一种基于改进自学习权重的边缘计算任务卸载方法技术

本发明专利技术公开了一种基于改进自学习权重的边缘计算任务卸载方法，所述方法包括：通过Prometheus监控工具收集边缘设备的系统资源数据；根据资源空闲量与资源总额计算四种资源的全局份额，初始化四种资源的权重；选取总体评分最高的边缘设备和通信时延最小的传输路径进行任务卸载；更新资源空闲量，进入下一轮任务的卸载决策中，直至所有任务卸载完成；本发明专利技术对边缘设备四种资源进行联合优化，通过资源负载情况对候选的边缘设备进行评分，量化了边缘设备之间卸载决策的差异，将某类资源需求大的计算任务卸载到该资源空闲较多的边缘设备，从而能够适应不同场景下任务的调度需求，极大的提高任务卸载效率，而且可靠性高，适用性好。性好。性好。

【技术实现步骤摘要】
一种基于改进自学习权重的边缘计算任务卸载方法


[0001]本专利技术涉及计算机边缘计算领域，特别是涉及一种基于改进自学习权重的边缘计算任务卸载方法。

技术介绍

[0002]边缘计算的基本思想是将移动设备上产生的计算任务从原来的卸载到云端转移到卸载到网络边缘端，从而满足计算密集型应用对低延迟的要求。计算任务卸载是边缘计算中一个关键的研究问题，即计算任务应该在本地执行还是卸载到边缘节点或云端，其中边缘设备以多线程的方式接收监控工具收集的数据，Prometheus 是一个开源的服务监控系统和时间序列数据库；当前热门的卸载系统中边缘设备具备多核CPU，磁盘空间和带宽较为充足，并且在任务传输失败后会进行重传，可以把从终端产生的任务热迁移到边缘设备上进行处理，不同的任务卸载方案对任务完成时延和设备能耗都有着较大的影响。现有技术方案大多数以时延为优化目标，将时延分为传输时延和计算时延，通过提高边缘设备的计算速率和选择不同的任务传输链路，对任务卸载进行决策，降低传输时延和计算时延。
[0003]公开号为CN111148155A ，名称为一种基于移动边缘计算的任务卸载方法的专利文献，提出了基于图划分的将移动设备划分成簇，然后将多用户之间的任务卸载决策问题转化为多用户博弈问题，并且使博弈的结果满足纳什均衡，可以降低云核心网的计算和通信负载，还可以充分利用网络边缘的冗余计算资源、移动设备和IoT设备，降低任务完成延迟和边缘计算任务调度的能耗，但是考虑资源要素较少，仅以时延为优化目标，将时延分成传输时延和计算时延，没有考虑到其它资源对任务卸载的效率影响也较大，本专利技术对边缘设备四种资源进行联合优化，采用评分函数机制，根据各类资源负载情况对候选的边缘设备进行评分，量化了各边缘设备之间卸载决策的差异，将某项资源需求大的计算任务卸载到该资源空闲较多的边缘设备，从而能够适应不同场景下任务的调度需求，提高任务卸载效率。
[0004]公开号为CN114564304A，名称为一种边缘计算的任务卸载方法，提出通过构建包含若干移动设备和若干MEC服务器的网络模型、时延计算模型计算当前任务的卸载总时延和传输能耗，构建不同应用场景的场景满意度模型，并结合惩罚函数构建当前任务卸载的总成本的目标函数；根据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，完成当前任务的卸载，能够优化能耗、时延和满意度，但是没有考虑到每一轮的任务卸载中的资源负载情况都是不同的，会造成某个资源被过度分配从而导致整个集群资源分配失衡，资源利用率较低，本专利技术通过任务四种资源负载情况计算四种资源权重，相对于静态的权重，自学习的权重根据每个任务的资源情况进行动态改变，能够适应不同场景下的资源密集型任务。

