一种移动边缘计算网络中考虑任务延时和服务器成本的任务分配方法

1.本发明属于通信技术领域，具体涉及一种移动边缘计算网络中考虑任务延时和服务器成本的任务分配方法。


背景技术：

2.物联网的出现导致越来越多的移动用户设备得到广泛应用，然而，移动设备有限的电池寿命和这些应用程序的低延迟要求增加了对新的网络模型的需求。移动边缘计算将计算和存储资源部署在移动网络的边缘，为移动网络提供服务环境和云计算能力，从而为用户提供超低延迟、高宽带的网络服务。
3.计算卸载作为的关键技术之一，是指终端设备将其部分或全部计算任务移交给云计算环境，以解决移动设备在资源存储、计算性能和能源效率方面的不足。但由于移动边缘计算服务器通常计算资源有限，无法同时满足所有用户的计算需求。因此，在云服务器和边缘服务器协同计算卸载场景下，制定卸载决策方案成为当下一个热点问题。


技术实现要素：

4.基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种移动边缘计算网络的任务卸载和资源分配方法。
5.为了达到上述发明目的，本发明采用以下技术方案：
6.一种移动边缘计算网络中考虑任务延时和服务器成本的任务分配方法，方法包括步骤：
7.s1、获取系统模型的网络配置信息，系统模型由若干个基站组、一个移动云服务器及属于某一基站组的用户本地服务器组成，每个基站组包括一个基站、若干用户本地服务器和一个边缘计算服务器；
8.s2、生成包含优先级约束关系的任务集，根据网络配置信息获取任务集在边缘计算服务器、移动云服务器进行计算的计算时延和服务器执行成本，并获取任务集中各任务在边缘计算服务器、移动云服务器之间传输的传输时延；
9.s3、随机初始化生成任务集的初始粒子群，将任务集中的任务分别分配至用户本地服务器、边缘计算服务器或移动云服务器，每个任务为一个粒子，并对各任务根据其分配的服务器进行粒子位置编码；
10.s4、根据计算时延、传输时延和服务器执行成本的总开销构建适应度评价函数，根据初始粒子群及粒子位置编码计算各粒子的适应度函数值；
11.s5、使用多目标引力搜索算法，在计算多目标引力搜索算法的合力时引入收敛因子，更新粒子速度和位置；
12.s6、使用交叉变异方法设定一个交叉概率，粒子每次更新位置时生成一个随机数，
如果该粒子生成的随机数小于交叉概率，则将该粒子的原始位置信息替换为当前粒子群中的某一粒子位置信息。并比较替换前后该粒子重力的变化，若重力变大则替换保留替换后的位置信息；
13.s7、设定循环次数，以循环次数迭代步骤s5-s6，得到总开销最小的任务分配策略。
14.作为优选方案，任务集中各任务在边缘计算服务器、移动云服务器进行计算的计算时延，由各任务的算量和边缘计算服务器、移动云服务器每秒钟能提供的cpu周期数相除计算得到。
15.作为优选方案，任务集中具有前后继关系的两个任务如果在同一服务器上，则传输时延为0。
16.作为优选方案，步骤s2中，任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的能耗时结合服务器的硬件架构确定服务器的能耗。
17.作为优选方案，步骤s3中任务在服务器处理的平均计算时延是根据任务的上传时延、任务在服务器的计算时延和任务计算完成后的下载时延相加得到。
18.作为优选方案，服务器执行成本根据任务在服务器的计算时延、服务器的计费周期、服务器的计算能力、最小服务器计算能力和服务器的基本价格计算得到。
19.本发明与现有技术相比，有益效果是：
20.本发明的方法针对移动边缘计算系统中的任务卸载，提出了一种移动边缘计算任务计算卸载模型，提出多目标引力搜索算法方法，通过移动边缘计算服务器和移动云服务器协调计算使不同的边缘服务器可以通过其所在基站形成的资源池进行通信，优化了引力搜索方法，实现了用户任务执行延迟和服务器计算成本的最小化。
附图说明
21.图1是本发明实施例一种移动边缘计算网络考虑任务优先级的计算卸载方法的流程图；
22.图2是本发明实施例的系统模型的结构示意图；
23.图3是本发明实施例的任务模型图的示意图。
具体实施方式
