CN117032832B - 一种基于移动边缘计算的最小化任务调用成本卸载方法 - Google Patents

Abstract

本发明涉及移动边缘计算领域，具体涉及一种基于移动边缘计算的最小化任务调用成本卸载方法。所述方法包括获取当前移动设备的传输参数、任务参数和能力参数，当前移动设备的相邻设备的传输参数，边缘服务器的传输参数和能力参数；根据获取的参数计算第一任务在本地计算的本地计算时间和本地计算能耗，第二任务在边缘计算的边缘计算时间和边缘计算能耗；根据第一任务的本地计算时间、本地计算能耗，以及第二任务的边缘计算时间和边缘计算能耗，得到待卸载任务的成本；采用基于禁忌搜索算法改进的麻雀算法求解最小化的所有待卸载任务的成本和，得到每个待卸载任务在移动设备和边缘服务器上的最优数据量卸载比例。本发明能够合理为任务分配卸载资源。

Description

一种基于移动边缘计算的最小化任务调用成本卸载方法

技术领域

本发明涉及移动边缘计算领域，具体涉及一种基于移动边缘计算的最小化任务调用成本卸载方法。

背景技术

移动边缘计算(Mobile Edge Computing，MEC)是基于5G演进的架构，并将移动接入网与互联网业务深度融合的一种技术。移动边缘计算技术的出现使得边缘服务器可以部署在无线接入网侧，从而有效缩短了边缘服务器与移动设备之间的距离。由于数据传输路径更短，将任务卸载到MEC服务器无需经过回程链路和核心网络，这不仅减少了延迟开销，还降低了能耗。移动边缘计算技术的引入有效解决了传统云计算存在的高延迟、高负载、高成本等问题，对提升用户体验具有重要意义。然而，边缘计算系统不像云计算系统一样拥有足够的计算能力和存储能力，因此，设计一个有效的计算卸载机制来为所有参与者实现低延迟和低能耗的结果是非常必要的。

移动边缘计算中有二进制卸载和局部卸载这两种计算卸载方式。在二进制卸载时，移动用户的计算任务和数据无法分割，需要在本地设备上整体执行或整体卸载到边缘服务器上执行。而在局部卸载的情况下，移动用户的计算任务可以分区，部分任务可在本地执行，其他部分可卸载到边缘服务器执行，局部卸载又可以分为单跳卸载计算和多跳卸载计算，单跳卸载计算指的是移动设备的任务直接上传至边缘服务器进行卸载，而多跳卸载计算指的是移动设备的任务经过一个或多个相邻设备转发到边缘服务器进行卸载。

然而，在多跳卸载计算中，不同任务所需要的完成时间和能耗是不同的，不合理的任务分配会导致任务出现延时和能耗过高的问题。因此，如何合理地将部分任务请求分配到相邻设备，由相邻设备代为转发到边缘服务器进行卸载已成为一个关键问题。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种有效降低移动边缘计算中任务的完成时间和能耗，能够适应移动边缘设备在多跳计算背景中的卸载策略。本发明的一种基于移动边缘计算的最小化任务调用成本卸载方法对应的技术方案包括如下：

获取当前移动设备的传输参数、任务参数和能力参数，当前移动设备的相邻设备的传输参数，边缘服务器的传输参数和能力参数；所述传输参数包括传输速率和传输功率；所述任务参数包括待卸载任务的数据量，所述待卸载任务包括按照一定卸载比例划分的第一任务和第二任务；所述能力参数包括计算能力；

