一种云边融合异构网络中任务卸载与数据缓存方法技术

本发明专利技术公开一种云边融合异构网络中任务卸载与数据缓存方法。主要步骤包括：1、生成任务描述集合I＝{H

【技术实现步骤摘要】
一种云边融合异构网络中任务卸载与数据缓存方法


[0001]本专利技术属于无线网络
，涉及一种云边融合异构网络中任务卸载与数据缓存方法。

技术介绍

[0002]在物联网(IoT)迅猛发展的推动下，各种移动应用(如远程医疗系统，监视和安全监控系统)的数据量爆炸性增长，以及对超低延迟和高可靠性的严格要求，给物联网设备带来了沉重的处理负担。移动云计算允许移动设备将本地计算任务部分或全部迁移到远程云服务器上，减少移动设备的能源消耗，但是，将任务卸载到核心网络的云服务器上需要消耗回程链路资源，产生额外的延迟或者能耗开销，无法满足5G场景的低延迟、高可靠性要求。
[0003]移动边缘计算是一项在近距离为移动用户提供云服务和IT服务的新兴技术。在移动边缘计算中，移动边缘服务器部署在基站，移动边缘计算平台通过为边缘设备提供计算和存储能力来减少网络延迟。移动设备和物联网设备常利用移动边缘计算服务为计算密集型应用程序执行计算卸载，例如图像处理，移动游戏等。但是，移动边缘计算忽略了云服务器中巨大的计算资源。而云边融合(计算)异构网络系统是集中式云计算和移动边缘计算并存的形式，通过计算卸载、数据缓存和资源分配来提高用户体验以及能量和网络资源利用率。因此，在云边计算异构网络系统中充分利用云和边缘处的强大资源特别必要和重要。经查阅相关文献，未见有关针对云边计算异构网络中卸载、缓存决策和资源分配迭代优化问题的报道。
[0004]鉴于以上考虑，本专利技术提出了一种云边计算异构网络中任务卸载、数据缓存和资源分配方法：1、先初始用户的传输功率和CPU频率，在对应功率和频率下求能达到最小完成时间的任务卸载决策与缓存决策。2、在求得卸载决策和缓存决策的情况下求最优传输功率和CPU频率。反复进行这两步迭代直到求得最优解。