24.为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅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，并获得其他的实施方式。
25.实施例：本实施例提供一种移动边缘计算网络考虑任务优先级的计算卸载方法，其流程图如图1所示：首先进行步骤s1、获取系统模型的网络配置信息。系统模型的结构如图2所示，由若干个基站组、一个移动云服务器及属于某一基站组的用户本地服务器组成，每个基站组包括一个基站、若干用户本地服务器和一个边缘计算服务器；一个服务器只能同时处理一个任务，当用户端任务集过多时，用户所属基站组可以与系统模型中的其他基站组通信，进行协同计算，调度方案由移动云服务器集中式决策。
26.系统模型的网络配置信息由各个服务器的信息组成，p＝{pi|1≤i≤m}为系统模
型中服务器集合，其中p1为用户本地服务器，p2用户所在基站组的边缘计算服务器，pm为移动云服务器，其余为与用户所属基站组在同一系统模型下的其他移动云服务器。在考虑将所有任务都分配给移动云服务器和边缘计算服务器时，使用fe，fc分别表示边缘计算服务器，移动云服务器的计算能力，即每秒钟所能提供的cpu周期数。网络配置信息还包括用户本地服务器的固定发射功率、用户本地服务器与基站之间的信道增益、信道带宽等传输参数。
27.获取网络配置信息之后，进行步骤s2、生成包含优先级约束关系的任务集，根据网络配置信息获取任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的计算时延和服务器执行成本，并获取任务集中各任务在用户本地服务器、边缘计算服务器、移动云服务器之间传输的传输时延；
28.具体而言，任务集之间的优先级约束关系使用如图3任务模型图的有向无环图模型表示，图3中左侧为单用户的任务模型，右侧为多用户的任务模型。任务模型命名为g＝《v,e》。其中v为任务集合，v＝{vi|1≤i≤n}。e为任务之间有向边集合，表示任务之间的优先约束关系，e
ij
∈e表示在任务vi执行完后才可以执行任务vj。每个任务vi＝{di,gi}，其中di为完成任务所需cpu周期，gi为任务输入数据大小。
29.对于已知的有向无环图模型，任务vi的前继节点集合为pre(vi)，后继节点集合为suc(vi)，由下式可确定任务集中每个任务所属层值：
[0030][0031]
h(i)表示若任务vi无前继节点，则作为第一个节点，若有前继节点，则作为下一个节点。
[0032]
根据s1中获取的网络配置信息，能够得到任务在各个服务器上的计算时延，本实施例提供了一种计算时延的具体计算方法：
[0033]
第i个任务在边缘计算服务器上的计算时延为：
[0034]
第i个任务在移动云服务器上的计算时延为：
[0035]
结合得到第i个任务在服务器上的计算时延为：其中α，β为0-1变量，α＝1表示任务卸载到移动边缘服务器服务器处理，β＝1表示任务卸载到移动云服务器处理。
[0036]
对于任务在用户本地服务器、边缘计算服务器、移动云服务器之间传输的传输时延，使用以下方法计算：
[0037]
在传输过程中，若前一个节点和后一个节点分配在同一个服务器上，则传输延迟为零。否则，从上一个任务vj到下一个任务vi的传输延迟为：
[0038][0039]
其中为0-1决策变量，表示子任务vi由用户侧处理，表示子任务vi由用户所属基站下的边缘计算服务器处理，表示表示子任务vi由移动云服务器处理，有三种情况，箭头指向代表任务卸载方向，其中p0∈{p2,lp
m-1
}，re为资源池中基站之间的传输速度，ru为基站到移动云服务器的传输速度。
[0040]
在用户侧，计算任务的完成时间为：其中si是任务开始执行时间。
[0041]
根据指数定价模型，任务vi在服务器p
l
上的执行成本为：
[0042][0043]
其中σ表示一个随机变量，用于生成不同的定价模型，是计算时延，τ为服务器计费周期，fk为服务器p
l
的计算能力，f
min
为实例场景中最小服务器计算能力，v
based
表示服务器的基本价格。
[0044]
由此可得到服务器的总成本计算公式：
[0045][0046]
