计算任务卸载方法、计算设备及存储介质技术

本申请提供了一种计算任务卸载方法、计算设备和存储介质，涉及无线通信技术领域。该方法包括：针对超密集边缘计算网络中的计算任务，根据计算任务的任务计算量、任务数据量和任务期待时延等需求信息，进行马尔科夫建模得到状态空间，再采用模糊逻辑算法简化状态空间，以任务状态空间简洁地表示任务的优先级状态；进而根据网络的通信模型以及优先级状态，采用强化学习算法进行决策，综合任务的完成时延和任务成功率来得到合理的任务卸载顺序以及卸载对象。上述方案在任务获取的平均算力和任务成功率等方面均具备良好的性能，对计算任务的不同需求产生合理的卸载顺序和决策，有效提升多元化计算任务的执行效率，从而提供高质量的网络服务。量的网络服务。量的网络服务。

【技术实现步骤摘要】
计算任务卸载方法、计算设备及存储介质


[0001]本申请涉及无线通信
，特别涉及一种计算任务卸载方法、计算设备、及存储介质。

技术介绍

[0002]5G移动通信网、物联网和工业物联网等多网融合促进了网络应用服务与工业化产业链发展，数据流量、网络接入量持续激增，终端设备产生海量“小数据”等实时处理需求高速增长，网络带宽与计算吞吐量成为计算的性能瓶颈。采用传统云计算中心的网络模式时，大量的数据流量和计算需求涌入云计算中心，远距离的传输与计算必将造成流量拥堵、计算延迟与隐私安全问题，难以满足多样化场景下用户的网络需求，提供安全可靠的网络服务。因此，未来的网络演进需要新兴移动边缘计算( Mobile Edge Computing，MEC)网络的技术支持。
[0003]移动边缘计算被视为5G新兴技术和物联网产业的关键使能技术，是数字信息化转型的重要平台，成为满足行业数字化转型中敏捷连接、实时业务、隐私保护等关键支撑。在智慧交通，虚拟现实等集合计算密集和时延敏感特征的计算任务产生场景，移动边缘计算凭借其下沉边缘，就近服务的特点能够完美解决云计算模式下的向云计算数据中心请求计算服务所造成的时延问题，使虚拟现实技术和智慧交通服务能够有望进一步的发展。在智慧城市和智能制造等场景，需要容纳海量设备接入，进行数据分析和系统管理。在移动边缘网络中，大量智能设备的接入产生了高维的多元化计算任务，而网络也呈现密集异构的特点。对于被提供服务的边缘用户，边缘用户之间，用户及服务器间的信息不对等，若仅依靠自身能够获取的信息进行资源的竞争，难以获得高质量的网络服务。
[0004]因此，如何根据计算任务的不同需求产生合理卸载顺序和卸载决策，以提升海量多元化计算任务的执行效率，从而提供高质量的网络服务，是目前亟需解决的问题。

