云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法技术

本发明专利技术公开一种云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法。该方法综合考虑了复杂仿真工作流应用中任务之间的复杂依赖关系对于移动设备的能量成本、应用执行时间和云数据中心资源使用成本等的影响，并且考虑了用户应用延迟、网络连接通道的带宽容量限制，移动设备、近端小型基站(Small Base Station,SBS)以及远端的云数据中心的总CPU周期数、总内存、最大工作速度、最大传输数据功率以及最大可用能量等约束。综合以上因素，构建了最小化系统总成本的混合整数非线性规划模型。然后，设计了一种新颖的基于代理模型的多种群协同优化算法，从而得到云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法。本发明专利技术能够在云边协同网络环境中，将复杂仿真工作流应用的任务智能地调度到移动设备、SBS以及云数据中心中执行，从而在满足用户应用延迟、SBS以及云数据中心可用资源(计算能力和网络带宽)和能量等约束的同时，最小化系统的总成本。最小化系统的总成本。最小化系统的总成本。

【技术实现步骤摘要】
云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法


[0001]本专利技术涉及云边协同网络中的应用迁移技术。更具体地，涉及一种云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法。

技术介绍

[0002]随着物联网等信息技术行业的快速发展，移动设备可随时随地提供便捷的通信服务，已成为当前日常生活中不可或缺的一部分。目前先进的5G移动技术和高数据速率的无线网络同样促进了移动应用的发展。因此，为降低应用延迟和执行成本，可以在移动设备上执行应用的任务。然而，移动设备的可用电池能量、计算资源等都非常有限，因此往往无法全部满足用户的复杂应用程序的执行需求。尤其是，当前大规模云数据中心中存在大量复杂的计算密集型和延迟敏感型应用，比如航天复杂仿真应用等。因此，在这些移动设备(尤其是传输功率、计算和存储资源受限的物联网设备)上执行这些应用时的性能很差。
[0003]而传统的集中式的云计算架构，如Amazon EC2、Rackspace、Microsoft Windows Azure等，可提供大量的计算、存储和网络等资源。借助于移动云计算，用户可将应用的任务迁移到云数据中心中进行处理，可显著提高应用的性能，并降低移动设备的能耗。然而云数据中心往往位于远离用户的位置，这种卸载会导致额外的数据传输延迟、任务在远端的云数据中心的等待和处理延迟，并导致额外的云数据中心的资源使用成本。因此，随着新兴的物联网和智能移动设备的迅速发展，传统的云数据中心正面临越来越多的挑战。而边缘计算(Edge Computing)技术能够将计算密集型任务迁移到邻近的小型基站(Small Base Station,SBS)或者远端的云数据中心中执行，从而克服移动设备中计算能力和可用电池能源的局限性。因此，在移动设备和云数据中心之间建立邻近的小型基站，可随时随地为移动设备提供低延迟要求的云计算应用服务，可以解决移动设备的高能耗和高延迟难题。作为一种边缘计算的范例，SBS可以在无线电接入网络(Radio Access Networks,RAN)的边缘提供计算资源。而SBS和远端云数据中心之间往往由低延迟光纤相连接，二者之间的数据传输延迟较低。因此，使用SBS可以使计算资源更接近移动设备。
[0004]现有研究工作多假设临近用户的SBS以及远端的云数据中心均具有接近无限的计算能力。然而，不同于云数据中心，SBS的计算资源通常比较有限，仅能处理有限数量的任务。此外，目前的研究工作仅适用于简单任务的处理，即来自用户移动设备的每个任务是独立的，与其它任务之间不存在执行依赖关系。因此，不同于现有工作，本专利针对复杂的计算密集型的工作流应用，每个应用的多个任务之间存在依赖关系，并且每个任务均可以智能地在移动设备、SBS以及远端的云数据中心之间进行切分。
[0005]本专利针对由多个移动设备、单个近端SBS以及远端的云数据中心构成的异构网络，在满足用户应用延迟、SBS以及云数据中心可用资源(计算能力和网络带宽)和能量等约束的同时，最小化系统的总成本。本专利针对系统中不同设备的性能和延迟特点，采用不同的排队系统模型进行建模分析。具体而言，采用M/M/1队列模型对每个移动设备进行建模，
采用M/M/c队列模型对近端SBS进行建模，采用M/M/∞队列模型对远端的云数据中心进行建模。根据以上目标函数以及约束，构建一个混合整数非线性规划问题。然后，使用设计的新颖的基于代理模型的多种群协同优化算法求解该问题，进而获得在移动设备、SBS以及云数据中心之间的最优的任务迁移策略、以及最优的系统资源分配方法。
[0006]本专利针对复杂仿真工作流应用，以上构建得到的混合整数非线性规划问题中的目标函数和约束往往涉及复杂的仿真模型，如有限元分析、计算流体动力学、气动优化设计等。因此，难以采用传统的数值优化方法进行求解。针对该约束优化问题，可以采用元启发式优化算法，如遗传算法、差异进化、粒子群算法、蚁群优化等，来求解该问题。在算法迭代过程中计算解的适应度值时的成本较高且耗时长，并且这些高维复杂优化问题的搜索空间呈指数级增长。这些算法往往需要大量的适应度函数评估，才能收敛到近似或者全局最优的最终解。因此，这些算法求解这些高维复杂优化问题时的计算过程非常耗时，难以有效求解这些问题。
[0007]因此，为了提高搜索解的质量和降低这些极其耗时的高维复杂优化问题的计算和寻优时间，现有研究多采用计算成本较低的近似替代模型(Surrogate)来替换实际的高计算成本的函数计算，如可使用基于替代模型的进化算法来降低求解这些复杂问题所需要的计算时间。由于构建和使用代理模型需要的计算成本较低，因此代理模型多用于替换掉原始目标函数中耗时的操作。目前的代理模型主要可分为全局代理模型、局部代理模型和组合代理模型三类。但是这些代理模型往往需要大量的训练样本数据才能变得足够精确，因此其主要适用于低维的优化问题。然而，针对高维搜索空间，仅仅依靠有限的数据来训练得到一个精确的替代模型，并且替代模型的训练时间随着维度的增加而显著增加。
[0008]因此，为求解以上构建得到的混合整数非线性规划问题，本专利提出了一种基于代理模型的多种群协同优化算法。因此，该算法主要包括四个部分，分别为基于遗传学习和代理模型的蝙蝠算法(Genetic learning and Surrogate
‑
based Bat Algorithm,GSBA)、基于遗传学习的灰狼算法(Genetic learning and Surrogate
‑
based Grey Wolf Optimizer,GSGWO)、Radial Basis Function(RBF)网络模型的训练以及历史解集(Historical Solution Set,HSS)的更新方法，进而得到云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法。

