CN115150893A - 基于任务划分与d2d的mec任务卸载策略方法 - Google Patents

基于任务划分与d2d的mec任务卸载策略方法 Download PDF

Info

Publication number
CN115150893A
CN115150893A CN202210669923.0A CN202210669923A CN115150893A CN 115150893 A CN115150893 A CN 115150893A CN 202210669923 A CN202210669923 A CN 202210669923A CN 115150893 A CN115150893 A CN 115150893A
Authority
CN
China
Prior art keywords
task
average
unloading
subtask
local
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.)
Pending
Application number
CN202210669923.0A
Other languages
English (en)
Inventor
金顺福
李开萍
王宇廷
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202210669923.0A priority Critical patent/CN115150893A/zh
Publication of CN115150893A publication Critical patent/CN115150893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04W28/0875—Load balancing or load distribution to or through Device to Device [D2D] links, e.g. direct-mode links
    • 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
    • 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
    • H04W28/0827—Triggering entity
    • 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
    • H04W28/0917—Management thereof based on the energy state of entities
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于任务划分与D2D的MEC任务卸载策略方法，其包括：求解卸载子任务与本地固有子任务在用户设备的本地服务器计算的平均时延和平均电池电量，求解卸载子任务在用户设备的输出端口计算和传输过程、所有D2D设备、边缘云和远程云的平均时延和平均电池电量以及在边缘云和远程云的平均评价，进而获得任务在服务器群内的总平均时延、总平均电池电量和总平均评价，通过改进快速精英非支配排序遗传算法，找出一组时延、电池电量与评价的最优帕累托前沿点，并获得任务分配概率的智能优化方案。本发明针对用户设备本地存储和计算能力有限等问题，考虑计算卸载技术，实现了云‑边‑端协作的卸载策略方法，降低了任务响应时间，提升了用户体验感。

Description

基于任务划分与D2D的MEC任务卸载策略方法
技术领域
本发明属于多接入边缘计算与任务卸载技术领域，特别是一种基于任务划分与D2D的MEC任务卸载策略方法。
背景技术
随着物联网、无线通信与大数据技术的快速发展，使得用户设备与数据流量呈爆炸式增长，并且衍生出医疗保健、虚拟现实、自动驾驶等大量计算密集型与时延敏感性的应用程序。用户设备的计算资源与存储能力有限，无法满足日益增长的数据计算需求，云计算的出现缓解了这一问题。然而，传统的云计算将海量级的数据任务传输至云服务器处理，这可能会给核心网络带来沉重的链路负担。与此同时，由于云服务器的部署位置离终端设备较远，在传输过程中可能会导致响应延迟、能量消耗和数据安全等问题的发生。虽然云服务器的计算能力十分强大，能够为物联网应用提供充足的计算和存储资源，但是随着用户设备与网络应用的不断发展，传统的云计算渐渐无法满足用户对于低延迟与高服务质量的要求，并且随着5G的发展，终端设备与远程云之间的数据传输可能会出现回程网络瘫痪的问题。
近年来，为了解决传统云计算高延迟与高电池电量的问题，移动计算出现了范式的改变，从集中式的云计算转向边缘计算。多接入边缘计算(MEC)是一种新型的网络架构模式，其主要特点在于将计算、存储、处理等功能从集中式的云平台下沉至网络边缘，随时随地为用户提供实时服务，减少网络延迟，从而提升用户的服务体验。与传统云计算不同的是，MEC中将终端设备的数据计算任务卸载到距离终端设备更近的边缘服务器上运行，就近为用户提供计算和存储能力，降低核心网络的拥堵，进而提高服务质量和效率。分布在网络边缘上的服务器(也称边缘节点)可以降低与集中式云数据中心的交互，还可以显著减少数据交换中的排队响应时间。由于边缘服务器有一定的存储空间和计算能力且距离终端设备更近，可以考虑将计算密集型或对延迟敏感型的计算任务卸载到边缘服务器进行计算。因此，作为边缘计算的研究热点，计算卸载一直备受关注。大量的研究表明，通过计算卸载技术，能够很好地解决资源受限终端设备与计算密集型应用之间的矛盾。在计算卸载策略方法的研究中，大多以优化时延和电池电量为目标，研究合理的卸载策略方法，得到最优的卸载策略方法。