基于流水线的云-边-端协作卸载方法和系统技术方案

本发明专利技术提供一种基于流水线的云‑边‑端协作卸载方法和系统，涉及移动边缘计算技术领域。本发明专利技术通过流水线卸载策略对任务进行分配，能有效的降低时延敏感任务在移动设备与边缘节点、边缘节点与云中心之间的传输的通信资源，从而减少时延敏感任务在移动设备、边缘节点与云中心之间的传输时间，达到减少时延的目的。同时本发明专利技术基于流水线的云‑边‑端协作卸载架构，联合考虑了流水线卸载策略、计算资源和通信资源，提出了最小化所有移动设备的总等待时延问题，在本发明专利技术中，任务可以同时在移动设备本地，边缘节点的MEC服务器和云端进行计算，减少系统时延，满足时延敏感任务对时效性的要求。

【技术实现步骤摘要】
基于流水线的云-边-端协作卸载方法和系统
本专利技术涉及移动边缘计算
，具体涉及一种基于流水线的云-边-端协作卸载方法和系统。
技术介绍
随着移动设备的智能化，对虚拟现实，自然语言处理，超高清视频和在线游戏等新型高计算能力应用的需求不断增长，因此为移动设备提供高计算能力已成为未来无线通信系统的另一个重要目标。达到这个目标的一个主要途径是将计算密集的任务卸载到附近资源更加丰富的服务器上，这种方法称为计算卸载。在现有方法中，主要通过边缘节点的MEC服务器(mobileedgecomputing移动边缘计算)、云中心与移动设备的协作，完整任务卸载，为了在终端、边缘和云共同处理任务，现有技术中，在进行任务卸载时，主要考虑移动终端本身的计算能力和功耗限制，边缘节点的计算能力和功耗限制等，实现最小化所有移动设备的总等待时延问题为目标。然而，本专利技术的申请人发现，现有的计算卸载方法不能满足时延敏感任务对时效性的要求。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于流水线的云-边-端协作卸载方法和系统，解决了现有的计算卸载方法不能满足时延敏感任务对时效性的要求的技术问题。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：本专利技术提供了一种基于流水线的云-边-端协作卸载方法，通过流水线卸载策略对任务进行分配，流水线卸载策略包括：对于任何任务，移动设备首先要判断本地是否有足够的可用资源，当移动设备有足够的能力处理任务时，移动设备独自处理整个任务；否则，移动设备根据自身的计算能力处理部分任务，将剩余的任务卸载到最近的边缘节点；边缘节点上的MEC根据接收到的任务量以及自身的计算资源来决定处理多少任务；如果MEC无法处理所有卸载来的任务，MEC处理与其计算能力相匹配的任务，将剩余的任务卸载给拥有充足计算资源的云中心，所述方法包括以下步骤：S1、获取任务数据和计算资源数据，基于任务数据和计算资源数据设定变量参数，其中变量参数包括所有移动设备任务I，移动设备n的当前任务量In、移动设备n的计算能力fn；S2、依据任务执行量的流水线卸载策略将移动设备n的当前任务量In对应分配给移动设备n、边缘节点及云中心，根据所述变量参数及其初始化值，构建移动设备n、边缘节点及云中心各自与对应分配的任务执行量分别关联的时延模型；S3、根据所述时延模型，得到所有移动设备任务I被全部卸载执行时的最大时延模型；S4、定义出联合优化任务的流水线卸载策略、计算资源和通信资源的分配问题，以最小化所有移动设备的总等待时延问题为目标，根据所述最大时延模型，将所述分配问题转换为目标函数及对应约束条件；S5、基于目标函数、约束条件、每个移动设备的当前任务量、任务需要的计算资源、移动设备n的计算能力fn，获取最优的任务流水线卸载策略、计算资源和通信资源分配策略。