CN116339849A - 移动边缘计算环境下多用户多任务计算卸载方法及系统 - Google Patents
移动边缘计算环境下多用户多任务计算卸载方法及系统 Download PDFInfo
- Publication number
- CN116339849A CN116339849A CN202111605485.3A CN202111605485A CN116339849A CN 116339849 A CN116339849 A CN 116339849A CN 202111605485 A CN202111605485 A CN 202111605485A CN 116339849 A CN116339849 A CN 116339849A
- Authority
- CN
- China
- Prior art keywords
- task
- user
- computing
- unloading
- offloading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 63
- 238000013468 resource allocation Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000005265 energy consumption Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000052079 Erioneuron Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及移动边缘计算领域,具体涉及一种移动边缘计算环境下多用户多任务计算卸载方法及系统。该方法及系统重点关注延迟敏感型应用的计算卸载,主要考虑计算任务的响应时间这一重要影响因素,建立分布式多任务计算卸载的博弈论模型,每个用户基于计算任务响应时间的代价在设备终端本地进行任务计算卸载决策的制定,在多用户多任务计算卸载场景中,对有限的计算和通信资源进行动态分配,即任务结束后立即释放所分配的资源,并将释放的资源重新分配给还未结束的任务,从而实现高效的资源分配,提高有限资源的利用率。
Description
技术领域
本发明属于移动边缘计算领域,尤其涉及一种移动边缘计算环境下多用户多任务计算卸载方法及系统。
背景技术
计算卸载通过将设备终端计算密集型任务卸载至计算资源丰富的云服务器端执行,来减少设备终端计算需求。目前,计算卸载广泛应用于移动边缘计算中,成为移动边缘计算领域的主要技术。根据划分粒度,移动边缘计算环境下的计算卸载分为:基于进程的细粒度的计算卸载,其中计算任务的一部分卸载至云服务器端执行,其余部分留在设备终端本地计算;基于应用程序的粗粒度的计算卸载,其中整个计算密集型应用全部卸载至云服务器上执行,从而无需在设备终端对计算任务进行划分。根据优化目标,考虑到时间和能耗两个影响因素,移动边缘计算环境下的计算卸载分为:最小化任务时间延迟、在时延约束下最小化能耗、同时最小化时间和能耗并在时间和能耗之间进行权衡。目前关于任务计算卸载的解决方案主要分为集中式和分布式两种,集中式的解决方案需要掌握系统中所有节点的信息,以确定卸载方案;在分布式的解决方案中,每个节点在本地就可以做出卸载决策,不需要获取其它节点的信息。关于分布式的解决方案,有基于博弈论的计算卸载研究工作,使用博弈论方法对卸载问题建模,优化计算卸载的时间或能耗,建立分布式计算卸载的决策模型,求解分布式最优解,即博弈论模型的纳什均衡解。其中,为了用户之间的公平性,考虑通信资源和计算资源的平均分配。
现有技术只考虑任务计算卸载过程中有限通信资源和计算资源的静态分配,即分配给每一个卸载任务的通信资源和计算资源在任务计算卸载的过程中固定不变,不能动态调整,即便其它卸载任务已经结束并释放所分配的资源,这导致通信资源和计算资源的浪费。除此之外,现实场景通常一个用户有多个计算任务,而现有技术一般只针对每个用户只有一个计算任务的卸载场景,没有考虑多用户多任务计算卸载场景,这缺乏普遍性和灵活性。针对这些缺点,本发明提出一种适用于多用户多任务计算卸载场景的有限资源的动态分配方案。其中,首先要考虑每个用户可能有多个计算任务卸载,从而更符合现实生活场景;然后考虑有限计算资源和通信资源的动态分配,即所分配的资源在任务计算卸载的过程中可以随着其它任务的结束而重新调整,从而避免有限资源的浪费,提高有限资源的利用率,进而提升多用户多任务计算卸载的性能。