因此，针对以上研究背景，寻求一种基于任务划分与D2D的MEC任务卸载策略方法，实现以任务平均时延、系统平均电池电量与平均评价为目标的多目标优化是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷，提出一种基于任务划分与D2D的MEC任务卸载策略方法。其中D2D表示设备对设备(Device to Device)。该方法包括求解卸载子任务与本地固有子任务在用户设备的本地服务器计算的平均时延和平均电池电量，求解卸载子任务在用户设备的输出端口计算和传输过程、所有D2D设备、边缘云和远程云的平均时延和平均电池电量以及在边缘云和远程云的平均评价，进而获得任务在服务器群内的总平均时延、总平均电池电量和总平均评价，通过改进快速精英非支配排序遗传算法，找出一组时延、电池电量与评价的最优帕累托前沿点，并获得任务分配概率的智能优化方案。本发明针对用户设备本地存储和计算能力有限等问题，考虑计算卸载技术，实现了云-边-端协作的卸载策略方法，降低了任务响应时间，提升了用户体验感。
本发明提供一种基于任务划分与D2D的MEC任务卸载策略方法，其包括以下步骤：
S1、在服务器群中，考虑任务的突发到达模式，将泊松过程推广至马尔可夫调制泊松过程MMPP，利用任务划分模块，将用户设备工作时持续产生的大量任务，按照一定的比例将每一个任务划分成卸载子任务与本地固有子任务，并求解卸载子任务与本地固有子任务在用户设备的本地服务器计算的平均时延和平均电池电量
Figure BDA0003692851080000021
所述服务器群包括用户设备、基站、D2D设备、边缘云和远程云；
S2、求解卸载子任务在用户设备的输出端口计算和传输过程的平均时延和平均电池电量Tout,Eout,Ttra,Etra；
S3、求解卸载子任务在所有D2D设备的平均时延和平均电池电量Td2d,Ed2d；
S4、求解卸载子任务在边缘云的平均时延、平均电池电量和平均评价Tedg,Eedg,Cedg；
S5、求解卸载子任务在远程云的平均时延和平均评价Tclo,Cclo；
S6、求解任务在服务器群内的总平均时延、总平均电池电量和总平均评价T,E,C；
S61、一个本地固有子任务和一个卸载子任务在服务器群内产生的平均时延分别为T1,T2：
Figure BDA0003692851080000022
Figure BDA0003692851080000023
其中，p表示卸载概率；q表示卸载至n个D2D设备总的概率；ξ表示卸载至边缘云的概率；Tout表示卸载子任务在用户设备的输出端口计算的平均时延；Ttra表示卸载子任务从用户设备的输出端口卸载的传输时间；
Figure BDA0003692851080000024
表示本地固有子任务在用户设备本地处理器上计算的平均时延；
Figure BDA0003692851080000025
表示卸载子任务在用户设备本地处理器上计算的平均时延；
S62、任务在用户设备与包含D2D设备、边缘云和远程云在内的多个卸载端同时计算，且一个任务划分成用户设备部分与所有卸载部分，则一个任务在服务器群内的总平均时延T为用户设备部分与所有卸载部分时延中的最大者：
T＝max{2(1-l)T1,2lT2} (17)
其中，l表示卸载子任务占比；
S63、一个本地固有子任务和一个卸载子任务在服务器群内的平均电池电量分别为E1,E2：
Figure BDA0003692851080000031
Figure BDA0003692851080000032
其中，
Figure BDA0003692851080000033
分别表示本地固有子任务和卸载子任务分别在本地服务器的平均电池电量；Eout,Etra分别表示卸载子任务在输出端口计算和从输出端口卸载传输的平均电池电量；
S64、设服务器群中每有一个任务得到处理，产生的平均电池电量大小为总平均电池电量E，则有：
E＝2(1-l)E1+2lE2 (20)；
S65、一个任务在服务器群中产生的总平均评价为：
C＝2l(Cedg+Cclo) (21)；
S7、改进快速精英非支配排序遗传算法，运用MATLAB软件进行优化实验，找出一组时延、电池电量、评价的最优帕累托前沿点(T*,E*,C*)，此时总平均时延T*、总平均电池电量E*与总平均评价C*相对较低且处于平衡，并获得任务分配概率(p*,q*,ξ*)的智能优化方案，其中p*表示优化的卸载概率；q*表示优化的卸载至n个D2D设备总的概率；ξ*表示优化的卸载至边缘云的概率。
进一步，所述步骤S1具体包括以下步骤：
S11、基于排队论，得到本地固有子任务和卸载子任务分别在用户设备中本地服务器的平均时延
Figure BDA0003692851080000034
Figure BDA0003692851080000035
Figure BDA0003692851080000036
其中，λ表示任务到达率；L表示卸载子任务在本地缓冲队列的容量；πi,j,k,g表示稳态下的概率分布，即稳态下当本地固有子任务个数为i，卸载子任务个数为j，本地固有子任务底层马尔可夫链处于状态k，卸载子任务底层马尔可夫链处于状态g时的概率；
S12、假设本地服务器计算所需的平均功率为Ploc，则本地固有子任务和卸载子任务分别在本地服务器的平均电池电量
Figure BDA0003692851080000041
为：
Figure BDA0003692851080000042
可优选的，所述步骤S2具体包括以下步骤：
S21、基于排队论，分别得到卸载子任务在用户设备的输出端口计算的平均时延Tout和其从用户设备的输出端口卸载的传输时间Ttra：
Figure BDA0003692851080000043
Figure BDA0003692851080000044
