CN115361453A - 一种面向边缘服务网络的负载公平卸载与迁移方法 - Google Patents

一种面向边缘服务网络的负载公平卸载与迁移方法 Download PDF

Info

Publication number
CN115361453A
CN115361453A CN202210994286.4A CN202210994286A CN115361453A CN 115361453 A CN115361453 A CN 115361453A CN 202210994286 A CN202210994286 A CN 202210994286A CN 115361453 A CN115361453 A CN 115361453A
Authority
CN
China
Prior art keywords
user
edge
migration
user task
task
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
CN202210994286.4A
Other languages
English (en)
Other versions
CN115361453B (zh
Inventor
邓水光
张城
尹建伟
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.)
Zhongyuan Research Institute Of Zhejiang University
Original Assignee
Zhongyuan Research Institute Of Zhejiang 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 Zhongyuan Research Institute Of Zhejiang University filed Critical Zhongyuan Research Institute Of Zhejiang University
Priority to CN202210994286.4A priority Critical patent/CN115361453B/zh
Publication of CN115361453A publication Critical patent/CN115361453A/zh
Priority to PCT/CN2023/077586 priority patent/WO2024036909A1/zh
Application granted granted Critical
Publication of CN115361453B publication Critical patent/CN115361453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer And Data Communications (AREA)
  • Multi Processors (AREA)

Abstract

本发明公开了一种面向边缘服务网络的负载公平卸载与迁移方法，以边缘系统执行的所有用户任务的效用函数帕累托最优为优化目标，这种方法不仅兼顾了边缘网络资源的约束，也同样保障了系统中所有用户任务的效用函数的最大化，对提升多用户竞争下的任务效用质量提出来一种新的量化衡量指标。此外，本发明采用了图神经网络与强化学习算法对最终优化目标求解，这种算法执行效率高，返回的近似结果较为准确，特别适合于多用户复杂任务的下的边缘网络系统的场景，使得在多用户任务竞争网络资源的时候，边缘计算网络系统可以高效的得出多用户效用函数帕累托最优的结果，大大提高了边缘网络环境的服务质量和用户体验。

