一种面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法

本发明涉及边缘计算及移动群智感知技术领域，具体涉及一种面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法。

背景技术：

随着移动计算技术的发展，我们正在拥抱一个移动设备和服务的时代。根据gsma报告，全球移动应用用户约为51亿，2025年前将以年均1.9％的速度增长。因此，移动设备和移动应用变得越来越重要，重塑了人与机器之间的交流。移动用户和设备的大量增加创造了一个吸引全世界关注的巨大市场。为了使自己成为竞争对手中的佼佼者，移动应用企业都希望更好地了解这些用户的偏好，发现他们潜在的行为模式。因此,这些企业的研究人员总是尽最大努力收集用户的行为记录,甚至直接采访他们的目标用户,他们确信这些结构化或非结构化和顺序/非时序的上下文数据将帮助他们建立一个通用的用户画像模型来分析和预测用户未来的行为。

然而，由于人们潜意识里对隐私的保护以及对外部计算能耗的担忧，很少有人愿意提供自己的数据，应用开发者很难合法地为自己的人工智能模型收集足够高质量的数据。为了解决这一问题，越来越多的开发人员转向移动人群感知(mcs)技术。具体来说，mcs是一种以人为本的技术，它利用用户移动设备的内置传感器以及用户的参与来收集数据。它不仅关注数据的有效性和准确性，而且关注如何刺激用户分享他们的数据。通过mcs技术，在用户和开发人员之间建立了一个可靠的发布/订阅交互框架，从而可以收集高质量的数据，如果开发人员愿意为他们的合作付费，那么用户就可以接受和愿意收集高质量的数据。但是，长距离传输带来的延迟和网络中海量数据的流量拥堵，以及数据预处理带来的能耗，限制了mcs在典型的集中式架构中的应用。

幸运的是，多接入边缘计算(mec)技术被提出来解决上述问题。mec是最近出现的一种新的范式，作为对移动云计算的增强，用于优化移动资源的使用和无线网络，以提供上下文感知服务。在mec的帮助下，移动设备和云之间的计算和传输部分迁移到边缘服务器。因此，用户可以很容易地通过无线网络连接到他们附近的边缘服务器。用户和边缘服务器之间的短距离连接可以极大地减少延迟，而边缘服务器的计算能力完全可以满足传统任务的要求。更重要的是，在像kubernetes这样引人注目的容器平台的帮助下，在mec环境中管理服务(例如数据预处理服务)将变得很容易。然而，这些优势并不是多源数据采集规划中疏忽的原因——如果传感任务没有分配给合适的用户，数据采集任务甚至可能以更高的成本获得低质量的数据。更重要的是，由于边缘服务器都是资源受限的，如果数据预处理服务没有部署在适当的边缘服务器上，就没有足够的资源运行它们。现有技术在进行移动群智感知的过程中，只考虑了对激励机制方面的改进，或者仅考虑了对mec任务分配方法的改良。因此，设计一个任务分配方案和一个服务部署方案来平衡质量和成本是非常重要的。

技术实现要素：

本发明的目的是提供一种平衡质量和成本的面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法。

为了达到上述目的，本发明通过以下技术方案来实现：

一种面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法，包括如下步骤：

s1)用户与边缘服务器的通讯连接

获取所要服务的用户位置信息，结合已知的各边缘服务器的位置信息，根据用户与边缘服务器的通信距离，在保证最小的通信距离的情况下，计算出每个边缘服务器需要服务的用户向量，将这些用户向量按列拼接组成矩阵l；

s2)任务提交与分配

所有边缘服务器组成一个mcs系统，系统中有负责任务的提交与分配的mcsmarket，不同的边缘服务器服务不同的用户，每个用户可以选择注册为服务请求者或服务执行者，当一个服务请求者提交任务t到mcsmarket时，mcsmarket将其拆分为k个子任务并得到子任务列表(t1,t2,...,tk)，将各子任务部署到各边缘服务器上，对应服务s＝(s1,s2,...,sk)；

s3)建立目标函数

建立目标函数cr：

其中，pm,k为用户m需要完成多少次子任务k，dj,k为子任务k是否部署在了边缘服务器j上，cm,k为用户m每完成一次子任务k所需要的激励数，v为部署子任务到边缘服务器上的单位代价；

设置目标函数的约束：

约束一为

其中，qm,k为用户m对子任务k的完成质量，wm,k为用户m对完成子任务k的意愿，lm,j为用户m是否在边缘服务器j的服务范围内；εk为子任务k所需要达到的最低完成质量；