其中，r表示上行链路数据传输速率；W表示信道带宽；θ表示一个卸载子任务包含的平均数据量；
Figure BDA0003692851080000045
表示信噪比，且S表示信号功率，N表示噪声功率；πi,j表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j时的概率；
S22、假设用户设备的输出端口处理计算所需的平均功率为Pout，则卸载子任务在用户设备的输出端口计算和从用户设备的输出端口卸载传输的平均电池电量Eout,Etra为：
Figure BDA0003692851080000046
Figure BDA0003692851080000047
可优选的，所述步骤S3具体包括以下步骤：
S31、卸载子任务在所有D2D设备的平均时延Td2d为：
Figure BDA0003692851080000048
其中，n表示D2D设备的个数；B表示卸载子任务在D2D设备缓冲队列的容量；πi,j,k表示稳态下的概率分布，即稳态下当D2D设备本地任务个数为i，卸载子任务个数为j，卸载子任务底层马尔可夫链处于状态k时的概率；
S32、假设一个D2D设备计算的平均功率为Pd2d，则卸载子任务在所有D2D设备的平均电池电量Ed2d为：
Figure BDA0003692851080000051
可优选的，所述步骤S4具体包括以下步骤：
S41、卸载子任务在边缘云的平均时延Tedg为：
Figure BDA0003692851080000052
其中，πi,j,k表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j，边缘云低速服务群是否处于工作状态k时的概率；
S42、假设边缘云计算的平均功率为Pedg，则卸载子任务在边缘云的平均电池电量Eedg为：
Figure BDA0003692851080000053
S43、假设边缘云使用资源的单位评价C1，则卸载子任务在边缘云的平均评价Cedg为：
Cedg＝2lp(1-q)ξλC1 (12)。
可优选的，所述步骤S5具体包括以下步骤：
S51、卸载子任务在远程云的平均时延Tclo为：
Figure BDA0003692851080000054
其中，To表示任务请求经过负载平衡器传输到远程云固定的时间延迟；μclo表示云服务器服务速率；
S52、假设远程云使用资源的单位评价C2，则卸载子任务在远程云的平均评价Cclo为：
Cclo＝2lp(1-q)(1-ξ)λC2 (14)。
可优选的，所述步骤S1中所述卸载子任务在本地服务器的缓冲队列的容量为L，所述本地固有子任务在本地服务器的缓冲队列的容量无限，本地服务器排队模型为一个MMPP+MMPP/M/1队列；所述步骤S2中所述卸载子任务在用户设备的输出端口计算处理和排队等待卸载传输的排队缓存无限，用户设备的输出端口的排队模型为一个MMPP/M/1队列；所述步骤S3中所述卸载子任务在D2D设备的缓冲队列的容量为B，本地任务在D2D设备的缓冲队列的容量无限，D2D设备的本地任务具有强抢占优先级，D2D设备中的排队模型为一个M+MMPP/M/1队列；所述步骤S4中边缘云为所述卸载子任务提供一个无限容量的缓冲队列，边缘云中按照服务速率将有限数量的服务器分簇，分成高速服务器群与低速服务器群两个集群，当边缘云内子任务个数小于一定数量时，只有高速服务器群工作，当子任务个数大于一定数量时，高速服务器群与低速服务器群两个集群均处于工作状态，边缘云中的排队模型为一个MMPP/M/c队列；所述步骤S5中远程云中拥有足够多的云服务器且计算能力足够强，卸载到远程云中的任务不需要等待，到达的同时能够毫无延迟地接受服务，远程云中的排队模型为一个MMPP/M/∞队列。
可优选的，所述本地固有子任务只在所述用户设备的本地服务器处理计算，所述卸载子任务中以一定概率决定其在所述本地服务器处理，还是在所述用户设备的输出端口排队并等待被卸载；若所述卸载子任务在所述用户设备的输出端口排队，则离开所述输出端口后，其中一部分被平均卸载到相邻的多个D2D设备，另一部分经过所述基站传输给所述边缘云中的负载平衡器，并由所述负载平衡器根据负载均衡情况决定卸载到所述边缘云或远程云。
可优选的，所述步骤S9中所述改进快速精英非支配排序遗传算法利用Tent映射初始化种群，并动态改变遗传中的交叉和变异算子以实现种群的自适应进化。
与现有技术相比，本发明的技术效果为：
1、本发明设计的一种基于任务划分与D2D的MEC任务卸载策略方法，考虑边缘计算中的计算卸载技术，将本地任务卸载到邻近的D2D设备、边缘云或者远程云，实现云-边-端协作的卸载策略方法，有效解决了用户设备本地存储和计算能力有限等问题；设计考虑任务划分的部分卸载技术，降低了任务响应时间，提升了用户体验感。
2、本发明设计的一种基于任务划分与D2D的MEC任务卸载策略方法，利用排队论知识，分别在本地和多个卸载端建立不同的排队理论模型，使用矩阵几何解对模型进行稳态解析，得到任务平均时延、系统平均电池电量与平均评价等性能指标；考虑系统的多目标优化问题，改进快速精英非支配排序遗传算法，得到最优的帕累托前沿点和任务分配概率的优化方案。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是本发明的基于任务划分与D2D的MEC任务卸载策略方法流程图；
图2是本发明的基于任务划分与D2D的MEC任务卸载策略方法服务器群组成示意图；
图3是本发明的一具体实施例中任务平均时延的变化趋势图；
图4是本发明的一具体实施例中系统平均电池电量的变化趋势图；
图5是本发明的一具体实施例中系统平均评价的变化趋势图；
图6是本发明的一具体实施例中帕累托前沿点图；
图7是本发明的一具体实施例中适应度函数收敛曲线。