技术实现思路

[0005]为解决上述技术问题，本专利技术采用的一个技术方案是：一种基于改进自学习权重
的边缘计算任务卸载方法，所述方法包括：S100：通过监控工具收集边缘设备的系统资源数据和任务的资源最小需求量；所述系统资源数据，包括：设备资源、资源空闲量、资源总额、边缘设备的上传速率和单位数据计算时间；S200：根据所述系统资源数据中的资源空闲量与资源总额计算中央处理器、内存、带宽、磁盘四种资源的全局份额，初始化四种资源的权重；S300：创建候选设备集合，将资源空闲量大于或等于所述任务的资源最小需求量的边缘设备加入所述候选设备集合；S400：根据所述四种资源的权重计算所述候选设备集合中边缘设备的总体评分，创建评分队列，将所述总体评分进行降序排序后依次加入到所述评分队列中，选取所述评分队列中总体评分最高的边缘设备作为最优卸载设备；S500：计算不同任务卸载传输路径的通信时延，选择通信时延最小的传输路径将任务卸载到所述最优卸载设备中；S600：更新所述最优卸载设备的资源空闲量，进入下一轮任务的卸载决策，直至所有任务卸载完成；所述S200，包括：S210.计算所有边缘设备中四种资源的总空闲量；所述总空闲量的计算公式为：；其中，为单个边缘设备的资源空闲量，为单个边缘设备，为设备资源，包括中央处理器资源、内存资源、带宽资源、磁盘资源，为正在进行卸载的任务；S220.计算所有边缘设备中四种资源的总额；所述总额的计算公式为：；其中，为单个边缘设备的资源总额；S230.计算所有边缘设备中四种资源的空闲比例；所述空闲比例的计算公式为：；S240.计算所有边缘设备中四种资源的全局份额；所述全局份额的计算公式为：；
其中，表示四种资源当前的负载情况，全局份额与负载情况呈正相关；S250.初始化所有边缘设备中四种资源的权重；所述初始化四种资源的权重的公式为：；其中，为四种资源的全局份额之和;所述S400，包括：S410.计算任务的候选设备集合中各个边缘设备的资源评分；所述资源评分的计算公式为：；其中，；S420.计算任务的候选设备集合中各个边缘设备引起的计算时延；所述各个边缘设备引起的计算时延的计算公式为：；其中，为任务数据量，为各个边缘设备计算单位数据所需的时间；S430.计算任务的候选设备集合中各个边缘设备的时延评分；所述时延评分的计算公式为：；其中，为边缘设备最大计算时延，为边缘设备最小计算时延；S440.计算任务的候选设备集合中各个边缘设备的总体评分，创建评分队列，将总体评分进行降序排序加入所述评分队列中；所述总体评分的计算公式为：；S450.从所述评分队列中选取总体评分最高的边缘设备作为最优卸载设备。
[0006]进一步的，所述设备资源，包括中央处理器资源、内存资源、带宽资源、磁盘资源，表示为：；其中，是指中央处理器，是指内存，是指带宽，是指磁盘数据；所述资源空闲量，包括中央处理器空闲量、内存空闲量、带宽空闲量、磁盘空闲量；所述资源总额，包括中央处理器总额、内存总额、带宽总额、磁盘总额。
[0007]进一步地，所述S300，包括：S310.创建候选设备集合；S320.判断边缘设备的资源空闲量是否大于或等于任务对四种资源的最小需求量，若是，则将边缘设备加入候选设备集合中；若否，则表示边缘设备无法完成任务的计算，不能进行任务卸载；所述四种资源的最小需求量表示任务k对所述边缘设备中的中央处理器资源，内存资源，带宽资源，磁盘资源的最小需求量；S330.计算所述候选设备集合中边缘设备的信噪比；所述信噪比的计算公式为：；其中，为边缘设备的上传速率，为端设备和边缘设备之间的距离，为衰减指数，为加性高斯白噪声方差。
[0008]进一步地，所述S500，包括：S510.创建可直接通信边缘设备集合与不可直接通信边缘设备集合；S520.判断边缘设备信噪比是否大于或等于信噪比阈值，若是，将边缘设备加入所述可直接通信边缘设备集合中；若否，则将边缘设备加入所述不可直接通信边缘设备集合中；其中，信噪比阈值为5；S530.判断最优卸载设备是否属于可直接通信边缘设备集合，若是，转S540，若否，转S550；S540.若所述最优卸载设备属于可直接通信边缘设备集合，即表明最优卸载设备可达，则计算两种任务卸载传输路径的通信时延大小，选取通信时延较小的传输路径作为最优的任务卸载传输路径；S550.