CN117112210A

CN117112210A - 一种基于分层博弈的移动边缘计算卸载的资源调度方法

Info

Publication number: CN117112210A
Application number: CN202311055751.9A
Authority: CN
Inventors: 孙璐; 于晓; 万良田; 宁兆龙; 林云; 王洁
Original assignee: Dalian Maritime University
Current assignee: Dalian Maritime University
Priority date: 2023-08-21
Filing date: 2023-08-21
Publication date: 2023-11-24

Abstract

本发明提供了一种基于分层博弈的移动边缘计算卸载的资源调度方法，涉及移动边缘计算卸载资源分配技术领域，包括如下步骤：S1、建立静态任务场景下的基本框架；S2、基于基本框架，完成多用户多卸载计算任务，得出任务分配方案和计算卸载方案，在保证时延和能量加权和最小化的情况下完成计算卸载任务。S1具体包括：卸载决策的划分，根据任务量的大小以及用户端处理数据的能力来判断是否需要进行卸载，根据卸载结果进行资源分配，并根据任务属性是否需要拆分来确定是进行完全卸载还是部分卸载；本发明通过将边缘服务器进行分簇的方法来提高任务卸载效率，进而来辅助移动边缘计算更高效的完成。

Description

一种基于分层博弈的移动边缘计算卸载的资源调度方法

技术领域

本发明涉及移动边缘计算卸载资源分配技术领域，具体而言，尤其涉及一种基于分层博弈的移动边缘计算卸载的资源调度方法。

背景技术

针对5G网络中的计算型应用，边缘服务器(MEC)被引入到5G网络中。通过将计算服务器部署在网络边缘，用户可以将计算任务卸载到网络边缘。在用户层面，用户有机会获取更好的性能，避免了用户数据在核心网的传输和存储，在一定程度上保护了用户的隐私；在系统层面，减轻了核心网的压力。但是，边缘网络由于资源有限、用户众多、网络状态复杂，无法保证用户卸载的性能。因此，需要设计高效的计算卸载决策和资源分配方案以保证用户的服务质量和系统效益。

在实际场景中，计算卸载决策通常是未知的。因此，有大量的文献对计算卸载决策和资源分配进行联合优化。相比单独地进行计算卸载决策和资源分配优化，联合优化更为复杂。资源受限的移动设备需要利用附近服务器如远端云服务器或边缘服务器上的计算资源来完成任务，因此如何高效有序的联合移动设备进行计算卸载就显得尤为重要。现存的资源分配问题多数以时延或者能耗作为评价指标，在资源分配过程中并未考虑到多方面的问题，因此根据上述问题，有待发明一种综合时延和能耗加权和的多任务多用户计算卸载博弈资源分配方法。

发明内容

有鉴于此，本发明的目的在于提出一种基于分层博弈的移动边缘计算卸载的资源调度方法，以解决现有计算卸载过程中资源分配方法未充分考虑的多用户多任务分层博弈计算卸载资源分配问题。

本发明采用的技术手段如下：

一种基于分层博弈的移动边缘计算卸载的资源调度方法，包括如下步骤：

S1、建立静态任务场景下的基本框架；

S2、基于基本框架，完成多用户多卸载计算任务，得出任务分配方案和计算卸载方案，在保证时延和能量加权和最小化的情况下完成计算卸载任务。

进一步地，S1具体包括：

卸载决策的划分，根据任务量的大小以及用户端处理数据的能力来判断是否需要进行卸载，根据卸载结果进行资源分配，并根据任务属性是否需要拆分来确定是进行完全卸载还是部分卸载；

如若完全卸载，则细粒度为1，不需要进行优先级排；如若进行部分卸载，则细粒度大于0小于1，还要根据任务的细粒度的不同来进行任务的划分。

进一步地，S2具体包括：

S21、对用户产生的任务进行节点分配，得到博弈结果；

所述资源分配的方法采用三层博弈资源分配，所述三层博弈为用户端、簇头MEC端和下属MEC端，用户端、簇头MEC端和下属MEC端进行资源博弈来分配卸载任务，使时延和能耗的加权和最小化；

