一种面向移动医疗健康管理的边缘云计算卸载方法与流程

本发明属于移动医疗与边缘计算技术领域，具体涉及一种面向移动医疗健康管理的边缘云计算卸载方法。

背景技术：

随着经济的快速发展和人民生活水平的不断提高，在精神压力过大、缺乏运动、环境污染等一系列问题的作用下，人们对于自身的健康管理越来越重视。同时，随着移动互联网时代的到来，物联网、云计算、边缘计算等技术趋于成熟，手机、手环等可穿戴设备的不断发展，很多关于自身健康的手机app应用也逐渐走进了人们的生活，出现了各种各样的基于移动终端的医疗健康管理应用，以便用户对自身的健康进行管理和评估。

目前，移动医疗健康管理的发展仍处于初级阶段，人们通过手机app、小程序等多种手段来对自身的健康进行管理，充分利用了移动互联网技术来为自身提供体检、疾病评估、医疗、保健等服务。用户不仅可以实时监测自身的血压、脉搏、心率、体温等生理信息，还可以与自身的年龄、职业、生活习惯等个人信息相结合，以获得更准确的健康管理方案，远离致病因素，降低发病率。除此之外，用户还可以通过自主诊疗来对自身的状况进行诊断，通过上传自己的面相、舌像、脉象以及其他所需要的数据来进行评估，为用户自身提供更加便捷和个性化的服务，同时也缓解了医疗资源的压力。

但由于在医疗健康管理中用户数据庞大，且具有复杂性，需要多角度、多层面的对数据进行分析，以给用户提供更实时准确的反馈，这使得移动设备由于硬件基础和物理大小的限制，其本身存在的计算能力和资源有限的局限性更加突出，移动医疗健康管理的发展也会因为这些问题而面临挑战。因此，边缘计算(edgecomputing，ec)作为一种有效的解决方式被提出，以应对资源有限的移动设备和高要求的移动应用之间的挑战。

边缘计算通过计算卸载将移动应用程序的部分或全部计算任务卸载到边缘云，取代了传统云计算中计算任务必须在远程公共云上进行处理的模式，采用在距离数据源较近的位置对应用数据进行处理，利用在网络边缘的计算和存储资源为用户提供服务。边缘计算有效弥补了移动终端计算、存储等资源有限的缺陷，缓解了网络带宽的压力，减小了计算延迟，提高了用户体验质量，同时也减小了用户数据泄露的风险。

在边缘计算中，要想实现任务的快速计算，合适的卸载决策极为重要。边缘计算中由于边缘处理器部署在网络的边缘，其计算和存储能力是有限的，不能总是立即地为计算任务分配资源，因此，如何实现高效准确的卸载是边缘计算研究中的一项关键技术。卸载决策的确定影响了任务的计算延迟，同时也会影响用户的服务质量(qualityofservice，qos)。在当前万物互联的网络环境中，面向移动医疗健康管理，移动设备将会产生海量的数据，面对数据的快速增加，对卸载策略的要求将会更高。

技术实现要素：

本发明所要解决的技术问题是提供一种面向移动医疗健康管理的边缘云计算卸载方法，解决移动医疗健康管理中任务的计算时延大，任务存在积压等问题。

本发明为解决上述技术问题所采用的技术方案是：一种面向移动医疗健康管理的边缘云计算卸载方法，包括以下步骤：

步骤一、将本地设备及边缘处理器建模为一个队列系统，将本地设备上生成的任务以及边缘处理器上接收到的任务存储在队列，利用随机优化方法，通过李雅普诺夫优化实现队列的稳定性，同时减小队列积压；

步骤二、分别计算本地设备上应用程序生成的任务i在本地设备执行以及卸载到边缘处理器上执行的时延，通过对比任务i在本地设备和卸载到边缘处理器执行时的执行时延与其等待时间之和确定任务i在本地设备上执行或卸载到边缘处理器上进行执行；

