WO2021012584A1

WO2021012584A1 - 一种移动边缘计算场景下制定单任务迁移策略的方法

Info

Publication number: WO2021012584A1
Application number: PCT/CN2019/124423
Authority: WO
Inventors: 方娟; 徐玮豪
Original assignee: 北京工业大学
Priority date: 2019-07-25
Filing date: 2019-12-11
Publication date: 2021-01-28
Also published as: CN110413392A; JP2021525402A; JP6942397B2; CN110413392B

Abstract

一种移动边缘计算场景下制定单任务迁移策略的方法，解决移动边缘的场景下，采用整体迁移方案带来的丧失交互能力，增加基站带宽压力的问题，具体实现步骤如下：首先，将需要进行迁移计算的任务分割为具有相互依赖关系的不同子任务，且保证每个子任务都可以单独进行计算处理，同时确定图中不可以迁移子任务节点位置；其次，按照各个子任务间的依赖关系生成一张带权有向无环图，图中的每个节点代表数据的计算量，每条边代表不同组件之间数据的通信量；然后使用蚁群算法迭代计算出每个可迁移子任务具体执行位置，即确认迁移至边缘计算服务器还是在本地完成运算，最终得到以降低移动设备能耗为目的，基于蚁群算法的单任务迁移策略的次优解。

Description

一种移动边缘计算场景下制定单任务迁移策略的方法

技术领域

本发明属于移动边缘计算领域，以降低移动设备任务迁移能耗为目的，设计的基于蚁群算法的单任务迁移策略。

背景技术

智能手机或平板电脑等移动终端的普及，对移动和无线网络的影响十分深远，并且由此引发了全球移动网络的革命。这类移动设备面临着低存储容量、高能耗、低带宽和高延迟的网络环境。移动云计算(MCC)作为云计算与移动计算的集成，为移动设备带来了可观的能力，并通过集中式云提供存储、计算和能源。然而，随着大量移动设备的出现，MCC正面临着更为严峻的挑战，如高延迟、安全漏洞和低网络覆盖率。在下一代移动网络(例如5G)的场景下，这些问题可能变得更加突出。根据思科视觉网络指数最近发布的报告，到2020年，全球将有116亿部移动连接设备被使用。为了解决日益增长的网络需求，移动边缘计算(MEC)的概念诞生了。MEC的主要目的是解决来自MCC系统的挑战。MEC通过将云资源(例如存储和计算能力)部署到无线接入网的边缘来增强MCC的能力。这为终端用户提供了快速而强大的计算能力、能源效率、存储容量、移动性和环境感知支持。此前，被称为cloudlet的互联网边缘技术已被引入部署移动云服务。然而，由于其有限的WiFi覆盖范围cloudlet仍然不能解决现有的挑战。所以在MEC的研究领域仍有大量的问题有待解决。

在学术界，Rudenko A等人最早提出了任务迁移能够有效降低移动设备的能耗延长工作时间。该研究通过笔记本电脑上传计算量复杂的程序到远端台式机执行的实验，验证了上述猜想。Wen Y和Zhang W等人提出了一种联合优化的任务迁移方案，当移动应用在移动设备本地执行时，通过最佳地调度移动设备的时钟频率来最小化计算能耗，当移动应用在克隆云中执行时，通过配置无线信道的传输功率来最小化传输能耗。由于运行任务迁移算法本身是要消耗移动设备的计算资源和能量的，所以Huerta-Canepa G等人提出来一种依据移动应用的执行历史和当前应用状态来进行任务迁移的方案。该方案设定了任务迁移决策的自适应调整：当移动设备自身计算资源和电池电量充足时，使用动态决策方案，提高任务执行性能；当移动设备自身资源不足时，依据历史状态，在任务执行前就做好迁移决策，减少因动态决策引起的额外开销。在任务迁移时，无线网络也会影响到任务完成的能量消耗，Huang D和Wang P等人提出了根据无线网络环境动态改变任务迁移策略的一种方法，并把移动应用构建为多个子任务的有向无环图模型，通过分配各个子任务的执行位置，最小化移动应用的执行能耗。

