面向异构网络边缘计算的任务卸载方法技术

本发明专利技术涉及无线通信技术领域，具体涉及一种面向异构网络边缘计算的任务卸载方法，包括：移动用户请求计算任务，建立任务队列模型，得到移动用户的卸载任务量；根据移动用户的最大卸载任务量设定约束条件；建立系统模型，构建以最大化时间平均卸载收益为目标的任务卸载优化问题；利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题，通过最小化李雅普诺夫漂移与惩罚项之和得到新的优化方程；提出一种基于最值的选择准则，在此基础上，决策用户卸载的最优目标服务器以及卸载的最优任务量。本发明专利技术提出的任务卸载方法可以确定卸载的最优目标服务器以及最优的任务卸载量，在保证系统的稳定性的同时，最大化系统的时间平均卸载收益。

Task unloading method for heterogeneous network edge computing

【技术实现步骤摘要】
面向异构网络边缘计算的任务卸载方法
本专利技术涉及无线通信
，具体涉及一种面向异构网络边缘计算的任务卸载方法。
技术介绍
近年来，随着移动互联网和物联网(InternetofThings,IoT)的快速发展，平板电脑、智能手机、可穿戴设备等智能终端的日益普及，促使越来越多的计算密集型应用(如：智能驾驶、自然语言处理、增强现实/虚拟现实)快速涌现。然而，受移动设备的CPU性能、续航能力、储存容量等因素的限制，在处理本地计算密集型应用时，会出现运算速度缓慢、掉电迅速等问题。移动边缘计算(MobileEdgeComputing,MEC)作为一种新兴和有前景的计算范式，将计算和存储资源部署到网络边缘，有效提升了用户业务体验。在移动边缘计算的支持下，海量的IoT设备将计算任务卸载到云端，增强其计算能力，避免了拥塞，延长了电池的续航能力，然而面向物联网下的MEC依然存在一些挑战。首先，具有不同流量特性(数据类型，计算负载/密度，预期完成时间)的新兴应用或异构网络下的边缘设备具有不同的需求。因此，多样化的应用和异构化的智能终端对网络的传输和处理能力的差异化需求提出了严峻的挑战。随着移动用户的处理需求变得越来越多样化和耗能，选择由异构体系结构组成的网络进行计算卸载已是大势所趋。然而，在异构MEC系统中，需要考虑移动用户卸载到哪个MEC服务器以及卸载多少任务量的问题。
技术实现思路
基于上述问题，为了实现在异构网络的环境中，选取合适的卸载目标服务器以及选取合适的卸载任务量，保证系统的稳定性，本专利技术提供一种面向异构网络边缘计算的任务卸载方法。一种面向异构网络边缘计算的任务卸载方法，包括以下步骤：S1、移动用户请求计算任务，根据移动用户请求计算任务的属性建立任务队列模型，得到移动用户的卸载任务量；S2、根据移动用户的最大卸载任务量设定约束条件，确保一个用户的计算任务在单位时隙只能卸载到一个服务器上；S3、根据移动用户的计算任务卸载过程建立系统模型，构建以最大化时间平均卸载收益为目标的任务卸载优化问题；S4、利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题，通过最小化李雅普诺夫漂移与惩罚项之和得到新的优化方程；S5、根据任务卸载的属性要求，采用基于最值的选择准则求解优化方程，得到移动用户卸载的最优目标服务器以及卸载的最优任务量。本专利技术的有益效果：在面向异构网络的环境中，本专利技术提出的任务卸载方法可以确定卸载的最优目标服务器以及最优的任务卸载量，在保证系统的稳定性的同时，最大化系统的时间平均卸载收益。附图说明下面结合附图和具体实施方式对本专利技术做进一步详细的说明。