其中b
i,l
表示0-1卸载决策，b
i,l
＝1表示子任务vi卸载到服务器p
l
，cost
i,l
表示为任务vi卸载到服务器p
l
的执行成本。
[0047]
结合上述任务集在用户本地服务器、边缘计算服务器、移动云服务器进行计算的计算时延、传输时延和服务器执行成本，得到总优化问题的模型为：
[0048][0049][0050]
其中λ表示为重力因子，用于用户平衡时延和成本两个优化目标，表示为标准化因子，使总时延和总成本两个优化目标在保持在一个数量级上。
[0051]
然后进行步骤s3、随机初始化生成任务集的初始粒子群，将任务集中的任务分别分配至用户本地服务器、边缘计算服务器或移动云服务器，每个任务为一个粒子，并对各任务根据其分配的服务器进行粒子位置编码；粒子位置对应着一个完整的
问题解决方案。方法初始化阶段，粒子位置在区间(0,1)上随机生成的，粒子维度为nd，粒子数目为n
p
。
[0052]
然后进行步骤s4、根据计算时延、传输时延和服务器执行成本的总开销构建适应度评价函数，根据初始粒子群及粒子位置编码计算各粒子的适应度函数值；
[0053]
对于给定的粒子位置，它的适应度值可以表示为：
[0054]
粒子i的重力计算公式为：
[0055]
其中，best(t)表示当前粒子群中最大适应度值，worst(t)表示当前粒子群中最小适应度值。
[0056]
然后进行步骤s5、使用多目标引力搜索算法对粒子位置进行迭代，在计算所述多目标引力搜索算法的合力时引入收敛因子，更新粒子速度和位置。
[0057]
为了提高搜索的精度，首先初始化重力常数g0，第t次迭代中引力因子g(t)可以表示为：
[0058][0059]
其中，γ为区间(0,1)上的常数。
[0060]
在第t次迭代中，粒子i受粒子j的引力f
ij
可以表示为：
[0061][0062]
其中，r
ij
(t)为欧氏距离，δ为一个极小的常数。
[0063]
为了避免局部最优，在多目标引力搜索算法中引入了收敛因子kbest，作用在粒子i上的力可以表示为：
[0064][0065]
其中，rand1为区间[0,1]上产生的随机数，k为当前粒子群中质量最大的kbest个粒子。
[0066]
在第t次迭代中，粒子i的加速度为：
[0067][0068]
粒子i的速度和位置的计算公式分别为：
[0069][0070][0071]
为了更新粒子群的新解并比较适应度值，还进行步骤s6、使用交叉变异方法设定一个交叉概率，粒子每次更新位置时生成一个随机数，如果该粒子生成的随机数小于所述交叉概率，则将该粒子的原始位置信息替换为当前粒子群中的某一粒子位置信息。并比较替换前后该粒子重力的变化，若重力变大则替换保留替换后的位置信息。
[0072]
具体使用以下方法实现：
[0073]
c1：计算当前粒子群中最优解al
best
；按顺序从粒子群中挑选粒子ai。
[0074]
c2：生成的随机数rand3,(rand3∈(0,1))，比较其与交叉概率pc的大小，若小于，则进入步骤c3；若大于，则跳过该粒子，转至步骤c1。
[0075]
c3：令ui＝ai；生成随机整数n
l
,1《n
l
《n
d-l'，
[0076]
c4：比较fitness(ui)和fitness(ai)，若大于，则ai＝ui；若小于ai＝ai[0077]
c5：判断粒子群中粒子是否进行交叉操作完毕，若否则跳至步骤c1；若是，则结束循环。
[0078]
最后进行步骤s7、设定一个迭代次数，将步骤s4-s5循环迭代，直到达到迭代次数。然后使用最终确定的粒子的历史最优位置确定每个任务分配的最优服务器，得到总开销最小的任务分配策略。
[0079]
本发明对gsa方法做进一步改进，以最小化用户执行延迟和服务器计算成本为优化目标，将具有相同子任务集的多个用户卸载到不同的服务器上，不同的边缘计算服务器可以通过其所在基站形成的资源池进行通信。为了避免陷入局部最优解，在计算合力时引入交叉因子，并在每次更新粒子位置后引入交叉运算。
[0080]
应当说明的是，上述实施例仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。