CN115051999A - 基于云边协同的能耗最优任务卸载方法、装置及系统 - Google Patents
基于云边协同的能耗最优任务卸载方法、装置及系统 Download PDFInfo
- Publication number
- CN115051999A CN115051999A CN202210964968.0A CN202210964968A CN115051999A CN 115051999 A CN115051999 A CN 115051999A CN 202210964968 A CN202210964968 A CN 202210964968A CN 115051999 A CN115051999 A CN 115051999A
- Authority
- CN
- China
- Prior art keywords
- node
- content request
- power consumption
- task
- optimal
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于云边协同的能耗最优任务卸载方法、装置及系统,涉及通信技术领域,该方法包括:接收当前时隙内目标终端发送的卸载请求,从卸载请求中解析出多个内容请求任务;基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建云边协同网络的能耗优化模型;根据能耗优化模型的求解结果,在云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策,以对多个内容请求任务进行卸载。本发明实现在提高云边协同网络的服务性能的同时,确保任务卸载的能耗最优。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于云边协同的能耗最优任务卸载方法、装置及系统。
背景技术
随着无线通信技术的快速发展和应用,以虚拟现实和大批量视频传输为代表的新兴网络服务给现有的互联网带来了严峻的能源效率问题和更加严格的服务要求。云计算的集中式工作范式会产生巨大的跨域流量和传输延迟。为了满足差异化的服务需求,如何在资源受限的网络中实现数据内容传输是亟待解决的问题。通过在互联网边缘部署缓存和计算资源,边缘计算可以满足用户的内容请求任务,提高网络能效。
虽然,边缘计算可以通过快速处理用户的请求并在接入网络中提供他们感兴趣的内容来降低能耗,但边缘资源的异构性和局限性限制了其服务能力。
现有技术中有相关学者提出基于云边协同进行任务卸载,该方法具体考虑任务卸载延迟时间,将任务卸载到云服务器或边缘服务器,但由于过分依赖任务卸载延迟时间,导致任务卸载的能耗使用效率差。
因此,提出一种基于云边协同的能耗最优任务卸载方法、装置及系统,实现在提高服务性能的同时,确保能耗最优,是目前业界亟待解决的重要课题。
发明内容
本发明提供一种基于云边协同的能耗最优任务卸载方法、装置及系统,用以解决现有技术中依赖任务卸载延迟时间,导致任务卸载的能耗使用效率差的缺陷,实现在提高服务性能的同时,确保任务卸载的能耗最优。
本发明提供一种基于云边协同的能耗最优任务卸载方法,包括:
接收当前时隙内目标终端发送的卸载请求,从所述卸载请求中解析出多个内容请求任务;
基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型;其中,所述节点包括终端、基站和云端;
对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;
根据所述最优路由决策,将各内容请求任务卸载至所述最优处理节点;所述最优处理节点用于从所述最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至所述目标终端。
根据本发明提供的一种基于云边协同的能耗最优任务卸载方法,所述能耗优化模型包括目标函数和约束条件;
所述基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型,包括:
将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗;
将各物理链路承载的所有内容请求任务的所需功率消耗相加,得到各物理链路对应的总功率消耗;
将所有节点对应的总功率消耗,以及所有物理链路对应的总功率消耗相加,得到所述云边协同网络对应的总功率消耗;所述总功率消耗为所述云边协同网络对所述多个内容请求任务进行任务卸载所需消耗的总功率;
以所述云边协同网络对应的总功率消耗最小为目标,构建所述目标函数;
根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述约束条件。
根据本发明提供的一种基于云边协同的能耗最优任务卸载方法,各内容请求任务的属性信息包括所需缓存容量、所需计算资源和所需带宽资源;
所述根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述约束条件,包括:
基于各节点承载的所有内容请求任务的所需缓存容量之和,以及各节点的服务性能中的最大缓存容量,确定所述约束条件的第一子约束条件;
基于各基站向终端传输的所有内容请求任务的所需传输功率消耗之和,以及各基站的服务性能中的最大服务容量,确定所述约束条件的第二子约束条件;
基于各物理链路承载的所有内容请求任务的所需带宽资源之和,以及各物理链路的服务性能中的最大带宽资源,确定所述约束条件的第三子约束条件;
基于各节点承载的所有内容请求任务的所需计算资源之和,以及各节点的服务性能中的最大计算资源,确定所述约束条件的第四子约束条件;
基于各内容请求任务在同一层次的多个基站上的缓存决策,确定所述约束条件的第五子约束条件;
基于各内容请求任务在各节点上的缓存决策和处理决策,确定所述约束条件的第六子约束条件。
根据本发明提供的一种基于云边协同的能耗最优任务卸载方法,所述将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗,包括:
对于各节点执行如下操作:
在当前节点为终端的情况下,根据所述当前节点在所述当前时隙内向接入所述当前节点的目标节点发送每一内容请求任务的次数,以及向所述目标节点发送每一内容请求任务所需的功率消耗,获取所述当前节点向所述目标节点发送所有内容请求任务所需的传输功率消耗;
根据所述当前节点处理每一内容请求任务所需的中央处理器CPU周期数,以及每一CPU周期内所述当前节点进行任务处理所需的功率消耗,获取所述当前节点处理所有内容请求任务所需的计算功率消耗;
将所述当前节点缓存所有内容请求任务所需的缓存功率消耗、所述当前节点运行所需的静态功率消耗,以及所述传输功率消耗和所述计算功率消耗相加,得到所述当前节点对应的总功率消耗。
根据本发明提供的一种基于云边协同的能耗最优任务卸载方法,所述将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗,包括:
对于各节点执行如下操作:
在当前节点为云端的情况下,将所述当前节点缓存所有内容请求任务所需的缓存功率消耗、所述当前节点运行所需的静态功率消耗,以及所述当前节点处理所有内容请求任务所需的计算功率消耗相加,得到所述当前节点对应的总功率消耗。