优选的，所述变量参数还包括：任务需要的计算资源ψn和任务完成的截止时间边缘节点的数量S、移动设备的数量N、边缘节点s计算资源上限和云中心计算资源上限优选的，所述计算资源包括边缘节点分配给移动设备n的计算能力fn,s和云中心分配给边缘节点s的计算资源优选的，所述移动设备n、边缘节点及云中心各自与对应分配的任务执行量分别关联的时延模型，包括：移动设备n的时延模型为：式中：表示移动设备n执行卸载任务的时延，表示移动设备n本地计算需要的计算资源，fn表示移动设备n的计算能力，任务从移动设备n卸载到边缘节点s的传输时延、计算时延为：边缘节点的延时模型为：式中：表示任务从移动设备n卸载到边缘节点s的传输时延，表示任务从移动设备n卸载到边缘节点s的计算时延，Tn,s表示边缘节点s执行卸载任务的时延，表示边缘节点计算的数据大小，rn,s表示移动设备n和边缘节点s之间的传输速率，表示边缘节点计算需要的计算资源，fn,s表示边缘节点s分配给移动设备n的计算能力，云中心的延时模型为：式中：表示任务从边缘节点s卸载到云中心c的的传输时延，表示任务从边缘节点s卸载到云中心c的的计算时延，表示云中心c执行卸载任务的时延，表示云中心计算的数据大小，表示边缘节点s和云中心c之间的传输速率，表示云中心计算需要的计算资源，表示对于任务n，云中心c分配给边缘节点s的计算能力，优选的，所述根据所述时延模型，得到所有移动设备任务I被全部卸载执行时的最大时延模型，包括：用集合表示流水线卸载策略的集合，其中xnIn(xn∈[0,1])表示任务在本地处理的部分，(1-xn)xn,sIn表示剩下的任务(1-xn)In，边缘节点s处理其中的xn,s∈[0,1]，剩余的(1-xn)(1-xn,s)In将被卸载到云中心上处理，任务能否在截止日期内完成，直接受到流水线卸载策略的影响；任务在本地计算、边缘计算以及云中心计算的大小可以分别建模为：移动设备本地计算、边缘计算以及云中心计算所需的计算资源可以分别重写为：任务的处理时延重新建模，具体如下：移动设备本地计算：对于本地计算方案，在移动设备n上处理，相对应的计算时延重写为：边缘计算：如果移动设备本地无法计算所有任务，移动设备n需要将剩下的任务(1-xn)In卸载到最近的边缘节点上；由于边缘节点s上部署的MEC服务器的计算资源有限，所以边缘节点s处理剩下任务中的xn,s，通过无线信道将大小为(1-xn)In的任务从移动设备n卸载到边缘节点s的传输时延可以重新定义为：边缘节点s处理剩下任务中的xn,s的计算时延可以重新定义为：云计算：当边缘节点不能计算所有任务时，边缘节点将卸载剩余的所有任务(1-xn)(1-xn,s)In到云中心c，通过无线前程信道将大小为(1-xn)(1-xn,s)In的任务从ENs卸载到云中心c的传输时延可以重写为：云中心c处理剩余任务的计算时延可以改写成：此时，移动设备n完成任务的总时延可以表示为：因此，即最大时延模型如下：优选的，所述通信资源包括传输速率和传输功率。优选的，所述目标函数及对应约束条件包括：其中，T为所有移动设备任务I的总处理时延，约束C1表示任务需要在截止日期内完成；约束C2表示流水线卸载策略的取值范围；C3确保完成这项任务所需要的电量不能超过移动设备现有电量的上限；C4表示计算资源分配不能超过边缘节点及云中心计算资源的上限值；C5表示移动设备和边缘节点的传输功率不能超过上界值；C6和C7分别表示移动设备到边缘节点以及边缘节点到云中心的传输速率不本文档来自技高网...

