一种面向信息物理融合系统的延迟和寿命优化方法

1.本发明涉及信息物理融合系统中任务调度技术领域，尤其涉及一种面向信息物理融合系统的延迟和寿命优化方法。


背景技术：

2.近年来，信息技术的巨大进步使得物理世界和信息世界深入融合，促进了信息物理融合系统的产生，信息物理融合系统的典型应用不仅覆盖了制造和生产领域，例如智能交通、工业过程控制、智能电网、类人机器人、大数据基础设施、智能制造等，也覆盖了日常生活领域，例如医疗保健，虚拟/增强现实和智能家居等，在设计信息物理融合系统中，如何以通过低延迟的方式处理爆炸性增长的各种数据，是一个研究热点和难点。为了解决这个难题，大量的研究工作致力于将新兴的边缘计算集成到信息物理融合系统设计过程中。边缘计算实质上是将网络、计算、存储和控制资源从网络核心推向网络边缘的一种分布式计算范式，由于资源转移操作，边缘计算允许在生成数据的源位置处理各种形式的数据，从而大大减少了对终端用户的服务延迟，然而，现有方案没有考虑延迟优化技术对系统寿命和可靠性的影响，导致信息物理融合系统的计算结果不可靠和功能性失灵，因此本发明提出一种面向信息物理融合系统的延迟和寿命优化方法以解决现有技术中存在的问题。


技术实现要素：

3.针对上述问题，本发明的目的在于提出一种面向信息物理融合系统的延迟和寿命优化方法，在满足能耗、可靠性、以及可调度性的条件下，通过为任务选择最优的计算卸载映射和备份个数来，解决现有技术中任务响应延迟高以及系统寿命低的问题。
4.为实现本发明的目的，本发明通过以下技术方案实现：一种面向信息物理融合系统的延迟和寿命优化方法，包括以下步骤：
5.步骤一、确定系统能量消耗
6.首先计算用户组在一个时隙[t,t+t
slot
]期间的预期任务通信时延其次再利用一个子集表示映射到边缘服务器的用户组集合，并计算映射到边缘服务器的用户组的预期任务执行延迟之后再对蜂窝/微型基站的能量消耗边缘服务器的静态功率和动态功率进行计算，再由边缘服务器的静态功率和动态功率对边缘服务器在执行cpu周期为λmt
slot
时整体耗能进而计算sdn控制器的能量消耗并根据上述计算的数据，确定系统的能量消耗
[0007]
步骤二、确定系统的生命周期
[0008]
设为用户组到边缘服务器链路上的平均误码发生率,计算并得
到其传输可靠性再设为处理器上软错误的平均发生率，根据平均误码发生率和平均发生率，计算并得到处理器在用户组执行任务时的可靠性再进行τ
m,n
次重复，得到增强的瞬态故障可靠性并根据其计算并得出系统可靠性之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算；
[0009]
步骤三、训练长短期记忆神经网络，以预测基站任务负载
[0010]
先归一化数据集合ω
trace
，并将该数据集合ω
trace
划分为训练集ω
train
和测试集ω
test
，然后初始化均方误差mse，并创建神经网络隐藏层model.add，之后计算训练集ω
train
的元素个数x
train
，再将计数器i赋值为1，并根据公式一：i≤x
train
进行判断，当公式一判断成立之后，调用函数model.fit拟合训练集ω
train
，得到预测模型model，再采用预测模型model更新测试集ω
test
的均方误差mse，输出预测的基站的任务负载；
[0011]
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数
[0012]
首先，设表示总共记录z个解的存档，其中每个成员与w个决策变量集合x＝{x1,x2,
…
,xw}相关，借助变异概率向量p和q导出档案的后代,记为即公式表达为：
[0013][0014]
式中，x
ω
(1≤ω≤w)为第ω个带决策变量，δx
ω
是变异操作产生的随机数，p
ω
和q
ω
分别为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；