发明内容
本发明实施例提供了一种移动边缘计算环境下多用户多任务计算卸载方法及系统,以至少解决现有技术没有考虑多用户多任务计算卸载场景的技术问题。
根据本发明的一实施例,提供了一种移动边缘计算环境下多用户多任务计算卸载方法,包括以下步骤:
建立分布式多任务计算卸载的博弈论模型;
每个用户基于计算任务响应时间的代价在设备终端本地制定任务计算卸载决策。
进一步地,该方法具体包括以下步骤:
采用一个移动边缘计算的网络架构,设计动态的本地计算资源、云计算资源和无线宽带资源分配方案,其中在计算任务结束后立即释放其所分配的资源,然后将释放的资源重新分配给还未结束的计算任务;
基于所设计的资源分配方案,建立移动边缘计算环境下多用户多任务计算卸载的计算模型,其中包括本地计算和云计算,并基于计算模型构造用户代价模型,对多任务计算卸载问题进行数学建模;
使用博弈理论方法进行多用户多任务计算卸载博弈模型的建立,在建立的过程中引入势博弈,将多用户多任务计算卸载决策制定问题建模为势博弈模型,其中用户之间以一种自组织的方式在设备终端本地做出任务计算卸载的决策;
对建立的博弈论模型进行技术理论层面的分析,借助势博弈表明此博弈模型最优解—纳什均衡的存在性,使用基于最佳响应的分布式算法求解获得博弈模型的纳什均衡解,制定多用户多任务计算卸载性能的评价衡量指标,对博弈论模型进行评估。
进一步地,采用移动边缘计算网络架构,包括N个移动设备用户和一个无线基站,其中无线基站s附近部署了服务器资源;用户集合表示为每一个移动用户设备终端有多个独立的计算任务,将用户n的计算任务的数量表示为kn;
每一个用户n的任务i由两部分组成:任务卸载时传输数据的大小Dn,i和任务计算所需的CPU周期数Ln,i;用户n的任务i的计算卸载决策表示为其中,an,i=0表示用户n选择在本地设备上执行计算任务i,an,i>0表示用户n选择将计算任务i通过无线信道an,i卸载至服务器端执行;用户n的所有任务的计算卸载决策构成了用户n的策略/> a=(a1,a2,…,aN)表示所有用户的计算卸载策略。
进一步地,其中本地计算资源分配为:
其中I{A}是指示函数,当A为真时,I{A}=1,当A为假时,I{A}=0;
当任务计算结束后,该任务所分配的计算资源立即被释放,并且被释放的资源将被重新分配给那些计算还没结束的任务。
进一步地,当an,i>0时,分配给用户n的任务i的计算资源表示为:
其中Fc表示边缘云计算能力;
当卸载任务计算结束后,该任务所分配的云计算资源立即被释放,并且被释放的资源将被重新分配给那些计算还没结束的卸载任务。
进一步地,当an,i>0时,分配给用户n的任务i的带宽资源表示为:
当卸载任务的数据传输结束后,该任务所分配的带宽资源立即被释放,并且被释放的资源将被重新分配给同一信道上那些数据传输还没结束的卸载任务。
进一步地,基于本地计算资源分配方案,当an,i=0时,用户n的任务i在用户设备终端本地计算的时间如公式1所示:
其中,当A<B时,min{A,B}=A;否则的话,min{A,B}=B;
当用户n卸载其任务i至边缘服务器端执行时,即an,i>0时,基云计算资源分配方案,用户n的任务i在边缘服务器端云计算的时间如公式2所示:
基于无线带宽资源分配方案,用户n的任务i计算卸载中的数据传输时间如公式3所示:
当an,i=0时,根据公式1,该任务本地计算的代价为:
当an,i>0时,根据公式2和公式3,该任务云计算的代价为:
根据公式4和公式5,用户n的任务i的计算代价为:
用户n的代价为该用户的所有任务的平均计算代价,如公式7所示;
进一步地,博弈模型建立为:
在多用户多任务计算卸载问题中,每一个用户的目标就是最小化自己的代价,如公式8所示:
其中,a-n=(a1,…,an-1,an+1,…,aN)表示除了用户n以外其它所有用户的计算卸载策略,给定a-n,用户n会制定一个最佳的策略an以最小化其代价;
计算卸载问题建模为一个势博弈模型其中,表示用户n的所有任务的集合,/>表示用户n的任务i的决策空间,Un,i表示用户n的任务i最小化的效用函数;在势博弈模型Γn的建立过程中,设置势函数等于用户n的代价函数Tn,根据定义2,推导出用户n的任务i的效用函数Un,i;
其中,a-(n,i)表示除了用户n的任务i之外的所有用户的所有任务的计算卸载决策。
