本发明专利技术涉及一种可划分任务的移动边缘网络智能资源分配方法，包括：对终端产生的串行任务进行划分得到多个子任务，并建立卸载任务模型；根据本地或卸载两种执行方式，为所述子任务分别建立时延和能耗模型，定义基于多用户串行依赖型任务的卸载联合目标优化函数；在多服务器场景下，根据多用户对无线通信和计算资源的合作竞争关系建立马尔科夫博弈模型，优化所述卸载联合目标优化函数；在时变环境中，每位终端基于部分系统状态信息作为单独的智能体执行强化学习算法对所述马尔科夫博弈模型求解，确定卸载策略、子信道选择、发射功率以及资源分配量。本发明专利技术有利于合理分配服务器资源并充分使用碎片化资源，保证终端用户体验，提升网络运行的稳定性。升网络运行的稳定性。升网络运行的稳定性。
【技术实现步骤摘要】
一种可划分任务的移动边缘网络智能资源分配方法
[0001]本专利技术涉及边缘计算和人工智能
，特别是涉及一种可划分任务的移动边缘网络智能资源分配方法。
技术介绍
[0002]随着通信技术的不断发展，新兴的互联网交互式应用大量涌现，这些应用程序对于数据传输、移动设备的计算能力以及时延的要求不断提高，因而不适宜在算力较差、电池容量有限的智能设备上执行。此外，单一的云架构要求数据进行长距离传输，难以满足下一代通信框架下超密集无线网络中终端侧对于低时延、大宽带的需求。为此，移动边缘计算技术作为边缘计算中的一种具体实现模式，成为解决上述问题的重要方案。移动边缘计算(MEC,Mobile Edge Computing)将云的部分服务能力下沉到用户附近的边缘节点，为用户提供计算、缓存等资源服务。用户可以将部分计算密集型任务卸载到边缘节点的服务器上执行，降低数据传输过程中产生的时间延迟，缓解骨干网络的传输压力，保证任务的有效执行。
[0003]由于MEC服务器资源有限，进行边缘计算任务卸载的众多设备间存在计算和通信资源的竞争，目前，已有不少针对任务卸载与资源分配问题的研究工作，如申请号为202010171454.0的专利文件公开了一种基于移动边缘计算场景下的任务卸载方法，其根据待处理的任务信息和系统实时参数信息确定系统开销最小化的优化目标方程；将优化目标方程分解为两个子问题：任务卸载和信道分配子问题以及传输功率和边缘服务器资源分配子问题；并对子问题进行求解得到最终的任务卸载方案，实现系统整体开销最小化。但这种方法面向单服务器卸载场景，问题求解维度较高，无法满足密集网络中的多终端需求，算法扩展性较差。
[0004]现有技术的不足主要体现在四方面，一是场景过于简单，多数研究面向单/多终端单服务器场景，考虑了设备之间的计算与通信资源竞争问题，但忽略卸载服务器的选择、服务器间负载均衡、资源调度分配等问题；二是卸载任务不可划分，现有研究局限于不可拆分的原子型任务0
‑
1卸载，忽略可划分任务间潜在的并行性，无法有效利用服务器的碎片化资源。三是优化目标过于单一，仅考虑时延和能耗两方面，忽略了影响系统性能的其他因素，如不同紧急程度的任务需要被区别处理；最后，中央式卸载策略对动态环境的适应性较差，基于收集到的全局信息作出统一的决策，中央控制节点需要承受巨大的计算和流量压力，容易成为整个系统的瓶颈。
技术实现思路
[0005]本专利技术所要解决的技术问题是提供一种可划分任务的移动边缘网络智能资源分配方法，有利于合理分配服务器资源并充分使用碎片化资源，而且有利于提高任务卸载执行性能，保证终端用户体验，提升网络运行的稳定性。
[0006]本专利技术考虑并解决如下技术难题：
[0007]1)多终端多服务器的任务卸载场景既存在用户之间的计算与通信资源竞争，也存在卸载服务器的选择、服务器间负载均衡、资源调度分配等问题，相比单/多终端单服务器场景，复杂度较高；
[0008]2)串行任务间有严格的约束关系，需要依次执行，不能打乱执行顺序。需要为每个选择卸载策略的子任务确定合适的子信道、发射功率以及计算资源量；
[0009]3)优化目标函数的设计需要满足不同任务的时延需求、紧急程度。在系统状态时变的环境中，分布式自组织地解决多终端的卸载问题，减少多终端环境的不稳定性，同时确保每位终端用户的长期奖励。
[0010]本专利技术解决其技术问题所采用的技术方案是：提供一种可划分任务的移动边缘网络智能资源分配方法，包括以下步骤：
[0011](1)对终端产生的串行任务进行划分得到多个子任务，并建立卸载任务模型；
[0012](2)根据本地或卸载两种执行方式，为所述子任务分别建立时延和能耗模型，定义基于多用户串行依赖型任务的卸载联合目标优化函数；
[0013](3)在多服务器场景下，根据多用户对无线通信和计算资源的合作竞争关系建立马尔科夫博弈模型，优化所述卸载联合目标优化函数；
[0014](4)在时变环境中，每位终端基于部分系统状态信息作为单独的智能体执行强化学习算法对所述马尔科夫博弈模型求解，确定卸载策略、子信道选择、发射功率以及资源分配量。
[0015]所述步骤(1)中的多个子任务之间具有相互依赖关系，且所述多个子任务之间存在数据交互。