S22、边缘节点执行计算，根据博弈结果进行资源分配，并将分配结果传递到相应的计算节点进行计算。

S23、结果回传，根据得到的计算结果，将任务回传到用户端，至此，计算卸载任务完成。

进一步地，所述三层博弈资源分配具体包括如下步骤：

S211、根据需要卸载的任务的不同，用户端、簇头MEC端和下属MEC端三方进行一个非合作博弈，以寻求卸载策略的那什均衡状态；

S212、边缘节点执行计算，当寻求到那什均衡状态时，按照那什均衡状态下的卸载策略进行资源分配，在对应的边缘节点进行相应的卸载计算，以求得利润开销的结果，并将结果输出。

进一步地，S211中，所述那什均衡状态的寻求步骤如下：

所述用户端、簇头端MEC和下属端MEC需满足三层的Stackelberg博弈，簇头端MEC作为博弈的领导者1号，下属端MEC作为领导者2号，用户端作为博弈的跟随者，即：

G＝{{N₁，N₂，N₃}，{S₁，S₂，S₃}，{U₁，U₂，U₃}}

其中：N₁为簇头端MEC作为博弈的领导者1号，会首先做出对自已最优的纯策略S₁，之后N₂为下属端MEC作为领导者2号会基于S₁的策略做出相应的最佳回应策略S₂，N₃为用户端作为博弈的跟随者会基于领导者1号和领导者2号的策略做出最佳回应策略S₃，最佳策略组合S＝(S₁，S₂，S₃)称为该博弈的一个Stackelberg均衡解；N₁为领导者自身决策变量为U₁，N₂为领导者2号，根据领导者1号的决策来选择自身的决策变量U₂，N₃为用户端作为博弈的跟随者会基于领导者1号和领导者2号的决策变量做出N₃自身的决策变量U₃；

其中，arg max_s∈S U₁为领导者1号即簇头MEC的效用函数，arg max_s∈S U₂为领导者2号即跟随者MEC的效用函数，arg max_s∈S U₃为跟随者即用户端的效用函数。

进一步地，S212中，在对应的边缘节点进行相应的卸载计算，以求得利润开销的结果，具体包括：

本地执行：当用户在本地进行处理时，本地的计算时延可表示为：

其中，β_i表示用来处理任务的计算数据量，C_l表示每个比特数据量需要用多少时钟来完成，f_e表示本地的计算能力，本地的计算耗能则表示为：

E_local＝T_local*P_local

其中，P_local为本地设备的功率；

簇头边缘服务器执行：当任务被其中一个簇头MEC接收时，任务传输速率可表示为：

其中，d表示传输距离，ρ为噪声密度，任务时延可表示为：

其中，α_i为任务T_i的输入数据量，r_i表示反馈计算结果的数据量，P_u和P_d分别表示上传和下载任务的功率，f_e表示当前MEC服务器的计算能力，当前MEC的计算耗能则为：

其中，P_mec表示为当前MEC的计算功率；

跟随者边缘服务器执行：若当前簇头MEC服务器将任务卸载至最近且资源充足的跟随着MEC服务器，任务传输速率可表示为：

则跟随者边缘服务器时延可被表示为：

任务的计算耗能则表示为：

整个系统的总时延可表示为：

整个系统的总耗能则为：

则整个模型的总能耗函数可以表示为：

F_sum＝w*T_sum+(1-w)*E_sum

其中，W为影响因子，W取值范围为0到1。

进一步地，整个系统的约束条件如下：

α+β+r＝1

α、β、r∈{0.1}

T_i≤T_max

i∈{1,2,3,····N}

f_e≥0。

较现有技术相比，本发明具有以下优点：

本发明部署了多服务器多用户分簇边缘计算卸载系统，通过三层博弈对系统的资源进行分配，分配效果更高效，对于降低时延和能耗具有明显效果。

本发明通过将博弈论与演化算法相结合，使得资源分配更加合理，得出的卸载策略更加优化，并有效提升了该系统的计算性能。

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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明整体模型框架图。

