一种基于分布式DNN的移动雾计算损耗联合优化系统和方法技术方案

本发明专利技术公开了一种基于分布式DNN的移动雾计算损耗联合优化系统和方法，包括：本地计算层、雾计算层和云计算层。本地计算层通过用户设备计算任务。雾计算层用于为卸载任务提供雾计算服务，以降低用户设备本身计算的时延和能耗。云计算层用于处理大规模计算和高复杂性计算。卸载任务通过无线网络先发送至离本地层雾接收节点，通过雾接收节点上传至雾计算层，最后由雾计算层上传至云计算层，用户独立决定是否将任务卸载到雾服务器进行计算，雾服务器可以决定是否将任务再次卸载到上层的云服务器进行计算。本发明专利技术的优点是：短时间内给出每个卸载任务的最优卸载决策，卸载的平均准确率高，对每个神经网络模型进行优化，能够更快速地达到收敛状态。地达到收敛状态。地达到收敛状态。

【技术实现步骤摘要】
Computation Offloading for Maximizing Energy Efficiency in Mobile Cloud Computing,〞in IEEE Access,vol.6,pp.899
‑
912,2018.]中，作者提出了一种竞争性部分计算卸载方案。在一个以能耗为导向的算法前提下，通过联合考虑UE和服务器的状态以及传输网络的拥塞情况构建一个竞争算法。凭借该算法，系统找到卸载任务的最佳大小以达到均衡能效的目的。
[0015]现有技术三的缺点：
[0016]在使用竞争算法的结果中，卸载任务的时延依旧很高。
[0017]现有技术四
[0018]在[H.Wu and K.Wolter,〞Stochastic Analysis of Delayed Mobile Off loading in Heterogeneous Networks,〞in IEEE Transactions on Mobile Com puting,vol.17,no.2,pp.461
‑
474,1Feb.2018.]中，作者提出了延时卸载的概念。卸载分为部分卸载模型和完全卸载模型，将延迟敏感型任务通过部分卸载模型共同在本地端和服务器中联合计算，完全卸载模型是将延迟容忍性好的任务等待至WIFI通道良好时再进行传输，以达到进一步节省能耗的目的。
[0019]现有技术四的缺点：
[0020]任务在经过延时卸载后，总延时会增加。
[0021]现有技术五
[0022]在[X.Chen,J.Wu,Y.Cai,H.Zhang and T.Chen,〞Energy
‑
Efficienc y Oriented Traffic Offloading in Wireless Networks:A Brief Survey anda Learning Approach for Heterogeneous Cellular Networks,〞in IEEE Jou rnal on Selected Areas in Communications,vol.33,no.4,pp.627
‑
640,April 2015.]中，作者通过深度强化学习解决了卸载决策生成问题，提出了一种采用紧凑表示算法的集中式QC学习。
[0023]现有技术五的缺点：
[0024]算法过于复杂，生成单个任务卸载决策的耗时过长，不满足实时卸载计算的需求。
[0025]现有技术六
[0026]在[H.Shahzad and T.H.Szymanski,〞A dynamic programming offloadi ng algorithm for mobile cloud computing,〞2016IEEE Canadian Conferenc e on Electrical and Computer Engineering(CCECE),Vancouver,BC,2016,pp.1
‑
5,doi:10.1109/CCECE.2016.7726790.]中，作者提出了一种基于动态规划的卸载算法(DPOA)。
[0027]现有技术六的缺点：
[0028]算法对使用情景有着严苛的要求，不适合多用户、多任务场景下的卸载。
[0029]缩略语和关键术语定义
[0030]MFC：移动雾计算；
[0031]MCC：移动云计算；
[0032]DPOA：基于动态规划的卸载算法；
[0033]DDOA：基于分布式DNN的雾卸载算法；
[0034]DNN：分布式神经网络；
[0035]QC学习：深度强化学习
[0036]UE：移动用户；
[0037]F
‑
AP：雾接收节点；
[0038]WIFI：无线网络。

