一种边缘计算中基于任务缓存的计算卸载方法技术

本发明专利技术公开了一种边缘计算中基于任务缓存的计算迁移方法，包括如下步骤：1）构建系统模型；2）构建系统通信模型；3）构建系统计算模型；4）构建资源分配模型；5）构建任务价值模型及缓存模型；6）构建系统开销模型；7）问题求解。这种方法，能够有效降低算法运行时间，提高服务器响应速度，并且任务缓存机制可以降低重复运算的系统能耗，降低了服务器的计算成本，降低所有任务的完成时延和能耗加权和。

【技术实现步骤摘要】
一种边缘计算中基于任务缓存的计算卸载方法
本专利技术涉及移动边缘计算系统的应用领域，具体是一种边缘计算中基于任务缓存的计算卸载方法。
技术介绍
随着无线通信技术、物联网技术和5G技术的迅猛发展，移动设备快速普及，数据流量急剧增长。一些新兴应用比如在线游戏、人工智能和虚拟现实等对时延要求比较高，且需要大量的计算资源。然而，移动终端计算能力和电池容量有限，运行这些应用会带来较高的计算延迟并增加移动终端的能量消耗。而基于云计算中心的服务模式因为较长的传输距离所导致的传输时延常常难以满足实时应用的需要。由此边缘计算(MobileEdgeComputing，简称MEC)范式应运而生，通过将服务下沉到网络边缘，从而减少网络传输时延，满足低时延业务的需求。边缘计算不但解决了移动设备计算、存储等资源不足的问题，而且改善了传统云计算中心模式存在的传输时延过高，服务器负载过大等问题。但是随着网络用户的不断增加，人们在从众心理的驱驶下，会有相同的访问请求，造成骨干网中大量内容在一个服务周期内重复传输的现象。如果将这些热点内容缓存在网络边缘，可以减轻骨干网的压力并减少传输延时，提高用户体验。Tan[Z.Tan,F.R.Yu,X.Li,H.Ji,andV.C.Leung,"Virtualresourceallocationforheterogeneousservicesinfullduplex-enabledSCNswithmobileedgecomputingandcaching,"IEEETransactionsonVehicularTechnology,vol.67,no.2,pp.1794-1808,2017.]等提出了一种在全双工小蜂窝网络(SCNs)中的MEC卸载和缓存框架，通过结合计算卸载和内容缓存来提高系统收益。Gu[W.-C.Chien,H.-Y.Weng,andC.-F.Lai,"Q-learningbasedcollaborativecacheallocationinmobileedgecomputing,"FutureGenerationComputerSystems,vol.102,pp.603-610,2020.]等为了提高内容缓存命中率，提出了基于SDN的MEC架构，首先建模出缓存模型，在MEC存储资源的限制下最大化缓存命中率，使用Q学习求解缓存策略。然而上述文献内容缓存和任务卸载是互相独立的。目前很少有针对主动缓存任务结果进行研究，如果将一些流行度高的任务主动缓存在边缘服务器，当该任务再次被用户请求时，可以直接将计算结果从MEC传输给用户，极大的减少任务的计算时延，并减少用户能量消耗。现实场景中，有很多计算结果可以重用的场景，比如某些游戏渲染场景可以被玩家重用；AR场景中，有些AR服务经常会被重复请求；视频任务中，一些热点视频会被重复解码，若将热点计算任务结果缓存可以减轻边缘服务器的计算负担。Zhao等[H.Zhao,Y.Wang,andR.Sun,"TaskProactiveCachingBasedComputationOffloadingandResourceAllocationinMobile-EdgeComputingSystems,"in201814thInternationalWirelessCommunications&MobileComputingConference(IWCMC),2018,pp.232-237:IEEE.]