[0015]
其次搜索pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，并生成一系列子代档案，用表示，之后设为子代档案的超体积，在的条件下，用替换i
arc
，得到结果如公式所示：
[0016][0017]
将m赋值为1，并根据公式二：m≤m进行判断，当公式二判断成立之后，则查找预测的任务卸载率再令m赋值加1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群并使用任何非支配排序方法对中的解进行排序，再使用一半种群初始化存档i
arc
，再初始化两个似然向量p和q，并将n赋值为1，通过公式三：进行判断，当公式三判断结果为成立后，将z赋值为1，通过公式四：z≤z进行判断，当公式四判
断结果为成立后，在存档i
arc
中生成元素的后代之后根据公式五：之后根据公式五：进行判断，当公式五判断结果为成立后，用元素更新种群x，再存档i
arc
，并使用1/5规则调整似然向量p和q；
[0018]
步骤五、设计基于亲和度的在线方案，以更新计算卸载映射策略
[0019]
首先，定义用户组对边缘服务器在服务延迟上的亲和度其次将延长系统寿命作为一个单一的优化目标，则定义用户组对边缘服务器在系统生命周期方面的亲和度再结合亲和度和亲和度得到一个整体之后将赋值为将赋值为将j赋值为再选择一个非支配解并将m赋值为1，并根据公式二：m≤m进行判断，当公式二判断成立之后，再通过公式六：进行判断，当公式六判断成立之后，则附加用户组以设置之后将j赋值为j+1，并将m赋值加1，再通过公式二进行判断，直至公式二判断结果不成立，即对于集合中的用户组，直接采用方案中卸载映射和任务复制的设置，再将j赋值为1，并通过公式七：j≤j进行判断，当公式七判断结果成立时，再将n赋值为1，并通过公式八：n≤n进行判断，当公式八判断结果为成立后，将τ
m,n
赋值为τ
max
，之后可获得亲和力再对亲和力进行计算，继而可导出联合亲和力之后再将n赋值加1，并通过公式八进行判断，直至公式八判断结果为不成立，之后将用户组重新映射到能够在满足约束条件下，能最大化联合亲和力的边缘服务器，最后，再将j赋值加1，并通过公式七进行判断。
[0020]
进一步改进在于：所述步骤一中，当用户组选择将任务卸载到边缘服务器时，其期望服务延迟计算公式为计算公式为则系统业务时延表示为所有用户组的平均业务时延，即其计算公式为：式中二进制变量a
m,n
表示是否在用户组和边缘服务器之间进行计算卸载映射，若答案为肯定，则a
m,n
＝1；否则，a
m,n
＝0。
[0021]
进一步改进在于：所述步骤三中，当公式一判断不成立时，直接输出预测的基站的任务负载。
[0022]
进一步改进在于：所述步骤四中，当公式三判断结果不成立时，输出所有的非支配最优解。
[0023]
进一步改进在于：所述步骤四中，当公式四判断结果不成立时，令i赋值加1，再通过公式三进行判断，并进行后续的步骤。
[0024]
进一步改进在于：所述步骤四中，当公式五判断结果不成立时，令z赋值加1，并通过公式四进行判断。
[0025]
进一步改进在于：所述步骤五中，当公式七判断结果不成立时，输出更新后的非支配解决方案
[0026]
进一步改进在于：所述步骤五中，按照亲和度和亲和度的偏好权值进行结合得到其计算公式为：
[0027][0028]
式中，变量为偏好权值。
[0029]
本发明的有益效果为：该种面向信息物理融合系统的延迟和寿命优化方法通过由离线和在线两个阶段组成的边缘智能解决方案，从而在可靠性、能耗和任务可调度性约束下，实现同时最小化服务延迟和最大化系统寿命的目标，在离线阶段，首先利用长期短期记忆神经网络来预测单个用户组的任务卸载率，然后使用一种双局部搜索多目标进化算法确定计算卸载映射和任务备份个数等最优系统静态设置，同时，在在线阶段，考虑到终端用户固有的移动性，设计了一种最小化系统动态开销的计算卸载重映射方案。
