CN116980982B - 一种柔性组网架构下任务处理方法及系统 - Google Patents
一种柔性组网架构下任务处理方法及系统 Download PDFInfo
- Publication number
- CN116980982B CN116980982B CN202311213743.2A CN202311213743A CN116980982B CN 116980982 B CN116980982 B CN 116980982B CN 202311213743 A CN202311213743 A CN 202311213743A CN 116980982 B CN116980982 B CN 116980982B
- Authority
- CN
- China
- Prior art keywords
- task
- task processing
- benefit
- model
- cost
- 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.)
- Active
Links
- 230000006855 networking Effects 0.000 title claims abstract description 68
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 263
- 230000008901 benefit Effects 0.000 claims abstract description 128
- 238000004364 calculation method Methods 0.000 claims abstract description 77
- 230000005012 migration Effects 0.000 claims abstract description 27
- 238000013508 migration Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 20
- 229920003087 methylethyl cellulose Polymers 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 59
- 238000005265 energy consumption Methods 0.000 claims description 48
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 3
- 101000904787 Homo sapiens Serine/threonine-protein kinase ATR Proteins 0.000 description 2
- 101100355601 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RAD53 gene Proteins 0.000 description 2
- 102100023921 Serine/threonine-protein kinase ATR Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- H04W28/09—Management thereof
- H04W28/0917—Management thereof based on the energy state of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining 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
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种柔性组网架构下任务处理方法及系统,涉及信息通信技术领域,包括该方法包括以下步骤:S1、构建MEC柔性组网架构下的任务处理系统模型,并获取要素信息;S2、基于任务处理系统模型,建立基于通算存资源协同及要素信息的任务处理时延模型;S3、构建基于通算存资源协同的任务处理成本模型;S4、基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型;S5、基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案。本发明通过多个MEC组成一个MEC柔性组网区域,一方面,降低了任务迁移概率,进一步降低了任务处理的时延和成本,另一方面,提升MEC组网的安全性。
Description
技术领域
本发明涉及信息通信技术领域,具体来说,特别是涉及一种柔性组网架构下任务处理方法及系统。
背景技术
多接入边缘计算技术(Multi-access Edge Computing,MEC)被广泛引入来服务支撑低时延业务应用,MEC节点部署在网络边缘靠近用户的位置,为了更好的处理时延敏感、计算复杂的任务,在资源受限条件下,通信、计算资源需要联合进行调度和优化,如基于通信、计算资源,综合考虑时延、能耗、任务卸载费用、能量效率等因素对MEC节点选择的影响,基于各参数的线性加权对候选MEC节点进行排序,选择最优的MEC节点为用户提供服务。
