一种保证SLA的MEC任务卸载与资源调度方法技术

本发明专利技术公开了一种保证SLA的MEC任务卸载与资源调度方法，属于计算资源调度技术领域，包括如下步骤：将产生的任务卸载到MEC网络，并基于中心MEC构建若干李雅普诺夫队列；将任务信息元组加入对应任务类型的李雅普诺夫队列；将各李雅普诺夫队列中的信息元组降序排列，完成时隙t的信息收集；对各信息元组降序排列后的李雅普诺夫队列依次执行主动丢弃和被动丢弃计算，并使用紧急高频率计算资源；基于依次执行主动丢弃和被动丢弃计算后的李雅普诺夫队列和启发式算法，得到任务信息元组分配结果；将任务信息元组传输至对应的MEC等待执行；本发明专利技术实现了在保证SLA的前提下最大化MEC计算提供商的利润。算提供商的利润。算提供商的利润。

【技术实现步骤摘要】
一种保证SLA的MEC任务卸载与资源调度方法


[0001]本专利技术属于计算资源调度
，尤其涉及一种保证SLA的MEC任务卸载与资源调度方法。

技术介绍

[0002]在第五代电信网络(5G)技术的推动下，移动通信服务的需求呈爆发性增长。增强移动宽带(enhance mobile broadband，eMBB)、海量机器通信(massive machine
‑
type communication，mMTC)和超高可靠低时延通信(ultra
‑
reliable and low
‑
latency communication，uRLLC)是5G网络支持的三大应用场景。5G具有的高可靠、低时延、大带宽、巨连接等特性，对实现万物互联、丰富更多网络应用场景有着重要作用。然而，当大量用户将任务卸载到边缘服务器时，网络负载和传输干扰都会增加。
[0003]多接入边缘计算(multi
‑
access edge computing，MEC)作为5G网络的关键组成之一，它运行于5G网络边缘，通常具有较强的计算能力，因此特别适合于分析处理大量数据。同时，由于MEC在地理上距离用户非常临近，使得网络响应用户请求的时延大大减小，也降低了传输网和核心网部分发生网络拥塞的可能性。位于5G网络边缘的MEC能够实时获取例如可用带宽等网络数据以及与用户位置相关的信息，可以极大的改善用户的服务质量体验。如何分配5G网络中的任务和调度MEC服务器的计算资源成为MEC使能5G网络的重要问题。
[0004]有研究人员提出了一种基于深度强化学习和深度确定性策略梯度方法的动态分配策略，但深度强化学习需要足够多的样本数据，训练周期长，此技术方案可能无法在应用初期提供有效的任务分配决策，甚至导致利润极低；对某任务无法做出及时决策，也有研究人员从博弈论角度出发，在任务卸载的时延约束下，将MEC联盟问题表述为利润最大化问题，但该方案中网络用户与服务是动态变化的，需要动态划分联盟；联盟与联盟之间是割裂的，没有协作计算，没有充分利用联盟边界的计算资源，导致任务时延较高；因此合作博弈策略达到纳什均衡点的时间较长，导致无法及时基于更新的网络环境做出准确的决策。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供的一种保证SLA的MEC任务卸载与资源调度方法本专利技术实现了在保证SLA的前提下最大化MEC计算提供商的利润。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0007]本专利技术提供一种保证SLA的MEC任务卸载与资源调度方法，包括信息收集阶段，及算法决策阶段：
[0008]所述信息收集阶段包括如下步骤：
[0009]A1、将产生的任务卸载到MEC网络，并基于中心MEC构建若干李雅普诺夫队列；
[0010]A2、将任务信息元组加入对应任务类型的李雅普诺夫队列；
[0011]A3、根据任务的信息年龄和任务最短计算时间的和，将各李雅普诺夫队列中的信
息元组降序排列，完成时隙t的信息收集；
[0012]所述算法决策阶段包括如下步骤：
[0013]B1、对各信息元组降序排列后的李雅普诺夫队列依次执行主动丢弃和被动丢弃计算，并使用紧急高频率计算资源；
[0014]B2、基于依次执行主动丢弃和被动丢弃计算后的李雅普诺夫队列和启发式算法，得到任务信息元组分配结果；
[0015]B3、根据任务信息元组分配结果，将任务信息元组传输至对应的MEC等待执行，完成保证SLA的MEC任务卸载与资源调度。