Description

一种面向边缘服务网络的负载公平卸载与迁移方法
技术领域
本发明属于边缘计算网络负载均衡技术领域，具体涉及一种面向边缘服务网络的负载公平卸载与迁移方法。
背景技术
近年来，随着边缘计算技术的日益普及，由此带来的用户计算负载卸载和迁移技术的快速发展，但是边缘环境下的服务器资源与链路资源往往比较紧缺，导致在边缘环境下的服务器不一定能够支持当前所有的服务种类；由于服务器部署的服务种类有限，一些用户的任务需要通过当前服务器进行迁移才能在别的服务器上执行。针对边缘网络环境下用户的移动性和服务器请求的多样性，所在区域边缘服务器计算资源有限的情况下，如何以公平执行这些用户计算卸载负载为基础，合理地为不同用户分配不同计算资源和网络带宽资源，从而保障所有用户的服务体验达到公平的状态为目标，是本领域技术人员值得去研究的。
每一个用户具有个性化需求，比如对于带宽敏感性的任务(如直播服务、视频点播服务等)，再比如计算敏感性的任务(如AI算法计算任务、虚拟现实图形渲染任务等)；现有的边缘计算网络对于实时任务响应需求的服务算法研究大多集中在任务的总体效率，从网络带宽和服务器资源使用率进行分析，比较少考虑对于多个不同用户个体自身的效用需求的帕累托解。由于用户效用函数的边际效应，为用户分配不同种类不同数量的资源，未必能够达到单个用户总体效用最高；此外，在总体资源有限的边缘网络环境下，多用户存在资源分配的冲突，从而使得用户个性化需求不能充分满足，较难达到帕累托优化解。如图3所示的边缘网络环境下，有5个用户，3个边缘服务器，用户在边缘服务器服务重叠区域可以选择向任意一台边缘服务器进行任务卸载；在所有用户都得到效用函数最大化的前提下，如何为用户选择任务执行的边缘服务器，如何调度任务在不同服务器之间的迁移是一个较为困难的问题。
文献[姚泽玮,林嘉雯,胡俊钦,等.基于PSO-GA的多边缘负载均衡方法[J].计算机科学,2021,48(S02):8]提出了一种对边缘环境负载进行均衡的方法，以最小化用户任务最大的响应时间为目标，采用启发式算法对用户任务进行决策，使多个用户任务分配到不同的服务器上执行。文献[梁冰,纪雯.基于次模优化的边云协同多用户计算任务迁移方法[J].通信学报,2020,41(10):12]提出了最大化用户的效应函数的问题，该问题简单的将用户效用相加求和，以求解所有任务效益最大化为目标，对用户任务进行调度执行。以上两种策略并不能保证所有用户的任务都是被公平的执行，可能会出现为了总体性能提高，而牺牲某些个体用户的服务质量的情况，从而使某些用户任务的执行时间过度变大或者用户的效用函数降低。
发明内容
针对用户对于资源需求的边际效应和资源分配的非线性冲突，在网络运行情况下，本发明提供了一种面向边缘服务网络的负载公平卸载与迁移方法，可以大大提高用所有用户总体效用需求，在资源有限的边缘网络环境下，使得所有用户的效用都达到帕累托最优。
一种面向边缘服务网络的负载公平卸载与迁移方法，包括如下步骤：
(1)检测边缘网络中移动用户的任务请求，确定当前检测到的所有用户任务请求；
(2)枚举所有用户任务请求传输至边缘服务器的迁移路径；
(3)建立用于评价所有用户任务的公平效用优劣评判函数；
(4)对所述公平效用优劣评判函数进行优化求解，即可确定每个用户任务请求的迁移路径。
进一步地，所述步骤(2)中对于任一用户任务请求，枚举以下三类迁移路径：
E1为与用户直接连接的边缘服务器的迁移路径集合；
E2为与用户间接单跳连接的边缘服务器的迁移路径集合，且与用户直接连接的边缘服务器不具备处理能力；
E3为与用户间接单跳连接的边缘服务器的迁移路径集合，且与用户直接连接的边缘服务器具备处理能力。
进一步地，所述公平效用优劣评判函数的表达式如下：
max U＝(U1,…,UN)T
Figure BDA0003802461680000031
Figure BDA0003802461680000032
Figure BDA0003802461680000033
其中：Ui为执行第i个用户任务请求的效用函数，若第i个用户任务请求无法被卸载执行则Ui＝Ul且Ul为常数，i为自然数且1≤i≤N，N为所有用户的数量，
Figure BDA0003802461680000034
为执行第i个用户任务请求占用资源k的效用值，wk表示资源k的权重，
Figure BDA0003802461680000035
为资源集合包括带宽资源和计算资源两种，
Figure BDA0003802461680000036
表示第i个用户任务请求对资源k个性化效用函数的自定义参数，xi,k表示第i个用户任务请求占用资源k的数量值；l表示边缘网络中的任一传输链路，ε表示边缘网络中的传输链路集合，v表示边缘网络中的任一边缘服务器，
Figure BDA0003802461680000037
表示边缘网络中的边缘服务器集合，
Figure BDA0003802461680000038
为占用传输链路l的所有用户任务请求集合，
Figure BDA0003802461680000039
为在边缘服务器v上进行计算的所有用户任务请求集合，il为集合
Figure BDA00038024616800000310
中的任一用户任务请求，iv为集合
Figure BDA00038024616800000311
中的任一用户任务请求，trans(il)为用户任务请求il占用传输链路l的带宽资源量，comp(iv)为用户任务请求iv占用边缘服务器v的计算资源量，cl为传输链路l的实际带宽上限，cv为边缘服务器v的实际最大算力。
