一种基于博弈论的多服务器多用户视频分析任务卸载方法技术

本发明专利技术提出了一种基于博弈论方法的视频分析任务卸载方法，应用于多服务器多用户的边缘计算网络场景下。所述方法根据多服务器多用户卸载视频分析任务的边缘计算场景进行建模，将其视为一个综合了数据传输时延和任务计算时延的多人博弈问题，并基于潜在最优服务器选择方法和截断值的概念，提出视频单元分配算法，通过对该博弈问题进行求解，达到纳什均衡以及获得多用户的视频分析任务卸载方案。本发明专利技术填补了领域空白，支持多服务器多用户视频分析任务卸载，同时考虑了多用户之间对网络中有限资源的竞争性，具有广泛的适用性，提升了边缘计算场景下任务分配和资源利用效率。缘计算场景下任务分配和资源利用效率。缘计算场景下任务分配和资源利用效率。

【技术实现步骤摘要】
一种基于博弈论的多服务器多用户视频分析任务卸载方法


[0001]本专利技术涉及边缘计算领域，具体是一种在边缘计算网络场景下的多服务器多用户视频分析任务卸载方法。

技术介绍

[0002]随着智能设备（例如智能手机、平板电脑等设备）和大量新应用的出现，网络流量正在迅速增长。由于回程链路传输时延高、负载大，传统的集中式网络架构无法满足用户的需求。边缘计算是一种新兴的范式，将存储和计算资源带到网络的边缘。它允许终端设备产生的数据在网络边缘进行处理，而不是沿着长距离将其发送到云或数据中心。在过去的十几年里，有许多与边缘计算相关的研究工作，包括最优网络控制、多用户资源分配、服务缓存等。
[0003]与此同时，基于深度学习的人工智能服务和应用在近些年来蓬勃发展，例如视频监控、推荐系统等。与边缘计算环境中的其他服务和应用类似，人工智能相关的任务被推送到网络边缘进行计算。自2009年以来，微软一直在研究哪些类型的AI应用应该移至网络边缘，比如交互式云游戏、语音命令识别、VR/AR和实时视频分析等等。其中，实时视频分析应用被认为是边缘计算的杀手级应用。大多数运行在边缘服务器上的视频分析应用通过处理视频数据来检测一些特定对象，包括失踪儿童、遗弃行李等。一般来说，视频分析任务收集大量高清视频，并且需要高计算量，高带宽和低延迟的要求。因此，边缘计算被认为是满足这些严格要求的合适解决方案。
[0004]在边缘计算环境中，存在一些具有不同计算能力、内存的边缘服务器。服务器物理分布在不同的位置，并且它们的数据传输延迟不同。大量用户将他们的视频数据卸载到边缘服务器上进行视频分析。一些视频数据可以根据视频长度和视频配置（帧率和分辨率）分成更小的单元，然后视频分析服务可以对每个视频单元进行单独分析。用户需要选择合适的边缘服务器，并将他们的视频数据（或视频单元）卸载给这些服务器进行计算。但是具有挑战性的是，边缘服务器的计算能力和传输带宽有限，不合适的卸载决策可能会导致部分边缘服务器过载，造成CPU周期的浪费。例如，如果将过多的视频数据分配给同一边缘服务器，那么由于服务器过载，处理时间将显着延长。另一方面，如果分配给边缘服务器的视频数据太少，则会导致服务器上的计算资源利用率低。

