一种端-边协同的边缘计算任务卸载方法技术

本发明专利技术属于任务卸载领域，具体涉及一种端

【技术实现步骤摘要】
一种端
‑
边协同的边缘计算任务卸载方法


[0001]本专利技术属于任务卸载领域，具体涉及一种端
‑
边协同的边缘计算任务卸载方法。

技术介绍

[0002]任务卸载技术是边缘计算进行数据处理的主要方式，通过任务卸载技术，使用边缘云的计算资源进行大数据的处理，可以达到减小终端设备的计算量，降低时延和能耗，节约成本的目的。随着万物互联、大数据、智慧时代的到来，传统形式基于云计算的数据处理模式，难以支持大数据时代海量、多样、高速率的数据处理，难以保证QoS和QoE。
[0003]现有的基于云边协同两层架构的任务协同与资源优化模型，忽略了底层计算设备具有极低传输时延的优势，没有充分利用本地设备具有的计算和存储资源。相比于单层的仅本地计算、仅边缘计算、仅云计算的系统架构和两层的云边系统架构，端
‑
边两层协同的系统架构能够在任务数量多少和任务数据量大小改变时保持较为稳定的系统完成时延，能够满足计算任务的时延敏感需求，能够对本地设备、边缘服务器的资源进行相对最优的调配，提高计算系统的性能。
[0004]由于边缘环境的实时性、动态性和复杂性，现有针对云环境中安全、可靠、隐私问题提出的解决方法，也并不完全适用于边缘环境，本技术基于一种任务卸载综合可信机制，在保证边缘数据安全、可靠的前提下求解任务卸载问题，优化边缘计算的性能，该机制包含身份可信、行为可信、能力可信。此外，用户通过无线信道卸载时会给边缘系统带来数据安全问题，用户将计算任务卸载到边缘服务器时容易被附近的恶意窃听者窃听以及恶意用户干扰攻击，带来上行卸载受阻、用户信息泄露、系统能源利用率低。在传统的MIMO系统中，合法用户的信道容量和窃听者的信道容量时同一量级的，这样安全容量就很小。而在Massive MIMO中，随着天线数的增多，能够充分利用空间复用技术使得合法用户端接收到的信号相比窃听者接收到信号之间高出数个量级。针对这个问题，本技术基于Massive MIMO技术，在存在窃听者窃听的情况下，融合物理层安全技术，可以在不使用任何加密条件下保证数据安全可靠的传输。
[0005]针对以上在满足综合可信评估机制以及使用Massive MIMO技术保证卸载信道安全的基础上现有的DQL、DQN算法都是深度强化学习中的基本算法，被广泛应用于边缘计算环境中，用于求解任务卸载与资源分配问题。深度强化学习通过深度学习来拟合场景的高维状态，通过强化学习来进行在线决策，智能体与外部环境不断进行交互，不断试错与探索，最终使得长期回报最大化。但是这两种算法都存在一个对Q值过高估计的现象，对动作Q值得过高估计，会对算法得收敛速度产生一定的影响，从而影响算法的性能。