图1为本专利技术实施例的系统模型图；图2为本专利技术实施例的面向异构网络边缘计算的任务卸载方法流程图；图3为本专利技术实施例的一种决策树图；图4为传统方法与本专利技术方法的系统队列挤压对比图；图5为传统方法与本专利技术方法的系统卸载效用对比图；图6为λi＝10Mbit/s时，不同V值对负的卸载效用和队列挤压的对比图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1所示为本专利技术实施例的面向异构网络边缘计算的任务卸载方法系统模型图，异构场景的MEC网络由一个宏基站(MacroBaseStation,MBS)和一个小基站(SmallBaseStation,SBS)组成，MBS和SBS内各部署一个MEC服务器。在MEC系统中，将时间划分为等长时隙的时隙模型，时隙长度表示为τ，时隙的索引表示为t＝0,1,2,...，为简便起见，使用表示在第t时隙用户的集合，其中km(t)为MBS下请求服务的用户数，ks(t)为SBS下请求服务的用户数的集合，假设km(t)服从参数λm的泊松分布，ks(t)服从参数λs的泊松分布，对于每个用户i，都有一个任务队列用于缓冲要计算的任务。定义移动用户i新到达的任务为随机变量的集合由于在单位时隙内任务到达量是有限的，有假设每个随机变量Ai(t)服从独立同分布，则单位时隙内任务的平均到达率图2为本专利技术的面向异构网络边缘计算的任务卸载方法流程图，该方法可以在异构网络的环境中选取卸载的最优目标服务器以及卸载的最优任务量，在保证系统的稳定性的同时，最大化系统的时间平均卸载收益，该方法包括但不限于如下步骤：步骤一：移动用户请求计算任务，根据移动用户请求计算的任务的属性建立任务队列模型，得到移动用户的卸载任务量，任务队列模型用来描述移动用户的任务卸载问题。所述任务队列模型为：其中，Qi(t)、bi(t)、γi和分别表示移动用户i在时隙t的开始等待处理的任务量、移动用户i在时隙t卸载的任务量、移动用户i的计算密度、移动用户i的最大容忍计算时间。用表示所有移动用户在t时隙的开始队列挤压的集合，因此，有：其中，Qi(t+1)表示用户i在t+1时隙的开始等待处理的任务量，Qi(t)表示用户i在第t时隙的开始等待处理的任务量，bi(t)表示用户i的任务卸载量，Ai(t)表示在用户i在第t时隙的开始到达的任务量，表示在第t时隙用户的集合。进一步地，移动用户i的稳定性约束表示如下：其中，表示系统平均队列长度，T表示时隙的长度，sup函数表示求最小上界的函数，Qi(t)表示用户i在时隙t的开始等待处理的任务量，表示Qi(t)的期望值。步骤二：根据移动用户的最大卸载任务量设定约束条件，确保一个用户的计算任务在单位时隙只能卸载到一个服务器上。进一步的，所述约束条件包括：其中，ai(t)表示任务卸载选择的目标服务器，t表示时隙的索引，ai(t)＝1表示移动用户i卸载到与MBS相连的服务器，ai(t)＝0表示移动用户i卸载到与SBS相连的服务器，表示移动用户i的最少任务卸载量，bi(t)表示移动用户i的任务卸载量，表示移动用户i的最大任务卸载量，表示队列的稳定性。步骤三：根据移动用户的计算任务卸载过程建立系统模型，构建以最大化时间卸载收益为目标的任务卸载优化问题，最大化系统的时间平均卸载收益。假设异构网络中MBS下的用户只能通过MBS将计算任务卸载到MEC服务器执行，SBS下的用户可通过MBS或SBS将计算任务卸载到MEC服务器执行，如图3所示，本专利技术使用ai(t)∈{0,1}代表用户i的计算卸载决策，具体地，若SBS下用户通过SBS将计算任务卸载到MEC服务器，则令ai(t)＝0，若通过MBS将计算任务卸载到MEC服务器，则令ai(t)＝1，令作为卸载决策向量，令表示每个用户i具体决策卸载的任务量，即任务卸载变量，其中，ks(t)表示表示SBS下请求服务的用户数。在此基础上，建立任务卸本文档来自技高网...

