基于深度学习的边缘计算任务卸载和资源分配方法组成比例

本发明专利技术提供一种基于深度学习的边缘计算任务卸载和资源分配方法，将多目标进化优化应用于多用户多边缘服务器的网络环境中。具体是在构建系统模型的过程中，分别将系统内总能量消耗、总时间延迟和总价格成本作为三个独立的子目标，利用NSGA

【技术实现步骤摘要】
基于深度学习的边缘计算任务卸载和资源分配方法


[0001]本专利技术涉及移动边缘计算
，具体涉及一种基于深度学习的边缘计算任务卸载和资源分配方法。

技术介绍

[0002]近年来，由于大数据与无线通信技术的突破性进展，连接到无线网络上的移动用户和设备爆炸式增长，在网络的边缘产生了海量的数据；与此同时，诸如虚拟现实、自动驾驶和人脸识别等新兴应用通常都是计算密集型和延迟敏感性任务，导致人们对网络环境和任务处理能力提出了新的挑战。传统的云计算需要利用具有强大计算能力的云中心来集中的解决计算和存储问题，但这种单一的计算模式无法满足新兴应用和移动设备对实时性和低能耗等要求。移动边缘计算(mobile edge computing，MEC)就是在此基础上提出的在网络边缘执行计算的一种新型计算模式。MEC通过在边缘设备附近建立边缘服务器，移动用户可以将本地难以处理的任务卸载到附近的边缘服务器中执行，从而降低本地处理的能量消耗和任务延迟，在保证任务顺利完成的情况下给用户带来高质量的服务体验。然而，当同一区域的移动用户数量过多、任务处理过于密集时，大量的数据传输很有可以引起网内拥堵和响应时间增加，从而导致MEC系统瘫痪。因此，设计一个合理的MEC系统尤为重要。
[0003]为了最大限度地提高MEC系统的有效性，提高系统内任务的完成率和服务质量，在设计MEC系统时需要考虑两方面的问题：一是系统中哪些用户的任务需要被卸载到边缘服务器中执行，卸载时的最佳功率也需要被确定；二是需要考虑MEC系统中任务执行的能量消耗、时间延迟和价格成本三者之间的平衡。现有的MEC方法大多都聚焦于单一目标的研究，很少考虑对多个目标同时优化。此外，传统的卸载方案通常假设边缘服务器具有无限的计算能力，也很少将数据传输时的相互干扰对卸载决策的影响考虑在内。所以MEC系统中任务卸载和资源分配问题仍然存在不足，缺少一个更加合理和准确的方法。
[0004]多目标进化优化(multi
‑
objective evolutionary algorithm,MOEA)属于进化计算领域，如今被普遍应用于实际工程中优化问题的多个目标之间相互作用且冲突的情况。MOEA从一组随机产生的种群开始，对种群中的个体执行选择、交叉和变异操作，经过多次迭代来提高个体的适应度，从而不断逼近Pareto前沿，得到最优解集的过程。对于基于支配关系的MOEA，其基本思路是利用基于Pareto的适应度分配策略，从当前进化群体中找出所以的非支配个体，如NSGA
‑Ⅱ
，具有运行速度快，解集收敛性好的优点。
[0005]深度学习(deep learning,DL)属于机器学习领域，是指通过模拟人脑中的神经网络来学习样本数据的内在规律和表示层次，从而使机器能够像人一样具有分析学习的能力，可以做出准确的判断。近年来，由于相关技术的突破性进展，深度学习广泛的应用于解决复杂场景的问题，并表现出了优秀的效果。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供了一种基于深度学习的边缘计算任务卸载和资
源分配方法，将多目标进化优化应用于多用户多边缘服务器的网络环境中。具体是在构建系统模型的过程中，分别将系统内总能量消耗、总时间延迟和总价格成本作为三个独立的子目标，利用NSGA
‑Ⅱ
求解最优解集；然后根据不同用户对这三个目标的偏好情况从最优解集中确定最佳方案；最后通过上述方法构建用于训练的数据集，利用深度学习算法获得训练模型来替代详细决策和分配过程。
[0007]为实现上述技术效果，本专利技术提出的一种基于深度学习的边缘计算任务卸载和资源分配方法，包括：
[0008]步骤1：对移动边缘计算网络进行系统建模；
[0009]步骤2：构建移动边缘计算系统中任务卸载和资源分配问题的目标函数；
[0010]步骤3：根据移动边缘计算系统中任务卸载和资源分配问题的相关属性值生成初始种群，采用NSGA
‑Ⅱ
算法求解系统模型得到最优解决方案的决策变量；
[0011]步骤4：构建深度神经网络模型，利用步骤3生成的决策变量对深度神经网络模型进行训练；
[0012]步骤5：获取待检测的移动边缘计算系统中任务卸载和资源分配问题的相关属性值，利用训练后的深度神经网络模型预测最优决策变量，根据最优决策变量对移动边缘计算系统中的计算任务和资源进行分配。
[0013]所述步骤1中的系统模型包括网络模型、通信模型、计算模型和成本模型，首先需要构建出网络模型，然后在此基础上构建出相应的通信模型、计算模型和成本模型，具体建模过程包括：
[0014]构建网络模型，将N个移动用户表示为U＝{u1,u2,
…
,u
N
}，其中每个用户i都携带一个待处理的计算密集型或延迟敏感型任务，由T
i
＝{s
i
,c
i
,t
i
}表示，s
i
表示任务T
i
的数据量大小，c
i
表示任务T
i
的计算量，t
i
表示完成任务T
i