进一步地,决策更新迭代过程在一个时隙内完成,所有用户并行进行,由无线基站的时钟信号实现同步;每一个时隙t包括以下两个阶段:
更新任务决策:本阶段本发明让不超过一个用户更新其一个任务的当前决策,根据在第一阶段收集到的任务卸载代价,每一个用户n使用公式10计算其任务决策更新集合:
根据本发明的另一实施例,提供了一种移动边缘计算环境下多用户多任务计算卸载系统,包括:
模型建立模块,用于建立分布式多任务计算卸载的博弈论模型;
卸载决策计算模块,用于卸载决策每个用户基于计算任务响应时间的代价在设备终端本地制定任务计算卸载决策。
本发明实施例中的移动边缘计算环境下多用户多任务计算卸载方法及系统中,重点关注延迟敏感型应用的计算卸载,主要考虑计算任务的响应时间这一重要影响因素,建立分布式多任务计算卸载的博弈论模型,每个用户基于计算任务响应时间的代价在设备终端本地进行任务计算卸载决策的制定,在多用户多任务计算卸载场景中,对有限的计算和通信资源进行动态分配,即任务结束后立即释放所分配的资源,并将释放的资源重新分配给还未结束的任务,从而实现高效的资源分配,提高有限资源的利用率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明移动边缘计算环境下多用户多任务计算卸载方法及系统总体流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着物联网和人工智能技术的飞速发展,智能手机、笔记本电脑等移动用户设备变得越来越普及,并且在这些用户设备终端运行的应用也越来越多,如自然语言处理、人脸识别等。这些应用大多是一些计算密集型应用,而用户设备终端的硬件资源有限,并不能满足延迟敏感型应用的需求。与此同时,部署在核心网络中的传统云计算服务器距离用户设备终端较远,设备终端在云计算环境下的计算卸载容易产生网络传输拥塞和高延迟的问题。移动边缘计算的兴起为以上问题提供了一种解决方案,即在移动边缘计算环境下,用户设备终端可以将计算任务卸载至部署在网络边缘的基础设施处进行执行,从而提供更低的延迟和抖动。在移动边缘计算环境下,服务器的计算和存储资源有限,此外,用户设备终端与基础设施之间的网络通信资源有限,因此,关于多用户任务计算卸载方法的研究需要考虑任务对有限资源的争用问题。针对该问题,考虑到用户之间的公平性,目前有相关的基于博弈论方法进行任务计算卸载中有限资源分配问题的研究,但是都没有考虑动态分配资源,导致了有限资源的浪费。除此之外,相关研究大都没有考虑多用户多任务计算卸载场景,即每个用户端有多个计算任务卸载,缺乏普遍性。本发明要解决的主要技术问题是在多用户多任务计算卸载场景中,对有限的计算和通信资源进行动态分配,即任务结束后立即释放所分配的资源,并将释放的资源重新分配给还未结束的任务,从而实现高效的资源分配,提高有限资源的利用率。
本发明的目的是设计并实现一种在多用户多任务计算卸载场景的有限资源的动态分配方案,以提高有限资源的利用率,进而提升多用户多任务计算卸载的性能。本发明重点关注延迟敏感型应用的计算卸载,主要考虑计算任务的响应时间这一重要影响因素,建立分布式多任务计算卸载的博弈论模型,每个用户基于计算任务响应时间的代价在设备终端本地进行任务计算卸载决策的制定。参见图1,本发明技术方案的基本内容如下:
1).首先,采用一个经典的移动边缘计算的网络架构,设计动态的本地计算资源、云计算资源和无线宽带资源分配方案,其中,考虑资源的释放和重新调整,在计算任务结束后立即释放其所分配的资源,然后将释放的资源重新分配给还未结束的计算任务,实现有限资源的动态分配;
2).基于1)中所设计的资源分配方案,建立移动边缘计算环境下多用户多任务计算卸载的计算模型,其中包括本地计算和云计算,并基于计算模型构造用户代价模型,对多任务计算卸载问题进行数学建模;
3).针对多任务计算卸载问题,使用博弈理论方法,进行多用户多任务计算卸载博弈模型的建立,在建立的过程中引入势博弈。将多用户多任务计算卸载决策制定问题建模为势博弈模型,其中,用户之间以一种自组织的方式在设备终端本地做出任务计算卸载的决策,最终实现系统中所有用户都相对满意的解决方案,也是全局最优的解决方案,这种实现方式以分布式的形式进行;