当考虑终端移动性时,任务处理最优问题将更加复杂,终端高速移动场景下,考虑到MEC服务范围小,大概率会发生任务迁移,进而增加任务处理时延及成本,具体如图3所示,当用户终端在任务处理过程中由区域1运动到区域2,其中MEC1为初始MEC,MEC2为迁移MEC,而未处理完的任务需要由MEC1迁移到MEC2继续处理,而目前的解决思路是通过构建数学模型算法实现最优的任务迁移决策,来降低任务计算处理时延和成本,例如提出快速边缘决策算法求解出给定无线接入策略情况下最优的资源分配与边缘服务迁移方案,再提出异步最佳响应算法迭代出最优策略。
但是现有技术无法避免任务迁移的发生,仅是优化任务迁移策略,只能降低任务迁移对任务处理时延和成本的负面影响,且未考虑存储资源对任务处理的影响。而任务处理需要利用系统的通信资源、计算资源、存储资源来完成,因此,还需要考虑存储资源对任务处理的影响,同时目前MEC节点组网未考虑网络安全性,MEC故障后,将导致所有用户终端任务处理失败。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的是:提供一种柔性组网架构下任务处理方法及系统,如图4所示,多个MEC组成一个MEC柔性组网区域,用户终端与柔性组网区域内所有MEC全互联,柔性组网区域内所有MEC的服务范围之和是MEC柔性组网区域的服务区,用户终端在柔性组网区域内移动时,不会更改为其服务的MEC,此外,当柔性组网区域内某MEC宕掉后,其他的MEC可以接管继续为原用户终端提供服务,一方面,降低任务迁移概率,进一步降低任务处理时延和成本,提升任务处理的效益,另一方面,提升MEC组网的健壮性。
为了实现上述目的,本发明采用的具体技术方案如下:
一种柔性组网架构下任务处理方法,该方法包括以下步骤:
S1、构建MEC柔性组网架构下的任务处理系统模型,并获取要素信息;
S2、基于任务处理系统模型,建立基于通算存资源协同及要素信息的任务处理时延模型;
S3、根据任务处理时延模型,构建基于通算存资源协同的任务处理成本模型;
S4、基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型;
S5、基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案;
S6、根据粒子群算法和任务解决方案得到系统效益最大时的任务卸载决策;
S7、基于输出的任务卸载决策,执行任务处理以获得最优的任务处理效益。
作为优选方案,所述基于任务处理系统模型,建立基于通算存资源协同及要素信息的任务处理时延模型包括以下步骤:
S21、任务处理时延计算公式为:
;
S22、Trv(xi)<Tct<[Trv(xi)+Tpc(xi)]时的任务处理时延计算公式为:
;
S23、0≤Tct≤Trv(xi)和[Trv(xi)+Tpc(xi)]≤Tct 时的任务处理时延计算公式为:
;
S24、用户终端与MECi之间任务传输所需通信时延计算公式为:
;
其中,T1(xi,Tct)为Trv(xi)<Tct<[Trv(xi)+Tpc(xi)]时的任务处理时延;
T2(xi,Tct)为0≤Tct≤Trv(xi)和[Trv(xi)+Tpc(xi)]≤Tct 时的任务处理时延;
为任务量(xi-xic)卸载到MECi的传输时间;
为任务量xi在MECi的计算时间;
xi为用户终端计划卸载到MECi的任务量;
xic为MEC存储任务量;
Tct为移动用户与MECi的连接时间;
为用户切换前与MECi上行链路传输速率;
Vci为MECi的计算速率;
Tcm(xi,Tct)为用户终端与MECi之间任务传输所需通信时延;
为用户切换后与MECi上行链路传输速率;
为用户切换前与MECi下行链路传输速率;
为用户切换后与MECi下行链路传输速率;
ρxi为任务量xi经过MECi计算处理后的数据量;
为计算结果ρxi从MECi传输到移动用户的时间;
Tta(xi)=Trv(xi)+Tpc(xi)+Tsd(xi)为MECi处理任务量xi所需时间;
THO为用户切换时延;
为用户终端计算时延;
Tcp(xi,Tct)为MECi计算时延;
Tmg为任务迁移时延。
作为优选方案,所述根据任务处理时延模型,构建基于通算存资源协同的任务处理成本模型包括以下步骤:
S31、基于通算存资源协同获取通信成本,计算公式为:
;
S32、基于通算存资源协同获取计算成本,计算公式为:
;
S33、基于通算存资源协同获取存储成本,计算公式为:
;
S34、基于通算存资源协同获取迁移成本,计算公式为:
;
S35、基于通算存资源协同获取能耗成本,计算公式为:
;
S36、基于通算存资源协同获取空闲成本,计算公式为:
;
其中,αcm为单位时间的通信成本;
αcp为单位时间的计算成本;
αch为单位数据量的存储成本;
αmg为单位时间的迁移成本;
αid为单位时间的空闲成本;
αe为单位能耗的成本;
Elc(xi)为用户终端计算能耗;
Etr(xi,Tct)为用户终端任务传输能耗;
Ecp(xi,Tct)为MECi计算能耗;
Ccm为通信成本;
Ccp为计算成本;
Cc为存储成本;
Cmg为迁移成本;
Ce(xi,Tct)为能耗成本;
Cid(xi,Tct)为空闲成本。
作为优选方案,所述基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型包括以下步骤:
S41、基于任务处理成本模型和通算存资源协同,计算任务处理时延效益;
S42、基于任务处理成本模型和通算存资源协同,计算任务处理能耗效益;
S43、将任务处理能耗效益和任务处理时延效益通过加权进行汇总,获取任务处理效益,并构建任务处理效益模型。