图中：
1-用户设备；2-基站；3-D2D设备；4-边缘云；5-远程云。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于任务划分与D2D的MEC任务卸载策略方法，该方法包括以下步骤：
S1、在服务器群中，考虑任务的突发到达模式，将泊松过程推广至马尔可夫调制泊松过程MMPP，利用任务划分模块，将用户设备1工作时持续产生的大量任务，按照一定的比例将每一个任务划分成卸载子任务与本地固有子任务，并求解卸载子任务与本地固有子任务在用户设备1的本地服务器计算的平均时延和平均电池电量
Figure BDA0003692851080000071
如图2所示，服务器群包括用户设备1、基站2、D2D设备3、边缘云4和远程云5，本地固有子任务只在用户设备1的本地服务器处理计算，卸载子任务中以一定概率决定其在本地服务器处理，还是在用户设备1的输出端口排队并等待被卸载；若卸载子任务在用户设备1的输出端口排队，则离开输出端口后，其中一部分被平均卸载到相邻的多个D2D设备3，另一部分经过基站2传输给边缘云4中的负载平衡器，并由负载平衡器根据负载均衡情况决定卸载到边缘云4或远程云5。
卸载子任务在本地服务器的缓冲队列的容量为L，本地固有子任务在本地服务器的缓冲队列的容量无限。因为本地固有子任务只能在本地服务器执行，故赋予其强抢占优先级。由此可知，卸载子任务在本地服务器的等待时间延长，将导致其变得不耐烦从而提前离开系统。本地服务器排队模型为一个MMPP+MMPP/M/1队列。
S11、基于排队论，得到本地固有子任务和卸载子任务分别在用户设备1中本地服务器的平均时延
Figure BDA0003692851080000081
Figure BDA0003692851080000082
Figure BDA0003692851080000083
其中，λ表示任务到达率；L表示卸载子任务在本地缓冲队列的容量；πi,j,k,g表示稳态下的概率分布，即当本地固有子任务个数为i，卸载子任务个数为j，本地固有子任务底层马尔可夫链处于状态k，卸载子任务底层马尔可夫链处于状态g时的概率。
S12、假设本地服务器计算所需的平均功率为Ploc，则本地固有子任务和卸载子任务分别在本地服务器的平均电池电量
Figure BDA0003692851080000084
为：
Figure BDA0003692851080000085
S2、求解卸载子任务在用户设备1的输出端口计算和传输过程的平均时延和平均电池电量；卸载子任务在用户设备1的输出端口计算处理和排队等待卸载传输的排队缓存无限，用户设备1的输出端口的排队模型为一个MMPP/M/1队列。
S21、基于排队论，分别得到卸载子任务在用户设备1的输出端口计算的平均时延(在输出端口对数据处理与排队的时延)Tout和其从用户设备1的输出端口卸载的传输时间Ttra：
Figure BDA0003692851080000086
Figure BDA0003692851080000087
其中，r表示上行链路数据传输速率；W表示信道带宽；θ表示一个卸载子任务包含的平均数据量；
Figure BDA0003692851080000088
表示信噪比，且S表示信号功率，N表示噪声功率；πi,j表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j时的概率。
S22、假设用户设备1的输出端口处理计算所需的平均功率为Pout，则卸载子任务在用户设备1的输出端口计算和从用户设备1的输出端口卸载传输的平均电池电量Eout,Etra为：
Figure BDA0003692851080000091
Figure BDA0003692851080000092
S3、求解卸载子任务在所有D2D设备3的平均时延和平均电池电量Td2d,Ed2d。因D2D设备3本地任务较少，大多D2D设备3处于空闲状态，所以有大量空闲的计算资源供用户设备卸载的卸载子任务服务。卸载子任务在D2D设备3的缓冲队列的容量为B，本地任务在D2D设备3的缓冲队列的容量无限。其中，D2D设备3的本地任务具有强抢占优先级。D2D设备3中的排队模型为一个M+MMPP/M/1队列。
S31、卸载子任务在所有D2D设备3的平均时延Td2d为：
Figure BDA0003692851080000093
其中，n表示D2D设备的个数；B表示卸载子任务在D2D设备缓冲队列的容量；πi,j,k表示稳态下的概率分布，即稳态下当D2D设备本地任务个数为i，卸载子任务个数为j，卸载子任务底层马尔可夫链处于状态k时的概率。
S32、因为D2D设备3的本地任务很少，所以不考虑其电池电量。假设一个D2D设备3计算的平均功率为Pd2d，则卸载子任务在所有D2D设备3的平均电池电量Ed2d为：
Figure BDA0003692851080000094
S4、求解卸载子任务在边缘云的平均时延、平均电池电量和平均评价Tedg,Eedg,Cedg。
边缘云4为卸载子任务提供一个无限容量的缓冲队列。边缘云4中按照服务速率将有限数量的服务器分簇，分成高速服务器群与低速服务器群两个集群，所有边缘云4中的任务都在一个等待队列等待服务。随着边缘云4中任务数量的变化，不同的任务可能在两个集群中接受不同的服务，有利于节省边缘服务器的电池电量。当边缘云4内子任务个数小于一定数量时，只有高速服务器群工作，当子任务个数大于一定数量时，高速服务器群与低速服务器群两个集群均处于工作状态。边缘云4中的排队模型为一个MMPP/M/c队列。
S41、卸载子任务在边缘云4的平均时延Tedg为：
Figure BDA0003692851080000101