根据本发明提供的一种基于云边协同的能耗最优任务卸载方法,所述对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策,包括:
基于所述当前时隙内各内容请求任务在各节点上的缓存决策和处理决策、各节点的邻接节点集合,以及各节点所在的物理链路的带宽资源占用信息,获取深度增强学习DQN模型的输入信息;
将所述输入信息输入所述DQN模型中,基于所述能耗优化模型,对各内容请求任务在各节点上的缓存决策和处理决策进行更新,以及各节点承载的内容请求任务进行更新;
根据更新结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
根据本发明提供的一种基于云边协同的能耗最优任务卸载方法,所述DQN模型的奖励函数基于各内容请求任务在各节点处进行任务卸载所需的功率消耗和在各物理链路处进行数据传输所需的功率消耗构建生成的。
本发明还提供一种基于云边协同的能耗最优任务卸载装置,包括:
解析模块,用于接收当前时隙内目标终端发送的卸载请求,从所述卸载请求中解析出多个内容请求任务;
构建模块,用于基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型;其中,所述节点包括终端、基站和云端;
优化模块,用于对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;
卸载模块,用于根据所述最优路由决策,将各内容请求任务卸载至所述最优处理节点;所述最优处理节点用于从所述最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至所述目标终端。
本发明还提供一种电子设备,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程序时实现如上述任一种所述基于云边协同的能耗最优任务卸载方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于云边协同的能耗最优任务卸载方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于云边协同的能耗最优任务卸载方法。
本发明提供的基于云边协同的能耗最优任务卸载方法、装置及系统,通过联合云边协同网络中各节点承载各内容请求任务所需的功率消耗、各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建能耗优化模型,使得构建的能耗优化模型充分考虑终端、基站和云端的计算、通信和缓存资源的协作分配,以及终端的服务性能、基站的服务性能和云端的服务性能,以获取以云边协同网络的总功率消耗最低的最优缓存节点、最优处理节点和最优路由决策,进而实现在提高服务性能的同时,确保任务卸载的能耗最优。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于云边协同的能耗最优任务卸载方法的流程示意图之一;
图2是本发明提供的基于云边协同的能耗最优任务卸载方法中云边协同网络的结构示意图;
图3是本发明提供的基于云边协同的能耗最优任务卸载方法中DQN模型的结构示意图;
图4是本发明提供的基于云边协同的能耗最优任务卸载方法的仿真结果的示意图之一;
图5是本发明提供的基于云边协同的能耗最优任务卸载方法的仿真结果的示意图之二;
图6是本发明提供的基于云边协同的能耗最优任务卸载方法的仿真结果的示意图之三;
图7是本发明提供的基于云边协同的能耗最优任务卸载装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,提出了多种云边协同处理的方案。例如,一些学者提出ECIoT(EdgeComputing Internet of Things,边缘计算物联网) 架构,并针对ECIoT中的无线资源和计算资源管理对任务进行卸载。一些学者提出基于云的小型蜂窝网络编码缓存框架,满足用户在短期传输中QoS(Quality of Service,服务质量)要求。一些学者利用实体状态特征提取方法,通过原始实体状态观测序列挖掘CPS(cyber-physical system,信息物理系统)实体的底层变化规律,设计了一种云边协同实体状态数据缓存策略,以提高CPS搜索服务的搜索精度,降低搜索延迟。还有一些学者,设计了云计算和移动边缘计算并存的混合移动云端或边缘计算系统,提出了一种基于交替方向乘数(Alternating Direction Method ofMultipliers,ADMM)的分布式算法,可以实现近优化计算卸载和数据缓存决策,最大限度地减少总执行延迟。这些方法,虽然可以实现任务卸载,但忽略了能耗使用效率,导致能耗使用效率差。
另一些学者提出一种新的系统能耗模型,该模型考虑了所有参与服务器运行控制、切换和计算的节点(来自云端和边缘)的处理能耗,以实现系统能耗最低,但忽略了节点本身的服务性能,导致服务性能差。
针对上述问题,本实施例提供一种基于云边协同的能耗最优任务卸载方法,在终端、基站和云端协同的网络中,联合各节点承载各内容请求任务所需的功率消耗、各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,将能耗最优内容任务卸载问题制定为云端、边端和客户端协作的协作网络中的功率最小化模型,并根据历史请求和可用网络资源做出协作缓存和任务卸载决策来最小化功耗,以获取云边协同网络的能耗最小的最优缓存节点、最优处理节点和最优路由决策,使得云边协同网络的整体能耗最小以及满足各节点的服务性能,进而实现在提高服务性能的同时,确保任务卸载的能耗最优。
下面结合图1-图6描述本发明的基于云边协同的能耗最优任务卸载方法,该方法的执行主体为能耗最优任务卸载装置,该装置可以具有计算和通信功能的电子设备,如服务器和移动设备等,本实施例对此不做具体地限定。
如图1所示,为本实施例提供的基于云边协同的能耗最优任务卸载方法的流程示意图之一,该方法包括:
步骤101,接收当前时隙内目标终端发送的卸载请求,从所述卸载请求中解析出多个内容请求任务。
其中,目标终端为发送卸载请求的终端,可以是车载终端和可穿戴设备等,本实施例对此不做具体地限定。
时隙即为特定时间间隔。
需要说明的是,在当前时隙内目标终端可以发送一个或多个卸载请求,每一卸载请求中包含的内容请求任务的数量可以根据实际需求进行设置。
每一卸载请求中均携带有访问和获取目标内容的内容请求任务;目标内容可以是车辆位置和行驶速度等车辆状态信息、路面状况信息,或者车辆控制信息等,本实施例对此不作具体地限定。
可选地,在目标终端需要访问和获取目标内容时,可发出卸载请求至能耗最优任务卸载装置;其中,卸载请求中携带有多个内容请求任务;
能耗最优任务卸载装置实时监听目标终端发送的卸载请求,在接收到目标终端发送的卸载请求的情况下,对卸载请求进行解析,以获取多个内容请求任务。
步骤102,基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型;其中,所述节点包括终端、基站和云端。
其中,承载可以理解为传输、缓存、计算等操作。
内容请求任务的属性信息包括但不限于所需缓存容量、所需计算资源和所需带宽资源,本实施例对此不做具体地限定。
