【技术实现步骤摘要】
一种面向边缘计算平台的多用户复杂任务卸载方法
[0001]本专利技术属于任务卸载
,具体涉及一种面向边缘计算平台的多用户复杂任务卸载方法,可以用于边缘计算平台的端边协作方向,主要用于提高平台的任务完成率,也可以联合优化能耗以降低系统运行成本。
技术介绍
[0002]近年来,随着物联网、云计算、以及人工智能等信息技术的广泛应用,教育行业整体教学思维发生巨大改变,智慧课堂作为一种信息化的教学手段受到广泛关注。新型智慧课堂通过利用人工智能技术可以实现对全体学生的课堂全过程学习状态的自动化评估,以辅助教师了解学生的学习状况,采取针对性的教学方法,提高学生的个性化培养水平。
[0003]当多个用户同时使用智慧教育平台时,位于网络边缘的终端设备会产生大量的数据和计算任务,处理这些数据需要强大的算力。在本地计算能力受限的情况下,目前大多数平台处理复杂任务都采用云计算架构进行处理。云计算架构属于中心化服务架构,终端用户需要将其产生的所有原始数据发送到云端进行处理,但长距离的数据传输造成的时延是这些实时智能感知应用无法接受的。因此基于云计算架构的解决方案已经不适合应用于新型智慧教育平台。
[0004]边缘计算作为一种新型的计算范式,为上述新应用提供了解决方案。边缘计算的物理位置是靠近终端设备或者用户的地方,能丰富终端设备的计算和存储资源。一种典型的边缘计算架构图如图1所示,包括终端设备、边缘层以及云数据中心三层结构,终端设备用于采集数据或进行简单的预处理;边缘层用于处理来自终端设备的卸载任务,同时边缘服务器间可进 ...
【技术保护点】
【技术特征摘要】
1.一种面向边缘计算平台的多用户复杂任务卸载方法,其特征在于,包括:S1:按时间顺序建立多用户复杂任务模型,其中包括终端设备模型、边缘服务器模型、任务模型;S2:利用层次分析法对所述任务模型中的任务进行优先级排序;S3:构建决策模型、执行模型以及能耗模型;S4:根据所述优先级排序和所述决策模型、执行模型以及能耗模型建立目标优化问题,所述目标优化问题设定为能耗和任务完成率联合优化;S5:利用多智能体强化学习算法对所述目标优化问题进行求解。2.根据权利要求1所述的面向边缘计算平台的多用户复杂任务卸载方法,其特征在于,所述终端设备集合M={1,2,...,m}中包括多个终端设备,所述终端设备m描述为其中,表示终端设备m的处理能力,表示终端设备m的本地计算队列,表示任务传输队列;所述边缘服务器集合N={1,2,...,n}中包括多个边缘服务器,所述边缘服务器n描述为其中,表示边缘服务器n的计算能力,表示卸载到边缘服务器n的任务队列,表示数据传输队列。3.根据权利要求2所述的面向边缘计算平台的多用户复杂任务卸载方法,其特征在于,所述任务模型采用有向无环图G=(V,E)描述任务的执行顺序,其中,节点集合V={v1,v2,...,v
N
},节点v
i
表示一个任务的子任务,边集合E={e1,e2,...},用于表示任务之间的依赖关系,所述子任务定义为:v
i
=(m
i
,I
i
,O
i
,s
i
,c
i
,f
i
,t
i
,d
i
)其中,m
i
表示处理子任务v
i
的边缘服务器,I
i
表示子任务v
i
的前置任务集合,O
i
表示子任务v
i
的后置任务集合,s
i
表示子任务v
i
的输入数据量大小,c
i
表示子任务v
i
需要的计算量大小,f
i
表示子任务v
i
的生成频率,t
i
表示子任务v
i
的开始时间,d
i
表示子任务v
i
的截止时间。4.根据权利要求3所述的面向边缘计算平台的多用户复杂任务卸载方法,其特征在于,所述层次分析法包括三个不同的层次结构,依次为目标层、准则层和方案层,其中,所述准则层包括四项指标:任务的截止时间、任务的生成频率、任务的计算量大小和任务的数据量大小;利用所述层次分析法中的特征值法计算所述准则层中四项指标的权重值。5.根据权利要求4所述的面向边缘计算平台的多用户复杂任务卸载方法,其特征在于,所述S3包括:使用变量x
i
∈{0,1}表示子任务v
i
是否在本地执行,使用y
i
=y
i,n
,∈N)表示任务v
【专利技术属性】
技术研发人员:张菊莉,黄硕,王文野,牛振兴,夏若恒,刘孝壮,王婧丽,张国鑫,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。