技术实现思路

[0005]本申请提供了一种计算任务卸载方法、计算设备及存储介质，能够针对上述存在的问题，根据计算任务的不同需求产生合理卸载顺序和卸载决策，以提升海量多元化计算任务的执行效率，从而提供高质量的网络服务。
[0006]为了实现上述目的，第一方面，本申请提供了一种计算任务卸载方法，该方法包括：S1：建立超密集边缘计算UDEC网络的系统模型，该UDEC网络包括边缘服务器和边缘用户节点；S2：基于该边缘用户节点所产生计算任务的任务需求信息和该系统模型，建立该UDEC网络的马尔科夫决策过程，该马尔科夫决策过程的状态空间至少包括：计算任务队列中各个计算任务的任务计算量、任务数据量和任务期待时延；S3：采用模糊逻辑算法，简化该马尔科夫决策过程的状态空间，得到任务状态空
间，该任务状态空间至少包括：计算任务的优先级状态；S4：基于该S3简化后的马尔科夫决策过程和该UDEC网络的通信模型，通过强化学习算法，确定该计算任务队列的优先级顺序和卸载对象，该优先级顺序和该卸载对象使得该计算任务队列的任务完成时延和任务成功率满足预定的效用目标；S5：根据该优先级顺序和该卸载对象，对该计算任务队列进行任务卸载。
[0007]在一种可能实施方式中，该步骤S3包括：S31：按照数值和语言变量之间的模糊关系，对该状态空间包括的任务计算量、任务数据量和任务期待时延进行模糊化处理，得到输入模糊集；S32：按照模糊推理规则集对该输入模糊集进行推理，自适应得到该任务状态空间中计算任务的优先级状态值，该模糊推理规则指示：该任务计算量、任务数据量和任务期待时延影响任务卸载优先级的规则。
[0008]在一种可能实施方式中，该步骤S31包括：根据任务计算量、任务数据量和任务期待时延的数值，将该任务计算量的语言变量描述为{少，中，多}，将该任务数据量的语言变量描述为{少，中，多}，将任务期待时延的语言变量描述为{长，中，短}，得到输入模糊集；该优先级状态值的语言变量描述为{特急，紧急，常规，等待}；该模糊关系表示为隶属度函数，隶属度值越大数值属于模糊集的程度越高，该隶属度函数表示为：
[0009]表示论域，分别对应于输入的该任务计算量、任务数据量和任务期待时延的数值，表示上的模糊关系，表示上的模糊关系，表示对所有取最大值，表示二项式积算子，定义为取最小值或者代数积。
[0010]在一种可能实施方式中，该系统模型表示为：
[0011]其中，表示该网络中包含的 N 个该边缘用户节点；表示该网络中包含的M 个部署了该边缘服务器的节点；表示计算任务所需传输的数据量，表示计算任务的任务计算量；表示边缘用户节点期待的任务完成时延；表示边缘服务器的计算能力，表示边缘服务器的存储能力，表示边缘服务器 j 的物理位置，表示边缘用户节点 i 的物理位置，M 和 N 为正整数；连续时空中产生的计算任务以时隙的方式进行分割，该系统模型的状态在每个时隙中恒定，在不同时隙之间变化；该步骤S2包括：
在每个时隙内，响应于边缘用户节点的任务卸载请求，获取计算任务的任务需求信息，该任务需求信息包括：任务计算量、任务数据量和任务期待时延；根据该任务需求信息、边缘服务器的资源状态信息和该系统模型，建立马尔科夫决策过程，该马尔科夫决策过程的状态空间表示为：
[0012]其中，和分别表示该时隙中计算任务队列的计算量矩阵和期待时延矩阵；中的表示计算任务的任务计算量，中的表示计算任务的任务数据量，表示任务期待时延，表示边缘服务器的计算能力，表示边缘服务器当前的计算任务队列中的等待时延，其中，n为计算任务数量；该简化得到的任务状态空间还包括边缘服务器的计算资源状态，该任务状态空间表示为：
[0013]其中，表示计算任务的优先级状态值，表示该计算资源状态。
[0014]在一种可能实施方式中，该效用目标为：使该计算任务队列的任务完成时延更小且任务成功率更大；该步骤S4包括：在每个时隙t中，基于该S3简化后得到的任务状态空间进行决策，得到动作，，和为优先级权重系数；按照动作，更新计算任务队列的优先级权重系数，得到计算任务队列的优先级顺序，计算任务的优先级的计算公式为：
[0015]其中，改变任务期待时延的占比，改变当前任务计算需求占该时隙所有计算任务的计算需求占比，改变计算任务针对自身的任务期待时延的紧迫性，，和之间关系满足如下约束：
[0016]单用户的效用值定义为任务完成时延和任务成功率：
[0017]其中，为计算任务的完成状态，为调整系数，k为边缘用户节点的数量，表示计算任务所需传输的数据量，表示计算任务的计算量，为计算任务的预测完成时延；若存在使计算任务的完成状态且效用值最高的边缘服务器，将该边缘服务器确定为卸载对象；否则，对比最高效用值的边缘服务器节点与将任务卸载到预设阈值距离范围内的空闲边缘用户节点所消耗的任务时延，从中选取任务时延符合效用目标的节点作为卸载对象。
