一种多用户接入的智能边缘计算系统中的任务卸载方法技术方案

本发明专利技术公开了本发明专利技术实施例提供了一种多用户接入的智能边缘计算系统的任务卸载方法，应用于终端节点和边缘服务器节点，涉及工业物联网技术领域。通过将任务分为时延敏感型、计算复杂型和终端任务型，优化了由于业务类型不明确产生的节点计算资源不匹配的问题，提高了边缘计算系统的整体处理效率；并将原始任务分割为可以独立执行的子任务，有效降低了由于任务量过大产生的计算和等待时延，降低了任务完成之间的耦合性；边缘服务器节点对任务卸载的过程进行建模，根据任务计算的历史处理数据合理判断任务的卸载决策和卸载位置，有效地缩短了因任务处理等待队列过长产生的计算时延，满足在时延约束的允许下尽可能地减少能量损耗。足在时延约束的允许下尽可能地减少能量损耗。足在时延约束的允许下尽可能地减少能量损耗。

【技术实现步骤摘要】
一种多用户接入的智能边缘计算系统中的任务卸载方法


[0001]本专利技术涉及工业物联网
，具体涉及一种多用户接入的智能边缘计算系统中的任务卸载方法。

技术介绍

[0002]随着联网的智能物联设备的增多和计算任务复杂度的提高，终端网络产生了海量的感知数据和计算数据。接入计算网络的大量业务以及产生的数据给网络带宽和计算中心的计算能力带来了巨大压力。传统云计算模式将收集到的感知数据全部传输至云中心处理，可能造成响应延迟高、传输能耗高和隐私泄露等问题。同时物联网上行速率具有时延敏感的特性，对于任务的配合完成有较高的时延约束。因此，边缘计算技术将部分任务卸载到边缘端，降低通信传输时延，避免隐私泄露，以缩短通信链路处理时间的思路降低任务计算时间。
[0003]在边缘计算领域，计算卸载是一项重要技术。由于终端设备的计算能力有限，终端设备通常无法独立完成所有任务，因此需要将任务卸载到边缘计算服务器或云服务器通过更丰富的计算资源完成任务。将任务全部卸载到一个服务节点，通常会造成该服务节点拥塞，形成很长的等待队列，并且浪费了其他节点的计算资源。而随机地将任务进行卸载会在通信过程中形成较高的传输时延，不利于控制任务完成的整体时延。因此计算卸载通过制定合理的任务卸载决策，综合分析节点以及任务等情况，完成任务是否进行卸载，以及目标任务卸载到合适节点的决策。
[0004]现有技术中，通常获取多边缘服务器多移动终端场景下的数据总集合，然后以终端能量消耗最小为目标结合网络中的设备计算能力进行决策。然后，采用马尔可夫决策过程进行建模，将每种策略的优劣都转化为最终汇报数据大小，从而给出最优策略。但是，一方面该方法仅以缩小能耗为目标进行，忽略了工业物联网中产生的一些时延敏感型任务；另一方面，该方法利用马尔可夫过程进行建模，忽视了决策过程产生的持续时间对建模过程的影响。