技术实现思路

[0005]针对现有技术的空白，本专利技术的目的是提供一种边缘计算场景下基于博弈论方法的多服务器多用户视频分析任务卸载方法，实现了如何通过博弈论的方法确定每个用户的视频分析任务卸载决策。本专利技术填补了领域空白，支持多服务器多用户视频分析任务卸载，同时考虑了多用户之间对网络中有限资源的竞争性，具有广泛的适用性，提升了边缘计算场景下任务分配和资源利用效率。
[0006]本专利技术的目的通过以下技术方案实现：
一种边缘计算场景下基于博弈论的多服务器多用户视频分析任务卸载方法应用于边缘计算网络环境，其特征在于：根据多服务器多用户卸载视频分析任务的边缘计算场景进行建模，将其视为一个综合了数据传输时延和任务计算时延的多人博弈问题，并基于潜在最优服务器选择方法和截断值的概念，提出视频单元分配算法，通过对该博弈问题进行求解，达到纳什均衡以及获得多用户的视频分析任务卸载方案；包括以下步骤：（1）对移动边缘计算场景建立数学模型：（2）对建立的数学模型进行求解，得到多用户视频分析准确度策略。
[0007]其中，对移动边缘计算场景建立数学模型具体如下：在网络边缘，考虑N个用户，记为N={1,2,...,N}，以及M个边缘服务器，记为M={1,2,...,M}。视频分析应用（例如人脸识别、车辆跟踪、行人计数）部署在边缘服务器上，用户将视频分析任务卸载给它们进行计算。
[0008]根据视频长度和配置（帧率和分辨率），可以将一些视频数据分成更小的单元，然后通过视频分析应用程序分析每个视频单元。例如，在目标检测应用中，任务是在卸载的视频数据中找到某个目标（例如丢失的钱包）。视频长度为600秒，帧速率为30fps。可以将视频数据分成更小的单位，其长度和帧率分别为60秒和3fps。之后，可以将目标检测子（例如YOLO）并行应用于(600s*30fps)/(60s*3fps)=100个视频单元。
[0009]每个用户n都有一个视频分析任务，其中和分别表示长度、帧率和分辨率。在一些视频分析应用中，视频数据是从监控摄像头捕获的，视频分辨率是固定的。此外，输入到用于视频分析的卷积神经网络的视频帧的尺寸通常设置为常数。因此在本文中，假设所有用户的视频数据的分辨率都是相同的常数R，根据长度和帧率将视频数据划分成更小的单位。然后可以计算用户n的视频单元数为，其中设置为所有用户视频长度的公因数，为所有用户的视频帧率的公因数。值得一提的是，对于一组视频数据，总是可以有可行的和（例如，可以将设置为1秒并将设置为1fps）。因此，用户n需要将个视频单元卸载到边缘服务器进行计算。
[0010]当用户n将其视频单元卸载到边缘服务器进行计算时，用户n的任务卸载决策表示为，其中表示用户n卸载到边缘服务器m的视频单元的数量。对于每个服务器是一个非负整数，有。
[0011]卸载到特定服务器的任务过多会导致服务器拥塞和高计算延迟。因此，用户需要做出适当的卸载决策，以最小化计算延迟。视频可以被划分为一组更小的单元，每个视频单元的计算需求（如CPU周期）表示为。此外，使用虚拟并行处理来支持多个任务的处理。那么边缘服务器m上的计算延迟可以计算为：其中表示边缘服务器m的计算能力（如每秒的CPU周期数）。因此，可以将用户
n的整体计算延迟表示为:从上面的等式中观察到，当用户n将其所有视频单元卸载到某一个边缘服务器m时，整体计算延迟仅取决于该服务器上的计算延迟。然而，当视频单元被卸载到多个边缘服务器时，整体计算延迟是这些服务器的计算延迟中最大的。因此，用户需要做出卸载决策，并且根据其他用户的决策来调整他们的决策，以最小化整体的计算延迟。
[0012]根据香农公式计算用户n卸载视频数据的速率为其中W代表信道带宽，代表用户n的发射功率，可以通过相关功率控制算法来确定。此外，表示用户n与其连接的边缘服务器m之间的信道增益，表示高斯白噪声的功率。
[0013]边缘服务器返回计算结果的时间开销被忽略，因为在许多视频分析应用程序（如行人计数应用）中，计算结果的大小远小于视频数据大小。因此，当用户n将个视频单元卸载到边缘服务器m时，传输延迟计算为：其中是每个视频单元的数据大小。在视频分析任务卸载场景中，观察到视频分析任务通常会消耗较大的计算延迟（即推理延迟），并且传输延迟远短于计算延迟。因此，可以忽略不同用户将视频数据卸载到同一服务器的传输时延差异。在本文中，收集了一个包含从用户到边缘服务器m的各种传输延迟的历史数据集，然后用中所有传输延迟的平均值来表示与服务器m相关的传输延迟。具体来说，对于任何用户n，数据传输到边缘服务器m的延迟表示为：其中是历史数据集的大小，是中的传输延迟历史数据。值得注意的是，可以根据视频分析应用程序的特定要求选择历史数据集，实际上的选择在本文研究的问题表述中无关紧要。
...