附图说明
[0030]
图1是本发明的步骤流程示意图。
具体实施方式
[0031]
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
[0032]
根据图1所示，本实施例提出了一种面向信息物理融合系统的延迟和寿命优化方法，包括以下步骤：
[0033]
步骤一、确定系统能量消耗
[0034]
首先计算用户组在一个时隙[t,t+t
slot
]期间的预期任务通信时延即：其中，v
m,n
为用户组与边缘服务器之间链路的平均通信容量，为用户组到边缘服务器的路由距离，v
wave
为电磁波传播速度，为任务的数据内容量，其次再利用一个子集表示映射到边缘服务器的用户组集合，并计算映射到边缘服务器的用户组的预期任务执行延迟即其中δn为子集的大小，μn和δ
n2
分别为边缘服务器上执行任务时间分布的均值和方差，之后再对蜂窝/微型基站的能量消耗上执行任务时间分布的均值和方差，之后再对蜂窝/微型基站的能量消耗边缘服务器的静态功率的静态功率和动态功率进行计算，再由边缘服务器的
静态功率和动态功率对边缘服务器在执行cpu周期为λmt
slot
时整体耗能时整体耗能进而计算sdn控制器的能量消耗进而计算sdn控制器的能量消耗其中为静态功耗，是控制任务消耗的动态功率，总共有w
l
个cpu周期，并根据上述计算的数据，确定系统的能量消耗个cpu周期，并根据上述计算的数据，确定系统的能量消耗
[0035]
步骤二、确定系统的生命周期
[0036]
设为用户组到边缘服务器链路上的平均误码发生率,计算并得到其传输可靠性再设为处理器上软错误的平均发生率，可得的平均发生率，可得其中cn和都是硬件架构相关的常数，根据平均误码发生率和平均发生率，计算并得到处理器在用户组执行任务时的可靠性再进行τ
m,n
次重复，得到增强的瞬态故障可靠性得到增强的瞬态故障可靠性并根据其计算并得出系统可靠性并得出系统可靠性之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算；
[0037]
其中，当边缘服务器在时间间隔内执行任务时，其瞬时寿命可靠性为，时，其瞬时寿命可靠性为，其中j0，ρ0，ι和ξ是常数和γ(
·
)分别表示转移概率函数和伽马函数，其中ζ和k是常数；
[0038]
当执行多个任务时，处理器的生命周期可以被估计为其中
[0039]
在系统寿命模型中，假设系统中任何一个边缘服务器的故障都会导致整个系统的故障，由此，系统生命周期可以表示为故障，由此，系统生命周期可以表示为
[0040]
步骤三、训练长短期记忆神经网络，以预测基站任务负载
[0041]
先归一化数据集合ω
trace
，并将该数据集合ω
trace
划分为训练集ω
train
和测试集ω
test
，然后初始化均方误差mse：mse
←
+∞，并创建神经网络隐藏层model.add，之后计算训练集ω
train
的元素个数x
train
，再将计数器i赋值为1，即i
←
1，并根据公式一：i≤x
train
进行判
断，当公式一判断成立之后，调用函数model.fit拟合训练集ω
train
，得到预测模型model，再采用预测模型model更新测试集ω
test
的均方误差mse，输出预测的基站的任务负载；
[0042]
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案，以确定最优的计算卸载映射和备份个数
[0043]
首先，设表示总共记录z个解的存档，其中每个成员与w个决策变量集合x＝{x1,x2,
…
,xw}相关，借助变异概率向量p和q导出档案的后代,记为即公式表达为：
[0044][0045]
式中，x
ω
(1≤ω≤w)为第ω个带决策变量，δx
ω
是变异操作产生的随机数，p
ω
和q
ω
分别为突变概率向量p和q中的第ω个元素，d是从区间[0，1]中选取的一个常数；