4).对3)中建立的博弈论模型进行技术理论层面的分析,借助势博弈表明此博弈模型最优解—纳什均衡的存在性,进而使用基于最佳响应的分布式算法求解获得博弈模型的纳什均衡解。最后,制定多用户多任务计算卸载性能的评价衡量指标,对本发明所提出的模型进行评估。
对应上述技术方案步骤,本发明的系统模型具体如下:
1.1网络架构
本发明考虑一个经典的移动边缘计算网络架构,包括N个移动设备用户和一个无线基站,其中无线基站s附近部署了服务器资源。用户集合可以表示为每一个移动用户设备终端有多个独立的计算任务,例如,一个智能相机用户可能会同时运行视频压缩和实时目标识别等多个任务,本发明将用户n的计算任务的数量表示为kn。用户和基站之间的通信链路由M个无线信道组成,可以表示为/>用户的任意一个任务可以在设备终端本地计算或者可以通过某一个无线信道卸载至边缘服务器端执行。每一个用户n的任务i由两部分组成:任务卸载时传输数据(包括程序代码和输入文件等)的大小Dn,i和任务计算所需的CPU周期数Ln,i。用户n的任务i的计算卸载决策表示为其中,an,i=0表示用户n选择在本地设备上执行计算任务i,an,i>0表示用户n选择将计算任务i通过无线信道an,i卸载至服务器端执行。用户n的所有任务的计算卸载决策构成了用户n的策略/>a=(a1,a2,…,aN)表示所有用户的计算卸载策略。
1.2本地计算资源分配
表示用户n的本地设备的计算能力,即每秒的CPU周期数。由于用户设备本地计算资源有限,当多个任务选择本地计算时,它们竞争本地计算资源。出于公平性,本发明考虑本地计算资源平均分配给这些任务。因此,当an,i=0时,分配给用户n的任务i的计算资源可以表示为/>其中I{A}是指示函数,当A为真时,I{A}=1,当A为假时,I{A}=0。现有的技术方案只考虑简单的本地计算模型,即一旦确定后,每个任务所分配的本地计算资源在该任务整个计算过程中不能再重新调整。本发明的技术方案考虑一种复杂的本地计算模型,关于本地计算资源分配,本发明考虑资源的释放和重新调整,具体表现为:当任务计算结束后,该任务所分配的计算资源立即被释放,并且被释放的资源将被重新分配给那些计算还没结束的任务,从而提高资源的利用率。因此,在用户任务本地计算的整个过程中,该任务所分配的计算资源会随着其它任务计算的结束而动态增加。
1.3云计算资源分配
由于边缘云计算资源有限,当多个任务选择云计算时,它们竞争云计算资源。出于公平性,本发明考虑云计算资源平均分配给这些任务。因此,当an,i>0时,分配给用户n的任务i的计算资源可以表示为其中Fc表示边缘云计算能力。现有的技术方案只考虑每个卸载任务所分配的云计算资源在该任务计算卸载的过程中固定不变,不能重新调整。本发明的技术方案考虑云计算资源分配中资源的释放和重新调整,具体表现为:当卸载任务计算结束后,该任务所分配的云计算资源立即被释放,并且被释放的资源将被重新分配给那些计算还没结束的卸载任务,从而提高资源利用率。因此,在卸载任务云计算的整个过程中,该任务所分配的云计算资源会随着其它卸载任务计算的结束而动态增加。
1.4无线带宽资源分配
本发明考虑异构的无线通信网络,其中无线信道m的带宽资源表示为Bm,当多个任务选择同一信道m卸载时,它们竞争该信道的带宽资源。出于公平性,本发明考虑带宽资源平均分配给这些同一信道上的任务。因此,当an,i>0时,分配给用户n的任务i的带宽资源可以表示为现有的技术方案只考虑每个卸载任务所分配的带宽资源在该任务计算卸载的过程中固定不变,不能重新调整。本发明的技术方案考虑带宽资源分配中资源的释放和重新调整,具体表现为:当卸载任务的数据传输结束后,该任务所分配的带宽资源立即被释放,并且被释放的资源将被重新分配给同一信道上那些数据传输还没结束的卸载任务,从而提高资源利用率。因此,在卸载任务数据传输的整个过程中,该任务所分配的带宽资源会随着同一信道上其它卸载任务数据传输的结束而动态增加。
2计算模型
本发明从计算任务的响应时间出发,分别对计算任务在用户设备端本地执行和卸载至边缘服务器端执行进行分析。
2.1本地计算
基于1.2中的本地计算资源分配方案,当an,i=0时,用户n的任务i在用户设备终端本地计算的时间如公式1所示。
其中,当A<B时,min{A,B}=A;否则的话,min{A,B}=B。
2.2云计算
当用户n卸载其任务i至边缘服务器端执行时,即an,i>0时,基于1.3中的云计算资源分配方案,用户n的任务i在边缘服务器端云计算的时间如公式2所示。