其中，πi,j,k表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j，边缘云低速服务群是否处于工作状态k时的概率。
S42、假设边缘云4计算的平均功率为Pedg，则卸载子任务在边缘云4的平均电池电量Eedg为：
Figure BDA0003692851080000102
S43、用户设备1必须为利用边缘云4的资源而付费。假设边缘云4使用资源的单位评价C1，则卸载子任务在边缘云4的平均评价Cedg为：
Cedg＝2lp(1-q)ξλC1 (12)。
S5、求解卸载子任务在远程云4的平均时延和平均评价Tclo,Cclo；与边缘云4相比，从地理位置上来说，远程云5中拥有足够多的云服务器且计算能力足够强，卸载到远程云5中的任务不需要等待，到达的同时能够毫无延迟地接受服务。远程云5中的排队模型为一个MMPP/M/∞队列。
S51、卸载子任务在远程云5的平均时延Tclo为：
Figure BDA0003692851080000103
其中，To表示任务请求经过负载平衡器传输到远程云5固定的时间延迟；μclo表示云服务器服务速率。
因其强大的计算能力，所以不考虑子任务在远程云5上的电池电量。
S52、用户设备1必须为利用远程云5的资源而付费。假设远程云5使用资源的单位评价C2，则卸载子任务在远程云5的平均评价Cclo为：
Cclo＝2lp(1-q)(1-ξ)λC2 (14)。
S6、求解任务在服务器群内的总平均时延、总平均电池电量和总平均评价。
S61、一个本地固有子任务和一个卸载子任务在服务器群内的平均时延分别为T1,T2：
Figure BDA0003692851080000104
Figure BDA0003692851080000105
其中，p表示卸载概率；q表示卸载至n个D2D设备总的概率；ξ表示卸载至边缘云的概率；Tout表示卸载子任务在用户设备1的输出端口计算的平均时延；Ttra表示卸载子任务从用户设备1的输出端口卸载的传输时间；
Figure BDA0003692851080000111
表示本地固有子任务在用户设备本地处理器上计算的平均时延；
Figure BDA0003692851080000112
表示卸载子任务在用户设备本地处理器上计算的平均时延；
S62、任务在用户设备1与包含D2D设备3、边缘云4和远程云5在内的多个卸载端同时计算，且一个任务划分成用户设备部分与所有卸载部分，则一个任务在服务器群内的总平均时延T为用户设备部分与所有卸载部分时延中的最大者：
T＝max{2(1-l)T1,2lT2} (17)
其中，l表示卸载子任务占比。
S63、一个本地固有子任务和一个卸载子任务在服务器群内的平均电池电量分别为E1,E2：
Figure BDA0003692851080000113
Figure BDA0003692851080000114
其中，
Figure BDA0003692851080000115
分别表示本地固有子任务和卸载子任务分别在本地服务器的平均电池电量；Eout,Etra分别表示卸载子任务在输出端口计算和从输出端口卸载传输的平均电池电量。
S64、设服务器群中每有一个任务得到处理，产生的平均电池电量大小为总平均电池电量E，则有：
E＝2(1-l)E1+2lE2 (20)。
S65、服务器群内本地固有子任务只在用户设备1的本地服务器处理计算，卸载子任务卸载到边缘云4与远程云5进行处理，则一个任务在服务器群中产生的总平均评价为：
C＝2l(Cedg+Cclo) (21)。
S7、改进快速精英非支配排序遗传算法，运用MATLAB软件进行优化实验，找出时延、电池电量与评价的最优帕累托前沿点(T*,E*,C*)，此时总平均时延T*、总平均电池电量E*与总平均评价C*相对较低且处于平衡，并获得任务分配概率(p*,q*,ξ*)的智能优化方案，其中p*表示优化的卸载概率；q*表示优化的卸载至n个D2D设备总的概率；ξ*表示优化的卸载至边缘云的概率。改进快速精英非支配排序遗传算法利用Tent映射初始化种群，并动态改变遗传中的交叉和变异算子以实现种群的自适应进化。
在一个具体实施例中，针对基于任务划分与D2D的MEC任务卸载策略方法，为了进一步分析不同到达率下任务卸载概率对不同性能指标的影响，进行数值实验。
利用MATLAB R2018a环境进行数值实验，揭示各个性能指标的变化趋势，证实该策略的合理性。
考虑系统稳定性条件，设置实验相关参数，在进行系统实验时，为了达到控制单一变量的目的，以任务分配概率q＝ξ＝0.5为例，研究卸载概率p对不同性能指标的影响。获得不同到达率下，系统任务平均时延、平均电池电量和平均评价分别随卸载概率的变化趋势，如图3～图5所示。
从图3可以观察到，当任务平均到达率λ固定时，随着卸载概率p的增加，系统任务平均时延T呈现出先下降后上升的趋势。当任务卸载概率较小时，大部分卸载子任务在本地服务器上进行处理，此时，本地服务器的平均时延是主要因素。由于本地服务器上任务数量较多，本地负载压力较大，导致平均时延较大。随着任务卸载概率逐渐增大，缓解了本地服务器的负载压力，平均时延逐渐减小。然而，当任务卸载概率超过一定大小，系统中任务时延随着任务卸载概率的增大而增加。这是因为当任务卸载概率较大时，卸载处理的任务数量较多，在本地输出端口处理的负载压力增大，导致系统中的任务平均时延增大。同时，此先减后增的变化趋势表明，只要设置合理的任务卸载概率，就可以获得最小的任务平均时延。
此外，当卸载概率p固定时，任务平均时延T随着任务平均到达率的增大而增大。任务平均到达率越大，意味着到达的任务数量越多，系统内处理器与服务器的负载压力相应变大，从而使得任务平均时延增大。