作为优选方案,所述基于任务处理成本模型和通算存资源协同,计算任务处理时延效益的计算公式为:
;
其中,W为任务总量;
Vcl为用户终端计算速率;
Qc(xi,Tct)为任务处理时延效益。
作为优选方案,所述基于任务处理成本模型和通算存资源协同,计算任务处理能耗效益的计算公式为:
;
其中,Pcl为本地计算单bit能耗;
Qe(xi,Tct)为任务处理能耗效益。
作为优选方案,将任务处理能耗效益和任务处理时延效益通过加权进行汇总,获取任务处理效益,并构建任务处理效益模型的计算公式为:
;
其中,βi为任务处理时延效益权重;
βj为为任务处理能耗效益的权重;
Z(xi,Tct)为任务处理效益。
作为优选方案,所述基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案的计算公式为:
;
其中,Tm为任务处理要求的最大时延;
为用户终端能耗最大值;
为任务解决方案。
作为优选方案,所述根据粒子群算法和任务解决方案得到系统效益最大时的任务卸载决策包括以下步骤:
S61、定义适应度函数Z(xi,Tct),并根据任务处理效益来评估每个粒子的效益;
S62、随机初始化一组粒子群,并将粒子群中的粒子对应预设任务卸载方案;
S63、计算粒子的适应度值Z(xi,Tct),评估任务卸载方案的效益,并将xi、xic作为粒子运动的位置参数,将(0,W)作为粒子可运动的极限位置;
S64、更新个体粒子最优位置,并根据粒子的历史最优位置中选择适应度值符合预设条件的作为全局最优位置;
S65、根据粒子群算法更新粒子的位置和速度,预设极限位置的约束,并设置终止条件,若不满足终止条件,将继续迭代更新粒子群,直到满足终止条件,得到全局最优位置;
S66、根据全局最优位置转换为系统效益最大时的任务卸载决策,并根据最优解,执行任务卸载决策,将任务分配到相应的处理节点进行处理,获得最大的任务处理效益。
根据本发明的另一个方面,提供了一种柔性组网架构下任务处理系统,该系统包括:
任务处理系统模型构建模块,用于构建包含用户终端和若干MEC服务器的系统网络模型;
任务处理时延模型构建模块,用于根据系统网络模型、用户终端及MEC的通算存资源,构建基于通算存资源协同的任务处理时延模型;
任务处理成本模型构建模块,用于根据系统网络模型、任务处理时延模型及任务处理的时延成本和能耗成本,构建基于通算存资源协同的任务处理成本模型;
任务处理效益模型构建模块,用于根据任务处理成本模型及用户终端配置资源,构建基于通算存资源协同的任务处理效益模型;
最优解问题构建模块,用于在任务处理时延和用户终端能耗条件限制下,构建任务处理效益最大问题;
任务卸载决策模块,用于根据群智能优化算法求解最优解问题,得到系统效益最大时的任务卸载决策;
任务卸载处理模块,用于根据任务卸载决策模块输出的任务卸载决策完成任务处理。
有益效果:
与现有技术相比,本发明提供了柔性组网架构下任务处理方法及系统,具备以下有益效果:
(1)本发明通过多个MEC组成一个MEC柔性组网区域,柔性组网区域内所有MEC的服务范围之和是MEC柔性组网区域的服务区,使得用户终端在柔性组网区域内移动时,不会更改为其服务的MEC,降低了任务迁移概率,进一步降低了任务处理的时延和成本。
(2)本发明通过多个MEC组成一个MEC柔性组网区域,用户终端与柔性组网区域内所有MEC全互联,当柔性组网区域内某MEC宕掉后,其他的MEC可以接管继续为原用户终端提供服务,提升MEC组网的安全性。
(3)本发明通过构建基于通算存资源协同的任务处理系统模型、任务处理时延模型、任务处理成本模型、任务处理效益模型,将任务处理最优问题转换为求解受限条件下最优解问题,采用群智能优化算法,得到任务处理效益最大时的任务卸载决策,并基于任务卸载决策进行任务的处理,使得MEC柔性组网架构下任务处理效益比MEC传统组网架构下任务处理效益大大提高。
(4)本发明根据图5给出了MEC柔性组网架构下基于通算存资源协同的任务处理效益与MEC传统组网架构下任务处理效益的对比,在连接时间一定的情况下如Tct=15s时,且当处理的任务量比较小时,如100M时,上述两种组网架构都不发生任务迁移,故上述两种组网架构的任务处理效益相同,但随着任务量增加,在MEC传统组网架构下任务迁移量越来越大,上述两种组网架构的任务处理效益差异越来越大,使得MEC柔性组网架构下任务处理效益比MEC传统组网架构下任务处理效益最大提高达28%左右。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是根据本发明实施例的一种柔性组网架构下任务处理方法的流程图;
图2是根据本发明实施例的一种柔性组网架构下任务处理系统的系统框图;
图3是MEC节点组网示意图;
图4是MEC柔性组网架构示意图;
图5是任务处理效益随任务量变化图。
图中:
1、任务处理系统模型构建模块;2、任务处理时延模型构建模块;3、任务处理成本模型构建模块;4、任务处理效益模型构建模块;5、最优解问题构建模块;6、任务卸载决策模块;7、任务卸载处理模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,如图1-图5所示,提供了一种柔性组网架构下任务处理方法及系统。
现结合附图和具体实施方式对本发明进一步说明,根据本发明一个实施例,提供了一种柔性组网架构下任务处理方法,该方法包括以下步骤:
S1、构建MEC柔性组网架构下的任务处理系统模型,并获取要素信息;
S2、基于任务处理系统模型,建立基于通算存资源协同及要素信息的任务处理时延模型;
