一种大规模任务卸载到5G边缘服务器的节能方法及系统

文档序号：25868702发布日期：2021-07-13 16:29阅读：102来源：国知局

本发明涉及物联网、通信计算领域，尤其是涉及一种大规模复杂性任务从无网络移动设备到5g边缘服务器节能卸载的方法及系统。

背景技术：

随着物联网移动终端设备的发展，设备应用程序的不断复杂化，移动云计算传输延迟长、中央服务器负载过重的缺点已无法进一步满足用户需求，为此研究学者提出移动边缘计算的概念。移动边缘计算的出现一定程度上解决了移动设备计算资源、存储空间以及电量有限的问题，移动设备执行的任务更多地卸载到移动边缘服务器中。但随着第五代无线系统(5g)的落地，大规模智能设备的接入不可避免地带来频谱资源的不足，虽然5g基站携有的边缘服务器有较大的计算资源和存储资源，但是较长的距离使得任务卸载过程中存在着较大的时间延迟和能源消耗，无法在实际应用中满足用户对于服务质量的需求。同时，卸载速度随着频谱效率的提高而不断加快，对5g基站覆盖范围下的移动边缘设备的性能提出了更高的要求，移动边缘设备因为计算资源、存储资源以及电量的不足无法执行大规模复杂性计算任务。因此，对于5g基站以及基站覆盖的移动设备来说，合理分配计算资源，合理利用存储资源以及最大化节约能耗是最受关注的研究内容。

现有的任务卸载的研究主要关注于可联网移动设备之间的交互，或者移动设备与边缘服务器的协作，暂时没有考虑到由于信号不好或者无法使用网络的移动设备进行任务处理的情况。同时，虽然现有的很多技术都在试图解决5g基站的能耗过大的问题，也取得了一定的效果，但是目前的技术主要通过对卸载过程中的计算和通信资源进行优化，也有很多研究者研究任务对边缘服务器中的任务缓存策略进行优化，但是都没有同时考虑到整个卸载过程中移动设备和设备之间、设备与边缘服务器之间的整体最优化联系，有较大的改进空间。为更好地达到上述目的，任务卸载量、计算及通信资源分配以及缓存策略的联合优化提供了一个较好的研究途径。

技术实现要素：

为了解决上述现有技术中存在的问题，本发明针对无蜂窝数据移动设备执行大规模复杂性任务提供一种卸载到5g边缘服务器节能卸载的方法，以有网络的移动设备作为中继节点，更好地激发设备之间的激励合作，同时在卸载过程中联合优化任务卸载量、计算和通信资源、5g边缘服务器的缓存策略，从而有效地解决5g环境现存应用的能耗消耗大，以及移动设备电量、计算和存储空间不足的问题，并且在计算延迟上相对于无蜂窝数据移动设备执行任务的时间有很大提升。

为达到以上目的，本发明一种大规模任务从无蜂窝数据移动设备到5g边缘服务器节能卸载的方法：

无蜂窝数据移动设备请求执行大规模复杂性任务；

所述无蜂窝数据移动设备选择一个有网络的空闲移动设备作为协助(helper)设备，根据给定的初始缓存策略判断是否需要进行任务卸载，根据判断结果进行任务执行。

进一步地，所述根据给定的初始缓存策略判断是否需要进行任务卸载，根据判断结果进行任务执行，进一步包括：

如果任务没有缓存在所述5g边缘服务器中，则需要进行任务卸载；

若缓存在所述5g边缘服务器中，则无需进行任务卸载，所述5g边缘服务器直接进行该任务的计算并将结果返回到所述helper设备上，继而返回到所述无蜂窝数据移动设备中。

进一步地，所述如果任务缓存在所述5g边缘服务器中，则需要进行任务卸载，具体包括：

将该任务从所述无蜂窝数据移动设备部分卸载到对应所述helper设备上，其中，所述无蜂窝数据移动设备剩余任务的执行和部分任务向所述helper设备卸载同时执行；卸载完成后，所述helper设备进行所述部分任务的二次卸载，将任务数据继续部分卸载到所述5g边缘服务器，此时任务由所述无蜂窝数据移动设备、所述helper设备、所述5g边缘服务器同时执行，并逐步返回结果。进一步地，在所述无蜂窝数据移动设备请求执行大规模复杂性任务之前，以最小化移动设备的整体能耗为目标建立模型，即：