根据当前移动设备的传输参数、任务参数和能力参数，得到第一任务在本地计算的本地计算时间和本地计算能耗；

根据当前移动设备及其相邻设备的传输参数，以及边缘服务器的传输参数和能力参数，得到第二任务在边缘计算的边缘计算时间和边缘计算能耗；

根据第一任务的本地计算时间、本地计算能耗，以及第二任务的边缘计算时间和边缘计算能耗，得到待卸载任务的成本；

采用基于禁忌搜索算法改进的麻雀算法求解最小化的所有待卸载任务的成本和，得到每个待卸载任务在移动设备和边缘服务器上的最优数据量卸载比例。

本发明的优点及有益效果包括如下：

(1)本发明方法综合考虑了移动边缘计算多跳转发背景下的任务完成时间和能耗，通过对时间成本和能耗成本的加权求和构建出任务的成本模型，通过最小化任务的成本，能够在用户的多种QoS需求下减少卸载成本，合理为任务分配卸载资源。

(2)本发明根据当前移动设备的剩余能量和当前待卸载任务的任务类型，分别确定出需求能耗等级和需求时间等级，按照相应的需求等级进行合理的权重分配，以节省更多的能量或减少更多的延迟，从而更好地适应用户QoS需求。

(3)本发明采用麻雀搜索算法(SSA)和禁忌搜索算法(TS)来优化移动边缘计算中的多目标任务卸载问题，SSA作为一种新颖的能够快速收敛和寻优能力强的搜索算法，能够有效的解决移动边缘计算多跳计算中的任务卸载问题，通过权衡协助时间和能耗，使得任务卸载得到最优解。在麻雀搜索算法基础上，获取每次迭代当前最优值，如果在最近的T代内适应度的相对变化率如果小于阈值ε，则使用TS算法进行局部搜索，使得算法最终趋于全局最优解，求得的卸载任务的最优卸载比例更准确。

附图说明

图1是本发明实施例的基于移动边缘计算的多跳卸载场景示意图；

图2是本发明实施例的一种基于移动边缘计算的最小化任务调用成本卸载方法流程图；

图3是本发明实施例的采用基于禁忌搜索算法改进的麻雀算法求解最优数据量卸载比例的流程示意图。

具体实施方式

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。

为了更好的说明本发明实施例的一种基于移动边缘计算的最小化任务调用成本卸载方法，先对本发明所涉及的多跳卸载场景进行说明，如图1所示，本申请实施例涉及的边缘计算(MEC)系统由一些移动设备、一个基站和一个边缘服务器组成。在本实施例的MEC系统中，考虑了多跳计算卸载的场景，其中用于对当前移动设备进行转发的设备在基站通信范围内，移动设备需要卸载任务时，不能直接卸载到边缘服务器上，需要首先卸载到相邻移动设备上，再由相邻移动设备将任务转发到边缘服务器上进行卸载计算，为了方便描述，后文将当前移动设备简称为移动设备，将相邻移动设备简称为相邻设备。

可以理解的是，本发明实施例中所称的移动设备，可以理解为响应外界特定触发条件，并按一定规则做状态转换的抽象机器，可以是手机、平板电脑、掌上电脑、智能可穿戴设备等等可以安装应用软件且能够联网的设备。

基于上述MEC系统，本申请的实施例提出一种基于移动边缘计算的最小化任务调用成本卸载方法，下文将进行详细描述。

图2是本发明实施例的一种基于移动边缘计算的最小化任务调用成本卸载方法流程图，如图2所示，所述方法包括：

101、获取当前移动设备的传输参数、任务参数和能力参数，当前移动设备的相邻设备的传输参数，边缘服务器的传输参数和能力参数；所述传输参数包括传输速率和传输功率；所述任务参数包括待卸载任务的数据量，所述待卸载任务包括按照一定卸载比例划分的第一任务和第二任务；所述能力参数包括计算能力；

在本发明实施例中，由于移动设备是处于多跳计算背景下的、作为多信道无线干扰环境下的用户，因此本实施例将以对该移动设备上的任务集卸载问题进行处理。设定当前任务集i＝{1,2,…,I}，当前移动设备计算1bit数据所需周期数为C，D_i表示任务i总数据量，单位为bits。如果L_i数据量在本地计算，则D_i-L_i数据量将由相邻设备转发后卸载到边缘服务器上。