服务性能用于表征节点或物理链路为终端服务的性能指标,包括但不限于最大服务容量、最大带宽资源、最大计算资源,本实施例对此不做具体地限定。
其中,云边协同网络是,根据异构网络下的终端,即移动用户(Mobile User,MU)、BS(Base Station,基站)和云端的互联关系,以及用户请求特性构建生成的。其中,基站包括SBS(Small Cell Base Station,小基站)和MBS(Macro Cell Base Station,宏基站)。云边协同网络中的MU、SBS、MBS和云端的具体数量可以为一个或多个,具体根据实际需求进行设置。
如图2所示,为云边协同网络的结构示意图;按从上至下的顺序,最上层为云端,包含一个或多个云服务器;中间层为SBS和MBS,最靠近用户的一层为MU。每个MU和BS均有缓存和计算的能力,目标终端发送的卸载请求可以被MU和BS或云端满足。因此,综合考虑终端、SBS、MBS和云端分层异构云边协同网络中的缓存资源、计算资源和通信资源的联合分配,可降低卸载请求处理所需的能源消耗,提高用户服务质量。
需要说明的是,由于MU和BS的缓存能力有限,在初始状态下,云端存储有所有内容请求任务对应的目标内容,当目标终端发送卸载请求(需要获取目标内容)时,来自MU的内容请求任务可被依次路由到其访问的SBS、MBS和云端,以获取相应的目标内容。
可选地,为了降低云边协同网络对卸载请求进行处理和响应的能源消耗,本实施例考虑车载终端、SBS、MBS和云端等分层异构云边协同网络中缓存资源、计算资源和通信资源的联合分配,并将联合资源分配问题建立为能耗优化模型,构建模型的具体步骤包括:
首先,在从卸载请求中解析出多个内容请求任务后,计算各节点承载各内容请求任务所需的功率消耗,以及云边协同网络中各物理链路承载各内容请求任务所需的功率消耗;
然后,基于各节点承载各内容请求任务所需的功率消耗,以及云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,构建能耗优化模型的目标函数,基于各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能构建能耗优化模型的约束条件;
最后,根据目标函数和约束条件构建以云边协同网络的总功率消耗最小为目标的能耗优化模型,用于获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
通过这种方式可以使得构建的能耗优化模型,综合考虑各内容请求任务在由终端、SBS、MBS和云端构成的跨层云边协同网络中处理、传输、缓存等所需的功率消耗、各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,以在满足各节点的服务性能的同时,使得云边协同网络中的功率消耗最低,从而实现在保证内容请求任务卸载的可靠性的同时,降低云边协同网络中的总功率消耗,提高资源利用率。
步骤103,对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
其中,对能耗优化模型进行求解的方式,包括但不限于,基于优化算法或神经网络模型等进行优化求解,如强化学习算法、深度卷积网络和遗传算法等,本实施例对此不做具体地限定。
可选地,在构建能耗优化模型后,对能耗优化模型进行优化求解,获取能耗优化模型的最优解,以从最优解中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
步骤104,根据所述最优路由决策,将各内容请求任务卸载至所述最优处理节点;所述最优处理节点用于从所述最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至所述目标终端。
可选地,在获取到最优路由决策后,可以确定卸载内容请求任务的最优路径;在获取到最优缓存节点后,可以确定缓存目标请求任务对应的目标内容的最优节点;在获取到最优处理节点后,可以确定处理目标请求任务的最优节点;其中,最优节点可以是网络模型中的终端、基站或云端。
可选地,根据各内容请求任务对应的最优路由决策,将各内容请求任务卸载至最优处理节点。
最优处理节点在接收到各内容请求任务的情况下,做出响应,并对各内容请求任务进行处理,以根据最优路由决策,从最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至目标终端,以便快速准确地获取相应的目标内容。
本实施例中提供的基于云边协同的能耗最优任务卸载方法,联合云边协同网络中各节点承载各内容请求任务所需的功率消耗、各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建能耗优化模型,使得构建的能耗优化模型充分考虑终端、基站和云端的计算、通信和缓存资源的协作分配,以及终端的服务性能、基站的服务性能和云端的服务性能,以获取以云边协同网络的总功率消耗最低的最优缓存节点、最优处理节点和最优路由决策,进而实现在提高服务性能的同时,确保任务卸载的能耗最优。
在一些实施例中,所述能耗优化模型包括目标函数和约束条件;
步骤102中所述基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型,包括:将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗;将各物理链路承载的所有内容请求任务的所需功率消耗相加,得到各物理链路对应的总功率消耗;将所有节点对应的总功率消耗,以及所有物理链路对应的总功率消耗相加,得到所述云边协同网络对应的总功率消耗;所述总功率消耗为所述云边协同网络对所述多个内容请求任务进行任务卸载所需消耗的总功率;以所述云边协同网络对应的总功率消耗最小为目标,构建所述目标函数;根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述约束条件。
其中,目标终端获取目标内容的总功率消耗主要是由云边协同网络中的节点的功率消耗和有线物理链路的功率消耗引起的,可对这两种功率消耗分别进行建模后汇总得到总功率消耗,以根据总功率消耗构建能耗优化模型。
物理链路为用于建立两个节点之间通信连接的通信链路。
能耗优化模型包括一个目标函数和多个约束条件。
可选地,构建能耗优化模型的目标函数的具体步骤包括:首先,获取各节点承载各内容请求任务所需的功率消耗;其中,各节点对应的功率消耗,包括但不限于各节点维持正常运行所需的静态功率消耗、发送内容请求任务所需的发送功率消耗以及缓存内容请求任务所需的缓存功率消耗,处理内容请求任务所需的计算功率消耗。
然后,将各节点承载的所有内容请求任务的功率消耗相加,以得到各节点对应的总功率消耗。
同时,获取各物理链路承载各内容请求任务所需的功率消耗;其中,各物理链路对应的功率消耗包括但不限于传输内容请求任务所需的动态链路功耗和维持物理链路正常运行所需的静态链路功耗。
然后,将各物理链路承载的所有内容请求任务的功率消耗相加,以得到各物理链路对应的总功率消耗。
然后,将所有节点对应的总功率消耗,以及所有物理链路对应的总功率消耗相加,以获取云边协同网络对应的总功率消耗,具体计算公式为:
为基站的数量;为终端集合,为基站接入的终端在时隙内承载
的所有内容请求任务的总功率消耗;为基站在时隙内承载的所有内容请求任务的
