一种降低系统能耗与花费和的边缘计算卸载方法及系统

本发明属于边缘计算中的优化领域，特别涉及一种降低系统能耗与花费和的边缘计算卸载方法及系统。

背景技术：

移动设备的普及推动了物联网的发展和进步，同时，越来越多的计算密集型和延迟敏感型移动应用，如虚拟现实和增强现实正在兴起并引起大量关注。然而，物联网终端经常受到电池寿命，计算能力和网络连接的限制，难以满足该类业务的服务需求。因此，计算卸载是解决上述挑战的可行方案之一。现有的技术是将这些计算相关的业务通过无线网络以及核心网络，再经互联网上传至远端服务器或者云计算平台进行处理。但由于通常通信距离远，难以满足时延敏感应用的需求，同时，这种集中式数据处理平台也给终端客户和服务商带来了极大经营成本。作为移动云计算的补充，移动边缘计算应运而生。移动边缘网络将流量、计算和网络功能下沉到网络边缘，使得网络边缘具有计算、储存和通信的能力，让卸载任务可以利用边缘设备的计算、储存资源在网络边缘进行处理。

然而，边缘计算网络也面临着一些亟待解决的挑战，当移动终端向其他服务器进行卸载任务时，会产生很高的传输能耗，这些能耗在终端用户能耗中占到相当大的比例，卸载到不同基站和信道状态的不同都对传输能耗产生很大的影响。同时，受限于任务完成时间，租用不同算力的边缘服务器或云服务器进行计算决定了用户的花销成本。本发明研究边缘计算的卸载决策问题，考虑任务执行时延约束，信道状态，cpu频率等因素下，对能耗和花费进行联合优化。经查阅相关文献，未见针对该问题的研究。

技术实现要素：

本发明的目的在于提供一种降低系统能耗与花费和的边缘计算卸载方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种多服务器降低系统能耗与花费和的边缘计算卸载方法，设定边缘服务器s(1，2，…，s，)，移动终端用户为n(1，2,…,n,)，每个终端用户有时间敏感型执行的任务tn＝(dn,cn,ln)需要执行；dn表示任务的大小，cn表示完成本次任务所需要的计算资源，fn表示本地终端能够提供的计算能力，ln表示任务的最大时延；卸载任务的决策表示为xij∈{0,1}，xij＝1表示终端用户i的任务通过基站j卸载和yi∈{0，1}，yi＝0表示卸载任务到远程云服务去试行，yi＝1表示卸载任务到边缘服务器j进行计算；包括以下步骤：

当任务在本地设备进行计算时，根据任务所需算力计算能耗开销；

当任务需要卸载到其他边缘服务器进行计算时，根据边缘服务器cpu频率和卸载任务所需算力，计算得到卸载任务的时间开销；

边缘服务器和云服务器通过卸载任务所需算力，根据卸载任务的时间开销计算卸载任务的计算花费；

根据能耗开销和计算花费构建卸载任务最小化能耗和花费模型；

对卸载任务最小化能耗和花费模型，设定任务数量以及边缘服务器数量，通过强分支策略产生训练集；

采用训练集训练好的深度学习模型执行强分支策略，将结果传给分支定界，进行下一次迭代，得到最优的卸载任务方法，确定任务计算位置是在本地进行或卸载到其他服务器进行计算。

进一步的，任务在本地设备进行计算时，根据任务所需算力计算能耗开销：

构建任务在本地计算的能耗模型，终端用户自身的计算能力为消耗能量如下所示：

其中k是能耗参数；

终端用户n的任务在本地计算时，时延如下所示：

进一步的，当任务需要卸载到其他边缘服务器进行计算时，根据信道状态构建卸载任务通信模型，基站依照正交频分多址技术将带宽为b赫兹的信道分为n个子信道；其各子信道的分配比例为αn(αn≥0，∑n∈nαn＝1)；终端用户n卸载任务到基站的s的信号噪声比，如下所示：

其中pn表示终端用户n的发射功率，hns是终端用户n发送任务到基站s的信道增益，pi表示终端用户i的发射功率，his是终端用户i发送任务到基站s的信道增益，σ表示高斯白噪声；