102、根据当前移动设备的传输参数、任务参数和能力参数，得到第一任务在本地计算的本地计算时间和本地计算能耗；

在本实施例中，当有任务在当前移动设备的本地进行计算时，只需要考虑任务在本地处理的计算时间和计算能耗，在本地计算的本地计算时间和本地计算能耗依次表示如下：

其中，表示移动设备在本地计算第一任务的本地计算时间，C_l表示移动设备计算1bit数据所需周期数；L_i表示待卸载任务i对应的第一任务数据量；F_l表示移动设备的本地计算能力；/>表示移动设备在本地计算第一任务的本地计算能耗；k_l表示移动设备的有效开关电容，具体取决于芯片结构。在这里，我们设置k＝10^-11。

103、根据当前移动设备及其相邻设备的传输参数，以及边缘服务器的传输参数和能力参数，得到第二任务在边缘计算的边缘计算时间和边缘计算能耗；

在本实施例中，当有任务需要卸载到边缘服务器时，对于完成时间，需要考虑移动设备向相邻设备上传任务的时间，相邻设备向边缘服务器转发任务的时间；对于计算能耗，需要考虑移动设备向相邻设备上传任务的能耗，相邻设备向边缘服务器转发任务的能耗。

本发明实施例中采用了一些物理层信道接入方案(如码分多址CDMA)来允许多个用户同时有效地共享相同的频谱资源。对于传输时间而言，移动设备的上传速率为：

其中，B表示信道带宽，p_l表示移动设备把任务上传给相邻设备的传输功率；g_l,Ae表示当前移动设备l与相邻设备Ae之间的信道增益，其中l_l,Ae为当前移动设备与相邻设备Ae之间的距离，α为路径损耗因子，一般α＝4；ω₀为加性高斯白噪声功率。I_l,Ae表示其他相邻设备对该移动设备在信道上的干扰。

同理，相邻设备Ae的上传速率为：

其中，p_Ae表示相邻设备Ae把任务转发给边缘服务器的传输功率；g_Ae,s表示相邻设备Ae与基站s之间的信道增益，其中l_Ae,s为相邻设备Ae与基站s之间的距离，本实施例中，假设相邻设备转发到基站后再由基站转发到边缘服务器，这个过程可以简略相邻设备转发到边缘服务器。

基于上述分析，移动设备上传任务的时间表示为：

相邻设备Ae转发任务的时间表示为：

设边缘服务器计算能力F_e，边缘服务器计算1bit数据所需周期数为C_e，边缘服务器卸载任务的运行时间表示为：

移动设备上传任务的能耗表示为：

相邻设备Ae转发任务的能耗表示为：

在面向未来的MEC网络中，绿色节能已成为一种重要趋势，当前，基本所有的硬件厂商生产的处理器均支持动态调频调压(Dynamic Voltage Frequency Scaling,DVFS)技术，DVFS允许处理器动态调节主频，使CPU处于合适的主频设置，从而达到节省功耗的目的，因此，本发明定义边缘服务器卸载任务的运行能耗表示为：

通过上述示例，本发明第二任务在边缘计算的边缘计算时间和边缘计算能耗包括：

其中，表示边缘服务器在边缘卸载第二任务的边缘卸载时间；/>表示边缘服务器在边缘卸载第二任务的边缘卸载能耗。

104、根据第一任务的本地计算时间、本地计算能耗，以及第二任务的边缘计算时间和边缘计算能耗，得到待卸载任务的成本；

对于待卸载任务j而言，其完成时间由移动设备本地计算的部分任务与边缘服务器卸载的部分任务中耗费的最终时间决定，其能耗由移动设备本地计算的能耗与边缘服务器卸载的能耗共同决定，因此，待卸载任务的成本包括：

