一种边缘计算的选择性卸载方法及系统技术方案

本申请提供一种边缘计算的选择性卸载方法，包括：根据用户端的应用程序，确定所述应用程序要执行的子任务；根据所述子任务的关键参数确定所述子任务对应的状态空间，并根据所述状态空间确定每个所述子任务的成本函数；将所述成本函数输入到智能成本模型中计算卸载方案。通过子任务的关键参数计算得到的卸载成本，选择性的经子任务卸载都边缘计算，最大程度的降低系统的运行成本。本申请还提供一种边缘计算的选择性卸载系统。缘计算的选择性卸载系统。缘计算的选择性卸载系统。

【技术实现步骤摘要】
一种边缘计算的选择性卸载方法及系统


[0001]本申请请求保护一种边缘计算技术，尤其涉及一种边缘计算的选择性卸载方法。本申请还涉及种边缘计算的选择性卸载系统。

技术介绍

[0002]随着科技的发展，智能移动设备的应用越发普及。然而，各种用户端由于自身资源及计算能力的局限性，在处理计算密集型与时延敏感的应用时常面临着计算能力不足的情况。边缘计算(MEC)中的计算卸载技术就是将用户端的计算任务卸载至移动网络的边缘，从而有效地解决用户端计算能力不足的问题。同时，相比于移动云计算中的计算卸载，边缘计算解决了高时延、网络负载与资源的占用等问题。
[0003]边缘计算的核心思想是把传统数据中心里的云计算平台从核心网络内部迁至移动网络边缘，以实现各类系统资源的高效利用。边缘计算的目标是通过将计算放在靠近信息源的位置来减少延迟，提高用户服务体验。它通过构建一个由各式各样的计算设备组成的层次结构来实现。新范式下的移动边缘计算的体系结构是一个典型的三层结构，其由云中心、边缘节点服务器202(MobileEdgeServer，MES)和用户端组成。在现有技术中，如何实现选择性的将计算任务转移到边缘计算，还没有成熟的实施方案。

技术实现思路

[0004]为了解决当前技术方案中计算任务无法选择性的转移到边缘计算的问题，本申请提出一种边缘计算的选择性卸载方法以及一种边缘计算的选择性卸载系统。
[0005]本申请提供一种边缘计算的选择性卸载方法，包括：
[0006]根据用户端的应用程序，确定所述应用程序要执行的子任务；
[0007]根据所述子任务的关键参数确定所述子任务对应的状态空间，并根据所述状态空间确定每个所述子任务的成本函数；
[0008]将所述成本函数输入到智能成本模型中计算卸载方案。
[0009]可选的，所述状态空间公式如下：
[0010]S＝(c,d,n,m,Ec)
[0011]其中，所述c是子任务的序号，所述d是子任务的数据传输值，所述n是通讯资源值，所述m是计算负荷值，所述E
c
是子任务的能源消耗值。
[0012]可选的，所述成本函数公式如下：
[0013][0014]F
l
(s)＝γ1T
l
(c)+γ2E
c
[0015]F
r
(s)＝γ3[(1
‑
P
c
‑1)T
t
(d
c
‑
1,c
)+T
e
(d
c
‑
1,c
)+T
r
(d
c,c+1
)+t
d
]+γ4[E(d
c,c+1
)+E(d
c
‑
1,c
)(1
‑
P
c
‑1)]+ε5K(m)+ε6K(n)
[0016]其中，所述F
l
(s)是所述用户端的执行成本，F
r
(s)是边缘节点服务器202的执行成
本，P
c
是成本结果，γ1、γ2、γ3、γ4、ε5、ε6是加权系数，T
l
(c)是执行时间，E
c
是能量损耗，T
t
(d
c
‑
1,c
)是前一个子任务数据传输当前子任务的时间，T
e
(d
c
‑
1,c
)表示当前子任务执行时间，T
e
(d
c
‑
1,c
)+T
r
(d
c,c+1
)是当前子任务数据传输到下一个子任务的时间，E(d
c,c+1
)E和(d
c
‑
1,c
)分别是子任务输入到边缘节点服务器202和输出到边缘节点服务器202的能量损耗，K(m)是CPU核心数量和子任务数量比值，K(n)是CPU核心数量和通讯资源数量比值。
[0017]可选的，所述智能成本模型包括：
[0018]输入层，接收输入数据；
[0019]隐藏层，计算并迭代输入数据，生产输出数据；
[0020]输出层，输出输出数据。
[0021]可选的，所述智能成本模型是深度神经网络模型。
[0022]本申请还提供一种边缘计算的选择性卸载系统，包括：
[0023]划分模块，用于根据用户端的应用程序，确定所述应用程序要执行的子任务；
[0024]计算模块，用于根据所述子任务的关键参数确定所述子任务对应的状态空间，并根据所述状态空间确定每个所述子任务的成本函数；
[0025]判断模块，用于将所述成本函数输入到智能成本模型中计算卸载方案。
[0026]可选的，所述状态空间公式如下：
[0027]S＝(c,d,n,m,Ec)
[0028]其中，所述c是子任务的序号，所述d是子任务的数据传输值，所述n是通讯资源值，所述m是计算负荷值，所述E
c
是子任务的能源消耗值。
[0029]可选的，所述成本函数公式如下：
[0030][0031]F
l
(s)＝γ1T
l
(c)+γ2E
c
[0032]F
r
(s)＝γ3[(1
‑
P
c
‑1)T
t
(d
c
‑
1,c
)+T
e
(d
c
‑
1,c
)+T
r
(d
c,c+1
)+t
d
]+γ4[E(d
c,c+1
)+E(d
c
‑
1,c
)(1
‑
P
c
‑1)]+ε5K(m)+ε6K(n)
[0033]其中，所述F
l
(s)是所述用户端的执行成本，F
r
(s)是边缘节点服务器202的执行成本，P
c
是成本结果，γ1、γ2、γ3、γ4、ε5、ε6是加权系数，T
l
(c)是执行时间，E
c
是能量损耗，T
t
(d
c
‑
1,c
)是前一个子任务数据传输当前子任务的时间，T
e
(d
c
‑
1,c
)表示当前子任务执行时间，T
e
(d
c
‑
1,c
)+T
r
(d
c,c+1
)是当前子任务数据传输到下一个子任务的时间，E(d
c,c+1
)E和(d...