根据终端用户n卸载任务到基站的s的信号噪声比计算终端用户n卸载任务到基站s的时间开销。

进一步的，计算卸载任务的时间开销：根据终端用户n卸载任务到基站的s的信号噪声比，计算如下所示：

卸载任务的时间开销，如下所示：

进一步的，计算卸载任务的计算花费：卸载任务的计算花费如下所示：

终端用户总的能耗开销en，如下所示：

终端用户卸载到边缘服务器或者远端云服务时，卸载任务的计算花费cn，如下所示：

cn(xi,yi,fn)＝fn(1-yi)δ+∑j∈sxijyifnδs。

进一步的，构建卸载任务最小化能耗和花费模型时，具体表示如下：

j∈s，n∈n

xij，yi，∈{0，1}

pn，αn，fn≥0，n∈n；λ^e和λ^c分别是能耗和花销的权重。

进一步的，通过分支定界算法得到训练集，具体包括：

建立深度学习模型模拟强分支策略，获得的训练集训练参数并得到分支结果，并用测试集检测训练结果。

进一步的，一种降低系统能耗与花费和的边缘计算卸载系统，包括；

能耗开销模块，用于当任务在本地设备进行计算时，根据任务所需算力计算能耗开销；

时间开销计算模块用于当任务需要卸载到其他边缘服务器进行计算时，根据边缘服务器cpu频率和卸载任务所需算力，计算得到卸载任务的时间开销；

计算花费模块用于边缘服务器和云服务器通过卸载任务所需算力，根据卸载任务的时间开销计算卸载任务的计算花费；

卸载任务能耗和花费最小化模块用于根据能耗开销和计算花费构建卸载任务最小化能耗和花费模型；

训练集产生模块用于对卸载任务最小化能耗和花费模型，设定任务数量以及边缘服务器数量，通过强分支策略产生训练集；

任务计算位置判断模块用于采用训练集训练好的深度学习模型执行强分支策略，将结果传给分支定界，进行下一次迭代，得到最优的卸载任务方法，确定任务计算位置是在本地进行或卸载到其他服务器进行计算。

与现有技术相比，本发明有以下技术效果：

本发明研究边缘计算中最小化能耗和花费的问题，联合考虑移动终端设备端的传输功率，任务时延限制，卸载传输中通信状态，边缘服务器cpu频率、租用边缘服务器或云服务器计算资源的花费等因素以做出最优卸载决策，经查阅相关文献，未见针对该问题的研究。

基于分支定界算法解决移动边缘计算的卸载问题。针对分支定界算法计算时间花费高，本发明提出通过采用深度学习方法模拟学习分支定界算法中的分支策略，能够有效的降低算法求解时间，即将分支变量的计算时间转移到模型训练这个阶段来降低分支定界算法的整体时间花销。

附图说明

图1为边缘计算整体架构；

图2为算法求解时间对比图；

图3为花销随任务数量和权重变化图；

图4为能耗随任务所需时延和权重变化图。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

如图1所示，本专利的移动边缘计算网络架构是由智能设备，接入点或基站和远程云服务器组成。在本发明的边缘计算网络中，每个接入点或基站都部署有服务器。客户端可以将其卸载任务到边缘服务器或远程云服务器。本专利中边缘计算结合云计算(边缘云)的网络架构可以弥补云服务器延迟时间长和边缘服务器计算能力不足的缺陷。在实际的应用过程中，终端用户可以租用边缘服务器或远程云服务器的计算资源，并通过无线网络将任务上传到基站，之后通过边缘云计算，将计算传送回设备。因为终端用户所需处理的任务对计算能力，计算时延有不同需求，如对时延敏感的应用，用户可以卸载到边缘服务器进行计算，如计算资源密集应用，用户可以卸载到云服务器进行计算，同时选择不同基站进行卸载任务意味着不同的信道状态和传输能耗。因此如果卸载任务策略不当则会导致终端用户能耗和租用服务器花费过大，甚至导致任务不能按时完成。因此如何分配任务能够最大化利用边缘云的计算资源，以及节省能耗和花费尤为重要。

