CN117971348A - 基于膜计算的物联网边缘计算卸载方法及系统 - Google Patents

Abstract

本申请公开了基于膜计算的物联网边缘计算卸载方法及系统，涉及无线通信网络领域，方法包括：建立膜结构，膜结构包括皮肤膜、非基本膜和基本膜；初始化基本膜的种群；基本膜采用不同的演化策略进行迭代演化；经过多次迭代后，将基本膜种群输出至非基本膜并继续迭代演化；非基本膜种群每经过多次迭代将非支配解输出至皮肤膜，在皮肤膜中保留最优非支配解；迭代结束，输出皮肤膜中的非支配解集，基于用户的偏好选择卸载方案卸载物联网边缘计算任务。本申请采用基于膜计算的多目标约束优化方法，将优化过程分为了三个阶段，结合多种约束处理技术和演化策略，提高了求解卸载问题方法的适应性，借助膜结构膜内独立并行的特点，提高了求解卸载策略速度。

Description

基于膜计算的物联网边缘计算卸载方法及系统

技术领域

本申请涉及无线通信网络和约束多目标进化优化领域，特别涉及基于膜计算的物联网边缘计算卸载方法及系统。

背景技术

边缘计算卸载是一种将计算密集型任务从用户移动智能设备卸载到边缘服务器或云服务器上执行的技术，在提高用户体验的同时降低本地执行任务的成本。但是综合考虑任务执行过程中产生的时延和能量消耗等指标去对比本地执行和边缘执行的损耗和收益，计算卸载并不是解决智能设备数据处理的最优途径。因此需要在有限时间内确定一个平衡损耗和收益的计算卸载策略，来决定计算任务是否需要被卸载。

目前，对边缘计算卸载的决策方法主要是基于线性规划的边缘计算卸载方法、基于深度强化学习的边缘计算卸载方法和基于启发式算法的边缘计算卸载方法。第一种方法首先将计算任务卸载模型建立为线性规划问题，然后针对线性规划问题采用合适的线性规划方法来求解卸载策略。计算卸载问题可以被建模为整数线性规划问题，这类问题可以采用分支界定法、黄金分割法和匈牙利算法来求解，但是并不是所有的计算卸载问题都可以被建模为线性规划问题，因此使用线性规划法存在一定的局限性。此外，由于整数线性规划的求解速度往往较慢，其很难在有限的时间内获取合适的卸载策略。第二种方法将计算卸载问题建模为序列的决策问题，通过构建一个模拟智能体和环境交互的模型并最大化累计奖励的策略来获取最佳决策，其思想是通过不断试错和反馈来学习更好的决策。根据建立模型的不同，可以采用不同的方法来求解卸载策略。该方法能够对依赖性任务卸载模型起到很好的效果，但此类方法也存在一些问题，首先其需要通过大量的训练数据进行学习，以获取更准确的卸载决策，因而存在计算时间长的问题；其次由于计算卸载问题具有高维度和大规模的特点，这给深度强化学习的训练带来了困难；最后，深度强化学习普遍存在低解释性的问题，可能会使得卸载策略的可靠性难以保证。第三种方法将问题建立为包含目标和约束的优化问题，并通过模拟自然界生物进化和生存的方式来迭代的搜索目标空间求解卸载决策。启发式算法在解决NP-hard（Non-deterministic Polynomial hard）问题上表现出优良的性能，许多启发式算法被应用于解决边缘计算卸载问题。由于启发式算法灵活易用的特点，其在求解计算卸载策略时存在很大的优势，但是不同的启发式算法对于不同的边缘计算卸载模型的优化性能可能存在一定的差异。此外，由于计算卸载问题大多为多目标约束优化问题，约束处理策略和演化策略的选取对于最终的结果也会造成很大的影响，因此如何设计合理的算法求解计算卸载问题以获取更有效的卸载方案需要更进一步的探索。