约束二为即每个边缘服务器上所提供的对子任务的服务数不能超过边缘服务器本身的负载上限；其中，为边缘服务器j的所能够支持服务的负载上限；

约束三为即每个用户所能够同时执行的子任务总数不能超过用户本身的负载上限；其中，为用户m所能够运行子任务的负载上限；

s4)服务部署及任务分配

对上述目标函数cr进行最小化求解，以求得矩阵p和矩阵d，即每个用户m需要完成多少次子任务k，以及子任务k是否部署在了边缘服务器j上，从而进行边缘服务器上的服务部署以及对服务执行者的任务分配。

进一步地，将步骤s3)中目标函数的求解简化为一个混合整数二次规划问题，定义矩阵x＝[pd]^t，其中，p＝[p1,p2,...,pk]^t，d＝[d1,d2,...,dk]^t，

定义激励矩阵c＝[c1,c2,...,ck]^t以及

则将上述问题转化为：

x∈n^(m+n)·k。

进一步地，所述矩阵l为lm,j∈{0,1}，每行对应一个用户，每列对应一个边缘服务器，每个用户仅连接与其通信距离最近的边缘服务器，故有

本发明与现有技术相比，具有以下优点：

本发明一种面向边缘计算环境中移动群体感知系统的低成本任务分配与服务部署方法，首次研究了基于mec的mcs问题中任务质量与成本的关系，提出了在两个经典的成本-绩效平衡问题的基础上的任务质量与成本的分析框架；本发明在应用程序开发人员的预算、边缘服务器的可用资源和用户容量的约束下，提出了以平衡任务质量和成本为目标的混合整数二次规划(miqp)的数学模型。本发明综合考虑激励机制和mec任务分配的移动群智感知方法，能够在保证任务完成质量的基础上，尽可能减少系统运行成本。

具体实施方式

下面对本发明的实施例作进一步详细的描述。

一种面向边缘计算环境中移动群体感知系统的高质量任务分配与服务部署方法，包括如下步骤：

s1)用户与边缘服务器的通讯连接

获取所要服务的用户位置信息，结合已知的各边缘服务器的位置信息，根据用户与边缘服务器的通信距离，在保证最小的通信距离的情况下，计算出每个边缘服务器需要服务的用户向量，将这些用户向量按列拼接组成矩阵l；

s2)任务提交与分配

所有边缘服务器组成一个mcs系统，系统中有负责任务的提交与分配的mcsmarket，不同的边缘服务器服务不同的用户，每个用户可以选择注册为服务请求者或服务执行者，当一个服务请求者提交任务t到mcsmarket时，mcsmarket将其拆分为k个子任务并得到子任务列表(t1,t2,...,tk)，将各子任务部署到各边缘服务器上，对应服务s＝(s1,s2,...,sk)；根据决策，边缘服务器可以将某个服务对应的子任务多次分配给某个用户来执行，对应于决策变量pm,k，即用户m需要对子任务k执行pm,k次；

获取每个子任务对应完成质量、用户对完成该子任务的意愿以及完成该子任务对用户的激励；其中，每个任务有最低完成质量约束，每个服务执行者以及边缘服务器有负载上限约束；

s3)建立目标函数

建立目标函数cr：

其中，pm,k为用户m需要完成多少次子任务k，dj,k为子任务k是否部署在了边缘服务器j上，cm,k为用户m每完成一次子任务k所需要的激励数，v为部署子任务到边缘服务器上的单位代价；

所述矩阵l为lm,j∈{0,1}，每行对应一个用户，每列对应一个边缘服务器，每个用户仅连接与其通信距离最近的边缘服务器，故有

设置目标函数的约束：

约束一为

其中，qm,k为用户m对子任务k的完成质量，wm,k为用户m对完成子任务k的意愿，lm,j为用户m是否在边缘服务器j的服务范围内；εk为子任务k所需要达到的最低完成质量；

约束二为即每个边缘服务器上所提供的对子任务的服务数不能超过边缘服务器本身的负载上限；其中，为边缘服务器j的所能够支持服务的负载上限；

约束三为即每个用户所能够同时执行的子任务总数不能超过用户本身的负载上限；其中，为用户m所能够运行子任务的负载上限；

s4)服务部署及任务分配

对上述目标函数cr进行最小化求解，以求得矩阵p和矩阵d，即每个用户m需要完成多少次子任务k，以及子任务k是否部署在了边缘服务器j上，从而进行边缘服务器上的服务部署以及对服务执行者的任务分配。

进一步地，将步骤s3)中目标函数的求解简化为一个混合整数二次规划问题，定义矩阵x＝[pd]^t，其中，p＝[p1,p2,...,pk]^t，d＝[d1,d2,...,dk]^t，

则定义矩阵ak为

其中为a与b的哈达马乘积；

定义激励矩阵c＝[c1,c2,...,ck]^t以及因此有

则将上述问题转化为：

x∈n^(m+n)·k。

以上所述仅是本发明优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。