一种边云计算任务卸载方法、系统、终端以及存储介质技术方案

本申请涉及一种边云计算任务卸载方法、系统、终端以及存储介质。所述方法包括：基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；根据所述计算任务卸载方案对所述计算任务进行卸载。本申请可以避免算法陷入局部最优解，并可以得到更优的边云计算任务卸载方案。计算任务卸载方案。计算任务卸载方案。

【技术实现步骤摘要】
一种边云计算任务卸载方法、系统、终端以及存储介质


[0001]本申请属于云计算
，特别涉及一种边云计算任务卸载方法、系统、终端以及存储介质。

技术介绍

[0002]随着云计算技术的日益改进，越来越多的应用被部署到云端执行。但是，随着应用所需的数据量逐步变大，在远离数据的云端执行应用会造成高时延、高带宽占用等问题，从而影响应用响应的效率。因此，将计算任务进行边云之间的计算任务卸载成为了一种很好的解决方案。通过将需要大数据量的计算任务从云端卸载到更靠近数据源的边端，可以有效的降低满足应用所需要的时间，同时可以避免在有限的带宽上传输大量数据所导致的带宽瓶颈问题。
[0003]随着技术的发展，一些现有的方法对边云计算任务卸载进行了探索。例如在文献[Wu H,Knottenbelt W,Wolter K,Sun Y.An optimal offloading partitioning algorithm in mobile cloud computing.In:Springer.；2016:311
–
328.]中，Wu等人将边云计算任务卸载问题构建成为一个图最小割分割问题，计算任务会被分割在云端或边端上执行，其所提出的MCOP算法的优化目标为执行时间与能源消耗。Li等人在文献[HR,Martin OC,St
ü
tzle T.Iterated local search.In:Springer.2003(pp.320
–
353).]中则着眼于手持移动设备的计算任务卸载，该方法的优化目标为减少计算所产生的能源消耗。Juttner等人在文献[Juttner A,Szviatovski B,M
é
cs I,Rajk
ó
Z.Lagrange relaxation based method for the QoS routing problem.In:.2.IEEE.；2001:859
–
868.]中提出了LARAC算法，该方法着眼于寻找通讯代价较少的卸载路径，以减少通讯代价。Wang等在人在[Wang W,Zhou W.Computational offloading with delay and capacity constraints in mobile edge.In:IEEE.；2017:1
–
6.]与Dong等人在[Dong L,Wang F,Shan J.Computation offloading for mobile
‑
edge computing with maximum flow minimum cut.In:；2018:1
–
5.]中计算任务卸载时采用了同构的通讯代价，其假设云云通讯与边边通讯没有代价，且边云通讯与云边通讯具有相同的代价。但是，这种具有多重假设的同构的通讯代价模型在现实中并不具有实用性。上述方法均没有考虑具有异构性的计算代价，即不同的计算任务可以具备不同的计算代价，因此影响了这些方法的一般性。此外，这些方法在计算任务卸载过程中，均未考虑计算任务卸载后的负载均衡，从而影响计算效率。最后，这些方法都只是面向代价的减小，而完全没有考虑在优化代价的同时优化满足计算任务所产生的具有异构性的利润。
[0004]为此，Du等人在[Du M,Wang Y,Ye K,Xu C.Algorithmics of cost
‑
driven computation offloading in the edge
‑
cloud environment.IEEE Transactions on Computers 2020；69(10):1519
–
1532.]中的边云计算任务卸载中采用了异构的通讯模型，从而使得所提出的METO算法更具有实用性。METO算法假设所有通讯方向的节点之间的通讯代价均相等，无论两节点之间的距离远近，这种假设并不现实，其所考虑的异构通讯代价并
不具有一般性。