总功率消耗;为云端在时隙内承载的所有内容请求任务的总功率消耗,为
节点和节点在时隙处承载的所有内容请求任务的总功率消耗;为节点的邻接
节点集合。
最后,构建以云边协同网络对应的总功率消耗最小为目标的目标函数。
可选地,构建能耗优化模型的约束函数的具体步骤包括:根据各内容请求任务的属性信息和各节点的服务性能,构建相应的约束条件,以保证各节点可为目标终端提供稳定和可靠的服务质量;根据各内容请求任务的属性信息和各物理链路的服务性能,构建相应的约束条件,以保证各物理链路可为目标终端提供稳定和可靠的服务质量;以及根据各内容请求任务的缓存决策和处理决策构建相应的约束条件,以确保内容请求任务在终端、基站或云端中得以有效处理。
本实施例中构建的能耗优化模型,可有效实现根据能耗优化模型的求解结果获取的最优缓存节点、最优处理节点和最优路由决策,不仅可有效保证在云边协同网络中实现内容请求任务的顺利卸载和处理,以及目标内容顺利返回至终端,而且可以保证获取目标内容的总功率消耗最低,进而提高云边协同网络的资源利用率的同时,为用户提供稳定和可靠的服务。
在一些实施例中,各内容请求任务的属性信息包括所需缓存容量、所需计算资源和所需带宽资源;
步骤102中所述根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述约束条件,包括:基于各节点承载的所有内容请求任务的所需缓存容量之和,以及各节点的服务性能中的最大缓存容量,确定所述约束条件的第一子约束条件;基于各基站向终端传输的所有内容请求任务的所需传输功率消耗之和,以及各基站的服务性能中的最大服务容量,确定所述约束条件的第二子约束条件;基于各物理链路承载的所有内容请求任务的所需带宽资源之和,以及各物理链路的服务性能中的最大带宽资源,确定所述约束条件的第三子约束条件;基于各节点承载的所有内容请求任务的所需计算资源之和,以及各节点的服务性能中的最大计算资源,确定所述约束条件的第四子约束条件;基于各内容请求任务在同一层次的多个基站上的缓存决策,确定所述约束条件的第五子约束条件;基于各内容请求任务在各节点上的缓存决策和处理决策,确定所述约束条件的第六子约束条件。
可选地,构建能耗优化模型的约束条件的步骤包括:
将各节点上承载的所有内容请求任务的所需缓存容量相加,基于相加结果和各节点的最大缓存容量,确定第一子约束条件,以确保各节点上承载的所有目标内容的所需总缓存容量不超过其最大存储容量。
将各基站向终端传输的所有内容请求任务的所需传输功率消耗相加,基于相加结果和各基站的最大服务容量,确定第二子约束条件,以确保基站消耗的传输功率总和不超过其最大服务容量。
将各物理链路承载的所有内容请求任务的所需带宽资源相加,基于相加结果和各物理链路的最大带宽资源,确定第三子约束条件,以确保各物理链路上承载的所有目标内容的所需总带宽资源不超过其最大带宽资源。
将各节点承载的所有内容请求任务的所需计算资源相加,基于相加结果和各节点的最大计算资源,确定第四子约束条件,以保证各节点的处理任务的所需计算资源不超过其最大计算能力。
计算各内容请求任务在同一层次的多个基站上的缓存决策之和,并约束缓存决策之和小于1,以构建第五子约束条件,以确保相同的内容请求任务不会被缓存在其直接连接的同一层次的多个基站中,避免重复处理。其中,同一层次包括同属于SBS层次,或同属于MBS层次。
第六子约束条件用于约束各内容请求任务的缓存决策和处理决策,以确保内容请求任务在终端、基站或云端中得到满足。
综上,云边协同网络的能耗优化模型的计算公式可表示为:
其中,为第一子约束条件;为卸载请求中的内容请求任务集合,,为内容请求任务集合中内容请求任务的数量;为节点在时隙内对内容请求任务的缓存决策,若对内容请求任务进行缓存,则,否则;为内容请求任务的所需缓存容量,即内容请求任务的内容大小;为节
点的最大缓存容量;为第二子约束条件;为基站集合,包含云边协同网络中的所有基
站;为时隙内发送卸载请求的终端集合;为时隙集合;为时隙内接入节
点的终端集合;为时隙内节点接入节点的接入决策;为时隙内
节点向接入的节点传输的所有内容请求任务的所需传输功率消耗;为节点的
最大服务容量;为第三子约束条件;为时隙内节点和节点之间的物理链路承载的所有内容请求任务的所需带宽资源之和,为物理链路的最大带宽资源;为节点的邻接节点集合,为节点的同层次邻接节点集合,为节点的非同层
次邻接节点集合;为第四子约束条件;为内容请求任务在时隙内节点的处理队
列中的状态;为时隙内节点处理内容请求任务的处理决策;为内容请求任务
的所需计算资源;为节点的最大计算资源;为第五子约束条件;为节点的同
一层次邻接节点对内容请求任务的缓存决策;为第六子约束条件;为时隙
内节点接入的节点对内容请求任务的缓存决策;为时隙内节点对内容请求任
务的处理决策;为时隙内,内容请求任务在节点接入的节点的处理队列中
的状态;为时隙内,节点接入的节点处理内容请求任务的处理决策。
本实施例综合各节点承载各内容请求任务所需的功率消耗以及各物理链路承载各内容请求任务所需的功率消耗,构建以云边协同网络中总功率消耗综合最小的能耗优化模型;并根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建约束条件,以对能耗优化模型进行约束,进而使得通过能耗优化模型获取的最优缓存节点、最优处理节点和最优路由决策,具有任务卸载能耗综合最小,有效降低任务卸载的能耗和任务卸载效率,且可为用户提供稳定和可靠的服务,以将目标内容有效地传输至目标终端。
在一些实施例中,步骤102中所述将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗,包括:
对于各节点执行如下操作:在当前节点为终端的情况下,根据所述当前节点在所述当前时隙内向接入所述当前节点的目标节点发送每一内容请求任务的次数,以及向所述目标节点发送每一内容请求任务所需的功率消耗,获取所述当前节点向所述目标节点发送所有内容请求任务所需的传输功率消耗;根据所述当前节点处理每一内容请求任务所需的中央处理器CPU周期数,以及每一CPU周期内所述当前节点进行任务处理所需的功率消耗,获取所述当前节点处理所有内容请求任务所需的计算功率消耗;将所述当前节点缓存所有内容请求任务所需的缓存功率消耗、所述当前节点运行所需的静态功率消耗,以及所述传输功率消耗和所述计算功率消耗相加,得到所述当前节点对应的总功率消耗。
可选地,在当前节点为终端的情况下,当前节点的功率消耗包括但不限于静态功率消耗、传输功率消耗、计算功率消耗和缓存功率消耗;
其中,为布尔变量,为时隙内基站接入终端的接入决策,即用于指示
基站后面是否在时隙处接入终端,如果终端接入(即访问)基站,则,否
则;为时隙内基站接入的终端对内容请求任务的请求次数,即
终端向基站发送内容请求任务的次数;为终端向基站发送内容请求任务所
需的功率消耗。
其中,为时隙内,内容请求任务在基站接入的终端的处理队列中
的状态,如果内容请求任务在终端的处理队列中,,否则;为时隙内,内容请求任务在基站接入的终端的处理决策,若有足够的计算
能力对内容请求任务进行处理,则,否则;为内容请求任务的
所需计算资源,即执行内容请求任务所需CPU(Central Processing Unit,中央处理器)
转数;为基站接入的终端在每个CPU周期内进行任务处理所需的功率消耗。