其中，a表示每个任务的缓存策略，是一个m维的向量，可表示为a＝{a1,a2,…,am}，am表示任务m的缓存策略；vi,t和分别表示第t个时隙内所述无蜂窝数据移动设备i的本地执行数据量和对应的helper设备k执行的数据量，vi及vk表示vi,t和的向量解；和分别表示第t个时隙内所述无蜂窝数据移动设备i向所述helper设备k、所述helper设备k向所述5g边缘服务器e提供的传输功率，pⁱ，p^k为其向量解；表示从所述设备i到设备k的映射关系，解向量用μ表示；vm为任务m的总数据量，cm表示执行1比特所用周期，p^wait表示等待功率，以及分别表示所述无蜂窝数据移动设备i、所述helper设备k和所述5g边缘服务器e的计算频率，和表示信道增益，bk及be表示所述无蜂窝数据移动设备i到所述helper设备k以及所述helper设备k到所述5g边缘服务器e的信道带宽；κ为有效电容，由cpu内核决定；σ²表示噪声干扰，根据高斯定理得到。

进一步地，所述根据给定的初始缓存策略判断是否需要进行任务卸载，根据判断结果进行任务执行，具体包括：问题分解、初始化变量、松弛变量和slsqp算法求解、离散变量及块坐标下降交替求解5个步骤，具体为：

步骤一、问题分解：将原始的能耗目标问题按照优化的离散变量和连续变量分解为两个子问题，包括子问题1：优化任务卸载数据量、计算资源分配以及无蜂窝数据移动设备到helper设备的选择策略以最小化卸载能耗；子问题2：优化所述5g边缘服务器中的缓存策略以最小化卸载能耗；

步骤二、初始化变量：在每次无蜂窝数据移动设备请求任务前，初始化任务在5g边缘服务器的缓存策略，即a＝a⁰；

步骤三、松弛变量和slsqp算法求解：将所述无蜂窝数据移动设备到所述helper设备的二进制选择策略进行松弛，将所述子问题1用数学方法转化透视凸函数，并用slsqp算法对所述子问题1进行求解，即：

其中，约束条件为：

其中，表示所述无网络移动设备的集合，表示空闲有网络移动设备的集合；c1、c2、c3表示所述无蜂窝数据移动设备i到所述helper设备k的选择是一一对应的，c4表示所述无蜂窝数据移动设备i本地执行、所述helper设备k执行以及所述5g边缘服务器e执行数据量在0到vm之间，c5表示传输功率不能超过自身最大功率，c6表示任务执行时间不能超过t；其中表示缓存在所述5g边缘服务器的卸载时间，而表示任务没有被缓存到所述5g边缘服务器的卸载时间，p表示时隙个数；

所述子问题1表示给定缓存策略后能耗的表示方式，前半段为有缓存情况，能耗为所述5g边缘服务器执行能耗；后半段为无缓存能耗，包括所述无蜂窝数据移动设备、所述helper设备、所述5g边缘服务器执行任务的能耗以及卸载过程中的传输能耗；

步骤四、离散变量：根据步骤三得到的最优卸载数据量、设备间的选择策略以及卸载过程中的传输效率，带入求解所述子问题2，求得最优缓存策略下的能耗：

约束条件如下：

c9：0≤am≤1

其中c7中的均由子问题1求解得到，c8和c9表示缓存策略是个0到1之间的数，并且缓存的数据量不能超过总容量d；

步骤五、块坐标下降交替求解：采用块坐标下降的方法反复求解子问题直至问题收敛，此时可以选择出卸载过程中消耗电量最小的方式以及得出最小能耗。

由上述可知，本发明为无蜂窝数据移动设备无网络移动设备执行大规模复杂性任务提供了一种较好的节能卸载方法，通过移动设备之间的激励合作以及移动设备与5g基站的交互解决移动设备计算资源、存储空间以及电量有限的问题，同时，通过对任务卸载和执行过程中无蜂窝数据移动设备到有网络移动设备之间的选择关系、基站服务器的缓存策略、任务卸载数据量以及卸载过程中的计算资源分配进行联合优化，有效地节约了整个系统的能耗，并在一定程度减少了卸载延迟。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提实施案例中5g边缘-d2d系统的通信结构示意图。

图2为本发明所提实施方案中的具体卸载过程流程图。

图3为本发明所提实施方案中节能卸载方法计算流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如图1所示：以一个带有支持缓存的边缘服务器的5g基站的移动边缘计算系统为例。系统包括5g基站、边缘服务器、有网络移动设备和无蜂窝数据移动设备，所述5g边缘服务器通过所述基站与有网络移动设备通信连接。针对无蜂窝数据或者信号不良的移动边缘设备执行大规模复杂性任务，本发明提供一种从无蜂窝数据移动设备到5g边缘服务器的联合优化节能卸载的方法，如图2所示。