本发明实施的最小化能耗和花费的卸载决策方法，包括以下步骤：

第一步：构建任务在本地计算的能耗模型，终端用户自身的计算能力为l上标表示本地设备，消耗能量如下所示：

其中k是能耗参数；cn表示完成本次任务所需要的计算资源，fn表示本地终端能够提供的计算能力；

终端用户n的任务在本地计算时，时延如下所示：

边缘服务器s(1,2,…,s,)，移动终端用户为n(1,2,…,n,)，每个终端用户有一个时间敏感型执行的任务tn＝(dc,cn,ln)需要执行。

第二步，设定卸载决策表示为xij∈{0，1}，xij＝1表示终端用户i的任务通过基站j卸载和yi∈{0，1}，yi＝0表示卸载任务到远程云服务去试行，yi＝1表示卸载任务到边缘服务器j进行计算；当任务需要卸载到其他边缘服务器进行计算时，根据信道状态构建卸载任务通信模型，基站依照正交频分多址技术将带宽为b赫兹的信道分为n个子信道；其各子信道的分配比例为αn(αn≥0，∑n∈nαn＝1)；终端用户n卸载任务到基站的s的信号噪声比，如下所示：

其中pn表示终端用户n的发射功率，hns是终端用户n发送任务到基站s的信道增益，pi表示终端用户i的发射功率，his是终端用户i发送任务到基站s的信道增益，σ表示高斯白噪声；

根据终端用户n卸载任务到基站的s的信号噪声比计算终端用户n卸载任务到基站s的时间开销。

第三步，计算任务在本地卸载的能耗模型：

第四步，计算卸载任务的花费模型：

第五步，构建卸载任务最小化能耗和花费模型：

j∈s，n∈n

xij，yi，∈{0，1}

pn，αn，fn≥0，n∈n

λ^e和λ^c分别是能耗和花销的权重。因为算法是np难问题，同时因为限制条件中含有m，在问题求解的松弛上会更加困难。

第六步：设定小规模的任务数量以及边缘服务器数量，实现分支定界算法中强分支策略，求解算法并得到训练集。

建立深度学习模型模拟强分支策略，通过步骤6获得的训练集训练参数并得到分支结果，并用测试集检测训练结果。

将深度学习训练的分支策略结果应用于分支定界方法，以加速分支定界方法，降低时间花销，算法如下：

强分支策略为传统的现有策略，使用传统的强分支策略产生训练集，构建深度学习模型进行学习，并训练此模型，用训练好的学习模型取代传统的强分支策略，将结果传给分支定界，进行下一次迭代，得到最优的卸载任务方法，确定任务计算位置是在本地进行或卸载到其他服务器进行计算。

图2给出深度学习与cplex数学求解软件，强分支策略，伪成本分支策略求解时间花销对比图。从图中，可以看到我们基于深度学习的分支策略算法的计算时间减少了算法计算时间。

图3显示了权重λ^c的变化对花费的影响成本。具体来说，我们比较不同情况下的λ^c。随着λ^c的增加，每个设备的成本降低。花费目标的权重较高，算法将会优先分配给设备较低单位成本的资源，从而减少了总体成本。但另一方面，这可能会导致增加无线信道的能耗方面。与资源花费低的服务器通信时，通道状态可能不是最好，因此设备将被迫增加其传输功率以符合要求任务期限，导致更高的能耗。

图4显示了权重λ^e的变化对能耗的影响。λ^e的增加，能耗降低。因为该解决方案将首先着重将设备与信道条件良好的服务器通信。但是这些服务器的计算资源的开销也许会增加系统整体开销。

一种降低系统能耗与花费和的边缘计算卸载系统，包括；

能耗开销模块，用于当任务在本地设备进行计算时，根据任务所需算力计算能耗开销；

时间开销计算模块用于当任务需要卸载到其他边缘服务器进行计算时，根据边缘服务器cpu频率和卸载任务所需算力，计算得到卸载任务的时间开销；

计算花费模块用于边缘服务器和云服务器通过卸载任务所需算力，根据卸载任务的时间开销计算卸载任务的计算花费；

卸载任务能耗和花费最小化模块用于根据能耗开销和计算花费构建卸载任务最小化能耗和花费模型；

训练集产生模块用于对卸载任务最小化能耗和花费模型，设定任务数量以及边缘服务器数量，通过强分支策略产生训练集；

任务计算位置判断模块用于采用训练集训练好的深度学习模型执行强分支策略，将结果传给分支定界，进行下一次迭代，得到最优的卸载任务方法，确定任务计算位置是在本地进行或卸载到其他服务器进行计算。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，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。本发明要求保护的范围由权利要求书及其等效物界定。