可选地,在当前节点为基站的情况下,当前节点的功率消耗包括但不限于静态功率消耗、传输功率消耗、计算功率消耗和缓存功率消耗;其中,传输功率消耗是由基站向终端发送内容请求任务的响应信息所产生的,即发送内容请求任务对应的目标内容所产生的。
其中,和均为布尔变量,为内容请求任务在时隙内节点的处理队列
中的状态,若内容请求任务在节点的处理队列中,则,否则;为时隙
内节点处理内容请求任务的处理决策,若有足够的计算能力对内容请求任务进行处
理,则,否则;为内容请求任务的所需计算资源,即CPU转数;节点在
每个CPU周期内进行任务处理所需的功率消耗。
在一些实施例中,步骤102中所述将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗,包括:
对于各节点执行如下操作:在当前节点为云端的情况下,将所述当前节点缓存所有内容请求任务所需的缓存功率消耗、所述当前节点运行所需的静态功率消耗,以及所述当前节点处理所有内容请求任务所需的计算功率消耗相加,得到所述当前节点对应的总功率消耗。
其中,云端的功率消耗包括但不限于静态功率消耗、缓存功率消耗和计算功率消耗;
对于物理链路,其中,物理链路为有线链路;可将有线链路功耗分为静态功率消耗和动态功耗消耗两部分。
在一些实施例中,步骤103中所述对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策,包括:基于所述当前时隙内各内容请求任务在各节点上的缓存决策和处理决策、各节点的邻接节点集合,以及各节点所在的物理链路的带宽资源占用信息,获取深度增强学习DQN(Deep Q-Learning,深度增强学习)模型的输入信息;将所述输入信息输入所述DQN模型中,基于所述能耗优化模型,对各内容请求任务在各节点上的缓存决策和处理决策进行更新,以及各节点承载的内容请求任务进行更新;根据更新结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
如图3所示,DQN模型包括评估网络(Evaluation Network)和目标网络(TargetNetwork);评估网络和目标网络是两个具有相同结构的神经网络,具体结构可以根据实际需求进行构建生成,如评估网络和目标网络基于深度卷积神经网络、深度残差网络和循环网络等,本实施例对此不作具体地限定。
其中,DQN模型是基于已知的状态信息,使用带有加权参数ω的评估网络来逼近奖励函数Q并生成相应的动作值。
其中,DQN模型中内容请求在当前时隙t的网络状态(即输入信息)由当前处理
内容请求任务的当前节点、当前节点的邻接节点集合、当前节点对各内容请求
任务的缓存决策和处理决策,当前节点所在的物理链路的带宽资源占用信息进行
构建生成,即网络状态可表征为;其中,,为当前节点对各内容请求任务的缓存决策和处理决策,为
当前节点对第F个内容请求任务的缓存决策和处理决策;F为内容请求任务集合中包含的
内容请求任务的数量。
将网络状态输入DQN模型中后,可对各内容请求任务在各节点上的缓存决策和处
理决策进行更新,以及各节点上承载的内容请求任务进行更新,得到DQN模型输出的动作信
息,即动作信息可表示为,即为内容请求任务的下一跳选
择;其中,表示各内容请求任务在节点上的缓存决策和处理决策的更新结果;根
据动态信息,即可获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
本实施例通过基于DQN策略对能耗优化模型进行优化求解,可根据云边协同网络中的历史卸载请求和当前可用的网络资源做出缓存决策、处理决策和路由决策,以快速准确地获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策,进而对到达的卸载请求进行跨层协同缓存、处理和路由决策,可有效解决能耗优化问题。
在一些实施例中,所述DQN模型的奖励函数基于各内容请求任务在各节点处进行任务卸载所需的功率消耗和在各物理链路处进行数据传输所需的功率消耗构建生成的。
可选地,DQN模型的奖励函数由各内容请求任务承载于各节点处所需的功率消耗和承载于各物理链路处所需的功率消耗,以及惩罚折扣因子和用于调整功率消耗与奖励之间的比例的调整系数进行构建生成,具体公式为:
其中,为在当前时隙,内容请求任务的奖励函数;为布尔变量,表征动作执行后,内容请求任务的完成状态,若在动作执行后即可完成内容请求任务,则,否则;为用于调整功率消耗与奖励之间的比例的调整系数;为在云边协
同网络中,当前时隙将内容请求任务对应的目标内容返回至目标终端所需的总功率消
耗,具体可以根据各内容请求任务承载于各节点处所需的功率消耗和承载于各物理链路处
所需的功率消耗计算获取;用于表征动作执行后内容请求任务未完成时的惩罚折扣
因子。
本实施例基于各内容请求任务承载于各节点处所需的功率消耗和承载于各物理链路处所需的功率消耗构建生成DQN模型的奖励函数,进而可快速准确地获取能耗时间最小的缓存决策、处理决策和路由决策,以能耗最优的方式,完成内容请求任务的任务卸载和任务处理的同时,提高云边协同网络的服务性能。
以下对本实施例提供的基于云边协同的能耗最优任务卸载方法的整体流程步骤展开描述,主要包括:
步骤1,建立系统模型包括云边协同网络和能耗优化模型。
首先根据网络中各节点的互联关系和用户请求的服务流程建立云边协同网络,然后将云边协同网络中的能耗进行分类,分为终端能耗、基站能耗和云端能耗,以构建能耗优化模型。
步骤1.1,根据各节点的互联关系和用户请求,建立云边协同网络。
异构云边端的云边协同网络由终端(MU)、小基站(SBS)、宏基站(MBS)和云端组成。
步骤1.2、建立云边协同网络的能耗优化模型。
云边协同网络的总功率消耗主要是由网络节点和有线链路引起的。
步骤1.2.1、建立终端的功率消耗模型。
终端的功率消耗包括静态功率消耗、传输功率消耗、计算功率消耗和缓存功率消耗。
步骤1.2.2、建立基站的功率消耗模型。
基站的功率消耗包括静态功率消耗、传输功率消耗、计算功率消耗和缓存功率消耗;与用户不同的是,基站的传输功率消耗是由基站向用户发送内容请求任务的响应信息产生的。
步骤1.2.3、建立云端的功率消耗模型。
云端的功率消耗包括静态功率消耗、缓存功率消耗和计算功率消耗。
步骤1.2.4、建立物理链路的功率消耗模型。
将有线物理链路的功率消耗分为静态功率消耗和动态功率消耗两部分。
步骤2、建立云边协同网络的能耗优化模型并分析。
根据步骤1得到的各节点和各物理链路的能耗模型,建立云边协同网络的能耗优化模型。
步骤3、提出基于深度强化学习的协同任务卸载算法。具体基于DQN策略求解能耗优化问题,该策略根据车联网系统中的历史请求信息和当前可用的网络资源做出缓存决策、处理决策和路由决策。
下面为了进一步验证本实施例的基于云边协同的能耗最优任务卸载方法的有效性,结合具体实例对本实施例的能耗最优任务卸载方法进行评估。
其中,能耗最优任务卸载方法的仿真评估是在云-边-端分层网络中进行的,其中终端设备、基站和云端都具有缓存能力和计算能力。 云端缓存所有内容,计算能力强,而基站和终端设备只缓存部分内容,计算能力有限。
仿真过程中使用奇普夫内容流行度(简称Zipf)分布模型来模拟目标终端的卸载请求过程,其中Zipf分布系数可以默认设置为0.8,此外,各节点的缓存能力由相对缓存大小表示,具体可以设置为[0.1%,1%]之间的随机数。