每台边缘服务器可执行若干种服务，每个用户只能执行一种服务。
进一步地，所述步骤(4)对公平效用优劣评判函数进行优化求解的具体过程如下：
4.1建立包含一个用户共享神经网络层以及N个用户决策模型，所述用户共享神经网络层包含有图神经网络和非线性聚合函数，N为所有用户的数量；
4.2采用图神经网络提取边缘网络中节点与边的信息，并将这些信息组成特征向量；其中节点对应为边缘网络中的移动用户和边缘服务器，边对应为移动用户与边缘服务器之间的传输链路以及边缘服务器之间的传输链路；
4.3采用图神经网络提取任务可行迁移路径子图中节点与边的信息，并将这些信息组成特征向量；
4.4对于任务可行迁移路径子图中的任一迁移路径，采用图神经网络提取其中节点与边的信息，并将这些信息组成特征向量；
4.5将上述提取到的所有特征向量输入到每个用户决策模型中，用户决策模型输出为对应用户任务请求各迁移路径的被选概率；
4.6先确定每个用户任务请求卸载的优先级，再确定每个用户任务请求的卸载迁移路径，进而根据优先级以及卸载迁移路径对各用户任务请求进行卸载。
进一步地，所述边的信息包括移动用户与边缘服务器之间传输链路上各用户任务请求占用的带宽以及传输链路的实际带宽上限；所述节点的信息包括用户任务请求所需的计算资源量以及边缘服务器的实际最大算力。
进一步地，所述任务可行迁移路径子图与用户任务请求一一对应，其由对应请求的所有用户任务迁移路径组成，所述用户任务迁移路径即表示用户任务请求执行卸载时所采用的某一条具体迁移路径。
进一步地，所述用户决策模型的参数θuseri通过奖励函数优化求解得到；
Figure BDA0003802461680000041
其中：ri为第i个用户决策模型的奖励函数，Ui(t+1)和Ui(t)分别表示第t+1次迭代和第t次迭代过程中执行第i个用户任务请求的效用函数，η为给定参数，t为自然数，T为总迭代次数，δ为一个正的较小的给定参数。
进一步地，所述用户共享神经网络层的参数θshare通过以下公式进行迭代，直至所有用户任务请求的效用函数达到帕累托最优；
Figure BDA0003802461680000042
其中：θshare(t+1)和θshare(t)分别表示第t+1次迭代和第t次迭代过程中用户共享神经网络层的参数，αi为第i个用户决策模型奖励函数的权重值，
Figure BDA0003802461680000043
表示求偏导，
Figure BDA0003802461680000044
进一步地，所述权重值αi通过采用Frank-Wolfe算法求解以下损失函数得到；
Figure BDA0003802461680000051
其中：‖‖2表示2范数。
进一步地，所述步骤4.6中对于任一用户任务请求所有迁移路径的被选概率，取最大的前K个被选概率求平均后作为该用户任务请求卸载的优先级，取最大被选概率对应的迁移路径作为该用户任务请求的卸载迁移路径，K为大于1的自然数。
本发明以边缘系统执行的所有用户任务的效用函数帕累托最优为优化目标，这种方式不仅兼顾了边缘网络资源的约束，也同样保障了系统中所有用户任务的效用函数的最大化，对提升多用户竞争下的任务效用质量提出来一种新的量化衡量指标。此外，本发明采用了图神经网络与强化学习算法对最终优化目标求解，这种算法执行效率高，返回的近似结果较为准确，特别适合于多用户复杂任务的下的边缘网络系统的场景，使得在多用户任务竞争网络资源的时候，边缘计算网络系统可以高效的得出多用户效用函数帕累托最优的结果，大大提高了边缘网络环境的服务质量和用户体验。
附图说明
图1(a)为用户任务可连接的网络拓扑示意图。
图1(b)为用户任务可行的迁移路径枚举示意图。
图2为计算用户迁移路径决策的神经网络算法框架示意图。
图3为边缘网络系统示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明面向边缘服务网络的负载公平卸载与迁移方法包括如下步骤：
(1)检测边缘网络中的移动用户任务的请求，确定当前时间的任务请求集合Γ。
(2)枚举所有用户任务请求传输至边缘服务器的迁移路径。
(3)建立用于评价所有任务的公平效用优劣评判函数如下：
Figure BDA0003802461680000061
其中：
Figure BDA0003802461680000062
为用户集合，i表示用户索引；若用户任务可以被边缘服务器执行，表征用户的公平效用函数定义如下公式；否则，Ui＝δ且δ为一个很小的正常数，由边缘系统环境事先自定义，该常数表示当用户任务只能本地执行，不能被迁移到边缘服务器执行，用户效用将大大降低。
Figure BDA0003802461680000063
其中：
Figure BDA0003802461680000064
表征每个用户对资源k的个性化效用函数的参数，k表示用户资源需求的类型，wk表示资源类型的权重，
Figure BDA0003802461680000065
xi,k表示用户i占用的资源k的数量，本实施例中
Figure BDA0003802461680000066
有两种取值，即k＝1表示带宽资源，k＝2表示计算资源。
如图1(b)所示，用户和服务器看作图的顶点，其中服务器集合用
Figure BDA0003802461680000067
表示，用户到服务器传输链路与服务器之间的传输链路集合用ε表示，用li,j表示用户i到服务器j的传输链路，ljk表示服务器j到服务器k的迁移链路，其中i表示用户，j,k分别表示边缘服务器，i，j,k属于集合