[0046]
其次搜索pareto解，并在其过程中，通过对当前档案中的单个元素进行有序修改，产生了后代档案的集合，如下所示：
[0047][0048]
并生成一系列子代档案，用表示，之后设为子代档案的超体积，在的条件下，用替换i
arc
，得到结果如公式所示：
[0049][0050]
将m赋值为1，即m
←
1，并根据公式二：m≤m进行判断，当公式二判断成立之后，则查找预测的任务卸载率再令m赋值加1，即m
←
m+1，并根据公式二进行判断，直至公式二判断不成立之后，随机初始化种群并使用任何非支配排序方法对中的解进行排序，再使用更好的一半种群初始化存档初始化存档再初始化两个似然向量p和q，并将n赋值为1，即n
←
1，通过公式三：进行判断，当公式三判断结果为成立后，将z赋值为1，通过公式四：z≤z进行判断，当公式四判断结果为成立后，在存档i
arc
中生成元素的后代之后根据公式五：进行判断，当公式五判断结果为成立后，用元素更新种群x，再存档i
arc
，并使用1/5规则调整似然向量p和q；
[0051]
步骤五、设计基于亲和度的在线方案，以更新计算卸载映射策略首先，定义用户组对边缘服务器在服务延迟上的亲和度其
次将延长系统寿命作为一个单一的优化目标，则定义用户组对边缘服务器在系统生命周期方面的亲和度其中为系统的寿命，为硬件磨损率，再结合亲和度和亲和度得到一个整体之后将赋值为将赋值为将j赋值为再选择一个非支配解并将m赋值为1，并根据公式二：m≤m进行判断，当公式二判断成立之后，再通过公式六：进行判断，当公式六判断成立之后，则附加用户组以设置之后将j赋值为j+1，即j
←
j+1，并将m赋值加1，再通过公式二进行判断，直至公式二判断结果不成立，即对于集合中的用户组，直接采用方案中卸载映射和任务复制的设置，再将j赋值为1，并通过公式七：j≤j进行判断，当公式七判断结果成立时，再将n赋值为1，并通过公式八：n≤n进行判断，当公式八判断结果为成立后，将τ
m,n
赋值为τ
max
，之后可获得亲和力再对亲和力进行计算，继而可导出联合亲和力之后再将n赋值加1，并通过公式八进行判断，直至公式八判断结果为不成立，之后将用户组重新映射到能够在满足约束条件下，能最大化联合亲和力的边缘服务器，最后，再将j赋值加1，并通过公式七进行判断。
[0052]
步骤一中，当用户组选择将任务卸载到边缘服务器时，其期望服务延迟计算公式为则系统业务时延表示为所有用户组的平均业务时延，即其计算公式为：式中二进制变量a
m,n
表示是否在用户组和边缘服务器之间进行计算卸载映射，若答案为肯定，则a
m,n
＝1；否则，a
m,n
＝0。
[0053]
步骤三中，当公式一判断不成立时，直接输出预测的基站的任务负载。
[0054]
步骤四中，当公式三判断结果不成立时，输出所有的非支配最优解。
[0055]
步骤四中，当公式四判断结果不成立时，令i赋值加1，再通过公式三进行判断，并进行后续的步骤。
[0056]
步骤四中，当公式五判断结果不成立时，令z赋值加1，并通过公式四进行判断。
[0057]
步骤五中，当公式七判断结果不成立时，输出更新后的非支配解决方案
[0058]
步骤五中，按照亲和度和亲和度的偏好权值进行结合得到其计算公式为：
[0059][0060]
式中，变量为偏好权值。
[0061]
本实施例中，一个信息物理融合系统用符号表示，包含m个终端用户组m个蜂窝基地m个蜂窝基地一个微基站n个边缘服务器n个边缘服务器一个控制器组成，在该系统中，用户组的数量等于蜂窝基站的数量，这说明每个用户组都正确连接到蜂窝基站
[0062]
用户组的服务时延主要由两部分组成：1)任务通信时延，即将任务τm交付给边缘服务器所花费的时间；2)任务执行时延，即边缘服务器执行任务所花费的时间。
[0063]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。