若所述最优卸载本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进自学习权重的边缘计算任务卸载方法，其特征在于，包括：S100：通过监控工具收集边缘设备的系统资源数据和任务的资源最小需求量；所述系统资源数据，包括：设备资源、资源空闲量、资源总额、边缘设备的上传速率和单位数据计算时间；S200：根据所述系统资源数据中的资源空闲量与资源总额计算中央处理器、内存、带宽、磁盘四种资源的全局份额，初始化四种资源的权重；S300：创建候选设备集合，将资源空闲量大于或等于所述任务的资源最小需求量的边缘设备加入所述候选设备集合；S400：根据所述四种资源的权重计算所述候选设备集合中边缘设备的总体评分，创建评分队列，将所述总体评分进行降序排序后依次加入到所述评分队列中，选取所述评分队列中总体评分最高的边缘设备作为最优卸载设备；S500：计算不同任务卸载传输路径的通信时延，选择通信时延最小的传输路径将任务卸载到所述最优卸载设备中；S600：更新所述最优卸载设备资源空闲量，进入下一轮任务的卸载决策，直至所有任务卸载完成；所述S200，包括：S210.计算所有边缘设备中四种资源的总空闲量；所述总空闲量的计算公式为：；其中，为单个边缘设备的资源空闲量，为单个边缘设备，为设备资源，包括中央处理器资源、内存资源、带宽资源、磁盘资源，为正在进行卸载的任务；S220.计算所有边缘设备中四种资源的总额；所述总额的计算公式为：；其中，为单个边缘设备的资源总额；S230.计算所有边缘设备中四种资源的空闲比例；所述空闲比例的计算公式为：；S240.计算所有边缘设备中四种资源的全局份额；所述全局份额的计算公式为：
；其中，表示四种资源当前的负载情况，全局份额与负载情况呈正相关；S250.初始化所有边缘设备中四种资源的权重；所述初始化四种资源的权重的公式为：；其中，为四种资源的全局份额之和;所述S400，包括：S410.计算任务的候选设备集合中各个边缘设备的资源评分；所述资源评分的计算公式为：；其中，；S420.计算任务的候选设备集合中各个边缘设备引起的计算时延；所述各个边缘设备引起的计算时延的计算公式为：；其中，为任务数据量，为各个边缘设备计算单位数据所需的时间；S430.计算任务的候选设备集合中各个边缘设备的时延评分；所述时延评分的计算公式为：；其中，为边缘设备最大计算时延，为边缘设备最小计算时延；S440.计算任务的候选设备集合中各个边缘设备的总体评分，创建评分队列，将总体评分进行降序排序加入所述评分队列中；所述总体评分的计算公式为：；S450.从所述评分队列中选取总体评分最高的边缘设备作为最优卸载设备。2.如权利要求1所述的一种基于改进自学习权重的边缘计算任务卸载方法，其特征在于，所述设备资源，包括中央处理器资源、内存资源、带宽资源、磁盘资源，表示为：；其中，是指中央处理器，是指内存，是指带宽，是指磁盘数据；
所述资源空闲量，包括中央处理器空闲量、内存空闲量、带宽空闲量、磁盘空闲量；所述资源总额，包括中央处理器总额、内存总额、带宽总额、磁盘总额。3.如权利要求1所述的一种基于改进自学习权重的边缘计算任务卸载方法，其特征在于，所述S300，包括：S310.创建候选设备集合；S320.判断边缘设备的资源空闲量是否大于或等于任务对四种资源的最小需求量，若是，则将边缘设备加入候选设备集合中；若否，则表示边缘设备无法完成任务的计算，不能进行任务卸载；所述四种资源的最小需求量表示任务k对所述边缘设备中的中央处理器资源，内存资源，带宽资源，磁盘资源的最小需求量；S330.计算所述候选设备集合中边缘设备的信噪比；所述信噪比的计算公式为：；其中，为边缘设备的上传速率，为端设备和边缘设备之间的距离，为衰减指数，为加性高斯白噪声方差。4.如权利要求1所述的一种基于改进自学习权重的边缘计算任务卸载方法，其特征在于，所述S500，包括：S510.创建可直接通信边缘设备集合与不可直接通信边缘设备集合；S520.判断边缘设备信噪比是否大于或等于信噪比阈值，若是，将边缘设备加入所述可直接通信边缘设备集合中；若否，则将边缘设备加...

【专利技术属性】
技术研发人员：李国政，徐军，施玉海，李凡，王追，牛新征，马勇，杨翰文，陈豪，罗涛，代旭东，
申请(专利权)人：贵州海誉科技股份有限公司，
类型：发明
国别省市：