其中，Cost_i表示待卸载任务i的成本；表示待卸载任务i对时间的权重，/>表示待卸载任务i对能耗的权重，/>且/>max表示取最大值；/>表示移动设备在本地计算第一任务的本地计算时间，/>表示边缘服务器在边缘卸载第二任务的边缘卸载时间，/>表示移动设备在本地计算第一任务的本地计算能耗；/>表示边缘服务器在边缘卸载第二任务的边缘卸载能耗。

105、采用基于禁忌搜索算法改进的麻雀算法求解最小化的所有待卸载任务的成本和，得到每个待卸载任务在移动设备和边缘服务器上的最优数据量卸载比例。

在本发明实施例中，假设本方案中移动设备在移动状态下有若干任务需要执行。移动设备首先会向边缘服务器请求卸载一定比例的任务，边缘云和本地设备会在新的服务请求到来时进行信息交换。边缘云将获得移动设备的任务参数包括数据量大小、传输速率等。那么根据每个待卸载任务的成本，可以得到优化目标，表示为：

可以发现，该最小化模型中，需要优化每个待卸载任务的权重，以及每个待卸载任务在不同设备卸载的数据量卸载比例，为了解决这两个问题，本实施例利用需求等级来获得更优的权重，采用基于禁忌搜索算法改进的麻雀算法来获得更优的数据量卸载比例，从而使得每个任务能够被执行更好的卸载决策。

在本发明实施例中，考虑到当移动设备处于低电量状态时，用户在决策中可以将更多的权重放在能量消耗上(即，较大的)，以便节省更多的能量。当用户正在运行对延迟敏感的某个应用程序(例如，视频流)时，该用户可以将更多的权重放在处理时间上(即，较大的/>)，以减少延迟。

基于此，本实施例根据当前移动设备的剩余能量确定出需求能耗等级，根据当前待卸载任务的任务类型，确定出需求时间等级；若需求能耗等级大于需求时间等级，则增加待卸载任务i对能耗的权重，降低待卸载任务i对时间的权重；若需求能耗等级小于需求时间等级，则降低待卸载任务i对能耗的权重，增加待卸载任务i对时间的权重；若需求能耗等级等于需求时间等级，则保持待卸载任务i对时间的权重和对能耗的权重不变。

举个例子，假设本实施例将需求能耗等级划分为10个等级，当剩余电量只有10％时，其需求能耗的优先级最高，可能对应最大的需求能耗等级10，将需求时间等级也划分为10个等级，当待卸载任务属于直播视频流时，该直播视频流对时间要求更高，可能导致待卸载任务的需求时间等级为8；通过比较两个等级的大小，来衡量那个需求更需要被满足，从而实现用户的个性化需求。

为了更好地计算出本发明待卸载任务i对时间的权重和对能耗的权重，本发明优选实施例中针对不同待卸载任务提出了相应的自适应计算方式，待卸载任务i对时间的权重和对能耗的权重的计算公式如下：

其中，表示待卸载任务i-1对时间的权重，/>表示待卸载任务i-1对能耗的权重，Δλ_(i,i-1)表示待卸载任务i相对于待卸载任务i-1的权重变化量，Δλ表示单位权重增量，/>表示待卸载任务i的需求等级均值的归一化值，/>表示待卸载任务i的需求等级方差的归一化值，γ表示需求等级的调节因子。

其中，在对需求能耗等级和需求时间等级的大小进行判断之前还包括使用极差变换法对所述需求能耗等级和所述需求时间等级进行归一化处理，从而得到相应的需求等级均值的归一化值，需求等级方差的归一化值。

本实施例中，待卸载任务i对时间的权重和对能耗的权重不再是由人为设定或者计算机指定，而是根据当前需求等级均值的归一化值和需求等级方差的归一化值来自动获得权重变化量，再将权重变化量叠加到前一个待卸载任务的权重值中，从而自适应地计算出两个权重值，这种方式通过当前需求等级均值和当前需求等级方差对前一次待卸载任务的权重值进行修正，增强了当前获得的两个权重值的可靠性，通过引入需求等级的调节因子，能够更好的优化两个权重值，排除不可靠的权重值。在本实施例中，采用了基于禁忌搜索算法改进的麻雀算法求解最小化的所有待卸载任务的成本和，得到每个待卸载任务在移动设备和边缘服务器上的最优数据量卸载比例。