步骤三、步骤二计算后确定卸载到边缘处理器上执行的任务，利用背压算法选取边缘处理器进行卸载。

所述步骤一的具体方法为：

(1)首先利用队列的动态性建模一个队列系统l＝(1,2，…，l)，m＝(1,2，…，m)，其中，表示时间槽t本地设备l上任务i的队列长度，表示在时间槽t边缘处理器m上任务i的队列长度，并满足本地设备队列上任务的离开等于所有边缘处理器队列上任务的到达总和，l表示本地设备的个数，m表示边缘处理器的个数；

(2)每增加一个单位时间，本地设备上任务i的队列动态性公式定义为其中[·]⁺＝max{·，0}，保证任务的队列长度大于0，分别表示本地设备l上任务i在时间槽t,t+1的队列长度，定义为任务i的卸载决策，时表示任务在本地设备进行处理，否则将卸载至边缘处理器执行，vl(t)为本地设备l的cpu周期频率，表示本地设备l卸载至边缘处理器的所有任务，为该时间槽t新生成的任务量；

(3)每增加一个单位时间，边缘处理器m上任务i的队列动态性公式为其中分别表示边缘处理器m上任务i在时间槽t,t+1的队列长度，vm(t)为边缘处理器m处理的任务数量，表示卸载到该边缘云的任务量；

(4)根据李雅普诺夫优化理论构造关于本地设备队列与边缘处理器队列的李雅普诺夫函数

(5)定义李雅普诺夫漂移函数δ(t)＝e[v(t+1)-v(t)z(t)]，其中为本地设备与边缘处理器的队列向量，通过最小化李雅普诺夫漂移优化问题来减小队列的任务积压，同时实现队列的稳定性。

所述步骤二的具体方法为：

(1)计算任务i在本地设备l上执行的执行时延即其中ci表示处理任务i所需要的cpu周期数，vl(t)为本地设备l的cpu周期频率；

(2)计算任务i卸载到边缘处理器m上执行的传输时延di表示任务i的数据量大小，vlm(t)表示本地设备l到边缘处理器m的传输速度；

(3)计算任务i在边缘处理器上执行的执行时延即其中vm(t)表示边缘处理器m的cpu频率；

(4)将任务i在本地设备l上执行的执行时延与卸载到边缘处理器m上执行的卸载时延分别与其等待时间local_wait,edge_wait相加，对比计算结果，如果则任务i在本地设备上执行；如果则选择在边缘处理器上执行任务i；其中卸载时延包括由本地设备l传输到边缘处理器m传输时延和在边缘处理器上执行的执行时延，即

所述步骤三中任务i选择在边缘处理器上执行时，根据背压算法选取边缘处理器的方法为：

(1)计算任务i本地设备队列长度与可能卸载到的边缘处理器队列长度的差

(2)选取其中队列长度差值最大的边缘处理器进行卸载，并确定任务的最终卸载决策

本发明的有益效果是：本发明提供一种面向移动医疗健康管理的边缘云计算卸载方法，对于移动医疗健康管理产生的大量数据，在每个本地设备上，利用随机优化，将计算任务与队列相结合，通过最小化李雅普诺夫(lyapunov)漂移减小队列积压，确定任务的卸载决策，以减小任务的计算时延，提高用户的qos(qualityofservice，服务质量)，弥补移动终端存在的不足。此外，综合多个影响因素，不仅考虑任务的计算时延，还考虑本地设备与边缘处理器上队列的任务积压情况，进一步确定任务最优的卸载决策，减小计算延迟。

附图说明

图1为本发明任务卸载方法流程示意图。

具体实施方式

对于移动医疗健康管理产生的大量数据，为弥补移动终端固有的缺陷，移动设备生成的任务可选择在本地执行或卸载到边缘云上进行计算，这需要综合多个影响因素，如时延、能耗、任务的实际处理情况等。此外，用户需考虑每个任务的计算截止期限，根据任务的实际计算情况决定任务在何处执行。

因此，在面向移动医疗健康管理的边缘云计算卸载中，如何确定一个准确合适的卸载决策至关重要。本发明提供一种面向移动医疗健康管理的边缘云计算卸载方法，下面结合说明书附图对本发明的具体实施方式作具体描述，使本领域的技术人员能够更好地理解本发明。