[0016]所述步骤(1)中建立卸载任务模型时，规定每个子任务只能卸载到某一个MEC服务器上执行，但一个应用中的不同子任务能够卸载到不同的MEC服务器上；当相邻子任务卸载到相同或者不同MEC服务器上时，前一个子任务的输出数据通过有线连接传递到下一个子任务所卸载的MEC服务器。
[0017]所述步骤(2)中的卸载联合目标优化函数为P:其中，T
i
表示完成第i个子任务的时延，E
i
表示完成第i个子任务的终端能耗，δ
i
表示第i个子任务的优先级，χ1,χ2表示时延和能耗所占的权重，且χ1,χ2∈[0,1]，χ1+χ2＝1，所述卸载联合目标优化函数满足以下约束条件：约束条件1，应用子任务的执行位置为本地或边缘服务器；约束条件2，任务的入口子任务和出口子任务只能在本地执行；约束条件3，子任务只有等待其前驱子任务执行完成才能开始执行；约束条件4，每个子任务只能选择一种子信道频率向服务器传输数据；约束条件5，所有选择向边缘服务器卸载的子任务所能分配的计算资源总量不得超过其最大资源拥有量；约束条件6，终端设备向边缘服务器输入数据时的发射功率不得超过其最大发射功率。
[0018]所述步骤(3)具体为：确定可知状态空间、动作空间以及奖赏函数；将多终端的任务卸载和资源分配决策过程建模为马尔科夫决策过程，即在每个时隙，终端观察其本地环境状态，然后根据本地环境状态采用的不同策略独立采取行动；根据任务执行情况，每个智能体都会得到环境反馈的奖励，根据所有相关智能体的行动，转移到新状态；将所有耦合终端的决策过程建模为马尔科夫博弈过程，即在任何时隙处，每个终端的目标是采取最佳行
动，同时最大化长期奖励。
[0019]所述步骤(4)具体为：每个终端作为单独的智能体，将除自身外的所有变化作为环境；每个终端独立运行Actor
‑
Critic强化学习框架；所有终端基于当前部分环境数据训练，通过强化学习算法选择最佳卸载和资源分配策略，从而达到收敛状态；终端根据卸载策略将子任务分发至卸载策略指定的服务器节点，并基于资源分配策略获得合适的资源量。
[0020]所述Actor
‑
Critic强化学习框架包括Critic网络和Actor网络，所述Critic网络的训练基于Value
‑
based函数，其输入包括当前状态、选定动作以及下一步状态；所述Critic网络采用Temporal
‑
Difference更新模式，即新的一轮训练开始后，要等待回合结束之后更新参数；所述Critic网络估计每一个状态
‑
动作的价值，将本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种可划分任务的移动边缘网络智能资源分配方法，其特征在于，包括以下步骤：(1)对终端产生的串行任务进行划分得到多个子任务，并建立卸载任务模型；(2)根据本地或卸载两种执行方式，为所述子任务分别建立时延和能耗模型，定义基于多用户串行依赖型任务的卸载联合目标优化函数；(3)在多服务器场景下，根据多用户对无线通信和计算资源的合作竞争关系建立马尔科夫博弈模型，优化所述卸载联合目标优化函数；(4)在时变环境中，每位终端基于部分系统状态信息作为单独的智能体执行强化学习算法对所述马尔科夫博弈模型求解，确定卸载策略、子信道选择、发射功率以及资源分配量。2.根据权利要求1所述的可划分任务的移动边缘网络智能资源分配方法，其特征在于，所述步骤(1)中的多个子任务之间具有相互依赖关系，且所述多个子任务之间存在数据交互。3.根据权利要求1所述的可划分任务的移动边缘网络智能资源分配方法，其特征在于，所述步骤(1)中建立卸载任务模型时，规定每个子任务只能卸载到某一个MEC服务器上执行，但一个应用中的不同子任务能够卸载到不同的MEC服务器上；当相邻子任务卸载到相同或者不同MEC服务器上时，前一个子任务的输出数据通过有线连接传递到下一个子任务所卸载的MEC服务器。4.根据权利要求1所述的可划分任务的移动边缘网络智能资源分配方法，其特征在于，所述步骤(2)中的卸载联合目标优化函数为P:其中，T
i
表示完成第i个子任务的时延，E
i
表示完成第i个子任务的终端能耗，δ
i
表示第i个子任务的优先级，χ1,χ2表示时延和能耗所占的权重，且χ1,χ2∈[0,1]，χ1+χ2＝1，所述卸载联合目标优化函数满足以下约束条件：约束条件1，应用子任务的执行位置为本地或边缘服务器；约束条件2，任务的入口子任务和出口子任务只能在本地执行；约束条件3，子任务只有等待其前驱子任务执行完成才能开始执行；约束条件4，每个子任务只能选择一种子信道频率向服务器传输数据；约束条件5，所有选择向边缘服务器卸载的子任务所能分配的计算资源总量不得超过其最大资源拥有量；约束条件6，终端设备向边缘服务器输入数据时的发射功率不得超过其最大发射功率。5.根据权利要求1所述的可划...
【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。