除此之外,对于云计算来说,任务的计算卸载会因数据传输而引入额外的时间延迟。基于1.4中的无线带宽资源分配方案,用户n的任务i计算卸载中的数据传输时间如公式3所示。
2.3代价模型
首先,本发明考虑响应时间作为一个计算任务的执行代价,那么对于用户n的任务i来说,当an,i=0时,根据公式1,该任务本地计算的代价为:
当an,i>0时,根据公式2和公式3,该任务云计算的代价为:
其中,本发明忽略了任务计算结果返回到用户端的时间开销,这是因为通常情况下任务计算结果大小要远小于Dn,i。
根据公式4和公式5,用户n的任务i的计算代价为:
然后,本发明定义用户n的代价为该用户的所有任务的平均计算代价,如公式7所示。
3多任务计算卸载博弈模型
3.1定义
定义1(纳什均衡)一个博弈模型的稳定状态,在该状态下,所有的参与者可以达成大家都满意的解决方案,从而没有任何一个参与者能够通过单方面改变其策略来降低其代价函数。
定义2(势博弈)存在一个势函数,博弈中的每一个参与者对其效用函数的改变都可以映射到该势函数中去,即当某一个参与者通过改变其策略以降低其效用函数时,该势函数的值也会得到降低,势函数与每一个参与者的效用函数具有一致的趋势。
3.2博弈模型建立
本发明使用博弈理论方法解决多用户多任务计算卸载问题,博弈论是设计分布式方案强有力的工具,从而用户可以通过一种自组织的方式在设备本地制定最佳策略,最终实现一个大家都满意的解决方案。
在多用户多任务计算卸载问题中,每一个用户的目标就是最小化自己的代价,如公式8所示。
其中,a-n=(a1,…,an-1,an+1,…,aN)表示除了用户n以外其它所有用户的计算卸载策略,给定a-n,用户n会制定一个最佳的策略an以最小化其代价。
对于用户n来说,给定a-n,公式8中的计算卸载问题是一个kn维离散空间的组合优化问题,是NP难问题。因此,本发明借助势博弈来在多项式时间内求解出上述计算卸载问题的近似解。根据定义2,本发明将上述计算卸载问题建模为一个势博弈模型其中,/>表示用户n的所有任务的集合,/>表示用户n的任务i的决策空间,Un,i表示用户n的任务i最小化的效用函数。在势博弈模型Γn的建立过程中,本发明设置势函数等于用户n的代价函数Tn,根据定义2,本发明可以推导出用户n的任务i的效用函数Un,i。势博弈的解概念是纳什均衡,如定义1所示,并且在势博弈中,纳什均衡能够局部或者全局最小化势函数,因此,本发明可以通过优化Un,i来实现优化Tn的目标,最终在多项式时间内求解出上述问题的近似解。
根据以上分析,本发明将多用户多任务计算卸载问题建模为一个博弈论模型其中,所有用户的所有任务的集合表示参与者集合,/>表示用户n的任务i的策略空间,Un,i表示用户n的任务i最小化的效用函数。然后,博弈论模型Γ表示为:
其中,a-(n,i)表示除了用户n的任务i之外的所有用户的所有任务的计算卸载决策。
纳什均衡是博弈理论中一个十分重要的概念,是博弈模型的一个稳定状态,多用户多任务计算卸载博弈的纳什均衡可以表示为一个决策向量并且满足/> 并不是所有的博弈模型都存在纳什均衡,但是势博弈具有一个重要的性质,即在所有的势博弈中,纳什均衡一定存在,而本发明建立的多任务计算卸载博弈模型就属于势博弈(在理论层面本发明可以通过构造势函数证明多任务计算卸载博弈是势博弈),因此,多用户多任务计算卸载博弈模型拥有一个纳什均衡。
4分布式多任务计算卸载实现
势博弈具有两个重要的特性:1)拥有一个纳什均衡;2)拥有有限的改进特性。根据这两个特性,一次不超过一个用户更新其一个任务的决策,然后这个决策更新过程在有限次迭代后保证能够到达纳什均衡。决策更新迭代过程在一个时隙内完成,所有用户并行进行,由无线基站的时钟信号实现同步。每一个时隙t包括以下两个阶段:
4.1收集任务卸载代价。根据时隙t的决策向量a(t),基站可以计算出用户n的任务i选择信道m时的任务卸载代价并将其发送给用户n。在本阶段,每一个用户n从基站处收集每一个任务/>选择信道/>时的任务卸载代价
4.2更新任务决策。本阶段本发明让不超过一个用户更新其一个任务的当前决策,根据在第一阶段收集到的任务卸载代价,每一个用户n使用公式10计算其任务决策更新集合:
基于收集的信息,在公式10的计算中,用户n不需要知道其它用户任务的相关信息,从而保证了隐私性。如果用户n会向基站发送一个请求消息以竞争更新任务决策的机会,否则,用户n将不会发送任何的请求消息。然后,基站将会从已发送请求消息的所有用户中随机选择一个用户k,并向用户k发送允许消息(允许用户更新任务决策)。收到允许消息的用户k将从Δk(t)中选择一个任务决策更新(i,a),将其发送至基站以更新下一个时隙的决策向量a(t+1),然后将任务i在下一个时隙的决策更新为a,并保持其它任务的决策不变。其它没有收到允许消息的用户将在下一个时隙保持它们任务的决策不变。
基于以上的分析,多用户多任务计算卸载博弈将在有限个时隙内收敛到一个纳什均衡,当基站在一个时隙内没有收到任何请求消息时,基站向所有用户广播结束消息,当每一个用户都收到结束消息时,多用户多任务计算卸载的博弈过程结束,然后每一个用户将上述过程中最后一个时隙制定的决策作为其任务最终的计算卸载决策,之后根据该决策进行多任务的执行。
本发明的创新技术点及有益效果至少在于:
1.考虑多用户多任务的计算卸载场景,即每个用户有多个计算任务,设计动态的本地计算资源分配方案,考虑到本地计算资源的释放和重新调整,即本地计算的任务在计算结束后立即释放计算资源,并将释放的计算资源重新分配给本地计算还没结束的任务。
2.在多用户多任务计算卸载的过程中,设计动态的通信资源分配方案,考虑到通信资源的释放和重新调整,即卸载任务数据传输结束后立即释放通信资源,并将释放的通信资源重新分配给数据传输还没结束的卸载任务。
3.在多用户多任务计算卸载的过程中,设计动态的云计算资源分配方案,考虑到云计算资源的释放和重新调整,即卸载任务计算结束后立即释放云计算资源,并将释放的云计算资源重新分配给计算还没结束的卸载任务。
4.基于动态的资源分配方案,多用户多任务计算卸载的决策制定通过势博弈理论方法进行分布式实现。
相比于现有的基于博弈理论方法的多用户计算卸载技术,一方面本发明考虑了每个用户有多个计算任务的情况,实现了多用户多任务场景下的计算卸载技术,具有一定的普遍性和灵活性,更符合现实生活场景;另一方面本发明考虑了有限资源的释放和重新调整,设计了动态的本地计算资源、云计算资源和无线宽带资源分配方案,将结束任务所释放的资源重新分配给那些还未结束的任务,从而实现有限资源的高效分配,提高了有限资源的利用率,降低了用户端的时间开销,从而提高了用户设备端的使用体验质量。
本发明经过了技术理论层面的分析和模拟仿真实验的实现,结果证明了本发明在有限资源的利用率和用户任务计算代价方面皆优于现有的技术方案。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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全部或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(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种移动边缘计算环境下多用户多任务计算卸载方法,其特征在于,包括以下步骤:
建立分布式多任务计算卸载的博弈论模型;
每个用户基于计算任务响应时间的代价在设备终端本地制定任务计算卸载决策。
2.根据权利要求1所述的移动边缘计算环境下多用户多任务计算卸载方法,其特征在于,所述方法具体包括以下步骤:
采用一个移动边缘计算的网络架构,设计动态的本地计算资源、云计算资源和无线宽带资源分配方案,其中在计算任务结束后立即释放其所分配的资源,然后将释放的资源重新分配给还未结束的计算任务;
基于所设计的资源分配方案,建立移动边缘计算环境下多用户多任务计算卸载的计算模型,其中包括本地计算和云计算,并基于计算模型构造用户代价模型,对多任务计算卸载问题进行数学建模;
使用博弈理论方法进行多用户多任务计算卸载博弈模型的建立,在建立的过程中引入势博弈,将多用户多任务计算卸载决策制定问题建模为势博弈模型,其中用户之间以一种自组织的方式在设备终端本地做出任务计算卸载的决策;
对建立的博弈论模型进行技术理论层面的分析,借助势博弈表明此博弈模型最优解—纳什均衡的存在性,使用基于最佳响应的分布式算法求解获得博弈模型的纳什均衡解,制定多用户多任务计算卸载性能的评价衡量指标,对博弈论模型进行评估。
3.根据权利要求2所述的移动边缘计算环境下多用户多任务计算卸载方法,其特征在于,采用移动边缘计算网络架构,包括N个移动设备用户和一个无线基站,其中无线基站s附近部署了服务器资源;用户集合表示为每一个移动用户设备终端有多个独立的计算任务,将用户n的计算任务的数量表示为kn;