另外，有的研究是同时对任务执行时间和能量消耗进行优化的。Wu Huaming等人提出了一种在缩短执行时间和节省能量消耗之间进行权衡的任务迁移方案，实现了云端计算资源的弹性、按需分配。Li Tianze等人提出了一种综合能量消耗、时间延迟和服务器执行成本的优化方案，用于MEC环境下的任务迁移。多个目标共存的任务迁移算法的复杂度往往过高，为了降低迁移算法的时间复杂度，Wang J等人提出一种基于李雅普诺夫(Lyapunov)优化理论的低复杂度任务迁移算法，并且能够同时降低执行时间和移动设备的能耗。

相对于传统移动云计算环境，在新的移动边缘计算环境下，用户与MEC服务器的距离更近，这使得任务迁移在数据传输上的通信开销大幅降低。传统的任务迁移策略在制定时，都将任务当做一个整体，如果迁移就将任务全部交给MEC服务器处理，不迁移则任务就在本地执行。这样的迁移策略对于频繁与服务器进行数据通信的移动设备显然不是最优的。本发明提出的将单任务拆分并制定迁移决策的任务迁移方式，可以提高任务执行性能，降低任务执行开销，将计算任务进行更细粒度的划分。此时利用任务的具体特性(任务拓扑结构、任务计算量、任务间传输数据量的大小等)设计一套任务迁移算法也就显得特别重要。

发明内容

现有的技术方案下，在进行任务迁移决策时，是以一个任务作为单位整体进行迁移决策。可在真实场景中存在许多任务需要和移动设备频繁进行交互，而这些操作必须在本地执行。因此，目前的技术方案是有不适用于真实的场景的部分。在移动边缘的场景下，用户的移动设备会与运营商的基站进行频繁的交互，如果采用整体迁移的方案，丧失交互能力的同时也会增加基站的带宽压力，这显然是不符合实际应用的。

本发明设计一个在单用户MEC系统中基于蚁群算法任务迁移策略，通过将应用转换为包含多个子任务的有向图，引入蚁群算法中信息素的概念来计算当前子任务迁移决策的概率，以移动设备能耗最小化为优化目标生成一组调度策略，并将算法进行多次迭代，不断对生成的调度策略进行优化以趋近最佳的任务调度策略。本发明充分考虑每一个子任务的情况，以制定整体的迁移策略，保证了每一个不可迁移子任务都能够在本地执行以满足用户交互的需要，更加适用于真实场景，提高了优化效率。

为了达到上述目的，本发明设计了如下方案，包含以下步骤：

步骤1，随机任务到达时先暂存在缓存队列中，当系统调度该任务执行时，将任务划分为多个可以独立执行的子任务，可表示为集合V＝{v ₁,v ₂,…v _i,…v _j,…,v _N}，N表示为子任务的总个数。同时将V划分为两组不同的集合V _loc、

其中V _loc代表必须在本地执行的不可迁移组件，V _off表示用于决策制定的可以迁移至MEC服务器的组件集合。并且每一个任务集V都存在一个唯一的入口事务和出口事务，其中所述的入口事务不存在前导事务，出口事务不存在后继事务。本发明还将定义一个二进制变量E _ij∈{0,1}以表示各个任务之间的依赖关系：

对于

均存在一个e _ij，用于表示任务i与任务j之间的数据传输量。最后通过子任务集V和事务依赖关系集E形成一个有向无环图G＝(V,E)。

步骤2，确定并初始化移动边缘计算模型的各项参数，建立能耗模型。

本发明提出的任务迁移策略目的是为了优化移动设备端执行能耗，为此需要对任务执行的位置(本地执行或者MEC端执行)进行定义，使用集合A＝{A ₁,A ₂,……,A _N}表示每个任务的执行位置,且

