一种具有缓存机制的移动边缘计算任务卸载方法技术

本发明专利技术公开了一种具有缓存机制的移动边缘计算任务卸载方法，属于边缘计算技术领域，为了减少任务卸载和处理的时延和能耗，进一步提高边缘计算任务卸载的效率和准确性，包括：

【技术实现步骤摘要】
一种具有缓存机制的移动边缘计算任务卸载方法


[0001]本专利技术涉及边缘计算
，具体涉及一种具有缓存机制的移动边缘计算任务卸载方法
。

技术介绍

[0002]随着移动设备的普及和应用的快速发展，越来越多的应用需要进行计算和存储
。
传统的云计算模式存在着计算延迟高
、
网络带宽瓶颈
、
能耗大的问题
。
为了解决这些问题，移动边缘计算（
Mobile Edge Computing
，
MEC
）应运而生
。
移动边缘计算能够将计算资源和存储资源放置在距离用户更近的边缘网络中，更快地响应用户的请求，降低网络带宽压力，同时还可以减少能源消耗
。
但是，移动边缘计算也存在着资源有限
、
任务多样化
、
用户数量庞大的问题
。
[0003]大部分文献对移动边缘计算任务卸载策略主要考虑时延和能耗
。
部分文献考虑缓存机制，主要是结合延迟
。