麻雀搜索算法(Sparrow Search Algorithm,SSA)是于2020年提出的一种新型的群智能优化技术。SSA主要是受麻雀的觅食行为和反捕食行为的启发而提出的。该算法比较新颖，具有寻优能力强，收敛速度快的优点且算法对于文中测试使用的单峰，多峰等函数以及在三维无人机航迹规划实际问题上的表现均优于当前常用的优化算法。其通过发现者为整个种群的觅食提供正确的引导，以及加入者跟随发现者进行觅食等操作，使算法在搜索全局最优解的过程中具有较好的收敛性和稳定性。该算法比较新颖，在移动边缘计算中的任务卸载策略的研究还有待进一步研究。

1)SSA发现者模型

在SSA模型中，发现者具有高能量储备，负责寻找食物丰富的区域，为所有加入者提供觅食区域和方向。麻雀一旦发现捕食者，就会开始发出鸣叫作为报警信号。当警报值大于安全值时，发现者会将加入者带到其他安全区域觅食。建模中的能量储备水平取决于麻雀个体所对应的适应值的好坏。

在每次迭代的过程中，发现者的位置更新描述如下：

其中，迭代的次数由t表示，j＝1,2,3,...,d。iter_max表示最大的迭代次数。表示在第t次迭代中第i个麻雀在第j维中的位置信息。α∈(0,1]是一个随机数。预警值和警戒阈值分别为R₂(R₂∈[0,1])和ST(ST∈[0.5,1])。Q是服从标准正太分布的随机数生成的。L表示一个1×d的矩阵，其中所有的元素都是1。当R₂<ST时，表示觅食环境是安全的，发现者可以进行广泛的搜索操作。如果R₂≥ST，一些麻雀已经发现了捕食者并向其他麻雀发出了警报，那么所有的麻雀都需要迅速飞到其他安全的地方进行觅食。

分析可知，发现者从迭代开始就向全局最优解靠近，导致搜索范围不够，容易跌入局部极值空间，造成搜索精度不足。为此在生产者进行搜索的时候引入自适应步长其中ω_max为最大步长，ω_min为最小步长，A为控制曲线曲率的参数，A＝PDRatio*10。PDRatio为发现者在种群中的比例。

在SSA模型的曲线图中，步长在迭代开始时缓慢下降，在迭代初期具有较大的值，能够更好地进行全局搜索，进而有效的提高了前期种群的物种丰富程度，避免了“早熟”现象的发生。在迭代后期，步长自适应地减小，更好地进行局部搜索，同时提高收敛速度。

改进后的位置更新描述如下：

2)算法的加入者模型

加入者的能量越低，它们在整个种群中所处的觅食位置就越差。一些饥肠辘辘的加入者更有可能飞往其它地方觅食，以获得更多的能量。在觅食过程中，加入者总是能够搜索到提供最好食物的发现者，然后从最好的位置中获取食物或者在该发现者周围觅食。与此同时，一些加入者为了增加自己的捕食率可能会不断地监控发现者进而去争夺食物资源。

在每次迭代的过程中，发现者的位置更新描述如下：

其中，是目前发现者所占据的最优位置，X_worst则表示当前全局最差的位置。A表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A⁺＝A^T(AA^T)^-1。当i>n/2时，这表明，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量。