在单小区场景内，为了降低任务的完成时延，联合优化了基于任务缓存的计算卸载和资源分配策略。文中首先建模出卸载、资源分配和任务缓存模型，以最小化所有任务的完成时延为优化目标，建模出的时延优化问题属于NP难问题，无法在多项式时间内完成，文中将其拆解为两部分求解，首先，基于任务流行度设计一种任务主动缓存算法，该算法同时联合MEC服务器和云服务器进行任务缓存，构成两级的缓存结构；然后设计基于改进的贪心算法求解卸载策略。现有对任务缓存的研究大多从任务流行度的角度来设计缓存策略，然而对于一些计算密集型应用比如虚拟现实，AR服务，大型游戏等，除了流行度以外，计算任务所需的计算量和数据大小也将影响任务的缓存价值。比如有些任务虽然是最流行的，但是完成该任务的计算量较小，相反缓存次流行但计算量较大的计算任务可能有更高的收益。如何合理的分配每个因素的权重也是一个值得研究的问题，如果权重分配不合理会影响任务的缓存价值。
技术实现思路
本专利技术的目的是针对现有技术中存在的不足，提供了一种边缘计算中基于任务缓存的计算卸载方法。这种方法，能够有效降低算法运行时间，提高服务器响应速度，并且任务缓存机制可以降低重复运算的系统能耗，降低了服务器的计算成本，降低所有任务的完成时延和能耗加权和。实现本专利技术目的的技术方案是：一种边缘计算中基于任务缓存的计算卸载方法，在单小区场景情况下，包括如下步骤：1)构建系统模型：在基站处配置MEC服务器，MEC服务器通过光纤与远程中心云相连，假设多个移动设备在小区中随机分布，每个用户在一个服务周期或时隙中只有一个任务产生，移动用户的编号表示为M∈{1,2,...,M}，移动设备产生的任务Ti(i∈{1,2,...,N})表示为一个四元组，即其中表示任务的输入数据量，单位为kbit；Ci为完成任务所需要的CPU周期数,单位为cycle；表示任务的输出数据量，即任务计算结果输出大小，单位为kbit；τi表示完成任务的最大容忍时延，单位为ms，完成系统模型构建，本技术方案的研究工作主要集中在移动终端和边缘服务器端：移动终端产生并运行应用程序，若本地无法满足应用程序的计算需求，可以通过移动网络向边缘服务器提出卸载请求，边缘服务器端接收来自移动终端的卸载请求，并分配合适的计算资源确保任务能够在容忍时延内完成，并根据任务的缓存价值决定任务是否缓存；2)构建系统通信模型：MEC服务器可以为小区内的移动设备提供计算服务，每个用户在每个时隙只产生一个计算密集型任务，用户可以选择是否将任务卸载至MEC执行，令A＝{a1,a2,...,aN}表示所有MD的决策动作集合，其中ai＝0表示Mi的任务在本地设备执行，ai＝1表示任务卸载至MEC执行，假设小区内不存在小区内的干扰，根据香农公式，Mi将任务传输至MEC服务器的传输速率为：其中gi表示移动设备Mi和MEC服务之间的信道增益，pi表示Mi的发射功率，N为高斯噪声功率，单位为dbm，完成系统通信模型构建；3)构建系统计算模型：在处理任务过程中，用户向边缘服务器发出卸载请求，只有在满足应用程序容忍时延并且能够降低系统开销的情况下，计算任务才会卸载；3.1)构建本地计算模型：当任务Ti选择在本地执行时，移动设备Mi的CPU频率为fil，单位为GHz，则任务Ti在本地执行的计算时延为Til：能量消耗由下式计算：其中，κ表示CPU能耗系数，取决于芯片工艺，为固定常量，κ设置为κ＝10-26，当计算任务Ti在本地执行时，系统的总开销包括本地计算时延和终端能量的本文档来自技高网...