本发明中的卸载过程由3个部分组成，分别是随机优化、计算时延和背压算法，三部分共同组成了边缘云的计算卸载结构来进行任务的计算卸载。

1、随机优化

对于本地设备及边缘处理器，我们首先按不同任务将其建模为一个队列系统，将本地设备上生成的任务以及边缘处理器上接收到的任务存储在队列中，然后利用随机优化方法，通过李雅普诺夫优化实现队列的稳定性，同时减小队列积压。具体过程如下：

(1)首先利用队列的动态性来建模一个队列系统l＝(1,2，…，l)，m＝(1,2，…，m)，其中，表示时间槽t本地设备l上任务i的队列长度，表示在时间槽t边缘处理器m上任务i的队列长度，并满足本地设备队列上任务的离开等于所有边缘处理器队列上任务的到达总和，l表示本地设备的个数，m表示边缘处理器的个数；

(2)每增加一个单位时间，本地设备上任务i的队列动态性公式定义为其中[·]⁺＝max{·，0}，保证任务的队列长度大于0，分别表示本地设备l上任务i在时间槽t,t+1的队列长度，定义为任务i的卸载决策，时表示任务在本地设备进行处理，否则将卸载至边缘处理器执行，vl(t)为本地设备l的cpu周期频率，表示本地设备l卸载至边缘处理器的所有任务，为该时间槽t新生成的任务量；

(3)每增加一个单位时间，边缘处理器m上任务i的队列动态性公式为其中分别表示边缘处理器m上任务i在时间槽t,t+1的队列长度，vm(t)为边缘处理器m处理的任务数量，表示卸载到该边缘云的任务量；

(4)根据李雅普诺夫优化理论构造关于本地设备队列与边缘处理器队列的李雅普诺夫函数v

(5)定义李雅普诺夫漂移函数δ(t)＝e[v(t+1)-v(t)z(t)]，其中为本地设备与边缘处理器的队列向量，通过最小化李雅普诺夫漂移优化问题来减小队列的任务积压，同时实现队列的稳定性。

在保证队列稳定性的同时，我们对任务的执行总时延进行计算，以确定任务的卸载决策。

2.计算时延

对于本地设备队列中的每一个任务，计算其在本地执行以及卸载到边缘处理器上执行的时延，然后通过对比任务的执行时延与其等待时间之和来确定该任务是否在本地设备上进行处理，具体计算过程如下：

(1)计算任务i在本地设备l上执行的执行时延即其中ci表示处理任务i所需要的cpu周期数，vl(t)为本地设备l的cpu周期频率；

(2)计算任务i卸载到边缘处理器m上执行的传输时延di表示任务i的数据量大小，vlm(t)表示本地设备l到边缘处理器m的传输速度；

(3)计算任务i在边缘处理器上执行的执行时延即其中vm(t)表示边缘处理器m的cpu频率；

(4)将任务i在本地设备l上执行的执行时延tlⁱ与卸载到边缘处理器m上执行的卸载时延分别与其等待时间local_wait,edge_wait相加，对比计算结果，如果与都大于任务的计算截止期限，则将任务i卸载至远程云进行处理；如果则任务i在本地设备上执行；如果则选择在边缘处理器上执行任务i；其中卸载时延包括由本地设备l传输到边缘处理器m传输时延和在边缘处理器上执行的执行时延，即

3.背压算法

背压算法作为确定卸载决策的第三层，目的是进一步确定第二层中卸载总时延小的任务具体卸载到哪个边缘处理器上执行，通过再次计算得到最合适的卸载决策，具体过程如下：

(1)计算任务i本地设备队列长度与可能卸载到的边缘处理器队列长度的差

(2)选取其中队列长度差值最大的边缘处理器进行卸载，并确定任务的最终卸载决策。

通过以上过程，任务的卸载决策得以确定，不仅考虑了任务的计算时延，还考虑了本地设备与边缘处理器上队列的任务积压情况，进一步确定了任务的卸载决策，减小了计算延迟。