【技术保护点】

【技术特征摘要】
1.一种边缘计算的选择性卸载方法，其特征在于，包括：根据用户端的应用程序，确定所述应用程序要执行的子任务；根据所述子任务的关键参数确定所述子任务对应的状态空间，并根据所述状态空间确定每个所述子任务的成本函数；将所述成本函数输入到智能成本模型中计算卸载方案。2.根据权利要求1所述边缘计算的选择性卸载方法，其特征在于，所述状态空间公式如下：S＝(c,d,n,m,Ec)其中，所述c是子任务的序号，所述d是子任务的数据传输值，所述n是通讯资源值，所述m是计算负荷值，所述E
c
是子任务的能源消耗值。3.根据权利要求2所述边缘计算的选择性卸载方法，其特征在于，所述成本函数公式如下：F
l
(s)＝γ1T
l
(c)+γ2E
c
F
r
(s)＝γ3[(1
‑
P
c
‑1)T
t
(d
c
‑
1,c
)+T
e
(d
c
‑
1,c
)+T
r
(d
c,c+1
)+t
d
]+γ4[E(d
c,c+1
)+E(d
c
‑
1,c
)(1
‑
P
c
‑1)]+ε5K(m)+ε6K(n)其中，所述F
l
(s)是所述用户端的执行成本，F
r
(s)是边缘节点服务器202的执行成本，P
c
是成本结果，γ1、γ2、γ3、γ4、ε5、ε6是加权系数，T
l
(c)是执行时间，E
c
是能量损耗，T
t
(d
c
‑
1,c
)是前一个子任务数据传输当前子任务的时间，T
e
(d
c
‑
1,c
)表示当前子任务执行时间，T
e
(d
c
‑
1,c
)+T
r
(d
c,c+1
)是当前子任务数据传输到下一个子任务的时间，E(d
c,c+1
)E和(d
c
‑
1,c
)分别是子任务输入到边缘节点服务器202和输出到边缘节点服务器202的能量损耗，K(m)是CPU核心数量和子任务数量比值，K(n)是CPU核心数量和通讯资源数量比值。4.根据权利要求1所述边缘计算的选择性卸载方法，其特征在于，所述智能成本模型包括：输入层，接收输入数据；隐藏层，计算并迭代输入数据，生产输出数据；输出层，输出输出数据。5.根据权利要求1～5任一所述边缘计算的选择性卸载方法，其特征在于，所述智能成本模型是深度神经网络模型。6.一种边缘计算的选择性卸载系统，其...

【专利技术属性】
技术研发人员：程晓亮，刘炳坤，刘海玲，高臣，
申请(专利权)人：天津市英贝特航天科技有限公司，
类型：发明
国别省市：