【技术保护点】
1.一种边缘计算中基于任务缓存的计算卸载方法，其特征在于，在单小区场景情况下，包括如下步骤：/n1)构建系统模型：在基站处配置MEC服务器，MEC服务器通过光纤与远程中心云相连，假设多个移动设备在小区中随机分布，每个用户在一个服务周期或时隙中只有一个任务产生，移动用户的编号表示为M∈{1,2,...,M}，移动设备产生的任务T

【技术特征摘要】
1.一种边缘计算中基于任务缓存的计算卸载方法，其特征在于，在单小区场景情况下，包括如下步骤：
1)构建系统模型：在基站处配置MEC服务器，MEC服务器通过光纤与远程中心云相连，假设多个移动设备在小区中随机分布，每个用户在一个服务周期或时隙中只有一个任务产生，移动用户的编号表示为M∈{1,2,...,M}，移动设备产生的任务Ti(i∈{1,2,...,N})表示为一个四元组，即其中表示任务的输入数据量，单位为kbit；Ci为完成任务所需要的CPU周期数,单位为cycle；表示任务的输出数据量，即任务计算结果输出大小，单位为kbit；τi表示完成任务的最大容忍时延，单位为ms，完成系统模型构建；
2)构建系统通信模型：MEC服务器可以为小区内的移动设备提供计算服务，每个用户在每个时隙只产生一个计算密集型任务，用户可以选择是否将任务卸载至MEC执行，令A＝{a1,a2,...,aN}表示所有MD的决策动作集合，其中ai＝0表示Mi的任务在本地设备执行，ai＝1表示任务卸载至MEC执行，假设小区内不存在小区内的干扰，根据香农公式，Mi将任务传输至MEC服务器的传输速率为：



其中gi表示移动设备Mi和MEC服务之间的信道增益，pi表示Mi的发射功率，N为高斯噪声功率，单位为dbm，完成系统通信模型构建；
3)构建系统计算模型：在处理任务过程中，用户向边缘服务器发出卸载请求，只有在满足应用程序容忍时延并且能够降低系统开销的情况下，计算任务才会卸载；
3.1)构建本地计算模型：当任务Ti选择在本地执行时，移动设备Mi的CPU频率为fil，单位为GHz，则任务Ti在本地执行的计算时延为Til:



能量消耗由下式计算：



其中，κ表示CPU能耗系数，取决于芯片工艺，为固定常量，κ设置为κ＝10-26，
当计算任务Ti在本地执行时，系统的总开销包括本地计算时延和终端能量的消耗，此时，单个设备的开销为：



式中，α和β分别为时延和能耗的权重系数，且满足如下条件：
α+β＝1，0≤α≤1,0≤β≤1；
3.2)构建MEC计算模型：当计算任务Ti选择卸载至MEC执行时，时延包括从移动设备Mi至MEC的传输时延和在MEC的执行时延，将MEC分配给用户的计算能力表示为fic，卸载至MEC计算产生的时延包括传输Titran和执行时延Tiexec卸载，因此，任务卸载至MEC总时延表示为Tic：



此时，移动设备卸载至MEC产生的能耗为任务通过无线链路卸载所产生，传输能耗表示为



MEC的能量消耗和用户无关，固不考虑作为系统开销，因此，任务卸载至MEC服务器的总开销为：



完成系统计算模型构建；
4)构建资源分配模型：在任务的容忍时延约束下，边缘服务器根据任务属性分配合适的计算资源，f＝[f1,f2,...,fn]表示为计算资源的分配向量，其中fi表示为Mi分配的计算资源，完成资源分配模型构建；
5)构建任务价值模型及缓存模型：将MEC对用户请求任务内容的缓存向量表述为H＝{h1,h2,...,hn}，其中hi是一个二进制变量，表示MEC是否缓存了用户Mi任务及相关数据内容，hi＝0表示MEC没有缓存该内容，hi＝1表示MEC已经缓存该内容，如果MEC已经缓存该内容，则该请求该任务时无需进行任务卸载，MEC将任务完成后，直接将结果返回移动设备，在成本以及存储空间的限制下，将缓存价值更高的任务存储至MEC，将缓存价值低的任务替换，根据流行性文件的齐夫分布，计算任务的流行度计算公式如下：



式中，θi表示第i个任务的流行度，Z表示齐夫常量，其中MEC服务缓存的任务集合表示为Hc＝{1,2,...,c}，C为最大存储数量，初始化为空，由于MEC服务器存储容量有限，因此，MEC服务器只对缓存价值较高的任务进行缓存，最终输出任务缓存策略集合H*，缓存价值定义如下：



其中w1、w2和w3分别为任务流行度、任务输入数据大小和任务所需计算量大小的权重系数，且满足如下条件：
w1+w2+w3＝1，0≤w1≤1,0≤w2≤1,0≤w3≤1，
完成系统任务价值模型及缓存模型构建；
6)构建系统开销模型：任务完成时延和移动终端能耗都是计算卸载策略好坏的关键指标，在MEC计算能力、存储资源和任务容忍时延的约束下，最小化系统开销，将开销最小化问题建模如下：



优化目...

【专利技术属性】
技术研发人员：卞圣强，覃少华，谢志斌，王海燕，张家豪，崔硕，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：广西;45