[0018]在一种可能实施方式中，该方法还包括：按照该优先级顺序卸载n个任务，基于本次卸载的任务时延和任务成功率，确定本次动作的即时奖励值，更新马尔科夫决策过程的动作价值函数，更新公式为：
[0019]其中，为调整系数，示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算任务卸载方法，其特征在于，所述方法包括：S1：建立超密集边缘计算UDEC网络的系统模型，所述UDEC网络包括边缘服务器和边缘用户节点；S2：基于所述边缘用户节点所产生计算任务的任务需求信息和所述系统模型，建立所述UDEC网络的马尔科夫决策过程，所述马尔科夫决策过程的状态空间至少包括：计算任务队列中各个计算任务的任务计算量、任务数据量和任务期待时延；S3：采用模糊逻辑算法，简化所述马尔科夫决策过程的状态空间，得到任务状态空间，所述任务状态空间至少包括：计算任务的优先级状态；S4：基于所述S3简化后的马尔科夫决策过程和所述UDEC网络的通信模型，通过强化学习算法，确定所述计算任务队列的优先级顺序和卸载对象，所述优先级顺序和所述卸载对象使得所述计算任务队列的任务完成时延和任务成功率满足预定的效用目标；S5：根据所述优先级顺序和所述卸载对象，对所述计算任务队列进行任务卸载。2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：S31：按照数值和语言变量之间的模糊关系，对所述状态空间包括的任务计算量、任务数据量和任务期待时延进行模糊化处理，得到输入模糊集；S32：按照模糊推理规则集对所述输入模糊集进行推理，自适应得到所述任务状态空间中计算任务的优先级状态值，所述模糊推理规则指示：所述任务计算量、任务数据量和任务期待时延影响任务卸载优先级的规则。3.根据权利要求2所述的方法，其特征在于，所述步骤S31包括：根据任务计算量、任务数据量和任务期待时延的数值，将所述任务计算量的语言变量描述为{少，中，多}，将所述任务数据量的语言变量描述为{少，中，多}，将任务期待时延的语言变量描述为{长，中，短}，得到输入模糊集；所述优先级状态值的语言变量描述为{特急，紧急，常规，等待}。4.根据权利要求1所述的方法，其特征在于，所述系统模型表示为：其中，EU表示所述网络中包含的 N 个所述边缘用户节点；表示所述网络中包含的 M 个部署了所述边缘服务器的节点；表示计算任务所需传输的数据量，表示计算任务的任务计算量；表示边缘用户节点期待的任务完成时延；表示边缘服务器的计算能力，表示边缘服务器的存储能力，表示边缘服务器j的物理位置，M 和 N为正整数，表示边缘用户节点 i 的物理位置；连续时空中产生的计算任务以时隙的方式进行分割，所述系统模型的状态在每个时隙中恒定，在不同时隙之间变化；所述步骤S2包括：
在每个时隙内，响应于边缘用户节点的任务卸载请求，获取计算任务的任务需求信息，所述任务需求信息包括：任务计算量、任务数据量和任务期待时延；根据所述任务需求信息、边缘服务器的资源状态信息和所述系统模型，建立马尔科夫决策过程，所述马尔科夫决策过程的状态空间表示为：其中，和分别表示所述时隙中计算任务队列的计算量矩阵和期待时延矩阵；中的表示计算任务的任务计算量，中的表示计算任务的任务数据量，表示任务期待时延，表示边缘服务器的计算能力，表示边缘服务器当前的计算任务队列中的等待时延，其中，n 为计算任务数量；所述简化得到的任务状态空间还包括边缘服务器的计算资源状态，所述任务状态空间表示为：其中，表示计算任务的优先级状态值，表示所述计算资源状态。5.根据权利要求1所述的方法，其特征在于，所述效用目标为：使所述计算任务队列的任务完成时延更小且任务成功率更大；所述步骤S4包括：在每个时隙t中，基于所述S3简化后得到的任务状态空间进行决策，得到动作，，和为优先级权重系数；按照动作，更新计算任务队列的优先级权重系数，得到计算任务队列的优先级顺序，计算任务的优先级的计算公式为：其中，改变任务期待时延的占比，改变当前任务计算需求占该时隙所有计算任务的计算需求占比，改变计算任务针对自身的任务期待时延的紧迫性，、和之间关系满足如下约束：单用户的效用值定义为任务完成时延和任务成功率：其中，为计算任务的完成状态，为
调整系数，为边缘用户节点的数量，表...

【专利技术属性】
技术研发人员：于银辉，孙德红，何庆新，郑新，郭思宇，
申请(专利权)人：闽南理工学院，
类型：发明
国别省市：