本发明使用ω(CPU cycles)表示任务计算量，f表示设备的CPU执行速率，T表示任务的执行时间。若任务在本地执行，可以将本地执行时间为：

若任务在计算速度为f _c的MEC服务器端执行时，任务完成所需的时间为：

假设Ρ为CPU执行任务时的功率单位是(W)，则移动设备在本地执行任务CPU的能耗可表示为：E _l＝P _lT _l。若任务在MEC服务器端执行，此时移动端设备不需要进行任务运算，但仍然需要消耗基础能量以维持设备运转，能耗用E _b＝P _bT _c表示。其中P _b(W)表示移动设备CPU闲置时的功率，T _c(s)表示移动设备闲置时间。由于P _b远小于P _l，所以任务迁移策略才可以为移动设备节约能量消耗。

在数据传输消耗上，用R _s和R _r分别表示数据上传的信道速率(移动端到MEC端)和数据下载信道速率(MEC端到移动端)单位为(bit/s)，P _s和P _r分别表示数据发送和数据接收时的通信功率，单位为(W)。

当任务j在MEC服务器端执行，并且其前置任务i在移动设备端执行，任务的传输时间为：

消耗的能量为：

当任务j在移动端执行而其前置任务在MEC服务器端执行，任务的传输时间为：

消耗的能量为：

依据以上构建的能耗模型，整个移动设备执行完成单个应用的总能耗可以表示为：

N表示子任务的总个数，等式右侧第二部分表示从第一个子任务至倒数第二个子任务的能耗总和，其中[E _l(1-A _i)+E _bA _i]表示移动设备CPU的能量消耗。公式(3)的

部分表示任务的总传输能耗，|A _i-A _j|用于判断任务i与其后置任务j是否在同一位置进行运算，若均在移动设备或均在MEC服务器进行运算，则不会产生传输能耗。因为最后一个子任务确定在本地执行且不存在后续任务，所以将其任务的能耗加在能耗计算模型的最前端。

至此我们将任务建立为最小化移动设备总能耗E(A)的模型，由于每个可迁移任务存在两种选择，迁移或者不迁移，那么N个任务的总迁移决策就会存在 2 ^N个解。若使用枚举法计算出任务最优能耗解，时间复杂度过高，并不适用于实际生产。所以本发明使用蚁群算法来解决这个复杂任务模型。

步骤3，初始化各条路径中的信息素浓度，任务循环次数t以及蚂蚁个数m。

为了计算出任务的具体执行能耗，就必须确定每个子任务实际的计算位置，也就是集合A＝{A ₁,A ₂,……,A _N}的值。每个子任务所需的任务计算量和数据通信量都不尽相同，为了尽可能的降低任务能耗，我们更倾向将计算依赖型的子任务传输到边缘计算节点进行运算，而数据通信量高但计算量低的子任务交给移动设备本地进行处理。蚁群算法于依据不同路径上信息素的浓度计算出任务迁移概率，从而得出任务迁移策略。本发明使用τ _c(0)＝{τ _1c(0)、……、τ _Nc(0)}、τ _l(0)＝{τ _1l(0)、……、τ _Nl(0)}分别表示蚁群算法开始执行时，各子任务在迁移路径和不迁移路径上的信息素浓度，且对于

有τ _ic(0)＝τ _il(0)＝δ，(δ∈(0,1))。对于

有τ _il(0)＝+∞。同时初始化任务循环次数，以及每轮循环中蚂蚁的个数m。

步骤4，利用蚁群算法得到每只蚂蚁所选路径，依据步骤2设计的任务总能耗模型从所有m只蚂蚁所选路径中，选择最小能耗E _min(A)对应的路径做为本次任务循环下的优选任务迁移策略，当本次任务循环下所有m只蚂蚁均完成任务以后继续执行步骤5