从图4可以观察到，系统平均电池电量E随着卸载概率p的增加而呈现出先下降后上升的趋势。系统电池电量由本地服务器处理、本地输出端口处理，本地传输、D2D设备服务器处理、边缘云传送与边缘云处理几部分组成。当任务卸载概率较小时，大部分卸载子任务在本地服务器上进行处理，此时，本地服务器产生的平均电池电量是主要因素。随着任务卸载概率逐渐增大，缓解了本地服务器的负载压力，平均电池电量逐渐减小。然而，当任务卸载概率超过一定大小，系统中平均电池电量随着任务卸载概率的增大而增加。这是因为当任务卸载概率较大时，卸载处理的任务数量较多，又因为输出端口及各个卸载服务端的平均功率较大，导致系统中的任务平均电池电量增大。同时，此先减后增的变化趋势表明，只要设置合理的任务卸载概率，就可以获得最小的系统平均电池电量。
与此同时，任务平均到达率越大，意味着到达的任务数量越多，系统内负载压力相应变大，从而使得系统平均电池电量增大。
从图5可以观察到，系统平均评价C与卸载概率p呈线性关系，并且随着卸载概率的增加而增大。当卸载概率增大时，卸载处理的任务数量增多，导致在边缘云与远程云中产生的评价值增加。
为了进一步得到帕累托前沿点及帕累托最优解集，在MATLAB R2018a环境下，利用数值实验的相关参数，进行系统优化实验，验证该优化方法的合理性。
如图6所示，显示了经过迭代优化后得到的帕累托前沿散点分布情况。从图中遴选出满足条件的帕累托最优解集即最优任务分配概率，如表1所示。
Figure BDA0003692851080000131
表1
在帕累托最优解集中，全局最优解不存在唯一性。由于各目标之间相互矛盾，实际应用中，决策者应该根据优化重点从帕累托最优解集中选择最优的方案配置。例如，实际生活中可以基于终端用户与MEC服务供应商的偏好，遴选出合适的最优解组成所需优化方案。
以任务平均时延为例，将其作为适应度函数，比较传统与改进后快速精英非支配排序遗传算法NSGA II的收敛性情况，如图7所示。
从图7的比较曲线可以看出，改进后优化算法的收敛情况更好，在迭代次数接近15次时，适应度函数就能得到最优值。这说明提出的改进方法起到了作用，加快了算法的收敛速度，提高了求解的速率。
本发明设计的一种基于任务划分与D2D的MEC任务卸载策略方法，考虑边缘计算中的计算卸载技术，将本地任务卸载到邻近的D2D设备、边缘云或者远程云，实现云-边-端协作的卸载策略方法，有效解决了用户设备本地存储和计算能力有限等问题；设计考虑任务划分的部分卸载技术，降低了任务响应时间，提升了用户体验感；利用排队论知识，分别在本地和多个卸载端建立不同的排队理论模型，使用矩阵几何解对模型进行稳态解析，得到任务平均时延、系统平均电池电量与平均评价等性能指标；考虑系统的多目标优化问题，改进快速精英非支配排序遗传算法，得到最优的帕累托前沿点和任务分配概率的优化方案。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，其包括以下步骤：
S1、在服务器群中，考虑任务的突发到达模式，将泊松过程推广至马尔可夫调制泊松过程MMPP，利用任务划分模块，将用户设备工作时持续产生的大量任务，按照一定的比例将每一个任务划分成卸载子任务与本地固有子任务，并求解卸载子任务与本地固有子任务在用户设备的本地服务器计算的平均时延和平均电池电量
Figure FDA0003692851070000011
所述服务器群包括用户设备、基站、D2D设备、边缘云和远程云；
S2、求解卸载子任务在用户设备的输出端口计算和传输过程的平均时延和平均电池电量Tout,Eout,Ttra,Etra；
S3、求解卸载子任务在所有D2D设备的平均时延和平均电池电量Td2d,Ed2d；
S4、求解卸载子任务在边缘云的平均时延、平均电池电量和平均评价Tedg,Eedg,Cedg；
S5、求解卸载子任务在远程云的平均时延和平均评价Tclo,Cclo；
S6、求解任务在服务器群内的总平均时延、总平均电池电量和总平均评价T,E,C；
S61、一个本地固有子任务和一个卸载子任务在服务器群内产生的平均时延分别为T1,T2：
Figure FDA0003692851070000012
Figure FDA0003692851070000013
其中，p表示卸载概率；q表示卸载至n个D2D设备总的概率；ξ表示卸载至边缘云的概率；Tout表示卸载子任务在用户设备的输出端口计算的平均时延；Ttra表示卸载子任务从用户设备的输出端口卸载的传输时间；
Figure FDA0003692851070000014
表示本地固有子任务在用户设备本地处理器上计算的平均时延；
Figure FDA0003692851070000015
表示卸载子任务在用户设备本地处理器上计算的平均时延；
S62、任务在用户设备与包含D2D设备、边缘云和远程云在内的多个卸载端同时计算，且一个任务划分成用户设备部分与所有卸载部分，则一个任务在服务器群内的总平均时延T为用户设备部分与所有卸载部分时延中的最大者：
T＝max{2(1-l)T1,2lT2} (17)
其中，l表示卸载子任务占比；
S63、一个本地固有子任务和一个卸载子任务在服务器群内的平均电池电量分别为E1,E2：
Figure FDA0003692851070000016
Figure FDA0003692851070000017
其中，
Figure FDA0003692851070000018
分别表示本地固有子任务和卸载子任务分别在本地服务器的平均电池电量；Eout,Etra分别表示卸载子任务在输出端口计算和从输出端口卸载传输的平均电池电量；
S64、设服务器群中每有一个任务得到处理，产生的平均电池电量大小为总平均电池电量E，则有：
E＝2(1-l)E1+2lE2 (20)；
S65、一个任务在服务器群中产生的总平均评价为：
C＝2l(Cedg+Cclo) (21)；