需要说明的是,网络中的每个节点都有一个请求处理队列。到达各节点的内容请求任务将被聚合到请求处理队列中。在一个时隙内,相同的请求只会被一个节点处理一次,如果该节点不能处理,相同的请求只会向上层节点传输一次。
在仿真中,为了验证本实施例提出的能耗最优任务卸载方法(简称DQN策略)的有效性和优势性,将本实施例提出的能耗最优任务卸载方法与物联网云边协同环境中几种现有的任务卸载方法,包括流行度策略(也称为Popularity)、LRFU(Least RecentlyFrequently Used,最近使用频率最低)策略和无缓存策略(也称为Without Cache)进行比较。
其中,无缓存策略中,所有基站和终端设备均不进行内容缓存,所有卸载请求都需要转发到云端获取相应内容;流行度策略中,节点会在初始化阶段缓存网络中的流行内容,在模拟过程中缓存的内容保持不变。在LRFU策略中,节点会在模拟过程中根据内容请求的访问时间和频率动态更新缓存。
如图4所示,显示了四种方案在不同缓存容量下的功率消耗。随着缓存容量的增加,不同缓存策略之间的性能差距越来越小,但是本实施例中的DQN策略对内容请求任务进行卸载所需功率消耗依然最低。因此,本实施例中的DQN策略的功率消耗最小,性能最好。
如图5所示,显示了四种方案在不同内容流行度下的功率消耗。当内容流行度增加时,本实施例中的DQN策略对内容请求任务进行卸载所需功率消耗依然最低。
如图6所示,显示了四种解决方案在不同处理队列容量下的功率消耗,随着处理队列容量的逐步增加,DQN策略与其他策略之间的差距越来越大,能耗最优的特征更加突出。
综上,本实施例中提出的在云端和边缘端环境中基于深度强化学习的内容任务卸载方法,相比于现有的云边缘协作解决方案具有更好的性能,不仅具有较低的能耗,还可有效提高能耗使用效率以及用户服务质量,并且在不同场景下快速收敛,具有广泛的发展前景。
下文描述的基于云边协同的能耗最优任务卸载装置与上文描述的基于云边协同的能耗最优任务卸载方法可相互对应参照。
如图7所示,本实施例提供一种基于云边协同的能耗最优任务卸载装置,该装置包括解析模块701、构建模块702、优化模块703和卸载模块704,其中:解析模块701用于接收当前时隙内目标终端发送的卸载请求,从所述卸载请求中解析出多个内容请求任务;构建模块702用于基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型;其中,所述节点包括终端、基站和云端;优化模块703用于对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;卸载模块704用于根据所述最优路由决策,将各内容请求任务卸载至所述最优处理节点;所述最优处理节点用于从所述最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至所述目标终端。
本实施例中提供的基于云边协同的能耗最优任务卸载装置,联合云边协同网络中各节点承载各内容请求任务所需的功率消耗、各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建能耗优化模型,使得构建的能耗优化模型充分考虑终端、基站和云端的计算、通信和缓存资源的协作分配,以及终端的服务性能、基站的服务性能和云端的服务性能,以获取以云边协同网络的总功率消耗最低的最优缓存节点、最优处理节点和最优路由决策,进而实现在提高服务性能的同时,确保任务卸载的能耗最优。
本实施例还提供一种基于云边协同的能耗最优任务卸载系统,包括基于云边协同的能耗最优任务卸载装置,以及终端、基站和云端;其中,所述能耗最优任务卸载装置分别与终端、基站和云端建立通信连接。如图2所示,终端与基站建立通信连接,基站与云端建立通信连接;其中,基于云边协同的能耗最优任务卸载装置的具体结构如图7所示,具体功能如上述方法及装置,此处不再赘述。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令,以执行基于云边协同的能耗最优任务卸载方法,该方法包括:接收当前时隙内目标终端发送的卸载请求,从卸载请求中解析出多个内容请求任务;基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建云边协同网络的能耗优化模型;其中,节点包括终端、基站和云端;对能耗优化模型进行求解,根据求解结果,在云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;根据最优路由决策,将各内容请求任务卸载至最优处理节点;最优处理节点用于从最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至目标终端。
此外,上述的存储器803中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于云边协同的能耗最优任务卸载方法,该方法包括:接收当前时隙内目标终端发送的卸载请求,从卸载请求中解析出多个内容请求任务;基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建云边协同网络的能耗优化模型;其中,节点包括终端、基站和云端;对能耗优化模型进行求解,根据求解结果,在云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;根据最优路由决策,将各内容请求任务卸载至最优处理节点;最优处理节点用于从最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至目标终端。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于云边协同的能耗最优任务卸载方法,该方法包括:接收当前时隙内目标终端发送的卸载请求,从卸载请求中解析出多个内容请求任务;基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建云边协同网络的能耗优化模型;其中,节点包括终端、基站和云端;对能耗优化模型进行求解,根据求解结果,在云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;根据最优路由决策,将各内容请求任务卸载至最优处理节点;最优处理节点用于从最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至目标终端。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种基于云边协同的能耗最优任务卸载方法,其特征在于,包括:
接收当前时隙内目标终端发送的卸载请求,从所述卸载请求中解析出多个内容请求任务;
基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型;其中,所述节点包括终端、基站和云端;
对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;
根据所述最优路由决策,将各内容请求任务卸载至所述最优处理节点;所述最优处理节点用于从所述最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至所述目标终端。
