一种面向信息物理融合系统的延迟和寿命优化方法技术方案

本发明专利技术提出一种面向信息物理融合系统的延迟和寿命优化方法,包括确定系统能量消耗以及系统的生命周期，再训练长短期记忆神经网络，以预测基站任务负载，并设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数，最后设计基于亲和度的在线方案，以更新计算卸载映射策略；通过由离线和在线两个阶段组成的边缘智能解决方案，从而在可靠性、能耗和任务可调度性约束下，实现同时最小化服务延迟和最大化系统寿命的目标，在离线阶段，首先利用长期短期记忆神经网络来预测单个用户组的任务卸载率，然后使用一种双局部搜索多目标进化算法确定计算卸载映射和任务备份个数等最优系统静态设置。映射和任务备份个数等最优系统静态设置。映射和任务备份个数等最优系统静态设置。

【技术实现步骤摘要】
一种面向信息物理融合系统的延迟和寿命优化方法


[0001]本专利技术涉及信息物理融合系统中任务调度
，尤其涉及一种面向信息物理融合系统的延迟和寿命优化方法。

技术介绍

[0002]近年来，信息技术的巨大进步使得物理世界和信息世界深入融合，促进了信息物理融合系统的产生，信息物理融合系统的典型应用不仅覆盖了制造和生产领域，例如智能交通、工业过程控制、智能电网、类人机器人、大数据基础设施、智能制造等，也覆盖了日常生活领域，例如医疗保健，虚拟/增强现实和智能家居等，在设计信息物理融合系统中，如何以通过低延迟的方式处理爆炸性增长的各种数据，是一个研究热点和难点。为了解决这个难题，大量的研究工作致力于将新兴的边缘计算集成到信息物理融合系统设计过程中。边缘计算实质上是将网络、计算、存储和控制资源从网络核心推向网络边缘的一种分布式计算范式，由于资源转移操作，边缘计算允许在生成数据的源位置处理各种形式的数据，从而大大减少了对终端用户的服务延迟，然而，现有方案没有考虑延迟优化技术对系统寿命和可靠性的影响，导致信息物理融合系统的计算结果不可靠和功能性失灵，因此本专利技术提出一种面向信息物理融合系统的延迟和寿命优化方法以解决现有技术中存在的问题。