技术实现思路

[0009]本专利技术的目的在于提供一种云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法。该方法适用于由多个移动设备、单个近端SBS以及远端的云数据中心构成的异构网络，针对复杂的计算密集型的工作流应用，考虑了每个应用的多个任务之间存在的依赖关系，能够将每个任务智能地在移动设备、SBS以及远端的云数据中心之间进行划分。考虑了复杂仿真工作流应用中任务之间的复杂依赖关系对于移动设备的能量成本、应用执行时间和云数据中心资源使用成本等的影响，以及用户应用延迟、SBS以及云数据中心可用资源(计算能力和网络带宽)和能量等约束。根据以上目标函数以及约束，构建一个混合整数非线性规划问题。然后，使用所设计的新颖的基于代理模型的多种群协同优化算法求解该问题，获得在移动设备、SBS以及云数据中心之间的最优的任务迁移策略、以及最优的系统资源分配方法，进而最小化系统的总成本。
[0010]为达到上述目的，本专利技术采用下述技术方案：
[0011]根据本专利技术的一方面，建立了由多个移动设备、单个近端SBS以及远端的云数据中心构成的异构网络环境下，最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.根据所述的云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法，其特征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：征在于，该迁移方法的目标是最小化系统总成本(Cost)：其中，Cost
M
表示移动设备端的总成本；Cost
SBS
表示在小型基站(Small Base Station,SBS)中执行迁移的任务的成本；Cost
C
表示在云数据中心中执行迁移的任务的成本；表示移动设备i执行任务k的工作速度(每秒内的CPU周期数)；表示移动设备i的任务k的迁移概率；P
i
表示移动设备i传输数据至SBS中需要消耗的功率；表示移动设备i中任务k占用该设备与SBS相连接通道的带宽的比例；r
M
表示移动设备端能量的价格($/KWH)；N表示移动设备的个数；K表示每个工作流应用的任务个数；E
ik
表示移动设备i中执行任务k所消耗的能量；r
SBS
表示在SBS中执行每个任务的成本；表示SBS中实际的任务k的到达率；λ
ik
表示移动设备i中任务k的平均到达率；表示SBS最大可以处理的任务k的到达率；表示移动设备i执行其上的任务k所消耗的能量；表示移动设备i向SBS传输迁移的任务k所消耗的能量；表示从移动设备i传输任务k的数据至SBS中的传输功率；表示从移动设备i传输任务k的数据至SBS中的传输时间；表示移动设备i的由芯片架构决定的常值系数；表示移动设备i中任务k的任务处理速度；表示移动设备i的CPU利用率；表示移动设备i向SBS传输迁移的任务k时所需要的时间；θ
ik
表示移动设备i的每个任务k中输入数据的大小(比特数)；R
ik
表示移动设备i在SBS的通道中上传任务k的数据的传输速度(每秒钟的比特数)；S表示移动设备与SBS之间的连接通道的个数；W表示移动设备与SBS之间每个连接通
道的总带宽；h
i
表示移动设备i与SBS之间每个连接通道的循环对称高斯衰落系数；ω0表示高斯噪音功率。所述方法中的混合整数非线性规划模型的约束包括：(1)对于每个移动设备i而言，在其上执行的任务k的到达率不应超过其实际的任务处理率，即：(2)对于SBS而言，在其上执行的任务k的到达率不应超过其实际的任务处理率，即：其中，c
k
