基于知识图谱与匹配理论的MEC任务卸载方法技术

本发明专利技术公开了一种基于知识图谱与匹配理论的MEC任务卸载方法，主要解决由于环境变化和网络状态不稳定等因素，用户的服务质量数据反馈受到一定限制的情况下，MEC的任务卸载问题。其实现步骤是：构建MEC知识图谱；通过TransE向量表示算法对MEC知识图谱向量化；利用向量化后的MEC知识图谱计算用户之间的相似度；对每个用户的服务质量进行预测；构建用户偏好列表；构建服务器偏好列表；用户匹配选择；服务器匹配选择；判断用户与服务器匹配是否完成，若是，实现用户的任务卸载，否则，继续执行用户匹配选择。用户匹配选择。用户匹配选择。

【技术实现步骤摘要】
基于知识图谱与匹配理论的MEC任务卸载方法


[0001]本专利技术属于通信
，更进一步涉及无线通信领域的一种基于知识图谱与匹配理论的MEC任务卸载方法。本专利技术可应用于通信网络的智能管控。

技术介绍

[0002]目前，随着5G通信技术的不断普及，诸多新兴应用场景如自动驾驶、数字孪生、工业物联网等不断涌现。移动边缘计算MEC(Mobile Edge Computing)是一种在无线侧提供用户所需服务和计算功能的网络架构，用户将任务卸载至MEC中的服务器进行任务计算，其中，主要的性能指标是用户任务时延。影响MEC任务卸载性能的主要因素有两点：一个是资源在MEC中的规模以及部署位置有差异，并不是均匀分布在网络中，另一个MEC中多个用户对于网络中服务器资源的竞争。在移动边缘计算网络中，由于环境和网络状态不稳定等因素，用户的服务质量数据反馈受到一定限制。传统的任务卸载算法通常需要获取当前网络下用户服务质量的实时信息，再进行任务卸载决策。移动边缘计算网络的任务卸载问题可以看作用户集合与服务器集合之间的双边匹配问题。匹配理论有三种分类，一对一匹配、多对一匹配以及多对多匹配。目前，移动边缘计算网络任务卸载问题中大多数基于匹配理论的算法都是多对一匹配类型，即服务器可以同时处理多个用户任务，用户单次只能选择一个服务器进行任务卸载。现有的任务卸载算法通常需要先获取当前网络下用户服务质量的实时信息，再进行任务卸载决策。然而，在实际的移动边缘计算网络中，由于环境变化和网络状态不稳定等因素，用户的服务质量数据反馈受到一定限制。
[0003]Chittaranjan Swain和Manmath Narayan Sahoo在其发表的论文“Spato:A student project allocation based task offloading in iot
‑
fog systems”(ICC 2021
‑
IEEE International Conference on Communications，2021)中提出了一种基于学生项目匹配理论的任务卸载方法。该方法通过层次分析法构建了用户和服务器的偏好列表，进而通过用户与服务器之间的双边匹配过程，得到MEC任务卸载算法，有效降低了任务时延。该方法虽然降低了任务时延，但是，该方法仍然存在的不足之处是，首先，该方法需要先获取当前网络下用户服务质量的实时信息，再进行任务卸载决策。然而，在实际的移动边缘计算网络中，由于环境变化和网络状态不稳定等因素，用户的服务质量数据反馈受到一定限制。在这种条件受限的情况下，该方法的性能也会受限。