【技术保护点】
1.一种面向异构网络边缘计算的任务卸载方法，其特征在于，包括以下步骤：/nS1、移动用户请求计算任务，根据移动用户请求计算任务的属性建立任务队列模型，得到移动用户的卸载任务量；/nS2、根据移动用户的最大卸载任务量设定约束条件，确保一个用户的计算任务在单位时隙只能卸载到一个服务器上；/nS3、根据移动用户的计算任务卸载过程建立系统模型，构建以最大化时间平均卸载收益为目标的任务卸载优化问题；/nS4、利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题，通过最小化李雅普诺夫漂移与惩罚项之和得到新的优化方程；/nS5、根据任务卸载的属性要求，采用基于最值的选择准则求解优化方程，得到移动用户卸载的最优目标服务器以及卸载的最优任务量。/n

【技术特征摘要】
1.一种面向异构网络边缘计算的任务卸载方法，其特征在于，包括以下步骤：
S1、移动用户请求计算任务，根据移动用户请求计算任务的属性建立任务队列模型，得到移动用户的卸载任务量；
S2、根据移动用户的最大卸载任务量设定约束条件，确保一个用户的计算任务在单位时隙只能卸载到一个服务器上；
S3、根据移动用户的计算任务卸载过程建立系统模型，构建以最大化时间平均卸载收益为目标的任务卸载优化问题；
S4、利用李雅普诺夫优化理论将任务卸载优化问题转换为每一时隙内的优化问题，通过最小化李雅普诺夫漂移与惩罚项之和得到新的优化方程；
S5、根据任务卸载的属性要求，采用基于最值的选择准则求解优化方程，得到移动用户卸载的最优目标服务器以及卸载的最优任务量。


2.根据权利要求1所述的一种面向异构网络边缘计算的任务卸载方法，其特征在于，所述任务队列模型包括：



其中，Θi表示移动用户i的任务队列属性，Qi(t)表示移动用户i在时隙t的开始等待处理的任务量，bi(t)表示移动用户i在时隙t卸载的任务量，γi表示移动用户i的计算密度，表示移动用户i的最大容忍计算时间。


3.根据权利要求1所述的一种面向异构网络边缘计算的任务卸载方法，其特征在于，所述约束条件包括：









其中，ai(t)表示任务卸载选择的目标服务器，t表示时隙的索引，ai(t)＝1表示移动用户i卸载到与MBS相连的服务器，ai(t)＝0表示移动用户i卸载到与SBS相连的服务器，表示移动用户i的最少任务卸载量，bi(t)表示用户i的任务卸载量，表示移动用户i的最大任务卸载量，表示队列的稳定性。


4.根据权利要求1所述的一种面向异构网络边缘计算的任务卸载方法，其特征在于，所述系统模型包括通信模型、计算模型、能耗模型、效益模型、收益模型；
通信模型的计算方式包括：
Wi(t)＝ai(t)αmTm,tran(bi,rm)+(1-ai(t))αsTs,tran(bi,rs)
其中，Wi(t)表示通信成本，ai(t)表示任务卸载选择的目标服务器，αm表示移动用户i与宏基站之间每单位时间传输数据成本，Tm,tran(bi,rm)表示传输计算数据到MBS过程中消耗的时间，且bi(t)表示动用户i的任务卸载量，rm(t)表示MBS中用户i的通信速率，αs表示移动用户i与小基站之间每单位时间传输数据成本，Ts,tran(bi,rs)表示传输计算数据到SBS过程中消耗的时间，且rs(t)表示SBS中用户i的通信速率；
计算模型的计算方式包括：
Ci(t)＝ai(t)βmTm,exe(bi,fm)+(1-ai(t))βsTs,exe(bi,fs)
其中，Ci(t)表示通信成本，βm，βs分别表示MBS和SBS之间每单位时间计算成本，Tm,exe(bi,fm)，Ts,exe(bi,fs)分别表示在MBS和SBS上服务器执行任务的时间，且γi示移动用户i的计算密度，fm，fs分别表示与MBS，SBS相连的MEC服务器的计算能力；
能耗模型的计算方式包括：
Ei(t)＝Ei,com(t)+Ei,tran(t)
其中，Ei,com(t)表示MEC服务器计算消耗的能量，Ei,com(t)＝ai(t)δγibi(fm)2+(1-ai(t))δγibi(fs)2，δ表示开关电容，Ei,tran(t)表示移动用户i传输过程中消耗的能量，Ei,tran(t)＝ai(t)Tm,tran(bi)pm+(1-ai(t))Ts,tran(bi)ps，T...

【专利技术属性】
技术研发人员：温醒醒，夏士超，李云，苏开荣，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50