其中，蚂蚁所选路径由迁移计算概率决定，且第t次任务循环下，每只蚂蚁将子任务i迁移计算的概率P _ic(t)的计算公式如下：

上式中各符号的意义如下：

·t表示任务循环次数，也表示时刻；

·τ _ic(t)表示t时刻将任务i迁移至MEC服务器这条路径上信息素的浓度，τ _il(t)表示t时刻任务i本地计算这条路径上信息素的浓度；

·α表示信息素启发式因子(α∈[0,5])，它反映了信息素对蚂蚁路径选择的作用；

·

是一个启发函数，表示任务i需要迁移的期望程度，在本发明中取值为

由此可见e _ij越小

越大，也就是任务i迁移的期望值越高；

·β表示启发函数因子(β∈[0,5])，反映了启发函数在指导蚁群搜索中的相对重要程度；

由公式4得出各子任务的执行位置后，重置蚂蚁个数k，每只只蚂蚁按照本轮的任务迁移策略执行任务，依据步骤2设计的能耗模型，计算出每只蚂蚁所选路径的能耗，并更新最低能耗E _min(A)。当本轮所有m只蚂蚁均完成任务以后继续执行步骤5。

步骤5，如果未达到预设的任务循环次数，则更新信息素浓度，并返回步骤4继续寻找更优的任务迁移策略；如果达到预设的任务循环次数，则继续执行步骤6。

所述的信息素浓度更新公式如下：

τ _ic(t+1)＝(1-ρ)*τ _ic(t)+Δτ _ic(t,t+1) (5)

其中，ρ为信息素挥发因子(ρ∈[0.1,0.99])，1-ρ表示残留的信息素因子，Δτ _ic(t,t+1)表示为信息素经过一轮任务迭代后的增量，由公式6计算得到：

m为一次循环中蚂蚁的总个数，

表示第k只蚂蚁在任务i处任务迁移这条路径上留下的信息素，每只蚂蚁在任务i处迁移路径上留下的信息素则由公式7表示，其中Q是一个正常数(Q∈[1,10])，用于控制每只蚂蚁留下的信息素的数量。

步骤6，最后一次任务循环得到的优选任务迁移策略即为最优任务迁移策略，根据最优任务迁移策略进行任务分配，执行边缘计算。

与现有的技术相比，本发明具有以下特点：

本发明设计考虑到在现实MEC场景中，存在许多需要和移动用户频繁交互的应用，将这些应用程序整体迁移运算无疑会大量增加通信开销，导致更高的移动设备能耗。本发明将待处理的应用先转化为包含多个子任务的有向图，而后利用蚁群算法多次遍历待处理任务图，最终得出以能耗为优化目标的任务迁移策略次优解。相较于其他算法在保证任务执行效率的基础上，降低了任务执行的时间复杂度，同时细粒度拆分任务的方式，最大限度降低移动设备能耗，提升了整体MEC系统的服务质量。

附图说明

为使本发明的目的，方案更加通俗易懂，下面将结合附图对本发明进一步说明。

图1为本发明细粒度任务划分图；

图2为任务执行流程图；

具体实施方式

步骤1，如图1所展示的是一个应用的细粒度任务划分图，本发明将应用划分为多个独立执行的子任务，并用一个有向图G＝(V,E)来表示。图1中的节点ν∈V表示分割出来的子任务，图1中的边e _ij∈E表示任务之间的传输数据，例如：e _ij表示任务i执行完成后，会传输e _ij的数据给任务j，而任务j只有在接受到任务i执行完后传输过来的数据，才能开始执行。图中的子任务可以分成2两类：一类是必须本地执行的任务(例如用户的音视频采集与移动终端的交互等)，表示为图1中的实心任务1、4、6，表示为