[0016]本专利技术的有益效果为：本专利技术提供的一种保证SLA的MEC任务卸载与资源调度方法，分为信息收集阶段和算法决策阶段，通过将各时隙内产生的任务信息元组上传至中心MEC，利用中心MEC收集任务信息且根据任务种类将信息元组加入到相应任务种类的队列，根据任务的信息年龄与任务最短计算时间的加和将任务元组降序排列，完成时隙t内的信息收集，且通过中心MEC使用基于李雅普诺夫优化理论的方法进行决策，本方法可以部署在MEC支持的5G网络中，有助于MEC充分利用全局的计算资源和网络链路资源以协同计算的形式共同为5G网络提供边缘计算服务，同时MEC可以设置超参数V，根据MEC能耗成本和5G网络任务产生情况等现实动态变化的条件，权衡任务队列长度和利润的折中效果。
[0017]进一步地，所述步骤A1包括如下步骤：
[0018]A11、将产生的任务卸载到MEC网络，并将任务信息元组上传到中心MEC；
[0019]A12、计算得到中心MEC的整体利润P(t)：
[0020][0021]其中，k表示k类任务，p
k
(t)表示时隙t内用户关于k类任务向MEC支付的服务费用，a
k
(t)表示时隙t内共卸载至MEC网络的任务总数，m表示MEC网络中的第m个MEC，C
m
(t)表示时隙t内第m个MEC运行时单个CPU的能耗费用，表示时隙t内第m个MEC运行k类任务时的CPU数量，η
k
表示使用紧急高频率计算资源计算k类任务时MEC的费用，G
k
(t)表示时隙t内无法在SLA时间内使用正常计算资源完成的k类任务的数量，其中，m和k均属于自然数；
[0022]A13、基于中心MEC的整体利润P(t)计算得到时隙t内中心MEC的平均利润
[0023][0024]其中，表示定义，T表示时隙的总数，∞表示无穷，sup表示求上确界，T
‑
1表示第T
‑
1个时隙，E{
·
}表示求期望；
[0025]A14、优化平均利润并基于中心MEC构建若干李雅普诺夫队列。
[0026]采用上述进一步方案的有益效果为：基于时隙t内用户卸载任务到MEC网络对MEC计算提供商的整体利润的影响，构建李雅普诺夫优化理论提出解决方案，设计出最大化利润的MEC任务卸载和资源调度方法，从而在保证SLA的前提下最终提高MEC计算提供商的利润。
[0027]进一步地，所述步骤A14包括如下步骤：
[0028]A141、构建平均利润优化目标函数：
[0029][0030]s.t.:
[0031][0032][0033][0034][0035]其中，s.t.:表示应满足如下约束，表示任意选取，b
k
(t)表示时隙t内分配k类任务至MEC时计算k类任务队列的总时隙的减少量，b
k
(t
‑
)表示时隙t内已经分配的k类任务计算k类任务队列的总时隙的减少量；
[0036]A142、利用平均利润优化目标函数对平均利润优化，并基于中心MEC构建若干初始李雅普诺夫队列：
[0037][0038][0039][0040]其中，Q
k
(t+1)表示时隙t+1内所有k类任务的待计算的时隙组成的李雅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种保证SLA的MEC任务卸载与资源调度方法，其特征在于，包括信息收集阶段，及算法决策阶段：所述信息收集阶段包括如下步骤：A1、将产生的任务卸载到MEC网络，并基于中心MEC构建若干李雅普诺夫队列；A2、将任务信息元组加入对应任务类型的李雅普诺夫队列；A3、根据任务的信息年龄和任务最短计算时间的和，将各李雅普诺夫队列中的信息元组降序排列，完成时隙t的信息收集；所述算法决策阶段包括如下步骤：B1、对各信息元组降序排列后的李雅普诺夫队列依次执行主动丢弃和被动丢弃计算，并使用紧急高频率计算资源；B2、基于依次执行主动丢弃和被动丢弃计算后的李雅普诺夫队列和启发式算法，得到任务信息元组分配结果；B3、根据任务信息元组分配结果，将任务信息元组传输至对应的MEC等待执行，完成保证SLA的MEC任务卸载与资源调度。2.根据权利要求1所述的保证SLA的MEC任务卸载与资源调度方法，其特征在于，所述步骤A1包括如下步骤：A11、将产生的任务卸载到MEC网络，并将任务信息元组上传到中心MEC；A12、计算得到中心MEC的整体利润P(t)：其中，k表示k类任务，p
k
(t)表示时隙t内用户关于k类任务向MEC支付的服务费用，a