技术实现思路

[0005]本专利技术所要解决的技术问题是提出一种云边计算异构网络中任务卸载和数据缓存方法。通过对卸载决策、缓存决策、传输功率和CPU频率进行联合优化，目标是最小化执行延迟和能耗。
[0006]专利技术的技术解决方案如下：
[0007]一种云边计算异构网络中任务卸载、数据缓存和资源分配方法，首先构建云边计算异构网络场景，当前网络环境由具有单个天线的η个移动用户、个AP和1个云服务器组成，其中I＝{1,
…
,η}表示移动用户的集合，表示AP的集合。每个移动用户通过无线链接到其关联的AP，而AP和云服务器通过光纤有线链接。每个AP都配备了具有缓存空间的边缘服务器，在其无线覆盖范围内向移动用户提供计算服务。云服务器可以视为计算和数据中心。每一个移动用户(边缘设备)有一个计算任务，边缘设备i∈I的任务为H
i
＝(S
i
,W
i
)，其中S
i
为任务的数据量大小，单位为比特。W
i
为完成任务所需的CPU周期数。S
i
分成D
i
和
U
i
两部分，其中D
i
为在本地采集的动态变化的数据，U
i
为计算任务需要的相关数据，存储在云服务器的数据库中，该部分数据属于不变的数据。
[0008]本专利技术提出的云边计算异构网络中任务卸载与数据缓存方法，步骤如下：
[0009]1、构建云边计算异构网络中系统的数学模型，步骤如下：
[0010]每个任务可以在本地，边缘服务器或运算能力更强的云服务器上执行计算。令a
i,m
∈{0,1}表示是否用户i的任务卸载到MEC服务器，a
i,m
＝1表示卸载用户i的任务到MEC服务器m∈M上进行计算，并且用集合表示对应于用户i的卸载决策。令b
i,m
∈{0,1}表示是否卸载用户i的任务到云服务器上进行计算，b
i,m
＝1表示用户i的任务通过MEC服务器m∈M卸载到云服务器上进行计算，集合表示相应的决策。令c
i,m
∈{0,1}表示数据U
i
是否在边缘服务器m∈M上进行缓存，c
i,m
＝1表示用户i的所需远程数据库数据U
i
缓存到MEC服务器上，集合表示相应的缓存决策。相应地，每个用户的任务只能选择在本地执行、卸载到边缘服务器执行或卸载到云服务器执行，因此，用户i的任务卸载缓存决策满足下面的约束条件：
[0011]∑
m∈M
(a
i,m
+b
i,m
)≤1,i∈I
ꢀꢀꢀ
(1)
[0012]每个AP的计算资源为O
m
，每个AP的缓存容量为C
m
，需满足如下约束：
[0013]∑
i∈I
a
i,m
W
i
≤O
m
,m∈M
ꢀꢀꢀ
(2)
[0014]∑
i∈I
c
i,m
U
i
≤C
m
,m∈M
ꢀꢀꢀ
(3)
[0015]用户i与边缘服务器m的上行/下行链路传输速率为和公式如下：
[0016][0017][0018]其中，为信道增益；g
i,m
为信道功率增益；d
i,m
为AP与用户的距离；α为通道损失系数；p
i
为用户i到AP(MEC服务器m∈M)的上行链路传输功率，单位为W；q
i
为MEC服务器m∈M到用户i的下行链路传输功率，单位为W；B为信道带宽，单位为Hz，N0表示噪声功率谱密度。
[0019]用户i的任务H
i
在本地执行的时延表示为公式如下：
[0020][0021]其中，表示把数据U
i
从AP下行传输到用户i的传输时间；为计算任务需要的相关数据从云服务器到AP的传输时间，r
MC
为云服务器到AP的传输速率；为用户i的任务H
i
在本地的计算时间，f
iL
为本地计算的CPU频率，单位为周期/S；c
i,m
∈{0,1}为缓存决策，c
i,m
＝1表示用户i任务H
i
的U
i
缓存到边缘服务器m∈M，c
i,m
＝0表示用户i的任务H
i
的U
i
没有缓存到边缘服务器m∈M。
[0022]用户i的任务H
i
在边缘服务器执行的时延表示为公式如下：
[0023][0024]其中，表示把数据D
i
从用户i上行传输到AP的传输时间；为用户i的任务H
i
在卸载到边缘服务器计算的时间，f
iM
表示边缘服务器m∈M给用户i的任务分配的CPU频率，单位为周期/S。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云边融合异构网络中任务卸载与数据缓存方法，其特征在于，包括以下步骤：步骤1：构造云边融合异构网络中任务卸载、数据缓存和资源分配的数学模型P1，步骤2：在给定传输功率和CPU频率的情况下，构造给定传输功率和CPU频率情况下的数学模型P2。基于深度学习DQN算法求解问题P2，求得任务卸载和数据缓存决策向量，求得目标值Val_old，步骤3：基于步骤3求得的优化变量，构造数学模型P3，采用序列二次规划法对传输功率和CPU频率进行求解，求得目标值Val_new，步骤4：比较目标值Val_old和Val_new的差值，如果差值小于阈值，则循环迭代结束，否则重复步骤2至步骤4；步骤1中云边融合异构网络中任务卸载、数据缓存和资源分配的数学模型P1，定义数学模型的优化变量，包括任务计算卸载向量a
i,m
∈{0,1}表示是否将用户i的任务卸载到MEC服务器，a
i,m
＝1表示卸载用户i的任务到MEC服务器m∈M上进行计算；计算卸载向量b
i,m
∈{0,1}表示是否卸载用户i的任务到云服务器上进行计算，b
i,m
＝1表示用户i的任务通过MEC服务器m∈M卸载到云服务器上进行计算；任务数据缓存向量c
i,m
∈{0,1}表示数据U
i
是否在边缘服务器m∈M上进行缓存，c
i,m
...

【专利技术属性】
技术研发人员：邝祝芳，陈清林，高坚，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：