技术实现思路

[0004]本专利技术的目的在于针对上述现有技术存在的不足，提供一种知识图谱与匹配理论的MEC任务卸载方法，旨在解决由于环境变化和网络状态不稳定等因素，用户的服务质量数据反馈受到一定限制的情况下，MEC的任务卸载问题。
[0005]实现本专利技术目的的思路是，根据MEC历史数据构建知识图谱，进而通过已有的知识图谱向量表示算法将知识图谱向量化，接着通过用户向量计算用户相似度，通过相似用户的历史服务质量为目标用户服务质量进行预测，根据得到的用户服务质量数据，分别构建
用户与服务器的偏好列表，通过用户集合与服务器集合的双边匹配，得到用户的任务卸载方案。
[0006]本专利技术实现的具体步骤如下：
[0007]步骤1，构建MEC知识图谱：
[0008]利用移动边缘计算网络，根据MEC的历史数据，分别构建用户域知识图谱和服务器域知识图谱；将用户域知识图谱与服务器域知识图谱组成MEC知识图谱；
[0009]步骤2，通过TransE向量表示算法对MEC知识图谱向量化；
[0010]步骤3，利用向量化后的MEC知识图谱计算用户之间的相似度；
[0011]步骤4，对每个用户的服务质量进行预测，得到用户服务质量矩阵；
[0012]步骤5，构建用户偏好列表：
[0013]按照由高到低的顺序，将预测用户服务质量矩阵中的对应用户在不同服务器上的预测服务质量进行排序，并将排序后的元素对应的M个服务器组成用户u
n
的偏好列表其中，M＞0，u
n
表示MEC中第n个用户；
[0014]步骤6，构建服务器偏好列表：
[0015]按照由高到低的顺序，将预测用户服务质量矩阵中对应服务器上不同用户的预测服务质量进行排序，并将排序后元素相对应的N个用户组成在服务器ES
m
的偏好列表集合其中，N＞0，ES
m
表示MEC中第m个服务器；
[0016]步骤7，用户匹配选择：
[0017]遍历用户集合U，若当前用户u
n
并未与任何服务器匹配，在该用户偏好列表中选择优先级最高的服务器将其与用户u
n
在匹配矩阵Ω中对应位置元素置为1，并将该服务器移出当前用户u
n
的偏好列表；若当前用户已匹配，由于用户只能将任务卸载到至多一个服务器上，故该用户不再进行匹配选择；
[0018]步骤8，服务器匹配选择：
[0019]遍历服务器集合ES，若当前选择该服务器ES
m
的用户数目已经超过服务器的负载γ
m
，则根据该服务器的偏好列表将当前已匹配用户中优先级最低的用户从匹配矩阵Ω中移除，并将对应位置元素置为0，直到满足服务器的负载为止；若当前选择该服务器的用户数目未达到服务器负载上限γ
m
，不进行任何操作，其中，γ
m
＞0；
[0020]步骤9，判断所有用户都已匹配是否均已完成匹配或未完成匹配的用户偏好列表已为空，若是，则执行步骤10，否则，执行步骤7；
[0021]步骤10，完成用户集合与服务器集合之间的多对一双边匹配，实现用户的任务卸载。
[0022]本专利技术与现有的技术相比具有以下优点：
[0023]第一，本专利技术提出的基于知识图谱的双边匹配任务卸载算法，根据移动边缘计算网络数据构建知识图谱，进而通过TransE向量表示算法将知识图谱三元组向量化。然后，使用用户向量计算用户相似度，对用户服务质量数据进行预测。在此基础上，分别构建用户与服务器的偏好列表，再进行用户集合与服务器集合的双边匹配，相比于传统方法中直接使用用户的服务质量信息构建偏好列表，本专利技术所提出的方法考虑了用户的多种属性，所构建得到的偏好列表更优。
[0024]第二，由于本专利技术所使用的数据均是历史服务质量数据，因此克服了在实际的移动边缘计算网络中，由于环境变化和网络状态不稳定等因素，用户的服务质量数据反馈受到一定限制这一局限，在条件受限的情况下也可以进行任务卸载。
附图说明
[0025]图1是本专利技术的流程图；
[0026]图2是本专利技术中的用户域知识图谱示意图；
[0027]图3是本专利技术中的服务器域知识图谱示意图。
具体实施方式
[0028]下面结合附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱与匹配理论的MEC任务卸载方法，其特征在于，构建MEC知识图谱，分别构建用户与服务器的偏好列表，通过用户集合与服务器集合的双边匹配，完成用户的任务卸载；该任务卸载方法的步骤包括如下：步骤1，构建MEC知识图谱：利用移动边缘计算网络，根据MEC的历史数据，分别构建用户域知识图谱和服务器域知识图谱；将用户域知识图谱与服务器域知识图谱组成MEC知识图谱；步骤2，通过TransE向量表示算法对MEC知识图谱向量化；步骤3，利用向量化后的MEC知识图谱计算用户之间的相似度；步骤4，对每个用户的服务质量进行预测，得到用户服务质量矩阵；步骤5，构建用户偏好列表：按照由高到低的顺序，将预测用户服务质量矩阵中的对应用户在不同服务器上的预测服务质量进行排序，并将排序后的元素对应的M个服务器组成用户u
n
的偏好列表其中，M＞0，u
n
表示MEC中第n个用户；步骤6，构建服务器偏好列表：按照由高到低的顺序，将预测用户服务质量矩阵中对应服务器上不同用户的预测服务质量进行排序，并将排序后元素相对应的N个用户组成在服务器ES
m
的偏好列表集合其中，N＞0，ES
m
表示MEC中第m个服务器；步骤7，用户匹配选择：遍历用户集合U，若当前用户u
n
并未与任何服务器匹配，在该用户偏好列表中选择优先级最高的服务器将其与用户u
n
在匹配矩阵Ω中对应位置元素置为1，并将该服务器移出当前用户u
n
的偏好列表；若当前用户已匹配，由于用户只能将任务卸载到至多一个服务器上，故该用户不再进行匹配选择；步骤8，服务器匹配选择：遍历服务器集合ES，若当前选择该服务器ES
m
的用户数目已经超过服务器的负载γ
m
，则根据该服务器的偏好列表将当前已匹配用户中优先级最低的用户从匹配矩阵Ω中移除，并将对应位置元素置为0，直到满足服务器的负载为止；若当前选择该服务器的用户数目未达到服务器负载上限γ
m
，不进行任何操作，其中，γ
m
＞0；步骤9，判断所有用户都已匹配是否均已完成匹配或未完成匹配的用户偏好列表已为空，若是，则执行步骤10，否则，执行步骤7；步骤10，完成用户集合与服务器集合之间的多对一双边匹配，实现用户的任务卸载。2.根据权利要求...

【专利技术属性】
技术研发人员：刘伟，牛斌，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：