7.根据权利要求6所述的移动边缘计算环境下多用户多任务计算卸载方法,其特征在于,基于本地计算资源分配方案,当an,i=0时,用户n的任务i在用户设备终端本地计算的时间如公式1所示:
其中,当A<B时,min{A,B}=A;否则的话,min{A,B}=B;
当用户n卸载其任务i至边缘服务器端执行时,即an,i>0时,基云计算资源分配方案,用户n的任务i在边缘服务器端云计算的时间如公式2所示:
基于无线带宽资源分配方案,用户n的任务i计算卸载中的数据传输时间如公式3所示:
当an,i=0时,根据公式1,该任务本地计算的代价为:
当an,i>0时,根据公式2和公式3,该任务云计算的代价为:
根据公式4和公式5,用户n的任务i的计算代价为:
用户n的代价为该用户的所有任务的平均计算代价,如公式7所示;
8.根据权利要求7所述的移动边缘计算环境下多用户多任务计算卸载方法,其特征在于,博弈模型建立为:
在多用户多任务计算卸载问题中,每一个用户的目标就是最小化自己的代价,如公式8所示:
其中,a-n=(a1,…,an-1,an+1,…,aN)表示除了用户n以外其它所有用户的计算卸载策略,给定a-n,用户n会制定一个最佳的策略an以最小化其代价;
计算卸载问题建模为一个势博弈模型其中,表示用户n的所有任务的集合,/>表示用户n的任务i的决策空间,Un,i表示用户n的任务i最小化的效用函数;在势博弈模型Γn的建立过程中,设置势函数等于用户n的代价函数Tn,推导出用户n的任务i的效用函数Un,i;
其中,a-(n,i)表示除了用户n的任务i之外的所有用户的所有任务的计算卸载决策。
10.一种移动边缘计算环境下多用户多任务计算卸载系统,其特征在于,包括:
模型建立模块,用于建立分布式多任务计算卸载的博弈论模型;
卸载决策计算模块,用于卸载决策每个用户基于计算任务响应时间的代价在设备终端本地制定任务计算卸载决策。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605485.3A CN116339849A (zh) | 2021-12-25 | 2021-12-25 | 移动边缘计算环境下多用户多任务计算卸载方法及系统 |
PCT/CN2022/137704 WO2023116460A1 (zh) | 2021-12-25 | 2022-12-08 | 移动边缘计算环境下多用户多任务计算卸载方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605485.3A CN116339849A (zh) | 2021-12-25 | 2021-12-25 | 移动边缘计算环境下多用户多任务计算卸载方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116339849A true CN116339849A (zh) | 2023-06-27 |
Family
ID=86877826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111605485.3A Pending CN116339849A (zh) | 2021-12-25 | 2021-12-25 | 移动边缘计算环境下多用户多任务计算卸载方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116339849A (zh) |
WO (1) | WO2023116460A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117492856A (zh) * | 2023-10-17 | 2024-02-02 | 南昌大学 | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 |
CN117519991B (zh) * | 2024-01-04 | 2024-03-12 | 中国矿业大学 | 基于边云混合的智能化安全双重预防风险识别方法 |