技术实现思路

[0006]为解决以上现有技术存在的问题，本专利技术提出了一种端
‑
边协同的边缘计算任务卸载方法，该方法包括：构建端
‑
边协同的边缘计算任务可信卸载模型，对模型进行初始化；获取待卸载的任务数据，并确定任务的类型和属性；根据待卸载的任务数据计算任务卸载
资源；根据任务卸载资源信息构建任务卸载决策；采用DDQN算法对任务卸载决策进行优化，得到最优卸载决策；根据最优卸载决策采用Massive MIMO技术将待卸载的任务数据传输到对应的单元进行任务计算。
[0007]优选的，确定任务的类型和属性的过程包括：任务类型为在线独立任务，即Broker不知道将会有多少任务到达数据中心以及任务的所有相关属性，每到达一个任务就处理一个任务，任务队列是非抢占式的，任务生成到达数据中心的时间间隔服从泊松分布；任务属性定义为：
[0008]task＝{id
i
,sub
i
,d
i
,mem
i
,cpu
i
,deadline
i
,sct
i
}
[0009]其中，id
i
表示任务i的id；sub
i
表示任务i的提交时间；d
i
表示任务i的数据量；mem
i
表示任务i请求的内存资源；cpu
i
表示任务i请求的计算资源；deadline
i
表示任务i能够容忍的最大响应时间；sct
i
表示任务i请求执行时对计算节点的最低安全等级要求。
[0010]优选的，根据任务卸载资源信息构建任务卸载决策包括：任务卸载决策包括将任务卸载到本地进行计算和将任务卸载到边缘服务器进行计算；计算任务数据卸载速率；在本地执行任务时，计算任务在用户设备上的执行时间响应时间与执行能耗在边缘服务器执行任务时，计算任务在边缘服务器上的执行时间响应时间以及执行能耗并根据任务数据卸载速率计算任务卸载到边缘服务器的传输时延和传输能耗
[0011]优选的，采用sum tree
‑
DDQN算法对任务卸载决策进行优化的过程包括：
[0012]步骤1：将端
‑
边协同的边缘计算可信卸载过程转化为深度强化学习中的马尔可夫决策过程，建立状态空间S(t)、定义动作空间A(t)以及定义奖励函数R
t
：
[0013]状态空间S(t)是通过各个计算节点上任务的响应时间和能耗的加权和来模拟的：
[0014]S(t)＝{s1,s2,
…
,s
i
…
,s
h
}
[0015][0016]其中，E
i
分别表示任务在计算节点i上处理的响应时间和能耗经标准化处理之后的结果，分别表示处理任务i时，任务的响应时间和能耗在场景中的权重值；
[0017]动作空间A为所有计算节点的集合：
[0018][0019]假设表示在本次决策过程中，智能体将任务分配到计算节点i上执行。
[0020]奖励值函数设计如下：
[0021][0022]R
t
＝
‑
1表示在决策时，智能体没有为任务分配一个理想的可执行计算节点，导致任务不能得以响应，此时应该给予否定，设置最差奖励值。任务能够得以响应时，其奖励值
设置为两个优化目标的加权和。
[0023]步骤2：初始化经验池，设定经验池为sum tree存储结构；初始化深度双Q网络的Q网络和目标网络的权重参数θ；
[0024]步骤3：积累具有优先级的经验池：
[0025]步骤4：训练深度双Q网络，得到最优的任务卸载决策。
[0026]进一步的，积累具有优先级的经验池的过程包括：
[0027]步骤31：根据初始状态S0(t)和初始动作A0(t)，计算各动作对应的Q值；
[0028]步骤32：基于贪婪算法选择动作A
t
；
[0029]步骤33：根据奖励函数得到奖励R
t
计算到达下一个状态S
t+1
；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，包括：构建端
‑
边协同的边缘计算任务可信卸载模型，对模型进行初始化；获取待卸载的任务数据，并确定任务的类型和属性；根据待卸载的任务数据计算任务卸载资源；根据任务卸载资源信息构建任务卸载决策；采用基于sum tree采样的DDQN算法对任务卸载决策进行优化，得到最优卸载决策；根据最优卸载决策采用Massive MIMO技术将待卸载的任务数据传输到对应的单元进行任务计算。2.根据权利要求1所述的一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，端
‑
边协同的边缘计算任务可信卸载模型包括本地终端设备层和边缘服务器层；本地终端设备层由多用户设备、多边缘集群、通信链路构成，且每一边缘集群由MEC基站和多边缘服务器构成；MEC基站支持多用户接入，当执行任务卸载时，根据卸载策略将任务卸载到对应的边缘集群中进行处理；用户与边缘服务器之间采用大规模MIMO技术进行无线通信。3.根据权利要求1所述的一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，确定任务的类型和属性的过程包括：任务类型为在线独立任务，即Broker不知道将会有多少任务到达数据中心以及任务的所有相关属性，每到达一个任务就处理一个任务，任务队列是非抢占式的，任务生成到达数据中心的时间间隔服从泊松分布；任务属性定义为：task＝{id
i
，sub
i
，d
i
，mem
i
，cpu
i
，deadline
i
，sct
i
}其中，id
i
表示任务i的id；sub
i
表示任务i的提交时间；d
i
表示任务i的数据量；mem
i
表示任务i请求的内存资源；cpu
i
表示任务i请求的计算资源；deadline
i
表示任务i能够容忍的最大响应时间；sct
i
表示任务i请求执行时对计算节点的最低安全等级要求。4.根据权利要求1所述的一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，根据任务卸载资源信息构建任务卸载决策包括：任务卸载决策包括将任务卸载到本地进行计算和将任务卸载到边缘服务器进行计算；计算任务数据卸载速率；在本地执行任务时，计算任务在用户设备上的执行时间响应时间与执行能耗在边缘服务器执行任务时，计算任务在边缘服务器上的执行时间响应时间以及执行能耗并根据任务数据卸载速率计算任务卸载到边缘服务器的传输时延和传输能耗5.根据权利要求4所述的一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，本地执行任务时任务在用户设备上的执行时间响应时间与执行能耗的公式为：的公式为：的公式为：其中，f
l
、C、η、分别表示表示用户的计算能力CPU频率、计算节点处理1bit数据所需的CPU周期、能量因子、任务在本地用户的完成时间；在边缘服务器执行任务时，任务在边缘服务器上的执行时间响应时间以及
执行能耗的公式为：的公式为：的公式为：其中，d
i
表示任务i的数据量，sub
i
表示任务i开始执行时间；任务卸载到边缘服务器的传输时延和传输能耗的公式为：的公式为：其中，f
e
、q分别表示边缘服务器的计算能力、任务在边缘服务器上的完成时间、边缘服务器处理1bit数据产生的能耗。6.根据权利要求4所述的一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，在进行任务时采用任务卸载综合可信评估机制对任务卸载终端进行信任评估，具体包括：利用计算节点的历史反馈评判行为可信度，历史反馈情况通过任务请求的响应时间来体现，将所有计算节点的行为信任度值T
n
初始化为1,且只有当计算节点的T
n
高于服务请求可以接受的最低信任度值时，服务请求响应：T
n
＝T
n
‑1*Δt
n
‑1，时间衰减因子Δt
n
＝e
‑
F(n)
衡量服务请求的新鲜性，新鲜性越高，行为可信度越高。7.根据权利要求1所述的一种端
‑
边协同的边缘计算任务卸载方法，其特征在于，采用基于sum tree采样的DDQN算法对任...

【专利技术属性】
技术研发人员：尚凤军，郭嘉，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：