本申请实施例中,所述基于任务处理系统模型,建立基于通算存资源协同及要素信息的任务处理时延模型包括以下步骤:
S21、任务处理时延计算公式为:
;
S22、Trv(xi)<Tct<[Trv(xi)+Tpc(xi)]时的任务处理时延计算公式为:
;
S23、0≤Tct≤Trv(xi)和[Trv(xi)+Tpc(xi)]≤Tct 时的任务处理时延计算公式为:
;
S24、用户终端与MECi之间任务传输所需通信时延计算公式为:
;
其中,T1(xi,Tct)为Trv(xi)<Tct<[Trv(xi)+Tpc(xi)]时的任务处理时延;
T2(xi,Tct)为0≤Tct≤Trv(xi)和[Trv(xi)+Tpc(xi)]≤Tct 时的任务处理时延;
为任务量(xi-xic)卸载到MECi的传输时间;
具体的,MECi为初始MEC;
为任务量xi在MECi的计算时间;
xi为用户终端计划卸载到MECi的任务量;
xic为MEC存储任务量;
Tct为移动用户与MECi的连接时间;
为用户切换前与MECi上行链路传输速率;
Vci为MECi的计算速率;
Tcm(xi,Tct)为用户终端与MECi之间任务传输所需通信时延;
为用户切换后与MECi上行链路传输速率;
为用户切换前与MECi下行链路传输速率;
为用户切换后与MECi下行链路传输速率;
ρxi为任务量xi经过MECi计算处理后的数据量;
为计算结果ρxi从MECi传输到移动用户的时间;
Tta(xi)=Trv(xi)+Tpc(xi)+Tsd(xi)为MECi处理任务量xi所需时间;
THO为用户切换时延;
为用户终端计算时延;
Tcp(xi,Tct)为MECi计算时延;
Tmg为任务迁移时延。
S3、根据任务处理时延模型,构建基于通算存资源协同的任务处理成本模型;
本申请实施例中,所述根据任务处理时延模型,构建基于通算存资源协同的任务处理成本模型包括以下步骤:
S31、基于通算存资源协同获取通信成本,计算公式为:
;
S32、基于通算存资源协同获取计算成本,计算公式为:
;
S33、基于通算存资源协同获取存储成本,计算公式为:
;
S34、基于通算存资源协同获取迁移成本,计算公式为:
;
S35、基于通算存资源协同获取能耗成本,计算公式为:
;
S36、基于通算存资源协同获取空闲成本,计算公式为:
;
其中,当MECi已经将任务处理结果全部传输给用户终端但仍与用户终端连接时,将会影响其他用户的接入,因此,当连接时间满足Tct>Tta(xi)时,会产生空闲成本;
;
其中,αcm为单位时间的通信成本;
αcp为单位时间的计算成本;
αch为单位数据量的存储成本;
αmg为单位时间的迁移成本;
αid为单位时间的空闲成本;
αe为单位能耗的成本;
Elc(xi)为用户终端计算能耗;
Etr(xi,Tct)为用户终端任务传输能耗;
Ecp(xi,Tct)为MECi计算能耗;
Ccm为通信成本;
Ccp为计算成本;
Cc为存储成本;
Cmg为迁移成本;
Ce(xi,Tct)为能耗成本;
Cid(xi,Tct)为空闲成本。
基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型;
本申请实施例中,所述基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型包括以下步骤:
S41、基于任务处理成本模型和通算存资源协同,计算任务处理时延效益,计算公式为:
;
S42、基于任务处理成本模型和通算存资源协同,计算任务处理能耗效益,计算公式为:
;
S43、将任务处理能耗效益和任务处理时延效益通过加权进行汇总,获取任务处理效益,并构建任务处理效益模型,计算公式为:
;
其中,W为任务总量;
Vcl为用户终端计算速率;
Pcl为本地计算单bit能耗;
βi为任务处理时延效益权重;
βj为为任务处理能耗效益的权重;
Qc(xi,Tct)为任务处理时延效益;
Qe(xi,Tct)为任务处理能耗效益;
Z(xi,Tct)为任务处理效益。
S5、基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案;
本申请实施例中,确定任务目标和可行解的定义,以及任务处理效益的度量指标。例如,任务目标可以是最大化效益或最小化成本,可行解可以是满足一定约束条件的解,效益可以是任务完成时间、资源利用率等;
确定约束条件:根据任务的特定要求和限制条件,例如任务的截止日期、资源的可用性等,确定任务的约束条件,将任务处理效益模型和约束条件转化为数学模型,并根据任务目标和效益度量指标,构建目标函数,再使用数学优化方法求解得到最优解,根据求解得到的最优解,计算任务的解决方案,根据任务处理效益模型的定义,计算任务的效益值或成本值。
本申请实施例中,所述基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案的计算公式为:
;
其中,Tm为任务处理要求的最大时延;
为用户终端能耗最大值;
为任务解决方案。
S6、根据粒子群算法和任务解决方案得到系统效益最大时的任务卸载决策;
本申请实施例中,所述根据粒子群算法和任务解决方案得到系统效益最大时的任务卸载决策包括以下步骤:
S61、定义适应度函数Z(xi,Tct),并根据任务处理效益来评估每个粒子的效益;
S62、随机初始化一组粒子群,并将粒子群中的粒子对应预设任务卸载方案;
S63、计算粒子的适应度值Z(xi,Tct),评估任务卸载方案的效益,并将xi、xic作为粒子运动的位置参数,将(0,W)作为粒子可运动的极限位置;