3)算法的警戒者模型

上述公式中，β作是步长控制参数，ε是非常小的常数，以避免分母出现零，K∈[0,1]是随机数，f_i则是当前适应度值。是当前迭代次数中所有麻雀中的最优位置。f_g和f_w分别是当前迭代次数中的全局最优适应度值和最差适应度值。当麻雀位于种群的边缘时，表示它们极易受到捕食者的攻击(f_i>f_g)。当麻雀位于种群中心时，表示它们处于最佳的位置，也就是最安全的位置。当麻雀位于种群中间时，它们意识到了危险的存在，因此需要靠近其他麻雀，以减少被捕食的风险(f_i＝f_g)。

禁忌搜索算法(Tabu Search Algorithm，简称TS)起源于对于人类记忆功能的模仿。它从一个初始可行解出发，试探一系列的搜索方向(移动)，选择让特定的目标函数值提升最多的移动。为了避免陷入局部最优解，禁忌搜索对已经历过的搜索过程信息进行记录，从而指导下一步的搜索方向。

禁忌搜索的主要构成要素包括：评价函数、邻域移动、禁忌表、邻居选择策略、破禁准则、停止规则。

禁忌搜索开始准则：在进行全局搜索时，发现者在最近的T代内适应度的相对变化率如果小于阈值ε，表明种群收敛到了一定程度。此时使用TS算法对发现者位置进行局部搜索。故定义为：

其中，t表示当前迭代次数，和/>分别表示发现者i在当前代和T代前的适应值。

评价函数即麻雀的适应度值。

邻域移动使用发现者历史最优位置与当前发现者位置之间的差分结果指导当前发现者进行局部搜索。

其中，r为[-1,+1]之间均匀分布的随机数，用于控制局部搜索的方向，ω_t为t代时的局域缩放因子。为发现者历史最优位置。一般而言，在迭代初期，/>距离最优解一般较远，这时较大的ω_t能使其以较大的半径进行局部搜索，加快收敛速度；而到迭代末期，距离函数最优解一般较近，这时则希望通过较小的ω_t，使其开采更高精度的解。禁忌表的规模采用/>其中，N为麻雀种群的大小。

邻居选择策略即选择最佳邻域移动的规则。目前最广泛采用的是“最好解优先策略”及“第一个改进解优先策略”。前者需比较所有邻域，耗时较久，但解的收敛更有效；后者在发现第一个改进解就进行转移，耗时较少，但收敛效率弱于前者，对于邻域解空间较大的问题往往比较适合。这里我们采用“最好解优先策略”。

破禁准则是对于禁忌表的适度放松。当某个被禁忌的移动可得到优于未被禁忌的移动得到的最优邻域解和历史所得到的最优解时，算法应接受该移动，不受禁忌表的限制。

基于上述分析，本发明直接在麻雀搜索算法的基础上进行，通过获得当前最优值，如果在最近的T代内适应度的相对变化率如果小于阈值ε，则使用TS加强局部解的搜索，最终趋于全局最优解；具体的：

采用基于禁忌搜索算法改进的麻雀算法求解最小化的所有待卸载任务的成本和，得到每个待卸载任务在移动设备和边缘服务器上的最优数据量卸载比例，可以参考如图3所示，包括：

步骤1：随机初始化麻雀种群，同时确定最大迭代次数，发现者数量，加入者数量，捕食者比例，安全阈值参数；所述麻雀种群的位置对应有数据量卸载比例向量，所述数据量卸载比例向量表示为(X₁,..X_I)，L_i＝D_i*(1-X_i)；i∈{1,2,…,I},I表示当前移动设备的任务集中的待卸载任务数量，L_i表示待卸载任务i对应的第一任务数据量，D_i表示待卸载任务i总的数据量，X_i表示待卸载任务i的数据量卸载比例；