另一类为可迁移任务，如图1中的空心任务2、3、5，表示为

本发明定义了一个二进制变量E _ij∈{0,1}以表示各个任务之间的依赖关系。公式1表示当E _ij＝1时，任务i执行完成后任务j才可以开始执行，其他情况下E _ij＝0。例如在图1中E ₁₂＝1，E ₄₅＝1，E ₆₃＝0，并且，若一个任务有两个或两个以上前置任务时，必须等到所有前置任务均完成以后才可执行。

步骤2，建立移动边缘计算的能耗模型，初始化任务参数。本发明将能耗模型分为两部分，本地计算能耗与迁移计算能耗。假设每个子任务的计算量分别为ω _i(CPU cycles)，CPU执行速率为f _l，执行计算时功率为P _l，则任务本地执行能耗可表示为：

若任务需要迁移计算，移动设备在任务迁移期间的待机能耗则可用

表示，同时因为任务迁移必将产生通信耗能，所以本发明分别使用

与

表示数据上传和下载的能耗。本发明提出的任务迁移策略目的是为了优化移动设备端执行能耗，为此需要对任务执行的位置(本地执行或者MEC端执行)进行定义，使用A _i∈{0,1}表示某个任务的执行位置。显然，所有必须在本地执行的任务只能由移动设备进行运算，所以对于

任务的总能耗则可由公式3表出。

步骤3，在步骤2的基础上想要得到任务执行的具体能耗只需确定集合A＝{A ₁,A ₂,……,A _N}的值。首先根据初始化的信息素浓度τ _c(0)、τ _l(0)以及公式4，计算出首轮任务迁移概率P _ic(0)。随后第一轮的k只蚂蚁通过P _ic(0)可分别求得各自第一次任务迁移策略A＝{A ₁,A ₂,……,A _N}的值，(求解方法如下：假设P _1c(0)＝λ，此时通过完全随机方法生成一个数字μ∈(0,1)，若0<λ≤μ则A ₁＝1，若1>λ>μ则A ₁＝0。)最后利用公式3即可得出任务总能耗，并在这k个能耗中选取最小值记录为E _min(A)。

步骤4，依据最小能耗E _min(A)以及公式5-7，更新不同路径上的信息素浓度。利用新的信息素浓度和公式4计算出第下一轮的任务分配概率P _ic(t)，通过P _ic(t)又可得出新的任务迁移策略A，继而更新最优能耗E _min(A)。

步骤5，如果未达到预设的任务循环次数t，则返回步骤4继续寻找更优的任务迁移策略；如果达到预设的任务循环次数t，则继续执行步骤6。

步骤6，最后一次任务循环得到的优选任务迁移策略即为最优任务迁移策略，根据最优任务迁移策略进行任务分配，执行边缘计算。具体执行流程图如图2所示。

Claims

一种移动边缘计算场景下制定单任务迁移策略的方法，其特征在于包含以下步骤：

步骤1，随机任务到达时先暂存在缓存队列中，当系统调度该任务执行时，将任务划分为多个可以独立执行的子任务，可表示为集合V＝{v ₁,v ₂,…v _i,…v _j,…,v _N}，N表示为子任务的总个数，同时将V划分为两组不同的集合V _loc、
其中V _loc代表必须在本地执行的不可迁移子任务，V _off表示用于决策制定的可以迁移至MEC服务器的子任务集合，并且每一个任务集V都存在一个唯一的入口事务和出口事务，其中所述的入口事务不存在前导事务，出口事务不存在后继事务，本发明还将定义一个二进制变量E _ij∈{0,1}以表示各个任务之间的依赖关系：

对于
均存在一个e _ij，用于表示任务i与任务j之间的数据传输量，最后通过任务集V和事务依赖关系集E形成一个有向无环图G＝(V,E)；

步骤2，结合任务计算与任务传输能耗模型建立任务总能耗模型，并初始化总能耗模型各参数；

步骤3，初始化各条路径中的信息素浓度，任务循环次数t以及每轮循环中蚂蚁个数m；

步骤4，利用蚁群算法得到每只蚂蚁所选路径，依据步骤2设计的任务总能耗模型从所有m只蚂蚁所选路径中，选择最小能耗E _min(A)对应的路径做为本次任务循环下的优选任务迁移策略，当本次任务循环下所有m只蚂蚁均完成任务以后继续执行步骤5，

