一种基于分类和预测的边端协同业务卸载方法技术

本发明专利技术公开了一种基于分类和预测的边端协同业务卸载方法，包括以下步骤：根据业务数据包大小、业务所需计算资源量，使用K

【技术实现步骤摘要】
一种基于分类和预测的边端协同业务卸载方法


[0001]本专利技术涉及边缘计算
，尤其涉及一种基于分类和预测的边端协同业务卸载方法。

技术介绍

[0002]随着互联网时代、信息化社会的不断发展，各类终端业务呈现多样化、智能化、信息化的特点，业务处理工作量大、业务种类繁多、处理效率低下等问题也日益突出。针对这些问题，引入边缘计算网络，将计算和存储资源下沉至网络边缘，来提高业务的处理效率，充分利用服务计算资源。
[0003]在此场景中，终端设备产生差异化业务，并利用下沉至网络边缘的计算资源将业务卸载至边缘计算服务器执行。然而终端业务通常具有不同特征，对算力，存储，网络等资源的需求不同，且其分布呈现不同规律。任务卸载执行的过程中，不合理的边缘服务器资源分配方式会导致资源匹配不均和资源浪费。另外，业务需求类别的差异会导致业务对卸载时延和卸载能耗的敏感程度不同，需要针对这种差异合理分配资源，高效利用边缘服务器资源，并保证任务的实时性。
[0004]为了解决上述问题，CN114172558A(技术方案1)提出一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法，基于软件定义网络获取车辆信息、无人机集群以及边缘计算设备信息；基于Q学习将卸载给无人机集群的效用最大化；基于最速下降将卸载给边缘计算设备的效用最大化；根据车辆能获得的效用为车辆提供最优计算策略，实现系统中多个无人机之间的负载均衡，并降低计算任务的完成时间。
[0005]CN114980206A(技术方案2)提出一种基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统，将车辆任务划分为子任务块，根据车辆位置、行驶速度、服务器计算能力等因素，决定子任务由哪个服务器处理。并综合考虑车辆速度、子任务位置、网络接出入时间、任务数据量、带宽以及周边设备计算能力等因素，通过改进模拟退火算法来对卸载功率以及任务分配比例进行优化，从而降低卸载能耗。
[0006]CN114564304A(技术方案3)提出一种边缘计算的任务卸载方法。首先构建移动设备模型、MEC服务器模型、时延模型以及能耗模型，综合分析卸载时延及卸载能耗进行满意度模型的构建。结合惩罚函数设置任务卸载的总成本的目标函数，并通过粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置。从而优化卸载的时延和能耗以及用户满意度，提高卸载效率。
[0007]在现有的卸载方法中，技术方案1通过采集无人机和边缘计算设备的相关信息来获取建模参数，并通过最大化卸载效用来制定卸载方案，但只考虑了时延因素，并未将卸载能耗因素作为方案的评价指标。技术方案2通过对任务进行划分并改进模拟退火算法来对卸载功率和匹配方案进行优化，最终达到最小化卸载能耗的目的，但只考虑了能耗因素，并未考虑时延因素对卸载方案的影响。技术方案3首先构建移动设备模型和MEC服务器的网络模型，并综合考虑时延及能耗对卸载方案进行优化，但并未考虑业务公平性以及服务器资
源的合理分配。另外，技术方案1、2、3均没有考虑到服务器资源的提前调整对整体服务开销的影响。