技术实现思路

[0003]针对上述问题，本专利技术的目的在于提出一种面向信息物理融合系统的延迟和寿命优化方法，在满足能耗、可靠性、以及可调度性的条件下，通过为任务选择最优的计算卸载映射和备份个数来，解决现有技术中任务响应延迟高以及系统寿命低的问题。
[0004]为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种面向信息物理融合系统的延迟和寿命优化方法，包括以下步骤：
[0005]步骤一、确定系统能量消耗
[0006]首先计算用户组在一个时隙[t,t+T
slot
]期间的预期任务通信时延其次再利用一个子集表示映射到边缘服务器的用户组集合，并计算映射到边缘服务器的用户组的预期任务执行延迟之后再对蜂窝/微型基站的能量消耗边缘服务器的静态功率和动态功率进行计算，再由边缘服务器的静态功率和动态功率对边缘服务器在执行CPU周期为λ
m
T
slot
时整体耗能进而计算SDN控制器的能量消耗并根据上述计算的数据，确定系统的能量消耗
[0007]步骤二、确定系统的生命周期
[0008]设为用户组到边缘服务器链路上的平均误码发生率,计算并得
到其传输可靠性再设为处理器上软错误的平均发生率，根据平均误码发生率和平均发生率，计算并得到处理器在用户组执行任务时的可靠性再进行τ
m,n
次重复，得到增强的瞬态故障可靠性并根据其计算并得出系统可靠性之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算；
[0009]步骤三、训练长短期记忆神经网络，以预测基站任务负载
[0010]先归一化数据集合Ω
trace
，并将该数据集合Ω
trace
划分为训练集Ω
train
和测试集Ω
test
，然后初始化均方误差MSE，并创建神经网络隐藏层model.add，之后计算训练集Ω
train
的元素个数X
train
，再将计数器i赋值为1，并根据公式一：i≤X
train
进行判断，当公式一判断成立之后，调用函数model.fit拟合训练集Ω
train
，得到预测模型model，再采用预测模型model更新测试集Ω
test
的均方误差MSE，输出预测的基站的任务负载；
[0011]步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数
[0012]首先，设表示总共记录z个解的存档，其中每个成员与W个决策变量集合x＝{x1,x2,
…
,x
W
}相关，借助变异概率向量p和q导出档案的后代,记为即公式表达为：
[0013][0014]式中，x
ω
(1≤ω≤W)为第ω个带决策变量，Δx
ω
是变异操作产生的随机数，p
ω
和q
ω
分别为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；
[0015]其次搜索Pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，并生成一系列子代档案，用表示，之后设为子代档案的超体积，在的条件下，用替换I
arc
，得到结果如公式所示：
[0016][0017]将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，则查找预测的任务卸载率再令m赋值加1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群并使用任何非支配排序方法对中的解进行排序，再使用一半种群初始化存档I
arc
，再初始化两个似然向量p和q，并将n赋值为1，通过公式三：进行判断，当公式三判断结果为成立后，将z赋值为1，通过公式四：z≤Z进行判断，当公式四判
断结果为成立后，在存档I
arc
中生成元素的后代之后根据公式五：之后根据公式五：进行判断，当公式五判断结果为成立后，用元素更新种群X，再存档I
arc
，并使用1/5规则调整似然向量p和q；
[0018]步骤五、设计基于亲和度的在线方案，以更新计算卸载映射策略
[0019]首先，定义用户组对边缘服务器在服务延迟上的亲和度其次将延长系统寿命作为一个单一的优化目标，则定义用户组对边缘服务器在系统生命周期方面的亲和度再结合亲和度和亲和度得到一个整体之后将赋值为将赋值为将J赋值为再选择一个非支配解并将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，再通过公式六：进行判断，当公式六判断成立之后，则附加用户组以设置之后将J赋值为J+1，并将m赋值加1，再通过公式二进行判断，直至公式二判断结果不成立，即对于集合中的用户组，直接采用方案中卸载映射和任务复制的设置，再将j赋值为1，并通过公式七：j≤J进行判断，当公式七判断结果成立时，再将n赋值为1，并通过公式八：n≤N进行判断，当公式八判断结果为成立后，将τ
m,n
赋值为τ
max
，之后可获得亲和力再对亲和力进行计算，继而可导出联合亲和力之后再将n赋值加1，并通过公式八进行判断，直至公式八判断结果为不成立，之后将用户组重新映射到能够在满足约束条件下，能最大化联合亲和力的边缘服务器，最后，再将j赋值加1，并通过公式七进行判断。
[0020]进一步改进在于：所述步骤一中，当用户组选择将任务卸载到边缘服务器时，其期望服务延迟计算公式为计算公式为则系统业务时延表示为所有用户组的平均业务时延，即其计算公式为：式中二进制变量A
m,n
表示是否在用户组和边缘服务器之间进行计算卸载映本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向信息物理融合系统的延迟和寿命优化方法，其特征在于：包括以下步骤：步骤一、确定系统能量消耗首先计算用户组在一个时隙[t,t+T
slot
]期间的预期任务通信时延其次再利用一个子集表示映射到边缘服务器的用户组集合，并计算映射到边缘服务器的用户组的预期任务执行延迟之后再对蜂窝/微型基站的能量消耗边缘服务器的静态功率和动态功率进行计算，再由边缘服务器的静态功率和动态功率对边缘服务器在执行CPU周期为λ
m
T
slot
时整体耗能进而计算SDN控制器的能量消耗并根据上述计算的数据，确定系统的能量消耗步骤二、确定系统的生命周期设为用户组到边缘服务器链路上的平均误码发生率,计算并得到其传输可靠性再设为处理器上软错误的平均发生率，根据平均误码发生率和平均发生率，计算并得到处理器在用户组执行任务时的可靠性再进行τ
m,n
次重复，得到增强的瞬态故障可靠性并根据其计算并得出系统可靠性之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算；步骤三、训练长短期记忆神经网络，以预测基站任务负载先归一化数据集合Ω
trace
，并将该数据集合Ω
trace
划分为训练集Ω
train
和测试集Ω
test
，然后初始化均方误差MSE，并创建神经网络隐藏层model.add，之后计算训练集Ω
train
的元素个数X
train
，再将计数器i赋值为1，并根据公式一：i≤X
train
进行判断，当公式一判断成立之后，调用函数model.fit拟合训练集Ω
train
，得到预测模型model，再采用预测模型model更新测试集Ω
test
的均方误差MSE，输出预测的基站的任务负载；步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数首先，设表示总共记录z个解的存档，其中每个成员与W个决策变量集合x＝{x1,x2,
…
,x
W
}相关，借助变异概率向量p和q导出档案的后代,记为即公式表达为：式中，x
ω
(1≤ω≤W)为第ω个带决策变量，Δx
ω
是变异操作产生的随机数，p
ω
和q
ω
分别
为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；其次搜索Pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，并生成一系列子代档案，用表示，之后设为子代档案的超体积，在的条件下，用替换I
arc
，得到结果如公式所示：将m赋值为1，并根据公式二：m≤M进行判断，当公式二判断成立之后，则查找预测的任务卸载率再令m赋值加1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群并使用任何非支配排序方法对中的解进行排序，再使用一半种群初始化存档I
arc
，...

【专利技术属性】
技术研发人员：曹坤，翁健，
申请(专利权)人：暨南大学，
类型：发明
国别省市：