Figure BDA0003802461680000068
与ljk属于集合ε，ε中的每一条链路都具有带宽约束，所能传输用户任务的最大限度为
Figure BDA0003802461680000069
其中cl为系统网络实际带宽参数，
Figure BDA00038024616800000610
为使用链路l的所有用户集合；
Figure BDA00038024616800000611
中的每一台边缘服务器具有计算带宽约束，所能承载计算的用户任务最大限度为
Figure BDA00038024616800000612
其中cv为系统边缘服务器实际性能参数，
Figure BDA00038024616800000613
为在边缘服务器v上进行任务计算的所有用户集合。
(4)根据上述的目标函数，采用图神经网络与强化学习算法求解，以确定出帕累托最优的用户资源分配策略，具体实现如下：
我们将服务器计算负载定义为：
Figure BDA00038024616800000614
Figure BDA00038024616800000615
其中
Figure BDA00038024616800000616
表示服务器j连接的用户数集合，workloadi,j表示用户i向服务器j卸载的任务量，
Figure BDA00038024616800000617
表示其余服务器向服务器j的任务量，
Figure BDA00038024616800000618
表示服务器j向其余服务器迁移的任务量。
任务卸载是指用户在边缘服务器服务范围内，可以将任务发送给指定的边缘服务器进行执行；任务迁移是指用户任务经过卸载目的服务器一跳(从一台边缘服务器向另一台边缘服务器进行任务传输)，将任务迁移给自身以外的边缘服务器；通过上述任务卸载和任务迁移，用户的计算任务可以最终到达某一台服务器进行任务执行。
上述任务传输路径搜索算法为：首先，i表示用户索引，m为服务器索引，定义Sm为服务器m一跳以内相邻的服务器集合，定义
Figure BDA0003802461680000071
为服务范围覆盖用户i的服务器集合，能够执行用户i的任务的服务器索引集合为
Figure BDA0003802461680000072
那么使用
Figure BDA0003802461680000073
Figure BDA0003802461680000074
表示与用户直接连接的服务器，但是不能执行用户i所提交的任务。使用
Figure BDA0003802461680000075
表示与用户i直接相连接的服务器，且这些服务器能够执行用户i所卸载的任务。
将
Figure BDA0003802461680000076
中的服务器与用户的直接链路添加到集合
Figure BDA0003802461680000077
遍历
Figure BDA0003802461680000078
的服务器索引，记作z，定义集合
Figure BDA0003802461680000079
遍历
Figure BDA00038024616800000710
的服务器索引，记作j，定义集合
Figure BDA00038024616800000711
迁移的第一部分链路集合(用户节点与第一台不能执行的任务的服务器节点以及一台具有任务服务的服务器节点组成的路径)即
Figure BDA00038024616800000712
迁移的第二部分链路集合(用户节点到能够执行服务的服务器节点组成的路径)即
Figure BDA00038024616800000713
由以上步骤，可以得到用户i可以进行任务传输的迁移路径集合为:
Figure BDA00038024616800000714
Figure BDA00038024616800000715
对每一个用户的可行连接图(即图1(a))进行分解得到用户的可行连接子图(即图1(b))，结合每一个用户的可行连接图的信息提取，对每一个用户的子图进行边和定点的特征学习，从而在图1(b)中得到每一个用户的任务迁迁移路径的图嵌入特征信息。在所有当前时间所有用户的连接可行图嵌入特征信息的基础上，进行当前用户优先级排序，优先级高的用户可以进行任务卸载执行；一旦用户进行卸载执行，根据用户子图的嵌入特征信息，选择可行的任务执行方案，即为该任务分配一台边缘服务器进行任务卸载，如果任务需要迁移，则同时指定任务迁移的边缘服务器。用户任务的可选的执行策略方案由所有任务可能的迁移路径组成，如图1(b)所示，用户1的任务4可以由迁移子图1、子图2以及子图3三种迁移策略最终将任务传输到边缘服务器上执行；用ei,s表示用户i的任务迁移路径s的图编码特征向量，用户i的任务可行的执行迁移路径的集合为
Figure BDA0003802461680000081
其中s属于
Figure BDA0003802461680000082
以下详细叙述边缘服务器网络系统的系统的两种embedding编码信息，包括用户可行迁移子图中每个元素节点的embedding编码信息以及边缘网络全局图中每个元素节点的embedding编码信息。
对于用户i的可行迁移子图embedding编码信息：
定义用户i的可行迁移子图中的所有链路的集合为
Figure BDA0003802461680000083
服务器集合为
Figure BDA0003802461680000084
移路径中的用户节点特征向量为ui；链路l的特征向量