技术实现思路

[0039]本专利技术针对现有技术的缺陷，提供了一种基于分布式DNN的移动雾计算损耗联合优化系统和方法，解决了现有技术中存在的缺陷。
[0040]为了实现以上专利技术目的，本专利技术采取的技术方案如下：
[0041]一种基于分布式DNN的移动雾计算损耗联合优化系统，包括：本地计算层、雾计算层和云计算层。
[0042]本地计算层处于卸载网络的最底层，由手机、穿戴设备和移动式物联网设备的这些用户设备构成，本地计算层的计算任务通过用户设备本身来计算；由于任务在本地处理，因此无需与F
‑
AP通信即可直接获得结果。
[0043]雾计算层处于卸载网络的网络边缘层，该层与本地计算层较近；由一个F
‑
AP和多个分布式雾服务器构成；雾计算层用于为卸载任务提供雾计算服务，以降低用户设备本身计算的时延和能耗。
[0044]云计算层处于网络的最顶层，是离用户最远的一层；由云计算服务器构成；有着强大的计算能力，用于处理大规模计算和高复杂性计算。
[0045]卸载任务通过无线网络先发送至离本地层最近的F
‑
AP，进而通过F
‑
AP上传至雾计算层，最后由雾计算层上传至云计算层，F
‑
AP和雾服务器、雾服务器和云服务器之间通过有线链路相互连接。每个UE可以独立决定是否将任务卸载到雾服务器进行计算，雾服务器可以决定是否将任务再次卸载到上层的云服务器进行计算。
[0046]三层均可以为用户提供任务计算服务，但任务在每层的时延和能量损耗各不相同，任务在不同层计算各有利弊。因此要选择最佳的一层为用户提供计算服务，以达到最小化时延和能量损耗的目的，这就是本专利技术的出发点。
[0047]本专利技术还公开了一种基于移动雾计算的联合优化方法，包括以下步骤：
[0048]步骤1：将卸载任务进行人为的分级处理，分别为：本地计算模式M1、雾计算模式M2、云计算模式M3。任意的任务都可以使用以上三种模式来处理。
[0049]步骤2：利用基于分布式DNN的雾卸载算法，对每个用户的全部卸载任务预先给出预估的卸载决策组。
[0050]步骤3：根据算法给出的预估卸载决策，对于三种模式下任务的时延和能量损耗进行推导。
[0051]1)时延推导:
[0052]第n个用户的第m个任务大小表示为任务m的本地计算延迟为：
[0053][0054]第n个UE中处于M1模式计算任务的总延迟为：
[0055][0056]在雾端计算的任务m延迟为：
[0057][0058]将任务m卸载到雾服务器的传输延迟为：
[0059][0060]第n个UE中处于M2模式计算任务的总延迟表示为：
[0061][0062]任务m在云端的计算延迟表示为：
[0063][0064]将任务m卸载到云端的传输延迟为：
[0065][0066]第n个UE中处于M3模式计算任务的总延迟表示为：
[0067]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式DNN的移动雾计算损耗联合优化系统，其特征在于，包括：本地计算层、雾计算层和云计算层；本地计算层处于卸载网络的最底层，由手机、穿戴设备和移动式物联网设备的这些用户设备构成，本地计算层的计算任务通过用户设备本身来计算；雾计算层处于卸载网络的网络边缘层，该层与本地计算层较近；由一个F
‑
AP和多个分布式雾服务器构成；雾计算层用于为卸载任务提供雾计算服务，以降低用户设备本身计算的时延和能耗；云计算层处于网络的最顶层，是离用户最远的一层；由云计算服务器构成；有着强大的计算能力，用于处理大规模计算和高复杂性计算；卸载任务通过无线网络先发送至离本地层最近的F
‑
AP，进而通过F
‑
AP上传至雾计算层，最后由雾计算层上传至云计算层，F
‑
AP和雾服务器、雾服务器和云服务器之间通过有线链路相互连接；每个UE可以独立决定是否将任务卸载到雾服务器进行计算，雾服务器可以决定是否将任务再次卸载到上层的云服务器进行计算。2.根据权利要求1所述联合优化系统的联合优化方法，其特征在于，包括以下步骤：步骤1：将卸载任务进行人为的分级处理，分别为：本地计算模式M1、雾计算模式M2、云计算模式M3；任意的任务都可以使用以上三种模式来处理；步骤...

【专利技术属性】
技术研发人员：白文乐，杨忠骏，马子扬，韩宇龙，张键红，武梦龙，刘文楷，何建杰，王卓琪，杨一夫，冯良，黄明，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：