在本申请实施例中,定义适应度函数,根据任务卸载的目标来设计,具体的适应度函数设计取决于卸载任务问题的具体要求;
根据定义的适应度函数,计算每个任务卸载方案的适应度值,并对于卸载方案的粒子资源消耗使用实际的资源消耗值进行计算,对于任务执行时间,可以使用实际的任务执行时间进行计算;
评估任务卸载方案的功效,将每个任务卸载方案的适应度值与其他方案进行比较,并设置粒子的可运动极限位置,根据用户终端能耗最大值和任务处理要求的最大时延,设置粒子的可运动范围的上下限,且迭代更新卸载任务方案,使用合适的优化算法,不断迭代更新任务卸载方案,在每次迭代中,根据适应度函数对任务卸载方案进行评估,并根据约束条件对方案进行调整,直到达到终止条件;
根据最优化解执行任务卸载决策,当优化算法达到终止条件时,得到最优化的任务卸载方案,根据该最优化解,执行任务卸载决策,将任务分配到相应的处理节点进行处理,从而获得任务卸载的最佳功效。
S64、更新个体粒子最优位置,并根据粒子的历史最优位置中选择适应度值符合预设条件的作为全局最优位置;
在本申请实施例中,更新个体的最优位置,需要保存其历史最优位置既个体最优位置,在每次迭代中,首先计算当前个体的适应度值,如果当前适应度值优于该粒子的历史最优适应度值,则更新该粒子的历史最优位置为当前位置,而在整个粒子群中,选择适应度值最优化的粒子的位置为全局最优化位置;
适应度值符合默认条件的选择,可以设置一个默认条件,例如选择适应度值最大的粒子作为全局最优位置,在任务卸载问题中定义的适应度函数,默认条件可以根据任务卸载的具体目标来设置,例如最大化任务处理效益等。
S65、根据粒子群算法更新粒子的位置和速度,预设极限位置的约束,并设置终止条件,若不满足终止条件,将继续迭代更新粒子群,直到满足终止条件,得到全局最优位置;
在本申请实施例中,首先,随机初始化一组粒子群,粒子表示一个可能的任务卸载方案,每个粒子都有一个位置支持,表示任务卸载方案的参数,以及一个速度支持,表示在该方案中每个参数都可以改变的速度范围。根据定义的适应度函数,计算每个粒子的适应度值,用于快速任务卸载方案的优劣。
更新粒子的速度和位置:对于每个粒子,根据以下公式更新其速度和位置;
新速度=旧速度+学习因子a*随机数b*(个体最优位置-当前位置)+学习因子c*随机数d*(全局最优位置-当前位置);
新位置=当前位置+新速度;
其中,学习因子a和学习因子c分别是自适应权重,用于调整个体和全局学习的重要性,随机数b和随机数d是随机数0和1之间的随机数,使得粒子在搜索空间中朝着个体最优化位置和全局最优化位置移动,以寻找更优的任务卸载方案。
设置极端位置约束,根据任务卸载问题的具体要求,设定粒子支持的极短和极限位置,更新个体最优化位置和全局最优化位置,对于每个粒子,根据适应度值更新个体最优化位置,设置终止条件,例如达到最大迭代次数或满足一定的适应度阈值。如果终止条件不满足,继续迭代更新粒子群,直到满足终止条件,当算法满足终止条件时,得到全局最优位置,即任务卸载的最优解。
S66、根据全局最优位置转换为系统效益最大时的任务卸载决策,并根据最优解,执行任务卸载决策,将任务分配到相应的处理节点进行处理,获得最大的任务处理效益。
在本申请实施例中,获取全局最优化位置的任务卸载方案,根据全局最优化位置的结果,获取全局最优化位置对应的任务卸载方案,即最佳的任务分配方案;
执行任务卸载决策,根据全局最优化位置的任务卸载方案,将任务分配到相应的处理节点进行处理,并根据任务的具体情况和任务卸载方案的参数,将任务分配到合适的处理节点,确保任务的处理节点处理正确;
在任务卸载方案实施后,对系统进行监测和评估,根据任务处理的结果和目标函数,计算任务处理效率。该效率值将反映任务卸载方案的优劣;
调整任务卸载监测方案,根据任务处理效率,可以考虑对任务卸载方案进行调整,如果任务卸载方案仍未达到预期的效果,可以继续迭代更新任务卸载方案,或者根据预设的终止条件,判断是否终止任务卸载优化的优化过程。
S7、基于输出的任务卸载决策,执行任务处理以获得最优的任务处理效益。
根据本发明另一实施例,提供了一种柔性组网架构下任务处理系统,该系统包括:
任务处理系统模型构建模块1,用于构建包含用户终端和若干MEC服务器的系统网络模型;
任务处理时延模型构建模块2,用于根据系统网络模型、用户终端及MEC的通算存资源,构建基于通算存资源协同的任务处理时延模型;
任务处理成本模型构建模块3,用于根据系统网络模型、任务处理时延模型及任务处理的时延成本和能耗成本,构建基于通算存资源协同的任务处理成本模型;
任务处理效益模型构建模块4,用于根据任务处理成本模型及用户终端配置资源,构建基于通算存资源协同的任务处理效益模型;
最优解问题构建模块5,用于在任务处理时延和用户终端能耗条件限制下,构建任务处理效益最大问题;
任务卸载决策模块6,用于根据群智能优化算法求解最优解问题,得到系统效益最大时的任务卸载决策;
任务卸载处理模块7,用于根据任务卸载决策模块输出的任务卸载决策完成任务处理。
综上所述,借助于本发明的上述技术方案,本发明通过多个MEC组成一个MEC柔性组网区域,柔性组网区域内所有MEC的服务范围之和是MEC柔性组网区域的服务区,使得用户终端在柔性组网区域内移动时,不会更改为其服务的MEC,降低了任务迁移概率,进一步降低了任务处理的时延和成本。
此外,本发明通过多个MEC组成一个MEC柔性组网区域,用户终端与柔性组网区域内所有MEC全互联。当柔性组网区域内某MEC宕掉后,其他的MEC可以接管继续为原用户终端提供服务,提升MEC组网的安全性。