的最大可接受延迟，M个无线基站表示为B＝{1,2,
…
,M}；
[0015]确定卸载时用于数据传输过程的通信模型，用表示从移动用户i到其任务卸载的目的基站η
i
之间的传输速度，i＝1,2,
…
,N；η
i
∈B，表示为：
[0016][0017]其中，B表示信道带宽，σ2表示移动设备i的噪声功率，表示第i个移动用户与目的基站之间的信道增益，为通过同一无线信道传输的数据之间的相互干扰功率，p
i
表示第i个移动用户用于数据传输的上行传输功率；
[0018]计算移动用户到服务器之间通信的时间延迟和能量消耗
[0019][0020]构建计算模型，计算任务T
i
在本地的执行时间延迟表示为：
[0021][0022]式中，x
i
表示任务卸载决策变量，x
i
＝0代表任务不进行卸载操作，f
iL
表示移动设
备i本地的计算能力；c
i
表示待处理任务T
i
的计算量；
[0023]本地执行的能量消耗
[0024][0025]式中，κ表示移动用户i的硬件架构系数；
[0026]边缘云的执行延迟
[0027][0028]其中，代表卸载目的边缘云η
i
分配给移动设备i的计算资源的比例；表示目的边缘云η
i
的计算能力；η
i
∈B,B＝{1,2,
…
,M}；M表示本MEC系统中含有的边缘云服务器个数；
[0029]成本模型是指移动用户i将计算任务卸载到边缘云服务器中执行时需要支付给边缘云运营本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的边缘计算任务卸载和资源分配方法，其特征在于，包括：步骤1：对移动边缘计算网络进行系统建模；步骤2：构建移动边缘计算系统中任务卸载和资源分配问题的目标函数；步骤3：根据移动边缘计算系统中任务卸载和资源分配问题的相关属性值生成初始种群，采用NSGA
‑Ⅱ
算法求解系统模型得到最优解决方案的决策变量；步骤4：构建深度神经网络模型，利用步骤3生成的决策变量对深度神经网络模型进行训练；步骤5：获取待检测的移动边缘计算系统中任务卸载和资源分配问题的相关属性值，利用训练后的深度神经网络模型预测最优决策变量，根据最优决策变量对移动边缘计算系统中的计算任务和资源进行分配。2.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法，其特征在于，所述步骤1中的系统模型包括网络模型、通信模型、计算模型和成本模型，具体建模过程包括：构建网络模型，将N个移动用户表示为U＝{u1,u2,
…
,u
N
}，其中每个用户i都携带一个待处理的计算密集型或延迟敏感型任务，由T
i
＝{s
i
,c
i
,t
i
}表示，s
i
表示任务T
i
的数据量大小，c
i
表示任务T
i
的计算量，t
i
表示完成任务T
i
的最大可接受延迟，M个无线基站表示为B＝{1,2,
…
,M}；确定卸载时用于数据传输过程的通信模型，用表示从移动用户i到其任务卸载的目的基站η
i
之间的传输速度，i＝1,2,
…
,N；η
i
∈B，表示为：其中，B表示信道带宽，σ2表示移动设备i的噪声功率，表示第i个移动用户与目的基站之间的信道增益，为通过同一无线信道传输的数据之间的相互干扰功率，p
i
表示第i个移动用户用于数据传输的上行传输功率；计算移动用户到服务器之间通信的时间延迟和能量消耗和能量消耗构建计算模型，计算任务T
i
在本地的执行时间延迟表示为：式中，x
i
表示任务卸载决策变量，x
i
＝0代表任务不进行卸载操作，f
iL
表示移动设备i本地的计算能力；c
i
表示待处理任务T
i
的计算量；本地执行的能量消耗本地执行的能量消耗式中，κ表示移动用户i的硬件架构系数；边缘云的执行延迟
其中，代表卸载目的边缘云η
i
分配给移动设备i的计算资源的比例；表示目的边缘云η
i
的计算能力；η
i
∈B,B＝{1,2,
…
,M}；M表示本MEC系统中含有的边缘云服务器个数；成本模型是指移动用户i将计算任务卸载到边缘云服务器中执行时需要支付给边缘云运营商的报酬，成本模型的表达式r
i
为：式中，代表卸载目的边缘云η
i
的计算资源单位成本。3.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法，其特征在于，所述步骤2中的目标函数包括最小化移动设备本地总能量消耗、最小化待处理任务总时间延迟和最小化处理任务所花费的总成本；具体构建过程包括：所述最小化移动设备本地总能量消耗，是指最小化所有移动用户在完成待处理任务过程中的总能量消耗E，包括本地执行能耗和传输能耗；式中，所述最小化待处理任务总时间延迟，是指最小化所有移动用户在完成待处理任务过程中所需的时间延迟T，包括本地执行时延、传输时延和边缘云服务器端执行时延；式中，所述最小化处理任务所花费的总成本，是指最小化所有移动用户在边缘云服务器端执行计算任务时所需要给边缘云提供商支付的总报酬C，表示为：4.根据权利要求1所述的一种基于深度学习的边缘计算任务卸载和资源分配方法，其特征在于，所述步骤3中的相关属性值包括：各个移动用户的位置信息、本地计算能力和剩余电池储...

【专利技术属性】
技术研发人员：马连博，陈怡丹，王学毅，杨晓东，
申请(专利权)人：东北大学，
类型：发明
国别省市：