技术实现思路

[0004]本专利技术的目的在于提供一种具有缓存机制的移动边缘计算任务卸载方法，以减少任务卸载和处理的时延和能耗，进一步提高边缘计算任务卸载的效率和准确性
。
[0005]本专利技术解决上述技术问题的技术方案如下：本专利技术提供一种具有缓存机制的移动边缘计算任务卸载方法，所述具有缓存机制的移动边缘计算任务卸载方法包括：
S1
：基于用户任务请求建立具有缓存机制的任务卸载总时延模型和移动设备侧的总能耗模型；
S2
：根据所述任务卸载总时延模型和移动设备侧的总能耗模型，以任务卸载总时延和移动设备侧的总能耗最小化为目标，建立具有约束条件的任务卸载和缓存联合优化模型；
S3
：将所述联合优化模型转化为粒子的适应度函数，其中，所述用户任务请求为粒子；
S4
：利用基于所述适应度函数的粒子群算法确定所述粒子的最优解，其中，所述粒子的最优解为用户任务请求的最优任务卸载决策
。
[0006]可选择地，所述
S1
中，所述缓存机制包括：根据用户任务请求确定任务的流行度
、
新鲜度和大小因子；其中，所述流行度为：
[0007][0008]所述新鲜度为：
[0009][0010]所述大小因子为：
[0011][0012]表示任务的请求概率，表示任务的访问时间，表示任务的平均请求时间间隔，表示任务的请求数，表示任务第次请求的完成时刻，表示任务第次请求的请求时刻，表示最近一次请求任务的时刻，表示首次请求任务的时刻，表示有个任务，表示第个任务，表示第次请求，表示当前时刻，表示任务的生成时刻，表示任务的输入数据大小，表示用户任务请求集合中最大的任务数据大小，表示大小因子的计算函数；
[0013]根据所述任务的流行度
、
所述新鲜度和所述大小因子，得到任务的函数值；其中，
[0014]其中，
、
和分别表示不同的权重参数，表示任务的流行度，表示任务的新鲜度，表示任务的大小因子，表示第个任务；
[0015]利用任务的函数值对缓存空间进行更新
。
[0016]可选择地，所述利用任务的函数值对缓存空间进行更新包括：
A1
：将请求周期划分为若干时隙；
A2
：获取每个时隙用户任务请求的请求集合中当前任务的处理结果大小和当前服务器缓存空间可用大小；
A3
：判断当前服务器缓存空间可用大小是否大于当前任务的处理结果大小；若是，进入
A6
，否则，进入
A4
；
A4
：判断当前任务是否已缓存，若是，更新当前任务的函数值并进入
A5
；否则，将当前任务的处理结果加入到缓存空间中并进入
A5
；
A5
：对缓存空间内所有任务的函数值进行比较，将最小值标记为，将下一个任务作为当前任务并返回
A2
；
[0017]A6
：计算当前任务的函数值，比较缓存空间内历史任务的函数值，将最小值标记为；
[0018]A7
：若当前任务的函数值大于最小值，则从缓存空间中驱逐最小值所对应的任务，更新当前缓存空间可用大小，并返回；否则，不更新缓存空间，将下一个任务作为当前任务并返回
A2。
[0019]可选择地，所述任务卸载总时延模型为：
[0020]所述移动设备侧的总能耗模型为：
[0021]其中，表示第个用户执行第个任务的总延迟，表示第个任务在第个用户本地的计算时延且，表示第个用户执行第个任务时移动设备的
CPU
计算能力，即每秒执行的
CPU
周期数；表示完成第个任务所需的计算资源数，即
CPU
周期总数；表示第个任务的数据大小，表示第个任务中每位数据所需的周期数，表示第个任务卸载和缓存的联合决策变量；表示第个任务的缓存命中率且缓存命中率，表示第个任务的请求概率，表示第个任务的处理结果大小，表示服务器缓存容量大小，表示第个用户将第个任务卸载到服务器时的持续时延且，表示第个用户将第个输入大小为的任务卸载到服务器上的上行链路传输时延，表示第个用户通过无线链路连接到服务器的上行数据速率且，表示信道带宽，表示为第个用户的移动设备的传输功率，表示第个用户和服务器之间的信道增益，表示加性高斯白噪声功率，表示第个用户执行第个任务在服务器上处理时的时延且，表示第个用户将服务器资源分配给执行中任务的计算能力，表示将第个任务的处理结果反馈给第个用户的时延且，表示第个用户通过无线链路连接到服务器的下行数据速率且，表示第个用户请求已缓存的第个任务所需的时延且，表示为服务器缓存的读取速率，表示第个用户执行第个任务的总能量，表示第个用户执行第个任务的本地计算能耗且，表示能量系数，表示第个用户发送第个任务到服务器过程中的能耗且，表示第个用户缓存第个任务所需的能耗且，表示服务器的传输功率
。
[0022]可选择地，所述
S2
中，所述具有约束条件的任务卸载和缓存联合优化模型为：
[0023]其中，表示第个用户执行过程中时延的权重因子，表示第个用户执行第个任务的卸载总时延，表示用户执行过程中能耗的权重因子，表示移动设备侧的总能耗，表示任务卸载和缓存的联合决策，表示第个用户，表示用户总数，表示有个任务
。
[0024]可选择地，约束条件包括：
[0025][0026][0027][0028][0029][0030]其中，表示第个用户执行第个任务的总能量，表示能耗阈值，表示第个用户执行第个任务的总延迟，表示第个用户执行过程中时延的权重因子，表示第个用户执行过程中能耗的权重因子，表示任务第次请求的完成时刻，表示任务第次请求的请求时刻，表示任务卸载本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种具有缓存机制的移动边缘计算任务卸载方法，其特征在于，所述具有缓存机制的移动边缘计算任务卸载方法包括：
S1
：基于用户任务请求建立具有缓存机制的任务卸载总时延模型和移动设备侧的总能耗模型；
S2
：根据所述任务卸载总时延模型和移动设备侧的总能耗模型，以任务卸载总时延和移动设备侧的总能耗最小化为目标，建立具有约束条件的任务卸载和缓存联合优化模型；
S3
：将所述联合优化模型转化为粒子的适应度函数，其中，所述用户任务请求为粒子；
S4
：利用基于所述适应度函数的粒子群算法确定所述粒子的最优解，其中，所述粒子的最优解为用户任务请求的最优任务卸载决策
。2.
根据权利要求1所述的具有缓存机制的移动边缘计算任务卸载方法，其特征在于，所述
S1
中，所述缓存机制包括：根据用户任务请求确定任务的流行度
、
新鲜度和大小因子；根据所述任务的流行度
、
所述新鲜度和所述大小因子，得到任务的函数值；利用任务的函数值对缓存空间进行更新
。3.
根据权利要求2所述的具有缓存机制的移动边缘计算任务卸载方法，其特征在于，所述流行度为：所述新鲜度为：所述大小因子为：为：表示任务的请求概率，表示任务的访问时间，表示任务的平均请求时间间隔，表示任务的请求数，表示任务第次请求的完成时刻，表示任务第次请求的请求时刻，表示最近一次请求任务的时刻，表示首次请求任务的时刻，表示有个任务，表示第个任务，表示第次请求，表示当前时刻，表示任务的生成时刻，表示任务的输入数据大小，表示用户任务请求集合中最大的任务数据大小，表示大小因子的计算函数
。4.
根据权利要求2所述的具有缓存机制的移动边缘计算任务卸载方法，其特征在于，所述任务的函数值为：其中，
、
和分别表示不同的权重参数，表示任务的流行度，表示任务
的新鲜度，表示任务的大小因子，表示第个任务
。5.
根据权利要求2所述的具有缓存机制的移动边缘计算任务卸载方法，其特征在于，所述利用任务的函数值对缓存空间进行更新包括：
A1
：将请求周期划分为若干时隙；
A2
：获取每个时隙用户任务请求的请求集合中当前任务的处理结果大小和当前服务器缓存空间可用大小；
A3
：判断当前服务器缓存空间可用大小是否大于当前任务的处理结果大小；若是，进入
A6
，否则，进入
A4
；
A4
：判断当前任务是否已缓存，若是，更新当前任务的函数值并进入
A5
；否则，将当前任务的处理结果加入到缓存空间中并进入
A5
；
A5
：对缓存空间内所有任务的函数值进行比较，将最小值标记为，将下一个任务作为当前任务并返回
A2
；
A6
：计算当前任务的函数值，比较缓存空间内历史任务的函数值，将最小值标记为；
A7
：若当前任务的函数值大于最小值，则从缓存空间中驱逐最小值所对应的任务，更新当前缓存空间可用大小，并返回；否则，不更新缓存空间，将下一个任...

【专利技术属性】
技术研发人员：沈艳，陈姣，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：