其中，蚂蚁所选路径由迁移计算概率决定，且第t次任务循环下，每只蚂蚁将子任务i迁移计算的概率P _ic(t)的计算公式如下：

上式中各符号的意义如下：

·t表示任务循环次数；

·τ _ic(t)表示t时刻将任务i迁移至MEC服务器这条路径上信息素的浓度，τ _il(t)表示t时刻任务i本地计算这条路径上信息素的浓度；

·α表示信息素启发式因子，它反映了信息素对蚂蚁路径选择的作用；

是一个启发函数，表示任务i需要迁移的期望程度，在本发明中取值为
由此可见e _ij越小
越大，也就是任务i迁移的期望值越高；

·β表示启发函数因子，反映了启发函数在指导蚁群搜索中的相对重要程度；

步骤5，如果未达到预设的任务循环次数，则更新信息素浓度，并返回步骤4继续寻找更优的任务迁移策略；如果达到预设的任务循环次数，则继续执行步骤6，

所述的信息素浓度更新公式如下：

τ _ic(t+1)＝(1-ρ)*τ _ic(t)+Δτ _ic(t,t+1) (5)

其中，ρ为信息素挥发因子，1-ρ表示残留的信息素因子，Δτ _ic(t,t+1)表示为信息素经过一轮任务迭代后的增量，由公式6计算得到：

m为一次循环中蚂蚁的总个数，
表示第k只蚂蚁在任务i处任务迁移这条路径上留下的信息素，每只蚂蚁在任务i处迁移路径上留下的信息素则由公式7表示，其中Q是一个正常数，用于控制每只蚂蚁留下的信息素的数量，

此处的E _min(A)代表第t次任务循环对应的最小能耗；

步骤6，最后一次任务循环得到的优选任务迁移策略即为最优任务迁移策略，根据最优任务迁移策略进行任务分配，执行边缘计算。
根据权利要求1所述的一种移动边缘计算场景下制定单任务迁移策略的方法，其特征在于：

步骤3中所述的信息素浓度包括蚁群算法开始执行时各子任务在迁移路径上的信息素浓度τ _c(0)＝{τ _1c(0)、……、τ _Nc(0)}，和各子任务在不迁移路径上的信息素浓度τ _l(0)＝{τ _1l(0)、……、τ _Nl(0)}，且对于
有τ _ic(0)＝τ _il(0)＝δ，δ∈(0,1)，对于
有τ _il(0)＝+∞。
根据权利要求1所述的一种移动边缘计算场景下制定单任务迁移策略的方法，其特征在于：

步骤2中所述的任务计算能耗模型如下：若任务在本地执行，则移动设备在本地执行任务的能耗为：E _l＝P _lT _l，其中，P _l为本地CPU执行任务时的功率，任务执行时间
ω _i表示任务i的计算量，f _l表示本地设备的CPU执行速率；

若任务在MEC服务器端执行，则移动设备的基础能耗E _b＝P _bT _c，其中，P _b表示移动设备CPU闲置时的功率，任务执行时间
f _c表示MEC服务器的CPU执行速率；

步骤2中所述的任务传输能耗模型如下：

当任务j在MEC服务器端执行，并且其前置任务i在移动设备端执行，则消耗的能量为：
其中任务的传输时间

当任务j在移动端执行，而其前置任务在MEC服务器端执行，则消耗的能量为：
其中，任务的传输时间为：

其中，R _s和R _r分别表示数据上传的信道速率和数据下载信道速率，P _s和P _r分别表示数据发送和数据接收时移动设备的功率。

步骤2中所述的任务总能耗模型如下：

其中，

集合A＝{A ₁,A ₂,……,A _N}表示每个任务的执行位置,且