本发明属于移动云计算与移动边缘计算领域,特别是涉及一种分布式非平衡边缘云网络接入与资源分配机制。
背景技术:
移动互联网与移动应用创新仍面临三大矛盾:即移动设备计算密集型应用需求剧增但移动设备自身计算能力和电池容量有限、移动云接入需求剧增但接入能力有限、移动网络技术革新越来越多但运营商网络管道化严重且用户平均收益不断降低。为了解决上述矛盾,移动边缘计算(mec,mobileedgecomputing)新技术被提出,其定义为“在无线接入网络(ran,radioaccessnetwork)内靠近移动用户的位置提供it和云计算能力的新平台”。这种模式中,大量计算和存储资源被放置在网络边缘,靠近移动设备或传感器。因而,移动用户可以将计算密集型任务迁移到mec服务器中执行,从而显著降低对移动设备计算能力的要求并减小移动设备计算密集型任务执行带来的能耗。其次,通过在网络边缘服务服务器,移动用户无需接入远端云从而可以显著地降低云平台和骨干网络负载。此外,移动网络运营商可以将移动边缘计算服务器空闲资源租用给第三方从而获得附加收益。
本发明所提方法从以下出发点考虑;第一,现有针对移动边缘云计算系统迁移决策与资源分配研究大都基于平衡移动云边缘计算服务器部署,即每个无线接入点都配置独立非共享边缘云服务器。然而,实际网络中,基于空域业务分布不均匀性以及部署成本因素,运营商一般选择非平衡的移动边缘服务器部署策略,即多个无线接入点通过一跳或多跳链路接入少数几个共享边缘计算服务器。当前针对这种非平衡移动边缘云服务器部署下的迁移决策与资源分配还少有研究;第二,现有关于移动边缘云计算系统迁移决策与资源分配研究的系统设计目标主要为时延、能耗或时延-能耗权重和,并未考虑移动边缘云服务器的服务(使用)成本。在发明讨论的非平衡移动边缘云服务器部署场景中,边缘云服务器的服务成本具有多重含义,如无线接入点到边缘云服务器时延、无线接入点与边缘云服务器间达成的服务协议定价,或虚拟网络运营商与计算服务提供商关于资源使用定价等。特别地,这种服务成本与关联的无线接入点有关。在这种情况下,系统迁移决策与资源分配设计需要联合考虑时延-能耗-成本折中;第三,现有算法都属于集中式算法,算法执行单元需采集大量用户任务属性数据,信息交互开销大,并且算法收敛慢。
技术实现要素:
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种分布式非平衡边缘云网络接入与资源分配机制;
本发明针对非平衡边缘云服务器部署场景,引入关联无线接入基站依赖的边缘云服务器使用成本,定义基于能耗-时延-成本权重和的用户任务卸载性能评价指标,提出分布式多用户多任务云网络接入与资源分配机制。
该机制是一种循环算法,每一轮资源分配时,多用户多任务基于可用无线接入基站和边缘云服务器,依据最小时延-能耗-成本权重和准则独立选择最优任务卸载路径,并向该最优路径上的无线接入基站和边缘云服务器发送服务请求。如果无线接入基站或边缘云服务器的服务请求所需资源超过最大可用资源,则保留满足资源约束、时延-能耗-成本权重和最小且接入任务数最多的任务,拒绝其他用户任务。无线接入基站与边缘云服务器依据拒绝信息更新当前服务用户任务集,被拒绝用户任务基于更新的可用无线接入基站和边缘云服务器重复执行上述步骤,直到所有用户任务已完成卸载或所有任务无可接入无线接入基站和边缘云服务器为止。
为实现上述目的,本发明提供了一种分布式非平衡边缘云网络接入与资源分配机制,包括以下步骤:
s1、定义下列各项数据;
定义用户集合a={1,...,i,...,|a|};
定义到第s轮接入与资源分配,用户i未卸载任务集合
定义到第s轮接入与资源分配,用户i已卸载任务集合
定义卸载任务集非空用户集合
定义用户i卸载任务j的计算资源需求ri,j;
定义无线接入基站集合b={1,...,m,...,|b|};
定义无线接入基站m可接入用户数qm;
定义边缘云服务器集合c={1,...,n,...,|c|};
定义边缘云服务器n当前可用计算资源rn;
定义用户i卸载任务j通过无线接入基站m卸载传输的时延和能耗分别为ti,j,m和ei,j,m;
定义无线接入基站m连接边缘云服务器n的成本为cm,n;
定义第s轮接入与资源分配中,用户
定义第s轮接入与资源分配中,无线接入基站m收到的总任务服务请求集合为
定义在s轮接入与资源分配中,边缘云服务器n收到的总任务服务请求集合为
以上各项数据的定义顺序不分先后;
s2、初始化s=0,并且所有边缘云服务器广播自身连接成本给所有用户;
s3、任意用户
s4、任意用户
s4-1:对于未卸载任务
s4-2:对于未卸载任务
s4-3:对于未卸载任务
s4-4:对于未卸载任务
s4-5:如果用户
s4-6:用户针对自身每个任务
s5、任意边缘云服务器n∈c,针对当前总服务请求任务集
s5-1:计算集合vn(s)中所有任务计算资源需求
s5-2:对集合vn(s)中任务按照时延-能耗-成本权重和值降序排列,即
s5-3:边缘云服务器向任务属于集合
s5-4:边缘云服务器向其连接的无线接入基站发送空消息,表明本边缘云服务器当前不拒绝任何服务请求;