图2为本发明卸载模型图。

图3为本发明分簇博弈关系模型图。

图4为任务数为50个时，算法结果对比图。

图5为服务器数为20个时，算法结果对比图。

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。

本发明提供一种技术方案：一种基于分层博弈的移动边缘计算卸载的资源调度方法，其流程图如图1所示

S1、建立静态任务场景下基于分层博弈的移动边缘计算卸载的资源调度方法的基本框架。

S11、卸载决策的划分，根据任务量的大小以及用户端处理数据的能力来判断是否需要进行卸载，并根据任务属性是否需要拆分来确定是进行完全卸载还是部分卸载。如若完全卸载，则细粒度为1，不需要进行优先级排；如若进行部分卸载，则细粒度大于0小于1，还要根据其细粒度的不同来进行任务的划分。

根据每个任务的细粒度不同要进行部分卸载，此时部分卸载对每个大任务所划分的子任务进行优先级排序，此专利采取整数与一位小数结合的方法进行划分，其中整数部分所代表的是执行此任务的MEC编号，小数部分的大小所代表的是优先级顺序，其中小数部分的数字越小其优先级顺序越高，代表着此子任务被优先执行，并意味着优先被博弈给处理任务能力更强的MEC执行。

S12、三层博弈进行资源分配，即用户端、簇头MEC端和下属MEC端进行资源博弈来分配卸载任务，以达到最小化整体开销的目的，使得时延和能耗的加权和最小化，保证整个卸载过程高效有序完成。

S121、根据需要卸载的任务的不同，用户端、簇头MEC端和下属MEC端三方进行一个非合作博弈，以寻求其卸载策略的那什均衡状态。

S122、边缘节点执行计算，当寻求到那什均衡状态时，按照其状态下的卸载策略进行资源分配，在对应的边缘节点进行相应的卸载计算，以求得利润开销的结果，并将结果输出。

S21、博弈资源分配，其分配依据是要满足各局中人即用户端、簇头端MEC和下属端MEC达到那什均衡状态。三者需满足三层的Stackelberg博弈，簇头端MEC作为博弈的领导者1号，下属端MEC作为领导者2号，用户端作为博弈的跟随者，即：

G＝{{N₁,N₂,N₃},{S₁,S₂,S₃},{U₁,U₂,U₃}}

其中：N₁为簇头端MEC作为博弈的领导者1号，会首先做出对自己最优的纯策略S₁，之后N₂为下属端MEC作为领导者2号会基于S₁的策略做出相应的最佳回应策略S₂，N₃为用户端作为博弈的跟随者会基于领导者1号和领导者2号的策略做出最佳回应策略S₃，最佳策略组合S＝(S₁，S₂，S₃)称为该博弈的一个Stackelberg均衡解。N₁为领导者其自身决策变量为U₁，N₂为领导者2号，根据领导者1号的决策来选择自身的决策变量U₂，N₃为用户端作为博弈的跟随者会基于领导者1号和领导者2号的决策变量做出其自身的决策变量U₃。

S＝argmax_s∈S U₁＝argmax_s∈S U₂＝argmax_s∈S U₃

arg max_s∈SU₁为领导者1号即簇头MEC的效用函数，arg max_s∈SU₂为领导者2号即跟随者MEC的效用函数，arg max_s∈SU₃为跟随者即用户端的效用函数。

博弈混合粒子群算法在求解过程中，每一次粒子群体更新都会产生多个策略，每一次迭代更新后，各个局中人都会希望将收益函数最高的策略保留下来。但各局中人之间都相互联系和影响，因此，局中人领导者的最优策略可能会使局中人跟随者产生较差的结果，即对于各局中人的不同决策，会产生不同的结果。而纳什均衡即达到一个所有决策者都可接受的稳定的较优解，任何一个决策者不改变自己的决策，其他决策者只要改变就会造成收益的减少。算法在每次种群更新的过程中都会产生各局中人的博弈，，每个粒子代表博弈的纯策略，各粒子在其策略空间内搜寻最优的策略，并将最优策略用于博弈。在重复博弈中，各局中人根据纳什均衡特点对其策略进行调整以达到各局中人都满意的解。在算法的每次迭代更新中，粒子群中各粒子会向纳什均衡解的同伴粒子进行学习，通过学习，不同局中人中的粒子会调整各自的策略使粒子趋向最终纳什均衡。