技术实现思路

[0005]本申请提供了一种边云计算任务卸载方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
[0006]为了解决上述问题，本申请提供了如下技术方案：
[0007]一种边云计算任务卸载方法，包括：
[0008]基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
[0009]采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；所述改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；
[0010]根据所述计算任务卸载方案对所述计算任务进行卸载。
[0011]本申请实施例采取的技术方案还包括：所述基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型具体为：
[0012]所述通讯代价为：
[0013][0014]式中，为边E<V
s
,V
t
>的长度，V
s
为起始位置节点，V
t
为迁移位置节点；V
C
表示云端的计算设备，V
E
表示边端的计算设备；表示起始位置节点和迁移位置节点都在云端时的通讯代价，表示起始位置节点和迁移位置节点都在边端时的通讯代价，表示节点从云端迁移到边端的通讯代价，表示节点从云边端迁移到云端的通讯代价；
[0015]所述计算代价为：
[0016][0017]式中，G为图模型，T为等待被卸载执行的计算任务集合，为计算任务卸载方案，为计算任务T
k
在云端执行的计算代价，为计算任务T
k
在边端执行的计算代价；为指示函数。
[0018]本申请实施例采取的技术方案还包括：所述采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置具体包括：
[0019]采用密度感知算法对灰狼种群进行初始化；
[0020]在算法训练过程中，判断灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果灰狼的淘汰决定值e不高于设定的淘汰阈值，采用贪心阶级灰狼引导算法，根据目标函数值最优
的前N个灰狼计算出所有可计算的阶级灰狼，根据阶级灰狼中目标函数值最优的阶级灰狼更新未被淘汰的灰狼位置；否则，采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰，并重新初始化被淘汰灰狼的位置；
[0021]根据当前灰狼位置生成计算任务卸载方案，根据生成的计算任务卸载方案进行任务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边云计算任务卸载方法，其特征在于，包括：基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；所述改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；根据所述计算任务卸载方案对所述计算任务进行卸载。2.根据权利要求1所述的边云计算任务卸载方法，其特征在于，所述基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型具体为：所述通讯代价为：式中，为边E<V
s
，V
t
>的长度，V
s
为起始位置节点，V
t
为迁移位置节点；V
C
表示云端的计算设备，V
E
表示边端的计算设备；w
CC
表示起始位置节点和迁移位置节点都在云端时的通讯代价，w
EE
表示起始位置节点和迁移位置节点都在边端时的通讯代价，w
CE
表示节点从云端迁移到边端的通讯代价，w
EC
表示节点从边端迁移到云端的通讯代价；所述计算代价为：式中，G为图模型，T为等待被卸载执行的计算任务集合，为计算任务卸载方案，为计算任务T
k
在云端执行的计算代价，为计算任务T
k
在边端执行的计算代价；为指示函数。3.根据权利要求2所述的边云计算任务卸载方法，其特征在于，所述采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置具体包括：采用密度感知算法对灰狼种群进行初始化；在算法训练过程中，判断灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果灰狼的淘汰决定值e不高于设定的淘汰阈值，采用贪心阶级灰狼引导算法，根据目标函数值最优的前N个灰狼计算出所有可计算的阶级灰狼，根据阶级灰狼中目标函数值最优的阶级灰狼更新未被淘汰的灰狼位置；否则，采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰，并重新初始化被淘汰灰狼的位置；根据当前灰狼位置生成计算任务卸载方案，根据生成的计算任务卸载方案进行任务卸载。4.根据权利要求3所述的边云计算任务卸载方法，其特征在于，所述采用密度感知算法对灰狼种群进行初始化具体为：
设置初始化灰狼向量的生成数量；所述初始化灰狼向量的生成数量大于灰狼所需数量；生成初始化灰狼向量，并判断初始化灰狼向量集群中的初始化灰狼向量是否达到设定数量，如果没有达到设定数量，在生成每一个灰狼向量时，对于每一个任务，将其分配到产生较优目标函数值的一侧执行，并随机分配执行顺序；如果达到设定数量，基于密度感知机制，从所述初始化灰狼向量集群中选择欧氏距离最相近的两个初始化灰狼向量，计算所述两个初始化灰狼向量的均值向量，将所述均值向量作为新的灰狼向量加入到初始化灰狼向量集群中，并将所述两个初始化灰狼向量从初始化灰狼向量集群中删除，直到所述初始化灰狼向量集群中的灰狼向量数量达到灰狼所需数量，得到最终的初始化灰狼向量集群。5.根据权利要求3所述的边云计算任务卸载方法，其特征在于，所述贪心阶级灰狼引导算法具体为：D
j
←
|C
j
×
X
j
‑
X|X
j
←
X
j
‑
A
j
×
D
jj
A＝2r1×
a[i]
‑
a[i]C＝2r
2222
上述公式中，CI代表当前迭代次数，MI代表最大迭代次数，r1和r2分别为在0
‑
1之间的随机数，C为一个介于[0，2]之间的参数向量，C
j
为参数向量C中的第j个分量，A为一个介于[
‑
...

【专利技术属性】
技术研发人员：吴嘉澍，王洋，须成忠，叶可江，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：