一种基于边缘协作的任务卸载及服务缓存联合优化方法技术

本发明专利技术公开了一种基于边缘协作的任务卸载及服务缓存联合优化方法，先构建两层协作移动边缘计算系统网络模型，推导相应的通信模型、任务卸载模型及服务缓存模型；制定考虑终端用户公平性的任务卸载与服务缓存联合优化问题；然后将原始优化问题处理成外层的容量受限的服务缓存决策问题和内层的任务调度问题；基于吉布斯采样思想迭代更新缓存决策，求解外层服务缓存策略；分解内层任务调度问题为计算资源分配及任务卸载位置选择两个子问题，基于公平感知资源分配方法求解计算资源分配策略；利用基于偏好的双边匹配方法求解计算卸载策略。本发明专利技术能有效提升边缘本地服务缓存命中率，降低所有用户的最大时延，保证用户公平性的同时均衡边缘负载。的同时均衡边缘负载。的同时均衡边缘负载。

【技术实现步骤摘要】
一种基于边缘协作的任务卸载及服务缓存联合优化方法


[0001]本专利技术涉及移动通信及移动边缘计算
，尤其涉及一种基于边缘协作的任务卸载及服务缓存联合优化方法。

技术介绍

[0002]移动边缘计算将云服务器的功能下沉，已成为解决延迟敏感型任务与资源受限终端设备间矛盾的新兴范式。然而，现有多数工作重点研究移动边缘计算下的任务卸载及资源分配问题，未考虑到边缘设备的服务缓存问题。事实上，只有提前缓存有相关服务的边缘设备才有能力执行相应用户任务。由于边缘服务器存储资源有限，故而必须明智地选择缓存服务的类型。此外，用户间的公平性也是移动边缘计算中任务执行的重要目标。仅保证系统总体收益或平均QoS的任务卸载方案可能会造成个人用户的不公平待遇，导致用户体验不佳。
[0003]因此现有技术需要一种在边缘服务器计算、存储受限约束下，全面性地考虑一种结合服务缓存的公平性任务卸载方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于边缘协作的任务卸载及服务缓存联合优化方法，在边缘服务器计算、存储受限约束下，有效提升边缘本地服务缓存命中率，降低所有用户的最大时延，保证用户公平性的同时均衡边缘负载。
[0005]为实现上述目的，本专利技术提供了一种基于边缘协作的任务卸载及服务缓存联合优化方法，包括以下步骤：
[0006]S101：构建两层协作移动边缘计算系统网络模型；
[0007]S102：基于所述两层协作移动边缘计算系统网络模型确定相应的通信模型、任务卸载模型及服务缓存模型；
[0008]S103：制定考虑终端用户公平性的任务卸载与服务缓存联合优化问题，在边缘设备有限计算资源及存储资源的约束下，对系统中所有用户的最大任务时延进行优化；
[0009]S104：将所述任务卸载与服务缓存联合优化问题处理成内外两层问题，其中，外层为容量受限的服务缓存决策问题，内层为任务调度问题；
[0010]S105：基于吉布斯采样思想迭代更新缓存决策，求解外层的服务缓存策略；
[0011]S106：将内层的任务调度问题分解为计算资源分配及任务卸载位置选择两个子问题，并基于公平感知资源分配方法求解计算资源分配策略；
[0012]S107：利用基于偏好的双边匹配方法求解任务卸载位置选择策略。
[0013]可选地，所述两层协作移动边缘计算系统网络模型包括N个移动终端用户和M个无线基站，各移动终端用户通过无线链路与其关联基站相连，各基站间通过有线链路进行连接通信，每个基站均配备一个MEC服务器，所述MEC服务器作为边缘节点为移动终端设备提供一定的计算和存储资源。
[0014]可选地，基于所述两层协作移动边缘计算系统网络模型确定的通信模型、任务卸载模型及服务缓存模型为：
[0015]通信模型：设定连接到同一基站的终端用户平等地共享通信资源，则终端用户n连接到关联基站m的上行传输速率为：
[0016][0017]其中，W
m
为关联基站m的可用频谱带宽，P
n
为终端用户n上行链路的传输功率，h
nm
为终端用户n与关联基站m间的信道功率增益，σ2表示噪声功率，|N
m
|表示与基站m相关联的终端用户数量；且定义关联基站m到协作基站k之间的传输速率为固定值R
mk
；
[0018]任务卸载模型：限定各移动终端用户产生的任务不可拆分，且仅可选择本地执行、卸载到关联基站执行、或进一步卸载到协作基站执行三种方案中的一种执行方案；
[0019]服务缓存模型：设定只有当边缘设备中缓存有应用服务及相关数据库时，相应的计算任务才可以在边缘节点处执行；且每个边缘设备缓存的服务总量不能超过边缘设备的存储容量。
[0020]可选地，所述任务卸载与服务缓存联合优化问题为对所有终端用户的卸载决策X、所有边缘节点的计算资源分配策略F及服务缓存策略C的联合优化问题，并定义为问题P1：
[0021][0022]其中，T
n
表示终端用户n的任务时延，且：
[0023][0024]其中表示用户n针对任务I
n
的卸载决策变量，k表示任务卸载位置，k＝0表示本地执行，k＝m表示关联基站执行，k∈M\{m}表示协作基站执行，为终端用户n在本地的计算时间，表示关联基站m中MEC服务器关于服务类型s
n
的缓存决策，表示边缘设备m未缓存服务s
n
，表示边缘设备m缓存有服务s
n
，表示协作基站k中MEC服务器关于服务类型s
n
的缓存决策，表示协作基站k中未缓存服务s
n
，表示协作基站k中缓存有服务s
n
，s
n
为任务I
n
的服务类型，T
nm