技术实现思路

[0008]本专利技术针对现有技术的不足，提出一种基于分类和预测的边端协同业务卸载方法，在动态变化边缘计算场景下，对业务进行分类及预测的建模分析，从而根据业务特点对服务器资源进行提前调配，减小不必要的服务开销，并通过改进的匹配算法制定卸载策略，保证用户公平性的同时降低卸载时延及卸载能耗。
[0009]为了实现上述目的，本专利技术提供如下技术方案：
[0010]一种基于分类和预测的边端协同业务卸载方法，包括以下步骤：
[0011]S1、根据业务数据包大小、业务所需计算资源量，使用K
‑
Means算法将历史业务数据分类成不同簇团；
[0012]S2、基于业务分类的结果，在分类后的不同的业务簇团内，根据历史业务信息使用神经网络对未来业务需求进行预测；
[0013]S3、计算业务卸载总时延和业务卸载总能耗，业务卸载总时延包括业务传输过程的时延和业务处理过程的时延，业务卸载总能耗包括业务传输过程的能耗和业务处理过程的能耗；
[0014]S4、计算业务卸载至边缘服务器进行处理所消耗的总代价；
[0015]S5、为终端设备产生的业务需求进行卸载决策，优化目标为使所有业务卸载至边缘服务器进行处理所消耗的总代价最小，采用Kuhn
‑
Munkres算法求解得到卸载方案。
[0016]进一步地，步骤S1的具体流程如下：
[0017]S11、输入样本数据集X＝{x1，x2，...，x
n
}，将样本即将被聚类成的簇数设为K；
[0018]S12、从样本集中随机选取K个数据点作为初始的质心；
[0019]S13、计算数据集中样本点x
i
(i＝1，2，...n)到各初始质心q
j
(j＝1，2，...k的距离，找出和数据点距离最小的质心，将x
i
加入该质心的簇P
j
中；
[0020]S14、对各聚类簇P＝{P1，P2，...，P
K
}进行更新，将各个簇内样本的平均值作为该类别新的聚类中心，
[0021]S15、重复步骤S13和S14直至各聚类簇内的数据点不再变化，输出聚类算法划分的结果P＝{P1，P2，...，P
K
}。
[0022]进一步地，步骤S2使用GRU网络对具有时间关联特征的数据进行预测，将历史业务数据作为输入，将业务需求位置和业务需求产生时间作为输入数据的特征，将业务数据量作为预测标签。
[0023]进一步地，步骤S3业务卸载的总时延的计算公式为：
[0024][0025]其中，data
n
为业务数据量大小，B
q
为通信信道q的带宽，P
k，q
为终端设备k在通信信
道q上的发送功率，H
k，q
为信道增益，为高斯白噪声功率，res
n
为业务所需计算资源量，cal
m
为边缘服务器服务能力。
[0026]进一步地，步骤S3业务卸载的总能耗的计算公式为：
[0027][0028]其中，业务传输过程的能耗，业务处理过程的能耗，data
n
为业务数据量大小，B
q
为通信信道q的带宽，P
k，q
为终端设备k在通信信道q上的发送功率，H
k，q
为信道增益，为高斯白噪声功率，res
n
为业务所需计算资源量，cal
m
为边缘服务器服务能力，P
m
为边缘服务器功率。
[0029]进一步地，步骤S4中消耗总代价的计算公式为：
[0030][0031]其中，为业务卸载的总时延，为业务卸载的总能耗，ω
T
表示时延的权重因子，ω
E
表示能耗的权重因子。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分类和预测的边端协同业务卸载方法，其特征在于，包括以下步骤：S1、根据业务数据包大小、业务所需计算资源量，使用K
‑
Means算法将历史业务数据分类成不同簇团；S2、基于业务分类的结果，在分类后的不同的业务簇团内，根据历史业务信息使用神经网络对未来业务需求进行预测；S3、计算业务卸载总时延和业务卸载总能耗，业务卸载总时延包括业务传输过程的时延和业务处理过程的时延，业务卸载总能耗包括业务传输过程的能耗和业务处理过程的能耗；S4、计算业务卸载至边缘服务器进行处理所消耗的总代价；S5、为终端设备产生的业务需求进行卸载决策，优化目标为使所有业务卸载至边缘服务器进行处理所消耗的总代价最小，采用Kuhn
‑
Munkres算法求解得到卸载方案。2.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法，其特征在于，步骤S1的具体流程如下：S11、输入样本数据集X＝{x1，x2，...，x
n
}，将样本即将被聚类成的簇数设为K；S12、从样本集中随机选取K个数据点作为初始的质心；S13、计算数据集中样本点x
i
(i＝1，2，...n)到各初始质心q
j
(j＝1，2，...k的距离，找出和数据点距离最小的质心，将x
i
加入该质心的簇P
j
中；S14、对各聚类簇P＝{P1，P2，...，P
K
}进行更新，将各个簇内样本的平均值作为该类别新的聚类中心，S15、重复步骤S13和S14直至各聚类簇内的数据点不再变化，输出聚类算法划分的结果P＝{P1，P2，...，P
K
}。3.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法，其特征在于，步骤S2使用GRU网络对具有时间关联特征的数据进行预测，将历史业务数据作为输入，将业务需求位置和业务需求产生时间作为输入数据的特征，将业务数据量作为预测标签。4.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法，其特征在于，步骤S3业务卸载的总时延的计算公式为：其中，data
n
为业务数据量大小，B
q
为通信信道q的带宽，P
k，q
为终端设备k在通信信道q上的发送功率，H
k，q
为信道增益，为高斯白噪声功率，res
n
为业务所需计算资源量，cal
m
为边缘服务器服务能力。5.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法，其特征在于，步骤S3业务...

【专利技术属性】
技术研发人员：芮兰兰，高志鹏，宋黛，刘茂华，陈子轩，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：