一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法及其系统技术方案

本申请公开了一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法及其系统，其中方法包括以下步骤：S1，初始化状态信息；S2，响应于完成状态信息的初始化，进行卸载决策，输出动作的选取结果；S3，根据输出的动作选取结果，进行环境交互；S4，响应于完成环境交互，进行神经网络参数训练；S5，判断神经网络参数训练是否达到预设最大训练回合数；若达到最大训练回合数，执行S6，输出所有结果。本申请通过对用户间的任务依赖关系的合理建模，提供的求解方案能够在满足跨终端的任务相关性的约束下，充分利用部署的边缘服务器的计算能力，减小任务完成时间和终端能量消耗。减小任务完成时间和终端能量消耗。减小任务完成时间和终端能量消耗。

【技术实现步骤摘要】
一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法及其系统


[0001]本申请涉及数据处理领域，具体地，涉及一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法及其系统
。

技术介绍

[0002]智能交通系统
、
自动驾驶
、
扩展现实
、
工业物联网等新兴移动应用规模的快速增长和功能多样化引发了海量移动终端接入和计算数据处理需求
。
为了缓解核心网流量负载
、
减小应用程序的响应时延以改善用户体验，将计算和存储设备部署到网络边缘的移动边缘计算
(Mobile Edge Computing,MEC)
技术得到了广泛应用
。MEC
技术打破了终端用户与传统云服务器物理距离较远的壁垒，以充足的资源为终端用户提供超低延迟和能耗的服务
。
在
MEC
系统中，通过将终端上性能要求严苛的业务请求卸载到边缘服务器执行，解决单个设备计算能力不足和能量有限的问题
。
为了进一步提高通信和计算资源的利用率，满足计算密集型和时延敏感型任务对计算能力
、
响应时间和能量消耗等性能要求，往往需要联合优化
MEC
系统中的计算卸载和资源管理，通过对各种通信和计算资源的高效配置，在避免过大的网络开销和流量负载的同时，进一步保障用户体验
。MEC
系统中任务卸载与资源分配的相关方法主要考虑终端计算任务是否需要卸载以及卸载数据量的问题，同时从
MEC
节点部署和分配
、
网络状态感知等方面对有限的通信与计算资源进行高效利用，减少任务完成时间
、
系统能量消耗或者二者的权衡开销
。
同时，时隙间无线信道的随机变化和终端的移动性让
MEC
网络处于高度动态变化的状态，传统优化算法在终端仅能掌握局部信息的情况下不能适应
MEC
系统相关业务的快速响应需求
。
深度强化学习
(deepreinforcement learning,DRL)
的出现解决了上述困境，它作为一种人工智能技术，通过智能体与当前环境不断地交互，训练神经网络学习当前状态下的最优动作选择策略，
DRL
中的双深度
Q
网络
(doubledeep Q network,DDQN)
算法能够适应离散的卸载动作空间，可以为动态场景中的计算卸载问题提供优化长期奖励的方案
。
一些方案中理想化地假设每个计算任务是相互独立的，进而要卸载的计算量也是独立的
。
然而，实际上移动应用往往是由一组具有依赖关系的任务组成的，保证特定任务的处理先决顺序以实现数据传递或功能衔接
。
为了在卸载过程中保留任务之间的时间相关性，通常将整个任务建模为有向无环图
(directed acyclic graph,DAG)
，在对该图分析处理的基础上进行细粒度地卸载和相应地资源分配
。
[0003]尽管已有有一些方法分别针对动态场景和任务依赖关系对于
MEC
系统的任务卸载与资源分配问题提出了相应地解决方案，但是现有技术仍存在一些缺失有待填补：
[0004]1)
目前在应用场景和任务结构方面缺乏问题建模的普适性
。
应用场景方面需要考虑时变的无线信道衰落
、
终端用户不断移动
、
服务请求随机生成等条件下的动态场景；任务结构上需要在万物互联趋势下，考虑面向用户间的任务依赖关系，满足数据跨终端的时间相关性约束
。
进而，在上述拓扑高度空时变化的动态网络中，设计满足
MEC
系统低响应时延的求解方案变得极具挑战
。
[0005]2)
任务的结构化特征和边缘服务器与终端协作带来的系统潜力没有被充分挖掘，在优化问题和求解方法的设计时充分尊重和利用并行化的思路可以进一步改善任务完成时延和终端能耗等关键指标
。
[0006]因此，如何针对终端移动性和用户间的任务依赖关系导致的空时关联，在满足服务请求的延迟响应的条件下实现动态
MEC
网络中任务卸载与资源分配成为本领域急需解决的问题
。