发明内容

本申请实施例提供了基于膜计算的物联网边缘计算卸载方法及系统，用以解决现有技术中卸载问题求解较慢以及不同约束处理策略和演化策略对最终结果影响较大的问题。

一方面，本申请实施例提供了基于膜计算的物联网边缘计算卸载方法，包括：

建立膜结构，所述膜结构包括一个皮肤膜、两个非基本膜和四个基本膜，其中两个非基本膜位于皮肤膜中，四个基本膜两两一组形成两组，两组基本膜分别位于两个非基本膜中；

基于偏好初始化所述基本膜中的种群；

四个所述基本膜采用不同的演化策略对所述基本膜中的种群进行并行的迭代演化；

经过一定的迭代次数后，将四个所述基本膜中的种群分别输出至对应的所述非基本膜，合并所述非基本膜中的种群并继续进行迭代演化；

两个所述非基本膜中的种群每经过一段时间的迭代将其中的非支配解输出至所述皮肤膜，在所述皮肤膜中进行约束非支配排序，并根据排序结果保留一部分最优的所述非支配解；

迭代结束，输出所述皮肤膜中保留的非支配解集，并基于用户对时延和能耗的偏好从中选择卸载方案卸载物联网边缘计算任务。

另一方面，本申请实施例还提供了基于膜计算的物联网边缘计算卸载系统，包括：

膜结构建立模块，用于建立膜结构；

种群初始化模块，用于基于偏好初始化基本膜中的种群；

第一阶段演化模块，用于采用不同的演化策略对不同非基本膜中所述基本膜的种群进行并行的迭代演化；

第二阶段演化模块，用于在所述基本膜中的种群迭代演化结束后，输出所述基本膜中的种群至相应所述非基本膜中进行合并，并继续迭代演化；

第三阶段演化模块，用于在所述非基本膜演化过程中，每隔一定时间，将当前所述非基本膜的种群中的非支配解输出至皮肤膜，并进行约束非支配排序，保存一部分所述非支配解作为非支配解集；

解输出模块，用于基于时延和能耗的偏好，从所述皮肤膜中的所述非支配解集中选择所述非支配解卸载物联网边缘计算任务。

本申请中的基于膜计算的物联网边缘计算卸载方法及系统，具有以下优点：

1、采用基于膜计算的多目标约束优化算法，凭借膜计算膜内独立并行的特点提高了求解卸载策略的速度。

2、设计了有效的膜演化规则，将求解过程分为三个阶段，采用多种群，多约束处理策略充分挖掘目标空间，以获取更具多样性的卸载决策，提高了卸载问题求解方法的适应性，解决了不同约束处理策略和演化策略对最终结果影响较大的问题。

附图说明

为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的基于膜计算的物联网边缘计算卸载方法的流程图；

图2为本申请实施例提供的膜计算在不同阶段的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例提供的基于膜计算的物联网边缘计算卸载方法的流程图。本申请实施例提供了基于膜计算的物联网边缘计算卸载方法，该方法包括以下步骤：

S100，建立膜结构，所述膜结构包括一个皮肤膜、两个非基本膜和四个基本膜，其中两个非基本膜位于皮肤膜中，四个基本膜两两一组形成两组，两组基本膜分别位于两个非基本膜中。

示例性地，S100具体包括：首先根据通信模型和计算模型确定最小化时延和能耗的多目标约束优化函数，然后建立膜系统的所述膜结构、膜对象和膜演化规则，所述膜结构、膜对象和膜演化规则组成完整的所述膜系统。

在本申请的实施例中，在确定多目标约束优化函数之前，还需要先确定卸载问题模型，物联网边缘计算的卸载问题模型主要关注的指标是时延和能耗，这两个指标分别在通信模型和计算模型中体现，因而该卸载问题模型的主要涉及通信模型和计算模型，根据通信模型和计算模型可以建立一个以时延和能耗作为目标最小化的多目标约束优化函数。

在建立多目标约束优化函数后，还需要对膜结构进行定义。在膜计算中，常用的膜的类型主要分为细胞膜、组织膜和神经膜，本申请根据卸载问题模型的实际情况选择了类细胞膜，这种类细胞膜的主要要素包括膜结构、膜对象和膜演化规则，通过定义这三个要素就可以形成一个完整的膜系统，也称为P系统。上述的膜对象可以是整数编码、实数编码和0-1编码，膜对象所需要遵循的规则称之为膜演化规则。

S110，基于偏好初始化基本膜的种群。

示例性地，S110具体包括：在初始化所述基本膜中的种群时，分别采用偏好本地执行和偏好卸载执行初始化两个所述基本膜中的种群，并将两个所述基本膜中的种群分别一一对应的输入至两个所述非基本膜中。总计生成四个基本膜的种群，其中两个偏好于本地执行的种群，两个偏好于卸载执行的种群，将一个偏好本地执行的种群和一个偏好卸载执行的种群一一对应的输入至皮肤膜中任意一个非基本膜中的两个基本膜中，剩下的两个种群同样一一对应输入至另一个非基本膜中的两个基本膜中。