Figure BDA0003802461680000085
Figure BDA0003802461680000086
表示用户n在链路l上占用的带宽资源，服务器c特征向量为
Figure BDA0003802461680000087
Figure BDA0003802461680000088
Figure BDA0003802461680000089
表示用户n在服务器c上占用的计算资源。使用图神经网络g()计算出用户i的迁移子图中所有元素节点(用户、链路、服务器)的embedding编码信息
Figure BDA00038024616800000810
feal∈Fl，feac∈Fc，Fl和Fc分别表示可行迁移子图中的所有链路和所有服务器的特征向量的集合。
Figure BDA00038024616800000811
Figure BDA00038024616800000812
Figure BDA00038024616800000813
为服务器embedding编码信息，
Figure BDA00038024616800000814
为链路embedding编码信息，
Figure BDA00038024616800000815
为用户embedding编码信息，
Figure BDA00038024616800000816
表示链路的集合的大小，
Figure BDA00038024616800000817
表示服务器的集合的大小。
对于全局边缘网络embedding编码信息：
链路l的特征向量
Figure BDA00038024616800000818
Figure BDA00038024616800000819
表示用户n在链路l上占用的带宽资源。服务器c特征向量为
Figure BDA00038024616800000820
Figure BDA00038024616800000821
表示用户n在服务器c上占用的计算资源。使用图神经网络f()计算出用户i的迁移子图中所有元素节点(用户、链路、服务器)的embedding编码信息
Figure BDA00038024616800000822
Figure BDA00038024616800000823
feal∈Fl,feac∈Fc，Fl和Fc分别表示可行迁移子图中的所有链路和所有服务器的特征向量的集合。
Figure BDA00038024616800000824
Figure BDA00038024616800000825
为所有服务器embedding编码信息，
Figure BDA00038024616800000826
表示链路的集合的大小；
Figure BDA00038024616800000827
lk(k∈ε)为链路embedding编码信息，
Figure BDA00038024616800000828
为所有用户embedding编码信息，|ε|表示服务器的集合的大小。
CNN网络聚合后的embedding编码信息：
将所有用户可行迁移子图的
Figure BDA0003802461680000091
和全局边缘网络的
Figure BDA0003802461680000092
作为CNN网络的输入，CNN网络的输出为
Figure BDA0003802461680000093
其中
Figure BDA0003802461680000094
表示所有用户聚合后的embedding编码信息，
Figure BDA0003802461680000095
表示所有链路聚合后的embedding编码信息，
Figure BDA0003802461680000096
表示所有服务器聚合后的embedding编码信息。
用
Figure BDA0003802461680000097
表示用户i的任务迁移路径的特征向量集合，迁移用户为起点，将用户、任务迁移链路、任务途径的边缘服务器节点以及任务最重到达的边缘服务器节点作为集合中的元素；如果用户i的任务迁移路径
Figure BDA0003802461680000098
Figure BDA0003802461680000099
其特征向量为
Figure BDA00038024616800000910
否则
Figure BDA00038024616800000911
Figure BDA00038024616800000912
其特征向量为：
Figure BDA00038024616800000913
其中：
Figure BDA00038024616800000914
表示用户i在迁移路径s上的embedding编码信息，
Figure BDA00038024616800000915
和
Figure BDA00038024616800000916
分别表示属于用户i任务迁移路径s的服务器c和链路l的embedding编码信息，l′和c′分别表示用户i的任务迁移路径s的第二跳的链路与服务器。
如图2所示，定义
Figure BDA00038024616800000917
为每个用户各自迁移路径特征向量集的集合，Z表示每个用户经过各自的决策模型输出后的结果，Z中的第i个用户分量Zi表示该用户的任务迁移路径决策向量。
我们以所有用户的公平性最大为目标，在本发明设计中系统以决策产生的公平效用函数值作为评价标准；当系统做出决策后，如果所有的用户公平效用都能上升，则系统奖励函数值为(Ui(t+1)-Ui(t))*η，η是一个常数，否则对该用户的奖励函数值为0，利用系统通过最大化奖励函数值作为强化学习模型中的奖励对系统进行建模。