S7、改进快速精英非支配排序遗传算法，运用MATLAB软件进行优化实验，找出一组时延、电池电量、评价的最优帕累托前沿点(T*,E*,C*)，此时总平均时延T*、总平均电池电量E*与总平均评价C*相对较低且处于平衡，并获得任务分配概率(p*,q*,ξ*)的智能优化方案，其中p*表示优化的卸载概率；q*表示优化的卸载至n个D2D设备总的概率；ξ*表示优化的卸载至边缘云的概率。
2.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、基于排队论，得到本地固有子任务和卸载子任务分别在用户设备中本地服务器的平均时延
Figure FDA0003692851070000021
Figure FDA0003692851070000022
Figure FDA0003692851070000023
其中，λ表示任务到达率；L表示卸载子任务在本地缓冲队列的容量；πi,j,k,g表示稳态下的概率分布，即稳态下当本地固有子任务个数为i，卸载子任务个数为j，本地固有子任务底层马尔可夫链处于状态k，卸载子任务底层马尔可夫链处于状态g时的概率；
S12、假设本地服务器计算所需的平均功率为Ploc，则本地固有子任务和卸载子任务分别在本地服务器的平均电池电量
Figure FDA0003692851070000024
为：
Figure FDA0003692851070000025
3.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、基于排队论，分别得到卸载子任务在用户设备的输出端口计算的平均时延Tout和其从用户设备的输出端口卸载的传输时间Ttra：
Figure FDA0003692851070000031
Figure FDA0003692851070000032
其中，r表示上行链路数据传输速率；W表示信道带宽；θ表示一个卸载子任务包含的平均数据量；
Figure FDA0003692851070000033
表示信噪比，且S表示信号功率，N表示噪声功率；πi,j表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j时的概率；
S22、假设用户设备的输出端口处理计算所需的平均功率为Pout，则卸载子任务在用户设备的输出端口计算和从用户设备的输出端口卸载传输的平均电池电量Eout,Etra为：
Figure FDA0003692851070000034
Figure FDA0003692851070000035
4.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、卸载子任务在所有D2D设备的平均时延Td2d为：
Figure FDA0003692851070000036
其中，n表示D2D设备的个数；B表示卸载子任务在D2D设备缓冲队列的容量；πi,j,k表示稳态下的概率分布，即稳态下当D2D设备本地任务个数为i，卸载子任务个数为j，卸载子任务底层马尔可夫链处于状态k时的概率；
S32、假设一个D2D设备计算的平均功率为Pd2d，则卸载子任务在所有D2D设备的平均电池电量Ed2d为：
Figure FDA0003692851070000037
5.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、卸载子任务在边缘云的平均时延Tedg为：
Figure FDA0003692851070000041
其中，πi,j,k表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j，边缘云低速服务群是否处于工作状态k时的概率；
S42、假设边缘云计算的平均功率为Pedg，则卸载子任务在边缘云的平均电池电量Eedg为：
Figure FDA0003692851070000042
S43、假设边缘云使用资源的单位评价C1，则卸载子任务在边缘云的平均评价Cedg为：
Cedg＝2lp(1-q)ξλC1 (12)。
6.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S5具体包括以下步骤：
S51、卸载子任务在远程云的平均时延Tclo为：
Figure FDA0003692851070000043
其中，To表示任务请求经过负载平衡器传输到远程云固定的时间延迟；μclo表示云服务器服务速率；
S52、假设远程云使用资源的单位评价C2，则卸载子任务在远程云的平均评价Cclo为：
Cclo＝2lp(1-q)(1-ξ)λC2 (14)。
7.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S1中所述卸载子任务在本地服务器的缓冲队列的容量为L，所述本地固有子任务在本地服务器的缓冲队列的容量无限，本地服务器排队模型为一个MMPP+MMPP/M/1队列；所述步骤S2中所述卸载子任务在用户设备的输出端口计算处理和排队等待卸载传输的排队缓存无限，用户设备的输出端口的排队模型为一个MMPP/M/1队列；所述步骤S3中所述卸载子任务在D2D设备的缓冲队列的容量为B，本地任务在D2D设备的缓冲队列的容量无限，D2D设备的本地任务具有强抢占优先级，D2D设备中的排队模型为一个M+MMPP/M/1队列；所述步骤S4中边缘云为所述卸载子任务提供一个无限容量的缓冲队列，边缘云中按照服务速率将有限数量的服务器分簇，分成高速服务器群与低速服务器群两个集群，当边缘云内子任务个数小于一定数量时，只有高速服务器群工作，当子任务个数大于一定数量时，高速服务器群与低速服务器群两个集群均处于工作状态，边缘云中的排队模型为一个MMPP/M/c队列；所述步骤S5中远程云中拥有足够多的云服务器且计算能力足够强，卸载到远程云中的任务不需要等待，到达的同时能够毫无延迟地接受服务，远程云中的排队模型为一个MMPP/M/∞队列。