基本膜的种群即为所有可能的卸载策略的集合，S100中的膜对象即为本步骤中的基本膜种群的个体，该个体采用实数编码，采用不同的阿拉伯数字表示不同的卸载状态，即本地执行还是卸载到边缘服务器或云服务器上执行。对多目标约束优化函数求解的过程就是对卸载策略集合中的卸载策略，即本申请中的种群进行迭代进化，在迭代结束后以选择最终皮肤膜中的非支配解集，作为最优的卸载决策。在将基本膜种群输入至基本膜时，将基于偏好本地执行形成的基本膜种群全部输入至非基本膜中的一个基本膜，而将基于偏好卸载执行形成的基本膜种群全部输入至非基本膜中另一个基本膜。

S120，四个所述基本膜采用不同的演化策略对所述基本膜中的种群进行并行的迭代演化，所述演化策略包括约束处理策略、子代生成策略、适应度评估策略和环境选择策略。

示例性地，如图2所示，膜0为皮肤膜，其中的膜1、膜2为非基本膜，膜3、膜4、膜5和膜6为基本膜。本申请中的膜计算可以经历三个阶段。第一个阶段在基本膜中进行，也就是图中的膜3、膜4、膜5和膜6中进行，四个基本膜中的种群基于偏好生成四个不同的种群，分别进行演化，其中膜3和膜4中的种群采用相同的演化策略，膜5和膜6采用相同的演化策略。两种演化策略的不同之处主要在于约束处理策略的不同，即在相同的演化策略中，约束处理策略、子代生成策略、适应度评估策略和环境选择策略均相同，而在不同的演化策略中，仅约束处理策略不同，其他的策略可以保持相同。具体地，对于约束处理策略而言，在两个非基本膜中，其中一个非基本膜的种群对于约束的处理分为两个阶段，第一阶段采用约束和目标优先级相同形式确定两个解的支配关系，第二阶段则采用约束优先级更高的形式确定两个解的支配关系，另一个非基本膜的种群对于约束的处理采用双种群策略，其中主种群去求解约束优化问题，辅助种群求解该约束优化问题的无约束版本，两个种群在环境选择中交换彼此种群中包含的信息，从而使得解逼近可行域。两个非基本膜种群采用的子代生成策略为遗传算法中的模拟二进制交叉和多项式变异，适应度评估策略根据种群中解之间的支配关系和解之间的欧式距离确定，环境选择策略根据解的适应度值升序排序，选择排序靠前直至能满足种群数量的解作为下一代种群。

S130，经过一定的迭代次数后，将四个所述基本膜中的种群分别输出至对应的所述非基本膜，合并所述非基本膜中的种群并继续进行迭代演化。

示例性地，S130即为三个阶段中的第二个阶段。当时基本膜停止演化，Fes为当前函数评价次数，MaxFes为最大函数评价次数，即当函数评价次数超过最大函数评价次数的百分之六十时停止基本膜的演化。第一个阶段中基本膜迭代演化结束后，将当前迭代演化后的种群，转移至对应的非基本膜中。

基本膜演化结束后进入第二阶段，也就是将膜3、膜4、膜5和膜6溶解并将其中的当前种群分别输出至膜1和膜2中，膜1将膜3和膜4中的种群合并，并继续进行的演化，具体演化策略采用与膜3和膜4相同的形式，膜2采用与膜5和膜6相同的策略，这一步演化的目的是充分挖掘不同偏好种群之间的有效信息，使得种群多样性提高，并朝着可行域的多个方向逼近。

S140，两个所述非基本膜中的种群每经过一段时间的迭代将其中的非支配解输出至所述皮肤膜，在所述皮肤膜中进行约束非支配排序，并根据排序结果保留一部分最优的所述非支配解。

示例性地，S140即为三个阶段中的第三个阶段，周期性地将非基本膜输出的排序结果最优的部分非支配解转移至皮肤膜后，皮肤膜将两个非基本膜输出的非支配解合并，并进行约束非支配排序，之后确定每个非支配解的适应度值，保存一部分适应度较低的非支配解在皮肤膜中作为非支配解集。

约束非支配排序具体形式如(1)(2)，当(1)满足时，解x支配解y。

(1)

(2)

其中、/>、/>、/>分别表示解x的目标值、解y的目标值、不等式约束和等式约束，i、j分别表示第i、j个目标，二者的取值范围相同，m为目标的总数量，为解x约束违反程度，/>为解y约束违反程度，p和q分别表示不等式约束的数量和等式约束的数量。