系统奖励函数的具体描述为：
Figure BDA00038024616800000918
其中：δ是一个较小的正数，为给定参数。
本发明强化学习算法的目标是最大化奖励函数，系统采用policy gradient的方法对用户任务的卸载与迁移决策进行训练，将用户决策模型神经网络中的参数定义为θuser i。那么policy表示在状态st时，系统采取动作at的概率，其值为
Figure BDA0003802461680000101
动作指系统对用户任务进行卸载的服务器选择与迁移的路径选择。在系统运行中，每一个用户决策模型采用公式：
Figure BDA0003802461680000102
Figure BDA0003802461680000103
对决策模型神经网络参数θuser i进行更新，α表示自定义的学习速率参数，bt表示为了降低决策产生的用户奖励平均值而定义的基准值bt＝∑t′∈trt′。
上述强化学习算法在保证所有用户的公平效用函数值最大，但是不能保证每一个用户的效用是最公平的状态；为了得到所有用户的帕累托最优，本发明对神经网络参数计算提出了一种帕累托公平算法。如图2所示，图神经网络f(·)、g(·)表与CNN网络的参数合并定义为共享参数θshare，R为用户共享神经网络层的输出，定义
Figure BDA0003802461680000104
为用户i对应的损失函数，上述强化学习算法一旦更新完θuser i后，使用FRANK WOLFE SOLVER方法求解α1,α2,…,αn，使得：
Figure BDA0003802461680000105
且
Figure BDA0003802461680000106
其中：ε表示的是系统的精度要求而与设定的系统参数，求解过程迭代上述算法步骤多轮后，上式精度要求仍旧满足，那么系统就认为所有用户都满足了帕累托公平性要求，此时的共享参数就是θshare。
定义用户可行任务传输的迁移路径集合为
Figure BDA0003802461680000107
Figure BDA0003802461680000108
图2所示神经网络系统的输出向量的元素与每一个用户i的任务迁移路径决策向量Zi一一对应，Zi中的每一个元素用来作为Ei每一条任务路径是否被选择的判定值，即
Figure BDA0003802461680000109
表示用户i选择Ei中第k个可行的任务迁移路径的判定值。
本发明设计了最优排序函数tpk(X)＝X/k，该函数返回输入向量X中最大的前k个分量的平均值，定义系统每次迭代中优先选择任务迁移路径的用户为i＊＝argmaxi{V1,V2,…,Vn}，V＝[tpk(Z1),tpk(Z2),tpk(Z3),…,tpk(ZN)]，一旦用户i★被选中，系统为其分配最优任务迁移路径，以每个用户决策向量中最大的分量
Figure BDA00038024616800001010
作为每个用户的最终选择的任务迁移路径索引，即为用户i选择其任务传输的迁移路径集合Ei中第k条迁移路径。
在满足约束条件
Figure BDA0003802461680000111
和
Figure BDA0003802461680000112
的情况下下，重复上述选择，任意约束不满足为止，此时得到各个用户的路径选择决策向量，没有分配迁移路径的用户选择本地执行。
按照图2所示的神经网络算法框架进行反向传播训练，在满足精度要求ε的前提下，对该边缘网络进行用户任务输入的模拟训练，直到系统奖励函数趋于收敛为止，此时的神经网络中参数作为边缘网络用户任务效用公平化负载迁移方法的最终参数。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明，熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种面向边缘服务网络的负载公平卸载与迁移方法，包括如下步骤：
(1)检测边缘网络中移动用户的任务请求，确定当前检测到的所有用户任务请求；
(2)枚举所有用户任务请求传输至边缘服务器的迁移路径；
(3)建立用于评价所有用户任务的公平效用优劣评判函数；
(4)对所述公平效用优劣评判函数进行优化求解，即可确定每个用户任务请求的迁移路径。
2.根据权利要求1所述的负载公平卸载与迁移方法，其特征在于：所述步骤(2)中对于任一用户任务请求，枚举以下三类迁移路径：
E1为与用户直接连接的边缘服务器的迁移路径集合；
E2为与用户间接单跳连接的边缘服务器的迁移路径集合，且与用户直接连接的边缘服务器不具备处理能力；
E3为与用户间接单跳连接的边缘服务器的迁移路径集合，且与用户直接连接的边缘服务器具备处理能力。
3.根据权利要求1所述的负载公平卸载与迁移方法，其特征在于：所述公平效用优劣评判函数的表达式如下：
max U＝(U1,…,UN)T
Figure FDA0003802461670000011
Figure FDA0003802461670000012
Figure FDA0003802461670000013
其中：Ui为执行第i个用户任务请求的效用函数，若第i个用户任务请求无法被卸载执行则Ui＝Ul且Ul为常数，i为自然数且1≤i≤N，N为所有用户的数量，
Figure FDA0003802461670000014
为执行第i个用户任务请求占用资源k的效用值，wk表示资源k的权重，