【技术保护点】
1.一种基于流水线的云-边-端协作卸载方法，其特征在于，通过流水线卸载策略对任务进行分配，流水线卸载策略包括：对于任何任务，移动设备首先要判断本地是否有足够的可用资源，当移动设备有足够的能力处理任务时，移动设备独自处理整个任务；否则，移动设备根据自身的计算能力处理部分任务，将剩余的任务卸载到最近的边缘节点；边缘节点上的MEC根据接收到的任务量以及自身的计算资源来决定处理多少任务；如果MEC无法处理所有卸载来的任务，MEC处理与其计算能力相匹配的任务，将剩余的任务卸载给拥有充足计算资源的云中心，所述方法包括以下步骤：/nS1、获取任务数据和计算资源数据，基于任务数据和计算资源数据设定变量参数，其中变量参数包括所有移动设备任务I，移动设备n的当前任务量I

【技术特征摘要】
1.一种基于流水线的云-边-端协作卸载方法，其特征在于，通过流水线卸载策略对任务进行分配，流水线卸载策略包括：对于任何任务，移动设备首先要判断本地是否有足够的可用资源，当移动设备有足够的能力处理任务时，移动设备独自处理整个任务；否则，移动设备根据自身的计算能力处理部分任务，将剩余的任务卸载到最近的边缘节点；边缘节点上的MEC根据接收到的任务量以及自身的计算资源来决定处理多少任务；如果MEC无法处理所有卸载来的任务，MEC处理与其计算能力相匹配的任务，将剩余的任务卸载给拥有充足计算资源的云中心，所述方法包括以下步骤：
S1、获取任务数据和计算资源数据，基于任务数据和计算资源数据设定变量参数，其中变量参数包括所有移动设备任务I，移动设备n的当前任务量In、移动设备n的计算能力fn；
S2、依据任务执行量的流水线卸载策略将移动设备n的当前任务量In对应分配给移动设备n、边缘节点及云中心，根据所述变量参数及其初始化值，构建移动设备n、边缘节点及云中心各自与对应分配的任务执行量分别关联的时延模型；
S3、根据所述时延模型，得到所有移动设备任务I被全部卸载执行时的最大时延模型；
S4、定义出联合优化任务的流水线卸载策略、计算资源和通信资源的分配问题，以最小化所有移动设备的总等待时延问题为目标，根据所述最大时延模型，将所述分配问题转换为目标函数及对应约束条件；
S5、基于目标函数、约束条件、每个移动设备的当前任务量、任务需要的计算资源、移动设备n的计算能力fn，获取最优的任务流水线卸载策略、计算资源和通信资源分配策略。


2.如权利要求1所述的基于流水线的云-边-端协作卸载方法，其特征在于，所述变量参数还包括：任务需要的计算资源ψn和任务完成的截止时间边缘节点的数量S、移动设备的数量N、边缘节点s计算资源上限fsmax和云中心计算资源上限fcmax。


3.如权利要求1所述的基于流水线的云-边-端协作卸载方法，其特征在于，所述计算资源包括边缘节点分配给移动设备n的计算能力fn,s和云中心分配给边缘节点s的计算资源


4.如权利要求1所述的基于流水线的云-边-端协作卸载方法，其特征在于，所述移动设备n、边缘节点及云中心各自与对应分配的任务执行量分别关联的时延模型，包括：
移动设备n的时延模型为：



式中：

表示移动设备n执行卸载任务的时延，

表示移动设备n本地计算需要的计算资源，
fn表示移动设备n的计算能力，
任务从移动设备n卸载到边缘节点s的传输时延、计算时延为：边缘节点的延时模型为：



式中：







表示任务从移动设备n卸载到边缘节点s的传输时延，

表示任务从移动设备n卸载到边缘节点s的计算时延，
Tn,s表示边缘节点s执行卸载任务的时延，

表示边缘节点计算的数据大小，
rn,s表示移动设备n和边缘节点s之间的传输速率，

表示边缘节点计算需要的计算资源，
fn,s表示边缘节点s分配给移动设备n的计算能力，
云中心的延时模型为：



式中：







表示任务从边缘节点s卸载到云中心c的的传输时延，

表示任务从边缘节点s卸载到云中心c的的计算时延，

表示云中心c执行卸载任务的时延，

表示云中心计算的数据大小，

表示边缘节点s和云中心c之间的传输速率，

表示云中心计算需要的计算资源，

表示对于任务n，云中心c分配给边缘节点s的计算能力，


5.如权利要求4所述的基于流水线的云-边-...

【专利技术属性】
技术研发人员：开彩红，周浩，黄伟，彭敏，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34