适应度函数的评估策略与强度pareto进化算法（SPEA2）中的适应度评估策略类似，由(3)计算可得，其中R _y包含所有被y所支配解的集合，S _x为所有支配x的解的集合，为x的第/>个邻居，n为种群大小。

(3)

其中，fitness(x)表示x的适应度值，(3)中第一项表示所有支配x的解所支配解的数量之和，当x不被任何解所支配时该项为0，第二项表示x与其第个邻居之间欧几里得距离与2的和的倒数，该距离越大表示该解与其他解之间的相似度越小，种群的多样性越高，因而该适应度值第一项反映解的收敛性，第二项反映其多样性，该值越小越好，当时同样表示该解不被任何其他解所支配。

S150，迭代结束，输出所述皮肤膜中保留的非支配解集，并基于用户对时延和能耗的偏好从中选择卸载方案卸载物联网边缘计算任务。

示例性地，S150即为最终解的输出，迭代结束后，获取皮肤膜中保存的非支配解集，根据对于时延和能耗两个目标的偏好从中选出一个非支配解作为卸载决策方案来执行边缘计算任务，该决策方案决定了每个计算任务是在本地执行，边缘服务器上执行还是在云服务器上执行。

本发明采用三个阶段的膜计算，第一个阶段在基本膜进行，其采用不同的偏好进行种群的初始化，计算任务卸载问题的卸载策略是分为本地执行、边缘服务器执行和云服务器执行三类。但是根据其时延和能耗两个指标的变化，可以将其分为两类，分别为本地执行和卸载执行，当处于本地执行时，由于物联网设备的计算能力有限，会产生较大的计算时延，与此同时本地计算的功率较高，会产生较大的能耗，因而本地执行优化的着重点在于能耗的降低，而卸载执行会导致通信时延的增加，这会使得整个任务的执行时延增加，虽然同样会产生能耗的增加，但是由于通信功率较低，能耗的增加相较于本地执行变少，因此卸载执行的目的在于降低时延。基于此对种群的初始化使用两种不同的偏好设计，分别为偏好于本地执行和偏好于卸载执行。初始化完成后在基本膜中进行一段时间的演化。从而进入第二个阶段，在阶段的更替中交换来自不同偏好之间的信息，合并种群并继续进行演化。每隔十代使第二个阶段获取的非支配解进入第三阶段进行约束非支配排序以提高收敛性，并交换不同演化策略之间的信息，在皮肤膜中迭代时，当达到最大函数评价次数MaxFes后，皮肤膜中的迭代停止，最终输出非支配解。

相较于传统方法，本申请的方法具有以下的优点：

更具多样性的解：通过采用多种群执行具有多种约束处理策略的演化策略，最终的解表现出更好的多样性，能更有效地在时延和能耗中做抉择。

更高的可扩展性：由于启发式算法灵活易用和膜计算框架的易实现、易扩展的特点，本申请的方法表现出更高的可扩展性，能够适应于更多的计算卸载模型。

更强的可解释性：膜计算同众多启发式算法一样都是受到自然界中生物体的启发，从生物体的不同层面来模拟自然计算的过程，已经在许多优化领域上得到应用，并表现出良好的性能和潜力，与深度强化学习算法相比，本申请的方法具有更强的可解释性。

本申请实施例还提供了基于膜计算的物联网边缘计算卸载系统，该系统包括：

膜结构建立模块，用于建立膜结构；

种群初始化模块，用于基于偏好初始化基本膜中的种群；

第一阶段演化模块，用于采用不同的演化策略对不同非基本膜中所述基本膜的种群进行并行的迭代演化；

第二阶段演化模块，用于在所述基本膜中的种群迭代演化结束后，输出所述基本膜中的种群至相应所述非基本膜中进行合并，并继续迭代演化；

第三阶段演化模块，用于在所述非基本膜演化过程中，每隔一定时间，将当前所述非基本膜的种群中的非支配解输出至皮肤膜，并进行约束非支配排序，保存一部分所述非支配解作为非支配解集；

解输出模块，用于基于时延和能耗的偏好，从所述皮肤膜中的所述非支配解集中选择所述非支配解卸载物联网边缘计算任务。

为了更直观的表现本申请所提出方法的优越性，将本申请的方法基于膜计算的多阶段约束多目标进化算法（MCMS-CMOEA）与几种现有的方法进行性能比较，比较方法有基于推拉搜索的多目标优化算法（PPS-MOEA/D），两阶段框架多目标优化算法（ToP），多阶段约束多目标优化算法（CMOEA-MS），协同进化约束多目标优化框架（CCMO），约束非支配排序遗传算法（NSGA-II-CDP）。其中种群数量设置为100，迭代次数设置为1000，解均采用实数编码，并使用超体积(HV)作为性能指标来评估性能，该指标越大反映性能越好，每种方法在每个测试问题上独立执行30次，并记录性能度量值的均值和标准差。使用5%显著性水平的Wilconxon秩和检验来比较实验结果，其中符号“+”,“”和“≈”表示与本申请的方法相比，另一种方法的结果明显更好、明显更差以及和性能相似。其结果如表1所示。