Figure FDA0003802461670000015
为资源集合包括带宽资源和计算资源两种，
Figure FDA0003802461670000021
表示第i个用户任务请求对资源k个性化效用函数的自定义参数，xi,k表示第i个用户任务请求占用资源k的数量值；l表示边缘网络中的任一传输链路，ε表示边缘网络中的传输链路集合，v表示边缘网络中的任一边缘服务器，
Figure FDA0003802461670000022
表示边缘网络中的边缘服务器集合，
Figure FDA0003802461670000023
为占用传输链路l的所有用户任务请求集合，
Figure FDA0003802461670000024
为在边缘服务器v上进行计算的所有用户任务请求集合，il为集合
Figure FDA0003802461670000025
中的任一用户任务请求，iv为集合
Figure FDA0003802461670000026
中的任一用户任务请求，trans(il)为用户任务请求il占用传输链路l的带宽资源量，comp(iv)为用户任务请求iv占用边缘服务器v的计算资源量，cl为传输链路l的实际带宽上限，cv为边缘服务器v的实际最大算力。
4.根据权利要求1所述的负载公平卸载与迁移方法，其特征在于：所述步骤(4)对公平效用优劣评判函数进行优化求解的具体过程如下：
4.1建立包含一个用户共享神经网络层以及N个用户决策模型，所述用户共享神经网络层包含有图神经网络和非线性聚合函数，N为所有用户的数量；
4.2采用图神经网络提取边缘网络中节点与边的信息，并将这些信息组成特征向量；其中节点对应为边缘网络中的移动用户和边缘服务器，边对应为移动用户与边缘服务器之间的传输链路以及边缘服务器之间的传输链路；
4.3采用图神经网络提取任务可行迁移路径子图中节点与边的信息，并将这些信息组成特征向量；
4.4对于任务可行迁移路径子图中的任一迁移路径，采用图神经网络提取其中节点与边的信息，并将这些信息组成特征向量；
4.5将上述提取到的所有特征向量输入到每个用户决策模型中，用户决策模型输出为对应用户任务请求各迁移路径的被选概率；
4.6先确定每个用户任务请求卸载的优先级，再确定每个用户任务请求的卸载迁移路径，进而根据优先级以及卸载迁移路径对各用户任务请求进行卸载。
5.根据权利要求4所述的负载公平卸载与迁移方法，其特征在于：所述边的信息包括移动用户与边缘服务器之间传输链路上各用户任务请求占用的带宽以及传输链路的实际带宽上限；所述节点的信息包括用户任务请求所需的计算资源量以及边缘服务器的实际最大算力。
6.根据权利要求4所述的负载公平卸载与迁移方法，其特征在于：所述任务可行迁移路径子图与用户任务请求一一对应，其由对应请求的所有用户任务迁移路径组成，所述用户任务迁移路径即表示用户任务请求执行卸载时所采用的某一条具体迁移路径。
7.根据权利要求4所述的负载公平卸载与迁移方法，其特征在于：所述用户决策模型的参数θuseri通过奖励函数优化求解得到；
Figure FDA0003802461670000031
其中：ri为第i个用户决策模型的奖励函数，Ui(t+1)和Ui(t)分别表示第t+1次迭代和第t次迭代过程中执行第i个用户任务请求的效用函数，η为给定参数，t为自然数，T为总迭代次数，δ为一个正的较小的给定参数。
8.根据权利要求7所述的负载公平卸载与迁移方法，其特征在于：所述用户共享神经网络层的参数θshare通过以下公式进行迭代，直至所有用户任务请求的效用函数达到帕累托最优；
Figure FDA0003802461670000032
其中：θshare(t+1)和θshare(t)分别表示第t+1次迭代和第t次迭代过程中用户共享神经网络层的参数，αi为第i个用户决策模型奖励函数的权重值，
Figure FDA0003802461670000033
表示求偏导，
Figure FDA0003802461670000034
9.根据权利要求8所述的负载公平卸载与迁移方法，其特征在于：所述权重值αi通过采用Frank-Wolfe算法求解以下损失函数得到；
Figure FDA0003802461670000035
其中：‖ ‖2表示2范数。
10.根据权利要求4所述的负载公平卸载与迁移方法，其特征在于：所述步骤4.6中对于任一用户任务请求所有迁移路径的被选概率，取最大的前K个被选概率求平均后作为该用户任务请求卸载的优先级，取最大被选概率对应的迁移路径作为该用户任务请求的卸载迁移路径，K为大于1的自然数。
CN202210994286.4A 2022-08-17 2022-08-17 一种面向边缘服务网络的负载公平卸载与迁移方法 Active CN115361453B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210994286.4A CN115361453B (zh) 2022-08-17 2022-08-17 一种面向边缘服务网络的负载公平卸载与迁移方法
PCT/CN2023/077586 WO2024036909A1 (zh) 2022-08-17 2023-02-22 一种面向边缘服务网络的负载公平卸载与迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210994286.4A CN115361453B (zh) 2022-08-17 2022-08-17 一种面向边缘服务网络的负载公平卸载与迁移方法