步骤2：根据每个待卸载任务的成本计算麻雀种群的适应度，并将适应度进行排序，从而选择出当前最优值和最差值；

所述适应度表示为：

步骤3：根据选择出的当前最优值和最差值，更新发现者的位置、加入者的位置以及意识到危险的麻雀的位置；

步骤4：根据选择出的当前最优值进行判断，如果在最近的T代内适应度的相对变化率小于阈值ε，则采用禁忌搜索算法进行局部搜索；

步骤5：判断是否达到最大迭代次数，若满足则退出，输出数据量卸载比例向量结果，否则，重复执行步骤2～步骤4。

在本发明优选实施例中，所述采用禁忌搜索算法进行局部搜索包括根据麻雀算法的最大步长确定出限制距离；将麻雀的位置根据限制距离映射到栅格矩阵中；根据限制距离确定出在栅格矩阵中的邻域搜索范围；在邻域搜索范围内获得最优的数据量卸载比例向量结果。

本发明优选实施例通过麻雀算法中的最大步长来限制禁忌搜索算法中的邻域搜索范围，明显加快了算法的收敛时间，同时也提升了数据量卸载比例解的可靠性。

在本发明的另一些优选实施例中，本实施例对基于禁忌搜索算法的局部搜索过程中的局部缩放因子进行改进，在迭代初期，传统的局部缩放因子采用了较大的局部缩放因子值，这时较大的ω_t能使其以较大的半径进行局部搜索，加快收敛速度；在迭代后期，传统的局部缩放因子采用了较小的缩放因子值，这时较小的ω_t能使其开采更高精度的解。然而，本实施例中，由于已经通过麻雀算法获得了较优的数据量卸载比例解，因此，在局部搜索的过程中本实施例中不需要再加快收敛速度，而是只需要开采更高精度的解，基于此，本实施例改进后的局部缩放因子表示为：

本实施例中，当前的局部缩放因子其与局部缩放因子的上下限、当前和最大迭代次数有关，这种方式会使得局部缩放因子在前期和后期下降速度差别不大，更符合局部搜索的实际情况。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，所述方法包括：

获取当前移动设备的传输参数、任务参数和能力参数，当前移动设备的相邻设备的传输参数，边缘服务器的传输参数和能力参数；所述传输参数包括传输速率和传输功率；所述任务参数包括待卸载任务的数据量，所述待卸载任务包括按照一定卸载比例划分的第一任务和第二任务；所述能力参数包括计算能力；

根据当前移动设备的传输参数、任务参数和能力参数，得到第一任务在本地计算的本地计算时间和本地计算能耗；

根据当前移动设备及其相邻设备的传输参数，以及边缘服务器的传输参数和能力参数，得到第二任务在边缘计算的边缘计算时间和边缘计算能耗；

根据第一任务的本地计算时间、本地计算能耗，以及第二任务的边缘计算时间和边缘计算能耗，得到待卸载任务的成本；

采用基于禁忌搜索算法改进的麻雀算法求解最小化的所有待卸载任务的成本和，得到每个待卸载任务在移动设备和边缘服务器上的最优数据量卸载比例，具体包括：

步骤1：随机初始化麻雀种群，同时确定最大迭代次数，发现者数量，加入者数量，捕食者比例，安全阈值参数；所述麻雀种群的位置对应有数据量卸载比例向量，所述数据量卸载比例向量表示为(X₁,..X_I)，l_i＝D_i*(1-X_i)；i∈{1,2,…,I},I表示当前移动设备的任务集中的待卸载任务数量，L_i表示待卸载任务i对应的第一任务数据量，D_i表示待卸载任务i总的数据量，X_i表示待卸载任务i的数据量卸载比例；

步骤2：根据每个待卸载任务的成本计算麻雀种群的适应度，并将适应度进行排序，从而选择出当前最优值和最差值；

步骤3：根据选择出的当前最优值和最差值，更新发现者的位置、加入者的位置以及意识到危险的麻雀的位置；

步骤4：根据选择出的当前最优值进行判断，如果在最近的T代内适应度的相对变化率小于阈值ε，则采用禁忌搜索算法进行局部搜索，根据麻雀算法的最大步长确定出限制距离；将麻雀的位置根据限制距离映射到栅格矩阵中；根据限制距离确定出在栅格矩阵中的邻域搜索范围；在邻域搜索范围内获得最优的数据量卸载比例向量结果；

