一种基于数据压缩的雾接入网计算卸载方法技术

本发明专利技术属于移动通信技术领域，具体涉及一种基于数据压缩的雾接入网计算卸载方法，包括构建基于数据压缩的计算卸载模型，令用户设备将在本地产生的计算任务的1

【技术实现步骤摘要】
一种基于数据压缩的雾接入网计算卸载方法


[0001]本专利技术属于移动通信
，具体涉及一种基于数据压缩的雾接入网计算卸载方法。

技术介绍

[0002]随着移动通信技术发展，计算密度型和时延敏感型等新型应用程序(例如虚拟现实技术、增强现实技术)呈现出爆炸式增长的趋势，Gartner预测，到2020年，网络终端的设备数量将达到208亿，复合增长率为34％。根据美国发布的关于2016
‑
2045年新兴技术趋势的报告，到2045年，将有超过1000亿个设备连接到接入网中。随着用户可接入设备的激增，产生了海量的数据及网络流量，随之而来的问题是极大的端对端处理时延和用户体验急剧下降。为了解决此类问题，时延性能成为评估移动通信质量的关键指标之一。与此同时，在未来的B5G网络中，时延的要求甚至被限制在1ms内，为了满足这样的时延要求，提出了一种新型网络架构：F
‑
RAN架构。F
‑
RAN充分利用了UE和边缘设备的计算能力，部署F
‑
RAN能够有效降低处理终端计算任务所需时延。将计算任务从终端卸载到具备更高计算能力的FN或者FAP进行计算，能够降低计算任务的处理时延。然而，当上行链路传输速率和回传链路容量受限时，计算任务的传输时延成为了降低处理终端计算任务所需时延的难题。因此，迫切需要新的技术来应对传输时延过大的问题。数据压缩的独特技术特征应用于F
‑
RAN中，可以有效解决处理终端计算任务时延过大的问题。通过将初始计算任务进行压缩，降低了需要传输的数据量，改善了通信资源受限的问题。但是，如何设计基于数据压缩的计算卸载方法成为了降低端对端时延、提高网络时延性能的瓶颈，受到研究机构、设备制造商和移动通信运营商等广泛重视。
[0003]综上所述，本专利技术设计了一种基于数据压缩的雾接入网计算卸载模型。在该模型下，计算任务可以在UE和FN进行压缩，压缩后的计算任务最终上传至云计算中心进行解压和计算。此外，本方案根据计算卸载模型提出了相应的任务处理时延预估方法，旨在解决云计算中心排队和计算时延难以解决的问题。基于该时延预估方法，通过对计算任务压缩位置、任务压缩比例等的联合优化，实现网络时延性能的提升。

技术实现思路

[0004]为了对任务执行时延进行优化，提升用户体验和网络性能，本专利技术提出一种基于数据压缩的雾接入网计算卸载方法，具体包括以下步骤：
[0005]S1、构建基于数据压缩的计算卸载模型，令用户设备将在本地产生的计算任务的1
‑
β
i
进行压缩计算，将计算任务卸载到零节点并对未进行压缩计算的β
i
进行压缩计算；
[0006]S2、构建基于M/G/1的时延分布模型，并通过该模型计算任务执行时延分布，满足该时延分布才能成功压缩，并根据该分布即可获取卸载时延；
[0007]S3、通过任务执行时延分布，执行基于数据压缩的网络时延性能优化算法，完成卸载。
[0008]进一步的，基于数据压缩的计算卸载模型至少包括终端层、接入层以及云计算层，其中终端层由多个用户设备构成，接入层由多个雾节点构成，且每个雾节覆盖的用户设备数量不一样且已知，云计算层包括雾接入点和云计算中心，多个雾节点连接到一个雾接入点，云计算中心具有解压和计算能力。
[0009]进一步的，步骤S1中从用户设备产生计算任务到完成压缩卸载的过程包括以下步骤：
[0010]用户设备产生计算任务，该计算任务在该用户设备排队等待；
[0011]计算任务的1
‑
β
i
部分在用户设备排队进行压缩，压缩后的任务与该任务未压缩部分通过上行链路卸载到雾节点；
[0012]任务未压缩部分在雾节点进行压缩，压缩后的计算任务通过回传链路卸载到雾接入点，雾接入点通过光纤链路卸载到云计算；
[0013]云计算中心将收到的压缩任务进行解压并进行计算处理，将完成计算的任务返回用户设备。
[0014]进一步的，步骤S3完成卸载的过程具体包括以下步骤：
[0015]对任务进行压缩计算时，记在本地压缩的任务为A，其压缩后为A
’
，压缩时延为T1；
[0016]上传到雾节点进行压缩的部分任务记为B，A
’
和B从本地上传到雾节点的传输时延记为T2；
[0017]任务B在雾节点进行压缩后记为B
’
，其计算时延记为T3；
[0018]判断雾节点卸载到雾接入点的数据量是否小于最大接入数据量；
[0019]若小于则将A
’
和B
’
通过受限的回传链路卸载到雾接入点，传输时延记为T4；否则固定计算任务在雾节点的计算概率β
i
，通过迭代算法计算最佳的压缩比例，直到雾节点卸载到雾接入点的数据量小于回传链路容量的最大值
[0020]计算任务在中心云排队解压与计算，产生的时延记为T5；
[0021]判断T1、T2、T3、T4和T5相加的值T
tot
是否小于时延阈值若小于则保存T
tot
和优化参数；
[0022]否则通过固定压缩比例，通过迭代算法调整计算任务在雾节点进行压缩的概率。
[0023]进一步的，基于数据压缩的网络时延性能优化算法包括：
[0024][0025][0026][0027][0028][0029][0030]其中，为任务压缩时延、上行链路传输时延、回传链路传输时延、解压和计算时延的总和；T
H,dc
为任务卸载过程中产生的压缩任务时延和排队任务时延；T
H,ut
为平均上行链路传输时延；T
bh
为回传链路的传输时延；为基于M/G/1的时延分布模型中数据解压和计算产生的时延，为时延T
dp
的时延分布；N
U
为连接到FN的最大UE个数；为雾节点端分配给每个用户的计算资源；表示雾端可以提供给所有用户的最大计算资源限制，表示云端可以提供给所有用户的最大计算资源限制；N
F
为连接到FAP的最大FN个数；为云计算端分配给每个用户的计算资源；β
i
为任务在第j个雾节点的压缩概率；为任务在用户设备的压缩比例；D
i,j
为任务的计算大小；γ
i,j
为任务的压缩率；为回传链路容量的最大值；端对端最大时延限制；为任务在雾节点的压缩比例。
[0031]进一步的，时延T
dp
的时延分布表示为：
[0032][0033]其中，为雾接入点的解压服务率与服务率之和；Λ
A
为云计算中心计算任务到达率；μ
dd
为雾接入点进行数据解压的服务率；μ
cp
为雾接入点进行计算的服务率；η
n
是与Λ
A
、μ
dd
和μ...