2.根据权利要求1所述的基于云边协同的能耗最优任务卸载方法,其特征在于,所述能耗优化模型包括目标函数和约束条件;
所述基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型,包括:
将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗;
将各物理链路承载的所有内容请求任务的所需功率消耗相加,得到各物理链路对应的总功率消耗;
将所有节点对应的总功率消耗,以及所有物理链路对应的总功率消耗相加,得到所述云边协同网络对应的总功率消耗;所述总功率消耗为所述云边协同网络对所述多个内容请求任务进行任务卸载所需消耗的总功率;
以所述云边协同网络对应的总功率消耗最小为目标,构建所述目标函数;
根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述约束条件。
3.根据权利要求2所述的基于云边协同的能耗最优任务卸载方法,其特征在于,各内容请求任务的属性信息包括所需缓存容量、所需计算资源和所需带宽资源;
所述根据各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述约束条件,包括:
基于各节点承载的所有内容请求任务的所需缓存容量之和,以及各节点的服务性能中的最大缓存容量,确定所述约束条件的第一子约束条件;
基于各基站向终端传输的所有内容请求任务的所需传输功率消耗之和,以及各基站的服务性能中的最大服务容量,确定所述约束条件的第二子约束条件;
基于各物理链路承载的所有内容请求任务的所需带宽资源之和,以及各物理链路的服务性能中的最大带宽资源,确定所述约束条件的第三子约束条件;
基于各节点承载的所有内容请求任务的所需计算资源之和,以及各节点的服务性能中的最大计算资源,确定所述约束条件的第四子约束条件;
基于各内容请求任务在同一层次的多个基站上的缓存决策,确定所述约束条件的第五子约束条件;
基于各内容请求任务在各节点上的缓存决策和处理决策,确定所述约束条件的第六子约束条件。
4.根据权利要求2所述的基于云边协同的能耗最优任务卸载方法,其特征在于,所述将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗,包括:
对于各节点执行如下操作:
在当前节点为终端的情况下,根据所述当前节点在所述当前时隙内向接入所述当前节点的目标节点发送每一内容请求任务的次数,以及向所述目标节点发送每一内容请求任务所需的功率消耗,获取所述当前节点向所述目标节点发送所有内容请求任务所需的传输功率消耗;
根据所述当前节点处理每一内容请求任务所需的中央处理器CPU周期数,以及每一CPU周期内所述当前节点进行任务处理所需的功率消耗,获取所述当前节点处理所有内容请求任务所需的计算功率消耗;
将所述当前节点缓存所有内容请求任务所需的缓存功率消耗、所述当前节点运行所需的静态功率消耗,以及所述传输功率消耗和所述计算功率消耗相加,得到所述当前节点对应的总功率消耗。
5.根据权利要求2所述的基于云边协同的能耗最优任务卸载方法,其特征在于,所述将各节点承载的所有内容请求任务的所需功率消耗相加,得到各节点对应的总功率消耗,包括:
对于各节点执行如下操作:
在当前节点为云端的情况下,将所述当前节点缓存所有内容请求任务所需的缓存功率消耗、所述当前节点运行所需的静态功率消耗,以及所述当前节点处理所有内容请求任务所需的计算功率消耗相加,得到所述当前节点对应的总功率消耗。
6.根据权利要求1-5任一所述的基于云边协同的能耗最优任务卸载方法,其特征在于,所述对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策,包括:
基于所述当前时隙内各内容请求任务在各节点上的缓存决策和处理决策、各节点的邻接节点集合,以及各节点所在的物理链路的带宽资源占用信息,获取深度增强学习DQN模型的输入信息;
将所述输入信息输入所述DQN模型中,基于所述能耗优化模型,对各内容请求任务在各节点上的缓存决策和处理决策进行更新,以及各节点承载的内容请求任务进行更新;
根据更新结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策。
7.根据权利要求6所述的基于云边协同的能耗最优任务卸载方法,其特征在于,所述DQN模型的奖励函数基于各内容请求任务在各节点处进行任务卸载所需的功率消耗和在各物理链路处进行数据传输所需的功率消耗构建生成的。
8.一种基于云边协同的能耗最优任务卸载装置,其特征在于,包括:
解析模块,用于接收当前时隙内目标终端发送的卸载请求,从所述卸载请求中解析出多个内容请求任务;
构建模块,用于基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、所述云边协同网络中各物理链路承载各内容请求任务所需的功率消耗,以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能,构建所述云边协同网络的能耗优化模型;其中,所述节点包括终端、基站和云端;
优化模块,用于对所述能耗优化模型进行求解,根据求解结果,在所述云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策;
卸载模块,用于根据所述最优路由决策,将各内容请求任务卸载至所述最优处理节点;所述最优处理节点用于从所述最优缓存节点中获取各内容请求任务对应的目标内容,并将各内容请求任务对应的目标内容返回至所述目标终端。
9.一种基于云边协同的能耗最优任务卸载系统,其特征在于,包括如权利要求8所述的基于云边协同的能耗最优任务卸载装置,以及终端、基站和云端;
其中,所述能耗最优任务卸载装置分别与终端、基站和云端建立通信连接;
所述终端与所述基站建立通信连接,所述基站与所述云端建立通信连接。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述基于云边协同的能耗最优任务卸载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964968.0A CN115051999B (zh) | 2022-08-12 | 2022-08-12 | 基于云边协同的能耗最优任务卸载方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964968.0A CN115051999B (zh) | 2022-08-12 | 2022-08-12 | 基于云边协同的能耗最优任务卸载方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115051999A true CN115051999A (zh) | 2022-09-13 |
CN115051999B CN115051999B (zh) | 2023-01-24 |
Family