s6、对于用户
s7、如果条件
s8、算法结束。
较佳的,步骤s4-3中的权重因子满足αi+βi+γi=1,αi,βi,γi∈[0,1]。
较佳的,步骤s5-3中所述拒绝服务消息包括被拒绝任务索引、归属用户索引以及边缘云服务器索引。
本发明的有益效果是:
本发明可快速获得多用户多任务卸载路径,以及无线接入基站与边缘云服务器资源分配;
本发明可最小化多用户多任务卸载的时延-能耗-成本加权和;
本发明信息交互量少,收敛速度快,易实现。
附图说明
图1是本发明性能示例场景图;
图2是分配轮次对比图;
具体实施方式
下面结合实施例对本发明作进一步说明:
图1网络中包括四个移动用户(或任务、应用)s1、s2、s3和s4,三个无线网络接入基站b1、b2和b3,以及两个边缘云服务器c1和c2。任意用户si(i=1,…,4)计算卸载任务由一个四元组
本发明在适用于平衡网络的同时还适用于非平衡边缘云网络,即多个无线接入基站通过回程链路共享接入数目少于无线接入基站的边缘云服务器。网络中多用户具有多计算密集型任务需要卸载到边缘云服务器完成计算,并且每个用户多个任务具有不同计算资源需求。一方面,用户任务卸载到边缘云服务器计算将支付一定费用(成本),并且该成本取决于所选择的无线接入基站,另一方面,用户任务卸载选择不同无线接入基站还面临不同时延开销与能耗。所有边缘云服务器计算资源有限,每个无线接入基站有最大可接入用户数限制;基于最小化全体用户所有任务卸载时延-能耗-成本和准则实现分布式接入与资源分配;
一种分布式非平衡边缘云网络接入与资源分配机制,分配过程包括以下步骤:
s1、定义下列各项数据;
定义用户集合a={1,...,i,...,|a|};
定义到第s轮接入与资源分配,用户i未卸载任务集合
定义到第s轮接入与资源分配,用户i已卸载任务集合
定义卸载任务集非空用户集合
定义用户i卸载任务j的计算资源需求ri,j;
定义无线接入基站集合b={1,...,m,...,|b|};
定义无线接入基站m可接入用户数qm;
定义边缘云服务器集合c={1,...,n,...,|c|};
定义边缘云服务器n当前可用计算资源rn;
定义用户i卸载任务j通过无线接入基站m卸载传输的时延和能耗分别为ti,j,m和ei,j,m;
定义无线接入基站m连接边缘云服务器n的成本为cm,n;
定义第s轮接入与资源分配中,用户
定义第s轮接入与资源分配中,无线接入基站m收到的总任务服务请求集合为
定义在s轮接入与资源分配中,边缘云服务器n收到的总任务服务请求集合为
以上各项数据的定义顺序不分先后;
s2、初始化s=0,并且所有边缘云服务器广播自身连接成本给所有用户;
s3、任意用户
s4、任意用户
s4-1:对于未卸载任务
s4-2:对于未卸载任务
s4-3:对于未卸载任务
s4-4:对于未卸载任务
s4-5:如果用户
s4-6:用户针对自身每个任务
s5、任意边缘云服务器n∈c,针对当前总服务请求任务集
s5-1:计算集合vn(s)中所有任务计算资源需求
s5-2:对集合vn(s)中任务按照时延-能耗-成本权重和值降序排列,即
s5-3:边缘云服务器向任务属于集合rn(s)={(si,j)[l]|l>kn}的用户及该任务请求的无线接入基站发送拒绝服务消息,所述拒绝服务消息包括被拒绝任务索引、归属用户索引以及边缘云服务器索引;
s5-4:边缘云服务器向其连接的无线接入基站发送空消息,表明本边缘云服务器当前不拒绝任何服务请求;
s6、对于用户
本轮循环中,如果其被边缘云服务器n拒绝,则步骤s6中更新后的可接入边缘云服务器集为步骤s1-s5中的可接入边缘云服务器集去掉边缘云服务器n后得到的集合;
本轮循环中,如果其被无线接入基站m拒绝,则步骤s6中更新后的可接入无线接入基站集为步骤s1-s5中的可接入无线接入基站集去掉无线接入基站m后所得到的集合;
本轮循环中,如果卸载任务
s7、如果条件
s8、算法结束。
将本发明所提方法与集中式算法进行性能比较;
集中式算法基本思想为:网络中存在一个虚拟决策中心来收集用户请求信息和资源信息,并进行资源分配,每轮只能分配一个任务。
仿真设置条件为:在图1的场景下,每个用户的平均任务数作为横轴变化,其中每个任务的计算资源量ri,j∈[2,6],每个任务迁移的时延ti,j,m∈[2,10],每个任务迁移的能耗ei,j,m∈[2,10],每个基站接入不同服务器的成本cm,n∈[5,6],基站的可接入任务数为qm∈[5,7],边缘服务器的可用资源为rn∈[30,40],此外,α=0.2,β=0.3,γ=0.5。
图2展示了本发明所提方法与集中式算法分配轮次数的对比图;其为执行1000次蒙特卡洛仿真下平均结果。在图2中,随着任务数增多,本发明所提算法的分配轮次增加缓慢,最终稳定在3轮左右;而集中式算法的分配轮次等于总的任务数,随着任务数增多,分配轮次迅速增多。此外,从图2可见,与集中式算法相比,本发明所提算法显著地减少了任务的分配轮次,使得该算法具有更好的时效性。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。