表示SBS中针对任务k的服务器的个数；表示SBS中每个服务器的任务k的处理率。(3)对于SBS而言，在其上执行的任务k的到达率不应超过其实际的任务传输速率，即：其中，表示SBS的任务k的传输速率。(4)对于云数据中心而言，在其上执行的任务k的到达率不应超过其实际的任务传输速率，即：其中，表示云数据中心的任务k的传输速率。(5)每个移动设备i而言，其传输数据至SBS中需要消耗的功率不能超过对应的上限，即：0＜P
i
＜P
imax
,i∈N其中，P
imax
表示移动设备i的最大传输功率。(6)每个移动设备i的任务k而言，其任务k的迁移概率不能超过1，即：(7)每个移动设备i的任务k而言，移动设备i在执行任务k时的工作速度(每秒内的CPU周期数)不能超过对应的上限，即：其中，表示移动设备i的任务k的最大工作速度。(8)每个移动设备i的工作流应用的平均延迟时间L
i
，不能超过对应的上限，即：，不能超过对应的上限，即：，不能超过对应的上限，即：
其中，表示在移动设备i中执行的任务k的平均延迟时间，表示迁移到SBS或者云数据中心执行的任务k的平均延迟时间，表示迁移到SBS中执行的任务k的平均延迟时间，表示在SBS中任务k的执行的结果在发送之前的等待时间，表示将任务k上传至云数据中心需要的传输时间与任务k在云数据中心中的执行时间之和，表示在云数据中心中任务k执行的结果在发送之前的等待时间，表示所有迁移的任务k中在SBS中执行的比例，表示云数据中心的任务k的处理率，表示规定的移动设备i中工作流应用的最大延迟时间。(9)每个移动设备i的任务k占用该设备与SBS相连接通道的带宽的比例不能超过1，即：(10)所有移动设备的任务k占用的与SBS相连接通道的带宽的比例之和为1，即：(11)每个移动设备i中执行所有任务所消耗的能量不能超过其对应的上限，即：
其中，表示移动设备i中最大可用的能量上限。(12)SBS中执行所有任务所需要的CPU周期数不能超过其对应的上限，即：其中，α
ik
表示执行移动设备i的任务k的每个比特的输入数据所需要的CPU周期数，表示SBS中的最大CPU周期数。(13)SBS中执行任务所需要的内存不能超过其对应的上限，即：其中，g
ik
表示执行移动设备i的任务k的每个比特的输入数据所需要的内存，表示SBS中的最大内存。2.根据权利要求1所述的云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法，其特征在于，该方法使用RBF网络作为代理模型，结合GSBA和GSGWO算法，利用当前解训练得到全局代理模型，从而能够获得目标函数的全局分布特征。因此，能够快速地定位到全局最优解所处的区域，并最终有效地找到大规模复杂优化问题的全局最优解。3.根据权利要求2所述的云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法，其特征在于，基于代理模型的多种群协同优化算法利用栈式自编码网络对算法迭代过程中得到的解进行降维，从而在低维度的解空间中对解进行迭代更新，从而为高维复杂优化问题生成高质量的新解。4.根据权利要求2所述的云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法，其特征在于，基于代理模型的多种群协同优化算法分别由两种不同互相交互的算法组成，即GSBA以及GSGWO，这两种算法在其迭代过程中相互学习、协同迭代，能够充分利用GSBA算法的快速局部寻优能力以及GSGWO算法的强全局寻优能力，最终更快地得到更高质量的全局最优解。具体为：GSBA算法中的每个蝙蝠不仅从其自身以及当前种群最优蝙蝠进行学习，同时又根据GSGWO算法得到的最终的全局最优解进行学习；此外，GSGWO算法同样根...

【专利技术属性】
技术研发人员：苑海涛，胡庆隆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：