Publications (2)

Publication Number Publication Date
CN115361453A true CN115361453A (zh) 2022-11-18
CN115361453B CN115361453B (zh) 2023-09-29

Family

ID=84002133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210994286.4A Active CN115361453B (zh) 2022-08-17 2022-08-17 一种面向边缘服务网络的负载公平卸载与迁移方法

Country Status (2)

Country Link
CN (1) CN115361453B (zh)
WO (1) WO2024036909A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036909A1 (zh) * 2022-08-17 2024-02-22 浙江大学中原研究院 一种面向边缘服务网络的负载公平卸载与迁移方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110213097A (zh) * 2019-05-31 2019-09-06 浙江大学 一种基于资源动态分配的边缘服务供应优化方法
CN111586762A (zh) * 2020-04-29 2020-08-25 重庆邮电大学 一种基于边缘协作的任务卸载及资源分配联合优化方法
CN113015216A (zh) * 2021-02-05 2021-06-22 浙江大学 一种面向边缘服务网络的突发任务卸载与调度方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109362087B (zh) * 2018-11-05 2020-08-04 北京邮电大学 基于异构云无线接入网络的流量卸载协作方法及系统
US11526808B2 (en) * 2019-05-29 2022-12-13 The Board Of Trustees Of The Leland Stanford Junior University Machine learning based generation of ontology for structural and functional mapping
CN111148174B (zh) * 2019-12-13 2021-12-24 北京邮电大学 一种移动边缘计算中服务迁移路径选择方法
CN115361453B (zh) * 2022-08-17 2023-09-29 浙江大学中原研究院 一种面向边缘服务网络的负载公平卸载与迁移方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110213097A (zh) * 2019-05-31 2019-09-06 浙江大学 一种基于资源动态分配的边缘服务供应优化方法
CN111586762A (zh) * 2020-04-29 2020-08-25 重庆邮电大学 一种基于边缘协作的任务卸载及资源分配联合优化方法
CN113015216A (zh) * 2021-02-05 2021-06-22 浙江大学 一种面向边缘服务网络的突发任务卸载与调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DENG SHUANGGUANG ET AL, ACM TRANSACTIONS ON INTERNET TECHNOLOGY,INCENTIVE-DRIVEN COMPUTATION OFFLOADING IN BLOCKCHAIN-ENABLED E-COMMERCE, vol. 21, no. 1, pages 1 - 19 *
HAILIANG ZHAO ET AL, 2019 IEEE INTERNATIONAL CONFERENCE ON WEB SERVICES (ICWS)/A MOBILITY-AWARE CROSS-EDGE COMPUTATION OFFLOADING FRAMEWORK FOR PARTITIONABLE APPLICATIONS, pages 193 - 200 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036909A1 (zh) * 2022-08-17 2024-02-22 浙江大学中原研究院 一种面向边缘服务网络的负载公平卸载与迁移方法

Also Published As

Publication number Publication date
WO2024036909A1 (zh) 2024-02-22
CN115361453B (zh) 2023-09-29

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
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
Cui et al. A novel offloading scheduling method for mobile application in mobile edge computing
Chen et al. Multiuser computation offloading and resource allocation for cloud–edge heterogeneous network
CN111953758A (zh) 一种边缘网络计算卸载和任务迁移方法及装置
CN112286677A (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN111556516B (zh) 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
CN111182570A (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN113286317B (zh) 一种基于无线供能边缘网络的任务调度方法
CN111475274A (zh) 云协同多任务调度方法及装置
WO2023040022A1 (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN113098714A (zh) 一种基于深度强化学习的低时延网络切片的方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN113220356A (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN111813539A (zh) 一种基于优先级与协作的边缘计算资源分配方法
CN114595049A (zh) 一种云边协同任务调度方法及装置
WO2024036909A1 (zh) 一种面向边缘服务网络的负载公平卸载与迁移方法
Zhang et al. Quantified edge server placement with quantum encoding in internet of vehicles
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
CN116939866A (zh) 一种基于协同计算和资源分配联合优化的无线联邦学习效率提升方法
CN113190342A (zh) 用于云-边协同网络的多应用细粒度卸载的方法与系统架构
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN111148155A (zh) 一种基于移动边缘计算的任务卸载方法
Han et al. Opportunistic coded distributed computing: An evolutionary game approach
Shi et al. Workflow migration in uncertain edge computing environments based on interval many-objective evolutionary algorithm

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