【技术保护点】

【技术特征摘要】
1.一种基于博弈论的多服务器多用户视频分析任务卸载方法，其特征在于：根据多服务器多用户卸载视频分析任务的边缘计算场景进行建模，将其视为一个综合了数据传输时延和任务计算时延的多人博弈问题，并基于潜在最优服务器选择方法和截断值的概念，提出视频单元分配算法，通过对该博弈问题进行求解，达到纳什均衡以及获得多用户的视频分析任务卸载方案；包括以下步骤：（1）对移动边缘计算场景建立数学模型：（2）对建立的数学模型进行求解，得到多用户视频分析准确度策略。2.根据权利要求1所述的基于博弈论的多服务器多用户视频分析任务卸载方法，其特征在于，步骤（1）具体如下：在网络边缘，考虑N个用户，记为N={1,2,...,N}，以及M个边缘服务器，记为M={1,2,...,M}；视频分析应用部署在边缘服务器上，用户将视频分析任务卸载给它们进行计算；根据视频长度和配置，将一些视频数据分成更小的单元，然后通过视频分析应用程序分析每个视频单元；每个用户n都有一个视频分析任务，其中和分别表示长度、帧率和分辨率；在一些视频分析应用中，视频数据是从监控摄像头捕获的，视频分辨率是固定的；输入到用于视频分析的卷积神经网络的视频帧的尺寸设置为常数；假设所有用户的视频数据的分辨率都是相同的常数R，根据长度和帧率将视频数据划分成更小的单位；然后计算用户n的视频单元数为，其中设置为所有用户视频长度的公因数，为所有用户的视频帧率的公因数；对于一组视频数据，总是有和；用户n将个视频单元卸载到边缘服务器进行计算；用户n的任务卸载决策表示为，其中表示用户n卸载到边缘服务器m的视频单元的数量；对于每个服务器是一个非负整数，有；卸载到服务器的任务过多会导致服务器拥塞和高计算延迟，用户需要做出适当的卸载决策，以最小化计算延迟；视频被划分为一组更小的单元，每个视频单元的计算需求表示为；使用虚拟并行处理来支持多个任务的处理；那么边缘服务器m上的计算延迟计算为：其中表示边缘服务器m的计算能力；将用户n的整体计算延迟表示为:从上面的等式中观察到，当用户n将其所有视频单元卸载到某一个边缘服务器m时，整体计算延迟仅取决于该服务器上的计算延迟；然而，当视频单元被卸载到多个边缘服务器时，整体计算延迟是这些服务器的计算延迟中最大的，用户需要做出卸载决策，并且根据其
他用户的决策来调整他们的决策，以最小化整体的计算延迟；根据香农公式计算用户n卸载视频数据到边缘服务器m的速率为其中W代表信道带宽，代表用户n的发射功率，通过相关功率控制算法来确定，表示用户n与其连接的边缘服务器m之间的信道增益，表示高斯白噪声的功率，代表用户i的发射功率，表示用户i与其连接的边缘服务器j之间的信道增益；边缘服务器返回计算结果的时间开销被忽略，当用户n将个视频单元卸载到边缘服务器m时，传输延迟计算为：其中是每个视频单元的数据大小；在视频分析任务卸载场景中，观察到视频分析任务会消耗计算延迟，并且传输延迟远短于计算延迟，忽略不同用户将视频数据卸载到同一服务器的传输时延差异；收集一个包含从用户到边缘服务器m的各种传输延迟的历史数据集，然后用中所有传输延迟的平均值来表示与服务器m相关的传输延迟，对于任何用户n，数据传输到边缘服务器m的延迟表示为：其中是历史数据集的大小，是中的传输延迟历史数据；基于上述计算和通信模型，计算用户n的整体延迟为：。3.根据权利要求2所述的基于博弈论的多服务器多用户视频分析任务卸载方法，其特征在于，所述模型的优化目标表示为：给定其他用户的视频分析任务卸载决策,每个用户需要确定自己的任务卸载决策以最小化其整体延迟；因此，对于每个用户n，
从上式看出，每个用户决定将其个视频单元卸载到一些适当的边缘服务器，旨在最小化计算和传输的整体延迟。4.根据权利要求1所述的基于博弈论的多服务器多用户视频分析任务卸载方法，其特征在于，所述步骤（2）对建立的数学模型进行求解，包括以下的多人博弈问题的定义过程：将多服务器多用户异构视频分析任务卸载问题建模为多人博弈问题，记为G=<N,S,U>，其中用户集合S被视为博弈玩家集合；所有参与者的策略空间集合表示为，其中表示玩家n的策略空间，是用户n选择的所有策略的并集；策略空间中的策略个数也称为策略空间的势，取决于视频单元个数；任务卸载决策被视为每个玩家的策略，并且策略中的每个方向的量代表卸载到对应边缘服务器的视频单元的数量；让表示所有参与者的任务卸载策略，表示除玩家n之外所有其他玩家的卸载策略；所有玩家效用函数的集合表示为；基于计算...

【专利技术属性】
技术研发人员：杨定坤，赵南，马红双，王昕宇，尹雯姣，
申请(专利权)人：江苏电力信息技术有限公司，
类型：发明
国别省市：