8.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述本地固有子任务只在所述用户设备的本地服务器处理计算，所述卸载子任务中以一定概率决定其在所述本地服务器处理，还是在所述用户设备的输出端口排队并等待被卸载；若所述卸载子任务在所述用户设备的输出端口排队，则离开所述输出端口后，其中一部分被平均卸载到相邻的多个D2D设备，另一部分经过所述基站传输给所述边缘云中的负载平衡器，并由所述负载平衡器根据负载均衡情况决定卸载到所述边缘云或远程云。
9.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S9中所述改进快速精英非支配排序遗传算法利用Tent映射初始化种群，并动态改变遗传中的交叉和变异算子以实现种群的自适应进化。
CN202210669923.0A 2022-06-14 2022-06-14 基于任务划分与d2d的mec任务卸载策略方法 Pending CN115150893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210669923.0A CN115150893A (zh) 2022-06-14 2022-06-14 基于任务划分与d2d的mec任务卸载策略方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210669923.0A CN115150893A (zh) 2022-06-14 2022-06-14 基于任务划分与d2d的mec任务卸载策略方法

Publications (1)

Publication Number Publication Date
CN115150893A true CN115150893A (zh) 2022-10-04

Family

ID=83407964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210669923.0A Pending CN115150893A (zh) 2022-06-14 2022-06-14 基于任务划分与d2d的mec任务卸载策略方法

Country Status (1)

Country Link
CN (1) CN115150893A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117042051A (zh) * 2023-08-29 2023-11-10 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117042051A (zh) * 2023-08-29 2023-11-10 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质
CN117042051B (zh) * 2023-08-29 2024-03-08 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN113950103B (zh) 一种移动边缘环境下多服务器完全计算卸载方法及系统
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
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN108509276B (zh) 一种边缘计算环境中的视频任务动态迁移方法
CN111258677B (zh) 面向异构网络边缘计算的任务卸载方法
CN111132235B (zh) 基于改进hrrn算法和多属性决策的移动卸载迁移算法
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
CN109639833B (zh) 一种基于无线城域网微云负载均衡的任务调度方法
CN113918240B (zh) 任务卸载方法及装置
CN113950081B (zh) 一种面向微服务的动态服务迁移和请求路由方法
CN110809291B (zh) 基于能量采集设备的移动边缘计算系统双层负载平衡方法
CN111163178A (zh) 一种边缘计算中基于博弈论的服务部署及任务卸载方法
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN113254095A (zh) 云边结合平台的任务卸载、调度与负载均衡系统、方法
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
CN113535397B (zh) 一种智能车辆边缘计算网络的资源分配方法
CN112511652B (zh) 一种边缘计算下的合作计算任务分配方法
CN113032146A (zh) 一种面向多接入边缘计算环境的健壮性服务供应方法
CN111580943A (zh) 一种面向低时延边缘计算中多跳卸载的任务调度方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN110768827A (zh) 一种基于群智能算法的任务卸载方法
CN116302404A (zh) 面向资源解耦合数据中心的服务器无感知计算调度方法
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

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