技术实现思路

[0005]本专利技术的目的就在于解决上述
技术介绍
的问题，而提出一种多用户接入的智能边缘计算系统中的任务卸载方法。
[0006]本专利技术的目的可以通过以下技术方案实现：
[0007]本专利技术实施例第一方面，首先提供了一种多用户接入的智能边缘计算系统的任务卸载方法，应用于终端节点，所述方法包括：
[0008]获取所述终端节点连接的传感器采集的数据生成待计算的原始任务，判断所述原始任务是否满足本地卸载条件；
[0009]若所述原始任务满足本地卸载条件，将所述原始任务进行分割并排序整合为包含多个子任务的线性任务队列；
[0010]针对每一子任务的任务复杂度和预计完成时延判断该子任务的任务类型；所述任务类型包括时延敏感型、计算复杂型和终端任务型；所述终端任务型表示该子任务的任务复杂度小于预设的任务复杂度阈值，且该子任务的预计完成时延小于预设的时延敏感阈值；所述计算复杂型表示该子任务的任务复杂度不小于预设的任务复杂度阈值；所述时延敏感型表示该子任务的任务复杂度小于预设的任务复杂度阈值，且该子任务的预计完成时延不小于预设的时延敏感阈值；
[0011]针对每一子任务，若该子任务为所述终端任务型，则处理该子任务；若该子任务为所述计算复杂型，则将该子任务卸载到云服务器节点，以使所述云服务器节点处理该子任务；若该子任务为所述时延敏感型，则将该子任务卸载到边缘服务器节点，以使边缘服务器节点对该子任务进行决策过程建模得到该子任务的最优卸载决策，使得处理该子任务的能耗和时延联合优化的整体收益达到最大，处理该子任务，或者将该子任务卸载到云服务器节点以使所述云服务器节点处理该子任务。
[0012]可选地，在将所述原始任务进行分割并排序整合为包含多个子任务的线性任务队列之前，所述方法还包括：
[0013]计算所述原始任务的实际开始时间AST(j)：
[0014]AST(j)＝max{avail{0∪[k]},max(AFT(j')+C
jj'
)}
[0015]其中，avail{0∪[k]}表示所述终端节点或所述云服务器节点k最早准备执行时间，j'表示所有所述原始任务的前置任务，C
jj'
表示j'和j任务结果的调度时间；
[0016]前置任务j'的实际结束时间AFT(j')：
[0017]AFT(j')＝min{D
p
(j')+AST(j')}
[0018]其中，D
p
(j')是前置任务执行时间；
[0019]从所有关联的前置任务结果迭代出当前任务结束时间，分别计算所述原始任务在所述云服务器节点的实际完成时间AFT
sever
(j)和在所述终端节点的实际完成时间AFT
local
(j)；
[0020]判断所述原始任务是否满足本地卸载条件，若AFT
sever
(j)≤AFT
local
(j)，所述原始任务不满足本地卸载条件，则将所述原始任务卸载到所述云服务器节点，以使所述云服务器节点处理所述原始任务，否则，所述原始任务满足本地卸载条件。
[0021]可选地，若所述原始任务满足本地卸载条件，将所述原始任务进行分割并排序整合为包含多个子任务的线性任务队列，所述方法包括：
[0022]对所述原始任务整体根据任务的继承性和并行性进行拓扑结构分割；任务的继承性表示后置任务的进行依赖于前置任务的完成；任务的并行性表示两个任务的进行不存在逻辑上的依赖关系；
[0023]求解使所述原始任务完成时间达到最小的目标任务：
[0024][0025]其中，a(s)表示在状态s时所采取动作，N为系统任务总量；
[0026]选取最小的处理时间任务作为优先级队列最开始的执行任务，将任务分割且排列为线性队列时，后置任务的优先级一定低于前置任务；
[0027]设计子任务优先级排序算法，将子任务整合为线性的待处理任务队列：
[0028]计算子任务j优先级：
[0029]Rank(j)＝D
t
(j)+max(R
m
+Rank(j'))
[0030]其中，D
t
(j)是子任务j的处理时间，R
m
是所有前置任务的处理时间，Rank(j')是与子任务j有继承性关系的前置任务的处理时间；
[0031]对所有子任务按照优先级大小进行降序排序，得到线性任务队列。
[0032]可选地，所述边缘服务器节点和所述终端节点统称为边缘侧；
[0033]针对每一子任务的任务复杂度和预计完成时延判断该子任务的任务类型，包括：
[0034]根据所述边缘侧的计算资源和计算能力，结合不同复杂度任务的执行情况，确定所述边缘侧能够承受的综合复杂度上限为α
max
；
[0035]根据每一子任务的时间和算法复杂度，确定任务i的综合复杂度为α
i
；