步骤5：判断是否达到最大迭代次数，若满足则退出，输出数据量卸载比例向量结果，否则，重复执行步骤2～步骤4。

2.根据权利要求1所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，第一任务在本地计算的本地计算时间和本地计算能耗包括：

其中，表示移动设备在本地计算第一任务的本地计算时间，C_l表示移动设备计算1bit数据所需周期数；L_i表示待卸载任务i对应的第一任务数据量；F_l表示移动设备的本地计算能力；/>表示移动设备在本地计算第一任务的本地计算能耗；k_l表示移动设备的有效开关电容。

3.根据权利要求1所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，第二任务在边缘计算的边缘计算时间和边缘计算能耗包括：

其中，表示边缘服务器在边缘卸载第二任务的边缘卸载时间，/>表示移动设备上传第二任务的时间，/>表示相邻设备Ae转发第二任务的时间，/>表示边缘服务器卸载第二任务的运行时间，E_i表示待卸载任务i对应的第二任务数据量；/>表示边缘服务器在边缘卸载第二任务的边缘卸载能耗，/>表示移动设备上传第二任务的能耗，/>表示相邻设备Ae转发第二任务的能耗，/>表示边缘服务器卸载第二任务的运行能耗。

4.根据权利要求3所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，边缘计算时间和边缘计算能耗的各个时间和各个能耗具体包括：

其中，D_i表示待卸载任务i总的数据量，D_i＝E_i+L_i；r_l表示移动设备的数据上传速率；r_Ae表示相邻设备的数据转发速率；C_e表示边缘服务器计算1bit数据所需周期数；F_e表示边缘服务器计算能力；p_l表示移动设备把任务上传给相邻设备的传输功率；p_Ae表示相邻设备Ae把任务转发给边缘服务器的传输功率；k_e表示边缘服务器的有效开关电容。

5.根据权利要求1所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，待卸载任务的成本包括：

其中，Cost_i表示待卸载任务i的成本；表示待卸载任务i对时间的权重，/>表示待卸载任务i对能耗的权重，/>且/>max表示取最大值；/>表示移动设备在本地计算第一任务的本地计算时间，/>表示边缘服务器在边缘卸载第二任务的边缘卸载时间，/>表示移动设备在本地计算第一任务的本地计算能耗；/>表示边缘服务器在边缘卸载第二任务的边缘卸载能耗。

6.根据权利要求5所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，待卸载任务i对时间的权重和对能耗的权重的计算方式包括根据当前移动设备的剩余能量确定出需求能耗等级，根据当前待卸载任务的任务类型，确定出需求时间等级；若需求能耗等级大于需求时间等级，则增加待卸载任务i对能耗的权重，降低待卸载任务i对时间的权重；若需求能耗等级小于需求时间等级，则降低待卸载任务i对能耗的权重，增加待卸载任务i对时间的权重；若需求能耗等级等于需求时间等级，则保持待卸载任务i对时间的权重和对能耗的权重不变。

7.根据权利要求6所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，在对需求能耗等级和需求时间等级的大小进行判断之前还包括使用极差变换法对所述需求能耗等级和所述需求时间等级进行归一化处理。

8.根据权利要求7所述的一种基于移动边缘计算的最小化任务调用成本卸载方法，其特征在于，待卸载任务i对时间的权重和对能耗的权重的计算公式如下：

其中，表示待卸载任务i-1对时间的权重，/>表示待卸载任务i-1对能耗的权重，Δλ_(i,i-1)表示待卸载任务i相对于待卸载任务i-1的权重变化量，Δλ表示单位权重增量，/>表示待卸载任务i的需求等级均值的归一化值，/>表示待卸载任务i的需求等级方差的归一化值，γ表示需求等级的调节因子。