假设系统内有M个边缘服务器，用集合M＝{1，2，3，…，M}表示，有N个处于静态环境的移动设备，每个移动设备都含有一个计算任务需要被执行，写作N＝{1，2，3，…，N}，将这些移动设备表示为一个任务集合，T＝{T1，T2，T3，…，Tn}，其中任务每个任务Ti都包含。

本地执行：当用户在本地进行处理时，本地的计算时延可表示为

其中，β_i表示用来处理任务的计算数据量，C_l表示每个比特数据量需要用多少时钟来完成，f_e表示本地的计算能力。本地的计算耗能则表示为E_local＝T_local*Pl_ocal

其中P_local为本地设备的功率。

簇头边缘服务器执行：当任务被其中一个簇头MEC接收时，其传输速率可表示为

其中d表示传输距离，ρ为噪声密度。其时延可表示为

其中α_i为任务T_i的输入数据量，r_i表示反馈计算结果的数据量，P_u和P_d分别表示上传和下载任务的功率，f_e表示当前MEC服务器的计算能力。当前MEC的计算耗能则为

其中P_mec表示为当前MEC的计算功率。

跟随者边缘服务器执行：若当前簇头MEC服务器将任务卸载至最近且资源充足的跟随着MEC服务器，其传输速率可表示为

则其时延可被表示为

其计算耗能则表示为

综上所述，整个系统的总时延可表示为

整个系统的总耗能则为

则整个模型的总能耗函数可以表示为

F_sum＝w*T_sum+(1-w)*E_sum

其中W为影响因子，其取值范围为0到1。

其约束条件需满足：

C1：α+β+r＝1

C2：α、β、r∈{0.1}

C3：T_i≤T_max

C4：i∈{1，2，3，…·N}

C5：f_e≥0

在实际的任务场景中进行实验，分别在不同规模的移动边缘服务器和任务数量下进行测试。本文的对比算法采用了改变权重的粒子群算法(wPSO)，粒子群算法与遗传算法相结合的算法(GAPSO)、博弈论算法(GT)。将以上三种对比算法与本专利的博弈论算法和粒子群相结合的算法(GTPSO)进行对比。

任务数为50个，逐步增大服务器的规模时，四算法对比效果如图4所示。服务器数为20个，逐步增大任务的规模时，四算法对比效果如图5所示。以3簇任务卸载为例，其中每个簇头分别领导离其最近的下属端MEC集群，如图2所示。整体博弈关系图3所示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，包括如下步骤：

S1、建立静态任务场景下的基本框架；

2.根据权利要求1所述的基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，S1具体包括：

3.根据权利要求2所述的基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，S2具体包括：

S21、对用户产生的任务进行节点分配，得到博弈结果；

4.根据权利要求3所述的基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，所述三层博弈资源分配具体包括如下步骤：

5.根据权利要求4所述的基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，S211中，所述那什均衡状态的寻求步骤如下：

G＝{{N₁，N₂，N₃}，{S₁，S₂，S₃}，{U₁，U₂，U₃}}

其中，arg max_s∈SU₁为领导者1号即簇头MEC的效用函数，arg max_s∈SU₂为领导者2号即跟随者MEC的效用函数，arg max_s∈SU₃为跟随者即用户端的效用函数。

6.根据权利要求4所述的基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，S212中，在对应的边缘节点进行相应的卸载计算，以求得利润开销的结果，具体包括：

E_local＝T_local*P_local

其中，Pl_ocal为本地设备的功率；

其中，d表示传输距离，ρ为噪声密度，任务时延可表示为：

其中，P_mec表示为当前MEC的计算功率；

则跟随者边缘服务器时延可被表示为：

任务的计算耗能则表示为：

整个系统的总时延可表示为：

整个系统的总耗能则为：

则整个模型的总能耗函数可以表示为：

F_sum＝w*T_sum+(1-w)*E_sum

其中，W为影响因子，W取值范围为0到1。

7.根据权利要求6所述的基于分层博弈的移动边缘计算卸载的资源调度方法，其特征在于，整个系统的约束条件如下：

α+β+r＝1

α、β、r∈{0.1}

T_i≤T_max

i∈{1，2，3，····N}

f_e≥0。