将卸载策略y_m,i和缓存策略x_i构成一维向量z＝{z₁,...,z_j,...,z_J}，z_j∈{0,1}。在每一轮迭代k，首先在满足约束U_m<U_th和的情况下，根据选定的伯努利分布g(z,μ)产生样本N个样本到集合N，其伯努利分布表达式为：

其中μ＝{μ₁,…,μ_j,…,μ_J}为伯努利分布的均值。

进一步地，计算样本集合N中每一个样本z_n的W_es值，并按W_es值进行降序排列。

根据排列选出前N_elite个精英样本，根据精英样本计算出本轮迭代的利润最大值并更新μ值，如公式15和公式16所示：

其中，表示第n个精英样本的第i个元素，b表示学习率，b∈[0,1]。

K轮迭代之后，得到最优的卸载和缓存决策，并能够根据最优的卸载和缓存决策求出ES利润的最大值。

采用本发明实施例，首先对非竞争环境下的车联网边缘计算方法进行设计，进一步的，采用交叉熵优化算法对方法进行优化，从而得到最优的缓存和卸载策略，在满足车辆用户QoE的同时，实现了ES利润的最大化。

以下通过Python仿真环境设置3个具体实施例验证本方法的有效性：

实施例一

本实施例提供了一种基于交叉熵优化算法的联合卸载和缓存方法，在Python仿真环境下，使用计算机对本发明所提方法的ES利润随CE算法迭代次数的变化进行仿真。

在本实施例仿真实验中，设置参数B_m＝40MHz,P_m＝2W，σ²＝1×10^-2w，s_m,i＝80MHz,f_m＝400MHz和f_es＝800MHz，用户和服务器的能耗系数分别设置为ε_l＝1×10^-26和ε_es＝1×10^-28。同时，缓存空间大小设置为1200Mbits，用户数量设置为2。

仿真结果如图2所示，通过与传统的分支限界(BnB)算法对比，基于本发明所提出的联合缓存卸载方法可以在达到近乎BnB算法的性能的同时大大降低算法的复杂度，验证了本方法的有效性。

实施例二

本实施例提供了一种基于交叉熵优化算法的联合卸载和缓存方法，在Python仿真环境下，使用计算机对本发明所提方法的ES利润随任务大小的变化进行仿真。

在本实施例仿真实验中，设置参数B_m＝40MHz,P_m＝2W，σ²＝1×10^-9w，f_m＝400MHz和f_es＝800MHz，用户和服务器的能耗系数分别设置为ε_l＝1×10^-26和ε_es＝1×10^-28。同时，缓存空间大小设置1200Mbits，用户数量设置为4或6。

仿真结果如图3所示，通过对比传统的缓存和卸载方法，基于本发明所提出的联合缓存卸载方法可以使ES达到更高的利润，验证了本方法的有效性。

实施例三

本实施例提供了一种基于交叉熵优化算法的联合卸载和缓存方法，在Python仿真环境下，使用计算机对本发明所提方法的ES利润随缓存空间大小的变化进行仿真。

在本实施例仿真实验中，设置参数B_m＝40MHz,P_m＝2W，σ²＝1×10^-9w，s_m,i＝80MHz，f_m＝400MHz和f_es＝800MHz，用户和服务器的能耗系数分别设置为ε_l＝1×10^-26和ε_es＝1×10^-28。同时，用户数量设置为4或6。

仿真结果如图4所示，通过对比传统的缓存和卸载方法，基于本发明所提出的联合缓存卸载方法可以使ES在缓存空间变化的情况下灵活地选择文件进行缓存，从而使ES达到更高的利润，验证了本方法的有效性。

系统实施例

本发明实施例，提供了一种基于交叉熵优化算法的联合缓存和卸载系统，图5是本说明书一个或多个实施例提供的一种基于交叉熵优化算法的联合缓存和卸载系统的结构示意图，如图5所示，根据本发明实施例的基于交叉熵优化算法的联合缓存和卸载系统具体包括：

计算模块50：用于接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗；

综合处理模块52：用于通过计算各计算方式对所有任务进行计算产生的时延和能耗以及所有任务计算完成后用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE；

优化模块54：用于以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。

本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于交叉熵优化算法的联合缓存和卸载方法，其特征在于，包括：

S1.边缘服务器ES接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗；

S2.通过计算各计算方式对所述任务进行计算产生的时延和能耗以及用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE；

S3.以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，建立的目标函数如下所示：

构建上述目标函数满足以下约束条件：

其中I为系统中所有文件的集合，Ω为ES的存储空间；

采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。

2.根据权利要求1所述的方法，其特征在于，步骤S1所述方法具体包括：

所述ES根据所述缓存策略缓存任务，如果当前计算任务请求中需要计算的任务已被缓存在ES中，则所述ES直接给用户返回任务的计算结果；

如果当前任务没有被ES缓存，则用户根据卸载策略选择当前计算任务请求中任务的计算方式。

3.根据权利要求2所述的方法，其特征在于，所述计算方式包括所述任务在用户本地进行计算和通过无线传输卸载到ES进行计算。

4.根据权利要求3所述的方法，其特征在于，所述ES的利润计算方法为：计算用户需要对ES支付的费用和ES产生的损耗之差。

5.根据权利要求4所述的方法，其特征在于，

所述用户需要对ES支付的费用包括：用户需要ES缓存的任务的计算结果时对ES的缓存支付的费用以及用户卸载任务到ES上计算时向ES支付的费用；

所述ES产生的损耗包括：ES缓存任务以及ES对任务进行计算时给ES带来损耗。

6.根据权利要求4所述的方法，其特征在于，所述用户QoE计算方法为：计算所述任务在本地进行计算时产生的损耗与用户需要向ES支付的费用之差。

7.根据权利要求3所述的方法，其特征在于，当用户通过将任务无线传输卸载到ES的方式对所述任务进行计算时，产生的时延包括：用户的传输时延和ES计算产生的时延，产生的能耗包括：用户的传输能耗和ES计算产生的能耗。

8.根据权利要求3所述的方法，其特征在于，通过无线传输卸载到ES进行计算的任务的计算执行方式为并行执行。

9.根据权利要求1所述的方法，其特征在于，步骤S2所述用户的总能耗和时延中，所述总能耗为本地计算任务产生的能耗与传输任务的能耗之和，所述时延为所有任务计算完成之后的时延。

10.一种基于交叉熵优化算法的联合缓存和卸载系统，其特征在于，包括：

计算模块：用于接收用户发送的计算任务请求，根据卸载策略和缓存策略，通过不同的计算方式计算用户所发出的任务计算请求时产生的时延和能耗；

综合处理模块：用于通过计算各计算方式对所有任务进行计算产生的时延和能耗以及所有任务计算完成后用户的总能耗和时延，计算边缘服务器ES的利润及用户的体验质量QoE；

优化模块：用于以满足用户的QoE的情况下ES的利润最大为目标建立目标函数，建立的目标函数如下所示：

构建上述目标函数满足以下约束条件：

其中I为系统中所有文件的集合，Ω为ES的存储空间；

采用交叉熵优化算法优化所述卸载策略和缓存策略，经过K轮迭代计算出ES利润的最大值，得到最优的缓存策略和卸载策略。