此外,本发明通过构建基于通算存资源协同的任务处理系统模型、任务处理时延模型、任务处理成本模型、任务处理效益模型,将任务处理最优问题转换为求解受限条件下最优解问题,采用群智能优化算法,得到任务处理效益最大时的任务卸载决策,并基于任务卸载决策进行任务的处理,使得MEC柔性组网架构下任务处理效益比MEC传统组网架构下任务处理效益大大提高。
此外,本发明通过结合图5给出了MEC柔性组网架构下基于通算存资源协同的任务处理效益与MEC传统组网架构下任务处理效益的对比,在连接时间一定的情况下如Tct=15s时,且当处理的任务量比较小时,如100M时,上述两种组网架构都不发生任务迁移,故上述两种组网架构的任务处理效益相同,但随着任务量增加,在MEC传统组网架构下任务迁移量越来越大,上述两种组网架构的任务处理效益差异越来越大,使得MEC柔性组网架构下任务处理效益比MEC传统组网架构下任务处理效益最大提高达28%左右。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种柔性组网架构下任务处理方法,其特征在于,该方法包括以下步骤:
S1、构建MEC柔性组网架构下的任务处理系统模型,并获取要素信息;
S2、基于任务处理系统模型,建立基于通算存资源协同及要素信息的任务处理时延模型;具体的,其包括以下步骤:
S21、任务处理时延计算公式为:;
S22、Trv(xi)<Tct<[Trv(xi)+Tpc(xi)]时的任务处理时延计算公式为:;
S23、0≤Tct≤Trv(xi)和[Trv(xi)+Tpc(xi)]≤Tct时的任务处理时延计算公式为:;
S24、用户终端与MECi之间任务传输所需通信时延计算公式为:;
其中,T1(xi,Tct)为Trv(xi)<Tct<[Trv(xi)+Tpc(xi)]时的任务处理时延;
T2(xi,Tct)为0≤Tct≤Trv(xi)和[Trv(xi)+Tpc(xi)]≤Tct时的任务处理时延;
为任务量(xi-xic)卸载到MECi的传输时间;
为任务量xi在MECi的计算时间;
xi为用户终端计划卸载到MECi的任务量;
xic为MEC存储任务量;
Tct为移动用户与MECi的连接时间;
为用户切换前与MECi上行链路传输速率;
Vci为MECi的计算速率;
Tcm(xi,Tct)为用户终端与MECi之间任务传输所需通信时延;
为用户切换后与MECi上行链路传输速率;
为用户切换前与MECi下行链路传输速率;
为用户切换后与MECi下行链路传输速率;
ρxi为任务量xi经过MECi计算处理后的数据量;
为计算结果ρxi从MECi传输到移动用户的时间;
Tta(xi)=Trv(xi)+Tpc(xi)+Tsd(xi)为MECi处理任务量xi所需时间;
THO为用户切换时延;
为用户终端计算时延;
Tcp(xi,Tct)为MECi计算时延;
Tmg为任务迁移时延;
S3、根据任务处理时延模型,构建基于通算存资源协同的任务处理成本模型;
S4、基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型;
S5、基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案;
S6、根据粒子群算法和任务解决方案得到系统效益最大时的任务卸载决策;其具体包括以下步骤:
S61、定义适应度函数Z(xi,Tct),并根据任务处理效益来评估每个粒子的效益;
S62、随机初始化一组粒子群,并将粒子群中的粒子对应预设任务卸载方案;
S63、计算粒子的适应度值Z(xi,Tct),评估任务卸载方案的效益,并将xi、Tct作为粒子运动的位置参数,将(0,W)作为粒子可运动的极限位置;
S64、更新个体粒子最优位置,并根据粒子的历史最优位置中选择适应度值符合预设条件的作为全局最优位置;
S65、根据粒子群算法更新粒子的位置和速度,预设极限位置的约束,并设置终止条件,若不满足终止条件,将继续迭代更新粒子群,直到满足终止条件,得到全局最优位置;
S66、根据全局最优位置转换为系统效益最大时的任务卸载决策,并根据最优解,执行任务卸载决策,将任务分配到相应的处理节点进行处理,获得最大的任务处理效益;
S7、基于输出的任务卸载决策,执行任务处理以获得最优的任务处理效益。
2.根据权利要求1所述的一种柔性组网架构下任务处理方法,其特征在于,所述根据任务处理时延模型,构建基于通算存资源协同的任务处理成本模型包括以下步骤:
S31、基于通算存资源协同获取通信成本:
;
S32、基于通算存资源协同获取计算成本,计算公式为:
;
S33、基于通算存资源协同获取存储成本,计算公式为:
;
S34、基于通算存资源协同获取迁移成本,计算公式为:
;
S35、基于通算存资源协同获取能耗成本,计算公式为:
;
S36、基于通算存资源协同获取空闲成本,计算公式为:
;
其中,αcm为单位时间的通信成本;
αcp为单位时间的计算成本;
αch为单位数据量的存储成本;
αmg为单位时间的迁移成本;
αid为单位时间的空闲成本;
αe为单位能耗的成本;
Elc(xi)为用户终端计算能耗;
Etr(xi,Tct)为用户终端任务传输能耗;
Ecp(xi,Tct)为MECi计算能耗;
Ccm为通信成本;
Ccp为计算成本;
Cc为存储成本;
Cmg为迁移成本;
Ce(xi,Tct)为能耗成本;
Cid(xi,Tct)为空闲成本。
3.根据权利要求2所述的一种柔性组网架构下任务处理方法,其特征在于,所述基于任务处理成本模型,构建基于通算存资源协同的任务处理效益模型包括以下步骤:
S41、基于任务处理成本模型和通算存资源协同,计算任务处理时延效益;
S42、基于任务处理成本模型和通算存资源协同,计算任务处理能耗效益;
S43、将任务处理能耗效益和任务处理时延效益通过加权进行汇总,获取任务处理效益,并构建任务处理效益模型。
4.根据权利要求3所述的一种柔性组网架构下任务处理方法,其特征在于,所述基于任务处理成本模型和通算存资源协同,计算任务处理时延效益的计算公式为:
;
其中,W为任务总量;
Vcl为用户终端计算速率;
Qc(xi,Tct)为任务处理时延效益。
5.根据权利要求4所述的一种柔性组网架构下任务处理方法,其特征在于,所述基于任务处理成本模型和通算存资源协同,计算任务处理能耗效益的计算公式为:
;
其中,Pcl为本地计算单bit能耗;
Qe(xi,Tct)为任务处理能耗效益。
6.根据权利要求5所述的一种柔性组网架构下任务处理方法,其特征在于,将任务处理能耗效益和任务处理时延效益通过加权进行汇总,获取任务处理效益,并构建任务处理效益模型的计算公式为:
;
其中,βi为任务处理时延效益权重;
βj为为任务处理能耗效益的权重;
Z(xi,Tct)为任务处理效益。
7.根据权利要求6所述的一种柔性组网架构下任务处理方法,其特征在于,所述基于任务处理效益模型构建受限条件下的最优解问题,并计算任务解决方案的计算公式为:
;
其中,Tm为任务处理要求的最大时延;
为用户终端能耗最大值;
为任务解决方案。
8.一种柔性组网架构下任务处理系统,用于实现权利要求1-7中任一项所述的柔性组网架构下任务处理方法,其特征在于,该系统包括:
任务处理系统模型构建模块(1),用于构建包含用户终端和若干MEC服务器的系统网络模型;
任务处理时延模型构建模块(2),用于根据系统网络模型、用户终端及MEC的通算存资源,构建基于通算存资源协同的任务处理时延模型;
任务处理成本模型构建模块(3),用于根据系统网络模型、任务处理时延模型及任务处理的时延成本和能耗成本,构建基于通算存资源协同的任务处理成本模型;
任务处理效益模型构建模块(4),用于根据任务处理成本模型及用户终端配置资源,构建基于通算存资源协同的任务处理效益模型;
最优解问题构建模块(5),用于在任务处理时延和用户终端能耗条件限制下,构建任务处理效益最大问题;
任务卸载决策模块(6),用于根据群智能优化算法求解最优解问题,得到系统效益最大时的任务卸载决策;
任务卸载处理模块(7),用于根据任务卸载决策模块输出的任务卸载决策完成任务处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213743.2A CN116980982B (zh) | 2023-09-20 | 2023-09-20 | 一种柔性组网架构下任务处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213743.2A CN116980982B (zh) | 2023-09-20 | 2023-09-20 | 一种柔性组网架构下任务处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116980982A CN116980982A (zh) | 2023-10-31 |
CN116980982B true CN116980982B (zh) | 2024-01-23 |
Family
ID=88481796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213743.2A Active CN116980982B (zh) | 2023-09-20 | 2023-09-20 | 一种柔性组网架构下任务处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116980982B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN113660696A (zh) * | 2021-07-05 | 2021-11-16 | 山东师范大学 | 基于区域池组网的多接入边缘计算节点选择方法及系统 |
CN113747449A (zh) * | 2021-07-26 | 2021-12-03 | 山东师范大学 | 多接入边缘计算服务器的区域池划分方法及系统 |
CN115297171A (zh) * | 2022-07-08 | 2022-11-04 | 南京邮电大学 | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 |
CN115632694A (zh) * | 2022-10-11 | 2023-01-20 | 中国空间技术研究院 | 一种面向卫星通信网络的通算存资源联合分配算法 |
CN115840623A (zh) * | 2022-09-20 | 2023-03-24 | 北京邮电大学 | 一种通算存学一体化融合系统 |
CN116567651A (zh) * | 2023-05-26 | 2023-08-08 | 山东师范大学 | 基于粒子群的mec任务卸载与迁移的决策方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4121856A4 (en) * | 2020-03-20 | 2023-09-20 | Section.IO Incorporated | SYSTEMS, METHODS, COMPUTER PLATFORMS AND STORAGE MEDIA FOR MANAGING A DISTRIBUTED EDGE COMPUTING SYSTEM USING AN ADAPTIVE EDGE ENGINE |