无蜂窝数据移动设备请求执行大规模复杂性任务；

进一步地，所述根据给定的初始缓存策略判断是否需要进行任务卸载，根据判断结果进行任务执行，进一步包括：

如果任务没有缓存在所述5g边缘服务器中，则需要进行任务卸载；

进一步地，所述如果任务缓存在所述5g边缘服务器中，则需要进行任务卸载，具体包括：

通过该方法，可以有效解决5g环境下边缘服务器能耗过大，而移动设备能源不足的问题。

作为本发明的另一个实施例，从无蜂窝数据移动设备到5g边缘服务器节能卸载的方法还可以包括：

(1.1)考虑一个覆盖有n台设备的5g基站，且基站边缘服务器支持多用户缓存的网络环境，其中i台设备需要执行大规模复杂性任务(虚拟现实游戏)，设备集设为剩下的闲置设备可以使用网络进行5g基站交互。假设时间被划分为大小为t的时隙，每个设备i,随时可以请求任意一个密集型任务，用户所能接受的最大延迟是t。当集合中的设备请求任务时，由于独立地本地计算无法在规定时间内完成，因此需要设备之间的激励合作以及边缘服务器的协助工作。

(1.2)定义一组计算密集且延迟敏感型任务m，每个任务由两个元素组成，即m＝(vm,cm)，其中vm表示任务m的数据大小(千字节)，cm表示执行1bit所用周期数。我们考虑p个时隙的情况，即t＝{1,2,…,p}，在每个时隙开始时，设备i,开始随机请求任意一个任务m,m∈m,且

∑m∈mpi(m)＝1。

(2)5g网络中复杂且延迟敏感型任务问题模型建立。

以最小化移动设备的整体能耗为目标建立模型，即：

目标函数为使移动设备的总能耗最小，由于结果回传消耗能耗很小，可以忽略不计，本发明不做考虑。其中表示若所述任务缓存在5g边缘服务器时的执行能耗，和分别表示无蜂窝数据移动设备i和协助设备k的本地计算能耗，表示所述任务从无蜂窝数据移动设备i到协助设备k的卸载传输能耗，表示所述任务从协助设备k到5g边缘服务器部分二次卸载的传输能耗，表示所述任务若没有缓存在5g边缘服务器，卸载到5g边缘服务器后在该服务器上执行的计算能耗。

(2.1)移动设备i的cpu计算能力为则第t个时隙的本地计算延迟可表示为：

(2.2)本地计算能耗可表示为：

其中κ是与cpu相关的有效电容，vi,t表示第t个时隙移动设备i本地执行任务m时的数据量大小。

(2.3)helper设备k执行设备i卸载任务时的本地计算延迟可以表示为：

(2.4)helper设备计算能耗为：

其中表示时隙t内设备i到设备k的映射关系，为helper设备k的cpu计算能力，表示第t个时隙helper设备k执行从设备i卸载任务m的数据量大小。

(2.5)边缘计算延迟为：

(2.6)移动设备在边缘服务器计算时间段内虽然处于空闲状态，但是等待时间所消耗的能耗可以认为是与时间成正比的，设等待时间设备消耗的等待功率为p^wait,则服务器执行时设备消耗电能为：

(3)除计算时间和能耗外，任务卸载需要传输，本发明设计两阶段传输，从本地设备到helper设备的传输以及helper设备到边缘服务器的传输。

(3.1)任务从设备i到helper设备的卸载过程：假设第t个时隙设备i提供的传输功率为那么第t个时隙中移动设备i与移动设备k之间的通信速率可以表示为：

其中σ²表示信道的噪声干扰，bk为信道带宽，为第t个时隙移动设备到边缘服务器的信道收益

(3.2)本地执行的数据量设为vi,t，则移动设备i到k的延迟可以表示为：

所需能耗为：

(3.3)任务从helper设备到5g基站的卸载过程：helper设备k到基站的卸载速率为：

其中为第t个时隙边缘服务器分配给第k个设备用于处理设备i卸载任务的功率，为第t个时隙移动设备到边缘服务器的信道收益，每经过t时间有所变化，但在每个时隙内保持不变,σ²表示信道的噪声干扰。

(3.4)卸载到边缘计算的数据量为则5g边缘服务器到helper移动设备k的传输延迟可表示为：

传输过程中消耗的电能可以表示为：

(4)利用基站强大的存储空间进行数据缓存，可以有效地降低数据传输延迟并减少能耗。假设边缘服务器缓存容量为d，am表示缓存策略，若am＝1则表示该任务在服务器中缓存，由于回传结果对于整个执行过程来说太小了可以忽略不计，此时任务执行时间即在边缘服务器上的执行时间，消耗的能耗也为边缘服务器执行能耗，即反之，若am＝0则表示任务当前没有缓存，则需要进行本地计算、helper设备和边缘服务器共同执行。任务没有缓存的情况下计算延迟为:

(5)根据上述定义，本发明以移动设备能耗最小化为目标进行资源分配、任务分割及缓存策略的联合优化，即