[0036]根据每一子任务的时延约束需求，确定该子任务的时延阈值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多用户接入的智能边缘计算系统的任务卸载方法，其特征在于，应用于终端节点，所述方法包括：获取所述终端节点连接的传感器采集的数据生成待计算的原始任务，判断所述原始任务是否满足本地卸载条件；若所述原始任务满足本地卸载条件，将所述原始任务进行分割并排序整合为包含多个子任务的线性任务队列；针对每一子任务的任务复杂度和预计完成时延判断该子任务的任务类型；所述任务类型包括时延敏感型、计算复杂型和终端任务型；所述终端任务型表示该子任务的任务复杂度小于预设的任务复杂度阈值，且该子任务的预计完成时延小于预设的时延敏感阈值；所述计算复杂型表示该子任务的任务复杂度不小于预设的任务复杂度阈值；所述时延敏感型表示该子任务的任务复杂度小于预设的任务复杂度阈值，且该子任务的预计完成时延不小于预设的时延敏感阈值；针对每一子任务，若该子任务为所述终端任务型，则处理该子任务；若该子任务为所述计算复杂型，则将该子任务卸载到云服务器节点，以使所述云服务器节点处理该子任务；若该子任务为所述时延敏感型，则将该子任务卸载到边缘服务器节点，以使边缘服务器节点对该子任务进行决策过程建模得到该子任务的最优卸载决策，使得处理该子任务的能耗和时延联合优化的整体收益达到最大，处理该子任务，或者将该子任务卸载到云服务器节点以使所述云服务器节点处理该子任务。2.根据权利要求1所述的一种多用户接入的智能边缘计算系统的任务卸载方法，其特征在于，在将所述原始任务进行分割并排序整合为包含多个子任务的线性任务队列之前，所述方法还包括：计算所述原始任务的实际开始时间AST(j)：AST(j)＝max{avail{0∪[k]},max(AFT(j')+C
jj'
)}其中，avail{0∪[k]}表示所述终端节点或所述云服务器节点k最早准备执行时间，j'表示所有所述原始任务的前置任务，C
jj'
表示j'和j任务结果的调度时间；前置任务j'的实际结束时间AFT(j')：AFT(j')＝min{D
p
(j')+AST(j')}其中，D
p
(j')是前置任务执行时间；从所有关联的前置任务结果迭代出当前任务结束时间，分别计算所述原始任务在所述云服务器节点的实际完成时间AFT
sever
(j)和在所述终端节点的实际完成时间AFT
local
(j)；判断所述原始任务是否满足本地卸载条件，若AFT
sever
(j)≤AFT
local
(j)，所述原始任务不满足本地卸载条件，则将所述原始任务卸载到所述云服务器节点，以使所述云服务器节点处理所述原始任务，否则，所述原始任务满足本地卸载条件。3.根据权利要求1所述的一种多用户接入的智能边缘计算系统的任务卸载方法，其特征在于，若所述原始任务满足本地卸载条件，将所述原始任务进行分割并排序整合为包含多个子任务的线性任务队列，所述方法包括：对所述原始任务整体根据任务的继承性和并行性进行拓扑结构分割；任务的继承性表示后置任务的进行依赖于前置任务的完成；任务的并行性表示两个任务的进行不存在逻辑上的依赖关系；
求解使所述原始任务完成时间达到最小的目标任务：其中，a(s)表示在状态s时所采取动作，N为系统任务总量；选取最小的处理时间任务作为优先级队列最开始的执行任务，将任务分割且排列为线性队列时，后置任务的优先级一定低于前置任务；设计子任务优先级排序算法，将子任务整合为线性的待处理任务队列：计算子任务j优先级：Rank(j)＝D
t
(j)+max(R
m
+Rank(j'))其中，D
t
(j)是子任务j的处理时间，R
m
是所有前置任务的处理时间，Rank(j')是与子任务j有继承性关系的前置任务的处理时间；对所有子任务按照优先级大小进行降序排序，得到线性任务队列。4.根据权利要求1所述的一种多用户接入的智能边缘计算系统的任务卸载方法，其特征在于，所述边缘服务器节点和所述终端节点统称为边缘侧；针对每一子任务的任务复杂度和预计完成时延判断该子任务的任务类型，包括：根据所述边缘侧的计算资源和计算能力，结合不同复杂度任务的执行情况，确定所述边缘侧能够承受的综合复杂度上限为α
max
；根据每一子任务的时间和算法复杂度，确定任务i的综合复杂度为α
i
；根据每一子任务的时延约束需求，确定该子任务的时延阈值t
max
；计算每一子任务的完成时间t
ij
；根据α
max
、α
i
、t
max
和t
ij
之间的关系确定该子任务的任务类型。5.根据权利要求4所述的一种多用户接入的智能边缘计算系统的任务卸载方法，其特征在于，计算每一子任务的完成时间t
ij
，包括：计算信道传输功率：其中，g
ij
表示所述终端节点i到所述云服务器节点j的信道增益，B为带宽，N0为白噪声功率，p为发射功率；将每一子任务的完成时间拆分为传输时间和计算时间计算该子任务的传输时间计算该子任务的传输时间其中，m
i
表示需要传输的数据总量；计算该任务的计算时间计算该任务的计算时间其中，c
i
表示处理每个子任务所需的CPU周期数，f
ij
表示服务器分配给该子任务的计算
资源，计算总的任务完成时间：6.一种多用户接入的智能边缘计算系统的...

【专利技术属性】
技术研发人员：苏家楠，李晓辉，沈八中，吕思婷，张鹏，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：