k
(t)表示时隙t内共卸载至MEC网络的任务总数，m表示MEC网络中的第m个MEC，C
m
(t)表示时隙t内第m个MEC运行时单个CPU的能耗费用，表示时隙t内第m个MEC运行k类任务时的CPU数量，η
k
表示使用紧急高频率计算资源计算k类任务时MEC的费用，G
k
(t)表示时隙t内无法在SLA时间内使用正常计算资源完成的k类任务的数量，其中，m和k均属于自然数；A13、基于中心MEC的整体利润P(t)计算得到时隙t内中心MEC的平均利润A13、基于中心MEC的整体利润P(t)计算得到时隙t内中心MEC的平均利润其中，表示定义，T表示时隙的总数，∞表示无穷，sup表示求上确界，T
‑
1表示第T
‑
1个时隙，E{
·
}表示求期望；A14、优化平均利润并基于中心MEC构建若干李雅普诺夫队列。3.根据权利要求2所述的保证SLA的MEC任务卸载与资源调度方法，其特征在于，所述步骤A14包括如下步骤：A141、构建平均利润优化目标函数：s.t.:
其中，s.t.:表示应满足如下约束，表示任意选取，b
k
(t)表示时隙t内分配k类任务至MEC时计算k类任务队列的总时隙的减少量，b
k
(t
‑
)表示时隙t内已经分配的k类任务计算k类任务队列的总时隙的减少量；A142、利用平均利润优化目标函数对平均利润优化，并基于中心MEC构建若干初始李雅普诺夫队列：李雅普诺夫队列：李雅普诺夫队列：其中，Q
k
(t+1)表示时隙t+1内所有k类任务的待计算的时隙组成的李雅普诺夫队列，max{
·
}表示求最大值，Q
k
(t)表示时隙t内所有k类任务的待计算的时隙组成的李雅普诺夫队列，r表示第r个任务，w(r)表示第r个任务使用最低的处理器频率计算所用的时隙，D(r)表示第r个任务的字节长度，f
min
表示MEC的最低计算频率，T
slot
表示单时隙的时间长度，f
m
表示第m个MEC的CPU计算频率，其中，r属于自然数；A143、基于各李雅普诺夫队列定义所有任务类型的队列向量和李雅普诺夫函数：Δ(Θ(t))＝E{L(Θ(t+1))
‑
L(Θ(t))|Θ(t)}Θ(t)＝[Q1(t),Q2(t),...,Q
k
(t),...]其中，L(Θ(t))表示t时隙内所有类型任务的队列向量Θ(t)的李雅普诺夫函数，Δ(Θ(t))表示单个时隙内李雅普诺夫函数期望的变化，L(Θ(t+1))表示t+1时隙内所有类型任务的队列向量Θ(t+1)的李雅普诺夫函数，|Θ(t)表示在t时隙内所有类型任务的队列向量Θ(t)的条件下求期望；A144、基于队列向量和李雅普诺夫函数构建李雅普诺夫函数优化目标函数：minsup(Δ(Θ(t))
‑
VP(t))s.t.:
其中，V表示队列长度和利润的权衡因子，H表示常数，w(r)
max
表示任务使用最低的处理器频率计算所用的时隙最大值，表示k类任务卸载到MEC网络的数量上界，表示分配k类任务至MEC时计算总时隙的减少量的上界，表示时隙t内已经分配的k型任务计算总时隙的减少量的上界，表示使用紧急高频率计算资源的任务的数量的上界；A145、利用李雅普诺夫函数优化目标函数对李雅普诺夫函数优化，得到若干李雅普诺夫队列。4.根据权利要求3所述的保证SLA的MEC任务卸载与资源调度方法，其特征在于，所述步骤B1包括如下步骤：B11、对信息元组降序排列后的各李雅普诺夫队列进行主动丢弃运算，得到主动丢弃部分：其中，G
k
(t)
*
表示主动丢弃部分信息元组的数量；B12、对主动丢弃部分使用紧急高频率计算资源；B13、逐个判断进行主动丢弃后的各李雅普诺夫队列中的信息元组使用正常频率计算资源是否违反任务SLA要求，若是则进入步骤B14，否则进入步骤B2；B14、将主动丢弃后的各李雅普诺夫队列中队首的信息元组至违反任务SLA要求的信息元组部分进行被动丢弃，得到被动丢弃部分；B15、对被动丢弃部分使用紧急高频率计算资源。5.根据权利要求4所述的保证SLA的MEC任务卸载与资源调度方法，其特征在于，所述步骤B13中任务SLA要求的计算表达式如下：
其中，age(r)表示第r个任务的信息年龄，f
max
表示MEC中最高的计算频率，T

【专利技术属性】
技术研发人员：孙罡，苏寒月，罗龙，虞红芳，任婧，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：