为在关联基站m的计算时间，T
nk
为在协作基站k的计算时间。
[0025]可选地，问题P1的约束条件有：
[0026]C1：边缘设备缓存的应用服务不能超出其存储容量；
[0027]C2：用户任务只能在本地、关联基站、协作基站三者之一执行计算；
[0028]C3：边缘设备分配的计算资源不能超出其计算资源总量；
[0029]C4：边缘设备分配的计算资源非负；
[0030]C5：服务缓存决策为二进制变量，决策只能是缓存或未缓存；
[0031]C6：任务卸载决策变量为二进制变量，决策只能是卸载或未卸载。
[0032]可选地，基于吉布斯采样思想迭代更新缓存决策，求解外层的服务缓存策略的步骤包括：
[0033]将服务缓存决策更新过程看作一个L维的马尔科夫链，在每一轮的迭代过程中随机选择一个边缘设备m∈M及满足相关约束条件的可行缓存策略其余边缘设备上的缓存策略不变，基于上一轮与当前所有边缘设备的缓存决策，可分别计算出上一轮与当前的最优任务卸载策略X与X
*
，最优计算资源分配策略F与F
*
及目标函数值τ与τ
*
，预设平滑参数w，将边缘设备缓存更新的条件概率分布与P1的优化目标相关联，以概率ρ接受当前的缓存策略，以概率1
‑
ρ保持上一轮的缓存策略，最终马尔科夫链将以接近1的概率收敛到最优缓存策略。
[0034]可选地，基于公平感知资源分配方法求解计算资源分配策略步骤包括：
[0035]S1061：初始化最小时延τ
min
、最大时延τ
max
、及最大容忍度ξ；
[0036]S1062：判断|τ
max
‑
τ
min
|≥ξ是否成立，若不成立，则转到步骤S1069得到最优目标值τ
n
；若成立，则转到步骤S1063；
[0037]S1063：取当前最大时延与最小时延之差的平均值作为当前迭代的时延，即然后执行步骤S106本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘协作的任务卸载及服务缓存联合优化方法，其特征在于，包括以下步骤：S101：构建两层协作移动边缘计算系统网络模型；S102：基于所述两层协作移动边缘计算系统网络模型确定相应的通信模型、任务卸载模型及服务缓存模型；S103：制定考虑终端用户公平性的任务卸载与服务缓存联合优化问题，在边缘设备有限计算资源及存储资源的约束下，对系统中所有用户的最大任务时延进行优化；S104：将所述任务卸载与服务缓存联合优化问题处理成内外两层问题，其中，外层为容量受限的服务缓存决策问题，内层为任务调度问题；S105：基于吉布斯采样思想迭代更新缓存决策，求解外层的服务缓存策略；S106：将内层的任务调度问题分解为计算资源分配及任务卸载位置选择两个子问题，并基于公平感知资源分配方法求解计算资源分配策略；S107：利用基于偏好的双边匹配方法求解任务卸载位置选择策略。2.如权利要求1所述的基于边缘协作的任务卸载及服务缓存联合优化方法，其特征在于，所述两层协作移动边缘计算系统网络模型包括N个移动终端用户和M个无线基站，各移动终端用户通过无线链路与其关联基站相连，各基站间通过有线链路进行连接通信，每个基站均配备一个MEC服务器，所述MEC服务器作为边缘节点为移动终端设备提供一定的计算和存储资源。3.如权利要求2所述的基于边缘协作的任务卸载及服务缓存联合优化方法，其特征在于，基于所述两层协作移动边缘计算系统网络模型确定的通信模型、任务卸载模型及服务缓存模型为：通信模型：设定连接到同一基站的终端用户平等地共享通信资源，则终端用户n连接到关联基站m的上行传输速率为：其中，W
m
为关联基站m的可用频谱带宽，P
n
为终端用户n上行链路的传输功率，h
nm
为终端用户n与关联基站m间的信道功率增益，σ2表示噪声功率，|N
m
|表示与基站m相关联的终端用户数量；且定义关联基站m到协作基站k之间的传输速率为固定值R
mk
；任务卸载模型：限定各移动终端用户产生的任务不可拆分，且仅可选择本地执行、卸载到关联基站执行、或进一步卸载到协作基站执行三种方案中的一种执行方案；服务缓存模型：设定只有当边缘设备中缓存有应用服务及相关数据库时，相应的计算任务才可以在边缘节点处执行；且每个边缘设备缓存的服务总量不能超过边缘设备的存储容量。4.如权利要求3所述的基于边缘协作的任务卸载及服务缓存联合优化方法，其特征在于，所述任务卸载与服务缓存联合优化问题为对所有终端用户的卸载决策X、所有边缘节点的计算资源分配策略F及服务缓存策略C的联合优化问题，并定义为问题P1：P1:
其中，T
n
表示终端用户n的任务时延，且：其中表示用户n针对任务I
n
的卸载决策变量，k表示任务卸载位置，k＝0表示本地执行，k＝m表示关联基站执行，k∈M\{m}表示协作基站执行，为终端用户n在本地的计算时间，表示关联基站m中MEC服务器关于服务类型s
n
的缓存决策，表示边缘设备m未缓存服务s
n
，表示边缘设备m缓存有服务s
n
，表示协作基站k中MEC服务器关于服务类型s
n
的缓存决策，表示协作基站k中未缓存服务s
n
，表示协作基站k中缓存有服务s
n
，s
n
为任务I
n
的服务类型，T
nm
为在关联基站m的计算时间，T
nk
为在协作基...

【专利技术属性】
技术研发人员：刘国金，刘香，冯曦，赵升升，赵海森，黄天聪，吴玉成，
申请(专利权)人：北京智芯微电子科技有限公司国网山西省电力公司晋中供电公司，
类型：发明
国别省市：