CN118200878A (zh) * | 2024-05-16 | 2024-06-14 | 山东理工大学 | 基于合作博弈和多目标鲸鱼算法的边缘计算优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN112994911B (zh) * | 2019-12-13 | 2022-12-02 | 深圳先进技术研究院 | 计算卸载方法、装置及计算机可读存储介质 |
CN111522666B (zh) * | 2020-04-27 | 2022-09-23 | 西安工业大学 | 一种云机器人边缘计算卸载模型及其卸载方法 |
-
2021
- 2021-12-25 CN CN202111605485.3A patent/CN116339849A/zh active Pending
-
2022
- 2022-12-08 WO PCT/CN2022/137704 patent/WO2023116460A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023116460A1 (zh) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111586762B (zh) | 一种基于边缘协作的任务卸载及资源分配联合优化方法 | |
CN110377353B (zh) | 计算任务卸载系统与方法 | |
CN116339849A (zh) | 移动边缘计算环境下多用户多任务计算卸载方法及系统 | |
Le et al. | Efficient resource allocation in mobile-edge computation offloading: Completion time minimization | |
Wang et al. | A probability preferred priori offloading mechanism in mobile edge computing | |
CN110662238B (zh) | 一种针对边缘网络下突发请求的强化学习调度方法及设备 | |
Zhou et al. | The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment | |
CN111405569A (zh) | 基于深度强化学习的计算卸载和资源分配方法及装置 | |
CN110505644B (zh) | 用户任务卸载与资源分配联合优化方法 | |
CN110708713B (zh) | 一种采用多维博弈的移动边缘计算移动端能效优化方法 | |
CN111800812B (zh) | 一种应用在非正交多址接入的移动边缘计算网络中的用户接入方案的设计方法 | |
CN110096362A (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN113220356B (zh) | 一种移动边缘计算中的用户计算任务卸载方法 | |
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 | |
CN111556089A (zh) | 基于使能区块链移动边缘计算系统的资源联合优化方法 | |
CN111669775B (zh) | 一种异构网络下基于支持向量机的资源分配方法 | |
CN110740473A (zh) | 一种用于移动边缘计算的管理方法及边缘服务器 | |
CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及系统 | |
CN113364630A (zh) | 一种服务质量QoS差异化优化方法、装置 | |
CN113760511B (zh) | 一种基于深度确定性策略的车辆边缘计算任务卸载方法 | |
CN112004265B (zh) | 一种基于srm算法的社交网络资源分配方法 | |
CN117009053A (zh) | 边缘计算系统的任务处理方法及相关设备 | |
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 | |
CN114189521A (zh) | 在f-ran架构中协作计算卸载的方法 | |
CN112994911B (zh) | 计算卸载方法、装置及计算机可读存储介质 |
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 |