-
2023
- 2023-09-20 CN CN202311213743.2A patent/CN116980982B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN113660696A (zh) * | 2021-07-05 | 2021-11-16 | 山东师范大学 | 基于区域池组网的多接入边缘计算节点选择方法及系统 |
CN113747449A (zh) * | 2021-07-26 | 2021-12-03 | 山东师范大学 | 多接入边缘计算服务器的区域池划分方法及系统 |
CN115297171A (zh) * | 2022-07-08 | 2022-11-04 | 南京邮电大学 | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 |
CN115840623A (zh) * | 2022-09-20 | 2023-03-24 | 北京邮电大学 | 一种通算存学一体化融合系统 |
CN115632694A (zh) * | 2022-10-11 | 2023-01-20 | 中国空间技术研究院 | 一种面向卫星通信网络的通算存资源联合分配算法 |
CN116567651A (zh) * | 2023-05-26 | 2023-08-08 | 山东师范大学 | 基于粒子群的mec任务卸载与迁移的决策方法及系统 |
Non-Patent Citations (1)
Title |
---|
《基于深度强化学习的无线异构网络多维资源分配方法研究》;支媛;《中国优秀硕士论文全文数据库 信息科技辑》(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116980982A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN111953759B (zh) | 基于强化学习的协同计算任务卸载和迁移的方法及装置 | |
CN112860350B (zh) | 一种边缘计算中基于任务缓存的计算卸载方法 | |
CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
CN111524034B (zh) | 高可靠低时延低能耗的电力巡检系统及巡检方法 | |
CN113810233B (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 | |
Xia et al. | Joint resource allocation using evolutionary algorithms in heterogeneous mobile cloud computing networks | |
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN113645637B (zh) | 超密集网络任务卸载方法、装置、计算机设备和存储介质 | |
CN115396953A (zh) | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 | |
Dai et al. | Deep reinforcement learning for edge computing and resource allocation in 5G beyond | |
Bae et al. | A reinforcement learning formulation of the lyapunov optimization: Application to edge computing systems with queue stability | |
Zhang et al. | A deep reinforcement learning approach for online computation offloading in mobile edge computing | |
CN113946423A (zh) | 基于图注意力网络的多任务边缘计算调度优化方法 | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
CN116980982B (zh) | 一种柔性组网架构下任务处理方法及系统 | |
Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
CN116862021A (zh) | 基于信誉评估的抗拜占庭攻击的去中心化学习方法及系统 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
CN115580900A (zh) | 一种基于深度强化学习的无人机辅助协作式任务卸载方法 | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN113835894A (zh) | 一种基于双延迟深度确定性策略梯度的智能计算迁移方法 |
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 |