【技术保护点】

【技术特征摘要】
1.一种基于数据压缩的雾接入网计算卸载方法，其特征在于，具体包括以下步骤：S1、构建基于数据压缩的计算卸载模型，令用户设备将在本地产生的计算任务的1
‑
β
i
进行压缩计算，将计算任务卸载到零节点并对未进行压缩计算的β
i
进行压缩计算；S2、构建基于M/G/1的时延分布模型，并通过该模型计算任务执行时延分布；S3、通过任务执行时延分布，执行基于数据压缩的网络时延性能优化算法，完成卸载。2.根据权利要求1所述的一种基于数据压缩的雾接入网计算卸载方法，其特征在于，基于数据压缩的计算卸载模型至少包括终端层、接入层以及云计算层，其中终端层由多个用户设备构成，接入层由多个雾节点构成，且每个雾节覆盖的用户设备数量不一样且已知，云计算层包括雾接入点和云计算中心，多个雾节点连接到一个雾接入点，云计算中心具有解压和计算能力。3.根据权利要求1所述的一种基于数据压缩的雾接入网计算卸载方法，其特征在于，步骤S1中从用户设备产生计算任务到完成压缩卸载的过程包括以下步骤：用户设备产生计算任务，该计算任务在该用户设备排队等待；计算任务的1
‑
β
i
部分在用户设备排队进行压缩，压缩后的任务与该任务未压缩部分通过上行链路卸载到雾节点；任务未压缩部分在雾节点进行压缩，压缩后的计算任务通过回传链路卸载到雾接入点，雾接入点通过光纤链路卸载到云计算；云计算中心将收到的压缩任务进行解压并进行计算处理，将完成计算的任务返回用户设备。4.根据权利要求1所述的一种基于数据压缩的雾接入网计算卸载方法，其特征在于，步骤S3完成卸载的过程具体包括以下步骤：对任务进行压缩计算时，记在本地压缩的任务为A，其压缩后为A
’
，压缩时延为T1；上传到雾节点进行压缩的部分任务记为B，A
’
和B从本地上传到雾节点的传输时延记为T2；任务B在雾节点进行压缩后记为B
’
，其计算时延记为T3；判断雾节点卸载到雾接入点的数据量是否小于最大接入数据量；若小于则将A
’
和B
’
通过受限的回传链路卸载到雾接入点，传输时延记为T4；否则固定计算任务在雾节点的计算概率β
i
，通过迭代算法计算最佳的压缩比例，直到雾节点卸载到雾接入点的数据量小于回传链路容量的最大值计算任务在中心云排队解压与计算，产生的时延记为T5；判断T1、T2、T3、T4和T5相加的值T

【专利技术属性】
技术研发人员：胡昊南，郑亚楠，殷波，姜言，张继良，张杰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：