ID=83167164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964968.0A Active CN115051999B (zh) | 2022-08-12 | 2022-08-12 | 基于云边协同的能耗最优任务卸载方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115051999B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140226594A1 (en) * | 2011-10-21 | 2014-08-14 | Huawei Technologies Co., Ltd. | Base Station, Service Processing Method, and Cloud Computing System |
CN111447512A (zh) * | 2020-03-09 | 2020-07-24 | 重庆邮电大学 | 一种面向边缘云卸载的节能方法 |
CN113225377A (zh) * | 2021-03-30 | 2021-08-06 | 北京中电飞华通信有限公司 | 物联网边缘任务卸载方法及装置 |
CN113344255A (zh) * | 2021-05-21 | 2021-09-03 | 北京工业大学 | 基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法 |
CN114205782A (zh) * | 2022-02-18 | 2022-03-18 | 中国电子技术标准化研究院 | 基于云边协同的时延最优缓存和路由方法、装置及系统 |
-
2022
- 2022-08-12 CN CN202210964968.0A patent/CN115051999B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140226594A1 (en) * | 2011-10-21 | 2014-08-14 | Huawei Technologies Co., Ltd. | Base Station, Service Processing Method, and Cloud Computing System |
CN111447512A (zh) * | 2020-03-09 | 2020-07-24 | 重庆邮电大学 | 一种面向边缘云卸载的节能方法 |
CN113225377A (zh) * | 2021-03-30 | 2021-08-06 | 北京中电飞华通信有限公司 | 物联网边缘任务卸载方法及装置 |
CN113344255A (zh) * | 2021-05-21 | 2021-09-03 | 北京工业大学 | 基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法 |
CN114205782A (zh) * | 2022-02-18 | 2022-03-18 | 中国电子技术标准化研究院 | 基于云边协同的时延最优缓存和路由方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115051999B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111835827B (zh) | 物联网边缘计算任务卸载方法及系统 | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
CN112422644B (zh) | 计算任务卸载方法及系统、电子设备和存储介质 | |
CN107295109A (zh) | 自组织网络云计算中的任务卸载与功率分配联合决策方法 | |
CN114143346B (zh) | 一种车联网任务卸载和服务缓存的联合优化方法及系统 | |
CN114205782B (zh) | 基于云边协同的时延最优缓存和路由方法、装置及系统 | |
Li et al. | Distributed task offloading strategy to low load base stations in mobile edge computing environment | |
Wu et al. | A mobile edge computing-based applications execution framework for Internet of Vehicles | |
Wu et al. | Resolving multitask competition for constrained resources in dispersed computing: A bilateral matching game | |
CN113992677A (zh) | 一种延迟与能耗联合优化的mec计算卸载方法 | |
Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
Robles-Enciso et al. | A multi-layer guided reinforcement learning-based tasks offloading in edge computing | |
Ullah et al. | Optimizing task offloading and resource allocation in edge-cloud networks: a DRL approach | |
CN116828534B (zh) | 基于强化学习的密集网络大规模终端接入与资源分配方法 | |
CN116489708B (zh) | 面向元宇宙的云边端协同的移动边缘计算任务卸载方法 | |
Li et al. | Optimal service selection and placement based on popularity and server load in multi-access edge computing | |
CN112822055A (zh) | 一种基于dqn的边缘计算节点部署算法 | |
CN115051999B (zh) | 基于云边协同的能耗最优任务卸载方法、装置及系统 | |
CN115361453B (zh) | 一种面向边缘服务网络的负载公平卸载与迁移方法 | |
CN113709853B (zh) | 面向云边协同的网络内容传输方法、装置及存储介质 | |
CN113766540B (zh) | 低时延的网络内容传输方法、装置、电子设备及介质 | |
Li et al. | Energy–latency tradeoffs edge server selection and DQN-based resource allocation schemes in MEC | |
Wang et al. | Resource allocation based on Radio Intelligence Controller for Open RAN towards 6G | |
Li et al. | CMCSF: a collaborative service framework for mobile web augmented reality base on mobile edge computing |
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 |