技术实现思路

[0007]本申请提供了一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法，包括以下步骤：
S1
，初始化状态信息；
S2
，响应于完成状态信息的初始化，进行卸载决策，输出动作的选取结果；
S3
，根据输出的动作选取结果，进行环境交互；
S4
，响应于完成环境交互，进行神经网络参数训练；
S5
，判断神经网络参数训练是否达到预设最大训练回合数；若未达到最大训练回合数，训练训练回合数加1，返回步骤
S2
；若达到最大训练回合数，执行
S6
，输出所有结果
。
[0008]如上的，其中，初始化状态信息包括，算法要素的设计
、
初始周期任务请求的执行窗口划分
、
智能体神经网络参数的随机初始化
、
系统的各参数定义
。
[0009]如上的，其中，进行卸载决策，输出动作的选取结果包括以下子步骤：输入当前环境中智能体观测到的子任务的状态信息；根据输入的子任务的状态信息，基于
ε
‑
贪婪策略进行卸载动作选择；输出动作选择结果
。
[0010]如上的，其中，子任务
v
s
的状态信息包括自身的任务信息
、
依赖关系伴随的信息
、
同一执行窗口内其他子任务的信息三部分：
[0011][0012]其中，表示子任务
v
s
对应终端在当前时隙与边缘服务器的的距离，
[0013]表示执行窗口
i
内的其他子任务内的其他子任务在第
l
特征维度关于当前任务的影响权重
。
[0014]如上的，其中，根据输出的动作选取结果，进行环境交互包括以下子步骤：将输出的动作选取结果作为输入；基于输出的动作选取结果，通过基于二分法的发射功率控制，求解出给定信道下传输子任务数据的最优发射功率；根据最优发射功率，通过
KM
算法求解形如加权二分图匹配的子信道分配结果；根据动作选取结果
、
子信道分配结果和最优发射功率，计算任务处理开销并返回相应的奖励信号；计算完成奖励信号，观测下一执行窗口内的任务状态信息
。
[0015]一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配系统，包括初始化单元...

【技术保护点】

【技术特征摘要】
1.
一种移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法，其特征在于，包括以下步骤：
S1
，初始化状态信息；
S2
，响应于完成状态信息的初始化，进行卸载决策，输出动作的选取结果；
S3
，根据输出的动作选取结果，进行环境交互；
S4
，响应于完成环境交互，进行神经网络参数训练；
S5
，判断神经网络参数训练是否达到预设最大训练回合数；若未达到最大训练回合数，训练训练回合数加1，返回步骤
S2
；若达到最大训练回合数，执行
S6
，输出所有结果
。2.
如权利要求1所述的移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法，其特征在于，初始化状态信息包括，算法要素的设计
、
初始周期任务请求的执行窗口划分
、
智能体神经网络参数的随机初始化
、
系统的各参数定义
。3.
如权利要求2所述的移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法，其特征在于，进行卸载决策，输出动作的选取结果包括以下子步骤：输入当前环境中智能体观测到的子任务的状态信息；根据输入的子任务的状态信息，基于
ε
‑
贪婪策略进行卸载动作选择；输出动作选择结果
。4.
如权利要求3所述的移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法，其特征在于，子任务
v
s
的状态信息包括自身的任务信息
、
依赖关系伴随的信息
、
同一执行窗口内其他子任务的信息三部分：其中，表示子任务
v
s
对应终端在当前时隙与边缘服务器的的距离，表示执行窗口
i
内的其他子任务在第
l
特征维度关于当前任务的影响权重
。5.
如权利要求4所述的移动边缘计算系统中面向用户间依赖关系的任务卸载与资源分配方法，其特征在于，根据输出的动作选取结果，进行环境交互包括以下子步骤：将输出的动作选取结果作为输入；基于输出的动作选取结果，通过基于二分法的发射功率控制，求解出给定信道下传输子任务数据的最优发射功率；根据最优发射功率，通过
KM
算法求解形如加权二分图匹配的子信道分配结果；根据动作选取结果
、
子信道分配结果和最优发射功率，计算任务处理开销并返回相应的奖励信号；计算完成奖励信号，观测下一执行窗口内的任务状态信息
。6.
一种移...

【专利技术属性】
技术研发人员：张天魁，石天祎，刘元玮，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：