表1 计算任务卸载问题HV指标结果

结果反映了本申请提出的方法的优越性，在五个计算卸载问题上该方法均取得了最优的结果，由Wilconxon秩和检验可知，该方法只有在N=100问题上与CCMO算法具有相似的性能，其余问题上均显著优于其他四种方法。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (6)

1.基于膜计算的物联网边缘计算卸载方法，其特征在于，包括：

建立膜结构，所述膜结构包括一个皮肤膜、两个非基本膜和四个基本膜，其中两个非基本膜位于皮肤膜中，四个基本膜两两一组形成两组，两组基本膜分别位于两个非基本膜中；

基于偏好初始化所述基本膜中的种群；

四个所述基本膜采用不同的演化策略对所述基本膜中的种群进行并行的迭代演化，所述演化策略包括约束处理策略、子代生成策略、适应度评估策略和环境选择策略；

经过一定的迭代次数后，将四个所述基本膜中的种群分别输出至对应的所述非基本膜，合并所述非基本膜中的种群并继续进行迭代演化；

两个所述非基本膜中的种群每经过一段时间的迭代将其中的非支配解输出至所述皮肤膜，在所述皮肤膜中进行约束非支配排序，并根据排序结果保留一部分最优的所述非支配解；

迭代结束，输出所述皮肤膜中保留的非支配解集，并基于用户对时延和能耗的偏好从中选择卸载方案卸载物联网边缘计算任务。

2.根据权利要求1所述的基于膜计算的物联网边缘计算卸载方法，其特征在于，所述非基本膜中的种群在迭代演化时，采用与所述非基本膜中两个所述基本膜的种群相同的演化策略，两个所述非基本膜采用的演化策略是不同的，在相同的所述演化策略中，所述约束处理策略、子代生成策略、适应度评估策略和环境选择策略均相同，而在不同的所述演化策略中，所述约束处理策略不同。

3.根据权利要求1所述的基于膜计算的物联网边缘计算卸载方法，其特征在于，在将所述非基本膜输出的排序结果最优的部分所述非支配解转移至所述皮肤膜后，将两个所述非基本膜输出的所述非支配解合并，然后进行约束非支配排序，进一步确定每个所述非支配解的适应度值，按照适应度值从低到高的顺序对所述非支配解排序，将排序靠前的部分所述非支配解作为非支配解集保存至所述皮肤膜，其他的所述非支配解将被清理。

4.根据权利要求1所述的基于膜计算的物联网边缘计算卸载方法，其特征在于，在建立所述膜结构前，首先根据通信模型和计算模型确定最小化时延和能耗的多目标约束优化函数，然后建立膜系统的所述膜结构、膜对象和膜演化规则，所述膜结构、膜对象和膜演化规则组成完整的所述膜系统。

5.根据权利要求1所述的基于膜计算的物联网边缘计算卸载方法，其特征在于，在初始化所述基本膜中的种群时，分别采用偏好本地执行和偏好卸载执行初始化两个所述基本膜中的种群，并将两个所述基本膜中的种群分别一一对应的输入至两个所述非基本膜中。

6.基于膜计算的物联网边缘计算卸载系统，其特征在于，包括：

膜结构建立模块，用于建立膜结构；

种群初始化模块，用于基于偏好初始化基本膜中的种群；

第一阶段演化模块，用于采用不同的演化策略对不同非基本膜中所述基本膜的种群进行并行的迭代演化；

第二阶段演化模块，用于在所述基本膜中的种群迭代演化结束后，输出所述基本膜中的种群至相应所述非基本膜中进行合并，并继续迭代演化；

第三阶段演化模块，用于在所述非基本膜演化过程中，每隔一定时间，将当前所述非基本膜的种群中的非支配解输出至皮肤膜，并进行约束非支配排序，保存一部分所述非支配解作为非支配解集；

解输出模块，用于基于时延和能耗的偏好，从所述皮肤膜中的所述非支配解集中选择所述非支配解卸载物联网边缘计算任务。